CN117629967B - 基于光谱分析的土壤土层污染快速检测方法 - Google Patents
基于光谱分析的土壤土层污染快速检测方法 Download PDFInfo
- Publication number
- CN117629967B CN117629967B CN202410109807.2A CN202410109807A CN117629967B CN 117629967 B CN117629967 B CN 117629967B CN 202410109807 A CN202410109807 A CN 202410109807A CN 117629967 B CN117629967 B CN 117629967B
- Authority
- CN
- China
- Prior art keywords
- energy intensity
- degree
- wave crest
- intensity level
- fluctuation
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 37
- 238000010183 spectrum analysis Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 title abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000001228 spectrum Methods 0.000 claims abstract description 40
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 239000003802 soil pollutant Substances 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 11
- 239000003673 groundwater Substances 0.000 description 9
- 238000001237 Raman spectrum Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 239000003344 environmental pollutant Substances 0.000 description 5
- 231100000719 pollutant Toxicity 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 229910001385 heavy metal Inorganic materials 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000011109 contamination Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明涉及光谱数据去噪技术领域,具体涉及基于光谱分析的土壤土层污染快速检测方法。该发明根据窗口内相邻能量强度级之间信号强度的变化趋势获得每个能量强度级的初始波动程度;根据图谱中每个波峰的周期性和幅度特征,获取每个波峰的突出程度;进一步结合每个波峰邻域范围内的局部波动程度,获得每个波峰的真实程度;结合每个能量强度级与每个波峰之间的相对位置,获得每个能量强度级的加权因子;进一步获得每个能量强度级的加权波动程度;对光谱数据进行滤波处理,获得去噪数据;对土壤污染物进行识别。本发明通过获得光谱数据准确的波动权重,提高了均值滤波去噪效果,对土壤污染物进行准确识别。
Description
技术领域
本发明涉及光谱数据去噪技术领域,具体涉及一种基于光谱分析的土壤土层污染快速检测方法。
背景技术
通过对土壤中污染物质的监测,可以及时发现并解决环境问题,有效预防和治理环境污染,科学制定土地利用和生态保护方案;一般地,可以采用监测地下水的质量,及时发现污染。为了判断土壤内地下水是否受到污染,采用高光谱测量器来测量,并使用拉曼光谱获取土壤内地下水中重金属同位素含量。
现有技术中,采用固定窗口大小的均值滤波对图像进行预处理去噪,并对数据曲线中不同同位素含量进行分析;但由于实际土壤内地下水样品会存在多种不同成分,其拉曼光谱可能会叠加在一起,非噪声的实际信号强度也使得数据产生一定程度的波动,未能获取到准确的波动权重,导致去噪的效果较差,无法对土壤污染物进行准确识别。
发明内容
为了解决未能获取数据准确的波动权重,导致去噪的效果较差,污染物检测不准确的技术问题,本发明的目的在于提供一种基于光谱分析的土壤土层污染快速检测方法,所采用的技术方案具体如下:
本发明提出了一种基于光谱分析的土壤土层污染快速检测方法,所述方法包括:
获取每个采样位置中每层土壤内地下水样品的光谱数据;所述光谱数据包括不同能量强度级对应的信号强度,构成光谱数据的图谱;
以所述图谱中每个能量强度级为中心构建窗口,根据所述窗口内相邻能量强度级之间信号强度的变化趋势获得每个能量强度级的初始波动程度;根据所述图谱中每个波峰的周期性和幅度特征,获得每个波峰的突出程度;
根据每个波峰的所述突出程度和每个波峰邻域范围内的局部波动程度,获得每个波峰的真实程度;根据每个能量强度级与每个波峰之间的位置和每个波峰的真实程度,获得每个能量强度级的加权因子;根据每个能量强度级的所述加权因子和所述初始波动程度,获得每个能量强度级的加权波动程度;
根据所述加权波动程度对光谱数据进行滤波处理,获得去噪数据;
根据所述去噪数据对土壤污染物进行识别。
进一步地,所述初始波动程度的获取方法包括:
计算所述窗口内相邻能量强度级对应信号强度的数据之间的斜率,将所有相邻能量强度级的斜率进行累乘,获得第一波动性;
计算窗口内相邻斜率之间的差异,作为第一差异;将所有所述第一差异求均值,作为第二波动性;
计算所述第一波动性与所述第二波动性之间的乘积,获得每个能量强度级的初始波动程度。
进一步地,所述突出程度的获取方法包括:
计算每个波峰的相邻波谷之间对应能量强度级的差异,获得周期性;
计算每个波峰与每个相邻波谷之间所在位置的信号强度的比值,获得每个波峰与每个相邻波谷之间的信号强度比值;
计算每个波峰与所有相邻波谷之间的信号强度比值累加,作为每个波峰的幅度特征;
对所述周期性进行负相关映射,计算负相关映射结果与所述幅度特征的乘积,获得每个波峰的突出程度。将幅度特征与所述周期性的倒数进行相乘,获得每个波峰的突出程度。
进一步地,所述局部波动程度的获取方法包括:
根据局部波动程度的获取公式获得局部波动程度,局部波动程度的获取公式为:
;其中,/>表示第/>个波峰邻域范围内的局部波动程度;/>表示第/>个波峰的前后相邻波峰的数量;/>表示第/>个波峰的前后相邻波峰的序号;/>表示对于第/>个波峰对应的能量强度级;/>表示对于第/>个波峰的第/>个相邻波峰对应能量强度级;/>表示第/>个波峰与第/>个相邻波峰之间的能量强度级差异;/>表示第/>个波峰与第/>个相邻波峰之间的能量强度级数量;/>表示第/>个波峰与第/>个相邻波峰之间能量强度级的序号;/>表示第/>个能量强度级的初始波动程度。
进一步地,所述真实程度的获取方法包括:
计算每个波峰的所述突出程度和所述局部波动程度的乘积,并进行归一化,获得每个波峰的真实程度。
进一步地,所述加权因子的获取方法包括:
对于处在波峰的每个能量强度级,将波峰的所述真实程度作为每个能量强度级的加权因子;
对于未处在波峰的每个能量强度级,计算每个能量强度级对应相邻波峰之间的所述真实程度的均值,作为每个能量强度级的加权因子。
进一步地,所述加权波动程度的获取方法包括:
计算每个能量强度级的所述加权因子与所述初始波动程度之间的乘积,获得每个能量强度级的加权波动程度。
进一步地,所述去噪数据的获取方法包括:
以所述加权波动程度作为所述信号强度的权值,通过加权获得加权信号强度;基于加权信号强度将对应光谱数据进行均值滤波去噪,获得去噪数据。
进一步地,所述对所述周期性进行负相关映射得获取方法为对所述周期性求倒数。
进一步地,所述邻域范围的获取方法包括:
获取每个波峰与每个相邻波峰之间的能量强度级范围,将所有的能量强度级范围求并集,获得邻域范围。
本发明具有如下有益效果:
本发明为了避免受到噪声干扰,对数据进行更细致的分析,以图谱中每个能量强度级为中心构建窗口;考虑到受到噪声和土壤内地下水不同成分的影响,产生了不同程度的波动,根据窗口内相邻能量强度级之间信号强度的变化趋势获得每个能量强度级的初始波动程度;根据图谱中每个波峰的周期性和幅度特征,获得每个波峰的突出程度,判断每个波峰对应数据的重要性;根据每个波峰的突出程度和每个波峰邻域范围内的局部波动程度,获得每个波峰的真实程度,更准确地评估波峰的真实性,提高识别的准确性;根据每个能量强度级对应数据点与每个波峰之间的位置和每个波峰的真实程度,获得每个能量强度级的加权因子,更好地反映每个能量强度级在光谱数据中的重要性和影响;进一步获得每个能量强度级的加权波动程度,优化滤波的效果;对光谱数据进行滤波处理,获得去噪数据,平滑数据并去除噪声的影响,为后续的污染物识别和分析提供更准确的数据基础;对污染物进行识别。本发明通过获得光谱数据准确的波动权重,提高了均值滤波去噪效果,对土层污染物进行准确识别。
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基于光谱分析的土壤土层污染快速检测方法的流程图。
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基于光谱分析的土壤土层污染快速检测方法,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基于光谱分析的土壤土层污染快速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基于光谱分析的土壤土层污染快速检测方法的流程图,该方法包括:
步骤S1:获取每个采样位置中每层土壤内地下水样品的光谱数据;光谱数据包括不同能量强度级对应的信号强度,构成光谱数据的图谱。
在本发明的实施例中,为了对土壤土层的污染进行检测,采用高光谱测量器进行测量,目前土壤内地下水高光谱测量器一般由基于拉曼光谱分析技术的高光谱分析仪和探测仪构成。使用拉曼光谱获取土壤内地下水中重金属同位素含量,获取每个采样位置中每层土壤内地下水样品的光谱数据;光谱数据包括不同能量强度级对应的信号强度,构成光谱数据的图谱。图谱中以能量强度级作为横轴,对应的信号强度作为纵轴。
需要说明的是,在本发明的一个实施例中,对目标检测区域的采样位置采用等长等宽的间隔距离进行采样,间隔距离为5m,有4个均匀分布的采样位置形成一个矩形区域;地下光谱检测仪器的极限深度为6m,对于每一个采样位置,以每次间隔0.1m的深度进行采集,在本发明的其他实施例中,采集位置的间隔距离以及采集深度间隔可根据具体情况具体设置,在此不做限定及赘述。
步骤S2:以图谱中每个能量强度级为中心构建窗口,根据窗口内相邻能量强度级之间信号强度的变化趋势获得每个能量强度级的初始波动程度;根据图谱中每个波峰的周期性和幅度特征,获得每个波峰的突出程度。
窗口分析能够捕捉到数据的局部特性,更细致地观察每个窗口内的数据分布和变化,抑制噪声的影响,以图谱中每个能量强度级为中心构建窗口。
需要说明的是,在本发明的一个实施例中,在图谱中,以每个能量级为中心,与其余相邻能量强度级构成窗口,窗口的大小取经验值为7。在本发明的其他实施例中,窗口大小可根据具体情况具体设置,在此不做限定及赘述。
光谱数据的波动除了受到背景辐射或杂散辐射等噪声导致数据产生不同程度的波动之外,还有实际土壤内地下水样品中同类素种类丰富、含量各异,导致拉曼光谱可能会叠加在一起,在光谱图像中产生不同程度的波动的情况;由于每个同位素在光谱中表现出独特的能级结构,在不同能量强度级的照射下,不同同位素的响应程度不同;相邻能量强度级之间的响应程度差异越大,数据越不稳定,波动的幅度越大,需要根据窗口内相邻能量强度级之间信号强度的变化趋势获得每个能量强度级的初始波动程度。
优选地,在本发明的一个实施例中,初始波动程度的获取方法包括:
计算窗口内相邻能量强度级对应信号强度的数据之间的斜率,将所有相邻能量强度级的斜率进行累乘,获得第一波动性;计算窗口内相邻斜率之间的差异,作为第一差异;将所有第一差异求均值,作为第二波动性;计算第一波动性与第二波动性之间的乘积,获得每个能量强度级的初始波动程度。在本发明的一个实施例中,初始波动程度的公式表示为:
;
其中,表示第/>个能量强度级对应的初始波动程度;/>表示窗口内第/>个斜率;/>表示窗口内第/>个斜率;/>表示第/>个能量强度级对应窗口内能量强度级的总数量;表示第/>个能量强度级对应窗口内相邻能量强度级之间斜率的总数量。
在初始波动程度的公式中,表示窗口内所有斜率的乘积,乘积越大,表示数据的变化趋势越大,初始波动程度越大;/>表示相邻斜率之间的差异累加值,斜率之间差异越大,差异累加值越大,数据的变化越不稳定,初始波动程度越大。
需要说明的是,在本发明的其他实施例中也可通过其他基础数学运算构建正负相关关系,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
在光谱数据的图谱中,波峰具有表现同位素信号强度的特异性,所以需要对波峰的变化情况进行分析。由于噪声数据往往是由随机波动或错误引起的,其信号强度和周期性较为不稳定,而真实数据,即土壤内地下水样品对应的数据,通常是由某种规律或趋势引起的,有更稳定的信号强度和周期性;所以真实数据相较于噪声数据,对应的波峰更加尖锐,同位素的信号强度均处在一定范围内,相较于周边的波峰更加突出。信号周期性越短,波峰的宽度越短,信号在短时间内变化越剧烈,会产生更加明显和尖锐的波峰;当波峰的信号强度远高于相邻的波谷点时,说明波峰具有较高的幅度或能量,表现出显著的变化或趋势;所以根据图谱中每个波峰的周期性和幅度特征,获得每个波峰的突出程度。
优选地,在本发明的一个实施例种,突出程度的获取方法包括:
计算每个波峰的相邻波谷之间对应能量强度级的差异,获得周期性;计算每个波峰与每个相邻波谷之间所在位置的信号强度的比值,获得每个波峰与每个相邻波谷之间的信号强度比值;对周期性进行负相关映射,计算负相关映射结果与幅度特征的乘积,获得每个波峰的突出程度。在本发明的一个实施例中,突出程度的公式表示为:
;
其中,表示第/>个波峰的突出程度;/>表示每个波峰的周期性,即第/>个波峰相邻的第/>个波谷与第/>个波谷之间能量强度级的差异;/>表示第/>个波峰的能量强度级对应的信号强度;/>表示第/>个波谷的能量强度级对应的信号强度;/>表示第/>个波谷的能量强度级对应的信号强度。
在突出程度的公式中,表示第/>个波峰与相邻第/>个波谷之间的信号强度比值,比值越大,说明当前波峰对应周围其他数据越突出,突出程度越大;波谷之间的能量强度级差异越小,波峰的周期性越短,说明实际分辨率越高,对应波峰越尖锐,突出的程度越大,越可能是真实数据。
需要说明的是,在本发明的实施例中,对周期性进行负相关映射的获取方法为对周期性求倒数;在本发明的其他实施例中也可通过其他基础数学运算构建正负相关关系,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S3:根据每个波峰的突出程度和每个波峰邻域范围内的局部波动程度,获得每个波峰的真实程度;根据每个能量强度级与每个波峰之间的位置和每个波峰的真实程度,获得每个能量强度级的加权因子;根据每个能量强度级的加权因子和初始波动程度,获得每个能量强度级的加权波动程度。
为了后续数据的处理,对整体数据的变化情况进行分析;突出程度越大,表示越可能为真实数据,越需要保留其特征;分析波峰邻域范围内的局部波动程度对突出程度的影响,避免数据细节特征被忽略。所以根据每个波峰的突出程度和每个波峰邻域范围内的局部波动程度,获得每个波峰的真实程度。
优选地,在本发明的一个实施例中,局部波动程度的获取方法包括:
根据局部波动程度的获取公式获得局部波动程度,局部波动程度的获取公式为:
;
其中,表示第/>个波峰邻域范围内的局部波动程度;/>表示第/>个波峰的前后相邻波峰的数量;/>表示第/>个波峰的前后相邻波峰的序号;/>表示对于第/>个波峰对应的能量强度级;/>表示对于第/>个波峰的第/>个相邻波峰对应能量强度级;/>表示第/>个波峰与第/>个相邻波峰之间的能量强度级差异;/>表示第/>个波峰与第/>个相邻波峰之间的能量强度级数量;/>表示第/>个波峰与第/>个相邻波峰之间能量强度级的序号;/>表示第/>个能量强度级的初始波动程度。
在局部波动程度的获取公式中,表示相邻波峰之间能量强度级的差异,差异越小,波峰之间的距离越近,它们之间的光谱特征可能会相互干扰;/>表示第/>个波峰与第/>个相邻波峰之间的所有能量强度级对应的初始波动程度之和;通过/>对初始波动程度进行加权,差异越大,局部波动程度越大,对真实数据的影响越大。
需要说明的是,在本发明的一个实施例中,获取每个波峰与每个相邻波峰之间的能量强度级范围,将所有的能量强度级范围求并集,获得邻域范围。在本发明的其他实施例中。邻域范围的大小可根据具体情况具体设置,在此不做限定及赘述。
优选地,在本发明的一个实施例中,真实程度的获取方法包括:
计算每个波峰的突出程度和局部波动程度的乘积,并进行归一化,获得每个波峰的真实程度。在本发明的一个实施例中,真实程度的公式表示为:
;
其中,表示第/>个波峰的真实程度;/>表示第/>个波峰的突出程度;/>表示第/>个波峰邻域范围内的局部波动程度;/>表示归一化函数。
在真实程度的公式中,突出程度越大,说明是真实数据的可能性越大,越大的可能是正常的波动,需要进行保留;局部波动程度越大,对突出程度的影响越大,需要对波峰的真实程度调大,以保留数据正常的波动。
由于光谱中的任意数据处在两个相邻波峰之间,通过分析不同能量强度级与波峰的相对位置,可以了解数据在不同能量范围的变化规律;波峰的真实程度识别和排除噪声波峰,更加合理地分配不同能量强度级的权重,从而更加准确地提取特征和信息。根据每个能量强度级与每个波峰之间的位置和每个波峰的真实程度,获得每个能量强度级的加权因子。
优选地,在本发明的一个实施例中,加权因子的获取方法包括:
对于处在波峰的每个能量强度级,将波峰的真实程度作为每个能量强度级的加权因子;对于未处在波峰的每个能量强度级,计算每个能量强度级对应相邻波峰之间的真实程度的均值,作为每个能量强度级的加权因子。在本发明的一个实施例中,加权因子的公式表示为:
;
其中,表示第/>个能量强度级对应的加权因子;/>表示处在波峰的能量强度级的集合;/>表示第/>个能量强度级对应波峰的真实程度;/>、/>表示第/>个能量强度级对应的相邻波峰的序号;/>表示第/>个能量强度级对应的第/>个相邻波峰的真实程度;/>表示第/>个能量强度级对应的第/>个相邻波峰的真实程度。
在加权因子的公式中,波峰的真实程度越高,对应的之间的能量强度级的真实程度越高,加权因子越大。
加权因子越大,当前能量强度级对应的数据越可能是真实数据,初始波动程度越大,给予更大的波动程度,进而在后续处理时保留正常的波动,避免数据细节信息消失;根据每个能量强度级的加权因子和初始波动程度,获得每个能量强度级的加权波动程度。
优选地,在本发明的一个实施例中,加权波动程度的获取方法包括:
计算每个能量强度级的加权因子与初始波动程度之间的乘积,获得每个能量强度级的加权波动程度。在本发明的一个实施例中,加权波动程度的公式表示为:
;
其中,表示第/>个能量强度级对应的加权波动程度;/>表示第/>个能量强度级对应的加权因子;/>表示第/>个能量强度级对应的初始波动程度。
在加权波动程度的公式中,加权因子越大,越可能是真实数据,对初始波动程度加权,需要增加初始波动程度,使得滤波时保留到正常的波动。
步骤S4:根据加权波动程度对光谱数据进行滤波处理,获得去噪数据。
均值滤波可以去除光谱数据中的随机噪声和尖峰,使数据变得平滑,可以减少数据中的波动和不稳定性。通过获得加权波动程度进行均值滤波,更加准确地确定每个能量强度级对信号的影响程度,从而优化信号处理和分析的流程和结果,保留土壤内地下水样品中不同成分引起的正常波动。
根据加权波动程度对光谱数据进行滤波处理,获得去噪数据。
优选地,在本发明的一个实施例中,去噪数据的获取方法包括:
以加权波动程度作为信号强度的权值,通过加权获得加权信号强度;基于加权信号强度将对应光谱数据进行均值滤波去噪,将对应光谱数据进行均值滤波去噪,获得去噪数据。
需要说明的是,在本发明的一个实施例中,加权的过程为:将每个能量强度级的加权波动程度与信号强度相乘,对信号强度进行加权;具体均值滤波算法是本领域的技术人员所熟知的技术手段,在此不做进行赘述;在本发明其他实施例中,实施者可以采用其他滤波算法对监测数据进行处理。
步骤S5:根据去噪数据对土壤污染物进行识别。
通过均值滤波,去除光谱数据中的噪声和干扰,提高数据的纯净度和稳定性,从而有助于提高土壤污染物的识别准确性。根据去噪数据对土壤污染物进行识别。
需要说明的是,在本发明的实施例中,基于去噪后的光谱数据,通过对已知标准物质的校准和样品光谱的对比,可以进行定量分析,确定样品中各同位素的含量或浓度。根据校准曲线或者标准物质的特征峰面积和浓度之间的关系,计算出样品中同位素的浓度,对污染物进行识别。需要说明的是,重金属同位素的相对密度和其标准样品为实施人员预先设置的参数,在此不做赘述。
综上所述,本发明根据窗口内相邻能量强度级之间信号强度的变化趋势获得每个能量强度级的初始波动程度;根据图谱中每个波峰的周期性和幅度特征,获取每个波峰的突出程度;进一步结合每个波峰邻域范围内的局部波动程度,获得每个波峰的真实程度;结合每个能量强度级与每个波峰之间的位置,获得每个能量强度级的加权因子;进一步获得每个能量强度级的加权波动程度;对光谱数据进行滤波处理,获得去噪数据;对土壤污染物进行识别。本发明通过获得光谱数据准确的波动权重,提高了均值滤波去噪效果,对土壤污染物进行准确识别。
一种基于光谱分析的土壤土层数据去噪方法实施例:
现有技术中,采用固定窗口大小的均值滤波对图像进行预处理去噪,并对数据曲线中不同同位素含量进行分析;但由于实际土壤内地下水样品会存在多种不同成分,其拉曼光谱可能会叠加在一起,非噪声的实际信号强度也使得数据产生一定程度的波动,未能获取到准确的波动权重,导致去噪的效果较差的技术问题。为了解决该技术问题,本实施例提供一种基于光谱分析的土壤土层数据去噪方法,包括:
步骤S1:获取每个采样位置中每层土壤内地下水样品的光谱数据;光谱数据包括不同能量强度级对应的信号强度,构成光谱数据的图谱。
步骤S2:以图谱中每个能量强度级为中心构建窗口,根据窗口内相邻能量强度级之间信号强度的变化趋势获得每个能量强度级的初始波动程度;根据图谱中每个波峰的周期性和幅度特征,获得每个波峰的突出程度。
步骤S3:根据每个波峰的突出程度和每个波峰邻域范围内的局部波动程度,获得每个波峰的真实程度;根据每个能量强度级与每个波峰之间的位置和每个波峰的真实程度,获得每个能量强度级的加权因子;根据每个能量强度级的加权因子和初始波动程度,获得每个能量强度级的加权波动程度。
步骤S4:根据加权波动程度对光谱数据进行滤波处理,获得去噪数据。
由于步骤S1到S4的具体实现过程在上述基于光谱分析的土壤土层污染快速检测方法中已给出详细说明,不再赘述。
本实施例的技术效果:
本方法根据窗口内相邻能量强度级之间信号强度的变化趋势获得每个能量强度级的初始波动程度;根据图谱中每个波峰的周期性和幅度特征,获取每个波峰的突出程度;进一步结合每个波峰邻域范围内的局部波动程度,获得每个波峰的真实程度;结合每个能量强度级与每个波峰之间的位置,获得每个能量强度级的加权因子;进一步获得每个能量强度级的加权波动程度;对光谱数据进行滤波处理,获得去噪数据。本发明通过获得光谱数据准确的波动权重,提高了均值滤波去噪效果。
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 (4)
1.一种基于光谱分析的土壤土层污染快速检测方法,其特征在于,所述方法包括:
获取每个采样位置中每层土壤内地下水样品的光谱数据;所述光谱数据包括不同能量强度级对应的信号强度,构成光谱数据的图谱;
以所述图谱中每个能量强度级为中心构建窗口,根据所述窗口内相邻能量强度级之间信号强度的变化趋势获得每个能量强度级的初始波动程度;根据所述图谱中每个波峰的周期性和幅度特征,获得每个波峰的突出程度;
根据每个波峰的所述突出程度和每个波峰邻域范围内的局部波动程度,获得每个波峰的真实程度;根据每个能量强度级与每个波峰之间的位置和每个波峰的真实程度,获得每个能量强度级的加权因子;根据每个能量强度级的所述加权因子和所述初始波动程度,获得每个能量强度级的加权波动程度;
根据所述加权波动程度对光谱数据进行滤波处理,获得去噪数据;
根据所述去噪数据对土壤污染物进行识别;
所述初始波动程度的获取方法包括:
计算所述窗口内相邻能量强度级对应信号强度的数据之间的斜率,将所有相邻能量强度级的斜率进行累乘,获得第一波动性;
计算窗口内相邻斜率之间的差异,作为第一差异;将所有所述第一差异求均值,作为第二波动性;
计算所述第一波动性与所述第二波动性之间的乘积,获得每个能量强度级的初始波动程度;
所述突出程度的获取方法包括:
计算每个波峰的相邻波谷之间对应能量强度级的差异,获得周期性;
计算每个波峰与每个相邻波谷之间所在位置的信号强度的比值,获得每个波峰与每个相邻波谷之间的信号强度比值;
计算每个波峰与所有相邻波谷之间的信号强度比值累加,作为每个波峰的幅度特征;
对所述周期性进行负相关映射,计算负相关映射结果与所述幅度特征的乘积,获得每个波峰的突出程度;
所述局部波动程度的获取方法包括:
根据局部波动程度的获取公式获得局部波动程度,局部波动程度的获取公式为:
;其中,/>表示第/>个波峰邻域范围内的局部波动程度;/>表示第/>个波峰的前后相邻波峰的数量;/>表示第/>个波峰的前后相邻波峰的序号;/>表示对于第/>个波峰对应的能量强度级;/>表示对于第/>个波峰的第/>个相邻波峰对应能量强度级;表示第/>个波峰与第/>个相邻波峰之间的能量强度级差异;/>表示第/>个波峰与第/>个相邻波峰之间的能量强度级数量;/>表示第/>个波峰与第/>个相邻波峰之间能量强度级的序号;/>表示第/>个能量强度级的初始波动程度;
所述真实程度的获取方法包括:
计算每个波峰的所述突出程度和所述局部波动程度的乘积,并进行归一化,获得每个波峰的真实程度;
所述加权因子的获取方法包括:
对于处在波峰的每个能量强度级,将波峰的所述真实程度作为每个能量强度级的加权因子;
对于未处在波峰的每个能量强度级,计算每个能量强度级对应相邻波峰之间的所述真实程度的均值,作为每个能量强度级的加权因子;
所述加权波动程度的获取方法包括:
计算每个能量强度级的所述加权因子与所述初始波动程度之间的乘积,获得每个能量强度级的加权波动程度;
所述邻域范围的获取方法包括:
获取每个波峰与每个相邻波峰之间的能量强度级范围,将所有的能量强度级范围求并集,获得邻域范围。
2.根据权利要求1所述的一种基于光谱分析的土壤土层污染快速检测方法,其特征在于,所述去噪数据的获取方法包括:
以所述加权波动程度作为所述信号强度的权值,通过加权获得加权信号强度;基于加权信号强度将对应光谱数据进行均值滤波去噪,获得去噪数据。
3.根据权利要求1所述的一种基于光谱分析的土壤土层污染快速检测方法,其特征在于,所述对所述周期性进行负相关映射的获取方法为对所述周期性求倒数。
4.根据权利要求1所述的一种基于光谱分析的土壤土层污染快速检测方法,其特征在于,所述邻域范围的获取方法包括:
获取每个波峰与每个相邻波峰之间的能量强度级范围,将所有的能量强度级范围求并集,获得邻域范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410109807.2A CN117629967B (zh) | 2024-01-26 | 2024-01-26 | 基于光谱分析的土壤土层污染快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410109807.2A CN117629967B (zh) | 2024-01-26 | 2024-01-26 | 基于光谱分析的土壤土层污染快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117629967A CN117629967A (zh) | 2024-03-01 |
CN117629967B true CN117629967B (zh) | 2024-03-29 |
Family
ID=90038057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410109807.2A Active CN117629967B (zh) | 2024-01-26 | 2024-01-26 | 基于光谱分析的土壤土层污染快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117629967B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118032695A (zh) * | 2024-04-02 | 2024-05-14 | 山东创宇能源科技股份有限公司 | 基于差分紫外光谱技术的氮硫原位测量方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107014785A (zh) * | 2017-05-15 | 2017-08-04 | 浙江全世科技有限公司 | 一种发射光谱背景校正的改进方法 |
CN108344691A (zh) * | 2018-02-08 | 2018-07-31 | 四川九零建设工程有限公司 | 土壤污染程度检测*** |
CN108780473A (zh) * | 2016-01-21 | 2018-11-09 | 蛋白质动态解决方案有限责任公司 | 用于光谱数据分析的方法和*** |
CN113567652A (zh) * | 2021-07-27 | 2021-10-29 | 中国地质调查局水文地质环境地质调查中心 | 一种基于XRF检测技术的Cr元素土壤含水率校正方法 |
-
2024
- 2024-01-26 CN CN202410109807.2A patent/CN117629967B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108780473A (zh) * | 2016-01-21 | 2018-11-09 | 蛋白质动态解决方案有限责任公司 | 用于光谱数据分析的方法和*** |
CN107014785A (zh) * | 2017-05-15 | 2017-08-04 | 浙江全世科技有限公司 | 一种发射光谱背景校正的改进方法 |
CN108344691A (zh) * | 2018-02-08 | 2018-07-31 | 四川九零建设工程有限公司 | 土壤污染程度检测*** |
CN113567652A (zh) * | 2021-07-27 | 2021-10-29 | 中国地质调查局水文地质环境地质调查中心 | 一种基于XRF检测技术的Cr元素土壤含水率校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117629967A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117629967B (zh) | 基于光谱分析的土壤土层污染快速检测方法 | |
CN110261405B (zh) | 基于显微高光谱技术的绝缘子污秽成分识别方法 | |
EP3088871B1 (en) | Raman spectrum detection method | |
CN114279982B (zh) | 水体污染信息获取方法及装置 | |
KR0127500B1 (ko) | 오염 원소 분석 방법 | |
JP2010517015A (ja) | スペクトル解析のための高度パターン認識システム | |
CN103543132B (zh) | 一种基于小波变换的煤质特性测量方法 | |
Biswas | Scale–location specific soil spatial variability: A comparison of continuous wavelet transform and Hilbert–Huang transform | |
CN117030654B (zh) | 一种空气中痕量级二氧化硫浓度测量方法 | |
CN107037012A (zh) | 用于激光诱导击穿光谱采集的阶梯光谱仪动态校正方法 | |
CN106918567A (zh) | 一种测量痕量金属离子浓度的方法和装置 | |
CN114660105A (zh) | 土壤重金属Cd含量反演方法、***、介质、计算机设备 | |
CN117269109B (zh) | 基于近红外光谱的混凝土结构中氯离子含量检测方法 | |
CN113686811A (zh) | 一种基于双传感器的光谱数据处理方法 | |
CN112748140B (zh) | 一种基于迭代离散小波背景扣除的痕量元素xrf测定方法 | |
CN113237938A (zh) | 基于二阶微分寻峰法检测地表水中重金属的方法 | |
CN117609872A (zh) | 一种提高libs检测钻遇碳酸盐岩钙元素含量精度的方法 | |
CN117629971A (zh) | 一种提高激光诱导击穿光谱测量页岩中碳元素精度的方法 | |
CN112378895A (zh) | 一种原油含水率测量方法及***、存储介质、设备 | |
CN108051425B (zh) | 一种拉曼光谱信噪比评估方法 | |
JP2928688B2 (ja) | 汚染元素分析方法及び装置 | |
KR101469168B1 (ko) | 공간적 상관분석을 이용한 시료 대표성 평가 방법 | |
CN109030452A (zh) | 一种基于五点三次平滑算法的拉曼光谱数据降噪方法 | |
CN114289340A (zh) | 重金属污染土壤便携式xrf筛查数据的方法 | |
CN113740294A (zh) | 基于近红外建模的汽油/柴油检测分析方法及装置 |
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 |