CN117434048B - 基于蒙特卡洛实现拉曼光源转换的冷鲜食品无损检测方法 - Google Patents
基于蒙特卡洛实现拉曼光源转换的冷鲜食品无损检测方法 Download PDFInfo
- Publication number
- CN117434048B CN117434048B CN202311519109.1A CN202311519109A CN117434048B CN 117434048 B CN117434048 B CN 117434048B CN 202311519109 A CN202311519109 A CN 202311519109A CN 117434048 B CN117434048 B CN 117434048B
- Authority
- CN
- China
- Prior art keywords
- voxel
- layer
- spectrum
- raman
- medium
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 81
- 238000001069 Raman spectroscopy Methods 0.000 title claims abstract description 52
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 11
- 238000001514 detection method Methods 0.000 title claims description 17
- 238000001237 Raman spectrum Methods 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 60
- 239000010410 layer Substances 0.000 claims description 151
- 230000005284 excitation Effects 0.000 claims description 111
- 238000001228 spectrum Methods 0.000 claims description 78
- 230000003595 spectral effect Effects 0.000 claims description 32
- 239000002344 surface layer Substances 0.000 claims description 29
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 24
- 239000000126 substance Substances 0.000 claims description 12
- 238000001453 impedance spectrum Methods 0.000 claims description 6
- 230000001678 irradiating effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000001066 destructive effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 239000002355 dual-layer Substances 0.000 claims description 3
- 238000004793 spatially offset Raman spectroscopy Methods 0.000 description 10
- 239000000523 sample Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000009659 non-destructive testing Methods 0.000 description 5
- 241000238557 Decapoda Species 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 241000238553 Litopenaeus vannamei Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 206010042434 Sudden death Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本申请公开了一种基于蒙特卡洛实现拉曼光源转换的冷鲜食品无损检测方法,涉及拉曼光谱技术领域,该方法将包含食品本体及其外部的外表层组织的待测冷鲜食品抽象为双层介质模型,然后分别在双层介质模型表面的点激光入射位置和线激光入射位置处持续发射光子包,对光子在双层介质模型中传递并激发拉曼信号的过程进行蒙特卡洛模拟,从而得到点激光模拟拉曼光谱和线激光模拟拉曼光谱,然后利用点激光最佳偏离距离处的点激光模拟拉曼光谱作为先验信息转换得到较为准确的线激光最佳偏离距离实现线激光线扫描的无损品质检测,可以降低对专家经验的依赖,且有利于提高无损品质检测的准确度。
Description
技术领域
本申请涉及拉曼光谱技术领域,尤其是一种基于蒙特卡洛实现拉曼光源转换的冷鲜食品无损检测方法。
背景技术
食品的外表层物质包括食品密封的外包装和食品自身的外表皮/外壳皮,这些外表层物质能够有效保障食品在储存、运输和销售期间的品质稳定,但也阻挡了反映食品内部品质的光学信号传递,且外表层物质本身与激发光的交互反应也会产生干扰光谱,从而导致传统的光谱检测技术仅能进行食品表层的无损检测,而难以用于对包含外表层物质的食品进行无损品质检测。
空间偏移拉曼光谱(SORS)是一种新的非侵入性深层材料检测方法,与传统的光谱检测技术不同,SORS在偏移激光入射点的区域收集拉曼信号,随着相机激光点与探测位置之间的距离的增加,次表层物质的拉曼信号的衰减速度比表层物质的拉曼信号的衰减速度慢,SORS根据多层材料之间光子传输的差异,采集激发光入射点不同距离的拉曼散射信号,可以识别材料内部信号,因此被广泛应用于带外表层物质的食品、药品的无损品质检测。
传统的SORS测量方法基于点激光光纤探头,因此深度分辨率较差,光纤探针阵列的使用通常依赖于光纤的固定位置,通常只能计算固定偏移距离的拉曼光谱,难以实现工具灵活性。为了克服上述限制,基于点激光线扫描的SORS技术被逐渐应用,这种技术使用点激光作为激发光源,并通过将点激光位置偏移到与探头的给定距离来收集SORS光谱,这种做法允许用户根据感兴趣的样品选择一系列偏移,提高了使用灵活性。但是使用点激光会导致每个点的光谱采集时间很长,对于那些具有大表面积的样品,为尽可能采集更多位置的拉曼光谱,累计时间会成倍增加,另外这种基于点激光线扫描的SORS技术收集的拉曼偏移光谱的信噪比较低,因此通常以较高的曝光时间收集多个光信号累积,然后取平均值以补偿信噪比,这也造成它们最终需要很长的数据收集时间才能获得最终频谱的合理信噪比。基于线激光线扫描的SORS技术可以在单次扫描中生成多组拉曼数据,从而克服基于点激光线扫描的SORS技术的上述缺陷。但是线激光线扫描的SORS技术的检测精度受入射激光线与扫描线的偏移距离的影响,而该偏移距离目前则主要依赖专家经验来确定,导致检测精度难以保证,受人为经验影响较大。
发明内容
本申请针对上述问题及技术需求,提出了一种基于蒙特卡洛实现拉曼光源转换的冷鲜食品无损检测方法,本申请的技术方案如下:
一种基于蒙特卡洛实现拉曼光源转换的冷鲜食品无损检测方法,该冷鲜食品无损检测方法包括:
将包含食品本体及其外部的外表层组织的待测冷鲜食品抽象为双层介质模型,双层介质模型包含纵向层叠的次表层介质层和表层介质层;
在双层介质模型表面的点激光入射位置处持续发射光子包,对光子在双层介质模型中传递并激发拉曼信号的过程进行蒙特卡洛模拟,得到待测冷鲜食品表面与点激光入射位置不同偏离距离处的点激光模拟拉曼光谱;
在双层介质模型表面的线激光入射位置处持续发射光子包,对光子在双层介质模型中传递并激发表面拉曼信号的过程进行蒙特卡洛模拟,得到待测冷鲜食品表面与线激光入射位置不同偏离距离处的线激光模拟拉曼光谱;
确定与点激光入射位置具有点激光最佳偏离距离处的点激光模拟拉曼光谱作为基准拉曼光谱,根据不同偏离距离处的线激光模拟拉曼光谱以及基准拉曼光谱确定线激光最佳偏离距离;
调节照射待测冷鲜食品表面的线激光入射位置与线扫描位置相互平行且具有线激光最佳偏离距离,利用线扫描位置采集到的待测拉曼光谱对待测冷鲜食品进行无损品质检测。
其进一步的技术方案为,确定线激光最佳偏离距离包括:
确定与基准拉曼光谱的光谱强度相同的线激光模拟拉曼光谱对应的偏移距离为线激光最佳偏离距离。
其进一步的技术方案为,对光子在双层介质模型中传递并激发拉曼信号的过程进行蒙特卡洛模拟得到待测冷鲜食品的模拟拉曼光谱包括:
对双层介质模型进行三维体素划分为M*N*H个体素,表层介质层沿着纵向被划分为H1个体素层,次表层介质层沿着纵向被划分为H2个体素层,每个体素层包括M*N个体素,且H1+H2=H;其中,M、N、H均为整数参数;
对光子在双层介质模型中传递的过程进行蒙特卡洛模拟,确定每个体素的光子概率密度;
基于每个体素的光子概率密度确定体素激发的表面拉曼信号作为体素在不同表面激发位置的光谱贡献值;
基于各个体素在不同表面激发位置的光谱贡献值得到待测冷鲜食品的模拟拉曼光谱。
其进一步的技术方案为,基于每个体素的光子概率密度确定体素激发的表面拉曼信号作为体素的光谱贡献值包括:
对于纵向任意第h个体素层中的体素,对其中任意第i个体素基于自身的光子概率密度激发拉曼信号的过程进行蒙特卡洛模拟,确定第i个体素在双层介质模型表面的第I个表面激发位置所激发的表面拉曼信号得到第i个体素在第I个表面激发位置内的光谱贡献值;参数1≤i≤M*N,1≤j≤M*N且j≠i,1≤h≤H;
根据统计衍生策略直接确定第h个体素层中其他的任意第j个体素在双层介质模型表面的第J个表面激发位置所激发的表面拉曼信号作为第j个体素在第J个表面激发位置光谱贡献值;
其中,第j个体素和第J个表面激发位置之间的相对位置关系与第i个体素和第I个表面激发位置之间的相对位置关系相同且有D(i,I)/D(j,J)=f(i)/f(j),其中,D(i,I)是第i个体素在第I个表面激发位置的光谱贡献值,D(j,J)是第j个体素在第J个表面激发位置的光谱贡献值,f(i)是第i个体素的光子概率密度,f(j)是第j个体素的光子概率密度。
其进一步的技术方案为,基于各个体素在不同表面激发位置的光谱贡献值得到待测冷鲜食品的模拟拉曼光谱,包括:
基于表层介质层中各个体素在不同表面激发位置的光谱贡献值得到表层介质光谱贡献曲线,基于次表层介质层中各个体素在不同表面激发位置的光谱贡献值得到次表层介质光谱贡献曲线;
基于表层介质光谱贡献曲线和次表层介质层光谱贡献曲线得到待测冷鲜食品的模拟拉曼光谱。
其进一步的技术方案为,得到表层介质光谱贡献曲线和次表层介质光谱贡献曲线包括:
将表层介质层中所有M*N*H1个体素在同一个表面激发位置处的光谱贡献值相加,得到表层介质层中所有体素在每个表面激发位置处的总光谱贡献值构成表层介质光谱贡献曲线;
将次表层介质层中所有M*N*H2个体素在同一个表面激发位置处的光谱贡献值相加,得到次表层介质层中所有体素在每个表面激发位置处的总光谱贡献值构成次表层介质光谱贡献曲线。
其进一步的技术方案为,基于表层介质光谱贡献曲线和次表层介质层光谱贡献曲线得到待测冷鲜食品的模拟拉曼光谱包括
获取外表层组织的单物质样本在激光入射位置处的拉曼光谱作为表层介质层的参考光谱,获取食品本体的单物质样本在激光入射位置处的拉曼光谱作为次表层介质层的参考光谱;
将表层介质层的参考光谱与表层介质光谱贡献曲线进行对应表面激发位置的卷积运算得到表层介质层的模拟拉曼光谱,将次表层介质层的参考光谱与次表层介质光谱贡献曲线进行对应表面激发位置的卷积运算得到次表层介质层的模拟拉曼光谱;
将表层介质层的模拟拉曼光谱与次表层介质层的模拟拉曼光谱叠加,得到待测冷鲜食品的模拟拉曼光谱。
其进一步的技术方案为,基于每个体素的光子概率密度确定体素激发的表面拉曼信号作为体素在不同表面激发位置的光谱贡献值包括:
确定双层介质模型中的光子概率密度达到概率密度阈值的体素构成的感兴趣区域,对感兴趣区域内的体素的光子概率密度进行归一化处理,基于感兴趣区域内的体素经过归一化处理后的光子概率密度确定体素激发的表面拉曼信号作为体素在不同表面激发位置的光谱贡献值。
其进一步的技术方案为,在双层介质模型表面的点激光入射位置和线激光入射位置处持续发射光子包包括:
按照点激光的入射功率对应的点激光光子包数量在点激光入射位置处持续发射光子包;
确定线激光由若干个点激光依次均匀密集排布形成线型结构,按照线激光包含的每个点激光的入射功率对应的点激光光子包数量在对应的入射位置处持续发射光子包。
其进一步的技术方案为,该冷鲜食品无损检测方法还包括:
通过点激光照射在待测冷鲜食品的表面,并在若干个相对于点激光的照射位置具有不同偏移距离处获取待测冷鲜食品的实测混合拉曼光谱,基于不同偏移距离处的实测混合拉曼光谱确定信噪比达到预定阈值的偏移距离作为点激光最佳偏离距离。
本申请的有益技术效果是:
本申请公开了一种基于蒙特卡洛实现拉曼光源转换的冷鲜食品无损检测方法,该方法基于待测冷鲜食品的光学特性具有统一性,点激光和线激光的光子分布差异只取决于输入光子的数量和形态、信噪比具有一致性的特点,利用蒙特卡洛模拟来获取点激光模拟拉曼光谱和线激光模拟拉曼光谱,从而可以利用点激光最佳偏离距离处的点激光模拟拉曼光谱转换得到较为准确的线激光最佳偏离距离,降低对专家经验的依赖,且有利于提高无损品质检测的准确度。
该方法改进了传统的蒙特卡洛模拟方法,加入了统计衍生策略,可以在保证模拟精度的前提下将模拟耗时缩短两个数量级,从而可以减少模拟耗时和对算力的需求,
该方法无需预先确定待测冷鲜食品的先验光学特性信息,易于实现,且该方法不仅可以用于确定线激光最佳偏离距离,还可建立点激光与线激光之间的转化模型,从而应用于多样化的激发光源和探测器的模拟转换过程。
附图说明
图1是本申请一个实施例的冷鲜食品无损检测方法的方法流程图。
图2是对待测冷鲜食品抽象得到的双层介质模型以及进行三维体素划分后的示意图。
图3是本申请一个实施例进行蒙特卡洛模拟得到模拟拉曼光谱的方法流程图。
图4是一个实例中基于统计衍生策略确定体素在表面激发位置的光谱贡献值的示意图。
图5是一个实例中不同垂直纵向深度处的体素对应的表面激发位置的示意图。
具体实施方式
下面结合附图对本申请的具体实施方式做进一步说明。
本申请公开了一种基于蒙特卡洛实现拉曼光源转换的冷鲜食品无损检测方法,请参考图1,该冷鲜食品无损检测方法包括:
步骤1,将包含食品本体及其外部的外表层组织的待测冷鲜食品抽象为双层介质模型。一种典型的待测冷鲜食品比如带壳冷鲜对虾,虾肉即为食品本体,虾壳即为外表层组织。
抽象得到的双层介质模型包含纵向层叠的次表层介质层1及其表面的表层介质层2,次表层介质层1和表层介质层2均水平均匀分布,垂直具有显著差异。如图2中的(a)所示,次表层介质层1和表层介质层2的相对厚度根据待测冷鲜食品的食品本体及外表层组织的相对厚度来确定,所以往往次表层介质层1的厚度更大。
步骤2,在双层介质模型表面的点激光入射位置处持续发射光子包,对光子在双层介质模型中传递并激发拉曼信号的过程进行蒙特卡洛模拟,得到待测冷鲜食品表面与点激光入射位置不同偏离距离处的点激光模拟拉曼光谱。
对于点激光,按照点激光的入射功率对应的点激光光子包数量在点激光入射位置处持续发射光子包。
步骤3,在双层介质模型表面的线激光入射位置处持续发射光子包,对光子在双层介质模型中传递并激发表面拉曼信号的过程进行蒙特卡洛模拟,得到待测冷鲜食品表面与线激光入射位置不同偏离距离处的线激光模拟拉曼光谱。
线激光可以认为是若干个点激光依次均匀密集排布形成的线型结构,因此线激光包括若干个点激光,而线激光入射位置即包括线激光中各个点激光的入射位置,则按照线激光包含的每个点激光的入射功率对应的点激光光子包数量在对应的入射位置处持续发射光子包,即可实现在线激光入射位置处持续发射光子包的目的。
需要说明的是,步骤3和步骤2执行蒙特卡洛模拟得到激光模拟拉曼光谱没有特定的执行先后关系。且这两个步骤的蒙特卡洛模拟方法除了发射光子包的方式不同,后续的处理方式是类似的,之后会详细介绍。
步骤4,确定与点激光入射位置具有点激光最佳偏离距离处的点激光模拟拉曼光谱作为基准拉曼光谱,根据不同偏离距离处的线激光模拟拉曼光谱以及得到的基准拉曼光谱确定线激光最佳偏离距离。
对于相同的待测冷鲜食品,点激光和线激光产生的光子分布差异只取决于输入光子的数量和形态,而待测冷鲜食品的光学特性具有统一性,且在点激光和线激光下具有相同的信噪比,因此以点激光场景下确定的基准拉曼光谱作为先验信息,确定与基准拉曼光谱的光谱强度相同的线激光模拟拉曼光谱对应的偏移距离为线激光最佳偏离距离。
比如,点激光最佳偏离距离为5mm,则提取与点激光入射位置的偏移距离为5mm处的点激光模拟拉曼光谱作为基准拉曼光谱,假设其光谱强度为P1。那么在不同偏移距离的线激光模拟拉曼光谱中寻找光谱强度为P1的线激光模拟拉曼光谱对应的偏移距离比如为10mm,即为线激光最佳偏离距离。
如上所述,由于线激光可以认为是多个点激光密集排列形成的,多个点激光会有叠加作用,因此所确定的线激光最佳偏离距离往往大于点激光最佳偏离距离。
在该步骤中,需要预先确定点激光最佳偏离距离,一种实现方法是,通过点激光照射在待测冷鲜食品的表面,并在若干个相对于点激光的照射位置具有不同偏移距离处获取待测冷鲜食品的实测混合拉曼光谱,然后基于不同偏移距离处的实测混合拉曼光谱可以分离提取得到食品本体和外表层组织各自在不同偏移距离下的拉曼光谱,选择食品本体的光谱强度达到阈值且信噪比达到预定阈值的偏移距离作为点激光最佳偏离距离,这也是目前常用的确定点激光最佳偏离距离的方法,具体的实现方式不再赘述。
步骤5,调节照射待测冷鲜食品表面的线激光入射位置与线扫描位置相互平行且具有线激光最佳偏离距离,利用线扫描位置采集到的待测拉曼光谱对待测冷鲜食品进行无损品质检测,具体的检测方法采用现有方法即可,本申请的重点在于确定线激光最佳偏离距离,对无损品质检测的具体方法不再赘述。
在上述步骤2和步骤3中,不管是以点激光形式还是线激光形式发射光子包,对光子在双层介质模型中传递并激发拉曼信号的过程进行蒙特卡洛模拟得到待测冷鲜食品的模拟拉曼光谱包括如下步骤,请参考图3的流程示意图:
(1)对双层介质模型进行三维体素划分为M*N*H个体素,表层介质层沿着纵向被划分为H1个体素层,次表层介质层2沿着纵向被划分为H2个体素层,纵向即为表层介质层1和次表层介质层2的层叠方向。每个体素层包括M*N个体素,且H1+H2=H。其中,M、N、H均为整数参数,具体的体素划分数量根据表层介质层、次表层介质层以及每个体素的规格来确定,各个体素的规格均相同。
请参考图2,对双层介质模型划分得到的三维体素的结构示意图如图2中的(b)所示,由于次表层介质层的厚度往往大于表层介质层,因此H2往往大于H1,比如在图2的实例中,H1=3,H2=10,每个体素层包括12*9个体素。
(2)对光子在双层介质模型中传递的过程进行蒙特卡洛模拟,确定每个体素的光子概率密度,该步骤可以采用现有技术实现,不再赘述。
(3)基于每个体素的光子概率密度确定体素激发的表面拉曼信号作为体素在不同表面激发位置的光谱贡献值。
在一个实施例中,为了减少数据处理量,并不计算所有体素的光谱贡献值,而是首先确定双层介质模型中的光子概率密度达到概率密度阈值的体素构成的感兴趣区域,然后对感兴趣区域内的体素的光子概率密度进行归一化处理,再基于感兴趣区域内的体素经过归一化处理后的光子概率密度确定体素激发的表面拉曼信号作为体素在不同表面激发位置的光谱贡献值。也即首先滤除光子概率密度未达到概率密度阈值的体素,这些体素对光谱贡献较小,对计算结果影响不大,因此之后不再计算光谱贡献值,从而减少计算量。
每个体素可以在双层介质模型表面的对应表面激发位置激发表面拉曼信号,每个体素对应的表面激发位置的具体位置与该体素的位置相关,但不同位置体素对应的表面激发位置的覆盖区域大小都是相同的。比如以图2中的(b)所示的划分得到的三维体素结构为例,请参考图4,以位于同一个体素层的体素3和体素5为例,体素3在双层介质模型表面的对应的表面激发位置构成表面激发区域4,体素5在双层介质模型表面的对应的表面激发位置构成表面激发区域6,表面激发区域4和表面激发区域6的大小相同、均覆盖3*3个体素的表面区域,但表面激发区域4和表面激发区域6所在位置完全不同。
而每个体素激发的表面拉曼信号与该体素的光子概率密度相关,因此对每个体素基于自身的光子概率密度激发拉曼信号的过程进行蒙特卡洛模拟,即可确定每个体素在对应的表面激发位置的光谱贡献值。也即在图4中,基于体素3的光子概率密度对激发拉曼信号的过程进行蒙特卡洛模拟、得到体素3在表面激发区域4内不同表面激发位置的表面拉曼信号作为体素3的光谱贡献值。
但是上述做法如果对每一个体素激发拉曼信号的过程进行蒙特卡洛模拟,那么数量非常庞大,将会导致对算力要求以及耗时较长的问题。为了解决上述问题,在一个实施例中采用统计衍生策略来减少计算量,请参考上述图4,对于同一个体素层中的体素,虽然不同体素对应的表面激发位置不同,但是每个体素与其对应的表面激发位置构成的表面激发区域的相对位置都是相同的,比如图4中,体素3及其表面激发区域4的相对位置和体素5及其表面激发区域6的相对位置是相同的,所以可以认为每个体素对其表面激发区域的影响都是相同的,区别只在于不同体素的光子概率密度不同。
因此对于纵向任意第h个体素层中的体素,对其中任意第i个体素基于自身的光子概率密度激发拉曼信号的过程执行一次蒙特卡洛模拟,确定第i个体素在双层介质模型表面的第I个表面激发位置所激发的表面拉曼信号得到第i个体素在第I个表面激发位置的光谱贡献值。参数1≤i≤M*N,1≤j≤M*N且j≠i,1≤h≤H。
然后不再对第h个体素层中的其他体素执行蒙特卡洛模拟,而是根据统计衍生策略直接确定第h个体素层中其他的任意第j个体素在双层介质模型表面的第J个表面激发位置所激发的表面拉曼信号作为第j个体素在第J个表面激发位置的光谱贡献值。其中,第j个体素和第J个表面激发位置之间的相对位置关系与第i个体素和第I个表面激发位置之间的相对位置关系相同,且有D(i,I)/D(j,J)=f(i)/f(j),其中,D(i,I)是第i个体素在第I个表面激发位置的光谱贡献值,D(j,J)是第j个体素在第J个表面激发位置的光谱贡献值,f(i)是第i个体素的光子概率密度,f(j)是第j个体素的光子概率密度。
比如在图4中,以体素的划分方式来划分定义表面激发位置,则表面激发区域4和表面激发区域6分别覆盖3*3个表面激发位置如图4的表面示意图所示,每个表面激发位置即对应表面的一个体素处。以体素3作为第i个体素,体素5作为第j个体素,则在确定体素3在第I个表面激发位置的光谱贡献值后,即可根据体素3和体素5的光子概率密度的关系类推确定体素5在第J个表面激发位置的光谱贡献值,同理也可以得到体素5在其他8个表面激发位置光谱贡献值,而无需再对体素5执行一次蒙特卡洛模拟。同理对于该体素层上的其他体素也是这样进行统计衍生,可以大大减少蒙特卡洛模拟的耗时和所需算力。
(4)基于各个体素在不同表面激发位置的光谱贡献值得到待测冷鲜食品的模拟拉曼光谱。
通过上述步骤3可以得到不同体素层的不同体素在不同表面激发位置的光谱贡献值,然后即可基于表层介质层中各个体素在不同表面激发位置的光谱贡献值得到表层介质光谱贡献曲线,基于次表层介质层中各个体素在不同表面激发位置的光谱贡献值得到次表层介质光谱贡献曲线。得到表层介质光谱贡献曲线和次表层介质光谱贡献曲线的方法包括:
如上所述,得到了每个体素在对应的表面激发位置有光谱贡献值,而同一个体素层的不同体素的表面激发位置会有重叠,比如同一个体素层中相邻两个位置的体素的表面激发位置存在重叠。比如图4中的体素5的9个表面激发位置与其相邻的体素5的9个表面激发位置存在6个重叠的表面激发位置。不仅是同一个体素层的不同体素的表面激发位置会有重叠,不同体素层的体素的表面激发位置也会有重叠,一般认为沿着纵向位于同一列不同纵向深度处的体素的表面激发位置是完全相同的,比如请参考图5,体素7与体素3位于不同体素层但位于同一列,那么可以认为体素7和体素3都对应同一个表面激发区域4内的9个表面激发位置,且其他体素层中位于该列的体素也都对应表面激发区域4内的9个表面激发位置。
那么在双层介质模型中,存在多个体素会在同一个表面激发位置都有光谱贡献值,这多个体素可能位于同一个体素层也可能位于不同的体素层。因此将表层介质层中所有M*N*H1个体素在同一个表面激发位置处的光谱贡献值相加,即可得到表层介质层中所有体素在每个表面激发位置处的总光谱贡献值构成表层介质光谱贡献曲线。同样的,将次表层介质层中所有M*N*H2个体素在同一个表面激发位置处的光谱贡献值相加,得到每个表面激发位置处的总光谱贡献值构成次表层介质光谱贡献曲线。
然后基于表层介质光谱贡献曲线和次表层介质层光谱贡献曲线得到待测冷鲜食品的模拟拉曼光谱。包括:
a、首先获取外表层组织的参考光谱和食品本体的参考光谱:获取外表层组织的单物质样本在激光入射位置处的拉曼光谱作为表层介质层的参考光谱,以及获取食品本体的单物质样本在激光入射位置处的拉曼光谱作为次表层介质层的参考光谱。
b、然后将表层介质层的参考光谱与表层介质光谱贡献曲线进行对应表面激发位置的卷积运算得到表层介质层的模拟拉曼光谱,将次表层介质层的参考光谱与次表层介质光谱贡献曲线进行对应表面激发位置的卷积运算得到次表层介质层的模拟拉曼光谱。
c、将表层介质层的模拟拉曼光谱与次表层介质层的模拟拉曼光谱叠加,得到待测冷鲜食品的模拟拉曼光谱。
在一个应用实例中,选用超市购买的冷鲜保存的带壳中国明对虾,20分钟运送至实验室,通过碎冰猝死筛选出的带壳中国明对虾作为待测冷鲜食品。搭建光谱采集系统,通过本申请提供的方法实现点激光至线激光的拉曼光源转换,确定线激光最佳偏离距离,然后通过旋转调整分束器将CCD数字照相机的线扫描位置与线激光入射位置之间的偏离距离调整至线激光最佳偏离距离,通过线激光照射带壳中国明对虾的表面,通过CCD数字照相机采集拉曼光谱并对带壳中国明对虾进行无损的新鲜度预测。
以上所述的仅是本申请的优选实施方式,本申请不限于以上实施例。可以理解,本领域技术人员在不脱离本申请的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本申请的保护范围之内。
Claims (9)
1.一种基于蒙特卡洛实现拉曼光源转换的冷鲜食品无损检测方法,其特征在于,所述冷鲜食品无损检测方法包括:
将包含食品本体及其外部的外表层组织的待测冷鲜食品抽象为双层介质模型,所述双层介质模型包含纵向层叠的次表层介质层和表层介质层;
在所述双层介质模型表面的点激光入射位置处持续发射光子包,对光子在所述双层介质模型中传递并激发拉曼信号的过程进行蒙特卡洛模拟,得到所述待测冷鲜食品表面与点激光入射位置不同偏离距离处的点激光模拟拉曼光谱;
在所述双层介质模型表面的线激光入射位置处持续发射光子包,对光子在所述双层介质模型中传递并激发表面拉曼信号的过程进行蒙特卡洛模拟,得到所述待测冷鲜食品表面与线激光入射位置不同偏离距离处的线激光模拟拉曼光谱;
确定与所述点激光入射位置具有点激光最佳偏离距离处的点激光模拟拉曼光谱作为基准拉曼光谱,根据不同偏离距离处的线激光模拟拉曼光谱以及所述基准拉曼光谱确定线激光最佳偏离距离,包括:确定与所述基准拉曼光谱的光谱强度相同的线激光模拟拉曼光谱对应的偏移距离为线激光最佳偏离距离;
调节照射所述待测冷鲜食品表面的线激光入射位置与线扫描位置相互平行且具有所述线激光最佳偏离距离,利用所述线扫描位置采集到的待测拉曼光谱对所述待测冷鲜食品进行无损品质检测。
2.根据权利要求1所述的冷鲜食品无损检测方法,其特征在于,所述对光子在所述双层介质模型中传递并激发拉曼信号的过程进行蒙特卡洛模拟得到待测冷鲜食品的模拟拉曼光谱包括:
对所述双层介质模型进行三维体素划分为M*N*H个体素,所述表层介质层沿着纵向被划分为H1个体素层,所述次表层介质层沿着纵向被划分为H2个体素层,每个体素层包括M*N个体素,且H1+H2=H;其中,M、N、H均为整数参数;
对光子在所述双层介质模型中传递的过程进行蒙特卡洛模拟,确定每个体素的光子概率密度;
基于每个体素的光子概率密度确定所述体素激发的表面拉曼信号作为所述体素在不同表面激发位置的光谱贡献值;
基于各个体素在不同表面激发位置的光谱贡献值得到所述待测冷鲜食品的模拟拉曼光谱。
3.根据权利要求2所述的冷鲜食品无损检测方法,其特征在于,所述基于每个体素的光子概率密度确定所述体素激发的表面拉曼信号作为所述体素的光谱贡献值包括:
对于纵向任意第h个体素层中的体素,对其中任意第i个体素基于自身的光子概率密度激发拉曼信号的过程进行蒙特卡洛模拟,确定第i个体素在所述双层介质模型表面的第I个表面激发位置所激发的表面拉曼信号得到所述第i个体素在第I个表面激发位置内的光谱贡献值;参数1≤i≤M*N,1≤j≤M*N且j≠i,1≤h≤H;
根据统计衍生策略直接确定第h个体素层中其他的任意第j个体素在所述双层介质模型表面的第J个表面激发位置所激发的表面拉曼信号作为所述第j个体素在第J个表面激发位置光谱贡献值;
其中,第j个体素和第J个表面激发位置之间的相对位置关系与第i个体素和第I个表面激发位置之间的相对位置关系相同且有D(i,I)/D(j,J)=f(i)/f(j),其中,D(i,I)是第i个体素在第I个表面激发位置的光谱贡献值,D(j,J)是第j个体素在第J个表面激发位置的光谱贡献值,f(i)是第i个体素的光子概率密度,f(j)是第j个体素的光子概率密度。
4.根据权利要求2所述的冷鲜食品无损检测方法,其特征在于,所述基于各个体素在不同表面激发位置的光谱贡献值得到所述待测冷鲜食品的模拟拉曼光谱,包括:
基于表层介质层中各个体素在不同表面激发位置的光谱贡献值得到表层介质光谱贡献曲线,基于次表层介质层中各个体素在不同表面激发位置的光谱贡献值得到次表层介质光谱贡献曲线;
基于表层介质光谱贡献曲线和次表层介质层光谱贡献曲线得到所述待测冷鲜食品的模拟拉曼光谱。
5.根据权利要求4所述的冷鲜食品无损检测方法,其特征在于,得到表层介质光谱贡献曲线和次表层介质光谱贡献曲线包括:
将表层介质层中所有M*N*H1个体素在同一个表面激发位置处的光谱贡献值相加,得到表层介质层中所有体素在每个表面激发位置处的总光谱贡献值构成所述表层介质光谱贡献曲线;
将次表层介质层中所有M*N*H2个体素在同一个表面激发位置处的光谱贡献值相加,得到次表层介质层中所有体素在每个表面激发位置处的总光谱贡献值构成所述次表层介质光谱贡献曲线。
6.根据权利要求4所述的冷鲜食品无损检测方法,其特征在于,所述基于表层介质光谱贡献曲线和次表层介质层光谱贡献曲线得到所述待测冷鲜食品的模拟拉曼光谱包括
获取外表层组织的单物质样本在激光入射位置处的拉曼光谱作为表层介质层的参考光谱,获取食品本体的单物质样本在激光入射位置处的拉曼光谱作为次表层介质层的参考光谱;
将表层介质层的参考光谱与表层介质光谱贡献曲线进行对应表面激发位置的卷积运算得到表层介质层的模拟拉曼光谱,将次表层介质层的参考光谱与次表层介质光谱贡献曲线进行对应表面激发位置的卷积运算得到次表层介质层的模拟拉曼光谱;
将表层介质层的模拟拉曼光谱与次表层介质层的模拟拉曼光谱叠加,得到所述待测冷鲜食品的模拟拉曼光谱。
7.根据权利要求2所述的冷鲜食品无损检测方法,其特征在于,所述基于每个体素的光子概率密度确定所述体素激发的表面拉曼信号作为所述体素在不同表面激发位置的光谱贡献值包括:
确定所述双层介质模型中的光子概率密度达到概率密度阈值的体素构成的感兴趣区域,对所述感兴趣区域内的体素的光子概率密度进行归一化处理,基于感兴趣区域内的体素经过归一化处理后的光子概率密度确定所述体素激发的表面拉曼信号作为所述体素在不同表面激发位置的光谱贡献值。
8.根据权利要求1所述的冷鲜食品无损检测方法,其特征在于,在所述双层介质模型表面的点激光入射位置和线激光入射位置处持续发射光子包包括:
按照点激光的入射功率对应的点激光光子包数量在点激光入射位置处持续发射光子包;
确定线激光由若干个点激光依次均匀密集排布形成线型结构,按照线激光包含的每个点激光的入射功率对应的点激光光子包数量在对应的入射位置处持续发射光子包。
9.根据权利要求1所述的冷鲜食品无损检测方法,其特征在于,所述冷鲜食品无损检测方法还包括:
通过点激光照射在所述待测冷鲜食品的表面,并在若干个相对于所述点激光的照射位置具有不同偏移距离处获取所述待测冷鲜食品的实测混合拉曼光谱,基于不同偏移距离处的实测混合拉曼光谱确定信噪比达到预定阈值的偏移距离作为点激光最佳偏离距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311519109.1A CN117434048B (zh) | 2023-11-14 | 2023-11-14 | 基于蒙特卡洛实现拉曼光源转换的冷鲜食品无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311519109.1A CN117434048B (zh) | 2023-11-14 | 2023-11-14 | 基于蒙特卡洛实现拉曼光源转换的冷鲜食品无损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117434048A CN117434048A (zh) | 2024-01-23 |
CN117434048B true CN117434048B (zh) | 2024-06-18 |
Family
ID=89558241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311519109.1A Active CN117434048B (zh) | 2023-11-14 | 2023-11-14 | 基于蒙特卡洛实现拉曼光源转换的冷鲜食品无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117434048B (zh) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113970539B (zh) * | 2021-10-08 | 2022-12-20 | 上海交通大学 | 一种快速检测包装容器内物质的拉曼光谱方法 |
CN113984736B (zh) * | 2021-11-03 | 2022-07-29 | 江南大学 | 一种基于空间偏移拉曼光谱的带包装食品信号分离方法 |
-
2023
- 2023-11-14 CN CN202311519109.1A patent/CN117434048B/zh active Active
Non-Patent Citations (1)
Title |
---|
"基于拉曼散射图像的食品次表层品质检测技术研究";刘振方;《中国博士学位论文全文库 工程科技Ⅰ辑》;20231116(第12期);第1-109页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117434048A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10001467B2 (en) | Apparatus and method for detecting microbes or bacteria | |
Ma et al. | Noncontact evaluation of soluble solids content in apples by near-infrared hyperspectral imaging | |
US20190162596A1 (en) | Imaging device provided with light source that emits pulsed light and image sensor | |
US20090149761A1 (en) | Photoacoustic imaging method | |
Feng et al. | Terahertz spectroscopy technology as an innovative technique for food: Current state-of-the-Art research advances | |
IL157083A (en) | Method and apparatus for imaging absorbing objects in a scattering medium | |
Cao et al. | Spectral analysis assisted photoacoustic imaging for lipid composition differentiation | |
CN110717478B (zh) | 一种基于微波的物体检测系统及方法 | |
Sun et al. | Simulation of light propagation in citrus fruit using monte carlo multi-layered (MCML) method | |
CN112014376A (zh) | 一种基于空间偏移拉曼光谱的虾肉新鲜度检测方法 | |
Tokunaga et al. | Nondestructive evaluation of fish meat using ultrasound signals and machine learning methods | |
CN117434048B (zh) | 基于蒙特卡洛实现拉曼光源转换的冷鲜食品无损检测方法 | |
ElMasry et al. | Prediction of meat spectral patterns based on optical properties and concentrations of the major constituents | |
Liu et al. | A packaged food internal Raman signal separation method based on spatially offset Raman spectroscopy combined with FastICA | |
Radford et al. | Role of late photons in diffuse optical imaging | |
CN115868929A (zh) | 一种面向肿瘤乏氧在体定量研究的成像装置及方法 | |
CN105334204B (zh) | 一种基于傅里叶变换拉曼光谱分析方法 | |
US7652764B2 (en) | Method for reconstructing a fluorescence-enhanced optic tomography image of an object with any outline | |
Joseph et al. | Characterization of bulk optical properties of pear tissues in the 500 to 1000 nm range as input for simulation-based optimization of laser spectroscopy in diffuse transmittance mode | |
CN116223428A (zh) | 一种深度学习稀疏求解的太赫兹反卷积方法 | |
Zhang et al. | Identification of different types of tumors based on photoacoustic spectral analysis: preclinical feasibility studies on skin tumors | |
Sun et al. | Optical methods for firmness assessment of fresh produce: a review | |
Qiao et al. | Research on simultaneous detection of SSC and FI of blueberry based on hyperspectral imaging combined MS-SPA | |
Han et al. | Evaluation of the optical layout and sample size on online detection of apple watercore and SSC using Vis/NIR spectroscopy | |
Baranyai et al. | Analysis of laser light migration in apple tissue by Monte Carlo simulation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |