CN108918426A - 检测混合物的方法、装置、存储介质及电子设备 - Google Patents
检测混合物的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN108918426A CN108918426A CN201810575851.7A CN201810575851A CN108918426A CN 108918426 A CN108918426 A CN 108918426A CN 201810575851 A CN201810575851 A CN 201810575851A CN 108918426 A CN108918426 A CN 108918426A
- Authority
- CN
- China
- Prior art keywords
- mixture
- component
- verified
- testing result
- attribute
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本公开涉及一种检测混合物的方法、装置、存储介质及电子设备,可以通过对待检测混合物进行物质检测得到至少一个待校验检测结果,然后确定每个该待校验检测结果的组成物质,并获取每个该组成物质的物质属性,在全部该待校验检测结果中,根据该物质属性确定该组成物质相容的目标检测结果,并将该目标检测结果确定为有效检测结果。
Description
技术领域
本公开涉及物质检测领域,具体地,涉及一种检测混合物的方法、装置、存储介质及电子设备。
背景技术
物质的分析和检测受到了越来越多的关注,当前,物质的分析和检测主要应用于食品安全、宝石鉴定、刑事鉴定、材料科学和环境监测等领域,混合物组成物质的识别属于物质检测的一种,在进行混合物识别时,光谱检测是一种比较常用的方法,现有方案中,可以通过特殊的数据库构建方法,利用法曼光谱、红外光谱、紫外光谱、LIBS、质谱、色谱、离子迁移谱等方法实现混合物组成物质的识别。
当前的物质检测设备主要用来进行单一物质的分析识别,如果要进行混合物识别,需要将数据库中预先存储的至少两种已知物质的光谱数据进行叠加,得到多种混合物的混合光谱数据,由于数据库中存储的已知物质种类很多,将该数据库中的至少两种已知物质的光谱数据进行叠加后得到的混合物的混合光谱数据的数据量也会很大,这会出现多种混合物的混合光谱很相似,因此,当使用该物质检测设备进行混合物识别时,可能会使得识别结果中出现明显的错误,例如,将单一物质误识别为某两种或多种混合物、将混合物1误识别为混合物2等明显错误,从而降低混合物识别的准确率。
发明内容
为克服现有技术中存在的问题,本公开提供一种检测混合物的方法、装置、存储介质及电子设备。
根据本公开实施例的第一方面,提供一种检测混合物的方法,所述方法包括:对待检测混合物进行物质检测得到至少一个待校验检测结果;确定每个所述待校验检测结果的组成物质;获取每个所述组成物质的物质属性;在全部所述待校验检测结果中,根据所述物质属性确定所述组成物质相容的目标检测结果;确定所述目标检测结果为有效检测结果。
可选地,所述物质属性包括物理属性和化学属性,所述根据所述物质属性确定所述组成物质相容的目标检测结果包括:获取预设校验条件;所述预设校验条件包括所述物理属性不相容;或者,所述化学属性不相容;确定所述待校验检测结果的所述组成物质的物质属性是否满足所述预设校验条件;将所述组成物质的物质属性不满足所述预设校验条件的待校验检测结果,确定为所述目标检测结果。
可选地,所述物理属性包括固态或者液态,所述化学属性包括酸性、碱性或者中性,所述预设校验条件包括:所述待校验检测结果的所述组成物质的物理属性包括固态和液态;或者,所述待校验检测结果的所述组成物质的化学属性包括酸性和碱性。
可选地,所述获取每个所述组成物质的物质属性包括:获取所述组成物质对应的属性标识;根据所述属性标识确定所述组成物质的物质属性。
可选地,所述对待检测混合物进行物质检测得到至少一个待校验检测结果包括:获取所述待检测混合物的第一光谱数据;根据所述第一光谱数据确定所述待检测混合物与至少一种已知混合物的相似度;从所述相似度中确定大于或者等于预设相似度阈值的目标相似度;确定所述目标相似度对应的所述已知混合物为所述待校验检测结果。
可选地,所述根据所述第一光谱数据确定所述待检测混合物与至少一种已知混合物的相似度包括:获取物质识别模型;将所述第一光谱数据输入所述物质识别模型,以便确定所述待检测混合物与至少一种已知混合物的相似度。
根据本公开实施例的第二方面,提供一种检测混合物的装置,所述装置包括:物质检测模块,用于对待检测混合物进行物质检测得到至少一个待校验检测结果;第一确定模块,用于确定每个所述待校验检测结果的组成物质;获取模块,用于获取每个所述组成物质的物质属性;第二确定模块,用于在全部所述待校验检测结果中,根据所述物质属性确定所述组成物质相容的目标检测结果;第三确定模块,用于确定所述目标检测结果为有效检测结果。
可选地,所述物质属性包括物理属性和化学属性,所述第二确定模块包括:第一获取子模块,用于获取预设校验条件;所述预设校验条件包括所述物理属性不相容;或者,所述化学属性不相容;第一确定子模块,用于确定所述待校验检测结果的所述组成物质的物质属性是否满足所述预设校验条件;第二确定子模块,用于将所述组成物质的物质属性不满足所述预设校验条件的待校验检测结果,确定为所述目标检测结果。
可选地,所述物理属性包括固态或者液态,所述化学属性包括酸性、碱性或者中性,所述预设校验条件包括:所述待校验检测结果的所述组成物质的物理属性包括固态和液态;或者,所述待校验检测结果的所述组成物质的化学属性包括酸性和碱性。
可选地,所述获取模块包括:第二获取子模块,用于获取所述组成物质对应的属性标识;第三确定子模块,用于根据所述属性标识确定所述组成物质的物质属性。
可选地,所述物质检测模块包括:第三获取子模块,用于获取所述待检测混合物的第一光谱数据;第四确定子模块,用于根据所述第一光谱数据确定所述待检测混合物与至少一种已知混合物的相似度;第五确定子模块,用于从所述相似度中确定大于或者等于预设相似度阈值的目标相似度;第六确定子模块,用于确定所述目标相似度对应的所述已知混合物为所述待校验检测结果。
可选地,所述第四确定子模块,用于获取物质识别模型;将所述第一光谱数据输入所述物质识别模型,以便确定所述待检测混合物与至少一种已知混合物的相似度。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开第一方面所述方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:存储器,其上存储有计算机程序;处理器,用于执行所述存储器中的所述计算机程序,以实现本公开第一方面所述方法的步骤。
通过上述技术方案,对待检测混合物进行物质检测得到至少一个待校验检测结果;确定每个该待校验检测结果的组成物质;获取每个该组成物质的物质属性;在全部该待校验检测结果中,根据该物质属性确定该组成物质相容的目标检测结果;确定该目标检测结果为有效检测结果,这样,可以识别出该待校验检测结果中明显错误的混合物识别结果,进而提高混合物识别的准确率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种检测混合物的方法的流程图;
图2是根据一示例性实施例示出的又一种检测混合物的方法的流程图;
图3是根据一示例性实施例示出的第一种检测混合物的装置的框图;
图4是根据一示例性实施例示出的第二种检测混合物的装置的框图;
图5是根据一示例性实施例示出的第三种检测混合物的装置的框图;
图6是根据一示例性实施例示出的第四种检测混合物的装置的框图;
图7是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
首先,对本公开的应用场景进行说明,在利用光谱检测的方法对混合物进行检测时,由于当前的物质检测设备主要用来进行单一物质的分析识别,当使用该物质检测设备进行混合物识别时,由于将数据库中的至少两种已知物质的光谱数据进行叠加后得到的混合物的混合光谱数据的数据量很大,会出现多种混合物的混合光谱很相似,这可能会使得识别结果中出现明显的错误,例如,识别出的混合物为盐酸+氢氧化钠,通常情况下盐酸是一种液体,并且为酸性物质,氢氧化钠是一种粉末状固体、并且为碱性物质,由于一种混合物的组成物质同为固态,或者同为液态时,该混合物才是一种有效的混合物,并且酸性物质和碱性物质相互混合时会发生中和反应,因此,根据盐酸和氢氧化钠的物理属性和化学属性可以确定混合物盐酸+氢氧化钠是一种明显错误的识别结果,但设备本身并不能识别出这属于明显错误的识别结果,从而降低混合物识别的准确率。
为解决上述存在的问题,本公开提供一种检测混合物的方法、装置、存储介质及电子设备,可以根据待校验检测结果的组成物质的物质属性对该待校验检测结果进行校验,以在全部待校验检测结果中,将组成物质相容的目标检测结果确定为有效检测结果,从而可以识别出该待校验检测结果中明显错误的混合物识别结果,进而提高混合物识别的准确率。
下面结合附图对本公开进行详细说明。
图1是根据一示例性实施例示出的一种检测混合物的方法的流程图,如图1所示,该方法包括以下步骤:
在步骤101中,对待检测混合物进行物质检测得到至少一个待校验检测结果。
其中,该待校验检测结果可以包括待校验混合物以及该待检测混合物与该待校验混合物的相似度,该相似度可以表示该待检测混合物的第一光谱数据与已知混合物的混合光谱数据的相似程度。
在本步骤中,可以通过物质检测设备获取该待检测混合物的第一光谱数据,然后根据该第一光谱数据确定该待检测混合物与至少一种已知混合物的相似度,并从该相似度中确定大于或者等于预设相似度阈值的目标相似度,确定该目标相似度对应的已知混合物为该待校验检测结果。
在通过该物质检测设备获取该待检测混合物的第一光谱数据时,该物质检测设备上一般都设置有激光发射器和光谱仪传感器,该物质检测设备首先需要通过激光发射器向该待检测混合物发射激光,然后通过光谱仪传感器获取该待检测混合物的第一光谱数据。
在根据该第一光谱数据确定该待检测混合物与至少一种已知混合物的相似度时,可以获取物质识别模型,然后将该第一光谱数据输入该物质识别模型,从而确定该待检测混合物与至少一种已知混合物的相似度,其中,该物质识别模型的输入为待检测混合物的第一光谱数据,输出为该待检测混合物的至少一个待校验检测结果。
需要说明的是,由于建立该物质识别模型所需要的训练集和测试集的数据量较大,该物质检测设备存储空间以及数据处理能力有限,因此,在本公开中,该物质识别模型可以由云服务器提前建立,该物质检测设备每次在进行混合物检测时,可以从云服务器获取云服务器已经建立好的该物质识别模型,当然,该物质检测设备也可以将从云服务器获取的该物质识别模型存储至本地,这样,该物质检测设备下次在进行混合物检测时,只需调用已经存储在本地的该物质识别模型即可,无需再从云服务器中获取该模型,从而减少了与云服务器的交互,提高了物质识别的效率。
另外,在一种可能的建立该物质识别模型的实现方式中,首先,云服务器可以获取数据库中预先存储的多种已知物质(如盐酸、氢氧化钠、硝酸、水等)的第二光谱数据,然后将至少两种已知物质的第二光谱数据进行叠加得到多种已知混合物(如盐酸+水,盐酸+硝酸等)的混合光谱数据,云服务器通过该混合光谱数据对预设算法模型(如深度学习、神经网络等算法模型)进行训练,从而得到该物质识别模型。
在步骤102中,确定每个该待校验检测结果的组成物质。
在步骤103中,获取每个该组成物质的物质属性。
其中,该物质属性包括物理属性和化学属性,该物理属性可以包括固态或者液态,该化学属性可以包括酸性、碱性或者中性。
在本步骤中,可以通过获取该组成物质对应的属性标识,然后根据该属性标识确定该组成物质的物质属性,其中,该属性标识可以按照标识预设规则用不同的数字表示,例如,对于物理属性中的固态和液态,可以分别用0和1表示(例如固态为0液态为1,或者固态为1液态为0);对于化学属性中的酸性、碱性、中性可以分别用0、1、2表示(例如酸性为0,碱性为1,中性为2),上述只是举例说明,本公开对此不作限定。
需要说明的是,该属性标识是按照标识预设规则预先添加至该数据库中每种物质对应的光谱数据中的,具体地,可以在每种物质对应的光谱数据后添加多个字段,不同的字段用于标记不同的物质属性,因此,该标识预设规则除了指定各属性标识对应的数字以外,还需指定各属性标识标记的字段,例如,在一种可能的实现方式中,该标识预设规则可以是固态为0,液态为1,酸性为0,碱性为1,中性为2,该光谱数据后添加的第一个字段用于标记固液态属性,第二个字段用于标记酸碱性属性,上述也只是举例说明,本公开对此不作限定,这样,该物质检测设备在获取到组成物质对应的属性标识时,即可根据该属性标识以及该标识预设规则确定该组成物质的物质属性。
在步骤104中,在全部该待校验检测结果中,根据该物质属性确定该组成物质相容的目标检测结果。
其中,该目标检测结果可以包括该待校验检测结果中组成物质相容的待校验混合物。
在本步骤中,可以通过获取预设校验条件,然后确定该待校验检测结果的该组成物质的物质属性是否满足该预设校验条件,将该组成物质的物质属性不满足该预设校验条件的待校验检测结果,确定为该目标检测结果,其中,该预设校验条件可以包括该物理属性不相容;或者,该化学属性不相容。
在一种可能的实现方式中,该预设校验条件可以包括:该待校验检测结果的该组成物质的物理属性包括固态和液态;或者,该待校验检测结果的该组成物质的化学属性包括酸性和碱性。
另外,在确定该组成物质的物质属性满足该预设校验条件时,确定该组成物质不相容。
在步骤105中,确定该目标检测结果为有效检测结果。
其中,该有效检测结果可以包括该待校验检测结果中组成物质相容的待校验混合物,也就是说,该有效检测结果为识别准确度较高的检测结果,该物质检测设备可以在全部该待校验检测结果中将明显错误的无效检测结果去除,从而可以只向用户展示该有效检测结果,进而提高混合物识别的准确率。
采用上述方法,可以根据待校验检测结果的组成物质的物质属性对该待校验检测结果进行校验,以在全部待校验检测结果中,将组成物质相容的目标检测结果确定为有效检测结果,从而可以识别出该待校验检测结果中明显错误的混合物识别结果,进而提高混合物识别的准确率。
图2是根据一示例性实施例示出的一种检测混合物的方法的流程图,本实施例可以应用于利用拉曼检测技术进行混合物识别的场景中,如图2所示,该方法包括以下步骤:
在步骤201中,获取待检测混合物的第一光谱数据。
在本步骤中,可以通过物质检测设备获取该待检测混合物的第一光谱数据,该物质检测设备上一般都设置有激光发射器和光谱仪传感器,该物质检测设备可以先通过激光发射器向待检测混合物发射激光,然后通过光谱仪传感器获取该待检测混合物的第一光谱数据。
在步骤202中,获取物质识别模型。
其中,该物质识别模型可以包括深度学习、神经网络等算法模型,该物质识别模型的输入为待检测混合物的第一光谱数据,输出为该待检测混合物的至少一个待校验检测结果,也就是说,该物质识别模型用于根据该待检测混合物的第一光谱数据确定该待检测混合物的至少一个待校验检测结果。
需要说明的是,该物质识别模型可以由云服务器提前建立,由于建立该物质识别模型所需要的训练集和测试集的数据量较大,该物质检测设备存储空间以及数据处理能力有限,因此,在本公开中,该物质识别模型可以由云服务器提前建立,该物质检测设备每次在进行混合物检测时,可以从云服务器获取云服务器已经建立好的该物质识别模型,当然,该物质检测设备也可以将从云服务器获取的该物质识别模型存储至本地,这样,该物质检测设备下次在进行混合物检测时,只需调用已经存储在本地的该物质识别模型即可,无需再从云服务器中获取该模型,从而减少了与云服务器的交互,提高了物质识别的效率。
另外,在一种可能的建立该物质识别模型的实现方式中,首先,云服务器可以获取数据库中预先存储的多种已知物质(如盐酸、氢氧化钠、硝酸、水等)的第二光谱数据,然后将至少两种已知物质的第二光谱数据进行叠加得到多种已知混合物(如盐酸+水,盐酸+硝酸等)的混合光谱数据,云服务器通过该混合光谱数据对预设算法模型(如深度学习、神经网络等算法模型)进行训练,从而得到该物质识别模型。
在步骤203中,将该第一光谱数据输入该物质识别模型,以便确定该待检测混合物与至少一种已知混合物的相似度。
其中,该相似度可以表示该待检测混合物的第一光谱数据与已知混合物的混合光谱数据的相似程度。
在步骤204中,从该相似度中确定大于或者等于预设相似度阈值的目标相似度。
在步骤205中,确定该目标相似度对应的该已知混合物为待校验检测结果。
其中,该待校验检测结果可以包括待校验混合物以及该待检测混合物与该待校验混合物的相似度。
由于该相似度可以表示该待检测混合物的第一光谱数据与已知混合物的混合光谱数据的相似程度,也就是说,该相似度数值越大,表示该待检测混合物与该已知混合物越相似,这样,在误差的允许范围内,可以将该待检测混合物识别为与该待检测混合物相似度最高的该已知混合物,因此,在步骤204中,预先设置该预设相似度阈值,然后从该相似度中确定大于或者等于该预设相似度阈值的目标相似度,在本步骤中,确定该目标相似度对应的该已知混合物为待校验检测结果。
示例地,以该预设相似度阈值为50%为例进行说明,在执行步骤203后,得到的该待检测混合物与至少一种已知混合物的相似度分别为:与已知混合物A+B的相似度为95%、与已知混合物A+C的相似度为80%、与已知混合物B+C的相似度为75%、与已知混合物C+D的相似度为40%、与已知混合物A+B+C的相似度为35%、与已知混合物B+C+D的相似度为10%,其中,该相似度大于或者等于该预设相似度阈值50%的目标相似度为95%、80%、75%,该目标相似度对应的该已知混合物为混合物A+B(相似度95%)、混合物A+C(相似度80%)、混合物B+C(相似度75%),因此,该待校验检测结果为混合物A+B(相似度95%)、混合物A+C(相似度80%)、混合物B+C(相似度75%),上述示例只是举例说明,本公开对此不作限定。
在步骤206中,确定每个该待校验检测结果的组成物质。
示例地,在执行步骤205后,得到的三个该待校验检测结果分别为混合物A+B(相似度95%)、混合物A+C(相似度80%)、混合物B+C(相似度75%),其中,混合物A+B对应的组成物质为物质A、物质B,混合物A+C对应的组成物质为物质A、物质C,混合物B+C对应的组成物质为物质B、物质C,上述示例只是举例说明,本公开对此不作限定。
在步骤207中,获取该组成物质对应的属性标识。
其中,该属性标识可以包括物理属性标识以及化学属性标识,该物理属性可以包括固态或者液态,该化学属性可以包括酸性、碱性或者中性,该属性标识可以按照标识预设规则用不同的数字表示,例如,对于物理属性中的固态和液态,可以分别用0和1表示(例如固态为0液态为1,或者固态为1液态为0);对于化学属性中的酸性、碱性、中性可以分别用0、1、2表示(例如酸性为0,碱性为1,中性为2),上述只是举例说明,本公开对此不作限定。
需要说明的是,该属性标识是按照标识预设规则预先添加至该数据库中每种物质对应的光谱数据中的,具体地,可以在每种物质对应的光谱数据后添加多个字段,不同的字段用于标记不同的物质属性,因此,该标识预设规则除了指定各属性标识对应的数字以外,还需指定各属性标识标记的字段,例如,在一种可能的实现方式中,该标识预设规则可以是固态为0,液态为1,酸性为0,碱性为1,中性为2,该光谱数据后添加的第一个字段用于标记固液态属性,第二个字段用于标记酸碱性属性,上述也只是举例说明,本公开对此不作限定。
示例地,在给数据库中的盐酸添加固液态、酸碱性两种属性标识时,可以在盐酸对应的光谱数据的尾部添加两个字段,并且在添加该属性标识时,依据的该标识预设规则可以是:固态为0,液态为1,酸性为0,碱性为1,中性为2,该光谱数据后添加的第一个字段用于标记固液态属性,第二个字段用于标记酸碱性属性,因此,依据该标识预设规则为该数据库中的盐酸添加的属性标识即为(1,0),上述示例只是举例说明,本公开对此不作限定。
在步骤208中,根据该属性标识确定该组成物质的物质属性。
其中,该物质属性可以包括物理属性和化学属性。
在一种可能的实现方式中,由于该属性标识是按照标识预设规则预先添加的,因此,该物质检测设备在获取到该组成物质对应的属性标识时,即可根据该属性标识以及该标识预设规则确定该组成物质的物质属性。
示例地,继续以该标识预设规则为固态为0,液态为1,酸性为0,碱性为1,中性为2,该光谱数据后添加的第一个字段用于标记固液态属性,第二个字段用于标记酸碱性属性为例进行说明,在该待校验检测结果为混合物盐酸+硝酸以及混合物盐酸+氢氧化钠时,获取到的该组成物质盐酸的属性标识为(1,0),该组成物质硝酸的属性标识为(1,0),该组成物质氢氧化钠的属性标识为(0,1),从而可以根据该属性标识以及该标识预设规则确定该组成物质盐酸的物质属性为液态、酸性,该组成物质硝酸的物质属性为液态、酸性,该组成物质氢氧化钠的物质属性为固态、碱性,上述示例只是举例说明,本公开对此不作限定。
在步骤209中,获取预设校验条件。
其中,该预设校验条件可以包括该物理属性不相容;或者,该化学属性不相容,不相容是指在一种混合物中不会同时存在物理属性不相同的组成物质,或者一种混合物中不会同时存在化学属性不相同的组成物质,例如,一种混合物中不会同时存在固态和液态的组成物质,另外,由于酸性物质和碱性物质相互混合时会发生中和反应,因此,一种混合物中也不会同时存在酸性和碱性的组成物质,也就是说,如果待校验检测结果中的一种待校验混合物中同时存在固态和液态的组成物质,或者同时存在酸性和碱性的组成物质,那么该组成物质对应的该待校验混合物即为明显错误的混合物检测结果,另外,对于化学属性为中性的组成物质(如水),可以和酸性物质相容,也可以和碱性物质相容。
在一种可能的实现方式中,该预设校验条件可以包括:该待校验检测结果的该组成物质的物理属性包括固态和液态;或者,该待校验检测结果的该组成物质的化学属性包括酸性和碱性。
在步骤210中,确定该待校验检测结果的该组成物质的物质属性是否满足该预设校验条件。
在本步骤中,一种可能的实现方式可以是确定该待校验检测结果的该组成物质的物理属性是否包括固态和液态;或者,确定该待校验检测结果的该组成物质的化学属性是否包括酸性和碱性,在确定该组成物质的物质属性至少满足上述预设校验条件中的一个时,即可确定该组成物质的物质属性满足该预设校验条件,在确定该组成物质的物质属性对于上述预设校验条件全都不满足时,确定该组成物质的物质属性不满足该预设校验条件。
示例地,继续以获取到的该待校验检测结果为混合物盐酸+硝酸以及混合物盐酸+氢氧化钠为例进行说明,对于待校验检测结果盐酸+硝酸对应的组成物质盐酸的物质属性为液态、酸性,该待校验检测结果盐酸+硝酸对应的另一种组成物质硝酸的物质属性为液态、酸性,也就是说,待校验检测结果盐酸+硝酸对应的物质属性为液态、酸性,由此可知,待校验检测结果盐酸+硝酸对应的物质属性对于上述预设校验条件全都不满足;对于待校验检测结果盐酸+氢氧化钠对应的组成物质盐酸的物质属性为液态、酸性,该待校验检测结果盐酸+氢氧化钠对应的另一种组成物质氢氧化钠的物质属性为固态、碱性,也就是说,待校验检测结果盐酸+硝酸对应的物质属性为液态、固态、酸性、碱性,由此可知,待校验检测结果盐酸+氢氧化钠对应的物质属性满足上述预设校验条件,因此,该待校验检测结果盐酸+硝酸不满足该预设校验条件,该待校验检测结果盐酸+氢氧化钠满足该预设校验条件,上述示例只是举例说明,本公开对此不作限定。
另外,在本公开另一种可能的实现方式中,可以只通过物理属性或者只通过化学属性确定该待校验检测结果中的该待校验混合物是否相容,本公开对此不作限定。
在确定该组成物质的物质属性满足该预设校验条件时,执行步骤213;
在确定该组成物质的物质属性不满足该预设校验条件时,执行步骤211和212。
在步骤211中,将该组成物质的物质属性不满足该预设校验条件的待校验检测结果,确定为目标检测结果。
其中,该目标检测结果可以包括该待校验检测结果中组成物质相容的待校验混合物。
示例地,继续以该待校验检测结果包括混合物盐酸+硝酸,盐酸+氢氧化钠为例进行说明,在执行步骤210后,可以确定待校验检测结果盐酸+硝酸不满足该预设校验条件,待校验检测结果盐酸+氢氧化钠满足该预设校验条件,因此,将该待校验检测结果盐酸+硝酸确定为该目标检测结果。
在步骤212中,确定该目标检测结果为有效检测结果。
其中,该有效检测结果可以包括该待校验检测结果中组成物质相容的待校验混合物,也就是说,该有效检测结果为识别准确度较高的检测结果,该物质检测设备可以在全部该待校验检测结果中将明显错误的无效检测结果去除,从而可以只向用户展示该有效检测结果,进而提高混合物识别的准确率。
在步骤213中,确定该组成物质不相容。
其中,在确定该待校验混合物的组成物质不相容时,即可确定该组成物质不相容的待校验混合物为无效检测结果,此时,物质检测设备可以将该无效检测结果确定为错误的混合物识别结果,从而提高混合物识别的准确率。
采用上述方法,可以根据待校验检测结果的组成物质的物质属性对该待校验检测结果进行校验,以在全部待校验检测结果中,将组成物质相容的目标检测结果确定为有效检测结果,从而可以识别出该待校验检测结果中明显错误的混合物识别结果,进而提高混合物识别的准确率。
图3是根据一示例性实施例示出的一种检测混合物的装置的框图,如图3所示,该装置包括:
物质检测模块301,用于对待检测混合物进行物质检测得到至少一个待校验检测结果;
第一确定模块302,用于确定每个该待校验检测结果的组成物质;
获取模块303,用于获取每个该组成物质的物质属性;
第二确定模块304,用于在全部该待校验检测结果中,根据该物质属性确定该组成物质相容的目标检测结果;
第三确定模块305,用于确定该目标检测结果为有效检测结果。
可选地,图4是根据图3所示实施例示出的另一种检测混合物的装置的框图,该物质属性包括物理属性和化学属性,该第二确定模块304包括:
第一获取子模块3041,用于获取预设校验条件;该预设校验条件包括该物理属性不相容;或者,该化学属性不相容;
第一确定子模块3042,用于确定该待校验检测结果的该组成物质的物质属性是否满足该预设校验条件;
第二确定子模块3043,用于将该组成物质的物质属性不满足该预设校验条件的待校验检测结果,确定为该目标检测结果。
可选地,该物理属性包括固态或者液态,该化学属性包括酸性、碱性或者中性,该预设校验条件包括:该待校验检测结果的该组成物质的物理属性包括固态和液态;或者,该待校验检测结果的该组成物质的化学属性包括酸性和碱性。
可选地,图5是根据图3所示实施例示出的又一种检测混合物的装置的框图,如图5所示,该获取模块303包括:
第二获取子模块3031,用于获取该组成物质对应的属性标识;
第三确定子模块3032,用于根据该属性标识确定该组成物质的物质属性。
可选地,图6是根据图3所示实施例示出的又一种检测混合物的装置的框图,如图6所示,该物质检测模块301包括:
第三获取子模块3011,用于获取该待检测混合物的第一光谱数据;
第四确定子模块3012,用于根据该第一光谱数据确定该待检测混合物与至少一种已知混合物的相似度;
第五确定子模块3013,用于从该相似度中确定大于或者等于预设相似度阈值的目标相似度;
第六确定子模块3014,用于确定该目标相似度对应的该已知混合物为该待校验检测结果。
可选的,该第四确定子模块3012,用于获取物质识别模型;将该第一光谱数据输入该物质识别模型,以便确定该待检测混合物与至少一种已知混合物的相似度。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
采用上述装置,可以根据待校验检测结果的组成物质的物质属性对该待校验检测结果进行校验,以在全部待校验检测结果中,将组成物质相容的目标检测结果确定为有效检测结果,从而可以识别出该待校验检测结果中明显错误的混合物识别结果,进而提高混合物识别的准确率。
图7是根据一示例性实施例示出的一种电子设备700的框图。如图7所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的检测混合物的方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的检测混合物的方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的检测混合物的方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的检测混合物的方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (14)
1.一种检测混合物的方法,其特征在于,所述方法包括:
对待检测混合物进行物质检测得到至少一个待校验检测结果;
确定每个所述待校验检测结果的组成物质;
获取每个所述组成物质的物质属性;
在全部所述待校验检测结果中,根据所述物质属性确定所述组成物质相容的目标检测结果;
确定所述目标检测结果为有效检测结果。
2.根据权利要求1所述的方法,其特征在于,所述物质属性包括物理属性和化学属性,所述根据所述物质属性确定所述组成物质相容的目标检测结果包括:
获取预设校验条件;所述预设校验条件包括所述物理属性不相容;或者,所述化学属性不相容;
确定所述待校验检测结果的所述组成物质的物质属性是否满足所述预设校验条件;
将所述组成物质的物质属性不满足所述预设校验条件的待校验检测结果,确定为所述目标检测结果。
3.根据权利要求2所述的方法,其特征在于,所述物理属性包括固态或者液态,所述化学属性包括酸性、碱性或者中性,所述预设校验条件包括:
所述待校验检测结果的所述组成物质的物理属性包括固态和液态;
或者,所述待校验检测结果的所述组成物质的化学属性包括酸性和碱性。
4.根据权利要求1所述的方法,其特征在于,所述获取每个所述组成物质的物质属性包括:
获取所述组成物质对应的属性标识;
根据所述属性标识确定所述组成物质的物质属性。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述对待检测混合物进行物质检测得到至少一个待校验检测结果包括:
获取所述待检测混合物的第一光谱数据;
根据所述第一光谱数据确定所述待检测混合物与至少一种已知混合物的相似度;
从所述相似度中确定大于或者等于预设相似度阈值的目标相似度;
确定所述目标相似度对应的所述已知混合物为所述待校验检测结果。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一光谱数据确定所述待检测混合物与至少一种已知混合物的相似度包括:
获取物质识别模型;
将所述第一光谱数据输入所述物质识别模型,以便确定所述待检测混合物与至少一种已知混合物的相似度。
7.一种检测混合物的装置,其特征在于,所述装置包括:
物质检测模块,用于对待检测混合物进行物质检测得到至少一个待校验检测结果;
第一确定模块,用于确定每个所述待校验检测结果的组成物质;
获取模块,用于获取每个所述组成物质的物质属性;
第二确定模块,用于在全部所述待校验检测结果中,根据所述物质属性确定所述组成物质相容的目标检测结果;
第三确定模块,用于确定所述目标检测结果为有效检测结果。
8.根据权利要求7所述的装置,其特征在于,所述物质属性包括物理属性和化学属性,所述第二确定模块包括:
第一获取子模块,用于获取预设校验条件;所述预设校验条件包括所述物理属性不相容;或者,所述化学属性不相容;
第一确定子模块,用于确定所述待校验检测结果的所述组成物质的物质属性是否满足所述预设校验条件;
第二确定子模块,用于将所述组成物质的物质属性不满足所述预设校验条件的待校验检测结果,确定为所述目标检测结果。
9.根据权利要求8所述的装置,其特征在于,所述物理属性包括固态或者液态,所述化学属性包括酸性、碱性或者中性,所述预设校验条件包括:
所述待校验检测结果的所述组成物质的物理属性包括固态和液态;
或者,所述待校验检测结果的所述组成物质的化学属性包括酸性和碱性。
10.根据权利要求7所述的装置,其特征在于,所述获取模块包括:
第二获取子模块,用于获取所述组成物质对应的属性标识;
第三确定子模块,用于根据所述属性标识确定所述组成物质的物质属性。
11.根据权利要求7至10任一项所述的装置,其特征在于,所述物质检测模块包括:
第三获取子模块,用于获取所述待检测混合物的第一光谱数据;
第四确定子模块,用于根据所述第一光谱数据确定所述待检测混合物与至少一种已知混合物的相似度;
第五确定子模块,用于从所述相似度中确定大于或者等于预设相似度阈值的目标相似度;
第六确定子模块,用于确定所述目标相似度对应的所述已知混合物为所述待校验检测结果。
12.根据权利要求11所述的装置,其特征在于,所述第四确定子模块,用于获取物质识别模型;将所述第一光谱数据输入所述物质识别模型,以便确定所述待检测混合物与至少一种已知混合物的相似度。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
14.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810575851.7A CN108918426A (zh) | 2018-06-06 | 2018-06-06 | 检测混合物的方法、装置、存储介质及电子设备 |
PCT/CN2018/118660 WO2019233059A1 (zh) | 2018-06-06 | 2018-11-30 | 检测混合物的方法、装置、程序和存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810575851.7A CN108918426A (zh) | 2018-06-06 | 2018-06-06 | 检测混合物的方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108918426A true CN108918426A (zh) | 2018-11-30 |
Family
ID=64417814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810575851.7A Pending CN108918426A (zh) | 2018-06-06 | 2018-06-06 | 检测混合物的方法、装置、存储介质及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108918426A (zh) |
WO (1) | WO2019233059A1 (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108064341A (zh) * | 2017-06-12 | 2018-05-22 | 深圳前海达闼云端智能科技有限公司 | 物质成分检测方法、装置和检测设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9376435B2 (en) * | 2011-09-23 | 2016-06-28 | Jawaharlal Nehru Centre For Advanced Scientific Research | Chromophores for the detection of volatile organic compounds |
CN105223184A (zh) * | 2015-10-23 | 2016-01-06 | 上海卫华科学仪器有限公司 | 基于拉曼光谱仪的物质定性及其组分定量检测方法 |
CN106198485B (zh) * | 2016-06-24 | 2018-10-30 | 北京华泰诺安探测技术有限公司 | 一种拉曼光谱匹配方法 |
WO2019104487A1 (zh) * | 2017-11-28 | 2019-06-06 | 深圳达闼科技控股有限公司 | 一种混合物检测方法及设备 |
-
2018
- 2018-06-06 CN CN201810575851.7A patent/CN108918426A/zh active Pending
- 2018-11-30 WO PCT/CN2018/118660 patent/WO2019233059A1/zh active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108064341A (zh) * | 2017-06-12 | 2018-05-22 | 深圳前海达闼云端智能科技有限公司 | 物质成分检测方法、装置和检测设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2019233059A1 (zh) | 2019-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6630732B2 (ja) | ポータブル分析機器 | |
US20230316300A1 (en) | Method and apparatus for capture and logging of food safety data | |
US9934136B2 (en) | Automated generation of scripted and manual test cases | |
CN108064341B (zh) | 物质成分检测方法、装置和检测设备 | |
Zhu | Bootstrapping the portmanteau tests in weak auto-regressive moving average models | |
CN108845930A (zh) | 界面操作测试方法和装置、存储介质及电子装置 | |
Huang et al. | Intrinsic alignments in redMaPPer clusters–I. Central galaxy alignments and angular segregation of satellites | |
US11060968B2 (en) | Mobile chemical analysis | |
US20140223995A1 (en) | Portable sensor device with a gas sensor and method for operating the same | |
EP3237891A1 (en) | Measurements and calibration utilizing colorimetric sensors | |
US9105453B2 (en) | Mass spectrometer and mass spectrometry | |
US20140005980A1 (en) | Method for tagging reference materials of interest in spectroscopic searching applications | |
US9606094B2 (en) | Portable electronic device with improved chemical sampling | |
CN108713137B (zh) | 一种物质检测方法、检测终端及计算机可读存储介质 | |
CN111126851A (zh) | 质控方法、系统、服务器及存储介质 | |
Karabatak et al. | Remote monitoring real time air pollution-IoT (cloud based) | |
CN108918426A (zh) | 检测混合物的方法、装置、存储介质及电子设备 | |
US10852229B2 (en) | Detection of compounds in material samples utilizing a transformation and subsequent decomposition | |
WO2019036941A1 (zh) | 物质检测方法、装置、存储介质及电子设备 | |
CN111290940B (zh) | 针对app的自动化测试方法、装置、设备和介质 | |
CN108140122B (zh) | 一种混合物检测方法及设备 | |
CN108959089A (zh) | 一种测试用例生成方法及装置 | |
US20150370687A1 (en) | Unit test generation | |
KR20140144010A (ko) | 음파통신장치 및 음파통신방법 | |
Bhagat et al. | Implementation of internet of things for water quality monitoring |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181130 |