引用本文
王硕, 谢振坤, 魏志鹏. 基于DMD的阿达玛变换型近红外光谱仪快速处理系统设计与实现[J]. 光谱学与光谱分析, 2025,45(1): 133-138.
WANG Shuo, XIE Zhen-kun, WEI Zhi-peng. DMD-Based Hadamard Transform Near-Infrared Spectrometer Design and Implementation of Fast Processing System[J]. Spectroscopy and Spectral Analysis, 2025,45(1): 133-138.
Doi:10.3964/j.issn.1000-0593(2025)01-0133-06  
Permissions
Copyright©2025, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于DMD的阿达玛变换型近红外光谱仪快速处理系统设计与实现
王硕1,2, 谢振坤1,2, 魏志鹏1,*
1.长春理工大学高功率半导体激光国家重点实验室, 吉林 长春 130022
2.长春理工大学中山研究院, 广东 中山 528437
*通讯作者 e-mail: zpweicust@126.com

作者简介: 王 硕, 1998年生, 长春理工大学中山研究院及高功率半导体激光国家重点实验室硕士研究生 e-mail: 2021100226@mails.cust.edu.cn

收稿日期: 2024-03-30 修订日期: 2024-07-28
基金: 国家自然科学基金项目(12074045, 62027820), 吉林省自然科学基金项目(20210101408JC, 20230101352JC)资助
摘要

数字微镜器件(DMD)的近红外光谱仪, 具有波长重复性好、 分辨率高和抗振动性好等优点, 广泛应用于食品安全和农业生产等领域的研究。随着DMD的微小型近红外光谱仪发展逐渐趋于成熟, 仪器的成本和性能仍然是研发的关键。尽管大部分将重点放在了软件开发和检测方法的研究, 而仪器硬件的处理速度至关重要。只有确保光谱仪能够快速准确的采集并传输数据, 才能有效实现光谱分析。在多数研究中, 阿达玛矩阵的生成和解码工作通常由上位机完成, 并通过FLASH存储的方式导入模板。这种方式可能会限制采集一幅完整光谱数据的时间效率。为了提高光谱采集速度和信噪比, 提出一种高速驱动DMD和快速数据采集的方法, 并基于DMD微小型近红外光谱仪设计一套硬件电路系统。采用现场可编辑门阵列(FPGA)和ARM的架构, 创新性地实现了奇偶阿达玛模板的生成与解码过程在嵌入式系统底层执行, 加快了光谱分析的速度并提高信噪比。通过与市面上DMD型光谱仪对比, 研究结果显示, 所研发的光谱仪完成单次光谱的采集时间仅需214 ms, 相比商用DMD型光谱仪, 采集效率提升了4倍。在同等3 s的采集时间内, 所研发光谱仪的信噪比为4 600, 相比商用DMD型光谱仪, 信噪比提升了1.5倍。通过所研发的光谱仪对油菜籽样品进行光谱扫描, 分析了油菜籽的脂肪、 蛋白质和水分的含量, 并采用偏最小二乘回归(PLSR)建立了相应的模型。油菜籽脂肪含量的校正相关系数为0.986 5、 预测相关系数为0.967 2; 蛋白质含量的校正相关系数为0.985 4、 预测相关系数系数为0.963 6; 水分含量的校正相关系数为0.987 5、 预测相关系数为0.961 4。模型评估的结果表明, 该光谱仪能够满足油菜籽成分检测的需求, 验证该光谱仪在商业领域具有重要的应用价值。

关键词: 数字微镜器件; 近红外光谱仪; 阿达玛; 信噪比; 嵌入式; 油菜籽
中图分类号:O657.33 文献标志码:A
DMD-Based Hadamard Transform Near-Infrared Spectrometer Design and Implementation of Fast Processing System
WANG Shuo1,2, XIE Zhen-kun1,2, WEI Zhi-peng1,*
1. State Key Laboratory of High Power Semiconductor Laser, Changchun University of Science and Technology, Changchun 130022, China
2. Zhongshan Institute of Changchun University of Science and Technology, Zhongshan 528437, China
*Corresponding author
Abstract

The near-infrared spectrometer based on a digital micromirror device (DMD) has the advantages of good wavelength repeatability, high resolution, and good vibration resistance. It is widely used in the fields of food safety and agricultural production. With the development of micro near-infrared spectrometers based on DMD becoming more and more mature, the cost and performance of the instrument are still the key to research and development. Although most researchers have focused on software development and detection methods, the processing speed of the instrument hardware is also crucial. The spectral analysis can be effectively realized only by ensuring that the spectrometer can collect and transmit data quickly and accurately. In addition, in most studies, the generation and decoding of the Hadamard matrix is usually completed by the host computer, and the template is imported by FLASH storage. However, this method may limit the time efficiency of collecting complete spectral data. A method of high-speed driving DMD and fast data acquisition is proposed to improve the spectral acquisition speed and signal-to-noise ratio. A hardware circuit system is designed based on a DMD miniature near-infrared spectrometer. The system adopts the architecture of Field Programmable Gate Array (FPGA) and ARM and innovatively realizes the generation and decoding process of odd-even Hadamard template at the bottom of the embedded system, which accelerates the speed of spectral analysis and improves the signal-to-noise ratio. By comparing with the DMD spectrometer on the market, the research results show that the spectrometer developed in this paper only takes 214 ms to complete the acquisition time of a single spectrum, which is 4 times higher than that of the commercial DMD spectrometer. In the same 3 s acquisition time, the signal-to-noise ratio of the spectrometer developed in this paper is 4 600, which is 1.5 times higher than that of the commercial DMD spectrometer. Furthermore, the spectral scanning of rapeseed samples was carried out by the spectrometer developed in this paper. The contents of fat, protein, and moisture in rapeseed were analyzed, and the corresponding models were established by partial least squares regression (PLSR). The correction correlation coefficient of rapeseed fat content was 0.986 5, and the prediction correlation coefficient was 0.967 2. The protein content correction correlation coefficient was 0.985 4, and the prediction correlation coefficient was 0.963 6. The correction correlation coefficient of moisture content was 0.987 5, and the prediction correlation coefficient was 0.961 4. The model evaluation results show that the spectrometer can meet the needs of rapeseed component detection and verify that the spectrometer has important application value in the commercial field.

Keyword: Digital micromirror device; Near-infrared spectrometer; Hadamard; Signal-to-noise ratio; Embedded; Rapeseed
引言

随着数字微镜器件(digital micromirror device, DMD)技术的发展, 基于DMD的微小型近红外光谱仪具有体积紧凑、 光学结构稳定、 低成本、 低功耗和高分辨率等优点, 为近红外光谱分析技术的普及提供了新的可能性。DMD的微小型近红外光谱仪在抗振方面具有优势, 而且具有更高的波长分辨率。DMD微小型光谱仪还可以通过软件实现波长选择和编码模板修改, 并进行波长校准, 从而降低成本并提升性能。与其他类型的近红外光谱仪相比, 基于DMD的微小型近红外光谱仪具有潜力, 可以完全替代其他类型的近红外光谱仪[1, 2, 3, 4, 5]。

2000年, DeVerse[6]使用800 pixel× 600 pixel的DMD显著提升弱光条件下的信噪比, 证明了DMD可以有效改善光学掩模性能。2011年, 爱荷华大学的Xiang[7]基于DMD的阿达玛变换近红外光谱仪, 通过对葡萄糖与乳酸水溶液的吸光度测试, 验证了模型的准确性。2012年, 在DMD模板上采用网络分析方法改进光谱仪, 结果表明该仪器的信噪比提升3.2倍。2015年, Rose开发了基于DMD的近红外光谱仪, 并与传统的线阵探测器型光谱仪进行比较分析, 结果突出基于DMD的光谱仪在成本效益及光谱响应在可编程性方面具有显著优势。美国德州仪器(TI)公司开发适用于近红外光谱仪的DMD产品, 即DLP2010NIR, 并成功研制了一款超小型样机NIRscanNano。2017年, Xu等[8]研究阿达玛变换型光谱仪提高信噪比的条件, 并提出一种可变高度条纹的阿达玛模板, 提高了短波段和长波段的信噪比。2019年, Lu等[9]采用分波段扫描模式来减少杂散光的影响, 并提出一种新的可变宽度条纹的阿达玛模板, 可减少杂散光的影响并提高信噪比。2022年, Chen等[10]从编码方程的角度分析了杂散光对光谱的影响, 并推导消除杂散光的解码方程以提高信噪比。

大部分研究人员将基于DMD近红外光谱仪的研究重点集中于软件的开发和检测方法的研究, 然而仪器的成本和硬件速度同样至关重要[16]。而在多数研究中, 阿达玛矩阵的生成和解码工作往往是由上位机来完成的, 并通过FLASH的方式导入模板, 使得采集一幅完整光谱数据的时间效率受到限制。本研究提出了一种基于0.2-in(5.29 mm)DMD的高速实时控制与光谱数据快速采集方法, 并设计制作了一款微小型近红外光谱仪的电路系统, 该系统采用现场可编辑门阵列(field programmable gate array, FPGA)和ARM的架构将阿达玛的生成和解码在嵌入式底层实现, 并将奇偶阿达玛模板应用到该光谱仪上。

1 开发基于DMD近红外光谱仪系统
1.1 基本原理

图1为DMD微小型近红外光谱仪的原理。光源由卤钨灯提供, 其发射的光照射样品并产生漫反射。漫反射光由收集透镜系统接收, 并通过狭缝进行聚焦。聚焦后的光束通过准直透镜转化为色散的平行光, 并进一步通过长波通滤光片。该滤光片的作用是滤除低于900 nm波段以下的光, 以减少衍射对系统信噪比的不利影响。经过滤光处理的光束冲击到衍射光栅, 光栅将光分散成不同波长。分散后的光由另一组聚焦透镜收集并投射至DMD, DMD通过翻转微镜以实现波长选通。选定波长的光经聚光透镜聚焦至单点探测器, 通过光谱采集系统对光谱进行采集和处理。

图1 DMD型近红外光谱仪光学原理Fig.1 Optical schematic diagram of DMD near infrared spectrometer

1.2 快速光谱采集与处理系统的设计与实现

硬件系统的总体设计方案如图2所示, 电路结构主要分为光电转换与放大、 DMD驱动控制、 数据采集和数据处理四个模块。系统工作流程为: ARM生成DMD显示模板传输至FPGA, FPGA通过24bit-RGB接口将数据传输给DLPC150, DLPC150转换数据格式并驱动型号为DLP2010NIR的DMD, 反射光线至InGaAs探测器。同时探测器将光信号转换为微弱电流信号, 经跨阻放大器放大并转换为电压信号。ADC将信号转换为数字信号, FPGA控制ADC并通过SPI协议采集光谱数据。FPGA发送数据给ARM进行处理, 得到完整光谱数据, 可存储或发送至电脑或安卓设备显示。

图2 DMD型近红外光谱仪的硬件总体设计方案Fig.2 The overall hardware design scheme of DMD near infrared spectrometer

FPGA因其出色的高速性能和并行处理能力, 不仅可以同步执行多项时序控制任务, 还能对信号进行精确控制。考虑芯片成本、 内部资源和性能指标等因素, 选用国产的FPGA芯片作为控制器, 实现对DMD的控制和光谱数据的高效采集。DMD显示数据源有两种方式: 通过FLASH读入数据或通过24bit-RGB接口实时传输显示模板。为了实现对DMD的高速翻转控制, 采用FPGA通过24位RGB数据总线快速传输显示模板并实时显示, 采用控制信号精确操控DMD的翻转动作, 进而精确调节其微镜位置及亮度。FPGA可实现光谱数据高效采集。通过对光信号进行快速采样与处理, 显著提升了光谱数据采集的效率与准确性。FPGA还能与ARM处理器和温度传感器高效进行数据交互与协同工作, 通过实时获取并监测探测器的温度, 并将温度数据与光谱数据一并发送至ARM处理器进行综合分析。

FPGA内部缺乏指令集体系, 因此实行大规模算法时, 所需资源消耗较多过程相对复杂。相比ARM处理器内置的浮点运算单元使其在执行数学计算任务时更为高效, 因此采用ARM处理器来生成阿达玛矩阵模板并进行阿达玛解码运算。选择STM32F429BIT6芯片作为处理器, 该芯片具备高速处理能力和丰富的I/O控制接口, 不仅满足光谱仪的数据处理需求, 还可便利地与各种外设连接和控制。为了在嵌入式系统底层快速实现阿达玛算法, 采用二阶余数法构建循环S矩阵。生成扫描模板仅需产生首行向量, 并通过循环移位操作以形成完整模板。在解码过程中, 将S矩阵中的0替换为-1, 并乘以系数2/(n+1)完成阿达玛解码, 该方式减少了ARM运算量, 并提高了模板生成和解码速度。ARM处理器指令化地将模板和采集次数发送至FPGA, FPGA负责执行连续采集并将数据传输回ARM处理器, 这一策略最大化了时间效率并提高了光谱数据的采集速率。通过增加采集次数并采用并行处理方法, 进一步提高了数据处理效率并缩短了光谱采集时间。

1.3 DMD模板选择

DMD的显示主要有两种方式: 条纹模式和阿达玛模式。在条纹扫描模式下, 采用了重叠条纹扫描模板, 如图3(a)所示。此模式下, 每6列组合一起形成一个条纹, 平移3列, 共显示228个条纹, 相当于采集228个点作为一幅光谱。在阿达玛模式下, 采用107阶奇偶交错的阿达玛模板, 每3列组合一起形成一个条纹, 共有214个条纹。该模板有效解决由边界衍射效应引起的阿达玛解码频谱不准确性问题。该方法通过将单个条纹拆分为两个独立的条纹, 并对它们进行奇偶编号, 从而分别生成奇数和偶数编号的阿达玛扫描模板。以7阶阿达玛矩阵为例, 通过插入零值构建奇偶错位的14× 14阿达玛矩阵模板, 如图3(b)所示。

图3 DMD显示模板
(a): 重叠条纹扫描模板; (b): 7阶奇偶阿达玛模板Fig.3 DMD display template
(a): Overlapped stripe scanning template; (b): 7th-Order Even-Odd Hadamard Template

2 性能测试与评估
2.1 与商用DMD型光谱仪进行对比

2.1.1 信噪比对比

在条纹模式和阿达玛模式下, 对所用光谱仪与商用的DMD近红外光谱仪(NIR-M-R2型号)进行了性能比较。通过对聚四氟乙烯制成的光学白板进行光谱采集, 比较了两种光谱仪的信噪比。在相同的时间段(3 s)内, 使用两种光谱仪对白板进行了多次光谱采集, 其平均值被视为一幅光谱。总共采集了10幅光谱, 并通过式(1)计算了得到的信噪比

SNR=DσS(1)

式(1)中, D为光谱数值; σ S为标准差。所开发的光谱仪与商用DMD光谱仪的信噪比对比如图4(a, b)所示。

图4 与商业光谱仪的信噪比对比
(a): 条纹模式; (b): 阿达玛模式Fig.4 Comparison of signal-to-noise ratio with commercial spectrometers
(a): Column mode; (b): Hadamard mode

由图4(a, b)可以看出, 在相同的测量时间内, 所开发的光谱仪无论采用条纹模式还是阿达玛模式, 都能显著提高信噪比。通过对全波段信噪比的进一步分析结果如表1所示。从表1发现, 在较短时间内, 所开发的光谱仪能够实现更高的信噪比, 特别是在奇偶阿达玛模式下, 其信噪比达到了最大值。

表1 与商业DMD光谱仪的性能对比 Table 1 Shows the performance comparison with commercial DMD spectrometer

2.1.2 采集时间对比

与商用DMD近红外光谱仪(型号为NIR-M-R2)相比, 所开发的光谱仪在光谱数据采集方面展现出更高的效率, 能够显著在更短的时间内完成数据的采集工作。对表1所示的数据进行分析, 本文开发的光谱仪在采集单幅光谱数据时, 时间缩短了3/4, 即采集效率提升约4倍, 从而大幅度减少了数据采集所需的总时长。此改进, 在执行多幅光谱图连续平均采集及对样品不同位置进行光谱采集的应用场景中尤为显著, 能够有效减少整体的采集时间。如在对样品某一位置连续采集15幅光谱进行平均处理时, 相比商用光谱仪, 所开发的光谱仪能够减少约1.5 s的采集时间。若对40个不同位置进行采集, 总计能节省近1 min的采集时间。

2.2 油菜籽样品评估

为了验证光谱仪的性能, 搭建了一个测试平台, 如图5所示。使用所开发的光谱仪对油菜籽实际样品进行性能分析, 旨在评估光谱仪分析油菜籽样品中脂肪、 蛋白质和水分[11]三项指标的准确度与可靠性。通过采用奇偶阿达玛模板, 进行了15次光谱扫描并计算平均值作为单次数据采集结果。每份样品进行了30次不同位置的光谱采集, 并利用光学白板计算吸光度以确保准确性。为验证实验结果可靠性, 对每个样品进行了3次重复的装样测试, 并取平均值作为最终光谱数据。共收集100份油菜籽样品的原始光谱数据, 如图6所示。

图5 油菜籽样品测试平台实物图Fig.5 The physical map of rapeseed sample test platform

图6 100组油菜籽样品的吸光度光谱Fig.6 The absorbance spectra of 100 groups of rapeseed samples

根据吸光度光谱, 选取1 000~1 600 nm的波段建模, 采用标准正态变换预处理方法排除噪声和杂散光等影响。以7∶ 3比例划分校正集和预测集, 采用经典偏最小二乘回归(partial least squares regression, PLSR)交叉验证建模方法得到的定标模型和预测集模型数据如表2所示。油菜籽的建模结果显示, 脂肪含量的校正相关系数为0.986 5、 预测相关系数为0.967 2; 蛋白质含量的校正相关系数为0.985 4、 预测相关系数系数为0.963 6; 水分含量的校正相关系数为0.987 5、 预测相关系数为0.961 4。校正标准差RMSEC和预测标准差RMSEP值较小, 满足实际应用生产需求。

表2 油菜籽成分PLSR建模结果 Table 2 PLSR modeling results of rapeseed components
3 结论

设计并实现了一种基于DMD的微小型近红外光谱仪的硬件电路系统。采用FPGA与ARM架构, 实现了对DMD的精确控制以及对光谱数据的快速采集。创新性地在嵌入式底层实现了奇偶阿达玛模板的生成及其解码过程, 显著提高了光谱采集的效率并增强了信噪比。与现有的商用DMD光谱仪相比, 所开发的光谱仪在条纹模式和阿达玛模式下均能显著缩短光谱采集时间, 并在信噪比方面有显著提升。通过对油菜籽样本进行成分分析, 验证了本光谱仪的可靠性与稳定性, 证明其具有商业应用的潜力。未来将进一步优化编码模板和硬件电路, 以实现光谱仪更优越的性能表现。

参考文献
[1] CHU Xiao-li(褚小立). Practical Manual of Near Infrared Spectroscopy Analysis Technology(近红外光谱分析技术实用手册). Beijing: Machinery Industry Press(北京: 机械工业出版社), 2016. 1. [本文引用:1]
[2] Bec K B, Grabska J, Huck C W. Chemistry—A European Journal, 2021, 27(5): 1514. [本文引用:1]
[3] YU Fan, WEN Quan, LEI Hong-jie, et al(庾繁, 温泉, 雷宏杰, 等). Laser & Optoelectronics Progress(激光与光电子学进展), 2018, 55(10): 100003. [本文引用:1]
[4] WANG Su-hui, ZHANG Xu, ZHANG Gen-wei, et al(王宿慧, 张旭, 张根伟, 等). Infrared Technology(红外技术), 2020, 42(7): 688. [本文引用:1]
[5] HUO Xue-song, CHEN Pu, DAI Jia-wei, et al(霍学松, 陈瀑, 戴嘉伟, 等). Journal of Instrumental Analysis(分析测试学报), 2022, 41(9): 1301. [本文引用:1]
[6] DeVerse R A, Hammaker R M, Fateley W G. Applied Spectroscopy, 2000, 54(12): 1751. [本文引用:1]
[7] Xiang D, Arnold M A. Applied Spectroscopy, 2011, 65(10): 1170. [本文引用:1]
[8] Xu J, Liu H, Lin C, et al. Optics Communications, 2017, 383: 250. [本文引用:1]
[9] Lu Z, Zhang J, Liu H, et al. Micromachines, 2019, 10(2): 149. [本文引用:1]
[10] Chen X, Quan X. Sensors, 2022, 22(16): 6237. [本文引用:1]
[11] FENG Hai-zhi, LI Long, WANG Dong, et al(冯海智, 李龙, 王冬, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2023, 43(1): 16. [本文引用:1]