CN114660048B - 预测数值校正方法、光谱设备、计算机设备和存储介质 - Google Patents

预测数值校正方法、光谱设备、计算机设备和存储介质 Download PDF

Info

Publication number
CN114660048B
CN114660048B CN202210537430.1A CN202210537430A CN114660048B CN 114660048 B CN114660048 B CN 114660048B CN 202210537430 A CN202210537430 A CN 202210537430A CN 114660048 B CN114660048 B CN 114660048B
Authority
CN
China
Prior art keywords
defocus
predicted
prediction
focus
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
Application number
CN202210537430.1A
Other languages
English (en)
Other versions
CN114660048A (zh
Inventor
潘从元
汪浩
贾军伟
张兵
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 CN202210537430.1A priority Critical patent/CN114660048B/zh
Publication of CN114660048A publication Critical patent/CN114660048A/zh
Application granted granted Critical
Publication of CN114660048B publication Critical patent/CN114660048B/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
    • G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
    • 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

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

Abstract

本申请公开了一种预测数值校正方法、光谱设备、计算机设备和存储介质。预测数值校正方法包括基于激光诱导击穿光谱技术，获取样品在焦点位置和多个离焦位置的原始光谱数据，将样品在焦点位置的原始光谱数据作为第一原始光谱数据，将样品在多个离焦位置的原始光谱数据作为第二原始光谱数据；利用第一原始光谱数据建立预测模型；利用预测模型，预测焦点位置的焦点预测浓度和多个离焦位置的离焦预测浓度；计算焦点预测浓度和多个离焦预测浓度之间的误差；基于误差，校正离焦预测浓度。采用预测数值校正方法的光谱设备可以保证在样品处于离焦位置时光谱设备检测的精度，并对检测结果的数值进行校正，从而降低样品因离焦波动对检测数值准确性的影响。

Description

预测数值校正方法、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，尤其涉及一种预测数值校正方法、光谱设备、计算机设备和存储介质。
背景技术
激光诱导击穿光谱（LIBS）技术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。目前，LIBS定量分析中，采用预知定标模型预测新数据，当物料位置离焦时，光谱强度下降，模型实际预测值偏离焦点真实预测值，导致预测精度下降。
发明内容
本申请提供一种预测数值校正方法、光谱设备、计算机设备和存储介质。
本申请的预测数值校正方法包括：
基于激光诱导击穿光谱技术，获取样品在焦点位置和多个离焦位置的原始光谱数据，将样品在焦点位置的原始光谱数据作为第一原始光谱数据，将样品在多个离焦位置的原始光谱数据作为第二原始光谱数据；
利用所述第一原始光谱数据建立预测模型；
利用所述预测模型，预测所述焦点位置的焦点预测浓度和所述多个离焦位置的离焦预测浓度；
计算所述焦点预测浓度和多个所述离焦预测浓度之间的误差；
基于所述误差，校正所述离焦预测浓度。
本申请的预测数值校正方法和光谱设备中，采用预测数值校正方法的光谱设备可以保证在样品处于离焦位置时光谱设备检测的精度，并对检测结果的数值进行校正，从而可以降低样品因离焦波动对检测数值准确性的影响。
进一步地，计算所述焦点预测浓度和多个所述离焦预测浓度之间的误差，包括：
计算所述焦点预测浓度和多个所述离焦预测浓度之间的差值；
将所述差值作为所述焦点预测浓度和多个所述离焦预测浓度之间的误差。
进一步地，建立原始光谱数据与预测光谱数据的校正函数，基于所述焦点预测浓度和多个所述离焦预测浓度之间的误差，校正所述离焦预测浓度，包括：
建立所述误差与所述离焦位置的位置偏移量的多项式拟合函数；
利用所述多项式拟合函数，对所述离焦预测浓度进行校正。
进一步地，利用所述多项式拟合函数，对所述离焦预测浓度进行校正，包括：
基于所述多项式拟合函数中的各项系数，建立损失函数；
基于所述损失函数，确认所述各项系数的数值以确定所述多项式拟合函数的唯一表达式；
基于所述唯一表达式对所述离焦预测浓度进行校正。
进一步地，基于所述损失函数，确认所述各项系数的数值，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各项系数的数值。
进一步地，所述多项式拟合函数采用以下关系式：
Figure 860468DEST_PATH_IMAGE001
其中，xi为第i个离焦位置，M为阶数，w为系数、fM(xi,w)为焦点预测浓度与xi处的离焦预测浓度之间的误差。
进一步地，所述损失函数采用以下关系式：
Figure 555891DEST_PATH_IMAGE002
其中，J(w)为损失函数，s为离焦步长、l为离焦总长、
Figure DEST_PATH_IMAGE003
为焦点预测浓度与xi处的离焦预测浓度之间的误差，yi为第i个离焦位置处的离焦预测浓度。
本申请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所述预测数值校正方法。
本申请的光谱设备的光谱仪具有能够实现预测数值校正方法的处理器，光谱设备对处于离焦位置的样品检测时，采用预测数值校正方法可以提升光谱设备对样品检测的数值准确性，减少人为校正时间，节省人力、物力。
本申请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所述预测数值校正方法。
本申请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所述预测数值校正方法。
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预测数值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预测数值校正方法获取样品在焦点位置和离焦位置的光谱数据的示意图；
图4是本申请实施方式中的预测数值校正方法在离焦位置与误差原始曲线及多项式拟合的示意图；
图5是本申请实施方式中的预测数值校正方法的流程示意图；
图6是本申请实施方式中的预测数值校正方法的流程示意图；
图7是本申请实施方式中的预测数值校正方法的流程示意图；
图8是本申请实施方式中的预测数值校正方法的流程示意图。
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、处理器31、扩束镜40、反射镜50、聚焦透镜60、收集透镜70、光纤80。
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，本申请实施方式的预测数值校正方法包括：
步骤S10：基于激光诱导击穿光谱技术，获取样品在焦点位置和多个离焦位置的原始光谱数据，将样品在焦点位置的原始光谱数据作为第一原始光谱数据，将样品在多个离焦位置的原始光谱数据作为第二原始光谱数据；
步骤S20：利用第一原始光谱数据建立预测模型；
步骤S30：利用预测模型，预测焦点位置的焦点预测浓度和多个离焦位置的离焦预测浓度；
步骤S40：计算焦点预测浓度和多个离焦预测浓度之间的误差；
步骤S50：基于误差，校正离焦预测浓度。
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用于实现上述预测数值校正方法。
或者说，处理器31用于基于激光诱导击穿光谱技术，获取样品在焦点位置和多个离焦位置的原始光谱数据，将样品在焦点位置的原始光谱数据作为第一原始光谱数据，将样品在多个离焦位置的原始光谱数据作为第二原始光谱数据；及用于利用第一原始光谱数据建立预测模型；及用于利用预测模型，预测焦点位置的焦点预测浓度和多个离焦位置的离焦预测浓度；及用于计算焦点预测浓度和多个离焦预测浓度之间的误差；以及用于基于误差，校正离焦预测浓度。
本申请实施方式的光谱设备100的光谱仪30具有能够实现预测数值校正方法的处理器31，光谱设备100对处于离焦位置的样品检测时，采用预测数值校正方法可以提升光谱设备100对样品检测的数值准确性，减少人为校正时间，节省人力、物力。
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。
本申请实施方式的预测数值校正方法和光谱设备100中，采用预测数值校正方法的光谱设备100可以保证光谱设备100在样品处于离焦位置检测时的检测精度，并对检测结果的数值进行校正，从而可以降低样品因离焦波动对检测数值准确性的影响。
具体地，预测数值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。
首先预测数值校正方法采取步骤S10可利用光谱设备100对样品在焦点位置和多个离焦位置的原始光谱数据进行获取，并将样品在焦点位置的原始光谱数据作为第一原始光谱数据，将样品在多个离焦位置的原始光谱数据作为第二原始光谱数据。
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。焦点位置可以是光谱设备100通过光学系统进行测量样品时，光线汇聚的最佳测量点所在的位置，多个离焦位置可以是样品处于光谱设备100的光学系统的焦点位置之外的位置。
示例性地，如图3所示，带有光学系统的光谱设备100对样品在焦点位置和多个离焦位置的原始光谱数据进行获取。当样品位于图3所示的焦点位置时，光谱设备100对样品在焦点位置的原始光谱数据进行获取并作为第一原始光谱数据,当样品位于图3所示的实际位置时，光谱设备100对样品在离焦位置的原始光谱数据进行获取，改变实际位置与焦点位置的距离可以实现光谱设备100对样品在多个离焦距离的原始光谱数据进行获取并作为第二原始光谱数据。
然后，预测数值校正方法采取步骤S20可利用步骤S10获取到的第一原始光谱数据建立预测模型。
例如，采用相同的条件下LIBS设备分别对标准碳钢样品在焦点位置，以离焦步长s，离焦总长l，在各离焦步长位置进行连续的原始光谱数据采集的实施例来说明：
预测模型可以根据第一原始光谱数据在焦点位置建立多元线性模型，然后可在焦点位置建立多元线性模型：
Y=k1x1+k2x2+…knxn+b
其中，k为系数，n为所选特征数，x为所选特征，y为目标元素浓度值。
然后，预测数值校正方法采取步骤S30通过步骤S20建立的预测模型预测焦点位置的焦点预测浓度和多个离焦位置的离焦预测浓度。
然后，预测数值校正方法采取步骤S40基于步骤S30中预测的焦点位置的焦点预测浓度和多个离焦位置的离焦预测浓度之间的差值进行对比，计算两者之间的误差。
然后，预测数值校正方法采取步骤S50。基于步骤S40计算得到的预测的焦点位置的焦点预测浓度和多个离焦位置的离焦预测浓度之间误差来校正步骤S20建立的预测模型所预测的离焦位置的离焦预测浓度。
请参阅图4，在某些实施方式中，计算焦点预测浓度和多个离焦预测浓度之间的误差（步骤S40），包括：
步骤S41：计算焦点预测浓度和多个离焦预测浓度之间的差值；
步骤S42：将差值作为焦点预测浓度和多个离焦预测浓度之间的误差。
在某些实施方式中，处理器31用于计算焦点预测浓度和多个离焦预测浓度之间的差值；以及用于将差值作为焦点预测浓度和多个离焦预测浓度之间的误差。
如此，基于焦点预测浓度和多个离焦预测浓度之间的差值可以将误差转化为具体的数值，便于后续的拟合函数建立。
具体地，预测数值校正方法为实现步骤S40可先采取步骤S41，利用步骤S30中预测得到的焦点预测浓度和多个离焦预测浓度进行差值计算，然后可采取步骤S42，基于步骤S41计算得到的差值作为将差值作为焦点预测浓度和多个离焦预测浓度之间的误差。
仍然以上述实施例中，采用相同的条件下LIBS设备分别对标准碳钢样品在焦点位置，以离焦步长s，离焦总长l，在各离焦步长位置进行连续的原始光谱数据采集的实施例来说明：
用预测模型在焦点处预测各离焦位置数据，得出各离焦位置元素浓度预测值集合为
Figure 938462DEST_PATH_IMAGE004
；
计算出误差集合为
Figure 226968DEST_PATH_IMAGE005
，误差与离焦位置变化关系如图5所示。
请参阅图6，在某些实施方式中，基于焦点预测浓度和多个离焦预测浓度之间的误差，校正离焦预测浓度（步骤S50），包括：
步骤S51：建立误差与离焦位置的位置偏移量的多项式拟合函数；
步骤S52：利用多项式拟合函数，对离焦预测浓度进行校正。
在某些实施方式中，处理器31用于建立误差与离焦位置的位置偏移量的多项式拟合函数；以及用于利用多项式拟合函数，对离焦预测浓度进行校正。
如此，利用误差与离焦位置的位置偏移量的关系建立多项式拟合函数，可以对预测模型进行校正，进而提高预测模型的准确性与稳定性。
具体地，预测数值校正方法为实现步骤S50可先采取步骤S51，基于步骤S40计算得到的作为焦点预测浓度和多个离焦预测浓度之间的误差的差值，然后结合离焦位置的位置偏移量进行多项式的拟合，构建多项式拟合函数。然后可采取步骤S52，利用步骤S51中得到的多项式拟合函数，对预测模型预测的多个离焦位置的离焦预测浓度进行校正。
在对预测模型预测的多个离焦位置的离焦预测浓度进行校正之前可先构建预测模型的校正函数。
请结合图3所示的参数，校正函数采用以下关系式：
C=Z(H,c)
其中，c为预测模型在离焦位置H处的离焦预测浓度，C为离焦位置H处的校正后浓度，Z为离焦位置的校正函数。
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：
由于脉冲功率密度
Figure 198335DEST_PATH_IMAGE006
，其中
Figure 799080DEST_PATH_IMAGE007
，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，H为离焦量（图3中的焦点位置到实际位置的距离量），Ω为收光入体角（图3所示的Ω1和Ω2）。
由于离焦位置变化，收光入体角与离焦量存在下述关系：
Figure 606631DEST_PATH_IMAGE008
,其中Ω为收光入体角，D为出射激光光束直径，f为焦距（图3所示的光学系统至焦点位置的距离），H为离焦量。
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=z(E,w,H,Ω)，将该式带入等离子体绝对强度公式：
Figure 747762DEST_PATH_IMAGE009
中，
则
Figure 262051DEST_PATH_IMAGE010
式中，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为波尔兹曼常数，C为元素浓度，Iij为元素特征，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及脉冲功率密度PD与收光入体角Ω相关，故F=和Φ(PD,Ω)；
Figure 361594DEST_PATH_IMAGE011
当测量参数一致，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其中I为元素特征，C为元素浓度；
但当前实验条件存在离焦位置的变化，因此公式改写为
C=Z(H,c)
其中，c为预测模型在离焦位置H处的离焦预测浓度，C为离焦位置H处的校正后浓度，Z为离焦位置的校正函数。
请参阅图7，在某些实施方式中，利用多项式拟合函数，对离焦预测浓度进行校正（步骤S52），包括：
步骤S521：基于多项式拟合函数中的各项系数，建立损失函数；
步骤S522：基于损失函数，确认各项系数的数值以确定多项式拟合函数的唯一表达式；
步骤S523：基于唯一表达式对离焦预测浓度进行校正。
在某些实施方式中，处理器31用于基于多项式拟合函数中的各项系数，建立损失函数；及用于基于损失函数，确认各项系数的数值以确定多项式拟合函数的唯一表达式；以及用于基于唯一表达式对离焦预测浓度进行校正。
如此，损失函数的建立能够帮助更好的确认多项式的系数数值及唯一表达式。
具体地，预测数值校正方法为实现步骤S52可先采取步骤S521将多项式拟合函数通过最小二乘法的方式构建损失函数；然后采取步骤S522，基于对步骤S521中的损失函数求解来确认各项系数的数值，并确定多项式拟合函数的唯一表达式；再然后可采取步骤S523，基于步骤S521确定的多项式拟合函数的唯一表达式，对预测模型在离焦位置的离焦预测浓度进行校正。
请参阅图8，在某些实施方式中，基于损失函数，确认各项系数的数值（步骤S522），包括：
步骤S5221：利用最小二乘法确定损失函数的最小值；
步骤S5222：利用最小值确定各项系数的数值。
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各项系数的数值。
如此，采用最小二乘法的方法能够便于对损失函数的最小值求解，从而确定多项式拟合函数各项系数的数值。
具体地，预测数值校正方法为实现步骤S522可先依据步骤S521中建立的损失函数采取步骤S5221，将损失函数通过带入数据并采用最小二乘法的对损失函数的最小值求解，然后再采取步骤S5222将步骤S5221求解得到的最小值确定多项式拟合函数的各项系数的具体数值。
在某些实施方式中，多项式拟合函数采用以下关系式：
Figure 577812DEST_PATH_IMAGE012
其中，xi为第i个离焦位置，M为阶数，w为系数、fM(xi,w)为焦点预测浓度与xi处的离焦预测浓度之间的误差。
如此，通过多项式的拟合来将形成焦点预测浓度与离焦位置的离焦预测浓度的误差关系可有利于得到损失函数。
具体地，多项式拟合函数可以是离焦位置的离焦预测浓度的误差与离焦位置相对与焦点位置的偏移量通过多项式拟合得到的函数，多项式拟合函数拟合后的曲线可如图5中所示。
在某些实施方式中，损失函数采用以下关系式：
Figure 538946DEST_PATH_IMAGE002
其中，J(w)为损失函数，s为离焦步长、l为离焦总长、
Figure 157009DEST_PATH_IMAGE013
为焦点预测浓度与xi处的离焦预测浓度之间的误差，yi为第i个离焦位置处的离焦预测浓度。
如此，损失函数的关系式中包括了焦点预测浓度与离焦位置的离焦预测浓度的误差形成的多项式拟合函数，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多项式拟合函数得到的焦点预测浓度与xi处的离焦预测浓度之间的误差，与对应的离焦位置处的离焦预测浓度之间的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。
通过最小二乘法对损失函数求解最小值可得到解出w0,w1,w2…wM的具体数值，然后可通过确定的w0,w1,w2…wM具体数值带入多项式拟合函数中得到多项式拟合的唯一表达式并与校正函数进行结合将预测模型进行校正。
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预测数值校正方法。
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预测数值校正方法。
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 (9)

1.一种预测数值校正方法，其特征在于，包括：
基于激光诱导击穿光谱技术，获取样品在焦点位置和多个离焦位置的原始光谱数据，将样品在焦点位置的原始光谱数据作为第一原始光谱数据，将样品在多个离焦位置的原始光谱数据作为第二原始光谱数据；
利用所述第一原始光谱数据建立预测模型；
利用所述预测模型，预测所述焦点位置的焦点预测浓度和所述多个离焦位置的离焦预测浓度；
计算所述焦点预测浓度和多个所述离焦预测浓度之间的误差；
基于所述误差，校正所述离焦预测浓度；
基于所述焦点预测浓度和多个所述离焦预测浓度之间的误差，校正所述离焦预测浓度，包括：
建立所述误差与所述离焦位置的位置偏移量的多项式拟合函数；
利用所述多项式拟合函数，对所述离焦预测浓度进行校正。
2.根据权利要求1所述的预测数值校正方法，其特征在于，计算所述焦点预测浓度和多个所述离焦预测浓度之间的误差，包括：
计算所述焦点预测浓度和多个所述离焦预测浓度之间的差值；
将所述差值作为所述焦点预测浓度和多个所述离焦预测浓度之间的误差。
3.根据权利要求1所述的预测数值校正方法，其特征在于，利用所述多项式拟合函数，对所述离焦预测浓度进行校正，包括：
基于所述多项式拟合函数中的各项系数，建立损失函数；
基于所述损失函数，确认所述各项系数的数值以确定所述多项式拟合函数的唯一表达式；
基于所述唯一表达式对所述离焦预测浓度进行校正。
4.根据权利要求3所述的预测数值校正方法，其特征在于，基于所述损失函数，确认所述各项系数的数值，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各项系数的数值。
5.根据权利要求3所述的预测数值校正方法，其特征在于，所述多项式拟合函数采用以下关系式：
Figure 862922DEST_PATH_IMAGE001
其中，xi为第i个离焦位置，M为阶数，w为系数、fM(xi,w)为焦点预测浓度与xi处的离焦预测浓度之间的误差。
6.根据权利要求4所述的预测数值校正方法，其特征在于，所述损失函数采用以下关系式：
Figure 704976DEST_PATH_IMAGE002
其中，J(w)为损失函数，s为离焦步长、l为离焦总长、
Figure 755978DEST_PATH_IMAGE003
为焦点预测浓度与xi处的离焦预测浓度之间的误差，yi为第i个离焦位置处的离焦预测浓度。
7.一种光谱设备，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1-6中任一项所述预测数值校正方法。
8.一种计算机设备，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1-6中任一项所述预测数值校正方法。
9.一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1-6中任一项所述预测数值校正方法。
CN202210537430.1A 2022-05-18 2022-05-18 预测数值校正方法、光谱设备、计算机设备和存储介质 Active CN114660048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210537430.1A CN114660048B (zh) 2022-05-18 2022-05-18 预测数值校正方法、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
CN202210537430.1A CN114660048B (zh) 2022-05-18 2022-05-18 预测数值校正方法、光谱设备、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN114660048A CN114660048A (zh) 2022-06-24
CN114660048B true CN114660048B (zh) 2022-08-19

Family

ID=82037824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210537430.1A Active CN114660048B (zh) 2022-05-18 2022-05-18 预测数值校正方法、光谱设备、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN114660048B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000121558A (ja) * 1998-10-16 2000-04-28 Mitsubishi Heavy Ind Ltd 計測装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9121756B2 (en) * 2011-02-18 2015-09-01 Tsinghua University Method and system for improving precision of element measurement based on laser-induced breakdown spectroscopy
US9243956B2 (en) * 2013-01-21 2016-01-26 Sciaps, Inc. Automated multiple location sampling analysis system
US9970863B2 (en) * 2015-02-22 2018-05-15 Kla-Tencor Corporation Optical metrology with reduced focus error sensitivity
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000121558A (ja) * 1998-10-16 2000-04-28 Mitsubishi Heavy Ind Ltd 計測装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
不同离焦量延时时间参数对激光诱导击穿光谱特征及自吸收效应的影响;袁梦甜 等;《冶金分析》;20201231;第40卷(第12期);第51-58页 *
改进粒子群算法优化SVR的LIBS钢液元素定量分析;杨友良等;《激光与光电子学进展》;20201231(第05期);第264-271页 *
结合自动聚焦系统的共线双脉冲激光诱导击穿光谱信号稳定性研究;武进等;《中国激光》;20180312(第07期);第292-297页 *

Also Published As

Publication number Publication date
CN114660048A (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
CN108981579B (zh) 一种用于大范围测量的光谱共焦测量系统及方法
JP6490211B2 (ja) ウェハ欠陥発見
US7970101B2 (en) X-ray analyzer and X-ray analysis method
JP4247559B2 (ja) 蛍光ｘ線分析装置およびそれに用いるプログラム
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
CN109738881B (zh) 飞行时间深度模组的标定方法、装置及可读存储介质
CN111289496A (zh) 一种远距离变焦距激光诱导击穿光谱的检测方法及装置
CN114660048B (zh) 预测数值校正方法、光谱设备、计算机设备和存储介质
CN117664933A (zh) 激光光谱检测装置、方法、电子设备及存储介质
JP2007178445A (ja) 試料分析装置における定量分析方法
US11719627B2 (en) Calibration curve setting method used for drug analysis
CN114636688B (zh) 模型校正方法、光谱设备、计算机设备和存储介质
JP6061031B2 (ja) 分光分析システムおよび該方法
CN111272735A (zh) 一种激光诱导击穿光谱的检测方法
CN114397244B (zh) 一种金属增材制造制件缺陷的识别方法及相关设备
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
JP4349146B2 (ja) Ｘ線分析装置
CN107421639B (zh) 材料表面处理工艺过程中的等离子体三维信息诊断系统
JP4417100B2 (ja) Ｘ線分析方法、ｘ線分析装置及びコンピュータプログラム
CN114528751B (zh) 光谱片段的优化方法、装置、设备、存储介质、程序产品
JP2006275901A (ja) 結晶評価装置および結晶評価方法
JP2020134227A (ja) 位置補正機能を有する顕微分光装置
CN118401812A (zh) 使用神经网络分析光谱峰的方法
CN109100314B (zh) 一种分光光度检测方法及装置
WO2024047702A1 (ja) キャピラリ電気泳動装置およびその光学性能診断方法

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
GR01 Patent grant
GR01 Patent grant