CN117951484A - 一种胶原蛋白三肽品质优劣检测方法及系统 - Google Patents
一种胶原蛋白三肽品质优劣检测方法及系统 Download PDFInfo
- Publication number
- CN117951484A CN117951484A CN202410309143.4A CN202410309143A CN117951484A CN 117951484 A CN117951484 A CN 117951484A CN 202410309143 A CN202410309143 A CN 202410309143A CN 117951484 A CN117951484 A CN 117951484A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- fluctuation
- data point
- absorption spectrum
- 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.)
- Pending
Links
- 102000008186 Collagen Human genes 0.000 title claims abstract description 106
- 108010035532 Collagen Proteins 0.000 title claims abstract description 106
- 229920001436 collagen Polymers 0.000 title claims abstract description 106
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000000862 absorption spectrum Methods 0.000 claims abstract description 118
- 238000001914 filtration Methods 0.000 claims abstract description 84
- 238000005070 sampling Methods 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 53
- 239000012535 impurity Substances 0.000 claims abstract description 52
- 230000002146 bilateral effect Effects 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000000875 corresponding effect Effects 0.000 claims description 54
- 238000009826 distribution Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 abstract description 2
- 230000002776 aggregation Effects 0.000 description 17
- 238000004220 aggregation Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 9
- 230000000737 periodic effect Effects 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000000845 cartilage Anatomy 0.000 description 1
- 230000007062 hydrolysis Effects 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及光学数据滤波技术领域,具体涉及一种胶原蛋白三肽品质优劣检测方法及系统。该方法首先将产品采样数据划分为产品分组数据;对每个产品分组数据进行双边滤波,获取每个分段滤波数据,进而获取产品滤波数据;在双边滤波计算每个参考数据点调整后的权重过程中,根据参考数据点的数据可靠值对初始权重进行调整,获取参考数据点的调整后的权重;根据所有采样样本的吸收光谱滤波曲线,获取胶原蛋白三肽品质检测结果。本发明通过降低偶然性波动对调整后的权重的影响,保留了阶段性波动对调整后的权重的影响,使得滤波结果可以准确地反映杂质的影响,提高了胶原蛋白三肽的品质检测结果的可靠性。
Description
技术领域
本发明涉及光学数据滤波技术领域,具体涉及一种胶原蛋白三肽品质优劣检测方法及系统。
背景技术
胶原蛋白三肽是由胶原水解得到的含有三个氨基酸的小肽,胶原蛋白三肽具有促进皮肤、骨和软骨的生长与修复和抗氧化等功能。胶原蛋白三肽品质对发挥各种功能有重要影响,需要对胶原蛋白三肽的品质优劣进行检测。杂质会使得采样样本的吸收光谱曲线产生阶段性波动,采样样本的吸收光谱曲线和标准胶原蛋白三肽的吸收光谱曲线存在差异,差异可以反映杂质含量,通过差异分析胶原蛋白三肽的品质优劣。由于胶原蛋白三肽的生产环境较为复杂,同一批次的胶原蛋白三肽产品往往存在差异,需要对胶原蛋白三肽产品进行多次采样,进而通过所有采样样本的吸收光谱曲线和标准胶原蛋白三肽的吸收光谱曲线的差异,确定胶原蛋白三肽的品质优劣。
然而由于胶原蛋白三肽产品本身容易发生的分子聚集态,会造成采样样本的吸收光谱曲线产生波峰偏移及波峰重叠的偶然性波动,偶然性波动会影响采样样本的吸收光谱曲线,导致采样样本的吸收光谱曲线和标准胶原蛋白三肽的吸收光谱曲线的差异受影响,差异难以准确反映杂质含量,进而会导致品质优劣检测不准确。现有技术双边滤波可以滤除分子聚集态产生的偶然性波动,然而由于杂质会使得吸收光谱曲线产生阶段性波动,双边滤波难以在滤除分子聚集态产生的偶然性波动的同时保留杂质产生阶段性波动,导致滤波结果难以准确地反映杂质产生的阶段性波动,使得胶原蛋白三肽的品质检测结果不可靠。
发明内容
为了解决双边滤波难以在滤除分子聚集态产生的偶然性波动的同时保留杂质产生阶段性波动,导致滤波结果难以准确地反映杂质产生的阶段性波动,使得胶原蛋白三肽的品质检测结果不可靠的技术问题,本发明的目的在于提供一种胶原蛋白三肽品质优劣检测方法及系统,所采用的技术方案具体如下:
一种胶原蛋白三肽品质优劣检测方法,所述方法包括以下步骤:
获取同一批次胶原蛋白产品的产品采样数据,所述产品采样数据包含所有采样样本的吸收光谱初始曲线;
在所述吸收光谱初始曲线中,根据每个数据点和周围的数据点之间差异,获取每个数据点的数据波动值,并根据所有所述吸收光谱初始曲线上相同位置的数据点对应的数据波动值之间的差异,确定每条所述吸收光谱初始曲线上每个数据点的数据波动显著程度值;
根据所有数据点的所述数据波动显著程度值,对产品采样数据中所有所述吸收光谱初始曲线的所有数据点进行聚类,将产品采样数据划分为至少两个产品分组数据;分别对每个所述产品分组数据进行双边滤波,获取每个分组滤波数据,进而获取同一批次胶原蛋白产品的产品滤波数据;所述对每个所述产品分组数据进行双边滤波,包括:将所述产品分组数据的每个数据点均作为一个待降噪数据点,在确定每个待降噪数据点的每个参考数据点的权重过程中,获取参考数据点的初始权重;在参考数据点的预设周围范围中,根据周围点的分布和所述周围点的所述数据波动显著程度值,获取参考数据点的周围特征值;根据参考数据点和待降噪数据点的采样时间差异,以及参考数据点和待降噪数据点的所述数据波动显著程度值差异,获取参考数据点的数据相似值;根据所述参考数据点的周围特征值和数据相似值,获取所述参考数据点的数据可靠值;根据所述参考数据点的所述数据可靠值对初始权重进行调整,获取所述参考数据点的调整后的权重;
根据同一批次胶原蛋白产品的产品滤波数据,获取同一批次胶原蛋白产品的品质检测结果。
进一步地,所述数据波动值的获取方法包括:
根据数据波动值公式获取数据波动值,所述数据波动值公式包括:
;
其中,为第/>个所述吸收光谱初始曲线的横坐标值/>对应数据点的所述数据波动值;/>为第/>个所述吸收光谱初始曲线的横坐标值/>对应的纵坐标值;/>为在第/>个所述吸收光谱初始曲线的横坐标值/>对应数据点的预设周围区域中,第/>个区域数据点的纵坐标值;/>为在第/>个所述吸收光谱初始曲线的横坐标值/>对应数据点的所述预设周围区域中,所有所述区域数据点的总数量;/>为绝对值符号。
进一步地,所述数据波动显著程度值的获取方法包括:
根据所述数据波动显著程度值公式获取所述数据波动显著程度值,所述数据波动显著程度值公式包括:
;
其中,为第/>个所述吸收光谱初始曲线的横坐标值/>对应数据点的所述数据波动显著程度值;/>为第/>个所述吸收光谱初始曲线的横坐标值/>对应数据点的数据波动值;/>为第/>个所述吸收光谱初始曲线的横坐标值/>对应数据点的所述数据波动值;/>为所有所述吸收光谱初始曲线的总数量;/>为归一化函数;/>为绝对值符号。
进一步地,所述周围特征值的获取公式包括:
;
为第/>个所述参考数据点的所述周围特征值;/>为在第/>个所述参考数据点的所述预设周围范围中,第/>个所述周围点的所述数据波动显著程度值;/>为在第/>个所述参考数据点的所述预设周围范围中,所有所述周围点的总数量;/>为第/>个所述参考数据点的所述预设周围范围的对应横轴长度;/>为第/>个所述参考数据点的所述预设周围范围的对应纵轴长度;/>为归一化函数,/>为分母调节因子。
进一步地,所述数据相似值的获取方法,具体包括:
;
为第/>个所述参考数据点的所述数据相似值;/>为第/>个所述参考数据点的所述数据波动显著程度值;/>为所述待降噪数据点/>的所述数据波动显著程度值;为第/>个所述参考数据点和所述待降噪数据点/>的对应的采样时间间隔;/>为以自然常数/>为底数的指数函数。
进一步地,所述数据可靠值的获取方法,包括:
根据所述参考数据点的周围特征值和所述数据相似值,获取所述参考数据点的所述数据可靠值;所述周围特征值和所述数据可靠值呈正相关性,所述数据相似值和所述数据可靠值呈正相关性。
进一步地,所述调整后的权重的获取方法包括:
根据所述参考数据点的所述数据可靠值和所述初始权重,获取所述参考数据点的所述调整后的权重;所述初始权重和所述调整后的权重呈正相关性;所述数据可靠值和所述调整后的权重呈正相关性。
进一步地,所述胶原蛋白三肽品质检测结果的获取方法包括:
所述产品滤波数据包含所有采样样本的吸收光谱滤波曲线;
根据产品杂质特征值公式获取所述产品杂质特征值,所述产品杂质特征值公式包括:
;
其中,为产品杂质特征值;/>为所述吸收光谱滤波曲线的总数量;/>为第/>个所述吸收光谱滤波曲线上横坐标值/>对应的纵坐标值;/>为第/>个所述吸收光谱滤波曲线上横坐标值的最大值;/>为标准光谱曲线上横坐标值/>对应的纵坐标值;/>为绝对值符号;为归一化函数;
根据所述产品杂质特征值,获取同一批次胶原蛋白产品的品质检测结果。
进一步地,所述产品分组数据的获取方法包括:
将所述产品采样数据中所有所述吸收光谱初始曲线的所有数据点作为样本点,根据样本点的数据波动显著程度值,利用密度聚类算法对所有样本点进行聚类,获取各个聚类簇;
根据聚类簇对应的横坐标最大跨度区间,确定各个曲线分割点,并利用所述曲线分割点对每个所述吸收光谱初始曲线进行分割,得到每个所述吸收光谱初始曲线的各个子曲线,将各个所述吸收光谱初始曲线的相同位置的子曲线作为一个产品分组数据。
本发明提出一种胶原蛋白三肽品质优劣检测系统,所述系统包括处理器,所述处理器执行计算机程序时实现任意一项所述一种胶原蛋白三肽品质优劣检测方法的步骤。
本发明具有如下有益效果:
本发明主要针对在分析胶原蛋白三肽的品质优劣时,双边滤波难以在滤除分子聚集态产生的偶然性波动的同时保留杂质产生阶段性波动,导致采样样本的吸收光谱曲线难以准确地反映杂质产生的阶段性波动,使得胶原蛋白三肽的品质检测结果不可靠。
为了降低分子聚集态产生的偶然性波动的影响的同时保留杂质产生阶段性波动,本发明首先通过分析在产品采样数据中,数据点和周围的数据点之间分布差异,获取数据点的数据波动显著程度值;数据波动显著程度值可以反映波动显著程度。
由于胶原蛋白三肽产品容易发生分子聚集态,会造成采样样本的吸收光谱曲线产生波峰偏移及波峰重叠的偶然性波动,偶然性波动会影响采样样本的吸收光谱曲线,导致采样样本的吸收光谱曲线和标准胶原蛋白三肽的吸收光谱曲线的差异受影响,差异难以准确反映杂质含量,进而会导致品质优劣检测不准确。所以数据点在发生偶然性波动的数据区间和不发生偶然性波动的数据区间的参考性不同,所以根据可以反映数据点发生偶然性波动的数据波动显著程度值,来将产品采样数据划分为产品分组数据,进而分别对每个产品分组数据进行双边滤波,使得双边滤波可以更有针对性分析偶然性波动,获取每个分段滤波数据,进而获取产品滤波数据。
为了使得吸收光谱滤波曲线在降低的偶然性波动的影响的同时保留杂质产生阶段性波动;在双边滤波计算每个参考数据点调整后的权重过程中,首先通过参考数据点的预设周围范围中,周围点的分布聚集程度和所有周围点的波动显著程度值,获取参考数据点的周围特征值,周围特征值越大,代表参考数据点的周围区域发生偶然性波动可能性越小,参考数据点的可信度越高。根据参考数据点和待降噪数据点的采样时间差异和数据波动显著程度值差异,获取参考数据点的数据相似值;数据相似值反映参考数据点和待降噪数据点的相似程度越高。数据可靠值综合了数据相似值和周围特征值,通过参考数据点的数据可靠值对初始权重进行调整,当参考数据点越可能处于偶然波动时,使得参考数据点的权重越小,且结合了参考数据点和待降噪数据点的波动显著相似程度,当相似程度越低,使得参考数据点的权重越小。使得调整后的权重降低偶然性波动的影响,同时保留阶段性波动,进而使得滤波结果更准确反映杂质产生的阶段性波动,使得滤波结果更准确反映杂质产生的阶段性波动,最终胶原蛋白三肽的品质检测结果更可靠。
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所提供的一种胶原蛋白三肽品质优劣检测方法的流程图。
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胶原蛋白三肽品质优劣检测方法及系统,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胶原蛋白三肽品质优劣检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种胶原蛋白三肽品质优劣检测方法的流程图,该方法包括以下步骤:
步骤S1,获取同一批次胶原蛋白产品的产品采样数据,产品采样数据包含所有采样样本的吸收光谱初始曲线。
由于胶原蛋白三肽和杂质对不同波长的光吸收程度不同,存在杂质的样本的吸收光谱曲线相较于标准胶原蛋白三肽的吸收光谱曲线存在差异,差异可以反映杂质的含量,进而反映胶原蛋白三肽的品质优劣。然而,同一批次的胶原蛋白三肽产品往往存在差异,为了避免单次采样造成吸收光谱曲线的偶然性,使得胶原蛋白三肽的品质检测结果更可靠,需要对同一批次胶原蛋白三肽产品进行多次采样,获取同一批次胶原蛋白三肽的产品采样数据,产品采样数据包含所有采样样本的吸收光谱初始曲线,以供分析所有采样样本的吸收光谱初始曲线中数据点的特征。
在本发明的一个实施例中,具体通过对同一生产批次的胶原蛋白三肽产品进行多次的采样,对每个采样样本利用红外光谱仪测定并记录采样时间,获取每个采样样本的吸收光谱初始曲线和采样时间,吸收光谱初始曲线的横坐标为红外光的频率,纵坐标为红外光吸收度。所有采样样本的吸收光谱初始曲线的横坐标取值范围相同。
为了方便后续对所有采样样本的吸收光谱初始曲线进行综合分析,本发明实施例中,以各个采样样本的吸收光谱初始曲线坐标轴原点为起点,将所有采样样本的吸收光谱初始曲线表示在同一个二维坐标系中,将二维坐标系中所有数据作为产品采样数据。
在本发明的一个实施例中,产品采样数据的对象可以是胶原蛋白三肽,即胶原蛋白产品可以是胶原蛋白三肽,在本发明的其他实施例中,产品采样数据的对象可以是其他任意容易发生的分子聚集态的胶原蛋白产品,此处不做限定。
需要说明的是,为了方便运算,本发明实施例中所参与运算的所有指标数据均经过数据预处理,进而取消量纲影响。具体去量纲影响的手段为本领域技术人员熟知的技术手段,在此不做限定。
步骤S2,在吸收光谱初始曲线中,根据每个数据点和周围的数据点之间差异,获取每个数据点的数据波动值,并根据所有吸收光谱初始曲线上相同位置的数据点对应的数据波动值之间的差异,确定每条吸收光谱初始曲线上每个数据点的数据波动显著程度值。
本发明主要针对在分析胶原蛋白三肽的品质优劣时,双边滤波难以在滤除分子聚集态产生的偶然性波动的同时保留杂质产生阶段性波动,导致采样样本的吸收光谱曲线难以准确地反映杂质产生的阶段性波动,使得胶原蛋白三肽的品质检测结果不可靠。
为了降低分子聚集态产生的偶然性波动的影响的同时保留杂质产生阶段性波动,本发明首先通过每个吸收光谱初始曲线的每个数据点和周围的数据点之间分布差异,获取数据点的数据波动显著程度值。数据波动显著程度值可以反映波动显著程度,数据波动显著程度值越大,数据波动越明显,以供后续对数据进行分组研究。
优选地,本发明一个实施例中,数据波动值的获取方法包括:
为了分析数据点的波动显著程度,首先根据数据点和周围的数据差异,初步分析数据点的数据波动值,本发明一个实施例中,数据波动值的获取公式包括:
;
其中,为第/>个吸收光谱初始曲线的横坐标值/>对应数据点的数据波动值;/>为第/>个吸收光谱初始曲线的横坐标值/>对应的纵坐标值;/>为在第/>个吸收光谱初始曲线的横坐标值/>对应数据点的预设周围区域中,第/>个区域数据点的纵坐标值;/>为在第/>个吸收光谱初始曲线的横坐标值/>对应数据点的预设周围区域中,所有区域数据点的总数量;/>为绝对值符号。 在本发明一个实施例中,以数据点为中心点,构建数据点的预设周围区域,预设周围区域的中心为中心点,预设周围区域的大小为/>,将预设周围区域中除了中心点以外的所有数据点作为区域数据点,实施者可根据实施场景自行设定。
在数据波动值公式中,反映数据点和区域数据点之间纵坐标值的差异,当差异越大,数据波动值越大;数据波动值综合了数据点和所有区域数据点之间纵坐标值的差异,当差异越大,数据点和周围的数据点之间纵坐标值差异越大,代表数据点的波动越大,数据波动值越大。
优选地,本发明一个实施例中,数据波动显著程度值的获取方法包括:
通过不同采样样本的吸收光谱初始曲线之间相同位置的数据点波动差异,进一步反映数据波动显著程度,本发明一个实施例中,数据波动显著程度值的获取公式包括:
;
其中,为第/>个吸收光谱初始曲线的横坐标值/>对应数据点的数据波动显著程度值;/>为第/>个吸收光谱初始曲线的横坐标值/>对应数据点的数据波动值;/>为第/>个吸收光谱初始曲线的横坐标值/>对应数据点的数据波动值;/>为所有吸收光谱初始曲线的总数量;/>为归一化函数;/>为绝对值符号。
在数据波动显著程度值公式中,由于胶原蛋白三肽产品容易发生的分子聚集态,会造成吸收光谱初始曲线产生波峰偏移及波峰重叠的偶然性波动,偶然性波动数据点和周围的数据点差异较大,杂质会导致吸收光谱初始曲线产生阶段性波动,阶段性波动数据点和周围的数据点差异较小;当数据点和周围的数据点差异越大,越可能是偶然性波动;由于所有采样样本是对同一批次胶原蛋白三肽产品进行采样,杂质和胶原蛋白三肽的含量具有相似性,所以往往杂质导致不同采样样本的吸收光谱初始曲线之间相同位置的数据点波动差异较小,当不同采样样本的吸收光谱初始曲线的相同位置差异越大,越可能是偶然性波动。反映了横坐标值/>对应的整体波动特征值;/>为数据点的数据波动值和整体波动特征值差异,差异越大,代表数据点为偶然性波动数据点可能性越大,数据波动显著程度值越大。
步骤S3,根据所有数据点的数据波动显著程度值,对产品采样数据中所有吸收光谱初始曲线的所有数据点进行聚类,将产品采样数据划分为至少两个产品分组数据;分别对每个产品分组数据进行双边滤波,获取每个分组滤波数据,进而获取同一批次胶原蛋白产品的产品滤波数据。
由于胶原蛋白三肽产品容易发生的分子聚集态,会造成采样样本的吸收光谱曲线产生波峰偏移及波峰重叠的偶然性波动,偶然性波动会影响采样样本的吸收光谱曲线,导致采样样本的吸收光谱曲线和标准胶原蛋白三肽的吸收光谱曲线的差异受影响,差异难以准确反映杂质含量,进而会导致品质优劣检测不准确。所以数据点在发生偶然性波动的数据区间和不发生偶然性波动的数据区间的参考性不同,根据可以反映数据点发生偶然性波动的数据波动显著程度值,来将产品采样数据划分为产品分组数据,进而分别对每个产品分组数据进行双边滤波,使得双边滤波可以更有针对性分析偶然性波动,获取每个分段滤波数据进而获取同一批次胶原蛋白产品的产品滤波数据;产品滤波数据包含所有采样样本的吸收光谱滤波曲线。
优选的,根据数据点为偶然性波动数据点可能性进行聚类,进而划分产品采样数据,本发明一个实施例中,产品分组数据的获取方法包括:
将产品采样数据中吸收光谱初始曲线的所有数据点作为样本点,基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise,基于密度的带有噪声的空间聚类应用)密度聚类算法,根据样本点的数据波动显著程度值,对所有样本点进行聚类,获取各个聚类簇。
需要说明的是,DBSCAN密度聚类算法为本领域技术人员熟知的技术手段,在此不做赘述,仅简述本发明一个实施例中利用DBSCAN密度聚类法算法确定聚类簇的简要过程:
根据样本点的数据波动显著程度值,进行DBSCAN密度聚类过程中,通过启发式算法,获取半径;通过邻域比例法,获取最小点数。使用DBSCAN算法对所有样本点进行聚类。将半径和最小点数代入聚类过程,获取各个聚类簇,使得不同聚类簇中数据点数据波动显著程度值的差异度尽可能大,相同聚类簇中数据点数据波动显著程度值的相似度尽可能大。在本发明其他实施例中,可通过其他方法例如统计经验值确定DBSCAN密度聚类法的最小点数和半径,通过在此不作限定。
具体的,将各个聚类簇对应的横坐标最大跨度区间,作为各个聚类簇的分组区间;若分组区间有重合区间,比较重合区间对应聚类簇中数据点数量,将数据点数量最多的聚类簇对应的分组区间作为聚类簇的更新后分组区间,将其余各个聚类簇对应的分组区间删去重合区间作为各个聚类簇的更新后分组区间;将各个更新后分组区间的端点作为各个曲线分割点,并利用曲线分割点对每个吸收光谱初始曲线进行分割,得到每个吸收光谱初始曲线的各个子曲线;将每个更新后分段区间横坐标范围对应子曲线的所有数据点,作为每个产品分组数据。使得不同产品分组数据不会重合区间,避免后续分析的复杂度。需要说明的是,将各个更新后分段区间横坐标范围对应各个采样样本的吸收光谱初始曲线中所有数据点,作为采样样本的各个子曲线,产品分组数据包括所有采样样本的子曲线。
具体的,分别对每个产品分组数据进行双边滤波,获取每个分段滤波数据,进而获取产品滤波数据;产品滤波数据包含所有采样样本的吸收光谱滤波曲线。
需要说明的是,双边滤波为本领域技术人员熟知的现有技术,在此不做赘述,仅简述对每个产品分组数据进行双边滤波,获取分段滤波数据的过程:
将产品分组数据中任意一个数据点作为待降噪数据点,构建待降噪数据点的滤波核,滤波核的中心为待降噪数据点,将滤波核中所有数据点作为参考数据点。并确定滤波核的大小和核函数,本发明一个实施例中,滤波核的大小为,核函数为高斯函数。根据参考数据点和待降噪数据点的位置距离和纵坐标值差异,获取参考数据点的初始权重。根据待降噪数据点的所有参考数据点的初始权重和纵坐标值,获取待降噪数据点的加权平均值,将每个待降噪数据点的纵坐标值更新为对应的加权平均值,得到分段滤波数据。
结合在对灰度图像进行双边滤波的过程中,是根据灰度图像中参考像素点和待降噪像素点的位置距离,获取参考像素点的空间域权重;根据参考像素点和待降噪像素点的像素值相似程度,获取值域权重,进而根据空间域权重和值域权重,获取参考像素点的权重,类似的,将本实施例中产品分组数据中的每个待降噪数据点及其参考数据点的纵坐标值看作是其对应的像素值,此时根据产品分组数据中的每个待降噪数据点及其参考数据点的横坐标值和纵坐标值,以及对应的像素值,可以确定产品分组数据中的每个待降噪数据点的参考数据点的初始权重。
通过对每个产品分组数据进行双边滤波,获取每个分段滤波数据,所有分段滤波数据组成了产品滤波数据;将产品滤波数据中每个采样样本对应的曲线作为每个采样样本的吸收光谱滤波曲线。
对每个产品分组数据进行双边滤波,包括:将产品分组数据的每个数据点均作为一个待降噪数据点,在确定每个待降噪数据点的每个参考数据点的权重过程中,获取参考数据点的初始权重;在参考数据点的预设周围范围中,根据周围点的分布和周围点的数据波动显著程度值,获取参考数据点的周围特征值;根据参考数据点和待降噪数据点的采样时间差异,以及参考数据点和待降噪数据点的数据波动显著程度值差异,获取参考数据点的数据相似值;根据参考数据点的周围特征值和数据相似值,获取参考数据点的数据可靠值;根据参考数据点的数据可靠值对初始权重进行调整,获取参考数据点的调整后的权重。
为了使得吸收光谱滤波曲线,在降低分子聚集态产生的偶然性波动的影响的同时保留杂质产生阶段性波动;在双边滤波计算每个参考数据点调整后的权重过程中,首先通过参考数据点的预设周围范围中,周围点的分布聚集程度和所有周围点的波动显著程度值,获取参考数据点的周围特征值,周围特征值越大,代表参考数据点的周围区域发生偶然性波动可能性越小,参考数据点的可信度越高。根据参考数据点和待降噪数据点的采样时间差异,以及参考数据点和待降噪数据点的数据波动显著程度值差异,获取参考数据点的数据相似值;数据相似值反映参考数据点和待降噪数据点的相似程度越高。数据可靠值综合了数据相似值和周围特征值,通过参考数据点的数据可靠值对初始权重进行调整,当参考数据点越可能处于偶然波动时,使得参考数据点的权重越小,且结合了参考数据点和待降噪数据点的波动显著相似程度,当相似程度越低,使得参考数据点的权重越小。使得调整后的权重降低偶然性波动的影响,同时保留阶段性波动,进而使得滤波结果更准确反映杂质产生的阶段性波动。
优选的,通过周围点的分布聚集程度和所有周围点的波动显著程度值,分析参考数据点的周围区域发生偶然性波动可能性,本发明一个实施例中,周围特征值的获取公式包括:
;
为第/>个参考数据点的周围特征值;/>为在第/>个参考数据点的预设周围范围中,第/>个周围点的数据波动显著程度值;/>为在第/>个参考数据点的预设周围范围中,所有周围点的总数量;/>为第/>个参考数据点的预设周围范围的对应横轴长度;/>为第/>个参考数据点的预设周围范围的对应纵轴长度;/>为归一化函数,/>为分母调节因子,用于防止分母为零。本发明一个实施例中,获取参考数据点对应产品分组数据,构建参考数据点的预设周围范围,预设周围范围为包含产品分组数据中所有数据点的最小矩形。分母调节因子为0.01,实施者可根据实施场景自行设定。
在周围特征值公式中,由于所有采样样本是对同一批次胶原蛋白三肽产品进行采样,杂质和胶原蛋白三肽的含量具有相似性,所以往往杂质和胶原蛋白三肽导致产品分组数据分布差异较小;然而,分子聚集态产生的偶然性波动,分布离散程度越大,越可能是偶然性波动。反映了参考数据点对应产品分组数据的分布离散程度,分布离散程度越大,参考数据点对应周围区域越可能存在偶然性波动,周围特征值越小;/>反映了参考数据点对应产品分组数据的分段数据波动显著程度,分段数据波动显著程度越高,参考数据点对应周围区域越可能存在偶然性波动,周围特征值越小。周围特征值综合了反映参考数据点对应周围区域存在偶然性波动的可能性,可能性越大,周围特征值越小。
优选的,为了反映参考数据点和待降噪数据点的相似程度,本发明一个实施例中,数据相似值的获取方法,具体包括:
;
为第/>个参考数据点的数据相似值;/>为第/>个参考数据点的数据波动显著程度值;/>为待降噪数据点/>的数据波动显著程度值;/>为第/>个参考数据点和待降噪数据点/>的对应的采样时间间隔;/>为以自然常数/>为底数的指数函数。需要说明的是,由于在对每个产品分组数据进行双边滤波过程中,将产品分组数据的每个数据点均作为一个待降噪数据点,将待降噪数据点对应滤波核中所有数据点作为参考数据点。产品分组数据中包含不同采样样本对应的数据点,所以参考数据点和待降噪数据点可能对应不同采样样本,也可能对应同一个采样样本,即参考数据点和待降噪数据点对应的采样时间可能不同,也可能相同。
在数据相似值公式中,由于环境会对采样样品产生影响,影响参考数据点和待降噪数据点的采样时间间隔越长,采样产品越不相似,数据相似值越低;当参考数据点和待降噪数据点的波动显著程度值差异越大,数据之间波动的差异越大,数据相似值越低。数据相似值越大,代表参考数据点和待降噪数据点的相似程度越高。
优选的,综合数据相似值和周围特征值,获取数据可靠值,以供后续通过数据可靠值对初始权重进行调整,本发明一个实施例中,数据可靠值的获取方法包括:
根据参考数据点的周围特征值和参考数据点的数据相似值,获取参考数据点的数据可靠值;
周围特征值和数据可靠值呈正相关性;数据相似值和数据可靠值呈正相关性。
本发明一个实施例中,数据可靠值的获取公式包括:
;/>为第/>个参考数据点的数据可靠值;/>为第/>个参考数据点的周围特征值;/>为第/>个参考数据点的数据相似值;/>为归一化函数。
在数据可靠值公式中,参考数据点的周围特征值越高,反映参考数据点对应周围区域存在偶然性波动的可能性越小,参考数据点的数据可靠值越高;参考数据点和待降噪数据点的相似程度越高,代表参考数据点和待降噪数据点的波动显著程度值越一致,参考数据点的数据可靠值越高。数据可靠值综合反映了参考数据点处于偶然性波动的可能性和参考数据点和待降噪数据点的波动显著程度值越一致。数据可靠值综合反映参考数据点处于偶然性波动的可能性和参考数据点和待降噪数据点的波动一致程度。
优选的,为了使得双边滤波的结果对偶然性波动进行平滑处理,同时保留阶段性波动,通过数据可靠值调整初始权重,本发明一个实施例中,调整后的权重的获取方法包括:
根据参考数据点的数据可靠值和初始权重,获取参考数据点的调整后的权重;初始权重和调整后的权重呈正相关性;数据可靠值和调整后的权重呈正相关性。
本发明一个实施例中,调整后的权重的获取公式包括:
;其中,/>为第/>个参考数据点的调整后的权重;/>为第个参考数据点的初始权重;/>为第/>个参考数据点的数据可靠值。
在调整后的权重公式中,由于数据可靠值越高,参考数据点越不可能处于偶然性波动中,参考数据点和待降噪数据点的波动程度越一致。通过降低偶然性波动对调整后的权重的影响,同时保留参考数据点和待降噪数据点的波动一致程度对权重影响,保留了阶段性波动对调整后的权重的影响,调整后的权重使得产品滤波数据保留了阶段性波动影响且降低偶然性波动影响。
步骤S4,根据所有采样样本的吸收光谱滤波曲线,获取胶原蛋白三肽品质检测结果。
通过上述步骤,获取可以更加准确反映杂质产生波动的吸收光谱滤波曲线,吸收光谱滤波曲线的不同段的波峰代表了不同的物质,波峰的强度表示其物质的含量不同,胶原蛋白三肽和杂质对不同波长的光吸收程度不同,存在杂质的样本的吸收光谱滤波曲线相较于标准胶原蛋白三肽的吸收光谱曲线会产生差异,通过所有采样样本的吸收光谱曲线和标准胶原蛋白三肽的吸收光谱曲线的差异,能确定胶原蛋白三肽品质检测结果。
优选地,本发明一个实施例中,胶原蛋白三肽品质检测结果的获取方法包括:
为了分析所有采样样本的吸收光谱曲线和标准胶原蛋白三肽的吸收光谱曲线的差异,本发明一个实施例中,产品杂质特征值公式包括:
;其中,/>为产品杂质特征值;/>为吸收光谱滤波曲线的总数量;/>为第/>个吸收光谱滤波曲线上横坐标值/>对应的纵坐标值;/>为第/>个吸收光谱滤波曲线上横坐标值的最大值;/>为标准光谱曲线上横坐标值/>对应的纵坐标值;/>为绝对值符号;/>为归一化函数。
在产品杂质特征值公式中,为采样样本吸收光谱滤波曲线和/>轴之间的区域面积,可以反映采样样本吸收光谱滤波曲线的积累效果;/>为标准光谱曲线和/>轴之间的区域面积,可以反映标准光谱曲线的积累效果;/>反映了胶原蛋白三肽吸收光谱滤波曲线的积累效果;当胶原蛋白三肽吸收光谱滤波曲线的积累效果和标准光谱曲线的积累效果差异越大,产品杂质特征值越大,代表胶原蛋白三肽存在杂质含量越高,胶原蛋白三肽品质越差。
当产品杂质特征值小于第一设定参数时,则判定同一批次胶原蛋白三肽的品质检测等级为优秀;当产品杂质特征值不小于第一设定参数且小于第二设定参数时,则判定同一批次胶原蛋白三肽的品质检测等级为良好;当产品杂质特征值不小于第二设定参数且小于第三设定参数时,则判定同一批次胶原蛋白三肽的品质检测等级为合格;当产品杂质特征值不小于第三设定参数时,则判定同一批次胶原蛋白三肽的品质检测等级为不合格,需要进行返工。本实施例设置第一设定参数的取值为0.15,第二设定参数的取值为0.34,第三设定参数的取值为0.55实施者可根据实施场景自行设定。至此,确定同一批次胶原蛋白三肽的品质检测结果。
本发明还提出了一种胶原蛋白三肽品质优劣检测系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器用于运行相应的计算机程序,计算机程序在处理器中运行时能够实现上述步骤所描述的一种胶原蛋白三肽品质优劣检测方法。
综上,本发明实施例提供了一种胶原蛋白三肽品质优劣检测方法及系统,首先获取每个数据点的数据波动显著程度值,进而将产品采样数据划分为产品分组数据;对每个产品分组数据进行双边滤波,获取每个分段滤波数据,进而获取产品滤波数据;在双边滤波计算每个参考数据点调整后的权重过程中,根据参考数据点的数据可靠值对初始权重进行调整,获取参考数据点的调整后的权重;根据所有采样样本的吸收光谱滤波曲线,获取胶原蛋白三肽品质检测结果。本发明实施例中通过降低偶然性波动对调整后的权重的影响,保留了阶段性波动对调整后的权重的影响,使得滤波结果可以准确地反映杂质的影响,提高了胶原蛋白三肽的品质检测结果的可靠性。
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。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。
Claims (10)
1.一种胶原蛋白三肽品质优劣检测方法,其特征在于,所述方法包括以下步骤:
获取同一批次胶原蛋白产品的产品采样数据,所述产品采样数据包含所有采样样本的吸收光谱初始曲线;
在所述吸收光谱初始曲线中,根据每个数据点和周围的数据点之间差异,获取每个数据点的数据波动值,并根据所有所述吸收光谱初始曲线上相同位置的数据点对应的数据波动值之间的差异,确定每条所述吸收光谱初始曲线上每个数据点的数据波动显著程度值;
根据所有数据点的所述数据波动显著程度值,对产品采样数据中所有所述吸收光谱初始曲线的所有数据点进行聚类,将产品采样数据划分为至少两个产品分组数据;分别对每个所述产品分组数据进行双边滤波,获取每个分组滤波数据,进而获取同一批次胶原蛋白产品的产品滤波数据;所述对每个所述产品分组数据进行双边滤波,包括:将所述产品分组数据的每个数据点均作为一个待降噪数据点,在确定每个待降噪数据点的每个参考数据点的权重过程中,获取参考数据点的初始权重;在参考数据点的预设周围范围中,根据周围点的分布和所述周围点的所述数据波动显著程度值,获取参考数据点的周围特征值;根据参考数据点和待降噪数据点的采样时间差异,以及参考数据点和待降噪数据点的所述数据波动显著程度值差异,获取参考数据点的数据相似值;根据所述参考数据点的周围特征值和数据相似值,获取所述参考数据点的数据可靠值;根据所述参考数据点的所述数据可靠值对初始权重进行调整,获取所述参考数据点的调整后的权重;
根据同一批次胶原蛋白产品的产品滤波数据,获取同一批次胶原蛋白产品的品质检测结果。
2.根据权利要求1所述的一种胶原蛋白三肽品质优劣检测方法,其特征在于,所述数据波动值的获取方法包括:
根据数据波动值公式获取数据波动值,所述数据波动值公式包括:
;
其中,为第/>个所述吸收光谱初始曲线的横坐标值/>对应数据点的所述数据波动值;/>为第/>个所述吸收光谱初始曲线的横坐标值/>对应的纵坐标值;/>为在第/>个所述吸收光谱初始曲线的横坐标值/>对应数据点的预设周围区域中,第/>个区域数据点的纵坐标值;/>为在第/>个所述吸收光谱初始曲线的横坐标值/>对应数据点的所述预设周围区域中,所有所述区域数据点的总数量;/>为绝对值符号。
3.根据权利要求1所述的一种胶原蛋白三肽品质优劣检测方法,其特征在于,所述数据波动显著程度值的获取方法包括:
根据所述数据波动显著程度值公式获取所述数据波动显著程度值,所述数据波动显著程度值公式包括:
;
其中,为第/>个所述吸收光谱初始曲线的横坐标值/>对应数据点的所述数据波动显著程度值;/>为第/>个所述吸收光谱初始曲线的横坐标值/>对应数据点的数据波动值;为第/>个所述吸收光谱初始曲线的横坐标值/>对应数据点的所述数据波动值;/>为所有所述吸收光谱初始曲线的总数量;/>为归一化函数;/>为绝对值符号。
4.根据权利要求1所述的一种胶原蛋白三肽品质优劣检测方法,其特征在于,所述周围特征值的获取公式包括:
;
为第/>个所述参考数据点的所述周围特征值;/>为在第/>个所述参考数据点的所述预设周围范围中,第/>个所述周围点的所述数据波动显著程度值;/>为在第/>个所述参考数据点的所述预设周围范围中,所有所述周围点的总数量;/>为第/>个所述参考数据点的所述预设周围范围的对应横轴长度;/>为第/>个所述参考数据点的所述预设周围范围的对应纵轴长度;/>为归一化函数,/>为分母调节因子。
5.根据权利要求1所述的一种胶原蛋白三肽品质优劣检测方法,其特征在于,所述数据相似值的获取方法,具体包括:
;
为第/>个所述参考数据点的所述数据相似值;/>为第/>个所述参考数据点的所述数据波动显著程度值;/>为所述待降噪数据点/>的所述数据波动显著程度值;/>为第/>个所述参考数据点和所述待降噪数据点/>的对应的采样时间间隔;/>为以自然常数/>为底数的指数函数。
6.根据权利要求1所述的一种胶原蛋白三肽品质优劣检测方法,其特征在于,所述数据可靠值的获取方法,包括:
根据所述参考数据点的周围特征值和所述数据相似值,获取所述参考数据点的所述数据可靠值;所述周围特征值和所述数据可靠值呈正相关性,所述数据相似值和所述数据可靠值呈正相关性。
7.根据权利要求1所述的一种胶原蛋白三肽品质优劣检测方法,其特征在于,所述调整后的权重的获取方法包括:
根据所述参考数据点的所述数据可靠值和所述初始权重,获取所述参考数据点的所述调整后的权重;所述初始权重和所述调整后的权重呈正相关性;所述数据可靠值和所述调整后的权重呈正相关性。
8.根据权利要求1所述的一种胶原蛋白三肽品质优劣检测方法,其特征在于,所述胶原蛋白三肽品质检测结果的获取方法包括:
所述产品滤波数据包含所有采样样本的吸收光谱滤波曲线;
根据产品杂质特征值公式获取所述产品杂质特征值,所述产品杂质特征值公式包括:
;
其中,为产品杂质特征值;/>为所述吸收光谱滤波曲线的总数量;/>为第/>个所述吸收光谱滤波曲线上横坐标值/>对应的纵坐标值;/>为第/>个所述吸收光谱滤波曲线上横坐标值的最大值;/>为标准光谱曲线上横坐标值/>对应的纵坐标值;/>为绝对值符号;/>为归一化函数;
根据所述产品杂质特征值,获取同一批次胶原蛋白产品的品质检测结果。
9.根据权利要求1所述的一种胶原蛋白三肽品质优劣检测方法,其特征在于,所述产品分组数据的获取方法包括:
将所述产品采样数据中所有所述吸收光谱初始曲线的所有数据点作为样本点,根据样本点的数据波动显著程度值,利用密度聚类算法对所有样本点进行聚类,获取各个聚类簇;
根据聚类簇对应的横坐标最大跨度区间,确定各个曲线分割点,并利用所述曲线分割点对每个所述吸收光谱初始曲线进行分割,得到每个所述吸收光谱初始曲线的各个子曲线,将各个所述吸收光谱初始曲线的相同位置的子曲线作为一个产品分组数据。
10.一种胶原蛋白三肽品质优劣检测系统,其特征在于,包括处理器,所述处理器执行计算机程序时实现如权利要求1~9任意一项所述一种胶原蛋白三肽品质优劣检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410309143.4A CN117951484A (zh) | 2024-03-19 | 2024-03-19 | 一种胶原蛋白三肽品质优劣检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410309143.4A CN117951484A (zh) | 2024-03-19 | 2024-03-19 | 一种胶原蛋白三肽品质优劣检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117951484A true CN117951484A (zh) | 2024-04-30 |
Family
ID=90794566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410309143.4A Pending CN117951484A (zh) | 2024-03-19 | 2024-03-19 | 一种胶原蛋白三肽品质优劣检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117951484A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105659081A (zh) * | 2013-10-16 | 2016-06-08 | 株式会社岛津制作所 | 色谱数据处理装置 |
CN107158477A (zh) * | 2017-06-26 | 2017-09-15 | 大连工业大学 | 一种基于乳铁蛋白活性的新型生物材料的制备方法 |
JP6621041B1 (ja) * | 2018-07-19 | 2019-12-18 | 中国農業科学院農産品加工研究所 | 動物軟骨を液化してコンドロイチン硫酸、ii型コラーゲンオリゴペプチド、ii型コラーゲンポリペプチドを一括製造する方法及びデバイス |
CN116578851A (zh) * | 2023-05-11 | 2023-08-11 | 安徽农业大学 | 一种高光谱土壤有效硼含量预测方法 |
CN117517231A (zh) * | 2024-01-03 | 2024-02-06 | 杭州泽天春来科技股份有限公司 | 总氮水质在线分析仪的分析方法、系统及可读介质 |
-
2024
- 2024-03-19 CN CN202410309143.4A patent/CN117951484A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105659081A (zh) * | 2013-10-16 | 2016-06-08 | 株式会社岛津制作所 | 色谱数据处理装置 |
CN107158477A (zh) * | 2017-06-26 | 2017-09-15 | 大连工业大学 | 一种基于乳铁蛋白活性的新型生物材料的制备方法 |
JP6621041B1 (ja) * | 2018-07-19 | 2019-12-18 | 中国農業科学院農産品加工研究所 | 動物軟骨を液化してコンドロイチン硫酸、ii型コラーゲンオリゴペプチド、ii型コラーゲンポリペプチドを一括製造する方法及びデバイス |
CN116578851A (zh) * | 2023-05-11 | 2023-08-11 | 安徽农业大学 | 一种高光谱土壤有效硼含量预测方法 |
CN117517231A (zh) * | 2024-01-03 | 2024-02-06 | 杭州泽天春来科技股份有限公司 | 总氮水质在线分析仪的分析方法、系统及可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN116843678B (zh) | 一种硬碳电极生产质量检测方法 | |
CN110427996B (zh) | 基于模糊匹配的时间序列异常模式识别方法及装置 | |
CN117132778B (zh) | 一种光谱测量校正计算方法及系统 | |
CN115601368B (zh) | 一种建材装备钣金件缺陷检测方法 | |
CN116611748A (zh) | 一种钛合金家具生产质量监控系统 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN117557569B (zh) | 一种道路路面施工质量检测方法及系统 | |
Hall et al. | A two step approach for semi-automated particle selection from low contrast cryo-electron micrographs | |
CN117764864A (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
CN116246174A (zh) | 基于图像处理的甘薯种类识别方法 | |
Karo et al. | The enhancement of fingerprint images using gabor filter | |
CN116758074B (zh) | 一种多光谱食品图像智能增强方法 | |
CN108932468B (zh) | 一种适用于心理学的面部识别方法 | |
CN117951484A (zh) | 一种胶原蛋白三肽品质优劣检测方法及系统 | |
US11790636B1 (en) | System and method for detection of gas in the atmosphere from a multispectral image | |
CN113822361B (zh) | 一种基于汉明距离的sar图像相似程度度量方法和系统 | |
Petrov et al. | Optimization method for non-cooperative iris recognition task using Daugman integro-differential operator | |
CN110647870B (zh) | 一种基于滑动窗计算静息态fMRI数据近似熵的方法 | |
CN114295600A (zh) | 一种改进的拉曼光谱多元数据分析及成像方法 | |
US20180137236A1 (en) | System, method and device for identifying discriminant biological factors and for classifying proteomic profiles | |
CN117934469B (zh) | 一种矿用高压变频器外壳生产质量视觉检测方法 | |
CN117275130B (zh) | 基于人脸识别的智慧门禁验证系统 | |
CN118014887B (zh) | 一种基于物联网的智能折叠房屋远程监控方法 | |
CN117911792B (zh) | 一种电压基准源芯片生产用引脚检测系统 |
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 |