CN113390824A - 基于近红外光谱的物质类别识别方法及终端设备 - Google Patents
基于近红外光谱的物质类别识别方法及终端设备 Download PDFInfo
- Publication number
- CN113390824A CN113390824A CN202110780394.7A CN202110780394A CN113390824A CN 113390824 A CN113390824 A CN 113390824A CN 202110780394 A CN202110780394 A CN 202110780394A CN 113390824 A CN113390824 A CN 113390824A
- Authority
- CN
- China
- Prior art keywords
- preset
- infrared spectrum
- wavelengths
- determining
- characteristic
- 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
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000000126 substance Substances 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 57
- 238000004590 computer program Methods 0.000 claims description 19
- 238000002474 experimental method Methods 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000004497 NIR spectroscopy Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 14
- 238000004364 calculation method Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000010521 absorption reaction Methods 0.000 description 14
- 235000002595 Solanum tuberosum Nutrition 0.000 description 10
- 244000061456 Solanum tuberosum Species 0.000 description 10
- 206010039509 Scab Diseases 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 235000012015 potatoes Nutrition 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000000862 absorption spectrum Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 229920002472 Starch Polymers 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000001845 vibrational spectrum 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
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明适用于近红外光谱分析技术领域，提供了一种基于近红外光谱的物质类别识别方法及终端设备，上述方法包括：确定待测样本的近红外光谱曲线在多个预设波长处对应的第一特征点；确定每相邻两个第一特征点之间连线的斜率，并将每相邻两个第一特征点之间连线的斜率形成目标特征向量；分别计算目标特征向量与多个预设种类分别对应的标准特征向量之间的距离，确定最小距离对应的预设种类为待测样本的种类。由于近红外光谱曲线的变化趋势反映了物质内部成分的变化，而特征点之间的斜率反应了这种变化趋势，因此本发明根据特征点之间的斜率作为确定物质的类别的参数，可以准确识别物质的类别，数据量小，计算过程简单。
Description
技术领域
本发明属于近红外光谱分析技术领域，尤其涉及一种基于近红外光谱的物质类别识别方法及终端设备。
背景技术
近红外光谱是近年来发展起来的一种高新分析技术，具有简便、快速、低成本、无污染、对样品无破坏等有点，能快速实现物品种类的识别。
现有技术中，基于近红外光谱的物质种类的识别多从纯数学的角度，按照方差最大化的方向提取光谱特征，数据量较大，计算过程复杂。
发明内容
有鉴于此，本发明实施例提供了一种基于近红外光谱的物质类别识别方法及终端设备，以解决现有技术中基于近红外光谱的物质种类的识别所处理的数据量大，计算过程复杂的问题。
本发明实施例的第一方面提供了一种基于近红外光谱的物质类别识别方法，包括：
获取待测样本在预设波段内的近红外光谱曲线，并确定待测样本的近红外光谱曲线在多个预设波长处对应的第一特征点；
确定每相邻两个第一特征点之间连线的斜率，并将每相邻两个第一特征点之间连线的斜率形成目标特征向量；其中，相邻两个第一特征点为波长相邻的两个第一特征点；
分别计算目标特征向量与多个预设种类分别对应的标准特征向量之间的距离，确定最小距离对应的预设种类为待测样本的种类。
本发明实施例的第二方面提供了一种基于近红外光谱的物质类别识别装置，包括：
特征点确定模块，用于获取待测样本在预设波段内的近红外光谱曲线，并确定待测样本的近红外光谱曲线在多个预设波长处对应的第一特征点；
目标特征向量确定模块，用于确定每相邻两个第一特征点之间连线的斜率，并将每相邻两个第一特征点之间连线的斜率形成目标特征向量；其中，相邻两个第一特征点为波长相邻的两个第一特征点；
识别模块，用于分别计算目标特征向量与多个预设种类分别对应的标准特征向量之间的距离，确定最小距离对应的预设种类为待测样本的种类。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如本发明实施例第一方面提供的基于近红外光谱的物质类别识别方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如本发明实施例第一方面提供的基于近红外光谱的物质类别识别方法的步骤。
本发明实施例提供了一种基于近红外光谱的物质类别识别方法，包括：确定待测样本的近红外光谱曲线在多个预设波长处对应的第一特征点；确定每相邻两个第一特征点之间连线的斜率，并将每相邻两个第一特征点之间连线的斜率形成目标特征向量；分别计算目标特征向量与多个预设种类分别对应的标准特征向量之间的距离，确定最小距离对应的预设种类为待测样本的种类。近红外光谱曲线的变化趋势反映了物质内部成分的变化，而第一特征点之间的斜率反应了这种变化趋势，本发明实施例根据上述特征，通过第一特征点之间的斜率确定目标特征向量并与各个标准特征向量比对，进而准确识别物质的类别，数据量小，计算过程简单。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述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是本发明实施例提供的基于近红外光谱的物质类别识别方法的实现流程示意图；
图2是多个预设种类的实验样本的近红外光谱曲线图；
图3是本发明实施例提供的近红外光谱变化趋势示意图；
图4是本发明实施例提供的基于近红外光谱的物质类别识别装置的示意图；
图5是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
参考图1，本发明实施例提供了一种基于近红外光谱的物质类别识别方法，包括：
S101：获取待测样本在预设波段内的近红外光谱曲线，并确定待测样本的近红外光谱曲线在多个预设波长处对应的第一特征点。
近红外光(Near Infrared，NIR)是介于可见光和中红外光之间的电磁波，按ASTM(美国试验和材料检测协会)定义是指波长在780～2526nm范围内的电磁波。红外光谱曲线图是分子能选择性吸收某些波长的红外线，而引起分子中振动能级和转动能级的跃迁，检测红外线被吸收的情况可得到物质的红外吸收光谱，又称分子振动光谱或振转光谱。近红外区域的吸收基本上均为红外区基准振动的倍频或合频振动所引起的，特别是以由氢原子相关联的O-H、N-H、C-H等官能基的吸收为主。
近红外光应用于物质的分析所使用的波长域根据待测物的特征和测定目的可分为三个区域：
1、1800～2500nm，在这个范围的吸收，由C＝O在1900nm第二倍频所引起的吸收外，其他全可以归类为O-H、N-H、C-H及C＝O的合频。包括了水、脂肪、蛋白质及碳水化合物等主要成分的有关吸收波长；
2、1100～1800nm，在这个范围的吸收，水的O-H在1150、1450和1790nm的倍频吸收，C-H在1600-1800nm区域的第一倍频和1100-1400nm区域的第二倍频，N-H在1400-1600nm区域的第一倍频。与1800-2500nm波长带相似，存在各主要成分的吸收带；
3、800～1100nm，在这个范围的吸收，水的O-H在960nm处的合频吸收，C-H在800～900nm区域的第三倍频吸收，N-H在1000～1100nm区域的第二倍频。在这个区域的吸收比较弱。
由以上可知，不同波长对于不同物质的反射率呈现一定的规律，由于物质的近红外光谱曲线具有“指纹”效应，不同物不同谱，相同物质应当具有相似的光谱结构，仅因为物质浓度的变化引起相同波长处反射率值的变化，在近红外光谱曲线的坐标系中反应为同种样本的近红外光谱曲线表现为沿着纵轴上下平移，形成一簇曲线。
由于近红外光谱曲线的变化趋势反映了物质内部成分的变化，而特征点之间的斜率反应了这种变化趋势。因此，本发明实施例中首先通过红外光谱仪获取待测样本的近红外光谱图，确定待测样本的近红外光谱曲线在多个预设波长处对应的第一特征点。其中，多个预设波长为预先确定的可以反应近红外光谱曲线变化趋势的特定的波长。例如，待测样本为马铃薯，多个预设波长分别为911、62、1081、1199、1269、1455，确定待测样本的近红外光谱曲线中该六个波长对应的第一特征点。
S102：确定每相邻两个第一特征点之间连线的斜率，并将每相邻两个第一特征点之间连线的斜率形成目标特征向量；其中，相邻两个第一特征点为波长相邻的两个第一特征点。
由于第一特征点之间的斜率反应了近红外光谱曲线的变化趋势，因此将各个第一特征点依次相连接，得到N-1条直线(N为预设波长的数量)，将N-1条直线的斜率组成目标特征向量。目标特征向量反应了待测样本近红外光谱曲线的变化趋势，也即待测样本内部成分的变化。
S103：分别计算目标特征向量与多个预设种类分别对应的标准特征向量之间的距离，确定最小距离对应的预设种类为待测样本的种类。
计算目标特征向量与多个预设种类分别对应的标准特征向量之间的距离，距离越小，说明目标特征向量与该预设种类的标准特征向量差异越小，则可确定待测样本的种类。
一些实施例中，距离可以为马氏距离。
马氏距离(Mahalanobis distance)是一种有效的计算两个未知样本集的相似度的方法，马氏距离越小，说明两个样本集相似度越高。本发明实施例中采用马氏距离计算待测样本与各预设种类的实验样本之间的相似度，对待测样本进行准确分类。
本发明实施例根据近红外光谱曲线的“指纹”效应，仅选取可反应近红外光谱曲线变化趋势的有限的几个特征点，通过特征点之间的斜率确定目标特征向量并与各个标准特征向量比对，准确识别物质的类别，数据量小，且无需建立复杂的模型，方法简单有效。
一些实施例中，在上述图1所示实施例的基础上，在S101之前，基于近红外光谱的物质类别识别方法还可以包括：
S104：获取多个预设种类的实验样本在预设波段内的近红外光谱曲线；
S105：根据多个预设种类的实验样本的近红外光谱曲线，确定多个预设波长；
S106：针对每个预设种类，根据该预设种类的实验样本的近红外光谱曲线及多个预设波长，确定该预设种类对应的标准特征向量。
对待测样本的类别识别之前，可根据多个预设种类的实验样本确定多个预设波长及各预设种类对应的标准特征向量。例如，多个预设种类的实验样本可以为正常马铃薯样本、干瘪马铃薯样本及疮痂马铃薯样本，进而通过上述实施例的方法可确定待测样本的类别为正常马铃薯、干瘪马铃薯或疮痂马铃薯。
确定多个预设波长可以通过下述两种实现方式实现，下面分别进行说明，但并不作为限定。
在第一种可能的实现方式中，可以将近红外光谱曲线中的各个极值点作为中间特征点。S105可以包括：
S1051：针对每个预设种类，确定该预设种类的实验样本的近红外光谱曲线中的各个极值点为中间特征点；
S1052：根据各个预设种类对应的近红外光谱曲线中的中间特征点，确定多个预设波长。
在第二种可能的实现方式中，可以将近红外光谱曲线中的起点、终点、各个极值点及相邻极值点的中点作为中间特征点。S105可以包括：
S1053：针对每个预设种类，确定该预设种类的实验样本的近红外光谱曲线中的起点、终点、各个极值点及各相邻两个极值点的中点为中间特征点；其中，相邻两个极值点的中点为相邻两个极值点对应的波长的均值在该预设种类的实验样本的近红外光谱曲线中对应的点；
S1054：根据各个预设种类对应的近红外光谱曲线中的中间特征点，确定多个预设波长。
由于曲线的极值点决定了曲线的峰谷，因此曲线的轮廓形状主要由起点、终点以、极值点及极值点的中点这些特征点决定，这些特征点最能体现近红外光谱的“指纹”，特征点之间的斜率可以用来表示曲线的走向。因此，本发明实施例中选取近红外光谱曲线中的各个极值点，或各个极值点及各相邻极值点的中点确定预设波长，准确提取曲线特征。
根据中间特征点确定多个预设波长可以通过下述两种实现方式实现，下面分别进行说明，但并不作为限定。
在第一种可能的实现方式中，可以将各预设种类对应的近红外曲线上相同波长的中间特征点的波长，确定为预设波长。S1052可以包括：
S10521：查找第一波长；其中，各个预设种类对应的近红外光谱曲线中均存在第一波长对应的中间特征点；第一波长为多个；；
S10522：将多个第一波长作为多个预设波长；其中，第一波长的数量与预设波长的数量一致。
例如，参考图2，利用正常、干腐和疮痂马铃薯作为三类实验样本。查找三类样本中的波长相同的极值点，对应的第一波长分为：911、62、1081、1199、1269、1455，共计6处，将该六个波长作为预设波长。由图2可知，各预设种类的实验样本的近红外光谱曲线在各个预设波长处的中间特征点间曲线的走向基本一致，但起伏程度不同。
在该实施方式中，为寻找各预设种类实验样本的共有特征，本发明实施例中选用相同的波长作为预设波长，计算量小，结果准确。
在第二种可能的实现方式中，可以查找各预设种类对应的近红外曲线上相同波长的中间特征点的波长，再从中选取出若干预设波长。S1052可以包括：
S10523：查找第一波长；其中，各个预设种类对应的近红外光谱曲线中均存在第一波长对应的中间特征点；第一波长为多个；
S10524：从多个第一波长中选取多个预设波长；其中，预设波长的数量小于第一波长的数量。
例如，参考图3，在图2所示6个第一波长中进一步筛选出相关性高的3个波长：911、1269、1455，这3个波长可以准确的反应曲线的变化趋势。
在该实现方式中，为提高计算效率，可对各个实验样本中的相同波长进行进一步筛选，选取相关性高的波长作为预设波长，在不影响识别准确率的前提下提高了计算效率。例如，可通过统计方法或相关性计算计算多个第一波长与分类结果的相关性，选取相关性系数较高的波长作为预设波长。
同目标特征向量的计算方法，一些实施例中，S106可以包括：
S1061：确定该预设种类的实验样本的近红外光谱曲线在多个预设波长处对应的第二特征点；
S1062：确定每相邻两个第二特征点之间连线的斜率；
S1063：将每相邻两个第二特征点之间连线的斜率形成该预设种类对应的标准特征向量；
其中，相邻两个第二特征点为波长相邻的两个第二特征点。
采用上述相同的方法确定各预设种类的实验样本的标准特征向量。
一些实施例中，每个预设种类可选取多个样本，计算多个样本的近红外光谱曲线的均值作为该预设种类的实验样本的近红外光谱曲线。
在计算过程中为消除量纲影响，可对待测样本及实验样本的近红外光谱图的波长进行归一化，统一量纲。
下面结合具体实施例对上述方法进行详细说明。
利用正常、干腐和疮痂马铃薯作为三类实验样本。参考图2，查找三类样本中的波长相同的极值点，对应的第一波长分为：911、62、1081、1199、1269、1455，共计6处，将该六个波长作为预设波长。由图2可知，各预设种类的实验样本的近红外光谱曲线在各个预设波长处的第二特征点间曲线的走向基本一致，但起伏程度不同。计算相邻两个第二特征点之间连线的斜率，由斜率组成标准特征向量。进一步的，获取待测样本在多个预设波长处的第一特征点，同样计算两个第一特征点之间的斜率形成目标特征向量。计算目标特征向量与各个预设种类对应的标准特征向量之间的马氏距离，马氏距离最小说明待测样本与该预设种类的实验样本的相似度最高，则将最小距离对应的预设种类作为待测样本的种类。
进一步的，为提高计算效率，可对上述6个第一波长进一步筛选得到相关性更高的多个波长，可通过相关性计算进一步筛选出更少的波长。
进一步的，从6个波长中可以分别选择其中2、3、4、5、6个点，分别有15、20、15、6、1种组合方式，共57种组合。经实验统计分析，3个波长的组合：911、1269、1455是所有组合情况中识别准确率最高的组合，正常样本的识别率达到100％；干腐样本的识别率达到97.6％，疮痂样本的识别准确率为100％。波长911附近包含蛋白质C-H键的第3倍频伸缩振动吸收，波长1269附近包含C-H键的第2倍频伸缩振动吸收，波长1455附近包含淀粉和水的O-H键的第一倍频伸缩振动吸收，与马铃薯的成分相符。
参考图3，波段911、1269、1455间近红外光谱的变化趋势，各类实验样本的近红外光谱的波形起伏程度不同，反应了样本内部物质的变化，以上3点之间连线的斜率可以准确反应出正常样本和病害样本集两种病害样本之间的成分变化。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
参考图4，本发明实施例提供了一种基于近红外光谱的物质类别识别装置，包括：
特征点确定模块21，用于获取待测样本在预设波段内的近红外光谱曲线，并确定待测样本的近红外光谱曲线在多个预设波长处对应的第一特征点；
目标特征向量确定模块22，用于确定每相邻两个第一特征点之间连线的斜率，并将每相邻两个第一特征点之间连线的斜率形成目标特征向量；其中，相邻两个第一特征点为波长相邻的两个第一特征点；
识别模块23，用于分别计算目标特征向量与多个预设种类分别对应的标准特征向量之间的距离，确定最小距离对应的预设种类为待测样本的种类。
一些实施例中，基于近红外光谱的物质类别识别方法还可以包括：
光谱获取模块24，用于获取多个预设种类的实验样本在预设波段内的近红外光谱曲线；
预设波长确定模块25，用于根据多个预设种类的实验样本的近红外光谱曲线，确定多个预设波长；
标准特征向量确定模块26，用于针对每个预设种类，根据该预设种类的实验样本的近红外光谱曲线及多个预设波长，确定该预设种类对应的标准特征向量。
一些实施例中，预设波长确定模块25可以包括：
特征点序列确定单元251，用于针对每个预设种类，确定该预设种类的实验样本的近红外光谱曲线中的各个极值点为中间特征点；
波长确定单元252，用于根据各个预设种类对应的近红外光谱曲线中的中间特征点，确定多个预设波长。
一些实施例中，波长确定单元252可以包括：
第一波长查找子单元2521，用于查找第一波长；其中，各个预设种类对应的近红外光谱曲线中均存在第一波长对应的中间特征点；第一波长为多个；
第一波长确定子单元2522，用于将多个第一波长作为多个预设波长；其中，第一波长的数量与预设波长的数量一致。
一些实施例中，波长确定单元252可以包括：
第二波长查找子单元2523，用于查找第一波长；其中，各个预设种类对应的近红外光谱曲线中均存在第一波长对应的中间特征点；第一波长为多个；
第二波长确定子单元2524，用于从多个第一波长中选取多个预设波长；其中，预设波长的数量小于第一波长的数量。
一些实施例中，标准特征向量确定模块26可以包括：
第一特征点确定单元261，用于确定该预设种类的实验样本的近红外光谱曲线在多个预设波长处对应的第二特征点；
斜率确定单元262，用于确定每相邻两个第二特征点之间连线的斜率；
第一向量确定单元263，用于将每相邻两个第二特征点之间连线的斜率形成该预设种类对应的标准特征向量；
其中，相邻两个第二特征点为波长相邻的两个第二特征点。
一些实施例中，距离为马氏距离。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将终端设备的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图5是本发明一实施例提供的终端设备的示意框图。如图5所示，该实施例的终端设备4包括：一个或多个处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。处理器40执行计算机程序42时实现上述各个基于近红外光谱的物质类别识别方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，处理器40执行计算机程序42时实现上述基于近红外光谱的物质类别识别装置实施例中各模块/单元的功能，例如图4所示模块21至23的功能。
示例性地，计算机程序42可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器41中，并由处理器40执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序42在终端设备4中的执行过程。例如，计算机程序42可以被分割成特征点确定模块21、目标特征向量确定模块22及识别模块23。
特征点确定模块21，用于获取待测样本在预设波段内的近红外光谱曲线，并确定待测样本的近红外光谱曲线在多个预设波长处对应的第一特征点；
目标特征向量确定模块22，用于确定每相邻两个第一特征点之间连线的斜率，并将每相邻两个第一特征点之间连线的斜率形成目标特征向量；其中，相邻两个第一特征点为波长相邻的两个第一特征点；
识别模块23，用于分别计算目标特征向量与多个预设种类分别对应的标准特征向量之间的距离，确定最小距离对应的预设种类为待测样本的种类。
其它模块或者单元在此不再赘述。
终端设备4包括但不仅限于处理器40、存储器41。本领域技术人员可以理解，图5仅仅是终端设备的一个示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备4还可以包括输入设备、输出设备、网络接入设备、总线等。
处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器41可以是终端设备的内部存储单元，例如终端设备的硬盘或内存。存储器41也可以是终端设备的外部存储设备，例如终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器41还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器41用于存储计算机程序42以及终端设备所需的其他程序和数据。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的终端设备和方法，可以通过其它的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的，例如，模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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，在本申请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。
集成的模块/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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于近红外光谱的物质类别识别方法，其特征在于，包括：
获取待测样本在预设波段内的近红外光谱曲线，并确定所述待测样本的近红外光谱曲线在多个预设波长处对应的第一特征点；
确定每相邻两个第一特征点之间连线的斜率，并将每相邻两个第一特征点之间连线的斜率形成目标特征向量；其中，所述相邻两个第一特征点为波长相邻的两个第一特征点；
分别计算所述目标特征向量与多个预设种类分别对应的标准特征向量之间的距离，确定最小距离对应的预设种类为所述待测样本的种类。
2.如权利要求1所述的基于近红外光谱的物质类别识别方法，其特征在于，在所述获取待测样本在预设波段内的近红外光谱曲线，并确定所述待测样本的近红外光谱曲线在多个预设波长处对应的第一特征点之前，所述方法还包括：
获取多个预设种类的实验样本在预设波段内的近红外光谱曲线；
根据多个预设种类的实验样本的近红外光谱曲线，确定所述多个预设波长；
针对每个预设种类，根据该预设种类的实验样本的近红外光谱曲线及所述多个预设波长，确定该预设种类对应的标准特征向量。
3.如权利要求2所述的基于近红外光谱的物质类别识别方法，其特征在于，所述根据多个预设种类的实验样本的近红外光谱曲线，确定所述多个预设波长，包括：
针对每个预设种类，确定该预设种类的实验样本的近红外光谱曲线中的各个极值点为中间特征点；
根据各个预设种类对应的近红外光谱曲线中的中间特征点，确定所述多个预设波长。
4.如权利要求3所述的基于近红外光谱的物质类别识别方法，其特征在于，所述根据各个预设种类对应的近红外光谱曲线中的中间特征点，确定所述多个预设波长，包括：
查找第一波长；其中，各个预设种类对应的近红外光谱曲线中均存在第一波长对应的中间特征点；所述第一波长为多个；
将多个第一波长作为多个预设波长；其中，所述第一波长的数量与所述预设波长的数量一致。
5.如权利要求3所述的基于近红外光谱的物质类别识别方法，其特征在于，所述根据各个预设种类对应的近红外光谱曲线中的中间特征点，确定所述多个预设波长，包括：
查找第一波长；其中，各个预设种类对应的近红外光谱曲线中均存在第一波长对应的中间特征点；所述第一波长为多个；
从多个第一波长中选取所述多个预设波长；其中，所述预设波长的数量小于所述第一波长的数量。
6.如权利要求2所述的基于近红外光谱的物质类别识别方法，其特征在于，所述根据该预设种类的实验样本的近红外光谱曲线及所述多个预设波长，确定该预设种类对应的标准特征向量，包括：
确定该预设种类的实验样本的近红外光谱曲线在所述多个预设波长处对应的第二特征点；
确定每相邻两个第二特征点之间连线的斜率；
将每相邻两个第二特征点之间连线的斜率形成该预设种类对应的标准特征向量；其中，所述相邻两个第二特征点为波长相邻的两个第二特征点。
7.如权利要求1至6任一项所述的基于近红外光谱的物质类别识别方法，其特征在于，所述距离为马氏距离。
8.一种基于近红外光谱的物质类别识别装置，其特征在于，包括：
特征点确定模块，用于获取待测样本在预设波段内的近红外光谱曲线，并确定所述待测样本的近红外光谱曲线在多个预设波长处对应的第一特征点；
目标特征向量确定模块，用于确定每相邻两个第一特征点之间连线的斜率，并将每相邻两个第一特征点之间连线的斜率形成目标特征向量；其中，所述相邻两个第一特征点为波长相邻的两个第一特征点；
识别模块，用于分别计算所述目标特征向量与多个预设种类分别对应的标准特征向量之间的距离，确定最小距离对应的预设种类为所述待测样本的种类。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于近红外光谱的物质类别识别方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于近红外光谱的物质类别识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110780394.7A CN113390824B (zh) | 2021-07-09 | 2021-07-09 | 基于近红外光谱的物质类别识别方法及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110780394.7A CN113390824B (zh) | 2021-07-09 | 2021-07-09 | 基于近红外光谱的物质类别识别方法及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113390824A true CN113390824A (zh) | 2021-09-14 |
| CN113390824B CN113390824B (zh) | 2022-09-27 |
Family
ID=77625841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110780394.7A Active CN113390824B (zh) | 2021-07-09 | 2021-07-09 | 基于近红外光谱的物质类别识别方法及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113390824B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115345239A (zh) * | 2022-08-17 | 2022-11-15 | 无锡迅杰光远科技有限公司 | 样品含量识别方法、装置和存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104198428A (zh) * | 2014-08-21 | 2014-12-10 | 中国农业大学 | 带种衣剂种子真实性快速鉴定方法及系统 |
| CN104198432A (zh) * | 2014-09-17 | 2014-12-10 | 公安部天津消防研究所 | 应用近红外光谱技术无损鉴别钢结构防火涂料品牌的方法 |
| CN105548066A (zh) * | 2015-12-11 | 2016-05-04 | 贵州中烟工业有限责任公司 | 一种胶体种类区分方法及系统 |
| CN106290238A (zh) * | 2016-08-09 | 2017-01-04 | 西北农林科技大学 | 一种基于高光谱成像的苹果品种快速鉴别方法 |
| CN107044967A (zh) * | 2017-04-18 | 2017-08-15 | 江苏大学 | 一种马铃薯生全粉近红外光谱快速鉴别的方法 |
| CN107976417A (zh) * | 2016-10-21 | 2018-05-01 | 中国石油化工股份有限公司 | 一种基于红外光谱的原油种类识别方法 |
| CN108362662A (zh) * | 2018-02-12 | 2018-08-03 | 山东大学 | 近红外光谱相似度计算方法、装置和物质定性分析系统 |
| CN108844917A (zh) * | 2018-09-29 | 2018-11-20 | 山东大学 | 一种基于显著性假设检验和偏最小二乘法的近红外光谱数据分析方法 |
| CN110376157A (zh) * | 2019-07-19 | 2019-10-25 | 应急管理部天津消防研究所 | 一种判定泡沫塑料种类及其阻燃性能的检测分析方法 |
| US20200309689A1 (en) * | 2019-03-29 | 2020-10-01 | Inspectorio Inc. | Fabric validation using spectral measurement |
| CN112101459A (zh) * | 2020-09-15 | 2020-12-18 | 南京工程学院 | 一种基于近红外光光谱特征的动物骨质识别方法及系统 |
-
2021
- 2021-07-09 CN CN202110780394.7A patent/CN113390824B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104198428A (zh) * | 2014-08-21 | 2014-12-10 | 中国农业大学 | 带种衣剂种子真实性快速鉴定方法及系统 |
| CN104198432A (zh) * | 2014-09-17 | 2014-12-10 | 公安部天津消防研究所 | 应用近红外光谱技术无损鉴别钢结构防火涂料品牌的方法 |
| CN105548066A (zh) * | 2015-12-11 | 2016-05-04 | 贵州中烟工业有限责任公司 | 一种胶体种类区分方法及系统 |
| CN106290238A (zh) * | 2016-08-09 | 2017-01-04 | 西北农林科技大学 | 一种基于高光谱成像的苹果品种快速鉴别方法 |
| CN107976417A (zh) * | 2016-10-21 | 2018-05-01 | 中国石油化工股份有限公司 | 一种基于红外光谱的原油种类识别方法 |
| CN107044967A (zh) * | 2017-04-18 | 2017-08-15 | 江苏大学 | 一种马铃薯生全粉近红外光谱快速鉴别的方法 |
| CN108362662A (zh) * | 2018-02-12 | 2018-08-03 | 山东大学 | 近红外光谱相似度计算方法、装置和物质定性分析系统 |
| CN108844917A (zh) * | 2018-09-29 | 2018-11-20 | 山东大学 | 一种基于显著性假设检验和偏最小二乘法的近红外光谱数据分析方法 |
| US20200309689A1 (en) * | 2019-03-29 | 2020-10-01 | Inspectorio Inc. | Fabric validation using spectral measurement |
| CN110376157A (zh) * | 2019-07-19 | 2019-10-25 | 应急管理部天津消防研究所 | 一种判定泡沫塑料种类及其阻燃性能的检测分析方法 |
| CN112101459A (zh) * | 2020-09-15 | 2020-12-18 | 南京工程学院 | 一种基于近红外光光谱特征的动物骨质识别方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| WANG HUI RONG: "Feature Analysis and Discrimination of Varieties of Corn Based on Near Infrared Spectra", 《SPECTROSCOPY AND SPECTRAL ANALYSIS》 * |
| 李维莉: "近红外光谱的主成分分析—马氏距离分类法应用于品牌卷烟烟丝的快速鉴别", 《云南农业大学学报》 * |
| 陈海秀等: "基于近红外光谱技术的易燃液体快速鉴别", 《激光杂志》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115345239A (zh) * | 2022-08-17 | 2022-11-15 | 无锡迅杰光远科技有限公司 | 样品含量识别方法、装置和存储介质 |
| CN115345239B (zh) * | 2022-08-17 | 2023-10-13 | 无锡迅杰光远科技有限公司 | 样品含量识别方法、装置和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113390824B (zh) | 2022-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104122210B (zh) | 一种基于最佳指数‑相关系数法的高光谱波段提取方法 | |
| WO2018121122A1 (zh) | 用于物品查验的拉曼光谱检测方法和电子设备 | |
| Ye et al. | Non-destructive prediction of protein content in wheat using NIRS | |
| CN101532954A (zh) | 一种用红外光谱结合聚类分析鉴定中药材的方法 | |
| CN108489929B (zh) | 人参、三七和西洋参三种法定基源人参属多糖的鉴别方法 | |
| CN113390824B (zh) | 基于近红外光谱的物质类别识别方法及终端设备 | |
| CN104020128A (zh) | 一种快速鉴别蜂胶胶源的方法 | |
| CN113109317B (zh) | 基于背景扣除提取峰面积的拉曼光谱定量分析方法及系统 | |
| CN113049500B (zh) | 水质检测模型训练和水质检测方法、电子设备及存储介质 | |
| CN111523587A (zh) | 一种基于机器学习的木本植物物种光谱识别方法 | |
| CN106404743A (zh) | 一种结合拉曼光谱和近红外光谱的探测方法及探测装置 | |
| CN113537029B (zh) | 基于近红外光谱的模型转移方法及终端设备 | |
| CN110838343B (zh) | 一种基于多模态指纹图谱的中药药性识别方法及系统 | |
| WO2018121151A1 (zh) | 用于识别拉曼谱图的方法和电子设备 | |
| CN109238973A (zh) | 一种检测苹果可溶性固形物含量和含水量的方法 | |
| CN111222455B (zh) | 波长的选择方法、装置、计算设备及计算机存储介质 | |
| CN111693484A (zh) | 一种基于太赫兹时域光谱的芝麻油品种识别方法 | |
| CN106124417A (zh) | 一种利用高光谱技术检测苹果涩味的回味的方法 | |
| CN117705758A (zh) | 植物病害识别方法、识别终端及存储介质 | |
| CN109800816A (zh) | 一种多通道拉曼光谱重建方法、终端设备及存储介质 | |
| CN205754524U (zh) | 集成近红外光谱仪的智能手机 | |
| KR20200133083A (ko) | 측정 환경 조건에 강인한 라만 스펙트럼 판별 방법 및 장치 | |
| CN115656088A (zh) | 三七质量等级的近红外定性鉴别方法 | |
| CN117093841B (zh) | 小麦透射光谱的异常光谱筛选模型确定方法、装置及介质 | |
| US9384273B1 (en) | Compressed patch features for audio fingerprinting |
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 |