(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110869720.1 (22)申请日 2021.07.3 0 (65)同一申请的已公布的文献号 申请公布号 CN 113591381 A (43)申请公布日 2021.11.02 (73)专利权人 江南大学 地址 214122 江苏省无锡市滨湖区蠡湖大 道1800号 专利权人 绿视芯科技 （无锡） 有限公司 (72)发明人 郭亚　刘宣君　夏倩　仝德之　 (74)专利代理 机构 苏州市中南伟业知识产权代 理事务所(普通 合伙) 32257 专利代理师 李柏柏 (51)Int.Cl. G06F 30/27(2020.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) G06F 111/04(2020.01) (56)对比文件 CN 102883658 A,2013.01.16 US 2010042005 A1,2010.02.18 CA 2296929 A1,2000.07.22 刘丽丽.浑浊介质光学 特性多参数的识别方 法研究. 《中国优秀硕士学位 论文全文数据库- 基 础科学辑》 .2021,全 文. 徐志龙等.农产品生物组织的光学参数测量 方法研究. 《激光杂志》 .20 05,(第06期),全文. 审查员 赵宇 (54)发明名称 确定多层浑浊介质光学特性参数及层厚度 的方法及系统 (57)摘要 本发明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。 权利要求书3页 说明书10页 附图11页 CN 113591381 B 2022.11.08 CN 113591381 B 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 μa， 散射系数 μs， 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μa、 散射系数μs、 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)＝wTφ(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{(xi,yi),i＝1,2, …,m}， 其中xi表示第i个训练样本的输入值， yi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{(Xi,Yi),i＝1,2, …,n}， 其中Xi表示第i个测试样本的输入值， Yi表示第i个测试样本的权　利　要　求　书 1/3 页 2 CN 113591381 B 2目标值， n表示测试 数据集中的样本数量。 6.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： 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： 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。 7.根据权利要求6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： 对数据样本{x1， x2，…， xn}进行归一 化处理： 式中， zi表示每个样本归一 化后的值。 8.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： 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： 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。 9.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： 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： 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， 其中yn和yn’分别表示第n个样本数据的真实值和估计值， N表示总的样本个数。 10.一种确定多层浑浊介质光学 特性参数及层厚度的系统， 其特 征在于， 包括： 数据获取模块， 所述数据获取模块用于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； 数据处理模块， 所述数据处理模块用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； 模型训练模块， 所述模型训练模块用于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权　利　要　求　书 2/3 页 3 CN 113591381 B 3