CN113740293A - 基于近红外建模的尿素检测分析方法及装置 - Google Patents
基于近红外建模的尿素检测分析方法及装置 Download PDFInfo
- Publication number
- CN113740293A CN113740293A CN202110862905.XA CN202110862905A CN113740293A CN 113740293 A CN113740293 A CN 113740293A CN 202110862905 A CN202110862905 A CN 202110862905A CN 113740293 A CN113740293 A CN 113740293A
- Authority
- CN
- China
- Prior art keywords
- gasoline
- diesel
- urea
- neural network
- model
- 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
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 title claims abstract description 309
- 239000004202 carbamide Substances 0.000 title claims abstract description 309
- 238000004458 analytical method Methods 0.000 title claims abstract description 161
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 239000000126 substance Substances 0.000 claims abstract description 90
- 238000002329 infrared spectrum Methods 0.000 claims description 141
- 230000000875 corresponding effect Effects 0.000 claims description 139
- 238000012549 training Methods 0.000 claims description 100
- 238000003062 neural network model Methods 0.000 claims description 93
- 238000012545 processing Methods 0.000 claims description 91
- 238000000034 method Methods 0.000 claims description 83
- 238000013528 artificial neural network Methods 0.000 claims description 81
- 238000012795 verification Methods 0.000 claims description 55
- 238000001228 spectrum Methods 0.000 claims description 49
- 238000007689 inspection Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 26
- 230000010354 integration Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 8
- 150000003672 ureas Chemical class 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 101100527115 Picea mariana RPL31 gene Proteins 0.000 claims description 2
- 235000013877 carbamide Nutrition 0.000 description 217
- 238000004891 communication Methods 0.000 description 10
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000002835 absorbance Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007704 wet chemistry method Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 238000012993 chemical processing Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 229910001873 dinitrogen Inorganic materials 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000012071 phase Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006479 redox reaction Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本公开提供一种基于近红外建模的尿素检测分析方法及装置，能够根据尿素样品的近红外检测值以及各个成分的湿化学值进行结合关联，进而构建对应的数据库，形成近红外分析模型，这样，就可以利用近红外分析模型对待检测的尿素的各项成分含量数据进行检测分析，使得检测得到的各成分含量的准确度得到有效提高。
Description
技术领域
本公开涉及油品检测技术领域，尤其涉及一种基于近红外建模的尿素检测分析方法及装置。
背景技术
近红外光谱分析方法已广泛应用于油品性质分析中，同传统的实验室化验方法相比，该方法具有分析速度快、精度高和耗费少等优点。
但是现有技术中的近红外光谱分析，一般只对尿素的近红外光谱进行分析，根据近红外光谱确定尿素的各个成分含量或者相应的数据指标。单靠近红外光谱的分析可能会使尿素的各项指标检测的不准确，检测精度不高。
发明内容
有鉴于此，本公开的目的在于提出一种基于近红外建模的尿素检测分析方法及装置，能够解决或部分解决上述技术问题。
基于上述目的，本公开第一方面提供了一种基于近红外建模的尿素检测分析方法，所述尿素为车用尿素，所述方法包括：
S1，获取尿素样品；
S2，利用近红外设备获取每个所述尿素样品的近红外光谱；
S3，利用湿化学法对每个所述尿素样品的成分进行检测，得到与每个所述尿素样品的成分对应的湿化学值；
S4，将所述尿素样品的近红外光谱和湿化学值输入至预先构建的区域选择神经网络模型中，其中，预先将训练好的汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型进行整合后，在前端增加判断层，在后端增加数据整合层以后构成所述区域选择神经网络模型；
S5，所述判断层根据所述湿化学值确定所述尿素样品的类别，根据确定的的类别从汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型中选择对应的目标区域选择神经网络模型，将所述尿素样品的近红外光谱发送至所述目标区域选择神经网络模型中进行处理；其中，尿素样品的类别包括：汽油尿素类和柴油尿素类；
S6，所述目标区域选择神经网络对所述尿素样品的近红外光谱进行处理，从所述尿素样品的所述近红外光谱中选择信息量的相关性最大的区域为近红外光谱区域，将所述近红外光谱区域作为处理结果发送至数据整合层；
S7，所述数据整合层将处理结果和所述目标区域选择神经网络对应的类别进行整合后输出；
S8，将汽油尿素类的近红外光谱区域收集在一起作为汽油类近红外光谱区域，将柴油尿素类的近红外光谱区域收集在一起作为柴油类近红外光谱区域；
S9，对所述汽油类近红外光谱区域或所述柴油类近红外光谱区域进行一阶导数处理后，再进行多元线性回归处理得到汽油类近红外检测值或柴油类近红外检测值；
S10，将汽油类近红外检测值与对应的湿化学值，或，柴油类近红外检测值与对应的湿化学值利用偏最小二乘法运算处理进行关联，得到所述尿素样品的关联后的汽油类数据或柴油类数据；
S11，计算汽油类数据中的汽油类近红外检测值与对应湿化学值之间的汽油类均方根误差，将汽油类均方根误差大于汽油类误差阈值的汽油类数据删除，或者，计算柴油类数据中的柴油类近红外检测值与对应湿化学值之间的柴油类均方根误差，将柴油类均方根误差大于柴油类误差阈值的柴油类数据删除；
S12，利用剩余的汽油类数据构建汽油类数据库，将所述汽油类数据库作为汽油类近红外分析初始模型，或者，利用剩余的柴油类数据构建柴油类数据库，将所述柴油类数据库作为柴油类近红外分析初始模型；
S13，利用汽油类尿素样品对所述汽油类近红外分析初始模型进行交叉检验，得到汽油类近红外分析模型，或者，利用柴油类尿素样品对所述柴油类近红外分析初始模型进行交叉检验，得到柴油类近红外分析模型；
S14，将所述汽油类近红外分析模型和所述柴油类近红外分析模型进行组合形成近红外分析模型；
S15，将待检测的尿素利用红外设备获取对应的待分析近红外光谱，以及利用湿化法对待检测的尿素进行处理得到与待检测的尿素的成分对应的待分析湿化学值；
S16，将所述待检测的尿素的待分析近红外光谱和对应的待分析湿化学值输入至所述近红外分析模型中，利用近红外分析模型确定所述待检测的尿素的类别，将所述待检测的尿素的中的待分析近红外光谱和对应的待分析湿化学值输入至对应类别的所述汽油类近红外分析模型或所述柴油类近红外分析模型中进行处理得到所述待检测的尿素的各项成分的含量数据。
本公开的第二方面提出了一种基于近红外建模的尿素检测分析装置，所述尿素为车用尿素，所述装置包括：
获取模块，用于获取获取尿素样品；
近红外获取模块，用于利用近红外设备获取每个所述尿素样品的近红外光谱；
湿化学处理模块，用于利用湿化学法对每个所述尿素样品的成分进行检测，获取每个所述尿素样品的成分对应的湿化学值；
神经网络处理模块，用于将所述尿素样品的近红外光谱和湿化学值输入至预先构建的区域选择神经网络模型中，所述判断层根据所述湿化学值确定所述尿素样品的类别，根据确定的的类别从汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型中选择对应的目标区域选择神经网络模型，将所述尿素样品的近红外光谱发送至所述目标区域选择神经网络模型中进行处理；所述目标区域选择神经网络对所述尿素样品的近红外光谱进行处理，从所述尿素样品的所述近红外光谱中选择信息量的相关性最大的区域为近红外光谱区域，将所述近红外光谱区域作为处理结果发送至数据整合层；所述数据整合层将处理结果和所述目标区域选择神经网络对应的类别进行整合后输出；其中，预先将训练好的汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型进行整合后，在前端增加判断层，在后端增加数据整合层以后构成所述区域选择神经网络模型，其中，尿素样品的类别包括：汽油尿素类和柴油尿素类；
收集模块，用于将汽油尿素类的近红外光谱区域收集在一起作为汽油类近红外光谱区域，将柴油尿素类的近红外光谱区域收集在一起作为柴油类近红外光谱区域；
数学处理模块，用于对所述汽油类近红外光谱区域或所述柴油类近红外光谱区域进行一阶导数处理后，再进行多元线性回归处理得到汽油类近红外检测值或柴油类近红外检测值；
关联处理模块，用于将汽油类近红外检测值与对应的湿化学值，或，柴油类近红外检测值与对应的湿化学值利用偏最小二乘法运算处理进行关联，得到所述尿素样品的关联后的汽油类数据或柴油类数据；
删除模块，用于计算汽油类数据中的汽油类近红外检测值与对应湿化学值之间的汽油类均方根误差，将汽油类均方根误差大于汽油类误差阈值的汽油类数据删除，或者，计算柴油类数据中的柴油类近红外检测值与对应湿化学值之间的柴油类均方根误差，将柴油类均方根误差大于柴油类误差阈值的柴油类数据删除；
构建模块，用于利用剩余的汽油类数据构建汽油类数据库，将所述汽油类数据库作为汽油类近红外分析初始模型，或者，利用剩余的柴油类数据构建柴油类数据库，将所述柴油类数据库作为柴油类近红外分析初始模型；
交叉检验模块，用于利用汽油类尿素样品对所述汽油类近红外分析初始模型进行交叉检验，得到汽油类近红外分析模型，或者，利用柴油类尿素样品对所述柴油类近红外分析初始模型进行交叉检验，得到柴油类近红外分析模型；
组合模块，用于将所述汽油类近红外分析模型和所述柴油类近红外分析模型进行组合形成近红外分析模型；
待检测预处理模块，用于将待检测的尿素利用红外设备获取对应的待分析近红外光谱，以及利用湿化法对待检测的尿素进行处理得到与待检测的尿素的成分对应的待分析湿化学值；
检测分析模块，用于将所述待检测的尿素的待分析近红外光谱和对应的待分析湿化学值输入至所述近红外分析模型中，利用近红外分析模型确定所述待检测的尿素的类别，将所述待检测的尿素的中的待分析近红外光谱和对应的待分析湿化学值输入至对应类别的所述汽油类近红外分析模型或所述柴油类近红外分析模型中进行处理得到所述待检测的尿素的各项成分的含量数据。
本公开的第三方面提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
从上面所述可以看出，本公开提供的基于近红外建模的尿素检测分析方法及装置，能够根据尿素样品的近红外检测值以及各个成分的湿化学值进行结合关联，进而构建对应的数据库，形成近红外分析模型，这样，就可以利用近红外分析模型对待检测的尿素的各项成分含量数据进行检测分析，使得检测得到的各成分含量的准确度得到有效提高。
附图说明
为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关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公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例的基于近红外建模的尿素检测分析方法的流程示意图；
图2为本公开实施例的基于近红外建模的尿素检测分析装置的结构示意图；
图3为本公开实施例的电子设备的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
如图1所示，本实施例提出的基于近红外建模的尿素检测分析方法，该方法是针对车用尿素进行检测分析，将车用尿素放置在车辆的尿素灌中，当发现车辆的排气管中有氮氧化物时，尿素罐自动喷出车用尿素的液体，车用尿素的液体和氮氧化物在催化反应罐中发生氧化还原反应，生成无污染的氮气和水蒸气排出。
该方法执行步骤具体包括：
S1，获取尿素样品。
S2，利用近红外设备获取每个所述尿素样品的近红外光谱。
其中，步骤S2之后，对得到的所述近红外光谱中的吸光度超过吸光阈值的光谱区域删除，将各个近红外光谱中的噪音区域删除。
为了避免近红外光谱中吸光度超过吸光阈值的光谱区域的干扰，将其删除，以及噪音较大的光谱区域，也要将其删除。这样使得近红外光谱的特征更加明显。
由于每个光谱的吸光度对应的吸光阈值可能不断变化，然而不能每获取一个近红外光谱就设定一个吸光阈值，这样比较浪费时间，并且降低整体的效率。
因此，选择利用大量的标记好对应的吸光阈值以及噪音阈值的近红外光谱，利用这些标记好的近红外光谱对深度神经网络进行训练，训练完成后，能够利用该深度神经网络进行各种近红外光谱的去燥处理。由于深度神经网络具有再学习的功能，能够不断的在进行去噪处理的过程中不断的提高识别精度。
S3，利用湿化学法对每个所述尿素样品的成分进行检测，得到与每个所述尿素样品的成分对应的湿化学值。
其中，使用的湿化学方法包括下列至少之一：液相沉积法、电化学沉积法、溶胶凝胶法。利用湿化学法能够准确的确定尿素中各项成分的湿化学值。
S4，将所述尿素样品的近红外光谱和湿化学值输入至预先构建的区域选择神经网络模型中，其中，预先将训练好的汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型进行整合后，在前端增加判断层，在后端增加数据整合层以后构成所述区域选择神经网络模型。
S5，所述判断层根据所述湿化学值确定所述尿素样品的类别，根据确定的的类别从汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型中选择对应的目标区域选择神经网络模型，将所述尿素样品的近红外光谱发送至所述目标区域选择神经网络模型中进行处理；其中，尿素样品的类别包括：汽油尿素类和柴油尿素类。
S6，所述目标区域选择神经网络对所述尿素样品的近红外光谱进行处理，从所述尿素样品的所述近红外光谱中选择信息量的相关性最大的区域为近红外光谱区域，将所述近红外光谱区域作为处理结果发送至数据整合层。
S7，所述数据整合层将处理结果和所述目标区域选择神经网络对应的类别进行整合后输出。
S8，将汽油尿素类的近红外光谱区域收集在一起作为汽油类近红外光谱区域，将柴油尿素类的近红外光谱区域收集在一起作为柴油类近红外光谱区域。基于上述步骤，由于车用尿素一般分为汽油尿素和柴油尿素，两种尿素的组成成分有所不同，对应的信息量的相关性最大的光谱区域也有所不同。因此，本公开采用的是将汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型整合在一起构成的区域选择神经网络模型。进而能够预先在判断层进行类别筛分，然后在利用对应类别的汽油尿素区域选择神经网络模型或柴油尿素区域选择神经网络模型进行处理，这样能够保证得到的近红外光谱区域更加准确，筛选精度和准确度都得到有效的提高。
S9，对所述汽油类近红外光谱区域或所述柴油类近红外光谱区域进行一阶导数处理后，再进行多元线性回归处理得到汽油类近红外检测值或柴油类近红外检测值。
进行一阶导数处理目的是为了降低近红外光谱图的低频噪声和漂移的影响、提高分辨率、方便峰位置的准确定位，同时放大高频噪声。
S10，将汽油类近红外检测值与对应的湿化学值，或，柴油类近红外检测值与对应的湿化学值利用偏最小二乘法运算处理进行关联，得到所述尿素样品的关联后的汽油类数据或柴油类数据。
S11，计算汽油类数据中的汽油类近红外检测值与对应湿化学值之间的汽油类均方根误差，将汽油类均方根误差大于汽油类误差阈值的汽油类数据删除，或者，计算柴油类数据中的柴油类近红外检测值与对应湿化学值之间的柴油类均方根误差，将柴油类均方根误差大于柴油类误差阈值的柴油类数据删除。
S12，利用剩余的汽油类数据构建汽油类数据库，将所述汽油类数据库作为汽油类近红外分析初始模型，或者，利用剩余的柴油类数据构建柴油类数据库，将所述柴油类数据库作为柴油类近红外分析初始模型；
S13，利用汽油类尿素样品对所述汽油类近红外分析初始模型进行交叉检验，得到汽油类近红外分析模型，或者，利用柴油类尿素样品对所述柴油类近红外分析初始模型进行交叉检验，得到柴油类近红外分析模型；
S14，将所述汽油类近红外分析模型和所述柴油类近红外分析模型进行组合形成近红外分析模型；
S15，将待检测的尿素利用红外设备获取对应的待分析近红外光谱，以及利用湿化法对待检测的尿素进行处理得到与待检测的尿素的成分对应的待分析湿化学值；
S16，将所述待检测的尿素的待分析近红外光谱和对应的待分析湿化学值输入至所述近红外分析模型中，利用近红外分析模型确定所述待检测的尿素的类别，将所述待检测的尿素的中的待分析近红外光谱和对应的待分析湿化学值输入至对应类别的所述汽油类近红外分析模型或所述柴油类近红外分析模型中进行处理得到所述待检测的尿素的各项成分的含量数据。
通过上述方案，能够根据尿素样品的近红外检测值以及对应成分的湿化学值进行结合关联，进而构建对应的数据库，形成近红外分析模型，这样，就可以利用近红外分析模型对待检测的尿素的各项成分含量数据进行检测分析，使得检测得到的各成分含量的准确度得到有效提高。
在一些实施例中，所述区域选择神经网络模型的构建过程包括：
SA1，构建具有一个输入层、多个隐藏层和一个输出层的深度神经网络；
SA2，获取预定数量的尿素样本，利用近红外设备获取各个尿素样本的近红外光谱，并对每个近红外光谱中相关性最大的光谱区域进行目标区域标记，将标记后的预定数量的尿素样本的近红外光谱作为训练样本；
SA3，根据所述尿素样本的类别，对所述训练样本进行分类，分为汽油类训练样本和柴油类训练样本；
SA4，提取汽油类训练样本，输入至所述深度神经网络的输入层，利用所述输入层对所述汽油类的训练样本进行预处理，并将预处理后的训练样本发送至隐藏层进行处理；
SA5，所述隐藏层将处理结果发送至所述输出层，所述输出层将处理结果整理成对应的光谱区域结果进行输出；
SA6，判断输出的光谱区域结果与对应的目标区域标记是否相同，是则，选择所述下一个汽油类训练样本进行训练，否则计算输出的光谱区域结果与对应的目标区域标记之间的损失函数，利用所述损失函数计算损失值，根据所述损失值对深度神经网络中的所述目标类对应的各个隐藏层的参数进行调整，直至输出的光谱区域结果与对应的目标区域标记相同；
SA7，不断重复步骤SA5至SA7直至所述汽油类训练样本全部训练完成得到汽油尿素区域选择神经网络模型；
SA8，提取柴油类训练样本，将所述柴油类训练样本输入至所述汽油尿素区域选择神经网络模型中的输入层，并重复步骤SA5至SA7的过程对所述汽油尿素区域选择神经网络模型进行继续训练，直至所有柴油类训练样本全部训练完成，将最后得到的神经网络作为柴油尿素区域选择神经网络模型；
SA9，将汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型进行整合后，在前端增加判断层，在后端增加数据整合层以后构成所述区域选择神经网络模型。
在上述步骤中，由于汽油类和柴油类的车用尿素成分比较相似，直接沿用汽油类区域选择神经网络模型的各层参数信息，进行继续学习训练得到的柴油尿素区域选择神经网络模型的训练时间能够减少，同时还能保证准确性。
另外，也可以选用先训练柴油尿素区域选择神经网络模型，再基于柴油尿素区域选择神经网络模型进行继续学习训练得到的汽油类区域选择神经网络模型。
无论采用哪种方式训练，都需要将两个模型按照上述步骤SA9的方式整合成一个区域选择神经网络模型。
通过上述方案，利用区域选择神经网络模型进行信息量的相关性最大的近红外光谱区域的识别过程，识别精度和准确度相对于现有技术能够得到有效的提高，并且由于区域选择神经网络模型具有再学习的功能，能在进行后续识别过程中不断的进行自主学习，进而不断的使得识别的精度和准确度得到更进一步地提高。
在一些实施例中，除了上述过程中的区域选择神经网络模型的构建方案，区域选择神经网络模型还可以通过下述过程进行构建：
SB1，获取预定数量的尿素样本，利用近红外设备获取各个尿素样本的近红外光谱，并对每个近红外光谱中相关性最大的光谱区域进行目标区域标记，将标记后的预定数量的尿素样本的近红外光谱作为训练样本。
SB2，根据所述尿素样本的类别，对所述训练样本进行分类，分为汽油类训练样本和柴油类训练样本。
SB3，构建两个具有输入层、隐藏层和输出层的深度神经网络，分别为第一深度神经网络和第二深度神经网络。
SB4，提取汽油类训练样本，利用汽油类训练样本对第一深度神经网络进行训练得到能够对汽油尿素的近红外光谱进行相关性最大的光谱区域识别的第一神经网络初始模型。
其中步骤SB4具体包括：
SB41，将所述汽油类训练样本输入至第一深度神经网络的输入层，利用所述输入层对所述汽油类训练样本进行预处理，并将预处理后的汽油类训练样本发送至隐藏层进行处理。
SB42，所述隐藏层将处理结果发送至所述输出层，所述输出层将处理结果整理成对应的光谱区域结果进行输出。
SB43，判断输出的光谱区域结果与对应的目标区域标记是否相同，是则，选择所述下一个汽油类训练样本进行训练，否则计算输出的光谱区域结果与对应的目标区域标记之间的损失函数，利用所述损失函数计算损失值，根据所述损失值对第一深度神经网络中的隐藏层的参数进行调整，直至输出的光谱区域结果与对应的目标区域标记相同。
SB44，不断重复步骤SB41至SB43直至所述汽油类训练样本全部训练完成得到第一神经网络初始模型。
SB5，提取柴油类训练样本，利用柴油类训练样本对第二深度神经网络进行训练得到能够对柴油尿素的近红外光谱进行相关性最大的光谱区域识别的第二神经网络初始模型。
其中，第二神经网络初始模型的具体训练过程与上述第一神经网络初始模型的训练过程同理，这里就不再赘述。
SB6，将第一神经网络初始模型和第二神经网络初始模型进行整合，并在所述第一神经网络初始模型和所述第二神经网络初始模型之前增加判断层，在所述第一神经网络初始模型和所述第二神经网络初始模型之后增加数据整合层，进而得到区域选择神经网络模型。
其中，判断层与两个神经网络初始模型的输入层连接，整理层与两个神经网络初始模型的输出层连接。
通过上述方案，将两个训练好的神经网络初始模型整合后构成一个总的区域选择神经网络模型，这样能够保证对汽油/柴油类别的尿素进行识别的过程中，不会出现混乱的情况，降低识别错误的概率，提高识别效果。由于区域选择神经网络模型具有再学习的功能，能在进行后续识别过程中不断的进行自主学习，进而不断的使得识别的精度和准确度得到更进一步地提高。
在一些实施例中，步骤S9中的多元线性回归处理过程具体包括：
S91，将一阶导数处理后的汽油类/柴油类近红外光谱区域中的至少一个主成分光谱乘以对应的主成分得分系数得到对应的主成分光谱数据，依据至少一个主成分光谱数据构建至少一个主成分矩阵。
S92，根据至少一个主成分矩阵构建至少一个主线性函数，将至少一个主线性函数进行线性回归处理，得到对应的汽油类/柴油类近红外检测值。
在上述方案中，通过对汽油类/柴油类近红外光谱的主成分进行分析，充分提取样品光谱的有效信息，消除了线性相关的问题，考虑了光谱矩阵与样品成分矩阵之间的内在联系，使得基于此构建的近红外分析模型更稳健，这种方式适合于复杂分析体系。
在一些实施例中，步骤S10中的偏最小二乘法的运算处理过程具体包括：
根据汽油类/柴油类近红外检测值构建对应的光谱矩阵，根据所述湿化学值中的主湿化学值构建主湿化学矩阵，将所述光谱矩阵和所述主湿化学矩阵进行关联，并计算两个矩阵的预测线性关系函数；
则步骤S12，具体为：利用剩余的各个汽油类/柴油类尿素样品得到的预测线性关系函数构建汽油类/柴油类数据库，将所述汽油类/柴油类数据库作为汽油类/柴油类近红外分析初始模型。
在一些实施例中，步骤S13具体包括：
S13-1，对n个汽油类/柴油类尿素样品进行排序N1，N2……Nn，从n个汽油类/柴油类尿素样品中选取N1汽油类/柴油类尿素样品作为检验样品，剩余的汽油类/柴油类尿素样品作为建模样品。
S13-2，利用建模样品按照上述步骤S2至S12的方案在构建的近红外分析初始模型之上再次构建汽油类/柴油类近红外分析初始模型。
S13-3，将检验样品利用红外设备获取对应的检验近红外光谱，以及利用湿化法对检验样品进行处理得到各项成分对应的检验湿化学值，并输入至再次构建的汽油类/柴油类近红外分析初始模型中进行处理，输出检验样品的各项成分的含量数据，并将输出的检验样品的各项成分的含量数据与所述检验样品的真实数据进行比对，得到检验的准确率。
S13-4，按照排序依次选取下一个汽油类/柴油类尿素样品作为检验样品，剩余的汽油类/柴油类尿素样品作为建模样品，重复步骤S13-2和S13-3的方案，直至n个汽油类/柴油类尿素样品均分别作为检验样品得到对应检验的准确率p1，p2……pn。
S13-5，计算检验的准确率p1，p2……pn的平均值p，判断是否p≥P，是则将最终得到的汽油类/柴油类近红外分析初始模型作为汽油类/柴油类近红外分析模型，否则重新获取新的汽油类/柴油类尿素样品，利用新的汽油类/柴油类尿素样品重复上述S13-1至S13-4的过程，直至得到的p≥P，将最终得到的汽油类/柴油类近红外分析初始模型作为汽油类/柴油类近红外分析模型，其中，P为准确率阈值。
在上述方案中，利用交叉检验的方式对得到的近红外分析初始模型进行检验，能够保证每一个尿素样品都被用于检验和建模，这样即使样品数量有限也能构建准确度相对较高的模型，提高建模效率。
在一些实施例中，在步骤S13之后，所述方法还包括：
S13’，获取a个汽油类/柴油类尿素样本作为校正集，获取b个汽油类/柴油类尿素样本作为验证集，利用校正集中的汽油类/柴油类尿素样本按照上述步骤S2至S12的方案在构建的汽油类/柴油类近红外分析模型之上再次构建汽油类/柴油类近红外分析验证模型，并将验证集中的汽油类/柴油类尿素样本依次输入至汽油类/柴油类近红外分析验证模型中输出验证结果，将验证结果与验证集中的汽油类/柴油类尿素样本的真实结果进行比对，确定验证的准确率；
S13”，判断验证的准确率是否超过验证阈值，是则将得到的汽油类/柴油类近红外分析验证模型作为最终的汽油类/柴油类近红外分析模型，否则，获取新的校正集和新的验证集重复步骤S13’的方案，直至得到的验证的准确率超过验证阈值，将得到的汽油类/柴油类近红外分析验证模型作为最终的汽油类/柴油类近红外分析模型。
在上述方案中，为了进一步保证近红外模型的准确性，利用校正集在上述步骤S13-5得到的近红外验证模型的基础上构建对应的近红外验证模型，然后再利用验证集中的样本对近红外验证模型进行验证。
另外，还可以将校正集作为验证集，将验证集作为校正集，按照上述步骤S13’至S13”，进行处理，进而进一步验证近红外验证模型。
将验证完成的近红外验证模型作为最终的近红外分析模型，这样能够使得最终得到的近红外分析模型的分析精度得到进一步地提高。
需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种基于近红外建模的尿素检测分析装置。
参考图2，所述基于近红外建模的尿素检测分析装置，包括：
获取模块201，用于获取获取尿素样品。
近红外获取模块202，用于利用近红外设备获取每个所述尿素样品的近红外光谱。
湿化学处理模块203，用于利用湿化学法对每个所述尿素样品的成分进行检测，获取每个所述尿素样品的成分对应的湿化学值。
神经网络处理模块204，用于将所述尿素样品的近红外光谱和湿化学值输入至预先构建的区域选择神经网络模型中，所述判断层根据所述湿化学值确定所述尿素样品的类别，根据确定的的类别从汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型中选择对应的目标区域选择神经网络模型，将所述尿素样品的近红外光谱发送至所述目标区域选择神经网络模型中进行处理；所述目标区域选择神经网络对所述尿素样品的近红外光谱进行处理，从所述尿素样品的所述近红外光谱中选择信息量的相关性最大的区域为近红外光谱区域，将所述近红外光谱区域作为处理结果发送至数据整合层；所述数据整合层将处理结果和所述目标区域选择神经网络对应的类别进行整合后输出；其中，预先将训练好的汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型进行整合后，在前端增加判断层，在后端增加数据整合层以后构成所述区域选择神经网络模型，其中，尿素样品的类别包括：汽油尿素类和柴油尿素类。
收集模块205，用于将汽油尿素类的近红外光谱区域收集在一起作为汽油类近红外光谱区域，将柴油尿素类的近红外光谱区域收集在一起作为柴油类近红外光谱区域。
数学处理模块206，用于对所述汽油类近红外光谱区域或所述柴油类近红外光谱区域进行一阶导数处理后，再进行多元线性回归处理得到汽油类近红外检测值或柴油类近红外检测值。
关联处理模块207，用于将汽油类近红外检测值与对应的湿化学值，或，柴油类近红外检测值与对应的湿化学值利用偏最小二乘法运算处理进行关联，得到所述尿素样品的关联后的汽油类数据或柴油类数据。
删除模块208，用于计算汽油类数据中的汽油类近红外检测值与对应湿化学值之间的汽油类均方根误差，将汽油类均方根误差大于汽油类误差阈值的汽油类数据删除，或者，计算柴油类数据中的柴油类近红外检测值与对应湿化学值之间的柴油类均方根误差，将柴油类均方根误差大于柴油类误差阈值的柴油类数据删除。
构建模块209，用于利用剩余的汽油类数据构建汽油类数据库，将所述汽油类数据库作为汽油类近红外分析初始模型，或者，利用剩余的柴油类数据构建柴油类数据库，将所述柴油类数据库作为柴油类近红外分析初始模型。
交叉检验模块210，用于利用汽油类尿素样品对所述汽油类近红外分析初始模型进行交叉检验，得到汽油类近红外分析模型，或者，利用柴油类尿素样品对所述柴油类近红外分析初始模型进行交叉检验，得到柴油类近红外分析模型。
组合模块211，用于将所述汽油类近红外分析模型和所述柴油类近红外分析模型进行组合形成近红外分析模型。
待检测预处理模块212，用于将待检测的尿素利用红外设备获取对应的待分析近红外光谱，以及利用湿化法对待检测的尿素进行处理得到与待检测的尿素的成分对应的待分析湿化学值。
检测分析模块213，用于将所述待检测的尿素的待分析近红外光谱和对应的待分析湿化学值输入至所述近红外分析模型中，利用近红外分析模型确定所述待检测的尿素的类别，将所述待检测的尿素的中的待分析近红外光谱和对应的待分析湿化学值输入至对应类别的所述汽油类近红外分析模型或所述柴油类近红外分析模型中进行处理得到所述待检测的尿素的各项成分的含量数据。
在一些实施例中，装置还包括第一训练模块，用于构建区域选择神经网络模型。
第一训练模块具体用于：
构建具有一个输入层、多个隐藏层和一个输出层的深度神经网络；
获取预定数量的尿素样本，利用近红外设备获取各个尿素样本的近红外光谱，并对每个近红外光谱中相关性最大的光谱区域进行目标区域标记，将标记后的预定数量的尿素样本的近红外光谱作为训练样本；
根据所述尿素样本的类别，对所述训练样本进行分类，分为汽油类训练样本和柴油类训练样本；
提取汽油类训练样本，输入至所述深度神经网络的输入层，利用所述输入层对所述汽油类的训练样本进行预处理，并将预处理后的训练样本发送至隐藏层进行处理；
所述隐藏层将处理结果发送至所述输出层，所述输出层将处理结果整理成对应的光谱区域结果进行输出；
判断输出的光谱区域结果与对应的目标区域标记是否相同，是则，选择所述下一个汽油类训练样本进行训练，否则计算输出的光谱区域结果与对应的目标区域标记之间的损失函数，利用所述损失函数计算损失值，根据所述损失值对深度神经网络中的所述目标类对应的各个隐藏层的参数进行调整，直至输出的光谱区域结果与对应的目标区域标记相同；
不断重复上述过程直至所述汽油类训练样本全部训练完成得到汽油尿素区域选择神经网络模型；
提取柴油类训练样本，将所述柴油类训练样本输入至所述汽油尿素区域选择神经网络模型中的输入层，并重复上述过程对所述汽油尿素区域选择神经网络模型进行继续训练，直至所有柴油类训练样本全部训练完成，将最后得到的神经网络作为柴油尿素区域选择神经网络模型；
将汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型进行整合后，在前端增加判断层，在后端增加数据整合层以后构成所述区域选择神经网络模型。
在一些实施例中，装置还包括第二训练模块，用于构建区域选择神经网络模型。
第二训练模块具体用于：
获取预定数量的尿素样本，利用近红外设备获取各个尿素样本的近红外光谱，并对每个近红外光谱中相关性最大的光谱区域进行目标区域标记，将标记后的预定数量的尿素样本的近红外光谱作为训练样本。
根据所述尿素样本的类别，对所述训练样本进行分类，分为汽油类训练样本和柴油类训练样本。
构建两个具有输入层、隐藏层和输出层的深度神经网络，分别为第一深度神经网络和第二深度神经网络。
提取汽油类训练样本，将所述汽油类训练样本输入至第一深度神经网络的输入层，利用所述输入层对所述汽油类训练样本进行预处理，并将预处理后的汽油类训练样本发送至隐藏层进行处理。
所述隐藏层将处理结果发送至所述输出层，所述输出层将处理结果整理成对应的光谱区域结果进行输出。
判断输出的光谱区域结果与对应的目标区域标记是否相同，是则，选择所述下一个汽油类训练样本进行训练，否则计算输出的光谱区域结果与对应的目标区域标记之间的损失函数，利用所述损失函数计算损失值，根据所述损失值对第一深度神经网络中的隐藏层的参数进行调整，直至输出的光谱区域结果与对应的目标区域标记相同。
不断重复上述过程直至所述汽油类训练样本全部训练完成得到第一神经网络初始模型。
提取柴油类训练样本，利用柴油类训练样本对第二深度神经网络进行训练得到能够对柴油尿素的近红外光谱进行相关性最大的光谱区域识别的第二神经网络初始模型。
将第一神经网络初始模型和第二神经网络初始模型进行整合，并在所述第一神经网络初始模型和所述第二神经网络初始模型之前增加判断层，在所述第一神经网络初始模型和所述第二神经网络初始模型之后增加数据整合层，进而得到区域选择神经网络模型。
在一些实施例中，交叉检验模块210具体用于：
对n个汽油类/柴油类尿素样品进行排序N1，N2……Nn，从n个汽油类/柴油类尿素样品中选取N1汽油类/柴油类尿素样品作为检验样品，剩余的汽油类/柴油类尿素样品作为建模样品；
利用建模样品按照上述步骤S2至S12的方案在构建的近红外分析初始模型之上再次构建汽油类/柴油类近红外分析初始模型；
将检验样品利用红外设备获取对应的检验近红外光谱，以及利用湿化法对检验样品进行处理得到各项成分对应的检验湿化学值，并输入至再次构建的汽油类/柴油类近红外分析初始模型中进行处理，输出检验样品的各项成分的含量数据，并将输出的检验样品的各项成分的含量数据与所述检验样品的真实数据进行比对，得到检验的准确率；
按照排序依次选取下一个汽油类/柴油类尿素样品作为检验样品，剩余的汽油类/柴油类尿素样品作为建模样品，重复步骤S13-2和S13-3的方案，直至n个汽油类/柴油类尿素样品均分别作为检验样品得到对应检验的准确率p1，p2……pn；
计算检验的准确率p1，p2……pn的平均值p，判断是否p≥P，是则将最终得到的汽油类/柴油类近红外分析初始模型作为汽油类/柴油类近红外分析模型，否则重新获取新的汽油类/柴油类尿素样品，利用新的汽油类/柴油类尿素样品重复上述S13-1至S13-4的过程，直至得到的p≥P，将最终得到的汽油类/柴油类近红外分析初始模型作为汽油类/柴油类近红外分析模型，其中，P为准确率阈值。
在一些实施例中，装置还包括：校验模块，具体用于：
获取a个汽油类/柴油类尿素样本作为校正集，获取b个汽油类/柴油类尿素样本作为验证集，利用校正集中的汽油类/柴油类尿素样本按照上述步骤S2至S12的方案在构建的汽油类/柴油类近红外分析模型之上再次构建汽油类/柴油类近红外分析验证模型，并将验证集中的汽油类/柴油类尿素样本依次输入至汽油类/柴油类近红外分析验证模型中输出验证结果，将验证结果与验证集中的汽油类/柴油类尿素样本的真实结果进行比对，确定验证的准确率。
判断验证的准确率是否超过验证阈值，是则将得到的汽油类/柴油类近红外分析验证模型作为最终的汽油类/柴油类近红外分析模型，否则，获取新的校正集和新的验证集重复步骤S13’的方案，直至得到的验证的准确率超过验证阈值，将得到的汽油类/柴油类近红外分析验证模型作为最终的汽油类/柴油类近红外分析模型。
在一些实施例中，数学处理模块206具体用于：
将一阶导数处理后的汽油类/柴油类近红外光谱区域中的至少一个主成分光谱乘以对应的主成分得分系数得到对应的主成分光谱数据，依据至少一个主成分光谱数据构建至少一个主成分矩阵。
根据至少一个主成分矩阵构建至少一个主线性函数，将至少一个主线性函数进行线性回归处理，得到对应的汽油类/柴油类近红外检测值。
在一些实施例中，关联处理模块207具体用于：
根据汽油类/柴油类近红外检测值构建对应的光谱矩阵，根据所述湿化学值中的主湿化学值构建主湿化学矩阵，将所述光谱矩阵和所述主湿化学矩阵进行关联，并计算两个矩阵的预测线性关系函数。
则构建模块209，还用于利用剩余的各个汽油类/柴油类尿素样品得到的预测线性关系函数构建汽油类/柴油类数据库，将所述汽油类/柴油类数据库作为汽油类/柴油类近红外分析初始模型。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的基于近红外建模的尿素检测分析方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的基于近红外建模的尿素检测分析方法。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的基于近红外建模的尿素检测分析方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的基于近红外建模的尿素检测分析方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的基于近红外建模的尿素检测分析方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于近红外建模的尿素检测分析方法，其特征在于，所述尿素为车用尿素，所述方法包括：
S1，获取尿素样品；
S2，利用近红外设备获取每个所述尿素样品的近红外光谱；
S3，利用湿化学法对每个所述尿素样品的成分进行检测，得到与每个所述尿素样品的成分对应的湿化学值；
S4，将所述尿素样品的近红外光谱和湿化学值输入至预先构建的区域选择神经网络模型中，其中，预先将训练好的汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型进行整合后，在前端增加判断层，在后端增加数据整合层以后构成所述区域选择神经网络模型；
S5，所述判断层根据所述湿化学值确定所述尿素样品的类别，根据确定的的类别从汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型中选择对应的目标区域选择神经网络模型，将所述尿素样品的近红外光谱发送至所述目标区域选择神经网络模型中进行处理；其中，尿素样品的类别包括：汽油尿素类和柴油尿素类；
S6，所述目标区域选择神经网络对所述尿素样品的近红外光谱进行处理，从所述尿素样品的所述近红外光谱中选择信息量的相关性最大的区域为近红外光谱区域，将所述近红外光谱区域作为处理结果发送至数据整合层；
S7，所述数据整合层将处理结果和所述目标区域选择神经网络对应的类别进行整合后输出；
S8，将汽油尿素类的近红外光谱区域收集在一起作为汽油类近红外光谱区域，将柴油尿素类的近红外光谱区域收集在一起作为柴油类近红外光谱区域；
S9，对所述汽油类近红外光谱区域或所述柴油类近红外光谱区域进行一阶导数处理后，再进行多元线性回归处理得到汽油类近红外检测值或柴油类近红外检测值；
S10，将汽油类近红外检测值与对应的湿化学值，或，柴油类近红外检测值与对应的湿化学值利用偏最小二乘法运算处理进行关联，得到所述尿素样品的关联后的汽油类数据或柴油类数据；
S11，计算汽油类数据中的汽油类近红外检测值与对应湿化学值之间的汽油类均方根误差，将汽油类均方根误差大于汽油类误差阈值的汽油类数据删除，或者，计算柴油类数据中的柴油类近红外检测值与对应湿化学值之间的柴油类均方根误差，将柴油类均方根误差大于柴油类误差阈值的柴油类数据删除；
S12，利用剩余的汽油类数据构建汽油类数据库，将所述汽油类数据库作为汽油类近红外分析初始模型，或者，利用剩余的柴油类数据构建柴油类数据库，将所述柴油类数据库作为柴油类近红外分析初始模型；
S13，利用汽油类尿素样品对所述汽油类近红外分析初始模型进行交叉检验，得到汽油类近红外分析模型，或者，利用柴油类尿素样品对所述柴油类近红外分析初始模型进行交叉检验，得到柴油类近红外分析模型；
S14，将所述汽油类近红外分析模型和所述柴油类近红外分析模型进行组合形成近红外分析模型；
S15，将待检测的尿素利用红外设备获取对应的待分析近红外光谱，以及利用湿化法对待检测的尿素进行处理得到与待检测的尿素的成分对应的待分析湿化学值；
S16，将所述待检测的尿素的待分析近红外光谱和对应的待分析湿化学值输入至所述近红外分析模型中，利用近红外分析模型确定所述待检测的尿素的类别，将所述待检测的尿素的中的待分析近红外光谱和对应的待分析湿化学值输入至对应类别的所述汽油类近红外分析模型或所述柴油类近红外分析模型中进行处理得到所述待检测的尿素的各项成分的含量数据。
2.根据权利要求1所述的方法，其特征在于，所述区域选择神经网络模型的构建过程包括：
SA1，构建具有一个输入层、多个隐藏层和一个输出层的深度神经网络；
SA2，获取预定数量的尿素样本，利用近红外设备获取各个尿素样本的近红外光谱，并对每个近红外光谱中相关性最大的光谱区域进行目标区域标记，将标记后的预定数量的尿素样本的近红外光谱作为训练样本；
SA3，根据所述尿素样本的类别，对所述训练样本进行分类，分为汽油类训练样本和柴油类训练样本；
SA4，提取汽油类训练样本，输入至所述深度神经网络的输入层，利用所述输入层对所述汽油类的训练样本进行预处理，并将预处理后的训练样本发送至隐藏层进行处理；
SA5，所述隐藏层将处理结果发送至所述输出层，所述输出层将处理结果整理成对应的光谱区域结果进行输出；
SA6，判断输出的光谱区域结果与对应的目标区域标记是否相同，是则，选择所述下一个汽油类训练样本进行训练，否则计算输出的光谱区域结果与对应的目标区域标记之间的损失函数，利用所述损失函数计算损失值，根据所述损失值对深度神经网络中的所述目标类对应的各个隐藏层的参数进行调整，直至输出的光谱区域结果与对应的目标区域标记相同；
SA7，不断重复步骤SA5至SA7直至所述汽油类训练样本全部训练完成得到汽油尿素区域选择神经网络模型；
SA8，提取柴油类训练样本，将所述柴油类训练样本输入至所述汽油尿素区域选择神经网络模型中的输入层，并重复步骤SA5至SA7的过程对所述汽油尿素区域选择神经网络模型进行继续训练，直至所有柴油类训练样本全部训练完成，将最后得到的神经网络作为柴油尿素区域选择神经网络模型；
SA9，将汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型进行整合后，在前端增加判断层，在后端增加数据整合层以后构成所述区域选择神经网络模型。
3.根据权利要求1所述的方法，其特征在于，所述区域选择神经网络模型的构建过程包括：
SB1，获取预定数量的尿素样本，利用近红外设备获取各个尿素样本的近红外光谱，并对每个近红外光谱中相关性最大的光谱区域进行目标区域标记，将标记后的预定数量的尿素样本的近红外光谱作为训练样本；
SB2，根据所述尿素样本的类别，对所述训练样本进行分类，分为汽油类训练样本和柴油类训练样本；
SB3，构建两个具有输入层、隐藏层和输出层的深度神经网络，分别为第一深度神经网络和第二深度神经网络；
SB4，提取汽油类训练样本，利用汽油类训练样本对第一深度神经网络进行训练得到能够对汽油尿素的近红外光谱进行相关性最大的光谱区域识别的第一神经网络初始模型；
SB5，提取柴油类训练样本，利用柴油类训练样本对第二深度神经网络进行训练得到能够对柴油尿素的近红外光谱进行相关性最大的光谱区域识别的第二神经网络初始模型；
SB6，将第一神经网络初始模型和第二神经网络初始模型进行整合，并在所述第一神经网络初始模型和所述第二神经网络初始模型之前增加判断层，在所述第一神经网络初始模型和所述第二神经网络初始模型之后增加数据整合层，进而得到区域选择神经网络模型。
4.根据权利要求3所述的方法，其特征在于，步骤SB4具体包括：
SB41，将所述汽油类训练样本输入至第一深度神经网络的输入层，利用所述输入层对所述汽油类训练样本进行预处理，并将预处理后的汽油类训练样本发送至隐藏层进行处理；
SB42，所述隐藏层将处理结果发送至所述输出层，所述输出层将处理结果整理成对应的光谱区域结果进行输出；
SB43，判断输出的光谱区域结果与对应的目标区域标记是否相同，是则，选择所述下一个汽油类训练样本进行训练，否则计算输出的光谱区域结果与对应的目标区域标记之间的损失函数，利用所述损失函数计算损失值，根据所述损失值对第一深度神经网络中的隐藏层的参数进行调整，直至输出的光谱区域结果与对应的目标区域标记相同；
SB44，不断重复步骤SB41至SB43直至所述汽油类训练样本全部训练完成得到第一神经网络初始模型。
5.根据权利要求1-4任一项所述的方法，其特征在于，步骤S13具体包括：
S13-1，对n个汽油类/柴油类尿素样品进行排序N1，N2……Nn，从n个汽油类/柴油类尿素样品中选取N1汽油类/柴油类尿素样品作为检验样品，剩余的汽油类/柴油类尿素样品作为建模样品；
S13-2，利用建模样品按照上述步骤S2至S12的方案在构建的近红外分析初始模型之上再次构建汽油类/柴油类近红外分析初始模型；
S13-3，将检验样品利用红外设备获取对应的检验近红外光谱，以及利用湿化法对检验样品进行处理得到各项成分对应的检验湿化学值，并输入至再次构建的汽油类/柴油类近红外分析初始模型中进行处理，输出检验样品的各项成分的含量数据，并将输出的检验样品的各项成分的含量数据与所述检验样品的真实数据进行比对，得到检验的准确率；
S13-4，按照排序依次选取下一个汽油类/柴油类尿素样品作为检验样品，剩余的汽油类/柴油类尿素样品作为建模样品，重复步骤S13-2和S13-3的方案，直至n个汽油类/柴油类尿素样品均分别作为检验样品得到对应检验的准确率p1，p2……pn；
S13-5，计算检验的准确率p1，p2……pn的平均值p，判断是否p≥P，是则将最终得到的汽油类/柴油类近红外分析初始模型作为汽油类/柴油类近红外分析模型，否则重新获取新的汽油类/柴油类尿素样品，利用新的汽油类/柴油类尿素样品重复上述S13-1至S13-4的过程，直至得到的p≥P，将最终得到的汽油类/柴油类近红外分析初始模型作为汽油类/柴油类近红外分析模型，其中，P为准确率阈值。
6.根据权利要求1-5任一项所述的方法，其特征在于，在步骤S13之后，所述方法还包括：
S13’，获取a个汽油类/柴油类尿素样本作为校正集，获取b个汽油类/柴油类尿素样本作为验证集，利用校正集中的汽油类/柴油类尿素样本按照上述步骤S2至S12的方案在构建的汽油类/柴油类近红外分析模型之上再次构建汽油类/柴油类近红外分析验证模型，并将验证集中的汽油类/柴油类尿素样本依次输入至汽油类/柴油类近红外分析验证模型中输出验证结果，将验证结果与验证集中的汽油类/柴油类尿素样本的真实结果进行比对，确定验证的准确率；
S13”，判断验证的准确率是否超过验证阈值，是则将得到的汽油类/柴油类近红外分析验证模型作为最终的汽油类/柴油类近红外分析模型，否则，获取新的校正集和新的验证集重复步骤S13’的方案，直至得到的验证的准确率超过验证阈值，将得到的汽油类/柴油类近红外分析验证模型作为最终的汽油类/柴油类近红外分析模型。
7.根据权利要求1所述的方法，其特征在于，步骤S9中的多元线性回归处理过程具体包括：
将一阶导数处理后的汽油类/柴油类近红外光谱区域中的至少一个主成分光谱乘以对应的主成分得分系数得到对应的主成分光谱数据，依据至少一个主成分光谱数据构建至少一个主成分矩阵；
根据至少一个主成分矩阵构建至少一个主线性函数，将至少一个主线性函数进行线性回归处理，得到对应的汽油类/柴油类近红外检测值。
8.根据权利要求7所述的方法，其特征在于，步骤S10中的偏最小二乘法的运算处理过程具体包括：
根据汽油类/柴油类近红外检测值构建对应的光谱矩阵，根据所述湿化学值中的主湿化学值构建主湿化学矩阵，将所述光谱矩阵和所述主湿化学矩阵进行关联，并计算两个矩阵的预测线性关系函数；
则步骤S12，具体为：利用剩余的各个汽油类/柴油类尿素样品得到的预测线性关系函数构建汽油类/柴油类数据库，将所述汽油类/柴油类数据库作为汽油类/柴油类近红外分析初始模型。
9.一种基于近红外建模的尿素检测分析装置，其特征在于，所述尿素为车用尿素，所述装置包括：
获取模块，用于获取获取尿素样品；
近红外获取模块，用于利用近红外设备获取每个所述尿素样品的近红外光谱；
湿化学处理模块，用于利用湿化学法对每个所述尿素样品的成分进行检测，获取每个所述尿素样品的成分对应的湿化学值；
神经网络处理模块，用于将所述尿素样品的近红外光谱和湿化学值输入至预先构建的区域选择神经网络模型中，所述判断层根据所述湿化学值确定所述尿素样品的类别，根据确定的的类别从汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型中选择对应的目标区域选择神经网络模型，将所述尿素样品的近红外光谱发送至所述目标区域选择神经网络模型中进行处理；所述目标区域选择神经网络对所述尿素样品的近红外光谱进行处理，从所述尿素样品的所述近红外光谱中选择信息量的相关性最大的区域为近红外光谱区域，将所述近红外光谱区域作为处理结果发送至数据整合层；所述数据整合层将处理结果和所述目标区域选择神经网络对应的类别进行整合后输出；其中，预先将训练好的汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型进行整合后，在前端增加判断层，在后端增加数据整合层以后构成所述区域选择神经网络模型，其中，尿素样品的类别包括：汽油尿素类和柴油尿素类；
收集模块，用于将汽油尿素类的近红外光谱区域收集在一起作为汽油类近红外光谱区域，将柴油尿素类的近红外光谱区域收集在一起作为柴油类近红外光谱区域；
数学处理模块，用于对所述汽油类近红外光谱区域或所述柴油类近红外光谱区域进行一阶导数处理后，再进行多元线性回归处理得到汽油类近红外检测值或柴油类近红外检测值；
关联处理模块，用于将汽油类近红外检测值与对应的湿化学值，或，柴油类近红外检测值与对应的湿化学值利用偏最小二乘法运算处理进行关联，得到所述尿素样品的关联后的汽油类数据或柴油类数据；
删除模块，用于计算汽油类数据中的汽油类近红外检测值与对应湿化学值之间的汽油类均方根误差，将汽油类均方根误差大于汽油类误差阈值的汽油类数据删除，或者，计算柴油类数据中的柴油类近红外检测值与对应湿化学值之间的柴油类均方根误差，将柴油类均方根误差大于柴油类误差阈值的柴油类数据删除；
构建模块，用于利用剩余的汽油类数据构建汽油类数据库，将所述汽油类数据库作为汽油类近红外分析初始模型，或者，利用剩余的柴油类数据构建柴油类数据库，将所述柴油类数据库作为柴油类近红外分析初始模型；
交叉检验模块，用于利用汽油类尿素样品对所述汽油类近红外分析初始模型进行交叉检验，得到汽油类近红外分析模型，或者，利用柴油类尿素样品对所述柴油类近红外分析初始模型进行交叉检验，得到柴油类近红外分析模型；
组合模块，用于将所述汽油类近红外分析模型和所述柴油类近红外分析模型进行组合形成近红外分析模型；
待检测预处理模块，用于将待检测的尿素利用红外设备获取对应的待分析近红外光谱，以及利用湿化法对待检测的尿素进行处理得到与待检测的尿素的成分对应的待分析湿化学值；
检测分析模块，用于将所述待检测的尿素的待分析近红外光谱和对应的待分析湿化学值输入至所述近红外分析模型中，利用近红外分析模型确定所述待检测的尿素的类别，将所述待检测的尿素的中的待分析近红外光谱和对应的待分析湿化学值输入至对应类别的所述汽油类近红外分析模型或所述柴油类近红外分析模型中进行处理得到所述待检测的尿素的各项成分的含量数据。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至8任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110862905.XA CN113740293B (zh) | 2021-07-29 | 2021-07-29 | 基于近红外建模的尿素检测分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110862905.XA CN113740293B (zh) | 2021-07-29 | 2021-07-29 | 基于近红外建模的尿素检测分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113740293A true CN113740293A (zh) | 2021-12-03 |
| CN113740293B CN113740293B (zh) | 2024-03-05 |
Family
ID=78729374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110862905.XA Active CN113740293B (zh) | 2021-07-29 | 2021-07-29 | 基于近红外建模的尿素检测分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113740293B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109030377A (zh) * | 2017-06-08 | 2018-12-18 | 罗斯蒙特分析公司 | 具有改进的错误检测的色度分析仪 |
| CN110927099A (zh) * | 2019-12-11 | 2020-03-27 | 山东省产品质量检验研究院 | 柴油发动机氮氧化物还原剂的快速检测方法 |
| CN111044483A (zh) * | 2019-12-27 | 2020-04-21 | 武汉工程大学 | 一种基于近红外光谱的奶油中色素测定方法、系统和介质 |
-
2021
- 2021-07-29 CN CN202110862905.XA patent/CN113740293B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109030377A (zh) * | 2017-06-08 | 2018-12-18 | 罗斯蒙特分析公司 | 具有改进的错误检测的色度分析仪 |
| CN110927099A (zh) * | 2019-12-11 | 2020-03-27 | 山东省产品质量检验研究院 | 柴油发动机氮氧化物还原剂的快速检测方法 |
| CN111044483A (zh) * | 2019-12-27 | 2020-04-21 | 武汉工程大学 | 一种基于近红外光谱的奶油中色素测定方法、系统和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113740293B (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105486655B (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
| CN108780048A (zh) | 一种确定检测设备的方法、检测装置及可读存储介质 | |
| CN109669023A (zh) | 一种基于多传感器融合的土壤属性预测方法 | |
| CN107632010B (zh) | 一种结合激光诱导击穿光谱对钢铁样品的定量方法 | |
| CN109060760B (zh) | 分析模型建立方法、气体分析装置及方法 | |
| CN111487213A (zh) | 多光谱融合的化学需氧量测试方法及装置 | |
| CN105784672A (zh) | 一种基于双树复小波算法的毒品检测仪标准化方法 | |
| CN111879709B (zh) | 湖泊水体光谱反射率检验方法及装置 | |
| CN115993344A (zh) | 一种近红外光谱分析仪质量监测分析系统及方法 | |
| CN113740295B (zh) | 基于近红外建模的成品油添加剂检测分析方法及装置 | |
| CN116911183A (zh) | 岩溶湿地水体叶绿素a反演的方法、系统、设备及介质 | |
| CN105223140A (zh) | 同源物质的快速识别方法 | |
| CN116818687B (zh) | 基于光谱引导集成学习的土壤有机碳光谱预测方法及装置 | |
| CN111289459B (zh) | 混合物质组分浓度检测方法、装置、设备及存储介质 | |
| CN113740294B (zh) | 基于近红外建模的汽油/柴油检测分析方法及装置 | |
| CN108120694B (zh) | 用于晒红烟化学成分分析的多元校正方法及系统 | |
| 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 | |
| CN109145403B (zh) | 一种基于样本共识的近红外光谱建模方法 | |
| CN113740293A (zh) | 基于近红外建模的尿素检测分析方法及装置 | |
| JP6280910B2 (ja) | 分光システムの性能を測定するための方法 | |
| CN116399836A (zh) | 基于交替梯度下降算法的串扰荧光光谱分解方法 | |
| CN111898314B (zh) | 湖泊水体参数检验方法、装置、电子设备及存储介质 | |
| 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 | |
| CN114002203A (zh) | 一种基于拉曼光谱分析木质成分含量的方法及装置 | |
| CN112697745A (zh) | 一种白酒酒精含量测定方法 |
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 |