CN117554304B - 一种喉镜片材料成分检测方法 - Google Patents
一种喉镜片材料成分检测方法 Download PDFInfo
- Publication number
- CN117554304B CN117554304B CN202410038418.5A CN202410038418A CN117554304B CN 117554304 B CN117554304 B CN 117554304B CN 202410038418 A CN202410038418 A CN 202410038418A CN 117554304 B CN117554304 B CN 117554304B
- Authority
- CN
- China
- Prior art keywords
- layer
- sequence
- coating
- pixel
- representing
- 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
- 239000000463 material Substances 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 239000011248 coating agent Substances 0.000 claims abstract description 197
- 238000000576 coating method Methods 0.000 claims abstract description 197
- 238000012937 correction Methods 0.000 claims abstract description 50
- 238000002790 cross-validation Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 230000003595 spectral effect Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 4
- 210000003800 pharynx Anatomy 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 230000000149 penetrating effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 210000000867 larynx Anatomy 0.000 description 2
- 210000000214 mouth Anatomy 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003300 oropharynx Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005507 spraying Methods 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Endoscopes (AREA)
Abstract
本发明涉及光谱成分分析技术领域,具体涉及一种喉镜片材料成分检测方法,该方法包括:采集喉镜片的高光谱图像数据,将喉镜片区域划分为各个圈层,获取各边界圈层像元序列的圈层涂装非均匀系数,计算各层均值像元序列的圈层交叉验证系数,进而得到各层均值像元序列的涂层波宽干扰系数,计算各层涂层序列的涂层能量损耗系数,获取各圈层的涂层校正像元反射系数,从而得到各采样时刻高光谱图像数据的涂层校正像元序列,根据涂层校正像元序列对喉镜片材料成分进行检测。本发明旨在提高喉镜片材料成分检测的准确率,实现喉镜片材料成分的精确检测。
Description
技术领域
本发明涉及光谱成分分析技术领域,具体涉及一种喉镜片材料成分检测方法。
背景技术
由于喉部位于口腔深处,通常情况下喉部生理结构复杂,通过目视不可窥及,需要借助特定的医疗器械,喉镜片主要用于喉部和咽部病变的监测。通常由一个手柄和一个镜片组成,镜片较为小巧,目的是为了方便进入口腔,通过光线反射的原理提供清晰的视野,以方便医生检查口咽部和喉部的内部结构,判断病人的病症状况。
喉镜片需要与人体喉部皮肤直接接触,因此要求喉镜片在生产时对其成分有严格的要求,需要无刺激性,对人体组织有良好的兼容性。此外喉镜片由于需要延伸到患者喉部,延伸距离较长,因此要求喉镜片具备足够的耐用性和稳定性。虽然通过光谱分析能够检测出喉镜片材料成分与标准喉镜片之间的差异,但是由于人体喉部温度和湿度较高,为了能够更加清楚反射喉部情况,喉镜片表面往往都有防雾涂层,而防雾涂层的存在导致光谱信号被过度反射,使得喉镜片表面的细微特征难以检测准确。
发明内容
为了解决上述技术问题,本发明提供一种喉镜片材料成分检测方法,以解决现有的问题。
本发明的一种喉镜片材料成分检测方法采用如下技术方案:
本发明一个实施例提供了一种喉镜片材料成分检测方法,该方法包括以下步骤:
采集喉镜片的高光谱图像数据;
将高光谱图像数据中各像元在所有波长下的反射强度进行排列得到各像元序列;通过图像分割获取高光谱图像数据中的喉镜片区域;将喉镜片区域划分为具有各边界圈层像元序列的不同圈层;获取各边界圈层像元序列的动态圈层规则距离;
根据动态圈层规则距离得到各边界圈层像元序列的圈层涂装非均匀系数;将各边界圈层像元序列中所有像元的像元序列在相同波长下的反射强度均值作为均值像元序列;根据圈层涂装非均匀系数得到各层均值像元序列的圈层交叉验证系数;获取相邻圈层的均值像元序列间的最大相关性系数;
结合圈层交叉验证系数及最大相关性系数得到各层均值像元序列的涂层波宽干扰系数;获取各圈层的涂层能量损耗系数;结合涂层波宽干扰系数及涂层能量损耗系数得到高光谱图像数据的涂层校正像元序列;根据涂层校正像元序列完成喉镜片材料成分检测。
优选的,所述将喉镜片区域划分为具有各边界圈层像元序列的不同圈层,包括:
针对喉镜片区域,将喉镜片区域最外层的所有像元作为第一个边界圈层像元序列,然后将边缘圈层像元序列中的各像元从喉镜片区域剔除,继续获取剔除后的喉镜片区域的最外层所有像元,作为第二个边界圈层像元序列,以此类推,获取到预设数值个边界圈层像元序列后,将喉镜片区域的最终剩余区域的所有像元作为最后一个边界圈层像元序列。
优选的,所述获取各边界圈层像元序列的动态圈层规则距离,包括:
针对各边界圈层像元序列,计算边界圈层像元序列中两两像元的排列组合数,计算各像元的像元序列与剩余其他像元的像元序列的DTW距离,将所有所述DTW距离的和值与所述排列组合数的比值作为各边界圈层像元序列的动态圈层规则距离。
优选的,所述根据动态圈层规则距离得到各边界圈层像元序列的圈层涂装非均匀系数,包括:
针对各边界圈层像元序列,计算所有像元在各波长下的光谱反射强度的均值,计算各像元在各波长下的光谱反射强度与所述均值的差值绝对值,计算所有像元的所有波长下的所述差值绝对值的和值,计算所述和值与动态圈层规则距离的乘积,记为第一乘积,计算像元总个数与波长总数量的乘积,记为第二乘积,将第一乘积与第二乘积的比值作为各边界圈层像元序列的圈层涂装非均匀系数。
优选的,所述根据圈层涂装非均匀系数得到各层均值像元序列的圈层交叉验证系数,包括:
针对各层均值像元序列,将均值像元序列以波长为横轴、反射强度为纵轴拟合为均值像元曲线,将相邻圈层的均值像元曲线间的交叉点作为涂层交叉点,获取涂层交叉点的对应波长,计算相邻圈层的圈层涂装非均匀系数的差值绝对值,将所述差值绝对值作为以自然常数为底数的指数函数的指数,将所述波长与所述指数函数的计算结果作为各层均值像元序列的圈层交叉验证系数。
优选的,所述获取相邻圈层的均值像元序列间的最大相关性系数,包括:
将均值像元序列中小于涂层交叉点的部分作为涂层序列,大于涂层交叉点的部分作为成分序列,相邻圈层的均值像元序列的涂层序列间的最大相关性系数表达式为:
式中,表示第r层与第r+1层的均值像元序列的涂层序列间的最大相关性系数,表示第r层均值像元序列的涂层序列剔除第/>个波长后的剩余涂层序,表示第r+1层均值像元序列的涂层序列剔除第/>个波长后的剩余涂层序列,表示计算两个序列的皮尔逊相关性系数,/>表示取最大值函数,/>表示涂层序列中波长的数量;
相邻圈层的均值像元序列的成分序列间的最大相关性系数表达式为:
式中,表示第r层与第r+1层的均值像元序列的成分序列间的最大相关性系数,表示第r层均值像元序列的成分序列剔除第/>个波长后的剩余成分序列,表示第r+1层均值像元序列的成分序列剔除第/>个波长后的剩余成分序列,表示成分序列中波长的数量,/>表示计算两个序列的皮尔逊相关性系数。
优选的,所述结合圈层交叉验证系数及最大相关性系数得到各层均值像元序列的涂层波宽干扰系数,包括:
针对各层均值像元序列,将得到所述涂层序列间的最大相关性系数时剔除的波长作为最小相似波长,将得到所述成分序列间的最大相关性系数时剔除的波长作为最大相似波长,计算最大相似波长与最小相似波长的差值绝对值,记为第一差值绝对值,将所述第一差值绝对值作为以自然常数为底数的对数函数的自变量,将所述对数函数的计算结果与圈层交叉验证系数的乘积作为各层均值像元序列的涂层波宽干扰系数。
优选的,所述获取各圈层的涂层能量损耗系数,包括:
计算第r层成分序列剔除最大相似波长后的剩余成分序列中第个波长的反射强度与第r+1层成分序列剔除最大相似波长后的剩余成分序列中第/>个波长的反射强度的差值绝对值,记为第二差值绝对值,将剩余成分序列中所有波长的所述第二差值绝对值的均值作为各圈层的涂层能量损耗系数,r表示圈层数,/>表示波长数。
优选的,所述结合涂层波宽干扰系数及涂层能量损耗系数得到高光谱图像数据的涂层校正像元序列,包括:
针对各圈层,将涂层能量损耗系数作为以2为底数的对数函数的自变量,将所述对数函数的计算结果与涂层波宽干扰系数的乘积作为各圈层的涂层校正像元反射系数,将每个圈层剔除最大相似波长后的剩余成分序列记为筛选成分序列;
涂层校正像元序列的表达式为:
式中,表示第k个采样时刻高光谱图像数据的涂层校正像元序列,/>表示第1个圈层的均值像元序列,/>表示针对喉镜片区域设置的圈层总数,/>表示第/>个圈层的涂层校正像元反射系数,/>表示第/>个圈层的筛选成分序列。
优选的,所述根据涂层校正像元序列完成喉镜片材料成分检测,包括:
将所有采样时刻的高光谱图像数据的涂层校正像元序列的均值作为综合校正像元序列,采用和所述综合校正像元序列同样的计算方式获取标准喉镜片的标准像元序列,计算综合校正像元序列与标准像元序列的余弦相似性,若所述余弦相似性大于等于预设阈值,表示当前喉镜片材料成分合格,反之,表示当前喉镜片的材料成分不合格。
本发明至少具有如下有益效果:
本发明通过将喉镜片高光谱图像数据设置边界圈层像元序列,计算相连圈层的涂层交叉点和交叉波宽得到圈层交叉验证系数和涂层波宽干扰系数,以此衡量喉镜片表面防雾涂层对高光谱数据的影响,通过计算涂层能量损耗系数得到涂层校正像元反射系数实现对像元校正,解决了由于喉镜片涂层影响造成喉镜片成分检测出现误差的问题,使得涂层校正像元序列更加接近真实标准喉镜片的高光谱信息,提高了喉镜片成分检测的精准度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种喉镜片材料成分检测方法的步骤流程图;
图2为喉镜片侧视图;
图3为喉镜片成分检测指标获取流程图;
图4为波长交叉示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种喉镜片材料成分检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种喉镜片材料成分检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种喉镜片材料成分检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集喉镜片的高光谱图像数据。
由于人体喉部的温度和湿度较高,为了能够清楚的反映喉部状况,在喉镜片的表面经过特殊处理,如添加反射涂层和防雾涂层,该涂层可能会影响反射光谱的强度,造成光谱失真,导致成分误检。由此需要针对喉镜片光谱数据进行分析,降低涂层对检测结果的影响。喉镜片侧视图如图2所示,包括镜柄、挂钩底座、镜片中部、水平翼、舌片或压舌板、末端。
为了获取喉镜片的高光谱数据,本实施例采用Hyperion 3000高光谱相机对流水线上的喉镜片采集高光谱图像数据。针对单个喉镜片设置采样周期为,在采样周期内对喉镜片进行等间隔采样,共计采样/>张高光谱图像数据,本实施例中/>,实施者可根据实际情况自行设定,本实施例对此不做限制。由于不同波长的反射强度差异较大,为了方便计算将高光谱图像数据进行归一化,将第k个采样时刻的高光谱图像数据记作。针对单个喉镜片的高光谱图像数据表示为/>,其中/>表示喉镜片的高光谱图像数据中第m个波长下所有像元的反射强度,L表示光谱分析的波段内的波长总数量。此外单个喉镜片的高光谱图像数据也可以用像元序列表示,,其中/>表示高光谱图像数据的第/>个像元在所有波长下的反射强度序列,记为第/>个像元序列,/>表示高光谱图像数据中的像元总个数。
步骤S002,根据喉镜片高光谱图像数据得到喉镜片区域,根据边界圈层像元序列得到圈层涂装非均匀系数,结合相连圈层的均值像元曲线的涂层交叉点得到圈层交叉验证系数,获取涂层波宽干扰系数,结合涂层能量损耗系数得到涂层校正像元反射系数实现对像元序列的校正。
具体的,本实施例将采集喉镜片的高光谱图像数据,将喉镜片区域划分为各个圈层,获取各边界圈层像元序列的圈层涂装非均匀系数,计算各层均值像元序列的圈层交叉验证系数,进而得到各层均值像元序列的涂层波宽干扰系数,计算各层涂层序列的涂层能量损耗系数,获取各圈层的涂层校正像元反射系数,从而得到各采样时刻高光谱图像数据的涂层校正像元序列,根据涂层校正像元序列对喉镜片材料成分进行检测,喉镜片成分检测指标获取流程图如图3所示。各采样时刻的涂层校正像元序列的构建过程具体为:
由于光谱分析仪在流水线上进行数据采集时采集的有喉镜片背景信息,首先需要判断出喉镜片在光谱图像数据的位置。本实施例将喉镜片的高光谱图像数据进行真彩合成,将多波段的高光谱图像数据拟合为一张伪彩色图像。然后采用G-FRNet语义分割神经网络模型对伪彩色图像进行二分类区域提取,将其分割为背景区域和喉镜片区域,本实施例只分析喉镜片区域,剔除背景区域对检测的干扰。其中G-FRNet语义分割神经网络模型为现有公知技术,本实施例在此不做详细赘述。
由此将喉镜片区域对应到高光谱图像数据中,能够得到对应喉镜片区域的各像元。针对喉镜片区域,将喉镜片区域最外层的所有像元作为第一个边界圈层像元序列,然后将边缘圈层像元序列中的各像元从喉镜片区域剔除,继续获取剔除后的喉镜片区域的最外层所有像元,作为第二个边界圈层像元序列,以此类推,本实施例中获取5个边界圈层像元序列,实施者可根据情况自行设定,本实施例对此不做限制,用表示第r圈层的边界圈层像元序列,将第一个边界圈层像元序列标记为第一圈层,由此逐渐往中心靠拢。将喉镜片区域中除所有边界圈层像元序列外的其他区域标记为中心区域,同样,将中心区域的所有像元作为最后一个边界圈层像元序列,即本实施例中喉镜片区域共分为6个边界圈层像元序列。
在喉镜片上喷涂涂层时,基本上会呈现出中间厚边界薄的分布特性,并且由于喉镜片边界处特殊的结构使得在边界处喷涂并不均匀,由此需要结合边界圈层像元序列,得到圈层涂装非均匀系数,表达式为:
式中,表示第r层边界圈层像元序列的圈层涂装非均匀系数,/>表示第r层边界圈层像元序列的动态圈层规则距离,/>表示第r层边界圈层像元序列包含像元的个数,L表示采集高光谱数据的波长总数量,/>表示在第r层边界圈层像元序列中第i个像元的第/>个波长的光谱反射强度,/>表示在第r层边界圈层像元序列中所有像元的第/>个波长的光谱反射强度的均值,/>表示第r层边界圈层像元序列中两两像元的排列组合数,/>表示第r层边界圈层像元序列中第i个像元的像元序列,/>表示第r层边界圈层像元序列中第j个像元的像元序列,/>表示计算两个像元序列的DTW距离。将/>记为第一乘积,/>记为第二乘积。
圈层涂装非均匀系数能反映当前圈层防雾涂层的涂装均匀度,若当前圈层的涂层越均匀时,则在边界圈层像元序列中每个像元的各个波长的反射强度则越接近,因此则越小,此外若任意两个像元序列都较为相似,由此动态圈层规则距离/>的值越小,最终使得圈层涂装非均匀系数/>的值越小。反之,若当前圈层防雾涂层越不均匀时,则圈层涂装非均匀系数/>的值越大。
通常情况下喉镜片区域越靠外的圈层往往涂层越不均匀,越靠近中心的圈层涂层越均匀。此外在获取喉镜片高光谱图像数据时根据不同波长的特性,波长越短穿透涂层的能力越弱,波长越长穿透涂层的能力越强。而对于喉镜片其具有涂层外薄内厚的特点,因此在外圈涂层由于不均匀和较薄的特性,相对短的波长就能穿透涂层,而越靠近喉镜片中心则需要较长的波长才能穿透涂层。
根据上述分析,将每个边界圈层像元序列中所有像元的像元序列在相同波长下求取均值,得到代表该边界圈层像元序列的均值像元序列,对均值像元序列利用最小二乘法进行拟合获取均值像元曲线,获取相邻圈层的边界圈层像元序列的均值像元曲线的交叉点,记为涂层交叉点,由此小于涂层交叉点的波长能够反映涂层情况,通常情况下能量较强,因为涂层的反射能量较多,大于涂层交叉点的波长反映喉镜片的成分情况,能量较弱,因为穿透涂层消耗较多能量,具体波长交叉示意图如图4所示。
由此结合圈层涂装非均匀系数,构建圈层交叉验证系数,表达式为:
式中,表示第r层均值像元序列的圈层交叉验证系数,/>表示第r层均值像元曲线与第r+1层均值像元曲线之间的涂层交叉点的对应波长,/>表示第r层边界圈层像元序列的圈层涂装非均匀系数,/>表示第r+1层边界圈层像元序列的圈层涂装非均匀系数,表示针对喉镜片区域设置的圈层总数,本实施例中/>,/>表示以自然常数为底数的指数函数。
越靠近外圈层往往涂层越薄也越不均匀,因此相邻圈层之间的圈层涂装非均匀系数的值越大,即的值越大,同时由于涂层交叉点也越靠近较短的波长,得到相邻圈层的涂层交叉点的对应波长越小,最终使得圈层交叉验证系数的值越小。反之,当圈层越靠内,则圈层交叉验证系数的值越大。
涂层往往只是影响交叉波宽区域,如图4所示,获取过程为:完整的均值像元序列被涂层交叉点分割为两个部分,将涂层交叉点左侧的部分作为涂层序列,记作F,将涂层交叉点右侧的部分作为成分序列,记作G。针对相邻两个圈层的和/>计算最小相似波长,具体为以涂层交叉点为终点,逐个波长删除后计算剩余序列的相关性系数,得到剩余序列最大相关性系数对应的波长作为最小相似波长,采用同样的方式,针对相邻圈层的成分序列,以涂层交叉点为起点,计算最大相关性系数对应的波长,作为最大相似波长,两者之间的波宽即交叉波宽,由此计算得到涂层波宽干扰系数,表达式为:
式中,表示第r层均值像元序列的涂层波宽干扰系数,/>表示第r层均值像元序列的圈层交叉验证系数,/>表示以自然常数为底数的自然对数,/>表示第r层与第r+1层的均值像元序列的涂层序列间的最大相关性系数,/>表示第r层与第r+1层的均值像元序列的成分序列间的最大相关性系数,/>表示索引函数选取取得最大相关性系数的对应波长,/>表示涂层序列中波长的数量,/>表示成分序列中波长的数量,/>表示第r层均值像元序列的涂层序列剔除第/>个波长后的剩余涂层序列,/>表示第r+1层均值像元序列的涂层序列剔除第/>个波长后的剩余涂层序列,/>表示第r层均值像元序列的成分序列剔除第/>个波长后的剩余成分序列,/>表示第r+1层均值像元序列的成分序列剔除第/>个波长后的剩余成分序列,/>表示计算两个序列的皮尔逊相关性系数,/>表示取最大值函数,当i和j逐级遍历时,用/>函数筛选最大相关性系数。将/>记为第一差值绝对值。
表示成分序列的最大相似波长,/>表示涂层序列的最小相似波长,两者之间的差值绝对值表示交叉波宽。当相邻两个圈层的交叉波宽越宽时,表明涂层对光谱数据的干扰越严重,此时得到的涂层波宽干扰系数/>的值越大。相反,当涂层的干扰越低时,得到的涂层波宽干扰系数的值越小。
由此遍历完每个圈层能够得到对应的涂层波宽干扰系数。当波长穿透涂层后,得到喉镜片成分材料数据,与真实喉镜片的成分材料数据相比,由于波长穿透涂层消耗一部分能量,存在不同的反射强度能量。由此构建涂层能量损耗系数,表达式为:
式中,表示第r层成分序列的涂层能量损耗系数,/>表示剔除最大相似波长后的剩余成分序列中的波长数量,/>表示第r层成分序列剔除最大相似波长后的剩余成分序列中第/>个波长的反射强度,/>表示第r+1层成分序列剔除最大相似波长后的剩余成分序列中第/>个波长的反射强度。将每个圈层剔除最大相似波长后的剩余成分序列记为筛选成分序列。将/>记为第二差值绝对值。
由于不同圈层之间涂层的厚度和均匀度不一样,因此对应的能量损耗也不一样。当相邻圈层之间的涂层越厚时,波长穿越涂层所需要的能量越大,由此相邻圈层在筛选后的成分序列之间的反射强度的差值绝对值越大,最终使得涂层能量损耗系数的值越大。相反,当涂层越薄时,能量损耗越小,得到/>的值越小。
由此结合涂层能量损耗系数和涂层波宽干扰系数对得到的喉镜片区域的各个像元序列进行反射强度校正。该计算从中心往外圈之间进行逐级校正,得到涂层校正像元反射系数,由此实现对像元序列进行校正,得到涂层校正像元序列,表达式为:
式中,表示第r个圈层的涂层校正像元反射系数,/>表示第r层均值像元序列的涂层波宽干扰系数,/>表示第r层涂层序列的涂层能量损耗系数,/>表示第k个采样时刻高光谱图像数据的涂层校正像元序列,/>表示第1个圈层的均值像元序列,/>表示针对喉镜片区域设置的圈层总数,/>表示第/>个圈层的涂层校正像元反射系数,表示第/>个圈层的筛选成分序列,通过/>使得从中心区域逐级往外圈计算,/>表示以2为底数的对数函数。
涂层校正像元反射系数反映了当前圈层受涂层的干扰情况,当干扰越严重时,得到的能量损耗越大以及涂层波宽干扰系数值越大,最终对像元序列的校正力度也越大。
利用涂层校正像元反射系数实现对像元序列进行校正时,首先通过中心区域的成分序列G与靠近中心圈层的第五层涂层校正像元反射系数相乘,由此实现一级校正;由此与第五圈层的成分序列对应波段相加,将结合得到的筛选成分序列与第四圈层的涂层校正像元反射系数相乘,实现二级校正,以此类推,直到最后与受涂层影响最小的均值像元序列相加,得到最后的涂层校正像元序列。
步骤S003,根据所有采样时刻的涂层校正像元序列与标准喉镜片的标准像元序列对比,对流水线上的喉镜片进行检测。
获取各采样时刻的涂层校正像元序列,对各采样时刻的涂层校正像元序列取均值得到综合校正像元序列。采用和综合校正像元序列同样的计算方式获取标准喉镜片的标准像元序列/>,通过光谱角匹配算法计算得到当前喉镜片与标准喉镜片的成分差异情况,即/>,其中/>表示计算两个像元序列的余弦相似性。需要说明的是本实施例中采集的喉镜片高光谱数据与标准喉镜片的数据采集条件保持一致。
预设阈值,当/>时,表示当前喉镜片的材料成分合格,当/>时,表明当前喉镜片的材料成分不合格。本实施例中/> ,实施者可根据实际情况自行设定,本实施例对此不做限制。
综上所述,本发明实施例解决了由于喉镜片涂层影响造成喉镜片成分检测出现误差的问题,通过分析喉镜片的高光谱数据特征,提高了喉镜片成分检测的准确率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种喉镜片材料成分检测方法,其特征在于,该方法包括以下步骤:
采集喉镜片的高光谱图像数据;
将高光谱图像数据中各像元在所有波长下的反射强度进行排列得到各像元序列;通过图像分割获取高光谱图像数据中的喉镜片区域;将喉镜片区域划分为具有各边界圈层像元序列的不同圈层;获取每个边界圈层像元序列的动态圈层规则距离;
根据动态圈层规则距离得到每个边界圈层像元序列的圈层涂装非均匀系数;将每个边界圈层像元序列中所有像元的像元序列在相同波长下的反射强度均值作为均值像元序列;根据圈层涂装非均匀系数得到每个边界圈层的均值像元序列的圈层交叉验证系数;获取相邻圈层的均值像元序列间的最大相关性系数;
结合圈层交叉验证系数及最大相关性系数得到每个边界圈层的均值像元序列的涂层波宽干扰系数;获取每个边界圈层的涂层能量损耗系数;结合涂层波宽干扰系数及涂层能量损耗系数得到高光谱图像数据的涂层校正像元序列;根据涂层校正像元序列完成喉镜片材料成分检测;
所述获取每个边界圈层像元序列的动态圈层规则距离和所述根据动态圈层规则距离得到每个边界圈层像元序列的圈层涂装非均匀系数的具体计算公式如下:
表示第r层边界圈层像元序列的圈层涂装非均匀系数,/>表示第r层边界圈层像元序列的动态圈层规则距离,/>表示第r层边界圈层像元序列包含像元的个数,L表示采集高光谱数据的波长总数量,/>表示在第r层边界圈层像元序列中第i个像元的第/>个波长的光谱反射强度,/>表示在第r层边界圈层像元序列中所有像元的第/>个波长的光谱反射强度的均值,/>表示第r层边界圈层像元序列中两两像元的排列组合数,/>表示第r层边界圈层像元序列中第i个像元的像元序列,/>表示第r层边界圈层像元序列中第j个像元的像元序列,/>表示计算两个像元序列的DTW距离;
所述根据圈层涂装非均匀系数得到每个边界圈层的均值像元序列的圈层交叉验证系数,包括:
针对每个边界圈层的均值像元序列,将边界圈层的均值像元序列以波长为横轴、反射强度为纵轴拟合为均值像元曲线,将相邻圈层的均值像元曲线间的交叉点作为涂层交叉点,获取涂层交叉点的对应波长,计算每个边界圈层的均值像元序列的圈层交叉验证系数的表达式为:
式中,/>表示第r层边界圈层的均值像元序列的圈层交叉验证系数,/>表示第r层均值像元曲线与第r+1层均值像元曲线之间的涂层交叉点的对应波长,/>表示第r层边界圈层像元序列的圈层涂装非均匀系数,/>表示第r+1层边界圈层像元序列的圈层涂装非均匀系数,/>表示针对喉镜片区域设置的圈层总数,/>表示以自然常数为底数的指数函数;
所述获取相邻圈层的均值像元序列间的最大相关性系数,包括:
将边界圈层的均值像元序列中小于涂层交叉点的部分作为涂层序列,大于涂层交叉点的部分作为成分序列,相邻圈层的均值像元序列的涂层序列间的最大相关性系数表达式为:
式中,/>表示第r层与第r+1层边界圈层的均值像元序列的涂层序列间的最大相关性系数,/>表示第r层边界圈层的均值像元序列的涂层序列剔除第/>个波长后的剩余涂层序列,/>表示第r+1层边界圈层的均值像元序列的涂层序列剔除第/>个波长后的剩余涂层序列,/>表示计算两个序列的皮尔逊相关性系数,/>表示取最大值函数,/>表示涂层序列中波长的数量;
相邻圈层的均值像元序列的成分序列间的最大相关性系数表达式为:
式中,/>表示第r层与第r+1层边界圈层的均值像元序列的成分序列间的最大相关性系数,/>表示第r层边界圈层的均值像元序列的成分序列剔除第/>个波长后的剩余成分序列,/>表示第r+1层边界圈层的均值像元序列的成分序列剔除第/>个波长后的剩余成分序列,/>表示成分序列中波长的数量,/>表示计算两个序列的皮尔逊相关性系数;
所述结合圈层交叉验证系数及最大相关性系数得到每个边界圈层的均值像元序列的涂层波宽干扰系数,具体计算公式如下:
式中,/>表示第r层均值像元序列的涂层波宽干扰系数,/>表示第r层均值像元序列的圈层交叉验证系数,/>表示以自然常数为底数的自然对数,/>表示第r层与第r+1层均值像元序列的涂层序列间的最大相关性系数,/>表示第r层与第r+1层均值像元序列的成分序列间的最大相关性系数,/>表示索引函数选取取得最大相关性系数的对应波长;
所述获取每个边界圈层的涂层能量损耗系数,具体计算公式如下:
式中,/>表示第r层成分序列的涂层能量损耗系数,表示剔除最大相似波长后的剩余成分序列中的波长数量,/>表示第r层成分序列剔除最大相似波长后的剩余成分序列中第/>个波长的反射强度,/>表示第r+1层成分序列剔除最大相似波长后的剩余成分序列中第/>个波长的反射强度;将每个圈层剔除最大相似波长后的剩余成分序列记为筛选成分序列;
所述结合涂层波宽干扰系数及涂层能量损耗系数得到高光谱图像数据的涂层校正像元序列,具体计算公式如下:
式中,/>表示第r个圈层的涂层校正像元反射系数,表示第r层均值像元序列的涂层波宽干扰系数,/>表示第r层涂层序列的涂层能量损耗系数,/>表示第k个采样时刻高光谱图像数据的涂层校正像元序列,/>表示第1个圈层的均值像元序列,/>表示针对喉镜片区域设置的圈层总数,/>表示第/> 个圈层的涂层校正像元反射系数,/>表示第/>个圈层的筛选成分序列, 其中,筛选成分序列是将每个圈层剔除最大相似波长后的剩余成分序列;
所述根据涂层校正像元序列完成喉镜片材料成分检测,包括:将所有采样时刻的高光谱图像数据的涂层校正像元序列的均值作为综合校正像元序列,采用和所述综合校正像元序列同样的计算方式获取标准喉镜片的标准像元序列,计算综合校正像元序列与标准像元序列的余弦相似性,若所述余弦相似性大于等于预设阈值,表示当前喉镜片材料成分合格,反之,表示当前喉镜片的材料成分不合格。
2.根据权利要求1所述的一种喉镜片材料成分检测方法,其特征在于,所述将喉镜片区域划分为具有每个边界圈层像元序列的不同圈层,包括:
针对喉镜片区域,将喉镜片区域最外层的所有像元作为第一个边界圈层像元序列,然后将边缘圈层像元序列中的各像元从喉镜片区域剔除,继续获取剔除后的喉镜片区域的最外层所有像元,作为第二个边界圈层像元序列,以此类推,获取到预设数值个边界圈层像元序列后,将喉镜片区域的最终剩余区域的所有像元作为最后一个边界圈层像元序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410038418.5A CN117554304B (zh) | 2024-01-11 | 2024-01-11 | 一种喉镜片材料成分检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410038418.5A CN117554304B (zh) | 2024-01-11 | 2024-01-11 | 一种喉镜片材料成分检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117554304A CN117554304A (zh) | 2024-02-13 |
CN117554304B true CN117554304B (zh) | 2024-03-22 |
Family
ID=89813170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410038418.5A Active CN117554304B (zh) | 2024-01-11 | 2024-01-11 | 一种喉镜片材料成分检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117554304B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117848974B (zh) * | 2024-03-07 | 2024-05-28 | 陕西长空齿轮有限责任公司 | 一种合金表面氧化金相检测方法及系统 |
CN117848972B (zh) * | 2024-03-07 | 2024-05-10 | 宝鸡西工钛合金制品有限公司 | 一种钛合金阳极氧化前处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2679144A1 (en) * | 2012-06-27 | 2014-01-01 | De Domenico, Andrea | Blade of a laryngoscope, or similar devices, with a progressive spreading mechanism |
CN105595952A (zh) * | 2015-11-12 | 2016-05-25 | 深圳因赛德思医疗科技有限公司 | 视频喉镜叶片适配装置及视频喉镜 |
US9497380B1 (en) * | 2013-02-15 | 2016-11-15 | Red.Com, Inc. | Dense field imaging |
CN108009517A (zh) * | 2017-12-18 | 2018-05-08 | 河海大学 | 一种海洋高光谱遥感影像特征分析方法 |
CN113298137A (zh) * | 2021-05-21 | 2021-08-24 | 青岛星科瑞升信息科技有限公司 | 一种基于局部相似度数据引力的高光谱影像分类方法 |
CN113418864A (zh) * | 2021-06-03 | 2021-09-21 | 奥比中光科技集团股份有限公司 | 一种多光谱图像传感器及其制造方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106841035B (zh) * | 2017-01-25 | 2024-02-23 | 成都中信华瑞科技有限公司 | 检测方法及装置 |
-
2024
- 2024-01-11 CN CN202410038418.5A patent/CN117554304B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2679144A1 (en) * | 2012-06-27 | 2014-01-01 | De Domenico, Andrea | Blade of a laryngoscope, or similar devices, with a progressive spreading mechanism |
US9497380B1 (en) * | 2013-02-15 | 2016-11-15 | Red.Com, Inc. | Dense field imaging |
CN105595952A (zh) * | 2015-11-12 | 2016-05-25 | 深圳因赛德思医疗科技有限公司 | 视频喉镜叶片适配装置及视频喉镜 |
CN108009517A (zh) * | 2017-12-18 | 2018-05-08 | 河海大学 | 一种海洋高光谱遥感影像特征分析方法 |
CN113298137A (zh) * | 2021-05-21 | 2021-08-24 | 青岛星科瑞升信息科技有限公司 | 一种基于局部相似度数据引力的高光谱影像分类方法 |
CN113418864A (zh) * | 2021-06-03 | 2021-09-21 | 奥比中光科技集团股份有限公司 | 一种多光谱图像传感器及其制造方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117554304A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117554304B (zh) | 一种喉镜片材料成分检测方法 | |
CN101756696B (zh) | 多光子皮肤镜图像自动分析系统及其应用于恶性黑素瘤的诊断方法 | |
US11419499B2 (en) | Optical coherence tomography for cancer screening and triage | |
EP2238449B1 (en) | Method for discriminating between malignant and benign tissue lesions | |
EP2544583B1 (en) | System, method and article for normalization and enhancement of tissue images | |
US6208749B1 (en) | Systems and methods for the multispectral imaging and characterization of skin tissue | |
CN102621077B (zh) | 基于高光谱反射图像采集系统的玉米种子纯度无损检测方法 | |
KR100866552B1 (ko) | 다기능 디지털 피부 영상 장치 및 영상 분석 방법 | |
CN201806692U (zh) | 一种用于诊断恶性黑素细胞肿瘤的多光谱皮肤镜图像自动分析仪器 | |
EP2264669A2 (en) | Systems and methods for the multispectral imaging and characterization of skin tissue | |
Yan et al. | Tongue squamous cell carcinoma discrimination with Raman spectroscopy and convolutional neural networks | |
US9436992B2 (en) | Method of reconstituting cellular spectra useful for detecting cellular disorders | |
CN105997000A (zh) | 一种基于纤维内窥镜的拉曼光谱检测装置及其实现方法 | |
US10489906B2 (en) | Processing optical coherency tomography scans | |
CN109389568B (zh) | 自动测量皮肤光学相干层析图像中表皮厚度的方法 | |
CN113068015A (zh) | 一种基于光纤探头的内窥镜图像畸变校正系统 | |
Tomatis et al. | Automated melanoma detection: multispectral imaging and neural network approach for classification | |
Alheejawi et al. | Automated melanoma staging in lymph node biopsy image using deep learning | |
CN111783715A (zh) | 基于脉搏信号特征提取的身份识别方法 | |
US20100160747A1 (en) | Selection of preferred sampling location on hand via minimization of sampling error, and optical alignment for repeatably sampling tissue | |
CN110960219A (zh) | 一种皮肤溃疡创面智能辅助诊断系统 | |
CN106408558A (zh) | 糖尿病性视网膜病变图像中硬性渗出与高反射信号的分析方法 | |
CN104573668B (zh) | 基于光谱反射率的面部色泽适应性自动识别方法 | |
CN110135357B (zh) | 一种基于远程遥感的幸福感实时检测方法 | |
CN115153473B (zh) | 基于多变量奇异谱分析的非接触式心率检测方法 |
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 | ||
GR01 | Patent grant |