CN111289451B - 复杂光谱组分浓度定量计算的方法 - Google Patents

复杂光谱组分浓度定量计算的方法 Download PDF

Info

Publication number
CN111289451B
CN111289451B CN202010124915.9A CN202010124915A CN111289451B CN 111289451 B CN111289451 B CN 111289451B CN 202010124915 A CN202010124915 A CN 202010124915A CN 111289451 B CN111289451 B CN 111289451B
Authority
CN
China
Prior art keywords
characteristic peak
characteristic
spectrum
concentration
pure
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
Application number
CN202010124915.9A
Other languages
English (en)
Other versions
CN111289451A (zh
Inventor
李扬
刘晓海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jintong Internet of things (Suzhou) Co.,Ltd.
Original Assignee
Otion Intelligent Technology Suzhou Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Otion Intelligent Technology Suzhou Co ltd filed Critical Otion Intelligent Technology Suzhou Co ltd
Priority to CN202010124915.9A priority Critical patent/CN111289451B/zh
Publication of CN111289451A publication Critical patent/CN111289451A/zh
Application granted granted Critical
Publication of CN111289451B publication Critical patent/CN111289451B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开复杂光谱组分浓度定量计算的方法，包括采集纯物质的吸收光谱，获得纯物质的不同特征峰及不同特征峰之间的关联函数；采集待测样品的光谱数据，获得原始谱；对待测样品进行定性分析，筛选出对应的纯物质的特征峰及特征峰关联函数；将筛选出的所有纯物质及纯物质的特征峰关联函数导入到原始谱中，通过深度学习算法进行学习和自回归，获得组分浓度。本发明对单一纯物质的不同特征峰进行了关联，有效加快了计算速度；可以同时对光谱上不同组分的所有特征峰浓度进行深度学习算法回归，加快了计算速度和准确性；采用深度学习算法在浓度回归分析上，而不是在物质识别上，进一步提高了计算速度，能够即时输出计算数据。

Description

复杂光谱组分浓度定量计算的方法
技术领域
本发明涉及光谱数据处理领域，尤其涉及复杂光谱组分浓度定量计算的方法。
背景技术
化学计量学的发展促进了光谱分析在环境分析等领域的发展。目前广泛应用于红外光谱和拉普光谱的定性与定量分析中。一般分析过程包括光谱预处理和校正模型两个步骤。光谱预处理一般包括基线校正、散射校正、平滑和归一化四个步骤，校正模型一般采用最小二乘法或多元线性回归法进行，对于简单体系，最小二乘法或多元线性回归法都比较有效，但是复杂体系往往偏差较大。
随着人工智能的发展，深度学习算法应用于光谱的定性与定量分析也受到了更广泛的关注，神经网络可以从原始数据中自动学习到分子光谱中隐藏的多维特征，对于定性模型具有较好的适应性，但深度学习算法由于参数量较多，导致计算量偏大而反应慢，不能满足现场监测光谱仪即时出数据的需求，同时，由于参数量多，容易造成过度拟合，导致拟合失真。
发明内容
为了解决上述技术问题，本发明提出如下技术方案：
复杂光谱组分浓度定量计算的方法，包括以下步骤，
步骤S1：采集纯物质的吸收光谱，并对吸收光谱进行特征峰提取和特征峰的关联处理，获得纯物质的不同特征峰及不同特征峰之间的关联函数；
步骤S2：采集待测样品的光谱数据，并对光谱数据进行预处理，获得原始谱；
步骤S3：对待测样品进行定性分析，筛选出对应的纯物质的特征峰及特征峰关联函数；
步骤S4：将筛选出的所有纯物质及纯物质的特征峰关联函数导入到原始谱中，通过深度学习算法进行学习和自回归，获得组分浓度。
进一步地，步骤S1包括，
对纯物质的吸收光谱进行特征峰提取，
对纯物质不同浓度的吸收光谱进行特征峰提取，并将获得的所有特征峰建立吸光度与浓度的特征曲线；
对纯物质所有特征曲线进行关联，选取参考峰，建立关联函数。
进一步地，对纯物质的吸收光谱进行特征峰提取，提取方法为深度学习算法，主成分分析和偏最小二乘法中任意一种。
进一步地，参考峰为获得的所有特征峰中的最大峰。
进一步地，步骤S2中，预处理包括基线归零、平滑处理、散射校正和温度校正。
进一步地，步骤S3包括，
获取待测样品中包含的物质种类，
根据获得的物质种类，筛选出对应的纯物质的特征峰及特征峰关联函数。
进一步地，获取待测样品中包含的物质种类的方法为质谱法或色谱法。
进一步地，步骤S4包括，
将步骤S3中筛选出的特征峰及特征峰关联函数导入到原始谱中进行拟合，建立初始模型；
对初始模型进行训练；
采用随机网格搜索方法和RELU函数进行收敛判断；
初始模型训练后得到最优模型，并获得最佳模型参数，
采用测试集对模型进行验证与修正，
获得组分浓度。
进一步地，将步骤S3中筛选出的特征峰及特征峰关联函数导入到原始谱中进行拟合，其第m个特征峰在波长λnm处的吸光度满足以下拟合函数，
Figure BDA0002394117880000031
其中，
Figure BDA0002394117880000032
为第i个组分在波长λnm处的吸光度，
Figure BDA0002394117880000033
为其对应的贡献比，
所有特征峰的吸光度组成一个矩阵A，表达式如下，
A＝A1+A2+…+Am
每种纯物质在每个特征峰的吸光度贡献比值构成一个矩阵X，表达式如下，
Figure BDA0002394117880000034
每种纯物质在每个特征峰处的吸光度构成一个矩阵A′，表达式如下，
Figure BDA0002394117880000035
以上三个矩阵满足以下关系式，
A＝XA’。
本发明的有益效果是：
本发明的方法对单一的纯物质的不同特征峰进行了关联，使光谱上物质的特征峰不再是孤立因子，有效加快了计算速度；可以同时对光谱上不同组分的所有特征峰浓度进行深度学习算法回归，加快了计算速度和准确性；采用深度学习算法在浓度回归分析上，而不是在物质识别上，进一步提高了计算速度，能够即时输出计算数据。
附图说明
图1为本发明复杂光谱组分浓度定量计算的方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。
图1示意性地给出了本发明的复杂光谱组分浓度定量计算的方法，包括以下步骤，
步骤S1：采集纯物质的吸收光谱，并对吸收光谱进行特征峰提取和特征峰的关联处理，获得纯物质的不同特征峰及不同特征峰之间的关联函数；
由此，对纯物质的特征峰进行关联处理，使得光谱上物质的特征峰不再是孤立因子，有利于加快计算速度，并且能够消除不同物质特征峰重叠的问题，提高准确度。
步骤S2：采集待测样品的光谱数据，并对光谱数据进行预处理，获得原始谱；
由此，获得原始谱，为后续计算提供支持。
步骤S3：对待测样品进行定性分析，筛选出对应的纯物质的特征峰及特征峰关联函数；
由此，获得待测样品对应的所有纯物质特征峰及特征峰关联函数，便于后续对光谱上所有的特征峰进行计算，加快计算速度。
步骤S4：将筛选出的所有纯物质及纯物质的特征峰关联函数导入到原始谱中，通过深度学习算法进行学习和自回归，获得组分浓度。
由此，对光谱上所有的特征峰用学习算法进行回归分析，提高了计算的准确度和计算速度。
在可选的实施例中，步骤S1具体包括：
对纯物质的吸收光谱进行特征峰提取，
对纯物质不同浓度的吸收光谱进行特征峰提取，并将获得的所有特征峰建立吸光度与浓度的特征曲线；
对纯物质所有特征曲线进行关联，选取参考峰，建立关联函数。
在可选的实施例中，对纯物质的吸收光谱进行特征峰提取，提取方法包括但不限于深度学习算法、主成分分析法及偏最小二乘法，目的是为了获取该纯物质光谱的所有特征峰。
在可选的实施例中，选取参考峰，建立关联函数，该关联函数可以为参考峰的相对比例函数。
在可选的实施例中，建立关联函数时选取的参考峰，可选择获得的所有特征峰中的最大峰。
在可选的实施例中，在步骤S2中，采用采样设备获取待测样品，并采用光谱仪设备对待测样品进行光谱数据的收集，并对光谱数据进行预处理，目的使测量图谱的特征峰更加突出，边界更加清晰。
在可选的实施例中，对光谱数据进行预处理包括但不限于基线归零、平滑处理、散射校正和温度校正。
在可选的实施例中，步骤S3包括，
获取待测样品中包含的物质种类，
根据获得的物质种类，筛选出对应的纯物质的特征峰及特征峰关联函数。
其中，获取待测样品中包含的物质种类可以使用质谱法或色谱法。
在可选的实施例中，步骤S4包括，
将步骤S3中筛选出的特征峰及特征峰关联函数导入到原始谱中进行拟合，建立初始模型；
用训练集对初始模型进行训练，训练集可以由待测样品中物质种类与浓度组成；
采用随机网格搜索方法和RELU函数进行收敛判断，在每一个训练循环中都要进行收敛判断，若函数不收敛，则进入下一个训练循环；若函数收敛，则初始模型训练结束；
初始模型训练后得到最优模型，并获得最佳模型参数，
采用测试集对模型进行验证与修正，
获得组分浓度。
在可选的实施例中，将步骤S3中筛选出的特征峰及特征峰关联函数导入到原始谱中进行拟合，其第m个特征峰在波长λnm处的吸光度满足以下拟合函数，
Figure BDA0002394117880000061
其中，
Figure BDA0002394117880000062
为第i个组分在波长λnm处的吸光度，
Figure BDA0002394117880000063
为其对应的贡献比，
所有特征峰的吸光度组成一个矩阵A，表达式如下，
A＝A1+A2+…+Am
每种纯物质在每个特征峰的吸光度贡献比值构成一个矩阵X，表达式如下，
Figure BDA0002394117880000064
每种纯物质在每个特征峰处的吸光度构成一个矩阵A′，表达式如下，
Figure BDA0002394117880000065
Figure BDA0002394117880000071
以上三个矩阵满足以下关系式，
A＝XA’。
本发明的方法对单一的纯物质的不同特征峰进行了关联，使光谱上物质的特征峰不再是孤立因子，有效加快了计算速度；可以同时对光谱上不同组分的所有特征峰浓度进行深度学习算法回归，加快了计算速度和准确性；采用深度学习算法在浓度回归分析上，而不是在物质识别上，进一步提高了计算速度，能够即时输出计算数据。
应当理解，此处所描述的具体实施例是本发明一部分实施例，而不是全部的实施例，仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做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。

Claims (7)

1.复杂光谱组分浓度定量计算的方法，其特征在于，包括以下步骤，
步骤S1：采集纯物质的吸收光谱，并对所述吸收光谱进行特征峰提取和特征峰的关联处理，获得所述纯物质的不同特征峰及所述不同特征峰之间的关联函数；
步骤S2：采集待测样品的光谱数据，并对所述光谱数据进行预处理，获得原始谱；
步骤S3：对待测样品进行定性分析，筛选出对应的纯物质的特征峰及特征峰关联函数；
步骤S4：将筛选出的所有所述纯物质及所述纯物质的特征峰关联函数导入到所述原始谱中，通过深度学习算法进行学习和自回归，获得组分浓度；
所述步骤S4包括，
将步骤S3中筛选出的特征峰及特征峰关联函数导入到原始谱中进行拟合，建立初始模型；
对初始模型进行训练；
采用随机网格搜索方法和RELU函数进行收敛判断；
初始模型训练后得到最优模型，并获得最佳模型参数，
采用测试集对模型进行验证与修正，
获得组分浓度；
所述将所述步骤S3中筛选出的特征峰及特征峰关联函数导入到所述原始谱中进行拟合，其第m个特征峰在波长λnm处的吸光度满足以下拟合函数，
Figure FDA0002896050920000011
其中，
Figure FDA0002896050920000012
为第i个组分在波长λnm处的吸光度，
Figure FDA0002896050920000013
为其对应的贡献比，
所有所述特征峰的吸光度组成一个矩阵A，表达式如下，
A＝A1+A2+…+Am
每种纯物质在每个特征峰的吸光度贡献比值构成一个矩阵X，表达式如下，
Figure FDA0002896050920000021
每种纯物质在每个特征峰处的吸光度构成一个矩阵A′，表达式如下，
Figure FDA0002896050920000022
以上三个矩阵满足以下关系式，
A＝XA′。
2.根据权利要求1所述的复杂光谱组分浓度定量计算的方法，其特征在于，所述步骤S1包括，
对纯物质的吸收光谱进行特征峰提取，
对所述纯物质不同浓度的吸收光谱进行特征峰提取，并将获得的所有所述特征峰建立吸光度与浓度的特征曲线；
对所述纯物质所有所述特征曲线进行关联，选取参考峰，建立关联函数。
3.根据权利要求2所述的复杂光谱组分浓度定量计算的方法，其特征在于，所述对纯物质的吸收光谱进行特征峰提取，提取方法为深度学习算法，主成分分析和偏最小二乘法中任意一种。
4.根据权利要求2所述的复杂光谱组分浓度定量计算的方法，其特征在于，所述参考峰为获得的所有所述特征峰中的最大峰。
5.根据权利要求1所述的复杂光谱组分浓度定量计算的方法，其特征在于，所述步骤S2中，所述预处理包括基线归零、平滑处理、散射校正和温度校正。
6.根据权利要求1所述的复杂光谱组分浓度定量计算的方法，其特征在于，所述步骤S3包括，
获取待测样品中包含的物质种类，
根据获得的物质种类，筛选出对应的纯物质的特征峰及特征峰关联函数。
7.根据权利要求6所述的复杂光谱组分浓度定量计算的方法，其特征在于，所述获取待测样品中包含的物质种类的方法为质谱法或色谱法。
CN202010124915.9A 2020-02-27 2020-02-27 复杂光谱组分浓度定量计算的方法 Active CN111289451B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010124915.9A CN111289451B (zh) 2020-02-27 2020-02-27 复杂光谱组分浓度定量计算的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010124915.9A CN111289451B (zh) 2020-02-27 2020-02-27 复杂光谱组分浓度定量计算的方法

Publications (2)

Publication Number Publication Date
CN111289451A CN111289451A (zh) 2020-06-16
CN111289451B true CN111289451B (zh) 2021-03-16

Family

ID=71020843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010124915.9A Active CN111289451B (zh) 2020-02-27 2020-02-27 复杂光谱组分浓度定量计算的方法

Country Status (1)

Country Link
CN (1) CN111289451B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117110250B (zh) * 2023-10-25 2024-02-09 南昌大学 一种深度学习辅助的物质定量分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102192955A (zh) * 2010-03-03 2011-09-21 中国石油化工股份有限公司 反应器内固体颗粒结焦量的检测方法
CN106706548A (zh) * 2017-02-15 2017-05-24 江阴市纤维检验所 一种基于红外光谱曲线拟合分峰技术的聚酯纤维定性鉴别方法
CN110632026A (zh) * 2019-09-23 2019-12-31 欧梯恩智能科技(苏州)有限公司 一种光学检测气体的装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2002238B1 (en) * 2006-03-03 2014-02-19 Central Chemical Consulting PTY Ltd. Method and system for the measurement of chemical species in caustic aluminate solutions
CN101865828B (zh) * 2010-05-31 2012-05-23 湖南大学 用于维护复杂体系光谱校正模型预测能力的方法
CN103217411B (zh) * 2013-04-15 2015-03-25 浙江大学 基于拉曼光谱的食用植物油中油酸、亚油酸和饱和脂肪酸含量检测方法
WO2016004322A2 (en) * 2014-07-02 2016-01-07 Biogen Ma Inc. Cross-scale modeling of bioreactor cultures using raman spectroscopy
CN104132926B (zh) * 2014-07-28 2016-09-07 浙江大学 一种重金属浓碱液体中浅铬黄浓度的检测方法
CN104901764A (zh) * 2015-06-30 2015-09-09 苏州大学张家港工业技术研究院 一种准粗波分复用光网络的设计方法
CN105300904B (zh) * 2015-11-04 2018-05-08 深圳市盛波光电科技有限公司 一种染料型偏光片生产过程中染料浓度检测方法
JP6771417B2 (ja) * 2017-03-30 2020-10-21 日本電信電話株式会社 成分濃度測定方法及び成分濃度測定装置
CN108680521A (zh) * 2018-05-18 2018-10-19 黎明职业大学 一种成分分析方法及颜色监测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102192955A (zh) * 2010-03-03 2011-09-21 中国石油化工股份有限公司 反应器内固体颗粒结焦量的检测方法
CN106706548A (zh) * 2017-02-15 2017-05-24 江阴市纤维检验所 一种基于红外光谱曲线拟合分峰技术的聚酯纤维定性鉴别方法
CN110632026A (zh) * 2019-09-23 2019-12-31 欧梯恩智能科技(苏州)有限公司 一种光学检测气体的装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Spectral and chromatographic overall analysis: An insight into chemical equivalence assessment of traditional Chinese medicine;Jing Zhang et al;《ournal of Chromatography A》;20190919;第460556:1-12页 *
基于主成分分析的复杂光谱定量分析方法的研究;陈扬 等;《光学学报》;20090531;第29卷(第5期);第1287-1291页 *

Also Published As

Publication number Publication date
CN111289451A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN108133313B (zh) 一种人工智能感官评价食品风味系统及其构建方法
CN101915744B (zh) 物质成分含量的近红外光谱无损检测方法及装置
CN103411906B (zh) 珍珠粉和贝壳粉的近红外光谱定性鉴别方法
CN110068544B (zh) 物质识别网络模型训练方法及太赫兹光谱物质识别方法
CN110108658B (zh) 一种污染气体红外光谱识别方法及系统
CN110749565A (zh) 一种快速鉴别普洱茶存储年份的方法
CN105352913B (zh) 一种近红外光谱检测灵芝提取物多糖含量的方法
CN102937575B (zh) 一种基于二次光谱重组的西瓜糖度快速建模方法
CN105486663B (zh) 一种利用近红外光谱检测土壤的稳定碳同位素比值的方法
CN115905881B (zh) 黄珍珠分类的方法以及装置、电子设备、存储介质
CN105181761A (zh) 一种利用电子鼻快速鉴别茶叶辐照吸收剂量的方法
CN111289451B (zh) 复杂光谱组分浓度定量计算的方法
CN109115908B (zh) 基于层次聚类提取特征的切达奶酪身份的判别标识方法
CN102042967B (zh) 一种基于近红外光谱技术的葡萄糖水溶液快速识别方法
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
CN113295813B (zh) 一种料液施加均匀性的检测方法
CN104596976A (zh) 近红外漫反射光谱技术测定造纸法再造烟叶蛋白质的方法
CN107247033B (zh) 基于快速衰减式淘汰算法和plsda鉴别黄花梨成熟度的方法
CN105699314B (zh) 一种利用中红外光谱检测土壤稳定碳同位素比值的方法
CN113406037B (zh) 一种基于序列前向选择的红外光谱在线快速识别分析方法
CN111141809A (zh) 一种基于非接触式电导信号的土壤养分离子含量检测方法
CN113252641B (zh) 一种拉曼光谱下基于残差分析的物质鉴别方法
CN115630329A (zh) 一种基于卷积神经网络的食用香精分类方法
CN112697745A (zh) 一种白酒酒精含量测定方法
CN113418889A (zh) 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220113

Address after: 215000 111 Shuyuan lane, Gusu District, Suzhou City, Jiangsu Province

Patentee after: Jintong Internet of things (Suzhou) Co.,Ltd.

Address before: 215000 office, 2nd floor, building 6, 198 Huqing Road, Hushuguan Town, Suzhou high tech Zone, Jiangsu Province

Patentee before: Otion Intelligent Technology (Suzhou) Co.,Ltd.