CN110441254A - 一种用于识别塑料的近红外光频梳光谱仪 - Google Patents
一种用于识别塑料的近红外光频梳光谱仪 Download PDFInfo
- Publication number
- CN110441254A CN110441254A CN201910723801.3A CN201910723801A CN110441254A CN 110441254 A CN110441254 A CN 110441254A CN 201910723801 A CN201910723801 A CN 201910723801A CN 110441254 A CN110441254 A CN 110441254A
- Authority
- CN
- China
- Prior art keywords
- sample
- light
- module
- light source
- identification
- 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
- 239000004033 plastic Substances 0.000 title claims abstract description 75
- 229920003023 plastic Polymers 0.000 title claims abstract description 75
- 230000003595 spectral effect Effects 0.000 claims abstract description 45
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 239000004615 ingredient Substances 0.000 claims abstract description 10
- 230000010287 polarization Effects 0.000 claims description 14
- 230000003287 optical effect Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 230000035559 beat frequency Effects 0.000 claims description 8
- 239000000835 fiber Substances 0.000 claims description 7
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000001035 drying Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 8
- 239000011521 glass Substances 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000005059 solid analysis Methods 0.000 abstract description 4
- 210000001520 comb Anatomy 0.000 abstract 1
- 239000000126 substance Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000000034 method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 101100028791 Caenorhabditis elegans pbs-5 gene Proteins 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 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
- G01N21/17—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration by non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M1/00—Analogue/digital conversion; Digital/analogue conversion
- H03M1/12—Analogue/digital converters
- H03M1/124—Sampling or signal conditioning arrangements specially adapted for A/D converters
- H03M1/1245—Details of sampling arrangements or methods
-
- 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
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明公开一种用于识别塑料的近红外光频梳测样装置,本发明采用重复频率相差很小的两束光频梳分别作为光源,将仅经过分光模块光源作为对照组,将经过分光模块和测样模块的光源作为实验组,两束重复频率近似的光频梳在检测模块叠加形成干涉信号,重叠干涉图像信进行卷积解调得到分离的干涉图像信息,通过傅里叶变化将输出光谱信息转化为频域图,采用ANN(神经网络)识别塑料种类。该装置克服了传统傅里叶近红外光谱仪存在的需要对稳定驱动动镜形成干涉图的问题,实现了一种高精度、高稳定性、高分辨率、低分析时间的近红外光频梳测样装置,用于识别单个塑料种类和混合塑料的成分。本发明还可广泛用于各种固体分析。
Description
技术领域
本发明涉及一种塑料识别领域,尤其涉及采用光频梳光源的近红外光谱仪识别塑料。
背景技术
近红外光谱仪广泛用于农产品(食品)领域、医学医疗领域、化工化学领域等,近红外光谱不仅反映物体的化学信息,还包括物体的物理信息,其技术不需要对样本进行预处理而直接测定。当前傅里叶近红外光谱仪是分辨率最高,波长精度最好的仪器,但是需要精密的光学系统和良好的动镜驱动机构。
为了解决上述问题,本发明提出一种用于识别塑料的近红外光频梳光谱仪,采两个重复频率相近光源拍频后产生新的干涉图,使得转换后的频域光谱图便于分析,该装置克服了传统傅里叶近红外光谱仪存在的需要对稳定驱动动镜形成干涉图的问题,实现了一种高精度、高稳定性、高分辨率、低分析时间的近红外光频梳测样装置,用于识别单个塑料种类和混合塑料的成分。本发明还可广泛用于各种固体分析。
发明内容
本发明提出一种用于识别塑料的近红外光频梳光谱仪,采两个重复频率相近光源拍频后产生新的干涉图,使得转换后的频域光谱图便于分析,该装置克服了传统傅里叶近红外光谱仪存在的需要对稳定驱动动镜形成干涉图的问题,实现了一种高精度、高稳定性、高分辨率、低分析时间的近红外光频梳测样装置,用于识别单个塑料种类和混合塑料的成分。本发明还可广泛用于各种固体分析。
本发明解决其技术问题采用的方案是:一种用于识别塑料的近红外光频梳光谱仪,其特征在于:它包括两个光源模块、两个分光模块、一个测样模块、一个检测模块、一个计算机。所述的光源模块采用频域为“梳齿”状的光源,用于发射近红外光,所述的分光模块用于将光源提取为线偏振光,所述的测样模块采用将样本放置于积分球底部,所述的测样模块用于检测样本光谱特征,所述的检测模块用于收集样本光谱特征,所述的计算机用于分析识别样本种类。
所述的两个光源模块分别提供一个频域为“梳齿”状的光源,设两束光源的重复频率分别为,光频梳,其中,。
所述的分光模块包括光纤准直镜、四分之一波片、二分之一波片和偏振分光棱镜PBS。其作用是将从光源模块发出的圆偏光变为线偏光。
所述一种用于识别塑料的近红外光频梳光谱仪,其特征还包括:所述的测样模块包括样本台、积分球,其中样本台放置于积分球底部,样本台可旋转,塑料样本可通过多次旋转样本台得到多组数据,获取样本有效的光谱信息。
所述的检测模块包括非偏振分光棱镜、滤光片、InGaAs线性CCD探测器、放大器。其作用在于检测两束叠加形成的新的干涉信号,检测近红外部分的光谱并将光信号转换为电信号。
所述的计算机包括A/D转换、识别、显示。其作用在于控制采样间隔,识别样本种类、显示样本结果和干涉图。
所述的计算机中识别包括:构建模型和识别样本。构建模型包括以下步骤:
第一步:建立样本数据库,塑料样本库包括PP、PVC、PET、PE、PS、ABS、PC、 PA及混合塑料的光谱信息;
第二步:塑料样本经过装置获得光谱信息,将重叠的干涉图通过A/D转为由模拟信号转换为数字信号,然后将重叠干涉图像信进行卷积解调得到分离的干涉图像信息,最后进行傅里叶变换,得到样本对应的频域光谱图;
第三步:构建神经网络模型,初始化连接值和权值;
第四步:输入样本可得预测的频域光谱图,利用误差逆传播优化模型。
本发明解决其技术问题采用的方案是:一种用于识别塑料的近红外光频梳光谱仪,包括步骤:第一个光源模块发出的光经过分光模块和测样模块后重复频率不变,并携带了塑料样本光谱信息,第二个光源模块发出的光经过分光模块后重复频率不变,因为两束光的重复频率具有微小差别,相遇形成拍频后的时域干涉图样经过傅里叶变换后得到重复频率为两光源的重复频率之差的频域图像,对频域图像进行截取、放大获取样本的特征图像,对同一样本检测10组光谱信息平均化后输入到训练好的神经网络模型,识别塑料样本的种类或混合塑料的成分。
所述的一种用于识别塑料的近红外光频梳光谱仪,其具体包括以下步骤:
(1)第一个光源模块的光进入到第一个分光模块,在第一个分光模块中,光经过光纤准直镜变为平行光,再经过四分之一波片和二分之一波片变为p偏振光,再将光通过偏振分光棱镜,光全部透射,将此偏振光输入到测样模块;
(2)第二个光源模块的光进入到第二个分光模块,在第二个分光模块中,经过光纤准直镜变为平行光,再经过四分之一波片和二分之一波片变为p偏振光,再将光通过偏振分光棱镜,光全部透射,将此偏振光输入到检测模块;
(3)在测样模块中,将塑料进过干燥处理放置于样本台上,光通过反射镜照射到样本上,经过样本漫反射后的光在积分球内经过多次反射最终进入检测模块;
(4)在检测模块中,一束经过分光系统、测样模块的和一束仅经过分光系统的两束光在非偏振棱镜处叠加,因为经过样本的光源1重复频率为,不经过样本的光源2重复频率为,两个光源重复频率之差,且,则两束光相遇会产生拍频,形成新的干涉图像,经过滤光片后被InGaAs线性CCD探测器检测,经过放大器将电信号放大送入计算机内;
在计算机,首先将重叠的干涉图通过A/D转为由模拟信号转换为数字信号,然后将重叠干涉图像信进行卷积解调得到分离的干涉图像信息,最后进行傅里叶变换,得到样本对应的频域光谱图,同一塑料样本检测10组频域光谱图平均化后送入预先训练好的神经网络中,输出塑料样本的种类或混合塑料的成分。
附图说明
为了更清楚的说明本发明现有实例的技术,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。
图1是一示列性实例示出一种用于识别塑料的近红外光频梳光谱仪装置图
图2是一示列性实例示出一种用于识别塑料的近红外光频梳光谱仪中物体识别的流程图
图中标记:光频梳1、光纤准直镜2、四分之一波片3、二分之一波片4、偏振分光棱镜5、反射镜6、积分球7、样本台8、发射镜9、光频梳10、光纤准直器11、四分之一波片12、二分之一波片13、偏振分光棱镜14、反射镜15、非偏振分光棱镜16、滤光片17、检测器18、放大器19、计算机20。
具体实施方式
下面是结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好的理解本发明。
近红外光谱仪广泛用于农产品(食品)领域、医学医疗领域、化工化学领域等,近红外光谱不仅反映物体的化学信息,还包括物体的物理信息,其技术不需要对样本进行预处理而直接测定,将测得弱信号进行放大。当前傅里叶近红外光谱仪是分辨率最高,波长精度最好的仪器,但是由于需要精密的光学系统和良好的动镜驱动机构使得仅在实验室使用。
为了解决上述问题,本发明提出一种用于识别塑料的近红外光频梳光谱仪,采两个重复频率相近光源拍频后产生新的干涉图,使得转换后的频域光谱图便于分析,该装置克服了传统傅里叶近红外光谱仪存在的需要对稳定驱动动镜形成干涉图的问题,实现了一种高精度、高稳定性、高分辨率、低分析时间的近红外光频梳测样装置,用于识别单个塑料种类和混合塑料的成分。本发明还可广泛用于各种固体分析。
为了便于理解,对本发明的实施列一种用于识别塑料的近红外光频梳光谱仪进行详细的说明:
参见图1,本发明用于识别塑料的近红外光频梳光谱仪,包括:两个光源模块、两个分光模块、一个测样模块、一个检测模块、一个计算机。所述的光源模块采用频域为“梳齿”状的光源,用于发射近红外光,所述的分光模块用于将光源提取为线偏振光,所述的测样模块采用将样本放置于积分球底部,所述的测样模块用于检测样本光谱特征,所述的检测模块用于收集样本光谱特征,所述的计算机用于分析识别样本种类。
所述的两个光源模块分别提供一个频域为“梳齿”状的光源设光源1的重复频率为的光频梳,光源10的重复频率为的光频梳,其中,。
所述的分光模块包括光纤准直镜2、四分之一波片3、二分之一波片4和偏振分光棱镜 PBS5。其作用是将从光源模块发出的圆偏光变为线偏光。
所述一种用于识别塑料的近红外光频梳光谱仪,其特征还包括:所述的测样模块包括样本台8、积分球7,其中样本台放置于积分球底部,样本台可旋转,塑料样本可通过多次旋转样本台得到多组数据,获取样本有效的光谱信息。
所述的检测模块包括非偏振分光棱镜16、滤光片17、InGaAs线性CCD探测器18、放大器19。其作用在于检测两束叠加形成的新的干涉信号,检测近红外部分的光谱并将光信号转换为电信号。
所述的计算机20包括A/D转换、识别、显示。其作用在于控制采样间隔,识别样本种类、显示样本结果和干涉图。
本发明解决其技术问题采用的方案是:一种用于识别塑料的近红外光频梳光谱仪,包括步骤:第一个光源模块发出的光经过分光模块和测样模块后重复频率不变,并携带了塑料样本光谱信息,第二个光源模块发出的光经过分光模块后重复频率不变,因为两束光的重复频率具有微小差别,相遇形成拍频后的时域干涉图样经过傅里叶变换后得到重复频率为两光源的重复频率之差的频域图像,对频域图像进行截取、放大获取样本的特征图像,对同一样本检测10组光谱信息平均化后输入到训练好的神经网络模型,识别塑料样本的种类或混合塑料的成分。
本发明一种用于识别塑料的近红外光频梳光谱仪装置图,具体过程包括:
(1)光源模块1的光进入到分光模块1,在分光模块1中,光经过光纤准直镜2变为平行光,再经过四分之一波片3和二分之一波片4变为p偏振光,再将光通过偏振分光棱镜5,光全部透射,将此偏振光输入到测样模块;
(2)光源模块2的光进入到分光模块2,在分光模块2中,经过光纤准直镜11变为平行光,再经过四分之一波片12和二分之一波片13变为p偏振光,再将光通过偏振分光棱镜14,光全部透射,将此偏振光输入到检测模块;
(3)在测样模块中,将塑料进过干燥处理放置于样本台上,光通过反射镜6照射到样本上,经过样本漫反射后的光在积分球内经过多次反射从反射镜9反射到检测模块;
(4)在检测模块中,一束经过分光系统、测样模块的和一束仅经过分光系统的两束光在非偏振棱镜16处叠加,因为经过样本的光源1重复频率为,不经过样本的光源2重复频率为,两个光源重复频率之差,且,则两束光相遇会产生拍频,形成新的干涉图像,经过滤光片17后被InGaAs线性CCD探测器检测18,经过放大器19将电信号放大送入计算机20内;
(5)在计算机,首先将重叠的干涉图通过A/D转为由模拟信号转换为数字信号,然后将重叠干涉图像信进行卷积解调得到分离的干涉图像信息,最后进行傅里叶变换,得到样本对应的频域光谱图,同一塑料样本检测10组频域光谱图平均化后送入预先训练好的神经网络中,输出塑料样本的种类或混合塑料的成分。
所述的计算机中识别包括:构建模型和识别样本。构建模型包括以下步骤:
第一步:建立样本数据库,塑料样本库包括PP、PVC、PET、PE、PS、ABS、PC、 PA及混合塑料的光谱信息;
第二步:塑料样本经过装置获得光谱信息,将重叠的干涉图通过A/D转为由模拟信号转换为数字信号,然后将重叠干涉图像信进行卷积解调得到分离的干涉图像信息,最后进行傅里叶变换,得到样本对应的频域光谱图;
第三步:构建神经网络模型,初始化连接值和权值;
第四步:输入样本可得预测的频域光谱图,利用误差逆传播优化模型。
参见图2,本发明一种用于识别塑料的近红外光频梳光谱仪中物体识别的所述的计算机中识别包括:构建模型和识别样本。
(1)对输入光谱进行预处理,光信号经过检测器转换为电信号,放大再由模拟量转换为数字量后,将输入的重叠干涉图像信进行卷积解调得到分离的干涉图像信息,将这一干涉图像进行傅里叶变换得到样本的频域图,采集塑料样本的10组数据平均化后的频域图作为输入,进入(2);
(2)判断是否为训练模式:建立样本数据库,塑料样本库包括PP、PVC、PET、PE、PS、ABS、PC、PA和混合塑料的光谱信息,判断是训练神经网络ANN模型训练还是识别样本类别,若是训练神经网络ANN模型训练,进入(3),若是识别样本类别,进入(12);
(3)ANN模型设置:设置神经网络ANN输入层、隐藏层和输出层的输入输出个数,进入 (4);
(4)ANN参数初始化:对设置的学习模式ANN进行参数初始化,随机初始化网络中所有的权值和阈值,进入(5);
(5)将样本库的输入输入到初始化的ANN模型,进入(6);
(6)计算输出层各单元的输入输出,进入(7);
(7)计算输出值于实际值的误差,进入(8);
(8)判断误差是否小于设定的阈值:若误差大于设定的阈值,则进入(9),若误差小于设定的阈值,进入(10);
(9)调整各单元的权值和阈值;
(10)调整学习速率;
(11)判断样本是否训练结束:若样本训练未结束,则更新模型参数并回到(5),若样本训练已经结束,则进入(12);
(12)存储ANN模型参数,将此作为识别样本的ANN模型,进入(13);
(13)输出识别结果,进入(14)。
(14)输出塑料样本的种类或混合塑料的成分和显示样本的光谱信息。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种用于识别塑料的近红外光频梳光谱仪,其特征在于:它包括两个光源模块、两个分光模块、一个测样模块、一个检测模块、一个计算机。所述的光源模块采用频域为“梳齿”状的光源,用于发射近红外光,所述的分光模块用于将光源提取为线偏振光,所述的测样模块采用将样本放置于积分球底部,所述的测样模块用于检测样本光谱特征,所述的检测模块用于收集样本光谱特征,所述的计算机用于分析识别样本种类。
2.根据权利要求1所述的一种用于识别塑料的近红外光频梳光谱仪,其特征还包括:所述的两个光源模块分别提供一个频域为“梳齿”状的光源,设两束光源的重复频率分别为frep1,frep2光频梳,其中Δf=frep2-frep1,Δf<<frep1。
3.根据权利要求1所述的一种用于识别塑料的近红外光频梳光谱仪,其特征还包括:所述的分光模块包括光纤准直镜、四分之一波片、二分之一波片和偏振分光棱镜PBS。其作用是将从光源模块发出的圆偏光变为线偏光。
4.根据权利要求1所述一种用于识别塑料的近红外光频梳光谱仪,其特征还包括:所述的测样模块包括样本台、积分球,其中样本台放置于积分球底部,样本台可旋转,塑料样本可通过多次旋转样本台得到多组数据,获取样本有效的光谱信息。
5.根据权利要求1所述的一种用于识别塑料的近红外光频梳光谱仪,其特征还包括:所述的检测模块包括非偏振分光棱镜、滤光片、InGaAs线性CCD探测器、放大器。其作用在于检测两束叠加形成的新的干涉信号,检测近红外部分的光谱并将光信号转换为电信号。
6.根据权利要求1所述的一种用于识别塑料的近红外光频梳光谱仪,其特征还包括:所述的计算机包括A/D转换、识别、显示。其作用在于控制采样间隔,识别样本种类、显示样本结果和干涉图。
7.根据权利要求1所述的一种用于识别塑料的近红外光频梳光谱仪的计算机中识别包括:构建模型和识别样本。构建模型包括以下步骤:
第一步:建立样本数据库,塑料样本库包括PP、PVC、PET、PE、PS、ABS、PC、PA及混合塑料的光谱信息;
第二步:塑料样本经过装置获得光谱信息,将重叠的干涉图通过A/D转为由模拟信号转换为数字信号,然后将重叠干涉图像信进行卷积解调得到分离的干涉图像信息,最后进行傅里叶变换,得到样本对应的频域光谱图;
第三步:构建神经网络模型,初始化连接值和权值;
第四步:输入样本可得预测的频域光谱图,利用误差逆传播优化模型。
8.一种用于识别塑料的近红外光频梳光谱仪,其特征在于,包括步骤:第一个光源模块发出的光经过分光模块和测样模块后重复频率不变,并携带了塑料样本光谱信息,第二个光源模块发出的光经过分光模块后重复频率不变,因为两束光的重复频率具有微小差别,相遇形成拍频后的时域干涉图样经过傅里叶变换后得到重复频率为两光源的重复频率之差的频域图像,对频域图像进行截取、放大获取样本的特征图像,对同一样本检测10组光谱信息平均化后输入到训练好的神经网络模型,识别塑料样本的种类或混合塑料的成分。
9.根据权利要求8所述的一种用于识别塑料的近红外光频梳光谱仪,包括具体以下步骤:
(1)第一个光源模块的光进入到第一个分光模块,在第一个分光模块中,光经过光纤准直镜变为平行光,再经过四分之一波片和二分之一波片变为p偏振光,再将光通过偏振分光棱镜,光全部透射,将此偏振光输入到测样模块;
(2)第二个光源模块的光进入到第二个分光模块,在第二个分光模块中,经过光纤准直镜变为平行光,再经过四分之一波片和二分之一波片变为p偏振光,再将光通过偏振分光棱镜,光全部透射,将此偏振光输入到检测模块;
(3)在测样模块中,将塑料进过干燥处理放置于样本台上,光通过反射镜照射到样本上,经过样本漫反射后的光在积分球内经过多次反射最终进入检测模块;
(4)在检测模块中,一束经过分光系统、测样模块的和一束仅经过分光系统的两束光在非偏振棱镜处叠加,因为经过样本的光源1重复频率为frep1,不经过样本的光源2重复频率为frep2,两个光源重复频率之差Δf=frep2-frep1,且Δf<<frep1,则两束光相遇会产生拍频,形成新的干涉图像,经过滤光片后被InGaAs线性CCD探测器检测,经过放大器将电信号放大送入计算机内;
(5)在计算机,首先将重叠的干涉图通过A/D转为由模拟信号转换为数字信号,然后将重叠干涉图像信进行卷积解调得到分离的干涉图像信息,最后进行傅里叶变换,得到样本对应的频域光谱图,同一塑料样本检测10组频域光谱图平均化后送入预先训练好的神经网络中,输出塑料样本的种类或混合塑料的成分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910723801.3A CN110441254A (zh) | 2019-08-07 | 2019-08-07 | 一种用于识别塑料的近红外光频梳光谱仪 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910723801.3A CN110441254A (zh) | 2019-08-07 | 2019-08-07 | 一种用于识别塑料的近红外光频梳光谱仪 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110441254A true CN110441254A (zh) | 2019-11-12 |
Family
ID=68433579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910723801.3A Pending CN110441254A (zh) | 2019-08-07 | 2019-08-07 | 一种用于识别塑料的近红外光频梳光谱仪 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110441254A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927092A (zh) * | 2019-11-29 | 2020-03-27 | 清华大学 | 一种双电光频率梳式中红外光谱仪 |
CN113916807A (zh) * | 2021-08-27 | 2022-01-11 | 浙江工业大学 | 一种微腔光频梳气体浓度传感测量方法 |
JP7110765B2 (ja) | 2018-06-29 | 2022-08-02 | 株式会社島津製作所 | 4種の物質の含有率を測定する測定方法、測定処理プログラムおよび測定装置 |
CN117571731A (zh) * | 2024-01-16 | 2024-02-20 | 山东鹰眼机械科技有限公司 | 基于灯检机的杂质检测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175637A (zh) * | 2010-12-30 | 2011-09-07 | 中国药品生物制品检定所 | 一种检测塑料的方法 |
US8035083B1 (en) * | 2007-04-07 | 2011-10-11 | Microtech Instruments, Inc. | Terahertz tunable sources, spectrometers, and imaging systems |
CN102589856A (zh) * | 2012-03-07 | 2012-07-18 | 清华大学 | 一种双频He-Ne激光器频率测量装置及其测量方法 |
CN104316186A (zh) * | 2014-07-07 | 2015-01-28 | 华东师范大学 | 一种基于光学频率梳的光谱测量方法 |
CN104502309A (zh) * | 2014-12-31 | 2015-04-08 | 天津大学 | 采用近红外光谱特征波长识别几种废旧塑料种类的方法 |
CN106018324A (zh) * | 2016-08-15 | 2016-10-12 | 中国计量大学 | 一种基于近红外光谱分析的塑料识别装置和方法 |
JP2017138129A (ja) * | 2016-02-01 | 2017-08-10 | 学校法人慶應義塾 | デュアルコム分光法を用いた偏光計測装置及び偏光計測方法 |
CN108120378A (zh) * | 2017-12-14 | 2018-06-05 | 浙江理工大学 | 基于飞秒光频梳的正弦相位调制干涉绝对测距装置与方法 |
CN108267413A (zh) * | 2017-08-31 | 2018-07-10 | 上海市第康复医院(上海市杨浦区老年医院) | 利用双光梳光谱仪的病理切片无损检测方法 |
-
2019
- 2019-08-07 CN CN201910723801.3A patent/CN110441254A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8035083B1 (en) * | 2007-04-07 | 2011-10-11 | Microtech Instruments, Inc. | Terahertz tunable sources, spectrometers, and imaging systems |
CN102175637A (zh) * | 2010-12-30 | 2011-09-07 | 中国药品生物制品检定所 | 一种检测塑料的方法 |
CN102589856A (zh) * | 2012-03-07 | 2012-07-18 | 清华大学 | 一种双频He-Ne激光器频率测量装置及其测量方法 |
CN104316186A (zh) * | 2014-07-07 | 2015-01-28 | 华东师范大学 | 一种基于光学频率梳的光谱测量方法 |
CN104502309A (zh) * | 2014-12-31 | 2015-04-08 | 天津大学 | 采用近红外光谱特征波长识别几种废旧塑料种类的方法 |
JP2017138129A (ja) * | 2016-02-01 | 2017-08-10 | 学校法人慶應義塾 | デュアルコム分光法を用いた偏光計測装置及び偏光計測方法 |
CN106018324A (zh) * | 2016-08-15 | 2016-10-12 | 中国计量大学 | 一种基于近红外光谱分析的塑料识别装置和方法 |
CN108267413A (zh) * | 2017-08-31 | 2018-07-10 | 上海市第康复医院(上海市杨浦区老年医院) | 利用双光梳光谱仪的病理切片无损检测方法 |
CN108120378A (zh) * | 2017-12-14 | 2018-06-05 | 浙江理工大学 | 基于飞秒光频梳的正弦相位调制干涉绝对测距装置与方法 |
Non-Patent Citations (1)
Title |
---|
聂长明 等: "《计算化学》", 31 January 2010, 北京理工大学出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7110765B2 (ja) | 2018-06-29 | 2022-08-02 | 株式会社島津製作所 | 4種の物質の含有率を測定する測定方法、測定処理プログラムおよび測定装置 |
CN110927092A (zh) * | 2019-11-29 | 2020-03-27 | 清华大学 | 一种双电光频率梳式中红外光谱仪 |
CN113916807A (zh) * | 2021-08-27 | 2022-01-11 | 浙江工业大学 | 一种微腔光频梳气体浓度传感测量方法 |
CN113916807B (zh) * | 2021-08-27 | 2023-07-14 | 浙江工业大学 | 一种微腔光频梳气体浓度传感测量方法 |
CN117571731A (zh) * | 2024-01-16 | 2024-02-20 | 山东鹰眼机械科技有限公司 | 基于灯检机的杂质检测方法及系统 |
CN117571731B (zh) * | 2024-01-16 | 2024-04-16 | 山东鹰眼机械科技有限公司 | 基于灯检机的杂质检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110441254A (zh) | 一种用于识别塑料的近红外光频梳光谱仪 | |
CA2211785C (en) | Real-time on-line analysis of organic and non-organic compounds for food, fertilizers and pharmaceutical products | |
CN104897607B (zh) | 便携式近红外光谱食品建模与快速检测一体化方法和系统 | |
CN105842173B (zh) | 一种高光谱材质鉴别方法 | |
CN101793678B (zh) | 等腰直角形横截面样品池的散射物质光谱测量装置与方法 | |
CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
US10481081B2 (en) | Texture analysis of a coated surface using pivot-normalization | |
CN105486655B (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN101206463B (zh) | 一种在线监控药物生产混合过程的方法及系统 | |
CN101308086A (zh) | 基于近红外光谱技术的水果内部品质在线检测方法及装置 | |
CN104406921B (zh) | 一种光学检测系统和方法 | |
CN104422660A (zh) | 一种高光谱的植物叶片病虫害诊断系统 | |
Potůčková et al. | Comparison of reflectance measurements acquired with a contact probe and an integration sphere: Implications for the spectral properties of vegetation at a leaf level | |
CN102175638A (zh) | 一种快速无损检测黄酒成分含量的装置 | |
US20220364985A1 (en) | Method and system to identify microorganisms | |
CN102890070A (zh) | 基于微机电技术的农产品品质近红外光谱分析仪 | |
CN202886274U (zh) | 基于微机电技术的农产品品质近红外光谱分析仪 | |
CN101371130B (zh) | 光学分析器 | |
Medendorp et al. | Applications of integrated sensing and processing in spectroscopic imaging and sensing | |
CN111742055A (zh) | 使用光谱技术识别微生物的方法 | |
Wang et al. | A hyperspectral LiDAR with eight channels covering from VIS to SWIR | |
CN107132197B (zh) | 一种食醋总酸含量的检测方法及装置 | |
CN109541100A (zh) | 多通道波长的信号漂移处理方法、装置及多通道检测器 | |
CN202002879U (zh) | 一种黄酒成分含量检测装置 | |
CN106501189B (zh) | 一种光谱测量方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191112 |