【技术实现步骤摘要】
这项专利技术设计光谱信号采集技术，特别是一种基于拉曼光谱分辨率的优化方法。
技术介绍
1、投影狭缝具有提高光谱信号的检测灵敏度，增大光谱的覆盖范围，获取和记录特定波段信号等许多优点，为科学的研究提供了十分有利的支持，投影狭缝通过狭缝的光学限制作用，可以有效地提高光谱的分辨率，使信号更加清晰，和其他光学检测技术相比，基于狭缝优化光谱分辨率的技术在生物学领域具有诸多优势，能用于研究组织的结构和组成。例如，可以使用投影狭缝技术来研究细菌的排列方式、细菌的分布方式以及生物样本内细菌的分布等，也可以用于对潜在药物的筛选。研究人员可以将药物添加到细胞或组织中，然后观察药物对细胞和组织的影响。这有助于确定药物的效力、毒性和副作用等。同时，投影狭缝还具有通用性强的优点，在不同类型的光谱之间具有良好的通用性和较高的分辨能力，可以记录和分析特定波段中的信号分布，分析特定样品中的光谱特性，提高光谱的分辨率和信噪比。
2、光栅拉曼光谱仪中的光栅分光器能够将进入的光线分成不同的波长，形成光谱图。然而，分辨率和光通量是两个相互制约的参数，即若要获得高分辨率，则需要使用较窄的狭缝来限制进入光的数量，从而导致信噪比下降；而若要获得高信噪比，则需要使用较宽的狭缝来增加进入光的数量，但同时也会降低分辨率。因此，现有的光栅拉曼光谱仪很难同时具备高分辨率和高信噪比的性能，而且光谱重构也变得十分复杂，为了同时提升光谱的分辨率和信噪比，采用动态狭缝的方法实时调整狭缝的宽度，可以有效提高光谱的分辨率和信噪比。
3、光栅光谱仪的矩形狭缝存在一定的局限性
4、为了解决这些问题，同时提高光谱的分辨率和信噪比。本专利提出了一种基于数字投影动态狭缝优化光谱分辨率的技术，一段时间采用高分辨率的方式采集数据，一段时间采用高光通量的方式采集数据，再利用数字投影的状态进行还原，实现光谱分辨率和光通量的同步提升。
技术实现思路
1、本专利技术实例解决技术问题所使用的技术方案是：一种基于数字投影动态狭缝优化光谱分辨率的技术，主要分为3个步骤，分别为采集信号过程、模型训练过程和光谱还原过程：
2、1.采集信号过程：主要利用基于动态狭缝的拉曼光谱仪进行信号数据的采集。1.1自主搭建的拉曼光谱仪主要部件示意图像。1.2光源采用氖气和氩气的混合气体，利用cmos探测器来记录仪零级夫琅禾费衍射图像校正投影算子h的光强分布，用来生成对应的光谱信息，该信息涵盖了光谱的波长和长度，并且可以用由光强分布数组mi和波长偏移量δγ构成的函数表示为正投影算子h。
3、2.模型训练过程：2.1将通过动态狭缝采集到的拉曼光谱信息输入到神经网络中，通过对输入数据进行卷积、池化等处理，从而实现对信号的还原；2.2在模型的训练过程中，卷积神经网络可以自动学习到信号中的关键特征，从而提高模型的鲁棒性。
4、3.光谱还原过程：采用基于动态狭缝的拉曼光谱采集技术采集到的信号同时具有较高的光通量和分辨率，经过卷积神经网络还原以后，得到较好的光谱还原效果，定义光谱信号的峰值与噪声的均方根的比值为信噪比(snr)。用半波宽和信噪比来对拉曼光谱的质量进行评价，计算谱峰明显的763.00nm处三个光谱的光谱分辨率和信噪比，光谱分辨率较测试光谱大幅提升，提高了近3.05倍，同时还原光谱的snr较参考光谱提高了5.24倍。
5、本专利技术旨在提供一种基于数字投影动态狭缝的优化光谱分辨率技术，以实现更加精准的拉曼光谱采集。本技术利用自主搭建的动态投影狭缝拉曼光谱仪，通过ccd探测器采集光谱信息，将其作为条件输入，利用卷积神经网络对拉曼光谱信号进行还原，从而得到包含拉曼光谱的半波宽和信噪比的光谱信号。该技术的主要优点在于提高了拉曼光谱仪的分辨率和通用性，同时减少了对样本数量和质量的依赖。该技术适用于各种类型的样品，具有广泛的应用前景。
本文档来自技高网...【技术保护点】
1.一项基于动态狭缝优化光谱分辨率的技术包括以下步骤：该技术以沙门氏菌的测试光谱作为输入对象，并主要由三个主要组成部分构成：信号采集、模型训练和光谱还原，首先，信号采集阶段利用动态狭缝的方法，在仅需0.5秒的时间内获取测试光谱，动态狭缝以0.1米/秒的速度移动，并在每0.01秒记录一次测试位置，此方法通过简单计算可以从记录的零级夫琅禾费衍射图样反推出狭缝处的光强分布，从而节省实验时间和成本，为了进行模型训练，该技术采用了卷积神经网络进行训练，输入为拉曼光谱数据，并采用SeRCNN作为通用解决方案，这种解决方案使用了残差连接的方式，从而实现了神经网络的训练过程。
2.根据权利要求1所述的方法，该技术的特点在于解决了光谱采集过程中光谱强度和信噪比无法同时提高的问题，该方法适用于系统搭建，其中将氖气和氩气的混合气体光源用作输入光源，并设置采集时间为0.50秒，在系统搭建时需要注意动态狭缝的移动速度既不能过大，也不能过小，为了达到最佳效果，目标动态狭缝的移动速度被控制为0.1米/秒，并且每隔0.01秒记录一次测试位置，该动态狭缝的宽度范围为26微米至130微米。
4.根据权利要求3所述的方法，其特征在于：所属的SeRCNN网络由9个可学习层组成，其中包括5个卷积层和4个全连接层，卷积层的卷积核大小分别设置为5、4、4、2、1，全连接层的卷积核数目分别为30×1，10×1，10×1，并且神经元的数目为32，此外，还有一个残差连接层，其中随机失活比例设为0.4，每个卷积层都配备了一组具有特定窗口大小的一维可学习核，用于对光谱信号进行处理，通过这样的网络结构和参数设置，我们能够有效地提取光谱中的特征，并实现准确的光谱处理。
5.根据权利要求3所述的方法，其特征在于，所述的SeRCNN网络来处理光谱，四个全连接层，前三层之后依次是ReLU和Dropout，为了减少SeRCNN的过拟合，引入了Dropout，最后一个全连接层的输出被输入到一个线性激活函数中，然后我们选择残差连接训练最小化损失函数L，提高检测能力。
6.根据权利要求3所述的方法，其特征在于，所述的SeRCNN选用原始Xt与恢复后的X～t之间的均方误差作为损失函数，神经网络能够从输入信号中学习，并对光谱信息进行重建。
7.根据权利要求1所述的方法，其特征在于，所述的优化光谱分辨率的技术可以同时提高光谱的强度和信噪比，最终实现高强度、高信噪比、高分辨率的光谱还原；根据权利要求1所述的方法，其特征在于高通量光谱的分辨率计算公式为：
8.根据权利要求7所述的方法，所述的卷积神经网路中的损失函数为L范数，其公式为：
9.根据权利要求2所述的方法，其特征在于，光谱还原后的输出过程信噪比的计算方法公式为：
10.一种基于菱形狭缝优化光谱分辨率的技术，其特征在于，所述的光谱处理方法用于执行如权利要求1-9任一项所述的光谱处理办法。
...【技术特征摘要】
1.一项基于动态狭缝优化光谱分辨率的技术包括以下步骤：该技术以沙门氏菌的测试光谱作为输入对象，并主要由三个主要组成部分构成：信号采集、模型训练和光谱还原，首先，信号采集阶段利用动态狭缝的方法，在仅需0.5秒的时间内获取测试光谱，动态狭缝以0.1米/秒的速度移动，并在每0.01秒记录一次测试位置，此方法通过简单计算可以从记录的零级夫琅禾费衍射图样反推出狭缝处的光强分布，从而节省实验时间和成本，为了进行模型训练，该技术采用了卷积神经网络进行训练，输入为拉曼光谱数据，并采用sercnn作为通用解决方案，这种解决方案使用了残差连接的方式，从而实现了神经网络的训练过程。
2.根据权利要求1所述的方法，该技术的特点在于解决了光谱采集过程中光谱强度和信噪比无法同时提高的问题，该方法适用于系统搭建，其中将氖气和氩气的混合气体光源用作输入光源，并设置采集时间为0.50秒，在系统搭建时需要注意动态狭缝的移动速度既不能过大，也不能过小，为了达到最佳效果，目标动态狭缝的移动速度被控制为0.1米/秒，并且每隔0.01秒记录一次测试位置，该动态狭缝的宽度范围为26微米至130微米。
3.根据权利要求1所述的方法，具有独特的特点：特征检测方法采用了sercnn网络训练模型，这是一种卷积神经网络，能够批量输入光谱，并输出经过处理后与输入具有相同大小的频谱，网络结构主要由三个部分组成：首先是卷积层，用于进行非线性映射的特征提取，其次是全连接层，用于光谱的重建，最后，通过采用残差连接的方式进行反复训练，以不断提高网络的检测能力，通过这种结构和训练方式，我们能够有效地提取光谱中的特征，并准确地重建处理后的频谱。
4.根据权利要求3所述的方法，其特征...
【专利技术属性】
技术研发人员：李奇峰，吴佳宁，马翔云，谭嵋，衣泽松，孙逸，李志鹏，夏华，李怡书，
申请(专利权)人：天津大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。