CN113358594A - 基于光谱检测的物质成分分析系统、方法、装置及介质 - Google Patents
基于光谱检测的物质成分分析系统、方法、装置及介质 Download PDFInfo
- Publication number
- CN113358594A CN113358594A CN202110561154.8A CN202110561154A CN113358594A CN 113358594 A CN113358594 A CN 113358594A CN 202110561154 A CN202110561154 A CN 202110561154A CN 113358594 A CN113358594 A CN 113358594A
- Authority
- CN
- China
- Prior art keywords
- substance
- data
- spectral data
- detection
- 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.)
- Granted
Links
- 239000000126 substance Substances 0.000 title claims abstract description 102
- 238000001514 detection method Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000001228 spectrum Methods 0.000 title abstract description 56
- 238000004458 analytical method Methods 0.000 title abstract description 21
- 230000003595 spectral effect Effects 0.000 claims abstract description 100
- 238000004891 communication Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 25
- 238000009499 grossing Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000002329 infrared spectrum Methods 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 12
- 238000010183 spectrum analysis Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 238000004445 quantitative analysis Methods 0.000 description 10
- 230000004807 localization Effects 0.000 description 9
- 238000004451 qualitative analysis Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010606 normalization Methods 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 5
- 238000004566 IR spectroscopy Methods 0.000 description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000010561 standard procedure Methods 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
本申请公开了一种基于光谱检测的物质成分分析系统、方法、装置及介质。其中,该系统包括:用于对物质进行红外光谱检测的检测设备以及与检测设备通信的服务器,其中服务器配置用于执行以下操作:从检测设备接收检测到的物质的光谱数据;以及利用预先训练的模型对光谱数据进行计算,确定物质包含的成分信息以及成分信息对应的含量信息。
Description
技术领域
本申请涉及云计算技术领域,特别是涉及一种基于光谱检测的物质成分分析系统、方法、装置及介质。
背景技术
由于近红外光对物质的穿透能力较强,无需化学试剂,无需对样品进行任何预处理,实现无损检测,对样品或环境不会造成污染;近红外光不会对人体造成伤害;近红外光谱分析技术可对样品进行快速检测,适合现场检测和实时在线分析;近红外光谱分析技术检测速度快、绿色环保、成本低,例如:水果的近红外无损检测技术在水果无损检测领域具有非常重要的意义。但是,当前光谱分析仪本地化计算存在能力差、数据不够多以及精度低的缺点。
针对上述的现有技术中存在的光谱分析仪本地化计算存在能力差、数据不够多以及精度低的技术问题,目前尚未提出有效的解决方案。
发明内容
本公开的实施例提供了一种基于光谱检测的物质成分分析系统、方法、装置及介质,以至少解决现有技术中存在的光谱分析仪本地化计算存在能力差、数据不够多以及精度低的技术问题。
根据本公开实施例的一个方面,提供了一种基于光谱检测的物质成分分析系统,包括:用于对物质进行红外光谱检测的检测设备以及与检测设备通信的服务器,其中服务器配置用于执行以下操作:从检测设备接收检测到的物质的光谱数据;以及利用预先训练的模型对光谱数据进行计算,确定物质包含的成分信息以及成分信息对应的含量信息。
根据本公开实施例的另一方面,还提供了一种基于光谱检测的物质成分分析方法,包括:从用于对物质进行红外光谱检测的检测设备接收检测到的物质的光谱数据;以及利用预先训练的模型对光谱数据进行计算,确定物质包含的成分信息以及成分信息对应的含量信息。
根据本公开实施例的另一个方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时由处理器执行以上任意一项所述的方法。
根据本公开实施例的另一个方面,还提供了一种基于光谱检测的物质成分分析装置,包括:数据接收模块,用于从用于对物质进行红外光谱检测的检测设备接收检测到的物质的光谱数据;以及数据分析模块,用于利用预先训练的模型对光谱数据进行计算,确定物质包含的成分信息以及成分信息对应的含量信息。
根据本公开实施例的另一个方面,还提供了一种基于光谱检测的物质成分分析装置,包括:处理器;以及存储器,与处理器连接,用于为处理器提供处理以下处理步骤的指令:从用于对物质进行红外光谱检测的检测设备接收检测到的物质的光谱数据;以及利用预先训练的模型对光谱数据进行计算,确定物质包含的成分信息以及成分信息对应的含量信息。
在本公开实施例中,能够充分的利用云端存储的海量数据、存储的海量光谱分析算法等对物质的光谱数据进行更深入的分析,得到更加准确和充分的定性和定量分析结果,提升原来本地光谱分析的准确性。从而,解决了现有技术中存在的光谱分析仪本地化计算存在能力差、数据不够多以及精度低的技术问题。
附图说明
此处所说明的附图用来提供对本公开的进一步理解,构成本申请的一部分,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。在附图中:
图1是用于实现根据本公开实施例1所述的方法的计算设备的硬件结构框图;
图2是根据本公开实施例1所述的基于光谱检测的物质成分分析系统的示意图;
图3是根据本公开实施例1的第一个方面所述的服务器操作流程示意图;
图4是根据本公开实施例1所述的基于光谱检测的物质成分分析结构流程示意图;
图5是根据本公开实施例1的第二个方面所述的基于光谱检测的物质成分分析方法的流程示意图;
图6是根据本公开实施例2所述的基于光谱检测的物质成分分析装置的示意图;以及
图7是根据本公开实施例3所述的基于光谱检测的物质成分分析装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开的技术方案,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本公开一部分的实施例,而不是全部的实施例。基于本公开中的实施例,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,都应当属于本公开保护的范围。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本实施例,提供了一种基于光谱检测的物质成分分析方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例所提供的方法实施例可以在服务器或者类似的计算设备中执行。图1示出了一种用于实现基于光谱检测的物质成分分析方法的计算设备的硬件结构框图。如图1所示,计算设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算设备还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本公开实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器可用于存储应用软件的软件程序以及模块,如本公开实施例中的基于光谱检测的物质成分分析方法对应的程序指令/数据存储装置,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的应用程序的基于光谱检测的物质成分分析方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算设备的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图1所示的计算设备可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算设备中的部件的类型。
图2是根据本实施例第一个方面所述的基于光谱检测的物质成分分析系统的示意图。参照图2所示,该系统包括:用于对物质进行红外光谱检测的检测设备210以及与检测设备210通信的服务器200,其中服务器200例如可以是支持进行云计算的是云端服务器,检测设备210例如是红外光谱检测仪。需要说明的是,系统中的服务器200可适用上面所述的硬件结构。
在上述运行环境下,图3示出了服务器200执行的操作的流程示意图,参考图3所示,包括:
S302:从检测设备接收检测到的物质的光谱数据;以及
S304:利用预先训练的模型对光谱数据进行计算,确定物质包含的成分信息以及成分信息对应的含量信息。
正如背景技术中所述的,由于近红外光对物质的穿透能力较强,无需化学试剂,无需对样品进行任何预处理,实现无损检测,对样品或环境不会造成污染;近红外光不会对人体造成伤害;近红外光谱分析技术可对样品进行快速检测,适合现场检测和实时在线分析;近红外光谱分析技术检测速度快、绿色环保、成本低,例如:水果的近红外无损检测技术在水果无损检测领域具有非常重要的意义。但是,当前光谱分析仪本地化计算存在能力差、数据不够多以及精度低的缺点。
针对背景技术中存在的技术问题,参考图4所示,在步骤S302中,本实施例技术方案的服务器200(光谱云计算)首先从检测设备210接收采集到的物质的光谱数据。在一个具体实例中,检测的物质例如但不限于是水果、饮料、食物等各种物质,检测设备210例如但不限于是红外光谱检测仪。工作人员可以利用红外光谱检测仪的近红外光对物质进行光谱检测(光谱采集),并且不限于采用透射、反射等不同的光谱检测方法,按照标准流程对被测物质进行光谱测量,得到本次测量的光谱数据。并且检测设备可以是采用芯片级传感器,而不是采用常规的很大的光谱设备,因而能够方便的用于日常生活。进一步地,将采集到的光谱数据传输(光谱通信)至服务器200,即将本地光谱采集设备采集的数据通过通信设备,连接到互联网网关,将本地的光谱采集数据上传到云端。其传输的方式例如还可以采用蓝牙、WiFi、4G、5G等无线传输方式,还可以采用有线传输的方式,此处不做具体限定。在这种情况下,服务器200从检测设备210接收检测到的物质的光谱数据。
进一步地,服务器200利用预先训练的模型对光谱数据进行计算,确定物质包含的成分信息以及成分信息对应的含量信息。即:利用模型(或算法)对光谱数据进行计算,进而对物质的组分进行定性和定量分析。定性分析的主要是确定物质的组成与结构,或者按照某一指标对物质进行分类,而定量分析的目的主要是为了确定物质中一些成分的含量。在一个具体实例中,例如:服务器200可以利用预先训练的计算含糖量的机器学习模型对光谱数据进行计算,确定该物质的含糖量。其中,该模型为利用大量的历史数据训练得到的,在检测的过程中可以将新采集的物质的光谱数据输入至模型中,输出该物质的含糖量。此外,该方法不限于检测含糖量,还可以检测物质的其他成分及含量,可以针对不同的成分设计不同的模型或者算法进行识别计算。
此外,参考图4所示,本实施例还可以利用云端的存储资源,持续的存储越来越多的光谱采集数据以及不同分子以及分子团的已知光谱数据集合,根据测试方法、测试条件不同,构建满足光谱分析需求的光谱数据库。并且,还可以将光谱数据的预处理算法、定量分析方法、定性分析方法以及样本校正、光谱模型以及模型验证与评价标准等综合的光谱算法库。然后利用光谱数据库和光谱算法库对光谱数据进行计算。此外,还可以采用更先进的机器学习、人工智能等强大算力的先进算法进行计算。
此外,本实施例的近红外光谱定量分析的流程一般为:
①正集样本的确定以及样本光谱的采集;
②传统方法测定样本某一成分的实际值(真值);
③始光谱的预处理;
④常样本的剔除及校正集模型的建立;
⑤利用所建模型对未知样本进行预测。
使用光谱设备,具体的分析过程主要包括以下几个步骤:
(1)选择有代表性的样品并测量其近红外光谱;
(2)采用标准方法测定待检测组分的红外光谱性质;
(3)将采集到的被检测红外光谱和样品红外光谱性质进行比对,判断被检测红外光谱的成分。
从而通过这种方式,能够充分的利用云端存储的海量数据、存储的海量光谱分析算法等对物质的光谱数据进行更深入的分析,得到更加准确和充分的定性和定量分析结果,提升原来本地光谱分析的准确性。相比于本地的数据少、算法简单,本方案可以达到将所有的数据上传到云端,然后采用海量的数据和更先进的算法来进行光谱分析的目的。因此能够得到更强的光谱分析能力。进而解决了现有技术中存在的光谱分析仪本地化计算存在能力差、数据不够多以及精度低的技术问题。
可选地,系统还包括:与服务器通信的终端,并且服务器还配置用于通过终端可视化显示成分信息和含量信息。
具体地,该系统还包括与服务器200通信的终端(图中未示出),通过终端可以将成分信息和含量信息进行可视化显示,进而方便用户直接进行浏览。
可选地,检测设备为以下任意一项设备:实验室型光谱仪器、便携式光谱仪器以及在线型光谱仪器。
具体地,按照功能、用途以及体积大小等不同,可将光谱仪器(检测设备)分为实验室型光谱仪器,便携式光谱仪器,在线仪器。其中,实验室型仪器一般体积较大,自带的附件比较完备,能够满足多种类型样品的测量,对仪器的性能指标要求比较高。便携式光谱仪器相对实验室型仪器体积小,重量轻,对外界环境(温度、湿度)的适用范围更宽。在线型光谱仪器包括光谱仪,测量附件,取样以及数据处理系统,数据通信模块等,针对不同的测量体系,在线近红外光谱仪的复杂程度也不尽相同。从而,可以针对不同的场景选择不同的光谱仪器。
可选地,服务器从检测设备接收检测到的物质的光谱数据之后,还包括:对光谱数据进行预处理,并且预处理的操作包括以下至少一项:对光谱数据进行数据增强处理;利用平滑算法降低光谱数据的误差;以及利用导数算法消除由基线漂移或平缓背景对光谱数据的干扰。
具体地,本实施例还包括对光谱数据进行预处理,预处理的方式包括:
(1)数据增强变换(Data Enhancement):为有效提高所建模型的代表性和预测能力,在进行建模之前需要采用数据增强算法对所采集数据进行多余数据删除,来增强数据之间的差异,常用算法主要有:均值中心化(mean ceterning)、标准化(autoscaling)和归一化(normalization)。
(2)平滑算法(Smoothin):平滑算法是一种通过多次测量光谱信息数据求平均值来减低其自身所携带的随机误差、提高信噪比的方法,其主要方法有:厢车平均法、移动窗口平均平滑法、卷积平滑法。
(3)导数算法(Derivative):在进行数据采集过程中,无法将由背景颜色或其他因素引起的误差减少到零,但是通过导数算法可以消除由基线漂移或平缓背景引起的干扰,分辨重叠峰,提高分辨率和灵敏度,但在此过程中也会引入部分误差,根据不同的波长采样点数可分为直接差分法和Savitzky-Golay卷积法两种。
本实施例检测速度快、不破坏样品、无需样品预处理、不使用化学试剂、一次实验可同时检测多种非法添加的化学成分,能够满足日常监督检验的需要。
此外,根据本实施例的第二个方面,提供了一种基于光谱检测的物质成分分析方法,该方法由图2中所示的服务器200实现。图5示出了该方法的流程示意图,参考图5所示,该方法包括:
S502:从用于对物质进行红外光谱检测的检测设备接收检测到的物质的光谱数据;以及
S504:利用预先训练的模型对光谱数据进行计算,确定物质包含的成分信息以及成分信息对应的含量信息。
具体地,本实施例技术方案的服务器200(光谱云计算)首先从检测设备210接收采集到的物质的光谱数据。在一个具体实例中,检测设备210例如但不限于是红外光谱检测仪,工作人员可以利用红外光谱检测仪的近红外光对物质进行光谱检测(光谱采集),并且不限于采用透射、反射等不同的光谱测试方法,按照标准流程对被测物体进行光谱测量,得到本次测量的光谱数据。并且检测设备是采用芯片级传感器,而不是采用常规的很大的光谱设备,因而能够方便的用于日常生活。然后将检测到的光谱数据传输(光谱通信)至服务器200,即将本地光谱采集设备采集的数据通过通信设备,连接到互联网网关,将本地的光谱采集数据上传到云端。其传输的方式例如还可以采用蓝牙、WiFi、4G、5G等无线传输方式,还可以采用有线传输的方式,此处不做具体限定。在这种情况下,服务器200从检测设备210接收检测到的物质的光谱数据。
进一步地,服务器200利用预先训练的模型对光谱数据进行计算,确定物质包含的成分信息以及成分信息对应的含量信息。即:利用近红外光谱技术对物质的组分进行定性和定量分析。定性分析的主要是确定物质的组成与结构,或者按照某一指标对物质进行分类,而定量分析的目的主要是为了确定物质中一些成分的含量。在一个具体实例中,例如:服务器200可以利用预先训练的计算含糖量机器学习模型对光谱数据进行计算,确定物质的含糖量。此外,该方法不限于检测含糖量,还可以检测物质的其他成分。
可选地,该方法还包括:将成分信息和含量信息进行可视化显示。即:通过终端可以将成分信息和含量信息进行可视化显示,进而方便用户直接进行浏览。
可选地,从用于对物质进行红外光谱检测的检测设备接收检测到的物质的光谱数据之后,还包括:对光谱数据进行预处理,并且预处理的操作包括以下至少一项:对光谱数据进行数据增强处理;利用平滑算法降低光谱数据的误差;以及利用导数算法消除由基线漂移或平缓背景对光谱数据的干扰。
具体地,本实施例还包括对光谱数据进行预处理,预处理的方式包括:
(1)数据增强变换(Data Enhancement):为有效提高所建模型的代表性和预测能力,在进行建模之前需要采用数据增强算法对所采集数据进行多余数据删除,来增强数据之间的差异,常用算法主要有:均值中心化(mean ceterning)、标准化(autoscaling)和归一化(normalization)。
(2)平滑算法(Smoothin):平滑算法是一种通过多次测量光谱信息数据求平均值来减低其自身所携带的随机误差、提高信噪比的方法,其主要方法有:厢车平均法、移动窗口平均平滑法、卷积平滑法。
(3)导数算法(Derivative):在进行数据采集过程中,无法将由背景颜色或其他因素引起的误差减少到零,但是通过导数算法可以消除由基线漂移或平缓背景引起的干扰,分辨重叠峰,提高分辨率和灵敏度,但在此过程中也会引入部分误差,根据不同的波长采样点数可分为直接差分法和Savitzky-Golay卷积法两种。
此外,参考图1所示,根据本实施例的第三个方面,提供了一种存储介质。所述存储介质包括存储的程序,其中,在所述程序运行时由处理器执行以上任意一项所述的方法。
从而根据本实施例,可以利用云计算技术对光谱数据进行分析处理,能够充分的利用云端存储的海量数据、存储的海量光谱分析算法等对物质的光谱数据进行更深入的分析,得到更加准确和充分的定性和定量分析结果,提升原来本地光谱分析的准确性。从而,解决了现有技术中存在的光谱分析仪本地化计算存在能力差、数据不够多以及精度低的技术问题。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
图6示出了根据本实施例所述的基于光谱检测的物质成分分析装置600,该装置600与根据实施例1的第二个方面所述的方法相对应。参考图6所示,该装置600包括:数据接收模块610,用于从用于对物质进行红外光谱检测的检测设备接收检测到的物质的光谱数据;以及数据分析模块620,用于利用预先训练的模型对光谱数据进行计算,确定物质包含的成分信息以及成分信息对应的含量信息。
可选地,装置600还包括:显示模块,用于将成分信息和含量信息进行可视化显示。
可选地,装置600还包括:数据处理模块,用于从用于对物质进行红外光谱检测的检测设备接收检测到的物质的光谱数据之后,对光谱数据进行预处理,并且预处理的操作包括以下至少一项:对光谱数据进行数据增强处理;利用平滑算法降低光谱数据的误差;以及利用导数算法消除由基线漂移或平缓背景对光谱数据的干扰。
从而根据本实施例,可以利用云计算技术对光谱数据进行分析处理,能够充分的利用云端存储的海量数据、存储的海量光谱分析算法等对物质的光谱数据进行更深入的分析,得到更加准确和充分的定性和定量分析结果,提升原来本地光谱分析的准确性。从而,解决了现有技术中存在的光谱分析仪本地化计算存在能力差、数据不够多以及精度低的技术问题。
实施例3
图7示出了根据本实施例所述的基于光谱检测的物质成分分析装置700,该装置700与根据实施例1的第二个方面所述的方法相对应。参考图7所示,该装置700包括:处理器710;以及存储器720,与处理器710连接,用于为处理器710提供处理以下处理步骤的指令:从用于对物质进行红外光谱检测的检测设备接收检测到的物质的光谱数据;以及利用预先训练的模型对光谱数据进行计算,确定物质包含的成分信息以及成分信息对应的含量信息。
可选地,存储器720还用于为处理器710提供处理以下处理步骤的指令:将成分信息和含量信息进行可视化显示。
可选地,存储器720还用于为处理器710提供处理以下处理步骤的指令:从用于对物质进行红外光谱检测的检测设备接收检测到的物质的光谱数据之后,对光谱数据进行预处理,并且预处理的操作包括以下至少一项:对光谱数据进行数据增强处理;利用平滑算法降低光谱数据的误差;以及利用导数算法消除由基线漂移或平缓背景对光谱数据的干扰。
从而根据本实施例,可以利用云计算技术对光谱数据进行分析处理,能够充分的利用云端存储的海量数据、存储的海量光谱分析算法等对物质的光谱数据进行更深入的分析,得到更加准确和充分的定性和定量分析结果,提升原来本地光谱分析的准确性。从而,解决了现有技术中存在的光谱分析仪本地化计算存在能力差、数据不够多以及精度低的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于光谱检测的物质成分分析系统,其特征在于,包括:用于对物质进行红外光谱检测的检测设备以及与所述检测设备通信的服务器,其中所述服务器配置用于执行以下操作:
从所述检测设备接收检测到的物质的光谱数据;以及
利用预先训练的模型对所述光谱数据进行计算,确定所述物质包含的成分信息以及所述成分信息对应的含量信息。
2.根据权利要求1所述的系统,其特征在于,还包括:与所述服务器通信的终端,并且所述服务器还配置用于通过所述终端可视化显示所述成分信息和所述含量信息。
3.根据权利要求1所述的系统,其特征在于,所述检测设备为以下任意一项设备:实验室型光谱仪器、便携式光谱仪器以及在线型光谱仪器。
4.根据权利要求1所述的系统,其特征在于,所述服务器从所述检测设备接收检测到的物质的光谱数据之后,还包括:对所述光谱数据进行预处理,并且所述预处理的操作包括以下至少一项:
对所述光谱数据进行数据增强处理;
利用平滑算法降低所述光谱数据的误差;以及
利用导数算法消除由基线漂移或平缓背景对所述光谱数据的干扰。
5.一种基于光谱检测的物质成分分析方法,其特征在于,包括:
从用于对物质进行红外光谱检测的检测设备接收检测到的物质的光谱数据;以及
利用预先训练的模型对所述光谱数据进行计算,确定所述物质包含的成分信息以及所述成分信息对应的含量信息。
6.根据权利要求5所述的方法,其特征在于,还包括:将所述成分信息和所述含量信息进行可视化显示。
7.根据权利要求5所述的方法,其特征在于,从用于对物质进行红外光谱检测的检测设备接收检测到的物质的光谱数据之后,还包括:对所述光谱数据进行预处理,并且所述预处理的操作包括以下至少一项:
对所述光谱数据进行数据增强处理;
利用平滑算法降低所述光谱数据的误差;以及
利用导数算法消除由基线漂移或平缓背景对所述光谱数据的干扰。
8.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时由处理器执行权利要求5至7中任意一项所述的方法。
9.一种基于光谱检测的物质成分分析装置,其特征在于,包括:
数据接收模块,用于从用于对物质进行红外光谱检测的检测设备接收检测到的物质的光谱数据;以及
数据分析模块,用于利用预先训练的模型对所述光谱数据进行计算,确定所述物质包含的成分信息以及所述成分信息对应的含量信息。
10.一种基于光谱检测的物质成分分析装置,其特征在于,包括:
处理器;以及
存储器,与所述处理器连接,用于为所述处理器提供处理以下处理步骤的指令:
从用于对物质进行红外光谱检测的检测设备接收检测到的物质的光谱数据;以及
利用预先训练的模型对所述光谱数据进行计算,确定所述物质包含的成分信息以及所述成分信息对应的含量信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010623628 | 2020-06-30 | ||
CN2020106236282 | 2020-06-30 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113358594A true CN113358594A (zh) | 2021-09-07 |
CN113358594B CN113358594B (zh) | 2023-07-28 |
Family
ID=77526717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110561154.8A Active CN113358594B (zh) | 2020-06-30 | 2021-05-21 | 基于光谱检测的物质成分分析系统、方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113358594B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012032368A (ja) * | 2010-07-02 | 2012-02-16 | Sony Corp | スペクトルデータ解析装置、生体内物質検出システム及び生体内物質検出方法 |
CN105527246A (zh) * | 2016-01-14 | 2016-04-27 | 昆明睿意铂科技股份有限公司 | 一种便携式近红外光谱检测系统 |
US20170140524A1 (en) * | 2015-11-17 | 2017-05-18 | Kla-Tencor Corporation | Single image detection |
CN108064341A (zh) * | 2017-06-12 | 2018-05-22 | 深圳前海达闼云端智能科技有限公司 | 物质成分检测方法、装置和检测设备 |
CN108369603A (zh) * | 2017-11-24 | 2018-08-03 | 深圳达闼科技控股有限公司 | 物质检测处理方法、装置和检测设备 |
CN207689356U (zh) * | 2017-12-26 | 2018-08-03 | 深圳和而泰数据资源与云技术有限公司 | 一种光谱检测服务器及系统 |
CN108780037A (zh) * | 2018-04-09 | 2018-11-09 | 深圳达闼科技控股有限公司 | 光谱分析方法、装置、电子设备及计算机可读存储介质 |
CN110514620A (zh) * | 2019-08-30 | 2019-11-29 | 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 |
-
2021
- 2021-05-21 CN CN202110561154.8A patent/CN113358594B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012032368A (ja) * | 2010-07-02 | 2012-02-16 | Sony Corp | スペクトルデータ解析装置、生体内物質検出システム及び生体内物質検出方法 |
US20170140524A1 (en) * | 2015-11-17 | 2017-05-18 | Kla-Tencor Corporation | Single image detection |
CN105527246A (zh) * | 2016-01-14 | 2016-04-27 | 昆明睿意铂科技股份有限公司 | 一种便携式近红外光谱检测系统 |
CN108064341A (zh) * | 2017-06-12 | 2018-05-22 | 深圳前海达闼云端智能科技有限公司 | 物质成分检测方法、装置和检测设备 |
CN108369603A (zh) * | 2017-11-24 | 2018-08-03 | 深圳达闼科技控股有限公司 | 物质检测处理方法、装置和检测设备 |
CN207689356U (zh) * | 2017-12-26 | 2018-08-03 | 深圳和而泰数据资源与云技术有限公司 | 一种光谱检测服务器及系统 |
CN108780037A (zh) * | 2018-04-09 | 2018-11-09 | 深圳达闼科技控股有限公司 | 光谱分析方法、装置、电子设备及计算机可读存储介质 |
CN110514620A (zh) * | 2019-08-30 | 2019-11-29 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN113358594B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN105372195B (zh) | 一种微量紫外分光光度计质量检测方法和检测试剂盒 | |
CN104914069A (zh) | 可迁移计算的肉类品质近红外检测方法及装置 | |
CN110609002A (zh) | 一种干扰检测方法及样本分析仪 | |
CN107240089A (zh) | 一种分析物的浓度检测方法 | |
CN113033722B (zh) | 传感器数据融合方法、装置、存储介质及计算设备 | |
CN108007912B (zh) | 光谱修正分析装置、修正分析方法以及药品真伪判定系统 | |
CN102393376A (zh) | 基于支持向量回归的鱼丸多组分含量检测的近红外光谱法 | |
Shen et al. | Rapid and real-time detection of moisture in black tea during withering using micro-near-infrared spectroscopy | |
US11093869B2 (en) | Analytical system with iterative method of analyzing data in web-based data processor with results display designed for non-experts | |
CN109580549B (zh) | 物质含量的计算、定标方法及装置 | |
CN110376154A (zh) | 基于光谱校正的水果在线检测方法及系统 | |
CN104792686A (zh) | 近红外光谱法检测半固体制剂中微生物数量和药物含量 | |
CN106092961A (zh) | 一种快速检测农产品中化学成分的方法 | |
CN113358594B (zh) | 基于光谱检测的物质成分分析系统、方法、装置及介质 | |
CN111141809B (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 | |
CN103115884A (zh) | 一种化妆品中对羟基苯甲酸酯的测定方法 | |
KR20170022712A (ko) | 수질측정키트의 이미지 처리 기법을 이용한 양식장 자동화 수질분석 및 원격 감시시스템 | |
CN109030410B (zh) | 蜂王浆近红外定量校正模型的构建方法及蜂王浆的检测方法 | |
Morawski et al. | Application of principal components analysis and signal-to-noise ratio for calibration of spectrophotometric analysers of food | |
Mei et al. | Study of an adaptable calibration model of near-infrared spectra based on KF-PLS | |
CN104374740A (zh) | 一种蜂产品的检测方法 | |
CN111426648B (zh) | 一种红外谱图的相似度确定方法及系统 | |
CN104181125A (zh) | 快速测定啤酒麦芽中库尔巴哈值的方法 |
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 |