基于深度学习模型的浑浊介质光学参数测量系统与方法技术方案

本发明专利技术公开了一种基于深度学习模型的浑浊介质光学参数测量系统与方法。该方法包括：设置系统参数值，用蒙特卡罗计算透过样品后的光强分布图像，对图像进行预处理和标记，设置深度学习模型参数和训练网络模型，利用测量系统获取透过样品后的光强分布图像，对实验图像进行预处理，使用已训练好的深度学习网络模型对实验图像进行吸收系数μ

【技术实现步骤摘要】
基于深度学习模型的浑浊介质光学参数测量系统与方法


[0001]本专利技术涉及浑浊介质光学参数的测量领域，尤其涉及一种采用深度学习模型从浑浊介质透射面光强分布图像中快速获取浑浊介质吸收系数μ
a
、散射系数μ
s
和各向异性系数g的系统及方法。

技术介绍

[0002]浑浊介质光学参数主要包括吸收系数μ
a
、散射系数μ
s
和各向异性系数g，它们是表征浑浊介质物理和化学性质的重要指标。准确快速测量其光学参数在生物医学、材料化工、环境监测和食品药品检验等领域具有重要意义。辐射传输方程可准确描述光在浑浊介质中的传输，该方程是一个与三维空间和波长相关的偏微分方程，无法直接求解获取其中的光学参数。从辐射传输方程中获取介质的光学参数属于反问题的参数估计问题，通常具有不适定性、计算量大、效率低等特点，如何快速准确获取浑浊介质光学参数是当前研究需要解决的难点。基于辐射传输方程的光学参数获取的基本思路是采用实验测量获取与介质和空间位置相关的光辐射分布，结合合适的逆计算算法从光辐射分布中提取介质光学参数。实验测量光辐射分布主要采用积分球和不同角度上的光电探测器的测量方法，近年来，有研究人员采用CCD或CMOS获取反射面的光辐射分布，我们提出设计一种测量透射方向的光辐射分布光学系统来测量光辐射分布。通过逆计算提取浑浊介质光学参数需要合适的正计算模型，在基于辐射传输理论的光学参数提取中，蒙特卡罗方法不受样品结构和状态的影响，是测量真实样品和复杂结构样品的最佳选择，得到了广泛的应用。然而，基于概率理论的蒙特卡罗方法存在统计涨落误差，为了减少统计误差需要增加计算量，以现阶段普通计算机算力，采用并行计算的蒙特卡罗方法要获得较低误差，单次正计算需要几秒到几分钟左右的时间，如果考虑三维空间方向和波长上的迭代逆计算算法，时间则大幅度增加。
[0003]基于深度学习模型的方法现在广泛应用于图像分类、目标检测和识别等领域，拥有良好的性能和取得巨大发展。如果选择合理的数据，训练好深度学习模型，在图像分类和目标识别等应用上，具有快速准确识别的优点。要将深度学习模型应用于浑浊介质光学参数测量，需要解决两个方面问题。一是将分类和识别用的模型修改成参数识别的模型；二是获取大量合理训练数据。在模型修改上，我们采用在通用深度学习网络模型上删除判决层，将识别概率作为参数识别的特征来获取所需参数；由于无法取得大量不同光学参数的浑浊介质样品，从而无法得到大量实验测量的数据来训练深度学习模型，我们提出采用经严格核实和合理处置下的蒙特卡罗正计算数据作为训练数据，利用该数据作为训练数据。该方法经实际测量和验证，具有参数测量准确率高，参数识别速度快的优点，提供一种浑浊介质光学参数测量新方法。

技术实现思路

[0004]本专利技术需要解决的技术问题是：为了解决传统浑浊介质光学参数测量方法中存在的参数识别效率低、准确率不高、测量系统较复杂的问题，提供一种基于深度学习模型的浑
浊介质光学参数测量系统与方法，利用光学参数测量系统获取透过浑浊介质后的光强分布图像，经预处理后由已训练好的深度学习模型提取出浑浊介质样品的吸收系数μ
a
、散射系数μ
s
和各向异性系数g。
[0005]本专利技术解决其技术问题采用以下的技术方案：
[0006]本专利技术提供的浑浊介质光学参数测量系统，是一种基于深度学习模型的浑浊介质光学参数测量系统，该系统包括以光信号相连的宽谱光源、抛物面准直镜、分光器、狭缝、准直器、样品池、相机和计算机，其中：计算机利用深度学习模型进行浑浊介质样品的光学参数测量。
[0007]所述的系统中，宽谱光源发出的连续宽带非相干光经过抛物面准直镜准直后，入射到分光器，将宽谱白光在空间上分成不同波长的光，经过狭缝选择所需波长的单色光，进一步采用准直器压缩光束的发散角，准直后的光入射到样品池，透过样品后采用相机对经样品后的光束进行采集，采集的图像送入计算机利用深度学习模型进行浑浊介质样品的光学参数测量。
[0008]本专利技术提供的浑浊介质光学参数测量方法，是一种基于深度学习模型的浑浊介质光学参数测量方法，该方法利用光学参数测量系统获取透过样品后的光分布图像，经预处理后由已训练好的深度学习网络模型提取样品吸收系数μ
a
、散射系数μ
s
和各向异性系数g，具体包括以下步骤：
[0009]S1：设置测量系统和样品参数以及蒙特卡罗计算参数；
[0010]S2：测量系统获取不添加样品时的入射光分布作为蒙特卡罗程序的输入光分布，计算出透过样品后的光强分布图像；
[0011]S3：将S2中的图像进行预处理及使用光学参数标记图像；
[0012]S4：搭建深度学习模型，设置模型训练的超参数，使用S3图像数据集训练深度学习模型；
[0013]S5：利用测量系统获取透过样品后的光强分布图像；
[0014]S6：对S5中采集的光强分布图像进行预处理；
[0015]S7：提取S4中完成训练后的最佳权重参数完成深度学习网络模型；
[0016]S8：使用S7模型提取样品光学参数并对光学参数进行校验，该校验是指用S7模型对S6的实验光强分布图像识别并提取样品吸收系数μ
a
、散射系数μ
s
和各向异性系数g，并对光学参数进行异常值校验。
[0017]上述方法中，步骤S1设置的测量系统参数包括相机的空间方向、三维位置坐标、像素尺寸大小和像素数；样品参数包括样品环的厚度、内环直径、外环直径、反射率、窗口玻璃的折射率、厚度、大小尺寸；蒙特卡罗程序参数包括计算总光子数，吸收系数μ
a
、散射系数μ
s
和各向异性系数g的初始值、计算步长值和计算个数。
[0018]上述方法中，步骤S2具体包括：测量系统获取特定波长下不添加样品时的透射光强分布作为基于辐射传输方程计算程序的输入光分布，并将计算总光子数按照光分布概率分配到每一个计算像素，再采用GPU蒙特卡罗并行计算得到透过样品后的光强分布图像。
[0019]上述方法中，步骤S3所述的预处理为使用低通高斯滤波方式对S2中的光强分布进行滤波，根据光束调制频率和样品选择滤波器截止频率，并使用光学参数标记预处理后光强分布图像数据集。
[0020]上述方法中，步骤S4所述的深度学习网络模型结构第一层为图像数据输入层，第二至第五层为卷积层，第六至第九层为全连接层，第十层为光学参数的输出层。其中卷积层和全连接层的激活函数选择Relu，采样方式为下采样，学习率参数设置为阶梯下降，深度学习网络模型的损失函数选择MSE函数。
[0021]上述方法中，步骤S5所述的将浑浊介质样品加入样品池，保持样品的均匀性和稳定性，防止气泡和飞尘落入样品池；入射光束入射到样品，相机采集透过样品后的光强分布，并通过信号与控制电缆传输至计算机并保存。
[0022]上述方法中，步骤S6所述的预处理过程为将实验光强分布本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种浑浊介质光学参数测量系统，其特征是一种基于深度学习模型的浑浊介质光学参数测量系统，该系统包括以光信号相连的宽谱光源(1)、抛物面准直镜(2)、分光器(3)、狭缝(4)、准直器(5)、样品池(6)、相机(7)和计算机(8)，其中：计算机(8)利用深度学习模型进行浑浊介质样品的光学参数测量。2.根据权利要求1所述的光学参数测量系统，其特征在于宽谱光源(1)发出的连续宽带非相干光经过抛物面准直镜(2)准直后，入射到分光器(3)，将宽谱白光在空间上分成不同波长的光，经过狭缝(4)选择所需波长的单色光，进一步采用准直器(5)压缩光束的发散角，准直后的光入射到样品池(6)，透过样品后采用相机(7)对经样品后的光束进行采集，采集的图像送入计算机(8)利用深度学习模型进行浑浊介质样品的光学参数测量。3.一种浑浊介质光学参数测量方法，其特征是一种基于深度学习模型的浑浊介质光学参数测量方法，该方法利用光学参数测量系统获取透过样品后的光分布图像，经预处理后由已训练好的深度学习网络模型提取样品吸收系数μ
a
、散射系数μ
s
和各向异性系数g，具体包括以下步骤：S1：设置测量系统和样品参数以及蒙特卡罗计算参数；S2：测量系统获取不添加样品时的入射光分布作为蒙特卡罗程序的输入光分布，计算出透过样品后的光强分布图像；S3：将S2中的图像进行预处理及使用光学参数标记图像；S4：搭建深度学习模型，设置模型训练的超参数，使用S3图像数据集训练深度学习模型；S5：利用测量系统获取透过样品后的光强分布图像；S6：对S5中采集的光强分布图像进行预处理；S7：提取S4中完成训练后的最佳权重参数完成深度学习网络模型；S8：使用S7模型提取样品光学参数并对光学参数进行校验，该校验是指用S7模型对S6的实验光强分布图像识别并提取样品吸收系数μ
a
、散射系数μ
s
和各向异性系数g，并对光学参数进行异常值校验。4.根据权利要求3所述的方法，其特征在于S1设置的测量系统参数包括相机的空间方向、三维位置坐标、像素尺寸大小和像素数；样品参数包括样品环的厚度、内环直径、外环直径、反射率、窗口玻璃的折射率、厚度、大小尺寸；蒙特卡罗程序参数包括计算总光子数，吸收系数μ
a
、散射系数μ
s
和各向异性系数g的初始...

【专利技术属性】
技术研发人员：田芃，王恺，周峰，王文进，刘靖，元秀华，朱建国，
申请(专利权)人：湖南理工学院，
类型：发明
国别省市：