CN111879725B - 一种基于权重系数的光谱数据修正方法 - Google Patents

一种基于权重系数的光谱数据修正方法 Download PDF

Info

Publication number
CN111879725B
CN111879725B CN202010857862.1A CN202010857862A CN111879725B CN 111879725 B CN111879725 B CN 111879725B CN 202010857862 A CN202010857862 A CN 202010857862A CN 111879725 B CN111879725 B CN 111879725B
Authority
CN
China
Prior art keywords
black
white
data
spectrum
spectral
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
CN202010857862.1A
Other languages
English (en)
Other versions
CN111879725A (zh
Inventor
刘浩
闫晓剑
张国宏
王毅
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.)
Sichuan Changhong Electric Co Ltd
Original Assignee
Sichuan Changhong Electric 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 Sichuan Changhong Electric Co Ltd filed Critical Sichuan Changhong Electric Co Ltd
Priority to CN202010857862.1A priority Critical patent/CN111879725B/zh
Publication of CN111879725A publication Critical patent/CN111879725A/zh
Application granted granted Critical
Publication of CN111879725B publication Critical patent/CN111879725B/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

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明公开了一种基于权重系数的光谱数据修正方法，首先通过黑、白、灰校准板的基准值及复值，计算出不同时间点的光谱倍率值，然后根据黑、白、灰校准板与待测样品的反射率关系，计算出各校准板的权重系数，进而得到光谱修正公式，接着，结合黑、白、灰校准板光谱倍率值及光谱修正公式对待测样品复值光谱数据进行修正，最后，将待测样品光谱数据的基准值分别与原始复值及修正后复值进行整合建模，并分别判断两模型的质量。本发明的方法充分结合了便携式近红外光谱数据的特性，可以有效对不同时间点的便携式近红外光谱数据进行修正，进而提升光谱模型质量，同时易于实施，极大程度的解决了不同时间点便携式近红外光谱数据难以修正的问题。

Description

一种基于权重系数的光谱数据修正方法
技术领域
本发明涉及光谱数据修正技术领域，特别涉及一种基于权重系数的光谱数据修正方法。
背景技术
近年来，近红外光谱分析技术发展十分迅速，已在化工，制药，军工，食品等多个领域都获得了应用。近红外光谱技术属于分子光谱技术，可以在分子水平上表明物质成分和性质信息，不论对经济还是社会影响来说，都取得了非常高的效益，极具发展潜力。
然而，目前大多数物质成分和性质信息检测主要使用大型实验室近红外光谱仪器进行，这些方法虽然定量准确灵敏度高，但所需设备体积庞大，设备费用昂贵，样品制备时间长且样品制作方法严格，检测设备和样品制备需要专业人员操作，检测环境固定，且分析时间长，不适用于现场检测，不便于推广使用。
伴随着便携式近红外光谱技术的发展，市场主流的大型近红外光谱仪设备都朝着体积小巧，价格低廉的便携式方向发展。但是便携式近红外光谱仪易于受光源、检测器、使用方法、环境条件等影响，造成采集的光谱数据稳定性差，精度低，进而影响光谱模型效果。尤其是便携式近红外光谱仪天与天，周与周之间的光谱数据都可能存在较大差异。传统的通过预处理算法来对光谱数据进行修正效果不佳，难以从根本上解决问题。为了确保便携式近红外光谱仪的模型质量，急需一种能够对便携式近红外光谱数据进行修正的方法。
现有技术中也存在一些对近红外光谱数据进行修正的方法。例如现有技术中申请号为201710018551.4的一种多光谱影像标定方法，具体公开了通过三种校准目标第二反射率及分别对应的像元亮度值之间的关系构建分段式线性方程，再将对应待标定地物目标的像元亮度值代入线性方程即可计算出该像元对应待标定物目标的标定反射率。存在并未结合便携式近红外光谱仪的光谱数据的特殊性的问题，准确度不高。
发明内容
本发明的目的是克服上述背景技术中不足，提供一种基于权重系数的光谱数据修正方法，可以有效对不同时间点的便携式近红外光谱数据进行修正，进而提升光谱模型质量，同时易于实施，极大程度的解决了不同时间点便携式近红外光谱数据难以修正的问题。
为了达到上述的技术效果，本发明采取以下技术方案：
一种基于权重系数的光谱数据修正方法，包括以下步骤：
A.在采集周期内每隔预设间隔时间分别采集一次黑、白、灰校准板及待测样品的光谱数据，其中，将第一次采集的光谱数据设定为基准值光谱数据，将之后采集的光谱数据设定为原始复值光谱数据；
其中，黑、白、灰校准板均采用国际认证的标准化校准板，其受环境影响极小，材质不易发生变化，抗油污能力强，测试表面分布均匀，在近红外光谱波长范围内极为稳定，是一种极度适用于便携式近红外光谱数据的校准材料；同时，本发明的方法中光谱数据的采集的设计是充分考虑了便携式近红外光谱仪受限于光源、检测器、使用方法、环境条件等影响，使得即使采集相同样品得到的光谱数据天与天之间都有些许变化，周与周之间都有较大变化的特性，通过在采集周期内每隔固定间隔时间即进行一次数据采集，从而最大程度的体现修正效果，其中，具体的采集周期及间隔时间可根据实际情况进行设定；
B.结合黑、白、灰校准板的基准值光谱数据及原始复值光谱数据，分别计算黑、白、灰校准板在各采集时间点的光谱倍率值；
C.根据黑、白、灰校准板与待测样品的反射率关系，分别计算出黑、白、灰校准板的权重系数，进而得到光谱修正公式；
D.结合黑、白、灰校准板在各采集时间点的光谱倍率值及光谱修正公式对待测样品的原始复值光谱数据进行修正得到修正复值光谱数据；
E.将基准值光谱数据分别与原始复值光谱数据及修正复值光谱数据进行整合建模，并分别判断两模型的质量；
本发明的基于权重系数的光谱数据修正方法，首先根据不同时间点各个校准板的光谱数据，计算出校准板光谱倍率值，再结合便携式光谱数据的特殊性，即该倍率值为矩阵数据，然后再通过黑、白、灰三种校准板的反射率与待测样品反射率之间的关系，计算出三种校准板的各自权重系数，进一步结合不同时间点校准板之间的光谱倍率值，计算得到光谱修正公式，最后将不同时间点的光谱数据，即m个光强数据点，依次代入光谱修正公式，得到修正光谱数据，即在本申请的技术方案中是结合三种校准板的光谱倍率值以及反射率对每条光谱数据的m个光强数据点进行一一修正，使得光谱数据更为准确的反应待测样品组分含量值，进而有效提升光谱模型准确度。
进一步地，若在采集周期内进行黑、白、灰校准板及待测样品的光谱数据的采集次数为n，则所述步骤B具体为：
设采集的黑校准板的基准值光谱数据为B1＝(B11，B12，……B1(m-1)，B1m)，黑校准板在第一次采集光谱数据时的光谱倍率值T黑1＝(1，1，……1)；其中，m为所使用的近红外光谱仪的光谱的波长点个数；
设第i次采集的黑校准板的复值光谱数据为Bi＝(Bi1，Bi2，……Bi(m-1)，Bim)，其中，i＝2，3，……，n；
则黑校准板在第i次采集光谱数据时的光谱倍率值T黑i；
T黑i＝(Bi/B1)*T黑1＝(Bi1/B11，Bi2/B12，……Bi(m-1)/B1(m-1)，Bim/B1m)；
同理，设采集的白校准板的基准值光谱数据为W1＝(W11，W12，……W1(m-1)，W1m)，白校准板在第一次采集光谱数据时的光谱倍率值T白1＝(1，1，……1)；
设第i次采集的白校准板的复值光谱数据为Wi＝(Wi1，Wi2，……Wi(m-1)，Wim)，其中，i＝2，3，……，n；
则白校准板在第i次采集光谱数据时的光谱倍率值T白i；
T白i＝(Wi/W1)*T白1＝(Wi1/W11，Wi2/W12，……Wi(m-1)/W1(m-1)，Wim/W1m)；
同理，设采集的灰校准板的基准值光谱数据为G1＝(G11，G12，……G1(m-1)，G1m)，灰校准板在第一次采集光谱数据时的光谱倍率值T灰1＝(1，1，……1)；
设第i次采集的灰校准板的复值光谱数据为Gi＝(Gi1，Gi2，……Gi(m-1)，Gim)，其中，i＝2，3，……，n；
则灰校准板在第i次采集光谱数据时的光谱倍率值T灰i；
T灰i＝(Gi/G1)*T灰1＝(Gi1/G11，Gi2/G12，……Gi(m-1)/G1(m-1)，Gim/G1m)。
即通过将第1次采集的校准板光谱数据设定为基准值，光谱倍率值设定为1，使用第2次采集的光谱数据除以第1次采集的光谱数据即可得到第2次采集时的光谱倍率值。同理，使用第3～n次光谱数据分别除以第1次采集的光谱数据即可得到第3～n次采集时的光谱倍率值。
进一步地，所述步骤C具体为：
设黑、白、灰校准板的反射率分别为H黑、H白、H灰，待测样品的反射率为H待测样品，则计算得到黑、白、灰校准板与待测样品反射率之间的差值C黑、C白、C灰为：
Figure BDA0002647084020000051
采用黑、白、灰校准板一起对复值光谱数据进行修正，其光谱修正公式为：T＝aT黑+bT白+cT灰；
其中T为复值修正倍率值，a,b,c为黑、白、灰校准板权重系数，T黑,T白,T灰为黑、白、灰校准板的光谱倍率值；
权重系数a,b,c的值分别为：
Figure BDA0002647084020000052
其中，漫反射便携式近红外光谱仪采集光谱数据的实际原理为：便携式近红外光谱仪发出的近红外光通过校准板或者待测样品表面漫反射回到光谱仪的光线接收传感器，通过一系列转换变为可直接用于分析的光强值。校准板反射率与待测样品反射率相差越小，说明其可靠性越高，即权重系数越大；校准板反射率与待测样品反射率越相差越大，说明其可靠性越低，即权重系数越小。
进一步地，所述步骤D具体为：
将黑、白、灰校准板在各采集时间点的光谱倍率值代入光谱修正公式即可得到黑、白、灰校准板在该采集时间点的光谱修正倍率值，具体为：
Ti＝a T黑i+b T白i+c T灰i；
若在第i次采集时的原始复值光谱数据为Si＝(Si1，Si2，……Si(m-1)，Sim)，则通过光谱修正公式修正后得到第i次采集时的修正复值光谱数据Si′：
Figure BDA0002647084020000061
即将第2～n次采集时的黑、白、灰校准板光谱倍率值分别带入光谱修正公式，计算得出第2～n次采集时的光谱修正倍率值，再结合待测样品第2～n次采集时的光谱数据进行计算即可得到对应时间点待测样品的修正复值光谱数据。
进一步地，所述步骤E具体为：
将待测样品的基准值光谱数据与第i次采集时得到的原始复值进行数据整合并进行数学建模得到光谱模型M；
将待测样品的基准值光谱数据与第i次采集对应的修正复值光谱数据进行数据整合，并进行数学建模，得到光谱模型M′；
对比光谱模型M与M′的模型相关系数及均方根误差以判断两模型的质量。
进一步地，判断两模型的质量时具体判断规则为：模型相关系数越大，模型质量越好；均方根误差越小，模型质量越好。
进一步地，所述步骤E中进行建模时具体采用偏最小二乘法，实际中也可采取其他适合的建模方法。
进一步地，所述预设间隔时间为1天，具体可根据实际情况设定。
进一步地，一个采集周期为14天，具体可根据实际情况设定。
本发明与现有技术相比，具有以下的有益效果：
本发明的基于权重系数的光谱数据修正方法，首先通过黑、白、灰校准板的基准值及复值，计算出不同时间点的光谱倍率值，然后根据黑、白、灰校准板与待测样品的反射率关系，计算出各校准板的权重系数，进而得到光谱修正公式，接着，结合黑、白、灰校准板光谱倍率值及光谱修正公式对待测样品复值光谱数据进行修正，最后，将待测样品光谱数据的基准值分别与原始复值及修正后复值进行整合建模，并分别判断两模型的质量。该方法充分结合了便携式近红外光谱数据的特性，可以有效对不同时间点的便携式近红外光谱数据进行修正，进而提升光谱模型质量，同时易于实施，极大程度的解决了不同时间点便携式近红外光谱数据难以修正的问题。
附图说明
图1是本发明的基于权重系数的光谱数据修正方法的流程示意图。
具体实施方式
下面结合本发明的实施例对本发明作进一步的阐述和说明。
实施例：
实施例一：
如图1所示，一种基于权重系数的光谱数据修正方法，包括以下步骤：
步骤101、102.在采集周期内每隔预设间隔时间分别采集一次黑、白、灰校准板及待测样品的光谱数据，其中，将第一次采集的光谱数据设定为基准值光谱数据，将之后采集的光谱数据设定为原始复值光谱数据。
具体的，为了最大程度的体现修正效果，且易于实施，本实施例中，设定一个采集周期为14天，且每天均对对应的光谱数据进行采集，其中，将第一天采集的光谱数据设定为基准值光谱数据，将第2-14天采集的13套数据设定为采集当天对应的原始复值光谱数据。
步骤103.结合黑、白、灰校准板的基准值光谱数据及原始复值光谱数据，分别计算黑、白、灰校准板在各采集时间点的光谱倍率值。
具体的，若在采集周期内进行黑、白、灰校准板及待测样品的光谱数据的采集次数为n，则所述步骤103具体为：
设采集的黑校准板的基准值光谱数据为B1＝(B11，B12，……B1(m-1)，B1m)，黑校准板在第一次采集光谱数据时的光谱倍率值T黑1＝(1，1，……1)；其中，m为所使用的近红外光谱仪的光谱的波长点个数；
设第i次采集的黑校准板的复值光谱数据为Bi＝(Bi1，Bi2，……Bi(m-1)，Bim)，其中，i＝2，3，……，n；
则黑校准板在第i次采集光谱数据时的光谱倍率值T黑i；
T黑i＝(Bi/B1)*T黑1＝(Bi1/B11，Bi2/B12，……Bi(m-1)/B1(m-1)，Bim/B1m)；
同理，设采集的白校准板的基准值光谱数据为W1＝(W11，W12，……W1(m-1)，W1m)，白校准板在第一次采集光谱数据时的光谱倍率值T白1＝(1，1，……1)；
设第i次采集的白校准板的复值光谱数据为Wi＝(Wi1，Wi2，……Wi(m-1)，Wim)，其中，i＝2，3，……，n；
则白校准板在第i次采集光谱数据时的光谱倍率值T白i；
T白i＝(Wi/W1)*T白1＝(Wi1/W11，Wi2/W12，……Wi(m-1)/W1(m-1)，Wim/W1m)；
同理，设采集的灰校准板的基准值光谱数据为G1＝(G11，G12，……G1(m-1)，G1m)，灰校准板在第一次采集光谱数据时的光谱倍率值T灰1＝(1，1，……1)；
设第i次采集的灰校准板的复值光谱数据为Gi＝(Gi1，Gi2，……Gi(m-1)，Gim)，其中，i＝2，3，……，n；
则灰校准板在第i次采集光谱数据时的光谱倍率值T灰i；
T灰i＝(Gi/G1)*T灰1＝(Gi1/G11，Gi2/G12，……Gi(m-1)/G1(m-1)，Gim/G1m)。
即便携式近红外光谱仪不同时间点采集的校准板光谱数据并不相同，将第1天采集的校准板光谱数据设定为基准值，光谱倍率值设定为1，使用第2天光谱数据除以第1天采集的光谱数据即可得到第2天的光谱倍率值。同理，使用第3～14天光谱数据分别除以第1天采集的光谱数据即可得到第3～14天的光谱倍率值。
具体的，本实施例中，所使用的便携式近红外光谱仪波长范围为1350～1645nm，分辨率为6nm，总计为50个波长点，其采集的光谱数据实际表示为50个波长点上光强值的集合矩阵。则本实施例中：
黑校准板的基准值光谱数据设定为B1＝(B11，B12，……B150)，光谱倍率值设定为T黑1＝(1，1，……1)，第2天黑校准板的复值光谱数据设定为B2＝(B21，B22，……B250)，则可以计算出第2天黑校准板光谱倍率值T黑2为：
Figure BDA0002647084020000091
同理可以计算出第2天白校准板的光谱倍率值T白2及灰校准板的光谱倍率值T灰2为：
Figure BDA0002647084020000092
其中W1＝(W11，W12，……W150)，W2＝(W21，W22，……W250)分别为白校准板基准值及第2天复值光谱数据，G1＝(G11，G12，……G150)，G2＝(G21，G22，……G250)分别为灰校准板基准值及第2天复值光谱数据，其中T白1＝(1，1，……1)，T灰1＝(1，1，……1)分别为第1天白校准板及灰校准板的光谱倍率值。
同理，也可以计算出第3～14天黑、白、灰校准板的光谱倍率值T黑3,T黑4,……T黑14、T白3,T白4,……T白14、T灰3,T灰4,……T灰14。
步骤104.根据黑、白、灰校准板与待测样品的反射率关系，分别计算出黑、白、灰校准板的权重系数，进而得到光谱修正公式。
本实施例中所述步骤104具体为：
设黑、白、灰校准板的反射率分别为H黑、H白、H灰，待测样品的反射率为H待测样品，则计算得到黑、白、灰校准板与待测样品反射率之间的差值C黑、C白、C灰为：
Figure BDA0002647084020000101
为了最大程度的减小误差，采用黑、白、灰校准板一起对复值光谱数据进行修正，其光谱修正公式为：T＝aT黑+bT白+cT灰；
其中T为复值修正倍率值，a,b,c为黑、白、灰校准板权重系数，T黑,T白,T灰为黑、白、灰校准板的光谱倍率值；
由于校准板反射率与待测样品反射率相差越小，其可靠性越高，即权重系数越大，权重系数与反射率差值呈线性相关，可以计算出，权重系数a,b,c的值分别为：
Figure BDA0002647084020000102
步骤105.结合黑、白、灰校准板在各采集时间点的光谱倍率值及光谱修正公式对待测样品的原始复值光谱数据进行修正得到修正复值光谱数据。
具体为：将黑、白、灰校准板在各采集时间点的光谱倍率值代入光谱修正公式即可得到黑、白、灰校准板在该采集时间点的光谱修正倍率值，具体为：
Ti＝a T黑i+b T白i+c T灰i；
若在第i次采集时的原始复值光谱数据为Si＝(Si1，Si2，……Si(m-1)，Sim)，则通过光谱修正公式修正后得到第i次采集时的修正复值光谱数据Si′：
Figure BDA0002647084020000111
即将第2～n次采集时的黑、白、灰校准板光谱倍率值分别带入光谱修正公式，计算得出第2～n次采集时的光谱修正倍率值，再结合待测样品第2～n次采集时的光谱数据进行计算即可得到对应时间点待测样品的修正复值光谱数据。
本实施例中具体为：
将第2～14天黑、白、灰校准板光谱倍率值分别带入光谱修正公式，计算得出第2～14天的光谱修正倍率值，再结合待测样品第2～14天的光谱数据进行计算即可得到对应时间点待测样品的修正复值光谱数据。
在本实施例中，第2天的黑、白、灰校准板光谱倍率值分别为T黑2,T白2,T灰2，将光谱倍率值代入光谱修正公式即可得到第2天的光谱修正倍率值T2为：
T2＝aT黑2+bT白2+cT灰2
设定第2天的原始复值光谱数据为S2＝(S21,S22,……S250)，则通过光谱修正公式修正后第2天的修正复值光谱数据S2′为：
Figure BDA0002647084020000121
同理可以计算第3～14天待测样品的修正复值光谱数据S3′，S4′……S14′。
步骤106.将基准值光谱数据分别与原始复值光谱数据及修正复值光谱数据进行整合建模，并分别判断两模型的质量。
具体为：
将待测样品的基准值光谱数据与第i次采集时得到的原始复值进行数据整合并进行数学建模得到光谱模型M；将待测样品的基准值光谱数据与第i次采集对应的修正复值光谱数据进行数据整合，并进行数学建模，得到光谱模型M′；对比光谱模型M与M′的模型相关系数及均方根误差以判断两模型的质量。
具体的，本实施例中，具体是采用偏最小二乘法进行数学建模，其中，判断两模型的质量时具体判断规则为：模型相关系数越大，模型质量越好；均方根误差越小，模型质量越好。
在本实施例中，光谱模型的质量好坏最为直观的体现为模型相关系数及均方根误差，其中模型相关系数越大，模型质量越好；均方根误差越小，模型质量越好。将待测样品的基准值与第2～14天采集得到的原始复值进行数据整合，并采用偏最小二乘法进行数学建模得到光谱模型M，然后再将待测样品的基准值与第2～14天修正后的复值进行数据整合，并采用相同的方法进行数学建模，得到光谱模型M′，对比光谱模型M与M′的模型相关系数及均方根误差，可知光谱模型M′的模型相关系数在光谱模型M的基础上有明显增大，且均方根误差明显变小，通过以上可知，通过基于权重系数的光谱数据修正方法，有效的提升了光谱模型质量。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (6)

1.一种基于权重系数的光谱数据修正方法，其特征在于，包括以下步骤：
A、在采集周期内每隔预设间隔时间分别采集一次黑、白、灰校准板及待测样品的光谱数据，其中，将第一次采集的光谱数据设定为基准值光谱数据，将之后采集的光谱数据设定为原始复值光谱数据；
B、结合黑、白、灰校准板的基准值光谱数据及原始复值光谱数据，分别计算黑、白、灰校准板在各采集时间点的光谱倍率值；
C、根据黑、白、灰校准板与待测样品的反射率关系，分别计算出黑、白、灰校准板的权重系数，进而得到光谱修正公式；
D、结合黑、白、灰校准板在各采集时间点的光谱倍率值及光谱修正公式对待测样品的原始复值光谱数据进行修正得到修正复值光谱数据；
E、将基准值光谱数据分别与原始复值光谱数据及修正复值光谱数据进行整合建模，并分别判断两模型的质量；
若在采集周期内进行黑、白、灰校准板及待测样品的光谱数据的采集次数为n，则所述步骤B具体为：
设采集的黑校准板的基准值光谱数据为B1＝(B11，B12，……B1(m-1)，B1m)，黑校准板在第一次采集光谱数据时的光谱倍率值T黑1＝(1，1，……1)；其中，m为所使用的近红外光谱仪的光谱的波长点个数；
设第i次采集的黑校准板的复值光谱数据为Bi＝(Bi1，Bi2，……Bi(m-1)，Bim)，其中，i＝2，3，……，n；
则黑校准板在第i次采集光谱数据时的光谱倍率值T黑i；
T黑i＝(Bi/B1)*T黑1＝(Bi1/B11，Bi2/B12，……Bi(m-1)/B1(m-1)，Bim/B1m)；
同理，设采集的白校准板的基准值光谱数据为W1＝(W11，W12，……W1(m-1)，W1m)，白校准板在第一次采集光谱数据时的光谱倍率值T白1＝(1，1，……1)；
设第i次采集的白校准板的复值光谱数据为Wi＝(Wi1，Wi2，……Wi(m-1)，Wim)，其中，i＝2，3，……，n；
则白校准板在第i次采集光谱数据时的光谱倍率值T白i；
T白i＝(Wi/W1)*T白1＝(W i1/W 11，W i2/W 12，……W i(m-1)/W 1(m-1)，W im/W 1m)；
同理，设采集的灰校准板的基准值光谱数据为G1＝(G11，G12，……G1(m-1)，G1m)，灰校准板在第一次采集光谱数据时的光谱倍率值T灰1＝(1，1，……1)；
设第i次采集的灰校准板的复值光谱数据为Gi＝(Gi1，Gi2，……Gi(m-1)，Gim)，其中，i＝2，3，……，n；
则灰校准板在第i次采集光谱数据时的光谱倍率值T灰i；
T灰i＝(Gi/G1)*T灰1＝(G i1/G 11，G i2/G 12，……G i(m-1)/G 1(m-1)，G im/G1m)；
所述步骤C具体为：
设黑、白、灰校准板的反射率分别为H黑、H白、H灰，待测样品的反射率为H待测样品，则计算得到黑、白、灰校准板与待测样品反射率之间的差值C黑、C白、C灰为：
Figure FDA0003362446460000021
采用黑、白、灰校准板一起对复值光谱数据进行修正，其光谱修正公式为：T＝aT黑+bT白+cT灰；
其中T为复值修正倍率值，a,b,c为黑、白、灰校准板权重系数，T黑,T白,T灰为黑、白、灰校准板的光谱倍率值；
权重系数a,b,c的值分别为：
Figure FDA0003362446460000031
所述步骤D具体为：
将黑、白、灰校准板在各采集时间点的光谱倍率值代入光谱修正公式即可得到黑、白、灰校准板在该采集时间点的光谱修正倍率值，具体为：
Ti＝a T黑i+b T白i+c T灰i；
若在第i次采集时的原始复值光谱数据为Si＝(Si1，Si2，……Si(m-1)，Sim)，则通过光谱修正公式修正后得到第i次采集时的修正复值光谱数据Si′：
Figure FDA0003362446460000032
2.根据权利要求1所述的一种基于权重系数的光谱数据修正方法，其特征在于，所述步骤E具体为：
将待测样品的基准值光谱数据与第i次采集时得到的原始复值进行数据整合并进行数学建模得到光谱模型M；
将待测样品的基准值光谱数据与第i次采集对应的修正复值光谱数据进行数据整合，并进行数学建模，得到光谱模型M′；
对比光谱模型M与M′的模型相关系数及均方根误差以判断两模型的质量。
3.根据权利要求2所述的一种基于权重系数的光谱数据修正方法，其特征在于，判断两模型的质量时具体判断规则为：模型相关系数越大，模型质量越好；均方根误差越小，模型质量越好。
4.根据权利要求1或2所述的一种基于权重系数的光谱数据修正方法，其特征在于，所述步骤E中进行建模时具体采用偏最小二乘法。
5.根据权利要求1所述的一种基于权重系数的光谱数据修正方法，其特征在于，所述预设间隔时间为1天。
6.根据权利要求1所述的一种基于权重系数的光谱数据修正方法，其特征在于，一个采集周期为14天。
CN202010857862.1A 2020-08-24 2020-08-24 一种基于权重系数的光谱数据修正方法 Active CN111879725B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010857862.1A CN111879725B (zh) 2020-08-24 2020-08-24 一种基于权重系数的光谱数据修正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010857862.1A CN111879725B (zh) 2020-08-24 2020-08-24 一种基于权重系数的光谱数据修正方法

Publications (2)

Publication Number Publication Date
CN111879725A CN111879725A (zh) 2020-11-03
CN111879725B true CN111879725B (zh) 2022-02-01

Family

ID=73204138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010857862.1A Active CN111879725B (zh) 2020-08-24 2020-08-24 一种基于权重系数的光谱数据修正方法

Country Status (1)

Country Link
CN (1) CN111879725B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114112989B (zh) * 2021-12-03 2023-07-11 四川启睿克科技有限公司 基于复合视觉的近红外检测方法及系统
CN114136888B (zh) * 2021-12-09 2023-07-11 四川启睿克科技有限公司 多光源便携式近红外光谱仪的光谱数据校准方法
CN114279962B (zh) * 2021-12-21 2023-07-25 四川启睿克科技有限公司 一种基于便携式近红外光谱仪的光照自适应方法
CN114324158B (zh) * 2021-12-21 2023-08-22 四川启睿克科技有限公司 一种近红外光谱数据异常点校正方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339131A (zh) * 2008-08-13 2009-01-07 中国石油天然气集团公司 岩心显微多种光谱成像信息综合处理方法
CN103134767A (zh) * 2013-01-30 2013-06-05 华中科技大学 一种红外光谱校正鉴定白酒品质的方法
CN105241821A (zh) * 2015-08-07 2016-01-13 江苏大学 一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法
CN106018292A (zh) * 2016-07-19 2016-10-12 华中农业大学 蛋清中蛋白质构象的无损检测装置及其方法
CN106824824A (zh) * 2016-10-26 2017-06-13 湖南理工学院 一种具有前置图像处理及反射式光谱单元的塑料分选系统
CN110632021A (zh) * 2019-10-17 2019-12-31 四川长虹电器股份有限公司 基于便携式近红外光谱仪的光谱检测方法及系统
CN111307751A (zh) * 2020-03-18 2020-06-19 安徽大学 茶叶近红外光谱分析中谱图基线校正方法、系统、检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6470625B2 (ja) * 2015-04-22 2019-02-13 浜松ホトニクス株式会社 分光計測装置
CN110823829A (zh) * 2019-11-21 2020-02-21 四川长虹电器股份有限公司 一种基于sg校准片的光谱数据补偿方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339131A (zh) * 2008-08-13 2009-01-07 中国石油天然气集团公司 岩心显微多种光谱成像信息综合处理方法
CN103134767A (zh) * 2013-01-30 2013-06-05 华中科技大学 一种红外光谱校正鉴定白酒品质的方法
CN105241821A (zh) * 2015-08-07 2016-01-13 江苏大学 一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法
CN106018292A (zh) * 2016-07-19 2016-10-12 华中农业大学 蛋清中蛋白质构象的无损检测装置及其方法
CN106824824A (zh) * 2016-10-26 2017-06-13 湖南理工学院 一种具有前置图像处理及反射式光谱单元的塑料分选系统
CN110632021A (zh) * 2019-10-17 2019-12-31 四川长虹电器股份有限公司 基于便携式近红外光谱仪的光谱检测方法及系统
CN111307751A (zh) * 2020-03-18 2020-06-19 安徽大学 茶叶近红外光谱分析中谱图基线校正方法、系统、检测方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Detection of minor apple damage based on hyperspectral imaging;Yu Shi 等;《INMATEH:Agricultural Engineering》;20191231;第58卷(第2期);第203-212页 *
L-酪氨酸电化学传感器的研究;朱钦 等;《化学传感器》;20181215;第1-11页 *
Outlier sample eliminating methods for building calibration model of near infrared spectroscopy analysis;LiU Cuiling 等;《Journal of Food Science and Technology》;20140925;第32卷(第5期);第74-9页 *
THEMIS紫外光谱成像仪的放大率估计及其图像的长宽比校正;郭晶晶 等;《刑事技术》;20141231(第1期);第37-39页 *
水果品质可见/近红外光谱预测模型优化方法的研究;李明;《中国博士学位论文全文数据库 工程科技Ⅰ辑》;20181215(第12期);第1-15页 *
石墨炉原子吸收光谱法测定地下水中铜的不确定度连续传递模型研究;郑荣华 等;《现代科学仪器》;20120415;第118-120页 *
高光谱技术在马铃薯品种鉴别及品质无损检测中的应用研究;姜微;《万方》;20170905;第1-20页 *

Also Published As

Publication number Publication date
CN111879725A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN111879725B (zh) 一种基于权重系数的光谱数据修正方法
CN111855595B (zh) 一种基于黑白校准板的光谱数据校准方法
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
CN110174359B (zh) 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法
CN108956505B (zh) 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置
Weyermann et al. Correction of reflectance anisotropy effects of vegetation on airborne spectroscopy data and derived products
CN111965140B (zh) 基于特征峰的波长点重组方法
CN110987821A (zh) 一种高光谱快速大气校正参数化方法
CN114676636B (zh) 一种综合植被和生境特征的草原区土壤水分快速反演方法
CN109580513B (zh) 一种近地面遥感红枣含水率检测方法和装置
CN111457911B (zh) 一种基于偏振二维残差信息的仿生偏振罗盘标定方法
CN111879709B (zh) 湖泊水体光谱反射率检验方法及装置
CN116665057A (zh) 一种基于图像处理的河道水质监测方法及系统
CN102652254B (zh) 用于生成校准颜色数据的方法
CN111896497B (zh) 一种基于预测值的光谱数据修正方法
Hu et al. Soil phosphorus and potassium estimation by reflectance spectroscopy
CN113252583A (zh) 一种基于枯草植被指数计算高寒枯草覆盖度的方法
CN113570538B (zh) 一种叶片rgb图像偏态分布参数信息采集及分析方法
CN116642841B (zh) 基于成像光谱的小麦单籽粒蛋白质含量检测与筛选方法
CN110132188A (zh) 一种基于多元素x射线特征光谱综合分析的涂渗层厚度计算方法
CN114136445B (zh) 一种提高无人机机载高光谱辐射校正精度的方法
CN115392305A (zh) 基于改进时间卷积网络的土壤有机质含量高光谱建模方法
CN105115909A (zh) 基于高光谱成像技术检测花生中脂肪含量分布的方法
CN111044152A (zh) 图谱关联系统光谱偏置外场的自适应校正方法及系统
CN101354357A (zh) 一种分析树木年轮微密度图像的方法

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