一种基于光谱信息进行工厂监控的方法与流程

本发明属于公共场合中传染性疾病诊断识别技术领域，尤其涉及一种基于光谱信息进行工厂监控的方法。

背景技术：

目前国外已有将光谱分析技术应用于传染病的临床诊断，比如病毒性肝炎、新城疫病毒等传染病的检测，其中，基于吸收光谱分析技术的临床病例检验得到最广泛的应用，其原理是利用传染性物质所具有的吸收光谱谱系的特征，来确定该类物质的性质、结构或含量；然而，将光谱分析技术应用于公共场合的传染病识别、诊断与控制，目前国内外并没有进行研究与应用，对于大型社区、购物中心、美食广场、休闲娱乐中心等公共场合，人员密度较高，流动较大，为传染病提供了较好的传播途径。

通常情况下，对于某些传染性疾病，如白化病、皮肤病，患者的体表特征可能处于还不明显阶段，无法用肉眼进行识别与处理，有碍于公共场合下的疾病防控，但研究表明，此类传染性疾病患者的体表，由于病毒的侵害，导致体表特征发生变化，在光谱成像仪下形成的光谱图像的光谱特征波段有异于正常人群，如何将光谱分析技术应用于公共场合下的特殊传染性疾病的识别、诊断与控制，成为了当下光谱分析技术领域的研究热点之一。

技术实现要素：

本发明的目的在于：本发明提供一种基于光谱信息进行工厂监控的方法，解决了现有的光谱分析技术仅在传染病的临床检验中得到应用，以及光谱图像可提取的用于诊断识别的光谱信息微弱、样本小等技术问题，为公共场合下的传染性疾病的识别、诊断与控制提供一套可行的技术方案。

本发明采用的技术方案如下：

一种基于光谱信息进行工厂监控的方法，包括如下步骤：

步骤1：利用多光谱成像系统，在暗室中分别对健康人群以及染病人群进行多光谱成像，获得不同人群的光谱图像，所述多光谱成像系统所涉及滤光片中心波长范围涵盖可见光波长至红外波长；

步骤2：对所述光谱图像进行区域分割，对每一个区域分别提取灰度值；

步骤3：采用波段指数法计算不同健康人群各成像通道的波段指数值pi，根据各成像通道滤光片中心波长以及对应的所述波段指数值pi，获得波段指数曲线图；

步骤4：根据波段指数特征波段选取原理，波段指数值越大的成像通道，所含的光谱信息量也越大，所述成像系统自动从所述波段指数曲线图中捕获出波段指数值局部最大的数据点，并将对应的成像通道的波长进行保存形成健康人群光谱图像的特征波段；

步骤5：重复步骤3-4，获取患病人群光谱图像的特征波段并保存；

步骤6：将所述健康人群以及患病人群的光谱信息组合成初始特征集x＝[x1,x2,...,xn]，并计算所述初始特征集中每个特征的拉普拉斯分值，构成患病诊断特征向量；

步骤7：建立基于支持向量机的患病诊断分类器模型；

步骤8：将测试样本或者实时样本输入到所述患病诊断分类器模型中，对患病与否进行诊断识别。

优选地，步骤1中所述滤光片波长具体为425、475、509、515、558、578、620、650、680、717、750、800、832和850nm共14个通道，其对应的半带宽分别是100、100、20、10、5、10、10、10、10、10、10、10、10和5nm。

优选地，所述步骤3中计算不同健康人群各成像通道的波段指数值pi具体包括：

步骤3.1：计算不同健康人群光谱图像的灰度值的标准差；

步骤3.2：计算所述多光谱成像系统各成像通道之间的相关系数；

步骤3.3：利用公式(1)计算出健康人群各成像通道的波段指数值pi：

式中：参数σi为光谱图像第i通道图像的标准差，参数ri为波段i与波段j之间的相关系数。

优选地，步骤6中计算特征的拉普拉斯分值具体包括如下步骤：

步骤6.1：构造一个具有m个样本点的近邻图q，近邻图q是描述样本之间关系的一类图；第i个节点对应xi，第j个节点对应xj，判断样本点i和样本点j是否连通；

步骤6.2：若样本点i和样本点j不连通，令sij＝0；否则，令

其中，i,j＝1,2,…,m，σ为热核宽度；

步骤6.3：对于初始特征集中的第r个特征，定义fr＝[fr1,fr2,…,frm]^t，d＝si，i＝[1,…,1]^t，l＝d-s；其中d为对角阵，矩阵l为临近图q的拉普拉斯矩阵，r＝1,2,…,n；

步骤6.4：对各个特征进行去均值化处理，得到去均值化处理后的各fri的特征元素集合fr，

步骤6.5：计算第r个特征的拉普拉斯分值lr，构成患病诊断特征向量；

优选地，所述步骤7具体包括如下步骤：

步骤7.1：将患病诊断特征向量分为训练样本和测试样本，具体地，所述灰度值作为测试样本集，所述健康人群的特征波段以及所述患病人群的特征波段组成训练样本集；

步骤7.2：使用训练样本集对所述患病诊断分类器模型进行分类训练，以确定出分类精度是否满足预测精度要求；

步骤7.3：采用粒子群算法对患病诊断分类器模型进行参数寻优，寻优参数包括核函数参数g和误差项的惩罚因子c。

优选地，所述步骤8中的实时样本的获取过程为：进行现场传染性疾病实时诊断识别，利用多光谱相机实时获取公共场合活动场景的光谱图像，其中所述多光谱相机选用的滤光片中心波长包括所述健康人群的特征波段以及所述患病人群的特征波段，将所述光谱图像实时传输至监控中心，所述监控中心对所述光谱图像进行图像预处理，并提取出所述光谱图像的灰度值；构建患病诊断初始特征集，其中包括所述光谱图像的灰度值以及特征波段，并计算所述初始特征集中每个特征的拉普拉斯分值，构成患病诊断特征向量；将所述患病诊断特征向量导入所述患病诊断分类器模型，所述患病诊断分类器模型对所述患病诊断特征向量进行实时预测，来确定所述光谱图像中是否有患病人群。

优选地，对所述光谱图像进行的预处理具体是对所述光谱图像进行区域分割，以便后续灰度值的提取。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

(1)本发明首次实现了将光谱分析技术应用于传染性疾病在公共场合中的实时诊断与识别，避免了现有的临床诊断无法应用于传染性疾病的实时诊断、识别与控制，满足了公共场合对传染性疾病诊断的自动化与智能化的要求；

(2)本发明通过波段指数法对光谱图像进行数据处理，从而得出反映人群是否患病的特征波段，结合光谱图像的灰度值，从而构成了患病诊断特征向量，这一创造性的构思使得本发明的患病诊断简单高效，不需过于复杂的图像处理，减轻了处理系统的运算负荷，进一步提高了公共场合传染性疾病的诊断识别的实时性。

(3)本发明首次将支持向量机结合光谱分析技术应用于传染性疾病的诊断识别，可以有效地获取、传递、处理、再生和利用光谱信息，准确地诊断识别出公共场合是否有患病人群，是一种智能的传染病实时诊断识别方法。

(4)本发明提出的基于拉普拉斯分值和支持向量机的传染性疾病诊断识别方法，采用拉普拉斯分值计算方法构建最有代表性的特征向量，降低了训练样本与测试样本的维度，有效避免了维数灾难；同时也降低了支持向量机模型进行疾病诊断的运算量与时间，提高了在公共场合进行传染性疾病识别的处理效率。

(5)本发明采用粒子群优化算法对支持向量机模型的特征参数进行寻优处理，解决了样本少的问题，保证了诊断识别结果的可靠性。

附图说明

图1是本发明方法的流程示意图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合实施例，对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，能实现同样功能的产品属于等同替换和改进，均包含在本发明的保护范围之内。

下面对本发明作详细说明。

参见附图1，一种基于光谱信息进行工厂监控的方法，包括如下步骤：

步骤1：利用多光谱成像系统，在暗室中分别对健康人群以及染病人群进行多光谱成像，获得不同人群的光谱图像，所述多光谱成像系统所涉及滤光片中心波长范围涵盖可见光波长至红外波长；

步骤2：对所述光谱图像进行区域分割，对每一个区域分别提取灰度值；

步骤3：采用波段指数法计算不同健康人群各成像通道的波段指数值pi，根据各成像通道滤光片中心波长以及对应的所述波段指数值pi，获得波段指数曲线图；

步骤4：根据波段指数特征波段选取原理，波段指数值越大的成像通道，所含的光谱信息量也越大，所述成像系统自动从所述波段指数曲线图中捕获出波段指数值局部最大的数据点，并将对应的成像通道的波长进行保存形成健康人群光谱图像的特征波段；

步骤5：重复步骤3-4，获取患病人群光谱图像的特征波段并保存；

步骤6：将所述健康人群以及患病人群的光谱信息组合成初始特征集x＝[x1,x2,...,xn]，并计算所述初始特征集中每个特征的拉普拉斯分值，构成患病诊断特征向量；

步骤7：建立基于支持向量机的患病诊断分类器模型；

步骤8：将测试样本或者实时样本输入到所述患病诊断分类器模型中，对患病与否进行诊断识别。

优选地，步骤1中所述滤光片波长具体为425、475、509、515、558、578、620、650、680、717、750、800、832和850nm共14个通道，其对应的半带宽分别是100、100、20、10、5、10、10、10、10、10、10、10、10和5nm。

优选地，所述步骤3中计算不同健康人群各成像通道的波段指数值pi具体包括：

步骤3.1：计算不同健康人群光谱图像的灰度值的标准差；

步骤3.2：计算所述多光谱成像系统各成像通道之间的相关系数；

步骤3.3：利用公式(1)计算出健康人群各成像通道的波段指数值pi：

式中：参数σi为光谱图像第i通道图像的标准差，参数ri为波段i与波段j之间的相关系数。

优选地，步骤6中计算特征的拉普拉斯分值具体包括如下步骤：

步骤6.1：构造一个具有m个样本点的近邻图q，近邻图q是描述样本之间关系的一类图；第i个节点对应xi，第j个节点对应xj，判断样本点i和样本点j是否连通；

步骤6.2：若样本点i和样本点j不连通，令sij＝0；否则，令

其中，i,j＝1,2,…,m，σ为热核宽度；

步骤6.3：对于初始特征集中的第r个特征，定义fr＝[fr1,fr2,…,frm]^t，d＝si，i＝[1,…,1]^t，l＝d-s；其中d为对角阵，矩阵l为临近图q的拉普拉斯矩阵，r＝1,2,…,n；

步骤6.4：对各个特征进行去均值化处理，得到去均值化处理后的各fri的特征元素集合fr，

步骤6.5：计算第r个特征的拉普拉斯分值lr，构成患病诊断特征向量；

优选地，所述步骤7具体包括如下步骤：

步骤7.1：将患病诊断特征向量分为训练样本和测试样本，具体地，所述灰度值作为测试样本集，所述健康人群的特征波段以及所述患病人群的特征波段组成训练样本集；

步骤7.2：使用训练样本集对所述患病诊断分类器模型进行分类训练，以确定出分类精度是否满足预测精度要求；

步骤7.3：采用粒子群算法对患病诊断分类器模型进行参数寻优，寻优参数包括核函数参数g和误差项的惩罚因子c。

实施例一

本实施例用于检测白化病，利用身体皮肤的白色或红色成程的不同造成光谱信息的差异实现疾病检测。

基于多光谱相机的白化病识别方法，包括如下步骤：

步骤1：利用多光谱成像系统，在暗室中分别对健康人群以及白化病患者的身体皮肤进行多光谱成像，所述多光谱成像系统所涉及滤光片中心波长范围涵盖可见光波长至红外波长；

步骤2：对身体皮肤的光谱图像进行区域分割，对每一个区域分别提取灰度值；

步骤3：采用波段指数法计算不同健康人群身体皮肤的各成像通道的波段指数值pi，根据各成像通道滤光片中心波长以及对应的所述波段指数值pi，获得波段指数曲线图；

步骤4：根据波段指数特征波段选取原理，波段指数值越大的成像通道，所含的光谱信息量也越大，所述成像系统自动从所述波段指数曲线图中捕获出波段指数值局部最大的数据点，并将对应的成像通道的波长进行保存形成健康人群身体皮肤的光谱图像的特征波段；

步骤5：重复步骤3-4，获取白化病患者身体皮肤的光谱图像的特征波段并保存；

步骤6：将所述健康人群以及白化病患者身体皮肤的光谱信息组合成初始特征集x＝[x1,x2,...,xn]，并计算所述初始特征集中每个特征的拉普拉斯分值，构成患病诊断特征向量；

步骤7：建立基于支持向量机的患病诊断分类器模型；

步骤8：将白化病患者的实时样本输入到所述患病诊断分类器模型中，对患病与否进行诊断识别。

具体地，所述步骤3中计算不同健康人群各成像通道的波段指数值pi具体包括：

步骤3.1：计算不同健康人群光谱图像的灰度值的标准差；

步骤3.2：计算所述多光谱成像系统各成像通道之间的相关系数；

步骤3.3：利用公式(1)计算出健康人群各成像通道的波段指数值pi：

式中：参数σi为光谱图像第i通道图像的标准差，参数ri为波段i与波段j之间的相关系数。

实施例二

本实施例用于对红斑狼疮的早期检测，利用身体皮肤和内部组织的光谱信息与健康人的差异实现疾病检测。

基于多光谱相机的红斑狼疮识别方法，包括如下步骤：

步骤1：利用多光谱成像系统，在暗室中分别对健康人群以及红斑狼疮患者的身体皮肤进行多光谱成像，所述多光谱成像系统所涉及滤光片中心波长范围涵盖可见光波长至红外波长；

步骤2：对身体皮肤的光谱图像进行区域分割，对每一个区域分别提取灰度值；

步骤3：采用波段指数法计算不同健康人群身体皮肤的各成像通道的波段指数值pi，根据各成像通道滤光片中心波长以及对应的所述波段指数值pi，获得波段指数曲线图；

步骤4：根据波段指数特征波段选取原理，波段指数值越大的成像通道，所含的光谱信息量也越大，所述成像系统自动从所述波段指数曲线图中捕获出波段指数值局部最大的数据点，并将对应的成像通道的波长进行保存形成健康人群身体皮肤的光谱图像的特征波段；

步骤5：重复步骤3-4，获取红斑狼疮患者身体皮肤的光谱图像的特征波段并保存；

步骤6：将所述健康人群以及红斑狼疮患者身体皮肤的光谱信息组合成初始特征集x＝[x1,x2,...,xn]，并计算所述初始特征集中每个特征的拉普拉斯分值，构成患病诊断特征向量；

步骤7：建立基于支持向量机的患病诊断分类器模型；

步骤8：将红斑狼疮患者的实时样本输入到所述患病诊断分类器模型中，对患病与否进行诊断识别。

具体地，所述步骤3中计算不同健康人群各成像通道的波段指数值pi具体包括：

步骤3.1：计算不同健康人群光谱图像的灰度值的标准差；

步骤3.2：计算所述多光谱成像系统各成像通道之间的相关系数；

步骤3.3：利用公式(1)计算出健康人群各成像通道的波段指数值pi：

式中：参数σi为光谱图像第i通道图像的标准差，参数ri为波段i与波段j之间的相关系数。

本发明采用的支持向量机对所述患病诊断特征向量进行学习与分类，是一种解决小样本分类与预测的机器学习算法，该方法建立在统计学习理论的基础上，已成功应用于金融、电力等系统的预测中。神经网络等诊断方法常需要较多的训练样本和较少的数据维数，而且在进行网络训练时候易陷入局部最优解，或者当网络规模较大的时候不易收敛，而支持向量机在小样本统计方面具有独特的求解优势，不存在局部最优解问题，因此可以克服神经网络等学习方法的不足，具有独特的优势。

支持向量机参数的选取对于最终的结果有着较大影响。同样的训练样本集建立的模型，会由于参数选取的不同产生较大的差别，参数选取的不合适，则模型的精度就会比较差。目前参数的选取方法主要有枚举法、网格搜索法、粒子群算法等等。一般情况下，对于对参数不敏感的样本集，枚举法是一种省时省力的方法，也是人们较为常用的一种方法。但对于对参数敏感的样本集，就必须利用优化算法。网格搜索法是一种穷举式的算法，这种算法得到的结果一定是最优的，然而该算法耗时十分长，在某些情况下，这种方法较为不实用。粒子群算法是现在最常用的优化算法，技术也相对比较成熟，这种算法都在较短的寻优时间上保持较好的寻优结果。

以上所述仅为本发明之较佳实施例，并非用以限定本发明的权利要求保护范围。同时以上说明，对于相关技术领域的技术人员应可以理解及实施，因此，其他基于本发明所揭示内容所完成的等同改变，均应包含在本权利要求书的涵盖范围内。