CN106323889A - 基于云服务器的质量检测系统 - Google Patents
基于云服务器的质量检测系统 Download PDFInfo
- Publication number
- CN106323889A CN106323889A CN201610655957.9A CN201610655957A CN106323889A CN 106323889 A CN106323889 A CN 106323889A CN 201610655957 A CN201610655957 A CN 201610655957A CN 106323889 A CN106323889 A CN 106323889A
- Authority
- CN
- China
- Prior art keywords
- cloud server
- algorithm
- instrument
- sample
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 238000012937 correction Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 69
- 238000012360 testing method Methods 0.000 claims description 45
- 238000003860 storage Methods 0.000 claims description 18
- 239000000203 mixture Substances 0.000 claims description 13
- 238000012372 quality testing Methods 0.000 claims description 11
- 238000009825 accumulation Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 239000004615 ingredient Substances 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000001069 Raman spectroscopy Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 13
- 241000218628 Ginkgo Species 0.000 description 7
- 235000011201 Ginkgo Nutrition 0.000 description 7
- 235000008100 Ginkgo biloba Nutrition 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 238000000034 method Methods 0.000 description 6
- 239000003814 drug Substances 0.000 description 5
- 235000013305 food Nutrition 0.000 description 5
- 241000628997 Flos Species 0.000 description 4
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 4
- 240000008042 Zea mays Species 0.000 description 4
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 4
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 4
- 235000005822 corn Nutrition 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- SNKFFCBZYFGCQN-UHFFFAOYSA-N 2-[3-[3-[1-carboxy-2-(3,4-dihydroxyphenyl)ethoxy]carbonyl-2-(3,4-dihydroxyphenyl)-7-hydroxy-2,3-dihydro-1-benzofuran-4-yl]prop-2-enoyloxy]-3-(3,4-dihydroxyphenyl)propanoic acid Chemical compound C=1C=C(O)C=2OC(C=3C=C(O)C(O)=CC=3)C(C(=O)OC(CC=3C=C(O)C(O)=CC=3)C(O)=O)C=2C=1C=CC(=O)OC(C(=O)O)CC1=CC=C(O)C(O)=C1 SNKFFCBZYFGCQN-UHFFFAOYSA-N 0.000 description 2
- SNKFFCBZYFGCQN-VWUOOIFGSA-N Lithospermic acid B Natural products C([C@H](C(=O)O)OC(=O)\C=C\C=1C=2[C@H](C(=O)O[C@H](CC=3C=C(O)C(O)=CC=3)C(O)=O)[C@H](OC=2C(O)=CC=1)C=1C=C(O)C(O)=CC=1)C1=CC=C(O)C(O)=C1 SNKFFCBZYFGCQN-VWUOOIFGSA-N 0.000 description 2
- 241000208125 Nicotiana Species 0.000 description 2
- 244000061176 Nicotiana tabacum Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 235000013336 milk Nutrition 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 210000004080 milk Anatomy 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 235000008476 powdered milk Nutrition 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- STCJJTBMWHMRCD-UHFFFAOYSA-N salvianolic acid B Natural products OC(=O)C(Cc1ccc(O)c(O)c1)OC(=O)C=Cc2cc(O)c(O)c3OC(C(C(=O)OC(Cc4ccc(O)c(O)c4)C(=O)O)c23)c5ccc(O)c(O)c5 STCJJTBMWHMRCD-UHFFFAOYSA-N 0.000 description 2
- 210000000582 semen Anatomy 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000002211 ultraviolet spectrum Methods 0.000 description 2
- NWFNMRFBJUONKD-UHFFFAOYSA-N Digipurpurogenin-I Natural products C1C=C2CC(O)CCC2(C)C2C1C1(O)CCC(C(=O)C)C1(C)C(O)C2 NWFNMRFBJUONKD-UHFFFAOYSA-N 0.000 description 1
- 241000245240 Lonicera Species 0.000 description 1
- YMGFTDKNIWPMGF-QHCPKHFHSA-N Salvianolic acid A Natural products OC(=O)[C@H](Cc1ccc(O)c(O)c1)OC(=O)C=Cc2ccc(O)c(O)c2C=Cc3ccc(O)c(O)c3 YMGFTDKNIWPMGF-QHCPKHFHSA-N 0.000 description 1
- YMGFTDKNIWPMGF-UCPJVGPRSA-N Salvianolic acid A Chemical compound C([C@H](C(=O)O)OC(=O)\C=C\C=1C(=C(O)C(O)=CC=1)\C=C\C=1C=C(O)C(O)=CC=1)C1=CC=C(O)C(O)=C1 YMGFTDKNIWPMGF-UCPJVGPRSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- GBMDVOWEEQVZKZ-UHFFFAOYSA-N methanol;hydrate Chemical compound O.OC GBMDVOWEEQVZKZ-UHFFFAOYSA-N 0.000 description 1
- 239000011259 mixed solution Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229930014626 natural product Natural products 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 239000013558 reference substance Substances 0.000 description 1
- 229930183842 salvianolic acid Natural products 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- -1 thing is rapid Natural products 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000005303 weighing 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
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- 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
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明揭露了一种基于云服务器的质量检测系统，系统包括检测仪器、智能终端以及云服务器；检测仪器用于对待测样品进行检测；云服务器用于接收智能终端获取的仪器序列号，并根据所接收到的仪器序列号在仪器数据库中查询检测仪器的状态，以判别检测仪器是否需要校正；若需要校正，云服务器调用云仪器对检测仪器进行校正，并形成校正模型存入校正数据库中，之后对待测样品的性质进行预测，预测结果返回智能终端；若不需校正，云服务器调用模型数据库中存储的样品性质预测模型对待测样品的性质进行预测，预测结果返回智能终端。本发明通过互联网把检测仪器连接起来，使产品质量检测快速化、简单化和网络化，提高质量检测效率。
Description
技术领域
本发明涉及分析仪器及互联网技术领域，尤其涉及一种通过互联网实现复杂体系质量检测的基于云服务器的质量检测系统。
背景技术
分析仪器是分析样品的结构、组分和组成的一类仪器，这类仪器在使用过程中往往需要一系列标准对照物和其他的标准方法作为参比。标准对照物通常用由多谱(IR、UV、MIR、NIR)联用确定结构，且需法定或权威部门获得或确证，参比方法通常是称重或称体积。例如在《中华人民共和国药典》2015版一部中丹酚酸B的含量测定时：取丹酚酸B对照品精密称量(适量标定)，加甲醇-水(8：2)混合溶液制成1ml含0.10mg的溶液，液相色谱，根据峰面积或峰高与进样中丹酚酸B含量的关系测定丹参中丹酚酸B的含量。若用光谱法，通常需要化学计量学方法。之所以需要校正(例如重量、体积)，是在于光学方法，只是提供了信号与含量之间的相关关系：这个相关关系与光源(由电信号转变为光信号，如钨灯)的状态、光信号转化为电信号(如光电二极管)及仪器内的部件的控制、磨损、使用状态相关，这些状态在同一台仪器上随仪器的使用需要校正(或模型更新)，即每隔一定时间需要重新作标准曲线。而且在不同仪器(相同类型和型号)之间标准曲线(模型)不能移植(共享)。正因如此，每年全国在药品、食品、谷物、饲料等领域存在大量的重复检测，也有一些小型企业没有能力(比如人力、物力)配备检测条件。造成了检测资源的巨大浪费，同时又无法更有效地监控药品、食品、谷物、饲料等产品的质量。
发明内容
本发明的目的在于，提供一种基于云服务器的质量检测系统，使复杂样品的检测快速化、简单化和网络化，提高质量检测效率与覆盖面。
为实现上述目的，本发明提供了一种云服务器，包括仪器数据库、云仪器、校正数据库、算法数据库、样品数据库以及模型数据库；所述仪器数据库用于存储进行质量检测的检测仪器的仪器序列号、检测样品种类、检测时间、积累使用时间以及最近一次校正时间；所述云仪器为在所述云服务器上根据激励源产生的所述检测仪器的虚拟响应信号的数据列；所述校正数据库用于存储所述检测仪器上产生的校正模型和所述检测仪器进行校正所采用的校正算法；所述算法数据库用于存储建立待测样品成分预测的建模算法；所述样品数据库用于存储待测样品的样品名称、产地、仪器检测值、化学成分值；所述模型数据库用于存储根据所述样品数据库及所述算法数据库建立的预测待测样品中成分的模型及模型参数。
为了实现上述目的，本发明还提供了一种质量检测系统，包括检测仪器、智能终端以及本发明所述的云服务器；所述检测仪器为具有无线通讯功能的光谱仪，所述光谱仪为紫外光谱仪、可见光光谱仪、近红外光谱仪、红外光谱仪、拉曼光谱仪以及多源复合光谱仪的其中之一，所述检测仪器用于对待测样品进行检测；所述云服务器用于接收所述智能终端获取的所述检测仪器的仪器序列号，并根据所接收到的仪器序列号在所述云服务器的所述仪器数据库中查询所述检测仪器的状态，以判别所述检测仪器的检测信号是否需要校正；若所述检测仪器的检测信号需要校正，所述云服务器调用所述云服务器的所述云仪器对所述检测仪器的检测信号进行校正，并形成校正模型存入所述云服务器的所述校正数据库中，之后对待测样品的性质进行预测，预测结果返回所述智能终端；若所述检测仪器的检测信号不需校正，所述云服务器调用所述模型数据库中存储的样品性质预测模型对待测样品的性质进行预测，预测结果返回所述智能终端。
本发明的优点在于，本发明提供的基于云服务器的质量检测系统，利用互联网技术、电子技术、计算机技术建立云服务器实现对检测仪器的监控与标定，使中药材、食品、谷物等复杂天然产物的质量检测快速化、简单化和网络化，提高质量检测效率与覆盖面。
附图说明
图1，本发明所述的基于云服务器的质量检测系统的架构示意图；
图2，本发明第一实施例所述银杏叶样品的多源复合光谱图；
图3，本发明第二实施例所述丹参样品的多源复合光谱图；
图4，本发明第三实施例所述金银花样品的紫外光图谱；
图5，本发明第四实施例所述烟草样品的近红外光谱图；
图6，本发明第五实施例所述奶粉样品的多源复合光谱图；
图7A，本发明第六实施例所述检测仪器的校正前的多源复合光谱图；
图7B，本发明第六实施例所述检测仪器的校正后的多源复合光谱图。
具体实施方式
下面结合附图对本发明提供的基于云服务器的质量检测系统做详细说明。
参考图1，本发明所述的基于云服务器的质量检测系统的架构示意图。所述的系统包括检测仪器11、智能终端12以及云服务器13。
所述检测仪器11用于对待测样品进行检测。所述检测仪器11可以为具有无线通讯功能的光谱仪，所述光谱仪为紫外光谱仪、可见光光谱仪、近红外光谱仪、红外光谱仪、拉曼光谱仪以及多源复合光谱仪的其中之一。多源复合光谱仪包括但不限于紫外光区多个波长光源、可见光区多个波长光源、近红外光区多个波长光源、红外光区多个波长光源中的多个光源组成的多源复合光谱仪。
所述检测仪器11与所述智能终端12通过无线通讯方式连接，所述智能终端12与所述云服务器13通过无线通讯连接。所述智能终端12可以为具有蓝牙功能和无线通讯功能的手机、平板电脑或笔记本电脑等。
所述云服务器13包括仪器数据库31、云仪器32、校正数据库33、算法数据库34、样品数据库35以及模型数据库36。
所述仪器数据库31用于存储进行质量检测的检测仪器11的仪器序列号、检测样品种类、检测时间、积累使用时间以及最近一次校正时间。所述仪器数据库31还可以存储有检测仪器11的检测批数、校正时间等数据。
所述云仪器32为在所述云服务器13上根据激励源(电压、电流)产生的所述检测仪器11的虚拟响应信号的数据列.所述云仪器32为在所述云服务器13上的虚拟仪器。
所述校正数据库33用于存储所述检测仪器11上产生的校正模型和所述检测仪器11进行校正所采用的校正算法。所述校正数据库33存储的校正算法包含神经元网络算法、基因算法、随机森林树算法、多项式拟合算法、偏最小二乘回归(PLSR)算法、多元线性回归算法以及逻辑回归算法的至少其中之一。所述校正数据库33还可以存储有检测仪器11进行校正时产生的原始数据和校正模型的参数。
所述算法数据库34用于存储建立待测样品成分预测的建模算法。所述算法数据库34存储的建模算法包括KNN(K-Nearest Neighbor，K最近邻)保形映射算法、偏最小二乘回归(PLSR)算法、SIMCA算法、PCA算法、多项式拟合算法、多元线性回归算法、逻辑回归算法、随机森林树算法，神经元网络算法以及基因算法的至少其中之一。
所述样品数据库35用于存储待测样品的样品名称、产地、仪器检测值、化学成分值。所述校正数据库33还可以存储有待测样品的各成分含量、样品种类及批次等数据。
所述模型数据库36用于存储根据所述样品数据库35及所述算法数据库34建立的预测待测样品中成分的样品性质预测模型及模型参数。所述模型数据库36中存储有各样品中进行定性定量预测的数学模型、模型参数、模型置信度、模型应用范围、模型建立时间。
所述云服务器13还包括用户数据库37，所述用户数据库37用于存储用户的用户名称、待测样品种类、待测样品产地、待测样品检测批数、待测样品检测时间等信息。
所述云服务器13用于接收所述智能终端12获取的所述检测仪器11的仪器序列号，并根据所接收到的仪器序列号在所述云服务器13的所述仪器数据库31中查询所述检测仪器11的状态，以判别所述检测仪器11的检测信号是否需要校正。若所述检测仪器11的检测信号需要校正，所述云服务器13调用所述云仪器32对所述检测仪器11的检测信号进行校正，并形成校正模型存入所述校正数据库33中，然后对待测样品的性质进行预测，预测结果返回所述智能终端12；若检测仪器11的检测信号不需校正，所述云服务器13调用所述模型数据库36中存储的样品性质预测模型对待测样品的性质进行预测，预测结果返回所述智能终端12。
特别的，预测结果返回所述智能终端12，同时将所述预测结果存于用户数据库37中，以便用户查询。
所述云服务器调用所述云服务器的所述云仪器对所述检测仪器的检测信号进行校正，并形成校正模型存入所述云服务器的所述校正数据库中，之后对待测样品的性质进行预测进一步为：所述云服务器13调用所述算法数据库34中的建模算法和所述样品数据库35中的数据进行模型优化，获得待测样品的样品性质预测模型以对待测样品的性质进行预测，并将获得的待测样品的模型存于所述模型数据库36中。
上述对待测样品的性质进行预测也可以为：所述智能终端12调用所述模型数据库36中的样品性质预测模型对待测样品的性质进行预测。
互联网技术、电子科技和大数据技术为解决在药品、食品、谷物、饲料等领域的大量重复检测提供了可能。。因为，现代电子技术的发展大大的提升了信号的精度和准度。例如AD1248是24位的模数的转换器，可以提供1/224的精度，相对基准源可提供万分之五的精度，LED灯的波长精度可控制到±2.5nm，已经完全达到光栅型和傅立叶型光学器件的分光精度，而且对光的消耗小。目前互联网传输速度达100M的已经很普及。这就保证了信息的快速、有效传递，大规模的存储技术可以保障数据的低成本存储，利用分布式计算技术可以把不同的服务器组织成为一个计算任务提供服务。
本发明利用互联网技术、电子技术、计算机技术建立云服务器进行检测仪器的监控与标定，借助于光谱信息、样品数据库和数学算法实现中药材、食品、谷物等复杂样品质量检测的快速化、简单化和网络化，以提高质量检测效率与覆盖面。基于互联网技术能充分发挥质量检测数据的价值，使得相关企业的内部质量检测数据和样品不仅可为企业自身产生价值，而且可为行业产生价值，从而减少行业内大量的重复劳动和支出，又能大量减少传统测试方法(如色谱法)中有机溶剂的消耗量及样品前处理的工作量，更加环保、经济与安全。本发明的测试过程可以低成本运行，一是仪器成本低，仅为现有光谱仪器成本价格的十分之一；二是测试成本低，不需要复杂的样品前处理，只需简单粉碎即可。且由于本发明是基于网络平台，，仪器信号的校正、定量、定性模型的建立与型评估、更新都是在云服务器上进行；本发明对质检人员的要求低，对测试的环境条件无特别要求，质量检测可在现场进行。因而个体经营单位、小微企业等也可借助本发明技术准确、快速地进行产品的质量检测，提高质量检测效率。
以下通过实施例对本发明作进一步解释说明。
第一实施例：
本实施例用一个多源光谱仪作为检测仪器进行待测样品的检测，采集相应数据。所述的多源光谱仪是由包含275nm，370nm，675nm，750nm，830nm，900nm，1100nm，1500nm的LED光源组成，LED光源采用光电二极管实现。作为传感器，多源光谱仪与智能终端用蓝牙连接。智能终端是采用安卓系统的手机，手机与云服务器通过wifi通讯，云服务器采用阿里云，所用的仪器数据库是用mySQL格式数据库，仪器数据库中存有多源光谱仪的仪器序列号(zlg1602030001)、检测样品种类(银杏)、检测批数(10批)、检测时间(2016.4.23)、积累使用时间以小时为单位(10小时)。即，序列号为zlg1602030001的仪器在2016.4.23日用于检测银杏叶样品10个批数，仪器累积检测时间为10小时。在仪器数据库中第一实施例数据记录如表11所示。
表11仪器数据库中记录的第一实施例数据信息
| 序列号 | 检测样品 | 批数 | 检测日期 | 仪器累积测试时间(h) |
| z1g1602030001 | 银杏 | 10 | 2016.4.23 | 10 |
云仪器是在云服务器上用一系列基准信号源激励光电二极管产生模拟光谱，作为云仪器光谱。本发明第一实施例所述的10批银杏叶样品的复合光谱图如图2所示。多源光谱仪检测信号的校正用校正数据库中的多项式拟合算法模拟实现，用算法数据库中的KNN保形映射算法建模，所预测的这10个批次银杏叶中各成分的含量如表12所示，这个银杏叶的样品性质预测模型存于模型数据库中，用户情况存于用户数据库中。表12的数据通过云服务器用wifi发送到智能终端上。
表12智能终端界面显示的第一实施例数据信息
第二实施例：
同第一实施例，所不同的是，检测仪器采用275nm，285nm，295nm，330nm，375nm，420nm，450nm，600nm，675nm，830nm的紫外可见光LED光源组成。在仪器数据库中第二实施例数据记录如表21所示。
表21仪器数据库中记录的第二实施例数据信息
| 序列号 | 检测样品 | 批数 | 检测日期 | 仪器累积测试时间(h) |
| zlg1604020012 | 丹参 | 20 | 2016.5.7 | 3 |
本发明第二实施例所述的20批丹参样品的复合光谱图如图3所示。仪器信号的校正用神经元网络算法实现，样品性质的预测模型用PLS算法建立，预测的20个批次丹参中各成分的含量如表22所示。表22的数据通过云服务器用wifi发送到智能终端上。
表22智能终端界面显示的第二实施例数据信息
第三实施例：
同第一实施例，所不同的是，检测仪器采用紫外光谱仪，智能终端采用笔记本电脑，在仪器数据库中第三实施例数据记录如表31所示。
表31仪器数据库中记录的第三实施例的数据信息
| 序列号 | 检测样品 | 批数 | 检测日期 | 仪器累积检测时间(h) |
| zlg1604030001 | 金银花 | 3 | 2016.6.7 | 2 |
本发明第三实施例所述的3批金银花样品的紫外光图谱如图4所示。仪器信号的校正用逻辑回归算法模拟实现，预测模型用随机森林数算法建立，预测的这3个批次金银花中各成分的含量如表32所示。表32的数据通过云服务器用wifi发送到智能终端上。
表32智能终端界面显示的第三实施例数据信息
第四实施例：
同第一实施例，所不同的是，检测仪器采用近红外(NIR)光谱仪，智能终端采用安卓手机，在仪器数据库中第四实施例数据记录如表41所示。
表41仪器数据库中记录的第四实施例数据信息
| 序列号 | 检测样品 | 批数 | 检测日期 | 仪器累积检测时间(h) |
| zlg1603050002 | 烟叶 | 5 | 2016.4.20 | 4 |
本发明第四实施例所述的5批烟叶样品的近红外光谱图如图5所示。仪器信号的校正用基因算法实现，预测模型用KNN保形映射算法建立，所预测的这5个批次烟叶中各成分的含量如表42所示。表42的数据通过云服务器用wifi发送到智能终端上。
表42智能终端界面显示的第四实施例数据信息
第五实施例：
同第一实施例，所不同的是，检测仪器采用波长为275nm，300nm，370nm，450nm的紫外LED光源组成，在仪器数据库中第五实施例数据记录如表51所示。
表51仪器数据库中记录的第五实施例数据信息
| 序列号 | 检测样品 | 批数 | 检测日期 | 仪器累积检测时间(h) |
| zlg1603060002 | 奶粉 | 10 | 2016.5.19 | 4 |
本发明第五实施例所述的10批奶粉样品的多源紫外光谱信号如图6所示。仪器信号的校正用神经元BP算法实现，预测模型用PLSR算法建立，预测的这10个批次奶粉中各成分的含量如表52所示。表52的数据通过云服务器用wifi发送到智能终端上。
表52智能终端界面显示的第五实施例数据信息
第六实施例：
同第一实施例，不同于第一实施例的是，检测仪器的信号需要校正，对该仪器信号进行校正，校正方法为多项式拟合方法，校正模型存于校正数据库中，其中图7A为校正前的光谱图，图7B为校正后的光谱图。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种云服务器，其特征在于，包括仪器数据库、云仪器、校正数据库、算法数据库、样品数据库以及模型数据库；
所述仪器数据库用于存储进行质量检测的检测仪器的仪器序列号、检测样品种类、检测时间、积累使用时间以及最近一次校正时间；
所述云仪器为在所述云服务器上根据激励源产生的所述检测仪器的虚拟响应信号的数据列；
所述校正数据库用于存储所述检测仪器上产生的校正模型和所述检测仪器进行校正所采用的校正算法；
所述算法数据库用于存储建立待测样品成分预测的建模算法；
所述样品数据库用于存储待测样品的样品名称、产地、仪器检测值、化学成分值；
所述模型数据库用于存储根据所述样品数据库及所述算法数据库建立的预测待测样品中成分的样品性质预测模型及模型参数。
2.根据权利要求1所述的云服务器，其特征在于，所述校正数据库存储的校正算法包含神经元网络算法、基因算法、随机森林树算法、多项式拟合算法、偏最小二乘回归算法、多元线性回归算法以及逻辑回归算法的至少其中之一。
3.根据权利要求1所述的云服务器，其特征在于，所述算法数据库存储的建模算法包括KNN保形映射算法、偏最小二乘回归算法、SIMCA算法、PCA算法、多项式拟合算法、多元线性回归算法、逻辑回归算法、随机森林树算法，神经元网络算法以及基因算法的至少其中之一。
4.根据权利要求1所述的云服务器，其特征在于，所述云服务器还包括用户数据库，所述用户数据库用于存储用户的用户名称、待测样品种类、待测样品产地、待测样品检测批数、待测样品检测时间。
5.根据权利要求1所述的云服务器，其特征在于，所述云服务器由一个或多个服务器组成。
6.一种基于云服务器的质量检测系统，其特征在于，包括检测仪器、智能终端以及权利要求1-5任意一项所述的云服务器；
所述检测仪器为具有无线通讯功能的光谱仪，所述光谱仪为紫外光谱仪、可见光光谱仪、近红外光谱仪、红外光谱仪、拉曼光谱仪以及多源复合光谱仪的其中之一，所述检测仪器用于对待测样品进行检测；
所述云服务器用于接收所述智能终端获取的所述检测仪器的仪器序列号，并根据所接收到的仪器序列号在所述云服务器的所述仪器数据库中查询所述检测仪器的状态，以判别所述检测仪器的检测信号是否需要校正；
若所述检测仪器的检测信号需要校正，所述云服务器调用所述云服务器的所述云仪器对所述检测仪器的检测信号进行校正，并形成校正模型存入所述云服务器的所述校正数据库中，之后对待测样品的性质进行预测，预测结果返回所述智能终端；
若所述检测仪器的检测信号不需校正，所述云服务器调用所述模型数据库中存储的样品性质预测模型对待测样品的性质进行预测，预测结果返回所述智能终端。
7.根据权利要求6所述的系统，其特征在于，所述云服务器调用所述云服务器的所述云仪器对所述检测仪器的检测信号进行校正，并形成校正模型存入所述云服务器的所述校正数据库中，之后对待测样品的性质进行预测进一步为：所述云服务器调用所述算法数据库中的建模算法和所述样品数据库中的数据进行模型优化，获得待测样品的样品性质预测模型以对待测样品的性质进行预测，并将获得的待测样品的样品性质预测模型存于所述模型数据库中。
8.根据权利要求6所述的系统，其特征在于，当所述云服务器包括用户数据库时，将所述预测结果存于用户数据库中。
9.根据权利要求6所述的系统，其特征在于，所述检测仪器与所述智能终端通过无线通讯方式连接，所述智能终端与所述云服务器通过无线通讯方式连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610655957.9A CN106323889B (zh) | 2016-08-11 | 2016-08-11 | 基于云服务器的质量检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610655957.9A CN106323889B (zh) | 2016-08-11 | 2016-08-11 | 基于云服务器的质量检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106323889A true CN106323889A (zh) | 2017-01-11 |
| CN106323889B CN106323889B (zh) | 2019-04-05 |
Family
ID=57740271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610655957.9A Active CN106323889B (zh) | 2016-08-11 | 2016-08-11 | 基于云服务器的质量检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106323889B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107024584A (zh) * | 2017-06-07 | 2017-08-08 | 嘉兴朝云帆生物科技有限公司 | 通过网络校正标准曲线的生物试纸检测仪及其校正方法 |
| CN107037028A (zh) * | 2017-03-10 | 2017-08-11 | 北京华泰诺安探测技术有限公司 | 一种云平台拉曼光谱识别方法及装置 |
| CN107860748A (zh) * | 2017-12-20 | 2018-03-30 | 中国海洋大学 | 近红外光谱网络化采集系统 |
| CN108235733A (zh) * | 2017-12-29 | 2018-06-29 | 深圳达闼科技控股有限公司 | 基于拉曼光谱的物质识别方法及云端系统 |
| CN109142317A (zh) * | 2018-08-29 | 2019-01-04 | 厦门大学 | 一种基于随机森林模型的拉曼光谱物质识别方法 |
| CN110286101A (zh) * | 2019-07-16 | 2019-09-27 | 四川长虹电器股份有限公司 | 适用于流水线体系的光谱持续建模异常检测系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030028328A1 (en) * | 2001-08-01 | 2003-02-06 | Thierry Julia | Customer-based prediction method and system using near infrared reflectance spectra of materials |
| CN201315020Y (zh) * | 2008-12-19 | 2009-09-23 | 广东省计量科学研究院 | 一种远程校准系统 |
| CN101592717A (zh) * | 2009-06-30 | 2009-12-02 | 深圳市科陆电子科技股份有限公司 | 自动校准电力仪器仪表的方法及其系统 |
| CN101924795A (zh) * | 2010-08-25 | 2010-12-22 | 广东省建筑科学研究院 | 一种检测机构仪器设备管理系统 |
| US8272030B1 (en) * | 2009-01-21 | 2012-09-18 | Sprint Communications Company L.P. | Dynamic security management for mobile communications device |
| CN105548069A (zh) * | 2015-12-31 | 2016-05-04 | 深圳市芭田生态工程股份有限公司 | 无线光谱检测仪的检测系统及应用该检测系统的检测仪 |
-
2016
- 2016-08-11 CN CN201610655957.9A patent/CN106323889B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030028328A1 (en) * | 2001-08-01 | 2003-02-06 | Thierry Julia | Customer-based prediction method and system using near infrared reflectance spectra of materials |
| CN201315020Y (zh) * | 2008-12-19 | 2009-09-23 | 广东省计量科学研究院 | 一种远程校准系统 |
| US8272030B1 (en) * | 2009-01-21 | 2012-09-18 | Sprint Communications Company L.P. | Dynamic security management for mobile communications device |
| CN101592717A (zh) * | 2009-06-30 | 2009-12-02 | 深圳市科陆电子科技股份有限公司 | 自动校准电力仪器仪表的方法及其系统 |
| CN101924795A (zh) * | 2010-08-25 | 2010-12-22 | 广东省建筑科学研究院 | 一种检测机构仪器设备管理系统 |
| CN105548069A (zh) * | 2015-12-31 | 2016-05-04 | 深圳市芭田生态工程股份有限公司 | 无线光谱检测仪的检测系统及应用该检测系统的检测仪 |
Non-Patent Citations (2)
| Title |
|---|
| MARKO JURCEVIC ET AL: "Internet-Enabled Calibration Services: Design of a Secure Calibration System", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
| 苏昌林 等: "远程校准技术纵览", 《中国测试技术》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107037028A (zh) * | 2017-03-10 | 2017-08-11 | 北京华泰诺安探测技术有限公司 | 一种云平台拉曼光谱识别方法及装置 |
| CN107024584A (zh) * | 2017-06-07 | 2017-08-08 | 嘉兴朝云帆生物科技有限公司 | 通过网络校正标准曲线的生物试纸检测仪及其校正方法 |
| CN107860748A (zh) * | 2017-12-20 | 2018-03-30 | 中国海洋大学 | 近红外光谱网络化采集系统 |
| CN108235733A (zh) * | 2017-12-29 | 2018-06-29 | 深圳达闼科技控股有限公司 | 基于拉曼光谱的物质识别方法及云端系统 |
| WO2019127352A1 (zh) * | 2017-12-29 | 2019-07-04 | 深圳达闼科技控股有限公司 | 基于拉曼光谱的物质识别方法及云端系统 |
| CN109142317A (zh) * | 2018-08-29 | 2019-01-04 | 厦门大学 | 一种基于随机森林模型的拉曼光谱物质识别方法 |
| CN109142317B (zh) * | 2018-08-29 | 2020-05-08 | 厦门大学 | 一种基于随机森林模型的拉曼光谱物质识别方法 |
| CN110286101A (zh) * | 2019-07-16 | 2019-09-27 | 四川长虹电器股份有限公司 | 适用于流水线体系的光谱持续建模异常检测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106323889B (zh) | 2019-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106323889A (zh) | 基于云服务器的质量检测系统 | |
| US10458908B2 (en) | System and method for qualifying plant material | |
| Moraru et al. | Using machine learning on sensor data | |
| Beasley et al. | Testing stellar population models with star clusters in the Large Magellanic Cloud | |
| Bellagamba et al. | Optimal filtering of optical and weak lensing data to search for galaxy clusters: application to the COSMOS field | |
| US11719628B2 (en) | Cross-validation based calibration of a spectroscopic model | |
| CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
| Moser et al. | Methods for variable selection in LiDAR-assisted forest inventories | |
| Faber | Efficient computation of net analyte signal vector in inverse multivariate calibration models | |
| Wang et al. | Big data driven outlier detection for soybean straw near infrared spectroscopy | |
| McGrath et al. | The potential of handheld near infrared spectroscopy to detect food adulteration: Results of a global, multi-instrument inter-laboratory study | |
| Friedrich et al. | Miniature near-infrared spectrometer for point-of-use chemical analysis | |
| Ning et al. | Rapid evaluation of soil fertility in tea plantation based on near-infrared spectroscopy | |
| Dong et al. | Limitations and challenges of using Raman spectroscopy to detect the abiotic plant stress response | |
| de Oliveira Moreira et al. | Rapid purity determination of copaiba oils by a portable NIR spectrometer and PLSR | |
| Andrianto et al. | Performance evaluation of IoT-based service system for monitoring nutritional deficiencies in plants | |
| Lu et al. | Fluorescence hyperspectral image technique coupled with HSI method to predict solanine content of potatoes | |
| Sanz et al. | Generalized structure functions and multifractal detrended fluctuation analysis applied to vegetation index time series: An arid rangeland study | |
| Legner et al. | A four-level maturity index for hot peppers (Capsicum annum) using non-invasive automated mobile Raman spectroscopy for on-site testing | |
| Adame-Campos et al. | Variables selection for aboveground biomass estimations using satellite data: A comparison between relative importance approach and stepwise Akaike’s information criterion | |
| CN102507966A (zh) | 基于云计算的双盲实验室样品质量检测系统及方法 | |
| Wang et al. | Rapid and low-cost detection of millet quality by miniature near-infrared spectroscopy and iteratively retaining informative variables | |
| de Carvalho et al. | Exploring Strategies to Mitigate the Lightness Effect on the Prediction of Soybean Oil Content in Blends of Olive and Avocado Oil Using Smartphone Digital Image Colorimetry | |
| Lan et al. | A Rapid Prediction Method of Moisture Content for Green Tea Fixation Based on WOA-Elman | |
| Viciano-Tudela et al. | Proposal of a New System for Essential Oil Classification Based on Low-Cost Gas Sensor and Machine Learning Techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |