CN105891130B - 一种校正不同光谱信息确定物质信息误差的方法 - Google Patents
一种校正不同光谱信息确定物质信息误差的方法 Download PDFInfo
- Publication number
- CN105891130B CN105891130B CN201610070764.7A CN201610070764A CN105891130B CN 105891130 B CN105891130 B CN 105891130B CN 201610070764 A CN201610070764 A CN 201610070764A CN 105891130 B CN105891130 B CN 105891130B
- Authority
- CN
- China
- Prior art keywords
- data
- calculation server
- wavelength
- luminous power
- spectroscopic data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000003595 spectral effect Effects 0.000 title claims abstract description 24
- 239000000463 material Substances 0.000 title claims abstract description 10
- 238000012937 correction Methods 0.000 title abstract description 9
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 105
- 239000000126 substance Substances 0.000 claims abstract description 73
- 238000001514 detection method Methods 0.000 claims abstract description 65
- 238000004364 calculation method Methods 0.000 claims abstract description 59
- 239000004615 ingredient Substances 0.000 claims abstract description 33
- 238000013506 data mapping Methods 0.000 claims abstract description 28
- 238000001228 spectrum Methods 0.000 claims description 29
- 238000002835 absorbance Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 241001269238 Data Species 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- 235000013305 food Nutrition 0.000 claims description 6
- 238000010183 spectrum analysis Methods 0.000 claims description 6
- 238000012271 agricultural production Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 235000012055 fruits and vegetables Nutrition 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 244000061456 Solanum tuberosum Species 0.000 description 34
- 235000002595 Solanum tuberosum Nutrition 0.000 description 34
- 238000013499 data model Methods 0.000 description 13
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 10
- 238000002329 infrared spectrum Methods 0.000 description 9
- 244000005700 microbiome Species 0.000 description 8
- 229920002472 Starch Polymers 0.000 description 7
- 235000019698 starch Nutrition 0.000 description 7
- 239000008107 starch Substances 0.000 description 7
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 5
- 229930003268 Vitamin C Natural products 0.000 description 5
- 229920002678 cellulose Polymers 0.000 description 5
- 239000001913 cellulose Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 235000019154 vitamin C Nutrition 0.000 description 5
- 239000011718 vitamin C Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 244000241235 Citrullus lanatus Species 0.000 description 1
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 244000017020 Ipomoea batatas Species 0.000 description 1
- 235000002678 Ipomoea batatas Nutrition 0.000 description 1
- 235000011430 Malus pumila Nutrition 0.000 description 1
- 235000015103 Malus silvestris Nutrition 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000021384 green leafy vegetables Nutrition 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000013573 potato product Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
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
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种校正不同光谱信息确定物质信息误差的方法，将物体样品的光谱数据和m组光功率数据按物体种类录入同一初级数据库，运算服务器接收初级数据库的数据将各物体样品的光谱数据和光功率数据形成数据映射集合，从数据映射集合中，确定公式并将公式嵌入运算服务器中；将待检测物体的新光谱数据、新光功率数据及其所需检测的成分录入数据库和输入至运算服务器，运算服务器根据输入自动匹配公式，实现根据新光谱数据和新光功率数据计算出光功率为D时待检测物体的光谱数据，运算服务器根据计算出的光谱数据和所需检测的成分进行运算，实现根据计算出的光谱数据计算出待检测物体化学数据。该方法误差小，准确性高。
Description
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，具体是涉及一种校正不同近红外光源信息收集器的光谱信息确定物质信息误差的方法。
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。同时针对不同的光功率的光源照射装置，其作用于相同物体后收集的光谱数据各不相同，若直接将该光谱数据计算成物质种类含量则误差大，准确性不高。因此，在针对某一确定常用光功率下的光谱数据和化学检测数据建立数据模型后，有必要针对不同光功率下的光谱数据校正成某一确定常用光功率值下的光谱数据，然后根据校正后的光谱数据计算物体所含成分含量。
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，本发明提供了一种校正不同光谱信息确定物质信息误差的方法，将物体样品的m组光谱数据和各物体样品相应的m组光功率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m组光谱数据和m组光功率数据形成数据映射集合，从数据映射集合中，选取2-200个波长的吸光度数值与光功率数据进行对应，确定2-200个波长吸光度变化与光功率数据变化具有定性和定量关系的Z个公式，将Z个公式嵌入运算服务器；将待检测物体的新光谱数据、新光功率数据及其所需检测的成分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、新光谱数据和新光功率数据从Z个公式中自动匹配公式，实现根据新光谱数据和新光功率数据计算出光功率为D时待检测物体的光谱数据，运算服务器根据计算出的光功率为D时待检测物体的光谱数据和所需检测的成分进行运算，实现根据计算出的光谱数据计算出待检测物体化学数据；所述2-200个波长选自700-2500nm中的波长值或波长范围，其中，Z≥1，m≥50；所述物体样品为食物类、农产品类、土壤类的一种或多种。
优选的，所述运算服务器根据计算出的光功率为D时待检测物体的光谱数据和所需检测的成分进行运算的方法，包括如下步骤：将物体样品在光功率D下得到的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n组光谱数据和n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；运算服务器根据待检测物体所需检测的成分从K个公式中自动匹配公式进行运算，实现根据计算出的光谱数据计算出待检测物体化学数据；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，本发明提供了一种校正不同近红外光源信息收集器的光谱信息确定物质信息误差的方法，该方法包括如下步骤：
步骤I：用光功率为E的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：将物体样品A1在步骤I中进行光源照射时的光功率E形成光功率数据；
步骤III：将物体A1的光谱数据和光功率数据录入同一数据库，形成数据映射Y1；
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m次重复，形成m组光谱数据和对应的m组光功率数据，将光谱数据和光功率数据录入同一数据库，形成物体样品A1的m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2-200个波长的吸光度数值与光功率数据进行对应，确定2-200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Z个公式；所述2-200个波长选自700-2500nm中的波长值或波长范围；将上述步骤的Z个公式嵌入运算服务器；其中，其中Z表示公式的数量，一般情况下Z≥1；
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Z个公式并嵌入运算服务器；
步骤VII：将待检测物体的新光谱数据、新光功率数据及其所需检测的成分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、新光谱数据和新光功率数据从Z个公式中自动匹配公式，实现根据新光谱数据和新光功率数据计算出光功率为D时待检测物体的光谱数据，运算服务器根据计算出的光功率为D时待检测物体的光谱数据和所需检测的成分进行运算，实现根据计算出的光谱数据计算出待检测物体化学数据；
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Z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Z≥1。
优选的，所述步骤VII中运算服务器根据计算出的光功率为D时待检测物体的光谱数据和所需检测的成分进行运算的方法包括以下步骤：
步骤I：用光功率为D的光源照射待检测的物体样品B1，然后收集物体样品B1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B1的光谱数据；
步骤II：对物体样品B1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B1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Y1；
步骤IV：重复上述步骤I、步骤II和步骤III，对物体样品B2至Bn+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B1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，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，运算服务器根据待检测物体种类Y及其需检测的成分自动匹配公式，计算出物体种类Y中各成分的含量得到新样品化学数据；
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。
优选的，所述光功率D优选为0.5‐50W，进一步优选为5‐10W。
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、能针对不同的光功率下得到的光谱数据校正成某一光功率数值(建立光谱‐化学检测公式时的光功率为D时的数值)下的光谱数据，再根据校正的光谱数据计算出物质成分含量。相对于直接对不同的光功率下得到的光谱数据计算出物质成分含量的方法误差小，结果准确性高。
2、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，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。
3、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。
4、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 校正不同近红外光源信息收集器的光谱信息确定马铃薯物质信息误差的方法
材料：马铃薯块茎，从马铃薯产品中随机抽取160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。
设备：具有不同光功率的光源照射装置60个、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。
用光功率为100mw光源照射装置照射马铃薯块茎，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。
将该光源照射装置照射时的光功率100mw形成光功率数据；
将马铃薯块茎的光谱数据和光功率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59组，对随机抽取的59组马铃薯块茎按照上述方法独立进行处理，不同的是采用的光源照射装置的光功率不同，获得59组光谱数据和对应的59组光功率数据，将光谱数据和光功率数据录入同一数据库，形成马铃薯样品光谱数据与光功率数据的60组数据映射；
在上述马铃薯样品数据库中的60组数据映射中，光谱数据选取7个波长范围的吸光度数值(700-850nm，900-950nm，1000-1100nm，1200-1300nm，1400-1600nm，1650-2000nm，2050-2300nm)，7个波长的吸光度数值统一与光功率数据进行对应，确定7个波长吸光度变化与光功率数据变化具有同步关系的7个光谱‐光功率公式，将上述步骤的7个光谱‐光功率公式嵌入运算服务器。
用光功率为7w的光源照射装置照射马铃薯块茎，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99组，对随机抽取的99组马铃薯块茎按照上述方法独立进行处理，获得99组光谱数据和对应的99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，形成马铃薯样品光谱数据与化学检测数据的100组数据映射；
在上述马铃薯样品数据库中的100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个光谱‐化学检测公式，将上述步骤的4个光谱‐化学检测公式嵌入运算服务器。
将采集的新的马铃薯块茎光谱数据和检测新光谱数据时的光功率数据、及其所需检测的成分(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，运算服务器根据输入的待检测物体种类马铃薯、新光谱数据和新光功率数据从7个光谱‐光功率公式中自动匹配公式，实现根据新光谱数据和新光功率数据计算出光功率为7w时马铃薯的光谱数据，运算服务器根据计算出的光功率为7w时的马铃薯光谱数据和所需检测的成分(淀粉含量、维生素C含量、纤维素含量)从4个光谱‐化学检测公式中自动匹配公式，实现根据计算出的光谱数据计算出马铃薯中淀粉含量、维生素C含量、纤维素含量。
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7个光谱‐光功率公式和4个光谱‐化学检测公式，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，分别形成马铃薯块茎光功率数据模型和光谱数据模型。
Claims (10)
1.一种校正不同光谱信息确定物质信息误差的方法，其特征在于，将物体样品的m组光谱数据和各物体样品相应的m组光功率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m组光谱数据和m组光功率数据形成数据映射集合，从数据映射集合中，选取2-200个波长的吸光度数值与光功率数据进行对应，确定2-200个波长吸光度变化与光功率数据变化具有定性和定量关系的Z个公式，将Z个公式嵌入运算服务器；将待检测物体的新光谱数据、新光功率数据及其所需检测的成分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、新光谱数据和新光功率数据从Z个公式中自动匹配公式，实现根据新光谱数据和新光功率数据计算出光功率为D时待检测物体的光谱数据，运算服务器根据计算出的光功率为D时待检测物体的光谱数据和所需检测的成分进行运算，实现根据计算出的光谱数据计算出待检测物体化学数据；所述2-200个波长选自700-2500nm中的波长值或波长范围，其中，Z≥1，m≥50；所述物体样品为食物类。
2.根据权利要求1所述的方法，其特征在于，所述运算服务器根据计算出的光功率为D时待检测物体的光谱数据和所需检测的成分进行运算的方法，包括如下步骤：将物体样品在光功率D下得到的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n组光谱数据和n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；运算服务器根据待检测物体所需检测的成分从K个公式中自动匹配公式进行运算，实现根据计算出的光谱数据计算出待检测物体化学数据；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。
3.一种校正不同光谱信息确定物质信息误差的方法，其特征在于，该方法包括如下步骤：
步骤I：用光功率为E的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：将物体样品A1在步骤I中进行光源照射时的光功率E形成光功率数据；
步骤III：将物体A1的光谱数据和光功率数据录入同一数据库，形成数据映射Y1；
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m次重复，形成m组光谱数据和对应的m组光功率数据，将光谱数据和光功率数据录入同一数据库，形成物体样品A1的m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2-200个波长的吸光度数值与光功率数据进行对应，确定2-200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Z个公式；所述2-200个波长选自700-2500nm中的波长值或波长范围；将上述步骤的Z个公式嵌入运算服务器；
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Z个公式并嵌入运算服务器；
步骤VII：将待检测物体的新光谱数据、新光功率数据及其所需检测的成分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、新光谱数据和新光功率数据从Z个公式中自动匹配公式，实现根据新光谱数据和新光功率数据计算出光功率为D时待检测物体的光谱数据，运算服务器根据计算出的光功率为D时待检测物体的光谱数据和所需检测的成分进行运算，实现根据计算出的光谱数据计算出待检测物体化学数据；
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Z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Z≥1。
4.根据权利要求3所述的方法，其特征在于，所述步骤VII中运算服务器根据计算出的光功率为D时待检测物体的光谱数据和所需检测的成分进行运算的方法包括以下步骤：
步骤I：用光功率为D的光源照射待检测的物体样品B1，然后收集物体样品B1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B1的光谱数据；
步骤II：对物体样品B1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B1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Y1；
步骤IV：重复上述步骤I、步骤II和步骤III，对物体样品B2至Bn+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B1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，运算服务器根据待检测物体种类Y及其需检测的成分自动匹配公式，计算出物体种类Y中各成分的含量得到新样品化学数据；
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。
5.根据权利要求3-4任一项所述的方法，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。
6.根据权利要求1-4任一项所述的方法，其特征在于光谱的波长范围为700-2500nm，或光谱的波长范围为800-1800nm，或光谱的波长范围为1500‐2500。
7.根据权利要求1-4任一项所述的方法，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；所述食物类为农产品类，所述农产品类包括但不限于粮食、水果、蔬菜。
8.根据权利要求1‐4任一项所述的方法，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。
9.根据权利要求1‐4任一项所述的方法，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。
10.根据权利要求2、4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C表示组合式的含义。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610070764.7A CN105891130B (zh) | 2016-01-30 | 2016-01-30 | 一种校正不同光谱信息确定物质信息误差的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610070764.7A CN105891130B (zh) | 2016-01-30 | 2016-01-30 | 一种校正不同光谱信息确定物质信息误差的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105891130A CN105891130A (zh) | 2016-08-24 |
| CN105891130B true CN105891130B (zh) | 2018-09-07 |
Family
ID=57013730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610070764.7A Active CN105891130B (zh) | 2016-01-30 | 2016-01-30 | 一种校正不同光谱信息确定物质信息误差的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105891130B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108195795A (zh) * | 2017-12-25 | 2018-06-22 | 四川长虹电器股份有限公司 | 一种近红外光谱采样方法 |
| CN109596558B (zh) * | 2018-12-17 | 2020-05-19 | 华中科技大学 | 一种基于移动最小二乘法的谱图基础维度校正及差示分析方法 |
| CN111896497B (zh) * | 2020-09-15 | 2022-04-08 | 四川长虹电器股份有限公司 | 一种基于预测值的光谱数据修正方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6002133A (en) * | 1997-08-19 | 1999-12-14 | Datex-Ohmeda, Inc. | Serviceable absorbent for gas spectrometer interior |
| CN103353439A (zh) * | 2013-07-05 | 2013-10-16 | 浙江大学 | 一种基于光谱技术的小球藻叶绿素含量与生物量同时检测的方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050128485A1 (en) * | 2003-12-12 | 2005-06-16 | Singla Madan L. | Portable device for total gossypol measurement |
| DE102011116367A1 (de) * | 2011-10-19 | 2013-04-25 | Bluepoint Medical Gmbh & Co. Kg | Vorrichtung zur hoch aufgelösten Bestimmung der Konzentration von Substanzen in fluiden Medien |
-
2016
- 2016-01-30 CN CN201610070764.7A patent/CN105891130B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6002133A (en) * | 1997-08-19 | 1999-12-14 | Datex-Ohmeda, Inc. | Serviceable absorbent for gas spectrometer interior |
| CN103353439A (zh) * | 2013-07-05 | 2013-10-16 | 浙江大学 | 一种基于光谱技术的小球藻叶绿素含量与生物量同时检测的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105891130A (zh) | 2016-08-24 |
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 | |
| CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
| KR101574895B1 (ko) | Ｆｔ―ｉｒ 스펙트럼 데이터의 다변량 통계분석을 이용한 감귤의 당도 및 산도 예측 방법 | |
| CN102721651B (zh) | 基于多光谱图像的植物叶片水分含量的检测方法及系统 | |
| CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
| CN107271382A (zh) | 一种不同生育期油菜叶片spad值遥感估算方法 | |
| CN103293111A (zh) | 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法 | |
| CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
| CN105891130B (zh) | 一种校正不同光谱信息确定物质信息误差的方法 | |
| 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 | |
| CN104778349B (zh) | 一种用于水稻表土氮肥施用等级评定方法 | |
| CN109827957A (zh) | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 | |
| CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
| CN105699304B (zh) | 一种获得光谱信息所代表的物质信息的方法 | |
| 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 | |
| CN110398473A (zh) | 一种农产品产地检测方法及系统 | |
| 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 | |
| CN106290240A (zh) | 一种基于近红外光谱分析技术对酵母菌生长曲线测定的方法 | |
| CN110231302A (zh) | 一种快速测定奇亚籽粗脂肪含量的方法 | |
| 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 | |
| CN110210005A (zh) | 一种无参考值的光谱波数选择方法 | |
| 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 | |
| CN105606548B (zh) | 一种数据库与运算服务器的工作方法 | |
| CN106404699A (zh) | 一种梨树叶片氮素含量的无损测量方法 |
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 |