CN112504992B - 可消除同一类型近红外光谱糖度检测设备台间差的方法 - Google Patents
可消除同一类型近红外光谱糖度检测设备台间差的方法 Download PDFInfo
- Publication number
- CN112504992B CN112504992B CN202011209892.8A CN202011209892A CN112504992B CN 112504992 B CN112504992 B CN 112504992B CN 202011209892 A CN202011209892 A CN 202011209892A CN 112504992 B CN112504992 B CN 112504992B
- Authority
- CN
- China
- Prior art keywords
- sugar degree
- near infrared
- equipment
- samples
- same type
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001228 spectrum Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 13
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 claims description 11
- 229930091371 Fructose Natural products 0.000 claims description 11
- 229960002737 fructose Drugs 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000005715 Fructose Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
Abstract
本发明提供可消除同一类型近红外光谱糖度检测设备台间差的方法。所述可消除同一类型近红外光谱糖度检测设备台间差的方法,包括以下步骤:S1:随机选取一批近红外检测设备,每台设备安装同一糖度分选模型,测试同一批水果样品,将得到的光谱信息作为神经网络层的输入值,将每台设备糖度预测值作为输出值,找到二者之间的隐式映射关系,并建立对应的方程组,然后对上述方程组进行求解。本发明提供的可消除同一类型近红外光谱糖度检测设备台间差的方法,可消除同一类型的近红外分析仪在预测同一批水果糖度时产生的台间差,提高糖度分选的精确性和可信度,提高糖度分选模型在同一类型、不同设备中的通用性。
Description
技术领域
本发明涉及近红外糖度分选领域,尤其涉及可消除同一类型近红外光谱糖度检测设备台间差的方法。
背景技术
近红外光谱分析仪由于快速、无损以及检测精度高等优点,已经被广泛应用于水果品质分选-糖度检测领域,其工作原理为通过拟合水果真实糖度数值与光谱信息之间的关系,采用偏最小二乘法(Partial Least Square,PLS)建模来实现近红外水果糖度分选的目的。但是由于光学仪器存在台间差,即便是同一厂家生产的同一类型设备对同一批水果糖度检测之间也存在着误差,有的甚至达到10%,因此,消除台间差对于降低生产成本至关重要。
很显然,对于相同的数学模型和光谱信息,导致水果糖度预测值差异的应该是设备本身,而对于同一厂家的同一类型设备,其本身的特征具有一定的规律性,因此,我们选用预水果糖度测误差来表征设备特征,并采用概率神经网络方法获得预测误差与水果糖度真实值之间的隐式关系,再通过模型训练来消除不同设备间的台间差来提高模型的通用性。
因此,有必要提供可消除同一类型近红外光谱糖度检测设备台间差的方法解决上述技术问题。
发明内容
本发明提供可消除同一类型近红外光谱糖度检测设备台间差的方法,解决了目前同一厂家生产的同一类型设备对同一批水果糖度检测之间也存在着误差,有的甚至达到10%的问题。
为解决上述技术问题,本发明提供的可消除同一类型近红外光谱糖度检测设备台间差的方法,包括以下步骤:
S1:随机选取一批近红外检测设备,每台设备安装同一糖度分选模型,测试同一批水果样品,将得到的光谱信息作为神经网络层的输入值,将每台设备糖度预测值作为输出值,找到二者之间的隐式映射关系,并建立对应的方程组,然后对上述方程组进行求解;
S2:若上述方程组的系数矩阵方阵大于1,则通过增加样品个数来降低其谱半径,若增加样品个数不能降低谱半径,则改变近似方法;如果谱半径小于1,则通过增加样品个数来降低水果真实糖度值与预测值之间的误差;
S3:上述光谱信息,即为通过选取近红外光谱图中的较为独立的峰,并将其峰强作为光谱信息,此处的较为独立的峰即为和相邻峰重叠较少的峰;
S4:上述的糖度预测值即通过PLS搭建的数学模型预测出与每一个光谱信息对应的糖度;
S5:通过概率神经网络对上述样品个数和预测误差进行模型训练,直至训练误差为0为止,并确定样品个数N;
S6:以N为样品个数,通过近红外设备以及糖度计分布测量样品的糖度,再通过PLS训练获得水果糖度预测模型,该模型安装在不同设备上,预测的糖度间的误差可忽略不计。
优选的,所述神经网络层包括输入层、模式层、累加层和输出层。
优选的,所述输入层为每个神经元均为单输入单输出,其传递的函数为线性关系,其作用是将输入信息用分布函数的方式表示。
优选的,所述模式层与输入层通过连接权值W相连接,模式层神经元的传递函数为:g(Zi)=exp[(Zi-1)/s*s],其中Zi为该层第i个神经元的输入,s为均方差。
优选的,所述累加层具有线性求和功能,其神经元数与欲分的模式数目相同。
与相关技术相比较,本发明提供的可消除同一类型近红外光谱糖度检测设备台间差的方法具有如下有益效果:
本发明提供一种可消除同一类型近红外光谱糖度检测设备台间差的方法,可消除同一类型的近红外分析仪在预测同一批水果糖度时产生的台间差,提高糖度分选的精确性和可信度,提高糖度分选模型在同一类型、不同设备中的通用性。
附图说明
图1为本发明提供的可消除同一类型近红外光谱糖度检测设备台间差的方法的神经网络算法的结构示意图;
图2为本发明提供的可消除同一类型近红外光谱糖度检测设备台间差的方法的近红外糖度分选测得的光谱图;
图3为本发明提供的可消除同一类型近红外光谱糖度检测设备台间差的方法的预测糖度值与真实糖度值之间的映射关系示意图;
图4为本发明提供的可消除同一类型近红外光谱糖度检测设备台间差的方法的模型训练后的误差示意图。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
请结合参阅图1、图2、图3和图4,其中,图1为本发明提供的可消除同一类型近红外光谱糖度检测设备台间差的方法的神经网络算法的结构示意图;图2为本发明提供的可消除同一类型近红外光谱糖度检测设备台间差的方法的近红外糖度分选测得的光谱图;图3为本发明提供的可消除同一类型近红外光谱糖度检测设备台间差的方法的预测糖度值与真实糖度值之间的映射关系示意图;图4为本发明提供的可消除同一类型近红外光谱糖度检测设备台间差的方法的模型训练后的误差示意图。可消除同一类型近红外光谱糖度检测设备台间差的方法,包括以下步骤:
S1:随机选取一批近红外检测设备,每台设备安装同一糖度分选模型,测试同一批水果样品,将得到的光谱信息作为神经网络层的输入值,将每台设备糖度预测值作为输出值,找到二者之间的隐式映射关系,并建立对应的方程组,然后对上述方程组进行求解;
S2:若上述方程组的系数矩阵方阵大于1,则通过增加样品个数来降低其谱半径,若增加样品个数不能降低谱半径,则改变近似方法;如果谱半径小于1,则通过增加样品个数来降低水果真实糖度值与预测值之间的误差;
S3:上述光谱信息,即为通过选取近红外光谱图中的较为独立的峰,并将其峰强作为光谱信息,此处的较为独立的峰即为和相邻峰重叠较少的峰;
S4:上述的糖度预测值即通过PLS搭建的数学模型预测出与每一个光谱信息对应的糖度;
S5:通过概率神经网络对上述样品个数和预测误差进行模型训练,直至训练误差为0为止,并确定样品个数N;
S6:以N为样品个数,通过近红外设备以及糖度计分布测量样品的糖度,再通过PLS训练获得水果糖度预测模型,该模型安装在不同设备上,预测的糖度间的误差可忽略不计。
所述神经网络层包括输入层、模式层、累加层和输出层。
所述输入层为每个神经元均为单输入单输出,其传递的函数为线性关系,其作用是将输入信息用分布函数的方式表示。
所述模式层与输入层通过连接权值W相连接,模式层神经元的传递函数为:g(Zi)=exp[(Zi-1)/s*s],其中Zi为该层第i个神经元的输入,s为均方差。
所述累加层具有线性求和功能,其神经元数与欲分的模式数目相同,
随机选择100台同一类型的设备作为水果糖度检测仪器,每台设备所选用的是PLS水果糖度分选模型,样品的光谱信息采集是通过漫透射的方式获得,近红外光谱图如图2所示,并对所得光谱信息进行分析,选择较为独立的峰为拟合对象,以峰值作为神经网络层的输入值,将每一台设备得到的糖度预测值作为输出值,找出两者的关系,建立相应的方程组,并通过高斯-赛德尔求解,确定谱半径小于1的糖度真实值的个数。
在上述基础上增加样品个数,并通过近红外分析仪预测新增样品的糖度,每个样品测四个点,然后将该水果挤成汁,再通过糖度计测出其真实值,它们之间的映射关系如图3所示,取四个糖度预测值的平均值,并计算其和真实值之间的相对误差。
通过增加样品个数来降低谱半径,并采用概率神经网络对样品个数与糖度预测误差的数据进行训练,直至训练后的误差接近0,并确定此时的样品个数为2000个。
将上述样品光谱信息(峰强取平均值)作为自变量,水果真实值作为变量,通过PLS建立水果糖度预测模型,此时获得的模型即为可消除台间差的糖度分选模型。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (2)
1.可消除同一类型近红外光谱糖度检测设备台间差的方法,其特征在于,包括以下步骤:
S1:随机选取一批近红外检测设备,每台设备安装同一糖度分选模型,测试同一批水果样品,将得到的光谱信息作为神经网络层的输入值,将每台设备糖度预测值作为输出值,找到二者之间的隐式映射关系,并建立对应的方程组,然后对上述方程组进行求解;
S2:若上述方程组的系数矩阵方阵大于1,则通过增加样品个数来降低其谱半径,若增加样品个数不能降低谱半径,则改变高斯-赛德尔;如果谱半径小于1,则通过增加样品个数来降低水果真实糖度值与预测值之间的误差;
S3:上述光谱信息,即为通过选取近红外光谱图中的较为独立的峰,并将其峰强作为光谱信息,此处的较为独立的峰即为和相邻峰重叠较少的峰;
S4:上述的糖度预测值即通过PLS搭建的数学模型预测出与每一个光谱信息对应的糖度;
S5:通过概率神经网络对上述样品个数和预测误差进行模型训练,直至训练误差为0为止,并确定样品个数N;
S6:以N为样品个数,通过近红外设备以及糖度计分布测量样品的糖度,再通过PLS训练获得水果糖度预测模型,该模型安装在不同设备上,预测的糖度间的误差可忽略不计;
所述神经网络层包括输入层、模式层、累加层和输出层;
所述模式层与输入层通过连接权值W相连接,模式层神经元的传递函数为:g(Zi)=exp[(Zi-1)/s*s],其中Zi为该层第i个神经元的输入,s为均方差。
2.根据权利要求1所述的可消除同一类型近红外光谱糖度检测设备台间差的方法,其特征在于,所述输入层为每个神经元均为单输入单输出,其传递的函数为线性关系,其作用是将输入信息用分布函数的方式表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011209892.8A CN112504992B (zh) | 2020-11-03 | 2020-11-03 | 可消除同一类型近红外光谱糖度检测设备台间差的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011209892.8A CN112504992B (zh) | 2020-11-03 | 2020-11-03 | 可消除同一类型近红外光谱糖度检测设备台间差的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112504992A CN112504992A (zh) | 2021-03-16 |
CN112504992B true CN112504992B (zh) | 2023-10-13 |
Family
ID=74955103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011209892.8A Active CN112504992B (zh) | 2020-11-03 | 2020-11-03 | 可消除同一类型近红外光谱糖度检测设备台间差的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112504992B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US2740584A (en) * | 1952-12-20 | 1956-04-03 | Gen Electric | Simultaneous linear equation computer |
CN103175822A (zh) * | 2013-02-06 | 2013-06-26 | 中国食品药品检定研究院 | 消除拉曼光谱仪台间差的方法 |
CN109490228A (zh) * | 2018-11-09 | 2019-03-19 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种服务器机柜控制系统及控制方法 |
CN109709802A (zh) * | 2018-12-14 | 2019-05-03 | 江南大学 | 基于迭代学习控制的有源电子梯形电路的控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11164085B2 (en) * | 2019-04-25 | 2021-11-02 | Booz Allen Hamilton Inc. | System and method for training a neural network system |
-
2020
- 2020-11-03 CN CN202011209892.8A patent/CN112504992B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US2740584A (en) * | 1952-12-20 | 1956-04-03 | Gen Electric | Simultaneous linear equation computer |
CN103175822A (zh) * | 2013-02-06 | 2013-06-26 | 中国食品药品检定研究院 | 消除拉曼光谱仪台间差的方法 |
CN109490228A (zh) * | 2018-11-09 | 2019-03-19 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种服务器机柜控制系统及控制方法 |
CN109709802A (zh) * | 2018-12-14 | 2019-05-03 | 江南大学 | 基于迭代学习控制的有源电子梯形电路的控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112504992A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN101216419A (zh) | 一种快速检测黄酒品质指标的方法 | |
CN110736707B (zh) | 一种主仪器向从仪器光谱模型传递的光谱检测优化方法 | |
CN110555596A (zh) | 一种基于配电物资质量评价的抽检策略制定方法及系统 | |
CN115691722A (zh) | 医疗数据检测的质控方法、装置、设备、介质及程序产品 | |
Johnson | Assessment of bias with emphasis on method comparison | |
CN112504992B (zh) | 可消除同一类型近红外光谱糖度检测设备台间差的方法 | |
CN112131797A (zh) | 一种基于应力分析的主轴轴承寿命预测和可靠性评估方法 | |
CN111832703A (zh) | 一种基于采样间隔感知长短期记忆网络的流程制造工业不规则采样动态序列建模方法 | |
CN105740617B (zh) | 一体化天馈系统品质度的衡量方法 | |
CN105466885B (zh) | 基于无测点温度补偿机制的近红外在线测量方法 | |
Oosterhuis et al. | Performance specifications and six sigma theory: Clinical chemistry and industry compared | |
Urtubia et al. | Detection of abnormal fermentations in wine process by multivariate statistics and pattern recognition techniques | |
CN103308507A (zh) | 一种快速测定聚氨酯中游离-nco的分析方法 | |
CN107067034B (zh) | 一种快速识别红外光谱数据分类的方法及系统 | |
CN111967799B (zh) | 集总参数表贴环行器物料及工艺问题识别方法 | |
US20230243741A1 (en) | A plurality of structurally identical spectrometers and a calibration method therefor | |
CN112816122B (zh) | 基于深度学习和压电主动传感的螺栓松紧程度监测方法 | |
CN110609030B (zh) | 一种基于检出概率模型的拉曼快检性能综合评价方法 | |
CN101592692A (zh) | 测量机台的评估方法 | |
CN111062118B (zh) | 一种基于神经网络预测分层的多层软测量建模系统及方法 | |
CN114334024A (zh) | 一种基于快速成分迁移学习的发酵过程软测量建模方法 | |
US6128544A (en) | Process for monitoring and control of the operation of an analyzer and of a manufacturing unit to which it is linked | |
CN113609449A (zh) | 惯性测量装置加速试验数据有效性评估方法 | |
CN106338526A (zh) | 一种基于微波水分仪的修正模型及检测方法 |
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 |