CN116660198A - 基于光谱分析的碳纳米材料浆料性能测试方法 - Google Patents

Abstract

本发明涉及材料检测技术领域，具体涉及一种基于光谱分析的碳纳米材料浆料性能测试方法；首先根据红外光谱图的光谱拟合曲线获得不同的波长区间，根据波长区间对应的光谱拟合曲线与实际光谱数据获得噪声干扰程度。对实际的光谱数据进行变换分解获得不同的分量信号，根据波长区间的噪声干扰程度、对应的分量信号的变化特征和频率特征获得对应的分量信号的噪声影响程度。最终本发明根据噪声影响程度获得分量信号的整体噪声影响程度，并对分量信号去噪与重构，获得去噪红外光谱图像；根据去噪红外光谱图像对碳纳米材料性能检测，提高了性能检测的准确性。

Description

基于光谱分析的碳纳米材料浆料性能测试方法

技术领域

本发明涉及材料检测技术领域，具体涉及一种基于光谱分析的碳纳米材料浆料性能测试方法。

背景技术

碳纳米材料在在增强复合材料、纳米增强材料和耐磨涂层等领域具有广泛的应用；并且具有优异的光学性能，在可见光和红外光谱范围内具有高吸收率和低反射率，这使得碳纳米材料在太阳能电池、光催化和光学涂层等领域有着重要的应用潜力。但是在碳纳米材料在生产过程中会存在一些问题，由于碳纳米材料具有高度结构化的表面和特殊的性质，易于发生聚集，在浆料制备过程中，如果没有采取适当的分散剂或处理方法，碳纳米材料可能会聚集成团块，导致浆料不均匀或粘稠度增加。因此需要对生产后的碳纳米材料浆料进行质量评价。在检测材料的性能时，通常使用光学手段方法，通过光谱仪来采集获得材料的光谱数据，然后对光谱数据进行分析，来获得可能存在异常的波数段，进行确定该材料可能存在的异常情况。

在现有技术中，对光谱数据进行分析时，主要是分析不同波段的变化，在红外光谱图像中，不同波段表示的是物质的吸光程度不同，根据波段的变化区分所测量材料中含有的物质类型。但是在获得红外光谱数据时，会受到噪声的影响，使得每一波段内数据都可能发生变化，现有对红外光谱图像的去噪方法未考虑不同波长区间受噪声影响的情况不同，导致去噪效果差，最终造成碳纳米材料浆料性能检测结果不准确。

发明内容

为了解决上述现有对红外光谱图像的去噪方法未考虑不同波长区间受噪声影响的情况不同，导致去噪效果差，最终造成碳纳米材料浆料性能检测结果不准确的技术问题，本发明的目的在于提供一种基于光谱分析的碳纳米材料浆料性能测试方法，所采用的技术方案具体如下：

获取碳纳米材料的红外光谱图；对所述红外光谱图中光谱数据进行拟合获得光谱拟合曲线，根据所述光谱拟合曲线的波动特征获得不同的波长区间；根据所述波长区间对应的所述光谱拟合曲线与实际的光谱数据的差异特征获得所述波长区间的噪声干扰程度；

对实际的光谱数据进行变换分解获得不同的分量信号，根据所述波长区间的所述噪声干扰程度、所述波长区间对应的所述分量信号的变化特征和频率特征，获得所述波长区间对应的所述分量信号的噪声影响程度；

根据分量信号的所有波长区间的噪声影响程度的差异特征获得分量信号的整体噪声影响程度；根据所述整体噪声影响程度对所述分量信号去噪与重构，获得去噪红外光谱图像；根据所述去噪红外光谱图像对碳纳米材料性能检测。

进一步地，所述根据所述光谱拟合曲线的波动特征获得不同的波长区间的步骤包括：

计算所述光谱拟合曲线中最大幅值点的幅值与每个数据点的幅值的差值，获得数据点的幅值差；分别从两端初始数据点开始遍历，计算所有遍历的数据点的切线斜率绝对值和所述幅值差的乘积的平均值，获得遍历区间变化程度值；计算最后一个遍历数据点的预设相邻范围内的数据点的切线斜率绝对值与对应的幅值差的乘积的平均值，获得遍历相邻区间变化程度值；

计算所述遍历区间变化程度值与所述遍历相邻区间变化程度值的差值并归一化，获得分割概率；当所述分割概率大于预设阈值，停止遍历，将遍历结束的数据点的预设相邻范围内最后一个数据点作为分割点，从所述分割点沿着对应的遍历方向继续遍历，获得所有分割点；两个相邻分割点之间对应的范围为所述光谱拟合曲线的所述波长区间。

进一步地，所述根据所述波长区间对应的所述光谱拟合曲线与实际的光谱数据的差异特征获得所述波长区间的噪声干扰程度的步骤包括：

计算所述波长区间对应的所述光谱拟合曲线与对应实际的光谱数据的皮尔逊相关系数，计算常数1与皮尔逊相关系数的差值，获得所述波长区间的所述噪声干扰程度。

进一步地，所述对实际的光谱数据进行变换分解获得不同的分量信号的步骤包括：

根据小波变换算法对实际的光谱数据进行变换分解获得不同的分量信号。

进一步地，所述获得所述波长区间对应的所述分量信号的噪声影响程度的步骤包括：

获得所述波长区间对应的每个分量信号的曲线中的极大值点数量，计算所述波长区间对应的所述分量信号的频率与对应的极大值点数量的乘积，获得分量噪声影响表征值；将所述波长区间对应的所有分量信号的所述分量噪声影响表征值累加获得分量噪声影响表征值和值；

计算所述波长区间对应的分量信号的频率的方差；对于所述波长区间的任意一个所述分量信号，计算所述分量噪声影响表征值与所述分量噪声影响表征值和值的比值与对应的所述噪声干扰程度的差值，获得分量噪声评价度；计算预设第一数值与所述分量噪声评价度的和值，获得分量噪声评价度表征值；计算所述分量噪声评价度表征值与对应的所述频率方差的乘积，获得所述波长区间对应的所述分量信号的所述噪声影响程度。

进一步地，所述根据分量信号的所有波长区间的噪声影响程度的差异特征获得分量信号的整体噪声影响程度的步骤包括：

计算所述波长区间对应的所有分量信号的所述噪声影响程度的平均值，获得区间噪声影响程度均值；对于任意一个所述分量信号，计算所述分量信号的所有波长区间的所述噪声影响程度的平均值，获得分量噪声影响程度均值；

计算所述分量信号的所述分量噪声影响程度均值与每个区间噪声影响程度均值的差值，获得影响差异值，将所述影响差异值的最小值作为噪声影响差异表征值；计算所述分量噪声影响程度均值与所述噪声影响差异表征值的差值，获得所述分量信号的所述整体噪声影响程度。

进一步地，所述获得去噪红外光谱图像的步骤包括：

计算所述分量信号的所述整体噪声影响程度与预设系数的乘积，获得中值滤波的自适应滤波窗口大小，通过中值滤波算法的自适应滤波窗口大小对所述分量信号进行去噪，获得去噪分量信号；通过小波变换算法对所有去噪分量信号重构，获得所述去噪红外光谱图像。

进一步地，所述对所述红外光谱图中光谱数据进行拟合获得光谱拟合曲线的步骤包括：

根据所述红外光谱图中光谱数据通过最小二乘法进行数据拟合，获得所述光谱拟合曲线。

进一步地，所述根据所述去噪红外光谱图像对碳纳米材料性能检测的步骤包括：

判断所述去噪红外光谱图像中不属于碳纳米材料的光谱数据区间是否出现数据响应，当未出现数据响应，则认为碳纳米材料性能正常；当出现数据响应，则认为碳纳米材料性能异常。

本发明具有如下有益效果：

在本发明实施例中，获得光谱拟合曲线能够初步消除原光谱数据的细微波动，提高波长区间获取的准确性，进而增加后续去噪的准确性。获取不同的波长区间目的是进一步分析每个波长区间的受到噪声的影响情况，提高最终自适应去噪的准确性。计算噪声干扰程度能够初步表征每个波长区间的噪声干扰程度，有利于后续噪声影响程度的计算分析。对实际的光谱数据进行变换分解获得不同的分量信号，能够更准确地分析不同分量信号受到的噪声情况，对不同的分量信号进行去噪能够提高去噪效果。获得波长区间对应的分量信号的噪声影响程度，能够表征分量信号中对应每个波长区间的噪声影响情况，进而可根据噪声影响程度更准确地获得每个分量的整体噪声影响程度。最终根据每个分量的整体噪声影响程度对分量进行自适应地去噪，提高了去噪的准确性；获得的去噪红外光谱图像能够更准确地表征碳纳米材料的性能，提高了性能检测的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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它附图。

图1为本发明一个实施例所提供的一种基于光谱分析的碳纳米材料浆料性能测试方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于光谱分析的碳纳米材料浆料性能测试方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于光谱分析的碳纳米材料浆料性能测试方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于光谱分析的碳纳米材料浆料性能测试方法流程图，该方法包括以下步骤：

步骤S1，获取碳纳米材料的红外光谱图；对红外光谱图中光谱数据进行拟合获得光谱拟合曲线，根据光谱拟合曲线的波动特征获得不同的波长区间；根据波长区间对应的光谱拟合曲线与实际的光谱数据的差异特征获得波长区间的噪声干扰程度。

在本发明实施例中，实施场景为对碳纳米材料浆料的性能测试；在检测材料的性能时，通常使用光学手段方法，首先通过光谱仪来采集获得碳纳米材料的红外光谱图。红外光谱是分子能选择性吸收某些波长的红外线，而引起分子中振动能级和转动能级的跃迁；红外光谱的横坐标为波长，表示吸收峰的位置，纵坐标为吸光度，表示吸收强度。

红外光谱图像中的光谱数据曲线对噪声是非常敏感的，因为不同的波长表示不同的物质成分，不同的吸光度表示物质的含量不同，当光谱数据受到噪声的影响时，噪声会改变原有数据的吸光度，造成碳纳米材料性能分析出现误差；因此对红外光谱图的去噪效果影响了最终的检测准确性。

进一步地，因为红外光谱数据在受到噪声影响时，不同波长区间内的数据受到噪声的影响程度是不相同的，即噪声叠加在信号上，使信号的产生的变化是不一样的，因此为了提高去噪的精准度，需要对不同波长区间的噪声进行评估，获得不同波长区间受噪声的干扰情况。

首先，需要根据光谱数据的变化趋势对红外光谱数据曲线进行分段，将变化趋势相似的分为同区间，进而获得不同的波长区间。因为红外光谱图中的光谱数据存在噪声干扰，影响分段的准确性；故对红外光谱图中光谱数据进行拟合获得光谱拟合曲线，通过光谱拟合曲线能够消除部分干扰。优选地，在本发明一个实施例中，根据红外光谱图中光谱数据通过最小二乘法进行数据拟合，获得光谱拟合曲线。需要说明的是，最小二乘法属于现有技术，具体步骤不再赘述。

获得光谱拟合曲线后，则可根据光谱拟合曲线的波动特征获得不同的波长区间；优选地，在本发明一个实施例中，获取不同的波长区间包括：计算光谱拟合曲线中最大幅值点的幅值与每个数据点的幅值的差值，获得数据点的幅值差；在红外光谱图像中，当某一波长区间内存在数据响应变化时，其吸光度数值相比最大值会降低，因此用整个红外光谱图像中吸光度最大的最大幅值点减去数据点的幅值获得该数据点的幅值差，当幅值差越大，意味着该波长区间内数据响应越明显。分别从两端初始数据点开始遍历，计算所有遍历的数据点的切线斜率绝对值和幅值差的乘积的平均值，获得遍历区间变化程度值；其中切线斜率表示该数据点处的变化趋势，切线斜率越大意味着该数据点处的吸光度变化趋势越大；当遍历区间变化程度值越大，意味着该区间的数据波动程度越大，该区间不能进行分割。计算最后一个遍历的数据点的预设相邻范围内数据点的切线斜率绝对值与对应的幅值差的乘积的平均值，获得遍历相邻区间变化程度值；预设相邻范围指数据点沿着遍历方向的相邻范围，在本发明实施例中，预设相邻范围为5，即沿着遍历方向的相邻5个数据点，实施者可根据实施场景自行确定。

进一步地，当遍历的区间存在数据波动时，此时不能够进行分段，需要继续分析最后一个遍历数据点的预设相邻范围的数据波动情况，当遍历相邻区间变化程度值越小，意味着该相邻预设范围趋于平缓，意味着该数据波动的区间结束，可以进行分割，故计算遍历区间变化程度值与遍历相邻区间变化程度值的差值并归一化，获得分割概率，当差值越大，则数据波动结束的特征越明显，分割概率值越大，若分割概率不大于预设阈值时，意味着该遍历区间的相邻预设范围仍在波动。当分割概率大于预设阈值，停止遍历，在本发明实施例中，预设阈值为0.8，实施者可根据实施场景自行确定；将遍历结束的数据点的预设相邻范围最后一个数据点作为分割点，从分割点沿着对应的遍历方向继续遍历，获得所有分割点；两个相邻分割点之间对应的曲线为光谱拟合曲线的波长区间。其中从光谱拟合曲线的两端分别开始遍历获得所有分割点，能够将该曲线中所有波动区间和平缓区间进行分割。获取分割概率的公式具体包括：

式中，表示分割概率，/>表示归一化，/>表示该遍历区间所遍历的数据点总数量，/>表示最大幅值点的幅值，/>表示第/>个数据点的幅值；/>表示第/>个数据点的斜率，/>表示预设相邻范围数量；/>表示预设相邻范围内第/>个数据点的幅值，/>表示预设相邻范围内第/>个数据点的斜率。/>表示第/>个数据点的幅值差；表示遍历区间变化程度值；/>表示遍历相邻区间变化程度值。

至此，获得了不同的波长区间，每个波长区间受噪声的影响程度不同。当光谱拟合曲线与实际的光谱数据差异越大，意味着受到的噪声干扰越严重；当光谱拟合曲线与实际的光谱数据差异越小，意味着受到的噪声干扰越不严重。因此可根据波长区间对应的光谱拟合曲线与实际的光谱数据的差异特征获得波长区间的噪声干扰程度。

优选地，在本发明一个实施例中，获取噪声干扰程度包括：计算波长区间对应的光谱拟合曲线与对应实际的光谱数据的皮尔逊相关系数，计算常数1与皮尔逊相关系数的差值，获得波长区间的噪声干扰程度。需要说明的是，皮尔逊相关系数的计算步骤属于现有技术，具体步骤不再赘述，当两个曲线的变化趋势越接近，皮尔逊相关系数越接近1。当噪声干扰程度越大，意味着该波长区间受到噪声干扰的程度越严重。

至此，获得每个波长区间的受干扰程度，后续需要对红外光谱图像进行分解，确定每个分量信号的噪声影响情况，更准确地进行去噪，提高碳纳米检测的准确性。

步骤S2，对实际的光谱数据进行变换分解获得不同的分量信号，根据波长区间的噪声干扰程度、波长区间对应的分量信号的变化特征和频率特征，获得波长区间对应的分量信号的噪声影响程度。

对数据去噪时，小波变换算法是一种去噪效果较好的方法，通过对原始信号进行分解，获得不同分量数据，然后对各分量数据进行对比分析，对分量数据进行去噪，然后再将去噪后的分量数据进行融合，使得融合后的信号受到噪声的影响程度小。但是在光谱数据中，因为不同物质的吸光度不同，信号的频率变化较大，获得的分量数据会很多，在对各分量数据进行拟合分析时，会破坏原有的数据变化趋势，进而造成融合后的光谱数据的吸光度会发生变化，从而造成检测结果不准确。因此本发明通过对不同波长区间的数据分别分析，获得不同波长区间受噪声的干扰程度，然后对其进行小波变换，使得获得的各分量数据能够反映各波数区间受噪声的影响程度，从而在对各分量数据进行去噪时，就能够根据受噪声的影响程度不同来获得更好的去噪效果，使得在进行分量数据拟合后能够表示原本红外光谱数据的变化，从而使碳纳米材料检测结果更准确。

首先，对实际的光谱数据进行变换分解获得不同的分量信号；优选地，在本发明一个实施例中，根据小波变换算法对实际的光谱数据进行变换分解获得不同的分量信号，其中小波基函数使用小波基函数；需要说明的是，小波变换算法属于现有技术，具体分解步骤不再赘述。在进行小波变换时，是对整个原始的红外光谱曲线进行变换，而不是对每个波长区间进行变换。

进一步地，获得不同的分量信号后，可根据各分量信号中不同波长区间的变化来获得噪声的影响程度。因为光谱曲线不同的波长受噪声的干扰程度不一样，因此在每一个分量信号中在不同的波长区间表示噪声的影响程度也是不相同的，但是在同一分量信号数据中，数据的频率是相同的，而在对原始光谱数据进行去噪时，各分段数据的所需平滑参数不同，因此通过对比各分量信号在相同波长区间内的数据变化来评价准确的噪声影响程度。在分析各分量信号数据时，不同频率表示的是噪声的影响程度不同，因为光谱数据是一个连续的变化的数据，在对其进行分解后，每一分量信号中都可能存在原始不受噪声干扰的数据段，因此对每一分量信号中的每个分段进行分析来获得其受到的噪声影响程度，进而再根据分段的连续特征来进行整体噪声的估计。故根据波长区间的噪声干扰程度、波长区间对应的分量信号的变化特征和频率特征，获得波长区间对应的分量信号的噪声影响程度。

优选地，在本发明一个实施例中，获取波长区间对应的分量信号的噪声影响程度包括：获得波长区间对应的每个分量信号的曲线中的极大值点数量，计算波长区间对应的分量信号的频率与对应的极大值点数量的乘积，获得分量噪声影响表征值，当该分量信号的该波长区间包含的信息越多，说明该分量信号受到该频率噪声影响程度越大，故根据频率与极大值点数量的乘积获得分量噪声影响表征值，当该值越大，意味着该频率受到噪声影响程度越大。将波长区间对应的所有分量信号的分量噪声影响表征值累加获得分量噪声影响表征值和值，用以表征所有分量在该波长区间的受噪声的影响程度。

进一步地，计算波长区间对应的分量信号的频率的方差，方差能够体现不同频率之间的差异，方差越大，意味着该波长区间受到噪声的影响程度越大。对于波长区间的任意一个分量信号，计算分量噪声影响表征值与分量噪声影响表征值和值的比值与对应的噪声干扰程度的差值，获得分量噪声评价度；其中分量噪声影响表征值与分量噪声影响表征值和值的比值能够表征该分量信号的受噪声影响程度在所有分量信号中的占比，该值越接近1，意味着该分量受噪声影响占比越大越严重；当该比值与对应的噪声干扰程度差值越大，分量噪声评价度越大，意味着该分量信号在该波长区间受到的噪声影响程度越大；反之，当该比值与对应的噪声干扰程度差值越小，分量噪声评价度越小，意味着该分量信号在该波长区间受到的噪声影响程度越小。计算预设第一数值与分量噪声评价度的和值，获得分量噪声评价度表征值，在本发明实施例中预设第一数值为1，目的是避免分量噪声评价度为负值；计算分量噪声评价度表征值与对应的频率方差的乘积，获得波长区间对应的分量信号的噪声影响程度。当噪声影响程度越大，则意味着该波长区间对应的该分量信号受到的噪声影响程度越大，对应的去噪效果应该增强。噪声影响程度的获取公式具体包括：

式中，表示第/>个波长区间对应的第/>个分量信号的噪声影响程度；/>表示第个波长区间第/>个分量信号的频率，/>表示第/>个波长区间第/>个分量信号的极大值点数量；/>表示分量信号的数量。/>表示第/>个波长区间的噪声干扰程度；/>表示第/>个波长区间对应的分量信号的频率的方差；/>表示预设第一数值。/>表示第/>个波长区间第/>个分量信号的分量噪声影响表征值；/>表示第/>个波长区间对应的所有分量信号的分量噪声影响表征值和值。/>表示分量噪声评价度；表示分量噪声评价度表征值。

至此，获得了每个波长区间对应的不同分量信号的噪声影响程度，后续可根据该噪声影响程度对每个分量信号进行自适应地去噪，提高去噪准确性。

步骤S3，根据分量信号的所有波长区间的噪声影响程度的差异特征获得分量信号的整体噪声影响程度；根据整体噪声影响程度对分量信号去噪与重构，获得去噪红外光谱图像；根据去噪红外光谱图像对碳纳米材料性能检测。

获得了每个波长区间的分量信号的噪声影响程度后，则需要对每个分量信号整体的噪声影响情况进行分析，故可根据分量信号的所有波长区间的噪声影响程度的差异特征获得分量信号的整体噪声影响程度；优选地，在本发明一个实施例中，获取整体噪声影响程度包括：计算波长区间对应的所有分量信号的噪声影响程度的平均值，获得区间噪声影响程度均值，该值表征了每个波长区间的不同分量信号受噪声影响的平均水平；对于任意一个分量信号，计算分量信号的所有波长区间的噪声影响程度的平均值，获得分量噪声影响程度均值，该值表征了一个分量信号对应所有波长区间的噪声影响情况的平均水平。

计算分量信号的分量噪声影响程度均值与每个区间噪声影响程度均值的差值，获得影响差异值，将影响差异值的最小值作为噪声影响差异表征值，该噪声影响差异表征值越小时，意味着该分量信号的噪声影响情况与该波长区间的噪声影响程度越接近，故可将该噪声影响差异表征值最为该分量信号的噪声影响程度的修正值，提高分量信号受噪声影响情况的准确性；当该值越小，则最终该分量的整体噪声影响程度越接近分量噪声影响程度均值；计算分量噪声影响程度均值与噪声影响差异表征值的差值，获得分量信号的整体噪声影响程度。整体噪声影响程度的获取公式具体包括：

式中，表示第/>个分量信号的整体噪声影响程度，/>表示第/>个分量信号的分量噪声影响程度均值；/>表示第/>个波长区间对应的第/>个分量信号的噪声影响程度，/>表示分量信号的数量；/>表示第/>个波长区间的区间噪声影响程度均值；/>表示最小值函数；/>表示计算不同的影响差异值并获得噪声影响差异表征值。

至此，获得了每个分量信号的整体噪声影响程度，进而可根据整体噪声影响程度对分量信号去噪与重构，获得去噪红外光谱图像。

优选地，在本发明一个实施例中，获取去噪红外光谱图像包括：计算分量信号的整体噪声影响程度与预设系数的乘积，获得中值滤波的自适应滤波窗口大小；在本发明实施例中，预设系数为10，实施者可根据实施场景自行确定，当该分量信号的整体噪声影响程度越大，则对应的中值滤波窗口越大。通过中值滤波算法的自适应滤波窗口大小对分量信号进行去噪，获得去噪分量信号；需要说明的是，中值滤波算法属于现有去噪方法，根据自适应的滤波窗口能够更准确地对分量信号进行去噪。通过小波变换算法对所有去噪分量信号重构，获得去噪红外光谱图像；需要说明的是，小波变换算法对所有去噪分量信号重构属于现有技术，在本发明实施例中，设置重构系数为3，实施者可根据实施场景自行确定。

去噪红外光谱图像表征的信息相比去噪前更准确清晰，进而提高了碳纳米的性能检测准确性。对碳纳米性能检测包括判断去噪红外光谱图像中不属于碳纳米材料的光谱数据区间是否出现数据响应，当未出现数据响应，则认为碳纳米材料性能正常；当出现数据响应，则认为碳纳米材料性能异常，实施者可根据实际场景结合去噪红外光谱图像自行判断碳纳米的性能是否合格。

综上所述，本发明实施例提供了一种基于光谱分析的碳纳米材料浆料性能测试方法；首先根据红外光谱图的光谱拟合曲线获得不同的波长区间，根据波长区间对应的光谱拟合曲线与实际光谱数据获得噪声干扰程度。对实际的光谱数据进行变换分解获得不同的分量信号，根据波长区间的噪声干扰程度、对应的分量信号的变化特征和频率特征获得对应的分量信号的噪声影响程度。最终本发明根据噪声影响程度获得分量信号的整体噪声影响程度，并对分量信号去噪与重构，获得去噪红外光谱图像；根据去噪红外光谱图像对碳纳米材料性能检测，提高了性能检测的准确性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (9)

1.一种基于光谱分析的碳纳米材料浆料性能测试方法，其特征在于，所述方法包括以下步骤：

获取碳纳米材料的红外光谱图；对所述红外光谱图中光谱数据进行拟合获得光谱拟合曲线，根据所述光谱拟合曲线的波动特征获得不同的波长区间；根据所述波长区间对应的所述光谱拟合曲线与实际的光谱数据的差异特征获得所述波长区间的噪声干扰程度；

对实际的光谱数据进行变换分解获得不同的分量信号，根据所述波长区间的所述噪声干扰程度、所述波长区间对应的所述分量信号的变化特征和频率特征，获得所述波长区间对应的所述分量信号的噪声影响程度；

根据分量信号的所有波长区间的噪声影响程度的差异特征获得分量信号的整体噪声影响程度；根据所述整体噪声影响程度对所述分量信号去噪与重构，获得去噪红外光谱图像；根据所述去噪红外光谱图像对碳纳米材料性能检测。

2.根据权利要求1所述的一种基于光谱分析的碳纳米材料浆料性能测试方法，其特征在于，所述根据所述光谱拟合曲线的波动特征获得不同的波长区间的步骤包括：

计算所述光谱拟合曲线中最大幅值点的幅值与每个数据点的幅值的差值，获得数据点的幅值差；分别从两端初始数据点开始遍历，计算所有遍历的数据点的切线斜率绝对值和所述幅值差的乘积的平均值，获得遍历区间变化程度值；计算最后一个遍历数据点的预设相邻范围内的数据点的切线斜率绝对值与对应的幅值差的乘积的平均值，获得遍历相邻区间变化程度值；

计算所述遍历区间变化程度值与所述遍历相邻区间变化程度值的差值并归一化，获得分割概率；当所述分割概率大于预设阈值，停止遍历，将遍历结束的数据点的预设相邻范围内最后一个数据点作为分割点，从所述分割点沿着对应的遍历方向继续遍历，获得所有分割点；两个相邻分割点之间对应的范围为所述光谱拟合曲线的所述波长区间。

3.根据权利要求1所述的一种基于光谱分析的碳纳米材料浆料性能测试方法，其特征在于，所述根据所述波长区间对应的所述光谱拟合曲线与实际的光谱数据的差异特征获得所述波长区间的噪声干扰程度的步骤包括：

计算所述波长区间对应的所述光谱拟合曲线与对应实际的光谱数据的皮尔逊相关系数，计算常数1与皮尔逊相关系数的差值，获得所述波长区间的所述噪声干扰程度。

4.根据权利要求1所述的一种基于光谱分析的碳纳米材料浆料性能测试方法，其特征在于，所述对实际的光谱数据进行变换分解获得不同的分量信号的步骤包括：

根据小波变换算法对实际的光谱数据进行变换分解获得不同的分量信号。

5.根据权利要求1所述的一种基于光谱分析的碳纳米材料浆料性能测试方法，其特征在于，所述获得所述波长区间对应的所述分量信号的噪声影响程度的步骤包括：

获得所述波长区间对应的每个分量信号的曲线中的极大值点数量，计算所述波长区间对应的所述分量信号的频率与对应的极大值点数量的乘积，获得分量噪声影响表征值；将所述波长区间对应的所有分量信号的所述分量噪声影响表征值累加获得分量噪声影响表征值和值；

计算所述波长区间对应的分量信号的频率的方差；对于所述波长区间的任意一个所述分量信号，计算所述分量噪声影响表征值与所述分量噪声影响表征值和值的比值与对应的所述噪声干扰程度的差值，获得分量噪声评价度；计算预设第一数值与所述分量噪声评价度的和值，获得分量噪声评价度表征值；计算所述分量噪声评价度表征值与对应的所述频率方差的乘积，获得所述波长区间对应的所述分量信号的所述噪声影响程度。

6.根据权利要求1所述的一种基于光谱分析的碳纳米材料浆料性能测试方法，其特征在于，所述根据分量信号的所有波长区间的噪声影响程度的差异特征获得分量信号的整体噪声影响程度的步骤包括：

计算所述波长区间对应的所有分量信号的所述噪声影响程度的平均值，获得区间噪声影响程度均值；对于任意一个所述分量信号，计算所述分量信号的所有波长区间的所述噪声影响程度的平均值，获得分量噪声影响程度均值；

计算所述分量信号的所述分量噪声影响程度均值与每个区间噪声影响程度均值的差值，获得影响差异值，将所述影响差异值的最小值作为噪声影响差异表征值；计算所述分量噪声影响程度均值与所述噪声影响差异表征值的差值，获得所述分量信号的所述整体噪声影响程度。

7.根据权利要求1所述的一种基于光谱分析的碳纳米材料浆料性能测试方法，其特征在于，所述获得去噪红外光谱图像的步骤包括：

计算所述分量信号的所述整体噪声影响程度与预设系数的乘积，获得中值滤波的自适应滤波窗口大小，通过中值滤波算法的自适应滤波窗口大小对所述分量信号进行去噪，获得去噪分量信号；通过小波变换算法对所有去噪分量信号重构，获得所述去噪红外光谱图像。

8.根据权利要求1所述的一种基于光谱分析的碳纳米材料浆料性能测试方法，其特征在于，所述对所述红外光谱图中光谱数据进行拟合获得光谱拟合曲线的步骤包括：

根据所述红外光谱图中光谱数据通过最小二乘法进行数据拟合，获得所述光谱拟合曲线。

9.根据权利要求1所述的一种基于光谱分析的碳纳米材料浆料性能测试方法，其特征在于，所述根据所述去噪红外光谱图像对碳纳米材料性能检测的步骤包括：

判断所述去噪红外光谱图像中不属于碳纳米材料的光谱数据区间是否出现数据响应，当未出现数据响应，则认为碳纳米材料性能正常；当出现数据响应，则认为碳纳米材料性能异常。