CN117877007B - 一种全氟辛烷磺酸快速检测方法 - Google Patents
一种全氟辛烷磺酸快速检测方法 Download PDFInfo
- Publication number
- CN117877007B CN117877007B CN202410278856.9A CN202410278856A CN117877007B CN 117877007 B CN117877007 B CN 117877007B CN 202410278856 A CN202410278856 A CN 202410278856A CN 117877007 B CN117877007 B CN 117877007B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- hyperspectral
- sequence
- pixel
- perfluorooctane sulfonate
- 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
- YFSUTJLHUFNCNZ-UHFFFAOYSA-M 1,1,2,2,3,3,4,4,5,5,6,6,7,7,8,8,8-heptadecafluorooctane-1-sulfonate Chemical compound [O-]S(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F YFSUTJLHUFNCNZ-UHFFFAOYSA-M 0.000 title claims abstract description 99
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000001228 spectrum Methods 0.000 claims abstract description 243
- YFSUTJLHUFNCNZ-UHFFFAOYSA-N perfluorooctane-1-sulfonic acid Chemical compound OS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F YFSUTJLHUFNCNZ-UHFFFAOYSA-N 0.000 claims abstract description 23
- 239000000126 substance Substances 0.000 claims abstract description 22
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 8
- TXEYQDLBPFQVAA-UHFFFAOYSA-N tetrafluoromethane Chemical group FC(F)(F)F TXEYQDLBPFQVAA-UHFFFAOYSA-N 0.000 claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims description 103
- 238000000034 method Methods 0.000 claims description 35
- HUHGPYXAVBJSJV-UHFFFAOYSA-N 2-[3,5-bis(2-hydroxyethyl)-1,3,5-triazinan-1-yl]ethanol Chemical compound OCCN1CN(CCO)CN(CCO)C1 HUHGPYXAVBJSJV-UHFFFAOYSA-N 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- RRRXPPIDPYTNJG-UHFFFAOYSA-N perfluorooctanesulfonamide Chemical compound NS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F RRRXPPIDPYTNJG-UHFFFAOYSA-N 0.000 description 12
- 238000010521 absorption reaction Methods 0.000 description 10
- 125000000524 functional group Chemical group 0.000 description 10
- 230000006870 function Effects 0.000 description 4
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- UGMUDSKJLAUMTC-UHFFFAOYSA-N 2,2,3,3,4,4,5,5,6,6,7,7,8,8,8-pentadecafluorooctanamide Chemical compound NC(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F UGMUDSKJLAUMTC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- -1 alkyl sulfonic acids Chemical class 0.000 description 1
- 125000003277 amino group Chemical group 0.000 description 1
- 150000001450 anions Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 125000002924 primary amino group Chemical group [H]N([H])* 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及光谱分析技术领域,具体涉及一种全氟辛烷磺酸快速检测方法,该方法包括:获取高光谱参考图像、高光谱检测图像中所有像元的光谱数据序列;获取参考光谱;基于全氟辛烷磺酸与相似全氟碳链结构的波长特征,对不同波段下参考光谱以及各高光谱像元的光谱数据序列的相似特征进行分析,构建光谱关心系数、光谱数据形状相似系数;获取高光谱像元的光谱数据序列和参考光谱的相似程度;获取全氟辛烷磺酸置信度,完成全氟辛烷磺酸的检测。本发明旨在避免由于物质光谱相似导致的错误检测,提高了对全氟辛烷磺酸检测的准确性。
Description
技术领域
本申请涉及光谱分析技术领域,具体涉及一种全氟辛烷磺酸快速检测方法。
背景技术
全氟辛烷磺酸(PFOS)是一种重要的化工产物,属于烷基磺酸类,是一种由全氟化酸性硫酸基酸中完全氟化的阴离子组成的人造化学物质,同时具有疏油,疏水特性在工业生产和日常生活中都存在着广泛的应用。然而由于全氟辛烷磺酸持久性较强,分解困难,容易在生物体内累计从而导致中毒,且对自然环境和生态系统存在潜在危害。因此我国在2019年已经禁止了全氟辛烷磺酸除特殊用途外的生产,流通和使用。因此实现全氟辛烷磺酸的快速检测对可以更有效地管理和应对这一化学物质的潜在风险。
高光谱成像技术在化学物质检测中具有很高的灵敏度和分辨率,但是在使用高光谱图对全氟辛烷磺酸进行检测时,其他具有相似的全氟碳链结构的物质如全氟辛烷酰胺(PFSA),会在高光谱图像中表现出类似的特征,可能会出现难以区分的情况。
发明内容
为了解决上述技术问题,本发明提供一种全氟辛烷磺酸快速检测方法,以解决现有的问题。
本发明的一种全氟辛烷磺酸快速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全氟辛烷磺酸快速检测方法,该方法包括以下步骤:
获取高光谱参考图像、高光谱检测图像以及所有像元的光谱数据序列;
根据高光谱参考图像所有像元的光谱数据序列的分布特征获取参考光谱;
对于高光谱检测图像,基于全氟辛烷磺酸与相似全氟碳链结构的波长特征预设第一波长段、第二波长段、第三波长段;根据参考光谱以及各高光谱像元的光谱数据序列在同种波长段之间的相似特征,获取参考光谱与各高光谱像元的光谱数据序列之间的相似性;根据参考光谱与各高光谱像元的光谱数据序列在第一、第三波长段之间的相似性获取各高光谱像元的光谱关心系数;
根据参考光谱在第二波长段的数据特征结合奇异谱分析获取参考光谱的去噪光谱序列;根据参考光谱的去噪光谱序列的数据变化特征获取参考光谱的去噪光谱序列各元素的趋势值;采用与参考光谱的去噪光谱序列各元素的趋势值的计算方法,获取各高光谱像元的光谱数据序列的去噪光谱序列各元素的趋势值;根据参考光谱与各高光谱像元的光谱数据序列的去噪光谱序列各元素趋势值的差异特征获取参考光谱与各高光谱像元的光谱数据序列的光谱数据形状相似系数;根据参考光谱与各高光谱像元的光谱数据序列的光谱数据形状相似系数获取各高光谱像元的光谱数据序列和参考光谱的相似程度;
根据各高光谱像元的光谱数据序列和参考光谱的相似程度获取各像元的全氟辛烷磺酸置信度,完成全氟辛烷磺酸的检测。
优选的,所述根据高光谱参考图像所有像元的光谱数据序列的分布特征获取参考光谱,包括:
对于高光谱参考图像,计算所有像元的光谱数据序列对应元素的平均值组成高光谱参考图像的平均值序列;计算各像元的光谱数据序列与所述平均值序列对应元素的差值绝对值,组成各像元的距离序列;
采用K-means聚类算法基于所述距离序列对高光谱参考图像的所有像元进行聚类,获得k个聚类簇;将像元数量最多的聚类簇作为第一聚类簇;计算第一聚类簇中所有像元的光谱数据序列对应元素的平均值组成参考光谱。
优选的,所述参考光谱与各像元的光谱数据序列之间的相似性,具体为:
对于各像元,分别获取全氟辛烷磺酸的参考光谱、像元在各波长段对应的光谱数据序列之间的dtw距离;计算全氟辛烷磺酸的参考光谱、像元在各波长段所有对应的光谱数据之间的差值绝对值的和值;将所述dtw距离与所述和值进行相加的结果作为参考光谱与像元在各波长段对应的光谱数据序列之间的相似性。
优选的,所述光谱关心系数,具体为:
计算全氟辛烷磺酸的参考光谱、各像元在第一波长段、第三波长段对应的光谱数据序列之间的相似性的和值;将所述和值的相反数作为以自然常数为底数的指数函数的指数;将所述指数函数的计算结果作为各高光谱像元的光谱关心指数。
优选的,所述根据参考光谱在第二波长段的数据特征结合奇异谱分析获取参考光谱的去噪光谱序列,具体为:
获取参考光谱在第二波长段的光谱数据序列;将所述光谱数据序列作为奇异谱分解的输入;奇异谱分解的输出为参考光谱在第二波长段的去噪光谱序列。
优选的,所述根据参考光谱的去噪光谱序列的数据变化特征获取参考光谱的去噪光谱序列各元素的趋势值,具体为:
对于参考光谱的去噪光谱序列各元素,若各元素大于各元素的后一元素,则将-1作为各元素的趋势值;若各元素等于各元素的后一元素,则将0作为各元素的趋势值;若各元素小于各元素的后一元素,则将1作为各元素的趋势值。
优选的,所述光谱数据形状相似系数,表达式为:
式中,表示/>和/>光谱数据形状相似系数,表示去噪光谱数据序列/>第/>个光谱数据的趋势值,/>表示去噪光谱数据序列/>的第i个元素,/>表示去噪光谱数据序列/>的第i个元素,n表示光谱数据序列的光的波长位于第二波长段的数据个数,/>、/>分别表示光谱数据序列、/>的第i个光谱数据,/>、/>分别表示高光谱像元a、全氟辛烷磺酸的参考光谱在第二波长段中的光谱数据序列,/>表示第二波长段。
优选的,所述各高光谱像元的光谱数据序列和参考光谱的相似程度,表达式为:
式中,表示高光谱像元a的光谱数据序列和参考光谱的相似程度,/>表示高光谱像元a的光谱关心系数,t表示光谱数据序列的元素个数,/>表示高光谱像元a的光谱数据序列的第i个光谱数据,/>表示全氟辛烷磺酸的参考光谱p的第i个光谱数据,scale表示光谱形状相似系数缩放系数,/>表示/>和/>光谱数据形状相似系数,/>、/>分别表示高光谱像元a、全氟辛烷磺酸的参考光谱在第二波长段中的光谱数据序列,/>表示第二波长段。
优选的,所述光谱形状相似系数缩放系数为所有波长段对应数据个数与第二波长段对应数据个数的比值。
优选的,所述根据各高光谱像元的光谱数据序列和参考光谱的相似程度获取各像元的全氟辛烷磺酸置信度,完成全氟辛烷磺酸的检测,包括:
预设置信因子;计算各高光谱像元的光谱数据序列和参考光谱的相似程度与置信因子的乘积的相反数;将所述相反数作为以自然常数为底数的指数函数的指数;将所述指数函数的计算结果作为各像元的全氟辛烷磺酸置信度;
将高光谱检测图像所有像元的全氟辛烷磺酸置信度作为输入,采用大津法获取置信阈值;将全氟辛烷磺酸置信度大于所述置信阈值的像元所代表的物质判断为全氟辛烷磺酸。
本发明至少具有如下有益效果:
本发明通过全氟辛烷磺酸的高光谱图像,使用k-means聚类提取出全氟辛烷磺酸的光谱特征,使得提取出的全氟辛烷磺酸特征更加准确;根据全氟辛烷磺酸与全氟辛基磺酰胺的官能团的不同,确定不同官能团的光谱吸收峰,进而构建光谱关心系数,表示光谱数据与全氟辛烷磺酸光谱的部分相似性;进一步,针对不同官能团的光谱吸收峰范围,在该范围内构建光谱数据的形状相似系数,使得在该范围内的光谱数据差异更加明显;最后根据光谱关心系数与光谱形状相似系数确定光谱数据的相似程度,即使与全氟辛烷磺酸结构相似的全氟辛基磺酰胺,其相似性仍然存在较大的差别。通过对全氟辛烷磺酸和全氟辛基磺酰胺的官能团特征进行分析,构建形状相似系数,又基于形状相似系数和全氟辛烷磺酸的光谱特征,完成对全氟辛烷磺酸的精确检测,避免了由于物质光谱相似从而导致的错误检测,提高了对全氟辛烷磺酸检测的准确性。
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为本发明提供的一种全氟辛烷磺酸快速检测方法的流程图;
图2为全氟辛烷磺酸置信度的获取流程图。
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全氟辛烷磺酸快速检测方法,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全氟辛烷磺酸快速检测方法的具体方案。
本发明一个实施例提供的一种全氟辛烷磺酸快速检测方法。
具体的,提供了如下的一种全氟辛烷磺酸快速检测方法,请参阅图1,该方法包括以下步骤:
步骤S001:采集全氟辛烷磺酸的高光谱数据作为高光谱参考图像,采集待检测物体的高光谱图像作为高光谱检测图像。
将400nm至3700nm的光的波长平均分为t份,本实施例中设t为1000,使用高光谱相机对提纯后的全氟辛烷磺酸拍摄其高光谱图像,拍摄过程中保证全氟辛烷磺酸占据图像的多数区域,设高光谱图像的长为M,宽为N,所得到的高光谱图像的维度为M×N×t。为了消除散射的因素,使用光谱多元散射校正(multiplicative scatter correction,MSC)来消除由于散射水平不同带来的光谱差异,增强数据之间的相关性,将处理后的高光谱图像作为高光谱参考图像;对待检测的物体使用高光谱相机拍摄高光谱图像称为高光谱检测图像。高光谱参考图像与高光谱检测图像中的每一个像元都有维度为t的光谱数据,将这些光谱数据按照对应波长段进行排序组成光谱数据序列。
步骤S002:根据高光谱参考图像所有像元的光谱数据序列特征,提取全氟辛烷磺酸的光谱特征。
使用高光谱相机获取了全氟辛烷磺酸的高光谱图像,在该高光谱图像中每个像元代表对应物质经过不同细分光谱波段的成像信息,即每个像元都包含了整个光谱的t个波长信息,即光谱数据序列。由于在拍摄高光谱图像时,画面中不可避免的存在杂质以及背景的高光谱图,为了准确提取出全氟辛烷磺酸的高光谱特征,首先对高光谱参考图像中的所有像元的光谱数据序列对应元素求均值获取高光谱参考图像的光谱平均值序列;接着将高光谱参考图像中各像元的光谱数据序列对应元素与光谱平均值序列的对应元素相减求绝对值,组成各像元的距离序列。
计算高光谱参考图像中所有像元的距离序列,基于距离序列对所有像元进行k-means聚类,k-means聚类是一种将无标签数据分类的机器学习算法,本实施例中不再赘述,本实施例设置k=2,将像元个数多的一类归为第一聚类簇。计算第一聚类簇中所有像元的光谱数据序列对应元素的平均值组成全氟辛烷磺酸的参考光谱。
通过全氟辛烷磺酸的高光谱参考图像,计算出全氟辛烷磺酸的参考光谱。由于在高光谱图像的拍摄过程中,存在背景等噪声的少量干扰。因此在拍摄高光谱图像的过程中,保证全氟辛烷磺酸占据高光谱图像的大部分区域,少部分属于噪声的像元光谱数据由于距离光谱平均值序列较远,噪声像元的距离序列中的元素就越大,与全氟辛烷磺酸的光谱差异明显,使用k-means算法过滤掉该噪声像元,获取全氟辛烷磺酸的参考光谱。
步骤S003:根据全氟辛烷磺酸的结构特征,构建光谱关心系数。
与全氟辛烷磺酸相似的化学物质,在高光谱图像上容易表现出相似的光谱图像,尤其是与全氟辛烷磺酸有着同样构造的全氟碳链结构,如全氟辛基磺酰胺。其主要差异在于官能团的不同,全氟辛烷磺酸为羟基(OH),而全氟辛基磺酰胺为氨基(NH2),官能团的不同导致这两种物质在光谱图中存在细微差异。在表示某个物质的光谱特征时,常使用吸收峰以波数为单位进行表述,波数解释为波长的倒数。羟基的吸收峰波数约在3000-3700/>,对应光的波长约为2700nm-3300nm,而氨基的吸收峰波数在3100/>-3500,对应光的波长约为2800nm-3200nm之间,因此两物质的差异主要体现在波长2700nm-3300nm的区域。因此设/>,/>,称为第一截止波长、第二截止波长,预设初始波长/>,终止波长/>;将初始波长至第一截止波长保存为第一波长段/>;第一截止波长至第二截止波长保存为第二波长段/>;第二截至波长至终止波长保存为第三波长段/>。
考虑到上述因素,以高光谱检测图像中任意一个高光谱像元a为例,构建光谱关心系数,表达式为:
式中,表示高光谱像元a的光谱关心系数,/>、/>分别表示高光谱像元a、全氟辛烷磺酸的参考光谱在第一波长段对应的光谱数据序列,/>表示第一波长段,表示高光谱像元a、全氟辛烷磺酸的参考光谱在第三波长段对应的光谱数据序列,/>表示第三波长段,/>表示第i个光谱数据所对应的光的波长,i表示光谱数据的次序,/>表示初始波长,/>表示终止波长,/>为光谱数据序列的元素个数,表示/>和/>之间的相似性,/>表示/>和/>之间的相似性,/>表示动态时间规整,/>表示高光谱像元a的光谱数据序列的第i个光谱数据,/>表示全氟辛烷磺酸的参考光谱的第i个光谱数据。需要说明的是,动态时间规整为现有公知技术,本实施例中不再赘述,采用与/>的计算方法获取/>。
通过比较全氟辛烷磺酸在除第二波长段之外,即波长不在2700nm-3300nm范围内的光谱数据序列的相似性来赋予高光谱检测图像每个像元权重。当检测高光谱图像中的像元a为一种其他物质时,其光谱数据序列的差距越大,则光谱关心系数就越小,该物质与全氟辛烷磺酸的光谱数据序列存在明显区别,不需要对其特别关注。当高光谱像元a所代表的物质在除第二波长段外,与全氟辛烷磺酸相似时光谱关心系数就越大,说明高光谱像元a所代表的物质可能是全氟辛烷磺酸或者是与全氟辛烷磺酸有着相似结构的全氟辛基磺酰胺。光谱关心系数越大,说明高光谱像元a对应物质与全氟辛烷磺酸越相似,越需要重点考虑。
步骤S004:根据特定波长段的光谱数据序列以及参考光谱进行分析,构建高光谱像元的光谱数据序列和参考光谱的相似性。
由于光谱数据中容易受到噪声影响,为增强数据的准确性,因此考虑对特定的光谱数据使用奇异谱分析(Singular Spectrum Analysis,SSA)去噪。分别输入参考光谱、高光谱像元a在第二波长段对应的光谱数据序列,即、/>,分别输出L个序列成分,L为SSA算法的窗口长度,本实施例中L为10,每个序列成分有一个奇异值,分别用、/>表示光谱数据/>、/>经过SSA分解后奇异值第i大的子序列,k为子序列重构个数,本实施例中设为3,对应的,将所有子序列按照奇异值由大到小的顺序进行重构的序列分别作为/>、/>的去噪光谱数据序列/>、。
针对属于波长集合的光谱数据中,全氟辛烷磺酸与全氟辛基磺酰胺的光谱数据存在较为明显的差异的特点,计算光谱数据形状相似系数,表达式为:
式中,表示/>和/>光谱数据形状相似系数,表示去噪光谱数据序列/>第/>个光谱数据的趋势值,/>、/>分别表示去噪光谱数据序列/>的第i个、第i+1个元素,/>表示去噪光谱数据序列/>的第i个元素,n表示光谱数据序列的光的波长位于第二波长段的数据个数,/>、/>分别表示光谱数据序列/>、/>的第i个光谱数据,/>、/>分别表示高光谱像元a、全氟辛烷磺酸的参考光谱在第二波长段中的光谱数据序列,/>表示第二波长段。
通过对比第二波长段的光谱数据序列的趋势值及欧式距离来计算两序列的形状相似系数,其中趋势值表示了光谱数据的状态,欧氏距离表示两光谱数据的差值。在第二波长段区域中,全氟辛烷磺酸与全氟辛基磺酰胺,存在不同的吸收峰,光谱数据序列的吸收峰表示物质对特定波长的光吸收较强的现象,导致光谱数据在特定波长处较大。当光谱数据序列趋势不同,但数据大小接近时其误差依然较小,为增大该情况下的误差值,对去噪光谱数据序列计算了其趋势值,趋势值代表了该光谱数据的上升,下降或者不变的趋势。当光谱数据序列/>与/>趋势一致时,即存在相同的光谱吸收峰,趋势差值较小,光谱数据形状相似系数/>近似于两光谱数据序列的欧式距离。当趋势不同时,即便某个特定的光谱数据相等,由于趋势差值的存在,依然会有较大的误差值。
综合上述,根据光谱关心系数与光谱数据形状相似系数,构建光谱数据相似性,表达式为:
式中,表示高光谱像元的光谱数据序列和参考光谱的相似程度,/>表示高光谱像元a的光谱关心系数,t表示光谱数据序列的元素个数,/>表示高光谱像元a的光谱数据序列的第i个光谱数据,/>表示全氟辛烷磺酸的参考光谱p的第i个光谱数据,scale表示光谱形状相似系数缩放系数,/>表示终止波长,/>表示初始波长,/>、/>分别表示第一截止波长、第二截止波长,/>表示/>和/>光谱数据形状相似系数,/>、/>分别表示高光谱像元a、全氟辛烷磺酸的参考光谱在第二波长段中的光谱数据序列,/>表示第二波长段。
通过缩放系数和光谱的关心系数来放大光谱数据在第一截止波长和第二截止波长之间的不同,其中光谱关心系数表示除第二波长段外光谱数据序列的相似性,当高光谱像元a代表的物质与全氟辛烷磺酸越相似,其光谱关心系数越大,表示越看重在第二波长段中光谱数据序列的相似性。当第二波长段对应的数据范围较小时,即使光谱关心系数较大,与整个光谱的误差不在同一尺度范围内,即/>是针对整个光谱1000个数据计算的误差,而/>仅针对有明显特征的部分光谱数据计算光谱数据形状相似系数,为了消除尺度的影响,将光谱数据形状相似系数乘上缩放系数,使得光谱数据整体的相似误差/>与同样重要。通过上式的计算,即使是有着与全氟辛烷磺酸相似光谱的全氟辛基磺酰胺,由于其官能团的不同,在第二波长段的光谱数据有着明显差异,相似程度也会存在较大的差别。
步骤S005:构建高光谱检测图像像元的全氟辛烷磺酸置信度,完成全氟辛烷磺酸的检测。
至此,针对高光谱检测图像中的每个像元计算全氟辛烷磺酸置信度
式中,表示高光谱检测图像中像元a的全氟辛烷磺酸置信度,/>为置信因子,表示高光谱像元的光谱数据序列和参考光谱的相似程度。需要说明的是,本实施例置信因子设为0.002。其中,全氟辛烷磺酸置信度的获取流程如图2所示。
将高光谱检测图像中所有像元计算全氟辛烷磺酸置信度作为输入,使用大津法获取置信阈值,当高光谱图中的像元a的全氟辛烷磺酸置信度大于置信阈值时,则认为该像元所代表的物质是全氟辛烷磺酸。
至此,完成全氟辛烷磺酸的检测。
综上所述,本发明实施例通过全氟辛烷磺酸的高光谱图像,使用k-means聚类提取出全氟辛烷磺酸的光谱特征,使得提取出的全氟辛烷磺酸特征更加准确;根据全氟辛烷磺酸与全氟辛基磺酰胺的官能团的不同,确定不同官能团的光谱吸收峰,进而构建光谱关心系数,表示光谱数据与全氟辛烷磺酸光谱的部分相似性;进一步,针对不同官能团的光谱吸收峰范围,在该范围内构建光谱数据的形状相似系数,使得在该范围内的光谱数据差异更加明显;最后根据光谱关心系数与光谱形状相似系数确定光谱数据的相似程度,即使与全氟辛烷磺酸结构相似的全氟辛基磺酰胺,其相似性仍然存在较大的差别。通过对全氟辛烷磺酸和全氟辛基磺酰胺的官能团特征进行分析,构建形状相似系数,又基于形状相似系数和全氟辛烷磺酸的光谱特征,完成对全氟辛烷磺酸的精确检测,避免了由于物质光谱相似从而导致的错误检测,提高了对全氟辛烷磺酸检测的准确性。
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或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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种全氟辛烷磺酸快速检测方法,其特征在于,该方法包括以下步骤:
获取高光谱参考图像、高光谱检测图像以及所有像元的光谱数据序列;
根据高光谱参考图像所有像元的光谱数据序列的分布特征获取参考光谱;
对于高光谱检测图像,基于全氟辛烷磺酸与相似全氟碳链结构的波长特征预设第一波长段、第二波长段、第三波长段;根据参考光谱以及各高光谱像元的光谱数据序列在同种波长段之间的相似特征,获取参考光谱与各高光谱像元的光谱数据序列之间的相似性;根据参考光谱与各高光谱像元的光谱数据序列在第一、第三波长段之间的相似性获取各高光谱像元的光谱关心系数;
根据参考光谱在第二波长段的数据特征结合奇异谱分析获取参考光谱的去噪光谱序列;根据参考光谱的去噪光谱序列的数据变化特征获取参考光谱的去噪光谱序列各元素的趋势值;采用参考光谱的去噪光谱序列各元素的趋势值的计算方法,获取各高光谱像元的光谱数据序列的去噪光谱序列各元素的趋势值;根据参考光谱与各高光谱像元的光谱数据序列的去噪光谱序列各元素趋势值的差异特征获取参考光谱与各高光谱像元的光谱数据序列的光谱数据形状相似系数;根据参考光谱与各高光谱像元的光谱数据序列的光谱数据形状相似系数获取各高光谱像元的光谱数据序列和参考光谱的相似程度;
根据各高光谱像元的光谱数据序列和参考光谱的相似程度获取各像元的全氟辛烷磺酸置信度,完成全氟辛烷磺酸的检测;
所述获取参考光谱与各高光谱像元的光谱数据序列之间的相似性,具体为:
对于各像元,分别获取全氟辛烷磺酸的参考光谱、像元在各波长段对应的光谱数据序列之间的dtw距离;计算全氟辛烷磺酸的参考光谱、像元在各波长段所有对应的光谱数据之间的差值绝对值的和值;将所述dtw距离与所述和值进行相加的结果作为参考光谱与像元在各波长段对应的光谱数据序列之间的相似性;
所述各高光谱像元的光谱关心系数,具体为:
计算全氟辛烷磺酸的参考光谱、各像元在第一波长段、第三波长段对应的光谱数据序列之间的相似性的和值;将所述和值的相反数作为以自然常数为底数的指数函数的指数;将所述指数函数的计算结果作为各高光谱像元的光谱关心系数。
2.如权利要求1所述的一种全氟辛烷磺酸快速检测方法,其特征在于,所述根据高光谱参考图像所有像元的光谱数据序列的分布特征获取参考光谱,包括:
对于高光谱参考图像,计算所有像元的光谱数据序列对应元素的平均值组成高光谱参考图像的平均值序列;计算各像元的光谱数据序列与所述平均值序列对应元素的差值绝对值,组成各像元的距离序列;
采用K-means聚类算法基于所述距离序列对高光谱参考图像的所有像元进行聚类,获得k个聚类簇;将像元数量最多的聚类簇作为第一聚类簇;计算第一聚类簇中所有像元的光谱数据序列对应元素的平均值组成参考光谱。
3.如权利要求1所述的一种全氟辛烷磺酸快速检测方法,其特征在于,所述根据参考光谱在第二波长段的数据特征结合奇异谱分析获取参考光谱的去噪光谱序列,具体为:
获取参考光谱在第二波长段的光谱数据序列;将所述光谱数据序列作为奇异谱分解的输入;奇异谱分解的输出为参考光谱在第二波长段的去噪光谱序列。
4.如权利要求1所述的一种全氟辛烷磺酸快速检测方法,其特征在于,所述根据参考光谱的去噪光谱序列的数据变化特征获取参考光谱的去噪光谱序列各元素的趋势值,具体为:
对于参考光谱的去噪光谱序列各元素,若各元素大于各元素的后一元素,则将-1作为各元素的趋势值;若各元素等于各元素的后一元素,则将0作为各元素的趋势值;若各元素小于各元素的后一元素,则将1作为各元素的趋势值。
5.如权利要求1所述的一种全氟辛烷磺酸快速检测方法,其特征在于,所述光谱数据形状相似系数,表达式为:
;
式中,表示/>和/>光谱数据形状相似系数,/>表示去噪光谱数据序列/>第/>个光谱数据的趋势值,/>表示去噪光谱数据序列/>的第i个元素,/>表示去噪光谱数据序列/>的第i个元素,n表示光谱数据序列的光的波长位于第二波长段的数据个数,/>分别表示光谱数据序列的第i个光谱数据,/>分别表示高光谱像元a、全氟辛烷磺酸的参考光谱在第二波长段中的光谱数据序列,/>表示第二波长段。
6.如权利要求5所述的一种全氟辛烷磺酸快速检测方法,其特征在于,所述各高光谱像元的光谱数据序列和参考光谱的相似程度,表达式为:
;
式中,表示高光谱像元a的光谱数据序列和参考光谱的相似程度,/>表示高光谱像元a的光谱关心系数,t表示光谱数据序列的元素个数,/>表示高光谱像元a的光谱数据序列的第i个光谱数据,/>表示全氟辛烷磺酸的参考光谱p的第i个光谱数据,scale表示光谱形状相似系数缩放系数,/>表示/>和/>光谱数据形状相似系数,/>分别表示高光谱像元a、全氟辛烷磺酸的参考光谱在第二波长段中的光谱数据序列,/>表示第二波长段。
7.如权利要求1所述的一种全氟辛烷磺酸快速检测方法,其特征在于,所述光谱形状相似系数缩放系数为所有波长段对应数据个数与第二波长段对应数据个数的比值。
8.如权利要求1所述的一种全氟辛烷磺酸快速检测方法,其特征在于,所述根据各高光谱像元的光谱数据序列和参考光谱的相似程度获取各像元的全氟辛烷磺酸置信度,完成全氟辛烷磺酸的检测,包括:
预设置信因子;计算各高光谱像元的光谱数据序列和参考光谱的相似程度与置信因子的乘积的相反数;将所述相反数作为以自然常数为底数的指数函数的指数;将所述指数函数的计算结果作为各像元的全氟辛烷磺酸置信度;
将高光谱检测图像所有像元的全氟辛烷磺酸置信度作为输入,采用大津法获取置信阈值;将全氟辛烷磺酸置信度大于所述置信阈值的像元所代表的物质判断为全氟辛烷磺酸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410278856.9A CN117877007B (zh) | 2024-03-12 | 2024-03-12 | 一种全氟辛烷磺酸快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410278856.9A CN117877007B (zh) | 2024-03-12 | 2024-03-12 | 一种全氟辛烷磺酸快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117877007A CN117877007A (zh) | 2024-04-12 |
CN117877007B true CN117877007B (zh) | 2024-05-10 |
Family
ID=90579558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410278856.9A Active CN117877007B (zh) | 2024-03-12 | 2024-03-12 | 一种全氟辛烷磺酸快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117877007B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101922969A (zh) * | 2010-08-30 | 2010-12-22 | 南通北极光自动控制技术有限公司 | 紫外、可见、近红外在线检测漫反射光谱分析仪 |
DE102009037887A1 (de) * | 2009-08-18 | 2011-03-03 | Bruker Daltonik Gmbh | Substanzidentifizierung durch Serien von Ionenmobilitätsspektren |
CN104990893A (zh) * | 2015-06-24 | 2015-10-21 | 南京富岛信息工程有限公司 | 一种基于相似判别的汽油辛烷值检测方法 |
WO2021053409A1 (en) * | 2019-09-20 | 2021-03-25 | King Abdullah University Of Science And Technology | Encoding raman spectral data in optical identification tags for analyte identification |
CN117132778A (zh) * | 2023-10-27 | 2023-11-28 | 昆山尚瑞智能科技有限公司 | 一种光谱测量校正计算方法及系统 |
-
2024
- 2024-03-12 CN CN202410278856.9A patent/CN117877007B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009037887A1 (de) * | 2009-08-18 | 2011-03-03 | Bruker Daltonik Gmbh | Substanzidentifizierung durch Serien von Ionenmobilitätsspektren |
CN101922969A (zh) * | 2010-08-30 | 2010-12-22 | 南通北极光自动控制技术有限公司 | 紫外、可见、近红外在线检测漫反射光谱分析仪 |
CN104990893A (zh) * | 2015-06-24 | 2015-10-21 | 南京富岛信息工程有限公司 | 一种基于相似判别的汽油辛烷值检测方法 |
WO2021053409A1 (en) * | 2019-09-20 | 2021-03-25 | King Abdullah University Of Science And Technology | Encoding raman spectral data in optical identification tags for analyte identification |
CN117132778A (zh) * | 2023-10-27 | 2023-11-28 | 昆山尚瑞智能科技有限公司 | 一种光谱测量校正计算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117877007A (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yousif et al. | Improving urban change detection from multitemporal SAR images using PCA-NLM | |
CN112308832B (zh) | 一种基于机器视觉的轴承质量检测方法 | |
JP5496509B2 (ja) | 色分類および皮膚色検出のための画像処理のためのシステム、方法、および装置 | |
Uss et al. | Maximum likelihood estimation of spatially correlated signal-dependent noise in hyperspectral images | |
CN110008948B (zh) | 基于变分自编码网络的高光谱图像目标检测方法 | |
CN111028172A (zh) | 基于无参数的非凸低秩矩阵逼近的高光谱图像去噪方法 | |
Letexier et al. | Nonorthogonal tensor matricization for hyperspectral image filtering | |
JP2016032289A (ja) | 画像合成システム、画像合成方法、画像合成プログラム | |
Liu et al. | Reduction of signal-dependent noise from hyperspectral images for target detection | |
CN111724376B (zh) | 一种基于纹理特征分析的纸病检测方法 | |
Ibraheem et al. | A non-invasive automatic skin cancer detection system for characterizing malignant melanoma from seborrheic keratosis | |
CN115187688A (zh) | 基于大气光偏振正交盲分离的雾图重构方法及电子设备 | |
CN117877007B (zh) | 一种全氟辛烷磺酸快速检测方法 | |
Yoon et al. | Hyperspectral image processing methods | |
JP2019190927A (ja) | 解析システム、撮像装置、および、プログラム | |
CN115272873B (zh) | 基于梯度域的高光谱图像非线性特征预处理系统及方法 | |
CN111640080A (zh) | 一种基于高光谱全变差的cs图像去噪重建方法 | |
CN116137067A (zh) | 一种基于系数分析协同表示的高光谱图像异常检测方法 | |
CN116205863A (zh) | 一种检测高光谱图像异常目标的方法 | |
CN107529962B (zh) | 图像处理装置、图像处理方法和记录介质 | |
CN113670440B (zh) | 一种基于自适应字典的压缩光谱成像方法 | |
CN111553860B (zh) | 水色遥感影像的深度学习非邻域均值化处理方法及系统 | |
Kushwaha et al. | Robust denoising technique for ultrasound images by splicing of low rank filter and principal component analysis | |
CN112733775A (zh) | 基于深度学习的高光谱影像分类方法 | |
Sonawane et al. | Enhanced Fish Detection in Underwater Video Using Wavelet-Based Color Correction and Machine Learning |
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 |