阅读时间约7分钟适用人群需要在 LabVIEW 中处理轮廓仪、光谱或色谱等基线峰型数据并完成峰位置、峰面积、平均峰高等定量计算的工程师与研究人员。一、背景与问题现象表面轮廓仪profilometry扫描基板表面时得到的是一组反映表面高度起伏的测量数据。理想情况下基板表面应当是一条平坦的水平线被测特征以尖峰的形式叠加其上。然而在实际装夹中基板往往不能完全平放在扫描台上而是带有轻微的倾斜乃至弯曲。这导致原始数据中的基线并非一条水平直线而是一条缓慢变化的斜线或弧线几个被测峰则坐落在这一倾斜的基线之上。对于后续的定量分析而言这样的原始数据无法直接使用。常见的后续计算包括峰的位置、峰的宽度、峰面积以及平均峰高。这些计算通常依赖 LabVIEW 提供的峰值检测函数而该函数对信号的平坦程度较为敏感基线不归零时峰检测结果与峰面积的求取都会产生系统性偏差。因此工程上的常规思路是先识别出基线的形状将基线从原始数据中扣除使各峰落在近似为零的水平基线上然后再进行峰值检测与峰形分析。一个容易想到的朴素做法是把数据当作一条直线来处理求出一条线性基线后扣除。但实际扫描数据往往并不完全呈线性仅用一次多项式扣除后剩余部分仍会留下明显的残余弯折峰的底部依然不够水平。另一种思路是使用高通滤波器滤除低频基线分量但这种做法在实测中同样难以奏效为了压平基线而降低截止频率时峰的形状会被严重扭曲无法满足后续峰面积计算的要求。二、原理或机制分析从信号组成的角度看原始数据可以看作两部分的叠加缓慢变化的基线分量与快速变化的峰分量。基线在空间或扫描序号上变化缓慢属于低频成分峰宽度较窄属于相对高频的成分。扣除基线本质上是希望从原始数据中估计出低频基线的形状再将其移除。围绕这一目标存在两类主流方法。第一类是滤波法即通过高通滤波器直接滤除低频分量。高通滤波器能够较为自然地去除缓慢变化的基线但缺点是峰形失真。峰与基线的频带在交界处相互重叠截止频率选取过低会损失峰的低频成分造成峰被削平或引入振铃伪影选取过高又无法压平基线。滤波还会引入相位变化进一步扭曲峰的位置与形状。这正是滤波尝试中无法压平基线与峰被严重扭曲这一矛盾现象的根源。第二类是曲线拟合法即先估计基线所满足的曲线方程再逐点减去该曲线。当基线近似为直线时用一次多项式即可基线带有弯曲时需要用到二次或更高次的多项式。拟合方法的数学性质决定其对峰点的处理方式普通最小二乘拟合以残差平方和最小为目标任何一个偏离主趋势的点都会被计入平方和因此峰点作为明显的离群值会把拟合曲线拉向峰的方向使估计出的基线偏离真实基线。而最小绝对残差拟合法以残差绝对值之和为目标函数个别离群点的影响被显著削弱拟合曲线能够自动忽略峰区忠实跟踪下方真实的基线形状。这一稳健性质使其对含峰数据的基线估计特别有效也正是这类紧凑例程能在实测中一次成功的根本原因。在 LabVIEW 中这一思想通过多项式拟合函数即可实现该函数提供最小二乘、最小绝对残差等多种残差最小化方法可供选择。三、实现方法或解决方案完整的基线确定与扣除流程可以分为六个步骤。第一步读取数据。轮廓仪输出的测量文件通常是 .lvm 或文本格式可使用读取测量文件函数或读取电子表格文件函数将数据载入为波形或数组。数据通常以扫描位置或样本序号作为自变量以测得的高度作为因变量。第二步确定基线模型。观察原始数据判断基线更接近直线还是带有弯曲。若带有明显弯曲应选用二次乃至更高次多项式作为基线模型阶数不足时扣除后的剩余基线仍会残留弧线需要逐步提高阶数直至残余基线水平。第三步执行稳健拟合。将原始数组接入多项式拟合函数在方法输入中选择最小绝对残差。此时无需手工剔除峰区数据全部数据点均可参与拟合峰点作为离群值被自动忽略。拟合输出为多项式系数数组。第四步生成基线数组。利用拟合得到的多项式系数对每一个扫描位置逐一求值得到与原始数据等长的基线数组。这一求值既可以用多项式求值节点完成也可以按照多项式的定义在循环中自行计算。第五步扣除基线。将原始数组与基线数组逐点相减得到基线校正后的数据。此时各峰应当落在近似为零的水平基线上。第六步峰检测与定量计算。对校正后的数据调用峰值检测函数得到峰的位置、高度、半高宽等参数峰面积可在校正数据上直接积分获得。由于基线已经归零积分结果即为峰的净面积无需再扣除梯形底面积。作为对照滤波法同样可以走通流程将原始数据送入高通滤波器设定一个相对较低的截止频率输出即为扣除基线后的近似信号。但该方案对截止频率与滤波器阶数的选取非常敏感在峰形保持要求较高的场合通常不及稳健多项式拟合。四、关键设计要点与易错点多项式阶数的选择是第一个要点。阶数过低会导致残余基线不平阶数过高则拟合曲线可能钻入峰区把峰当作基线的一部分吸收掉造成峰面积被低估。应从一次多项式起步观察校正后的数据是否水平再逐步提高阶数。拟合方法的选择直接决定结果的稳健性。普通最小二乘对离群点敏感若坚持使用最小二乘则必须在拟合前手工选取非峰区域的数据点仅用这些点参与拟合这增加了人工干预也容易因选区不当引入误差。相比之下最小绝对残差方法可以保留全部数据点参与拟合自动免疫峰点的干扰更适合自动化处理。滤波法的误区值得单独强调。高通滤波并不是扣除基线的万能手段其核心矛盾在于峰与基线的频谱重叠压低截止频率固然能压平基线但窄峰的低频成分同样被滤除导致峰被削顶、展宽并伴随振铃。若必须使用滤波应使用较低的截止频率并仔细检查峰形是否完好。在将他人提供的程序框图移植到自己的项目时常出现的现象是前面板上的基线与基线校正输出没有任何返回。这类问题大多源于连线遗漏或数据类型不匹配例如数组索引错误、拟合输出未接到指示器、校正数组长度与原始数组不一致或错误簇中携带了未处理的错误。排查时应沿数据流逐一检查中间结果确认各数组长度一致并确认指示器已正确连线。此外若该例程内部经过复数实部与虚部转换等中间环节部分复数转换节点属于冗余代码可以删除移植时可予以精简但不影响核心算法。峰检测参数的整定同样不可忽略。峰值检测函数的阈值与峰宽参数应根据校正后数据的实际幅值与峰型设定必要时指定需要检测的峰数量避免将基线噪声误判为峰。五、实践建议与小结对于基线峰型数据的处理建议优先采用稳健多项式拟合扣除基线的路线再叠加峰值检测。相比滤波法它不改变峰的时域形状物理意义清晰结果可重复性好。实际操作中可以遵循以下几点。其一将原始数据、拟合基线与校正后数据同时绘制在同一图形上直观确认基线贴合真实基线、峰未被削减。其二多项式阶数采用从低到高、以平坦为准的策略宁少勿多地逐步试探。其三在校正后的数据上计算峰面积与平均峰高此时基线已经归零积分结果即为净峰面积。其四调试输出为空的问题时优先检查连线、数组长度与数据类型并携带完整的程序与样本数据文件以便快速定位问题。综上所述基线确定与扣除的本质是稳健地估计缓慢变化的背景曲线并将其移除。理解了最小二乘对离群点的敏感性、最小绝对残差的稳健特性以及多项式阶数与残余基线之间的关系就能在 LabVIEW 中构建一个紧凑而可靠的基线校正例程为后续的峰检测与峰面积计算奠定准确的数据基础。
尧图网络