CN207779897U - 拉曼光谱检测设备 - Google Patents
拉曼光谱检测设备 Download PDFInfo
- Publication number
- CN207779897U CN207779897U CN201721858730.0U CN201721858730U CN207779897U CN 207779897 U CN207779897 U CN 207779897U CN 201721858730 U CN201721858730 U CN 201721858730U CN 207779897 U CN207779897 U CN 207779897U
- Authority
- CN
- China
- Prior art keywords
- image
- danger zone
- predetermined danger
- raman spectrum
- face
- 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
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本实用新型的实施例提供了一种拉曼光谱检测设备。拉曼光谱检测设备包括:激发光光源,配置成向待测样品发射激发光;光学装置,具有光谱检测光路和预定危险区域成像光路,光谱检测光路配置成收集来自待测样品被激发光照射的位置的光信号,预定危险区域成像光路配置成拍摄预定危险区域的图像;光谱仪,配置成接收来自光谱检测光路的光信号并由光信号生成待测样品的拉曼光谱;人脸识别装置,配置成接收预定危险区域的图像并识别预定危险区域的图像中是否包括人脸;以及安全控制器,配置成接收人脸识别装置的识别结果并在人脸识别装置识别出预定危险区域的图像中包括人脸的情况下使激发光光源处于关断状态。
Description
技术领域
本实用新型的实施例涉及拉曼光谱检测领域,尤其涉及一种拉曼光谱检测设备。
背景技术
拉曼光谱分析技术是一种以拉曼散射效应为基础的非接触式光谱分析技术,它能对物质的成分进行定性、定量分析。拉曼光谱是一种分子振动光谱,它可以反映分子的指纹特征,可用于对物质的检测。拉曼光谱检测通过检测待测物对于激发光的拉曼散射效应所产生的拉曼光谱来检测和识别物质。拉曼光谱检测方法已经广泛应用于液体安检、珠宝检测、爆炸物检测、毒品检测、药品检测、农药残留检测等领域。
近年来,拉曼光谱分析技术在危险品检查和物质识别等领域得到了广泛的应用。在物质识别领域,由于各种物质的颜色、形状各异,人们通常无法准确判断物质的属性,而拉曼光谱由被检物的分子能级结构决定,因而拉曼光谱可作为物质的“指纹”信息,用于物质识别。因此拉曼光谱分析技术在海关、公共安全、食品药品、环境等领域有广泛应用。
由于拉曼光谱往往需要用高功率密度的激光作为激发光源,可能具有较强的热效应,在样品未知的情况下,贸然检测有可能会导致样品被激光烧蚀损伤,甚至有可能导致激光引燃或引爆一些易燃易爆化学品,造成人身财产的损失。而且,在某些情况下,比如拉曼光谱检测仪发出的激发光也可能伤害到人眼。
实用新型内容
本实用新型旨在提出了一种拉曼光谱检测设备,其能够有效地降低或避免在拉曼光谱检测中人员受到伤害的风险。
本实用新型的实施例提供了一种拉曼光谱检测设备,包括:激发光光源,配置成向待测样品发射激发光;光学装置,所述光学装置具有光谱检测光路和预定危险区域成像光路,所述光谱检测光路配置成收集来自所述待测样品被激发光照射的位置的光信号,所述预定危险区域成像光路配置成拍摄预定危险区域的图像;光谱仪,配置成接收来自所述光谱检测光路的光信号并由所述光信号生成待测样品的拉曼光谱;人脸识别装置,配置成接收所述预定危险区域的图像并识别所述预定危险区域的图像中是否包括人脸;以及安全控制器,配置成接收人脸识别装置的识别结果并在人脸识别装置识别出所述预定危险区域的图像中包括人脸的情况下使激发光光源处于关断状态。
在一实施例中,所述预定危险区域包括被激发光照射或将被激发光照射的区域。
在一实施例中,所述预定危险区域包括所述光学装置或待测样品的周围环境区域。
在一实施例中,所述光谱检测光路依次包括收集透镜、分光镜、拉曼滤光片组和耦合透镜,且预定危险区域成像光路包括收集透镜、分光镜、透镜组和图像拍摄工具,其中,所述收集透镜和分光镜是所述光谱检测光路和预定危险区域成像光路的公共部件。
在一实施例中,光谱检测光路和预定危险区域成像光路是彼此分离的。
在一实施例中,所述人脸识别装置包括:图像特征提取模块,所述图像特征提取模块配置成提取所述图像的特征并生成特征向量;分类器模型生成模块,所述分类器模型生成模块配置成根据参考人脸图像生成分类器模型;和识别模块,所述识别模块配置成将所述特征向量作为所述分类器模型的输入向量以判断由预定危险区域成像光路所采集到的图像中是否包含人脸特征。
借助于根据上述实施例的拉曼光谱检测设备,能够削减或防止在光谱检测过程中因为激发光引燃、烧蚀或引爆样品而导致的检测风险。
附图说明
图1示出了根据本实用新型的一实施例的拉曼光谱检测设备的示意图;
图2示出了根据本实用新型的一实施例的拉曼光谱检测设备的示意图;
图2a示出了根据本实用新型的一实施例的拉曼光谱检测设备中的预定危险区域成像光路的等效光路的示意图;
图3示出了根据本实用新型的一实施例的拉曼光谱检测方法的流程图;
图4示出了根据本实用新型的一实施例的拉曼光谱检测方法中图像特征向量提取的示例性的流程图;
图5示出了根据本实用新型的一实施例的拉曼光谱检测方法中建立分类器模型的示例性的流程图;以及
图6示出了根据本实用新型的一实施例的拉曼光谱检测方法中特征提取的示例性的流程图。
附图没有对根据本实用新型的实施例的拉曼光谱检测设备中的所有的电路或结构进行显示。贯穿所有附图相同的附图标记表示相同或相似的部件或特征。
具体实施方式
下面通过实施例,并结合附图,对本实用新型的技术方案作进一步具体的说明。在说明书中,相同或相似的附图标号表示相同或相似的部件。下述参照附图对本实用新型实施方式的说明旨在对本实用新型的总体实用新型构思进行解释,而不应当理解为对本实用新型的一种限制。
另外,在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本披露实施例的全面理解。然而明显地,一个或更多个实施例在没有这些具体细节的情况下也可以被实施。在其他情况下,公知的结构和装置以图示的方式体现以简化附图。
本实用新型的实施例提供了一种拉曼光谱检测设备100。如图1所示,该拉曼光谱检测设备100包括:激发光光源10、光学装置20、光谱仪30、人脸识别装置40和安全控制器60。该激发光光源10,例如可以包括激光器,配置成向待测样品50发射激发光。所述光学装置20可以包括光谱检测光路21和预定危险区域成像光路22。所述光谱检测光路21配置成收集来自所述待测样品50被激发光照射的位置的光信号。所收集到的光信号可以被传送至光谱仪30。光谱仪30则可配置成接收来自所述光谱检测光路21的光信号并由所述光信号生成待测样品50的拉曼光谱,从而实现拉曼光谱检测的正常流程。而所述预定危险区域成像光路22配置成拍摄被激发光照射或将被激发光照射的预定危险区域的图像,该图像被传送给人脸识别装置40。该人脸识别装置40则可配置成基于由所述预定危险区域成像光路22拍摄的所述预定危险区域的图像来确定预定危险区域中是否具有人脸存在。
如前所述,利用激发光来采集光学信号是对待测样品进行拉曼光谱检测的基本步骤,而激发光本身具有一定的能量,对于某些材料的待测样品而言,其可能与激发光发生反应而导致样品成分的变化。例如,某些易燃、易爆的物质可能在激发光的作用下被点燃、烧蚀、爆炸等。在实际中,待测样品的成分往往是未知的,因此如果人的面部处在距离待测样品较近的位置(例如光学装置或待测样品的周围环境区域),则有可能受到伤害。再例如,激发光自身也可能对人眼产生伤害,因此,在激发光发射之前或发射中,也可以通过检测在被激发光照射或可能被激发光照射的区域上是否存在人的面部,以避免风险。这对于手持式拉曼光谱检测设备尤其重要。
在根据本实用新型的实施例的拉曼光谱检测设备中,安全控制器60可以配置成接收人脸识别装置40的识别结果并在人脸识别装置40识别出所述预定危险区域的图像中包括人脸的情况下使激发光光源处于关断状态。这样,就可以防止在检测过程中发生人员伤害。
在一示例中,如图1所示,光谱检测光路21可以依次包括收集透镜31、分光镜32、拉曼滤光片组33和耦合透镜34。作为示例,拉曼滤光片组33可以包括一个或更多个滤光片,用于过滤瑞利散射光和激发光等不期望的光而保留拉曼散射光信号。耦合透镜34可以用于将经过拉曼滤光片组33过滤的光信号耦合至光谱仪30。预定危险区域成像光路22可以包括透镜组23和图像拍摄工具24。该图像拍摄工具24例如可以是照相机(如CCD相机等)、摄像头等用于拍摄图像的装置。透镜组23可以包括一个或更多个透镜,其可以是与图像拍摄工具24分立的,也可以与图像拍摄工具24集成在一起。该透镜组23可以由任意数量的透镜组成,也可以由本领域已知的任何能够实现清晰成像的透镜组构成。图1中示出的预定危险区域成像光路22是示意性的,可以根据需要来选择希望成像的预定危险区域。这里所说的“预定危险区域”是指在激发光信号采集过程中人的面部处于该区域内可能会发生潜在的危险的区域。例如,该预定危险区域可以包括被激发光照射或将被激发光照射的区域,或者包括所述光学装置或待测样品的周围环境区域。光学装置或待测样品的周围环境区域是指在该区域中的位置与光学装置或待测样品的距离小于安全距离(安全距离可以根据可能发生的点燃、爆炸、激光辐射的能量来确定)。通过对于这些预定危险区域的图像进行人脸识别,可以判定是否存在造成人员伤害的风险。
作为示例,在光线较暗的环境中成像时,可能还需要提供补光灯等装置来为拍摄待测样品的图像提供充足的光照强度以提高图像的清晰度。
在上述图1所示的示例中,光谱检测光路21和预定危险区域成像光路22是彼此分离的。而在另一示例中,光谱检测光路21和预定危险区域成像光路22也可以存在一定的交叠。例如,如图2所示,收集透镜31和分光镜32是光谱检测光路21和预定危险区域成像光路22的公共部件。这有利于提高光学装置的紧凑程度,以节约空间。
在图2所示的根据本实用新型的另一实施例的拉曼光谱检测设备100’中,光谱检测光路21和预定危险区域成像光路22在靠近待测样品50处具有公共部分,分光镜32允许来自待测样品50的光信号透射通过以射向光谱仪,从而形成光谱检测光路21,分光镜32将带有图像的光束反射以形成预定危险区域成像光路22。需要说明的是,尽管光谱检测光路21和预定危险区域成像光路22具有公共部分,但是,这不意味着光谱检测和对预定危险区域成像的操作要同时进行,例如,对预定危险区域成像的操作通常在光谱检测之前进行,以在光谱检测之前排除安全隐患,以避免光谱检测过程中出现危险。另外,光谱检测光路21和预定危险区域成像光路22共用收集透镜31,可以更好地对于激发光可能照射的区域进行成像。
需要说明的是,图2示出的是在激发光光源10发射激发光的情况下光学装置20中的光束的行进情况,然而,在实际中,当对于预定危险区域进行成像时,往往激发光光源并不发射激发光,甚至不存在待测样品50。此时,预定危险区域成像光路22的等效光路如图2a所示,收集透镜31和透镜组23可以将其朝向待测样品50的一侧的图像投射向图像拍摄工具24,并由图像拍摄工具24的镜头26将图像成像在像平面(例如底片、CCD等所在平面)上。这可以方便地获得收集透镜31前方的区域的图像,这可以避免人眼位于待测样品50的检测位置附近而导致的风险。
作为示例,激发光光源10发射激发光的光路也可以与光谱检测光路21部分重合,例如,在图1和图2所示的示例中,均可设置另一分光镜35,该分光镜35可以将激发光光源10发出的激发光反射,被反射的激发光经过收集透镜31会聚在待测样品50上,这有助于简化光路的调整,然而,本实用新型的实施例不限于此,例如激发光光源10发出的光可以经过与光谱检测光路完全独立的光路来照射待测样品。作为示例,激发光从激发光光源10发出后还可以经过除杂光滤光片36,该除杂光滤光片36可以用于除去杂散光以提高激发光的信噪比。
上述示例仅仅是给出了拉曼光谱检测设备的一种示例性的实现方式,但本实用新型的实施例不限于此,其他的本领域技术人员在阅读本公开内容之后可以预知的拉曼光谱检测设备的替代方式也是可行的。
作为示例,人脸识别装置40可以包括:图像特征提取模块41,所述图像特征提取模块配置成提取所述图像的特征并生成特征向量;分类器模型生成模块42,所述分类器模型生成模块配置成根据参考人脸图像生成分类器模型;和识别模块43,所述识别模块配置成将所述特征向量作为所述分类器模型的输入向量以判断由预定危险区域成像光路所采集到的图像中是否包含人脸特征。
在上述实施例中,人脸识别装置40和安全控制器60可以由处理器来实现,也可以由其他的软、硬件结构来实现。而作为示例,安全控制器60还可以由触发开关来实现。
本实用新型的实施例还公开了一种拉曼光谱检测方法S100。如图3所示,该方法可以包括:
步骤S10:拍摄预定危险区域的图像;
步骤S20:识别所述预定危险区域的图像中是否包括人脸;以及
步骤S30:在识别出所述预定危险区域的图像中包括人脸的情况下使激发光光源处于关断状态,而在识别出所述预定危险区域的图像中不包括人脸的情况下,启动激发光光源,采集样品的拉曼光谱以对样品进行检测。
下面参照图4至图6对于识别所述预定危险区域的图像中是否包括人脸的步骤进行示例性的介绍:
图4示出了图像特征提取流程的示例。对于人脸识别而言,需要首先具有训练样本,也就是说已知的具有人脸的图像,在此称为参考人脸图像。通过该训练样本提取图像的特征、形成样本特征向量,可以建立分类器模型,而在实际中由预定危险区域成像光路22采集到的图像也可以同样被提取图像的特征,形成测试图像的特征向量,并基于该分类器模型来计算出与该模型的匹配程度,以确定在实际采集到的测试图像中是否具有人脸特征。
在图4所示出的流程图中,包括步骤S41,即采集训练样本的步骤。采集训练样本可以通过根据本实用新型的实施例的拉曼光谱检测设备随机进行图像采集,但在此情况下,所采集到的训练样本中需要包含人脸特征,也就是说,在对预定危险区域进行图像采集时,预定危险区域中应当有人脸位于其内。替代地,采集训练样本也可以通过从已知的(人脸图像)样本库中直接获取。
在采集到训练样本图像之后,执行步骤S42,即进行特征的提取。作为示例,可在图像特征提取过程中,选用图像密集特征。在本例中,采用的在图像识别领域具有优越性能且被广泛应用的SIFT特征(SIFT特征是本领域已知的,在此不再赘述)。特征提取步骤如下,如图6所示:
①将采集到的训练样本图像的数目进行统计,在本例中,该数目为N1。
②确定在特征提取过程中的步进长度λ,滑动窗体尺寸为α(其中λ和α均为自然数);
③输入训练样本图像k,包括记录图像的长(即图像的像素行数(img.cols))、宽(即图像的像素列数(img.rows))分别为m,n,并置i=0,j=0;
④提取图像中(i,j)到(i+α,j+α)图像块(patch)的SIFT特征,记录SIFT特征为f;
⑤将j自增步进长度λ,判断j+α≤n是否成立。如果成立重复②③④的步骤,否则跳转到步骤⑥;
⑥将j置零,i自增步进长度λ,判断j+α≤m是否成立。如果成立则重复②③④的步骤,直到i>m完成训练样本图像k的密集特征(SIFT特征)Fk=[f1,f2,…,fNumk]的提取,其中Numk=((n-α)/λ)*((m-α)/λ),k=1,2,…,N1。
在完成密集特征提取之后,则需要执行步骤S43,即字典构造和特征编码。字典构造过程可以包括:
随机抽取训练样本图像的SIFT特征F=[F1,F2,…,FN1],其中Fk=[f1,f2,…,fNumk],记录为M=[f1,f2,…,fm],其中选取
采用图像特征M进行聚类处理,选取聚类中心个数为h,如可利用已知的K-means聚类算法,得到特征中心向量,从而生成字典D,D=[d1,d2,...,dh]。
特征编码流程可以包括:
输入训练样本图像k的密集SIFT特征Fk=[f1,f2,…,fNumk];
按照下述公式(1)对训练样本图像k的SIFT特征进行投影重构,记录ci,即训练样本图像的特征向量,也就是分类器输入向量。
其中,“s.t.”表示约束条件,对于N1个训练样本图像而言,N=N1。
为了建立分类器模型,将上述训练样本图像的特征向量作为输入样本,可以选用本领域已知的线性支持向量机模型作为分类器,进行训练,得到训练样本的分类器模型,如图5所示。图5中训练样本标签是指训练样本图像所对应的标号。
作为示例,为了更好地确认分类器模型的正确性,可以进行模型验证。为了模型验证,可以利用与训练样本图像类似的模型验证样本图像,按照上述提取训练样本图像的特征向量的步骤,对模型验证样本图像进行密集特征提取,对特征字典进行投影,以形成模型验证样本图像的特征向量。该模型验证样本图像的特征向量可以用作分类器模型验证的输入向量,验证分类输出是否正确,并统计验证输出的准确率,即模型的召回率。作为示例,训练样本图像的数量与模型验证样本图像的数量之比可以是5:1。本领域技术人员应当理解,上述模型验证流程仅仅是为了优化算法而提供的示例性步骤,本实用新型的实施例可以不包括该模型验证流程。
作为示例,在判断由预定危险区域成像光路22采集到的实际图像是否包括人脸时,可以先根据如图4所示的上述图像特征向量提取流程来提取该实际图像的特征向量(如包括提取密集特征、投影字典、特征编码等),然后将实际图像的特征向量作为输入向量带入上述分类器模型中,以判断其与分类器模型的匹配程度,即判断该实际图像是否包括人脸。
本领域技术人员应当理解,上述关于人脸识别的步骤仅仅是示例性的,本实用新型的实施例不限于此,本领域已知的其他能够实现人脸识别的方法均可用于本实用新型的实施例。
在根据本实用新型的一实施例的拉曼检测方法中,在所述识别所述预定危险区域的图像中是否包括人脸之前,所述方法还可以包括:
步骤S00:根据参考人脸图像生成分类器模型。
具体的示例性流程在上面已经给出,在此不再赘述。
在根据本实用新型的一实施例的拉曼检测方法中,上述步骤S20可以包括:
步骤S21:提取所述图像的特征并生成特征向量;和
步骤S22:将所述特征向量作为所述分类器模型的输入向量以判断由预定危险区域成像光路所采集到的图像中是否包含人脸特征。
具体的示例性流程在上面已经给出,在此不再赘述。
上述根据本实用新型的实施例的拉曼检测方法中的识别所述预定危险区域的图像中是否包括人脸的步骤可以相应地被根据本实用新型的实施例的拉曼检测设备中的人脸识别装置40的各个模块来执行。
以上的详细描述通过使用示意图、流程图和/或示例,已经阐述了上述拉曼光谱检测设备及方法的众多实施例。在这种示意图、流程图和/或示例包含一个或多个功能和/或操作的情况下,本领域技术人员应理解,这种示意图、流程图或示例中的每一功能和/或操作可以通过各种结构、硬件、软件、固件或实质上它们的任意组合来单独和/或共同实现。在一个实施例中,本实用新型的实施例所述主题的若干部分可以通过专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、或其他集成格式来实现。然而,本领域技术人员应认识到,这里所公开的实施例的一些方面在整体上或部分地可以等同地实现在集成电路中,实现为在一台或多台计算机上运行的一个或多个计算机程序(例如,实现为在一台或多台计算机系统上运行的一个或多个程序),实现为在一个或多个处理器上运行的一个或多个程序(例如,实现为在一个或多个微处理器上运行的一个或多个程序),实现为固件,或者实质上实现为上述方式的任意组合,并且本领域技术人员根据本公开,将具备设计电路和/或写入软件和/或固件代码的能力。此外,本领域技术人员将认识到,本公开所述主题的机制能够作为多种形式的程序产品进行分发,并且无论实际用来执行分发的信号承载介质的具体类型如何,本公开所述主题的示例性实施例均适用。信号承载介质的示例包括但不限于:可记录型介质,如软盘、硬盘驱动器、光盘(CD、DVD)、数字磁带、计算机存储器等;以及传输型介质,如数字和/或模拟通信介质(例如,光纤光缆、波导、有线通信链路、无线通信链路等)。
除非存在技术障碍或矛盾,本实用新型的上述各种实施方式可以自由组合以形成另外的实施例,这些另外的实施例均在本实用新型的保护范围中。
虽然结合附图对本实用新型进行了说明,但是附图中公开的实施例旨在对本实用新型优选实施方式进行示例性说明,而不能理解为对本实用新型的一种限制。附图中的尺寸比例仅仅是示意性的,并不能理解为对本实用新型的限制。
虽然本实用新型总体构思的一些实施例已被显示和说明,本领域普通技术人员将理解,在不背离本总体实用新型构思的原则和精神的情况下,可对这些实施例做出改变,本实用新型的范围以权利要求和它们的等同物限定。
Claims (6)
1.一种拉曼光谱检测设备,其特征在于,包括:
激发光光源,配置成向待测样品发射激发光;
光学装置,所述光学装置具有光谱检测光路和预定危险区域成像光路,所述光谱检测光路配置成收集来自所述待测样品被激发光照射的位置的光信号,所述预定危险区域成像光路配置成拍摄预定危险区域的图像;
光谱仪,配置成接收来自所述光谱检测光路的光信号并由所述光信号生成待测样品的拉曼光谱;
人脸识别装置,配置成接收所述预定危险区域的图像并识别所述预定危险区域的图像中是否包括人脸;以及
安全控制器,配置成接收人脸识别装置的识别结果并在人脸识别装置识别出所述预定危险区域的图像中包括人脸的情况下使激发光光源处于关断状态。
2.根据权利要求1所述的拉曼光谱检测设备,其特征在于,所述预定危险区域包括被激发光照射或将被激发光照射的区域。
3.根据权利要求1所述的拉曼光谱检测设备,其特征在于,所述预定危险区域包括所述光学装置或待测样品的周围环境区域。
4.根据权利要求1所述的拉曼光谱检测设备,其特征在于,所述光谱检测光路依次包括收集透镜、分光镜、拉曼滤光片组和耦合透镜,且预定危险区域成像光路包括收集透镜、分光镜、透镜组和图像拍摄工具,其中,所述收集透镜和分光镜是所述光谱检测光路和预定危险区域成像光路的公共部件。
5.根据权利要求1所述的拉曼光谱检测设备,其特征在于,光谱检测光路和预定危险区域成像光路是彼此分离的。
6.根据权利要求1至5中任一项所述的拉曼光谱检测设备,其特征在于,所述人脸识别装置包括:
图像特征提取模块,所述图像特征提取模块配置成提取所述图像的特征并生成特征向量;
分类器模型生成模块,所述分类器模型生成模块配置成根据参考人脸图像生成分类器模型;和
识别模块,所述识别模块配置成将所述特征向量作为所述分类器模型的输入向量以判断由预定危险区域成像光路所采集到的图像中是否包含人脸特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201721858730.0U CN207779897U (zh) | 2017-12-26 | 2017-12-26 | 拉曼光谱检测设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201721858730.0U CN207779897U (zh) | 2017-12-26 | 2017-12-26 | 拉曼光谱检测设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN207779897U true CN207779897U (zh) | 2018-08-28 |
Family
ID=63225019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201721858730.0U Active CN207779897U (zh) | 2017-12-26 | 2017-12-26 | 拉曼光谱检测设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN207779897U (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107991283A (zh) * | 2017-12-26 | 2018-05-04 | 同方威视技术股份有限公司 | 拉曼光谱检测设备和拉曼光谱检测方法 |
-
2017
- 2017-12-26 CN CN201721858730.0U patent/CN207779897U/zh active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107991283A (zh) * | 2017-12-26 | 2018-05-04 | 同方威视技术股份有限公司 | 拉曼光谱检测设备和拉曼光谱检测方法 |
CN107991283B (zh) * | 2017-12-26 | 2023-09-22 | 同方威视技术股份有限公司 | 拉曼光谱检测设备和拉曼光谱检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zellers et al. | Defending against neural fake news | |
CN106770168B (zh) | 基于拉曼光谱的物品检查设备及方法 | |
US9759657B2 (en) | Multiplexed flow assay based on absorption-encoded micro beads | |
US8253936B2 (en) | Raman characterization of transplant tissue | |
CN108351289A (zh) | 分析装置 | |
CN107851589A (zh) | 在激光暗场系统中用于斑点抑制的方法及装置 | |
JP2019500583A (ja) | 細胞間空間的近接を導き出すためのコンピュータ方法及びシステム | |
US7967968B2 (en) | Method and system for monitoring material separation process such as electrophoresis process in a sample | |
US7502105B2 (en) | Apparatus and method for producing a calibrated Raman spectrum | |
US10921252B2 (en) | Image processing apparatus and method of operating image processing apparatus | |
CN107991287B (zh) | 基于图像灰度识别的拉曼光谱检测设备及方法 | |
US8345960B2 (en) | Method for the three-dimensional synthetic reconstruction of objects exposed to an electromagnetic and/or elastic wave | |
CN107860761A (zh) | 拉曼光谱检测设备和用于拉曼光谱检测的样品安全性检测方法 | |
SE1550706A1 (en) | Improved Raman Spectroscopy System | |
Mason et al. | Optical technologies for endoscopic real-time histologic assessment of colorectal polyps: a meta-analysis | |
CN207779897U (zh) | 拉曼光谱检测设备 | |
US20220214280A1 (en) | Material identification through image capture of raman scattering | |
US9495753B2 (en) | Spectral image data processing apparatus and two-dimensional spectral apparatus | |
JP5938764B2 (ja) | Dna二本鎖切断損傷の解析装置及び解析方法 | |
El Fakir et al. | Active hyperspectral mid-infrared imaging based on a widely tunable quantum cascade laser for early detection of plant water stress | |
CN107991283A (zh) | 拉曼光谱检测设备和拉曼光谱检测方法 | |
Fischbach et al. | Standoff detection and classification procedure for bioorganic compounds by hyperspectral laser-induced fluorescence | |
Hausmann et al. | Standoff detection: classification of biological aerosols using laser induced fluorescence (LIF) technique | |
Fakiha | Technology in forensic science | |
Algazinov et al. | Methods of measuring the spectral characteristics and identifying the components of grain mixtures in real-time separation systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant |