CN106546558A - 一种基于特征波段的近红外在线检测模型的更新方法 - Google Patents
一种基于特征波段的近红外在线检测模型的更新方法 Download PDFInfo
- Publication number
- CN106546558A CN106546558A CN201610975381.4A CN201610975381A CN106546558A CN 106546558 A CN106546558 A CN 106546558A CN 201610975381 A CN201610975381 A CN 201610975381A CN 106546558 A CN106546558 A CN 106546558A
- Authority
- CN
- China
- Prior art keywords
- model
- wave bands
- near infrared
- characteristic wave
- feature based
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000003595 spectral effect Effects 0.000 claims abstract description 6
- 238000002329 infrared spectrum Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004611 spectroscopical analysis Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 230000002068 genetic effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000012986 modification Methods 0.000 abstract description 3
- 230000004048 modification Effects 0.000 abstract description 3
- 238000010183 spectrum analysis Methods 0.000 abstract 1
- 238000001228 spectrum Methods 0.000 description 10
- 239000002253 acid Substances 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000002835 absorbance Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000411 transmission spectrum 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
- 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
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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明名称为一种基于特征波段的近红外在线检测模型的更新方法，属于近红外光谱分析技术在线应用领域。本发明针对目前近红外模型更新自主性低、更新计算量大的问题，提供一种能自主更新且计算量小的近红外在线检测模型更新方法，以降低模型更新成本，提高检测精度。本发明特点是基于特征波段进行近红外在线检测模型递归更新，涉及提取特征波段、建立低维初始模型、利用新样品特征波段的光谱信息进行递归更新三部分。由于本发明仅利用特征波段信息，通过递归的方法更新检测模型，能降低模型的复杂程度和计算量，且保持模型精度，适用于近红外在线检测模型的更新。
Description
一、技术领域
本发明涉及近红外在线检测技术，特别是涉及近红外在线检测技术中的模型更新方法。
二、背景技术
近红外光是指波长在780-2526nm范围内的电磁波，其谱区与有机分子中含氢基团(O-H、N-H、C-H)的合频和各级倍频的吸收区一致，通过扫描样品的近红外光谱，可以得到样品有机分子含氢基团的特征信息，在关注含氢基团信息的食品、农业、制药、石油矿物等行业的检测项目中应用广泛。在使用近红外光谱技术检测相关成分时，首先需要建立光谱信息和目标物性参数的相关模型，模型的好坏直接影响检测结果。然而实际生产环节中，近红外光谱受检测仪器、检测环境等影响较大，且随着样品特性的变化(原料产地、气候、年份变化以及生产配方、加工工艺升级)后，需要对模型进行维护更新。
更新模型通常根据新样本，对校正集样本进行选择或加权，并采用PLS重新计算模型回归系数。目前已有加权PLS，移窗PLS，递归PLS等更新算法，但更新时均利用全谱信息进行计算，计算成本高，模型复杂，限制了近红外检测技术的推广应用。
三、发明内容
(一)要解决的技术问题
本发明的目的是提供一种能快速、自主更新且计算成本低的近红外在线检测模型更新方法，以降低模型维护成本，提高检测精度。
(二)技术方案
本发明包括提取特征波段，建立低维初始模型，利用新样品特征波段光谱信息进行递归更新三部分。
具体包括以下步骤：
步骤1：收集样品目标物性参数的原始标准数据及近红外光谱，构成校正集；
步骤2：提取与目标物性参数相关性大的特征波段；
步骤3：以特征波段光谱数据为自变量，物性参数为因变量，建立回归模型；
在线获取待测物近红外光谱数据，未获知新样品物性参数标准数据时，根据上一时刻的模型进行预测。
步骤4：获知新样品物性参数标准数据后，利用其特征波段光谱信息，通过递归算法更新模型。
更新策略为：
Rxx′(t)＝λRxx′(t-1)+x′(t)Tx′(t)
Rxy′(t)＝λRxy′(t-1)+x′(t)Ty(t)
其中λ为遗忘因子，取值范围为[0,1]。Rxx′(t-1)，Rxy′(t-1)为建立上一时刻模型时所用的协方差矩阵，y(t)为新收集到的样本物性参数标准数据，x'(t)为其对应的特征波段光谱数据。Rxx′(t)、Rxy′(t)为此次更新模型所需的协方差矩阵。
(三)有益效果
本发明仅利用与物性参数相关性大的特征波段进行递归运算，与全谱递归更新方法相比，能够降低计算成本，提高计算速度，减少其他因素对模型的影响，提高模型预测精度。
四、附图说明
图1是本发明中模型更新方法的流程图。
图2是本发明方法与全谱更新方法的效果对比图。
五、具体实施方式
以下通过黄酒总酸检测的模型更新实例，对本发明作进一步详细说明。此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明。
本发明方法流程如图1所示。
本实例步骤如下：
步骤1：制备两批黄酒，两批黄酒的制作时间、制作人员、制作环境、检测环境不同。在一个完整的发酵周期(20天)的第1、2、3、4、5、6、7、8、9、10、15、20天共十二个关键时间节点进行取样，采集透射光谱和总酸值。总酸测定使用国标国标GB/T13662-2000中的方法。光谱采集采用美国Thermo Antaris MX傅里叶变换型近红外分析仪，据仪器性能，采集1557个波数的吸光度。
步骤2：使用相关系数法，将校正集光谱矩阵中每个波长对应的吸光度与总酸值进行相关性计算，得到各波长与总酸值间的相关系数r，r值越大证明该波长与总酸值相关性越大，设定阈值，选取r大于阈值的波段作为特征波段。本例中将波长选择标准设定为：
经相关系数法，选出特征波数389个。
在线获取待测物近红外光谱，未收集到新样品的总酸标准值时，根据上一时刻模型进行预测。
步骤4：获得新样品的总酸标准值后，利用其特征波段光谱信息，利用递归偏最小二乘算法对原预测模型进行更新。
更新策略基于特征波段，即：
Rxx′(t)＝λRxx′(t-1)+x′(t)Tx′(t)
Rxy′(t)＝λRxy′(t-1)+x′(t)Ty(t)
其中λ为遗忘因子，本例中据交叉验证设置为0.8。
Rxx′(t)、Rxy′(t)为用于更新模型的协方差矩阵，Rxx′(t-1)，Rxy′(t-1)为上一时刻建模所用的协方差矩阵，y(t)为新获取的样本物性参数标准数据，x′(t)为其对应的特征波段光谱。
全谱更新时，递归偏最小二乘计算维度为1557*1557，此方法时，计算维度下降至389*389，计算时间更短。将此方法和全谱递归更新模型对第二批黄酒进行总酸预测效果对比，预测相对分析误差RPD由2.8541升至3.7362，对比结果如图2所示，可以看到此方法提高了预测精度。
以上内容是结合具体实施方式对本发明作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明所提交的权利要求书确定的保护范围。
Claims (4)
1.一种基于特征波段的近红外在线检测模型的更新方法，其特征在于，包括以下步骤：
步骤1：获取样品物性参数的原始标准数据及近红外光谱，预处理并建立初始模型；
步骤2：采用具体的波长选择方法，选择与样品物性参数相关的特征波段；
步骤3：据2)中特征波段构造简化模型；
步骤4：收集新样品物性参数标准数据及其特征波段光谱信息，在上一时刻的简化模型的基础上，以递归算法更新模型系数。
2.根据权利要求1所述的基于特征波段的模型更新方法，其特征在于特征波段只由步骤1中初始模型计算得到，一经确定,不再改变。
3.根据权利要求1所述的基于特征波段的模型更新方法，其特征在于步骤2中的波长选择采用相关系数法、无信息变量消除法、间隔偏最小二乘法或遗传算法。
4.根据权利要求1所述的基于特征波段的模型更新方法，其特征在于步骤4中的递归算法只使用了特征波段的光谱信息，具体为：
Rxx′(t)＝λRxx′(t-1)+x′(t)Tx′(t)
Rxy′(t)＝λRxy′(t-1)+x′(t)Ty(t)
其中λ为遗忘因子，取值范围为[0,1]；Rxx′(t)、Rxy′(t)为此次更新模型所需的协方差矩阵；Rxx′(t-1)，Rxy′(t-1)为建立上一时刻模型时所用的协方差矩阵；y(t)为新收集到的样本物性参数标准数据，x′(t)为其对应的特征波段光谱数据；Rxx′(t-1)，Rxy′(t-1)，x′(t)均仅由特征波段信息得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610975381.4A CN106546558A (zh) | 2016-11-07 | 2016-11-07 | 一种基于特征波段的近红外在线检测模型的更新方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610975381.4A CN106546558A (zh) | 2016-11-07 | 2016-11-07 | 一种基于特征波段的近红外在线检测模型的更新方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106546558A true CN106546558A (zh) | 2017-03-29 |
Family
ID=58394185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610975381.4A Pending CN106546558A (zh) | 2016-11-07 | 2016-11-07 | 一种基于特征波段的近红外在线检测模型的更新方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106546558A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107014756A (zh) * | 2017-04-17 | 2017-08-04 | 成都曙光光纤网络有限责任公司 | 一种光谱测试系统光源设计方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008157843A (ja) * | 2006-12-26 | 2008-07-10 | Jasco Corp | ノイズ成分除去方法 |
| CN102512142A (zh) * | 2011-12-22 | 2012-06-27 | 哈尔滨工业大学 | 基于多距测量方法的递归最小二乘自适应滤波近红外脑功能活动信号提取方法 |
| CN105300923A (zh) * | 2015-11-19 | 2016-02-03 | 江南大学 | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 |
| CN105486658A (zh) * | 2015-11-19 | 2016-04-13 | 江南大学 | 一种具有无测点温度补偿功能的近红外物性参数测量方法 |
-
2016
- 2016-11-07 CN CN201610975381.4A patent/CN106546558A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008157843A (ja) * | 2006-12-26 | 2008-07-10 | Jasco Corp | ノイズ成分除去方法 |
| CN102512142A (zh) * | 2011-12-22 | 2012-06-27 | 哈尔滨工业大学 | 基于多距测量方法的递归最小二乘自适应滤波近红外脑功能活动信号提取方法 |
| CN105300923A (zh) * | 2015-11-19 | 2016-02-03 | 江南大学 | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 |
| CN105486658A (zh) * | 2015-11-19 | 2016-04-13 | 江南大学 | 一种具有无测点温度补偿功能的近红外物性参数测量方法 |
Non-Patent Citations (1)
| Title |
|---|
| 贾生尧: "基于光谱分析技术的土壤养分检测方法与仪器研究", 《中国博士学位论文全文数据库 农业科技辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107014756A (zh) * | 2017-04-17 | 2017-08-04 | 成都曙光光纤网络有限责任公司 | 一种光谱测试系统光源设计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104990894B (zh) | 一种基于加权吸光度及相似样本的汽油性质检测方法 | |
| CN108304970B (zh) | 苹果贮藏期的快速预测方法及系统、气调贮藏监控系统 | |
| CN110907393B (zh) | 植物盐碱胁迫程度检测方法及装置 | |
| Alajas et al. | Prediction of grape leaf black rot damaged surface percentage using hybrid linear discriminant analysis and decision tree | |
| CN107271382A (zh) | 一种不同生育期油菜叶片spad值遥感估算方法 | |
| CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
| CN106485345A (zh) | 棉花全生育期冠层spad值遥感估算及估算模型构建方法 | |
| CN111044516A (zh) | 一种水稻叶绿素含量遥感估测方法 | |
| CN103712923A (zh) | 土壤野外原位测量光谱中去除水分影响因素的方法 | |
| CN110579186A (zh) | 基于逆高斯过程反演叶面积指数的农作物长势监测方法 | |
| CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和系统 | |
| CN115018105A (zh) | 一种冬小麦气象产量预测方法及系统 | |
| Wang et al. | Extraction and classification of origin characteristic peaks from rice Raman spectra by principal component analysis | |
| Cao et al. | Nondestructive detection of lead content in oilseed rape leaves based on MRF‐HHO‐SVR and hyperspectral technology | |
| Sun et al. | Non-destructive monitoring of maize LAI by fusing UAV spectral and textural features | |
| Sonobe et al. | Hyperspectral wavelength selection for estimating chlorophyll content of muskmelon leaves | |
| CN106546558A (zh) | 一种基于特征波段的近红外在线检测模型的更新方法 | |
| CN116501925B (zh) | 多源遥感数据下叶面积指数预测方法、系统、设备及介质 | |
| Luo et al. | Cross-cultivar prediction of quality indicators of tea based on VIS-NIR hyperspectral imaging | |
| CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及系统 | |
| CN108827905B (zh) | 一种基于局部加权Lasso的近红外模型在线更新方法 | |
| Wang et al. | Monitoring model for predicting maize grain moisture at the filling stage using NIRS and a small sample size | |
| CN114004147B (zh) | 一种土壤湿润状态下同时预测多种土壤属性的方法 | |
| CN105866062A (zh) | 一种汽油近红外光谱的温度修正方法 | |
| CN114692971A (zh) | 一种基于产量差的作物产量预测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170329 |