确定多层浑浊介质光学特性参数及层厚度的方法及系统技术方案

本发明专利技术涉及一种确定多层浑浊介质光学特性参数及层厚度的方法，包括获取不同角度激发光下从多层浑浊介质中漫反射出来的光强分布信息；将光强分布信息与对应光学特性参数及层厚度的随机组合划分为训练数据集和测试数据集；利用训练数据集训练机器学习模型；利用测试数据集对确定的模型进行测试；评估该模型对多层浑浊介质光学特性参数及层厚度的识别性能。本发明专利技术从不同角度激发光对应的漫反射光强分布信息实现多层浑浊介质中每层光学特性参数及层厚度的识别方法，克服了现有技术中仅能对单层或两层介质吸收系数和降散射系数进行识别研究、无法同时识别多层介质中每层的光学特性参数以及每层介质的厚度的缺陷。特性参数以及每层介质的厚度的缺陷。特性参数以及每层介质的厚度的缺陷。

【技术实现步骤摘要】
确定多层浑浊介质光学特性参数及层厚度的方法及系统


[0001]本专利技术涉及在医疗诊断、食品质量和材料检测等方面对介质光学特性参数检测的应用，尤其是指一种确定多层浑浊介质光学特性参数及层厚度的方法及系统。

技术介绍

[0002]光在浑浊介质中传播主要受介质内部的光学特性参数的影响，包括吸收系数μ
a
，散射系数μ
s
，各项异性因子g和折射率n。其中吸收系数主要反映组织内部化学信息(如水分、酸度、糖度等)的变化；散射系数主要表现为介质内部的结构和物理特性(如密度、形态学特征、细胞结构组成等)；散射特性和各项异性因子给出组织中不同散射成分的形状，大小和浓度信息；折射率用来处理光在组织中传输的边界问题和速度问题。通过测量生物组织的光学特性参数可以确定生物组织的生理状态以及是否发生病变等。因此这些光学特性参数的精准量化信息对于光学检测的主要应用领域如生物医学和食品质量来说至关重要。
[0003]对生物组织光学特性参数的测量，一般是假设生物组织为半无限厚的均匀的组织，通过传输方程的漫反射近似解求出光与组织相互作用的结果来实现光学特性参数的测量。实际的生物组织，如水果、皮肤、食管、胃、膀胱以及头部均具有分层结构，不同层具有不同的光学特性参数。由于介质的多样性和复杂性，因此研究光在多层介质中的传播及每层介质光学特性参数测定具有更重要的意义。并且在对多层介质的光学特性的识别中，介质层厚度的考量也是必要的。但是现有技术中仅能对单层或两层介质吸收系数和降散射系数进行识别研究，无法同时识别多层介质中每层的光学特性参数以及每层介质的厚度，从而无法更好地量化光在其中的传播，很难准确地实现无损实时检测。

技术实现思路

[0004]为此，本专利技术所要解决的技术问题在于克服现有技术中仅能对单层或两层介质吸收系数和降散射系数进行识别研究、无法同时识别多层介质中每层的光学特性参数以及每层介质的厚度的缺陷。
[0005]为解决上述技术问题，本专利技术提供一种确定多层浑浊介质光学特性参数及层厚度的方法，包括：
[0006]获取不同角度激发光下从多层浑浊介质中漫反射出来的光强分布信息，在所述光强分布信息与对应的多层浑浊介质每层的光学特性参数及层厚度之间建立机器学习映射关系模型；
[0007]将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集和测试数据集，并对所述训练数据集和测试数据集进行归一化处理；
[0008]利用归一化处理后的所述训练数据集确定不同角度激发光下的漫反射光强分布信息和对应的光学特性参数及层厚度的随机组合的机器学习模型，其中所述光强分布信息作为该模型的输入，每一层的光学特性参数及层厚度作为该模型的输出，对建立的模型进行训练；
[0009]利用归一化处理后的所述测试数据集对确定的模型进行测试，通过所述模型将测试数据集的光强分布信息作为输入，预测多层浑浊介质中每层的光学特性参数及层厚度；
[0010]将预测的光学特性参数及层厚度与真实的光学特性参数和层厚进行对比，以评估该模型对多层浑浊介质光学特性参数及层厚度的识别性能。
[0011]在本专利技术的一个实施例中，所述光学特性参数包括吸收系数μ
a
，散射系数μ
s
，各项异性因子g、折射率n。
[0012]在本专利技术的一个实施例中，在所述光强分布信息与对应的多层浑浊介质每层的光学特性参数及层厚度之间建立机器学习映射关系模型包括：
[0013]通过蒙特卡洛仿真模拟光在由吸收系数μ
a
、散射系数μ
s
、各项异性因子g、折射率n及层厚度d随机组合的多层介质中的传输特性，初始化光子入射角度，获取不同角度激发光下从多层浑浊介质中漫反射出来的光强分布信息；
[0014]在所述光强分布信息与所述光学特性参数及层厚度之间建立机器学习映射关系模型如下：
[0015]f(x)＝w
T
φ(x)+b
[0016]式中，x表示不同角度激发光下的漫反射光强分布信息；f(x)表示相对应的光学特性参数及层厚度；φ(x)表示将x映射到高维特性空间的非线性映射函数；w表示高维特征空间的权重向量；b表示偏差变量。
[0017]在本专利技术的一个实施例中，将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集的方法包括：
[0018]将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集为{(x
i
,y
i
),i＝1,2,
…
,m}，其中x
i
表示第i个训练样本的输入值，y
i
表示第i个训练样本的目标值，m表示训练数据集中的样本数量。
[0019]在本专利技术的一个实施例中，将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为测试数据集的方法包括：
[0020]将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为测试数据集为{(X
i
,Y
i
),i＝1,2,
…
,n}，其中X
i
表示第i个测试样本的输入值，Y
i
表示第i个测试样本的目标值，n表示测试数据集中的样本数量。
[0021]在本专利技术的一个实施例中，对所述训练数据集和测试数据集进行归一化处理的方法包括：
[0022]将所述训练数据集和测试数据集中的不同角度激发光下的漫反射光强分布信息进行min
‑
max标准化，使不同角度激发光下的漫反射光强分布信息处于同一数量级。
[0023]在本专利技术的一个实施例中，将所述训练数据集和测试数据集中的不同角度激发光下的漫反射光强分布信息进行min
‑
max标准化的方法如下：
[0024]对数据样本{x1，x2，
…
，x
n
}进行归一化处理：
[0025][0026]式中，z
i
表示每个样本归一化后的值。
[0027]在本专利技术的一个实施例中，利用归一化处理后的所述训练数据集建立不同角度激发光下的漫反射光强分布信息和对应的光学特性参数及层厚度的机器学习模型的方法包括：
[0028]以所述训练数据集中不同角度激发光下的漫反射光强分布信息作为输入，以所述训练数据集中的多层浑浊介质的光学特性参数及层厚度作为输出，建立并训练所述机器学习模型。
[0029]在本专利技术的一个实施例中，评估该模型对多层浑浊介质光学特性参数及层厚度的识别性能的方法包括：
[0030]检测所述模型输出预测的多层浑浊介质光学特性参数及层厚度与真实输入到蒙特卡洛仿真模拟中的光学特性参数及层厚度之间的平均相对误差值MRE，MRE越低表示模型预测多层介质的光学特性参数及层厚度的精确度越高，
[0031][0032]其中y
n
和y
n...

【技术保护点】

【技术特征摘要】
1.一种确定多层浑浊介质光学特性参数及层厚度的方法，其特征在于，包括：获取不同角度激发光下从多层浑浊介质中漫反射出来的光强分布信息，在所述光强分布信息与对应的多层浑浊介质每层的光学特性参数及层厚度之间建立机器学习映射关系模型；将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集和测试数据集，并对所述训练数据集和测试数据集进行归一化处理；利用归一化处理后的所述训练数据集确定不同角度激发光下的漫反射光强分布信息和对应的光学特性参数及层厚度的随机组合的机器学习模型，其中所述光强分布信息作为该模型的输入，每一层的光学特性参数及层厚度作为该模型的输出，对建立的模型进行训练；利用归一化处理后的所述测试数据集对确定的模型进行测试，通过所述模型将测试数据集的光强分布信息作为输入，预测多层浑浊介质中每层的光学特性参数及层厚度；将预测的光学特性参数及层厚度与真实的光学特性参数及层厚度进行对比，以评估该模型对多层浑浊介质光学特性参数及层厚度的识别性能。2.根据权利要求1所述的确定多层浑浊介质光学特性参数及层厚度的方法，其特征在于：所述光学特性参数包括吸收系数μ
a
，散射系数μ
s
，各项异性因子g、折射率n。3.根据权利要求2所述的确定多层浑浊介质光学特性参数及层厚度的方法，其特征在于：在所述光强分布信息与对应的多层浑浊介质每层的光学特性参数及层厚度之间建立机器学习映射关系模型包括：通过蒙特卡洛仿真模拟光在由吸收系数μ
a
、散射系数μ
s
、各项异性因子g、折射率n及层厚度d随机组合的多层介质中的传输特性，初始化光子入射角度，获取不同角度激发下光从多层浑浊介质中漫反射出来的光强分布信息；在所述光强分布信息与所述光学特性参数及层厚度之间建立机器学习映射关系模型如下：f(x)＝w
T
φ(x)+b式中，x表示不同角度激发光下的漫反射光强分布信息；f(x)表示相对应的光学特性参数及层厚度；φ(x)表示将x映射到高维特性空间的非线性映射函数；w表示高维特征空间的权重向量；b表示偏差变量。4.根据权利要求1所述的确定多层浑浊介质光学特性参数及层厚度的方法，其特征在于：将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集的方法包括：将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集为{(x
i
,y
i
),i＝1,2,
…
,m}，其中x
i
表示第i个训练样本的输入值，y
i
表示第i个训练样本的目标值，m表示训练数据集中的样本数量。5.根据权利要求1所述的确定多层浑浊介质光学特性参数及层厚度的方法，其特征在于：将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为测试数据集的方法包括：将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为测试数据集为{(X
i
,Y
i
),i＝1,2,
…
,n}，其中X
i
...

【专利技术属性】
技术研发人员：郭亚，刘宣君，夏倩，仝德之，
申请(专利权)人：绿视芯科技无锡有限公司，
类型：发明
国别省市：