CN116678839B - 发光材料检测方法、装置、终端设备以及存储介质 - Google Patents
发光材料检测方法、装置、终端设备以及存储介质 Download PDFInfo
- Publication number
- CN116678839B CN116678839B CN202310857581.XA CN202310857581A CN116678839B CN 116678839 B CN116678839 B CN 116678839B CN 202310857581 A CN202310857581 A CN 202310857581A CN 116678839 B CN116678839 B CN 116678839B
- Authority
- CN
- China
- Prior art keywords
- information
- spectrum
- luminescent material
- predicted
- analysis model
- 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
- 239000000463 material Substances 0.000 title claims abstract description 226
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 238000001228 spectrum Methods 0.000 claims abstract description 245
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 182
- 238000004020 luminiscence type Methods 0.000 claims abstract description 119
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims description 83
- 238000001914 filtration Methods 0.000 claims description 76
- 238000004422 calculation algorithm Methods 0.000 claims description 67
- 230000003595 spectral effect Effects 0.000 claims description 44
- 238000010801 machine learning Methods 0.000 claims description 40
- 238000012795 verification Methods 0.000 claims description 23
- 230000009466 transformation Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 description 15
- 238000011156 evaluation Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 230000005284 excitation Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000001502 supplementing effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000010200 validation analysis 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
- G01N21/17—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medical Informatics (AREA)
- Biochemistry (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本申请公开了一种发光材料检测方法、装置、终端设备以及存储介质,涉及材料检测领域,其方法包括:获取待检测发光材料的预测光谱信息;将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息。本发明简化发光材料的检测步骤,提高了发光材料的检测效率。
Description
技术领域
本申请涉及材料检测领域,尤其涉及一种发光材料检测方法、装置、终端设备以及存储介质。
背景技术
新型显示技术的不断发展,促使Micro-LED应运而生。Micro-LED芯片尺寸小、集成度高,可以应用在AR眼镜、VR眼镜、智能手表、智能手机、电脑以及超清大屏上,具有亮度高、分辨率高、对比度高、能耗低、使用寿命长、响应速度快和热稳定好等优点。在Micro-LED产业化的过程中,需要巨量的晶圆级检测,用以控制Micro-LED显示屏的坏点数量,所以晶圆级检测是实现Micro-LED显示屏高良率的关键一步。
当前检测Micro-LED显示屏中的坏点,主要通过检测Micro-LED显示屏中发光材料的主波长与色纯度来判断坏点,而检测主波长与色纯度大多采用传统的CIE(CommissionInternationale de L'Eclairage,国际照明委员会)算法来完成,但CIE算法步骤繁杂,耗时较长,难以满足超快检测速度的要求。
发明内容
本申请的主要目的在于提供一种发光材料检测方法、装置、终端设备以及存储介质,旨在简化发光材料的检测步骤,提高了发光材料的检测效率。
为实现上述目的,本申请提供一种发光材料检测方法,所述发光材料检测方法包括:
获取待检测发光材料的预测光谱信息;
将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息。
可选地,所述将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息的步骤之前还包括:
创建所述光谱分析模型,具体包括:
获取所述待检测发光材料的样本光谱信息和对应的样本发光信息;
将所述样本光谱信息作数据预处理,得到预处理后的样本光谱信息;
对所述预处理后的样本光谱信息和对应的所述样本发光信息进行训练,得到所述光谱分析模型。
可选地,所述预处理后的样本光谱信息包括小波滤波后的高斯拟合光谱信息,所述将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息的步骤包括:
基于小波变换,将所述样本光谱信息变换为小波滤波后的光谱信息;
基于高斯拟合,将所述小波滤波后的光谱信息变换为所述小波滤波后的高斯拟合光谱信息;
对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到所述光谱分析模型。
可选地,所述对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到所述光谱分析模型的步骤包括:
基于若干个机器学习算法,对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到若干个初始光谱分析模型和对应的模型关键指标;
根据所述若干个初始光谱分析模型和对应的所述模型关键指标,在所述若干个初始光谱分析模型中确定所述光谱分析模型。
可选地,所述对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到所述光谱分析模型的步骤包括:
基于机器学习算法和交叉验证法,将所述小波滤波后的高斯拟合光谱信息和对应的所述样本发光信息进行训练,得到所述光谱分析模型。
可选地,所述发光信息包括主波长,所述光谱分析模型包括主波长光谱分析模型,所述对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到所述光谱分析模型的步骤包括:
对所述基于小波滤波后的高斯拟合光谱信息和对应的所述样本主波长进行训练,得到所述主波长光谱分析模型。
可选地,所述发光信息包括色纯度,所述光谱分析模型包括色纯度光谱分析模型,所述对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到所述光谱分析模型的步骤包括:
对所述基于小波滤波后的高斯拟合光谱信息和对应的所述样本色纯度进行训练,得到所述色纯度光谱分析模型。
可选地,所述将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息的步骤之后还包括:
获取所述待检测发光材料的标准发光信息;
将所述预测发光信息与所述标准发光信息比较,得到检验结果。
可选地,所述获取待检测发光材料的预测光谱信息的步骤之后还包括:
将所述预测光谱信息作数据预处理,得到预处理后的预测光谱信息;
所述将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息的步骤包括:
将所述预处理后的预测光谱信息输入到所述光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息。
本申请实施例还提出一种发光材料检测装置,所述发光材料检测装置包括:
信息获取模块,用于获取待检测发光材料的预测光谱信息;
光谱分析模块,用于将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息。
本申请实施例还提出一种终端设备,所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的发光材料检测程序,所述发光材料检测程序被所述处理器执行时实现如上所述的发光材料检测方法的步骤。
本申请实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有发光材料检测程序,所述发光材料检测程序被处理器执行时实现如上所述的发光材料检测方法的步骤。
本申请实施例提出的发光材料检测方法、装置、终端设备以及存储介质,通过获取待检测发光材料的预测光谱信息;将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息。先获取待检测材料的光谱信息,然后将待检测发光材料的光谱信息输入到光谱分析模型中,可快速得到发光材料的发光信息,从而简化发光材料的检测步骤,提高了发光材料的检测效率。
附图说明
图1为本申请发光材料检测装置所属终端设备的功能模块示意图;
图2为本申请发光材料检测方法第一示例性实施例的流程示意图;
图3为本申请发光材料检测方法第二示例性实施例的流程示意图;
图4为本申请发光材料检测方法第四示例性实施例的流程示意图;
图5为本申请发光材料检测方法第八示例性实施例的流程示意图;
图6为本申请涉及的光谱获取装置示意图;
图7为本申请涉及的预测Micro-LED的主波长的回归曲线示意图;
图8为本申请涉及的预测Micro-LED的色纯度的回归曲线1示意图;
图9为本申请涉及的预测Micro-LED的色纯度的回归曲线2示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例的主要解决方案是:通过获取待检测发光材料的预测光谱信息;将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息。先获取待检测材料的光谱信息,然后将待检测发光材料的光谱信息输入到光谱分析模型中,可快速得到发光材料的发光信息,从而简化发光材料的检测步骤,提高了发光材料的检测效率。
本申请实施例考虑到,相关技术方案中当前检测Micro-LED显示屏中的坏点,主要通过检测Micro-LED显示屏中发光材料的主波长与色纯度来判断坏点,而检测主波长与色纯度大多采用传统的CIE算法来完成,但CIE算法步骤繁杂,耗时较长,难以满足超快检测速度的要求。
以Micro-LED显示屏晶圆级检测为例,现在对于Micro-LED显示屏晶圆级检测,一般而言,厂商会通过CIE算法来检测Micro-LED显示屏中的发光信息。首先收集Micro-LED显示屏中的光谱信息,然后采用三刺激值函数计算获得三刺激值XYZ,经过坐标转换,获得马蹄图内的坐标(x,y),根据马蹄图坐标与等能白光点的几何关系求得光谱对应的主波长与色纯度。这种CIE传统算法计算方式繁杂,需要多次求值,并且需要通过相应的图数转换才能得到结果,难以实现快速计算,也难以有效滤除光谱数据中的噪声。
基于此,本申请实施例提出一种解决方案,先获取待检测材料的光谱信息,然后将待检测发光材料的光谱信息输入到光谱分析模型中,可快速得到发光材料的发光信息。
具体地,参照图1,图1为本申请发光材料检测装置所属终端设备的功能模块示意图。该发光材料检测装置可以为独立于终端设备的、能够进行数据处理的装置,也可以通过硬件或软件的形式承载于终端设备上。
在本实施例中,该发光材料检测装置所属终端设备至少包括输出模块110、处理器120、存储器130以及通信模块140。
存储器130中存储有操作系统以及发光材料检测程序,获取待检测发光材料的预测光谱信息;将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息存储于该存储器130中;输出模块110可为显示屏、扬声器等。通信模块140可以包括WIFI模块、移动通信模块以及蓝牙模块等,通过通信模块140与外部设备或服务器进行通信。
其中,存储器130中的发光材料检测程序被处理器执行时实现以下步骤:
获取待检测发光材料的预测光谱信息;
将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息。
进一步地,存储器130中的发光材料检测程序被处理器执行时还实现以下步骤:
创建所述光谱分析模型,具体包括:
获取所述待检测发光材料的样本光谱信息和对应的样本发光信息;
将所述样本光谱信息作数据预处理,得到预处理后的样本光谱信息;
对所述预处理后的样本光谱信息和对应的所述样本发光信息进行训练,得到所述光谱分析模型。
进一步地,存储器130中的发光材料检测程序被处理器执行时还实现以下步骤:
基于小波变换,将所述样本光谱信息变换为小波滤波后的光谱信息;
基于高斯拟合,将所述小波滤波后的光谱信息变换为所述小波滤波后的高斯拟合光谱信息;
对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到所述光谱分析模型。
进一步地,存储器130中的发光材料检测程序被处理器执行时还实现以下步骤:
基于若干个机器学习算法,对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到若干个初始光谱分析模型和对应的模型关键指标;
根据所述若干个初始光谱分析模型和对应的所述模型关键指标,在所述若干个初始光谱分析模型中确定所述光谱分析模型。
进一步地,存储器130中的发光材料检测程序被处理器执行时还实现以下步骤:
基于机器学习算法和交叉验证法,将所述小波滤波后的高斯拟合光谱信息和对应的所述样本发光信息进行训练,得到所述光谱分析模型。
进一步地,存储器130中的发光材料检测程序被处理器执行时还实现以下步骤:
对所述基于小波滤波后的高斯拟合光谱信息和对应的所述样本主波长进行训练,得到所述主波长光谱分析模型。
进一步地,存储器130中的发光材料检测程序被处理器执行时还实现以下步骤:
对所述基于小波滤波后的高斯拟合光谱信息和对应的所述样本色纯度进行训练,得到所述色纯度光谱分析模型。
进一步地,存储器130中的发光材料检测程序被处理器执行时还实现以下步骤:
获取所述待检测发光材料的标准发光信息;
将所述预测发光信息与所述标准发光信息比较,得到检验结果。
进一步地,存储器130中的发光材料检测程序被处理器执行时还实现以下步骤:
将所述预测光谱信息作数据预处理,得到预处理后的预测光谱信息;
所述将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息的步骤包括:
将所述预处理后的预测光谱信息输入到所述光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息。
本实施例通过上述方案,通过获取待检测发光材料的预测光谱信息;将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息。先获取待检测材料的光谱信息,然后将待检测发光材料的光谱信息输入到光谱分析模型中,可快速得到发光材料的发光信息,从而简化发光材料的检测步骤,提高了发光材料的检测效率。
基于上述终端设备架构但不限于上述架构,提出本申请方法实施例。
参照图2,图2为本申请发光材料检测方法第一示例性实施例的流程示意图。
本发明一实施例提供一种发光材料检测方法,该方法包括:
步骤S10,获取待检测发光材料的预测光谱信息;
为了简化发光信息的检测步骤,提高发光信息检测效率,本实施例提出,先获取待检测材料的预测光谱信息,然后将待检测发光材料的预测光谱信息输入到光谱分析模型得到预测发光信息,其中,预测发光信息可以包括主波长和色纯度。从而实现通过光谱分析模型,仅需要把预测光谱信息输入模型中,即可快速得到待检测发光材料的预测发光信息。
具体地,预测光谱信息是用于预测的光谱信息,预测发光信息是经过预测得到的发光信息。本实施例提出将待检测发光材料的预测光谱信息输入至光谱分析模型,预测得到待检测发光材料的预测发光信息。
发光材料可以是组成Micro-LED显示屏的芯片、组成mini-LED显示屏的芯片和组成有机发光半导体(Organic Electroluminescence Display,OLED)的芯片等。
因为光波是由原子运动过程中的电子产生的电磁辐射,各种物质的原子内部电子的运动情况不同,所以它们发射的光波也不同,可以通过光谱信息研究不同物质的发光和吸收光的情况。也可以根据物质的发光和吸收光的情况确定该物质的种类。
具体地,可以通过获取上述芯片的光谱信息,分析出芯片对应的发光材料的发光信息,从而判断发光材料的质量。
更具体地,发光信息是检测发光材料性质的重要依据,发光信息可以包括主波长和色纯度及亮度等信息,其中主波长、色纯度更是评价发光材料的发光特性的关键指标。
具体地,检测出来的主波长和色纯度越接近发光材料标准的主波长和色纯度,则对应的发光材料的发光性能就越好,对于Micro-LED显示屏而言,则对应坏点越少。
然而,以Micro-LED显示屏晶圆级检测为例,现在对于Micro-LED显示屏晶圆级检测,一般而言,厂商会通过CIE算法来检测Micro-LED显示屏中的发光信息。首先收集Micro-LED显示屏中的光谱信息,然后采用三刺激值函数计算获得三刺激值XYZ,经过坐标转换,获得马蹄图内的坐标(x,y),根据马蹄图坐标与等能白光点的几何关系求得光谱对应的主波长与色纯度。这种CIE传统算法计算方式繁杂,需要多次求值,并且需要通过相应的图数转换才能得到结果,难以实现快速计算,也难以有效滤除光谱数据中的噪声。
因此,本实施例提出将待检测发光材料的预测光谱信息输入到光谱分析模型,得到预测发光信息,实现通过光谱分析模型仅需要把数据输入模型中,即可快速得到待检测发光材料的预测发光信息,从而判断待检测发光材料的发光性能。
具体地,如图6所示光谱获取装置,以获取Micro-LED显示屏的光谱信息为例,可以通过光谱获取装置来获取待检测发光材料的预测光谱信息,光谱收集装置包括加载了扩束镜(2)和聚焦镜(3)的激光器(1)、工业相机(5)、Micro-LED显示屏的芯片固定放置的载物台(4)以及存储光谱信息的服务器(6)。具体地,激光器发射的光,经过扩束镜使得激光光束变为准直光束,再经过聚焦镜获得高功率密度激发光源,光照射在晶圆芯片上产生激发光,然后相机采集数据,最后传至服务器。
更具体地,可以使用点光源对Micro-LED芯片进行激发产生绿光,并用相机对激发光进行采集,获得M0个光谱信息数据,进行异常数据剔除后,剩下M1个数据,每条光谱的通道数为N,有效光谱特征矩阵X大小为M1×N。
步骤S30,将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息。
为了高效从预测光谱信息中预测到光谱信息对应的预测发光信息,可以先分析样本光谱信息的特征,令光谱分析模型习得的样本光谱信息和样本发光信息的相关性,从而从待检测发光材料的预测光谱信息中预测出待检测发光材料的预测发光信息。
其中,光谱分析模型是根据每批次待检测发光材料中抽取的发光材料样本训练所得,再根据抽取的样本发光材料的数据学习该样本发光材料中的样本光谱信息和对应的样本发光信息的相关性。可以理解地,该发光分析模型可以学习多种发光材料的光谱信息和对应的发光信息的相关性,具有普适性。
本申请实施例提出的发光材料检测方法,通过获取待检测发光材料的预测光谱信息;将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息。先获取待检测材料的光谱信息,然后将待检测发光材料的光谱信息输入到光谱分析模型中,可快速得到发光材料的发光信息,从而简化发光材料的检测步骤,提高了发光材料的检测效率。
参照图3,图3为本申请发光材料检测方法第二示例性实施例的流程示意图。
基于第一实施例,提出本申请第二实施例,本申请第二实施例与第一实施例的区别在于:对步骤S30,将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息的步骤之前进行补充,其中补充的步骤包括:
步骤S20,创建所述光谱分析模型;
为了高效地从待检测发光材料的光谱信息中的获取预测发光信息,需要先训练一个准确度高的光谱分析模型。
考虑到传统回归模型计算方式复杂,预测结果较差。基于机器学习回归算法的主波长与色纯度预测,具有稳定性高,计算方式便捷等优点。
具体地,样本光谱信息是从样本发光材料中得到的光谱信息,样本发光信息是从样本发光材料中得到的发光信息,样本光谱信息和样本发光信息均用于创建光谱分析模型。
具体地,可以把样本光谱信息和对应的样本发光信息作为训练模型的数据,通过机器学习算法,具体可以分别通过线性回归算法、支持向量机算法、最近邻居算法、决策树算法和随机森林算法等算法,来训练光谱分析模型,结合K折交叉验证法提高模型的鲁棒性,从而学习样本光谱信息和对应的样本发光信息的相关性,从而创建光谱分析模型。
步骤S21,获取所述待检测发光材料的样本光谱信息和对应的样本发光信息;
为了训练光谱分析模型,需要获取待检测发光材料的样本光谱信息和对应的样本发光信息作为训练模型的数据,然后分析出样本光谱信息和对应的样本发光信息的相关性,再利用样本光谱信息和对应的样本发光信息的相关性,从待检测材料的预测光谱信息中预测出对应的预测发光信息。
具体地,可以在待检测发光材料中的抽取一小部分作为提取训练模型的样本数据,通过光谱获取装置,获取上述被抽取的发光材料的样本光谱信息。然后可以通过CIE算法,获取上述被抽取的发光材料的样本光谱信息对应的样本发光信息。结合上述样本光谱信息和对应的样本发光信息,融合机器学习算法得到光谱分析模型。通过训练好的光谱分析模型预测剩下的待检测发光材料的发光信息。
可以理解地,现有技术中需要通过CIE算法计算全部待检测发光材料的发光信息,这个方法非常繁琐,耗时较长,难以满足超快检测速度的要求。本实施例提出,可以通过CIE算法计算一小部分的待检测发光材料的发光信息,训练模型学习得到待检测发光材料中光谱信息与发光信息的相关性,对于非抽取为训练模型的数据的大部分待检测发光材料,可以根据光谱信息与发光信息的相关性,通过光谱信息预测发光信息,而不需要再通过CIE算法求得,从而简化步骤,节省时间,满足超快检测速度的要求。
步骤S22,将所述样本光谱信息作数据预处理,得到预处理后的样本光谱信息;
步骤S23,对所述预处理后的样本光谱信息和对应的所述样本发光信息进行训练,得到所述光谱分析模型。
为了使光谱分析模型的预测更加准确,可以先对待检测发光材料的样本光谱信息进行预处理,使样本光谱信息中的有效特征更加明显,并去除无效特征,得到预处理后的样本光谱信息。
具体地,可以通过傅里叶变换、小波变换、拉普拉斯变换和Z变换等对样本光谱信息进行预变换处理,使变换的后光谱数据更加符合训练要求,有效特征更加明显,并去除无效特征。
进一步地,还可以通过最小二乘法、梯度下降法和高斯拟合的方法对变换的后光谱数据进行拟合,使得到预处理后的样本光谱信息更加平滑,有效特征更加明显,并去除无效特征。
进一步地,通过对所述预处理后的样本光谱信息和对应的所述样本发光信息进行训练,得到的光谱分析模型的分析更准确。具体地,可以通过机器学习算法学习预处理后的样本光谱信息和对应的所述样本发光信息的相关性,因为预处理后的样本光谱信息的有效特征更加明显,机器学习算法能很好地学习光谱信息和发光信息的相关性。
本申请实施例提出的发光材料检测方法,获取所述待检测发光材料的样本光谱信息和对应的样本发光信息;将所述样本光谱信息作数据预处理,得到预处理后的样本光谱信息;对所述预处理后的样本光谱信息和对应的所述样本发光信息进行训练,得到所述光谱分析模型。先对样本光谱进行数据预处理,可以有效提升样本光谱信息的数据质量,使有效特征更加明显,并去除无效特征,令光谱分析模型的预测更加准确。
基于第二实施例,提出本申请第三实施例,本申请第三实施例与第二实施例的区别在于:所述预处理后的样本光谱信息包括小波滤波后的高斯拟合光谱信息;
对步骤S22,将所述样本光谱信息作数据预处理,得到预处理后的样本光谱信息的步骤进行细化,其中细化的步骤包括:
在本实施例中,步骤S22,将所述样本光谱信息作数据预处理,得到预处理后的样本光谱信息的步骤包括:
步骤S221,基于小波变换,将所述样本光谱信息变换为小波滤波后的光谱信息;
考虑到原始的光谱信息中,含有大量的数据噪声,即原始的光谱信息中存在着错误或异常(偏离期望值)的数据,这些数据对光谱信息的分析造成了干扰,因此可以通过小波变换去掉噪声。
具体地,可以将采集到的样本光谱信息进行离散小波变换,使用离散小波分解的方法进行信号提取。
光谱分析是根据光谱图中是否有某元素的特征谱线出现来判断样品中是否含有某种元素。光谱是被色散开的单色光按波长(或频率)大小而依次排列的图案,可以表达发光材料的激发光在各波长下的辐射能力。可以把光谱中的波长分变换为多个频段,即多个尺度,研究目标尺度下的特征,去掉非目标尺度下的特征,从而简化光谱信息,聚焦关注的波段,去除噪声。
具体地,可以将样本光谱信息通过离散小波变换进行一维多尺度离散小波分解,得到小波滤波后的光谱信息。具体通过调用指定的小波基,对一维离散信号进行小波多尺度分解,获得样本光谱信号在多尺度下的高频信息和低频信息。
更具体地,小波基可以是Daubechies小波(dbN,其中N为小波的阶数),对输入信号进行m尺度的小波分解,获得满足离散逼近条件的分解尺度j,通过设置滤波阈值,滤去噪声,为保证过滤效果,将高频系数进行置零,增强滤波的稳定性。
更具体地,根据多尺度小波分解的原理,对光谱信息y进行m尺度分解,光谱信息的小波变换具体公式可以如下所示:
;
其中,yj为光谱信息y在j尺度上的重构信号,gi为j尺度上y的离散逼近,fj为j尺度上的离散细节。g和f的重构表达式如下:
;
;
其中,aj与dj分别为j尺度上的逼近系数与细节系数,尺度关系和/>由选定的小波基来确定,Z为整数集。
步骤S222,基于高斯拟合,将所述小波滤波后的光谱信息变换为所述小波滤波后的高斯拟合光谱信息;
考虑到光谱分析模型需要学习光谱信息与发光信息的相关关系,又因为小波变换后的多尺度的小波滤波后的光谱信息是离散数值的状态,需要把离散数值的状态变换成光谱的连续形态,因此可以通过一次高斯拟合把小波滤波后的光谱信息变换为小波滤波后的高斯拟合光谱信息。
具体地,将滤除噪声后的小波滤波后的光谱信息中的光谱信号进行一次高斯拟合,并对光谱进行重新插值,获得基于小波滤波后的高斯拟合光谱信息。
步骤S223,对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到所述光谱分析模型。
为了实现通过待检测材料的光谱信息预测待检测材料的发光信息,需要对光谱分析模型进行训练,得到光谱信息与发光信息的相关关系,可以对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练。
具体地,可以融入机器学习算法,对光谱分析模型进行训练。对光谱信息与发光信息的相关性进行学习,然后通过对比各个机器学习算法在实际预测的关键指标,确定最适合该种待检测发光材料的光谱分析模型的机器学习算法,从而建立光谱分析模型。
进一步地,建立光谱分析模型之后,通过光谱信息与发光信息的相关性,可以快速预测剩下的大部分待检测发光材料的预测发光信息。
本申请实施例提出的发光材料检测方法,通过基于高斯拟合,将所述小波滤波后的光谱信息变换为所述小波滤波后的高斯拟合光谱信息;对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到所述光谱分析模型,从而建立计算速度快和准确度高的光谱分析模型;并且基于小波滤波增强的高斯拟合算法对光谱信息进行预处理,能够有效滤除光谱数据中的噪声,提高光谱分析模型的稳定性和准确性。
参照图4,图4为本申请发光材料检测方法第四示例性实施例的流程示意图。
基于第三实施例,提出本申请第四实施例,本申请第四实施例与第三实施例的区别在于:步骤S223,对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到所述光谱分析模型的步骤进行细化,其中细化的步骤可以包括:
在本实施例中,步骤S223,对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到所述光谱分析模型的步骤包括:
步骤S2231,基于若干个机器学习算法,对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到若干个初始光谱分析模型和对应的模型关键指标;
步骤S2232,根据所述若干个初始光谱分析模型和对应的所述模型关键指标,在所述若干个初始光谱分析模型中确定所述光谱分析模型。
考虑到每种待检测发光材料的发光特质不同,对应的最适合的光谱分析模型的机器学习算法也会不同,为了提高光谱分析的可靠性和准确性,可以通过多种算法去训练模型,找到最适合该待检测发光材料的光谱分析的机器学习算法。
具体地,可以通过不同的机器学习算法对小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,获取不同机器算法的模型关键指标和对应的初始光谱分析模型,再通过模型关键指标从初始光谱分析模型选择最合适该待检测发光材料的机器学习算法。
更具体地,可以通过若干个机器学习算法,如决策树、支持向量回归(SVR)、随机森林(RF)、梯度提升决策树(GBDT)、自适应增强(AdaBoost)、轻量级梯度提升机(LightGBM)和极端梯度提升(XGBoost)等算法逐一对光谱信息和法发光信息进行训练,得到初始光谱分析模型。
更具体地,可以把训练模型的数据分为训练集和验证集,通过训练集进行训练,得到各个机器学习算法对应的初始光谱分析模型,再通过验证集来确定各个初始光谱分析模型的模型关键指标,具体通过验证集中的每一组数据的预测的发光信息和样本发光信息比较,综合得到多个模型关键指标,如决定系数(R2)、平均绝对误差(Mae)、均方根误差(RMSE)和准确度等模型关键指标。其中决定系数(R2)、平均绝对误差(MAE)、均方根误差(RMSE)的方式为:
;/>;/>;
其中,为真实数据,/>预测数据,/>为真实数据均值。
以下表1为对Micro-LED的主波长进行预测时,各个算法对应的模型关键指标。
可以理解地,通过小波滤波和高斯拟合对光谱信息进行处理后再进行光谱分析模型训练,取得很好的效果,准确度均在80%以上。
进一步地,需要结合多个关键指标评价初始光谱分析模型的可靠性。如在上图中决策树、SVR、GBDT、LightGBM和XGBoos等算法的对应的初始光谱分析模型的准确率都达到99%以上,需要结合决定系数(R2)、平均绝对误差(MAE)、均方根误差(RMSE)来衡量,因此在确定最终的光谱分析模型时,可以选择决定系数越大,且平均绝对误差和均方根误差越小的决策树算法对应的初始光谱分析模型作为最终的光谱分析模型。
本申请实施例提出的发光材料检测方法,通过基于若干个机器学习算法,对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到若干个初始光谱分析模型和对应的模型关键指标;根据所述若干个初始光谱分析模型和对应的所述模型关键指标,在所述若干个初始光谱分析模型中确定所述光谱分析模型,从而实现根据待检测发光材料的发光特质不同,确定对应的最适合的光谱分析模型的机器学习算法,提高光谱分析的可靠性和准确性。
基于第三实施例,提出本申请第五实施例,本申请第五实施例与第三实施例的区别在于:步骤S223,对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到所述光谱分析模型的步骤进行细化,其中细化的步骤可以包括:
在本实施例中,步骤S223,对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到所述光谱分析模型的步骤包括:
步骤S2233,基于机器学习算法和交叉验证法,将所述小波滤波后的高斯拟合光谱信息和对应的所述样本发光信息进行训练,得到所述光谱分析模型。
为了得到可靠稳定的光谱分析模型,可以使用交叉验证来提高模型的学习能力。
交叉验证主要用于建模应用中,例如PCR、PLS回归建模中。在给定的建模样本中,拿出大部分样本进行建模型,留小部分样本用刚建立的模型进行预报,并求这小部分样本的预报误差,记录它们的平方加和。
交叉验证主要用于防止模型过于复杂而引起地过拟合,是一种评价训练数据的数据集泛化能力的统计方法。其基本思想是将原始数据进行划分,分成训练集和测试集,训练集用来对模型进行训练,测试集用来测试训练得到的模型,以测试结果来作为模型的评价指标。
本实施例中可以通过K折交叉验证提高训练样本数量,使得光谱分析模型更加稳健,鲁棒性更强。
K折交叉验证:将训练的数据(即抽取的样本待检测发光材料的样本光谱信息与对应的样本发光信息)随机分成K份,每次选择(K-1)份作为训练集,剩余的1份作为验证集。交叉验证重复K次,可以取K次准确率的平均值作为最终模型的评价指标。它可以有效避免过拟合和欠拟合状态的发生,K值的选择根据实际情况调节。
具体地,可以结合K折交叉验证,将小波滤波后的高斯拟合光谱信息和对应的所述样本发光信息对象随机分成K份,每次选择(K-1)份作为训练集,剩余的1份作为验证集。交叉验证重复K次,取K次准确率的平均值作为最终模型的评价指标(也可以取决定系数(R2)、平均绝对误差(MAE)、均方根误差(RMSE)作为最终模型的评价指标)。
本申请实施例提出的发光材料检测方法,通过基于机器学习算法和交叉验证法,将所述小波滤波后的高斯拟合光谱信息和对应的所述样本发光信息进行训练,得到所述光谱分析模型,通过使用K折交叉验证来提高模型的学习能力,从而得到可靠稳定的光谱分析模型。同时,可以通过K折交叉验证提高训练样本数量,使得光谱分析模型更加稳健,鲁棒性更强。
基于第三实施例,提出本申请第六实施例,本申请第六实施例与第三实施例的区别在于:所述样本发光信息包括样本主波长,所述光谱分析模型包括主波长光谱分析模型;
步骤S223,对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到所述光谱分析模型的步骤进行细化,其中细化的步骤可以包括:
在本实施例中,步骤S223,对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到所述光谱分析模型的步骤包括:
步骤S2234,对所述基于小波滤波后的高斯拟合光谱信息和对应的所述样本主波长进行训练,得到所述主波长光谱分析模型。
样本发光信息可以是样本主波长,主波长是评价采光材质的发光特性的关键指标,可以通过基于小波滤波后的高斯拟合光谱信息学习和对应的样本主波长进行训练,得到主波长光谱分析模型。
具体地,获取基于小波滤波后的高斯拟合光谱信息学习和对应的样本主波长后,可以结合若干个机器学习算法和K这交叉验证对小波滤波后的高斯拟合光谱信息学习和对应的样本主波长进行训练,得到主波长光谱分析模型。
更具体地,以Micro-LED的晶圆级检测为例,可以把将训练的数据(即抽取的待检测发样本光材料的样本光谱信息与利用CIE算法获取的对应的样本主波长)随机分成K份,每次选择(K-1)份作为训练集,剩余的1份作为验证集。交叉验证重复K次,取K次准确率的平均值作为最终模型的评价指标(也可以取决定系数(R2)、平均绝对误差(MAE)、均方根误差(RMSE)作为最终模型的评价指标)。
具体地,通过训练集得到初始主波长光谱分析模型后,通过验证集对初始主波长光谱分析模型进行验证。然后根据Micro-LED的晶圆的样本主波长,设定主波长预测区间和设定可接受误差ΔDW。基于验证集中的样本光谱信息,使用初始主波长光谱分析模型预测光谱信息对应主波长,即当预测的主波长与设定的主波长预测区间的距离为小于ΔDW时,视为预测正确。经过上述验证集的验证步骤,完成对初始的主波长光谱分析模型的验证。因为是交叉验证K次,取K次模型关键指标的平均值作为模型的评价指标。
具体地,对于每种机器学习算法结合K折交叉验证操作,基于小波滤波后的高斯拟合光谱信息和对应的样本主波长学习,得到每种机器学习算法对应的初始主波长光谱分析模型对于Micro-LED的主波长预测效果。
本实施例提到的方法用于Micro-LED的主波长预测,并将各机器学习(包括非集成学习与集成学习)算法预测模型关键指标进行对比,如下表2所示。
以下表2为不同机器学习算法对主波长的预测对比。
/>
如表2所示,经过小波滤波和高斯拟合对样本光谱信息预处理后,各机器学习(包括非集成学习与集成学习)算法训练得到的光谱分析模型对Micro-LED的主波长进行预测均取得较好的效果,预测准确度均在80%以上,且其他模型评价指标的数值都较好,主波长回归结果如图7所示。
本申请实施例提出的发光材料检测方法,通过对所述基于小波滤波后的高斯拟合光谱信息和对应的所述样本主波长进行训练,得到所述主波长光谱分析模型,通过小波滤波和高斯拟合算法对光谱信息预处理后,再通过机器学习训练得到的主波长光谱分析模型具有更高的准确性。
基于第三实施例,提出本申请第七实施例,本申请第七实施例与第三实施例的区别在于:所述样本发光信息包括样本色纯度,所述光谱分析模型包括色纯度光谱分析模型;
步骤S223,对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到所述光谱分析模型的步骤进行细化,其中细化的步骤可以包括:
在本实施例中,步骤S223,对所述小波滤波后的高斯拟合光谱信息与和对应的所述样本发光信息进行训练,得到所述光谱分析模型的步骤包括:
步骤S2235,对所述基于小波滤波后的高斯拟合光谱信息和对应的所述样本色纯度进行训练,得到所述色纯度光谱分析模型。
样本发光信息可以是样本色纯度,色纯度是评价采光材质的发光特性的关键指标,可以通过基于小波滤波后的高斯拟合光谱信息学习和对应的样本色纯度进行训练,得到色纯光谱分析模型。
具体地,获取基于小波滤波后的高斯拟合光谱信息学习和对应的样本色纯度后,可以结合若干个机器学习算法和K这交叉验证对小波滤波后的高斯拟合光谱信息学习和对应的样本色纯度进行训练,得到色纯度光谱分析模型。
更具体地,以Micro-LED的晶圆级检测为例,可以把将训练的数据(即抽取的样本待检测发光材料的样本光谱信息与利用CIE算法获取的对应的样本色纯度)随机分成K份,每次选择(K-1)份作为训练集,剩余的1份作为验证集。交叉验证重复K次,取K次准确率的平均值作为最终模型的评价指标(也可以取决定系数(R2)、平均绝对误差(MAE)、均方根误差(RMSE)作为最终模型的评价指标)。
具体地,通过训练集得到初始色纯度光谱分析模型后,通过验证集对初始色纯度光谱分析模型进行验证。然后根据Micro-LED的晶圆的样本色纯度,设定色纯度预测区间和设定可接受误差ΔCP。基于验证集中的样本光谱信息,使用初始的色纯度光谱分析模型预测光谱信息对应色纯度,即当预测的色纯度与设定的色纯度预测区间的距离为小于ΔCP时,视为预测正确。经过上述验证集的验证步骤,完成对初始的色纯度光谱分析模型的验证。因为是交叉验证K次,取K次模型关键指标的平均值作为模型的评价指标。
具体地,对于每种机器学习算法结合K折交叉验证操作,基于小波滤波后的高斯拟合光谱信息和对应的样本色纯度学习,得到每种机器学习算法对应的初始色纯度光谱分析模型对于Micro-LED的色纯度预测效果。
本实施例提到的方法用于Micro-LED的色纯度预测,并将各机器学习(包括非集成学习与集成学习)算法预测模型关键指标进行对比,如下表3所示。
以下表3为不同机器学习算法对色纯度的预测对比。
如表3所示,经过小波滤波和高斯拟合对样本光谱信息预处理后,各机器学习(包括非集成学习与集成学习)算法训练得到的光谱分析模型对Micro-LED的色纯度进行预测均取得较好的效果,预测准确度均在90%以上,且其他模型评价指标的数值都较好,色纯度回归结果如图8所示。
此外,当不使用小波滤波和高斯拟合对样本光谱信息处理时,预测结果如表4所示。其中,大部分准确度低于90%以上,不使用小波滤波和高斯拟合对样本光谱信息预处理得到的光谱分析模型预测的色纯度回归结果如图9所示。
以下表4为不使用小波滤波和高斯拟合对光谱信息处理的前提下,不同机器学习算法对色纯度的预测对比。
对比图8和图9可知,图8所示的经数据预处理后的色纯度回归结果预测效果更好,并且对比表3和表4可知,表3所示的经数据预处理后的色纯度回归结果预测效果更好,因此本实施例提出的基于小波滤波和高斯拟合算法预处理后再训练模型的方法,增强了回归预测的准确性和稳定性。
本申请实施例提出的发光材料检测方法,通过对所述基于小波滤波后的高斯拟合光谱信息和对应的所述样本色纯度进行训练,得到所述色纯度光谱分析模型,通过小波滤波和高斯拟合算法对光谱信息预处理后,再通过机器学习训练得到的色纯度光谱分析模型具有更高的准确性。
参照图5,图5为本申请发光材料检测方法第八示例性实施例的流程示意图。
基于第一实施例,提出本申请第八实施例,本申请第八实施例与第一实施例的区别在于:步骤S30,将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息的步骤之后进行补充,其中补充的步骤可以包括:
在本实施例中,步骤S30,将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息的步骤之后包括:
步骤S40,获取所述待检测发光材料的标准发光信息;
步骤S50,将所述预测发光信息与所述标准发光信息比较,得到检验结果。
具体地,标准发光信息为该批次待检测发光材料的标准发光特质,是厂商生产发光材料的指标。当预测发光信息和标准发光信息的比较结果满足某些达标条件时,视为该待检测发光材料满足生产指标,即视为生产合格。标准发光信息可以是标准主波长,标准色纯度。达标条件可以是预测发光信息与标准发光信息的差异小于5%,则检验结果为合格。若大于等于5%,检验结果为不合格,视为该预测发光信息对应的晶圆则是坏点。进一步地,通过光谱分析模型预测出该批次发光材料的预测发光信息,如预测的主波长和预测的色纯度,把预测的主波长和标准主波长作比较,或把预测的色纯度和标准色纯度比较,得到检验结果,从而就可以预测出待检测发光材料的坏点数量。
本申请实施例提出的发光材料检测方法,通过获取所述待检测发光材料的标准发光信息;将所述预测发光信息与所述标准发光信息比较,得到检验结果,通过光谱分析模型可以快速得到发光信息,实现快速与标准发光信息比较,从而简化发光材料的检测步骤,提高了发光材料的检验效率,快速得到该批发光材料的生产质量。
基于第一实施例,提出本申请第九实施例,本申请第九实施例与第一实施例的区别在于:
对步骤S10,获取待检测发光材料的预测光谱信息的步骤之后进行补充,其补充的步骤可以是;
本实施例中,步骤S10,获取待检测发光材料的预测光谱信息的步骤之后还包括:
步骤S11,将所述预测光谱信息作数据预处理,得到预处理后的预测光谱信息;
步骤S30,将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息的步骤包括:
步骤S31,将所述预处理后的预测光谱信息输入到所述光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息。
为了进一步提高预测发光信息的准确性,可以对待检测发光材料的预测光谱信息进行预处理,得到预处理后的预测光谱信息。预处理的方式可以包括傅里叶变换、小波变换、拉普拉斯变换和Z变换等变换方式,还可以包括最小二乘法、梯度下降法和高斯拟合等拟合方式。
具体地,可以对预测光谱信息进行小波变换和高斯拟合,得到小波滤波后的高斯拟合预测光谱信息。
具体地,预测光谱信息中存在着错误或异常(偏离期望值)的数据,即噪声,这些噪声对预测光谱信息的分析造成了干扰,通过小波变换和高斯拟合去掉预测光谱信息中的噪声。
可以理解地,若光谱分析模型是根据小波滤波后的高斯拟合光谱信息与和对应的样本发光信息训练所得,则对预测光谱信息进行小波变换和高斯拟合更符合光谱分析模型的要求,可以使预测的发光信息更加准确。
本申请实施例提出的发光材料检测方法,通过将所述预测光谱信息作数据预处理,得到预处理后的预测光谱信息,将所述预处理后的预测光谱信息输入到所述光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息,因为可以通过数据预处理,如结合小波变换和高斯拟合的光谱信息去掉了预测光谱信息的噪声,使得到预处理后的预测光谱信息更符合光谱分析模型的要求,所以预测出来的预测发光信息的准确性更高。
此外,本申请实施例还提出一种发光材料检测装置,所述发光材料检测装置包括:
信息获取模块,用于获取待检测发光材料的预测光谱信息;
光谱分析模块,用于将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息。
本实施例实现发光材料检测的原理及实施过程,请参照上述各实施例,在此不再赘述。
此外,本申请实施例还提出一种终端设备,所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的发光材料检测程序,所述发光材料检测程序被所述处理器执行时实现如上所述的发光材料检测方法的步骤。
由于本发光材料检测程序被处理器执行时,采用了前述所有实施例的全部技术方案,因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果,在此不再一一赘述。
此外,本申请实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有发光材料检测程序,所述发光材料检测程序被处理器执行时实现如上所述的发光材料检测方法的步骤。
由于本发光材料检测程序被处理器执行时,采用了前述所有实施例的全部技术方案,因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果,在此不再一一赘述。
相比现有技术,本申请实施例提出的发光材料检测方法、装置、终端设备以及存储介质,通过获取待检测发光材料的预测光谱信息;将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息。先获取待检测材料的光谱信息,然后将待检测发光材料的光谱信息输入到光谱分析模型中,可快速得到发光材料的发光信息,从而简化发光材料的检测步骤,提高了发光材料的检测效率。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
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上述实施例方法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,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的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,该计算机软件产品存储在如上的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,被控终端,或者网络设备等)执行本申请每个实施例的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种发光材料检测方法,其特征在于,所述发光材料检测方法包括:
获取待检测发光材料的预测光谱信息;
将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息;
所述将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息的步骤之前还包括:
创建所述光谱分析模型,具体包括:
获取所述待检测发光材料的样本光谱信息和对应的样本发光信息;
将所述样本光谱信息作数据预处理,得到预处理后的样本光谱信息;
对所述预处理后的样本光谱信息和对应的所述样本发光信息进行训练,得到所述光谱分析模型;
所述预处理后的样本光谱信息包括小波滤波后的高斯拟合光谱信息,所述将所述样本光谱信息作数据预处理,得到预处理后的样本光谱信息的步骤包括:
将所述样本光谱信息通过离散小波变换进行一维多尺度离散小波分解,获得样本光谱信号在多尺度下的高频信息和低频信息,其中,小波基是Daubechies小波;
对输入信号进行m尺度的小波分解,获得满足离散逼近条件的分解尺度j,通过设置滤波阈值,滤去噪声,为保证过滤效果,将高频系数进行置零,得到小波滤波后的光谱信息;
将所述小波滤波后的光谱信息中的光谱信号进行一次高斯拟合,并对光谱进行重新插值,获得小波滤波后的高斯拟合光谱信息;
对所述小波滤波后的高斯拟合光谱信息和对应的所述样本发光信息进行训练,得到所述光谱分析模型;
所述样本发光信息包括样本色纯度,所述光谱分析模型包括色纯度光谱分析模型,所述对所述小波滤波后的高斯拟合光谱信息和对应的所述样本发光信息进行训练,得到所述光谱分析模型的步骤包括:
对所述小波滤波后的高斯拟合光谱信息和对应的所述样本色纯度进行训练,得到所述色纯度光谱分析模型。
2.根据权利要求1所述的发光材料检测方法,其特征在于,所述对所述小波滤波后的高斯拟合光谱信息和对应的所述样本发光信息进行训练,得到所述光谱分析模型的步骤包括:
基于若干个机器学习算法,对所述小波滤波后的高斯拟合光谱信息和对应的所述样本发光信息进行训练,得到若干个初始光谱分析模型和对应的模型关键指标;
根据所述若干个初始光谱分析模型和对应的所述模型关键指标,在所述若干个初始光谱分析模型中确定所述光谱分析模型。
3.根据权利要求1所述的发光材料检测方法,其特征在于,所述对所述小波滤波后的高斯拟合光谱信息和对应的所述样本发光信息进行训练,得到所述光谱分析模型的步骤包括:
基于机器学习算法和交叉验证法,将所述小波滤波后的高斯拟合光谱信息和对应的所述样本发光信息进行训练,得到所述光谱分析模型。
4.根据权利要求1所述的发光材料检测方法,其特征在于,所述样本发光信息包括样本主波长,所述光谱分析模型包括主波长光谱分析模型,所述对所述小波滤波后的高斯拟合光谱信息和对应的所述样本发光信息进行训练,得到所述光谱分析模型的步骤包括:
对所述小波滤波后的高斯拟合光谱信息和对应的所述样本主波长进行训练,得到所述主波长光谱分析模型。
5.根据权利要求1所述的发光材料检测方法,其特征在于,所述将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息的步骤之后还包括:
获取所述待检测发光材料的标准发光信息;
将所述预测发光信息与所述标准发光信息比较,得到检验结果。
6.根据权利要求1所述的发光材料检测方法,其特征在于,所述获取待检测发光材料的预测光谱信息的步骤之后还包括:
将所述预测光谱信息作数据预处理,得到预处理后的预测光谱信息;
所述将所述预测光谱信息输入到预先创建的光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息的步骤包括:
将所述预处理后的预测光谱信息输入到所述光谱分析模型进行预测,得到所述待检测发光材料的预测发光信息。
7.一种终端设备,其特征在于,所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的发光材料检测程序,所述发光材料检测程序被所述处理器执行时实现如权利要求1-6中任一项所述的发光材料检测方法的步骤。
8.一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上存储有发光材料检测程序,所述发光材料检测程序被处理器执行时实现如权利要求1-6中任一项所述的发光材料检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310857581.XA CN116678839B (zh) | 2023-07-13 | 2023-07-13 | 发光材料检测方法、装置、终端设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310857581.XA CN116678839B (zh) | 2023-07-13 | 2023-07-13 | 发光材料检测方法、装置、终端设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116678839A CN116678839A (zh) | 2023-09-01 |
CN116678839B true CN116678839B (zh) | 2023-11-10 |
Family
ID=87779369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310857581.XA Active CN116678839B (zh) | 2023-07-13 | 2023-07-13 | 发光材料检测方法、装置、终端设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116678839B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323438A (zh) * | 2013-06-08 | 2013-09-25 | 北京印刷学院 | 一种荧光粉实用发光性能测量方法 |
CN104410850A (zh) * | 2014-12-25 | 2015-03-11 | 武汉大学 | 一种彩色数字影像色度校正方法及系统 |
CN113824580A (zh) * | 2020-06-19 | 2021-12-21 | 北京市天元网络技术股份有限公司 | 一种网络指标预警方法及系统 |
CN114441149A (zh) * | 2022-04-11 | 2022-05-06 | 季华实验室 | 微米发光二极管检测系统及检测方法 |
CN115266583A (zh) * | 2022-07-16 | 2022-11-01 | 北京津发科技股份有限公司 | 环境光滤除方法、系统、计算机设备及计算机可读存储介质 |
CN115394383A (zh) * | 2022-08-25 | 2022-11-25 | 北京交通大学 | 磷光材料的发光波长预测方法及系统 |
CN115575790A (zh) * | 2022-12-12 | 2023-01-06 | 季华实验室 | 微米发光二极管芯片缺陷检测方法、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9410890B2 (en) * | 2012-03-19 | 2016-08-09 | Kla-Tencor Corporation | Methods and apparatus for spectral luminescence measurement |
-
2023
- 2023-07-13 CN CN202310857581.XA patent/CN116678839B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323438A (zh) * | 2013-06-08 | 2013-09-25 | 北京印刷学院 | 一种荧光粉实用发光性能测量方法 |
CN104410850A (zh) * | 2014-12-25 | 2015-03-11 | 武汉大学 | 一种彩色数字影像色度校正方法及系统 |
CN113824580A (zh) * | 2020-06-19 | 2021-12-21 | 北京市天元网络技术股份有限公司 | 一种网络指标预警方法及系统 |
CN114441149A (zh) * | 2022-04-11 | 2022-05-06 | 季华实验室 | 微米发光二极管检测系统及检测方法 |
CN115266583A (zh) * | 2022-07-16 | 2022-11-01 | 北京津发科技股份有限公司 | 环境光滤除方法、系统、计算机设备及计算机可读存储介质 |
CN115394383A (zh) * | 2022-08-25 | 2022-11-25 | 北京交通大学 | 磷光材料的发光波长预测方法及系统 |
CN115575790A (zh) * | 2022-12-12 | 2023-01-06 | 季华实验室 | 微米发光二极管芯片缺陷检测方法、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于小波变换和高斯拟合的在线谱图综合处理方法;李翠萍 等;《光谱学与光谱分析》;第31卷(第11期);第3050-3054页 * |
液晶显示器(LCD)光谱特征化;张肖辉 等;《光谱学与光谱分析》;第40卷(第08期);第2392-2396页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116678839A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110763660B (zh) | 基于集成学习的libs定量分析方法 | |
CN113155809A (zh) | 一种矿石分类与实时定量分析的光谱检测新方法 | |
CN112534246A (zh) | 结构特性预测系统、成像器系统及相关方法 | |
CN111213052A (zh) | 频谱分析装置及频谱分析方法 | |
CN116030310A (zh) | 一种基于激光诱导击穿光谱技术的样品分类方法及系统 | |
CN116678839B (zh) | 发光材料检测方法、装置、终端设备以及存储介质 | |
EP2517155A1 (en) | Method and apparatus for predicting information about trees in images | |
CN111626224A (zh) | 基于近红外光谱和ssa优化的elm的煤矸石快速识别方法 | |
CN111665215A (zh) | 一种基于嵌入式的苹果成熟度检测系统及方法 | |
CN114418027B (zh) | 一种基于波段注意力机制的高光谱图像特征波段选择方法 | |
CN116229454A (zh) | 基于多类型图像和U-Net重组数据集的苹果真菌侵染种类鉴定方法 | |
CN114913415A (zh) | 一种基于遥感监测的病虫害检测系统 | |
CN115049917A (zh) | 神经网络的训练方法、物体检测方法和智能终端设备 | |
CN116008225A (zh) | 高光谱成像叶用银杏叶总黄酮含量检测方法 | |
CN117274236B (zh) | 基于高光谱图像的尿液成分异常检测方法及系统 | |
CN116883852B (zh) | 一种基于高光谱的岩芯数据获取方法及系统 | |
Zhang et al. | Rapid non-destructive identification of selenium-enriched millet based on hyperspectral imaging technology. | |
Fumero et al. | Retrieving genuine nonlinear Raman responses in ultrafast spectroscopy via deep learning | |
CN117288692B (zh) | 一种酿酒粮食中单宁含量的检测方法 | |
CN117474815B (zh) | 一种高光谱图像校准方法及系统 | |
CN114894782B (zh) | 一种libs定量分析方法、系统及电子设备 | |
CN114324337B (zh) | 一种利用遥感影像进行水质分析系统和方法 | |
GORLINI et al. | Hyperspectral imaging and deep learning for automatic food quality inspection | |
CN114720436A (zh) | 基于荧光高光谱成像的农产品品质参数检测方法及设备 | |
CN117975153A (zh) | 一种基于样本能量谱的分类方法与装置 |
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 |