CN106706546A - 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 - Google Patents
一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 Download PDFInfo
- Publication number
- CN106706546A CN106706546A CN201611233951.9A CN201611233951A CN106706546A CN 106706546 A CN106706546 A CN 106706546A CN 201611233951 A CN201611233951 A CN 201611233951A CN 106706546 A CN106706546 A CN 106706546A
- Authority
- CN
- China
- Prior art keywords
- analysis
- data
- artificial intelligence
- infrared
- sample
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 64
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 33
- 238000001237 Raman spectrum Methods 0.000 title claims abstract description 24
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 23
- 239000000463 material Substances 0.000 title claims description 17
- 239000000126 substance Substances 0.000 claims abstract description 20
- 238000001228 spectrum Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000004611 spectroscopical analysis Methods 0.000 claims description 15
- 230000003595 spectral effect Effects 0.000 claims description 13
- 239000000203 mixture Substances 0.000 claims description 11
- 238000011282 treatment Methods 0.000 claims description 10
- 238000004566 IR spectroscopy Methods 0.000 claims description 9
- 238000001069 Raman spectroscopy Methods 0.000 claims description 8
- 238000009614 chemical analysis method Methods 0.000 claims description 8
- 239000000470 constituent Substances 0.000 claims description 6
- 238000000295 emission spectrum Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 4
- 241000894007 species Species 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000000921 elemental analysis Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 230000007935 neutral effect Effects 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 239000013076 target substance Substances 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 11
- 238000010183 spectrum analysis Methods 0.000 abstract description 11
- 238000003672 processing method Methods 0.000 abstract 3
- 238000001914 filtration Methods 0.000 abstract 1
- 238000005070 sampling Methods 0.000 abstract 1
- 238000012795 verification Methods 0.000 abstract 1
- 230000036541 health Effects 0.000 description 8
- 239000003814 drug Substances 0.000 description 7
- 238000012937 correction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 241000220225 Malus Species 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 210000003491 skin Anatomy 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000010779 crude oil Substances 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000012372 quality testing Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 229920000877 Melamine resin Polymers 0.000 description 1
- 102000005431 Molecular Chaperones Human genes 0.000 description 1
- 108010006519 Molecular Chaperones Proteins 0.000 description 1
- 230000001476 alcoholic effect Effects 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 238000000105 evaporative light scattering detection Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 201000004792 malaria Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- JDSHMPZPIAZGSV-UHFFFAOYSA-N melamine Chemical compound NC1=NC(N)=NC(N)=N1 JDSHMPZPIAZGSV-UHFFFAOYSA-N 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 239000000447 pesticide residue Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000000411 transmission spectrum Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01N21/3563—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
- G01N21/62—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)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于人工智能对于红外和拉曼光谱数据的快速分析处理方法,包括如下步骤:获取单一样品学习组的红外和拉曼光谱库;对光谱库数据进行统计学过滤去除可疑和无效数据;用人工智能对学习组光谱库进行无监督学习分类;对分类结果区分出的每一类抽样进行化学分析验证分类;如抽样结果达不到应用需求,则返回人工智能程序用化学分析结果进行监督学习分类;通过多次反复分类迭代,人工智能程序自动生成能够满足应用需求的分析预测模型;将模型用于该种样品的未知样快速光谱分析检测。此方法适用于大量样品的快速光谱分析检测,并可以根据需要进行精确度调整;该方法可以被快速运用于不同的样品测试场景中,具有巨大的应用前景和潜力。
Description
技术领域
本发明属于光谱分析检测领域,尤其涉及一种基于人工智能自我学习进行光谱分析建模并映射目标被测物化学组分成分的方法。
背景技术
红外吸收光谱和拉曼发射光谱均为基于物质分子振动信息的光谱分析技术。通过不同分子在不同光波段的特异性吸收,红外吸收光谱可以提供物质的分子组分信息。而通过不同分子在激发光下产生的不同波段的特异性发射,拉曼光谱可以提供物质的分子成分信息。这两种光谱分析方法以其高效,快速,非侵入性,重复性强等优势,在生产质量监测,有害物质检测等方面有着广泛的应用。
公开号为CN105928901A的专利公开了一种定性定量相结合的近红外定量模型构建方法,对分析样品的近红外光谱进行定性投影,分类,并结合化学分析获得的数据库建立回归模型,将光谱不同波段的投影与实际化学分析得到的组分数据建立映射关系,以利用该关系进行光谱的近红外光谱定量分析。
公开号为CN102305772A的专利公开了一种基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法,利用化学分析方法对样品建立化学成分数据库,人为分为校正集和预测集后利用遗传算法对所有光谱信号点进行搜索分析,并依赖核最小二乘法交互验证求解均方差最小值的方式获得最优数据转换矩阵,从而得到最佳的校正分析预测模型。
公开号为CN106092960A的专利公开了一种快速校正近红外光谱检测设备病检测农产品中化学成分的方法,利用化学方法分析数据与标准近红外采集光谱一一建立映射关系,以建立广谱的光谱分析预测模型。
由上可见,传统的光谱分析方法依赖于对每个独立分析样品的校正和建模,该过程通常需要大量的化学分析和模型校正,且对于每个不同样品都需要不同的分析方法和建模方法,使得其运用需要大量的专业人员和时间成本而无法广泛大规模运用。如何建立一种易于使用,成本低廉,并可以广泛自适应运用于大量不同被测样品的分析技术,一直是光谱分析检测领域继续解决的技术难题。
人工智能的无监督学习技术提供了观察大量数据规对数据自动分组的方法。人工智能监督学习技术提供了学习已知数据标签,对未知数据进行同样分类的方法,通过对大量数据的学习,可以获得精确分类结果。使用人工智能技术自动学习光谱分类模型可以很好的解决光谱检测领域大量专业人员需求的难题。
发明内容
为减少在传统光谱分析建模方法中的人工与时间成本,本发明提供了一种基于人工智能自我学习技术的对于红外和拉曼光谱数据的物质分析方法。该方法可以广泛运用于各种不同物质的光谱分析建模处理,并极大降低了对化学分析方法校正的数据量要求,从而使得光谱分析可以被简单地运用于不同类型物质的定性和定量分析。
本发明采用了如下技术方案:
一种基于红外和拉曼光谱数据的人工智能学习物质分析方法,包括以下步骤:
步骤一,对目标物质进行红外吸收光谱和拉曼发射光谱的采集,对于每种目标被测物质,进行n个不同样品的m次平行测试,因而得到n X m X2组光谱数据;
步骤二,对获得的光谱数据进行基于以往类似物质数据的统计学分析,去除统计学上的意外或无效数据,从而获得有效光谱数据组;
步骤三,使用人工智能分析程序对有效光谱数据组进行无监督分类处理,并基于程序分析的结果对初始的n个样品进行分组;
步骤四,对每个分组内的样品进行抽样化学方法分析,获得每个抽样样品的准确化学组分数据;
步骤五,基于化学组分数据,用人工智能监督学习算法进行二次分类;
步骤六,重复步骤三至五直至程序习得准确有效的数据分析算法模型;
步骤七,利用习得的分析算法模型,该人工智能分析程序可用于对任意未知样品的光谱分析处理,并返回置信度可靠的物质成分分析结果。
在对上述基于红外和拉曼光谱数据的人工智能学习物质分析方法的改进方案中,A: 对于n个被采集光谱的样品,只需对每个分组内的k个样品进行化学方法分析,其中k<<n;B: 对于任意样品的分析,人工智能分析程序对其光谱数据的特异性和相似度进行自我修正和学习,并在多次迭代修正后返回置信度可靠的分类算法模型;C: 对于不同的分析样品,分析程序将返回和存储习得的针对该种样品的算法模型;D:对于任意样品,通过迭代习得的算法模型可直接用于同种样品的基于光谱数据的定性定量分析,返回化学组分及成分信息。
在对上述基于红外和拉曼光谱数据的人工智能学习物质分析方法的改进方案中,实际中采用的设备为台式,集成式,或便携式红外光谱仪和拉曼光谱仪。
在对上述基于红外和拉曼光谱数据的人工智能学习物质分析方法的改进方案中,实际中为运行在电脑端,智能手机端,云服务器端,或任意其他具备数据输入输出功能的客户端。
在对上述基于红外和拉曼光谱数据的人工智能学习物质分析方法的改进方案中,包含数量可自适应变动的逻辑层,每个层包含多个利用不同分析或映射模型算法的模块,每个模块之间和每个逻辑层之间由多维度向量相连;该模块可以使用的算法模型包括但不限于深度神经网络,卷积神经网络,循环神经网络,对抗神经网络,主成分分析和支持向量机;逻辑层数量,模块数量和种类,及向量数量和数值,均由程序本身针对特异样品实际光谱数据进行自我优化迭代调节。
本发明的有益效果:由于通过在已采集数据上的学习预测未知样品,极大的减少了校正和建模所需花费的时间和人工成本;此方法适用于大量样品的快速光谱分析检测,并可以根据特殊应用需要进行精确度调整,以方便在成本费用和分析速度准度之间获得一个最佳平衡点;此外,由于该人工智能分析程序的普适性,该方法可以被任何人熟练掌握并快速运用于不同的样品测试场景中,具有巨大的应用前景和潜力。
附图说明
图1为人工智能学习模型建立流程框架图;
图2为实际样品化学成分分析检测框架图。
具体实施方式
实施方式一:
对苹果样品的质量检测与监控:
步骤一,对5000个苹果分别进行红外吸收光谱和拉曼发射光谱的采集。对于每个苹果样品,进行50次平行测试,因而得到50*5000*2=500000 组光谱数据;
步骤二,对红外和拉曼光谱数据进行统计学分析,去除统计学上的意外或无效数据,从而获得有效光谱数据组(约为499800组数据);
步骤三,使用人工智能分析程序对有效光谱数据组进行自动鉴别和分类处理,将红外和拉曼光谱数据进行并行处理,并自动进行样品分类(约为500组);
步骤四,对每个分组内的样品进行抽样化学方法分析,获得每个抽样样品的准确化学组分数据(水分,质地,甜度,酸度,农药残留,污染物含量等);
步骤五,基于化学组分数据,如果其标准差高于实际应用所需误差,则对人工智能分析程序输入修正参数,并令其基于修正参数进行二次分类(通常会获得比步骤三多两到三倍的分类,约为1000-1500组);
步骤六,重复步骤三至五直至程序习得准确有效的符合应用需要的数据分析算法模型;
步骤七,利用习得的分析算法模型,该人工智能分析程序可用于对任意未知苹果样品的光谱分析处理,并返回置信度可靠的物质成分分析结果。
此应用可运用于任意水果蔬菜食品等日常消费品的快速质量检测与分析,具体实现应用可包括但不限于: 水果中含水量,质地,甜度和酸度分析,奶粉产品中三聚氰胺及有效蛋白含量分析, 蔬菜中农药残留及重金属含量分析等。
实施方式二:
对药物片剂的质量检测与防伪
步骤一,对5000种药物片剂分别进行红外吸收光谱和拉曼发射光谱的采集。对于每种药物样品,进行50次平行测试,因而得到50*5000*2=500000 组光谱数据;
步骤二,对每种药物样品的红外和拉曼光谱数据进行统计学分析,去除统计学上的意外或无效数据,从而获得有效光谱数据组(约为499800组数据);
步骤三,使用人工智能分析程序对带有药物种类标记的有效光谱数据组进行自动鉴别和分类处理,将红外和拉曼光谱数据进行并行处理,并自动进行随机样品分类,其中每种药物可出现在多个分类中以建立不同纬度的区分算法模型;
步骤四,对已知药物样品进行红外吸收光谱和拉曼光谱采集,并将光谱数据导入已有的区分算法模型中,返回每一个含有该种药物数据的模型预测值;
步骤五,基于模型预测值,令人工智能分析程序对原油的随机分类进行优化再次分类;
步骤六,重复步骤四至五直至程序习得准确有效的符合应用需要的数据分类算法模型;
步骤七,利用习得的分类分析算法模型,进行任意药物片剂样品的光谱分析处理,并返回药物的质量分析和真伪判断。
此应用可运用于任意商品的快速产品检测和真伪鉴定,具体实现应用可包括但不限于: 酒类商品的真伪鉴定,药物片剂的真伪鉴定,高档成衣的材料真伪鉴定,奢侈品箱包的真伪鉴定等。
实施方式三:
对人体皮肤的成分测定和健康分析
步骤一,对10000名被测人群的面部皮肤分别进行红外吸收光谱和拉曼发射光谱的采集。对于每个被测人员,在面部不同位置进行50次平行测试,因而得到50*10000*2=1000000组光谱数据;
步骤二,对每个被测人员的红外和拉曼光谱数据进行统计学分析,去除统计学上的意外或无效数据,从而获得有效光谱数据组(约为999800组数据);
步骤三,使用人工智能分析程序对带有来源对象标记的有效光谱数据组进行自动鉴别和分类处理,将红外和拉曼光谱数据进行并行处理,并自动进行随机样品分类;
步骤四,对更多被测人群进行红外吸收光谱和拉曼光谱采集,并将光谱数据导入已有的区分算法模型中,返回基于先前分类的置信值;
步骤五,基于模型分类置信值,令人工智能分析程序对原油的随机分类进行优化再次分类;
步骤六,重复步骤四至五直至程序习得分类置信度为1的可靠数据分类和所需的算法模型;
步骤七,对优化后分出的每类人群进行抽样医疗仪器深度检测,对每一类标记获得的准确成分数据与健康参数(含水度,脂肪含量,蛋白含量,毛孔洁净程度及尺寸等);
步骤八,利用建立的模型,对任意未知待测人群进行光谱采集,并即时返回分类结果和所对应的准确皮肤成分数据与健康参数。如分类确信度不为1,则返回步骤五进行分析算法再优化以获得更准确的分类预测模型。
此应用可运用于多种人体指标的健康数据跟踪测试与分析,具体实现应用可包括但不限于: 脸部皮肤的成分测定与健康分析,头皮表层的成分测定和健康分析,舌苔的成分测定与健康分析,近表皮静脉血管的成分测定和健康分析等。
由上可见,本方法适用于大量样品的快速光谱分析检测,并可以根据特殊应用需要进行精确度调整,以方便在成本费用和分析速度准度之间获得一个最佳平衡点。此外,由于该人工智能分析程序的普适性,该方法可以被任何人熟练掌握并快速运用于不同的样品测试场景中,具有巨大的应用前景和潜力。
Claims (5)
1.一种基于红外和拉曼光谱数据的人工智能学习物质分析方法,其特征在于,该方法包括以下步骤:
步骤一,对目标物质进行红外吸收光谱和拉曼发射光谱的采集,对于每种目标被测物质,进行n个不同样品的m次平行测试,因而得到n X m X 2组光谱数据;
步骤二,对获得的光谱数据进行基于以往类似物质数据的统计学分析,去除统计学上的意外或无效数据,从而获得有效光谱数据组;
步骤三,使用人工智能分析程序对有效光谱数据组进行无监督分类处理,并基于程序分析的结果对初始的n个样品进行分组;
步骤四,对每个分组内的样品进行抽样化学方法分析,获得每个抽样样品的准确化学组分数据;
步骤五,基于化学组分数据,用人工智能监督学习算法进行二次分类;
步骤六,重复步骤三至五直至程序习得准确有效的数据分析算法模型;
步骤七,利用习得的分析算法模型,该人工智能分析程序可用于对任意未知样品的光谱分析处理,并返回置信度可靠的物质成分分析结果。
2.如权利要求1所述中的基于红外和拉曼光谱数据的人工智能学习物质分析方法,其特征在于:
A: 对于n个被采集光谱的样品,只需对每个分组内的k个样品进行化学方法分析,其中k<<n;
B: 对于任意样品的分析,人工智能分析程序对其光谱数据的特异性和相似度进行自我修正和学习,并在多次迭代修正后返回置信度可靠的分类算法模型;
C: 对于不同的分析样品,分析程序将返回和存储习得的针对该种样品的算法模型;
D:对于任意样品,通过迭代习得的算法模型可直接用于同种样品的基于光谱数据的定性定量分析,返回化学组分及成分信息。
3.如权利要求1所述中的基于红外和拉曼光谱数据的人工智能学习物质分析方法,其特征在于,实际中采用的设备为台式,集成式,或便携式红外光谱仪和拉曼光谱仪。
4.如权利要求1所述中的所述中的基于红外和拉曼光谱数据的人工智能学习物质分析方法,其特征在于,实际中为运行在电脑端,智能手机端,云服务器端。
5.如权利要求1描述中的所述中的基于红外和拉曼光谱数据的人工智能学习物质分析方法,其特征在于,包含数量可自适应变动的逻辑层,每个层包含多个利用不同分析或映射模型算法的模块,每个模块之间和每个逻辑层之间由多维度向量相连;该模块可以使用的算法模型包括但不限于深度神经网络,卷积神经网络,循环神经网络,对抗神经网络,主成分分析和支持向量机;逻辑层数量,模块数量和种类,及向量数量和数值,均由程序本身针对特异样品实际光谱数据进行自我优化迭代调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611233951.9A CN106706546A (zh) | 2016-12-28 | 2016-12-28 | 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611233951.9A CN106706546A (zh) | 2016-12-28 | 2016-12-28 | 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106706546A true CN106706546A (zh) | 2017-05-24 |
Family
ID=58902862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611233951.9A Pending CN106706546A (zh) | 2016-12-28 | 2016-12-28 | 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106706546A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108362659A (zh) * | 2018-02-07 | 2018-08-03 | 武汉轻工大学 | 基于多源光谱并联融合的食用油种类快速鉴别方法 |
CN109001180A (zh) * | 2018-08-10 | 2018-12-14 | 青岛启明生物科技有限公司 | 一种拉曼光谱结合人工智能高通量单细胞分析鉴定方法 |
CN109187485A (zh) * | 2018-09-17 | 2019-01-11 | 东北大学 | 一种基于人眼泪液的角膜炎致病菌人工智能检测方法 |
CN109472798A (zh) * | 2018-12-10 | 2019-03-15 | 重庆理工大学 | 生猪脂肪含量检测模型训练方法及生猪脂肪含量检测方法 |
CN109493287A (zh) * | 2018-10-10 | 2019-03-19 | 浙江大学 | 一种基于深度学习的定量光谱数据分析处理方法 |
CN110658175A (zh) * | 2019-08-30 | 2020-01-07 | 杭州赫太克科技有限公司 | 拉曼光谱仪与红外热像仪的手机融合系统 |
CN110702806A (zh) * | 2019-09-09 | 2020-01-17 | 米津锐 | 一种逆向工程动态解析方法 |
CN112782148A (zh) * | 2021-02-19 | 2021-05-11 | 燕山大学 | 阿拉比卡和罗伯斯塔两种咖啡豆的快速鉴别方法 |
CN113984701A (zh) * | 2021-09-06 | 2022-01-28 | 池明旻 | 基于深度神经网络的在线织物纤维成分检测方法和系统 |
CN114018899A (zh) * | 2021-11-08 | 2022-02-08 | 哈尔滨工业大学 | 从透光包装瓶外鉴别酒类商品的方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104136908A (zh) * | 2011-12-19 | 2014-11-05 | 奥普蒂库尔诊断有限公司 | 用于鉴定培养物中微生物的光谱手段和方法 |
CN104330721A (zh) * | 2014-10-29 | 2015-02-04 | 工业和信息化部电子第五研究所 | 集成电路硬件木马检测方法和系统 |
CN104408728A (zh) * | 2014-12-03 | 2015-03-11 | 天津工业大学 | 一种基于噪声估计的伪造图像检测方法 |
CN104700100A (zh) * | 2015-04-01 | 2015-06-10 | 哈尔滨工业大学 | 面向高空间分辨率遥感大数据的特征提取方法 |
CN105319198A (zh) * | 2014-07-15 | 2016-02-10 | 中国石油化工股份有限公司 | 基于拉曼光谱解析技术的汽油苯含量预测方法 |
CN105701482A (zh) * | 2016-02-29 | 2016-06-22 | 公安部第研究所 | 基于非平衡标签信息融合的人脸识别算法架构 |
CN105806824A (zh) * | 2016-03-22 | 2016-07-27 | 武汉轻工大学 | 基于多源光谱特征融合的食用油种类快速鉴别方法 |
CN105938093A (zh) * | 2016-06-08 | 2016-09-14 | 福建农林大学 | 一种基于遗传算法结合支持向量机的乌龙茶产地判别方法 |
CN106153547A (zh) * | 2015-12-16 | 2016-11-23 | 新希望双喜乳业(苏州)有限公司 | 一种快速检测牛奶中蛋白质含量的方法 |
-
2016
- 2016-12-28 CN CN201611233951.9A patent/CN106706546A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104136908A (zh) * | 2011-12-19 | 2014-11-05 | 奥普蒂库尔诊断有限公司 | 用于鉴定培养物中微生物的光谱手段和方法 |
CN105319198A (zh) * | 2014-07-15 | 2016-02-10 | 中国石油化工股份有限公司 | 基于拉曼光谱解析技术的汽油苯含量预测方法 |
CN104330721A (zh) * | 2014-10-29 | 2015-02-04 | 工业和信息化部电子第五研究所 | 集成电路硬件木马检测方法和系统 |
CN104408728A (zh) * | 2014-12-03 | 2015-03-11 | 天津工业大学 | 一种基于噪声估计的伪造图像检测方法 |
CN104700100A (zh) * | 2015-04-01 | 2015-06-10 | 哈尔滨工业大学 | 面向高空间分辨率遥感大数据的特征提取方法 |
CN106153547A (zh) * | 2015-12-16 | 2016-11-23 | 新希望双喜乳业(苏州)有限公司 | 一种快速检测牛奶中蛋白质含量的方法 |
CN105701482A (zh) * | 2016-02-29 | 2016-06-22 | 公安部第研究所 | 基于非平衡标签信息融合的人脸识别算法架构 |
CN105806824A (zh) * | 2016-03-22 | 2016-07-27 | 武汉轻工大学 | 基于多源光谱特征融合的食用油种类快速鉴别方法 |
CN105938093A (zh) * | 2016-06-08 | 2016-09-14 | 福建农林大学 | 一种基于遗传算法结合支持向量机的乌龙茶产地判别方法 |
Non-Patent Citations (3)
Title |
---|
周晶等: "近红外光谱和聚类分析法无损快速鉴别不同辅料奶粉", 《光谱学与光谱分析》 * |
张永等: "基于分层聚类及重采样的大规模数据分类", 《计算机应用》 * |
胡咏川等: "近红外光谱技术鉴定中药的进展", 《中国中药杂志》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN108362659B (zh) * | 2018-02-07 | 2021-03-30 | 武汉轻工大学 | 基于多源光谱并联融合的食用油种类快速鉴别方法 |
CN108362659A (zh) * | 2018-02-07 | 2018-08-03 | 武汉轻工大学 | 基于多源光谱并联融合的食用油种类快速鉴别方法 |
CN109001180A (zh) * | 2018-08-10 | 2018-12-14 | 青岛启明生物科技有限公司 | 一种拉曼光谱结合人工智能高通量单细胞分析鉴定方法 |
CN109001180B (zh) * | 2018-08-10 | 2021-01-01 | 青岛启明生物科技有限公司 | 一种拉曼光谱结合人工智能高通量单细胞分析鉴定方法 |
CN109187485A (zh) * | 2018-09-17 | 2019-01-11 | 东北大学 | 一种基于人眼泪液的角膜炎致病菌人工智能检测方法 |
CN109493287A (zh) * | 2018-10-10 | 2019-03-19 | 浙江大学 | 一种基于深度学习的定量光谱数据分析处理方法 |
CN109493287B (zh) * | 2018-10-10 | 2022-03-15 | 浙江大学 | 一种基于深度学习的定量光谱数据分析处理方法 |
CN109472798A (zh) * | 2018-12-10 | 2019-03-15 | 重庆理工大学 | 生猪脂肪含量检测模型训练方法及生猪脂肪含量检测方法 |
CN110658175B (zh) * | 2019-08-30 | 2021-12-31 | 杭州赫太克科技有限公司 | 拉曼光谱仪与红外热像仪的手机融合系统 |
CN110658175A (zh) * | 2019-08-30 | 2020-01-07 | 杭州赫太克科技有限公司 | 拉曼光谱仪与红外热像仪的手机融合系统 |
CN110702806A (zh) * | 2019-09-09 | 2020-01-17 | 米津锐 | 一种逆向工程动态解析方法 |
CN112782148A (zh) * | 2021-02-19 | 2021-05-11 | 燕山大学 | 阿拉比卡和罗伯斯塔两种咖啡豆的快速鉴别方法 |
CN113984701A (zh) * | 2021-09-06 | 2022-01-28 | 池明旻 | 基于深度神经网络的在线织物纤维成分检测方法和系统 |
CN113984701B (zh) * | 2021-09-06 | 2024-04-16 | 池明旻 | 基于深度神经网络的在线织物纤维成分检测方法和系统 |
CN114018899A (zh) * | 2021-11-08 | 2022-02-08 | 哈尔滨工业大学 | 从透光包装瓶外鉴别酒类商品的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106706546A (zh) | 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 | |
Rizzo et al. | Fruit ripeness classification: A survey | |
CN105973858B (zh) | 一种中药品质自动检测系统 | |
Iqbal et al. | Classification of selected citrus fruits based on color using machine vision system | |
Cattaneo et al. | NIR Spectroscopy as a Suitable Tool for the Investigation of the Horticultural Field | |
CN108875913A (zh) | 一种基于卷积神经网络的松茸快速无损检测系统及方法 | |
CN106777845A (zh) | 基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法 | |
CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
CN106290224A (zh) | 腊肉品质的检测方法 | |
CN102788794A (zh) | 基于多传感信息融合的叶菜类蔬菜叶片农药残留检测装置及方法 | |
Matteoli et al. | A spectroscopy-based approach for automated nondestructive maturity grading of peach fruits | |
CN104374738A (zh) | 一种基于近红外提高鉴别结果的定性分析方法 | |
CN106092990A (zh) | 一种宁夏枸杞的三维荧光光谱鉴别方法 | |
JP6760663B2 (ja) | 試料解析装置および試料解析用プログラム | |
Butt et al. | A fast and compact hybrid CNN for hyperspectral imaging-based bloodstain classification | |
CN107219184A (zh) | 一种应用于产地溯源的肉类鉴别方法及装置 | |
Wu et al. | Discrimination of apples using near infrared spectroscopy and sorting discriminant analysis | |
Scalisi et al. | Maturity prediction in yellow peach (Prunus persica L.) cultivars using a fluorescence spectrometer | |
CN109187443A (zh) | 基于多波长透射光谱的水体细菌微生物准确识别方法 | |
Gomes et al. | Prediction of sugar content in port wine vintage grapes using machine learning and hyperspectral imaging | |
Sola-Guirado et al. | A smart system for the automatic evaluation of green olives visual quality in the field | |
CN105223140A (zh) | 同源物质的快速识别方法 | |
Tee et al. | Discovering the Ganoderma boninense detection methods using machine learning: a review of manual, laboratory, and remote approaches | |
Okere et al. | Vis-NIR and SWIR hyperspectral imaging method to detect bruises in pomegranate fruit | |
Ndung'u et al. | Optimization of diffuse reflectance spectroscopy measurements for direct and rapid screening of pesticides: A case study of spinach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170524 |
|
WD01 | Invention patent application deemed withdrawn after publication |