CN115201139A - 一种基于组分吸收峰的光谱模型匹配方法 - Google Patents
一种基于组分吸收峰的光谱模型匹配方法 Download PDFInfo
- Publication number
- CN115201139A CN115201139A CN202210824304.4A CN202210824304A CN115201139A CN 115201139 A CN115201139 A CN 115201139A CN 202210824304 A CN202210824304 A CN 202210824304A CN 115201139 A CN115201139 A CN 115201139A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- matching
- 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.)
- Pending
Links
- 238000010521 absorption reaction Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000003595 spectral effect Effects 0.000 title claims description 87
- 238000001228 spectrum Methods 0.000 claims abstract description 156
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000004497 NIR spectroscopy Methods 0.000 claims abstract 2
- 238000002835 absorbance Methods 0.000 claims description 20
- 238000012512 characterization method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000010183 spectrum analysis Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- KWGRBVOPPLSCSI-WPRPVWTQSA-N (-)-ephedrine Chemical compound CN[C@@H](C)[C@H](O)C1=CC=CC=C1 KWGRBVOPPLSCSI-WPRPVWTQSA-N 0.000 description 2
- 235000007650 Aralia spinosa Nutrition 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 241000949456 Zanthoxylum Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000341 volatile oil Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 description 1
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 235000005607 chanvre indien Nutrition 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- KWGRBVOPPLSCSI-UHFFFAOYSA-N d-ephedrine Natural products CNC(C)C(O)C1=CC=CC=C1 KWGRBVOPPLSCSI-UHFFFAOYSA-N 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229960002179 ephedrine Drugs 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000011487 hemp Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 239000002699 waste material 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
- G01N21/3554—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for determining moisture content
-
- 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
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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明主要涉及近红外光谱领域。为了解决同一型号的不同近红外光谱设备一致性差，不同设备建立的光谱模型不具备通用性所造成的测量光谱某些组分含量预测结果不稳定、不准确的情况，本发明提供一种基于组分吸收峰的光谱模型匹配方法，其核心思想：首先使用多台同型号近红外光谱设备对已知组分的样品进行光谱数据采集，然后根据组分吸收峰波长范围及数目进行待测样品光谱数据重构，并建立重构光谱模型库，接着计算样品重构光谱数据不同组分吸收峰的表征系数，结合表征系数计算匹配偏差值，根据匹配偏差值进行光谱模型精确匹配，最后调用匹配光谱模型对未标样品组分含量进行预测分析，完成光谱模型匹配分析。
Description
技术领域
本发明涉及红外光谱技术领域，尤其涉及一种基于组分吸收峰的光谱模型匹配方法。
背景技术
随着微机电技术的发展，近几年，微型化近红外光谱仪被广泛应用于食品、饮料、医药、煤炭等各个领域，相较于传统的大型傅里叶变换光谱分析系统，其具有结构简单、成本低廉、携带方便、检测快速、结果实时可见等优势，目前已成为光谱领域的热门产品，尤其是微型化近红外光谱仪具备多组分指标平行预测能力，仅需采集一次待测样品光谱数据，通过特定的算法处理即可实现待测样品多组分含量的平行预测，在极短时间内同时预测得到该样品的组分含量，如待测样品是花椒，则可以同时获取花椒水分、挥发油、麻素等组分含量，如待测样品是小麦，则可以同时获取小麦水分、蛋白质、淀粉等组分含量。通过微型化近红外光谱仪设备的检测特性大大加强的光谱检测技术的应用场景。
微型化近红外光谱检测设备相较于实验室大型近红外光谱设备，微型化近红外光谱仪受光源、检测器、制造工艺、使用方法、环境条件等影响，设备一致性、稳定性、重现性等指标都有明显的性能降低，尤其是设备一致性，同一型号的不同微型化近红外光谱设备一致性较差，不同设备建立的光谱模型并不具有通用性，在实际应用中，需要对每台微型化近红外光谱设备进行单独建模，浪费大量人力物力，极大程度地阻碍了微型化近红外光谱分析技术的发展。
目前市场上针对微型化近红外光谱设备光谱模型不通用问题采用的常规处理方法为光谱模型转移，其算法包含斜率截距法(S/B)、Shenks算法、直接标准化(DS)及分段标准化(PDS)等，这些算法虽然能够一定程度解决光谱模型不通用问题，但是针对多组分待测样品的组分含量预测，由于模型转移算法的单一性，并不会针对各个组分进行针对性光谱模型转移，从而造成某些组分含量预测效果较好，某些组分含量预测效果较差的问题，例如针对花椒样品，采用模型转移算法处理后的预测效果容易出现水分含量预测效果较好，麻素、挥发油含量预测效果较差的问题。
发明内容
本发明所要解决的技术问题：
提供一种基于组分吸收峰的光谱模型匹配方法，解决同一型号的不同近红外光谱设备一致性差，不同设备建立的光谱模型不具备通用性所造成的某些组分含量预测结果不稳定、不准确的情况。
本发明解决上述技术问题所采用的技术方案：
一种基于组分吸收峰的光谱模型匹配方法，包括以下步骤：
步骤1：使用多台型号相同的拼接型多传感器近红外光谱设备采集样品的光谱数据；
步骤2：根据组分吸收峰范围及数目进行样品光谱数据重构，建立重构光谱模型库；
步骤3：计算重构光谱数据不同组分吸收峰的表征系数；
步骤4：根据表征系数计算匹配偏差值，根据匹配偏差值进行光谱模型精确匹配；
步骤5：调用匹配光谱模型对未知组分含量样品的组分含量进行预测分析，完成光谱模型匹配分析。
进一步的，将步骤1中所述近红外光谱设备随机分为两部分，一部分用于建立光谱模型库，另一部分用于匹配光谱模型。
进一步的，建立光谱模型库的设备为N台，用于匹配光谱模型的设备为1台，用所述N台用于建立光谱模型库的光谱设备分别采集M个已知组分含量样品的光谱，N个设备共采集(M×N)条光谱数据；用所述1台用于匹配光谱模型的设备采集单条未知组分含量样品的光谱。
进一步的，步骤2的具体方法为：根据样品组分光谱吸收特性选取X个吸收峰，基于X个吸收峰将多传感器光谱数据重构为单传感器光谱数据，具体的重构方式为：根据单传感器近红外设备波长范围和分辨率计算出每条单传感器光谱数据包含的波长点数目，结合选取的吸收峰数目分别计算每个吸收峰包含的波长点数目及光谱波长范围，从多传感器光谱数据中选取相同的波长点数目及波长范围重构为单传感器光谱数据，完成数据重构；
N台建立光谱模型设备中的每个设备采集M条光谱数据，对M条数据进行重构后与已知组分标定值的M个样品组分含量进行逐一对应，采用偏最小二乘法建模，获取单个组分光谱模型，N台设备总计建立N个组分光谱模型。
进一步的，步骤3所的具体方法为：获取每个吸收峰所包含的波长点的吸光度，将每个吸收峰所包含的波长点的吸光度相加，与所有吸收峰包含的光谱波长范围内的波长点的吸光度做商，即可得到重构光谱数据的X个吸收峰所对应的表征系数，将表征系数分别记为α1、α2、……、αX。
进一步的，步骤4的具体方法为：首先计算光谱模型库中某单台设备采集M个样品重构光谱数据均值，M个样品在吸收峰所包含的某个波长范围下的吸收光度分别(k1，k2，……kM)，对其进行均值化处理，获取在该波长下M个吸收光度的均值：
用同样的方法计算出每个吸收峰包含的所有波长点的吸光度均值，将其分别记为
L表示每个吸收峰中包含的波长点的个数；
计算未知组分含量样品重构光谱数据相较于已知组分含量样品重构光谱数据的匹配偏差值，其中待匹配光谱模型设备采集获取的未知组分含量样品重构光谱数据相较于第一台光谱数据库建立设备采集获取已知组分含量样品重构光谱数据的匹配偏差值c1的计算方法为：
其中K1i、K2i、……、KXi分别为未知组分含量样品与已知组分含量样品在各个吸收峰内的相对应波长点的吸光度；
同理，依次计算得出待匹配光谱模型设备采集获取的未知组分含量样品重构光谱数据相较于N台光谱数据库建立设备采集获取已知组分含量样品重构光谱数据的匹配偏差值分别为(c1，c2，……cN)，从匹配偏差值(c1，c2，……cN)中选取匹配偏差值最小的多台设备作为匹配设备，将所选设备中基于重构光谱数据的光谱模型直接匹配至待匹配光谱模型设备，完成两类设备之间的光谱模型匹配。
本发明的有益效果：
本发明所述的一种基于组分吸收峰的光谱模型匹配方法根据组分吸收峰的波长范围及数目进行光谱数据重构，保留待测样品组分表征能力基础上缩减光谱数据量，提升光谱分析效率，同时通过不同吸收峰之间的表征系数计算匹配偏差值实现不同光谱设备之间光谱模型的精确匹配，不仅解决微型化近红外光谱设备光谱模型不通用的问题，同时针对待测样品不同组分含量匹配不同光谱模型进行精确预测，有效提升预测准确性。
附图说明
图1为本发明所述的一种基于组分吸收峰的光谱模型匹配方法流程图。
具体实施方式
如图1所示，本发明所述的一种基于组分吸收峰的光谱模型匹配方法首先使用多台同型号微型化近红外设备对待测样品光谱数据进行采集，然后根据组分吸收峰波长范围及数目进行待测样品光谱数据重构，并建立重构光谱模型库，接着计算待测样品重构光谱数据不同组分吸收峰的表征系数，结合表征系数计算匹配偏差值，根据匹配偏差值进行光谱模型精确匹配，最后调用匹配光谱模型对未知组组分样品的组分含量进行预测分析，完成光谱模型匹配分析。
实施例：
本实施例对水分的近红外光谱检测为例对本发明所述的一种基于组分吸收峰的光谱模型匹配方法进行具体介绍；
在本实施例中，多台同一型号的微型化近红外光谱仪具体分类方式为(N+1)，其中N台设备为光谱模型库建立设备，1台设备为待匹配光谱模型设备，用于实施基于组分吸收峰的光谱模型匹配方法，在具体的实际应用中，光谱模型库建立设备数量选择为10台，过多的设备会消耗大量人力物力进行光谱数据采集及建模工作，过少的设备涵盖光谱模型较少，匹配精度较低，预测误差较大；待匹配光谱模型设备数量可以为(1～+∞)个，均采用相同的光谱模型匹配方法对其进行处理即可实现所有设备的光谱模型匹配。已知组分含量的样品与未知组分含量的样品的具体数量为(M+1)，其中已知组分含量样品为M个，未知组分含量样品为1个，在具体的实际应用中，已知组分含量样品的数量为200个，该数量的样本数所建立的光谱模型稳定性高，预测能力强，满足微型化近红外光谱分析技术的要求，过多的样本数会造成人力物力的浪费，对提升光谱模型的效果的能力十分有限，过少的样本建立的光谱模型稳定性差，极容易过拟合，且预测能力弱；未知组分含量样品的数量可以为(1～+∞)个，均采用单个未知组分含量样品的处理方式对光谱数据进行采集与处理即可完成所有未知组分含量样品的成分预测。具体的采集方式为：采用N台设备分别采集M个已知组分含量样品光谱，单台设备采集到M条光谱数据，合计采集获取(M×N)条光谱数据；采用1台待匹配光谱模型设备采集1个未知组分含量样品的光谱数据，获取单条光谱数据。
常用的单传感器微型化近红外光谱设备涵盖的波段范围为410纳米，本实施例采用的微型化近红外光谱设备为多传感器拼接型，该设备包含4个单传感器，波段范围分别为800nm～1210nm、1220nm～1630nm、1640nm～2050nm、2060nm～2470nm，采用拼接型多传感器微型化近红外光谱设备可以将初始只有410纳米波段范围涵盖的单传感器设备扩充至涵盖1670纳米，近乎包含全部近红外波段范围，这样可以有效扩充设备波段范围，尽可能全面的涵盖待测样品的各类组分吸收峰。
根据组分吸收峰波长范围及数目进行待测样品光谱数据重构，并建立重构光谱模型库。不同待测样品的组分构成并不相同，针对待测样品的不同组分，根据该组分吸收峰的波长范围及数目进行光谱数据重构，仅保留吸收峰周围一定数目的波长点来替代原始光谱数据，保留光谱数据特征信息前提下极大程度减少光谱数据量，提升光谱分析效率。
在本实施例中，近红外光谱快检实际应用中，以水分吸收峰为例，在近红外波段范围中，水分在波长1940nm、1450nm、1190nm、970nm处有较强吸收峰，其中1450nm、970nm是O-H的倍频吸收带，1940nm、1190nm是O-H的合频吸收带。在水分的近红外吸收峰中，1190nm波长处的吸收率小，一般用于高湿度含量的水分测量，970nm波长处的吸收率过大，测量范围窄，一般适用于小范围高精度的水分含量测量，以上两个波长的适用性都有较大限制，而1940nm、1450nm两个波长的吸收率较为合适，常用于各个领域的水分测量，由此，在本专利中，选取水分吸收峰的波长范围为1940nm、1450nm，数目为2个。
对拼接型多传感器光谱数据进行重构，将多传感器光谱数据重构为单传感器光谱数据，不仅可以有效缩减光谱数据量，同时可以采用常规的单传感器光谱数据建模方法进行光谱建模，有效提升光谱数据的普适性及光谱分析效率。本专利采用的微型化拼接型多传感器光谱设备的分辨率为10nm，波段范围为800nm～2470nm，可以计算出每条多传感器光谱数据包含的波长点为X1＝1+(2470-800)/10＝168个，单传感器的波段范围为410nm，可以计算出每条单传感器光谱数据包含的波长点为X2＝1+410/10＝42个，同时结合水分吸收峰的波长范围为1940nm、1450nm，数目为2个，则进一步可以计算出该基于水分吸收峰的重构光谱数据分布在两个吸收峰的波长点数目均为X3＝42/2＝21个，以波长为1940nm水分吸收峰为中心点包含21个波长点的波段范围为1840nm～2040nm，以波长为1450nm水分吸收峰为中心点包含21个波长点的波段范围为1350nm～1550nm，由上，可以获取重构光谱数据的波段范围包含两个小波段，分别为1350nm～1550nm及1840nm～2040nm，合计包含42个波长点，相较于多传感器光谱数据的168个波长点，在保留光谱数据水分表征能力的基础上，极大程度地缩小了光谱数据量，提升光谱分析效率。
进一步的，对光谱模型建立设备采集的(M×N)条光谱数据进行光谱重构，结合重构光谱数据建立重构光谱模型库，针对N台设备中的单台设备，采集到M条光谱数据，则重构的光谱数据也为M条，将重构光谱数据与已知的M个水分标定值进行逐一对应，采用偏最小二乘法进行光谱建模，获取单个水分光谱模型，同理，对其余(N-1)台光谱模型库建立设备进行相同的建模流程，获取(N-1)个水分光谱模型，由上，N台光谱模型库建立设备建立了N个水分光谱模型，即光谱模型库中包含N个水分光谱模型。
在本实施例中，不同组分吸收峰表征系数实际表示为基于组分吸收峰的重构小波段光谱数据对该组分的表征能力，由于实际应用中是对未知组分含量样品的水分含量进行预测，所以在计算表征系数时，以待匹配光谱模型设备采集单个未知组分含量样品光谱数据为基准，基于水分吸收峰的重构小波段光谱数据波段范围分别为1350nm～1550nm及1840nm～2040nm，设定重构光谱数据在波段范围1350nm～1550nm中21个波长点上吸光度分别为(W1，W2，……W21)，在波段范围1840nm～2040nm中21个波长点上吸光度分别为(S1，S2，……S21)，由于吸光度值的大小直接反应该波长点水分对近红外光的吸收能力，吸光度值越大，表明该水分吸收峰表征水分含量的能力越强，由此计算重构光谱数据两个水分吸收峰所对应的表征系数α1、α2的计算公式分别为：
根据匹配偏差值进行光谱模型匹配。针对同一组分含量，两类微型化近红外光谱设备重构后的光谱数据匹配偏差值越小，则表明两者光谱数据之间趋势越一致，进而可知其光谱模型也趋于一致，由此选取两类设备中匹配偏差值最小的两台设备进行光谱模型匹配。
在本实施例中，匹配偏差值实际表示为光谱模型库建立设备采集待测样品重构光谱数据与待匹配光谱模型设备采集同类样品重构光谱数据之间的偏差值，首先计算光谱模型库建立设备中某单台设备采集M个待测样品重构光谱数据均值，具体的实现过程为：以波长范围1350nm为例，设定M个样品在这个波长范围下的吸光度值分别为(k1，k2，……kM)，对其进行均值化处理，获取在该波长范围下M个吸光度的均值
为：
同理，对波段范围1350nm～1550nm及1840nm～2040nm中的各个波长点均进行相同数据处理方式，获得这些波长点对应的吸光度均值为
及
计算未知组分含量样品重构光谱数据相较于已知组分含量样品重构光谱数据的匹配偏差值，其中待匹配光谱模型设备采集获取的未知组分含量样品重构光谱数据相较于第一台光谱数据库建立设备采集获取已知组分含量样品重构光谱数据的匹配偏差值c1的计算方法为：
其中K1i、K2i、……、KXi分别为未知组分含量样品与已知组分含量样品在各个吸收峰内的相对应波长点的吸光度；
同理，依次计算得出待匹配光谱模型设备采集获取的未知组分含量样品重构光谱数据相较于N台光谱数据库建立设备采集获取已知组分含量样品重构光谱数据的匹配偏差值分别为(c1，c2，……cN)。
针对重构光谱数据，两类近红外光谱设备采集获取的重构光谱数据趋势偏移量越小，则表明两者光谱数据之间趋势越一致，进而可知其光谱模型也趋于一致，由上，从匹配偏差值(c1，c2，……cN)中选取匹配偏差值最小的两台设备作为匹配设备，将两台设备中光谱模型建立设备所建立基于重构光谱数据的光谱模型直接匹配至待匹配光谱模型设备，完成两类设备之间的光谱模型匹配。
调用匹配光谱模型对未知组分含量样品组分含量进行预测分析，完成光谱模型匹配分析。针对待测样品某组分，通过匹配偏差值对两类光谱设备进行光谱模型匹配后，调用匹配光谱模型对未知组分含量样品的重构光谱数据进行预测分析，获取该组分含量的预测值，完成光谱模型匹配分析。
在本实施例中，待匹配光谱模型设备采集单个未知组分含量样品的光谱数据进行重构后，调用重构光谱数据的水分光谱匹配模型对未知组分含量的光谱数据进行预测分析，获取水分预测分析值，该水分预测分析值即为未知组分含量样品的水分含量预测值，完成光谱匹配分析。
Claims (6)
1.一种基于组分吸收峰的光谱模型匹配方法，其特征在于，包括以下步骤：
步骤1：使用多台型号相同的拼接型多传感器近红外光谱设备采集样品的光谱数据；
步骤2：根据组分吸收峰范围及数目进行样品光谱数据重构，建立重构光谱模型库；
步骤3：计算重构光谱数据不同组分吸收峰的表征系数；
步骤4：根据表征系数计算匹配偏差值，根据匹配偏差值进行光谱模型精确匹配；
步骤5：调用匹配光谱模型对未知组分含量样品的组分含量进行预测分析，完成光谱模型匹配分析。
2.根据权利要求1所述的一种基于组分吸收峰的光谱模型匹配方法，其特征在于，将步骤1中所述近红外光谱设备随机分为两部分，一部分用于建立光谱模型库，另一部分用于匹配光谱模型。
3.根据权利要求2所述的一种基于组分吸收峰的光谱模型匹配方法，其特征在于，建立光谱模型库的设备为N台，用于匹配光谱模型的设备为1台，用所述N台用于建立光谱模型库的光谱设备分别采集M个已知组分含量样品的光谱，N个设备共采集(M×N)条光谱数据；用所述1台用于匹配光谱模型的设备采集单条未知组分含量样品的光谱。
4.根据权利要求3所述的一种基于组分吸收峰的光谱模型匹配方法，其特征在于，步骤2的具体方法为：根据样品组分光谱吸收特性选取X个吸收峰，基于X个吸收峰将多传感器光谱数据重构为单传感器光谱数据，具体的重构方式为：根据单传感器近红外设备波长范围和分辨率计算出每条单传感器光谱数据包含的波长点数目，结合选取的吸收峰数目分别计算每个吸收峰包含的波长点数目及光谱波长范围，从多传感器光谱数据中选取相同的波长点数目及波长范围重构为单传感器光谱数据，完成数据重构；
N台建立光谱模型设备中的每个设备采集M条光谱数据，对M条数据进行重构后与已知组分标定值的M个样品组分含量进行逐一对应，采用偏最小二乘法建模，获取单个组分光谱模型，N台设备总计建立N个组分光谱模型。
5.根据权利要求4所述的一种基于组分吸收峰的光谱模型匹配方法，其特征在于，步骤3所的具体方法为：获取每个吸收峰所包含的波长点的吸光度，将每个吸收峰所包含的波长点的吸光度相加，与所有吸收峰包含的光谱波长范围内的波长点的吸光度做商，即可得到重构光谱数据的X个吸收峰所对应的表征系数，将表征系数分别记为α1、α2、……、αX。
6.根据权利要求5所述的一种基于组分吸收峰的光谱模型匹配方法，其特征在于，步骤4的具体方法为：首先计算光谱模型库中某单台设备采集M个样品重构光谱数据均值，M个样品在吸收峰所包含的某个波长范围下的吸收光度分别(k1，k2，……kM)，对其进行均值化处理，获取在该波长下M个吸收光度的均值：
用同样的方法计算出每个吸收峰包含的所有波长点的吸光度均值，将其分别记为
L表示每个吸收峰中包含的波长点的个数；
计算未知组分含量样品重构光谱数据相较于已标样品重构光谱数据的匹配偏差值，其中待匹配光谱模型设备采集获取的未知组分含量样品重构光谱数据相较于第一台光谱数据库建立设备采集获取已标样品重构光谱数据的匹配偏差值c1的计算方法为：
其中K1i、K2i、……、KXi分别为未知组分含量样品与已标样品在各个吸收峰内的相对应波长点的吸光度；
同理，依次计算得出待匹配光谱模型设备采集获取的未知组分含量样品重构光谱数据相较于N台光谱数据库建立设备采集获取已标样品重构光谱数据的匹配偏差值分别为(c1，c2，……cN)，从匹配偏差值(c1，c2，……cN)中选取匹配偏差值最小的多台设备作为匹配设备，将所选设备中基于重构光谱数据的光谱模型直接匹配至待匹配光谱模型设备，完成两类设备之间的光谱模型匹配。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210824304.4A CN115201139A (zh) | 2022-07-13 | 2022-07-13 | 一种基于组分吸收峰的光谱模型匹配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210824304.4A CN115201139A (zh) | 2022-07-13 | 2022-07-13 | 一种基于组分吸收峰的光谱模型匹配方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115201139A true CN115201139A (zh) | 2022-10-18 |
Family
ID=83580701
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210824304.4A Pending CN115201139A (zh) | 2022-07-13 | 2022-07-13 | 一种基于组分吸收峰的光谱模型匹配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115201139A (zh) |
-
2022
- 2022-07-13 CN CN202210824304.4A patent/CN115201139A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tkachuk | Oil and protein analysis of whole rapeseed kernels by near infrared reflectance spectroscopy | |
| CN111965140B (zh) | 基于特征峰的波长点重组方法 | |
| CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
| Shen et al. | Rapid and real-time detection of moisture in black tea during withering using micro-near-infrared spectroscopy | |
| CN106950192A (zh) | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 | |
| CN106018331B (zh) | 多通道光谱系统的稳定性评价方法及预处理优化方法 | |
| WO2020248961A1 (zh) | 一种无参考值的光谱波数选择方法 | |
| CN105181606A (zh) | 基于高光谱成像技术检测花生中蔗糖含量分布的方法 | |
| CN113570538B (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
| CN109374556A (zh) | 基于可见-近红外光谱的复合肥中水分含量快速检测方法 | |
| CN111896497B (zh) | 一种基于预测值的光谱数据修正方法 | |
| CN109991174A (zh) | 一种高光谱相机与普通光谱仪之间的模型转移方法 | |
| CN115201139A (zh) | 一种基于组分吸收峰的光谱模型匹配方法 | |
| Ning et al. | Study on apple damage detecting method based on relaxation single-wavelength laser and convolutional neural network | |
| CN117269107A (zh) | 快速预测辣椒维生素c含量的高光谱模型 | |
| CN113496218B (zh) | 一种高光谱遥感敏感波段选择方式的评价方法和系统 | |
| CN115144362A (zh) | 基于标准校准板的光谱模型自适应方法 | |
| CN113916817B (zh) | 用于城镇生活饮用水的光谱法色度在线测量方法 | |
| CN109932335A (zh) | 一种用于植物中天然橡胶含量测定的方法及测定用led近红外光谱仪 | |
| US20070179729A1 (en) | Numerical data processing dedicated to an integrated microspetrometer | |
| Chen et al. | Feature selecting based on fourier series fitting | |
| Li et al. | Comparison of two methods for estimation of soil water content from measured reflectance | |
| CN115078303A (zh) | 一种基于组分吸收峰的重构光谱加权预测方法 | |
| CN114387260A (zh) | 一种基于花椒光谱特征峰的插值重构方法 | |
| CN115015162A (zh) | 近红外光谱模型匹配方法 |
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 |