CN114279962B - 一种基于便携式近红外光谱仪的光照自适应方法 - Google Patents
一种基于便携式近红外光谱仪的光照自适应方法 Download PDFInfo
- Publication number
- CN114279962B CN114279962B CN202111570592.7A CN202111570592A CN114279962B CN 114279962 B CN114279962 B CN 114279962B CN 202111570592 A CN202111570592 A CN 202111570592A CN 114279962 B CN114279962 B CN 114279962B
- Authority
- CN
- China
- Prior art keywords
- illumination
- near infrared
- infrared spectrometer
- value
- sample
- 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
Classifications
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明涉及近红外光照自适应调节的技术,其公开了一种基于便携式近红外光谱仪的光照自适应方法,解决由于样品反射率不同而造成光谱传感器采集得到的光谱数据分析预测能力弱的问题。本发明首先构建便携式近红外多光照照射系统;然后计算多光照照射系统的照度值与采样光斑之间的对应关系,以及便携式近红外光谱仪的光谱数据与采样光斑之间的对应关系;接着,读取待测样品信息,获取其反射率;最后,结合待测样品的反射率及近红外光谱仪的光谱传感器最优效果对多光照照射系统进行光照自适应调节。
Description
技术领域
本发明涉及近红外光照自适应调节的技术,具体涉及一种基于便携式近红外光谱仪的光照自适应方法。
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,不论是对经济还是从社会影响来说,都取得了非常高的效益,极具发展潜力。
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、传感器、环境条件等影响,其光谱分析能力偏弱。尤其是光源的影响最为直接,单一光源由于自身强度偏弱的原因会极大影响近红外光谱分析能力。特别是针对反射率偏低的样品,便携式近红外传感器采集获得的光谱数据有用消息非常少,很难进行光谱分析。
在此背景之下,多光照系统便携式近红外光谱仪应运而生,虽然多光照系统能有效提升光照能力,但是相较于一些反射率偏大的样品,多光照系统又极有可能造成光谱传感器采集的光谱数据超过其上限阈值,进而无法获取样品光谱数据信息。
因此,如何能提供一种有效的方法来进行光照的自适应调节,进而使得光谱传感器采集获得的光谱数据均有良好的预测分析能力成为了一个亟待解决的问题。
发明内容
本发明所要解决的技术问题是:提出一种基于便携式近红外光谱仪的光照自适应方法,解决由于样品反射率不同而造成光谱传感器采集得到的光谱数据分析预测能力弱的问题。
本发明解决上述技术问题采用的技术方案是:
一种基于便携式近红外光谱仪的光照自适应方法,包括以下步骤:
S1、构建便携式近红外多光照照射系统;
S2、计算多光照照射系统的照度值与采样光斑之间的对应关系;
S3、计算便携式近红外光谱仪的光谱数据与采样光斑之间的对应关系;
S4、读取待测样品信息,获取其反射率;
S5、结合待测样品的反射率及近红外光谱仪的光谱传感器最优效果对多光照照射系统进行光照自适应调节。
作为进一步优化,步骤S1中,构建的便携式近红外多光照照射系统由采用汇聚式环形分布的(1+X+Y)个近红外照射光源构成,包括1个主光源,位于环形分布结构的中心处,X个次级光源,环绕于主光源周围呈环形分布,Y个三级光源,环绕于二级光源周围呈环形分布。
作为进一步优化,步骤S2中,根据多光照照射系统中各个光照点对采样光斑的贡献权重以及在近红外光腔中的衰减计算出多光照照射系统的照度值与采样光斑之间的对应关系。
作为进一步优化,步骤S3中,便携式近红外光谱仪的光谱数据与采样光斑之间的对应关系等同于近红外光谱仪的传感器接收到的光照强度与采样光斑之间的对应关系。
作为进一步优化,步骤S4中,通过RFID读取待测样品的电子标签,从而获取待测样品的信息,其中包含待测组分含量及样品反射率等信息。
作为进一步优化,步骤S5中,所述结合待测样品的反射率及近红外光谱仪的光谱传感器最优效果对多光照照射系统进行光照自适应调节,具体包括:
S51、根据多光照照射系统的照度值与采样光斑之间的对应关系,计算当前实际采样光斑照度值T;
S52、根据便携式近红外光谱仪的光谱数据与采样光斑之间的对应关系,结合待测样本反射率、近红外光腔的衰减率以及当前实际采样光斑照度值计算近红外光谱仪的传感器当前接收到的实际光照强度M2;
S53、确定光谱传感器最优效果对应的光照强度M1;
S54、根据光谱传感器最优效果对应的光照强度M1与当前接收到的实际光照强度M2之间的差值反推出需求的采样光斑照度值T1;
S55、根据需求的采样光斑照度值T1与当前实际采样光斑照度值T的差值T2,以及照射系统中的光照点对采样光斑的贡献照度值计算出需要开启或关闭的光源数量。
作为进一步优化,步骤S53中,所述光谱传感器最优效果对应的光照强度=光谱传感器的光照强度上限阈值*60%。
作为进一步优化,步骤S55中,所述照射系统中的光照点对采样光斑的贡献照度值=(1-近红外光腔的衰减率)*光照点的贡献权重*光照点的照度值。
本发明的有益效果是:
通过对多光照系统进行自适应调节,有效解决样品反射率不同而造成光谱传感器采集得到的光谱数据分析预测能力弱的问题,根据待测样品的反射率差异自适应调节多光照系统的照度值,进而保证近红外光谱数据有着最优分析预测能力。
附图说明
图1是实施例中的基于便携式近红外光谱仪的光照自适应方法流程图;
图2是实施例中构建的便携式近红外多光照照射系统示意图,其中,01为主光源,02为次级光源,03为三级光源。
具体实施方式
本发明旨在提出一种基于便携式近红外光谱仪的光照自适应方法,解决由于样品反射率不同而造成光谱传感器采集得到的光谱数据分析预测能力弱的问题。本发明首先构建便携式近红外多光照照射系统;然后计算多光照照射系统的照度值与采样光斑之间的对应关系,以及便携式近红外光谱仪的光谱数据与采样光斑之间的对应关系;接着,读取待测样品信息,获取其反射率;最后,结合待测样品的反射率及近红外光谱仪的光谱传感器最优效果对多光照照射系统进行光照自适应调节。
实施例:
如图1所示,本实施例中的基于便携式近红外光谱仪的光照自适应方法包括以下步骤:
步骤101、构建便携式近红外多光照照射系统;
具体实现上,多光照照射系统由(1+X+Y)个近红外照射光源构成,具体分布结构为汇聚式环形分布,其中1个主光源,位于环形分布结构的中心处,X个次级光源,环绕于主光源周围呈环形分布,Y个三级光源,环绕于二级光源周围呈环形分布。由于采样光斑处于便携式近红外光谱设备的中心位置,所以主光源的光照贡献权重最高,次级光源次之,三级光源最低。在多光照系统中,所涵盖的照射光源越多,其自适应调节范围越广,光谱数据分析能力越好,但是同时也会造成成本增加,结构排布困难,资源浪费。
如图2所示的实施例中采用9个近红外光源构成的多光照系统,其排布结构为(1+4+4),如此能够在保证光谱数据分析能力的前提下,采用尽可能少的近红外光源,可以有效的节约系统成本及资源。
步骤102、计算多光照系统照度值与采样光斑之间的对应关系;
在便携式多光照系统近红外光谱仪中,各个光照点的位置均不同,所以其对采样光斑的贡献权重也不相同,同时结合各个光照点在近红外光腔中的衰减即可计算出多光照系统照度值与采样光斑之间的对应关系。
在本实施例中,便携式近红外光谱设备的工作原理为:多光照系统的各个光照点发出近红外光通过近红外光腔衰减后,到达待测物表面,汇聚成为采样光斑,采样光斑由待测物进行光反射,经过光腔衰减到达光谱传感器,光谱传感器接收反射回来的光强信息生成对应光谱数据值。
进一步的,在近红外光谱仪的采样光斑形成过程中,多光照系统由(1+4+4)个光照点构成,各个光照点的照度值均为Lux,其中主光照的采样光斑贡献权重为100%,次级光照的采样光斑贡献权重为80%,三级光照的采样光斑贡献权重为60%,近红外光腔的衰减率为5%,为了能更大范围的涵盖适应各种反射率样品,在常规状态下多光照系统仅开启2个次级光照点及2个三级光照点,由以上可以计算得知采样光斑的照度值T为:
T=(1-5%)×(Lux×100%+2Lux×80%+2Lux×60%)=3.61Lux
步骤103、计算便携式近红外光谱数据与采样光斑之间的对应关系;
多光照系统发出的近红外光由待测物进行光反射,经过光腔衰减到达光谱传感器,光谱传感器接收反射回来的光强信息生成对应光谱数据值。结合采样光斑的照度信息以及待测物反射率、光腔衰减参数即可计算出光谱数据与采样光斑之间的对应关系。
在本实施例中,假定待测物反射率为P,可以计算出便携式近红外传感器接收到的光照强度M为:
M=P×(1-5%)×T=3.4295PLux
进一步的,便携式近红外传感器的光照强度与光谱数据对应关系为线性相关,当传感器的光照强度为最优时,其光谱数据即为最优。由此,近红外光谱数据与采样光斑之间的对应关系可以等同于传感器接收到的光照强度与采样光斑之间的对应关系。
步骤104、读取待测样品信息,获取其反射率;
本步骤中,可以通过RFID读取待测样品信息,进一步获取其反射率。RFID可以快速且无需物理接触的读取待测样品电子标签,从而获取待测样品的信息,其中包含待测组分含量及样品反射率等信息。
步骤105、结合待测样品的反射率及近红外光谱仪的光谱传感器最优效果对多光照照射系统进行光照自适应调节;
便携式近红外光谱传感器采集获得的光照强度为其上限阈值的60%时,其光谱数据的分析预测能力为最优,结合待测样品反射率计算最优光谱数据与多光照系统照度值之间的对应关系,进一步对多光照系统进行自适应调节。
在本实施例中,假定采集的待测样品反射率为0.8,便携式近红外光谱传感器的光照强度上限阈值为4Lux,则最优的光照强度值为M1=60%×4Lux=2.4Lux,在光照系统常规状态下,便携式近红外传感器接收到的光照强度M2为:
M2=0.8×(1-5%)×T=2.7436Lux
由于M2>M1,便携式近红外传感器采集得到的光照强度并非为最优,由此需要对多光照系统进行自适应调节,由于最优光照强度值为2.4Lux,反推出需求的采样光斑照度值T1为:
T1=2.4Lux/(0.8×0.95)=3.1578Lux
在光照系统常规状态下,采样光斑照度值T=3.61Lux,与需求的采样光斑照度值T1的差值T2为:
T2=T-T1=3.61Lux-3.1578Lux=0.452Lux
在多光照系统中,主光照的采样光斑贡献权重为100%,次级光照的采样光斑贡献权重为80%,三级光照的采样光斑贡献权重为60%,即主光照每个光照点贡献1Lux,次级光照每个光照点贡献0.8Lux,三级光照每个光照点贡献0.6Lux,再结合近红外光腔的衰减率为5%,进一步计算出主光照每个光照点的实际贡献为0.95Lux,次级光照每个光照点实际贡献0.76Lux,三级光照每个光照点实际贡献0.57Lux。要使得采样光斑的照度值为T1=3.1578Lux,相较于常规光照系统下的照度值T=3.61Lux,需要降低差值T2=0.452Lux,该差值与单个三级光照点实际贡献0.57Lux最为接近,由上可知,多光照系统仅需要自动关闭一个三级光照点即可使得光谱传感器采集获得最优光照强度,进一步转换为最优光谱数据。
进一步的,当待测样品反射率偏低,假定为0.5时,在光照系统常规状态下,便携式近红外传感器接收到的光照强度M3为:
M3=0.5×(1-5%)×T=1.71475Lux
由于M3<M1,便携式近红外传感器采集得到的光照强度也并非为最优,由此需要对多光照系统进行自适应调节,由于最优光照强度值为2.4Lux,反推出需求的采样光斑照度值T3为:
T3=2.4Lux/(0.5×0.95)=5.052Lux
在光照系统常规状态下,采样光斑照度值T=3.61Lux,与需求的采样光斑照度值T3的差值T4为:
T4=T-T3=3.61Lux-5.052Lux=-1.442Lux
要使得采样光斑的照度值为T3=5.052Lux,相较于常规光照系统下的照度值T=3.61Lux,需要提高差值T2=1.442Lux,该差值与两个次级光照点合值0.76Lux+0.76Lux=1.52Lux最为接近,由上可知,多光照系统仅需要自动开启两个次级光照点即可使得光谱传感器采集获得最优光照强度,进一步转换为最优光谱数据。
Claims (5)
1.一种基于便携式近红外光谱仪的光照自适应方法,其特征在于,包括以下步骤:
S1、构建便携式近红外多光照照射系统;
S2、计算多光照照射系统的照度值与采样光斑之间的对应关系;
S3、计算便携式近红外光谱仪的光谱数据与采样光斑之间的对应关系;
S4、读取待测样品信息,获取其反射率;
S5、结合待测样品的反射率及近红外光谱仪的光谱传感器最优效果对多光照照射系统进行光照自适应调节;
步骤S2中,根据多光照照射系统中各个光照点对采样光斑的贡献权重以及在近红外光腔中的衰减计算出多光照照射系统的照度值与采样光斑之间的对应关系;
步骤S3中,便携式近红外光谱仪的光谱数据与采样光斑之间的对应关系等同于近红外光谱仪的传感器接收到的光照强度与采样光斑之间的对应关系;
步骤S5中,所述结合待测样品的反射率及近红外光谱仪的光谱传感器最优效果对多光照照射系统进行光照自适应调节,具体包括:
S51、根据多光照照射系统的照度值与采样光斑之间的对应关系,计算当前实际采样光斑照度值T;
S52、根据便携式近红外光谱仪的光谱数据与采样光斑之间的对应关系,结合待测样本反射率、近红外光腔的衰减率以及当前实际采样光斑照度值计算近红外光谱仪的传感器当前接收到的实际光照强度M2;
S53、确定光谱传感器最优效果对应的光照强度M1;
S54、根据光谱传感器最优效果对应的光照强度M1与当前接收到的实际光照强度M2之间的差值反推出需求的采样光斑照度值T1;
S55、根据需求的采样光斑照度值T1与当前实际采样光斑照度值T的差值T2,以及照射系统中的光照点对采样光斑的贡献照度值计算出需要开启或关闭的光源数量。
2.如权利要求1所述的基于便携式近红外光谱仪的光照自适应方法,其特征在于,
步骤S1中,构建的便携式近红外多光照照射系统由采用汇聚式环形分布的(1+X+Y)个近红外照射光源构成,包括1个主光源,位于环形分布结构的中心处,X个次级光源,环绕于主光源周围呈环形分布,Y个三级光源,环绕于二级光源周围呈环形分布。
3.如权利要求1或2所述的基于便携式近红外光谱仪的光照自适应方法,其特征在于,步骤S4中,通过RFID读取待测样品的电子标签,从而获取待测样品的信息,其中包含待测组分含量及样品反射率等信息。
4.如权利要求1所述的基于便携式近红外光谱仪的光照自适应方法,其特征在于,
步骤S53中,所述光谱传感器最优效果对应的光照强度=光谱传感器的光照强度上限阈值*60%。
5.如权利要求1所述的基于便携式近红外光谱仪的光照自适应方法,其特征在于,
步骤S55中,所述照射系统中的光照点对采样光斑的贡献照度值=(1-近红外光腔的衰减率)*光照点的贡献权重*光照点的照度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111570592.7A CN114279962B (zh) | 2021-12-21 | 2021-12-21 | 一种基于便携式近红外光谱仪的光照自适应方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111570592.7A CN114279962B (zh) | 2021-12-21 | 2021-12-21 | 一种基于便携式近红外光谱仪的光照自适应方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114279962A CN114279962A (zh) | 2022-04-05 |
CN114279962B true CN114279962B (zh) | 2023-07-25 |
Family
ID=80873514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111570592.7A Active CN114279962B (zh) | 2021-12-21 | 2021-12-21 | 一种基于便携式近红外光谱仪的光照自适应方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114279962B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117053718B (zh) * | 2023-10-11 | 2023-12-12 | 贵州黔程弘景工程咨询有限责任公司 | 基于梁底线形测量的梁底线形模型生成方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106018330A (zh) * | 2016-05-10 | 2016-10-12 | 四川长虹电器股份有限公司 | 一种口袋式近红外光谱仪 |
CN110632021A (zh) * | 2019-10-17 | 2019-12-31 | 四川长虹电器股份有限公司 | 基于便携式近红外光谱仪的光谱检测方法及系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1831515A (zh) * | 2006-04-03 | 2006-09-13 | 浙江大学 | 用可见光和近红外光谱技术无损鉴别作物种子品种的方法 |
JP4997652B2 (ja) * | 2010-06-10 | 2012-08-08 | 横河電機株式会社 | 分光分析装置 |
CN102997995B (zh) * | 2012-12-05 | 2014-10-08 | 中国计量学院 | 一种波长和光谱能量自动校准的便携式分光色彩照度计 |
CN105044021B (zh) * | 2015-07-08 | 2018-07-17 | 湖南环境生物职业技术学院 | 一种中秋酥脆枣糖度无损检测方法 |
CN107192456B (zh) * | 2017-06-22 | 2018-07-10 | 温州大学 | 一种基于led照明的颜色测量多光谱成像系统 |
CN107894408B (zh) * | 2017-11-24 | 2021-04-13 | 中国农业科学院油料作物研究所 | 一种基于近红外光谱仪的食用油多元掺伪鉴别方法 |
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 |
CN111855595B (zh) * | 2020-08-24 | 2022-04-05 | 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 |
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 |
CN111879725B (zh) * | 2020-08-24 | 2022-02-01 | 四川长虹电器股份有限公司 | 一种基于权重系数的光谱数据修正方法 |
-
2021
- 2021-12-21 CN CN202111570592.7A patent/CN114279962B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106018330A (zh) * | 2016-05-10 | 2016-10-12 | 四川长虹电器股份有限公司 | 一种口袋式近红外光谱仪 |
CN110632021A (zh) * | 2019-10-17 | 2019-12-31 | 四川长虹电器股份有限公司 | 基于便携式近红外光谱仪的光谱检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114279962A (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Allen et al. | Explosive cyclogenesis: A global climatology comparing multiple reanalyses | |
Grinsted et al. | Projected Atlantic hurricane surge threat from rising temperatures | |
CN114279962B (zh) | 一种基于便携式近红外光谱仪的光照自适应方法 | |
CN113592165B (zh) | 基于旬倾向和物理模态建模的次季节气候预测方法与系统 | |
Suárez-García et al. | Benchmarking of meteorological indices for sky cloudiness classification | |
KR102440355B1 (ko) | 해수면 전파 반사율을 이용한 딥 러닝 해양 클러스터 데이터 측정 시스템 | |
Yin et al. | Method for detecting the pollution degree of naturally contaminated insulator based on hyperspectral characteristics | |
Riihimaki et al. | Improving prediction of surface solar irradiance variability by integrating observed cloud characteristics and machine learning | |
CN109450573A (zh) | 一种基于深度神经网络的频谱感知方法 | |
CN113240208B (zh) | 光伏发电输出功率预测方法、装置及计算机可读存储介质 | |
Insaf et al. | Global horizontal irradiance modeling from sky images using ResNet architectures | |
Li et al. | TF 2 AN: A temporal-frequency fusion attention network for spectrum energy level prediction | |
Xiang et al. | Very short‐term prediction model for photovoltaic power based on improving the total sky cloud image recognition | |
CN116429724A (zh) | 基于红外高光谱分析的复合绝缘子材料污秽程度检测方法 | |
CN116026835A (zh) | 辅料自动检测装置、方法及系统 | |
CN113074718B (zh) | 一种定位方法、装置、设备及存储介质 | |
CN114913415A (zh) | 一种基于遥感监测的病虫害检测系统 | |
Voronych et al. | Solar PV nowcasting based on skycamera observations | |
Li et al. | Sensitivity analysis of climatic parameters for sky classification | |
CN117991276B (zh) | 一种基于环境自适应的激光测距动态调整方法及系统 | |
Brenner et al. | Soiling determination for parabolic trough collectors based on operational data analysis and machine learning | |
CN207992047U (zh) | 一种手持式成分分析仪 | |
Hamidi et al. | Texture‐based classification of high‐resolution precipitation forecasts with machine‐learning methods | |
Zhao et al. | Visible/near-infrared Spectroscopy and Hyperspectral Imaging Facilitate the Rapid Determination of Soluble Solids Content in Fruits | |
Granados-López et al. | Pixel‐Based Image Processing for CIE Standard Sky Classification through ANN |
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 |