CN114112985A - 一种近红外光谱仪及近红外在线检测方法 - Google Patents
一种近红外光谱仪及近红外在线检测方法 Download PDFInfo
- Publication number
- CN114112985A CN114112985A CN202111325017.0A CN202111325017A CN114112985A CN 114112985 A CN114112985 A CN 114112985A CN 202111325017 A CN202111325017 A CN 202111325017A CN 114112985 A CN114112985 A CN 114112985A
- Authority
- CN
- China
- Prior art keywords
- infrared
- spectrum
- sample
- detected
- light
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 100
- 238000001228 spectrum Methods 0.000 claims abstract description 47
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 42
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 29
- 230000005540 biological transmission Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims description 24
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 claims description 20
- 238000003066 decision tree Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 10
- 230000017525 heat dissipation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 229910052736 halogen Inorganic materials 0.000 claims description 5
- 238000005057 refrigeration Methods 0.000 claims description 5
- 239000004065 semiconductor Substances 0.000 claims description 5
- 229910052721 tungsten Inorganic materials 0.000 claims description 5
- 239000010937 tungsten Substances 0.000 claims description 5
- -1 tungsten halogen Chemical class 0.000 claims description 3
- 230000001678 irradiating effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 12
- 241000208125 Nicotiana Species 0.000 description 11
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000010521 absorption reaction Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000002835 absorbance Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 150000002367 halogens Chemical class 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect 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
-
- 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
- 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
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
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)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明实施例公开了一种近红外光谱仪及近红外在线检测方法。包括光源模块、光谱收集模块和光谱分析模块；光源模块用于出射近红外光线，近红外光线照射至流水线上的待测样品；光谱收集模块包括光束传输单元和红外探测单元，光束传输单元用于将待测样品反射的近红外光线传输至红外探测单元；光谱分析模块与红外探测单元连接，光谱分析模块用于分析和处理红外探测单元得到的近红外光谱，完成对待测样品的类别或成分的检测。本发明实施例的技术方案，通过近红外光谱仪对待测样品进行照射和光谱收集，经过分析和处理后得到待测样品的类别和成分，解决了近红外光谱仪检测效率低的问题。
Description
技术领域
本发明实施例涉及光学领域，尤其涉及一种近红外光谱仪及近红外在线检测方法。
背景技术
近红外光谱技术以其快速、无损、绿色等优点在材料快速分析中得到广泛应用。
目前市面上用于生产检测的近红外光谱仪普遍使用FT-NIR技术，这种技术通过调节光束的相对延迟来调节光束干涉，并通过傅里叶变换采集所需材料的近红外光谱数据。由于FT-NIR技术在测量时需要机械移动，故完成一个光谱扫描通常需要一分钟以上，检测效率低，无法满足在线需求。相比于FT-NIR技术可以实现多组分同时检测，目前市面上能够满足在线快速检测的光谱仪同一时间只能进行单个特征峰的检测，无法实现多组分同步分析。
上述FT-NIR光谱仪检测效率低，单特征峰检测光谱仪功能受限。目前，检测速度快、精度高、信噪比好、可多组分同时检测的在线近红外光谱仪还未见报道。
发明内容
本发明实施例提供了一种近红外光谱仪及近红外在线检测方法，以实现在线对待测样品进行快速检测并且使用检测的设备快速、高精度、不破坏待测样品原有的结构和组成。
第一方面，本发明实施例提供了一种近红外光谱仪，包括光源模块、光谱收集模块和光谱分析模块；
所述光源模块用于出射近红外光线，所述近红外光线照射至流水线上的待测样品；
所述光谱收集模块包括光束传输单元和红外探测单元，所述光束传输单元用于将所述待测样品反射的近红外光线传输至所述红外探测单元；
所述光谱分析模块与所述红外探测单元连接，所述光谱分析模块用于分析和处理所述红外探测单元得到的近红外光谱，完成对所述待测样品的类别或成分的检测。
可选的，所述光谱分析模块对所述近红外光谱的分析和处理包括：
对所述近红外光谱的光谱数据进行平滑处理，提取出每个波长的幅值，相邻波长间的差值以及光谱的一阶导数，形成所述光谱数据的多个属性；
综合采用以信息熵作为判据的决策树和多分类支持向量机建立的模型进行分析，对每一个所述属性得出的结果进行加权汇总，完成对所述待测样品的类别或成分的检测。
可选的，所述光束传输单元包括透镜、狭缝和分光光栅，所述红外探测单元包括线阵红外探测器；
所述待测样品漫反射的光线经过所述透镜后汇聚至所述狭缝，所述狭缝透射的光线经过所述分光光栅分光后被所述线阵红外探测器接收。
可选的，所述分光光栅包括凹面光栅。
可选的，所述线阵红外探测器包括InGaAs探测器。
可选的，所述InGaAs探测器内置半导体制冷单元，所述半导体制冷单元用于使所述InGaAs探测器的工作区和外壳之间产生稳定温度差；
所述近红外光谱分析仪还包括散热模块，所述散热模块用于使所述InGaAs探测器的外壳维持室温，保证所述InGaAs探测器的工作区稳定低温，维持所述InGaAs探测器高精度探测。
可选的，所述光源模块包括多个卤钨灯形成的光源阵列。
可选的，所述近红外光谱仪还包括壳体，所述光源模块、所述光谱收集模块和所述散热模块位于所述壳体内。
第二方面，本发明实施例还提供一种近红外在线检测方法，利用上述的近红外光谱仪执行，所述近红外在线检测方法包括：
光源模块出射近红外光线，所述近红外光线照射至流水线上的待测样品；
光束传输单元将所述待测样品反射的近红外光线传输至红外探测单元；
光谱分析模块分析和处理所述红外探测单元得到的近红外光谱，完成对所述待测样品的类别或成分的检测。
可选的，所述光谱分析模块分析和处理所述红外探测单元得到的近红外光谱，完成对所述待测样品的类别或成分的检测包括：
对所述近红外光谱的光谱数据进行平滑处理，提取出每个波长的幅值，相邻波长间的差值以及光谱的一阶导数，形成所述光谱数据的多个属性；
综合采用以信息熵作为判据的决策树和多分类支持向量机建立的模型进行分析，对每一个所述属性得出的结果进行加权汇总，完成对所述待测样品的类别或成分的检测。
本发明实施例提供的近红外光谱仪，包括光源模块、光谱收集模块和光谱分析模块。光源模块出射近红外光线可以照射到流水线上的待测样品，利用光谱收集模块收集待测样品上的光谱信息后传输到光谱分析模块，经过光谱分析模块进行相应的分析和处理，最终确定待测样品的类别和成分。其中，光谱收集模块还包括光束传输单元和红外探测单元，分别起到传输和探测作用，方便后续光谱分析模块的分析和处理。本实施例提供的近红外光谱仪，通过光源模块、光谱收集模块和光谱分析模块完成对待测样品的照射、收集、分析和处理。在不损坏待测样品原有结构和组成的基础上，简化了近红外光谱仪对待测样品检测的操作过程，有效降低检测成本，缩短测试时间，进一步提高测试效率。
附图说明
图1为本发明实施例提供的一种近红外光谱仪的结构示意图；
图2为本发明实施例提供的另一种近红外光谱仪的结构示意图；
图3为本发明实施例提供的一种近红外光谱仪中分光光栅的结构示意图；
图4为本发明实施例提供的一种近红外光谱仪中红外探测单元中线阵红外探测器的结构示意图；
图5为本发明实施例提供的一种近红外在线检测方法的流程示意图；
图6为本发明实施例提供的湿度不同的待测烟草样品的近红外光谱图和近红外光谱图的一阶导数图谱的示意图；
图7为本发明实施例提供的产地不同的待测烟草样品的近红外光谱图和近红外光谱图的一阶导数图谱的示意图；
图8为本发明实施例提供的另一种近红外在线检测方法的流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。需要注意的是，本发明实施例所描述的“上”、“下”、“左”、“右”等方位词是以附图所示的角度来进行描述的，不应理解为对本发明实施例的限定。此外在上下文中，还需要理解的是，当提到一个元件被形成在另一个元件“上”或“下”时，其不仅能够直接形成在另一个元件“上”或者“下”，也可以通过中间元件间接形成在另一元件“上”或者“下”。术语“第一”、“第二”等仅用于描述目的，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。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
实施例一
图1所示为本发明实施例提供的一种近红外光谱仪结构示意图。参考图1，本发明实施例的近红外光谱仪包括光源模块10、光谱收集模块20和光谱分析模块30；光源模块10用于出射近红外光线，近红外光线照射至流水线11上的待测样品12；光谱收集模块20包括光束传输单元21和红外探测单元22，光束传输单元用于将待测样品12反射的近红外光线传输至红外探测单元22；光谱分析模块30与红外探测单元22连接，光谱分析模块30用于分析和处理红外探测单元22得到的近红外光谱，完成对待测样品12的类别或成分的检测。
其中，光源模块10可以发出光线并将出射的近红外光线照射到流水线11上的待测样品12中，使得流水线11上的待测样品12可以充分接收来自光源模块10发出的近红外光线。光谱收集模块20可以将待测样品12处的近红外光线收集。进一步的，光谱收集模块20还包括光束传输单元21和红外探测单元22，光束传输单元21可以将收集的近红外光线进一步的传输，在传输的过程中改变光束的传播方向使得近红外光线最终传输到红外探测单元22。红外探测单元22将近红外光线转化为近红外光谱。光谱分析模块30与光谱收集模块20中的红外探测单元22连接，对近红外光谱分析和处理，完成对待测样品12的类别和成分的检测。
可选的，光谱分析模块30对近红外光谱的分析和处理包括：对近红外光谱的光谱数据进行平滑处理，提取出每个波长的幅值，相邻波长间的差值以及光谱的一阶导数，形成光谱数据的多个属性；综合采用以信息熵作为判据的决策树和多分类支持向量机建立的模型进行分析，对每一个属性得出的结果进行加权汇总，完成对待测样品12的类别或成分的检测。
其中，光谱分析模块30从光谱收集模块20中的红外探测单元得到的近红外光谱数据是原始的光谱数据。一般情况下，在对光谱数据进行分析前需要对原始光谱数据进行处理，经过处理后的数据可以减小外界无关因素的干扰，确保光谱数据更加精准，缩小因外界因素产生的误差。原始光谱数据中包含多种特征属性，特征属性的可以是近红外光线的波长、波长范围、不同波长之间的差值等，此处对于特征属性的种类和数量不做限定。对于原始光谱数据的处理方式可以为平滑处理，也可以为归一化处理，此处对具体的处理方式不做限定。处理后的光谱数据的特征属性便于进行分析。示例性的，近红外光谱的光谱数据可以经过平滑处理，处理后提取每个波长的幅值，相邻波长之间的特定差值，对光谱进行一阶求导，最后依据形成的光谱数据建立分析模型，完成对待测样品12的检测。
进一步的，对于光谱数据中的多个属性可以通过建立机器学习模型来实现，机器学习包括决策树、信息熵和支持向量机。其中，决策树中的决策树思维是逐层的对研究对象进行筛选和判断，进而达到最终目的。决策树思维中逻辑结构的类型类似于分叉的树形结构。信息熵是一个数学上的抽象概念，也可以反映信息出现概率的情况。对于一个系统而言，系统越有序，信息熵就越低，系统越混乱，信息熵就越高。信息熵也是系统有序化程度的一种度量。在本发明实施例中，利用信息熵计算光谱数据中的多个属性，以此结果作为决策树和多分类支持向量机的分析依据，对于涉及到每一个属性进行加权汇总后得到待测样品的类别或者成分。
图2所示为本发明实施例提供的另一种近红外光谱仪的结构示意图。参考图2，可选的，光束传输单元21包括透镜211、狭缝212和分光光栅213，红外探测单元22包括线阵红外探测器221；待测样品12漫反射的光线经过透镜211后汇聚至狭缝212，狭缝212透射的光线经过分光光栅213分光后被线阵红外探测器221接收。
可以理解的是，待测样品12漫反射的光线经过透镜处进行汇聚，汇聚后的光线可以透过狭缝212到达分光光栅213处改变光线的传输方向，随后传输方向发生改变后的光线被红外探测单元22中的线阵红外探测器221接收得到待测样品12的近红外光谱，光谱的采集范围为900-2600nm。分光光栅213包括凹面光栅，设置凹面光栅可以有效减少对光线的吸收，降低反射的光损失，并且不会存在色差的优势。图3所示为本发明实施例提供的一种近红外光谱仪中分光光栅的结构示意图。
示例性的，图4所示为本发明实施例提供的一种近红外光谱仪中红外探测单元中线阵红外探测器的结构示意图，参考图4。线阵红外探测器221包括InGaAs探测器2211、工作区2212和定制电路2213。线阵红外探测器包括InGaAs探测器，InGaAs材料的探测器的尺寸可控并且探测器具有快速、高精度的特点。进一步的，InGaAs探测器内置半导体制冷单元，半导体制冷单元用于使InGaAs探测器的工作区和外壳之间产生稳定温度差；
继续参考图2，可选的，近红外光谱仪中的光源模块10还包括多个卤钨灯13形成的光源阵列，有利于增加探测光的强度。
继续参考图2，可选的，近红外光谱仪还包括散热模块40，散热模块40用于使InGaAs探测器的外壳维持室温，保证InGaAs探测器的工作区稳定低温，维持InGaAs探测器高精度探测。
继续参考图2，可选的，近红外光谱仪还包括壳体50，光源模块10、光谱收集模块20和散热模块40位于壳体50内，壳体50可以起到保护光源模块10、光谱收集模块20和散热模块40的不受外力破坏的作用。
本发明实施例的技术方案，通过卤钨灯形成的光源对流水线上的待测样品进行照射，利用光谱收集模块中的透镜、狭缝、分光光栅依次对待测样品漫反射光进行聚集、透过和改变光线的传输方向后，由红外探测单元探测待测样品的近红外光谱，光谱分析模块可以对红外探测单元进一步的分析和处理，首先通过平滑处理，提取出每一个波长的幅值、相邻波长间的差值以及近红外光谱的一阶导数，使得近红外光谱数据具有多个特定属性；其次，利用机器学习模型建立的决策树和多分类支持向量机对包含多个特定属性的信息熵进行分析，加权汇总后得到待测样品的具体类别和成分，最后，完成对待测样品的检测。本发明实施例在不损坏待测样品原有结构和组成的基础上，简化了近红外光谱仪对待测样品检测的操作过程，有效降低检测成本，缩短测试时间，进一步提高测试效率。
实施例二
图5为本发明实施例提供的一种近红外在线检测方法的流程示意图，该在线检测方法由上述实施例提供的任意一种近红外光谱仪来实现，参考图5，该近红外在线检测方法包括：
S110、光源模块出射近红外光线，近红外光线照射至流水线上的待测样品。
其中，光源模块可以选用多个卤钨灯形成的光源阵列，用于出射探测用的近红外光线，利用光源阵列可以增加探测光的强度。
S120、光束传输单元将待测样品反射的近红外光线传输至红外探测单元。
其中，光束传输单元可以包括透镜、狭缝和分光光栅，具体实施时可以根据实际情况设计光路。
S130、光谱分析模块分析和处理红外探测单元得到的近红外光谱，完成对待测样品的类别或成分的检测。
示例性的，本发明的一个实施例中，待检测样品为烟草，利用上述实施例提供的任意一种近红外光谱仪检测在不同湿度环境中待测样品的近红外光谱数据。首先，选择同一批次采购时间，采购地址的烟草样品，此处对于采购时间、采购地址不做限定。进一步的，本发明实施例以采购时间为2021年1月，购自云南省，标记为A组，将其均匀分成两个部分，两个部分用A11和A12进行区分。其中，A11放置于相对湿度为40％，室温25℃的环境下，A12放置于相对湿度为60％，室温25℃的环境下分别放置三天，三天后置于相同的外界环境中利用本发明实施例提供的任意一种近红外光谱仪进行测试。图6为本发明实施例提供的湿度不同的待测烟草样品的近红外光谱图和近红外光谱图的一阶导数图谱的示意图。近红外光谱仪可以检测出待测样品中水分子的特征吸收峰，水分子的吸收强度很高，倍频和合频的吸收带相互分离，光谱的分辨率高。在烟草样品中的水分子包含游离状态的水和自由状态的水，水的特征吸收峰为O-H伸缩振动，其一级倍频1400nm左右，二级倍频1920nm左右。近红外光谱的一阶导数光谱图代表水分子的特征吸收峰，相对湿度为60％，室温25℃的环境A12烟草样品在近红外光谱的一阶导数光谱图的一级倍频1400nm和二级倍频1920nm处表现出更加明显的吸收信号，表明A12烟草样品的含水量更高。
利用上述实施例提供的任一种近红外光谱仪检测在来自不同产地的待测样品的近红外光谱数据。首先，选择不同采购时间，不同采购地址的烟草样品，此处对于采购时间、采购地址不做限定。进一步的，本发明实施例以采购时间为2021年1月，购自云南省，标记为A组，采购时间为2021年3月，购自山东省，标记为B组。从A组和B组中分别选取质量、大小相等的两份A13组和B11组放置于相同的相对湿度和室温中，其中相对湿度为40％，室温25℃分别放置三天，三天后置于相同的外界环境中利用本发明实施例提供的任意一种近红外光谱仪进行测试。图7为本发明实施例提供的产地不同的待测烟草样品的近红外光谱图和近红外光谱图的一阶导数图谱的示意图。A13组和B11组中的待测样品中水分子特征吸收峰的二级倍频的吸光度明显不同，在1920nm附近，B11组待测样品吸光度明显高于A13组，表明在B11组中水分含量更高。A13组和B11组中待测样品中含氮化合物特征吸收峰的吸光度也明显不同，在2050nm处，A13组待测样品吸光度明显高于B11组，表明在A13组中含氮化合物含量更高。将上述示例中的两组数据，即在不同湿度环境中待测样品的近红外光谱数据和来自不同产地的待测样品的近红外光谱数据划分为数据训练组和数据检测组，数据训练组和数据检测组的选择不做具体限定。首先，使用样品训练模型进行机器学习；随后，利用数据训练组得到决策树和多分类支持向量机的模型进行分析，对于数据训练组中的多个属性得到的结果进行加权汇总；最后，用检测组数据进行算法模拟，检测达标的准确度，进一步确定待测样品的类别或成分。
烟草的采购时间、采购地址、放置天数、湿度大小、环境温度不做具体的限定，上述实施例仅是示例性的表示。
本发明实施例的技术方案，通过光源模块出射近红外光线可以照射到流水线上的待测样品，利用光谱收集模块收集待测样品上的光谱信息后传输到光谱分析模块，经过光谱分析模块进行相应的分析和处理，最终确定待测样品的类别和成分。其中，光谱收集模块还包括光束传输单元和红外探测单元，光谱分析模块可以依据红外探测单元得到的近红外光谱做进一步的分析和处理。光谱分析模块进一步通过平滑处理，提取出每一个波长的幅值、相邻波长间的差值以及近红外光谱的一阶导数，使得近红外光谱数据具有多个特定属性；其次，利用机器学习模型建立的决策树和多分类支持向量机对包含多个特定属性的信息熵进行分析，加权汇总后得到待测样品的具体类别和成分，最后，完成对待测样品的检测。本实施例提供的近红外在线检测方法，通过光源模块、光谱收集模块和光谱分析模块完成对待测样品的照射、收集、分析和处理。在不损坏待测样品原有结构和组成的基础上，提高了在线测试的效率。
实施例三
图8为本发明实施例提供的另一种近红外在线检测方法的流程示意图，该在线检测方法由上述实施例提供的任意一种近红外光谱仪来实现，本实施例是在上述实施例的基础上进行地细化，在本实施例中，具体的将光谱分析模块的处理近红外探测单元得到的近红外光谱，完成对待测样品的类别或成分的检测步骤的具体展开。
S210、光源模块出射近红外光线，近红外光线照射至流水线上的待测样品。
S220、光束传输单元将待测样品反射的近红外光线传输至红外探测单元。
S230、对近红外光谱的光谱数据进行平滑处理，提取出每个波长的幅值，相邻波长间的差值以及光谱的一阶导数，形成光谱数据的多个属性。
S240、综合采用以信息熵作为判据的决策树和多分类支持向量机建立的模型进行分析，对每一个属性得出的结果进行加权汇总，完成对待测样品的类别或成分的检测。
本发明实施例的技术方案是在上述实施例的基础上的细化和展开，具体上述实施例相同的技术特征和有益效果，此处不再进行赘述。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种近红外光谱分析仪，其特征在于，包括光源模块、光谱收集模块和光谱分析模块；
所述光源模块用于出射近红外光线，所述近红外光线照射至流水线上的待测样品；
所述光谱收集模块包括光束传输单元和红外探测单元，所述光束传输单元用于将所述待测样品反射的近红外光线传输至所述红外探测单元；
所述光谱分析模块与所述红外探测单元连接，所述光谱分析模块用于分析和处理所述红外探测单元得到的近红外光谱，完成对所述待测样品的类别或成分的检测。
2.根据权利要求1所述的近红外光谱分析仪，其特征在于，所述光谱分析模块对所述近红外光谱的分析和处理包括：
对所述近红外光谱的光谱数据进行平滑处理，提取出每个波长的幅值，相邻波长间的差值以及光谱的一阶导数，形成所述光谱数据的多个属性；
综合采用以信息熵作为判据的决策树和多分类支持向量机建立的模型进行分析，对每一个所述属性得出的结果进行加权汇总，完成对所述待测样品的类别或成分的检测。
3.根据权利要求1所述的近红外光谱分析仪，其特征在于，所述光束传输单元包括透镜、狭缝和分光光栅，所述红外探测单元包括线阵红外探测器；
所述待测样品漫反射的光线经过所述透镜后汇聚至所述狭缝，所述狭缝透射的光线经过所述分光光栅分光后被所述线阵红外探测器接收。
4.根据权利要求3所述的近红外光谱分析仪，其特征在于，所述分光光栅包括凹面光栅。
5.根据权利要求3所述的近红外光谱分析仪，其特征在于，所述线阵红外探测器包括InGaAs探测器。
6.根据权利要求5所述的近红外光谱分析仪，其特征在于，所述InGaAs探测器内置半导体制冷单元，所述半导体制冷单元用于使所述InGaAs探测器的工作区和外壳之间产生稳定温度差；
所述近红外光谱分析仪还包括散热模块，所述散热模块用于使所述InGaAs探测器的外壳维持室温，保证所述InGaAs探测器的工作区稳定低温，维持所述InGaAs探测器高精度探测。
7.根据权利要求1所述的近红外光谱分析仪，其特征在于，所述光源模块包括多个卤钨灯形成的光源阵列。
8.根据权利要求6所述的近红外光谱分析仪，其特征在于，还包括壳体，所述光源模块、所述光谱收集模块和所述散热模块位于所述壳体内。
9.一种近红外在线检测方法，其特征在于，利用权利要求1～8任一所述的近红外光谱分析仪执行，所述近红外在线检测方法包括：
光源模块出射近红外光线，所述近红外光线照射至流水线上的待测样品；
光束传输单元将所述待测样品反射的近红外光线传输至红外探测单元；
光谱分析模块分析和处理所述红外探测单元得到的近红外光谱，完成对所述待测样品的类别或成分的检测。
10.根据权利要求9所述的近红外在线检测方法，其特征在于，所述光谱分析模块分析和处理所述红外探测单元得到的近红外光谱，完成对所述待测样品的类别或成分的检测包括：
对所述近红外光谱的光谱数据进行平滑处理，提取出每个波长的幅值，相邻波长间的差值以及光谱的一阶导数，形成所述光谱数据的多个属性；
综合采用以信息熵作为判据的决策树和多分类支持向量机建立的模型进行分析，对每一个所述属性得出的结果进行加权汇总，完成对所述待测样品的类别或成分的检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111325017.0A CN114112985A (zh) | 2021-11-10 | 2021-11-10 | 一种近红外光谱仪及近红外在线检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111325017.0A CN114112985A (zh) | 2021-11-10 | 2021-11-10 | 一种近红外光谱仪及近红外在线检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114112985A true CN114112985A (zh) | 2022-03-01 |
Family
ID=80377832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111325017.0A Pending CN114112985A (zh) | 2021-11-10 | 2021-11-10 | 一种近红外光谱仪及近红外在线检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114112985A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023231902A1 (zh) * | 2022-06-15 | 2023-12-07 | 浙江大学 | 适用于检测农产品中番茄红素含量的光谱检测方法 |
-
2021
- 2021-11-10 CN CN202111325017.0A patent/CN114112985A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023231902A1 (zh) * | 2022-06-15 | 2023-12-07 | 浙江大学 | 适用于检测农产品中番茄红素含量的光谱检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2976620B1 (en) | System for and method of combined libs and ir absorption spectroscopy investigations | |
| Zhang et al. | Fast prediction of sugar content in dangshan pear (Pyrus spp.) using hyperspectral imagery data | |
| Li et al. | Application of long-wave near infrared hyperspectral imaging for measurement of soluble solid content (SSC) in pear | |
| US6512577B1 (en) | Apparatus and method for measuring and correlating characteristics of fruit with visible/near infra-red spectrum | |
| JP2003527594A (ja) | 可視光線スペクトル／近赤外線スペクトルにより果物の特性を測定し、相互に関連付けるための装置および方法 | |
| CN102879353A (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
| Qing et al. | Wavelength selection for predicting physicochemical properties of apple fruit based on near‐infrared spectroscopy | |
| US10718713B2 (en) | Unknown sample determining method, unknown sample determining instrument, and unknown sample determining program | |
| Zhang et al. | Use of signal to noise ratio and area change rate of spectra to evaluate the Visible/NIR spectral system for fruit internal quality detection | |
| CN114112985A (zh) | 一种近红外光谱仪及近红外在线检测方法 | |
| CN108169168A (zh) | 检测分析水稻籽粒蛋白质含量数学模型及构建方法和应用 | |
| Lafuente et al. | Firmness prediction in Prunus persica ‘Calrico’peaches by visible/short‐wave near infrared spectroscopy and acoustic measurements using optimised linear and non‐linear chemometric models | |
| CA3015575C (en) | A method and apparatus for the detection of the presence of mycotoxins in cereals. | |
| CN107132197B (zh) | 一种食醋总酸含量的检测方法及装置 | |
| CN116026808A (zh) | 一种拉曼光谱判别方法和系统 | |
| Han et al. | Evaluation of the optical layout and sample size on online detection of apple watercore and SSC using Vis/NIR spectroscopy | |
| US20220196476A1 (en) | Method for configuring a spectrometry device | |
| CN110907392A (zh) | 一种基于红外光谱分析的三聚氰胺检测系统及其用途和方法 | |
| CN113740275B (zh) | 基于快照式多光谱成像的雨生红球藻虾青素含量检测方法 | |
| CN116908163A (zh) | 一种复合肥氮磷钾元素的快速精确检测方法及系统 | |
| Walsh | Detection of attribute XXX in fruit YYY using NIRS | |
| JP2022095598A (ja) | 糖度計測方法、糖度計測装置、及び糖度計測プログラム | |
| CN117517233A (zh) | 一种基于主成分分析与支持向量机模型判别青稞酒的方法 | |
| CN117007577A (zh) | 一种污染物毒性智能检测系统 | |
| CN108318445A (zh) | 一种近红外技术定性判别小麦是否受热变性的检测方法 |
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 |