CN114018861B - 一种基于特征峰的光谱重构方法 - Google Patents
一种基于特征峰的光谱重构方法 Download PDFInfo
- Publication number
- CN114018861B CN114018861B CN202111265845.XA CN202111265845A CN114018861B CN 114018861 B CN114018861 B CN 114018861B CN 202111265845 A CN202111265845 A CN 202111265845A CN 114018861 B CN114018861 B CN 114018861B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- sample
- spectrum data
- virtual
- detected
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000003595 spectral effect Effects 0.000 title claims description 7
- 238000001228 spectrum Methods 0.000 claims abstract description 104
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 14
- 238000009795 derivation Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 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
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination 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
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)
- Spectrometry And Color Measurement (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于特征峰的光谱重构方法。该方法首先采集待测样品的光谱数据,然后对待测样品光谱数据进行二阶求导,得到待测样品特征峰,根据便携式近红外光谱波长点权重特性选取一定数目的特征峰光强点替代原始光谱数据,然后根据样品组分标定值进行插值运算,计算虚拟插值点,再根据样品替换后的光谱数据及虚拟插值点数目计算虚拟光谱数据,最后将虚拟光谱数据与虚拟组分标定值进行一一对应完成光谱数据库的扩充。该方法可以提高光谱重构效率,有效扩充样品光谱数据库,解决便携式近红外光谱分析技术需要大量实体样品才能有较好分析预测效果的问题。
Description
技术领域
本发明涉及光谱重构技术领域,尤其涉及一种基于特征峰的光谱重构方法。
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和性质信息,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和性质信息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,其光谱分析能力偏弱,尤其是在样品数量十分有限的情况下,便携式近红外光谱分析技术容易受到异常样本的影响进而降低其预测分析能力。在便携式近红外光谱分析技术的实际应用中,往往样品数量十分有限,且便携式近红外光谱设备采集到的数据也较为冗余,包含了过多与样品相关性较小的数据信息,对建模分析工作带来了较大的工作量与难度,由此如何获取一种既能缩减光谱自身数据量,又可以最大程度的保证样品特性,且增大样品光谱数据库的方法成为了必须解决的问题。
发明内容
本发明的目的是克服现有技术中存在的不足,提供一种基于特征峰的光谱重构方法。该方法首先采集待测样品的光谱数据,然后对待测样品光谱数据进行二阶求导,得到待测样品特征峰,根据便携式近红外光谱波长点权重特性选取一定数目的特征峰光强点替代原始光谱数据,然后根据样品组分标定值进行插值运算,计算虚拟插值点,再根据样品替换后的光谱数据及虚拟插值点数目计算虚拟光谱数据,最后将虚拟光谱数据与虚拟组分标定值进行一一对应完成光谱数据库的扩充。该方法通过特征峰信息选取权重系数较高的部分光强点代替原始光谱数据,进而在保留光谱数据特征信息前提下极大程度减小光谱数据量,提高光谱重构效率,有效扩充样品光谱数据库,解决便携式近红外光谱分析技术需要大量实体样品才能有较好分析预测效果的问题。
为了实现上述目的,本发明采用的技术方案是:一种基于特征峰的光谱重构方法,包括如下步骤:
a.采集待测样品的光谱数据;
b.对待测样品光谱数据进行二阶求导,得到待测样品特征峰;
c.根据便携式近红外光谱波长点权重特性选取一定数目的特征峰光强点替代原始光谱数据;
d.根据样品组分标定值进行插值运算,计算虚拟插值点,再根据样品替换后的光谱数据及虚拟插值点数目计算虚拟光谱数据;
e.将虚拟光谱数据与虚拟组分标定值进行一一对应完成光谱数据库的扩充。
进一步的技术方案为,步骤a中所述采集待测样品的光谱数据,采用波长均分式便携近红外光谱仪对待测样品光谱数据进行采集,其波长范围为,分辨率为,则每个待测样品的实际光谱数据包含50个光强值点。
进一步的技术方案为,步骤b中二阶求导光谱的半高宽只有原始谱图半峰宽的,能够简单的分辨出强峰两侧的小肩峰,在正确测定峰位及确定肩峰位置极为有效,通过二阶求导可以清晰的分辨出待测样品谱图的峰值,即特征峰波长点位置。
进一步的技术方案为,步骤c具体为根据待测样品光谱数据的二阶求导光谱图形,选取特征峰周围权重系数较高的波长点替代原始光谱数据。
进一步的技术方案为,步骤d具体为将待测样品的组分标定值进行顺序排布,每两个相邻标定值之间进行插值运算,计算得到虚拟插值点,再根据具体的虚拟插值点数目以及相邻标定值样品替换后的光谱数据计算得到虚拟光谱数据。
进一步的技术方案为,步骤e具体为将虚拟组分标定值按照顺序放入实际待测样品组分标定值之间,再将得到的虚拟光谱数据按照顺序放入替换后的实际待测样品光谱数据中,虚拟组分标定值与虚拟光谱数据进行一一对应,进而有效扩充样品光谱数据库。
与现有技术相比,本发明具有如下有益效果:提供一种基于特征峰的光谱重构方法,该方法通过特征峰信息选取权重系数较高的部分光强点代替原始光谱数据,进而在保留光谱数据特征信息前提下极大程度减小光谱数据量,提高光谱重构效率,有效扩充样品光谱数据库,解决便携式近红外光谱分析技术需要大量实体样品才能有较好分析预测效果的问题。
附图说明
图1是本发明一种基于特征峰的光谱重构方法的示意图;
图2是本发明待测样品二阶求导后的光谱数据图。
具体实施方式
下面结合附图和具体的实施方式对本发明作进一步详细的描述。
实施例1
如图1所示,图1中101是采集待测样品的光谱数据。采用波长均分式便携近红外光谱仪对待测样品光谱数据进行采集,其波长范围为1758nm~2150nm,分辨率为8nm,则每个待测样品的实际光谱数据包含50个光强值点。
在本实施例中,不同待测样品其光谱特征峰并不相同,采用波长均分式便携式近红外光谱仪对待测样品进行光谱数据采集可以最大均匀程度的采集到样品光谱数据,根据本专利的实际待测样品,选用波长范围为1758nm~2150nm,分辨率为8nm的便携式近红外光谱仪进行数据采集,可以计算出每一条光谱数据包含的光强点为N=1+(2150-1758)/8=50个,第1~50个波长点对应的波长范围为(1758nm,1766nm,……2150nm),每个待测样品采集获得的光谱数据实际表示为50个波长点上光强值的集合矩阵。为了尽可能的减少测量误差,每个待测样品进行四次光谱数据采集取平均值作为最终光谱数据值。
图1中102是对待测样品光谱数据进行二阶求导,得到待测样品特征峰。二阶求导光谱的半高宽只有原始谱图半峰宽的1/3左右,能够简单的分辨出强峰两侧的小肩峰,在正确测定峰位及确定肩峰位置极为有效,通过二阶求导可以清晰的分辨出待测样品谱图的峰值,即特征峰波长点位置。
在本实施例中,如图2所示,对采集得到的待测样品光谱数据进行二阶求导,在波长点为1790nm的位置出现最为明显的谱峰,该峰值点即为该待测样品的特征峰。
图1中103是根据便携式近红外光谱波长点权重特性选取一定数目的特征峰光强点替代原始光谱数据。根据待测样品光谱数据的二阶求导光谱图形,选取特征峰周围权重系数较高的波长点替代原始光谱数据。
在本实施例中,如图2所示,待测样品光谱数据的二阶求导光谱图形中,其特征峰在波长点1790nm的位置,其中特征峰周围光强点均有较高的权重系数,即在权重系数较高的波段范围为1758nm~1838nm。由以上可知,替代原始50个光强数值点光谱数据的重组光谱数据包含的光强值点数目为M=1+(1838-1758)/8=11个,第1~11个波长点对应的波长范围为(1758nm,1766nm,……1838nm),重构之后每个待测样品光谱数据实际表示为11个波长点上光强值的集合矩阵。相较于待测样品的原始光谱,最大程度的保留特征信息之外,每条光谱数据的光强值点数目得到了极大的缩减,有效的提高光谱分析效率。
图1中104是根据样品组分标定值进行插值运算,计算虚拟插值点,再根据样品替换后的光谱数据及虚拟插值点数目计算虚拟光谱数据。将待测样品的组分标定值进行顺序排布,每两个相邻标定值之间进行插值运算,计算得到虚拟插值点。再根据具体的虚拟插值点数目以及相邻标定值样品替换后的光谱数据计算得到虚拟光谱数据。
在本实施例中,如若需要增大四倍光谱数据库,将待测样品的组分标定值进行顺序排布,每两个相邻标定值之间插入8个虚拟标定值,假定该两个相邻的标定值分别是D1,D2,则其标定值差值范围为D=D1-D2,继而可以得到插入的第一个虚拟标定值X1=D/9+D2,第二个虚拟标定值X2=2D/9+D2,依次类推可以得到8个虚拟标定值。同理,假定该两个待测样品的重组光谱数据集合矩阵分别为P1=(K1,K2……K11),P2=(S1,S2,……S11),则其光谱数据集合矩阵差值范围为P=P1-P2=(K1-S1,K2-S2,……K11-S11),继而得到第一个虚拟光谱数据Y1=P/9+P2=((K1-S1)/9+S1,(K2-S2)/9+S2,……(K11-S11)/9+S11),第二个虚拟光谱数据Y2=2P/9+P2=(2(K1-S1)/9+S1,2(K2-S2)/9+S2,……2(K11-S11)/9+S11),依次类推可以得到8个虚拟光谱数据。
图1中105是将虚拟光谱数据与虚拟组分标定值进行一一对应完成光谱数据库的扩充。将虚拟组分标定值按照顺序放入实际待测样品组分标定值之间,再将得到的虚拟光谱数据按照顺序放入替换后的实际待测样品光谱数据中,虚拟组分标定值与虚拟光谱数据进行一一对应,进而有效扩充样品光谱数据库。
在本实施例中,将步骤104中的实际标定值D1,D2以及通过计算得到的8个虚拟标定值X1,X2,……X8进行顺序排布,形成新的标定值集合D1,X1,X2,……X8,D2。再将步骤104中的实际重组后光谱数据P1,P2以及通过计算得到的8个虚拟光谱数据Y1,Y2,……Y8进行顺序排布,形成新的光谱数据集合P1,Y1,Y2,……Y8,D2。最后将新的标定值集合与新的光谱数据集合进行一一对应,即D1对应P1,X1对应Y1,X8对应Y8,并将对应完好之后的样品数据放入光谱数据库中,进而有效扩充样品光谱数据库。
尽管这里参照本发明的解释性实施例对本发明进行了描述,上述实施例仅为本发明较佳的实施方式,本发明的实施方式并不受上述实施例的限制,应该理解,本领域技术人员可以设计出很多其他的修改和实施方式,这些修改和实施方式将落在本申请公开的原则范围和精神之内。
Claims (4)
1.一种基于特征峰的光谱重构方法,其特征在于,包括如下步骤:
a.采集待测样品的光谱数据;
b.对待测样品光谱数据进行二阶求导,得到待测样品特征峰;
c.根据便携式近红外光谱波长点权重特性选取一定数目的特征峰光强点替代原始光谱数据;
d.根据样品组分标定值进行插值运算,计算虚拟插值点,再根据样品替换后的光谱数据及虚拟插值点数目计算虚拟光谱数据;步骤d具体为将待测样品的组分标定值进行顺序排布,每两个相邻标定值之间进行插值运算,计算得到虚拟插值点,再根据具体的虚拟插值点数目以及相邻标定值样品替换后的光谱数据计算得到虚拟光谱数据;
e.将虚拟光谱数据与虚拟组分标定值进行一一对应完成光谱数据库的扩充;步骤e具体为将虚拟组分标定值按照顺序放入实际待测样品组分标定值之间,再将得到的虚拟光谱数据按照顺序放入替换后的实际待测样品光谱数据中,虚拟组分标定值与虚拟光谱数据进行一一对应,进而有效扩充样品光谱数据库。
2.根据权利要求1所述的基于特征峰的光谱重构方法,其特征在于,步骤a中所述采集待测样品的光谱数据,采用波长均分式便携近红外光谱仪对待测样品光谱数据进行采集,其波长范围为1758nm~2150nm,分辨率为8nm,则每个待测样品的实际光谱数据包含50个光强值点。
3.根据权利要求1所述的基于特征峰的光谱重构方法,其特征在于,步骤b中二阶求导光谱的半高宽只有原始谱图半峰宽的1/3,能够简单的分辨出强峰两侧的小肩峰,在正确测定峰位及确定肩峰位置极为有效,通过二阶求导可以清晰的分辨出待测样品谱图的峰值,即特征峰波长点位置。
4.根据权利要求1所述的基于特征峰的光谱重构方法,其特征在于,步骤c具体为根据待测样品光谱数据的二阶求导光谱图形,选取特征峰周围权重系数较高的波长点替代原始光谱数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111265845.XA CN114018861B (zh) | 2021-10-28 | 2021-10-28 | 一种基于特征峰的光谱重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111265845.XA CN114018861B (zh) | 2021-10-28 | 2021-10-28 | 一种基于特征峰的光谱重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114018861A CN114018861A (zh) | 2022-02-08 |
CN114018861B true CN114018861B (zh) | 2023-07-07 |
Family
ID=80058397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111265845.XA Active CN114018861B (zh) | 2021-10-28 | 2021-10-28 | 一种基于特征峰的光谱重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114018861B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105510241A (zh) * | 2015-11-25 | 2016-04-20 | 中国矿业大学(北京) | 一种多光谱遥感反射率影像吸收特征提取方法 |
CN111309958A (zh) * | 2020-03-30 | 2020-06-19 | 四川长虹电器股份有限公司 | 一种基于插值运算的光谱重构方法 |
CN113286987A (zh) * | 2018-12-17 | 2021-08-20 | 赢创运营有限公司 | 识别错误校准或未校准的红外光谱仪的方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2412195A (en) * | 2004-03-19 | 2005-09-21 | Thermo Electron Corp | A method of enhancing spectral data |
JP5181689B2 (ja) * | 2008-01-18 | 2013-04-10 | 横河電機株式会社 | 近赤外光及び赤外光の分光分析装置 |
JP4997652B2 (ja) * | 2010-06-10 | 2012-08-08 | 横河電機株式会社 | 分光分析装置 |
US10598639B2 (en) * | 2015-01-26 | 2020-03-24 | Shimadzu Corporation | Three-dimensional spectral data processing device and processing method |
CN106770192B (zh) * | 2016-12-29 | 2019-04-16 | 江南大学 | 基于插值法的激光诱导击穿光谱连续背景校正方法 |
CN109297928B (zh) * | 2018-11-26 | 2019-08-20 | 佛山市海天(高明)调味食品有限公司 | 一种检测酱油品质的方法及系统 |
CN110672553B (zh) * | 2019-10-21 | 2021-11-30 | 四川长虹电器股份有限公司 | 一种光谱仪输出光谱补偿方法 |
CN111579528B (zh) * | 2020-06-30 | 2022-06-21 | 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 |
CN111965140B (zh) * | 2020-08-24 | 2022-03-01 | 四川长虹电器股份有限公司 | 基于特征峰的波长点重组方法 |
CN111896497B (zh) * | 2020-09-15 | 2022-04-08 | 四川长虹电器股份有限公司 | 一种基于预测值的光谱数据修正方法 |
-
2021
- 2021-10-28 CN CN202111265845.XA patent/CN114018861B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105510241A (zh) * | 2015-11-25 | 2016-04-20 | 中国矿业大学(北京) | 一种多光谱遥感反射率影像吸收特征提取方法 |
CN113286987A (zh) * | 2018-12-17 | 2021-08-20 | 赢创运营有限公司 | 识别错误校准或未校准的红外光谱仪的方法 |
CN111309958A (zh) * | 2020-03-30 | 2020-06-19 | 四川长虹电器股份有限公司 | 一种基于插值运算的光谱重构方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114018861A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6089345B2 (ja) | 時および/または空間系列ファイルの多成分回帰/多成分分析 | |
CN106770862A (zh) | 一种茶叶分类方法 | |
CN111965140B (zh) | 基于特征峰的波长点重组方法 | |
CN110376139A (zh) | 基于地面高光谱的土壤有机质含量定量反演方法 | |
CN107478598A (zh) | 一种基于一维卷积神经网络的近红外光谱分析方法 | |
CN102928396B (zh) | 基于拉曼光谱的尿素同位素丰度的快速检测方法 | |
CN110907375B (zh) | 一种全光谱水质在线监测装置与方法 | |
CN103940767B (zh) | 基于多流形学习的气体浓度反演方法 | |
CN110672278B (zh) | 一种基于红外成像定量遥测生产装置VOCs泄漏的方法 | |
CN103543132B (zh) | 一种基于小波变换的煤质特性测量方法 | |
CN104251839A (zh) | 南疆红枣建模用南疆红枣样品成分的光谱分离检测方法 | |
CN106770058A (zh) | 基于红外光谱的土壤硝态氮的快速专用装置及其使用方法 | |
CN102507489A (zh) | 检测样气中有害气体浓度的装置及方法 | |
CN108398398A (zh) | 利用衰减全反射红外光谱标准谱图鉴定沥青质量的方法 | |
Li et al. | A novel baseline-correction method for standard addition based derivative spectra and its application to quantitative analysis of benzo (a) pyrene in vegetable oil samples | |
CN114018861B (zh) | 一种基于特征峰的光谱重构方法 | |
CN111896497B (zh) | 一种基于预测值的光谱数据修正方法 | |
CN108398399A (zh) | 利用衰减全反射红外光谱标准谱图鉴定沥青质量的方法 | |
CN108489928B (zh) | 一种短波红外消光光谱纺织品纤维成分检测方法 | |
CN111595806A (zh) | 一种利用中红外漫反射光谱监测土壤碳组分的方法 | |
CN111309958A (zh) | 一种基于插值运算的光谱重构方法 | |
CN113916864B (zh) | 一种icf靶内d2燃料气体拉曼光谱定量分析的方法 | |
Hammer et al. | Feasibility study of using a" travelling" CO 2 and CH 4 instrument to validate continuous in situ measurement stations | |
CN112505133B (zh) | 一种基于深度学习的质谱检测方法 | |
CN115165848A (zh) | 基于激光诱导击穿光谱的中药重金属定量检测方法及系统 |
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 |