CN111579526B - 一种表征近红外仪器差异和校正的方法 - Google Patents

一种表征近红外仪器差异和校正的方法 Download PDF

Info

Publication number
CN111579526B
CN111579526B CN202010511717.8A CN202010511717A CN111579526B CN 111579526 B CN111579526 B CN 111579526B CN 202010511717 A CN202010511717 A CN 202010511717A CN 111579526 B CN111579526 B CN 111579526B
Authority
CN
China
Prior art keywords
instrument
spectrum
host
slave
standard
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
CN202010511717.8A
Other languages
English (en)
Other versions
CN111579526A (zh
Inventor
胡芸
张辞海
彭黔荣
刘娜
姬厚伟
黄锡娟
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.)
China Tobacco Guizhou Industrial Co Ltd
Original Assignee
China Tobacco Guizhou Industrial 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 China Tobacco Guizhou Industrial Co Ltd filed Critical China Tobacco Guizhou Industrial Co Ltd
Priority to CN202010511717.8A priority Critical patent/CN111579526B/zh
Publication of CN111579526A publication Critical patent/CN111579526A/zh
Application granted granted Critical
Publication of CN111579526B publication Critical patent/CN111579526B/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
    • 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
    • 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
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G01N21/274—Calibration, base line adjustment, drift correction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

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)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明提供了一种表征近红外仪器差异和校正的方法，通过计算和比较标准样品在主机仪器与从机仪器光谱间的欧式距离，简单直观地得到不同仪器之间的差异；通过建立主从机仪器之间的光谱差异与预测误差之间的修正模型，使得主机定量分析模型能够在从机仪器上直接使用。借助修正模型校正从机仪器光谱的预测结果，提高了定量分析模型的预测准确度，节省了时间和成本。

Description

一种表征近红外仪器差异和校正的方法
技术领域
本发明涉及近红外光谱分析技术领域，特别涉及一种表征近红外仪器差异和校正的方法。
背景技术
近红外光谱分析仪器具有信噪比高、分辨率高、波长准确性且重复性好，稳定性好等优点，被广泛应用于药物、烟草、石油等行业。近红外光谱仪器能提供分析样品的高测量精度的光谱，并采用化学计量学方法建立光谱与样品性质的定量分析模型，实现快速检测分析。
在定量分析模型的实际应用中，由于近红外光谱仪器自身的差异，造成了定量分析模型不能有效共享。因此了解不同仪器所采集光谱的差异，及采用相应的模型转移方法对后续的定量分析尤为重要。
专利申请号CN201610192572.3公开了一种标识光谱差异性的方法与流程，该方法为将谱图定义多个不同尺度的移动窗口；在每个尺度下，计算窗口内互相比对的光谱的向量夹角值，通过移动窗口，得到整个光谱范围的系列夹角值；再调整窗口大小，从而得到各个尺度下的完整谱线差异；然后，考察谱线不同位置和尺度的差异分布，由差异分布判断谱线的一致性。但是该专利文献公开的方法主要是针对不同的样本在同一台仪器上的光谱差异，而不是针对不同仪器之间的光谱差异进行表示和校正。
发明内容
本发明的目的在于解决由于近红外光谱仪器自身的差异，定量分析模型直接用在不同仪器上时预测结果不准确的问题。本发明提供了一种表征近红外仪器差异和校正的方法，能够简单直观地了解不同仪器之间的光谱差异，以及在一个近红外仪器上建立的定量分析模型，能够在不同的仪器上直接使用并得到正确的预测结果。
为解决上述技术问题，本发明的实施方式公开了一种表征近红外仪器差异和校正的方法，该方法包括以下步骤：
获得标准样品；
利用主机仪器和从机仪器分别采集标准样品的光谱获得第一标准光谱和第二标准光谱，其中，设置主机仪器和从机仪器的采集参数相同；
根据第一标准光谱和第二标准光谱获得第一标准光谱与第二标准光谱的欧氏距离；
根据欧氏距离获得主机仪器和从机仪器的仪器差异；
根据主机光谱和分析检测指标参考值，建立主机模型，其中所述主机光谱包括利用所述主机仪器采集建模用样品所获得的光谱和所述第一标准光谱，所述参考值通过化学方法获得；
用主机模型在从机仪器上计算标准样品的分析检测指标获得预测值，并获得预测值与参考值之间的预测误差；
将第二标准光谱投影至主机光谱空间上，获得主机仪器和从机仪器的光谱差异；
根据光谱差异与预测误差建立主机仪器与从机仪器间的修正模型。
可选地，光谱采集参数包括波长扫描范围、分辨率、扫描次数和光谱点数。
可选地，光谱点数通过主机仪器自带软件或插值的方法设置。
可选地，仪器差异包括通过计算和比较第一标准光谱和第二标准光谱的平均欧式距离或欧式距离分布获得。
可选地，分析检测指标为总植物碱的含量。
可选地，建立主机模型的方法为偏最小二乘法。
可选地，建立主机模型时，根据交互验证法选择因子数。
可选地，选择因子数为10。
可选地，建立修正模型时，选择因子数为2-4中任意整数值。
可选地，光谱差异的计算公式为：
Figure BDA0002528621100000021
其中，Xm为主机光谱，Xs为第二标准光谱，ΔX为主机仪器与从机仪器的光谱差异，+表示广义的逆矩阵。
可选地，根据光谱差异与预测误差建立主机仪器与从机仪器之间的修正模型，包括通过以下公式计算系数b*：
ΔY＝b*ΔX，
其中，b*为修正模型的系数，ΔY为预测误差。
可选地，该方法还包括通过以下公式获得未知样本在从机仪器上的预测结果：
Figure BDA0002528621100000031
其中，Xs，unknown为未知样品在从机仪器上的光谱，b为主机模型的因子数，b*为修正模型的系数。
本发明提供的表征近红外仪器差异和校正的方法，通过计算主机仪器与从机仪器的光谱的欧式距离，简单直观地表征不同仪器之间的差异；同时，通过建立仪器之间的光谱差异和预测误差间的修正模型，对从机仪器的预测值进行校正，从而得到准确的预测结果，提高了测量准确度，由于本发明只需要在一个近红外仪器上建立定量分析模型就可以在不同的仪器之间直接使用，并且能够得到准确的预测结果，而不需要在每个仪器上都建立定量分析模型，节省大量时间和成本。
附图说明
图1示出本发明的表征近红外仪器差异和校正的方法的流程图；
图2示出本发明实施例的标准样品在主机仪器和从机仪器上的平均光谱图；
图3示出本发明实施例的标准样品在从机仪器上的欧式距离分布；
图4示出本发明实施例的标准样品在从机仪器上的平均欧式距离；
图5A示出本发明实施例的使用修正模型校正前的预测值与参考值的关系图；
图5B示出本发明实施例的使用修正模型校正后的预测值与参考值的关系图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合较佳实施例一起介绍，但这并不代表此发明的特征仅限于该实施方式。恰恰相反，结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
应注意的是，在本说明书中，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
图1是本发明提供的表征近红外仪器差异和校正的方法的流程图。如图1所示，本发明提供的表征近红外仪器差异和校正的方法，包括以下步骤：
在步骤S101中，获得标准样品。
在该步骤中，可以通过Kennard-Stone(简称“简称“)算法选择光谱差异性较大的作为代表性标准样品用于后续模型的建立，但是选取标准样品的方法并不局限于此，也可以使用其它算法选择代表性标准样品。例如，在该步骤中，利用KS算法选择标准样品中光谱差异较大的30个标准样品作为代表性标准样品。
在步骤S102中，利用主机仪器和从机仪器分别采集标准样品的光谱获得第一标准光谱和第二标准光谱，其中，设置主机仪器和从机仪器的采集参数相同。
具体地，光谱采集参数包括波长扫描范围、分辨率、扫描次数和光谱点数。
具体地，选择一台近红外仪器作为主机，其它待用仪器作为从机。将从机仪器的波长扫描范围、分辨率、扫描次数与主机仪器设置成相同，并且根据主机仪器上的光谱点数，利用主机仪器自带的分析软件或者插值的方法，将从机仪器上的光谱点数设置成与主机仪器的光谱点数相同。这样，使得从机仪器与主机仪器的采集参数保持相同，方便后续对光谱进行比较。对于在上述步骤S101中获得的标准样品，分别在主机仪器和从机仪器上测量得到近红外光谱作为第一标准光谱，即主机仪器上的光谱，和第二标准光谱，即从机仪器上的光谱。此时，可以从第一标准光谱与第二标准光谱之间的差异，看出主机仪器与从机仪器之间的差异。
在步骤S103中，根据第一标准光谱和第二标准光谱获得第一标准光谱与第二标准光谱的欧氏距离。接着，在步骤S104中，根据所述欧氏距离获得主机仪器和从机仪器的仪器差异。
具体地，通过第一标准光谱和第二标准光谱计算欧式距离，根据欧式距离的大小能够获得主机仪器与从机仪器之间的仪器差异，也可以通过计算和比较平均欧式距离或欧式距离分布来获得主机仪器与从机仪器之间的仪器差异。因此，能够简单直观地判断不同仪器之间测得的光谱的差异，以及能够获得主机仪器与从机仪器之间差异的大小。
在步骤S105中，根据主机光谱和分析检测指标参考值，建立主机模型，其中主机光谱包括利用主机仪器采集建模用样品所获得的光谱和所述第一标准光谱，参考值通过化学方法获得。
在该步骤中，建立的主机模型为定量分析模型，在使用时，可以根据待测样品的光谱获得检测指标的含量。
具体地，对于主机建立的定量分析模型，根据仪器差异，可以判断该模型是否能够在仪器之间共享使用。如果仪器存在差异，则相应的光谱也存在差异。因此从机仪器直接使用主机的定量分析模型进行预测时，预测结果不准确。进一步地，在该步骤中，使用建模用样品和标准样品的光谱来建立主机模型，光谱范围比较广，以便能够对模型的预测结果进行准确的校正。
具体地，分析检测指标例如为化学指标总植物碱、总糖、还原糖、总氮、多酚、钾、氯等含量。
更具体地，建立主机模型的方法为偏最小二乘法，其因子数通过交互验证法选择。例如，分析检测指标为总植物碱含量时，根据实验结果表明，选择因子数为10，由于变量的数量太多不利于建模，变量的数量太少，不利于得到正确的预测结果，因此需要选择合适的因子数。
在步骤S106中，用主机模型在从机仪器上计算标准样品的分析检测指标获得从机光谱的预测值，并获得预测值及与参考值之间的预测误差。通过此步骤，能够获得从机仪器光谱的预测误差。
在步骤S107中，将第二标准光谱投影至主机光谱空间上，获得主机仪器和从机仪器的光谱差异。
具体地，在主机仪器上建立光谱的投影矩阵，第二标准光谱通过该投影矩阵投影到步骤S105中获得的主机光谱空间上，能够投影到主机仪器上的光谱即是与主机仪器无差异的光谱，不能够投影到主机仪器上的剩余光谱即为与主机仪器有差异的光谱，也就是该投影剩余光谱为主机仪器与从机仪器的光谱差异。
更具体地，光谱差异的计算公式为：
Figure BDA0002528621100000051
其中，Xm为主机光谱，Xs为第二标准光谱，ΔX为主机仪器与从机仪器的光谱差异，+表示广义的逆矩阵。
在步骤S108中，根据光谱差异与预测误差建立主机仪器与从机仪器间的修正模型。在该步骤中，建立修正模型时，选择因子数为2-4中任意整数值。由于大部分第二标准光谱投影至主机光谱空间上，剩余光谱较少，因此在建立修正模型时，变量的个数可以比建主机模型时变量的个数少。进一步地，例如，分析检测指标为总植物碱含量时，建立修正模型时选择因子数为2。
具体地，根据上述步骤获得的光谱差异和预测误差建立主机仪器与从机仪器间的修正模型之后，所述方法还包括通过以下公式计算该修正模型的系数b*：
ΔY＝b*ΔX，
其中，b*为修正模型的系数，ΔY为预测误差。
更具体地，在根据修正模型计算得到系数b*之后，所述方法还包括通过以下公式获得未知样本在从机仪器上的预测结果：
Figure BDA0002528621100000061
其中，Xs，unknown为未知样品在从机仪器上的光谱，b为主机模型的因子数，b*为修正模型的系数。
上述表征近红外仪器差异和校正的方法，计算和比较标准样品在主机仪器与从机仪器光谱的欧式距离，直观的得到不同仪器之间的差异；通过建立仪器之间的光谱差异与从机仪器的预测误差之间的修正模型，主机模型能够在从机仪器上使用并借助修正模型获得从机仪器光谱的正确的预测结果，提高了主机模型预测的准确度，节省了时间和成本。
以下为具体实施例部分：
实施例一
样本：通过KS算法对70个烟叶标准样品进行选样，选择光谱差异性较大的30个样品。
定量分析类型：烟叶中总植物碱含量
仪器：主机仪器为Thermo Antaris II傅立叶近红外分析仪器(ThermoScientific公司)的仪器；从机仪器为QuasIR 3000傅立叶近红外分析仪器(四川威斯派克公司)，这里选择3台从机仪器，分别为从机1、从机2和从机3。
光谱采集：实验室相对湿度控制在20％～80％之间，温度控制在18温度控制在℃之间。近红外仪器开机预热不低于1小时，然后用仪器自带的自检程序校检合格后使用。取适量烟叶粉末装入样品杯中扫描，波长扫描范围为4000-10000cm-1，分辨率为8cm-1；扫描次数64次。主机仪器所使用的软件为仪器自带的RESULT-Integration工作流(Workflow)设计软件、RESULT-Operation操作软件和TQ Analyst光谱分析软件。从机仪器所使用的光谱采集软件为近红外云分析系统，设置的波长扫描范围、分辨率、扫描次数与主机仪器的相同。
根据主机仪器上设置的光谱点数，通过TQ analyst软件，使得从机仪器上的光谱点数与主机仪器上的光谱点数相同。
图2为本发明实施例的标准样品在主机仪器和从机仪器上的平均光谱图。以选择的30个标准样品为一组，分别在主机仪器和从机仪器上扫描得到第一标准光谱和第二标准光谱，取该组标准样品在仪器上的光谱的平均值获得如图2所示的平均光谱图。从图2中可以看出，从机1至从机3测得的光谱与主机仪器测得的光谱不一致，这使得样品在从机1至从机3上测得的结果不准确。
按照上述方法分别计算30个标准样品分别在主机仪器与从机1至从机3上的光谱的欧式距离，并计算标准样品在从机1至从机3上的欧式距离分布或平均欧式距离。如图3-4所示，图3为本发明实施例的标准样品在从机仪器上光谱的欧式距离分布，图4为本发明实施例的标准样品在从机仪器上光谱的平均欧式距离。从图3中可以看出，主机仪器与从机1、从机3上所得光谱的欧式距离较小，基本都在1.5以内，且分布范围接近，有较多的重叠区域。例如从机1的欧式距离分布在0.9～1.3的范围内，从机3的欧式距离分布在0.7～1.5的范围内，而从机2的欧式距离分布在1.4～1.9的范围内，不仅欧式距离大，且分布范围较宽，重叠区域较少。另外，如图4所示，主机与从机1至从机3的平均欧式距离为分别为1.1340，1.6095，1.0576。通过上述分析可以看出，主机仪器的光谱与从机1、从机3的光谱的差异相对较小，而与从机2的光谱的差异较大。
按照上述方法，建立主机模型、计算预测误差和光谱差异，并建立预测误差和光谱差异之间的修正模型，计算该修正模型的系数b*。其中，建立主机模型时，通过交互验证法选择因子数为10，建立修正模型时，选择因子数为2。接下来，在从机仪器上利用主机模型和修正模型对测试样品进行测量得到校正后的预测结果。
最终结果如表1和如图5A、5B所示，其中，表1为测试样品在主机仪器和从机仪器上的预测结果，图5A为本发明实施例的使用修正模型校正前的预测值与参考值的关系图，图5B为本发明实施例的使用修正模型校正后的预测值与参考值的关系图。
表1测试样品在主机仪器和从机仪器上的预测结果
Figure BDA0002528621100000071
表1中，R2为决定系数，RMSEP为预测均方根误差。具体地，R2是评价模型拟合程度的一项指标，R2越大，定量分析模型对参考值解释得越好，在建立模型时，R2越接近1越好。
由表1可以看出，如果用主机模型直接在主机仪器上量测的光谱，预测效果良好，RMSEP为0.100。但是用主机模型直接预测从机仪器上光谱时，预测效果不好，三台从机仪器的RMSEP达到了0.904，1.681和0.693，出现较大的预测误差。在使用修正模型修正预测结果后，预测结果得到很大的改善，RMSEP降低到0.140，0.122和0.132。另外，由图5A和5B可以看出，未使用修正模型校正前不同仪器之间很难直接使用主机模型，经过使用修正模型后能够直接只用主机模型进行预测，从机仪器的预测值、主机仪器的预测值与参考值很接近。
综上所述，本发明通过计算与比较标准样品在主机仪器与从机仪器上测量光谱的欧氏距离，直观实现了不同仪器上近红外光谱差异的判断。通过建立不同仪器之间的光谱差异与预测误差之间的修正模型，校正了从机仪器使用主机模型直接预测未知样品的预测值，从而得到正确的预测结果。本发明提供的方法使近红外定量分析模型能够在不同的近红外仪器之间共享与应用，提高了测量的准确度，节省了时间和成本。
虽然通过参照本发明的某些优选实施方式，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。本领域技术人员可以在形式上和细节上对其作各种改变，包括做出若干简单推演或替换，而不偏离本发明的精神和范围。

Claims (9)

1.一种表征近红外仪器差异和校正的方法，其特征在于，包括以下步骤：
获得标准样品；
利用主机仪器和从机仪器分别采集所述标准样品的光谱获得第一标准光谱和第二标准光谱，其中，设置所述主机仪器和所述从机仪器的光谱采集参数相同；
根据所述第一标准光谱和所述第二标准光谱获得所述第一标准光谱与所述第二标准光谱的欧氏距离；
根据所述欧氏距离获得所述主机仪器和所述从机仪器的仪器差异；
根据主机光谱和分析检测指标参考值，建立主机模型，其中所述主机光谱包括利用所述主机仪器采集建模用样品所获得的光谱和所述第一标准光谱，所述参考值通过化学方法获得；
用所述主机模型在所述从机仪器上计算所述标准样品的分析检测指标获得预测值，并获得所述预测值与所述标准样品的参考值之间的预测误差；
将所述第二标准光谱投影至主机光谱空间上，获得所述主机仪器和所述从机仪器的光谱差异；具体地，在所述主机仪器上建立光谱的投影矩阵，所述第二标准光谱通过该投影矩阵投影到所述主机光谱空间上，能够投影到主机仪器上的光谱即是与主机仪器无差异的光谱，不能够投影到所述主机仪器上的剩余光谱即为与主机仪器有差异的光谱，该投影剩余光谱为所述主机仪器与所述从机仪器的光谱差异；
根据所述光谱差异与所述预测误差建立所述主机仪器与所述从机仪器间的修正模型；
所述光谱差异的计算公式为：
Figure QLYQS_1
，
其中，Xm为所述主机光谱，Xs为所述第二标准光谱，
Figure QLYQS_2
为所述主机仪器与所述从机仪器的光谱差异，+表示广义的逆矩阵；
所述根据所述光谱差异与所述预测误差建立所述主机仪器与所述从机仪器之间的修正模型，包括通过以下公式计算系数b*：
Figure QLYQS_3
，
其中，b*为所述修正模型的系数，
Figure QLYQS_4
为预测误差；
所述方法还包括通过以下公式获得未知样本在所述从机仪器上的预测结果：
Figure QLYQS_5
，
其中，Xs，unknown为未知样本在所述从机仪器上的光谱，b为所述主机模型的因子数，b*为所述修正模型的系数。
2.根据权利要求1所述的表征近红外仪器差异和校正的方法，其特征在于，所述光谱采集参数包括波长扫描范围、分辨率、扫描次数和光谱点数。
3.根据权利要求2所述的表征近红外仪器差异和校正的方法，其特征在于，所述光谱点数通过所述主机仪器自带软件或插值的方法设置。
4.根据权利要求1所述的表征近红外仪器差异和校正的方法，其特征在于，所述仪器差异包括通过计算和比较所述第一标准光谱和所述第二标准光谱的平均欧式距离或欧式距离分布获得。
5.根据权利要求1所述的表征近红外仪器差异和校正的方法，其特征在于，所述分析检测指标为总植物碱的含量。
6.根据权利要求1或5所述的表征近红外仪器差异和校正的方法，其特征在于，所述建立主机模型的方法为偏最小二乘法。
7.根据权利要求6所述的表征近红外仪器差异和校正的方法，其特征在于，建立主机模型时，根据交互验证法选择因子数。
8.根据权利要求7所述的表征近红外仪器差异和校正的方法，其特征在于，选择所述因子数为10。
9.根据权利要求6所述的表征近红外仪器差异和校正的方法，其特征在于，建立所述修正模型时，选择因子数为2-4中任意整数值。
CN202010511717.8A 2020-06-08 2020-06-08 一种表征近红外仪器差异和校正的方法 Active CN111579526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010511717.8A CN111579526B (zh) 2020-06-08 2020-06-08 一种表征近红外仪器差异和校正的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010511717.8A CN111579526B (zh) 2020-06-08 2020-06-08 一种表征近红外仪器差异和校正的方法

Publications (2)

Publication Number Publication Date
CN111579526A CN111579526A (zh) 2020-08-25
CN111579526B true CN111579526B (zh) 2023-05-30

Family

ID=72114479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010511717.8A Active CN111579526B (zh) 2020-06-08 2020-06-08 一种表征近红外仪器差异和校正的方法

Country Status (1)

Country Link
CN (1) CN111579526B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112067579A (zh) * 2020-09-17 2020-12-11 云南中烟工业有限责任公司 一种标定离线近红外光谱分析仪稳定性的方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101832922A (zh) * 2010-05-19 2010-09-15 中国农业大学 一种有机肥产品近红外模型转移方法
CN101865828A (zh) * 2010-05-31 2010-10-20 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
CN103018178A (zh) * 2012-12-06 2013-04-03 江苏省质量安全工程研究院 基于局部保持投影的红外光谱仪校准方法
CN104089911A (zh) * 2014-06-27 2014-10-08 桂林电子科技大学 基于一元线性回归的光谱模型传递方法
CN105842190A (zh) * 2016-03-17 2016-08-10 浙江中烟工业有限责任公司 一种基于谱回归的近红外模型转移方法
CN106872397A (zh) * 2016-12-29 2017-06-20 深圳市芭田生态工程股份有限公司 一种基于已有校正模型快速检测农产品化学组分的方法
CN109444066A (zh) * 2018-10-29 2019-03-08 山东大学 基于光谱数据的模型转移方法
CN111157484A (zh) * 2020-01-14 2020-05-15 北京农业智能装备技术研究中心 用于水果糖度检测设备的近红外光谱模型传递方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101832922A (zh) * 2010-05-19 2010-09-15 中国农业大学 一种有机肥产品近红外模型转移方法
CN101865828A (zh) * 2010-05-31 2010-10-20 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
CN103018178A (zh) * 2012-12-06 2013-04-03 江苏省质量安全工程研究院 基于局部保持投影的红外光谱仪校准方法
CN104089911A (zh) * 2014-06-27 2014-10-08 桂林电子科技大学 基于一元线性回归的光谱模型传递方法
CN105842190A (zh) * 2016-03-17 2016-08-10 浙江中烟工业有限责任公司 一种基于谱回归的近红外模型转移方法
CN106872397A (zh) * 2016-12-29 2017-06-20 深圳市芭田生态工程股份有限公司 一种基于已有校正模型快速检测农产品化学组分的方法
CN109444066A (zh) * 2018-10-29 2019-03-08 山东大学 基于光谱数据的模型转移方法
CN111157484A (zh) * 2020-01-14 2020-05-15 北京农业智能装备技术研究中心 用于水果糖度检测设备的近红外光谱模型传递方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
不同型号便携式光谱仪间木质素近红外光谱分析模型传递研究;刘耀瑶 等;《林业工程学报》;20191231;第4卷(第4期);第93-97页，图1-6 *

Also Published As

Publication number Publication date
CN111579526A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
Mantanus et al. Active content determination of non-coated pharmaceutical pellets by near infrared spectroscopy: method development, validation and reliability evaluation
Ni et al. Screening wavelengths with consistent and stable signals to realize calibration model transfer of near infrared spectra
Huang et al. Improved generalization of spectral models associated with Vis-NIR spectroscopy for determining the moisture content of different tea leaves
CN104897607A (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
CN102590129B (zh) 近红外检测花生中氨基酸含量的方法
CN107703097B (zh) 利用近红外光谱仪构建快速预测原油性质的模型的方法
CN101216419A (zh) 一种快速检测黄酒品质指标的方法
CN109085136B (zh) 近红外漫反射光谱测定水泥生料氧化物成分含量的方法
CN105784672A (zh) 一种基于双树复小波算法的毒品检测仪标准化方法
CN101413884B (zh) 近红外光谱分析仪及其分辨率的校正方法
CN110632021A (zh) 基于便携式近红外光谱仪的光谱检测方法及系统
CN106053383A (zh) 一种烟草加工过程中的近红外在线检测方法
CN104132720A (zh) 近红外光谱法快速检测药物片剂的片重
CN111579526B (zh) 一种表征近红外仪器差异和校正的方法
CN111157484A (zh) 用于水果糖度检测设备的近红外光谱模型传递方法
JPH11326046A (ja) オンライン用分光分析計の計測値解析方法
CN111896497B (zh) 一种基于预测值的光谱数据修正方法
CN109540837A (zh) 近红外快速检测苎麻叶片木质纤维素含量的方法
CN110567894A (zh) 一种含水溶液pH值快速检测方法和检测装置
CN105259136A (zh) 近红外校正模型的无测点温度修正方法
CN105300924A (zh) 温度影响下近红外校正模型的无测点补偿建模方法
CN106872397A (zh) 一种基于已有校正模型快速检测农产品化学组分的方法
CN112414966B (zh) 基于仿射变化的近红外光谱多目标标定迁移方法
JP4974042B2 (ja) スペクトル補正方法
CN110596016A (zh) 一种检测烟用香精质量的方法

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