CN105699304B - 一种获得光谱信息所代表的物质信息的方法 - Google Patents

一种获得光谱信息所代表的物质信息的方法 Download PDF

Info

Publication number
CN105699304B
CN105699304B CN201610059711.5A CN201610059711A CN105699304B CN 105699304 B CN105699304 B CN 105699304B CN 201610059711 A CN201610059711 A CN 201610059711A CN 105699304 B CN105699304 B CN 105699304B
Authority
CN
China
Prior art keywords
data
formula
calculation server
chemical detection
wavelength
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.)
Active
Application number
CN201610059711.5A
Other languages
English (en)
Other versions
CN105699304A (zh
Inventor
刘毅
谭占鳌
陈剑
刘法安
罗嘉骏
朱伟根
吴宜青
韦毅可
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Batian Ecotypic Engineering Co Ltd
Original Assignee
Shenzhen Batian Ecotypic Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Batian Ecotypic Engineering Co Ltd filed Critical Shenzhen Batian Ecotypic Engineering Co Ltd
Priority to CN201610059711.5A priority Critical patent/CN105699304B/zh
Publication of CN105699304A publication Critical patent/CN105699304A/zh
Application granted granted Critical
Publication of CN105699304B publication Critical patent/CN105699304B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N2021/3129—Determining multicomponents by multiwavelength light

Abstract

本发明公开了一种获得光谱信息所代表的物质信息的方法，将物体样品的光谱数据和化学检测数据依物体种类录入同一数据库，运算服务器将各物体样品的光谱数据和化学检测数据形成数据映射集合，并从中选取2‑100个波长的吸光度数值与化学检测数据进行对应，确定2‑100个波长吸光度变化与化学检测数据变化具有定性和定量关系的K个公式，将公式嵌入运算服务器；输入新光谱数据至运算服务器，运算服务器根据输入的待检测物体种类及其所需检测的成分自动匹配公式，实现根据新光谱数据计算出待检测物质成分的含量，并通过调整计算公式控制计算结果与相应的化学检测结果相对误差在20％以下。所述方法快速、准确性高。

Description

一种获得光谱信息所代表的物质信息的方法
技术领域
本发明属于物质检测领域，特别是涉及利用光谱检测化学成分的方法，具体是涉及一种通过运算服务器和数据库获得光谱信息所代表的物质信息的方法。
背景技术
现代近红外光谱仪器的控制及数据处理分析系统是仪器的重要组成部分。一般由仪器控制、采谱和光谱处理分析两个软件系统和相应的硬件设备构成。前者主要功能是控制仪器各部分的工作状态，设定光谱采集的有关参数，如光谱测量方式、扫描次数、设定光谱的扫描范围等，设定检测器的工作状态并接受检测器的光谱信号。光谱处理分析软件主要对检测器所采集的光谱进行处理，实现定性或定量分析。对特定的样品体系，近红外光谱特征峰的差别并不明显，需要通过光谱的处理减少以至消除各方面因素对光谱信息的干扰，再从差别甚微的光谱信息中提取样品的定性或定量信息，这一切都要通过功能强大的光谱数据处理分析软件来实现。
近红外光谱分析技术分析速度快，是因为光谱测量速度很快，计算机计算结果速度也很快的原因。但近红外光谱分析的效率却取决于仪器所配备的数据模型、数量，及运算服务器与数据库之间的工作方法，数据模型的准确度取决于建立数据模型基于建模时的数据量的大小及运算规则，运算服务器与数据库之间的高效运转取决于运算服务器对数据库中数据调取及运算后数据存储的效率。
CN 101556242 B公开了一种用傅立叶红外光谱鉴别微生物的方法，包括培养对照微生物；采集对照微生物的红外图谱；在3000‐2300cm‐1和1300至700cm‐1区间内的一个或多个谱段建立微生物鉴别模型；在上述相同的条件下培养待测微生物，采集待测微生物的红外图谱，将红外图谱代入微生物鉴别模型中确定待测微生物的归属。
目前的方法中，因为模型的建立按照图谱的模式进行的，或者是按照局部数据进行的，或者是在化学计量的基础上进行匹配光谱数据，这些方法都存在建模后调整难度大，且基础数据不齐全，导致数据模型的校正和公式的更新和更换难度大，同时不能能通过对公式的调整快速方便校正计算误差。
发明内容
为解决上述技术问题，本发明提供了一种通过运算服务器和数据库获得光谱信息所代表的物质信息的方法，该方法利用物质的光谱多波长特征信息和多物质信息对应关系的设立运算公式。主要过程是建立完光谱数据和化学检测数据后，输入数据库，通过运算服务器进行光谱数据和化学数据的映射，根据映射寻找代表其规律的波长组合信息，并将波长组合信息与物质成分和含量信息建立多套数据公式，然后将多套数学公式嵌入运算服务器，运算服务器与数据库紧密互动，进行新物质检测和数学公式的重新选择和优化。
具体的，本发明提供了一种获得光谱信息所代表的物质信息的方法，将物体样品的n组光谱数据和各物体样品相应的n组化学检测数据按物体种类录入同一数据库形成多个初级数据库，初级数据库与运算服务器连接，运算服务器接收初级数据库的数据按物体样品种类将各物体样品的多组光谱数据和多组化学检测数据形成数据映射集合，从数据映射集合中，选取2-100个波长的吸光度数值与化学检测数据进行对应，确定2-100个波长吸光度变化与化学检测数据变化具有定性和定量关系的K个公式，将K个公式嵌入运算服务器；将待检测物体的新光谱数据录入数据库和输入至运算服务器，运算服务器根据输入的待检测物体种类及其所需检测的成分自动匹配公式，实现根据新光谱数据计算出待检测物质成分的含量，将待检测物体进行化学检测得到所需检测成分的化学检测数据，将化学检测数据录入数据库和输入至运算服务器；当计算出的待检测物质成分的含量数据与检测得到的同一待检测物质成分的化学检测数据的相对误差为20％以上时，则运算服务器采用备用公式或同类物体同种成分的其它公式，或从已有的数据映射集合中重新确定K个公式，再根据待检测物体的新光谱数据通过备用公式或同类物体同种成分的其它公式或重新确定的K个公式计算出待检测物质成分的含量，直至计算出的待检测物质成分的含量数据与检测得到的同一待检测物质成分的化学检测数据的相对误差为20％以下时运算服务器停止根据新光谱数据计算出待检测物质成分的含量；所述2-100个波长选自700-2500nm中的波长值或波长范围，其中，化学检测数据包括T种成分及其含量检测，T≥1，K≥T，n≥50；所述物体样品为食物类、农产品类、土壤类的一种或多种。
具体，本发明提供了一种获得光谱信息所代表的物质信息的方法，该方法包括如下步骤：
步骤I：用光源照射待检测的物体样品A1，然后收集物体样品A1反射回来的光谱，采用光谱分析设备确定所收集光谱的波长及吸光度，形成物体样品A1的光谱数据；
步骤II：对物体样品A1进行化学分析，分析其T种成分及含量，形成物体样品的化学检测数据；T表示成分的数量，也就是做几种成分的分析，当对物体分析蛋白质和淀粉的时候，则T为2，如果增加可溶性糖，则T为3。T大于等于1，一般情况不对最大数值做限定，只要条件允许，可以对物体的成分做全分析，那样T可能会达到20，甚至30；
步骤III：将物体A1的光谱数据和化学检测数据录入同一数据库，形成数据映射X1；
步骤IV：重复上述步骤I、步骤II和步骤III，对物体样品A2至An+1进行n次重复，形成n组光谱数据和对应的n组化学检测数据，将光谱数据和化学检测数据录入同一数据库，形成物体样品A1的n组数据映射的数据映射集合；
步骤V：将上述数据库中数据映射集合中的光谱数据选取2-100个波长的吸光度数值与化学检测数据进行对应，确定2-100个波长吸光度变化与化学检测数据变化具有定性和定量关系的K个公式；所述2-100个波长选自700-2500nm中的波长值或波长范围；将上述步骤的K个公式嵌入运算服务器。其中K表示公式的数量，一般情况下K≥1，为了单独分析多组分，K值要大于T值，也就是公式的数量一定大于成分的数量，有时为了同时进行多组分分析，需要K值满足如下关系式：
其中C表示组合式的含义。
为了考虑对每个成分或者是多个成分组合的检测准确，需要备用公式，也就是针对异常数据，公式出现无法计算的情况，应对备用公式进行运算，则此时考虑备用公式时，K值则需要满足如下关系式：
其中C表示组合式的含义。
步骤VI：对其他物体样品重复步骤I至步骤V形成各物体样品的K个公式并嵌入运算服务器；
步骤VII，采集物体新样品Y的光谱数据，将其录入数据库和输入至运算服务器的同时，并在运算服务器中输入待检测物体种类Y及其需检测的成分，运算服务器根据自动匹配公式，计算出物体种类Y中各成分的含量得到新样品化学数据，将待检测物体进行化学检测得到所需检测成分的化学检测数据，将化学检测数据录入数据库和输入至运算服务器；当计算出的待检测物质成分的含量数据与检测得到的同一待检测物质成分的化学检测数据的相对误差为20％以上时，则运算服务器采用备用公式或同类物体同种成分的其它公式，或从已有的数据映射集合中重新确定K个公式，再根据待检测物体的新光谱数据通过备用公式或同类物体同种成分的其它公式或重新确定的K个公式计算出待检测物质成分的含量，直至计算出的待检测物质成分的含量数据与检测得到的同一待检测物质成分的化学检测数据的相对误差为20％以下时运算服务器停止根据新光谱数据计算出待检测物质成分的含量。
同时将该化学数据输出到显示端和数据库，并在数据库中与物体新样品Y的光谱数据形成测量数据映射，该测量数据映射与已有的数据映射形成更新的数据映射集合用于统计分析新物体样品检测综合信息；
步骤Ⅷ：根据步骤I至步骤VII所形成的数据库和运算服务器上的K个公式，将数据库和运算服务器相连，同时设置数据库的数据输入端和数据输出端、设置运算服务器的数据输入端和数据输出端，形成物体的光谱数据模型，其中T≥1，K≥T。
优选的，n大于等于100。n表示样品检测数量，n值越大，则光谱数据和化学检测数据的数量越大，会使得映射数据集合中的数据更好的支撑公式的建立，此处限定的n值是指建立模型所需的最低样品检测量，最大检测量不受限制，只要条件允许，可以将样品检测量增加到1000以上，甚至是10000以上。待检测物体所需检测的成分为一种或多种。
优选的，上述方法中，光谱的波长范围为700-2500nm。优选的，光谱的波长范围为800-1800nm，或光谱的波长范围为1500‐2500，或者是700-2500nm内任意范围的波长范围。
优选的，上述方法中，物体为化学组成成分基本相同但成分含量差异值在20％以内的同类物体。所述成分含量差异值是指各农产品样品中成分含量的绝对值与各农产品样品中成分含量的平均值的比值的百分数。
优选的，物体为食物类、农产品类、土壤类等，优选的为农产品类，例如马铃薯块茎，小麦籽粒，西瓜、叶菜、苹果等等。例如建立马铃薯的数据模型，则上述方法中，物体样品则均为马铃薯样品，而不能选择红薯样品。
优选的，上述方法中，光谱数据为纳米整数级波长的所有波长及吸光度的数据集合。也就是说，光谱数据不仅仅是一个图形或者是几个波长数据，而是所选范围内的所有波长的吸光度，哪怕某些波长的吸光度为零，也要记录入光谱数据中。
优选的，上述方法中，光谱数据为波长为800‐1800nm的1001个波长的波长和吸光度的数据集合。
优选的，上述方法中，光谱数据为波长为1500‐2500的1001个波长的波长和吸光度的数据集合。
本发明的化学测量数据也为化学计量数据，是指通过某些物质的国家标准进行测量获得的化学数据。例如马铃薯中的淀粉含量，需要按照国家标准或者是行业标准进行测量，也可以采用满足国标测量精度的仪器进行测量。
有益效果
与现有技术相比，本发明具有如下有益效果：
1、不仅将多种物质的多组光谱数据与多组化学检测数据按物质的种类各自独立输入数据库中，按物质种类对光谱数据和化学检测数据进行映射，避免了目前仅仅将光谱数据录入化学检测数据处理器中导致的数据不独立的缺陷，难以达到公式更新和更换，阻碍了公式的灵活变化，也避免运算服务器与数据库之间数据调用的混乱，不仅能实现对各物质种类根据光谱数据计算化学成分含量，还且还能实现对同一种物质不同成分的便捷检测，甚至还能对同种物质某成分含量差异值低于20％时的快捷检测。
同时还能实现通过调整运算公式准确获得光谱信息所代表的物质信息，达到计算的数据与化学检测的数据间的相对误差小于20％。即当计算出的待检测物质成分的含量数据与检测得到的同一待检测物质成分的化学检测数据的相对误差为20％以上时，则运算服务器采用备用公式或同类物体同种成分的其它公式，或从已有的数据映射集合中重新确定K个公式，再根据待检测物体的新光谱数据通过备用公式或同类物体同种成分的其它公式或重新确定的K个公式计算出待检测物质成分的含量，直至计算出的待检测物质成分的含量数据与检测得到的同一待检测物质成分的化学检测数据的相对误差为20％以下时运算服务器停止根据新光谱数据计算出待检测物质成分的含量。
同时，各物质用于建立数据模型的数据为最少50组光谱数据和50组相应的化学检测数据，建立数据模型的数据基量越大建立的数据模型准确性越高。
2、在数据库中的数据映射集合中，从700-2500nm中选取2‐100个波长数据，将2‐100个波长数据下的吸光度数值与化学检测数据进行对应，确定2-100个波长吸光度变化与化学检测数据变化的定性和定量关系。因为数据库中的波长数据全面，因此选取2‐100个波长数据与化学测量数据进行对应和建立公式则更加便捷，2‐100个波长数据可以进行变换，摒弃了目前技术中单一波长段的选择，形成不确定分析，对波长的定位不准确。此外，从700-2500nm中选取2‐100个波长数据提高了建立的数据模型的精确度，进一步减少了输入光谱数据后通过数据模型计算化学成分及含量数据的误差。
3、运算服务器承载的K个公式能根据输入的待检测物质、和其需检测的成分及待检测物质的光谱数据自动匹配公式，快速计算出待检测物质需检测成分的含量。由于根据物质的种类独立设立数据库及相应映射数据库，因此运算服务器与各物质的数据库的运算也是独立的，因此，运算服务器能根据待检测物质的种类、光谱数据、需检测的成分能快速准确的计算该物质各成分的含量。
在实现公式的独立运算的同时，也保证了运算结果可以独立的输回数据库中，而且选择波长数据时，没有必要将全部波长数据进行比对，仅仅在服务器中比对2‐100个波长数据即可，比对效率高，又不影响原始光谱数据录入到数据库中。针对光谱数据和化学检测数据基量增大，及从700-2500nm中选取的2‐100个波长数据，公式及公式的数量得到相应的完善和增加，也有利于进一步计算结果的准确性。
具体实施方式
实施例1通过运算服务器和数据库获得光谱信息所代表的物质信息的方法
材料：马铃薯块茎，从马铃薯产品中随机抽取300个马铃薯块茎，横向切割，光源照射和光谱数据收集针对马铃薯横切面。
小麦，从小麦产品中随机获取200份，每份置于直径10厘米的容器中，高度2cm，光源照射和光谱数据收集针对容器中小麦堆的上平面。
设备：光源照射装置、光谱收集装置和光谱分析设备为整体设备或分体设备，市场购买得到。
用光源照射马铃薯块茎，然后收集马铃薯块茎反射回来的近红外光谱，光谱范围为800‐1800nm，采用近红外光谱分析设备分析光谱吸光度，形成马铃薯块茎的800‐1800nm的近红外光谱数据，该光谱数据具有1001个光波吸光度数据。
对马铃薯块茎进行化学分析，分析马铃薯块茎的淀粉含量、维生素C含量、纤维素含量，形成马铃薯块茎的化学检测数据；
将马铃薯块茎的光谱数据和化学检测数据录入同一数据库，形成第1组数据映射；
再抽取马铃薯样品299组，对随机抽取的299组马铃薯块茎按照上述方法独立进行处理，获得299组光谱数据和对应的299组化学检测数据，将光谱数据和化学检测数据录入同一数据库，形成马铃薯样品的300组数据映射；
在上述马铃薯样品数据库中的300组数据映射中，光谱数据选取4个波长范围的吸光度数值(1200-1300nm，1400-1600nm，1000-1100nm，2000-2300nm)，4个波长的吸光度数值统一与化学检测数据进行对应，确定4个波长吸光度变化与化学检测数据变化具有同步关系的4个公式，将上述步骤的4个公式嵌入运算服务器。
用光源照射小麦，然后收集小麦反射回来的近红外光谱，光谱范围为1500‐2500nm，采用近红外光谱分析设备分析光谱吸光度，形成小麦的1500‐2500nm的近红外光谱数据，该光谱数据具有1001个光波吸光度数据。
对小麦进行化学分析，分析小麦的淀粉含量、蛋白质含量、纤维素含量，形成小麦的化学检测数据；
将小麦的光谱数据和化学检测数据录入同一数据库，形成第1组数据映射；
再抽取小麦样品199组，对随机抽取的08组小麦按照上述方法独立进行处理，获得199组光谱数据和对应的199组化学检测数据，将光谱数据和化学检测数据录入同一数据库，形成小麦样品的200组数据映射；
在上述小麦样品数据库中的200组数据映射中，光谱数据选取5个波长范围的吸光度数值(1400-1600nm，1000-1100nm，2000-2300nm，900-950nm，1700-1900nm)，5个波长的吸光度数值统一与化学检测数据进行对应，确定5个波长吸光度变化与化学检测数据变化具有同步关系的6个公式，并将上述步骤的6个公式嵌入运算服务器。
采集新的马铃薯块茎光谱数据录入马铃薯数据库和输入至运算服务器，同时选取4个波长范围(1200-1300nm，1400-1600nm，1000-1100nm，2000-2300nm)录入运算服务器，并在运算服务器中输入待检测物体种类马铃薯及其需检测的成分(淀粉含量、维生素C含量、纤维素含量)，运算服务器根据自动匹配公式，计算出马铃薯中淀粉含量、维生素C含量、纤维素含量。
将待检测马铃薯进行化学检测得到所需检测成分(淀粉含量、维生素C含量、纤维素含量)的化学检测数据，将化学检测数据(淀粉含量、维生素C含量、纤维素含量)录入数据库和输入至运算服务器；当计算出的待检测马铃薯三种成分的含量数据分别与化学检测得到的马铃薯三种成分的化学检测数据的相对误差为20％以上时，则运算服务器采用马铃薯不同品种的同种成分的其它公式，运算服务器再根据该公式计算出待检测马铃薯三种成分的含量，直至计算出的待检测马铃薯三种成分的含量数据分别与化学检测得到的同一待检测马铃薯三种成分的化学检测数据的相对误差为20％以下时，运算服务器停止根据马铃薯的新光谱数据计算出需获得的马铃薯成分的含量。
同时将马铃薯块茎的淀粉含量、维生素C含量、纤维素含量输出到显示端，并同时输入数据库，并在数据库中与新采集的光谱数据形成测试数据映射。
根据上述步骤确定的数据库和运算服务器上的4个公式，将数据库和运算服务器相连，同时设置数据库的数据输入端和数据输出端、设置运算服务器的数据输入端和数据输出端，形成马铃薯块茎的光谱数据模型。
再采集新的小麦光谱数据录入小麦数据库和输入至运算服务器，同时选取5个波长范围(1400-1600nm，1000-1100nm，2000-2300nm，900-950nm，1700-1900nm)录入运算服务器，并在运算服务器中输入待检测物体种类小麦及其需检测的成分(淀粉含量、蛋白质含量、纤维素含量)，运算服务器根据自动匹配公式，计算出小麦中淀粉含量、蛋白质含量、纤维素含量。
将待检测小麦进行化学检测得到所需检测成分(淀粉含量、蛋白质含量、纤维素含量)的化学检测数据，将化学检测数据(淀粉含量、蛋白质含量、纤维素含量)录入数据库和输入至运算服务器；当计算出的待检测小麦三种成分的含量数据分别与化学检测得到的小麦三种成分的化学检测数据的相对误差为20％以上时，则运算服务器采用从已有的数据映射集合中重新确定6个公式，运算服务器再根据该6个公式计算出待检测小麦三种成分的含量，直至计算出的待检测小麦三种成分的含量数据分别与化学检测得到的同一待检测小麦三种成分的化学检测数据的相对误差为20％以下时，运算服务器停止根据小麦的新光谱数据计算出需获得的小麦成分的含量。
同时将小麦块茎的淀粉含量、维生素C含量、纤维素含量输出到显示端，并同时输入数据库，并在数据库中与新采集的光谱数据形成测试数据映射。
根据上述步骤确定的数据库和运算服务器上的6个公式，将数据库和运算服务器相连，同时设置数据库的数据输入端和数据输出端、设置运算服务器的数据输入端和数据输出端，形成小麦的光谱数据模型。

Claims (10)

1.一种获得光谱信息所代表的物质信息的方法，其特征在于，将物体样品的n组光谱数据和各物体样品相应的n组化学检测数据按物体种类录入同一数据库形成多个初级数据库，初级数据库与运算服务器连接，运算服务器接收初级数据库的数据按物体样品种类将各物体样品的多组光谱数据和多组化学检测数据形成数据映射集合，从数据映射集合中，选取2-100个波长的吸光度数值与化学检测数据进行对应，确定2-100个波长吸光度变化与化学检测数据变化具有定性和定量关系的K个公式，将K个公式嵌入运算服务器；将待检测物体的新光谱数据录入数据库和输入至运算服务器，运算服务器根据输入的待检测物体种类及其所需检测的成分自动匹配公式，实现根据新光谱数据计算出待检测物质成分的含量，将待检测物体进行化学检测得到所需检测成分的化学检测数据，将化学检测数据录入数据库和输入至运算服务器；当计算出的待检测物质成分的含量数据与检测得到的同一待检测物质成分的化学检测数据的相对误差为20％以上时，则运算服务器采用备用公式或同类物体同种成分的其它公式，或从已有的数据映射集合中重新确定K个公式，再根据待检测物体的新光谱数据通过备用公式或同类物体同种成分的其它公式或重新确定的K个公式计算出待检测物质成分的含量，直至计算出的待检测物质成分的含量数据与检测得到的同一待检测物质成分的化学检测数据的相对误差为20％以下时运算服务器停止根据新光谱数据计算出待检测物质成分的含量；所述2-100个波长选自700-2500nm中的波长值或波长范围，其中，化学检测数据包括T种成分及其含量检测，T≥1，K≥T，n≥50；所述物体样品为农产品类。
2.一种获得光谱信息所代表的物质信息的方法，其特征在于，该方法包括如下步骤：
步骤I：用光源照射待检测的物体样品A1，然后收集物体样品A1反射回来的光谱，采用光谱分析设备确定所收集光谱的波长及吸光度，形成物体样品A1的光谱数据；
步骤II：对物体样品A1进行化学分析，分析其T种成分及含量，形成物体样品的化学检测数据；
步骤III：将物体A1的光谱数据和化学检测数据录入同一数据库，形成数据映射X1；
步骤IV：重复上述步骤I、步骤II和步骤III，对物体样品A2至An+1进行n次重复，形成n组光谱数据和对应的n组化学检测数据，将光谱数据和化学检测数据录入同一数据库，形成物体样品A1的n组数据映射的数据映射集合；
步骤V：将上述数据库中数据映射集合中的光谱数据选取2-100个波长的吸光度数值与化学检测数据进行对应，确定2-100个波长吸光度变化与化学检测数据变化具有定性和定量关系的K个公式；所述2-100个波长选自700-2500nm中的波长值或波长范围；将上述步骤的K个公式嵌入运算服务器；
步骤VI：对不同于物体样品A1的农产品物体样品B1重复步骤I至步骤V形成各物体样品的K个公式并嵌入运算服务器；
步骤VII：采集物体新样品Y的光谱数据，将其录入数据库和输入至运算服务器的同时，并在运算服务器中输入待检测物体种类Y及其需检测的成分，运算服务器根据自动匹配公式，计算出物体种类Y中各成分的含量得到新样品化学数据，将待检测物体进行化学检测得到所需检测成分的化学检测数据，将化学检测数据录入数据库和输入至运算服务器；当计算出的待检测物质成分的含量数据与检测得到的同一待检测物质成分的化学检测数据的相对误差为20％以上时，则运算服务器采用备用公式或同类物体同种成分的其它公式，或从已有的数据映射集合中重新确定K个公式，再根据待检测物体的新光谱数据通过备用公式或同类物体同种成分的其它公式或重新确定的K个公式计算出待检测物质成分的含量，直至计算出的待检测物质成分的含量数据与检测得到的同一待检测物质成分的化学检测数据的相对误差为20％以下时运算服务器停止根据新光谱数据计算出待检测物质成分的含量；
同时将该化学数据输出到显示端和数据库，并在数据库中与物体新样品Y的光谱数据形成测量数据映射，该测量数据映射与已有的数据映射形成更新的数据映射集合用于统计分析新物体样品检测综合信息；
步骤Ⅷ：根据步骤I至步骤VII所形成的数据库和运算服务器上的K个公式，将数据库和运算服务器相连，同时设置数据库的数据输入端和数据输出端、设置运算服务器的数据输入端和数据输出端，形成物体的光谱数据模型，其中T≥1，K≥T。
3.根据权利要求1或2所述的方法，其特征在于，n大于等于100；待检测物体所需检测的成分为一种或多种；步骤VI中将其他物体样品重复步骤I至步骤V形成各物体样品的K个公式并嵌入运算服务器时包括对物体样品Y进行同样的处理。
4.根据权利要求1或2所述的方法，其特征在于光谱的波长范围为700-2500nm。
5.根据权利要求3所述的方法，其特征在于物体为化学组成成分基本相同但成分含量差异值在20％以内的同类物体。
6.根据权利要求1所述的方法，其特征在于所述农产品类包括但不限于粮食、水果、蔬菜。
7.根据权利要求5所述的方法，其特征在于光谱数据为纳米整数级波长的所有波长及吸光度的数据集合。
8.根据权利要求2所述的方法，其特征在于光谱数据为波长为800‐1800nm的1001个波长的波长和吸光度的数据集合，或所述光谱数据为波长为1500‐2500的1001个波长的波长和吸光度的数据集合。
9.根据权利要求1或2任一项所述的方法，其特征在于T≥1，K≥T，K值满足如下关系式：
其中。
10.根据权利要求9所述的方法，其特征在于T≥2，K值满足如下关系式：
其中。
CN201610059711.5A 2016-01-28 2016-01-28 一种获得光谱信息所代表的物质信息的方法 Active CN105699304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610059711.5A CN105699304B (zh) 2016-01-28 2016-01-28 一种获得光谱信息所代表的物质信息的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610059711.5A CN105699304B (zh) 2016-01-28 2016-01-28 一种获得光谱信息所代表的物质信息的方法

Publications (2)

Publication Number Publication Date
CN105699304A CN105699304A (zh) 2016-06-22
CN105699304B true CN105699304B (zh) 2018-08-14

Family

ID=56229754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610059711.5A Active CN105699304B (zh) 2016-01-28 2016-01-28 一种获得光谱信息所代表的物质信息的方法

Country Status (1)

Country Link
CN (1) CN105699304B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106092961A (zh) * 2016-07-28 2016-11-09 深圳市芭田生态工程股份有限公司 一种快速检测农产品中化学成分的方法
CN106092960A (zh) * 2016-07-28 2016-11-09 深圳市芭田生态工程股份有限公司 一种快速校正近红外设备并检测农产品中化学成分的方法
WO2020014842A1 (zh) * 2018-07-16 2020-01-23 深圳达闼科技控股有限公司 一种物质检测的方法、装置、终端和可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1992939A1 (en) * 2007-05-16 2008-11-19 National University of Ireland, Galway A kernel-based method and apparatus for classifying materials or chemicals and for quantifying the properties of materials or chemicals in mixtures using spectroscopic data.
CN103959292A (zh) * 2011-09-23 2014-07-30 陶氏益农公司 用于近红外光谱分析的化学计量
CN104020127A (zh) * 2014-06-18 2014-09-03 山东烟草研究院有限公司 一种利用近红外光谱快速测量烟叶中无机元素的方法
CN105241826A (zh) * 2015-10-13 2016-01-13 惠州Tcl移动通信有限公司 智能移动终端及其进行食品检测的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004042375A1 (en) * 2002-11-06 2004-05-21 Her Majesty The Queen In Right Of Canada As Represented By The Minister Of Natural Resources Canada Nir spectroscopy method for analyzing chemical process components

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1992939A1 (en) * 2007-05-16 2008-11-19 National University of Ireland, Galway A kernel-based method and apparatus for classifying materials or chemicals and for quantifying the properties of materials or chemicals in mixtures using spectroscopic data.
CN103959292A (zh) * 2011-09-23 2014-07-30 陶氏益农公司 用于近红外光谱分析的化学计量
CN104020127A (zh) * 2014-06-18 2014-09-03 山东烟草研究院有限公司 一种利用近红外光谱快速测量烟叶中无机元素的方法
CN105241826A (zh) * 2015-10-13 2016-01-13 惠州Tcl移动通信有限公司 智能移动终端及其进行食品检测的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于近红外光谱的土壤参数快速分析系统;郑立华等;《光谱学与光谱分析》;20091031;第29卷(第10期);全文 *

Also Published As

Publication number Publication date
CN105699304A (zh) 2016-06-22

Similar Documents

Publication Publication Date Title
CN102495005B (zh) 高光谱图像技术诊断作物水分亏缺的方法
CN104198396B (zh) 偏振-高光谱技术诊断作物氮磷钾亏缺的方法
CN102279168A (zh) 基于近红外光谱技术快速无损分析整粒棉籽营养品质的方法
CN101806730A (zh) 一种醋糟有机基质含水量的检测方法
CN106841083A (zh) 基于近红外光谱技术的芝麻油品质检测方法
CN105699304B (zh) 一种获得光谱信息所代表的物质信息的方法
CN105675539A (zh) 一种农产品品质综合评价方法
CN106018337A (zh) 一种棉仁粉中植酸含量的测定方法
CN109540836A (zh) 基于bp人工神经网络的近红外光谱糖度检测方法及系统
CN102519886A (zh) 一种检测农作物叶片中叶绿素a和类胡萝卜素含量的方法
CN105044024A (zh) 一种基于近红外光谱技术对葡萄果实进行无损检测的方法
CN105486662A (zh) 一种基于近红外光谱技术的棉籽棉酚含量的无损测定方法
CN105136737A (zh) 基于近红外光谱的馒头中马铃薯全粉含量快速测定的方法
CN105891130B (zh) 一种校正不同光谱信息确定物质信息误差的方法
CN104807777A (zh) 一种基于近红外光谱分析技术的槟榔水分含量快速检测方法
CN108169168A (zh) 检测分析水稻籽粒蛋白质含量数学模型及构建方法和应用
CN103344597A (zh) 一种抗调味干扰的莲藕内部成分近红外无损检测的方法
Brambilla et al. Application of a low-cost RGB sensor to detect basil (Ocimum basilicum L.) nutritional status at pilot scale level
Wang et al. Rapid detection of chlorophyll content and distribution in citrus orchards based on low-altitude remote sensing and bio-sensors
Xu et al. Nondestructive detection of internal flavor in ‘Shatian’pomelo fruit based on visible/near infrared spectroscopy
CN107314985A (zh) 一种利用近红外光谱检测油菜茎秆纤维素含量的方法
CN110231302A (zh) 一种快速测定奇亚籽粗脂肪含量的方法
CN105606548B (zh) 一种数据库与运算服务器的工作方法
CN105675538A (zh) 一种胡麻饼养分的检测方法
CN102788796B (zh) 基于高光谱图像及荧光图像多信息融合的作物氮营养诊断装置及方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant