CN113390814A - 一种基于超材料光谱仪芯片的智能成分分析系统及方法 - Google Patents
一种基于超材料光谱仪芯片的智能成分分析系统及方法 Download PDFInfo
- Publication number
- CN113390814A CN113390814A CN202110650451.XA CN202110650451A CN113390814A CN 113390814 A CN113390814 A CN 113390814A CN 202110650451 A CN202110650451 A CN 202110650451A CN 113390814 A CN113390814 A CN 113390814A
- Authority
- CN
- China
- Prior art keywords
- metamaterial
- sample
- light source
- driving circuit
- spectrometer
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title description 24
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 238000004433 infrared transmission spectrum Methods 0.000 claims abstract description 31
- 239000007788 liquid Substances 0.000 claims description 70
- 239000002086 nanomaterial Substances 0.000 claims description 17
- 239000000203 mixture Substances 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 239000000758 substrate Substances 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 6
- 238000002955 isolation Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000002329 infrared spectrum Methods 0.000 abstract description 6
- 210000004027 cell Anatomy 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000004566 IR spectroscopy Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004128 high performance liquid chromatography Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 229910052581 Si3N4 Inorganic materials 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 1
- NRTOMJZYCJJWKI-UHFFFAOYSA-N Titanium nitride Chemical compound [Ti]#N NRTOMJZYCJJWKI-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002306 biochemical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000005056 cell body Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003989 dielectric material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- ORUIBWPALBXDOA-UHFFFAOYSA-L magnesium fluoride Chemical compound [F-].[F-].[Mg+2] ORUIBWPALBXDOA-UHFFFAOYSA-L 0.000 description 1
- 229910001635 magnesium fluoride Inorganic materials 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002381 microspectrum Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- HQVNEWCFYHHQES-UHFFFAOYSA-N silicon nitride Chemical compound N12[Si]34N5[Si]62N3[Si]51N64 HQVNEWCFYHHQES-UHFFFAOYSA-N 0.000 description 1
- 229910052814 silicon oxide Inorganic materials 0.000 description 1
- OGIDPMRJRNCKJF-UHFFFAOYSA-N titanium oxide Inorganic materials [Ti]=O OGIDPMRJRNCKJF-UHFFFAOYSA-N 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 239000002699 waste material Substances 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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
- G01N2021/3568—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor applied to semiconductors, e.g. Silicon
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
本发明涉及一种基于超材料光谱仪芯片的智能成分分析系统,包括:单片机、光源驱动电路、光源、样品存放装置、超材料光谱仪芯片;被测样品放置在样品存放装置中;沿宽谱光源的出射光的方向依次设置有样品存放装置和超材料光谱仪芯片;单片机与光源驱动电路连接,光源驱动电路与宽谱光源连接,单片机用于控制光源驱动电路对宽谱光源进行驱动;宽谱光源发射的红外光线照射被测样品,红外光线穿过被测样品透射到超材料光谱仪芯片上产生红外透射光谱数据;单片机与超材料光谱仪芯片连接,单片机还用于收集红外透射光谱数据,并根据红外透射光谱数据分析被测样品成分分类及含量状态。本发明利用超材料光谱仪芯片实现了红外光谱分析仪的微型化。
Description
技术领域
本发明涉及微型光谱检测技术领域,特别是涉及一种基于超材料光谱仪芯片的智能成分分析系统及方法。
背景技术
常规方法中,试纸法只能对被检测物中丙酮等成分进行半定量测量;生化化学方法需要消耗大量试剂、费时费力、污染大且价格昂贵;高效液相色谱虽然可以实现定量测量,但耗时长,成本高,不适合实时检测的要求,成分分析一定程度上也需要人工干预才能记录结果。而红外光谱法,无需任何试剂、成本低,可靠性高、快速、所用样品量少、无需预处理、无污染、可从一次检测中获得多个分析物、对样本无破坏、可重复使用样本、适于在线和大量重复测量,能够适应大范围普查收集基础数据的应用,是一种非常有前途的成分分析方法。但是利用红外光谱法设计的红外智能成分分析仪普遍存在设备体积和质量较大的问题。
另一方面,当前的人工智能技术在不同层面仍面临多种问题,特别是在物质检测成分分析上。其中之一就是基础层的数据获取难度大,人工智能产品需要在归纳总结大量检测数据后对项目做出评判。丰富的检测数据可以提高人工智能产品预测准确度,促进人工智能不断迭代升级。拥有大规模、已标注的检测数据库是人工智能应用真正落地的必要条件。然而,检测数据标注专业程度高,获取难度大,该流程增加了检测数据标注成本和数据获取难度。
因此如何设计一种微型化、智能化的便携式红外智能成分分析仪成为亟待解决的问题。
发明内容
本发明的目的是提供一种基于超材料光谱仪芯片的智能成分分析系统及方法,可实现红外光谱成分分析仪的微型化和智能化。
为实现上述目的,本发明提供了如下方案:
一种基于超材料光谱仪芯片的智能成分分析系统,所述系统包括:单片机、光源驱动电路、宽谱光源、样品存放装置、超材料光谱仪芯片;
被测样品放置在所述样品存放装置中;
沿所述宽谱光源的出射光的方向依次设置有所述样品存放装置和所述超材料光谱仪芯片;
所述单片机与所述光源驱动电路连接,所述光源驱动电路与所述宽谱光源连接,所述单片机用于控制所述光源驱动电路对所述宽谱光源进行驱动;
所述宽谱光源发射的红外光线照射所述被测样品,所述红外光线穿过所述被测样品透射到所述超材料光谱仪芯片上,所述超材料光谱仪芯片探测到红外透射光谱数据;
所述单片机与所述超材料光谱仪芯片连接,所述单片机还用于收集所述红外透射光谱数据,并根据所述红外透射光谱数据分析所述被测样品成分分类及含量状态。
可选地,所述单片机包括数据处理分析软件;
所述数据处理分析软件用于智能预测模型确定所述被测样品成分分类及含量状态。
可选地,所述超材料光谱仪芯片从上到下依次包括:隔离保护层、超材料芯片和探测器层。
可选地,所述超材料芯片包括纳米结构阵列和基底;
所述纳米结构阵列包括多个成阵列排列的纳米结构单元;
多个所述纳米结构单元设置在所述基底上。
可选地,所述样品存放装置包括样品池、进液装置和排液装置;
所述样品池顶面设置开口,用于检测时放入被测样品;
所述进液装置设置在所述样品池侧面的顶部,用于排入清洗样品池的液体;
所述排液装置设置在所述侧面的底部,用于排出样品池中的液体。
可选地,所述系统还包括进液驱动电路和排液驱动电路;
所述单片机与所述进液驱动电路连接,所述进液驱动电路与所述进液装置连接,所述单片机用于驱动所述进液驱动电路使清洗样品池的液体排入所述进液装置;
所述单片机与所述排液驱动电路连接,所述排液驱动电路与所述排液装置连接,所述单片机还用于驱动所述排液驱动电路使所述排液装置排出所述样品池中的液体。
可选地,所述系统还包括提示装置;
所述提示装置与所述单片机连接,用于显示所述被测样品成分分类及含量状态。
一种基于超材料光谱仪芯片的智能成分分析方法,所述方法应用于所述基于超材料光谱仪芯片的智能成分分析系统,所述方法包括:
建立用于根据红外透射光谱数据对被测样品进行成分分类及含量测定的智能预测模型;
获取宽谱光源发射的红外光线照射到当前被测样品后透射到超材料光谱仪芯片上,超材料光谱仪芯片探测到当前被测样品对应的红外透射光谱数据;
将获取的当前被测样品对应的红外透射光谱数据输入到所述智能预测模型,确定当前被测样品的成分分类及含量状态。
可选地,所述智能预测模型包括机器学习模型和/或深度学习模型,该模型经过大量的各种液体成分及其所对应的光谱信号进行大数据训练后,可根据测试所得的光谱信号计算出对应的液体成分分类及含量状态。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种基于超材料光谱仪芯片的智能成分分析系统,所述系统包括:单片机、光源驱动电路、宽谱光源、样品存放装置、超材料光谱仪芯片,被测样品放置在所述样品存放装置中;沿所述宽谱光源的出射光的方向依次设置有所述样品存放装置和所述超材料光谱仪芯片;所述单片机与所述光源驱动电路连接,所述光源驱动电路与所述宽谱光源连接,所述单片机用于控制所述光源驱动电路对所述宽谱光源进行驱动;所述宽谱光源发射的红外光线照射所述被测样品,所述红外光线穿过所述被测样品透射到所述超材料光谱仪芯片上产生红外透射光谱数据;所述单片机与所述超材料光谱仪芯片连接,所述单片机还用于收集所述红外透射光谱数据,并根据所述红外透射光谱数据分析所述被测样品成分分类及含量状态。本发明利用超材料光谱仪芯片实现了红外光谱分析仪的微型化。
本发明还提供了一种基于超材料光谱仪芯片的智能成分分析方法,所述方法包括:建立用于根据红外透射光谱数据对被测样品进行成分分类及含量测定的智能预测模型;获取宽谱光源发射的红外光线照射到当前被测样品后透射到超材料光谱仪芯片上产生的当前被测样品对应的红外透射光谱数据;将获取的当前被测样品对应的红外透射光谱数据输入到所述智能预测模型,确定当前被测样品成分分类及含量状态。本发明通过建立智能预测模型,可以对被测样品对应的红外透射光谱数据进行分析,从而实现了红外光谱分析仪的智能化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于超材料光谱仪芯片的智能成分分析系统的结构示意图;
图2为本发明提供的一种基于超材料光谱仪芯片的智能成分分析方法的流程图。
符号说明:
1—单片机,2—光源驱动电路,3—宽谱光源,4—进液驱动电路,5—排液驱动电路,6—样品存放装置,7—超材料光谱仪芯片,8—提示装置。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。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。
本发明的目的是提供一种基于超材料光谱仪芯片的智能成分分析系统及方法,以实现红外光谱成分分析仪的微型化和智能化的目的。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,一种基于超材料光谱仪芯片的智能成分分析系统,所述系统包括:单片机1、光源驱动电路2、宽谱光源3、样品存放装置6、超材料光谱仪芯片7;被测样品放置在所述样品存放装置6中;沿所述宽谱光源3的出射光的方向依次设置有所述样品存放装置6和所述超材料光谱仪芯片7;所述单片机1与所述光源驱动电路2连接,所述光源驱动电路2与所述宽谱光源3连接,所述单片机1用于控制所述光源驱动电路2对所述宽谱光源3进行驱动;所述宽谱光源3发射的红外光线照射所述被测样品,所述红外光线穿过所述被测样品透射到所述超材料光谱仪芯片7上产生红外透射光谱数据;所述单片机1与所述超材料光谱仪芯片7连接,所述单片机1还用于收集所述红外透射光谱数据,并根据所述红外透射光谱数据分析所述被测样品成分分类及含量状态。
所述被测样品包括但不限于尿液,血液,以及其液体或者能够溶解到液体中的物质。
所述单片机1包括数据处理分析软件;所述数据处理分析软件用于智能预测模型确定所述被测样品的成分分类及含量状态。
数据处理分析软件烧制到单片机1中以尽可能减小整装系统的体积,并且数据处理分析软件具备先处理数据,然后根据处理结果进行分析判断的能力。
所述超材料光谱仪芯片7从上到下依次包括:隔离保护层、超材料芯片和探测器层。
所述超材料芯片包括纳米结构阵列和基底;所述纳米结构阵列包括多个成阵列排列的纳米结构单元;多个所述纳米结构单元设置在所述基底上。
所述超材料光谱仪芯片7有隔离保护层、超材料芯片和探测器层组成,隔离保护层材料需要在系统所设计波段高透用于保护超材料芯片,超材料芯片由纳米结构和基底组成,使得所述超材料光谱仪芯片7结构小,光线经过高透隔离保护层和超材料芯片到达探测器层。探测器层使用红外相机。
超材料芯片的纳米结构为全介质材料,如硅,氧化钛、氮化硅、氮化钛等,该材料折射率实部比基底材料折射率实部更高,虚部需要尽可能的小;基底材料只要满足在红外波段透射效率高即可,例如氧化硅、氟化镁等。
超材料芯片纳米结构阵列的单元与单元之间可以有间隙,也可以没有间隙;纳米结构的形状尺寸可以是方形、三角形、球型、圆柱型等,可以根据需要进行优化,调整。
所述样品存放装置6包括样品池、进液装置和排液装置;所述样品池顶面设置开口,用于检测时放入被测样品;所述进液装置设置在所述样品池侧面的顶部,用于排入清洗样品池的液体;所述排液装置设置在所述侧面的底部,用于排出样品池中的液体。
样品池的设计可以考虑池体上大下小模型,这样可以方便将残留液体排尽,样品池的上端设计为开口模式,方便样品放入。
所述系统还包括进液驱动电路4和排液驱动电路5;所述单片机1与所述进液驱动电路4连接,所述进液驱动电路4与所述进液装置连接,所述单片机1用于驱动所述进液驱动电路4使清洗样品池的液体排入所述进液装置;所述单片机1与所述排液驱动电路5连接,所述排液驱动电路5与所述排液装置连接,所述单片机1还用于驱动所述排液驱动电路5使所述排液装置排出所述样品池中的液体。
每次测试完毕,单片机1都会通过进液驱动电路4和排液驱动电路5控制样品池进行自动清洗。并且完成自动空白对比测试。保证下次测试结果准确。
所述系统还包括提示装置8;所述提示装置8与所述单片机1连接,用于显示所述被测样品的成分分类及含量状态。
如图2所示,一种基于超材料光谱仪芯片的智能成分分析方法,所述方法应用于所述基于超材料光谱仪芯片的智能成分分析系统,所述方法包括:建立用于根据红外透射光谱数据对被测样品进行分类的智能预测模型;获取宽谱光源3发射的红外光线照射到当前被测样品后透射到超材料光谱仪芯片7上产生的当前被测样品对应的红外透射光谱数据;将获取的当前被测样品对应的红外透射光谱数据输入到所述智能预测模型,确定当前被测样品成分分类及含量状态。
所述智能预测模型包括机器学习模型和/或深度学习模型。
所述机器学习模型采用支持向量机模型,所述支持向量机模型包括线性核、多项式核和高斯核。
智能预测模型包括传统机器学习和深度学习两条技术路线。传统机器学习方法通常包括特征提取和分类两个步骤。特征提取过程可对数据特点有更深的认识,有利于其物理解释。且无论是特征提取还是分类数学模型,都有明确的数学或者几何意义,因此,相比于深度学习,传统机器学习方法在分类或识别可解释性上更具优势。
特征提取后,在特征空间中建立分类模型实现近红外光谱数据分类。支持向量机(SVM)是一种二分类模型,最基本的模型定义在特征空间上的间隔最大的线性分类器,通过核技巧,即通过提供维度使其具备了非线性分类能力。在多个红外光谱分类文献中,SVM都显示出比其它传统机器学习模型,如KNN,决策树等模型具有更好的性能。本发明拟采用软间隔最大化SVM,并分别采用线性核、多项式核和高斯核三种核技巧,可处理训练数据线性不可分的问题,同时拟将SVM与KNN、决策树等方法进行比较,最终确定适合本项目的分类模型。
深度学习是机器学习的一个分支,特指使用了多隐含层的人工神经网络架构。它集特征提取和特征分类为一体,可以自动地从数据中学习适当的特征,而不需要人工设计特征,已在光谱识别上显示出强大的性能。相比于传统机器学习方法,深度学习具有更强大的特征表达和分类能力,但由于其黑盒子一般的处理过程,其模型在几何或者物理上的可解释性对人而言并不直观,但是在针对特征不明显的光谱数据时,深度学习方法具有更好的自适应性与准确性。本发明在采用传统机器学习路线的同时,也采用深度学习方法实现本项目任务。
在建立用于根据红外透射光谱数据对被测样品进行分类的智能预测模型之前还包括:对所述红外透射光谱数据进行预处理;所述预处理过程包括对所述红外透射光谱数据依次进行降维、滤波、降噪、分类解混合和标准化。
本发明基于红外光谱法成分分析的基本原理,从物联网、人工智能基础层数据收集的角度,对红外光谱成分分析仪的硬件、软件系统进行研究,开发智能化、芯片化的便携式红外成分分析仪,收集检测物质成分数据,可以为红外光谱法成分分析创造条件,并且为高度集成的成分分析仪铺平了道路。同时,也为红外分析技术在临床生物医学、家庭及其他应用领域中提供借鉴。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于超材料光谱仪芯片的智能成分分析系统,其特征在于,所述系统包括:单片机、光源驱动电路、宽谱光源、样品存放装置和超材料光谱仪芯片;
被测样品放置在所述样品存放装置中;
沿所述宽谱光源的出射光的方向依次设置有所述样品存放装置和所述超材料光谱仪芯片;
所述单片机与所述光源驱动电路连接,所述光源驱动电路与所述宽谱光源连接,所述单片机用于控制所述光源驱动电路对所述宽谱光源进行驱动;
所述宽谱光源发射的红外光线照射所述被测样品,所述红外光线穿过所述被测样品透射到所述超材料光谱仪芯片上产生红外透射光谱数据;
所述单片机与所述超材料光谱仪芯片连接,所述单片机还用于收集所述红外透射光谱数据,并根据所述红外透射光谱数据分析所述被测样品成分分类及含量状态。
2.根据权利要求1所述的基于超材料光谱仪芯片的智能成分分析系统,其特征在于,所述单片机包括数据处理分析软件;
所述数据处理分析软件用于采用智能预测模型确定所述被测样品成分分类及含量状态。
3.根据权利要求1所述的基于超材料光谱仪芯片的智能成分分析系统,其特征在于,所述超材料光谱仪芯片从上到下依次包括:隔离保护层、超材料芯片和探测器层。
4.根据权利要求3所述的基于超材料光谱仪芯片的智能成分分析系统,其特征在于,所述超材料芯片包括纳米结构阵列和基底;
所述纳米结构阵列包括多个成阵列排列的纳米结构单元;
多个所述纳米结构单元设置在所述基底上。
5.根据权利要求1所述的基于超材料光谱仪芯片的智能成分分析系统,其特征在于,所述样品存放装置包括样品池、进液装置和排液装置;
所述样品池顶面设置开口,用于检测时放入被测样品;
所述进液装置设置在所述样品池侧面的顶部,用于排入清洗样品池的液体;
所述排液装置设置在所述侧面的底部,用于排出样品池中的液体。
6.根据权利要求5所述的基于超材料光谱仪芯片的智能成分分析系统,其特征在于,所述系统还包括进液驱动电路和排液驱动电路;
所述单片机与所述进液驱动电路连接,所述进液驱动电路与所述进液装置连接,所述单片机用于驱动所述进液驱动电路使清洗样品池的液体排入所述进液装置;
所述单片机与所述排液驱动电路连接,所述排液驱动电路与所述排液装置连接,所述单片机还用于驱动所述排液驱动电路使所述排液装置排出所述样品池中的液体。
7.根据权利要求2所述的基于超材料光谱仪芯片的智能成分分析系统,其特征在于,所述系统还包括提示装置;
所述提示装置与所述单片机连接,用于显示所述被测样品成分分类及含量状态。
8.一种基于超材料光谱仪芯片的智能成分分析方法,其特征在于,所述方法应用于权利要求1-7任一项所述的基于超材料光谱仪芯片的智能成分分析系统,所述方法包括:
建立用于根据红外透射光谱数据对被测样品进行分析的智能预测模型;
获取宽谱光源发射的红外光线照射到当前被测样品后透射到超材料光谱仪芯片上产生的当前被测样品对应的红外透射光谱数据;
将获取的当前被测样品对应的红外透射光谱数据输入到所述智能预测模型,确定当前被测样品成分分类及含量状态。
9.根据权利要求8所述的基于超材料光谱仪芯片的智能成分分析方法,其特征在于,所述智能预测模型包括机器学习模型和/或深度学习模型。
10.根据权利要求9所述的基于超材料光谱仪芯片的智能成分分析方法,其特征在于,所述机器学习模型采用支持向量机模型,所述支持向量机模型包括线性核、多项式核和高斯核。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110650451.XA CN113390814A (zh) | 2021-06-10 | 2021-06-10 | 一种基于超材料光谱仪芯片的智能成分分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110650451.XA CN113390814A (zh) | 2021-06-10 | 2021-06-10 | 一种基于超材料光谱仪芯片的智能成分分析系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113390814A true CN113390814A (zh) | 2021-09-14 |
Family
ID=77620419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110650451.XA Pending CN113390814A (zh) | 2021-06-10 | 2021-06-10 | 一种基于超材料光谱仪芯片的智能成分分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113390814A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023224859A1 (en) * | 2022-05-16 | 2023-11-23 | The Regents Of The University Of California | Neural network enabled disease spectroscopy |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045637A (zh) * | 2016-12-16 | 2017-08-15 | 中国医学科学院生物医学工程研究所 | 一种基于光谱的血液物种识别仪及识别方法 |
CN108444946A (zh) * | 2018-05-10 | 2018-08-24 | 苏州农业职业技术学院 | 一种农产品农药残留检测方法及装置 |
WO2019206430A1 (en) * | 2018-04-27 | 2019-10-31 | Ecole Polytechnique Federale De Lausanne (Epfl) | Method and spectrometer apparatus for investigating an infrared absorption of a sample |
CN111426636A (zh) * | 2020-04-09 | 2020-07-17 | 米诺杰科技(江苏)有限公司 | 酒类化学组分含量快速分析仪 |
US20210025813A1 (en) * | 2018-03-16 | 2021-01-28 | Keio University | Infrared analysis system, infrared analysis chip, and infrared imaging device |
-
2021
- 2021-06-10 CN CN202110650451.XA patent/CN113390814A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045637A (zh) * | 2016-12-16 | 2017-08-15 | 中国医学科学院生物医学工程研究所 | 一种基于光谱的血液物种识别仪及识别方法 |
US20210025813A1 (en) * | 2018-03-16 | 2021-01-28 | Keio University | Infrared analysis system, infrared analysis chip, and infrared imaging device |
WO2019206430A1 (en) * | 2018-04-27 | 2019-10-31 | Ecole Polytechnique Federale De Lausanne (Epfl) | Method and spectrometer apparatus for investigating an infrared absorption of a sample |
CN108444946A (zh) * | 2018-05-10 | 2018-08-24 | 苏州农业职业技术学院 | 一种农产品农药残留检测方法及装置 |
CN111426636A (zh) * | 2020-04-09 | 2020-07-17 | 米诺杰科技(江苏)有限公司 | 酒类化学组分含量快速分析仪 |
Non-Patent Citations (3)
Title |
---|
李波: "基于人工电磁表面的新型天线技术研究", 《中国优秀博士学位论文全文数据库基础科学辑》 * |
郝雨凡 等: "高灵敏检测传感芯片应用于脑胶质瘤疾病检测", 《红外与激光工程》 * |
陈晨 等: "玻璃衬底二氧化钒薄膜的宽频带太赫兹波调制特性", 《强激光与粒子束》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023224859A1 (en) * | 2022-05-16 | 2023-11-23 | The Regents Of The University Of California | Neural network enabled disease spectroscopy |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106841103A (zh) | 近红外光谱检测水果内部品质方法及专用检测系统 | |
Cai et al. | Rapid identification of ore minerals using multi-scale dilated convolutional attention network associated with portable Raman spectroscopy | |
CN110378374A (zh) | 一种模糊鉴别信息提取的茶叶近红外光谱分类方法 | |
EP3729053B1 (en) | Fast and robust fourier domain-based cell differentiation | |
Pan et al. | Identification of complex mixtures for Raman spectroscopy using a novel scheme based on a new multi-label deep neural network | |
CN113390814A (zh) | 一种基于超材料光谱仪芯片的智能成分分析系统及方法 | |
Ebere et al. | Microplastics, an emerging concern: A review of analytical techniques for detecting and quantifying microplatics | |
Hussain et al. | Rapid detection system for hepatitis B surface antigen (HBsAg) based on immunomagnetic separation, multi-angle dynamic light scattering and support vector machine | |
Hanson et al. | Slurp! spectroscopy of liquids using robot pre-touch sensing | |
CN105911000A (zh) | 基于特征波段的血斑蛋在线检测方法 | |
Cai et al. | Online detection of concentrate grade in the antimony flotation process based on in situ Raman spectroscopy combined with a CNN-GRU hybrid model | |
CN107870164A (zh) | 一种基于激光诱导荧光技术的材料检测系统及使用方法 | |
CN116858822A (zh) | 一种基于机器学习和拉曼光谱的水体中磺胺嘧啶定量分析方法 | |
CN115718089A (zh) | 一种基于菌群拉曼特征快速识别样品类别的方法 | |
CN110426366A (zh) | 基于可视化嗅觉传感器及近红外的肉类掺假比例检测方法 | |
CN208476785U (zh) | 一种适用于水产品重金属检测的激光诱导击穿光谱检测装置 | |
CN110887798A (zh) | 基于极端随机树的非线性全光谱水体浊度定量分析方法 | |
CN109668842A (zh) | 一种贝类重金属污染快速检测方法 | |
CN115078327A (zh) | 一种基于神经网络架构搜索的危险化学品快速检测方法 | |
CN115219472A (zh) | 一种定量识别混合水体多污染源的方法及系统 | |
CN108986096A (zh) | 一种基于三维荧光光谱与Tchebichef矩的混合油液辨识方法 | |
CN112326619A (zh) | 一种基于双光谱技术的微流控农药残留检测方法 | |
CN105067575A (zh) | 基于量子点荧光探针的水体中汞的检测方法及装置 | |
Maffezzoli et al. | Detection of ice core particles via deep neural networks | |
CN103389295A (zh) | 拉曼光谱数据检测方法 |
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 |