CN102353648A - 化肥成分检测方法 - Google Patents
化肥成分检测方法 Download PDFInfo
- Publication number
- CN102353648A CN102353648A CN2011103252227A CN201110325222A CN102353648A CN 102353648 A CN102353648 A CN 102353648A CN 2011103252227 A CN2011103252227 A CN 2011103252227A CN 201110325222 A CN201110325222 A CN 201110325222A CN 102353648 A CN102353648 A CN 102353648A
- Authority
- CN
- China
- Prior art keywords
- chemical fertilizer
- mathematical model
- spectrum
- detection method
- fertilizer component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种化肥成分检测方法,用近红外光谱仪采集标准样品的光谱,对标准样品光谱进行数学处理,以此建立关于化肥成分含量的数学模型,数学模型的预测值与真实值发生偏移时,采用B/S校正系数对数学模型进行校正;采集检测样品的光谱,对检测样品的光谱进行分析处理,并与数学模型作对比,得出检测样品的成分含量。这将使化肥的成分检测更方便,检测时间更短,也减少了对环境的污染。
Description
技术领域
本发明涉及一种成分检测方法,特别是一种化肥成分检测方法。
背景技术
为使农作物更好的生长,需要为其提供充足的养分,化肥便是实现这种功能的产品,优质的化肥是农作物生长良好的保证。因此必须保证化肥的质量,目前化肥的主要检测项目为N(氮)、P(磷)、K(钾)等无机元素的含量。传统的检测方法为化学检测,即使用化学试剂进行化肥成分检测,但容易造成环境污染,而且需要对样品进行预处理,检测过程繁琐费时。
现有技术为解决这个问题,改用近红外光谱仪对化肥进行成分检测。现有技术不必对样品进行预处理,简化了检测过程,而且整个过程无需使用化学试剂,避免了对环境的污染,但是使用现有技术必须准确地建立一个用于判别化肥成分含量的数学模型;而采用现有技术建立数学模型时,常会出现采集数据误差较大的情况,这时就必须重新采集数据,直到数据误差在允许范围内时,才能建立一个准确的数学模型。
因此,建立数学模型的时间一般比较长,而当化肥的成分含量稍作改变时,就必须重新建立一个新的数学模型,为工业生产上的应用带来不便;假若因工作上的失误,使用误差较大的数据建立了数学模型,这将导致化肥的成分检测不准确,可能导致生产大批量化肥成分含量不达标,令产商承受较大的经济损失,若不达标的化肥送至市面发售,使用该化肥的农作物就可能会受到不良影响。
发明内容
本发明的目的是提供了一种能对数学模型进行校正的化肥成分检测方法。
一种化肥成分检测方法,用近红外光谱仪采集标准样品的光谱,对标准样品光谱进行统计分析,以此建立关于化肥成分含量的数学模型,数学模型的预测值与真实值发生偏移时,采用B/S校正系数对数学模型进行校正;采集检测样品的光谱,对检测样品的光谱进行分析处理,并与数学模型作对比,得出检测样品的成分含量。
利用近红外光谱仪检测化肥成分含量,避免了使用化学试剂,不但不会对环境构成污染,也使整个检测流程更快速便捷;而且采用B/S校正系数对数学模型进行校正,即斜率/截距校正,用于校正模型预测时出现的线性偏差,免除了因采集数据误差较大,而必须重新建立数学模型的步骤,从而提高了检测的效率,也确保了数学模型的准确性,使化肥的生产质量得到更好的保证。
优选的,所述数学模型建模方式为全谱建模,建立数学模型采用的方法为K-S法中的马氏距离原则。
优选的,所述的全谱建模的建模波段为1100-2450nm,相关系数大于0.99,标准偏差小于0.3。
采用全谱建模,使从光谱中得到的数据全面,使建模的精准度、可靠性更高。
优选的,所述化肥成分检测方法用于实时监控,检测样品成分含量的监测结果反馈给生产系统,生产系统根据监测结果对生产的工艺指标进行调整。
因为检测的结果及时反馈给生产系统,所以能确保生产系统能及时调整生产参数,以保证化肥的质量。这免去了过往先检测样品质量是否及格,再人工调整生产参数的步骤,不仅简化了工作步骤,而且节约了时间,提高了生产的效率和质量。
优选的,所述的数学模型每周进行校检,校检对象为化学测化肥成分含量的结果。
定期对数学模型进行校检,可以减少数学模型的误差,也可以对数学模型进行补充,使以后的检测更准确,更效率。
附图说明
图1是N(氮)的数学模型。
图2是P(磷)的数学模型。
图3是K(钾)的数学模型。
具体实施方式
化肥成分检测方法包括采集标准样品光谱,建立数学模型,检测样品成分含量这三个步骤,本实施例为检测N(氮)、P(磷)、K(钾)成分含量,下表为采用本发明所测结果与用化学方法所测结果的对比。
采集标准样品光谱:
本发明采用光栅扫描式近红外光谱仪,对标准样品采集2-3条光谱,采集每条光谱进行50次扫描。采集光谱的设备还可以选用滤光片型近红外光谱仪、傅立叶变换近红外光谱仪、声光可调滤光器近红外光谱仪、阵列检测近红外光谱仪等;根据需要,可以增加或减少对标准样品的扫描次数,以获取需要的光谱数。
建立数学模型:
建立数学模型时,采用K-S法中的马氏距离分类原则,按80%、20%划分校正集、检验集,校正集光谱用于数学模型的计算,验证集光谱用于对建立的数学模型进行外部检验,按80%、20%划分目的在于根据八二定律统计原理区分少数重点因素和大量微细因素;然后进行Svitzky-Colay平滑及一阶导数处理,求导时采用S-G求导算法,其中求导的参数为21,拟合次数小于建模光谱数二十分之一;定量校正模型计算时采用标准正态变量变换(SNV)或正交信号校正(NAS)运算,然后进行去趋势校正及均值中心化处理,且采用全谱建模,建模波段1100-2450nm,相关系数大于0.99、标准偏差小于0.3;K-S法是统计学中在对一组数据进行统计分析是所用到的一种方法,它是将需要做统计分析的数据和另一组标准数据进行对比,求得它和标准数据之间的偏差的方法,一般在K-S检验中,先计算需要做比较的两组观察数据的累积分布函数,然后求这两个累积分布函数的差的绝对值中的最大值D,最后通过查表以确定D值是否落在所要求对应的置信区间内,若D值落在了对应的置信区间内,说明被检测的数据满足要求,反之则不满足要求;而马氏距离便是K-S法中一种有效的计算两个未知样本集的相似度的方法;出现误差时采用B/S校正系数对数学模型进行校正,即斜率/截距校正,用于校正模型预测时出现的线性偏差。
检测样品成分含量:
在建立数学模型模型后,对检测样品采集3条光谱,每条光谱的采集需要进行50次的扫描,采集的光谱通过数学模型求出所测成分的含量;检测结果反馈到生产系统,生产系统根据监测结果对生产环节的原料配比及干燥系统的控制参数等工艺指标进行调整;
在以上实施方式的基础上改进的也视为专利的保护范围。
Claims (5)
1.一种化肥成分检测方法,用近红外光谱仪采集标准样品的光谱,对标准样品光谱进行数学处理,以此建立关于化肥成分含量的数学模型,其特征在于,数学模型的预测值与真实值发生偏移时,采用B/S校正系数对数学模型进行校正;采集检测样品的光谱,对检测样品的光谱进行分析处理,并与数学模型作对比,得出检测样品的成分含量。
2.根据权利要求1所述的化肥成分检测方法,其特征在于,所述数学模型建模方式为全谱建模,建立数学模型采用的方法为K-S法中的马氏距离原则。
3.根据权利要求2所述的化肥成分检测方法,其特征在于,所述的全谱建模的建模波段为1100-2450nm,相关系数大于0.99,标准偏差小于0.3。
4.根据权利要求1所述的化肥成分检测方法,其特征在于,所述化肥成分检测方法用于实时监控,检测样品成分含量的监测结果反馈给化肥生产系统,化肥生产系统根据监测结果对生产的工艺指标进行调整。
5.根据权利要求1所述的化肥成分检测方法,其特征在于,所述的数学模型定期进行校检,校检对象为化学测化肥成分含量的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103252227A CN102353648A (zh) | 2011-10-24 | 2011-10-24 | 化肥成分检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103252227A CN102353648A (zh) | 2011-10-24 | 2011-10-24 | 化肥成分检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102353648A true CN102353648A (zh) | 2012-02-15 |
Family
ID=45577253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011103252227A Pending CN102353648A (zh) | 2011-10-24 | 2011-10-24 | 化肥成分检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102353648A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103743704A (zh) * | 2014-01-27 | 2014-04-23 | 中国科学院合肥物质科学研究院 | 基于近红外光谱技术的化肥质量在线检测装置 |
CN105628639A (zh) * | 2015-12-31 | 2016-06-01 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱法测定农产品中植物油脂的方法 |
CN105784636A (zh) * | 2016-05-03 | 2016-07-20 | 中山市承铭农业技术开发有限公司 | 一种化肥质量在线检测系统 |
CN105891145A (zh) * | 2016-03-29 | 2016-08-24 | 中山市承铭农业技术开发有限公司 | 一种化肥质量在线监测系统 |
CN106198447A (zh) * | 2016-07-13 | 2016-12-07 | 中国科学院合肥物质科学研究院 | 基于近红外光谱技术的复混肥主要成分无损定量检测方法 |
CN109374556A (zh) * | 2018-12-14 | 2019-02-22 | 中国科学院合肥物质科学研究院 | 基于可见-近红外光谱的复合肥中水分含量快速检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102042976A (zh) * | 2009-12-19 | 2011-05-04 | 深圳市芭田生态工程股份有限公司 | 肥料中磷钾含量的测定方法 |
-
2011
- 2011-10-24 CN CN2011103252227A patent/CN102353648A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102042976A (zh) * | 2009-12-19 | 2011-05-04 | 深圳市芭田生态工程股份有限公司 | 肥料中磷钾含量的测定方法 |
Non-Patent Citations (3)
Title |
---|
李华 等: "改进的K/S算法对近红外光谱模型传递影响的研究", 《光谱学与光谱分析》, vol. 31, no. 2, 28 February 2011 (2011-02-28) * |
王献忠: "近红外光谱法快速测定复混肥总氮含量", 《萍乡高等专科学校学报》, no. 4, 31 December 2001 (2001-12-31) * |
陈嘉威 等: "滤光片型近红外仪器模型传递的研究", 《光谱学与光谱分析》, vol. 28, no. 10, 31 October 2008 (2008-10-31) * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103743704A (zh) * | 2014-01-27 | 2014-04-23 | 中国科学院合肥物质科学研究院 | 基于近红外光谱技术的化肥质量在线检测装置 |
CN103743704B (zh) * | 2014-01-27 | 2016-02-03 | 中国科学院合肥物质科学研究院 | 基于近红外光谱技术的化肥质量在线检测装置 |
CN105628639A (zh) * | 2015-12-31 | 2016-06-01 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱法测定农产品中植物油脂的方法 |
CN105891145A (zh) * | 2016-03-29 | 2016-08-24 | 中山市承铭农业技术开发有限公司 | 一种化肥质量在线监测系统 |
CN105784636A (zh) * | 2016-05-03 | 2016-07-20 | 中山市承铭农业技术开发有限公司 | 一种化肥质量在线检测系统 |
CN106198447A (zh) * | 2016-07-13 | 2016-12-07 | 中国科学院合肥物质科学研究院 | 基于近红外光谱技术的复混肥主要成分无损定量检测方法 |
CN109374556A (zh) * | 2018-12-14 | 2019-02-22 | 中国科学院合肥物质科学研究院 | 基于可见-近红外光谱的复合肥中水分含量快速检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bruning et al. | The development of hyperspectral distribution maps to predict the content and distribution of nitrogen and water in wheat (Triticum aestivum) | |
Zhai et al. | Estimation of nitrogen, phosphorus, and potassium contents in the leaves of different plants using laboratory-based visible and near-infrared reflectance spectroscopy: comparison of partial least-square regression and support vector machine regression methods | |
Seidel et al. | Strategies for the efficient estimation of soil organic carbon at the field scale with vis-NIR spectroscopy: Spectral libraries and spiking vs. local calibrations | |
CN102353648A (zh) | 化肥成分检测方法 | |
Huang et al. | Improved generalization of spectral models associated with Vis-NIR spectroscopy for determining the moisture content of different tea leaves | |
Hakemeyer et al. | At-line NIR spectroscopy as effective PAT monitoring technique in Mab cultivations during process development and manufacturing | |
CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
CN104897607A (zh) | 便携式近红外光谱食品建模与快速检测一体化方法和系统 | |
CN101210875A (zh) | 基于近红外光谱技术的无损测量土壤养分含量的方法 | |
CN104020127A (zh) | 一种利用近红外光谱快速测量烟叶中无机元素的方法 | |
CN102636454A (zh) | 近红外光谱快速测定食用油中低碳数脂肪酸含量的方法 | |
CN102879353A (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
CN105334185A (zh) | 基于光谱投影判别的近红外模型维护方法 | |
CN104990895A (zh) | 一种基于局部区域的近红外光谱信号标准正态校正方法 | |
CN102072767A (zh) | 基于波长相似性共识回归红外光谱定量分析方法和装置 | |
Risius et al. | In-line estimation of falling number using near-infrared diffuse reflectance spectroscopy on a combine harvester | |
CN102876816A (zh) | 基于多传感器信息融合的发酵过程状态监测与控制方法 | |
Ning et al. | Rapid evaluation of soil fertility in tea plantation based on near-infrared spectroscopy | |
Lu et al. | A feasibility quantitative analysis of NIR spectroscopy coupled Si-PLS to predict coco-peat available nitrogen from rapid measurements | |
CN108037081B (zh) | 一种酿酒葡萄成熟度监测方法和系统 | |
Metzger et al. | From benchtop to handheld MIR for soil analysis: Predicting lime requirement and organic matter in agricultural soils | |
Wang et al. | Quantitative analysis of total nitrogen content in monoammonium phosphate fertilizer using visible-near infrared spectroscopy and least squares support vector machine | |
Ferrara et al. | Ripeness prediction in table grape cultivars by using a portable NIR device | |
CN112651173B (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统 | |
CN112630180B (zh) | 水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120215 |