CN111222455B - 波长的选择方法、装置、计算设备及计算机存储介质 - Google Patents
波长的选择方法、装置、计算设备及计算机存储介质 Download PDFInfo
- Publication number
- CN111222455B CN111222455B CN202010006904.0A CN202010006904A CN111222455B CN 111222455 B CN111222455 B CN 111222455B CN 202010006904 A CN202010006904 A CN 202010006904A CN 111222455 B CN111222455 B CN 111222455B
- Authority
- CN
- China
- Prior art keywords
- absorbances
- data
- target
- binary vector
- spectral data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例涉及检测技术领域,公开了一种波长的选择方法,包括:S1:获取不同温度下采集的多组光谱数据;S2:得到多组标准光谱数据;S3:将多组标准光谱数据划分为多个数据集;S4:将数据集进行划分,得到训练集和测试集;S5:生成二进制向量;S6:确定训练集中的多组目标吸光度;S7:建立目标吸光度变量与糖度值变量的函数关系式;S8:得到各二进制向量对应的均方误差;S9:确定有效二进制向量;S10:重新生成二进制向量,返回步骤S6至步骤S9,直至达到预设更新次数,得到目标二进制向量;S11:重复执行步骤S4至S10,直至达到预设划分次数;S12:将出现频率最高的波长作为选择的波长。通过上述方式,本发明实施例实现了温度鲁棒性波长的选择。
Description
技术领域
本发明实施例涉及检测技术领域,具体涉及一种波长的选择方法、装置、计算设备及计算机存储介质。
背景技术
在恒定常温条件下,通过近红外光谱能够准确的测定苹果糖度。但是在实际应用场景中,苹果温度通常会有显著变化,例如,冷藏状况下。近红外光谱容易受到温度变化的影响,从而导致测定的苹果糖度不准确。通过选择对温度具有鲁棒性的波长对苹果的糖度进行测定,可以消除苹果温度变化带来的测量误差,提高糖度检测的准确性。
现有技术中不存在对温度鲁棒性波长的选择方法或装置。
发明内容
鉴于上述问题,本发明实施例提供了一种波长的选择方法、装置、计算设备及计算机存储介质,克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面,提供了一种一种波长的选择方法,所述方法包括:
S1:获取不同温度下采集的多组光谱数据,一组光谱数据包括通过预设波段的近红外光照射糖度检测对象时得到的多个吸光度,所述预设波段的近红外光包括多个不同的波长,所述吸光度与所述波长一一对应;
S2:对所述多组光谱数据进行预处理,得到多组标准光谱数据;
S3:将所述多组标准光谱数据划分为多个数据集,一个数据集中的多组标准光谱数据对应的温度值和糖度值相同,所述糖度值为所述糖度检测对象在目标区域的糖度测定值,所述目标区域为在采集所述光谱数据时所述近红外光在所述糖度检测对象上的照射位置;
S4:按预设比例将各数据集中的标准光谱数据划分为训练数据和测试数据,以得到训练集和测试集,所述训练集由所述各数据集中的训练数据组成,所述测试集由所述各数据集中的测试数据组成;
S5:生成多个二进制向量,所述二进制向量用于指示多个待验证波长;
S6:根据第一二进制向量指示的多个待验证波长在所述训练集中确定与所述多个待验证波长对应的多个吸光度,以得到多组目标吸光度,所述第一二进制向量为所述多个二进制向量中的任意一个二进制向量,一组目标吸光度由属于同一组光谱数据的与所述多个待验证波长对应的多个吸光度组成;
S7:根据每一组目标吸光度及每一组目标吸光度对应的糖度值建立吸光度变量和糖度值变量之间的函数关系式;
S8:根据所述测试集验证所述函数关系式,以得到所述第一二进制向量对应的均方误差;
S9:根据所有二进制向量对应的均方误差在所述多个二进制向量中确定至少一个有效二进制向量;
S10:基于所述至少一个有效二进制向量重新生成多个二进制向量,并返回执行步骤S6至步骤S9,直至达到预设更新次数,得到至少一个目标二进制向量;
S11:重复执行步骤S4至步骤S10,直至达到预设划分次数,得到多个目标二进制向量;
S12:将所有目标二进制向量指示的波长中出现频率最高的波长作为对所述糖度检测对象进行糖度检测的波长。
可选的,所述根据每一组目标吸光度及每一组目标吸光度对应的糖度值建立吸光度变量和糖度值变量之间的函数关系式,包括:
对所述多组目标吸光度进行降维,得到降维后的多组第一吸光度;
将每一组第一吸光度和每一组第一吸光度对应的糖度值进行线性回归,得到第一吸光度变量和糖度值变量之间的函数关系式;
根据所述第一吸光度变量和糖度值变量之间的函数关系式确定所述吸光度变量和糖度值变量之间的函数关系式。
可选的,根据所述测试集验证所述函数关系式,以得到所述第一二进制向量对应的均方误差,包括:
根据所述第一二进制向量指示的多个待验证波长在所述测试集中确定与所述多个待验证波长对应的多个吸光度,以得到多组测试吸光度,一组测试吸光度由属于同一组光谱数据的与所述多个待验证波长对应的吸光度组成;
对所述多组测试吸光度进行降维,得到降维后的多组第二吸光度;
根据所述多组第二吸光度和所述函数关系式得到所述测试集中每一组标准光谱数据的预测糖度值;
计算第一组标准光谱数据的预测糖度值与所述第一组标准光谱数据对应的糖度值的差值,所述第一组标准光谱数据为所述测试集中的多组标准光谱数据中的任意一组标准光谱数据;
根据所述测试集中所有的标准光谱数据各自对应的所述差值计算所述第一二进制向量对应的均方误差。
可选的,所述根据所有二进制向量对应的均方误差在所述多个二进制向量中确定至少一个有效二进制向量,包括:
将所有二进制向量对应的均方误差按照从小到大的顺序进行排序,得到排序后的均方误差;
从所述排序后的均方误差中依次选择至少一个均方误差,并将所述至少一个均方误差对应的二进制向量确定为所述至少一个有效二进制向量。
可选的,基于所述至少一个有效二进制向量重新生成多个二进制向量,包括:
如果所述有效二进制向量的数量为一个,多次执行按照预设概率对所述有效二进制向量上的任意元素进行取反,并将取反得到的多个二进制向量确定为重新生成的多个二进制向量。
可选的,基于所述至少一个有效二进制向量重新生成多个二进制向量,包括:
如果所述有效二进制向量的数量为多个,将所述多个有效二进制向量中的任意两个有效二进制向量之间的部分元素进行交换,以将交换得到的多个二进制向量确定为重新生成的多个二进制向量。
根据本发明实施例的另一方面,提供了一种波长的选择装置,所述装置包括:
获取模块,用于获取不同温度下采集的多组光谱数据,一组光谱数据包括通过预设波段的近红外光照射糖度检测对象时得到的多个吸光度,所述预设波段的近红外光包括多个不同的波长,所述吸光度与所述波长一一对应;
预处理模块,用于对所述多组光谱数据进行预处理,得到多组标准光谱数据;
第一划分模块,用于将所述多组标准光谱数据划分为多个数据集,一个数据集中的多组标准光谱数据对应的温度值和糖度值相同,所述糖度值为所述糖度检测对象在目标区域的糖度测定值,所述目标区域为在采集所述光谱数据时所述近红外光在所述糖度检测对象上的照射位置;
第二划分模块,用于按预设比例将各数据集中的标准光谱数据划分为训练数据和测试数据,以得到训练集和测试集,所述训练集由所述各数据集中的训练数据组成,所述测试集由所述各数据集中的测试数据组成;
第一生成模块,用于生成多个二进制向量,所述二进制向量用于指示多个待验证波长;
第一确定模块,用于根据第一二进制向量指示的多个待验证波长在所述训练集中确定与所述多个待验证波长对应的多个吸光度,以得到多组目标吸光度,所述第一二进制向量为所述多个二进制向量中的任意一个二进制向量,一组目标吸光度由属于同一组光谱数据的与所述多个待验证波长对应的多个吸光度组成;
建模模块,用于根据每一组目标吸光度及每一组目标吸光度对应的糖度值建立吸光度变量和糖度值变量之间的函数关系式;
测试模块,用于根据所述测试集验证所述函数关系式,以得到所述第一二进制向量对应的均方误差;
第二确定模块,用于根据所有二进制向量对应的均方误差在所述多个二进制向量中确定至少一个有效二进制向量;
第二生成模块,用于基于所述至少一个有效二进制向量重新生成多个二进制向量,并返回第一确定模块,直至达到预设更新次数,得到至少一个目标二进制向量;
判断模块,用于判断是否达到预设划分次数,若没有达到,则重复执行所述第二划分模块至所述第二生成模块的功能;
第三确定模块,用于将所有目标二进制向量中出现频率最高的波长作为对所述糖度检测对象进行糖度检测的波长。
根据本发明实施例的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述的波长的选择方法的步骤。
根据本发明实施例的还一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行上述的波长的选择方法的步骤。
本发明实施例将光谱数据划分为训练集和测试集时,训练集和测试集中包含各种温度值和糖度值的光谱数据,且训练集和测试集中不同温度值和糖度值的光谱数据分布相似,从而保证了测试结果的准确性;通过二进制向量选择带检测波长,建立待检测波长对应的吸光度变量和糖度值变量之间的函数关系式,根据该函数关系式得到有效二进制向量;有效二进制向量指示的波长对糖度值的检测效果更好,在有效二进制向量的基础上重新生成多个二进制向量,并重复更新确定的有效二进制向量,得到目标二进制向量;目标二进制向量建立在有效二进制向量的基础上,且在获得有效二进制向量的过程中没有将温度作为变量,因此,目标二进制向量指示的波长对于所有的温度均具有鲁棒性;此外,通过多次划分训练集和测试集,得到多个目标二进制向量,从多个目标二进制向量中选择出现频率最高的波长作为对糖度检测对象进行糖度检测的波长,从而保证了所选择的波长更加可靠。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例的一种波长的选择方法的流程图;
图2示出了本发明实施例的一种波长的选择装置的功能框图;
图3示出了本发明实施例提供的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例的应用场景是一种对糖度检测对象的糖度检测。本发明实施例并不限定糖度检测对象的具体类型。例如,糖度检测对象可以是苹果、香蕉等水果。以苹果为例,在对苹果进行糖度测定时,向苹果发射一定波段范围的近红外光,苹果吸收部分近红外光,未吸收的近红外光穿透苹果而被光谱接收仪接收,根据发射的近红外光强度与接收到的近红外光强度的比值可以得到多个吸光度。苹果的糖度不同,对近红外光的吸收程度不同,则得到的光谱不同。检测环境的温度或者苹果自身的温度会对苹果的吸光度造成影响,造成接收到的光谱不能够准确反映近红外光的吸光度,从而造成测定的苹果糖度不准确。本发明实施例通过对各种温度下采集到的同一种糖度检测对象的光谱进行建模,得到各种波长组合对应的各吸光度组合作为自变量时各吸光度变量和糖度值变量之间的函数关系式。从各种波长组合对应的函数关系式中筛选出的糖度值测定最准确的多个目标函数关系式,从各个目标函数关系式对应的波长组合中确定出现频率最高的波长作为该糖度检测对象进行糖度检测的波长。由于建立的函数关系式中的自变量包含各种温度下的波长对应的吸光度,因此,出现频率最高的波长为在各种温度下均能够准确预测糖度值的波长,即对温度具有鲁棒性的波长。通过对温度具有鲁棒性的波长检测糖度检测对象的糖度值可以减少温度对检测结果造成的误差。下面对本发明各具体实施方式进行介绍。
图1示出了本发明实施例的一种波长的选择方法流程图。如图1所示,该方法包括以下步骤:
步骤S1:获取不同温度下采集的多组光谱数据。
其中,光谱数据由糖度检测对象的吸光度组成。以糖度检测对象为苹果为例,光谱发射装置向待检测苹果发送一个固定波段的近红外光,该波段的近红外光包含多个固定长度的波长。例如,发送的近红外光的波段范围为750nm~900nm,该波段的近红外光包含长度为750nm、755nm、760nm...900nm的波长。待检测苹果吸收部分近红外光,未吸收的近红外光穿透待检测苹果被光谱接收装置接收,根据发射的近红外光强度与接收到的近红外光强度的比值得到多个吸光度,每一个吸光度与光谱发射装置发射的波长一一对应。以两组光谱数据为例,获取到的吸光度和波长之间的部分对应关系如下表1所示:
表1
在具体实施过程中,分别设置多个不同的检测温度,在不同温度下使用光谱发射装置和光谱接收装置对同一温度下的至少一个待检测苹果的糖度值进行检测。例如,分别选择5度、10度、15度、20度以及常温五个温度下,对待检测苹果的糖度值进行检测。在进行检测时,可以检测苹果上任何一个区域的糖度值,也可以检测多个区域的糖度值,每一个区域分别获取多组光谱数据。优选的,在苹果赤道线上选择间隔相近或相似的几个区域进行检测,每一区域在不同温度下获取相同组数的光谱数据。通过上述方式,获取到的多组光谱数据中包含各种温度下各种糖度值对应的光谱数据,从而提高了本发明实施例的通用性。
步骤S2:对多组光谱数据进行预处理,得到多组标准光谱数据。
其中,对多组光谱数据的预处理包括标准归一化和平滑去噪。对于一组包含n个吸光度光谱数据(x1,x2,...xn),在进行标准归一化时,首先计算所有吸光度的平均值,即根据该平均值计算该组光谱数据的标准差,即根据该标准差得到归一化的光谱数据通过标准归一化,消除了光谱数据中包含的多个吸光度在数量级上差异,同时,简化了后续计算。
对于得到的归一化的光谱数据,通过平滑窗口因子法进行平滑去噪,以消除归一化的光谱数据中的非线性噪声。具体的,设置一个滑动窗口,该滑动窗口每次在一组归一化的光谱数据中移动一个固定步长,例如,该固定步长为归一化的光谱数据中一个归一化吸光度的距离,对滑动窗口内的所有归一化吸光度取平均值,得到一个新的吸光度。将一组归一化的光谱数据中的所有归一化吸光度通过滑动窗口过滤后,得到的所有新的吸光度构成一组标准光谱数据。例如,对于一组归一化的光谱数据(a1,a2,a3,a4,a5),设定的滑动窗口大小为2,则得到的标准光谱数据为[a1,(a1+a2)/2,(a2+a3)/2,(a3+a4)/2,(a4+a5)/2]。
步骤S3:将多组标准光谱数据划分为多个数据集。
在本发明实施例中,在进行数据集划分时,每一个数据集包含的多组标准光谱数据对应的温度值和糖度值相同。其中,一组标准光谱数据的糖度值为糖度检测对象的目标区域的实际糖度值。目标区域为采集光谱数据时近红外光在糖度检测对象上的照射位置。实际糖度值是通过精密的糖度值检测仪器测定的目标区域的糖度值。例如,共有十组光谱数据,十组光谱数据分别标注为a1~a10,a1、a8和a10对应的温度值和糖度值相同,a2、a4、a9对应的温度值和糖度值相同,a3、a5、a6、a7对应的温度值和糖度值相同,则对十组光谱数据进行划分,得到的数据集的个数为三个,分别为{a1,a8,a10}、{a2,a4,a9}和{a3,a5,a6,a7}。通过上述方式,实现对每一个数据集划分时,每一个数据集中的多组光谱数据对应的温度值和糖度值相同,便于后续训练集和测试集的划分。
步骤S4:按预设比例将各数据集中的标准光谱数据划分为训练数据和测试数据,以得到训练集和测试集。
其中,预设比例是一个人为设定的值,用于标识每一个数据集中划分为训练集和划分为测试集的标准光谱数据组数的比值。例如,预设比例为4:1,则每一个数据集中4/5的标准光谱数据作为训练数据被划分至训练集,1/5的标准光谱数据作为测试数据被划分至测试集。假设有25个数据集,每一个数据集中包含有10组标准光谱数据,则按照4:1的比例分别划分至训练集和测试集,则得到的训练集包含200组标准光谱数据,得到的测试集包含50组标准光谱数据。应理解,预设比例的选取与每一个数据集中包含的标准光谱数据的组数有关,在设定该比例时,应使得到的光谱数据的组数为整数。
步骤S5:生成多个二进制向量。
其中,二进制向量用于指示多个待验证波长。二进制向量中元素值为1的元素对应的波长为待验证波长,元素值为0的元素对应的波长为非待验证波长。待验证波长用于验证该波长是否对温度具有鲁棒性。二进制向量中元素的个数与预设波段的近红外光包含的波长的个数相同。例如,用于预设波段的近红外光包含172个不同的波长,则生成的二进制向量中包含172个元素。生成的二进制向量的个数是一个预设值,本发明实施例并不以生成的二进制向量的个数为限。
步骤S6:根据第一二进制向量指示的多个待验证波长在训练集中确定与多个待验证波长对应的多个吸光度,以得到多组目标吸光度。
其中,第一二进制向量为多个二进制向量中的任意一个二进制向量,一组目标吸光度由属于同一组光谱数据的多个吸光度组成,同一组光谱数据的多个吸光度与多个待验证波长一一对应。每一组目标吸光度中包含多个吸光度值,每一个吸光度值对应于目标波长中的一个波长。以上表1中的对应关系为例,假设待验证波长为760nm和765nm,则对应于第一组光谱数据的一组目标吸光度为{7168nm,7116nm}。
步骤S7:根据每一组目标吸光度及每一组目标吸光度对应的糖度值建立吸光度变量和糖度值变量之间的函数关系式。
在本步骤中,将每一组目标吸光度中包含的多个吸光度作为自变量,每一组目标吸光度对应的糖度值作为因变量建立未知函数关系式,未知函数关系式中包含了未知数。将每一组目标吸光度中具体的吸光度值和每一组目标吸光度对应的糖度值代入未知函数关系式中,求解未知数,得到吸光度变量和糖度值变量之间的函数关系式。以建立未知函数关系式为线性函数关系式为例,假设每一组目标吸光度均包含三个吸光度值,三个吸光度值,则未知函数关系式中的吸光度变量可以表示为x1、x2、x3,用y表示糖度值变量,则相应的未知函数关系式可以表示为:y=ax1+bx2+cx3。将多组目标吸光度中的任意三组目标吸光度和各目标吸光度对应的糖度值代入上述未知函数关系式中,得到a、b、c的值,从而得到吸光度变量和糖度值变量之间的函数关系式。
步骤S8:根据测试集验证函数关系式,以得到第一二进制向量对应的均方误差。
确定测试集中每一组标准光谱数据对应于待验证波长的多个吸光度,以得到多组测试目标吸光度。一组测试目标吸光度由一组标准光谱数据中与多个待验证波长对应的多个吸光度组成。将每一组测试吸光度代入上述的函数关系式中,得到相应的预测糖度值。根据每一组预测糖度值与真实糖度值之间的差值得到均方误差。例如,测试集中包含三组标准光谱数据,则得到三组测试目标吸光度,将三组测试目标吸光度代入上述函数关系式中,得到三个相应的预测糖度值分别为y1,y2,y3。假设测试集中的三组标准光谱数据对应的真实糖度值分别为y1’、y2’、y3’,则得到的均方误差为:
步骤S9:根据所有二进制向量对应的均方误差在多个二进制向量中确定至少一个有效二进制向量。
其中,每一个二进制向量均按照步骤S8的方法得到一个均方误差。均方误差反映了预测糖度值的准确性。均方误差越小,预测的糖度值越准确,待验证波长受温度变化越小。因此,多个二进制向量中使均方误差最小的一个或多个二进制向量确定为有效二进制向量,有效二进制向量包含对温度具有鲁棒性的波长。确定的有效二进制向量的个数由本领域技术人员进行预先设定的,本发明实施例不限定有效二进制向量的具体数值。
步骤S10:判断是否达到预设更新次数,若否,则基于至少一个有效二进制向量重新生成多个二进制向量,并返回执行步骤S6;若是,则得到至少一个目标二进制向量。
预设更新次数是一个人为设定值,用于表示执行步骤S6的次数。至少一个目标二进制向量是最后一次执行S9得到的至少一个有效二进制向量,目标二进制向量的个数与有效二进制向量的个数相同。在基于至少一个有效二进制向量重新生成多个二进制向量时,重新生成的多个二进制向量的个数与步骤S5中生成的二进制向量的个数相同。如果有效二进制向量为一个,则按照预设概率对二进制向量进行取反,以重新生成多个二进制向量。预设概率是指一个二进制向量中取反的元素占总元素的比例。例如,二进制向量为(0,1,1,0,0,1),预设概率为1,则重新生成的二进制向量为(1,0,0,1,1,0)。如果有效二进制向量为多个,则对多个有效二进制向量中的任意两个有效二进制向量之间的部分元素进行交换,以重新生成二进制向量,交换的部分元素可以是任意一部分元素。例如,有效二进制向量为两个,分别为(0,1,0,0,1)和(1,0,0,1,0),则将第一个二进制向量的前两个元素与第二个二进制向量的前两个元素进行交换,得到更新后的两个二进制向量分别为(1,0,0,0,1)和(0,1,0,1,0)。如果达到预设更新次数,则最后一次执行S9得到的至少一个有效二进制向量即为至少一个目标二进制向量。
步骤S11:判断是否达到预设划分次数,若否,则返回步骤S4,若是,则执行步骤S12。
在得到目标二进制向量后,对执行步骤S4中的划分训练集和测试集的次数进行累加,每执行一次步骤S4对划分次数累加一,直至达到预设划分次数。
步骤S12:将所有目标二进制向量指示的波长中出现频率最高的波长作为对糖度检测对象进行糖度检测的波长。
目标二进制向量指示的波长为对糖度值预测效果较好的波长。由于上述检测方法包含了各种温度下的波长,因此,所有目标二进制向量中出现频率最高的波长为在任何温度下对糖度值预测效果均较好的波长。所有的目标二进制向量指示的波长中出现频率最高的波长为对温度适应性更好的波长。优选的,所有的目标二进制向量中均出现的波长适用于所有温度下对糖度检测对象进行糖度检测。
本发明实施例将光谱数据划分为训练集和测试集时,训练集和测试集中包含各种温度值和糖度值的光谱数据,且训练集和测试集中不同温度值和糖度值的光谱数据分布相似,从而保证了测试结果的准确性;通过二进制向量选择带检测波长,建立待检测波长对应的吸光度变量和糖度值变量之间的函数关系式,根据该函数关系式得到有效二进制向量;有效二进制向量指示的波长对糖度值的检测效果更好,在有效二进制向量的基础上重新生成多个二进制向量,并重复更新确定的有效二进制向量,得到目标二进制向量;目标二进制向量建立在有效二进制向量的基础上,且在获得有效二进制向量的过程中没有将温度作为变量,因此,目标二进制向量指示的波长对于所有的温度均具有鲁棒性;此外,通过多次划分训练集和测试集,得到多个目标二进制向量,从多个目标二进制向量中选择出现频率最高的波长作为对糖度检测对象进行糖度检测的波长,从而保证了所选择的波长更加可靠。
在一些实施例中,在步骤S7建立吸光度变量和糖度值变量之间的函数关系式之前,对目标吸光度进行降维,以消除各目标吸光度之间存在相互关联关系。本发明实施例并不对具体的降维方法进行限定。在一种实施方式中,通过主成分分析的方法进行降维。具体包括如下过程:将训练集中所有的目标吸光度组成一个光谱矩阵,光谱矩阵的行数等于训练集中目标吸光度的组数,光谱矩阵的列数等于每一组目标吸光度中包含的吸光度的个数。对该光谱矩阵进行正交变换,得到变换后的光谱矩阵,从变换后的光谱矩阵中选择多个主成分作为降维后的吸光度。将降维后的吸光度和糖度值进行线性回归,即建立线性方程,求解出线性方程的参数,即得到降维后的吸光度和糖度值之间的函数关系式。通过上述方式,消除了吸光度变量和糖度值变量之间的非线性关系,降低了函数关系式建立的复杂度。
图2示出了本发明实施例的一种波长的选择装置的功能框图,该装置应用于苹果的糖度值检测。如图2所示,该装置包括:获取模块201、预处理模块202、第一划分模块203、第二划分模块204、第一生成模块205、第一确定模块206、建模模块207、测试模块208、第二确定模块209、第二生成模块210、判断模块211和第三确定模块212。
其中,获取模块201,用于获取不同温度下采集的多组光谱数据,一组光谱数据包括通过预设波段的近红外光照射糖度检测对象时穿透所述糖度检测对象产生的一组光谱数据,所述预设波段的近红外光包括多个不同的波长,一组光谱数据包括多个不同的吸光度,所述吸光度与所述波长一一对应。
预处理模块202,用于对所述多组光谱数据进行预处理,得到多组标准光谱数据。
第一划分模块203,用于将所述多组标准光谱数据划分为多个数据集,一个数据集中的多组标准光谱数据对应的温度值和糖度值相同,所述糖度值为所述糖度检测对象在目标区域的糖度测定值,所述目标区域为在采集所述光谱数据时所述近红外光在所述糖度检测对象上的照射位置。
第二划分模块204,用于按预设比例将各数据集中的标准光谱数据划分为训练数据和测试数据,以得到训练集和测试集,所述训练集由所述各数据集中的训练数据组成,所述测试集由所述各数据集中的测试数据组成。
第一生成模块205,用于生成多个二进制向量,所述二进制向量用于指示多个待验证波长。
第一确定模块206,用于根据第一二进制向量指示的多个待验证波长在所述训练集中确定与所述多个待验证波长对应的多个吸光度,以得到多组目标吸光度,所述第一二进制向量为所述多个二进制向量中的任意一个二进制向量,一组目标吸光度由属于同一组光谱数据的与所述多个待验证波长对应的多个吸光度组成。
建模模块207,用于根据每一组目标吸光度及每一组目标吸光度对应的糖度值建立吸光度变量和糖度值变量之间的函数关系式。
测试模块208,用于根据所述测试集验证所述函数关系式,以得到所述第一二进制向量对应的均方误差。
第二确定模块209,用于根据所有二进制向量对应的均方误差在所述多个二进制向量中确定至少一个有效二进制向量。
第二生成模块210,用于基于所述至少一个有效二进制向量重新生成多个二进制向量,并返回第一确定模块206,直至达到预设更新次数,得到至少一个目标二进制向量。
判断模块211,用于判断是否达到预设划分次数,若没有达到,则重复执行第二划分模块204至第二生成模块210的功能。
第三确定模块212,用于将所有目标二进制向量中出现频率最高的波长作为对所述糖度检测对象进行糖度检测的波长。
可选的,建模模块207进一步用于:
对所述多组目标吸光度进行降维,得到降维后的多组第一吸光度;
将每一组第一吸光度和每一组第一吸光度对应的糖度值进行线性回归,得到第一吸光度变量和糖度值变量之间的函数关系式;
根据所述第一吸光度变量和糖度值变量之间的函数关系式确定所述吸光度变量和糖度值变量之间的函数关系式。
可选的,测试模块208进一步用于:
根据所述第一二进制向量指示的多个待验证波长在所述测试集中确定与所述多个待验证波长对应的多个吸光度,以得到多组测试吸光度,一组测试吸光度由属于同一组光谱数据的与所述多个待验证波长对应的吸光度组成;
对所述多组测试吸光度进行降维,得到降维后的多组第二吸光度;
根据所述多组第二吸光度和所述函数关系式得到所述测试集中每一组标准光谱数据的预测糖度值;
计算第一组标准光谱数据的预测糖度值与所述第一组标准光谱数据对应的糖度值的差值,所述第一组标准光谱数据为所述测试集中的多组标准光谱数据中的任意一组标准光谱数据;
根据所述测试集中所有的标准光谱数据各自对应的所述差值计算所述第一二进制向量对应的均方误差。
可选的,第二确定模块209进一步用于:
将所有二进制向量对应的所述均方误差按照从小到大的顺序进行排序,得到排序后的均方误差;
从所述排序后的均方误差中依次选择至少一个均方误差,并将所述至少一个均方误差对应的二进制向量确定为所述至少一个有效二进制向量。
可选的,第二生成模块210进一步用于:
如果所述二进制向量的数量为一个,多次执行按照预设概率对所述有效二进制向量上的任意元素进行取反,并将取反得到的多个二进制向量确定为重新生成的多个二进制向量。
可选的,第二生成模块210进一步用于:
如果所述二进制向量的数量为多个,将所述多个有效二进制向量中的任意两个有效二进制向量之间的部分元素进行交换,以将交换得到的二进制向量确定为重新生成的多个二进制向量。
本发明实施例将光谱数据划分为训练集和测试集时,训练集和测试集中包含各种温度值和糖度值的光谱数据,且训练集和测试集中不同温度值和糖度值的光谱数据分布相似,从而保证了测试结果的准确性;通过二进制向量选择带检测波长,建立待检测波长对应的吸光度变量和糖度值变量之间的函数关系式,根据该函数关系式得到有效二进制向量;有效二进制向量指示的波长对糖度值的检测效果更好,在有效二进制向量的基础上重新生成多个二进制向量,并重复更新确定的有效二进制向量,得到目标二进制向量;目标二进制向量建立在有效二进制向量的基础上,且在获得有效二进制向量的过程中没有将温度作为变量,因此,目标二进制向量指示的波长对于所有的温度均具有鲁棒性;此外,通过多次划分训练集和测试集,得到多个目标二进制向量,从多个目标二进制向量中选择出现频率最高的波长作为对糖度检测对象进行糖度检测的波长,从而保证了所选择的波长更加可靠。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的波长的选择方法。
图3示出了本发明实施例的一种计算设备的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图3所示,该计算设备可以包括:处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中:处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404,用于与其它设备比如客户端或其它服务器等的网元通信。处理器402,用于执行程序410,具体可以执行上述用于波长的选择方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器406,用于存放程序410。存储器406可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行图1中的步骤S1~步骤S12以及实现图2中的模块201~模块212的功能。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (9)
1.一种波长的选择方法,其特征在于,所述方法包括:
S1:获取不同温度下采集的多组光谱数据,一组光谱数据包括通过预设波段的近红外光照射糖度检测对象时得到的多个吸光度,所述预设波段的近红外光包括多个不同的波长,所述吸光度与所述波长一一对应;
S2:对所述多组光谱数据进行预处理,得到多组标准光谱数据;
S3:将所述多组标准光谱数据划分为多个数据集,一个数据集中的多组标准光谱数据对应的温度值和糖度值相同,所述糖度值为所述糖度检测对象在目标区域的糖度测定值,所述目标区域为在采集所述光谱数据时所述近红外光在所述糖度检测对象上的照射位置;
S4:按预设比例将各数据集中的标准光谱数据划分为训练数据和测试数据,以得到训练集和测试集,所述训练集由所述各数据集中的训练数据组成,所述测试集由所述各数据集中的测试数据组成;
S5:生成多个二进制向量,所述二进制向量用于指示多个待验证波长;
S6:根据第一二进制向量指示的多个待验证波长在所述训练集中确定与所述多个待验证波长对应的多个吸光度,以得到多组目标吸光度,所述第一二进制向量为所述多个二进制向量中的任意一个二进制向量,一组目标吸光度由属于同一组光谱数据的与所述多个待验证波长对应的多个吸光度组成;
S7:根据每一组目标吸光度及每一组目标吸光度对应的糖度值建立吸光度变量和糖度值变量之间的函数关系式;
S8:根据所述测试集验证所述函数关系式,以得到所述第一二进制向量对应的均方误差;
S9:根据所有二进制向量对应的均方误差在所述多个二进制向量中确定至少一个有效二进制向量;
S10:基于所述至少一个有效二进制向量重新生成多个二进制向量,并返回执行步骤S6至步骤S9,直至达到预设更新次数,得到至少一个目标二进制向量;
S11:重复执行步骤S4至步骤S10,直至达到预设划分次数,得到多个目标二进制向量;
S12:将所有目标二进制向量指示的波长中出现频率最高的波长作为对所述糖度检测对象进行糖度检测的波长。
2.根据权利要求1所述的方法,其特征在于,所述根据每一组目标吸光度及每一组目标吸光度对应的糖度值建立吸光度变量和糖度值变量之间的函数关系式,包括:
对所述多组目标吸光度进行降维,得到降维后的多组第一吸光度;
将每一组第一吸光度和每一组第一吸光度对应的糖度值进行线性回归,得到第一吸光度变量和糖度值变量之间的函数关系式;
根据所述第一吸光度变量和糖度值变量之间的函数关系式确定所述吸光度变量和糖度值变量之间的函数关系式。
3.根据权利要求2所述的方法,其特征在于,根据所述测试集验证所述函数关系式,以得到所述第一二进制向量对应的均方误差,包括:
根据所述第一二进制向量指示的多个待验证波长在所述测试集中确定与所述多个待验证波长对应的多个吸光度,以得到多组测试吸光度,一组测试吸光度由属于同一组光谱数据的与所述多个待验证波长对应的吸光度组成;
对所述多组测试吸光度进行降维,得到降维后的多组第二吸光度;
根据所述多组第二吸光度和所述函数关系式得到所述测试集中每一组标准光谱数据的预测糖度值;
计算第一组标准光谱数据的预测糖度值与所述第一组标准光谱数据对应的糖度值的差值,所述第一组标准光谱数据为所述测试集中的多组标准光谱数据中的任意一组标准光谱数据;
根据所述测试集中所有的标准光谱数据各自对应的所述差值计算所述第一二进制向量对应的均方误差。
4.根据权利要求1所述的方法,其特征在于,所述根据所有二进制向量对应的均方误差在所述多个二进制向量中确定至少一个有效二进制向量,包括:
将所有二进制向量对应的均方误差按照从小到大的顺序进行排序,得到排序后的均方误差;
从所述排序后的均方误差中依次选择至少一个均方误差,并将所述至少一个均方误差对应的二进制向量确定为所述至少一个有效二进制向量。
5.根据权利要求1所述的方法,其特征在于,基于所述至少一个有效二进制向量重新生成多个二进制向量,包括:
如果所述有效二进制向量的数量为一个,多次执行按照预设概率对所述有效二进制向量上的任意元素进行取反,并将取反得到的多个二进制向量确定为重新生成的多个二进制向量。
6.根据权利要求1所述的方法,其特征在于,基于所述至少一个有效二进制向量重新生成多个二进制向量,包括:
如果所述有效二进制向量的数量为多个,将所述多个有效二进制向量中的任意两个有效二进制向量之间的部分元素进行交换,以将交换得到的多个二进制向量确定为重新生成的多个二进制向量。
7.一种波长的选择装置,其特征在于,所述装置包括:
获取模块,用于获取不同温度下采集的多组光谱数据,一组光谱数据包括通过预设波段的近红外光照射糖度检测对象时得到的多个吸光度,所述预设波段的近红外光包括多个不同的波长,所述吸光度与所述波长一一对应;
预处理模块,用于对所述多组光谱数据进行预处理,得到多组标准光谱数据;
第一划分模块,用于将所述多组标准光谱数据划分为多个数据集,一个数据集中的多组标准光谱数据对应的温度值和糖度值相同,所述糖度值为所述糖度检测对象在目标区域的糖度测定值,所述目标区域为在采集所述光谱数据时所述近红外光在所述糖度检测对象上的照射位置;
第二划分模块,用于按预设比例将各数据集中的标准光谱数据划分为训练数据和测试数据,以得到训练集和测试集,所述训练集由所述各数据集中的训练数据组成,所述测试集由所述各数据集中的测试数据组成;
第一生成模块,用于生成多个二进制向量,所述二进制向量用于指示多个待验证波长;
第一确定模块,用于根据第一二进制向量指示的多个待验证波长在所述训练集中确定与所述多个待验证波长对应的多个吸光度,以得到多组目标吸光度,所述第一二进制向量为所述多个二进制向量中的任意一个二进制向量,一组目标吸光度由属于同一组光谱数据的与所述多个待验证波长对应的多个吸光度组成;
建模模块,用于根据每一组目标吸光度及每一组目标吸光度对应的糖度值建立吸光度变量和糖度值变量之间的函数关系式;
测试模块,用于根据所述测试集验证所述函数关系式,以得到所述第一二进制向量对应的均方误差;
第二确定模块,用于根据所有二进制向量对应的均方误差在所述多个二进制向量中确定至少一个有效二进制向量;
第二生成模块,用于基于所述至少一个有效二进制向量重新生成多个二进制向量,并返回第一确定模块,直至达到预设更新次数,得到至少一个目标二进制向量;
判断模块,用于判断是否达到预设划分次数,若没有达到,则重复执行所述第二划分模块至所述第二生成模块的功能;
第三确定模块,用于将所有目标二进制向量指示的波长中出现频率最高的波长作为对所述糖度检测对象进行糖度检测的波长。
8.一种计算设备,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一个 可执行指令,所述可执行指令使所述处理器执行根据权利要求1-6任一项所述的一种波长的选择方法的步骤。
9.一种计算机存储介质,其特征在于,所述存储介质中存储有至少一个 可执行指令,所述可执行指令使处理器执行根据权利要求1-6任一项所述的一种波长的选择方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010006904.0A CN111222455B (zh) | 2020-01-03 | 2020-01-03 | 波长的选择方法、装置、计算设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010006904.0A CN111222455B (zh) | 2020-01-03 | 2020-01-03 | 波长的选择方法、装置、计算设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222455A CN111222455A (zh) | 2020-06-02 |
CN111222455B true CN111222455B (zh) | 2022-04-01 |
Family
ID=70828150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010006904.0A Active CN111222455B (zh) | 2020-01-03 | 2020-01-03 | 波长的选择方法、装置、计算设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222455B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5324945A (en) * | 1991-10-04 | 1994-06-28 | Director Of National Food Research Institute, Ministry Of Agriculture, Forestry And Fisheries | Method of nondestructively measuring sugar content of fruit by using near infrared transmittance spectrum |
WO2005001400A1 (ja) * | 2003-06-27 | 2005-01-06 | Astem Corporation | 非破壊分光測定器 |
JP2008125542A (ja) * | 2006-11-16 | 2008-06-05 | Nippon Telegr & Teleph Corp <Ntt> | 成分濃度測定装置及び成分濃度測定装置の制御方法 |
CN107064047A (zh) * | 2017-03-02 | 2017-08-18 | 兰州大学 | 一种基于近红外光谱的富士苹果品质无损检测方法 |
CN109827992A (zh) * | 2019-03-19 | 2019-05-31 | 湖州灵粮生态农业有限公司 | 一种水果甜度无损检测装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2466792A1 (en) * | 2003-05-16 | 2004-11-16 | Affinium Pharmaceuticals, Inc. | Evaluation of spectra |
SG11201701015QA (en) * | 2014-08-29 | 2017-03-30 | Univ Tohoku | Optical concentration measuring method |
-
2020
- 2020-01-03 CN CN202010006904.0A patent/CN111222455B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5324945A (en) * | 1991-10-04 | 1994-06-28 | Director Of National Food Research Institute, Ministry Of Agriculture, Forestry And Fisheries | Method of nondestructively measuring sugar content of fruit by using near infrared transmittance spectrum |
WO2005001400A1 (ja) * | 2003-06-27 | 2005-01-06 | Astem Corporation | 非破壊分光測定器 |
JP2008125542A (ja) * | 2006-11-16 | 2008-06-05 | Nippon Telegr & Teleph Corp <Ntt> | 成分濃度測定装置及び成分濃度測定装置の制御方法 |
CN107064047A (zh) * | 2017-03-02 | 2017-08-18 | 兰州大学 | 一种基于近红外光谱的富士苹果品质无损检测方法 |
CN109827992A (zh) * | 2019-03-19 | 2019-05-31 | 湖州灵粮生态农业有限公司 | 一种水果甜度无损检测装置 |
Non-Patent Citations (1)
Title |
---|
便携式苹果糖度光谱检测仪的设计与试验;樊书祥,等;《红外与激光工程》;20141225;第43卷(第S期);第219-224页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111222455A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11493447B2 (en) | Method for removing background from spectrogram, method of identifying substances through Raman spectrogram, and electronic apparatus | |
CN103235095B (zh) | 注水肉检测方法和装置 | |
CN110687072A (zh) | 一种基于光谱相似度的校正集和验证集选择及建模方法 | |
CN103674854A (zh) | 一种基于联合区间偏最小二乘判别分析的苹果分级方法 | |
CN113049500B (zh) | 水质检测模型训练和水质检测方法、电子设备及存储介质 | |
CN109738413A (zh) | 基于稀疏非负最小二乘的混合物拉曼光谱定性分析方法 | |
CN113030001A (zh) | 一种水果糖度检测方法及系统 | |
CN111693487A (zh) | 基于遗传算法和极限学习机的水果糖度检测方法及系统 | |
CN110751230A (zh) | 物质分类方法、装置、终端设备及存储介质 | |
CN114611582A (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
CN111222455B (zh) | 波长的选择方法、装置、计算设备及计算机存储介质 | |
CN115015120B (zh) | 一种傅里叶红外光谱仪及其温漂在线校正方法 | |
CN109238973A (zh) | 一种检测苹果可溶性固形物含量和含水量的方法 | |
CN109145887B (zh) | 一种基于光谱潜变量混淆判别的阈值分析方法 | |
CN113449804A (zh) | 血液类别的确定方法及相关设备 | |
JP2016186489A (ja) | 分光分析の方法および関連装置 | |
CN113795748A (zh) | 用于配置光谱测定装置的方法 | |
CN110632024A (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 | |
CN113537029B (zh) | 基于近红外光谱的模型转移方法及终端设备 | |
CN113945524B (zh) | 基于植被指数的类胡萝卜素与叶绿素比值反演方法及系统 | |
CN109632761A (zh) | 一种拉曼光谱数据的处理方法及系统 | |
CN117093841B (zh) | 小麦透射光谱的异常光谱筛选模型确定方法、装置及介质 | |
CN113740293B (zh) | 基于近红外建模的尿素检测分析方法及装置 | |
JPH1075218A (ja) | データ群の特性境界識別方法及び装置 | |
CN116399836A (zh) | 基于交替梯度下降算法的串扰荧光光谱分解方法 |
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 |