CN114216877A - 茶叶近红外光谱分析中谱峰自动检测与重构方法及系统 - Google Patents
茶叶近红外光谱分析中谱峰自动检测与重构方法及系统 Download PDFInfo
- Publication number
- CN114216877A CN114216877A CN202111526109.5A CN202111526109A CN114216877A CN 114216877 A CN114216877 A CN 114216877A CN 202111526109 A CN202111526109 A CN 202111526109A CN 114216877 A CN114216877 A CN 114216877A
- Authority
- CN
- China
- Prior art keywords
- peak
- block
- near infrared
- matrix
- spectrum
- 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
- 230000003595 spectral effect Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 241001122767 Theaceae Species 0.000 title claims 16
- 238000010183 spectrum analysis Methods 0.000 title abstract description 5
- 238000001228 spectrum Methods 0.000 claims abstract description 36
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 21
- 238000010521 absorption reaction Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 3
- 238000012845 near infrared spectroscopy analysis Methods 0.000 claims 7
- 244000269722 Thea sinensis Species 0.000 abstract description 38
- 235000013616 tea Nutrition 0.000 abstract description 35
- 235000009569 green tea Nutrition 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 229960001948 caffeine Drugs 0.000 description 1
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 150000002337 glycosamines Chemical class 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 150000008442 polyphenolic compounds Chemical class 0.000 description 1
- 235000013824 polyphenols Nutrition 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000000126 substance Substances 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
- G01N21/17—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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/14—Beverages
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开茶叶近红外光谱分析中谱峰自动检测与重构方法及系统,其方法包括先采集原始光谱数据,再初始化参数,接着计算吸收峰的位置和宽度,随后更新相关系数并筛选稀疏块,然后计算代价函数及期望,之后判定终止条件,最后输出重构数据;本发明采用自动检测谱峰位置和确定峰宽的块稀疏贝叶斯学习方法能够准确的判断近红外光谱的谱峰数量和位置,从而能够准确的重构选取出谱峰特征,避免了算法重构过程出现误重构、有丢失的问题,且基于稀疏重构和谱峰自动检测的策略能够实现多重叠峰近红外光谱数据的吸收峰特征选取,进而实现高精度绿茶近红外光谱数据吸收峰自动检测与重构,有利于扩大茶叶检测等级精度及市场贸易。
Description
技术领域
本发明涉及光谱分析技术领域,尤其涉及茶叶近红外光谱分析中谱峰自动检测与重构方法及系统。
背景技术
茶叶目前是我国最重要的饮品之一,茶叶品质等级划分与其内含的茶多酚、咖啡碱、氨基酸、糖分等多种指标相关,长期以来,人们对于茶叶加工中各个工序质量的掌握主要依赖感官审评,缺乏量化的加工评价标准,对于加工后产品质量的判别主要是采用感官审评的方法,缺乏一种对主要化学成分和外部形态特点兼顾的、数字化快速评价方法,随着我国进出口贸易的不断开展及人民物质需求的不断提高,对于产业等级划分和品质鉴别提出更加精细的分析要求,现有的基于经验的鉴别方法已经不适用大规模、高精度的分析要求。
近红外光谱技术作为光谱学的一个重要分支,具有检测过程无污染、成本低、检测周期短等特点,已在茶叶相关产业分析中得到广泛应用,但在实际分析过程中,由于光谱数据的高维性、共线性和谱峰数量的有限性,使获得所采集的全波长范围光谱数据存在大量无关的特征变量,根据比尔-朗伯定律,分析模型的性能取决于建模数据的有效性,无关变量的存在将破坏数据特征,因此在定量分析之前需要对光谱数据进行必要的特征选择操作。
目前应用较广的稀疏重构方法主要有Group Lasso、Block Orth ogonalMatching Pursuit、稀疏贝叶斯学习和块稀疏贝叶斯学习方法,其中应用最具前景的是基于块稀疏贝叶斯学习的稀疏重构方法,该方法虽然能够有效避免求解范数的问题且引入了块结构的方式,但并未考虑在确定和划分块的位置和大小的随机性问题,并且未准确的确定谱峰位置而划分块,容易导致谱峰位置特征变量被稀疏的现象,从而导致重构结果不准确,针对含有多个重叠峰的茶叶近红外光谱数据,如何精准地选取谱峰特征变量对于茶叶定性、定量分析过程至关重,因此,本发明提出茶叶近红外光谱分析中谱峰自动检测与重构方法及系统以解决现有技术中存在的问题。
发明内容
针对上述问题,本发明的目的在于提出茶叶近红外光谱分析中谱峰自动检测与重构方法及系统,该方法采用自动检测谱峰位置和确定峰宽的块稀疏贝叶斯学习方法能够准确的判断近红外光谱的谱峰数量和位置,从而能够准确的重构选取出谱峰特征,避免了算法重构过程出现误重构、有丢失的问题,且基于稀疏重构和谱峰自动检测的策略能够实现多重叠峰近红外光谱数据的吸收峰特征选取。
为了实现本发明的目的,本发明通过以下技术方案实现:茶叶近红外光谱分析中谱峰自动检测与重构方法,包括以下步骤:
步骤一:先采集待检测茶叶样本,再获取茶叶样本的近红外光谱数据,并形成原始数据;
步骤二:先获取原始数据,再初始化包含相关系数γ、迭代次数Τ、噪声方差λ、对称半正定矩阵A以及相关系数相对误差η的块稀疏贝叶斯学习方法参数;
步骤三:根据原始数据中的光谱特征,基于一阶偏差和二阶偏差来计算光谱中的吸收峰位置;
步骤四:根据计算得到的吸收峰位置,基于半峰高计算谱峰的峰宽;
步骤五:根据每个块的稀疏度控制系数计算块的对称半正定矩阵、相关性结构矩阵和相关系数;
步骤六:基于代价函数计算原始数据中每个块的误差值,并筛选稀疏块;
步骤七:计算光谱后验概率的期望和方差;
步骤八:利用最小化代价函数求解超参数,并更新初始化参数中的噪声方差λ;
步骤九:计算块相关系数的相对误差及当前迭代次数,若相对误差小于设定误差系数η或当前迭代次数大于设定迭代次数Τ,则转至步骤十,否则转至步骤五;
步骤十:利用光谱后验概率的期望,确定最终的茶叶稀疏重构数据并输出。
进一步改进在于:所述步骤二中,块稀疏贝叶斯学习方法优化函数如下:
L=log|λI+ΩΣ0ΩT|+yT(λI+ΩΣ0ΩT)-1y
Σ0=diag{γ1Β1,…,γiΒi,…,γgΒg}
其中,γi表示第i个块的块相关系数,Bi表示第i个块的结构矩阵。
进一步改进在于:所述步骤三中,谱峰位置确定计算如下:
Δxj=xj-xj-1
Δ2xj=Δxj-Δxj-1
s.t.Δxj=0andΔ2xj<0
其中,Δxj和Δ2xj分别是谱峰顶点xj的一阶偏差和二阶偏差。
进一步改进在于:所述步骤四中,谱峰宽度的计算表示如下:
其中,n和m分别是xn和xm的索引,相对高度差H表示如下:
其中,xi和xk分别是谱峰的起始点和终止点。
进一步改进在于:所述步骤五中,对称半正定矩阵、相关性结构矩阵和相关系数表示如下:
进一步改进在于:所述步骤六中,代价函数误差计算如下:
L=log|λI+ΩΣ0ΩT|+yT(λI+ΩΣ0ΩT)-1y
进一步改进在于:所述步骤七中,后验概率期望计算如下:
μx=Σ0ΩT(λI+ΩΣ0ΩT)-1y
其中,y表示为经过测量矩阵Ω得到光谱的压缩矩阵。
进一步改进在于:所述步骤九中,相对误差判断条件表示如下:
其中,γ(t)是第t次迭代的相关系数。
茶叶近红外光谱分析中谱峰自动检测与重构系统,包括:
样本采集模块,用于采集茶叶样本,获取茶叶近红外光谱数据,形成原始数据;
参数初始化模块,用于获取原始数据,并初始化块稀疏贝叶斯学习方法参数,初始化参数包含:相关系数γ、迭代次数Τ、噪声方差λ、对称半正定矩阵A以及相关系数相对误差η;
谱峰位置计算模块,用于根据光谱数据的一阶、二阶偏差确定吸收峰的位置;
谱峰宽度计算模块,用于根据吸收峰的半峰高确定峰宽;
相关系数计算模块,用于计算每个块的稀疏度控制系数,得到相关系数;
筛选模块,用于根据代价函数计算每个块的误差值,并筛选稀疏块;
期望和方差计算模块,用于根据光谱的后验概率分布,得到期望和方差;
噪声方差更新模块,用于根据最小化代价函数求解超参数,得到噪声方差更新;
判断模块,用于计算块相关系数的相对误差及当前迭代次数,若相对误差小于设定误差系数η或当前迭代次数大于设定迭代次数Τ,则退出判断,否则重新调用计算块相关系数和块筛选模块进行稀疏重构的计算;
数据校正模块,用于利用光谱后验概率的期望,确定最终的茶叶稀疏重构数据并输出。
本发明的有益效果为:本发明采用自动检测谱峰位置和确定峰宽的块稀疏贝叶斯学习方法能够准确的判断近红外光谱的谱峰数量和位置,从而能够准确的重构选取出谱峰特征,避免了算法重构过程出现误重构、有丢失的问题,且基于稀疏重构和谱峰自动检测的策略能够实现多重叠峰近红外光谱数据的吸收峰特征选取,进而实现高精度绿茶近红外光谱数据吸收峰自动检测与重构,有利于扩大茶叶检测等级精度及市场贸易。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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是本发明实施例一的方法流程示意图;
图2是本发明实施例一的茶叶光谱数据示意图;
图3是本发明实施例一的叶吸收峰确定及重构结果示意图;
图4是本发明实施例一的不同重构方法分析结果对比示意图;
图5是本发明实施例二的系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
参见图1、图2、图3、图4,本实施例提供了茶叶近红外光谱分析中谱峰自动检测与重构方法,包括以下步骤:
步骤二:先获取原始数据,再初始化包含相关系数γ、迭代次数Τ、噪声方差λ、对称半正定矩阵A以及相关系数相对误差η的块稀疏贝叶斯学习方法参数,初始化参数设置为:迭代次数Τ=100,噪声方差λ=10-2,相关系数γ=0,相对误差η=10-8及测量矩阵Ω=rand();
块稀疏贝叶斯学习方法优化函数如下:
L=log|λI+ΩΣ0ΩT|+yT(λI+ΩΣ0ΩT)-1y
Σ0=diag{γ1Β1,…,γiΒi,…,γgΒg}
其中,γi表示第i个块的块相关系数,Bi表示第i个块的结构矩阵;
步骤三:根据原始数据中的光谱特征,基于一阶偏差和二阶偏差来计算光谱中的吸收峰位置,谱峰位置确定计算如下:
Δxj=xj-xj-1
Δ2xj=Δxj-Δxj-1
s.t.Δxj=0andΔ2xj<0
其中,Δxj和Δ2xj分别是谱峰顶点xj的一阶偏差和二阶偏差;
步骤四:根据计算得到的吸收峰位置,基于半峰高计算谱峰的峰宽,谱峰宽度的计算表示如下:
其中,n和m分别是xn和xm的索引,相对高度差H表示如下:
其中,xi和xk分别是谱峰的起始点和终止点;
步骤五:根据每个块的稀疏度控制系数计算块的对称半正定矩阵、相关性结构矩阵和相关系数,对称半正定矩阵、相关性结构矩阵和相关系数表示如下:
步骤六:基于代价函数计算原始数据中每个块的误差值,并筛选稀疏块,代价函数误差计算如下:
L=log|λI+ΩΣ0ΩT|+yT(λI+ΩΣ0ΩT)-1y
步骤七:计算光谱后验概率的期望和方差,后验概率期望计算如下:
μ=Σ0ΩT(λI+ΩΣ0ΩT)-1y
其中,y表示为经过测量矩阵Ω得到光谱的压缩矩阵;
步骤九:计算块相关系数的相对误差及当前迭代次数,若相对误差小于设定误差系数η或当前迭代次数大于设定迭代次数Τ,则转至步骤十,否则转至步骤五,,相对误差判断条件表示如下:
其中,γ(t)是第t次迭代的相关系数;
步骤十:利用光谱后验概率的期望,确定最终的茶叶稀疏重构数据并输出。
基于输出的茶叶稀疏重构数据,对茶叶进行糖分预测,具体为:当采用稀疏贝叶斯学习(SBL)时,光谱后验概率的期望更新公式表示为:
当采用块稀疏贝叶斯学习(Block SBL)时,期望更新公式表示为:
μx=Σ0ΩT(λI+ΩΣ0ΩT)-1y
其中,y表示为经过测量矩阵Ω得到光谱的压缩矩阵;
糖分预测定量分析指标为决定系数,具体表示为:
其中,zi表示真实值,表示预测值,为样本均值,np表示预测集样本数,本实施例中np=47,对上述方法与常用的稀疏重构方法SBL进行对比可得,本发明提供的方法能够实现高精度绿茶近红外光谱数据吸收峰自动检测与重构。
实施例二
参见图5,本实施例提供了茶叶近红外光谱分析中谱峰自动检测与重构系统,包括:
样本采集模块,用于采集茶叶样本,获取茶叶近红外光谱数据,形成原始数据;
参数初始化模块,用于获取原始数据,并初始化块稀疏贝叶斯学习方法参数,初始化参数包含:相关系数γ、迭代次数Τ、噪声方差λ、对称半正定矩阵A以及相关系数相对误差η;
谱峰位置计算模块,用于根据光谱数据的一阶、二阶偏差确定吸收峰的位置;
谱峰宽度计算模块,用于根据吸收峰的半峰高确定峰宽;
相关系数计算模块,用于计算每个块的稀疏度控制系数,得到相关系数;
筛选模块,用于根据代价函数计算每个块的误差值,并筛选稀疏块;
期望和方差计算模块,用于根据光谱的后验概率分布,得到期望和方差;
噪声方差更新模块,用于根据最小化代价函数求解超参数,得到噪声方差更新;
判断模块,用于计算块相关系数的相对误差及当前迭代次数,若相对误差小于设定误差系数η或当前迭代次数大于设定迭代次数Τ,则退出判断,否则重新调用计算块相关系数和块筛选模块进行稀疏重构的计算;
数据校正模块,用于利用光谱后验概率的期望,确定最终的茶叶稀疏重构数据并输出。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.茶叶近红外光谱分析中谱峰自动检测与重构方法,其特征在于,包括以下步骤:
步骤一:先采集待检测茶叶样本,再获取茶叶样本的近红外光谱数据,并形成原始数据;
步骤二:先获取原始数据,再初始化包含相关系数γ、迭代次数Τ、噪声方差λ、对称半正定矩阵A以及相关系数相对误差η的块稀疏贝叶斯学习方法参数;
步骤三:根据原始数据中的光谱特征,基于一阶偏差和二阶偏差来计算光谱中的吸收峰位置;
步骤四:根据计算得到的吸收峰位置,基于半峰高计算谱峰的峰宽;
步骤五:根据每个块的稀疏度控制系数计算块的对称半正定矩阵、相关性结构矩阵和相关系数;
步骤六:基于代价函数计算原始数据中每个块的误差值,并筛选稀疏块;
步骤七:计算光谱后验概率的期望和方差;
步骤八:利用最小化代价函数求解超参数,并更新初始化参数中的噪声方差λ;
步骤九:计算块相关系数的相对误差及当前迭代次数,若相对误差小于设定误差系数η或当前迭代次数大于设定迭代次数Τ,则转至步骤十,否则转至步骤五;
步骤十:利用光谱后验概率的期望,确定最终的茶叶稀疏重构数据并输出。
3.根据权利要求1所述的茶叶近红外光谱分析中谱峰自动检测与重构方法,其特征在于:所述步骤三中,谱峰位置确定计算如下:
Δxj=xj-xj-1
Δ2xj=Δxj-Δxj-1
s.t.Δxj=0 and Δ2xj<0
其中,Δxj和Δ2xj分别是谱峰顶点xj的一阶偏差和二阶偏差。
7.根据权利要求1所述的茶叶近红外光谱分析中谱峰自动检测与重构方法,其特征在于:所述步骤七中,后验概率期望计算如下:
μx=Σ0ΩT(λI+ΩΣ0ΩT)-1y
其中,y表示为经过测量矩阵Ω得到光谱的压缩矩阵。
9.茶叶近红外光谱分析中谱峰自动检测与重构系统,其特征在于,包括:
样本采集模块,用于采集茶叶样本,获取茶叶近红外光谱数据,形成原始数据;
参数初始化模块,用于获取原始数据,并初始化块稀疏贝叶斯学习方法参数,初始化参数包含:相关系数γ、迭代次数Τ、噪声方差λ、对称半正定矩阵A以及相关系数相对误差η;
谱峰位置计算模块,用于根据光谱数据的一阶、二阶偏差确定吸收峰的位置;
谱峰宽度计算模块,用于根据吸收峰的半峰高确定峰宽;
相关系数计算模块,用于计算每个块的稀疏度控制系数,得到相关系数;
筛选模块,用于根据代价函数计算每个块的误差值,并筛选稀疏块;
期望和方差计算模块,用于根据光谱的后验概率分布,得到期望和方差;
噪声方差更新模块,用于根据最小化代价函数求解超参数,得到噪声方差更新;
判断模块,用于计算块相关系数的相对误差及当前迭代次数,若相对误差小于设定误差系数η或当前迭代次数大于设定迭代次数Τ,则退出判断,否则重新调用计算块相关系数和块筛选模块进行稀疏重构的计算;
数据校正模块,用于利用光谱后验概率的期望,确定最终的茶叶稀疏重构数据并输出。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111526109.5A CN114216877B (zh) | 2021-12-14 | 2021-12-14 | 茶叶近红外光谱分析中谱峰自动检测与重构方法及系统 |
PCT/CN2021/138605 WO2023108514A1 (zh) | 2021-12-14 | 2021-12-16 | 茶叶近红外光谱分析中谱峰自动检测与重构方法及系统 |
US18/192,733 US20230243744A1 (en) | 2021-12-14 | 2023-03-30 | Method and system for automatically detecting and reconstructing spectrum peaks in near infrared spectrum analysis of tea |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111526109.5A CN114216877B (zh) | 2021-12-14 | 2021-12-14 | 茶叶近红外光谱分析中谱峰自动检测与重构方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114216877A true CN114216877A (zh) | 2022-03-22 |
CN114216877B CN114216877B (zh) | 2023-03-10 |
Family
ID=80701734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111526109.5A Active CN114216877B (zh) | 2021-12-14 | 2021-12-14 | 茶叶近红外光谱分析中谱峰自动检测与重构方法及系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230243744A1 (zh) |
CN (1) | CN114216877B (zh) |
WO (1) | WO2023108514A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150387A (zh) * | 2023-11-01 | 2023-12-01 | 奥谱天成(厦门)光电有限公司 | 拉曼光谱峰拟合方法、介质、设备及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117214125B (zh) * | 2023-11-09 | 2024-01-26 | 南京盛略科技有限公司 | 一种基于检测光纤的液体成分检测系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105067550A (zh) * | 2015-07-30 | 2015-11-18 | 中北大学 | 基于分块稀疏贝叶斯优化的红外光谱波长选择方法 |
CN111307751A (zh) * | 2020-03-18 | 2020-06-19 | 安徽大学 | 茶叶近红外光谱分析中谱图基线校正方法、系统、检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5177384B2 (ja) * | 2007-01-31 | 2013-04-03 | 奈良県 | 緑茶の品質予測方法 |
KR100990841B1 (ko) * | 2008-06-27 | 2010-11-01 | 대한민국 | 근적외선 분광분석법을 이용한 차나무 생엽의 비파괴분석방법 |
CN103247034B (zh) * | 2013-05-08 | 2016-01-20 | 中国科学院光电研究院 | 一种基于稀疏光谱字典的压缩感知高光谱图像重构方法 |
CN111896495A (zh) * | 2020-08-05 | 2020-11-06 | 安徽大学 | 基于深度学习与近红外光谱太平猴魁产地甄别方法及系统 |
-
2021
- 2021-12-14 CN CN202111526109.5A patent/CN114216877B/zh active Active
- 2021-12-16 WO PCT/CN2021/138605 patent/WO2023108514A1/zh unknown
-
2023
- 2023-03-30 US US18/192,733 patent/US20230243744A1/en not_active Abandoned
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105067550A (zh) * | 2015-07-30 | 2015-11-18 | 中北大学 | 基于分块稀疏贝叶斯优化的红外光谱波长选择方法 |
CN111307751A (zh) * | 2020-03-18 | 2020-06-19 | 安徽大学 | 茶叶近红外光谱分析中谱图基线校正方法、系统、检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150387A (zh) * | 2023-11-01 | 2023-12-01 | 奥谱天成(厦门)光电有限公司 | 拉曼光谱峰拟合方法、介质、设备及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114216877B (zh) | 2023-03-10 |
WO2023108514A1 (zh) | 2023-06-22 |
US20230243744A1 (en) | 2023-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114216877B (zh) | 茶叶近红外光谱分析中谱峰自动检测与重构方法及系统 | |
CN110243806B (zh) | 拉曼光谱下基于相似度的混合物组分识别方法 | |
CN111307751B (zh) | 茶叶近红外光谱分析中谱图基线校正方法、系统、检测方法 | |
CN110726694A (zh) | 光谱变量梯度集成遗传算法的特征波长选择方法和系统 | |
CN102072767A (zh) | 基于波长相似性共识回归红外光谱定量分析方法和装置 | |
CN111896495A (zh) | 基于深度学习与近红外光谱太平猴魁产地甄别方法及系统 | |
CN106248621A (zh) | 一种评价方法与系统 | |
CN104655583A (zh) | 一种基于傅里叶红外光谱的煤质快速识别方法 | |
CN117556245B (zh) | 一种四甲基氢氧化铵生产过滤杂质检测方法 | |
CN114611582B (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
CN116994675B (zh) | 基于近红外数据的锦灯笼宿萼表皮检测方法 | |
CN102135496A (zh) | 基于多尺度回归的红外光谱定量分析方法和装置 | |
CN114067169A (zh) | 一种基于卷积神经网络的拉曼光谱分析方法 | |
CN113903407A (zh) | 成分识别方法、装置、电子设备和存储介质 | |
CN116312860B (zh) | 基于监督迁移学习的农产品可溶性固形物预测方法 | |
CN113076692A (zh) | 一种反演叶片氮素含量的方法 | |
CN115824996A (zh) | 基于近红外光谱的烟叶常规化学成分通用模型建模方法 | |
CN115909324A (zh) | 一种广陈皮陈化年份高光谱鉴别方法及系统 | |
CN109145887B (zh) | 一种基于光谱潜变量混淆判别的阈值分析方法 | |
CN115901677B (zh) | 具有更新机制的硝酸-硝酸铵溶液中硝酸铵浓度预测方法 | |
CN109060681B (zh) | 痕量金属离子浓度区间预测方法、装置及存储介质 | |
CN117330535A (zh) | 一种基于近红外光谱的小麦粉粉质特性预测方法 | |
CN116011572A (zh) | 具有更新机制的乌醋溶液中乌洛托品浓度预测方法 | |
CN104502305B (zh) | 基于小波变换的近红外光谱有用信息分辨方法 | |
CN118675641A (zh) | 基于随机蛙跳特征提取的叶片氮元素检测方法及系统 |
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 |