CN110632024B - 一种基于红外光谱的定量分析方法、装置、设备以及存储介质 - Google Patents
一种基于红外光谱的定量分析方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN110632024B CN110632024B CN201911048574.5A CN201911048574A CN110632024B CN 110632024 B CN110632024 B CN 110632024B CN 201911048574 A CN201911048574 A CN 201911048574A CN 110632024 B CN110632024 B CN 110632024B
- Authority
- CN
- China
- Prior art keywords
- map
- dimensional
- sample
- detected
- quantitative analysis
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 38
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 13
- 238000004566 IR spectroscopy Methods 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 9
- 239000000306 component Substances 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 235000013305 food Nutrition 0.000 claims description 7
- 229920002472 Starch Polymers 0.000 claims description 5
- 235000019698 starch Nutrition 0.000 claims description 5
- 239000008107 starch Substances 0.000 claims description 5
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 102000004169 proteins and genes Human genes 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 235000012041 food component Nutrition 0.000 claims description 3
- 239000005428 food component Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 240000008042 Zea mays Species 0.000 description 6
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 6
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 6
- 235000005822 corn Nutrition 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 101150061025 rseP gene Proteins 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 240000004670 Glycyrrhiza echinata Species 0.000 description 1
- 235000001453 Glycyrrhiza echinata Nutrition 0.000 description 1
- 235000006200 Glycyrrhiza glabra Nutrition 0.000 description 1
- 235000017382 Glycyrrhiza lepidota Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012569 chemometric method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000004186 food analysis Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229940010454 licorice Drugs 0.000 description 1
- 238000004895 liquid chromatography mass spectrometry Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于红外光谱的定量分析方法，所述方法包括：获取待检测样本的二维图谱，所述二维图谱包括红外光谱图；将所述二维图谱转换为三维图谱；将所述三维图谱输入预设定量模型中，输出所述待检测样本中的目标组分含量。本发明还公开了一种基于红外光谱的定量分析装置。采用本发明，可以准确的获取待检测样本中目标组分的含量。
Description
技术领域
本发明涉及定量分析领域，特别是涉及一种基于红外光谱的定量分析方法、装置、设备以及存储介质。
背景技术
近红外光谱仪由于具有自身成本低、使用方便以及能够实现无损检测等优势，已经被应用到了诸如食品分析、药品分析和环境检测等领域。然而，近红外光谱图中常常会有信号重叠现象，且图谱中不仅包含目标组分的特征信息可能还会包含干扰信息。因此，为了从原始图谱中获得目标组分的特征信息，需要使用一些化学计量学方法。例如，为了提高所建立模型的质量，需要使用一些前处理技术用于减少图谱中的无关信息的干扰。然后，使用诸如偏最小二乘、遗传算法结合偏最小二乘、人工神经网络、最小二乘结合支持向量机回归、切比雪夫矩等提取前处理后的图谱中的有用信息用于建立模型。
在数据分析过程中，增加数据的维度来获取高维数据可以带来不同的益处。为了处理高维数据，化学计量学家们提出了二阶校正方法诸如平行因子分析、多维偏最小二乘、交替三线性分解、多元曲线分辨-交替最小二乘等方法。此外，如小波矩、切比雪夫矩等图像矩方法也在高维数据的分析中取得了成功的应用。使用上述这些方法时，分析数据中存在的干扰因素不会影响最终的定量分析结果。这些方法已经被成功地应用到了基于HPLC-PAD、EEM、LC-MS和不同温度下测定得到的NIR图谱组成的三维图谱对复杂样品中的多个目标组分的定量分析中。
目前，使用一阶校正方法，诸如偏最小二乘、主成分分析等基于近红外光谱数据对复杂体系进行定量分析时，往往会由于图谱中存在的干扰因素从而影响最终定量分析结果的准确性。
发明内容
为了解决上述问题，本发明的目的是提供一种基于红外光谱的定量分析方法，可以准确的获取待检测样本中目标组分的含量。
基于此，本发明提供了一种基于红外光谱的定量分析方法，所述方法包括：
获取待检测样本的二维图谱，所述二维图谱包括红外光谱图；
将所述二维图谱转换为三维图谱；
将所述三维图谱输入预设定量模型中，输出所述待检测样本中的目标组分含量。
其中，将所述二维图谱转换为三维图谱包括：
所述三维图谱的数据为矩阵；
所述矩阵的第一行为所述待检测样本的二维图谱；
所述矩阵的第二行为参考图谱，所述参考图谱为预设的二维图谱。
其中，所述参考图谱的选取过程包括：
获取所述待检测样本的若干个二维图谱；
获取所述两两二维图谱之间的相关系数；
计算所述二维图谱与其他其他二维图谱之间的相关系数的平均值；
选取参考图谱，其中，所述参考图谱与其他二维图谱之间的相关系数的平均值最大。
其中，获取所述两两二维图谱之间的相关系数包括：
其中，X和Y表示图谱X和图谱Y的图谱数据，N表示每条图谱的数据点数。
其中，所述定量模型的训练过程包括：
获取所述待检测样本的若干个三维图谱作为训练集；
使用所述多维偏最小二乘法基于所述训练集训练得到定量模型。
其中，所述方法还包括：
获取所述待检测样本中的目标组分含量之后，根据所述目标组分含量对照目标组分含量表获取对应的食品名称，所述目标组分含量表包括食品组分的含量以及对应的食品名称。
其中，所述目标组分包括水、蛋白质、油和淀粉。
本发明实施例还提供了一种基于红外光谱的定量分析装置，所述装置包括:
获取模块，用于获取待检测样本的二维图谱，所述二维图谱包括红外光谱图；
转换模块，用于将所述二维图谱转换为三维图谱；
输入输出模块，用于将所述三维图谱输入预设定量模型中，获取所述待检测样本中的目标组分含量。
本发明实施例还提供了一种缓存设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述基于红外光谱的定量分析方法。
本发明实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述基于红外光谱的定量分析方法。
采用本发明，首先，获取待检测样本的二维图谱，所述二维图谱包括红外光谱图；将所述二维图谱转换为三维图谱；将所述三维图谱输入预设定量模型中，输出所述待检测样本中的目标组分含量。本发明可以在不进行NIR图谱预处理的情况下可以实现对目标组分的准确定量分析，采用本发明，还可以应用在食品识别上，通过待检测样本中若干个目标组分的含量来获取所述待检测样本的名称。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于红外光谱的定量分析方法的流程图；
图2是本发明实施例提供的基于红外光谱的定量分析装置的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的基于红外光谱的定量分析方法的流程图，所述方法包括：
S101、获取待检测样本的二维图谱，所述二维图谱包括红外光谱图；
其中，可以利用Bruker Matrix-F型傅里叶近红外光谱仪扫描待检测样本近红外光谱来获取所述二维图谱。
S102、将所述二维图谱转换为三维图谱；
其中，将所述二维图谱转换为三维图谱包括：
所述三维图谱的数据为矩阵；
所述矩阵的第一行为所述待检测样本的二维图谱；
所述矩阵的第二行为参考图谱，所述参考图谱为预设的二维图谱。
其中，所述参考图谱的选取过程包括：
获取所述待检测样本的若干个二维图谱；
获取所述两两二维图谱之间的相关系数；
计算所述二维图谱与其他其他二维图谱之间的相关系数的平均值；
选取参考图谱，其中，所述参考图谱与其他二维图谱之间的相关系数的平均值最大。
其中，获取所述两两二维图谱之间的相关系数包括：
其中，X和Y表示图谱X和图谱Y的图谱数据，N表示每条图谱的数据点数。
其中，所述定量模型的训练过程包括：
获取所述待检测样本的若干个三维图谱作为训练集；
使用所述多维偏最小二乘法基于所述训练集训练得到定量模型。
S103、将所述三维图谱输入预设定量模型中，输出所述待检测样本中的目标组分含量。
校正模型的验证以外部未知含量玉米样品近红外光谱预定量校正模型预测值与实测值的相关系数R、预测值的均方根误差(RMSEP) 及预测相对偏差(RSEP)评价模型对未知样品的预测效果。R2越接近1，RMSECV越小说明模型性能越好，RSEP越小说明模型预测能力越好，当RSEP小于5％时模型具有较好的预测能力，能够满足甘草药材实时放行检测的需要。
其中，所述方法还包括：
获取所述待检测样本中的目标组分含量之后，根据所述目标组分含量对照目标组分含量表获取对应的食品名称，所述目标组分含量表包括食品组分的含量以及对应的食品名称。
其中，所述目标组分包括水、蛋白质、油和淀粉。
下面以，玉米样本为例来解释本发明N-PLS结合新型自构建方法基于80组玉米样品的红外光谱图对其中的四个目标组分(水分、油、蛋白质和淀粉)进行定量分析：
红外光谱图中有组分重叠和信号漂移等干扰因素。
首先，使用上述新型自构建方法将数据集中的二维图谱构建为三维图谱；然后，使用KS方法将80个玉米样本划分为训练集(60个样本)和测试集(20个样本)；接下来，使用N-PLS基于训练集建立定量模型并通过模型参数验证模型的可靠性，再将所建立的模型用于预测测试集样本中的目标组分浓度。基于自构建三维图谱使用N-PLS 方法建立的模型的统计参数和对预测集进行预测得到的参数如下：
表1基于新型自构建三维图谱使用N-PLS方法建立的模型的统计参数和对预测集进行预测得到的参数
*Rc：相关系数
*RMSEC：均方根误差
*Rloo-cv：留一法交互检验相关系数
*RMSECV：留一法交互检验均方根误差
*Rp：预测相关系数
*RMSEP：预测均方根误差
如表1所示，基于训练集建立的模型的Rc大于0.9501，Rloo-cv 大于0.9045，RMSEC小于0.2508，RMSECV小于0.3600，表明所建立的模型具有较好的线性、较高的可靠性和准确性。该结果表明了 N-PLS方法基于新方法构建得到的三维图谱能够实现对四个目标组分的准确定量分析的可行性。
接下来，将上述建立的模型用于预测测试集样本中的目标组分，使用Rp和RMSEP来验证所建立模型的预测能力。从表1中可看出， Rp值大于0.8827和RMSEP小于0.3269，表明模型具有较好的预测能力并且可以被用于定量四个目标组分。此外，对于所有已经建立的模型，RMSECV与RMSEP的比值接近于1，再次表明了所建立模型的准确性和稳健性。
为了验证所提出的新型自构建方法的优势，将上述结果与N-PLS 结合传统自构建方法获得的自构建三维图谱得到的结果(表2)进行了比较。如表2所示，基于训练集建立的水分和淀粉的模型的参数不理想，表明使用N-PLS基于传统自构建三维图谱不能实现对玉米样品中的四个目标组分的准确定量分析。原因应该在于，使用新方法建立的数据集内的自构建三维图谱的差异较小，从而能够得到准确的定量结果。
表2基于传统自构建三维图谱使用N-PLS方法建立的模型的统计参数和对预测集进行预测得到的参数
为了更进一步验证本发明中的方法的可行性和准确性，将上述结果与偏最小二乘(PLS)方法基于使用多元散射校正后的上述图谱对同样的目标组分进行了定量分析，所得结果如表3所述。
表3基于多元散射校正后的图谱使用PLS方法建立的模型的统计参数和对预测集进行预测得到的参数
比较表1和表3的参数结果发现，两种方式得到的结果无明显差异。然而，使用N-PLS结合新型自构建三维图谱进行定量分析时，无需对图谱进行预处理，从而可以减少定量分析所需的时间。
上述实例说明，N-PLS基于新型自构建三维图谱在不对样品进行预处理的情况下可以实现对玉米样品中的目标组分的准确定量，从而可以实现快速、准确的定量分析目的。此外，通过该方式可以有效拓展二阶校正方法在二维图谱定量分析中的应用，为二阶校正方法的应用和复杂体系的分析拓宽了研究范围。
图2是本发明实施例提供的基于红外光谱的定量分析装置的示意图，所述装置包括:
获取模块，用于获取待检测样本的二维图谱，所述二维图谱包括红外光谱图；
转换模块，用于将所述二维图谱转换为三维图谱；
输入输出模块，用于将所述三维图谱输入预设定量模型中，获取所述待检测样本中的目标组分含量。
本发明实施例提出的一种基于红外光谱的定量分析装置的技术特征和技术效果与本发明实施例提出的方法相同，在此不予赘述。
本发明实施例还提供了一种基于红外光谱的定量分析设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述基于红外光谱的定量分析方法。
本发明实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上项所述基于红外光谱的定量分析方法。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。
Claims (8)
1.一种基于红外光谱的定量分析方法，其特征在于，包括:
获取待检测样本的二维图谱，所述二维图谱包括红外光谱图；
将所述二维图谱转换为三维图谱；其中，所述三维图谱的数据为矩阵，包括待检测样本的二维图谱及参考图谱；
将所述三维图谱输入预设定量模型中，输出所述待检测样本中的目标组分含量；
所述参考图谱的选取过程包括：
获取所述待检测样本的若干个二维图谱；
获取两两二维图谱之间的相关系数；
计算所述二维图谱与其他二维图谱之间的相关系数的平均值；
选取参考图谱，其中，所述参考图谱与其他二维图谱之间的相关系数的平均值最大；
获取所述两两二维图谱之间的相关系数包括：
其中，X和Y表示图谱X和图谱Y的图谱数据，N表示每条图谱的数据点数。
2.如权利要求1所述基于红外光谱的定量分析方法，其特征在于，
所述矩阵的第一行为所述待检测样本的二维图谱；
所述矩阵的第二行为参考图谱，所述参考图谱为预设的二维图谱。
3.如权利要求1所述基于红外光谱的定量分析方法，其特征在于，所述定量模型的训练过程包括：
获取所述待检测样本的若干个三维图谱作为训练集；
使用多维偏最小二乘法基于所述训练集训练得到定量模型。
4.如权利要求1所述基于红外光谱的定量分析方法，其特征在于，所述方法还包括：
获取所述待检测样本中的目标组分含量之后，根据所述目标组分含量对照目标组分含量表获取对应的食品名称，所述目标组分含量表包括食品组分的含量以及对应的食品名称。
5.如权利要求1所述基于红外光谱的定量分析方法，其特征在于，所述目标组分包括水、蛋白质、油和淀粉。
6.一种基于红外光谱的定量分析装置，其特征在于，包括:
获取模块，用于获取待检测样本的二维图谱，所述二维图谱包括红外光谱图；
转换模块，用于将所述二维图谱转换为三维图谱；其中，所述三维图谱的数据为矩阵，包括待检测样本的二维图谱及参考图谱；
输入输出模块，用于将所述三维图谱输入预设定量模型中，获取所述待检测样本中的目标组分含量；
所述参考图谱的选取过程包括：
获取所述待检测样本的若干个二维图谱；
获取两两二维图谱之间的相关系数；
计算所述二维图谱与其他其他二维图谱之间的相关系数的平均值；
选取参考图谱，其中，所述参考图谱与其他二维图谱之间的相关系数的平均值最大；
获取所述两两二维图谱之间的相关系数包括：
其中，X和Y表示图谱X和图谱Y的图谱数据，N表示每条图谱的数据点数。
7.一种缓存设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的基于红外光谱的定量分析方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的基于红外光谱的定量分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911048574.5A CN110632024B (zh) | 2019-10-29 | 2019-10-29 | 一种基于红外光谱的定量分析方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911048574.5A CN110632024B (zh) | 2019-10-29 | 2019-10-29 | 一种基于红外光谱的定量分析方法、装置、设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110632024A CN110632024A (zh) | 2019-12-31 |
| CN110632024B true CN110632024B (zh) | 2022-06-24 |
Family
ID=68978283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911048574.5A Active CN110632024B (zh) | 2019-10-29 | 2019-10-29 | 一种基于红外光谱的定量分析方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110632024B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111967154A (zh) * | 2020-08-11 | 2020-11-20 | 贵州医科大学 | 一种物质组分分析方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006038511A (ja) * | 2004-07-23 | 2006-02-09 | Tokyo Univ Of Agriculture & Technology | 土壌分析方法及び土壌分析装置 |
| CN102364328A (zh) * | 2010-06-10 | 2012-02-29 | 横河电机株式会社 | 光谱分析仪以及光谱分析方法 |
| CN107784192A (zh) * | 2017-09-15 | 2018-03-09 | 山东大学 | 指纹图谱相似度计算方法、装置和样品质量评价系统 |
| CN108593596A (zh) * | 2018-05-31 | 2018-09-28 | 福建医科大学 | 基于近红外光谱技术快速检测椰汁中原汁含量的方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101299022A (zh) * | 2008-06-20 | 2008-11-05 | 河南中医学院 | 利用近红外光谱技术评价中药药材综合质量的方法 |
| EP2496928A1 (en) * | 2009-11-02 | 2012-09-12 | Universität für Bodenkultur Wien | Method for determining polycyclic aromatic hydrocarbon contaminant concentration |
| US9128036B2 (en) * | 2011-03-21 | 2015-09-08 | Federal-Mogul Corporation | Multi-spectral imaging system and method of surface inspection therewith |
| CN103959292A (zh) * | 2011-09-23 | 2014-07-30 | 陶氏益农公司 | 用于近红外光谱分析的化学计量 |
| CN105044014A (zh) * | 2015-06-24 | 2015-11-11 | 河南工业大学 | 一种快速检测马铃薯淀粉掺假低质淀粉的方法 |
| CN105606540B (zh) * | 2016-01-28 | 2017-12-19 | 天津农学院 | 基于同步二维相关谱自相关峰的定量分析方法 |
| CN105717066B (zh) * | 2016-01-29 | 2018-09-18 | 广西中烟工业有限责任公司 | 一种基于加权相关系数的近红外光谱识别模型 |
| CN106248617A (zh) * | 2016-07-12 | 2016-12-21 | 上海创和亿电子科技发展有限公司 | 基于近红外的烟叶焦油检测方法 |
| CN106680238B (zh) * | 2017-01-06 | 2019-09-06 | 东北大学秦皇岛分校 | 基于红外光谱分析物质成分含量的方法 |
| CN106979934B (zh) * | 2017-05-27 | 2019-04-05 | 中国食品药品检定研究院 | 一种利用相关系数进行药品库数据处理的方法 |
| CN107515203A (zh) * | 2017-07-19 | 2017-12-26 | 中国农业大学 | 近红外技术定量分析水稻单籽粒直链淀粉含量的研究 |
-
2019
- 2019-10-29 CN CN201911048574.5A patent/CN110632024B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006038511A (ja) * | 2004-07-23 | 2006-02-09 | Tokyo Univ Of Agriculture & Technology | 土壌分析方法及び土壌分析装置 |
| CN102364328A (zh) * | 2010-06-10 | 2012-02-29 | 横河电机株式会社 | 光谱分析仪以及光谱分析方法 |
| CN107784192A (zh) * | 2017-09-15 | 2018-03-09 | 山东大学 | 指纹图谱相似度计算方法、装置和样品质量评价系统 |
| CN108593596A (zh) * | 2018-05-31 | 2018-09-28 | 福建医科大学 | 基于近红外光谱技术快速检测椰汁中原汁含量的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 图像矩方法在化学图谱分析中的应用及相关基础理论研究;李保琼;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20181115(第11期);第37-40页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110632024A (zh) | 2019-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Clairotte et al. | National calibration of soil organic carbon concentration using diffuse infrared reflectance spectroscopy | |
| CN110687072B (zh) | 一种基于光谱相似度的校正集和验证集的选择及建模方法 | |
| Guo et al. | Nondestructive measurement of soluble solids content of kiwifruits using near-infrared hyperspectral imaging | |
| WO2018121121A1 (zh) | 用于扣除谱图本底的方法、通过拉曼谱图识别物质的方法和电子设备 | |
| CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
| CN111044483A (zh) | 一种基于近红外光谱的奶油中色素测定方法、系统和介质 | |
| CN102879353A (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
| CN104990895B (zh) | 一种基于局部区域的近红外光谱信号标准正态校正方法 | |
| Chen et al. | FT-NIR spectroscopy and Whittaker smoother applied to joint analysis of duel-components for corn | |
| Rabanera et al. | Rapid and Non-destructive measurement of moisture content of peanut (Arachis hypogaea L.) kernel using a near-infrared hyperspectral imaging technique | |
| Fan et al. | Direct calibration transfer to principal components via canonical correlation analysis | |
| CN108956583A (zh) | 用于激光诱导击穿光谱分析的特征谱线自动选择方法 | |
| CN106248621A (zh) | 一种评价方法与系统 | |
| Shao et al. | Measurement of soluble solids content and pH of yogurt using visible/near infrared spectroscopy and chemometrics | |
| CN114611582B (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
| WO2018103541A1 (zh) | 用于去除溶剂干扰的拉曼光谱检测方法和电子设备 | |
| Lei et al. | Achieving joint calibration of soil Vis-NIR spectra across instruments, soil types and properties by an attention-based spectra encoding-spectra/property decoding architecture | |
| CN110632024B (zh) | 一种基于红外光谱的定量分析方法、装置、设备以及存储介质 | |
| Mou et al. | Robust calibration model transfer | |
| Shao et al. | A new approach to discriminate varieties of tobacco using vis/near infrared spectra | |
| CN108613965B (zh) | 一种基于数据驱动拉曼光谱的乳品中乳清蛋白测量方法 | |
| Wang et al. | SVM classification method of waxy corn seeds with different vitality levels based on hyperspectral imaging | |
| Chen et al. | Investigation of sample partitioning in quantitative near-infrared analysis of soil organic carbon based on parametric LS-SVR modeling | |
| Srinath et al. | Detection of palm oil adulteration in sunflower oil using ATR-MIR spectroscopy coupled with chemometric algorithms | |
| CN107356556A (zh) | 一种近红外光谱定量分析的双集成建模方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |