CN116026780B - 基于串联策略波长选择的包衣吸湿率在线检测方法及系统 - Google Patents
基于串联策略波长选择的包衣吸湿率在线检测方法及系统 Download PDFInfo
- Publication number
- CN116026780B CN116026780B CN202310309578.4A CN202310309578A CN116026780B CN 116026780 B CN116026780 B CN 116026780B CN 202310309578 A CN202310309578 A CN 202310309578A CN 116026780 B CN116026780 B CN 116026780B
- Authority
- CN
- China
- Prior art keywords
- wavelength
- information coefficient
- maximum information
- moisture absorption
- maximum
- 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
Images
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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种基于串联策略波长选择的包衣吸湿率在线检测方法及系统,方法包括:计算近红外光谱数据上每个波长点与吸湿率的最大信息系数,得到与波长相关联的最大信息系数序列;根据预设的移动平滑窗对最大信息系数序列进行平滑处理,并结合预设的PLSR模型选择出连续的光谱区间;根据连续投影法对光谱区间中的波长进行提取,得到目标波长,并基于目标波长构建MLP定量模型;基于MLP定量模型对不同时间段待测样品的吸湿率进行检测。以用最大信息系数作为变量重要性指标,实现对波长区间的选择,从而能够筛选出质量高、维度低的变量子集,用于构建MLP定量模型。
Description
技术领域
本发明属于在线检测技术领域,尤其涉及一种基于串联策略波长选择的包衣吸湿率在线检测方法及系统。
背景技术
包衣具有防潮、掩味、遮光、抗氧化与控制释药行为等作用,是一项中药固体制剂的重要工序。传统的检测方法往往耗时费力或难以形成量化指标,如:经验估算法、离线或旁线测量等。为满足现代制药的要求,过程分析技术被用于生产过程的在线检测,如:近红外光谱、拉曼光谱、太赫兹光谱、图像分析法等。
近红外光谱具有快速、无损、无需样品前处理等优点,在化工、食品、制药等领域中得到了广泛的应用。然而,光谱中包含了大量无关信息与冗余信号,这会导致模型的复杂度高和预测能力低问题。因此,构建模型前,往往需要波长选择。波长选择是通过算法从原始光谱中挑选出波长子集的过程,其选择的原则是保证不降低模型性能前提下,挑选出尽可能少的变量。
发明内容
本发明提供一种基于串联策略波长选择的包衣吸湿率在线检测方法,用于解决光谱中包含了大量无关信息与冗余信号,导致模型的复杂度高和预测能力低的技术问题。
第一方面,本发明提供一种基于串联策略波长选择的包衣吸湿率在线检测方法,包括:获取片剂包衣全过程内样品的近红外光谱数据,并计算所述近红外光谱数据上每个波长点与吸湿率的最大信息系数,得到与波长相关联的最大信息系数序列;根据预设的移动平滑窗对所述最大信息系数序列进行平滑处理,并结合预设的PLSR模型选择出连续的光谱区间;根据连续投影法对所述光谱区间中的波长进行提取,得到目标波长,并基于所述目标波长构建MLP定量模型;基于所述MLP定量模型对不同时间段待测样品的吸湿率进行检测。
第二方面,本发明提供一种基于串联策略波长选择的包衣吸湿率在线检测系统,包括:计算模块,配置为获取片剂包衣全过程内样品的近红外光谱数据,并计算所述近红外光谱数据上每个波长点与吸湿率的最大信息系数,得到与波长相关联的最大信息系数序列;处理模块,配置为根据预设的移动平滑窗对所述最大信息系数序列进行平滑处理,并结合预设的PLSR模型选择出连续的光谱区间;提取模块,配置为根据连续投影法对所述光谱区间中的波长进行提取,得到目标波长,并基于所述目标波长构建MLP定量模型;检测模块,配置为基于所述MLP定量模型对不同时间段待测样品的吸湿率进行检测。
第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的基于串联策略波长选择的包衣吸湿率在线检测方法的步骤。
第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行本发明任一实施例的基于串联策略波长选择的包衣吸湿率在线检测方法的步骤。
本申请的基于串联策略波长选择的包衣吸湿率在线检测方法及系统,以用最大信息系数作为变量重要性指标,并将所得最大信息系数序列经平滑处理,实现对波长区间的选择,从而能够筛选出质量高、维度低的变量子集,并由SPA算法进一步减少波长间的共线性,减少了被选波长的数量。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于串联策略波长选择的包衣吸湿率在线检测方法的流程图;
图2为本发明一实施例提供一个具体实施例的波长选择的结果示意图;
图3为本发明一实施例提供的一具体实施例的实测值与预测值的结果示意图;
图4为本发明一实施例提供的一具体实施例的在线检测结果示意图;
图5为本发明一实施例提供的一种基于串联策略波长选择的包衣吸湿率在线检测系统的结构框图;
图6是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
请参阅图1,其示出了本申请的一种基于串联策略波长选择的包衣吸湿率在线检测方法的流程图。
如图1所示,基于串联策略波长选择的包衣吸湿率在线检测方法具体包括以下步骤:
步骤S101,获取片剂包衣全过程内样品的近红外光谱数据,并计算所述近红外光谱数据上每个波长点与吸湿率的最大信息系数,得到与波长相关联的最大信息系数序列。
在本实施例中,获取片剂包衣全过程内样品的近红外光谱数据后,计算近红外光谱数据上每个波长点与吸湿率的最大信息系数。具体为:
对最大互信息值做归一化处理,使最大互信息值的范围在[0,1]之间,如下所示:
对网格划分可能得到的所有最大互信息值取最大值,作为最大信息系数MIC,如下所示:
步骤S102,根据预设的移动平滑窗对所述最大信息系数序列进行平滑处理,并结合预设的PLSR模型选择出连续的光谱区间。
在本实施例中,采用不同窗口大小的移动平滑窗对各个波长的最大信息系数做平滑处理,其中,移动平滑窗的窗口大小间隔为10;设置波长选择阈值,并判断各个波长的所述最大信息系数是否小于波长选择阈值;若第i个波长的最大信息系数不小于波长选择阈值,则选择第i个波长,否则,将第i个波长剔除;将被选中波长作为光谱特征,采用k折交叉验证的方式构建PLSR模型,以交叉均方根RMSECV作为评价指标;经SPA算法处理,得到波长选择的结果,使构成连续的光谱区间。
需要说明的是,采用不同窗口大小的移动平滑窗对各个波长的最大信息系数序列做平滑处理,具体为:将移动平滑窗的窗口大小设置为2×w+1,其中w为正整数;在最大信息系数序列的头部和尾部插入w个0,得到更新后的最大信息系数序列Dnew,其中更新后的最大信息系数序列Dnew在位置i+w对应最大信息系数序列的位置i上,i=1,2,...;从i=w到Dnew的最后一列进行遍历,计算新数据Dnew在窗口(i-w, i+w)内的数据集合的四分位数,得到数据集合四分之一处的值Q1与 数据集合四分之三处的值Q3,并取Q1与Q3的平均值作为最大信息系数序列在i-w上的平滑结果。
本实施例的方法采用四分位数将数据设置在更具代表性的范围内(Q1~Q3),降低了当窗口内出现了一定数量的异常点(又称离群点,即明显偏离群体的样本),均值受到异常点影响的现象发生,使得平滑处理的结果更加精确。
步骤S103,根据连续投影法对所述光谱区间中的波长进行提取,得到目标波长,并基于所述目标波长构建MLP定量模型。
步骤S104,基于所述MLP定量模型对不同时间段待测样品的吸湿率进行检测。
综上,本申请的方法以用最大信息系数作为变量重要性指标,并将所得最大信息系数序列经平滑处理,实现对波长区间的选择,从而能够筛选出质量高、维度低的变量子集,并由SPA算法进一步减少波长间的共线性,减少了被选波长的数量。
实施例二
在一个具体实施例中,基于串联策略波长选择的包衣吸湿率在线检测方法包括:
首先,将最大信息系数作为波长重要性指标。该值越大,所对应波长越重要,越可能被选中;然后,采用移动平滑窗对所得最大信息系数序列做平滑处理,减少相邻波长间的显著变化,实现波长区间的选择;最后,采用SPA减少波长间的共线性,进一步减少波长数量。具体为:
1.材料
片芯是维C银翘片,包衣材料是胃溶型薄膜包衣预混剂。近红外光谱仪是配备了IN268接触探头的Matrix-F NIR光谱仪;BG-3包衣锅;Shimadzu AUW220D电子天平。
2.方法
2.1 包衣过程与取样方法
包衣锅上配有取样口和特殊的球形孔塞,该球形孔塞为光谱仪提供了一个适当的位置,用于防止光谱探头受喷枪和锅桨的影响,采样则是通过取样口人工取样,取样时间间隔为10 min,每次取出约30片,用于片剂包衣吸湿率的测定。
通过在线近红外光谱采集了三个独立批次(A,B,C)的样品光谱,包衣的过程参数雾化压力为1.5 MPa,其他见表1。由于包衣过程参数不同,最终包衣时长也有所不同。A、B、C三个批次的包衣时长分别110 min、120 min、160 min。
2.2 在线近红外光谱采集
近红外探头以漫反射的形式连续采集包衣过程的NIR光谱。光谱仪探头表面包裹不锈钢,与片剂接触处配备蓝宝石窗,具有无磨损、耐腐蚀的优点。探头直径为12 mm,光斑尺寸为3 mm,最大浸入深度为300 mm。在光谱采集过程中,探头浸入包衣锅中,并与片剂完全接触。所有光谱均在4000-12000区域采集,分辨率为16/>,经8次扫描后取平均值,采样时间为7 s。
2.3 吸湿率测量
片剂吸湿率指的是在一定的温度、湿度条件下片剂吸收水分的能力。若片剂吸湿率越大,表明其防潮能力越差。本申请对整个包衣过程进行取样和吸湿率测量,采样间隔为10 min,使用分辨率0.1 mg的天平(Shimadzu AUW220D, Kyoto, Japan)对片剂进行称重。根据《中国药典》(2020版)第四部分通则9103《药物吸湿性试验指导原则》测定吸湿率,吸湿率(Moisture absorption,MA)的表达式如下:
2.4 数据分析与处理工具
光谱预处理采用The Unscrambler X 10.4(CAMO Software AS, Norway),波长选择算法与建模由MATLAB R2018a((Mathworks, Inc., USA)实现,图形由Origin 2021(OriginLab,USA)、Matlab绘制。
2.5 基于移动平滑窗最大信息系数与SPA的波长选择方法
本方法可分为两个步骤:(1)挑选出重要的波长区间。首先,采用最大信息系数作为波长重要性指标。然后,通过移动平滑处理减少邻波长间MIC值的显著变化,更有利于波长区间选择;(2)减少波长间的冗余性。采用SPA算法实现,可减少波长间的共线性。计算近红外光谱数据上每个波长点与吸湿率的最大信息系数的过程为:给定某一有限有序数据集,将X轴划分为x个格子,Y轴划分为y个格子,得到一个x×y的网格G;将某一有限有序数据集D中的变量值落入网格G中得到相应的概率分布/>;通过改变网格划分位置,将得到不同互信息值,取最大互信息值/>,其中最大互信息值如下所示:
,式中,/>为归一化后的最大互信息值,为x与y两者的最小值;对网格划分可能得到的所有最大互信息值取最大值,作为最大信息系数MIC,如下所示:/>,式中,n是有限有序数据集D中元素的数量,/>代表网格划分的上限值,a=0.6。
在得到最大信息系数后,采用移动窗口平滑(Move Window Smooth,MWS)处理,选择出重要的波长区间,具体过程如下:(1)采用不同窗口大小(ww,Window width)的MWS对最大信息系数序列做平滑处理,其中ww=1(不平滑),11,21,31,41,51(间隔为10);(3)设置波长选择阈值MIC_threshold设为=0,0.1,0.2,...,最大信息系数的最大值(间隔为0.1);(2)若第i个波长的最大信息系数≥ MIC_threshold,则该波长被选中;否则,该波长被剔除;(3)将被选中波长作为光谱特征,采用k折交叉验证(k=5)的方式构建PLSR模型,以交叉均方根RMSECV作为评价指标,该值越小,表明波长选择结果越好。(4)经SPA算法处理,得到波长选择的结果。
2.6 定量模型
偏最小二乘法(Partial Least Squares,PLSR)是一种常用的定量模型,能够在变量数多于样本数和自变量间多重相关性的条件下建模,因而在近红外光谱分析得到广泛应用。多元线性回归(Multiple Linear Regression,MLP)是一种采用最小二乘法构建多个自变量与因变量间的线性关系,实现回归计算,其优点是简单、直观、良好的统计特性,比PLSR更易于解释。因此,对未经SPA处理的数据采用PLSR建模,对经SPA处理后的数据采用MLP建模。
2.7 模型参数评价
3.结果
3.1 数据集划分
将取样得到的42个样品采用Kennard-Stone(KS)方法,按3:1的比例划分为校正集(31个)和测试集(11个)。其中,校正集用于波长选择与模型建立,测试集用于模型性能评价。具体见表2。
3.2 光谱预处理
采用一阶导数法对光谱进行预处理,消除背景噪声与常数频域对光谱的影响,使得光谱具有更好的连续性。
3.3 波长选择结果
计算光谱上每个波长点与吸湿率的最大信息系数,并由不同大小窗口的MWS对其进行处理。其中,当窗口大小ww=1时,不对数据做平滑处理。然后,设置不同MIC值的阈值MIC_threshold。若MIC ≥ MIC_threshold时,对应的波长被选择;否则,被剔除。通过PLSR计算k折交叉验证结果RMSECV,确定最优的MIC_threshold(RMSECV最小)
在确定最佳MIC_threshold后,对不同窗口大小MWS建立PLSR模型(MIC-MWS-PLSR),用于确定最优的平滑窗口大小,结果见表3。由测试集结果可知,在窗口大小ww=41与51,MIC_threshold=0.5时,最大且RMSEP最小,两者的性能相当。
随后,对上述波长选择结果进行SPA处理,结果如图2所示。在图2中,阴影部分是经平滑处理后的MIC波长选择结果,其波长能保持较好连续性;然后,经SPA处理后,波长选择结果由点表示,其波长的数量由428减少到15,原始数据的1.45%。
3.4 各模型性能的结果
为体现本方法的优势,本申请将常用波长选择方法作为对比。考虑一些算法未消除变量间的共线性,因而采用PLSR建立模型,而对包含SPA的波长则选择采用多元线性回归建立模型。不同波长选择算法下,各模型性能结果见表4。结果显示:(1)经波长选择后的模型均优于全光谱模型。(2)基于MIC方法的性能均优于IRIV、SPA、CARS法,表明MIC是一种衡量光谱波长重要性的有效指标;(3)相比于MIC-PLSR,MIC-SPA-MLP的性能更优,这说明SPA算法不仅能减少变量数量,还有利于提高模型性能。(4)相比于未经平滑处理的MIC-SPA-MLP结果,本方法(MIC-MWS-SPA-MLP)更优。这表明,波长区间选择优于波长点选择。(5)本方法在测试集的最大且RMSEP最小,其模型预测性能优于其他方法。另外,图3中显示了本方法在实测值与预测值的关系,可以看出在校正集与测试集上两者吻合程度高,因而模型可准确、稳定地预测包衣吸湿率。(6)本方法得到了变量数较少的情况下,仍能得到较好的预测结果,表明本申请提出的波长选择方法是有效性,对模型的简化与可读性具有重要意义。
3.5 包衣过程的片剂包衣吸湿率检测
在建模过程中,仅使用了部分时刻的光谱数据,为验证本方法的有效性,将3个批次包衣过程的在线近红外光谱数据作为输入,利用本方法来预测在整个包衣过程中片剂包衣的吸湿率,结果如图4所示。包衣吸湿率的预测值与实测值能较好地重叠,其变化趋势一致,这说明本方法可以实现片剂包衣吸湿率的准确预测。
另外,在包衣过程早期的吸湿率变化范围要大于后期。这主要是因为,随着包衣过程进行,部分片剂表面开始形成衣膜,片间差异较大;随后,进入包衣中后期,片剂表面衣膜变得均匀,片间差异将有所减小。因此,本方法不仅可得到包衣质量指标,还可从结果上反映片剂差异。据此,将其应用于包衣的终点判断应是可行的。
4.讨论
本申请提出了一种基于串联策略波长选择的包衣吸湿率在线检测方法。具体过程如下:首先,以用最大信息系数作为变量重要性指标;然后,将所得MIC值经MWS处理,实现对波长区间的选择;最后,由SPA算法进一步减少波长间的共线性,进一步减少被选波长的数量。结果显示,本研究方法优于Full-PLSR、IRIV-PLSR、CARS-PLSR、SPA-MLP以及串联策略下的IRIV-SPA-MLP、CARS-SPA-MLP等传统方法。这表明最大信息系数在描述波长与目标参数(吸湿率)的关联程度上具有一定优势。进一步比较了不经平滑处理方法(MIC-PLSR与MIC-SPA-MLP)、不经SPA处理(MIC-MA-PLSR)与MIC-MA-SPA-MLP的性能发现,MIC-MA-SPA-MLP得到了最优的预测结果(=0.9855,RMSEP=0.0925%)且变量数较少。因此,本方法结合了最大信息系数、移动平滑窗与连续投影法的优势,是一种有效的光谱选择方法。
另外,采用本方法对3个批次包衣过程的片剂包衣吸湿率进行预测,考察近红外光谱在片剂包衣吸湿率在线检测的可行性。结果显示,对不同包衣过程参数的包衣过程仍能准确地描述包衣吸湿率的变化,所得预测值与实测值变化趋势相同且吻合度较高,因而将近红外光谱与本方法相结合可用于片剂包衣吸湿率的在线检测。此外,在线检测结果不仅可实时预测包衣吸湿率,还可描述吸湿率在短时间内的变化,同时反映包衣质量与片间差异。因此,将本方法用于包衣的过程分析与终点判断也是可行的。
实施例三
请参阅图5,其示出了本申请的一种基于串联策略波长选择的包衣吸湿率在线检测系统的结构框图。
如图5所示,包衣吸湿率在线检测系统200,包括计算模块210、处理模块220、提取模块230以及检测模块240。
其中,计算模块210,配置为获取片剂包衣全过程内样品的近红外光谱数据,并计算所述近红外光谱数据上每个波长点与吸湿率的最大信息系数,得到与波长相关联的最大信息系数序列;处理模块220,配置为根据预设的移动平滑窗对所述最大信息系数序列进行平滑处理,并结合预设的PLSR模型选择出连续的光谱区间;提取模块230,配置为根据连续投影法对所述光谱区间中的波长进行提取,得到目标波长,并基于所述目标波长构建MLP定量模型;检测模块240,配置为基于所述MLP定量模型对不同时间段待测样品的吸湿率进行检测。
应当理解,图5中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征以及相应的技术效果同样适用于图5中的诸模块,在此不再赘述。
实施例四
在另一些实施例中,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行上述任意方法实施例中的基于串联策略波长选择的包衣吸湿率在线检测方法;
作为一种实施方式,本发明的计算机可读存储介质存储有计算机可执行指令,计算机可执行指令设置为:
获取片剂包衣全过程内样品的近红外光谱数据,并计算所述近红外光谱数据上每个波长点与吸湿率的最大信息系数,得到与波长相关联的最大信息系数序列;
根据预设的移动平滑窗对所述最大信息系数序列进行平滑处理,并结合预设的PLSR模型选择出连续的光谱区间;
根据连续投影法对所述光谱区间中的波长进行提取,得到目标波长,并基于所述目标波长构建MLP定量模型;
基于所述MLP定量模型对不同时间段待测样品的吸湿率进行检测。
计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据基于串联策略波长选择的包衣吸湿率在线检测系统的使用所创建的数据等。此外,计算机可读存储介质可以包括高速随机存取存储器,还可以包括存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至基于串联策略波长选择的包衣吸湿率在线检测系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图6是本发明实施例提供的电子设备的结构示意图,如图6所示,该设备包括:一个处理器310以及存储器320。电子设备还可以包括:输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接,图6中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例基于串联策略波长选择的包衣吸湿率在线检测方法。输入装置330可接收输入的数字或字符信息,以及产生与基于串联策略波长选择的包衣吸湿率在线检测系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
作为一种实施方式,上述电子设备应用于基于串联策略波长选择的包衣吸湿率在线检测系统中,用于客户端,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
获取片剂包衣全过程内样品的近红外光谱数据,并计算所述近红外光谱数据上每个波长点与吸湿率的最大信息系数,得到与波长相关联的最大信息系数序列;
根据预设的移动平滑窗对所述最大信息系数序列进行平滑处理,并结合预设的PLSR模型选择出连续的光谱区间;
根据连续投影法对所述光谱区间中的波长进行提取,得到目标波长,并基于所述目标波长构建MLP定量模型;
基于所述MLP定量模型对不同时间段待测样品的吸湿率进行检测。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于串联策略波长选择的包衣吸湿率在线检测方法,其特征在于,包括:
获取片剂包衣全过程内样品的近红外光谱数据,并计算所述近红外光谱数据上每个波长点与吸湿率的最大信息系数,得到与波长相关联的最大信息系数序列;
根据预设的移动平滑窗对所述最大信息系数序列进行平滑处理,并结合预设的PLSR模型选择出连续的光谱区间;
根据连续投影法对所述光谱区间中的波长进行提取,得到目标波长,并基于所述目标波长构建MLP定量模型;
基于所述MLP定量模型对不同时间段待测样品的吸湿率进行检测;
其中,所述根据预设的移动平滑窗对所述最大信息系数序列进行平滑处理,并结合预设的PLSR模型选择出连续的光谱区间,包括:
采用不同窗口大小的移动平滑窗对各个波长的最大信息系数序列做平滑处理,其中,移动平滑窗的窗口大小间隔为10;
设置波长选择阈值,并判断各个波长的所述最大信息系数是否小于波长选择阈值;
若第i个波长的最大信息系数不小于波长选择阈值,则选择第i个波长,否则,将第i个波长剔除;
将被选中波长作为光谱特征,采用k折交叉验证的方式构建PLSR模型,以交叉均方根误差RMSECV作为评价指标;
经SPA算法处理,得到波长选择的结果,使构成连续的光谱区间;
所述采用不同窗口大小的移动平滑窗对各个波长的最大信息系数序列做平滑处理,包括:
将移动平滑窗的窗口大小设置为2×w+1,其中w为正整数;
在所述最大信息系数序列的头部和尾部插入w个0,得到更新后的最大信息系数序列Dnew,其中更新后的最大信息系数序列Dnew在位置i+w对应所述最大信息系数序列的位置i上,i=1,2,...;
从i=w到Dnew的最后一列进行遍历,计算新数据Dnew在窗口(i-w, i+w)内的数据集合的四分位数,得到数据集合四分之一处的值Q1与 数据集合四分之三处的值Q3,并取Q1与Q3的平均值作为最大信息系数序列在i-w上的平滑结果。
2.根据权利要求1所述的一种基于串联策略波长选择的包衣吸湿率在线检测方法,其特征在于,所述计算所述近红外光谱数据上每个波长点与吸湿率的最大信息系数,包括:
通过改变网格划分位置,将得到不同互信息值,取最大互信息值,其中最大互信息值为:
对最大互信息值做归一化处理,使最大互信息值的范围在[0,1]之间,如下所示:
对网格划分可能得到的所有最大互信息值取最大值,作为最大信息系数MIC,如下所示:
4.一种基于串联策略波长选择的包衣吸湿率在线检测系统,其特征在于,包括:
计算模块,配置为获取片剂包衣全过程内样品的近红外光谱数据,并计算所述近红外光谱数据上每个波长点与吸湿率的最大信息系数,得到与波长相关联的最大信息系数序列;
处理模块,配置为根据预设的移动平滑窗对所述最大信息系数序列进行平滑处理,并结合预设的PLSR模型选择出连续的光谱区间;
提取模块,配置为根据连续投影法对所述光谱区间中的波长进行提取,得到目标波长,并基于所述目标波长构建MLP定量模型;
检测模块,配置为基于所述MLP定量模型对不同时间段待测样品的吸湿率进行检测;
其中,所述根据预设的移动平滑窗对所述最大信息系数序列进行平滑处理,并结合预设的PLSR模型选择出连续的光谱区间,包括:
采用不同窗口大小的移动平滑窗对各个波长的最大信息系数序列做平滑处理,其中,移动平滑窗的窗口大小间隔为10;
设置波长选择阈值,并判断各个波长的所述最大信息系数是否小于波长选择阈值;
若第i个波长的最大信息系数不小于波长选择阈值,则选择第i个波长,否则,将第i个波长剔除;
将被选中波长作为光谱特征,采用k折交叉验证的方式构建PLSR模型,以交叉均方根误差RMSECV作为评价指标;
经SPA算法处理,得到波长选择的结果,使构成连续的光谱区间;
所述采用不同窗口大小的移动平滑窗对各个波长的最大信息系数序列做平滑处理,包括:
将移动平滑窗的窗口大小设置为2×w+1,其中w为正整数;
在所述最大信息系数序列的头部和尾部插入w个0,得到更新后的最大信息系数序列Dnew,其中更新后的最大信息系数序列Dnew在位置i+w对应所述最大信息系数序列的位置i上,i=1,2,...;
从i=w到Dnew的最后一列进行遍历,计算新数据Dnew在窗口(i-w, i+w)内的数据集合的四分位数,得到数据集合四分之一处的值Q1与 数据集合四分之三处的值Q3,并取Q1与Q3的平均值作为最大信息系数序列在i-w上的平滑结果。
5.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至3任一项所述的基于串联策略波长选择的包衣吸湿率在线检测方法。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至3任一项所述的基于串联策略波长选择的包衣吸湿率在线检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310309578.4A CN116026780B (zh) | 2023-03-28 | 2023-03-28 | 基于串联策略波长选择的包衣吸湿率在线检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310309578.4A CN116026780B (zh) | 2023-03-28 | 2023-03-28 | 基于串联策略波长选择的包衣吸湿率在线检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116026780A CN116026780A (zh) | 2023-04-28 |
CN116026780B true CN116026780B (zh) | 2023-07-14 |
Family
ID=86079847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310309578.4A Active CN116026780B (zh) | 2023-03-28 | 2023-03-28 | 基于串联策略波长选择的包衣吸湿率在线检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116026780B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116202991B (zh) * | 2023-05-05 | 2023-08-15 | 江西中医药大学 | 一种片剂包衣吸湿率在线检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2014034668A1 (ja) * | 2012-08-31 | 2016-08-08 | 築野食品工業株式会社 | 近赤外光分光法を用いたγ−オリザノールの定量方法 |
CN106596456A (zh) * | 2016-04-01 | 2017-04-26 | 南京理工大学 | 基于可变移动窗口选择溶液近红外光谱谱区的方法 |
CN110726694A (zh) * | 2019-10-22 | 2020-01-24 | 常州大学 | 光谱变量梯度集成遗传算法的特征波长选择方法和系统 |
CN114088660A (zh) * | 2021-11-10 | 2022-02-25 | 国网安徽省电力有限公司电力科学研究院 | 一种基于稳健波长筛选的绝缘纸含水量评估方法 |
CN114166764A (zh) * | 2021-11-09 | 2022-03-11 | 中国农业科学院农产品加工研究所 | 基于特征波长筛选的光谱特征模型的构建方法及装置 |
CN114878512A (zh) * | 2022-06-10 | 2022-08-09 | 宜宾五粮液股份有限公司 | 一种基于中值矩阵系数的近红外光谱数据修正方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5955156B2 (ja) * | 2012-08-10 | 2016-07-20 | ナミックス株式会社 | 樹脂組成物、ならびに、それによる接着フィルムおよびカバーレイフィルム |
CN104050242B (zh) * | 2014-05-27 | 2018-03-27 | 哈尔滨理工大学 | 基于最大信息系数的特征选择、分类方法及其装置 |
CN111947903B (zh) * | 2020-07-08 | 2022-11-22 | 中核武汉核电运行技术股份有限公司 | 振动异常定位方法及装置 |
CN111855608B (zh) * | 2020-07-29 | 2023-04-07 | 中国科学院合肥物质科学研究院 | 基于融合特征波长选择算法的苹果酸度近红外无损检测方法 |
CN112634113B (zh) * | 2020-12-22 | 2023-09-26 | 山西大学 | 一种基于动态滑窗的污染废气关联分析方法 |
CN113434823B (zh) * | 2021-08-26 | 2021-11-16 | 企查查科技有限公司 | 数据采集任务异常预警方法、装置、计算机设备和介质 |
CN113888442A (zh) * | 2021-10-20 | 2022-01-04 | 上海热芯视觉科技有限公司 | 基于fpga的红外图像非均匀性校正方法及系统 |
CN114942233A (zh) * | 2022-04-29 | 2022-08-26 | 黑龙江八一农垦大学 | 近红外光谱特征波长选择方法、装置、设备和存储介质 |
CN115031643B (zh) * | 2022-05-19 | 2024-03-08 | 山东大学 | 流化床包衣过程中包衣膜厚度在线测量方法及系统 |
CN115824996A (zh) * | 2022-12-20 | 2023-03-21 | 陕西中烟工业有限责任公司 | 基于近红外光谱的烟叶常规化学成分通用模型建模方法 |
-
2023
- 2023-03-28 CN CN202310309578.4A patent/CN116026780B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2014034668A1 (ja) * | 2012-08-31 | 2016-08-08 | 築野食品工業株式会社 | 近赤外光分光法を用いたγ−オリザノールの定量方法 |
CN106596456A (zh) * | 2016-04-01 | 2017-04-26 | 南京理工大学 | 基于可变移动窗口选择溶液近红外光谱谱区的方法 |
CN110726694A (zh) * | 2019-10-22 | 2020-01-24 | 常州大学 | 光谱变量梯度集成遗传算法的特征波长选择方法和系统 |
CN114166764A (zh) * | 2021-11-09 | 2022-03-11 | 中国农业科学院农产品加工研究所 | 基于特征波长筛选的光谱特征模型的构建方法及装置 |
CN114088660A (zh) * | 2021-11-10 | 2022-02-25 | 国网安徽省电力有限公司电力科学研究院 | 一种基于稳健波长筛选的绝缘纸含水量评估方法 |
CN114878512A (zh) * | 2022-06-10 | 2022-08-09 | 宜宾五粮液股份有限公司 | 一种基于中值矩阵系数的近红外光谱数据修正方法 |
Non-Patent Citations (4)
Title |
---|
Detection of pears with moldy core using online full-transmittance spectroscopy combined with supervised classifir comparison and variable optimization;Qian Zhang et al.;Computers and Electronics in Agriculture;第200卷;1-11 * |
光谱特征波长的SPA选取和基于SVM的玉米颗粒霉变程度定性判别;袁莹;王伟;褚璇;喜明杰;;光谱学与光谱分析(第01期);226-230 * |
牛肉品质高光谱检测技术研究;宋凯;汪明辉;;沈阳理工大学学报(第02期);5-11 * |
近 红 外 光 谱在片剂包衣终点判别与过程分析的研究;陶青等;中国中药杂志;第45卷(第19期);4625-4632 * |
Also Published As
Publication number | Publication date |
---|---|
CN116026780A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Nondestructive measurement of soluble solids content in apple using near infrared hyperspectral imaging coupled with wavelength selection algorithm | |
Fan et al. | Prediction of soluble solids content of apple using the combination of spectra and textural features of hyperspectral reflectance imaging data | |
Wei et al. | Modeling for SSC and firmness detection of persimmon based on NIR hyperspectral imaging by sample partitioning and variables selection | |
Li et al. | Application of long-wave near infrared hyperspectral imaging for measurement of soluble solid content (SSC) in pear | |
Bai et al. | Accurate prediction of soluble solid content of apples from multiple geographical regions by combining deep learning with spectral fingerprint features | |
Ye et al. | Non-destructive prediction of protein content in wheat using NIRS | |
Sun et al. | Detection of internal qualities of hami melons using hyperspectral imaging technology based on variable selection algorithms | |
CN110455722A (zh) | 橡胶树叶片磷含量高光谱反演方法和系统 | |
CN111968080A (zh) | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 | |
CN116026780B (zh) | 基于串联策略波长选择的包衣吸湿率在线检测方法及系统 | |
CN108956545B (zh) | 一种水果内部品质无损检测模型建立方法及系统 | |
CN104990895B (zh) | 一种基于局部区域的近红外光谱信号标准正态校正方法 | |
Liang et al. | Determination and visualization of different levels of deoxynivalenol in bulk wheat kernels by hyperspectral imaging | |
Li et al. | Wavelength selection method for near-infrared spectroscopy based on standard-sample calibration transfer of mango and apple | |
Jiang et al. | Qualitative and quantitative analysis in solid-state fermentation of protein feed by FT-NIR spectroscopy integrated with multivariate data analysis | |
Yun et al. | Identification of tea based on CARS‐SWR variable optimization of visible/near‐infrared spectrum | |
Yu et al. | Rapid and visual measurement of fat content in peanuts by using the hyperspectral imaging technique with chemometrics | |
Sheng et al. | Data fusion strategy for rapid prediction of moisture content during drying of black tea based on micro-NIR spectroscopy and machine vision | |
Zhang et al. | Uninformative Biological Variability Elimination in Apple Soluble Solids Content Inspection by Using Fourier Transform Near‐Infrared Spectroscopy Combined with Multivariate Analysis and Wavelength Selection Algorithm | |
CN108120694B (zh) | 用于晒红烟化学成分分析的多元校正方法及系统 | |
Liu et al. | Detection of Apple Taste Information Using Model Based on Hyperspectral Imaging and Electronic Tongue Data. | |
Gao et al. | Comparative analysis of non-destructive prediction model of soluble solids content for malus micromalus makino based on near-infrared spectroscopy | |
CN114062306B (zh) | 一种近红外光谱数据分段预处理方法 | |
CN114166764A (zh) | 基于特征波长筛选的光谱特征模型的构建方法及装置 | |
Hao et al. | Application of effective wavelength selection methods to determine total acidity of navel orange |
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 |