CN114428063A - 污染层光谱数据识别方法、装置、电子设备和存储介质 - Google Patents

污染层光谱数据识别方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114428063A
CN114428063A CN202210335692.XA CN202210335692A CN114428063A CN 114428063 A CN114428063 A CN 114428063A CN 202210335692 A CN202210335692 A CN 202210335692A CN 114428063 A CN114428063 A CN 114428063A
Authority
CN
China
Prior art keywords
subset
pulse
pulse number
translation
subsets
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
Application number
CN202210335692.XA
Other languages
English (en)
Other versions
CN114428063B (zh
Inventor
潘从元
张兵
贾军伟
张亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Gstar Intelligent Control Technical Co Ltd
Original Assignee
Hefei Gstar Intelligent Control Technical Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Gstar Intelligent Control Technical Co Ltd filed Critical Hefei Gstar Intelligent Control Technical Co Ltd
Priority to CN202210335692.XA priority Critical patent/CN114428063B/zh
Publication of CN114428063A publication Critical patent/CN114428063A/zh
Application granted granted Critical
Publication of CN114428063B publication Critical patent/CN114428063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Abstract

本发明公开了一种污染层光谱数据识别方法、装置、电子设备和存储介质。包括：对同一物料样品的同一个点位连续进行多次脉冲，将得到的多个与每次脉冲对应的元素光谱特征值按照脉冲次序排列，构成集合
Figure DEST_PATH_IMAGE001
，
Figure DEST_PATH_IMAGE002
到
Figure DEST_PATH_IMAGE003
依次表示m个元素光谱特征值，1到m依次为表示脉冲次序的脉冲数；对集合P进行滤波处理，得到按照脉冲数排列的滤波后的元素光谱特征值集合Q；对集合Q进行分组，得到多个Q子集；分别对多个Q子集进行拟合，得到每个Q子集拟合函数的系数；根据系数和预设系数阈值，确定污染层的元素光谱特征值。能够对样品表面污染层光谱数据进行有效而准确的识别，适用广泛，便于调整，有利于现场推广。

Description

污染层光谱数据识别方法、装置、电子设备和存储介质
技术领域
本发明涉及冶金物料成分自动在线检测技术领域，特别涉及一种污染层光谱数据识别方法、装置、电子设备和存储介质。
背景技术
冶金物料的成分是冶金过程控制的核心参数之一，对其检测的准确性与代表性对优化工艺参数具有重要意义。目前，冶金物料成分检测通过人工取样后经研磨、溶解等方法处理后重新制样检测，当样品表面被污染后当前预处理方法会混入杂质从而影响到检测结果的准确性与代表性。激光诱导击穿光谱技术（Laser-Induced Breakdown Spectroscopy，简称LIBS）具有不需要样品制备，多元素同时快速检测，远程非接触原位在线检测等优势，已用于工业物料成分的在线检测。但是LIBS所采集的样品光谱中混入了样品表面的污染层光谱，样品表面污染层的光谱数据会影响LIBS检测系统对工业物料成分检测的准确性以及代表性。因此，为了实现LIBS检测系统对多种工业物料成分的检测的准确性以及代表性，需对样品表面污染层光谱数据进行有效剔除。
发明内容
为了至少部分地解决现有技术存在的技术问题，发明人做出本发明，通过具体实施方式，提供一种污染层光谱数据识别方法、装置、电子设备和存储介质。
第一方面，本发明实施例提供一种污染层光谱数据识别方法，包括以下步骤：
对同一物料样品的同一个点位连续进行多次脉冲，得到多个与每次脉冲对应的元 素光谱特征值，将所述多个与每次脉冲对应的元素光谱特征值，按照脉冲次序排列，构成集 合
Figure 714335DEST_PATH_IMAGE001
，其中
Figure 397121DEST_PATH_IMAGE002
，
Figure 896235DEST_PATH_IMAGE003
到
Figure 648159DEST_PATH_IMAGE004
依次表示m个与每次脉冲对应的元素光谱特征 值，1到m依次为表示脉冲次序的脉冲数，m为正整数；
对所述集合P进行滤波处理，得到按照脉冲数顺序排列的滤波后的元素光谱特征值集合Q；
按照脉冲数顺序，对所述集合Q进行分组，得到多个按照脉冲数顺序排列的Q子集；
分别对所述多个Q子集进行拟合，得到按照脉冲数顺序排列的每个Q子集拟合函数的系数；
根据所述每个Q子集拟合函数的系数和预设系数阈值，确定污染层的元素光谱特征值。
可选的，对所述集合P进行滤波处理，得到按照脉冲数顺序排列的滤波后的元素光谱特征值集合Q，包括以下步骤：
使用Savitzky-Golay滤波算法对集合
Figure 890922DEST_PATH_IMAGE005
进行滤波处理，得到按照脉冲数排列的滤 波后的元素光谱特征值集合Q。
可选的，按照脉冲数顺序，对所述集合Q进行分组，得到多个按照脉冲数顺序排列的Q子集，包括以下步骤：
设置平移窗口宽度和平移间隔，按照脉冲数顺序对所述集合Q进行窗口平移，得到多个按照脉冲数顺序排列的Q子集。
可选的，所述设置平移窗口宽度和平移间隔，按照脉冲数顺序对所述集合Q进行窗口平移，得到多个按照脉冲数顺序排列的Q子集，包括以下步骤：
将所述集合Q中每个滤波后的元素光谱特征值对应的脉冲次序，排列在表示脉冲数的坐标轴上；
设置平移窗口宽度为
Figure 162634DEST_PATH_IMAGE006
，平移间隔为
Figure 832650DEST_PATH_IMAGE007
；
根据所述平移窗口宽度
Figure 573335DEST_PATH_IMAGE008
和平移间隔
Figure 354209DEST_PATH_IMAGE009
，得到平移次数
Figure 11587DEST_PATH_IMAGE010
，其中
Figure 977138DEST_PATH_IMAGE011
；
将平移窗口的左边界与所述表示脉冲数的坐标轴的原点对齐，将所述平移窗口内 的
Figure 579020DEST_PATH_IMAGE012
个滤波后的元素光谱特征值，构成一个Q子集；
将所述平移窗口向右平移，每平移
Figure 38952DEST_PATH_IMAGE013
个脉冲数，记为平移窗口的一次平移，将每 次平移后所述平移窗口内的
Figure 409890DEST_PATH_IMAGE014
个滤波后的元素光谱特征值，构成一个Q子集；
将所述平移窗口在所述表示脉冲数的坐标轴上向右平移
Figure 325105DEST_PATH_IMAGE015
次后，得到
Figure 148705DEST_PATH_IMAGE015
+1个Q子 集。
可选的，所述分别对所述多个Q子集进行拟合，得到按照脉冲数顺序排列的每个Q子集拟合函数的系数，包括以下步骤：
分别构建与每个所述Q子集对应的线性拟合函数，分别构建与每个所述线性拟合函数对应的平移损失函数；
利用最小二乘法求解每个所述平移损失函数的最小值，得到所述线性拟合函数的斜率。
可选的，所述根据所述每个Q子集拟合函数的系数和预设系数阈值，确定污染层的元素光谱特征值，包括以下步骤：
根据所述每个Q子集拟合函数的系数和预设系数阈值，确定污染层子集；
根据所述污染层子集对应的脉冲数，确定污染层的元素光谱特征值。
可选的，所述根据所述每个Q子集拟合函数的系数和预设系数阈值，确定污染层子集，包括以下步骤：
按照所述Q子集的排列顺序，将每个所述Q子集拟合函数的系数与预设系数阈值对比，将系数首次大于所述预设系数阈值的拟合函数对应的Q子集之前的Q子集，标记为污染层子集。
可选的，还包括以下步骤：
将所述污染层的元素光谱特征值，从集合P中删除；
以所述集合P中剩下的元素光谱特征值，构建集合A。
第二方面，本发明实施例提供一种污染层光谱数据识别装置，包括：
光谱数据记录模块，用于对同一物料样品的同一个点位连续进行多次脉冲，得到 多个与每次脉冲对应的元素光谱特征值，将所述多个与每次脉冲对应的元素光谱特征值， 按照脉冲次序排列，构成集合
Figure 412327DEST_PATH_IMAGE016
，其中
Figure 637772DEST_PATH_IMAGE017
，
Figure 945125DEST_PATH_IMAGE018
到
Figure 521600DEST_PATH_IMAGE019
依次表示m个与每次 脉冲对应的元素光谱特征值，1到m依次为表示脉冲次序的脉冲数，m为正整数；
滤波处理模块，用于对所述集合P进行滤波处理，得到按照脉冲数顺序排列的滤波后的元素光谱特征值集合Q；
Q集合分组模块，用于按照脉冲数顺序，对所述集合Q进行分组，得到多个按照脉冲数顺序排列的Q子集；
光谱数据识别模块，用于分别对所述多个Q子集进行拟合，得到按照脉冲数顺序排列的每个Q子集拟合函数的系数；根据所述每个Q子集拟合函数的系数和预设系数阈值，确定污染层的元素光谱特征值。
光谱数据净化模块，用于将所述污染层的元素光谱特征值，从集合P中删除；以所述集合P中剩下的元素光谱特征值，构建集合A。
基于同一发明构思，本发明实施例还提供一种电子设备，包括：存储器、处理器及存储于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计算机程序时实现前述的污染层光谱数据识别方法。
基于同一发明构思，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的污染层光谱数据识别方法。
本发明实施例提供的上述技术方案的有益效果至少包括：
通过将LIBS所采集的样品光谱进行滤波和平移处理，实现了对样品表面污染层光谱数据有效而准确的识别；不限定物料化学元素，适用范围广，可适用于用于钢铁、有色冶金等行业冶炼现场固体物料表面污染层；根据不同情况下对污染层光谱数据识别精度的要求，可以通过调整本发明中的预设系数阈值、具体滤波方法、拟合函数形式和滤波拟合函数最高次幂等方式，可实现进一步提升识别精度，或降低计算成本，实现更加快速的识别，有利于现场推广。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种污染层光谱数据识别方法流程图；
图2为本发明实施例中滤波前元素光谱特征曲线图；
图3为本发明实施例中滤波后元素光谱特征曲线图；
图4为本发明实施例中拟合函数曲线线段示意图；
图5为本发明实施例中拟合直线斜率曲线图；
图6为本发明实施例中一种污染层光谱数据识别装置框图；
图7为本发明实施例中一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的问题，本发明实施例提供一种污染层光谱数据识别方法、装置、电子设备和存储介质。
实施例一
本发明实施例一提供一种污染层光谱数据识别方法，其流程如图1所示，包括如下步骤：
步骤S101：对同一物料样品的同一个点位连续进行多次脉冲，得到多个与每次脉 冲对应的元素光谱特征值，将所述多个与每次脉冲对应的元素光谱特征值，按照脉冲次序 排列，构成集合
Figure 323334DEST_PATH_IMAGE020
，其中
Figure 403285DEST_PATH_IMAGE021
，
Figure 648584DEST_PATH_IMAGE022
到
Figure 446776DEST_PATH_IMAGE023
依次表示m个与每次脉冲对应的元 素光谱特征值，1到m依次为表示脉冲次序的脉冲数，m为正整数。
本发明的原理是：
Figure 52201DEST_PATH_IMAGE024
式中，i代表i能级，j代表j能级，
Figure 986659DEST_PATH_IMAGE025
为跃迁几率，
Figure 901394DEST_PATH_IMAGE026
为高能级简并度，
Figure 186882DEST_PATH_IMAGE027
为辐射 波长，
Figure 330418DEST_PATH_IMAGE028
为等离子温度，
Figure 384962DEST_PATH_IMAGE029
为当前温度下该离子对应的匹配函数，
Figure 972063DEST_PATH_IMAGE030
为高能级能量，
Figure 479268DEST_PATH_IMAGE031
为玻尔兹曼常数，其中
Figure 613446DEST_PATH_IMAGE032
为与系统参数、等离子体温度、元素特性等相关的比例因子，
Figure 788076DEST_PATH_IMAGE033
为元素浓度，
Figure 529767DEST_PATH_IMAGE034
为元素特征；
由于当前测量参数一致，忽略自吸收影响时，上述公式中
Figure 789847DEST_PATH_IMAGE035
前的各系数可记为常 数
Figure 25918DEST_PATH_IMAGE036
，因此公式可改写为：
Figure 55054DEST_PATH_IMAGE037
其中
Figure 967646DEST_PATH_IMAGE038
为元素特征，
Figure 715023DEST_PATH_IMAGE039
为元素浓度。
物料表面污染层主要为取样装置粘连以及物料自身氧化等，其表现为各元素浓度波动大、不稳定，可以直接通过LIBS系统获取物料不同深度下的光谱数据。
步骤S102：对所述集合P进行滤波处理，得到按照脉冲数顺序排列的滤波后的元素光谱特征值集合Q。
可选的，所述对所述集合P进行滤波处理，得到按照脉冲数顺序排列的滤波后的元素光谱特征值集合Q，包括以下步骤：
使用Savitzky-Golay滤波算法对集合
Figure 253320DEST_PATH_IMAGE040
进行滤波处理，得到按照脉冲数排列的滤 波后的元素光谱特征值集合Q。
例如，根据所述集合P、脉冲次数m，以n为滤波窗口宽度，构建包括m-2n个滤波子集、每个滤波子集长度2n+1的集合M；
分别构建与每个所述滤波子集对应的滤波拟合函数，分别构建与每个所述滤波拟合函数对应的滤波损失函数；
利用最小二乘法求解每个所述滤波损失函数的最小值，得到所述滤波拟合函数的系数；
根据所述滤波拟合函数的系数，得到按照脉冲数排列的滤波后的元素光谱特征值 集合
Figure 136963DEST_PATH_IMAGE041
，其中
Figure 486035DEST_PATH_IMAGE042
，
Figure 455128DEST_PATH_IMAGE043
到
Figure 33003DEST_PATH_IMAGE044
表示滤波后的元素光谱特征值。
步骤S103：按照脉冲数顺序，对所述集合Q进行分组，得到多个按照脉冲数顺序排列的Q子集。
可选的，所述按照脉冲数顺序，对所述集合Q进行分组，得到多个按照脉冲数顺序排列的Q子集，包括以下步骤：
设置平移窗口宽度和平移间隔，按照脉冲数顺序对所述集合Q进行窗口平移，得到多个按照脉冲数顺序排列的Q子集。
可选的，所述设置平移窗口宽度和平移间隔，对所述集合
Figure 36731DEST_PATH_IMAGE045
进行窗口平移，得到 多个Q子集，包括以下步骤：
将所述集合
Figure 291126DEST_PATH_IMAGE046
中每个滤波后的元素光谱特征值对应的脉冲次序，排列在表示脉 冲数的坐标轴上；
设置平移窗口宽度为
Figure 747515DEST_PATH_IMAGE047
，平移间隔为
Figure 362036DEST_PATH_IMAGE048
；
根据所述平移窗口宽度
Figure 220270DEST_PATH_IMAGE049
和平移间隔
Figure 176725DEST_PATH_IMAGE050
，得到平移次数
Figure 543247DEST_PATH_IMAGE051
，其中
Figure 712191DEST_PATH_IMAGE052
；
将平移窗口的左边界与所述表示脉冲数的坐标轴的原点对齐，将所述平移窗口内 的
Figure 424932DEST_PATH_IMAGE053
个滤波后的元素光谱特征值，构成一个Q子集；
将所述平移窗口向右平移，每平移
Figure 535976DEST_PATH_IMAGE054
个脉冲数，记为平移窗口的一次平移，将每 次平移后所述平移窗口内的
Figure 966958DEST_PATH_IMAGE055
个滤波后的元素光谱特征值，构成一个Q子集；
将所述平移窗口在所述表示脉冲数的坐标轴上向右平移
Figure 939593DEST_PATH_IMAGE056
次后，得到
Figure 506840DEST_PATH_IMAGE056
+1个Q子 集。
步骤S104：分别对所述多个Q子集进行拟合，得到按照脉冲数顺序排列的每个Q子集拟合函数的系数。
可选的，所述分别对所述多个Q子集进行拟合，得到按照脉冲数顺序排列的每个Q子集拟合函数的系数，包括以下步骤：
分别构建与每个所述Q子集对应的线性拟合函数，分别构建与每个所述线性拟合函数对应的平移损失函数；
利用最小二乘法求解每个所述平移损失函数的最小值，得到所述线性拟合函数的斜率。
步骤S105：根据所述每个Q子集拟合函数的系数和预设系数阈值，确定污染层的元素光谱特征值。
可选的，所述根据所述每个Q子集拟合函数的系数和预设系数阈值，确定污染层的元素光谱特征值，包括以下步骤：
根据所述每个Q子集拟合函数的系数和预设系数阈值，确定污染层子集；
根据所述污染层子集对应的脉冲数，确定污染层的元素光谱特征值。
可选的，所述根据所述每个Q子集拟合函数的系数和预设系数阈值，确定污染层子集，包括以下步骤：
按照所述Q子集的排列顺序，将每个所述Q子集拟合函数的系数与预设系数阈值对比，将系数首次大于所述预设系数阈值的拟合函数对应的Q子集之前的Q子集，标记为污染层子集。
可选的，将所述污染层的元素光谱特征值，从集合P中删除；以所述集合P中剩下的元素光谱特征值，构建集合A。集合A即去除污染层光谱数据的元素光谱数据集合。
例如，在相同的实验条件（能量，测试距离，延时时间等实验参数）下采用LIBS设备 对同一个样品的同一个点位进行连续
Figure 290251DEST_PATH_IMAGE057
次脉冲，采集到的元素光谱特征值记为集合
Figure 208528DEST_PATH_IMAGE058
，
Figure 719275DEST_PATH_IMAGE059
到
Figure 406609DEST_PATH_IMAGE060
依次表示m个与每次脉冲对应的元素光谱特征值，1到m依 次为表示脉冲次序的脉冲数，m为正整数。如图2所示的滤波前元素光谱特征曲线图，图中横 轴表示脉冲数，纵轴表示元素光谱特征值，简称元素特征，元素特征随着脉冲数的增加不断 上升并趋于稳定。其中，连续脉冲就是在同一点位不断烧蚀样品，越烧越深，采集到的连续 光谱就是不同深度的光谱。
利用Savitzky-Golay滤波算法对集合
Figure 859455DEST_PATH_IMAGE061
进行滤波处理。Savitzky-Golay滤波器， 简称S-G滤波器，最初由Savitzky和Golay于1964年提出。之后被广泛地运用于数据流平滑 除噪，是一种在时域内基于局域多项式最小二乘法拟合的滤波方法。这种滤波方法最大的 特点在于在滤除噪声的同时可以确保信号的形状、宽度不变。具体方法如下：
设置滤波窗口宽度为
Figure 999450DEST_PATH_IMAGE062
，利用集合
Figure 579467DEST_PATH_IMAGE063
构建集合
Figure 121307DEST_PATH_IMAGE064
，令：
Figure 246520DEST_PATH_IMAGE065
则集合
Figure 873810DEST_PATH_IMAGE066
共有
Figure 523097DEST_PATH_IMAGE067
个滤波子集合，每个滤波子集合的长度为
Figure 309657DEST_PATH_IMAGE068
，m为最大 脉冲数，即对同一点位进行脉冲的总次数。其中集合
Figure 979672DEST_PATH_IMAGE069
中元素光谱特征值上下标变换的过 程是，第一个滤波子集合
Figure 969625DEST_PATH_IMAGE070
中每个元素光谱特征值上标设为1，表示第一个 滤波子集合中的元素光谱特征值，以此类推，将第
Figure 750499DEST_PATH_IMAGE071
个滤波子集合
Figure 553415DEST_PATH_IMAGE072
中元素光谱特征值上标设为
Figure 394332DEST_PATH_IMAGE073
，表示第
Figure 120848DEST_PATH_IMAGE073
个滤波子集合中的 元素光谱特征值；将每个滤波子集合中第一个元素光谱特征值的下标设为-n开始，同一滤 波子集合中的后续元素光谱特征值下标依次加1，以此类推，每个滤波子集合中最后一个元 素光谱特征值的下标为n。
分别根据
Figure 705414DEST_PATH_IMAGE073
个滤波子集合，构建每个滤波子集合的滤波拟合函数：
Figure 951718DEST_PATH_IMAGE074
其中，k代表所选滤波拟合函数的最高次幂，k为正整数，s代表r的指数，
Figure 963537DEST_PATH_IMAGE075
，j为滤波子集合序号，即集合
Figure 413235DEST_PATH_IMAGE076
中元素光谱特征值上下标变换后的元 素光谱特征值上标，
Figure 801491DEST_PATH_IMAGE077
代表第j个滤波子集合对应的滤波拟合函数的第s+1个系数，r是
Figure 902302DEST_PATH_IMAGE078
中每个滤波子集合 中每个元素光谱特征值的下标，r取-n到n之间整数。
分别构建每个滤波拟合函数对应的滤波损失函数：
Figure 350601DEST_PATH_IMAGE079
其中，k代表所选滤波拟合函数的最高次幂，k为正整数，s代表r的指数，
Figure 51709DEST_PATH_IMAGE080
，j为滤波子集合序号，即集合
Figure 978077DEST_PATH_IMAGE081
中元素光谱特征值上下标变换后的 元素光谱特征值上标，
Figure 933395DEST_PATH_IMAGE082
代表第j个滤波子集合对应的滤波拟合函数的第s+1个系数，r是 每个滤波子集合中每个元素光谱特征值的下标，r取-n到n之间整数，
Figure 552595DEST_PATH_IMAGE083
表示第j个滤波子 集合中下标为r的元素特征值。
利用最小二乘法分别求解每个滤波损失函数的最小值，得出每个滤波拟合函数系 数，例如
Figure 242465DEST_PATH_IMAGE084
表示第j个滤波子集合对应的滤波拟合函数的全部系数。
将
Figure 379048DEST_PATH_IMAGE085
代入每个滤波拟合函数，r的0次方为1，得到的集合
Figure 969298DEST_PATH_IMAGE086
；
将
Figure 634766DEST_PATH_IMAGE087
中的每个数依次替换集合P中的第n个至第m-n-1个元素光谱 特征值，即替换集合P中的
Figure 654674DEST_PATH_IMAGE088
，得到集合
Figure 814523DEST_PATH_IMAGE089
，集合
Figure 869066DEST_PATH_IMAGE090
为集合
Figure 439856DEST_PATH_IMAGE091
的滤波结果。其中，为了方便区分，将集合
Figure 212640DEST_PATH_IMAGE090
中的m个值依次记为q1、q2、……qm。q1、q2、…… qm共m个值，代表滤波后的元素光谱特征值。滤波后元素光谱特征曲线图如图3所示，图中横 轴表示脉冲数，纵轴表示元素光谱特征值，简称元素特征，元素特征随着脉冲数的增加不断 上升并趋于稳定，并且滤波后的曲线比图2中的曲线更加平滑。
利用滤波后的元素特征数据集合
Figure 409135DEST_PATH_IMAGE090
进行窗口平移线性拟合确定污染层脉冲数， 具体实施如下：
设置平移窗口宽度为
Figure 318185DEST_PATH_IMAGE092
，平移间隔为
Figure 325455DEST_PATH_IMAGE093
，计算窗口平移次数
Figure 319956DEST_PATH_IMAGE094
，
Figure 821607DEST_PATH_IMAGE095
， 构建集合W：
Figure 116322DEST_PATH_IMAGE096
其中，q代表元素光谱特征值，将平移窗口的左边界与所述表示脉冲数的坐标轴的 原点对齐时，窗口内有q1至qn2 ，共
Figure 763335DEST_PATH_IMAGE097
个滤波后的元素光谱特征值，将q1至qn2 ，共
Figure 776290DEST_PATH_IMAGE097
个滤 波后的元素光谱特征值构成第一个子集
Figure 49009DEST_PATH_IMAGE098
；第一次平移，将窗口内的q1+w至qn2+w ，共
Figure 932651DEST_PATH_IMAGE099
个滤波后的元素光谱特征值构成第二个子集
Figure 16145DEST_PATH_IMAGE100
；以此类推，第c次 平移，将窗口内q1+w×c至qn2+w×c ，共
Figure 985238DEST_PATH_IMAGE101
个滤波后的元素光谱特征值构成第c+1个子集
Figure 828691DEST_PATH_IMAGE102
。将第一个子集
Figure 832419DEST_PATH_IMAGE103
中的每个元素光谱特征值的上标设 为1，代表第一个Q子集中的元素光谱特征值，下标不变，依次为1到
Figure 352394DEST_PATH_IMAGE104
，得到第一个Q子集
Figure 730154DEST_PATH_IMAGE105
；将第二个子集
Figure 360987DEST_PATH_IMAGE106
中的每个元素光谱特征值的上标设为2， 代表第二个子集中的元素光谱特征值，下标依次设为1到
Figure 219221DEST_PATH_IMAGE107
，得到第二个Q子集
Figure 660829DEST_PATH_IMAGE108
；以此类推，将第c+1个子集
Figure 338935DEST_PATH_IMAGE109
中的每个元素光 谱特征值的上标设为c+1，代表第c+1个子集中的元素光谱特征值，下标依次设为1到
Figure 773459DEST_PATH_IMAGE104
，得 到第c+1个Q子集
Figure 486200DEST_PATH_IMAGE110
。
分别根据c+1个Q子集，构建每个Q子集拟合函数，Q子集拟合函数以线性函数为例:
Figure 597244DEST_PATH_IMAGE111
v和b是线性拟合函数的系数，v为斜率，b为截距，x代表集合
Figure 28225DEST_PATH_IMAGE112
中每个Q子集中的每个元素光谱特征 值下标，x在1到
Figure 861DEST_PATH_IMAGE113
之间。
利用上述集合
Figure 568108DEST_PATH_IMAGE114
的每个Q子集构建平移损失函数：
Figure 351519DEST_PATH_IMAGE115
其中
Figure 4217DEST_PATH_IMAGE116
，
Figure 780543DEST_PATH_IMAGE117
代表Q子集的序号，即每个Q子集中的每个元素光 谱特征值上标。v为斜率，b为截距，例如 v1、b1分别代表第一个Q子集对应的线性拟合函数的 斜率与截距，以此类推，vc、bc分别代表第c个Q子集对应的线性拟合函数的斜率与截距，vd代 表第d条拟合直线的斜率，bd代表第d条拟合直线的截距。x代表集合
Figure 467876DEST_PATH_IMAGE118
中每个Q子集中的每个元素光谱特征值下 标，x在1到
Figure 920723DEST_PATH_IMAGE119
之间。
Figure 795138DEST_PATH_IMAGE120
表示集合
Figure 234210DEST_PATH_IMAGE121
中的下标为
Figure 617130DEST_PATH_IMAGE122
的元素光谱特征值q，
Figure 991610DEST_PATH_IMAGE123
为平移间隔。
利用最小二乘法求解每个平移损失函数的最小值，得出
Figure 353321DEST_PATH_IMAGE124
+1条拟合直线的斜率集 合
Figure 596084DEST_PATH_IMAGE125
。
得到的
Figure 382643DEST_PATH_IMAGE126
+1条拟合直线如图4所示的拟合函数曲线线段示意图，图中横轴表示脉 冲数，纵轴表示元素光谱特征值，简称元素特征，元素特征随着脉冲数的增加不断上升并趋 于稳定，虚线段
Figure 52659DEST_PATH_IMAGE127
表示线性拟合函数的直线的一部分，实线
Figure 777032DEST_PATH_IMAGE128
表示滤波后元素光谱特征 值曲线。
斜率集合
Figure 823486DEST_PATH_IMAGE129
如图5所示的拟合直线斜率曲线图，图中横轴表示 窗口移动次数，纵轴表示线性拟合函数的斜率，随着窗口向脉冲数更大的元素光谱特征值 移动，斜率下降到一个较小的范围内。
当拟合直线斜率趋近于0时则说明元素特征趋于稳定。设置合适的斜率阈值，确定斜率绝对值大于预设斜率阈值的直线对应的Q子集，根据所确定的Q子集，确定Q子集中的元素特征值对应的脉冲数，将所确定的脉冲数对应的集合P中的元素光谱特征值识别为污染层光谱数据，从而剔除污染层的异常谱数据。
本实施例的上述方法中，通过将LIBS所采集的样品光谱进行滤波和平移处理，实现了对样品表面污染层光谱数据有效而准确的识别；不限定物料化学元素，适用范围广，可适用于用于钢铁、有色冶金等行业冶炼现场固体物料表面污染层；根据不同情况下对污染层光谱数据识别精度的要求，可以通过调整本发明中的预设系数阈值、具体滤波方法、拟合函数形式和滤波拟合函数最高次幂等方式，可实现进一步提升识别精度，或降低计算成本，实现更加快速的识别，有利于现场推广。
实施例二
本发明实施例二提供一种污染层光谱数据识别装置，其结构如图6所示，包括：
光谱数据记录模块101，用于对同一物料样品的同一个点位连续进行多次脉冲，得 到多个与每次脉冲对应的元素光谱特征值，将所述多个与每次脉冲对应的元素光谱特征 值，按照脉冲次序排列，构成集合
Figure 966016DEST_PATH_IMAGE130
，其中
Figure 806934DEST_PATH_IMAGE131
，
Figure 18603DEST_PATH_IMAGE132
到
Figure 603168DEST_PATH_IMAGE133
依次表示m个与 每次脉冲对应的元素光谱特征值，1到m依次为表示脉冲次序的脉冲数，m为正整数；
本发明的原理是：
Figure 98741DEST_PATH_IMAGE134
式中，i代表i能级，j代表j能级，
Figure 110559DEST_PATH_IMAGE135
为跃迁几率，
Figure 606262DEST_PATH_IMAGE136
为高能级简并度，
Figure 355038DEST_PATH_IMAGE137
为辐射 波长，
Figure 846062DEST_PATH_IMAGE138
为等离子温度，
Figure 904148DEST_PATH_IMAGE139
为当前温度下该离子对应的匹配函数，
Figure 215043DEST_PATH_IMAGE140
为高能级能量，
Figure 266045DEST_PATH_IMAGE141
为玻尔兹曼常数，其中
Figure 611576DEST_PATH_IMAGE142
为与系统参数、等离子体温度、元素特性等相关的比例因子，
Figure 840563DEST_PATH_IMAGE143
为元素浓度，
Figure 327170DEST_PATH_IMAGE144
为元素特征；
由于当前测量参数一致，忽略自吸收影响时，上述公式中
Figure 932595DEST_PATH_IMAGE145
前的各系数可记为常 数
Figure 132632DEST_PATH_IMAGE146
，因此公式可改写为：
Figure 781788DEST_PATH_IMAGE147
其中
Figure 99899DEST_PATH_IMAGE148
为元素特征，
Figure 633649DEST_PATH_IMAGE149
为元素浓度。
物料表面污染层主要为取样装置粘连以及物料自身氧化等，其表现为各元素浓度波动大、不稳定，可以直接通过LIBS系统获取物料不同深度下的光谱数据。
滤波处理模块102，用于对所述集合P进行滤波处理，得到按照脉冲数顺序排列的滤波后的元素光谱特征值集合Q；
Q集合分组模块103，用于按照脉冲数顺序，对所述集合Q进行分组，得到多个按照脉冲数顺序排列的Q子集；
光谱数据识别模块104，用于分别对所述多个Q子集进行拟合，得到按照脉冲数顺序排列的每个Q子集拟合函数的系数；根据所述每个Q子集拟合函数的系数和预设系数阈值，确定污染层的元素光谱特征值；
可选的，所述滤波处理模块102，具体用于：
使用Savitzky-Golay滤波算法对集合
Figure 812826DEST_PATH_IMAGE150
进行滤波处理，得到按照脉冲数排列的 滤波后的元素光谱特征值集合Q。
例如，根据所述集合P、脉冲次数m，以n为滤波窗口宽度，构建包括m-2n个滤波子集、每个滤波子集长度2n+1的集合M；
分别构建与每个所述滤波子集对应的滤波拟合函数，分别构建与每个所述滤波拟合函数对应的滤波损失函数；
利用最小二乘法求解每个所述滤波损失函数的最小值，得到所述滤波拟合函数的系数；
根据所述滤波拟合函数的系数，得到按照脉冲数排列的滤波后的元素光谱特征值 集合
Figure 649195DEST_PATH_IMAGE151
，其中
Figure 156400DEST_PATH_IMAGE152
，
Figure 228261DEST_PATH_IMAGE153
到
Figure 763410DEST_PATH_IMAGE154
表示滤波后的元素光谱特征值。
可选的，所述Q集合分组模块103，具体用于：
将所述集合Q中每个滤波后的元素光谱特征值对应的脉冲次序，排列在表示脉冲数的坐标轴上；
设置平移窗口宽度为
Figure 895314DEST_PATH_IMAGE155
，平移间隔为
Figure 889815DEST_PATH_IMAGE156
；
根据所述平移窗口宽度
Figure 765367DEST_PATH_IMAGE157
和平移间隔
Figure 155022DEST_PATH_IMAGE158
，得到平移次数
Figure 457827DEST_PATH_IMAGE159
，其中
Figure 80570DEST_PATH_IMAGE160
；
将平移窗口的左边界与所述表示脉冲数的坐标轴的原点对齐，将所述平移窗口内 的
Figure 618867DEST_PATH_IMAGE161
个滤波后的元素光谱特征值，构成一个Q子集；
将所述平移窗口向右平移，每平移
Figure 502510DEST_PATH_IMAGE162
个脉冲数，记为平移窗口的一次平移，将每 次平移后所述平移窗口内的
Figure 851583DEST_PATH_IMAGE161
个滤波后的元素光谱特征值，构成一个Q子集；
将所述平移窗口在所述表示脉冲数的坐标轴上向右平移
Figure 820676DEST_PATH_IMAGE163
次后，得到
Figure 664129DEST_PATH_IMAGE163
+1个Q子 集。
可选的，所述光谱数据识别模块104，包括：
系数确定单元，用于分别构建与每个所述Q子集对应的线性拟合函数，分别构建与每个所述线性拟合函数对应的平移损失函数；利用最小二乘法求解每个所述平移损失函数的最小值，得到所述线性拟合函数的斜率；
污染层数据确定单元，用于按照所述Q子集的排列顺序，将每个所述Q子集拟合函数的系数与预设系数阈值对比，将系数首次大于所述预设系数阈值的拟合函数对应的Q子集之前的Q子集，标记为污染层子集；根据所述污染层子集对应的脉冲数，确定污染层的元素光谱特征值。
可选的，还包括：
光谱数据净化模块105，用于将所述污染层的元素光谱特征值，从集合P中删除；以所述集合P中剩下的元素光谱特征值，构建集合A。集合A即去除污染层光谱数据的元素光谱数据集合。
本实施例中，通过将LIBS所采集的样品光谱进行滤波和平移处理，实现了对样品表面污染层光谱数据有效而准确的识别；不限定物料化学元素，适用范围广，可适用于用于钢铁、有色冶金等行业冶炼现场固体物料表面污染层；根据不同情况下对污染层光谱数据识别精度的要求，可以通过调整本发明中的预设系数阈值、具体滤波方法、拟合函数形式和滤波拟合函数最高次幂等方式，可实现进一步提升识别精度，或降低计算成本，实现更加快速的识别，有利于现场推广。
基于同一发明构思，本发明实施例还提供一种电子设备，其结构如图7所示，包括：存储器、处理器及存储于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计算机程序时实现前述的污染层光谱数据识别方法。
基于同一发明构思，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的污染层光谱数据识别方法。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (11)

1.一种污染层光谱数据识别方法，其特征在于，包括以下步骤：
对同一物料样品的同一个点位连续进行多次脉冲，得到多个与每次脉冲对应的元素光谱特征值，将所述多个与每次脉冲对应的元素光谱特征值，按照脉冲次序排列，构成集合
Figure 377970DEST_PATH_IMAGE001
，其中
Figure 771911DEST_PATH_IMAGE002
，
Figure 189422DEST_PATH_IMAGE003
到
Figure 350538DEST_PATH_IMAGE004
依次表示m个与每次脉冲对应的元素光谱特征值，1到m依次为表示脉冲次序的脉冲数，m为正整数；
对所述集合P进行滤波处理，得到按照脉冲数顺序排列的滤波后的元素光谱特征值集合Q；
按照脉冲数顺序，对所述集合Q进行分组，得到多个按照脉冲数顺序排列的Q子集；
分别对所述多个Q子集进行拟合，得到按照脉冲数顺序排列的每个Q子集拟合函数的系数；
根据所述每个Q子集拟合函数的系数和预设系数阈值，确定污染层的元素光谱特征值。
2.如权利要求1所述的方法，其特征在于，所述对所述集合P进行滤波处理，得到按照脉冲数顺序排列的滤波后的元素光谱特征值集合Q，包括以下步骤：
使用Savitzky-Golay滤波算法对集合
Figure 418856DEST_PATH_IMAGE005
进行滤波处理，得到按照脉冲数排列的滤波后的元素光谱特征值集合Q。
3.如权利要求1所述的方法，其特征在于，所述按照脉冲数顺序，对所述集合Q进行分组，得到多个按照脉冲数顺序排列的Q子集，包括以下步骤：
设置平移窗口宽度和平移间隔，按照脉冲数顺序对所述集合Q进行窗口平移，得到多个按照脉冲数顺序排列的Q子集。
4.如权利要求3所述的方法，其特征在于，所述设置平移窗口宽度和平移间隔，按照脉冲数顺序对所述集合Q进行窗口平移，得到多个按照脉冲数顺序排列的Q子集，包括以下步骤：
将所述集合Q中每个滤波后的元素光谱特征值对应的脉冲次序，排列在表示脉冲数的坐标轴上；设置平移窗口宽度为
Figure 247397DEST_PATH_IMAGE006
，平移间隔为
Figure 737939DEST_PATH_IMAGE007
；
根据所述平移窗口宽度
Figure 420638DEST_PATH_IMAGE008
和平移间隔
Figure 386320DEST_PATH_IMAGE009
，得到平移次数
Figure 85679DEST_PATH_IMAGE010
，其中
Figure 839134DEST_PATH_IMAGE011
；
将平移窗口的左边界与所述表示脉冲数的坐标轴的原点对齐，将所述平移窗口内的
Figure 801274DEST_PATH_IMAGE012
个滤波后的元素光谱特征值，构成一个Q子集；
将所述平移窗口向右平移，每平移
Figure 570647DEST_PATH_IMAGE013
个脉冲数，记为平移窗口的一次平移，将每次平移后所述平移窗口内的
Figure 934632DEST_PATH_IMAGE014
个滤波后的元素光谱特征值，构成一个Q子集；
将所述平移窗口在所述表示脉冲数的坐标轴上向右平移
Figure 623102DEST_PATH_IMAGE015
次后，得到
Figure 590315DEST_PATH_IMAGE016
+1个Q子集。
5.如权利要求1所述的方法，其特征在于，所述分别对所述多个Q子集进行拟合，得到按照脉冲数顺序排列的每个Q子集拟合函数的系数，包括以下步骤：
分别构建与每个所述Q子集对应的线性拟合函数，分别构建与每个所述线性拟合函数对应的平移损失函数；
利用最小二乘法求解每个所述平移损失函数的最小值，得到所述线性拟合函数的斜率。
6.如权利要求1所述的方法，其特征在于，所述根据所述每个Q子集拟合函数的系数和预设系数阈值，确定污染层的元素光谱特征值，包括以下步骤：
根据所述每个Q子集拟合函数的系数和预设系数阈值，确定污染层子集；
根据所述污染层子集对应的脉冲数，确定污染层的元素光谱特征值。
7.如权利要求6所述的方法，其特征在于，所述根据所述每个Q子集拟合函数的系数和预设系数阈值，确定污染层子集，包括以下步骤：
按照所述Q子集的排列顺序，将每个所述Q子集拟合函数的系数与预设系数阈值对比，将系数首次大于所述预设系数阈值的拟合函数对应的Q子集之前的Q子集，标记为污染层子集。
8.如权利要求1所述的方法，其特征在于，还包括以下步骤：
将所述污染层的元素光谱特征值，从集合P中删除；
以所述集合P中剩下的元素光谱特征值，构建集合A。
9.一种污染层光谱数据识别装置，其特征在于，包括：
光谱数据记录模块，用于对同一物料样品的同一个点位连续进行多次脉冲，得到多个与每次脉冲对应的元素光谱特征值，将所述多个与每次脉冲对应的元素光谱特征值，按照脉冲次序排列，构成集合
Figure 756854DEST_PATH_IMAGE017
，其中
Figure 975346DEST_PATH_IMAGE018
，
Figure 100296DEST_PATH_IMAGE019
到
Figure 97133DEST_PATH_IMAGE020
依次表示m个与每次脉冲对应的元素光谱特征值，1到m依次为表示脉冲次序的脉冲数，m为正整数；
滤波处理模块，用于对所述集合P进行滤波处理，得到按照脉冲数顺序排列的滤波后的元素光谱特征值集合Q；
Q集合分组模块，用于按照脉冲数顺序，对所述集合Q进行分组，得到多个按照脉冲数顺序排列的Q子集；
光谱数据识别模块，用于分别对所述多个Q子集进行拟合，得到按照脉冲数顺序排列的每个Q子集拟合函数的系数；根据所述每个Q子集拟合函数的系数和预设系数阈值，确定污染层的元素光谱特征值；
光谱数据净化模块，用于将所述污染层的元素光谱特征值，从集合P中删除；以所述集合P中剩下的元素光谱特征值，构建集合A。
10.一种电子设备，其特征在于，包括：存储器、处理器及存储于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计算机程序时实现权利要求1-8任一所述的污染层光谱数据识别方法。
11.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现权利要求1-8任一所述的污染层光谱数据识别方法。
CN202210335692.XA 2022-04-01 2022-04-01 污染层光谱数据识别方法、装置、电子设备和存储介质 Active CN114428063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210335692.XA CN114428063B (zh) 2022-04-01 2022-04-01 污染层光谱数据识别方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210335692.XA CN114428063B (zh) 2022-04-01 2022-04-01 污染层光谱数据识别方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN114428063A true CN114428063A (zh) 2022-05-03
CN114428063B CN114428063B (zh) 2022-08-12

Family

ID=81314458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210335692.XA Active CN114428063B (zh) 2022-04-01 2022-04-01 污染层光谱数据识别方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114428063B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116359974A (zh) * 2023-04-20 2023-06-30 杭州湘亭科技有限公司 一种管道内铀放射性污染检测数据处理方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10030712A1 (de) * 2000-06-23 2002-01-17 Deutsche Telekom Ag Verfahren zur Differenzierung von durch Suchmaschinen im Rahmen einer Suchanfrage ermittelten Referenzen auf Dokumente
EP1520164A2 (en) * 2002-06-24 2005-04-06 Noranda Inc. Laser induced breakdown spectroscopy for the analysis of molten material
WO2015077867A1 (en) * 2013-11-26 2015-06-04 National Research Council Of Canada Method and apparatus for fast quantitative analysis of a material by laser induced breakdown spectroscopy (libs)
CN105426585A (zh) * 2015-11-05 2016-03-23 浙江大学 一种基于正弦函数拟合法的马铃薯发芽预警方法
CN106770192A (zh) * 2016-12-29 2017-05-31 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
US20190033231A1 (en) * 2017-07-31 2019-01-31 United States Of America As Represented By The Administrator Of Nasa Laser Surface Treatment and Spectroscopic Analysis System
CN109459399A (zh) * 2018-12-26 2019-03-12 南京波思途智能科技股份有限公司 一种光谱水质cod、浊度检测方法
CN110687090A (zh) * 2019-09-10 2020-01-14 中国民航大学 移动窗口光谱角制图算法及乳粉非定向筛查方法
CN113281323A (zh) * 2021-06-29 2021-08-20 集美大学 一种复杂体系中有机污染物特征信息提取方法及其快速检测方法、系统
CN113340824A (zh) * 2021-06-11 2021-09-03 湖南农业大学 一种高光谱信息冗余波段的检测方法
CN113588597A (zh) * 2021-06-25 2021-11-02 河钢股份有限公司 一种提升炉渣分析精度的方法
US20220026369A1 (en) * 2020-07-22 2022-01-27 Elemental Scientific, Inc. Abrasive sampling system and method for representative, homogeneous, and planarized preparation of solid samples for laser ablation
CN114235517A (zh) * 2021-11-16 2022-03-25 北京科技大学 一种libs炉前样品九点环绕自动去除氧化层的方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10030712A1 (de) * 2000-06-23 2002-01-17 Deutsche Telekom Ag Verfahren zur Differenzierung von durch Suchmaschinen im Rahmen einer Suchanfrage ermittelten Referenzen auf Dokumente
EP1520164A2 (en) * 2002-06-24 2005-04-06 Noranda Inc. Laser induced breakdown spectroscopy for the analysis of molten material
WO2015077867A1 (en) * 2013-11-26 2015-06-04 National Research Council Of Canada Method and apparatus for fast quantitative analysis of a material by laser induced breakdown spectroscopy (libs)
CN105426585A (zh) * 2015-11-05 2016-03-23 浙江大学 一种基于正弦函数拟合法的马铃薯发芽预警方法
CN106770192A (zh) * 2016-12-29 2017-05-31 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
US20190033231A1 (en) * 2017-07-31 2019-01-31 United States Of America As Represented By The Administrator Of Nasa Laser Surface Treatment and Spectroscopic Analysis System
CN109459399A (zh) * 2018-12-26 2019-03-12 南京波思途智能科技股份有限公司 一种光谱水质cod、浊度检测方法
CN110687090A (zh) * 2019-09-10 2020-01-14 中国民航大学 移动窗口光谱角制图算法及乳粉非定向筛查方法
US20220026369A1 (en) * 2020-07-22 2022-01-27 Elemental Scientific, Inc. Abrasive sampling system and method for representative, homogeneous, and planarized preparation of solid samples for laser ablation
CN113340824A (zh) * 2021-06-11 2021-09-03 湖南农业大学 一种高光谱信息冗余波段的检测方法
CN113588597A (zh) * 2021-06-25 2021-11-02 河钢股份有限公司 一种提升炉渣分析精度的方法
CN113281323A (zh) * 2021-06-29 2021-08-20 集美大学 一种复杂体系中有机污染物特征信息提取方法及其快速检测方法、系统
CN114235517A (zh) * 2021-11-16 2022-03-25 北京科技大学 一种libs炉前样品九点环绕自动去除氧化层的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116359974A (zh) * 2023-04-20 2023-06-30 杭州湘亭科技有限公司 一种管道内铀放射性污染检测数据处理方法

Also Published As

Publication number Publication date
CN114428063B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
Yi et al. Background removal in soil analysis using laser-induced breakdown spectroscopy combined with standard addition method
CN104870955B (zh) 光谱学装置和方法
US9784621B2 (en) Spectroscopic apparatus and methods
CN114428063B (zh) 污染层光谱数据识别方法、装置、电子设备和存储介质
CN111610179B (zh) 用于炉前高温样品成分libs快速检测的系统及方法
Liu et al. Continuous background correction using effective points selected in third-order minima segments in low-cost laser-induced breakdown spectroscopy without intensified CCD
EP2705338A2 (en) Estimation of background radiation in spectral datea by polynomial fitting
CN111259953A (zh) 一种基于电容型设备缺陷数据的设备缺陷时间预测方法
Ruan et al. A novel hybrid filter/wrapper method for feature selection in archaeological ceramics classification by laser-induced breakdown spectroscopy
CN113109318B (zh) 基于光谱峰高直接提取的拉曼光谱定量分析方法及系统
CN105956591B (zh) 一种在线高温零件红外图像光谱抽样检测方法
CN112834481B (zh) 一种拉曼光谱增强测量系统及测量方法
CN116825243A (zh) 一种基于多源数据的热障涂层服役寿命预测方法及系统
CN112161966B (zh) 一种含有荧光光谱的样本拉曼光谱的分离方法和装置
Hatch et al. Automated interpretation of LIBS spectra using a fuzzy logic inference engine
Xie et al. Model transfer method based on piecewise direct standardization in laser-induced-breakdown spectroscopy
CN114018856A (zh) 光谱校正方法
JP6872762B2 (ja) 堆積物の岩石コアにおけるイベント層の識別方法
CN115931828B (zh) 适应复杂土壤基体的成分分析与预测方法、单元及系统
CN117332258B (zh) 基于多尺度洛伦兹的近红外吸收峰识别方法、系统、介质
CN116008208A (zh) 一种海水硝酸盐浓度特征光谱波段的选择方法
Wu et al. Three-dimensional fluorescence spectra model optimisation for water quality analysis based on particle swarm optimisation
Dable et al. Rapid multivariate curve resolution applied to near real-time process monitoring with HPLC/Raman data
CN111122545A (zh) 一种无损检测导电氧化物薄膜电学性能的方法
CN117763391A (zh) 基于乙炔气体信号的变压器故障检测方法、系统及存储介质

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