CN113624717A - 基于近红外光谱数据预测样品成分的模型建立及使用方法 - Google Patents
基于近红外光谱数据预测样品成分的模型建立及使用方法 Download PDFInfo
- Publication number
- CN113624717A CN113624717A CN202111074442.7A CN202111074442A CN113624717A CN 113624717 A CN113624717 A CN 113624717A CN 202111074442 A CN202111074442 A CN 202111074442A CN 113624717 A CN113624717 A CN 113624717A
- Authority
- CN
- China
- Prior art keywords
- spectral data
- sample
- temperature
- data
- compensation table
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 15
- 230000003595 spectral effect Effects 0.000 claims description 55
- 230000007613 environmental effect Effects 0.000 claims description 33
- 238000001228 spectrum Methods 0.000 claims description 31
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005464 sample preparation method Methods 0.000 description 1
- 230000035945 sensitivity Effects 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明涉及预测样品成分技术领域,本发明基于近红外光谱数据预测样品成分的模型建立及使用方法利用校准板的光谱数据制作温度补偿表,在建立模型前,对样品的光谱数据进行温度补偿,获得补偿后的样品光谱数据,利用补偿后的样品光谱数据建立模型,解决了预测样品成分的模型效果差的问题,进一步的,利用本发明建立的模型预测样品成分,提高了样本成分的预测结果精度,本发明适用于利用近红外光谱数据预测样品成分。
Description
技术领域
本发明涉及预测样品成分技术领域,特别涉及基于近红外光谱数据预测样品成分的模型建立及使用方法。
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,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,从而使利用该光谱数据建立的预测样品成分的模型效果差,对样品成分的预测结果精度低。
发明内容
本发明所解决的技术问题:提供一种基于近红外光谱数据预测样品成分的模型建立及使用方法,解决预测样品成分的模型效果差的问题。
本发明解决上述技术问题采用的技术方案:基于近红外光谱数据预测样品成分的模型建立方法,包括以下步骤:
S01、在不同环境温度下对校准板进行光谱数据采集,根据采集得到的光谱数据制作温度补偿表,所述温度补偿表为环境温度与光谱数据的对应表;
S02、将同一待测样品分别放置在不同环境温度下进行光谱数据采集;
S03、结合温度补偿表对所述待测样品的不同环境温度下的光谱数据进行补偿,得到补偿后的光谱数据;
S04、根据所述待测样品的组分含量和补偿后的光谱数据,利用偏最小二乘法建立模型。
进一步的,在步骤S01中,每间隔5℃对校准板光谱数据进行采集,通过温度插值对应光强插值的方式,计算出间隔1℃所对应的光谱数据,得到所述温度补偿表。
S301、获取步骤S02中所述不同环境温度的平均温度T;
S302、在步骤S01中获得温度补偿表中寻找与所述平均温度T最接近或相等的环境温度T0,并获得与T0对应的光谱数据P0;
进一步的,利用上述模型预测样品成分的方法,包括以下步骤:
S401、获取待测样品的一个光谱数据及其对应的环境温度;
S402、结合温度补偿表对步骤S401中的光谱数据进行补偿,获得补偿后的光谱数据;
S403、将补偿后的光谱数据带入步骤S04中建立的模型,获得待测样品的组分含量。
本发明的有益效果:本发明基于近红外光谱数据预测样品成分的模型建立及使用方法利用校准板的光谱数据制作温度补偿表,在建立模型前,对样品的光谱数据进行温度补偿,获得补偿后的样品光谱数据,利用补偿后的样品光谱数据建立模型,解决了预测样品成分的模型效果差的问题,进一步的,利用本发明建立的模型预测样品成分,提高了样本成分的预测结果精度。
附图说明
附图1是本发明基于近红外光谱数据预测样品成分的模型建立及使用方法中的模型建立流程示意图。
附图2是本发明基于近红外光谱数据预测样品成分的模型建立及使用方法实施例中,采用补偿后的样品光谱数据,利用The Unscrambler X 10.4软件建模后的效果图。
附图3本发明基于近红外光谱数据预测样品成分的模型建立及使用方法实施例中,采用未补偿的样品光谱数据,利用The Unscrambler X 10.4软件建模后的效果图。
具体实施方式
在本发明中,基于近红外光谱数据预测样品成分的模型建立方法,如附图1所示,包括以下步骤:
S01、在不同环境温度下对校准板进行光谱数据采集,根据采集得到的光谱数据制作温度补偿表,所述温度补偿表为环境温度与光谱数据的对应表;
S02、将同一待测样品分别放置在不同环境温度下进行光谱数据采集;
S03、结合温度补偿表对所述待测样品的不同环境温度下的光谱数据进行补偿,得到补偿后的光谱数据;
S04、根据所述待测样品的组分含量和补偿后的光谱数据,利用偏最小二乘法建立模型。
进一步的,在步骤S01中,每间隔5℃对校准板光谱数据进行采集,通过温度插值对应光强插值的方式,计算出间隔1℃所对应的光谱数据,得到所述温度补偿表。
S301、获取步骤S02中所述不同环境温度的平均温度T;
S302、在步骤S01中获得温度补偿表中寻找与所述平均温度T最接近或相等的环境温度T0,并获得与T0对应的光谱数据P0;
进一步的,利用上述模型预测样品成分的方法,包括以下步骤:
S401、获取待测样品的一个光谱数据及其对应的环境温度;
S402、结合温度补偿表对步骤S401中的光谱数据进行补偿,获得补偿后的光谱数据;
S403、将补偿后的光谱数据带入步骤S04中建立的模型,获得待测样品的组分含量。
实施例:
本发明的一个实施例,在该实施例中所采用的近红外光谱仪的使用温度范围为5-35℃。
基于所述近红外光谱数据预测样品成分的模型建立方法,包括以下步骤:
S01、在不同环境温度下对校准板进行光谱数据采集,根据采集得到的光谱数据制作温度补偿表,所述温度补偿表为环境温度与光谱数据的对应表;
具体的,分别在环境温度为5℃、10℃、15℃、20℃、25℃、30℃和35℃下,利用所述近红外光谱仪采集校准板的光谱数据,通过温度插值对应光强插值的方式,计算出间隔1℃所对应的光谱数据,即获得环境温度为5-35℃中所有正整数温度时的校准板光谱数据,所述温度补偿表为与的对应表,m为[1,30]中的整数。
S02、将同一待测样品分别放置在不同环境温度下进行光谱数据采集;
S03、结合温度补偿表对所述待测样品的不同环境温度下的光谱数据进行补偿,得到补偿后的光谱数据;
具体的,第一步,计算步骤S02中的不同环境温度的平均温度T,即第二歩,在温度补偿表中寻找与平均温度T最接近或相等的环境温度T0,并获得与T0对应的光谱数据P0;第三歩,对该样品的不同环境温度下的光谱数据进行补偿,其补偿后的光谱数据记为其中对应的与所对应的最接近或相等,即获得不同环境温度下该样品的补偿后的光谱数据
S04、根据所述待测样品的组分含量和补偿后的光谱数据,利用偏最小二乘法建立模型。
具体的,采用补偿后的光谱数据,利用The Unscrambler X 10.4软件建模后的效果如附图2所示,其中模型相关系数(R2)为0.3745874,均方根误差(RMSEC)为0.6880102;采用S02中获得光谱数据,即对光谱数据不补偿,利用The Unscrambler X 10.4软件建模后的效果如附图3所示,其中模型相关系数(R2)为0.3035161,均方根误差(RMSEC)为0.7260511;由此可得,采用补偿后的光谱数据建立的模型相较于直接采用步骤S02采集的光谱数据建立的模型而言,采用补偿后的光谱数据建立的模型效果更好。
利用上述模型预测样品成分的方法包括以下步骤:
S401、获取待测样品的一个光谱数据及其对应的环境温度;
S402、结合温度补偿表对步骤S401中的光谱数据进行补偿,获得补偿后的光谱数据;
具体的,利用步骤S03的补偿规则,对S401的光谱数据进行补偿。
S403、将补偿后的光谱数据带入步骤S04中建立的模型,获得待测样品的组分含量。
Claims (4)
1.基于近红外光谱数据预测样品成分的模型建立方法,其特征在于,包括以下步骤:
S01、在不同环境温度下对校准板进行光谱数据采集,根据采集得到的光谱数据制作温度补偿表,所述温度补偿表为环境温度与光谱数据的对应表;
S02、将同一待测样品分别放置在不同环境温度下进行光谱数据采集;
S03、结合温度补偿表对所述待测样品的不同环境温度下的光谱数据进行补偿,得到补偿后的光谱数据;
S04、根据所述待测样品的组分含量和补偿后的光谱数据,利用偏最小二乘法建立模型。
2.根据权利要求1所述的基于近红外光谱数据预测样品成分的模型建立方法,其特征在于,在步骤S01中,每间隔5℃对校准板光谱数据进行采集,通过温度插值对应光强插值的方式,计算出间隔1℃所对应的光谱数据,得到所述温度补偿表。
4.利用权利要求1-3任意一项所述的模型预测样品成分的方法,其特征在于,包括以下步骤:
S401、获取待测样品的一个光谱数据及其对应的环境温度;
S402、结合温度补偿表对步骤S401中的光谱数据进行补偿,获得补偿后的光谱数据;
S403、将补偿后的光谱数据带入步骤S04中建立的模型,获得待测样品的组分含量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111074442.7A CN113624717B (zh) | 2021-09-14 | 2021-09-14 | 基于近红外光谱数据预测样品成分的模型建立及使用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111074442.7A CN113624717B (zh) | 2021-09-14 | 2021-09-14 | 基于近红外光谱数据预测样品成分的模型建立及使用方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113624717A true CN113624717A (zh) | 2021-11-09 |
CN113624717B CN113624717B (zh) | 2023-07-11 |
Family
ID=78390002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111074442.7A Active CN113624717B (zh) | 2021-09-14 | 2021-09-14 | 基于近红外光谱数据预测样品成分的模型建立及使用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113624717B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5362965A (en) * | 1992-05-27 | 1994-11-08 | Ashland Oil Inc. | Indirect method for determining oxygenate content using near-infrared absorption spectra |
JP2000298512A (ja) * | 1999-04-14 | 2000-10-24 | Mitsui Chemicals Inc | 近赤外分析によるプラントの運転制御方法 |
JP2005331386A (ja) * | 2004-05-20 | 2005-12-02 | Yokogawa Electric Corp | 検量線補正方法 |
US20100027003A1 (en) * | 2006-06-16 | 2010-02-04 | Renishaw Plc | Spectroscopic analysis methods |
CN105486658A (zh) * | 2015-11-19 | 2016-04-13 | 江南大学 | 一种具有无测点温度补偿功能的近红外物性参数测量方法 |
CN108396148A (zh) * | 2018-03-19 | 2018-08-14 | 成都理工大学 | 一种利用不同微生物分步浸出废弃线路板中铜和金的方法 |
US20190049297A1 (en) * | 2015-11-19 | 2019-02-14 | Jiangnan University | Method for Correcting Measuring-Point-Free Temperature Compensation Model During Online Application of Near Infrared Spectrum Analyzer |
CN109406448A (zh) * | 2018-10-25 | 2019-03-01 | 四川长虹电器股份有限公司 | 红外光谱仪 |
CN110672546A (zh) * | 2019-10-11 | 2020-01-10 | 四川长虹电器股份有限公司 | 一种基于便携式近红外光谱仪的酒糟模型建模方法 |
CN111337452A (zh) * | 2020-04-08 | 2020-06-26 | 四川虹微技术有限公司 | 一种验证光谱数据模型转移算法可行性的方法 |
CN111579528A (zh) * | 2020-06-30 | 2020-08-25 | 四川长虹电器股份有限公司 | 一种微型近红外光谱仪的校准方法 |
CN111855595A (zh) * | 2020-08-24 | 2020-10-30 | 四川长虹电器股份有限公司 | 一种基于黑白校准板的光谱数据校准方法 |
-
2021
- 2021-09-14 CN CN202111074442.7A patent/CN113624717B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5362965A (en) * | 1992-05-27 | 1994-11-08 | Ashland Oil Inc. | Indirect method for determining oxygenate content using near-infrared absorption spectra |
JP2000298512A (ja) * | 1999-04-14 | 2000-10-24 | Mitsui Chemicals Inc | 近赤外分析によるプラントの運転制御方法 |
JP2005331386A (ja) * | 2004-05-20 | 2005-12-02 | Yokogawa Electric Corp | 検量線補正方法 |
US20100027003A1 (en) * | 2006-06-16 | 2010-02-04 | Renishaw Plc | Spectroscopic analysis methods |
CN105486658A (zh) * | 2015-11-19 | 2016-04-13 | 江南大学 | 一种具有无测点温度补偿功能的近红外物性参数测量方法 |
US20190049297A1 (en) * | 2015-11-19 | 2019-02-14 | Jiangnan University | Method for Correcting Measuring-Point-Free Temperature Compensation Model During Online Application of Near Infrared Spectrum Analyzer |
CN108396148A (zh) * | 2018-03-19 | 2018-08-14 | 成都理工大学 | 一种利用不同微生物分步浸出废弃线路板中铜和金的方法 |
CN109406448A (zh) * | 2018-10-25 | 2019-03-01 | 四川长虹电器股份有限公司 | 红外光谱仪 |
CN110672546A (zh) * | 2019-10-11 | 2020-01-10 | 四川长虹电器股份有限公司 | 一种基于便携式近红外光谱仪的酒糟模型建模方法 |
CN111337452A (zh) * | 2020-04-08 | 2020-06-26 | 四川虹微技术有限公司 | 一种验证光谱数据模型转移算法可行性的方法 |
CN111579528A (zh) * | 2020-06-30 | 2020-08-25 | 四川长虹电器股份有限公司 | 一种微型近红外光谱仪的校准方法 |
CN111855595A (zh) * | 2020-08-24 | 2020-10-30 | 四川长虹电器股份有限公司 | 一种基于黑白校准板的光谱数据校准方法 |
Non-Patent Citations (3)
Title |
---|
王加华 等: "苹果糖度近红外光谱分析模型的温度补偿", 《光谱学与光谱分析》, vol. 29, no. 6, pages 1517 - 1520 * |
谭建军: "红外光谱分析仪温度漂移的软件补偿法", 《电讯技术》, no. 6, pages 180 - 182 * |
郑一航 等: "玉米DDGS 近红外光谱转移研究", 《中国粮油学报》, vol. 36, no. 1, pages 136 - 141 * |
Also Published As
Publication number | Publication date |
---|---|
CN113624717B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ceccato et al. | Designing a spectral index to estimate vegetation water content from remote sensing data: Part 1: Theoretical approach | |
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 | |
CN105486658B (zh) | 一种具有无测点温度补偿功能的近红外物性参数测量方法 | |
Huang et al. | Improved generalization of spectral models associated with Vis-NIR spectroscopy for determining the moisture content of different tea leaves | |
CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
CN110108658B (zh) | 一种污染气体红外光谱识别方法及系统 | |
McLaughlin et al. | Universal detection of body fluid traces in situ with Raman hyperspectroscopy for forensic purposes: Evaluation of a new detection algorithm (HAMAND) using semen samples | |
CN105784672A (zh) | 一种基于双树复小波算法的毒品检测仪标准化方法 | |
Zhou et al. | Spectral database systems: a review | |
CN102297846A (zh) | 一种快速测定发酵液中透明质酸含量的方法 | |
CN106442474B (zh) | 一种基于偏最小二乘法的水泥生料三率值测量方法 | |
Chen et al. | Solvent effects on chemical composition and optical properties of extracted secondary brown carbon constituents | |
CN111896497B (zh) | 一种基于预测值的光谱数据修正方法 | |
US6820013B1 (en) | Method and device for the online analysis of solvent mixtures | |
CN113624717A (zh) | 基于近红外光谱数据预测样品成分的模型建立及使用方法 | |
Tian et al. | Application of fractional differential calculation in pretreatment of saline soil hyperspectral reflectance data | |
Monakhova et al. | A procedure for calibration transfer of DOSY NMR measurements: An example of molecular weight of heparin preparations | |
CN105300924A (zh) | 温度影响下近红外校正模型的无测点补偿建模方法 | |
CN110887794A (zh) | 一种二维大气痕量气体廓线测量系统 | |
CN104897634A (zh) | 一种原子荧光测定易化学蒸气发生反应元素时的内标法 | |
CN111579526B (zh) | 一种表征近红外仪器差异和校正的方法 | |
CN109799225B (zh) | 一种基于共振与非共振双线测量元素含量的方法 | |
Li et al. | Derivative matrix isopotential synchronous fluorescence spectroscopy for the direct determination of 1-hydroxypyrene as a urinary biomarker of exposure to polycyclic aromatic hydrocarbons | |
CN111103259B (zh) | 基于光谱技术的煎炸油品质快速检测方法 | |
Zhong et al. | Application of ultramicrotomy and infrared imaging to the forensic examination of automotive paint |
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 |