一种集成LIBS的智能设备全场景物品识别方法、模块及应用
本发明涉及一种集成libs的智能设备全场景物品识别方法、模块及应用,属于智能感知与物质识别,适用于集成于机器人、无人机的智能设备,实现对固体、粉末、液体多种形态物品的快速、原位、元素级成分识别与类别判定,并可进一步获取物品的性能指标与物理意义,服务于物理ai系统。
背景技术:
1、智能设备对周围物品的感知能力是决定其自主决策水平的核心因素。目前,机器人、无人机等智能设备主要依赖光学相机、红外传感器等获取物品的形状、颜色、温度等物理属性,但无法获取物品的化学成分信息。在许多应用场景中,物品的材质成分直接决定了其价值和处置方式,例如:外观相同的不同金属需要分类回收;不同塑料品种需要分拣处理;食品接触材料需要符合安全标准;文物和宝石需要鉴定真伪等。
2、激光诱导击穿光谱(libs)是一种基于脉冲激光烧蚀产生等离子体并分析其发射光谱的原子发射光谱技术,具有无需样品制备、分析速度快(秒级)、可检测元素范围广(h-u)、微区微损、可远程探测等优势,理论上非常适合集成到智能设备中作为“化学成分感知”模块。然而,目前libs技术主要应用于实验室检测和工业在线分析,现有设备体积大、成本高、操作复杂,尚未出现能够灵活嵌入各类智能设备并实现全场景物品识别的模块化方案。
3、此外,libs光谱数据维度高、基体效应复杂,如何选择适格的数据解析算法以适应多类物品的准确识别,已经成为亟需解决的问题。
技术实现思路
1、本发明的目的是针对现有智能设备缺乏化学成分感知能力、传统libs设备无法灵活集成至智能平台的技术问题,提出一种集成libs的智能设备全场景物品识别方法、模块及应用。本发明不仅提供物品种类与化学成分的识别,还能关联材料的性能指标与物理意义,为物理ai系统构建感知基础。本发明通过将libs技术的核心部件微型化、模块化,并配合一套通用化的光谱处理与数据解析流程,使其能够作为标准化的化学成分感知单元被智能设备所集成;
2、本发明的目的是通过以下技术方案实现的:
3、本发明公开的一种集成libs的智能设备全场景物品识别方法,包括以下步骤:
4、步骤1:利用集成有脉冲激光器、微型光谱仪和libs光路系统的可分离式微型libs 探头,通过有线或无线通信连接至搭载于主控处理器的数据处理单元,当微型 libs探头与目标物品表面安全接触时,将安全联锁装置解锁,并同时作为脉冲激光器发射激光与微型光谱仪采集的同步信号,脉冲激光器发射激光对目标物品表面进行激光激发产生等离子体,微型光谱仪同步采集等离子体的发射光谱形成原始光谱数据;
5、步骤1.1:所述脉冲激光器采用微型固态激光器或光纤激光器,发射波长为紫外、可见或近红外波段的纳秒级或微秒级脉冲激光;脉冲能量在 0.1mj 至 100mj 范围内可调,重复频率在 1hz 至 1000hz 范围内可调,支持单点检测和连续扫描检测双工作模式;
6、步骤1.2:所述微型光谱仪采用基于光栅分光或傅里叶变换的微型光谱仪,光谱采集波长范围覆盖 180nm-1100nm,光学分辨率优于 0.1nm;探测器选用 ccd、cmos 或光电倍增管阵列;
7、步骤1.3:所述libs光路系统基于共轴或旁轴光学设计并适应不规则表面或不同工作距离的自动对焦,将激光束聚焦至目标物品表面或近表面,聚焦光斑直径为 10-200μm;
8、步骤1.4:所述微型 libs 探头前端集成有安全联锁装置,所述安全联锁装置包括接触传感器、接近传感器或距离传感器;
9、步骤1.4.1:当探头未处于安全接触或安全距离状态时,切断激光器供电回路;
10、步骤1.4.2:当探头与目标物品表面可靠接触时,触发激光器发射脉冲激光;
11、步骤2:利用数据处理单元对原始光谱数据执行预处理操作,提取特征向量;
12、步骤2.1:对原始光谱数据进行异常光谱剔除,通过对同一检测点位批量采集光谱,计算平均谱强度及离散度指标,基于拉依达准则、狄克逊准则、格鲁布斯准则或中位绝对偏差方法自动识别和剔除异常光谱,保留代表物品本征信息的光谱进行平均或中位合并;
13、步骤2.2:采用窗口最小值法、多项式拟合法、小波变换法或导数光谱法估计去除光谱中连续背景信号;
14、步骤2.3:采用全谱面积归一化、参考通道归一化、内标元素归一化或分通道背景归一化,消除激光能量波动和检测距离变化导致的信号强度差异;
15、步骤2.4:基于预设的元素谱线数据库,自动识别和提取特定波长处对应的特征峰强度、峰面积或峰宽,形成降维后的特征向量;进一步的,所述元素谱线数据库涵盖 h、li、be、b、c、n、o、f、na、mg、al、si、p、s、cl、k、ca、ti、v、cr、mn、fe、co、ni、cu、zn 元素的原子线和离子线;
16、步骤3:数据处理单元依据覆盖金属、塑料、陶瓷、玻璃、木材材质类别中至少一类或混合材质类别自动选择并调用预置的化学计量学或机器学习模型对所述特征向量进行预训练;
17、步骤3.1:所述预置化学计量学或机器学习模型库包括多元线性回归类模型、分类模型、树模型与集成模型、神经网络模型中至少一种或其任意组合;
18、步骤3.1.1:所述元线性回归类模型包括偏最小二乘法、主成分回归、岭回归;
19、步骤3.1.2:所述分类模型包括偏最小二乘判别分析、主成分分析结合线性判别分析、支持向量机分类、k 近邻;
20、步骤3.1.3:所述树模型与集成模型包括随机森林、梯度提升树、xgboost、lightgbm;
21、步骤3.1.4:所述神经网络模型包括多层感知机、卷积神经网络、循环神经网络、transformer;
22、步骤3.2:数据处理单元依据覆盖金属、塑料、陶瓷、玻璃、木材材质类别中单一材质或混合材质类别对化学计量学或机器学习模型进行预置,并对新增材质在云端服务器上训练的模型参数在本地进行替换,将新模型加入预置的化学计量学或机器学习模型;
23、步骤3.2.1:当材质为已知的单一材质时,依据材质的光谱特性从步骤3.1所述的模型库中选择候选模型,通过以分类准确率、定量精度、推理耗时、模型大小为评价指标的对比实验择优预置为分类和定量模型,得到对应的识别模型;
24、步骤3.2.2:当材质为已知的混合材质时,依据其光谱复杂、异常峰多的特点从步骤3.1所述的模型库中优先选用鲁棒性强的集成模型或树模型,通过将混合程度下的分类稳定性作为主要评价指标的对比实验择优预置,得到可处理任意混合种类的识别模型;
25、步骤3.2.3:当材质为新增材质时,采集其光谱数据在云端服务器依据样本规模从步骤3.1所述的模型库中选择候选模型,通过以分类准确率、泛化能力、推理效率为评价指标的对比实验择优训练,压缩转换后通过ota下发至本地替换原模型,将新增材质及其模型加入预置处理中;所述样本规模分为小样本和大样本,对小样本选用随机森林或支持向量机,大样本选用深度模型;
26、步骤3.3:数据处理单元依据自动选择并调用预置的化学计量学或机器学习模型对所述特征向量进行预训练;
27、步骤3.3.1:获取一批已知成分和/或已知类别的建模样品,所述样品的材质类别覆盖金属、塑料、陶瓷、玻璃、木材中的至少两类;
28、步骤3.3.2:使用所述微型 libs 探头对每个建模样品执行光谱采集;
29、步骤3.3.3:按照步骤2的预处理操作处理采集到的光谱数据,提取特征向量;
30、步骤3.3.4:以特征向量为输入、已知成分和/或已知类别标签为输出目标,对选定的模型进行训练;选取交叉验证、留一法或独立测试集验证方式的一种对模型性能进行评估,并调整模型超参数直至满足预设性能指标;
31、步骤4:对覆盖金属、塑料、陶瓷、玻璃、木材材质类别中至少一类或混合类别的待测目标物品放置于微型libs探头下方时,对安全联锁装置进行解锁,利用微型光谱仪对激发脉冲激光器在目标物品表面产生的等离子体进行采集,将光谱数据通过数据处理单元进行预处理和特征提取,并将特征输入至已训练的预置化学计量学或机器学习模型中,输出包含物品类别标签、主要组成元素含量及置信度评分的结构化识别结果;
32、本发明公开的一种集成libs的智能设备全场景物品识别模块,用于实现上述方法,由微型libs探头和数据处理单元组成;
33、所述微型libs探头,作为模块与目标物品交互的前端集成有脉冲激光器、微型光谱仪和libs光路系统,用于执行激光激发和光谱采集的物理过程,将与数据处理单元以有线或无线的方式进行通信,进而实现物理分离或一体化集成;
34、所述数据处理单元,对所接收光谱数据执行预处理,通过调用模型推理计算输出识别结果;进一步的,所述数据处理单元将作为嵌入式计算机或搭载于智能设备主控处理器的逻辑功能模块;
35、本发明公开的一种集成libs的智能设备全场景物品识别应用,采用上述方法,执行搭载于机器人、无人机或智能设备的上述模块,用于物品成分识别和物品分拣分类;
36、与现有技术相比,具有如下有益效果:
37、1、高度模块化与通用适配性:将libs技术的核心功能封装为标准化的感知模块,可通过物理接口和通信协议被多类智能设备集成调用,无需对设备本体进行重大改造,极大降低了智能设备获取元素级化学成分感知能力的技术门槛。
38、2、算法灵活性与模型可升级性:采用化学计量学或机器学习模型这一上位概念定义数据处理方式,不局限于特定算法,可随技术进步和任务需求灵活替换或升级具体模型,模块的识别能力和适用范围可持续扩展。
39、3、检测极速且微损耗:单次检测在1秒内完成,消耗的样品质量在纳克至微克级别,基本不影响物品的后续使用或外观,适用于珍贵物品、食品安全检测等场景。
40、4、应用场景全覆盖:不受物品形态、材质和颜色的限制,可覆盖金属、无机非金属、塑料、木材、织物等各类常见固体材料,以及粉末、液体(经简单制样)等。配合不同的搭载平台,可应用于工业机器人自动分拣、家用服务机器人垃圾分类、无人机地质勘探、智能终端食品检测、文物现场鉴定等多领域。
41、5、支撑物理ai:通过识别物品的物品种类、化学成分,进而推导性能指标与物理意义,将微观化学信息映射为宏观物理属性与操作参数,为物理ai系统提供元素级感知接口,助力智能设备实现物理推理与自适应执行。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com