CN116007754B - 光谱仪标定方法、装置、电子设备和存储介质 - Google Patents
光谱仪标定方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116007754B CN116007754B CN202310301354.9A CN202310301354A CN116007754B CN 116007754 B CN116007754 B CN 116007754B CN 202310301354 A CN202310301354 A CN 202310301354A CN 116007754 B CN116007754 B CN 116007754B
- Authority
- CN
- China
- Prior art keywords
- spectral
- data
- spectrum
- response state
- reconstructed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000003595 spectral effect Effects 0.000 claims abstract description 509
- 238000001228 spectrum Methods 0.000 claims abstract description 259
- 230000004044 response Effects 0.000 claims abstract description 249
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims description 107
- 230000006870 function Effects 0.000 claims description 35
- 238000012546 transfer Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 description 13
- 230000003287 optical effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013210 evaluation model Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012634 optical imaging Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000003042 antagnostic effect Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Spectrometry And Color Measurement (AREA)
Abstract
本发明实施例公开了一种光谱仪标定方法、装置、电子设备和存储介质,涉及光谱、成像技术领域,通过获取入射光谱数据,基于拟合模型,确定入射光谱数据的至少一个光谱响应状态以及各光谱响应状态对应的光谱能量数据,对各光谱响应状态对应的光谱能量数据进行信号处理,得到各光谱响应状态对应的重建光谱数据,根据各光谱响应状态对应的重建光谱数据确定目标光谱响应状态,根据目标光谱响应状态对光谱仪进行标定;本发明通过拟合模型、以及对光谱能量数据进行信号处理,在可能的光谱响应状态中,确定光谱仪最优的光谱响应状态,并将光谱仪配置为此状态,可以提高重建后的光谱质量,进而提升光谱仪标定的准确性和鲁棒性。
Description
技术领域
本发明涉及光谱、成像技术领域,具体涉及一种光谱仪标定方法、装置、电子设备和存储介质。
背景技术
计算重建型光谱仪是一种新兴的光谱测量技术,不同于传统色散和选择滤光方式,它基于光谱仪被标定出的光谱响应状态以及光谱仪所探测到的信号,通过解逆矩阵可对入射光谱进行还原重建。但是基于解逆矩阵的光谱重建方法,想实现光谱重建的高精度和鲁棒性,对光谱仪的光谱响应状态提出了较高的设计要求。
发明内容
本发明实施例提供一种光谱仪标定方法、装置、电子设备和存储介质,以增强光谱重建的准确性和鲁棒性。
一方面,本发明实施例提供一种光谱仪标定方法,所述方法包括:
获取入射光谱数据;
基于拟合模型,确定所述入射光谱数据的至少一个光谱响应状态以及各所述光谱响应状态对应的光谱能量数据;
对各所述光谱响应状态对应的光谱能量数据进行信号处理,得到各所述光谱响应状态对应的重建光谱数据;
根据各所述光谱响应状态对应的重建光谱数据,对所述光谱仪进行标定。
在一些实施方式中,所述根据各所述光谱响应状态对应的重建光谱数据,对所述光谱仪进行标定,包括:
将各所述光谱响应状态对应的重建光谱数据与所述入射光谱数据的基准光谱数据进行比对,得到各所述光谱响应状态对应的重建光谱数据的重建误差;
根据所述光谱响应状态对应的重建光谱数据的重建误差,确定具有最小重建误差的目标光谱响应状态;
根据所述目标光谱响应状态所述光谱仪进行标定。
在一些实施方式中,所述基于拟合模型,确定所述入射光谱数据的至少一个光谱响应状态以及各所述光谱响应状态对应的光谱能量数据之前,所述方法还包括:
获取样本数据,所述样本数据包括样本入射光谱数据、基准光谱能量数据、基准光谱响应状态数据;
将所述样本入射光谱数据输入至初始拟合模型进行拟合,得到训练光谱能量数据和训练光谱响应状态数据;
将所述训练光谱能量数据进行信号处理,得到重建后的光谱数据;
根据所述重建后的光谱数据、所述基准入射光谱数据、所述训练光谱能量数据、所述基准光谱能量数据、所述训练光谱响应状态数据、所述基准光谱响应状态数据,得到所述初始拟合模型的生成损失;
根据所述生成损失,对所述初始拟合模型的模型参数进行调整,直至所述初始拟合模型满足预设收敛条件时,得到拟合模型。
在一些实施方式中,所述根据所述重建后的光谱数据、所述基准入射光谱数据、所述训练光谱能量数据、所述基准光谱能量数据、所述训练光谱响应状态数据、所述基准光谱响应状态数据,得到所述初始拟合模型的生成损失,包括:
根据所述训练光谱能量数据、所述基准光谱能量数据、第一鉴别器,得到第一鉴别结果;
根据所述训练光谱响应状态数据、所述基准光谱响应状态数据和第二鉴别器,得到第二鉴别结果;
根据所述重建后的光谱数据、所述基准入射光谱数据、第一鉴别结果和第二鉴别结果以及预设的损失函数,得到生成损失。
在一些实施方式中,所述根据所述训练光谱能量数据、所述基准光谱能量数据、第一鉴别器,得到第一鉴别结果,包括:
分别将所述训练光谱能量数据、所述基准光谱能量数据输入至第一鉴别器,得到所述训练光谱能量数据的训练光谱特征以及所述基准光谱能量数据的基准光谱特征;
根据所述训练光谱特征、所述基准光谱特征之间的相似程度,得到第一鉴别结果。
在一些实施方式中,所述对各所述光谱响应状态对应的光谱能量数据进行信号处理,得到各所述光谱响应状态对应的重建光谱数据包括:
基于包含光谱响应状态传递特性的非凸非光滑函数,对各所述光谱响应状态对应的光谱能量数据进行信号处理,得到各所述光谱响应状态对应的重建光谱数据;各所述光谱响应状态对应的重建光谱数据是去除噪声后的入射光谱数据。
在一些实施方式中,所述基于包含光谱响应状态传递特性的非凸非光滑函数,对各所述光谱响应状态对应的光谱能量数据进行信号处理,得到各所述光谱响应状态对应的重建光谱数据,包括:
其中,f表示所述光谱能量数据,sp表示重建后的光谱,μ是正则化参数,α和β是所述非凸非光滑函数中的控制变量,是一阶梯度算子,/>是拉普拉斯算子,表示光谱峰值,/>表示高斯卷积核,σ表示高斯卷积核的方差。
另一方面,本发明实施例提供一种光谱仪标定装置,所述装置包括:
获取模块,用于获取入射光谱数据;
生成模块,用于基于拟合模型,确定所述入射光谱数据的至少一个光谱响应状态以及各所述光谱响应状态对应的光谱能量数据;
重建模块,用于对各所述光谱响应状态对应的光谱能量数据进行信号处理,得到各所述光谱响应状态对应的重建光谱数据;
标定模块,用于根据各所述光谱响应状态对应的重建光谱数据确定目标光谱响应状态,根据所述目标光谱响应状态对所述光谱仪进行标定。
另一方面,本发明实施例提供一种电子设备,包括存储器和处理器;所述存储器存储有应用程序,所述处理器用于运行所述存储器内的应用程序,以执行上述光谱仪标定方法中的操作。
另一方面,本发明实施例提供一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行上述光谱仪标定方法中的步骤。
本发明实施例提供一种计算重建型光谱仪的标定方法、装置、电子设备和存储介质,涉及光谱、成像技术领域,通过获取入射光谱数据,基于拟合模型,确定入射光谱数据的至少一个光谱响应状态以及各光谱响应状态对应的光谱能量数据,对各光谱响应状态对应的光谱能量数据进行信号处理,得到各光谱响应状态对应的重建光谱数据,根据各光谱响应状态对应的重建光谱数据,对光谱仪进行标定,本发明实施例通过拟合模型、以及对光谱能量数据进行信号处理,基于光谱响应状态下的重建光谱,完成最终光谱仪的校准,如此可以提高重建后的光谱质量,进而提升光谱仪标定的准确性和鲁棒性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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他的附图。
图1是本发明实施例提供的光谱仪标定方法的流程示意图;
图2是本发明实施例提供的拟合模型的训练方法的流程示意图;
图3是本发明实施例提供的生成损失的确定方法的流程示意图;
图4是本发明实施例提供的第一鉴别器的结构示意图;
图5是本发明实施例提供的光谱仪标定装置的结构示意图;
图6是本发明实施例提供的电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
需要说明的是:在本文中提及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
为了便于理解本发明的技术方案,下面将结合实际应用场景对本发明提供的光谱仪标定方法、装置、电子设备和存储介质进行介绍。
下面以具体实施例对本发明的技术方案进行详细说明。
如图1所示,图1是本发明实施例提供的光谱仪标定方法的流程示意图,所示的光谱仪标定方法可应用于具备数据处理能力的电子设备,例如个人电脑、工业电脑、服务器等计算机设备。如图1所示,所示的光谱仪标定方法至少包括步骤110~140:
步骤110,获取入射光谱数据。
其中,入射光谱数据指的是通过光谱仪采集到的被测对象的光谱信息。可理解的,光与物质发生相互作用,如吸收、散射、荧光、拉曼等,会产生特定光谱,并且,每种物质的光谱都是独一无二的。其中,被测对象可以是货物、人体、动物、植物等。
在一些实施方式中,受到光谱仪的光谱响应状态的影响,入射光谱数据被选择性的改变,然后被探测器所接收。基于此,需要对探测器获取的光谱能量数据进行光谱重建,从而还原重建出无噪声的光谱。
其中,光谱响应状态指的是光谱仪中的光学调制芯片的波长选择特性。
在一些实施例中,光谱仪中的光学调制芯片上设置有多个调制单元,可以通过控制各个调制单元的状态、或者调制单元与光学成像芯片之间的角度,来调整光谱仪的光谱响应状态。
步骤120,基于拟合模型,确定入射光谱数据的至少一个光谱响应状态以及各光谱响应状态对应的光谱能量数据。
拟合模型是基于对抗神经网络构建的。示例性的,在训练阶段,拟合模型可以基于样本入射光谱数据,拟合得到多组训练光谱能量数据和训练光谱响应状态数据,通过鉴别器对训练光谱能量数据和训练光谱响应状态数据进行鉴别结果,得到鉴别结果。鉴别结果包括鉴别为真和鉴别为假,其中,鉴别为真表征拟合模型生成的训练数据满足基准数据的边界要求,可用于下个流程环节;鉴别为假表征拟合模型生成的训练数据不满足基准数据的边界要求,为无效数据。其中训练数据包括训练光谱能量数据和训练光谱响应状态数据,基准数据包括基准光谱能量数据和基准光谱响应状态数据。
步骤130,对各光谱响应状态对应的光谱能量数据进行信号处理,得到各光谱响应状态对应的重建光谱数据。
在一些实施方式中,为提高光谱重建的准确性,可以从光谱能量数据提取出入射光谱数据中的噪声信息,通过剔除光谱噪声信息的方式进行光谱重建,得到无噪声或低噪声的重建后的光谱。
在一些实施方式中,对于各光谱响应状态对应的光谱能量数据,可以对各光谱响应状态对应的光谱能量数据进行信号处理,得到光谱高频信息、光谱低频信息以及光谱噪声信息,根据光谱噪声信息,或者光谱高频信息和光谱低频信息进行光谱重建,得到各光谱响应状态对应的重建光谱数据。
可选的,光谱高频信息可以是入射光谱数据的高频信息;可选的,光谱高频信息也可以是重建后的光谱的高频信息;可选的,光谱高频信息可以是光谱能量数据的高频分量。
可选的,光谱低频信息可以是入射光谱数据的低频信息;可选的,光谱低频信息也可以是重建后的光谱的低频信息;可选的,光谱低频信息可以是光谱能量数据的光谱低频信息。
在一些实施方式中,存在多种方式对光谱能量数据进行信号处理,示例性的,包括:
以光谱低频信息可以是光谱能量数据的低频分量、光谱高频信息可以是光谱能量数据的高频分量为例,可以对光谱能量数据进行滤波处理,得到光谱能量数据的噪声信息、光谱低频信息以及光谱噪声信息。例如,通过低通滤波器对光谱能量数据进行滤波,得到光谱低频信息,通过高通滤波器对光谱能量数据进行滤波,得到光谱高频信息,通过中值滤波器对光谱能量数据进行滤波,得到光谱噪声信息。
以光谱低频信息可以是光谱能量数据的低频分量、光谱高频信息可以是光谱能量数据的高频分量为例,可以通过频域空间的滤波器对光谱能量数据进行滤波处理,得到光谱能量数据的噪声信息、光谱低频信息以及光谱噪声信息。其中,频域空间的滤波器包括但不限于Butter-worth滤波器、梯形滤波器、理想滤波器和指数滤波器。
以光谱高频信息也可以是重建后的光谱的高频信息、光谱低频信息也可以是重建后的光谱的低频信息为例,可以对光谱能量数据进行小波分解,得到光谱高频信息、光谱低频信息以及光谱噪声信息。
以光谱高频信息也可以是重建后的光谱的高频信息、光谱低频信息也可以是重建后的光谱的低频信息为例,可以通过预设的重建模型对光谱能量数据进行分解,得到光谱高频信息、光谱低频信息以及光谱噪声信息。可选的,预设的重建模型可以是机器学习模型,例如基于逻辑回归算法,决策树、支持向量机、k最近邻、朴素贝叶斯、随机森林的模型;预设的重建模型也可以是神经网络模型,例如基于卷积神经网络(Convolutional NeuralNetworks,CNN)、基于反卷积神经网络(De-Convolutional Networks,DN)、深度神经网络(Deep Neural Networks,DNN)、基于深度卷积逆向图网络(Deep Convolutional InverseGraphics Networks,DCIGN)、基于区域的卷积网络(Region-based ConvolutionalNetworks,RCNN)、基于区域的快速卷积网络(Faster Region-based ConvolutionalNetworks,Faster RCNN)和基于双向编解码(Bidirectional Encoder Representationsfrom Transformers,BERT)模型。
以光谱高频信息是重建后的光谱的高频信息、光谱低频信息是重建后的光谱的低频信息为例,可以通过变分信号分解模型对光谱能量数据进行分解,得到光谱高频信息、光谱低频信息以及光谱噪声信息。其中,变分模型可以是Vese-Osher模型,也可以是非凸非光滑的变分模型。
需要说明的是,上述对光谱能量数据进行信号处理的方式仅为示例性说明,不构成对本发明实施例提供的光谱仪标定方法的限定。
在一些实施方式中,当光谱高频信息是重建后的光谱的高频信息、光谱低频信息是重建后的光谱的低频信息时,可以通过组合光谱高频信息、光谱低频信息得到重建后的光谱。
可选的,可以通过光谱高频信息+光谱低频信息得到重建后的光谱。
在一些实施方式中,可以根据入射光谱数据中的光谱噪声信息,通过在入射光谱数据中剔除入射光谱数据中的光谱噪声信息,得到重建后的光谱。
可选的,可以通过入射光谱数据-光谱噪声信息,得到重建后的光谱。
在一些实施方式中,当光谱低频信息是光谱能量数据的低频分量、光谱高频信息是光谱能量数据的高频分量时,可以通过对光谱高频信息、光谱低频信息进行逆分解,得到重建后的光谱。例如,通过对光谱高频信息、光谱低频信息进行小波重构,得到重建后的光谱。
在一些实施方式中,在得到重建后的光谱之后,可以对重建后的光谱进行评估,根据评估结果对光谱仪进行校准。
可选的,可以对重建后的光谱进行评估,得到重建评分,将重建评分与预设分值阈值进行比较,若重建评分大于或等于预设分值阈值,则确定光谱仪校准通过;若重建评分小于预设分值阈值,则根据重建评分与预设分值阈值之间的差值调整光谱仪的光谱响应状态。例如,根据重建评分与预设分值阈值之间的差值,得到光谱仪中光学成像芯片上的调制单元的目标位置,根据光学成像芯片上的调制单元的目标位置对光学成像芯片上的调制单元进行调整,以调整光谱仪的光谱响应状态。
可选的,可以通过预设的评估模型对重建后的光谱进行评估,得到重建评分。其中,预设的评估模型可以基于互相关系数的评估模型,也可以是基于图像熵的评估模型。
步骤140,根据各光谱响应状态对应的重建光谱数据确定目标光谱响应状态,根据目标光谱响应状态对光谱仪进行标定。
在一些实施方式中,可以根据各光谱响应状态对应的重建光谱数据,选择重建光谱数据满足预设要求的目标光谱响应状态,根据目标光谱响应状态对光谱仪进行标定。
可选的,可以将光学调制芯片的目标设置状态数据和信号处理的函数变量数据,存入到标定电子设备的存储器中。光学调制芯片的设置状态数据和信号处理的函数变量,可供标定电子设备的处理器中应用程序的执行调用。
可选的,可以根据目标光谱响应状态所对应的光谱仪中的光学调制芯片的设置状态确定光谱仪中光学调制芯片的目标设置状态,根据目标设备状态对光谱仪进行标定。
可选的,预设要求可以是重建光谱数据与入射光谱数据之间的相关程度最高。在一些实施方式中,可以通过互相关函数确定重建光谱数据与入射光谱数据之间的相关程度。
可选的,预设要求可以是重建光谱数据中信息熵最高。
在一些实施方式中,根据重建后的光谱数据、入射光谱数据、鉴别结果得到生成损失,根据生成损失迭代调整拟合模型的模型参数,直至拟合模型达到预设的收敛条件时,停止拟合模型的训练,得到已训练的拟合模型。其中,生成损失表征重建后的光谱数据与入射光谱数据之间的误差。
可选的,预设的收敛条件可以是迭代次数大于或等于预设次数阈值,或者生成损失小于或等于预设损失阈值。
可选的,模型参数包括但不限于拟合模型的网络权重、网络参数,其中网络可以是网络层数、网络中神经元数量、卷积核大小、步长等。
可选的,光谱能量数据可以是光谱信息,例如入射光谱数据的频谱信息、光强信息等。
本发明实施例提供的光谱仪标定方法通过对光谱能量数据进行信号处理,以从各光谱响应状态对应的重建光谱数据中确定目标光谱响应状态可以提高重建后的光谱的质量,并提升光谱仪标定的准确性和鲁棒性。
在可选的一些实施方式中,以拟合模型为基于对抗神经网络构建为例,为提高拟合模型的拟合性能,以确保重建的光谱的真实程度,在拟合模型的训练阶段,可以通过CCD传感器采集基准光谱响应状态下的光谱能量数据,得到基准光谱能量数据。将样本入射光谱数据输入至拟合模型,得到训练光谱响应状态数据和训练光谱能量数据,通过第一鉴别器对训练光谱能量数据和基准光谱能量数据进行比对,通过第二鉴别器对训练光谱响应状态数据和基准光谱响应状态数据进行比对,得到鉴别结果。
根据重建后的光谱数据、基准入射光谱数据、第一鉴别器、第二鉴别器的鉴别结果和预设的损失函数,得到拟合模型的生成损失,根据生成损失对拟合模型的模型参数进行迭代调整,直至调整后的拟合模型满足预设的收敛条件时,停止拟合模型的训练,得到已训练的拟合模型。
在一些实施方式中,考虑到计算重建型光谱仪设计阶段,对光谱仪的光谱响应状态的构建,占据了设计的主要工作量,并且会影响光谱仪的重建效果,因此需要在拟合模型的训练阶段包括了对光谱仪的光谱响应状态进行优化,以进一步保障拟合模型的拟合效果。
具体地,如图2所示,图2是本发明实施例提供的拟合模型的训练方法的流程示意图,所示的拟合模型的训练方法至少包括步骤210~240:
步骤210,获取样本光谱数据。
其中,样本光谱数据包括样本入射光谱数据、基准光谱能量数据、基准光谱响应状态数据。
在一些实施方式中,可以通过CCD传感器采集第一预设数量的光谱能量数据,得到基准光谱能量数据。其中,第一预设数量可以是10000,也可以是20000,对此本发明实施例不进行具体限定。
在一些实施方式中,可以通过获取第二预设数量的光谱仪中光学调制芯片调制单元在不同调制状态下的光谱响应状态,得到基准光谱响应状态数据。其中,第二预设数量可以是5000,也可以是10000,对此本发明实施例不进行具体限定。
步骤220,将样本入射光谱数据输入至初始拟合模型进行拟合,得到训练光谱能量数据和训练光谱响应状态数据,将训练光谱能量数据进行信号处理,得到重建后的光谱数据。
在一些实施方式中,初始拟合模型可以是卷积神经网络,也可以是残差神经网络。
步骤230,根据基准入射光谱数据、重建后的光谱数据、训练光谱能量数据、基准光谱能量数据、训练光谱响应状态数据、基准光谱响应状态数据,得到初始拟合模型的生成损失。
在一些实施方式中,可以通过鉴别器基于训练光谱能量数据、基准光谱能量数据、训练光谱响应状态数据、基准光谱响应状态数据,得到鉴别结果,根据鉴别结果以及预设的损失函数,得到拟合模型的生成损失。
在一些实施方式中,为确保鉴别结果的可靠性,可以设置第一鉴别器和第二鉴别器,其中第一鉴别器用于鉴别训练光谱能量数据的真假,得到第一鉴别结果,第二鉴别器用于鉴别训练光谱响应状态的真假,得到第二鉴别结果。
具体地,如图3所示,图3是本发明实施例提供的生成损失的确定方法的流程示意图,所示的生成损失的确定方法至少包括步骤231~233:
步骤231,根据训练光谱能量数据、基准光谱能量数据、第一鉴别器,得到第一鉴别结果。
在一些实施方式中,为提高第一鉴别结果的准确度,第一鉴别器可以是基于卷积神经网络建立,第一鉴别器利用卷积网络的强大的特征提取能力,分别从训练光谱能量数据、基准光谱能量数据提取出训练光谱特征和基准光谱特征,第一鉴别器通过比对训练光谱特征和基准光谱特征,得到训练光谱特征和基准光谱特征之间的相似程度,根据训练光谱特征和基准光谱特征之间的相似程度,得到第一鉴别结果。
具体地,第一鉴别结果的确定方法包括步骤a1~a2:
步骤a1,分别将训练光谱能量数据、基准光谱能量数据输入至第一鉴别器,得到训练光谱能量数据的训练光谱特征以及基准光谱能量数据的基准光谱特征。
示例性的,如图4所示,图4是本发明实施例提供的第一鉴别器的结构示意图,如图4所示,第一鉴别器包括第一特征提取单元401、第二特征提取单元402、特征比对单元403和输出单元404。其中,第一特征提取单元401和第二特征提取单元402结构相似,都包括多个卷积子单元,每个卷积子单元包括级联的卷积层、归一化层和激活层;特征比对单元403包括卷积层和全连接层。
在一些实施方式中,可以分别将训练光谱能量数据、基准光谱能量数据输入至第一鉴别器,通过第一鉴别器中的第一特征提取单元401对训练光谱能量数据进行特征提取,得到训练光谱能量数据的训练光谱特征,通过第二鉴别器中的第一特征提取单元401对基准光谱能量数据进行特征提取,得到基准光谱能量数据的基准光谱特征。
在一些实施方式中,为提升第一鉴别器的特征提取能力,可以分别在第一特征提取单元401和第二特征提取单元402中设置残差子单元,通过残差子单元在不增加网络层数的情况下,提高第一鉴别器的特征提取能力。
步骤a2,根据训练光谱特征、基准光谱特征之间的相似程度,得到第一鉴别结果。
在一些实施方式中,可以对训练光谱特征、基准光谱特征进行相似度计算,得到训练光谱特征与基准光谱特征之间的相似程度,将训练光谱特征与基准光谱特征之间的相似程度与预设相似度阈值进行比对,若训练光谱特征与基准光谱特征之间的相似程度大于或等于预设相似度阈值,说明训练光谱特征满足基准光谱特征,则确定第一鉴别结果为真,若训练光谱特征与基准光谱特征之间的相似程度小于预设相似度阈值,说明训练光谱特征不满足基准光谱特征,则确定第一鉴别结果为假。
在一些实施方式中,为提升第一鉴别结果的准确度,可以在得到训练光谱特征、基准光谱特征之后,对训练光谱特征、基准光谱特征再进行特征提取,提取得到高维训练光谱特征,以及高维基准光谱特征,并通过比对高维训练光谱特征和高维基准光谱特征,得到训练光谱特征、基准光谱特征之间的相似程度。
可选的,可以通过图4中的特征比对单元403中的卷积层对训练光谱特征、基准光谱特征再进行特征提取,提取得到高维训练光谱特征,以及高维基准光谱特征,并通过图4中的特征比对单元403中的全连接层比对高维训练光谱特征和高维基准光谱特征,得到训练光谱特征、基准光谱特征之间的相似程度,并基于图4中的输出单元404,根据训练光谱特征、基准光谱特征之间的相似程度,得到第一鉴别结果。
步骤232,根据训练光谱响应状态数据、基准光谱响应状态数据和第二鉴别器,得到第二鉴别结果。
在一些实施方式中,第二鉴别器的网络结构与第一鉴别器的网络结构相似,此处不再赘述。
可选的,可以分别将训练光谱响应状态数据、基准光谱响应状态数据输入第二鉴别器,按照上述步骤a1~a2得到第二鉴别结果。
步骤233,根据重建后的光谱数据、基准入射光谱数据、第一鉴别结果和第二鉴别结果以及预设的损失函数,得到生成损失。
在一些实施方式中,可以根据重建后的光谱数据与基准入射光谱数据之间的误差,得到重建误差,将重建误差、第一鉴别结果和第二鉴别结果以及预设的损失函数,得到生成损失。
其中,预设的损失函数可以是交叉熵损失函数,平均平方误差损失函数、平均绝对误差损失函数。
在一些实施例中,在得到第一鉴别结果和第二鉴别结果后,可以通过第一鉴别结果得到训练光谱特征满足基准光谱特征的第一概率D1,以及通过第二鉴别结果得到训练光谱响应状态满足基准光谱响应状态数据的第二概率D2,根据基准入射光谱数据、重建后的光谱数据、第一概率D1、第二概率D2以及预设的损失函数得到生成损失。其中,sp是样本入射光谱数据,n代表噪声,/>是拟合模型的模型参数。
步骤240,根据生成损失,对初始拟合模型的模型参数进行调整,直至初始拟合模型满足预设收敛条件时,得到拟合模型。
在一些实施方式中,在得到拟合模型后,将入射光谱数据输入至拟合模型,得到入射光谱数据的至少一个光谱响应状态以及各光谱响应状态对应的光谱能量数据。
在一些实施方式中,以基于非凸非光滑函数对光谱能量数据进行信号处理为例进行说明,将对各光谱响应状态对应的光谱能量数据至非凸非光滑函数进行信号处理,得到各光谱响应状态对应的重建光谱数据。
可选的,非凸非光滑函数如公式(1)所示:
其中,f表示光谱能量数据,sp表示重建后的光谱,μ是正则化参数,α和β是非凸非光滑函数中变分项的控制变量,是一阶梯度算子,/>是拉普拉斯算子,表示光谱峰值,/>表示高斯卷积核,σ表示高斯卷积核的方差;表示光谱能量数据的一阶梯度算子的L2范数的α次方。在公式(1)右边第一项为变分项,表示光谱低频信息,第三项/>为变分项,表示光谱高频信息,第二项/>表示光谱噪声信息。
可选的,可以通过迭代求解公式(1),对对各光谱响应状态对应的光谱能量数据进行信号处理,得到对各光谱响应状态对应的光谱能量数据的光谱高频信息、光谱低频信息以及光谱噪声信息,根据对各光谱响应状态对应的光谱能量数据的光谱高频信息、光谱低频信息以及光谱噪声信息进行光谱重建,得到各光谱响应状态对应的重建光谱数据。
示例性的,可以通过迭代重加权最小化方法对公式(1)进行迭代求解,得到光谱高频信息、光谱低频信息以及光谱噪声信息。
具体地,将上述公式(1)转换为迭代形式,得到公式(2),并通过使用交替乘子法把公式(2)转化为一个线性多重约束的问题,得到公式(3),对公式(3)进行迭代求解,得到光谱高频信息、光谱低频信息以及光谱噪声信息。
可选的,为更好的求解公式(3),可以对上述公式(3)进行拉格朗日变换,将上述公式(3)所示的线性多重约束的问题转换为如公式(4)所示的一个无约束的增广拉格朗日形式。
可选的,基于公式(4)和公式(5),可以将上述公式(5)中的各变量的迭代形式转换为,其中/>表示迭代更新的变量,本发明实施例对迭代次数k和迭代更新的变量/>不进行具体限定,可以根据实际应用场景设置迭代次数k和迭代更新的变量/>。
在可选的一些实施方式中,在得到各光谱响应状态对应的重建光谱数据之后,可以将各光谱响应状态对应的重建光谱数据与入射光谱数据的基准光谱数据进行比对,得到各光谱响应状态对应的重建光谱数据的重建误差,根据重建误差确定目标光谱响应状态。其中,入射光谱数据的基准光谱数据指的是理论入射光谱数据,可理解的,该理论入射光谱数据不包含噪声。具体地,目标光谱响应状态的确定方法包括:
(1)将各光谱响应状态对应的重建光谱数据与入射光谱数据的基准光谱数据进行比对,得到各光谱响应状态对应的重建光谱数据的重建误差。
(2)根据光谱响应状态对应的重建光谱数据的重建误差,确定具有最小重建误差的目标光谱响应状态。
在一些实施方式中,为进一步确保光谱仪的标定准确性,可以基于拟合模型对输入光谱数据进行数据生成,得到光谱仪可能的初始光谱响应状态以及每一个初始响应状态对应的光谱能量数据;基于第二鉴别器对初始光谱响应状态进行筛选,从初始光谱响应状态中选取出光谱响应状态,按照上述光谱重建方法对各光谱响应状态对应的光谱能量数据进行信号处理,得到各光谱响应状态对应的重建光谱数据,并将各光谱响应状态对应的重建光谱数据与入射光谱数据的基准光谱数据进行比对,得到各光谱响应状态对应的重建光谱数据的重建误差,根据光谱响应状态对应的重建光谱数据的重建误差,确定具有最小重建误差的目标光谱响应状态,根据该目标光谱响应状态对光谱仪进行标定。其中,在第二鉴别器中,可以通过检测基准光谱响应状态数据中是否存在与生成的初始光谱响应状态匹配的基准光谱响应状态,从初始光谱响应状态中选取出光谱响应状态。示例性的,若基准光谱响应状态数据存在与生成的初始光谱响应状态匹配的基准光谱响应状态,且每一个初始光谱响应状态均存在与该初始光谱响应状态匹配的基准光谱响应状态,则将每个初始光谱响应状态确定为光谱响应状态;若基准光谱响应状态数据不存在与生成的初始光谱响应状态匹配的基准光谱响应状态,则调整拟合模型的模型参数,基于调整后的模型参数对入射光谱数据进行重新数据生成;若基准光谱响应状态数据存在部分与生成的初始光谱响应状态匹配的基准光谱响应状态,则确定初始光谱响应状态中不存在匹配的基准光谱响应状态的目标初始光谱响应状态,将目标初始光谱响应状态剔除,将剔除目标初始光谱响应状态后的初始光谱响应状态确定为光谱响应状态。
本发明实施例提供的光谱仪标定方法,通过获取入射光谱数据,基于拟合模型,确定光谱仪可能的光谱响应状态。基于可能的光谱响应状态,对入射光谱数据的光谱能量数据,进行信号处理,得到重建后的光谱,在可能的光谱响应状态中,确定光谱仪最优的光谱响应状态,并将光谱仪配置为此状态。基于最优的光谱响应状态下的重建光谱,完成最终光谱仪的校准。通过已训练的拟合模型、以及对光谱能量数据进行信号处理,可以提高重建后的光谱质量,提升光谱重建的准确性和鲁棒性。
为了更好实施本发明实施例提供的光谱仪标定方法,在光谱仪标定方法的实施例基础上,本发明实施例还提供一种光谱仪标定装置,如图5所示,图5是本发明实施例提供的光谱仪标定装置的结构示意图,所示的光谱仪标定装置包括:
获取模块501,用于获取入射光谱数据;
生成模块502,用于基于拟合模型,确定入射光谱数据的至少一个光谱响应状态以及各光谱响应状态对应的光谱能量数据;
重建模块503,用于对各光谱响应状态对应的光谱能量数据进行信号处理,得到各光谱响应状态对应的重建光谱数据;
标定模块504,用于根据各光谱响应状态对应的重建光谱数据确定目标光谱响应状态,根据目标光谱响应状态对光谱仪进行标定。
在一些实施方式中,标定模块504,用于
将各光谱响应状态对应的重建光谱数据与入射光谱数据的基准光谱数据进行比对,得到各光谱响应状态对应的重建光谱数据的重建误差;根据光谱响应状态对应的重建光谱数据的重建误差,确定具有最小重建误差的目标光谱响应状态。
在一些实施方式中,光谱仪标定装置还包括:
训练模块505,用于获取样本数据,样本数据包括样本入射光谱数据、基准光谱能量数据、基准光谱响应状态数据;将样本入射光谱数据输入至初始拟合模型进行拟合,得到训练光谱能量数据和训练光谱响应状态数据;将训练光谱能量数据进行信号处理,得到重建后的光谱数据;根据重建后的光谱数据、基准入射光谱数据、训练光谱能量数据、基准光谱能量数据、训练光谱响应状态数据、基准光谱响应状态数据,得到初始拟合模型的生成损失;根据生成损失,对初始拟合模型的模型参数进行调整,直至初始拟合模型满足预设收敛条件时,得到拟合模型。
在一些实施方式中,训练模块505,用于根据训练光谱能量数据、基准光谱能量数据、第一鉴别器,得到第一鉴别结果;根据训练光谱响应状态数据、基准光谱响应状态数据和第二鉴别器,得到第二鉴别结果;根据重建后的光谱数据、基准入射光谱数据、第一鉴别结果和第二鉴别结果以及预设的损失函数,得到生成损失。
在一些实施方式中,训练模块505,用于分别将训练光谱能量数据、基准光谱能量数据输入至第一鉴别器,得到训练光谱能量数据的训练光谱特征以及基准光谱能量数据的基准光谱特征;根据训练光谱特征、基准光谱特征之间的相似程度,得到第一鉴别结果。
在一些实施方式中,重建模块503,用于基于包含光谱响应状态传递特性的非凸非光滑函数,对各光谱响应状态对应的光谱能量数据进行信号处理,得到各光谱响应状态对应的重建光谱数据,各光谱响应状态对应的重建光谱数据是去除噪声后的入射光谱数据。
在一些实施方式中,重建模块503,用于:
针对于各光谱响应状态对应的光谱能量数据,基于包含光谱响应状态传递特性预先构建的非凸非光滑函数对该光谱响应状态对应的光谱能量数据进行信号处理,得到该光谱响应状态对应的重建光谱数据;其中,f表示光谱能量数据,sp表示重建后的光谱,μ是正则化参数,α和β是非凸非光滑函数中的控制变量,/>是一阶梯度算子,/>是拉普拉斯算子,/>表示光谱峰值,表示高斯卷积核,σ表示高斯卷积核的方差。
本发明实施例提供的光谱仪标定装置,通过获取入射光谱数据数据,基于拟合模型,确定光谱仪可能的光谱响应状态。基于可能的光谱响应状态,对入射光谱数据的光谱能量数据,进行信号处理,得到重建后的光谱,在可能的光谱响应状态中,确定光谱仪最优的光谱响应状态,并将光谱仪配置为此状态。基于最优的光谱响应状态下的重建光谱,完成最终光谱仪的校准。通过已训练的拟合模型、以及对光谱能量数据进行信号处理,可以提高重建后的光谱质量,提升光谱重建的准确性和鲁棒性。
本发明实施例还提供一种电子设备,如图6所示,其示出了本发明实施例所涉及的电子设备的结构示意图,具体来讲:
该电子设备可以包括一个或者一个以上处理核心的处理器601、一个或一个以上计算机可读存储介质的存储器602、电源603和输入单元604等部件。本领域技术人员可以理解,图6中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器601是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器602内的软件程序和/或模块,以及调用存储在存储器602内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。可选的,处理器601可包括一个或多个处理核心;优选的,处理器601可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器601中。
存储器602可用于存储软件程序以及模块,处理器601通过运行存储在存储器602的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器602可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器602还可以包括存储器控制器,以提供处理器601对存储器602的访问。
电子设备还包括给各个部件供电的电源603,优选的,电源603可以通过电源管理***与处理器601逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源603还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元604,该输入单元604可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,电子设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,电子设备中的处理器601会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器602中,并由处理器601来运行存储在存储器602中的应用程序,从而实现各种功能,如下:
获取入射光谱数据;
基于拟合模型,确定入射光谱数据的至少一个光谱响应状态以及各光谱响应状态对应的光谱能量数据;
对各光谱响应状态对应的光谱能量数据进行信号处理,得到各光谱响应状态对应的重建光谱数据;
根据各光谱响应状态对应的重建光谱数据确定目标光谱响应状态,根据目标光谱响应状态对光谱仪进行标定。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种光谱仪标定方法中的步骤。例如,该指令可以执行如下步骤:
获取入射光谱数据;
基于拟合模型,确定入射光谱数据的至少一个光谱响应状态以及各光谱响应状态对应的光谱能量数据;
对各光谱响应状态对应的光谱能量数据进行信号处理,得到各光谱响应状态对应的重建光谱数据;
根据各光谱响应状态对应的重建光谱数据确定目标光谱响应状态,根据目标光谱响应状态对光谱仪进行标定。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一种光谱仪标定方法中的步骤,因此,可以实现本发明实施例所提供的任一种光谱仪标定方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本发明实施例所提供的一种光谱仪标定方法、装置、电子设备和存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种光谱仪标定方法,其特征在于,所述方法包括:
获取入射光谱数据;
基于拟合模型,确定所述入射光谱数据的至少一个光谱响应状态以及各所述光谱响应状态对应的光谱能量数据;
对各所述光谱响应状态对应的光谱能量数据进行信号处理,得到各所述光谱响应状态对应的重建光谱数据;
根据各所述光谱响应状态对应的重建光谱数据确定目标光谱响应状态,根据所述目标光谱响应状态对所述光谱仪进行标定;
所述对各所述光谱响应状态对应的光谱能量数据进行信号处理,得到各所述光谱响应状态对应的重建光谱数据,包括:
基于包含光谱响应状态传递特性的非凸非光滑函数,对各所述光谱响应状态对应的光谱能量数据进行信号处理,得到各所述光谱响应状态对应的重建光谱数据;各所述光谱响应状态对应的重建光谱数据是去除噪声后的入射光谱数据,其中,f表示所述光谱能量数据,sp表示重建后的光谱,/>是正则化参数,/>和/>是所述非凸非光滑函数中的控制变量,是一阶梯度算子,/>是拉普拉斯算子,/>表示光谱峰值,/>表示高斯卷积核,/>表示高斯卷积核的方差;
所述根据各所述光谱响应状态对应的重建光谱数据确定目标光谱响应状态,包括:
将各所述光谱响应状态对应的重建光谱数据与所述入射光谱数据的基准光谱数据进行比对,得到各所述光谱响应状态对应的重建光谱数据的重建误差;
根据所述光谱响应状态对应的重建光谱数据的重建误差,确定具有最小重建误差的目标光谱响应状态。
2.根据权利要求1所述的光谱仪标定方法,其特征在于,所述基于拟合模型,确定所述入射光谱数据的至少一个光谱响应状态以及各所述光谱响应状态对应的光谱能量数据之前,所述方法还包括:
获取样本数据,所述样本数据包括样本入射光谱数据、基准光谱能量数据、基准光谱响应状态数据;
将所述样本入射光谱数据输入至初始拟合模型进行拟合,得到训练光谱能量数据和训练光谱响应状态数据;
将所述训练光谱能量数据进行信号处理,得到重建后的光谱数据;
根据所述重建后的光谱数据、基准入射光谱数据、所述训练光谱能量数据、所述基准光谱能量数据、所述训练光谱响应状态数据、所述基准光谱响应状态数据,得到所述初始拟合模型的生成损失;
根据所述生成损失,对所述初始拟合模型的模型参数进行调整,直至所述初始拟合模型满足预设收敛条件时,得到拟合模型。
3.如权利要求2所述的光谱仪标定方法,其特征在于,所述根据所述重建后的光谱数据、基准入射光谱数据、所述训练光谱能量数据、所述基准光谱能量数据、所述训练光谱响应状态数据、所述基准光谱响应状态数据,得到所述初始拟合模型的生成损失,包括:
根据所述训练光谱能量数据、所述基准光谱能量数据、第一鉴别器,得到第一鉴别结果;
根据所述训练光谱响应状态数据、所述基准光谱响应状态数据和第二鉴别器,得到第二鉴别结果;
根据所述重建后的光谱数据、基准入射光谱数据、第一鉴别结果和第二鉴别结果以及预设的损失函数,得到生成损失。
4.如权利要求3所述的光谱仪标定方法,其特征在于,所述根据所述训练光谱能量数据、所述基准光谱能量数据、第一鉴别器,得到第一鉴别结果,包括:
分别将所述训练光谱能量数据、所述基准光谱能量数据输入至第一鉴别器,得到所述训练光谱能量数据的训练光谱特征以及所述基准光谱能量数据的基准光谱特征;
根据所述训练光谱特征、所述基准光谱特征之间的相似程度,得到第一鉴别结果。
5.一种光谱仪标定装置,其特征在于,所述装置包括:
获取模块,用于获取入射光谱数据;
生成模块,用于基于拟合模型,确定所述入射光谱数据的至少一个光谱响应状态以及各所述光谱响应状态对应的光谱能量数据;
重建模块,用于对各所述光谱响应状态对应的光谱能量数据进行信号处理,得到各所述光谱响应状态对应的重建光谱数据;
标定模块,用于根据各所述光谱响应状态对应的重建光谱数据确定目标光谱响应状态,根据所述目标光谱响应状态对所述光谱仪进行标定;
所述对各所述光谱响应状态对应的光谱能量数据进行信号处理,得到各所述光谱响应状态对应的重建光谱数据,包括:
基于包含光谱响应状态传递特性的非凸非光滑函数,对各所述光谱响应状态对应的光谱能量数据进行信号处理,得到各所述光谱响应状态对应的重建光谱数据;各所述光谱响应状态对应的重建光谱数据是去除噪声后的入射光谱数据,其中,f表示所述光谱能量数据,sp表示重建后的光谱,/>是正则化参数,/>和/>是所述非凸非光滑函数中的控制变量,/>是一阶梯度算子,/>是拉普拉斯算子,/>表示光谱峰值,/>表示高斯卷积核,/>表示高斯卷积核的方差;
所述根据各所述光谱响应状态对应的重建光谱数据确定目标光谱响应状态,包括:
将各所述光谱响应状态对应的重建光谱数据与所述入射光谱数据的基准光谱数据进行比对,得到各所述光谱响应状态对应的重建光谱数据的重建误差;
根据所述光谱响应状态对应的重建光谱数据的重建误差,确定具有最小重建误差的目标光谱响应状态。
6.一种电子设备,其特征在于,包括存储器和处理器;所述存储器存储有应用程序,所述处理器用于运行所述存储器内的应用程序,以执行权利要求1至4任一项所述的光谱仪标定方法中的操作。
7.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至4任一项所述的光谱仪标定方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310301354.9A CN116007754B (zh) | 2023-03-24 | 2023-03-24 | 光谱仪标定方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310301354.9A CN116007754B (zh) | 2023-03-24 | 2023-03-24 | 光谱仪标定方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116007754A CN116007754A (zh) | 2023-04-25 |
CN116007754B true CN116007754B (zh) | 2023-06-02 |
Family
ID=86037751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310301354.9A Active CN116007754B (zh) | 2023-03-24 | 2023-03-24 | 光谱仪标定方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116007754B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116735527B (zh) * | 2023-06-09 | 2024-01-05 | 湖北经济学院 | 一种近红外光谱优化方法、装置、***以及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5303165A (en) * | 1992-02-12 | 1994-04-12 | The Perkin-Elmer Corporation | Standardizing and calibrating a spectrometric instrument |
US20150142364A1 (en) * | 2012-04-24 | 2015-05-21 | Westco Scientific Instruments, Inc. | Spectrometer reference calibration |
CN103968943B (zh) * | 2014-04-24 | 2016-02-03 | 中国电子科技集团公司第四十一研究所 | 一种光纤光谱仪信噪比的精确测量方法 |
CN104101430B (zh) * | 2014-07-08 | 2016-04-13 | 中国科学院光电研究院 | 一种推扫色散型成像光谱仪的快速绝对辐射定标方法 |
US11105682B2 (en) * | 2017-09-14 | 2021-08-31 | Polyvalor, Limited Partnership | Methods and systems for imaging a sample using Raman spectroscopy |
-
2023
- 2023-03-24 CN CN202310301354.9A patent/CN116007754B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116007754A (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singla et al. | Understanding impacts of high-order loss approximations and features in deep learning interpretation | |
JP7478145B2 (ja) | 機械学習モデルの自動生成 | |
CN116007754B (zh) | 光谱仪标定方法、装置、电子设备和存储介质 | |
US10284583B2 (en) | Information processing system, information processing apparatus, and information processing method | |
Chen et al. | Penalty methods for a class of non-Lipschitz optimization problems | |
CN107679572B (zh) | 一种图像判别方法、存储设备及移动终端 | |
US20200118249A1 (en) | Device configured to perform neural network operation and method of operating same | |
Bashir et al. | Post-processing posteriors over precision matrices to produce sparse graph estimates | |
Yang et al. | A robust regression framework with laplace kernel-induced loss | |
Camilli et al. | Matrix factorization with neural networks | |
Zhuo et al. | Towards a unified theoretical understanding of non-contrastive learning via rank differential mechanism | |
Yvinec et al. | Singe: Sparsity via integrated gradients estimation of neuron relevance | |
CN114581261A (zh) | 基于快速图计算的故障诊断方法、***、设备及存储介质 | |
CN111144650A (zh) | 电力负荷预测方法、装置、计算机可读存储介质及设备 | |
He et al. | Image processing design and algorithm research based on cloud computing | |
Silva et al. | Cuda-based parallelization of power iteration clustering for large datasets | |
Bich et al. | Aggressively prunable MAM²-based Deep Neural Oracle for ECG acquisition by Compressed Sensing | |
KR101321840B1 (ko) | 퍼지 기반 레티넥스를 이용한 영상 정규화 방법 및 장치 | |
CN114076637B (zh) | 高光谱获取方法及其***、电子设备和编码宽光谱成像装置 | |
Salloum et al. | Efficient image splicing localization via contrastive feature extraction | |
CN112270996A (zh) | 一种可用于多变量医疗传感数据流的分类方法 | |
Gopinath et al. | Classification of vein pattern recognition using hybrid deep learning | |
CN116391193A (zh) | 以基于能量的潜变量模型为基础的神经网络的方法和设备 | |
WO2019134753A1 (en) | Biologically-inspired network generation | |
EP4321673A1 (en) | Clothes care apparatus and control method therefor |
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 |