CN114636688A - 模型校正方法、光谱设备、计算机设备和存储介质 - Google Patents

模型校正方法、光谱设备、计算机设备和存储介质 Download PDF

Info

Publication number
CN114636688A
CN114636688A CN202210538088.7A CN202210538088A CN114636688A CN 114636688 A CN114636688 A CN 114636688A CN 202210538088 A CN202210538088 A CN 202210538088A CN 114636688 A CN114636688 A CN 114636688A
Authority
CN
China
Prior art keywords
model
predicted
sample
prediction model
spectral data
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
CN202210538088.7A
Other languages
English (en)
Other versions
CN114636688B (zh
Inventor
潘从元
张兵
贾军伟
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 CN202210538088.7A priority Critical patent/CN114636688B/zh
Publication of CN114636688A publication Critical patent/CN114636688A/zh
Priority to PCT/CN2022/106217 priority patent/WO2023221282A1/zh
Application granted granted Critical
Publication of CN114636688B publication Critical patent/CN114636688B/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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请公开了一种模型校正方法、光谱设备、计算机设备和存储介质。本申请实施方式的模型校正方法包括，基于激光诱导击穿光谱技术，获取多个聚焦距离的原始光谱数据；利用其中一个聚焦距离的原始光谱数据建立预测模型；利用预测模型，预测其余聚焦距离的预测光谱数据；基于预测光谱数据和原始光谱数据之间的误差，对多个聚焦距离的预测模型校正。本申请实施方式的模型校正方法可以实现对激光诱导击穿光谱设备在不同聚焦距离下的预测模型迁移校正，提高预测模型的准确性与稳定性。激光诱导击穿光谱设备能够快速适应现场测试条件变化，解决了应用现场因检测物料位置变化后改变聚焦距离导致的预测模型失效问题，无需重新标定，节省人力、物力和时间。

Description

模型校正方法、光谱设备、计算机设备和存储介质
技术领域
本申请涉及激光诱导击穿光谱分析技术领域，尤其涉及一种模型校正方法、光谱设备、计算机设备和存储介质。
背景技术
当前LIBS设备应用现场受周期性设备检修或堆料更换，待测物料的液面和料面发生较大变化以及设备移动后的测量距离变化，都会导致无法采集到有效光谱，需调整聚焦点，当聚焦点调整后原始模型的精度下降，如果重新定标需耗费大量的人力、物力以及时间。
发明内容
本申请实施方式提供一种模型校正方法、光谱设备、计算机设备和存储介质。
本申请实施方式的模型校正方法包括：
基于激光诱导击穿光谱技术，获取多个聚焦距离的原始光谱数据；
利用其中一个聚焦距离的原始光谱数据建立预测模型；
利用所述预测模型，预测其余聚焦距离的预测光谱数据；
基于所述预测光谱数据和所述原始光谱数据之间的误差，对多个聚焦距离的预测模型校正。
本申请实施方式的模型校正方法可以实现对激光诱导击穿光谱设备在不同聚焦距离下的预测模型迁移校正，提高预测模型的准确性与稳定性。激光诱导击穿光谱设备能够快速适应现场测试条件变化，解决了应用现场因检测物料位置变化后改变聚焦距离导致的预测模型失效问题，无需重新标定，节省人力、物力和时间。
在某些实施方式中，基于所述预测光谱数据和所述原始光谱数据之间的误差，对多个聚焦距离的预测模型校正，包括：
建立原始光谱数据与预测光谱数据的校正函数；
基于所述校正函数，建立损失函数与所述校正函数之间的关系；
基于所述关系，确定所述校正函数的数值；
利用确定的所述校正函数的数值对多个聚焦距离的预测模型校正。
在某些实施方式中，建立原始光谱数据与预测光谱数据的校正函数，包括：
基于所述原始光谱数据确定元素的原始浓度；
基于所述预测光谱数据确定元素的预测浓度；
基于所述原始浓度和所述预测浓度建立所述校正函数。
在某些实施方式中，所述校正函数采用以下关系式：
C=Z(l)c
其中，c为预测模型在聚焦距离l处的元素的预测浓度，C为元素的原始浓度，Z(l)为聚焦距离l处对应的校正函数。
在某些实施方式中，基于所述关系，确定所述校正函数的数值，包括：
利用最小二乘法确定所述损失函数的最小值；
利用所述最小值确定所述校正函数的数值。
在某些实施方式中，所述损失函数采用以下关系式：
Figure 639257DEST_PATH_IMAGE001
其中，J为损失函数，i为样品编号，j为聚焦距离编号，M为样品数量，N为聚焦距离数量，Ci为第i个样品的元素的原始浓度，Z(lj)为第j个聚焦距离lj处对应的校正函数，cj i为预测模型的第i个样品在第j个聚焦距离lj处的元素的预测浓度。
在某些实施方式中，所述模型校正方法包括：
利用校正后的预测模型对相应聚焦距离上的样品中的元素进行预测。
本申请实施方式的光谱设备包括样品台、激光器和光谱仪，所述样品台用于承载样品，所述激光器用于向所述样品发出激光，所述光谱仪用于接收所述样品反射的激光，所述光谱仪包括处理器，所述处理器用于实现上述任一项实施方式中所述模型校正方法。
本申请实施方式的光谱设备的光谱仪具有能够实现模型校正方法的处理器，光谱设备在不同测量距离测量时，采用模型校正方法无需重新定标便可采集到有效光谱，节省人力、物力和时间。
本申请实施方式的计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项实施方式中所述模型校正方法。
本申请实施方式的计算机可执行指令的非易失性计算机可读存储介质，当所述计算机可执行指令被一个或多个处理器执行时，使得所述处理器执行上述任一项实施方式中所述模型校正方法。
本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解，其中：
图1是本申请实施方式中的模型校正方法的流程示意图；
图2是本申请实施方式中的光谱设备的结构示意图；
图3是本申请实施方式中的模型校正方法获取多个聚焦距离的光谱数据的示意图；
图4是本申请实施方式中的模型校正方法在聚焦距离152.5cm下建立的预测模型在校正前分别预测不同聚焦距离数据的结果图；
图5是图4的其中一块样品的聚焦距离与误差的关系图；
图6是本申请实施方式中的模型校正方法的流程示意图；
图7是本申请实施方式中的模型校正方法的流程示意图；
图8是本申请实施方式中的模型校正方法的流程示意图；
图9是本申请实施方式中的模型校正方法在聚焦距离152.5cm下建立的预测模型校正后分别预测不同聚焦距离数据的结果图。
主要元件符号说明：
光谱仪器100；
样品台10、激光器20、光谱仪30、扩束镜40、反射镜50、聚焦透镜60、收集透镜70、光纤80、处理器31。
具体实施方式
下面详细描述本申请的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施方式或例子用来实现本申请的不同结构。为了简化本申请的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本申请。此外，本申请可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本申请提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
请参阅图1，本申请实施方式的模型校正方法包括：
步骤S10：基于激光诱导击穿光谱技术，获取多个聚焦距离的原始光谱数据；
步骤S20：利用其中一个聚焦距离的原始光谱数据建立预测模型；
步骤S30：利用预测模型，预测其余聚焦距离的预测光谱数据；
步骤S40：基于预测光谱数据和原始光谱数据之间的误差，对多个聚焦距离的预测模型校正。
请参阅图2，本申请实施方式的光谱设备100包括样品台10、激光器20和光谱仪30，样品台10用于承载样品，激光器20用于向样品发出激光，光谱仪30用于接收样品反射的激光，光谱仪30包括处理器31，处理器31用于实现上述模型校正方法。或者说，处理器31用于基于激光诱导击穿光谱技术，获取多个聚焦距离的原始光谱数据；及用于利用其中一个聚焦距离的原始光谱数据建立预测模型；及用于利用预测模型，预测其余聚焦距离的预测光谱数据；以及用于基于预测光谱数据和原始光谱数据之间的误差，对多个聚焦距离的预测模型校正。
本申请实施方式的光谱设备100的光谱仪30具有能够实现模型校正方法的处理器31，光谱设备100在不同测量距离测量时，采用模型校正方法无需重新定标便可采集到有效光谱，节省人力、物力和时间。
具体地，光谱设备100可以是激光诱导击穿光谱设备等用于光谱分析的设备，光谱设备100的激光器20可发射出激光，激光可以是高能脉冲激光，激光器20射出的激光可经过扩束镜40后打在反射镜50上，反射镜50可将激光反射至样品台10。样品台10与反射镜50之间可设有聚焦透镜60，反射至样品台10的激光接触到样品台10上的样品后可发生散射，经过样品台10散射的激光可被样品台10旁的收集透镜70收集，然后收集到的激光可经过光纤80传输至光谱仪30经过处理器31进行分析，由此，光谱设备100可以采集到样品的原始光谱数据。
本申请实施方式的模型校正方法和光谱设备100中，可以实现对激光诱导击穿光谱设备在不同聚焦距离下的预测模型迁移校正，提高预测模型的准确性与稳定性。激光诱导击穿光谱设备能够快速适应现场测试条件变化，解决了应用现场因检测物料位置变化后改变聚焦距离导致的预测模型失效问题，无需重新标定，节省人力、物力和时间。
具体地，模型校正方法基于的激光诱导击穿光谱（LIBS）技术是一种成分分析技术，基于原子光谱和离子光谱的波长与特定的元素一一对应的关系，而且光谱信号强度与对应元素的含量也具有一定的量化关系，通过高能脉冲激光聚焦样品表面形成等离子体，用光谱仪记录等离子体发射的光谱信息，通过解析等离子光谱，并由特征波长的位置和光谱强度来对样品中的元素进行定性及定量分析。
首先模型校正方法采取步骤S10可利用LIBS技术设备对样品在多个聚焦距离的原始光谱数据进行获取。
样品可以是金属样品，例如钢材、合金等，样品的数量可以是多个，多个样品可以具有同一元素类型的多个样品。多个聚焦距离可以是LIBS技术设备的光学系统聚焦到样品的距离。示例性地，如图3所示，采用LIBS技术的设备对样品在两个聚焦距离获取原始光谱数据，当样品位于a处时，样品至LIBS技术设备的光学系统的聚焦距离为l1 ,对处于a处的聚焦距离为l1的样品获取原始光谱数据，然后可将样品置于b处，再对处于b处的聚焦距离为l2的样品获取原始光谱数据。
然后，模型校正方法采取步骤S20可利用步骤S10获取到的多个聚焦距离其中的一个聚焦距离的原始光谱数据建立预测模型。
然后，模型校正方法采取步骤S30通过步骤S20建立的预测模型可基于其中一个聚焦距离的原始光谱数据来预测多个聚焦距离中其余的聚焦距离的光谱数据。
再然后，模型校正方法采取步骤S40基于步骤S30中多个聚焦距离的预测光谱数据和步骤S10中多个聚焦距离的原始光谱数据之间的误差，对步骤S20建立的预测模型校正。
综上所述，用LIBS技术设备采集一定聚焦距离的样品的光谱数据的实施例来进一步说明：
样品为碳钢，样品数量为10块，样品编号为0到9。聚焦距离为152.5cm至376.5cm之间的11个聚焦距离。
首先如步骤S10，可采用LIBS技术设备分别获取10块碳钢样品在聚焦距离152.5cm至376.5cm间的11个聚焦距离的原始光谱数据。
然后如步骤S20，可利用在聚焦距离152.5cm处采集的10块碳钢样品的原始光谱数据，建立可以预测光谱数据的预测模型。
然后如步骤S30，可根据预测模型预测聚焦距离152.5cm至376.5cm之间11个聚焦距离的10块碳钢的预测光谱数据，进一步可以得到碳钢中锰（Mn）元素的浓度定量分析数据，结果如图4所示。
然后如步骤S40, 计算每块碳钢在聚焦距离152.5cm至376.5cm的11个聚焦距离的预测值和原始值之间的误差，如图5所示是其中1块碳钢在聚焦距离152.5cm至376.5cm的11个聚焦距离的Mn元素浓度预测值和原始值的误差。可根据计算的误差对聚焦距离152.5cm处采集的10块碳钢样品的原始光谱数据所建立的预测模型校正。
请参阅图6，在某些实施方式中，基于预测光谱数据和原始光谱数据之间的误差，对多个聚焦距离的预测模型校正（步骤S40），包括：
步骤S41：建立原始光谱数据与预测光谱数据的校正函数；
步骤S42：基于校正函数，建立损失函数与校正函数之间的关系；
步骤S43：基于关系，确定校正函数的数值；
步骤S44：利用确定的校正函数的数值对多个聚焦距离的预测模型校正。
在某些实施方式中，处理器31用于建立原始光谱数据与预测光谱数据的校正函数；及用于基于校正函数，建立损失函数与校正函数之间的关系；及用于基于关系，确定校正函数的数值；以及用于利用确定的校正函数的数值对多个聚焦距离的预测模型校正。
如此，利用函数关系建立校正函数、损失函数以及校正函数与损失函数之间的关系对预测模型校正，提高预测模型的准确性与稳定性。
具体地，模型校正方法中得到预测光谱数据和原始光谱数据之间的误差数据后可对多个聚焦距离的预测模型校正。
模型校正方法为实现步骤S40可先采取步骤S41，利用原始光谱数据与预测光谱数据之间的误差建立原始光谱数据与预测光谱数据的校正函数，然后可采取步骤S42，基于步骤S41建立的校正函数，建立损失函数与校正函数之间的关系，损失函数可以是利用原理函数建立的聚焦距离与误差的拟合函数并构建损失函数，误差为原始光谱数据与预测光谱数据之间的误差数据。
然后可采取步骤S43，基于步骤S42建立的损失函数与校正函数之间的关系可得出校正函数的具体数值，校正函数的具体数值可以是损失函数与校正函数之间的函数关系求解得到。然后再采取步骤S44，根据步骤S43中得到的校正函数的具体数值带入多个聚焦距离的对应预测模型中对预测模型进行校正。
请参阅图7，在某些实施方式中，建立原始光谱数据与预测光谱数据的校正函数（步骤S41），包括：
步骤S411：基于原始光谱数据确定元素的原始浓度；
步骤S412：基于预测光谱数据确定元素的预测浓度；
步骤S413：基于原始浓度和预测浓度建立校正函数。
在某些实施方式中，处理器31用于基于原始光谱数据确定元素的原始浓度；及用于基于预测光谱数据确定元素的预测浓度；及用于基于原始浓度和预测浓度建立校正函数。
如此，利用光谱数据与元素浓度的关系，将根据原始光谱数据和预测光谱数据建立校正函数转化为根据原始浓度与预测浓度建立校正函数，提高预测模型的准确性与稳定性。
具体地，模型校正方法为实现步骤S41可先采取步骤S411，基于步骤S10获取的原始光谱数据与所对应聚焦距离检测的样品的某种元素之间的关系来确定对应聚焦距离检测的样品中该元素的原始浓度。然后可采取步骤S412，基于步骤S30预测的预测光谱数据与所对应聚焦距离检测的样品的某种元素之间的关系来确定对应聚焦距离检测的样品中该元素的预测浓度。再然后可采取步骤S413，基于步骤S411的原始浓度和步骤S412的预测浓度建立对应聚焦距离的校正函数。
在某些实施方式中，校正函数采用以下关系式：
C=Z(l)c
其中，c为预测模型在聚焦距离l处的元素的预测浓度，C为元素的原始浓度，Z(l)为聚焦距离l处对应的校正函数。
如此，元素的预测浓度建立在元素的原始浓度与校正函数的关系上，校正函数可以通过元素的原始浓度预测处于其他聚焦距离的元素的预测浓度，实现了不同聚焦距离下的预测模型的迁移校正。
具体地，校正函数的关系式确定可来源与光谱数据和元素浓度之间的关系，LIBS技术基于原子光谱和离子光谱的波长与特定的元素一一对应的关系，主要涉及光谱信息、高能脉冲激光、等离子体、特征波长等数据。
校正函数采用的关系式可由具体公式推导得到：
由于激光脉冲功率密度公式为
Figure 109553DEST_PATH_IMAGE002
式中，PD为激光功率密度，E为脉冲能量，w为脉冲宽度，d为聚焦光斑直径；
而等离子体温度T与脉冲功率密度PD有关，则等离子体温度可表示为T=f(E,w,d)，其中脉冲能量为E=g(l) ，带入等离子体绝对强度公式
Figure 246136DEST_PATH_IMAGE003
中，则
Figure 852698DEST_PATH_IMAGE004
式中w为脉冲宽度，d为聚焦光斑直径，i代表i能级，j代表j能级，Aij为跃迁几率，gi为高能级简并度，λij为辐射波长，U为当前温度下该离子对应的匹配函数，Ei为高能级能量，KB为玻尔兹曼常数，其中F为与系统参数、等离子体温度、元素特性等相关的比例因子，C为元素的原始浓度，Iij为元素特征；
当前测量参数一致，在忽略自吸收影响时，上述公式中c前的各系数可记为常数a，因此公式可改写为：
I=aC
C=I/a
其中I为元素特征，C为元素的原始浓度；
但是当前实验条件存在聚焦距离的变化，因此公式改写为
C=Z(l)c
其中，c为预测模型在聚焦距离l处的元素的预测浓度，C为元素的原始浓度，Z(l)为聚焦距离l处对应的校正函数。
请参阅图8，在某些实施方式中，基于关系，确定校正函数的数值（步骤S43），包括：
步骤S431：利用最小二乘法确定损失函数的最小值；
步骤S432：利用最小值确定校正函数的数值。
在某些实施方式中，处理器31用于利用最小二乘法确定损失函数的最小值；以及用于利用最小值确定校正函数的数值。
如此，确定损失函数的最小值时采用最小二乘法的方式能够便于对损失函数的最小值求解，从而确定校正函数的数值。
具体地，模型校正方法为实现步骤S43可先依据步骤S42中构建得到的损失函数采取步骤S431,将损失函数通过带入数据并采用最小二乘法的求解方法得到损失函数的最小值，然后可采取步骤S432,由于损失函数与校正函数之间存在关系式，通过最小二乘法求解损失函数的最小值可进一步得到校正函数的具体数值。
在某些实施方式中，损失函数采用以下关系式：
Figure 49324DEST_PATH_IMAGE005
其中，J为损失函数，i为样品编号，j为聚焦距离编号，M为样品数量，N为聚焦距离数量，Ci为第i个样品的元素的原始浓度，Z(lj)为第j个聚焦距离lj处对应的校正函数，cj i为预测模型的第i个样品在第j个聚焦距离lj处的元素的预测浓度。
如此，损失函数的关系式中包括了多组样品在多个聚焦距离的元素原始浓度和元素预测浓度，使得损失函数关系式可以实现数据的拟合。
具体地，可以理解，损失函数的关系式可以是样品的根据预测模型的关联校正函数得到的元素的预测浓度，与元素的原始浓度之间的差值平方所构建的函数关系式。损失函数的求解可采用最小二乘法的原理，通过使损失函数达到最小值，可对损失函数求解。
示例性地，当样品数量为10个，LIBS技术设备对样品获取的聚焦距离的数量为11个时，可将样品编号从1编号至10，不同聚焦距离由1编号至11，由此，损失函数可以采用
Figure 732548DEST_PATH_IMAGE005
的关系式，再将损失函数中的对应样品编号的样品在对应的聚焦距离编号上获取的元素的原始浓度、元素的预测浓度等相关数据代入损失函数中，通过最小二乘法对损失函数求解最小值可得到对应的校正函数的具体数值，然后可通过确定的多个聚焦距离的校正函数的数值对多个聚焦距离的预测模型进行校正。
请参阅图1，在某些实施方式中，模型校正方法包括：
步骤S50：利用校正后的预测模型对相应聚焦距离上的样品中的元素进行预测。
在某些实施方式中，处理器31用于利用校正后的预测模型对相应聚焦距离上的样品中的元素进行预测。
如此，模型校正方法经校正后的预测模型相比校正前的预测模型对样品的光谱数据和元素浓度的预测更精确。
具体地，模型校正方法为实现对预测模型的校正可采用步骤S50，结合步骤S40中得到的校正函数的具体数值对步骤S20中建立的对应聚焦距离的预测模型进行校正，校正后的预测模型可再对多个聚焦距离的样品中的元素进行预测，可以得到更为精确的样品的元素测量数据。
仍然采用上述实施例中LIBS技术设备采集一定聚焦距离的样品的光谱数据的来进一步说明：
样品为碳钢，样品数量为10块，样品编号为0到9。聚焦距离为152.5cm至376.5cm之间的11个聚焦距离。
在步骤S30中，根据预测模型预测聚焦距离152.5cm至376.5cm之间11个聚焦距离的10块碳钢的预测光谱数据，得到的碳钢中锰（Mn）元素的浓度定量分析数据，结果为图4。
在步骤S50中，根据校正后的预测模型对相应聚焦距离上的样品中的元素进行预测，根据校正后的预测模型对预测聚焦距离152.5cm至376.5cm之间11个聚焦距离的10块碳钢的预测光谱数据进行校正，得到的碳钢中锰（Mn）元素的校正后的浓度定量分析数据，结果为图9。
可以理解，相比图4，经校正后的图9中预测模型预测的各编号的样品的在不同聚焦距离处预测得到的浓度差值大幅减小，因此，模型校正方法可以实现了不同聚焦距离下对预测模型校正。
本申请实施方式的计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任一项实施方式中模型校正方法。
本申请实施方式的计算机可执行指令的非易失性计算机可读存储介质，当计算机可执行指令被一个或多个处理器执行时，使得处理器执行上述任一项实施方式中模型校正方法。
具体地，本申请实施方式中的计算机设备可以是计算器、可编程控制器、台式电脑、膝上型电脑、平板电脑、服务器等设备，计算机设备可以包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。
计算机设备的处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
计算机程序可以被存储在存储器中，存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如上述方法实施例中的方法所对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理模块的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
应当理解，本申请的实施方式的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请的各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施方式进行变化、修改、替换和变型。

Claims (10)

1.一种模型校正方法，其特征在于，包括：
基于激光诱导击穿光谱技术，获取多个聚焦距离的原始光谱数据；
利用其中一个聚焦距离的原始光谱数据建立预测模型；
利用所述预测模型，预测其余聚焦距离的预测光谱数据；
基于所述预测光谱数据和所述原始光谱数据之间的误差，对多个聚焦距离的预测模型校正。
2.根据权利要求1所述的模型校正方法，其特征在于，基于所述预测光谱数据和所述原始光谱数据之间的误差，对多个聚焦距离的预测模型校正，包括：
建立原始光谱数据与预测光谱数据的校正函数；
基于所述校正函数，建立损失函数与所述校正函数之间的关系；
基于所述关系，确定所述校正函数的数值；
利用确定的所述校正函数的数值对多个聚焦距离的预测模型校正。
3.根据权利要求2所述的模型校正方法，其特征在于，建立原始光谱数据与预测光谱数据的校正函数，包括：
基于所述原始光谱数据确定元素的原始浓度；
基于所述预测光谱数据确定元素的预测浓度；
基于所述原始浓度和所述预测浓度建立所述校正函数。
4.根据权利要求3所述的模型校正方法，其特征在于，所述校正函数采用以下关系式：
C=Z(l)c
其中，c为预测模型在聚焦距离l处的元素的预测浓度，C为元素的原始浓度，Z(l)为聚焦距离l处对应的校正函数。
5.根据权利要求2所述的模型校正方法，其特征在于，基于所述关系，确定所述校正函数的数值，包括：
利用最小二乘法确定所述损失函数的最小值；
利用所述最小值确定所述校正函数的数值。
6.根据权利要求2所述的模型校正方法，其特征在于，所述损失函数采用以下关系式：
Figure 754829DEST_PATH_IMAGE001
其中，J为损失函数，i为样品编号，j为聚焦距离编号，M为样品数量，N为聚焦距离数量，Ci为第i个样品的元素的原始浓度，Z(lj)为第j个聚焦距离lj处对应的校正函数，cj i为预测模型的第i个样品在第j个聚焦距离lj处的元素的预测浓度。
7.根据权利要求1所述的模型校正方法，其特征在于，所述模型校正方法包括：
利用校正后的预测模型对相应聚焦距离上的样品中的元素进行预测。
8.一种光谱设备，其特征在于，所述光谱设备包括：
样品台，用于承载样品；
激光器，用于向所述样品发出激光；
光谱仪，所述光谱仪用于接收所述样品反射的激光，所述光谱仪包括处理器，所述处理器用于实现如权利要求1-7中任一项所述模型校正方法。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述模型校正方法。
10.一种计算机可执行指令的非易失性计算机可读存储介质，其特征在于，当所述计算机可执行指令被一个或多个处理器执行时，使得所述处理器执行权利要求1-7中任一项所述模型校正方法。
CN202210538088.7A 2022-05-18 2022-05-18 模型校正方法、光谱设备、计算机设备和存储介质 Active CN114636688B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210538088.7A CN114636688B (zh) 2022-05-18 2022-05-18 模型校正方法、光谱设备、计算机设备和存储介质
PCT/CN2022/106217 WO2023221282A1 (zh) 2022-05-18 2022-07-18 模型校正方法、光谱设备、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210538088.7A CN114636688B (zh) 2022-05-18 2022-05-18 模型校正方法、光谱设备、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN114636688A true CN114636688A (zh) 2022-06-17
CN114636688B CN114636688B (zh) 2022-08-12

Family

ID=81952767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210538088.7A Active CN114636688B (zh) 2022-05-18 2022-05-18 模型校正方法、光谱设备、计算机设备和存储介质

Country Status (2)

Country Link
CN (1) CN114636688B (zh)
WO (1) WO2023221282A1 (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101271063A (zh) * 2008-05-07 2008-09-24 陕西恒智科技发展有限公司 气体红外光谱分析支持向量机校正模型方法的流程
US20130271761A1 (en) * 2010-10-01 2013-10-17 Technological Resources Pty. Limited Laser induced breakdown spectroscopy analyser
CN106546576A (zh) * 2016-12-06 2017-03-29 山西大学 一种基于均匀物质的激光诱导击穿光谱校正方法
CN206945540U (zh) * 2017-07-14 2018-01-30 中国科学技术大学 一种基于激光诱导等离子体光谱技术的高效探测装置
US20190346370A1 (en) * 2016-11-30 2019-11-14 National Research Council Of Canada (Nrc) Method And System For Characterizing An Aggregate Sample By Using Laser-Induced Breakdown Spectroscopy
CN111044504A (zh) * 2019-12-16 2020-04-21 华南理工大学 一种考虑激光诱导击穿光谱不确定性的煤质分析方法
CN111488926A (zh) * 2020-04-07 2020-08-04 中国科学院南京土壤研究所 一种基于优化模型的土壤有机质测定方法
CN113204879A (zh) * 2021-05-07 2021-08-03 西华大学 一种基于荧光油膜的改进Hankel矩阵预测模型建模方法及应用

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150346103A1 (en) * 2014-05-29 2015-12-03 Bwt Property, Inc. Laser Induced Breakdown Spectroscopy (LIBS) Apparatus and Method for Performing Spectral Imaging of a Sample Surface
US9816934B2 (en) * 2016-02-01 2017-11-14 Bwt Property, Inc. Laser induced breakdown spectroscopy (LIBS) apparatus with automatic wavelength calibration
CN107817239B (zh) * 2016-09-13 2019-06-18 中国科学院沈阳自动化研究所 一种基于等离子体位置信息的libs光谱校正方法
CN109358036B (zh) * 2018-12-20 2021-03-02 中国科学院光电研究院 激光诱导击穿光谱信号误差校正系统和方法
CN111289496B (zh) * 2020-03-26 2023-05-19 中国科学院空天信息创新研究院 一种远距离变焦距激光诱导击穿光谱的检测方法及装置
CN111272735B (zh) * 2020-03-26 2023-06-30 中国科学院空天信息创新研究院 一种激光诱导击穿光谱的检测方法
CN114509425A (zh) * 2022-01-28 2022-05-17 山东大学 基于变离焦量激光诱导击穿光谱的材料成分面分析方法
CN114324302A (zh) * 2022-03-08 2022-04-12 合肥金星智控科技股份有限公司 一种激光聚焦位置自动定位方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101271063A (zh) * 2008-05-07 2008-09-24 陕西恒智科技发展有限公司 气体红外光谱分析支持向量机校正模型方法的流程
US20130271761A1 (en) * 2010-10-01 2013-10-17 Technological Resources Pty. Limited Laser induced breakdown spectroscopy analyser
US20190346370A1 (en) * 2016-11-30 2019-11-14 National Research Council Of Canada (Nrc) Method And System For Characterizing An Aggregate Sample By Using Laser-Induced Breakdown Spectroscopy
CN106546576A (zh) * 2016-12-06 2017-03-29 山西大学 一种基于均匀物质的激光诱导击穿光谱校正方法
CN206945540U (zh) * 2017-07-14 2018-01-30 中国科学技术大学 一种基于激光诱导等离子体光谱技术的高效探测装置
CN111044504A (zh) * 2019-12-16 2020-04-21 华南理工大学 一种考虑激光诱导击穿光谱不确定性的煤质分析方法
CN111488926A (zh) * 2020-04-07 2020-08-04 中国科学院南京土壤研究所 一种基于优化模型的土壤有机质测定方法
CN113204879A (zh) * 2021-05-07 2021-08-03 西华大学 一种基于荧光油膜的改进Hankel矩阵预测模型建模方法及应用

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙通等: "最小二乘支持向量机和内标法的乐果农药含量LIBS检测", 《光谱学与光谱分析》 *
张丹: "焦点到样品表面距离对激光诱导击穿光谱的影响", 《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》 *

Also Published As

Publication number Publication date
CN114636688B (zh) 2022-08-12
WO2023221282A1 (zh) 2023-11-23

Similar Documents

Publication Publication Date Title
JP6490211B2 (ja) ウェハ欠陥発見
CN109738881B (zh) 飞行时间深度模组的标定方法、装置及可读存储介质
US9625376B2 (en) System for and method of combined LIBS and IR absorption spectroscopy investigations
CN107037012B (zh) 用于激光诱导击穿光谱采集的阶梯光谱仪动态校正方法
CN101080617A (zh) 利用多元光学元件的光学分析校准
JP2023505380A (ja) 発光スペクトルに基づく予測モデルを使用して未知のサンプル組成を分析するためのシステムと方法
WO2012156667A1 (en) Spectroscopic apparatus and methods for determining components present in a sample
CN114636688B (zh) 模型校正方法、光谱设备、计算机设备和存储介质
US8082111B2 (en) Optical emission spectroscopy qualitative and quantitative analysis method
JP6061031B2 (ja) 分光分析システムおよび該方法
JP2007178445A (ja) 試料分析装置における定量分析方法
CN114660048B (zh) 预测数值校正方法、光谱设备、计算机设备和存储介质
US11719627B2 (en) Calibration curve setting method used for drug analysis
CN111272735A (zh) 一种激光诱导击穿光谱的检测方法
JP2020106370A (ja) 計測制御装置、分光計測装置、及び計測制御方法
CN114894781B (zh) 基于外部信号的水下libs光谱标准化泛化方法及系统
JPH0961351A (ja) 含水分検知装置・含水分測定方法および含水分測定装置
JP5248249B2 (ja) 粒子径測定装置、粒子径測定方法及びコンピュータプログラム
JP2007078640A (ja) Ｉｃｐ発光分光分析方法及びｉｃｐ発光分光分析装置
JP4349146B2 (ja) Ｘ線分析装置
JP2006275901A (ja) 結晶評価装置および結晶評価方法
JP2522224B2 (ja) 蛍光ｘ線分析方法
CN118401812A (zh) 使用神经网络分析光谱峰的方法
CN109580580B (zh) 一种物质成分检测的方法、装置和电子设备
CN118392801B (zh) 农产品光谱无损检测自动建模的方法、设备、介质及产品

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