CN116609319B - 一种libs光谱元素识别用元素种类预筛选方法及设备 - Google Patents
一种libs光谱元素识别用元素种类预筛选方法及设备 Download PDFInfo
- Publication number
- CN116609319B CN116609319B CN202310679331.1A CN202310679331A CN116609319B CN 116609319 B CN116609319 B CN 116609319B CN 202310679331 A CN202310679331 A CN 202310679331A CN 116609319 B CN116609319 B CN 116609319B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- sample
- libs
- vector
- screening
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 134
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 title claims abstract description 99
- 238000012216 screening Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000013598 vector Substances 0.000 claims abstract description 119
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims description 35
- 238000003860 storage Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 239000011573 trace mineral Substances 0.000 claims description 2
- 235000013619 trace mineral Nutrition 0.000 claims description 2
- 229910052761 rare earth metal Inorganic materials 0.000 description 27
- 150000002910 rare earth metals Chemical class 0.000 description 26
- 238000012545 processing Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 238000003491 array Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 150000001793 charged compounds Chemical class 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000001636 atomic emission spectroscopy Methods 0.000 description 1
- 238000001675 atomic spectrum Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 238000000921 elemental analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000000608 laser ablation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01N21/73—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited using plasma burners or torches
Landscapes
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Plasma & Fusion (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (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
本发明提供了一种LIBS光谱元素识别用元素种类预筛选方法及设备，方法包括：从NIST数据库中获取主要元素的LIBS标准光谱数据并提取该标准光谱数据的相关信息；获得不同光谱波长间隔下的光谱峰位个数，以此基于向量空间模型VSM，构建NIST标准光谱的空间向量数据库；通过装置获取待测样品的LIBS光谱，提取样品LIBS光谱的相关信息；使用同样方法建立待测样品的LIBS光谱空间向量；对两种光谱空间向量进行空间向量余弦运算，通过运算值得高低比较，作为元素种类筛选结果。本发明可自动对所研究的样品元素组成进行预筛选，为后期的元素识别缩小分析范围，便于对未知样品的元素种类进行实时、快速、准确地分析与识别。
Description
技术领域
本发明属于光谱元素分析识别技术领域，尤其涉及一种LIBS光谱元素识别用元素种类预筛选方法及设备。
背景技术
激光诱导击穿光谱(LIBS)作为一种基于激光烧蚀采样的原子发射光谱技术，它可以对各种物质进行定性和定量的元素分析，无论它们处于固体、液体、气体还是胶体状态。该技术通过高功率激光聚焦在待分析样品上，收集并分析样品中存在的特征元素的光谱特征以提取必要的信息。由于LIBS技术具有几乎不需要样品制备，样品损失极小，且可以实现实时分析、快速响应、微侵入、原位和远距离检测等独特优点，所以使用LIBS技术快速检测和分析元素种类更具优势。
激光等离子体的光谱通过每种元素的特定发射谱线和与成分含量成比例的谱线强度来承载关于样品中特定成分存在的信息。一般来说，LIBS的元素识别往往是将光谱数据输入谱线识别软件，通过波长与标准光谱数据库的比对，完成谱线的识别和对应元素的归属。但是，这样的操作将不可避免地带来识别上的困难，具体表现为：(1)单谱峰的多元素归属。标准光谱数据库包含了所有元素的谱线数据，识别结果往往表现为一个峰位对应多个元素成分，很难给出明确的元素识别结论；(2)识别准确率依赖人工经验。为了提高元素识别的准确性，元素种类人工预判或软件识别后的人工筛查，是实现LIBS元素准确归属的主要途径，但这需要操作人员对LIBS光谱特征峰足够的熟悉，具备一定的LIBS定性分析经验；(3)光谱波长准确性要求较高。光谱探测结果的波长准确性将直接影响元素的识别成功率，尽管在识别算法中可以调整波长漂移大小，但波长漂移较大时，易产生单光谱峰位对应多种元素情况，而波长漂移较小时，很难以完成真实元素归属。
现阶段，LIBS元素自动识别方法主要为两种类型：波长最近邻法、模拟光谱比较法。“波长最近邻法”是基于标准原子光谱数据库，通过实测光谱峰位与标准光谱峰位比对，波长差小于一定数值后，确定为光谱峰对应的元素。“模拟光谱比较法”是基于标准数据库峰位与强度，结合不同的线型拟合函数进行LIBS光谱模拟，模拟结果与实测结果达到匹配后，从而确定出对应的元素。但在实际的使用中，由于仪器本身的原因，波长漂移往往不可避免，故“波长最近邻法”的准确性往往存在偏差。而在使用模拟光谱比较法时，需要预知等离子体温度和电子密度，还需要谨慎选择拟合光谱的函数，故模拟拟合难度较高。目前现有技术中缺乏一种对未知元素样品进行元素种类预筛选的方法，以提高后续分析的准确率。
发明内容
针对上述问题，本发明的目的在于提出一种不受波长漂移影响、可实现元素种类预筛的“相关性分析”方法，弥补现有技术的不足，将向量空间模型引入LIBS光谱的元素识别，从而对未知元素样品进行元素种类预筛选，提高后续分析的准确率。
本发明第一方面提供了一种LIBS光谱元素识别用元素种类预筛选方法，包括以下步骤：
步骤1，从NIST数据库中获取元素的LIBS标准光谱数据，从中获取不同元素的LIBS光谱峰位与波长信息；
步骤2，将向量空间模型VSM引入LIBS标准光谱数据的信息提取，在所选择的波长间隔下，获得不同波长范围的LIBS标准光谱的谱峰个数，以这些谱峰的个数作为空间向量，建立NIST元素空间向量数据库；
步骤3，获取待测样品的LIBS光谱，提取待测样品的光谱信息；所述待测样品的LIBS光谱通过激光诱导击穿光谱装置获得；
步骤4，根据步骤2中定义的波长间隔，获得待测样品LIBS光谱的空间向量，与NIST元素空间向量数据库中各空间向量的维数保持一致；
步骤5，将待测样品光谱的空间向量，与NIST元素向量数据库中各空间向量，进行向量的余弦运算，获得运算结果，并以此结果作为样品是否包含某元素的判断依据，完成对待测样品的元素种类的预筛选。
优选的，还包括如下过程：对未知样品LIBS光谱相等的各个波段范围内的谱峰个数进行检测，当未知样品LIBS光谱的某一波段内谱峰的个数超过特定值时，会将该波段再次细分，按照细分之后波段内谱峰的个数重新构建NIST元素空间向量数据库与未知样品的光谱空间向量。
优选的，所述步骤2中在所覆盖的光谱范围为0-1000nm下时，对某元素选择的波长间隔为50nm，得到20个光谱间隔，每一个波长间隔下的谱峰个数为Ni，其中，i的取值为整数1到20，以N1到N20构建出向量，形成某元素LIBS标准光谱数据下的空间向量，多个元素的空间向量集合，构建出NIST元素空间向量数据库。
优选的，为了防止以50nm为波长间隔建立光谱特征向量时，某一段波长间隔内的特征峰数量过多导致结果不准确，定义波长二次细分准则，使LIBS光谱的特征向量每波段间隔内的特征峰更加均匀；根据待测光谱的空间向量(1*20)中每一维的数对这个范围的波长间隔按照进行二次细分：
其中，xi为维度为i时，特征峰的个数；d为对该维度波段重新寻峰的波长间隔。
优选的，所述步骤3中提取待测样品的特征峰波长信息时使用matlab软件中的findpeaks函数以及3sigma准则对待测样品进行信息筛选,选择LIBS光谱中峰值最高的特征峰，取该峰峰值的1/e大小为sigma，小于3倍sigma准则的峰值视为噪声，其中e为数学常数。
优选的，所述步骤5的具体过程为：
将待测样品特征峰向量vs与NIST标准元素特征峰向量数据库中各元素特征峰向量v进行空间向量余弦运算，运算公式为：
cos(vs v)＝<vs v>/│vs││v│
其中<vs v>为两向量的卷积，获得待测样品特征峰向量与NIST标准元素特征峰向量的余弦值，该余弦值代表了待测样品特征峰向量在向量空间与数据库中各标准元素特征峰向量的相似度，其值越大表示待测样品包含某个标准元素的可能性越大，该值为1时表示样品一定包含该元素，为0时则表示样品一定不包含该元素。
优选的，所述步骤1中从NIST数据库中获取元素的LIBS标准光谱数据，所述元素包括空气中的主要元素、待测样品环境中可能存在的常量元素和微量元素。
本发明第二方面提供了一种一种LIBS光谱元素识别方法，包括以下过程：
获取待测样品；
使用如第一方面所述的LIBS光谱元素识别用元素种类预筛选方法进行元素种类预筛选；
将筛选结果输入商业软件中进行分析识别或者手动按照预筛选结果进行元素匹配。
本发明第三方面还提供了一种LIBS光谱元素识别用元素种类预筛选设备，所述设备包括至少一个处理器和至少一个存储器，所述处理器和存储器相耦合；所述存储器中存储有如第一方面所述的LIBS光谱元素识别用元素种类预筛选方法的计算机执行程序；所述处理器执行存储器中存储的计算机执行程序时，可以使处理器执行待测样品的元素种类预筛选。
本发明第四方面还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有如第一方面所述的LIBS光谱元素识别用元素种类预筛选方法的计算机程序或指令，所述程序或指令被处理器执行时可以使处理器执行待测样品的元素种类预筛选。
与现有技术相比，本发明可以在没有分析人员协助的情况下，自动对所研究的样品元素组成，进行元素种类的预判，形成元素的预筛选结果，为后期的元素识别缩小分析范围。并且对光谱数据进行元素识别时，不需要对光谱进行任何平滑、去基线、选取特定波段等预处理，使用样品的原始光谱数据进行元素识别，计算速度快。计算空间下相似度时，使用两个一维数组进行向量运算，运算速度快，易于实施。并可以根据不同未知样品的不同需求，对元素的标准光谱数据库进行筛选，同时只需要一次计算，就可以直接获得样品可能存在的元素种类信息，便于对未知样品的元素种类进行实时，快速，准确地分析与识别。
通过定义波长选择准则与波长二次细分准则，可以实时地根据不同光谱的不同特征选择合适的波长间隔进行波长区间内特征峰的筛选。同时，二次细分之后得到的LIBS光谱特征向量也可以进一步保证在计算空间相似度时结果的准确性；
在进行向量运算并获得元素识别结果量时，因最终计算时两向量均为一维向量，故选取空间余弦向量计算公式，可一次性快速计算出两一维向量的相似度，从而进一步判断样品中的元素组成。
附图说明
图1为本发明LIBS光谱元素识别用元素种类预筛选方法的算法流程图。
图2为实施例1中NIST标准Ca元素空间向量示意图。
图3为LIBS实验装置示意图。
图4为标准稀土样品RZMS-1的LIBS光谱空间向量示意图。
图5为相似度计算原理图。
图6为商业化软件PLASUS筛选前全波段识别结果示意图。
图7为商业化软件PLASUS筛选后全波段识别结果示意图。
图8为商业化软件PLASUS筛选前部分波段识别结果(300nm-400nm)示意图。
图9为商业化软件PLASUS筛选后部分波段识别结果(300nm-400nm)示意图。
图10为本发明LIBS光谱元素识别用元素种类预筛选设备的结构简易框图。
具体实施方式
实施例1：
本发明的目的在于提出一种不受波长漂移影响、可实现元素种类预筛的“相关性分析”方法，弥补现有技术的不足，将向量空间模型引入LIBS光谱的元素识别，从而对未知元素样品进行元素种类预筛选，提高后续分析的准确率。
本发明将G.Amato等人提出的“空间向量模型”方法引入LIBS光谱的中，通过全谱近似的方法，可以在没有分析人员协助的情况下，自动对所研究的样品的元素进行元素筛选，并可以根据不同未知样品的不同需求，对元素的标准光谱数据库进行筛选，同时只需要一次计算，就可以直接获得样品的元素筛选信息，便于我们对未知样品进行实时、快速、准确地检测与分析。“空间向量模型”最早应用于文献检索，该模型是通过对文献内容进行特征文本提取后，将文献转换到文本向量空间，然后在文本向量空间中通过计算文献的特征文本向量与检索文本的特征文本向量的相似度，实现文献的检索，该方法基于模式识别中模板匹配的最近邻原则，针对光谱数据的特点和模式识别中模板匹配的基本原则，将向量空间模型引入基于样品光谱的元素筛选。在LIBS中，通过获得被测样品光谱数据在经过预处理后固定波长范围内的峰值个数，便将其光谱信息转换到特征向量空间中。再将其与数据库中的模板光谱数据的特征峰向量值进行空间余弦相似度计算之后，就可以得到被测物体与数据库中模板光谱的匹配程度。可以通过此类方法，实现对于LIBS光谱的样品分类，元素筛选与元素识别功能。
首先，通过在NIST数据库中获取元素的光谱数据，并从中提取元素LIBS光谱的特征峰信息，利用向量空间模型的原理，实现元素LIBS光谱到以特征峰信息为代表的向量空间的转换，便需要按照相等波长范围内特征峰的个数，将元素光谱数据转化为标准特征峰向量。利用向量空间模型的原理，完成元素LIBS光谱到以特征峰信息为代表的向量空间的转换，获得元素的特征峰向量，进而构建元素标准特征峰向量数据库；
在测量未知样品的元素组成时，同样利用向量空间模型的原理，通过该样品LIBS光谱相等波长范围内特征峰的个数将该样品光谱数据转化为特征峰向量，完成未知样品光谱到以特征峰信息为代表的特征峰向量空间的转变。在这一过程中，会对未知样品LIBS光谱相等的各个波段范围内的特征峰个数进行检测，当未知样品LIBS光谱的某一波段内特征峰的个数过多时，会将该波段再次细分，按照细分之后波段内特征峰的个数重新构建数据库与未知样品的特征峰向量，最终获得向量形式为v＝[x1,x2,x3,……，xn]，x代表LIBS光谱在该波长间隔内特征峰的个数。最后将该未知样品的特征峰向量与元素标准特征峰向量数据库中每个元素的标准特征峰向量进行空间向量之间的余弦值计算，运算公式为cos(vsv)＝<vs v>/│vs││v│，其中<vs v>为两向量卷积，就可以获得未知样品与数据库中每个元素的相似度，从而完成对于样品光谱的元素种类预筛。
其中，使用商业化软件PLASUS对本发明提出的方法进行结果验证。PLASUS是一款成熟的商业化LIBS光谱元素自动识别软件，可对导入LIBS的光谱数据进行自动寻峰，并在特征峰上标注可能代表的一个或多个元素。但是，该软件在分析时需要进行多个参数设置：可能存在的元素、波长偏差阈值、特征峰位的手动补充和删除、分子离子峰的识别筛选等，而且所获识别结果仍需进一步人工遴选，无法直接给出“谱峰对应唯一元素”的定性分析结果，这就导致软件在使用时存在一定的限制，元素归属表现不尽如人意。基于此，本发明在使用该软件前，先用本专利中提及的方法进行元素筛选，随后将筛选的结果输入该软件中，通过分别比较使用本专利方法前后商业化软件得出的二者结果的准确性，来验证本专利方法的实用性与可行性。
下面以自然资源部第一海洋研究所(青岛)提供的标准稀土样品RZMS-1为例，详细说明本发明的工作流程，可参考图1算法工作流程图。
第一步，根据海洋稀土样品的光谱特征，根据其形成条件与环境因素，分别从NIST数据库中获取主要元素的LIBS标准光谱数据，并从中获取各种元素的LIBS光谱的特征峰信息，具体为分别从NIST数据库中获取空气中主要元素(C，H，O，N，He，Ne，Ar)，海洋中常量元素(O，H，Cl，Na，Mg，S，Ca，K，Br，Ca，Sr，B，F，Si)以及稀土元素(Y，La，Ce，Sc，Pr，Nd，Pm，Sm，Eu，Gd，Tb，Dy，Ho，Er，Tm，Yb，Lu)等元素的LIBS标准光谱数据记录(不一定非得选取这些元素，也可以只选择稀土元素)。通过对这些与稀土样品极具相关性的元素进行计算分析可以准确地判断算法的可行性。
第二步，构建所获取的NIST标准元素的空间向量数据库。将向量空间模型(VSM)的概念引入LIBS光谱的元素识别，选择50nm波长间隔内的峰的个数为空间向量建立NIST标准元素空间向量数据库，处理的光谱范围为0-1000nm，得到N*20的波长光谱模板数据库(N为数据库中元素的个数)。如图2所示，为NIST标准Ca元素空间向量示意图。
其次，为了防止以50nm为波长间隔建立光谱特征向量时，某一段波长间隔内的特征峰数量过多导致结果不准确，故定义波长二次细分准则。根据待测光谱的空间向量(1*20)中每一维的数对这个范围的波长间隔按照进行二次细分：
其中，xi为维度为i时，特征峰的个数；d为对该维度波段重新寻峰的波长间隔。(二次细分为原创方法，但如果光谱特征均匀可以不使用该方法)采用该二次细分准则可以使LIBS光谱的特征向量每波段间隔内的特征峰更加均匀，最终计算的相似度结果更加准确。如此便完成了NIST标准元素空间向量数据库的构建。
第三步，获取海洋稀土样品的LIBS光谱，并提取海洋稀土样品的特征峰波长信息。实验装置示意图如图3所示。实验中采用的激光器为Beamtech公司生产的Dawa 200型号的Nd：YAG脉冲激光器，激光波长1064nm，单脉冲能量200mJ，脉宽8ns。光谱仪为Avantes公司生产的AvaSpec-Mini2048C光谱仪，波长范围200-900nm(实验光路和实验仪器可以更换)。最终获取标准稀土样品RZMS-1的LIBS光谱空间向量如图4所示。使用matlab软件中的findpeaks函数以及3sigma准则对海洋稀土标准样品进行信息筛选，选择LIBS光谱中峰值最高的特征峰，取该峰峰值的1/e大小为sigma，小于3倍sigma准则的峰值视为噪声，其中e为数学常数。
第四步，获取标准稀土样品RZMS-1的LISB光谱空间向量。将向量空间模型(VSM)的概念引入LIBS光谱的元素识别，再按照与第二步相同的方式处理获得的标准稀土样品RZMS-1的LIBS光谱，便获得了标准稀土样品RZMS-1的LISB光谱空间向量，获取的标准稀土样品RZMS-1的LISB光谱空间向量与NIST标准元素空间向量数据库中各元素的空间向量维数相同。
第五步，进行向量运算并获得元素识别结果量。将海洋稀土标准样品特征峰向量vs与NIST标准元素特征峰向量数据库中各元素特征峰向量v进行空间向量余弦运算,运算公式为：
cos(vs v)＝<vs v>/│vs││v│
其中<vs v>为两向量卷积，获得海洋稀土标准样品特征峰向量与NIST标准元素特征峰向量的余弦值，该余弦值代表了海洋稀土标准样品特征峰向量在向量空间与数据库中各标准元素特征峰向量的相似度，其值越大表示海洋稀土标准知样品包含某个标准元素的可能性越大，该值为1时表示样品一定包含该元素，为0时则表示样品一定不包含该元素。计算原理如图5所示。
进行向量运算后即可获得海洋稀土标准样品与标准数据库中各元素的相似度结果，按照从大到小的顺序将二者的相似度结果排序，即可分析该海洋稀土标准样品是否包含某一元素的可能性，完成对海洋稀土标准样品的元素种类筛选，具体如表1所示：
表1算法相似度计算结果
| 序号 | 元素名称 | 余弦值 | 序号 | 元素名称 | 余弦值 |
| 1 | O | 1 | 19 | Ag | 0.707106781 |
| 2 | Na | 1 | 20 | Ca | 0.70643622 |
| 3 | K | 1 | 21 | H | 0.67936622 |
| 4 | Ho | 0.97372899 | 22 | Si | 0.676123404 |
| 5 | Mn | 0.9486833 | 23 | Sr | 0.670820393 |
| 6 | Sm | 0.9486833 | 24 | Cu | 0.666666667 |
| 7 | Tb | 0.92882824 | 25 | Li | 0.652564653 |
| 8 | V | 0.91925472 | 26 | Hg | 0.651920241 |
| 9 | Tm | 0.91890016 | 27 | He | 0.650536311 |
| 10 | Ti | 0.90369611 | 28 | er | 0.64807407 |
| 11 | Mg | 0.89442719 | 29 | Gd | 0.600099198 |
| 12 | Fe | 0.86780439 | 30 | Be | 0.577350269 |
| 13 | La | 0.84119956 | 31 | Al | 0.577350269 |
| 14 | Pb | 0.82807867 | 32 | Yb | 0.577350269 |
| 15 | Eu | 0.78446454 | 33 | Ba | 0.550019098 |
| 16 | Y | 0.74077853 | 34 | Cd | 0.542326145 |
| 17 | Ce | 0.73827166 | 35 | Er | 0.516397779 |
| 18 | Nd | 0.72168784 |
最后，将标准稀土样品RZMS-1的LISB光谱直接导入商业化软件。在软件中对可能存在的元素、波长偏差阈值、特征峰位的手动补充和删除、分子离子峰的识别筛选等多个参数进行设置，获取商业化软件的识别结果。或者手动按照预筛选结果进行元素匹配。
将经过元素预筛选的标准稀土样品RZMS-1的LISB光谱导入商业化软件。在表1中，得到了标准稀土样品RZMS-1中各元素相似度计算结果。本发明算法无法在LIBS的光谱图像上对应每一个峰给出其对应的元素，只能根据固定波长范围内峰特征峰的个数组成的空间向量，计算该样品光谱存在某一元素(数据库中各个元素)的可能性。每个元素后面的小数便代表该元素存在的可能性，越接近1，代表该元素存在的可能性越大。根据表1中各元素的相似度结果，分析该海洋稀土标准样品包含某一元素的可能性，完成对海洋稀土标准样品的元素种类预筛。再将经过元素预筛选后的标准稀土样品RZMS-1的LISB光谱直接导入商业化软件中，观察软件识别结果，证明本发明算法的实用性与可行性。
图6与图7分别为筛选前后商业化软件全波段识别结果。通过对比可以看出，商业化软件未经过元素预筛选时，识别出来的特征峰较少，且会出现一个峰位对应多个元素识别结果的问题，从而很难对该峰位进行元素识别。商业化软件在经过元素预筛选后，解决了一个峰位对应多个元素识别结果的问题，可以在LIBS谱图像上的每一个峰位标注更为精确的元素，且能识别出更多的特征峰，便于我们对于LIBS光谱的每一个峰位上的元素进行研究与分析，证明本发明算法的实用性和准确性。图8与图9分别为筛选前后商业化软件部分波段识别结果(300nm–400nm)，在这一波段范围内，上述内容体现更为明显。
实施例2：
如图10所示，本发明同时提供了一种LIBS光谱元素识别用元素种类预筛选设备，设备包括至少一个处理器和至少一个存储器，同时还包括通信接口和内部总线；存储器中存储有计算机执行程序；所述处理器执行存储器存储的计算机执行程序时，可以使处理器执行使处理器执行如实施例1所述的元素种类预筛选方法。其中内部总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(PeripheralComponent，PCI)总线或扩展工业标准体系结构(.XtendedIndustry StandardArchitecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。其中存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
设备可以被提供为终端、服务器或其它形态的设备。
图10是为示例性示出的一种设备的框图。设备可以包括以下一个或多个组件：处理组件，存储器，电源组件，多媒体组件，音频组件，输入/输出(I/O)的接口，传感器组件，以及通信组件。处理组件通常控制电子设备的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件可以包括一个或多个处理器来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件可以包括一个或多个模块，便于处理组件和其他组件之间的交互。例如，处理组件可以包括多媒体模块，以方便多媒体组件和处理组件之间的交互。
存储器被配置为存储各种类型的数据以支持在电子设备的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件为电子设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电子设备生成、管理和分配电力相关联的组件。多媒体组件包括在所述电子设备和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件包括一个前置摄像头和/或后置摄像头。当电子设备处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件被配置为输出和/或输入音频信号。例如，音频组件包括一个麦克风(MIC)，当电子设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中，音频组件还包括一个扬声器，用于输出音频信号。I/O接口为处理组件和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件包括一个或多个传感器，用于为电子设备提供各个方面的状态评估。例如，传感器组件可以检测到电子设备的打开/关闭状态，组件的相对定位，例如所述组件为电子设备的显示器和小键盘，传感器组件还可以检测电子设备或电子设备一个组件的位置改变，用户与电子设备接触的存在或不存在，电子设备方位或加速/减速和电子设备的温度变化。传感器组件可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
实施例3：
本发明还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序或指令，所述程序或指令被处理器执行时可以使处理器执行如实施例1所述的LIBS光谱元素识别用元素种类预筛选方法。
具体地，可以提供配有可读存储介质的系统、装置或设备，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统、装置或设备的计算机或处理器读出并执行存储在该可读存储介质中的指令。在这种情况下，从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘(如CD-ROM、CD-R、CD-RW、DVD-20ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带等。存储介质可以是通用或专用计算机能够存取的任何可用介质。
应理解，上述处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application Specific Integrated Circuit，简称：ASIC)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。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
应理解存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称：ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于终端或服务器中。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述虽然对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种LIBS光谱元素识别用元素种类预筛选方法，其特征在于，包括以下步骤：
步骤1，从NIST数据库中获取元素的LIBS标准光谱数据，从中获取不同元素的LIBS光谱峰位与波长信息；
步骤2，将向量空间模型VSM引入LIBS标准光谱数据的信息提取，在所选择的波长间隔下，获得不同波长范围的LIBS标准光谱的谱峰个数，以这些谱峰的个数作为空间向量，建立NIST元素空间向量数据库；
同时，对未知样品LIBS光谱相等的各个波长间隔范围内的谱峰个数进行检测，当未知样品LIBS光谱的某一波长间隔内谱峰的个数超过特定值时，会将该波段再次细分，按照细分之后波长间隔内谱峰的个数重新构建NIST元素空间向量数据库与未知样品的光谱空间向量；
步骤3，获取待测样品的LIBS光谱，提取待测样品的光谱信息；所述待测样品的LIBS光谱通过激光诱导击穿光谱装置获得；
步骤4，根据步骤2中定义的波长间隔，获得待测样品LIBS光谱的空间向量，与NIST元素空间向量数据库中各空间向量的维数保持一致；
步骤5，将待测样品光谱的空间向量，与NIST元素向量数据库中各空间向量，进行向量的余弦运算，获得运算结果，并以此结果作为样品是否包含某元素的判断依据，完成对待测样品的元素种类的预筛选。
2.如权利要求1所述的一种LIBS光谱元素识别用元素种类预筛选方法，其特征在于，所述步骤2中，在所覆盖的光谱范围为0-1000 下时，对某元素选择的波长间隔为50/>，得到20个波长间隔，每一个波长间隔下的谱峰个数为Ni，其中，i 的取值为整数1到20，以N1到N20构建出向量，形成某元素LIBS标准光谱数据下的空间向量，多个元素的空间向量集合，构建出NIST元素空间向量数据库。
3.如权利要求2所述的一种LIBS光谱元素识别用元素种类预筛选方法，其特征在于：为了防止以50nm为波长间隔建立光谱特征向量时，某一段波长间隔内的特征峰数量过多导致结果不准确，定义波长二次细分准则，使LIBS光谱的特征向量每波段间隔内的特征峰更加均匀；根据待测光谱的空间向量1*20中每一维的数对这个范围的波长间隔按照如下公式进行二次细分：
其中，xi为维度为i时，特征峰的个数；d为对该维度波段重新寻峰的波长间隔。
4.如权利要求1所述的一种LIBS光谱元素识别用元素种类预筛选方法，其特征在于：所述步骤3中提取待测样品的特征峰波长信息时使用matlab软件中的findpeaks函数以及3sigma准则对待测样品进行信息筛选，选择LIBS光谱中峰值最高的特征峰，取该峰峰值的1/e大小为sigma，小于3倍sigma准则的峰值视为噪声，其中e为数学常数。
5.如权利要求1所述的一种LIBS光谱元素识别用元素种类预筛选方法，其特征在于，所述步骤5的具体过程为：
将待测样品特征峰向量vs与NIST标准元素特征峰向量数据库中各元素特征峰向量v进行空间向量余弦运算，运算公式为：
cos(vsv)＝<vsv>/│vs││v│
其中<vsv>为两向量的卷积，获得待测样品特征峰向量与NIST标准元素特征峰向量的余弦值，该余弦值代表了待测样品特征峰向量在向量空间与数据库中各标准元素特征峰向量的相似度，其值越大表示待测样品包含某个标准元素的可能性越大，该值为1时表示样品一定包含该元素，为0时则表示样品一定不包含该元素。
6.如权利要求1所述的一种LIBS光谱元素识别用元素种类预筛选方法，其特征在于：所述步骤1中从NIST数据库中获取元素的LIBS标准光谱数据，所述元素包括空气中的主要元素、待测样品环境中可能存在的常量元素和微量元素。
7.一种LIBS光谱元素识别方法，其特征在于，包括以下过程：
获取待测样品；
使用如权利要求1至6任意一项所述的LIBS光谱元素识别用元素种类预筛选方法进行元素种类预筛选；
将筛选结果输入商业软件中进行分析识别或者手动按照预筛选结果进行元素匹配。
8.一种LIBS光谱元素识别用元素种类预筛选设备，其特征在于：所述设备包括至少一个处理器和至少一个存储器，所述处理器和存储器相耦合；所述存储器中存储有如权利要求1至6任意一项所述的LIBS光谱元素识别用元素种类预筛选方法的计算机执行程序；所述处理器执行存储器中存储的计算机执行程序时，可以使处理器执行待测样品的元素种类预筛选。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有如权利要求1至6任意一项所述的LIBS光谱元素识别用元素种类预筛选方法的计算机程序或指令，所述程序或指令被处理器执行时可以使处理器执行待测样品的元素种类预筛选。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310679331.1A CN116609319B (zh) | 2023-06-09 | 2023-06-09 | 一种libs光谱元素识别用元素种类预筛选方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310679331.1A CN116609319B (zh) | 2023-06-09 | 2023-06-09 | 一种libs光谱元素识别用元素种类预筛选方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116609319A CN116609319A (zh) | 2023-08-18 |
| CN116609319B true CN116609319B (zh) | 2024-04-09 |
Family
ID=87674596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310679331.1A Active CN116609319B (zh) | 2023-06-09 | 2023-06-09 | 一种libs光谱元素识别用元素种类预筛选方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116609319B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117132473B (zh) * | 2023-10-20 | 2024-01-23 | 中国海洋大学 | 水下稀土光谱检测方法及其光谱超分辨重建模型搭建方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6122052A (en) * | 1998-04-27 | 2000-09-19 | Perkin Elmer Llc | Computer operated spectrometric instrument and associated calculator |
| CN103063621A (zh) * | 2011-10-21 | 2013-04-24 | 中国科学院沈阳自动化研究所 | 一种基于光谱相关性的元素识别方法 |
| CN103616351A (zh) * | 2013-11-26 | 2014-03-05 | 中国科学院广州地球化学研究所 | 激光诱导击穿光谱分析仪和方法 |
| CN107220625A (zh) * | 2017-06-01 | 2017-09-29 | 中国海洋大学 | 一种对样品的libs光谱自动识别分类方法 |
| CN108169213A (zh) * | 2018-03-02 | 2018-06-15 | 江南大学 | 一种激光诱导击穿光谱谱峰元素自动识别方法 |
| CN112782151A (zh) * | 2021-02-22 | 2021-05-11 | 湖北工程学院 | 一种提高激光诱导击穿光谱分类准确性的数据处理方法 |
| CN112834485A (zh) * | 2021-02-07 | 2021-05-25 | 西南交通大学 | 激光诱导击穿光谱元素定量分析的一种非定标方法 |
| JP2023043657A (ja) * | 2021-09-16 | 2023-03-29 | 株式会社キーエンス | 分析装置、分析装置の処理部、分析方法、分析プログラム及び分析プログラムを記憶したコンピュータ読取可能な記憶媒体 |
-
2023
- 2023-06-09 CN CN202310679331.1A patent/CN116609319B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6122052A (en) * | 1998-04-27 | 2000-09-19 | Perkin Elmer Llc | Computer operated spectrometric instrument and associated calculator |
| CN103063621A (zh) * | 2011-10-21 | 2013-04-24 | 中国科学院沈阳自动化研究所 | 一种基于光谱相关性的元素识别方法 |
| CN103616351A (zh) * | 2013-11-26 | 2014-03-05 | 中国科学院广州地球化学研究所 | 激光诱导击穿光谱分析仪和方法 |
| CN107220625A (zh) * | 2017-06-01 | 2017-09-29 | 中国海洋大学 | 一种对样品的libs光谱自动识别分类方法 |
| CN108169213A (zh) * | 2018-03-02 | 2018-06-15 | 江南大学 | 一种激光诱导击穿光谱谱峰元素自动识别方法 |
| CN112834485A (zh) * | 2021-02-07 | 2021-05-25 | 西南交通大学 | 激光诱导击穿光谱元素定量分析的一种非定标方法 |
| CN112782151A (zh) * | 2021-02-22 | 2021-05-11 | 湖北工程学院 | 一种提高激光诱导击穿光谱分类准确性的数据处理方法 |
| JP2023043657A (ja) * | 2021-09-16 | 2023-03-29 | 株式会社キーエンス | 分析装置、分析装置の処理部、分析方法、分析プログラム及び分析プログラムを記憶したコンピュータ読取可能な記憶媒体 |
Non-Patent Citations (3)
| Title |
|---|
| GUO LB等.Development in the application of laser-induced breakdown spectroscopy in recent years: A review.FRONTIERS OF PHYSICS.第16卷(第2期),1-25. * |
| 基于共线双脉冲LIBS的土壤重金基于激光诱导击穿光谱结合机器学习算法的土壤重金属定量分析方法研究;Edward Harefa;中国优秀硕士学位论文全文数据库基础科学辑;20230215(第2期);A005-567 * |
| 导向沉积富集与fs-ns双脉冲激发LIBS增强方法研究;卢渊;中国博士学位论文全文数据库信息科技辑;20131215(第12期);I135-10 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116609319A (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116609319B (zh) | 一种libs光谱元素识别用元素种类预筛选方法及设备 | |
| CN110659640B (zh) | 文本序列的识别方法及装置、电子设备和存储介质 | |
| Sturm et al. | Steel analysis with laser-induced breakdown spectrometry in the vacuum ultraviolet | |
| CN107704525A (zh) | 视频搜索方法和装置 | |
| KR20070055488A (ko) | 입력 데이터의 자동방식 배경 제거기 | |
| Gyftokostas et al. | Laser-induced breakdown spectroscopy coupled with machine learning as a tool for olive oil authenticity and geographic discrimination | |
| EP2963569A2 (en) | Information handling based on trust | |
| CN108229481B (zh) | 屏幕内容分析方法、装置、计算设备及存储介质 | |
| CN107220625B (zh) | 一种对样品的libs光谱自动识别分类方法 | |
| CN110334590B (zh) | 图像采集引导方法以及装置 | |
| CN110717509B (zh) | 基于树分裂算法的数据样本分析方法及装置 | |
| Fu et al. | Standard reference line combined with one-point calibration-free laser-induced breakdown spectroscopy (CF-LIBS) to quantitatively analyze stainless and heat resistant steel | |
| 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 | |
| CN117132473B (zh) | 水下稀土光谱检测方法及其光谱超分辨重建模型搭建方法 | |
| CN110428402B (zh) | 图像篡改识别方法、装置、计算机设备及存储介质 | |
| CN115238787A (zh) | 异常数据检测方法、装置、设备及存储介质 | |
| CN114332149A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| Yuan et al. | Rapid classification of steel via a modified support vector machine algorithm based on portable fiber-optic laser-induced breakdown spectroscopy | |
| CN114894781B (zh) | 基于外部信号的水下libs光谱标准化泛化方法及系统 | |
| Zhang et al. | A method derived from genetic algorithm, principal component analysis and artificial neural networks to enhance classification capability of laser-induced breakdown spectroscopy | |
| CN112465002B (zh) | 一种火灾现场铜导线熔痕智能识别方法及装置 | |
| US20220252516A1 (en) | Spectroscopic apparatus and methods for determining components present in a sample | |
| Kumar et al. | Quantitative estimation of elemental composition employing a synthetic generated spectrum | |
| Anzano et al. | Direct determination of aluminum in archaeological clays by Laser‐Induced Breakdown Spectroscopy | |
| CN109765390A (zh) | 液质检测结果的质量控制方法及装置 |
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 |