CN116678840A - 一种水性低温耐腐蚀性涂料成分分析方法 - Google Patents

Abstract

本发明涉及基于光谱数据的成分测试技术领域，具体涉及一种水性低温耐腐蚀性涂料成分分析方法，包括：根据波段数据得到初始特征程度；根据初始特征程度进行聚类得到聚类簇，从而得到特征程度；根据特征程度得到特征区间；根据特征区间得到调整程度；根据调整程度得到白噪声数值，根据白噪声数值添加白噪声，得到处理后的光谱数据；根据处理后的光谱数据得到最终成分调整程度，根据最终成分调整程度得到最终白噪声数值，根据最终白噪声数值添加白噪声，得到光谱处理数据；根据光谱处理数据构建成分模型，通过成分模型进行水性低温耐腐蚀性涂料成分检测。本发明提高ICA数据分离的分离效果，提高水性低温耐腐蚀性涂料的分析结果的准确性。

Description

一种水性低温耐腐蚀性涂料成分分析方法

技术领域

本发明涉及基于光谱数据的成分测试技术领域，具体涉及一种水性低温耐腐蚀性涂料成分分析方法。

背景技术

在海洋开采、化学工业等高腐蚀环境下，防腐涂料起着至关重要的作用，其中由于水温低温耐腐蚀涂料因自身具有良好的抗腐蚀性与耐低温性的优势而被广泛使用。然而，这类涂料的成分复杂，如何准确、快速地进行成分分析，是保证涂料质量、提升涂料性能的关键。光谱分析作为一种非破坏性检测技术，可以直接得出涂料的成分信息，有助于理解涂料的防腐机理，并为新型防腐涂料的设计和改进提供科学依据。然而由于水性低温耐腐蚀性涂料中的成分比较复杂，会使得采集得到的光谱数据出现光谱峰重叠的问题，影响到后续的成分分析结果，因此在分析过程中需要对采集的光谱数据进行预处理。

ICA独立成分分析常被用于光谱数据的处理，但是由于光谱数据中的某些光谱峰会近似高斯分布，使ICA进行光谱数据分离结果不准确，进而干扰光谱数据的处理结果的准确性。基于此，本发明提出了一种水性低温耐腐蚀性涂料成分分析方法，通过结合白噪声的均值为0的特点，自适应加入白噪声使得光谱数据的高斯分布特征进行打乱，提高ICA数据分离的分离效果，进而使得后续得到准确的光谱数据处理结果，提高水性低温耐腐蚀性涂料的分析结果的准确性。

发明内容

本发明提供一种水性低温耐腐蚀性涂料成分分析方法，以解决现有的问题。

本发明的一种水性低温耐腐蚀性涂料成分分析方法采用如下技术方案：

本发明一个实施例提供了一种水性低温耐腐蚀性涂料成分分析方法，该方法包括以下步骤：

采集水性低温耐腐蚀性涂料的光谱数据；所述光谱数据中包含若干波段数据；

根据波段数据的斜率得到每个波段数据的初始特征程度；将每个初始特征程度转换为若干坐标数据点，并对若干坐标数据点进行聚类得到若干聚类簇；根据聚类簇中光谱数据的数量得到每个波段数据的特征程度；

对特征程度进行阈值筛选得到若干特征区间；根据特征区间得到每个波段数据的调整程度；

根据调整程度得到每个白噪声数值，并根据白噪声数值添加白噪声，得到若干处理后的光谱数据；在处理后的光谱数据中，将特征区间进行组合得到若干组合区间，根据组合区间得到每个波段数据的最终成分调整程度，根据最终成分调整程度得到每个最终白噪声数值，并根据最终白噪声数值再次添加白噪声，得到若干处理后的光谱处理数据；

根据处理后的光谱处理数据，构建水性低温耐腐蚀性涂料成分模型，通过水性低温耐腐蚀性涂料成分模型进行水性低温耐腐蚀性涂料成分检测。

优选的，所述根据波段数据的斜率得到每个波段数据的初始特征程度，包括的具体方法为：

对于任意一个光谱数据的任意相邻的两个波段数据，将两个波段数据中排序靠后的波段数据记为参考波段数据，将两个波段数据所构成直线的斜率记为参考波段数据的斜率；

将参考波段数据的前预设数量的波段数据的斜率平均值，记为参考波段数据的第一成分斜率平均值；将参考波段数据的后预设数量的波段数据的斜率平均值，记为参考波段数据的第二成分斜率平均值；将参考波段数据的斜率与参考波段数据的第一成分斜率平均值的差值，以及参考波段数据的斜率与参考波段数据的第二成分斜率平均值的差值，分别记为参考波段数据的成分分析差值；

式中，表示参考波段数据的初始特征程度；/>表示参考波段数据的斜率；/>表示参考波段数据的第一成分斜率平均值；/>表示参考波段数据的第二成分斜率平均值；/>表示超参数；/>表示波段数据的成分分析差值的最大值。

优选的，所述将每个初始特征程度转换为若干坐标数据点，并对若干坐标数据点进行聚类得到若干聚类簇，包括的具体方法为：

将每个光谱数据的每个波段数据的初始特征程度转换为二维坐标数据点，横坐标记为波段数，纵坐标记为初始特征程度；并对若干二维坐标数据点进行K-Means聚类得到若干聚类簇。

优选的，所述根据聚类簇中光谱数据的数量得到每个波段数据的特征程度，包括的具体方法为：

对于任意一个光谱数据的任意一个波段数据，式中，表示波段数据的特征程度；/>表示波段数据所在聚类簇中光谱数据的种类数量；/>表示所有光谱数据的种类数量；表示超参数；/>表示波段数据的初始特征程度。

优选的，所述对特征程度进行阈值筛选得到若干特征区间，包括的具体方法为：

预设一个特征程度阈值；对于任意一个光谱数据的任意一个波段数据，若波段数据的特征程度大于特征程度阈值，波段数据对应的波段数据区间记为光谱数据的初始特征区间；若波段数据的特征程度小于等于特征程度阈值，不进行处理；获取光谱数据的所有初始特征区间；

在光谱数据的所有初始特征区间中，对于任意相邻初始特征区间，若相邻初始特征区间之间存在不属于相邻初始特征区间的数据值，对相邻初始特征区间不进行区间相连；若相邻初始特征区间之间不存在不属于相邻初始特征区间的数据值，将相邻初始特征区间进行区间相连，将相连后的初始特征区间记为过渡特征区间；遍历完光谱数据内所有初始特征区间；

获取光谱数据内所有过渡特征区间，对于任意一个过渡特征区间，若过渡特征区间仅包含一个波段数据，不对过渡特征区间进行处理；若过渡特征区间包含多个波段数据，将过渡特征区间记为特征区间。

优选的，所述根据特征区间得到每个波段数据的调整程度，包括的具体方法为：

对于任意一个光谱数据内任意一个特征区间的第j个波段数据，将第j个波段数据与数值最大的波段数据相差的波段数据数量记为第j个波段数据的成分距离；将第j个波段数据的成分距离与特征区间包含的波段数据数量的比值记为距离成分比值；将剔除第j个波段数据后的特征区间记为第二特征区间；

式中，表示第j个波段数据的调整程度；/>表示第/>个波段数据的距离成分比值；表示特征区间对应的波段数据序列与第二特征区间对应的波段数据序列的DTW距离；/>表示特征区间对应的特征程度序列与第二特征区间对应的特征程度序列的DTW距离；/>表示以自然常数为底数的指数函数。

优选的，所述根据调整程度得到每个白噪声数值，包括的具体方法为：

对于任意一个光谱数据内任意一个特征区间，将特征区间内所有波段数据的调整程度进行线性归一化，将处理后的每个波段数据的调整程度记为特征区间内每个波段数据的成分调整程度；

将任意一个波段数据记为目标波段数据，式中，表示目标波段数据增加的白噪声数值；/>表示在特征区间内，数值最大的波段数据；/>表示超参数；/>表示目标波段数据的成分调整程度。

优选的，所述根据组合区间得到每个波段数据的最终成分调整程度，包括的具体方法为：

对于任意一个组合区间，在组合区间的两个特征区间中，第一个特征区间与第二个特征区间进行DTW匹配得到若干匹配点对，将第一个特征区间与第二个特征区间对应匹配点对之间的欧式距离记为组合区间的第二成分距离；

对于任意一个光谱数据内任意一个特征区间的任意一个波段数据，式中，表示波段数据的二次成分调整程度；/>表示包含特征区间的组合区间数量；/>表示包含特征区间的第/>个组合区间的第二成分距离的方差贡献度；/>表示以自然常数为底的指数函数；

将特征区间内所有波段数据的二次成分调整程度进行线性归一化，将处理后的每个波段数据的二次成分调整程度记为特征区间内每个波段数据的最终成分调整程度。

优选的，所述根据最终成分调整程度得到每个最终白噪声数值，包括的具体方法为：

对于任意一个光谱数据内任意一个特征区间，将任意一个波段数据记为目标波段数据；

式中，表示目标波段数据增加的最终白噪声数值；/>表示在特征区间内，数值最大的波段数据；/>表示超参数；/>表示目标波段数据的最终成分调整程度。

优选的，所述根据处理后的光谱处理数据，构建水性低温耐腐蚀性涂料成分模型，包括的具体方法为：

获取所有处理后的光谱处理数据，对所有处理后的光谱处理数据进行ICA处理，得到各个ICA分析的光谱处理数据，将处理后的光谱处理数据作为数据集，训练深度神经网络模型，深度神经网络输出水性低温耐腐蚀性涂料的成分含量；将训练后的深度神经网络模型记为水性低温耐腐蚀性涂料成分模型。

本发明的技术方案的有益效果是：通过分析光谱数据中每个波段数据的初始特征程度，通过转换坐标点进行聚类，从而得到每个波段数据的特征程度；根据光谱数据中的每个波段数据的特征程度的不同，需要加入不同程度的白噪声，并且需要考虑分析单个特征区间的光谱数据的分布特征以及对应的特征程度的分布特征，来获取每个波段数据的调整程度；并结合多个特征区间的调整程度以及特征区间之间的相似性来对调整程度进行更新，得到白噪声的调整程度；通过自适应加入白噪声的分析使得光谱数据的高斯分布特征进行打乱，提高ICA数据分离的分离效果，进而使得后续得到准确的光谱数据处理结果，提高水性低温耐腐蚀性涂料的分析结果的准确性。

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，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地介绍，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他的附图。

图1为本发明一种水性低温耐腐蚀性涂料成分分析方法的步骤流程图。

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水性低温耐腐蚀性涂料成分分析方法，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水性低温耐腐蚀性涂料成分分析方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种水性低温耐腐蚀性涂料成分分析方法的步骤流程图，该方法包括以下步骤：

步骤S001：采集水性低温耐腐蚀性涂料的光谱数据。

需要说明的是，ICA独立成分分析常被用于光谱数据的处理，但是由于光谱数据中的某些光谱峰会近似高斯分布，使ICA进行光谱数据分离结果不准确，进而干扰光谱数据的处理结果的准确性。基于此，本实施例提出了一种水性低温耐腐蚀性涂料成分分析方法，通过结合白噪声的均值为0的特点，自适应加入白噪声使得光谱数据的高斯分布特征进行打乱，提高ICA数据分离的分离效果，进而使得后续得到准确的光谱数据处理结果，提高水性低温耐腐蚀性涂料的分析结果的准确性。

具体的，为了实现本实施例提出的一种水性低温耐腐蚀性涂料成分分析方法，首先需要采集光谱数据，具体过程为：获取若干生产批次的水性低温耐腐蚀性涂料的样品；并通过光谱仪采集水性低温耐腐蚀性涂料样品的光谱数据以及对应的若干波段数据。其中每个水性低温耐腐蚀性涂料样品对应一个光谱数据，每个光谱数据包含若干波段数据。

至此，通过上述方法得到水性低温耐腐蚀性涂料的光谱数据以及对应的若干波段数据。

步骤S002：根据光谱数据中的波段数据得到波段数据的初始特征程度；根据初始特征程度转换坐标数据点，并对坐标数据点进行聚类得到若干聚类簇；根据聚类簇得到波段数据的特征程度。

需要说明的是，由于采集的光谱数据的某些光谱峰会近似高斯分布，使ICA进行数据分离结果不准确，进而干扰光谱数据的处理结果。因此本实施例为了获取最优的ICA分离结果，即获取数据的最优处理结果，在光谱数据中进行自适应加入白噪声来达到目的，其中在自适应加入白噪声时，需要同时考虑白噪声对光谱数据的细节分布影响以及整体分布的影响程度。

进一步需要说明的是，本实施例在分析白噪声对光谱数据的细节分布影响以及整体分布的影响程度时，用光谱数据中每个波段数据的特征程度来表示；而每个波段数据的特征程度与光谱数据的分布特征相关，例如：若某部分光谱数据表征的特征信息越重要，则对应的波段数据的特征程度越大。所以可根据光谱数据的分布特征，得到每个波段数据的特征程度。其中由于本实施例对水性低温耐腐蚀性涂料进行成分分析，所以每个样品的光谱数据的分布特征与历史样品的光谱数据的分布特征相似，但由于成分不同，会存在不同程度的差异，即不同样本在同一个特征区域的波段范围不同。因此，本实施例根据每个不同样品光谱数据的本身分布特征，并结合历史所有样品光谱数据的分布特征，得到每个样品光谱数据的任意一个波段数据的特征程度。

具体的，以任意一个光谱数据的任意相邻的两个波段数据为例，将这两个波段数据所构成直线的斜率记为这两个波段数据中第二个波段数据的斜率，获取该光谱数据中所有波段数据的斜率，其中光谱数据中第一个波段数据的斜率与光谱数据中第一个波段数据的斜率一致；预设一个预设数量T1，其中本实施例以T1=5为例进行叙述，本实施例不进行具体限定，其中T1可根据具体实施情况而定；以任意一个波段数据为例，在该光谱数据内，将该波段数据的前T1个波段数据的斜率平均值，记为该波段数据的第一成分斜率平均值；在该光谱数据内，将该波段数据的后T1个波段数据的斜率平均值，记为该波段数据的第二成分斜率平均值；将该波段数据的斜率与该波段数据的第一成分斜率平均值的差值，以及该波段数据的斜率与该波段数据的第二成分斜率平均值的差值，分别记为该波段数据的成分分析差值；其中除第一个波段数据与最后一个波段数据以外，其余波段数据存在两个成分分析差值；其中在该光谱数据内，该波段数据的特征程度的计算方法为：

式中，表示在该光谱数据内，该波段数据的初始特征程度；/>表示在该光谱数据内，该波段数据的斜率；/>表示该波段数据的第一成分斜率平均值；/>表示该波段数据的第二成分斜率平均值；/>表示超参数，本实施例预设/>；/>表示在该光谱数据内，波段数据的成分分析差值的最大值。需要说明的是，若获取第一成分斜率平均值与第二成分斜率平均值时，对应的波段数据数量不满足预设数量T1时，则按波段数据的实际数量计算该波段数据的第一成分斜率第一成分斜率平均值与第二成分斜率平均值。获取该光谱数据的所有波段数据的初始特征程度；获取所有光谱数据的所有波段数据的初始特征程度。

进一步的，将所有光谱数据的每个波段数据的初始特征程度转换为二维坐标数据点，其中二维坐标数据点的横坐标表示波段数，纵坐标表示初始特征程度；获取若干二维坐标数据点，并进行K-Means聚类得到若干聚类簇。其中每个聚类簇中包含若干二维坐标数据点，即包含若干波段数据，而每个聚类簇中二维坐标数据点横坐标的变化范围，即表示每个聚类簇的光谱数据的特征程度变化；K-Means聚类是公知技术，预设聚类簇数量为T2，其中本实施例以T2=8为例进行叙述，本实施例不进行具体限定，其中T2可根据具体实施情况而定，本实施例不进行叙述。

进一步的，以任意一个光谱数据的任意一个波段数据为例，在该光谱数据内，根据该波段数据所属聚类簇的分布特征，对该波段数据进行校正，得到在该光谱数据内，该波段数据的特征程度。其中在该光谱数据内，该波段数据的特征程度的计算方法为：

式中，表示在该光谱数据内，该波段数据的特征程度；/>表示在该光谱数据内，该波段数据所在聚类簇中光谱数据的种类数量；/>表示所有光谱数据的种类数量；/>表示超参数，本实施例预设/>；/>表示在该光谱数据内，该波段数据的初始特征程度。获取该光谱数据的所有波段数据的特征程度；获取所有光谱数据的所有波段数据的特征程度。

至此，通过上述方法得到获取所有光谱数据的所有波段数据的特征程度。

步骤S003：对特征程度进行阈值筛选得到若干初始特征区间；对初始特征区间进行判断得到若干特征区间；根据特征区间得到波段数据的调整程度。

需要说明的是，根据光谱数据中每个波段数据的不同特征程度，需要加入不同程度的白噪声，并且需要考虑分析单个特征区间的光谱数据的分布特征以及对应的特征程度的分布特征，来获取每个波段数据的调整程度。并结合多个特征区间的调整程度以及特征区间之间的相似性来对调整程度进行更新，得到白噪声的调整程度。

具体的，预设一个特征程度阈值T3，其中本实施例以T3=0.58为例进行叙述，本实施例不进行具体限定，其中T3可根据具体实施情况而定；以任意一个光谱数据的任意一个波段数据为例，若该波段数据的特征程度大于特征程度阈值T3，则将该波段数据对应的波段数据区间记为初始特征区间；若该波段数据的特征程度小于等于特征程度阈值T3，则不进行处理。获取该光谱数据内所有初始特征区间。

进一步的，在该光谱数据内所有初始特征区间中，进行初始特征区间相连：以任意相邻初始特征区间为例，若该相邻初始特征区间之间存在不属于该相邻初始特征区间的数据值，则对该相邻初始特征区间不进行区间相连；若该相邻初始特征区间之间不存在不属于该相邻初始特征区间的数据值，则将该相邻初始特征区间进行区间相连，得到新的初始特征区间；以此类推，不断遍历该光谱数据内所有初始特征区间，直至任意相邻初始特征区间之间都存在不属于该相邻初始特征区间的数据值为止。

进一步的，获取该光谱数据内所有初始特征区间，以任意一个初始特征区间为例，若该初始特征区间仅包含一个波段数据，则对该初始特征区间不进行处理；若该初始特征区间包含多个波段数据，则将该初始特征区间记为特征区间；其中每个特征区间对应多个波段数据。获取该光谱数据内所有特征区间；获取所有光谱数据内所有特征区间。

进一步的，以任意一个光谱数据内任意一个特征区间的第j个波段数据为例，将该波段数据与数值最大的波段数据相差的波段数据数量记为该波段数据的成分距离；例如：对于任意一个光谱数据内，存在一段由波段数据构成的波段数据序列“1 5 4 9 3”，其中数值最大的波段数据为9，对应的是第四个波段数据，而第二个波段数据的成分距离为2。将该波段数据的成分距离与该特征区间包含的波段数据数量的比值记为距离成分比值；将剔除第j个波段数据后的该特征区间记为第二特征区间；在该光谱数据的该特征区间内，第j个波段数据的调整程度的计算方法为：

式中，表示在该光谱数据的该特征区间内，第/>个波段数据的调整程度；/>表示在该特征区间内，第/>个波段数据的距离成分比值；/>表示该特征区间对应的波段数据序列与第二特征区间对应的波段数据序列的DTW距离；/>表示该特征区间对应的特征程度序列与第二特征区间对应的特征程度序列的DTW距离；/>表示以自然常数为底数的指数函数，本实施例采用/>函数来呈现反比例关系及归一化处理，实施者可根据实际情况选择反比例函数及归一化函数。获取该光谱数据内所有波段数据的调整程度；获取所有光谱数据内所有波段数据的调整程度。其中DTW距离的获取是公知技术，本实例不进行叙述。另外需要说明的是，若距离特征区间内最大值越远，则表明该波段数据越不需要考虑波段数据的变化，该波段数据越需要考虑特征程度数据的变化；若在去除前后本身数据变化越大，则表明该波段数据越重要，该波段数据的调整程度越大。

至此，通过上述方法得到所有光谱数据内所有波段数据的调整程度。

步骤S004：根据调整程度得到需要增加的白噪声数值，并根据白噪声数值添加白噪声，得到处理后的光谱数据；在处理后的光谱数据中，将特征区间进行组合得到若干组合区间，根据组合区间得到波段数据的最终成分调整程度，根据最终成分调整程度得到最终添加白噪声数值，并根据白噪声数值再次添加白噪声，得到处理后的光谱处理数据。

需要说明的是，对于任意光谱数据内任意特征区间的任意波段数据的调整程度，若调整程度越大，则对应的波段数据越重要，则需要在该波段数据增加的白噪声的程度越小；但由于本实施例期望不同特征区间的相关性进行减弱，所以计算调整程度时，需要考虑多个特征区间之间的分布，将两个特征区间的相似度较高的已经调整后的波段数据进行再次校正。其中首先根据调整程度对光谱数据进行调整，若调整程度越大，则表明幅噪声越大。

进一步的，以任意一个光谱数据内任意一个特征区间为例，将该特征区间内所有波段数据的调整程度进行线性归一化，将处理后的每个波段数据的调整程度记为该特征区间内每个波段数据的成分调整程度。以该特征区间内任意一个波段数据为例，该波段数据增加的白噪声数值的计算方法为：

式中，表示在该光谱数据的该特征区间内，该波段数据增加的白噪声数值；表示在该特征区间内，数值最大的波段数据；/>表示超参数，本实施例预设/>；/>表示白噪声的幅值超参数；/>表示该光谱数据的该特征区间内，该波段数据的成分调整程度。获取该光谱数据的所有特征区域内，所有波段数据增加的白噪声数值；获取所有光谱数据的所有特征区域内，所有波段数据增加的白噪声数值，根据所有光谱数据内所有波段数据增加的白噪声数值添加白噪声。其中，白噪声的增加是公知技术，本实施例不进行叙述。

进一步的，在添加白噪声后，将所有特征区间两两组合得到若干组合区间，以任意一个组合区间为例，在该组合区间的两个特征区间中，第一个特征区间与第二个特征区间进行DTW匹配得到若干匹配点对，将第一个特征区间与第二个特征区间对应匹配点对之间的欧式距离记为该组合区间的第二成分距离，其中每个组合区间对应多个第二成分距离；以任意一个特征区间的任意一个波段数据为例，该特征区间内该波段数据的二次成分调整程度的计算方法为：

式中，表示该特征区间内该波段数据的二次成分调整程度；/>表示包含该特征区间的组合区间数量；/>表示包含该特征区间的第/>个组合区间的第二成分距离的方差贡献度；/>表示以自然常数为底的指数函数，本实施例采用/>函数来呈现反比例关系及归一化处理，实施者可根据实际情况选择反比例函数及归一化函数；获取该特征区间内所有波段数据的二次成分调整程度；获取所有特征区间内所有波段数据的二次成分调整程度。另外需要说明的是，对于任意组合区间内任意一个特征区间，若组合区间中该特征区间的方差贡献率值越大，则表明该特征区间对于相似性的贡献较小，对应的该特征区间与其他特征区间的相似性较大，则对应的二次成分调整程度较大。

进一步的，将该特征区间内所有波段数据的二次成分调整程度进行线性归一化，将处理后的每个波段数据的二次成分调整程度记为该特征区间内每个波段数据的最终成分调整程度，参考任意波段数据增加的白噪声数值的计算方法，根据每个波段数据的最终成分程度得到每个波段数据增加的白噪声数值，记为最终白噪声数值，根据每个波段数据的最终白噪声数值，再次加入白噪声得到处理后的若干光谱数据，记为光谱处理数据；其中在计算最终添加白噪声数值的过程中，超参数可根据具体实施情况再次变化，DTW匹配、方差贡献率的获取以及欧式距离的获取是公知技术，本实施例不进行叙述。

步骤S005：根据处理后的光谱处理数据，构建水性低温耐腐蚀性涂料成分模型，进行水性低温耐腐蚀性涂料成分检测。

具体的，获取所有处理后的光谱处理数据，对所有处理后的光谱处理数据进行ICA处理，得到各个ICA分析的光谱处理数据结果，根据光谱处理数据结果构建水性低温耐腐蚀性涂料成分模型，构建水性低温耐腐蚀性涂料成分模型的过程为：将处理后的光谱处理数据作为数据集，训练DNN神经网络模型（深度神经网络模型），DNN神经网络输出水性低温耐腐蚀性涂料的成分含量，例如：各类醇类溶剂与醚类溶剂等各类成分的含量；将训练后的DNN神经网络模型记为水性低温耐腐蚀性涂料成分模型。根据水性低温耐腐蚀性涂料成分模型进行水性低温耐腐蚀性涂料成分检测。其中去噪、ICA分析、DNN神经网络是公知技术，本实施例不进行叙述，其中DNN神经网络采用的损失函数为均方根误差函数。本实施例使用的DNN神经网络模型为全链接神经网络结构，本实施例不进行具体限定，其中DNN神经网络模型可根据具体实施情况而定。

至此，本实施例完成。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种水性低温耐腐蚀性涂料成分分析方法，其特征在于，该方法包括以下步骤：

采集水性低温耐腐蚀性涂料的光谱数据；所述光谱数据中包含若干波段数据；

根据波段数据的斜率得到每个波段数据的初始特征程度；将每个初始特征程度转换为若干坐标数据点，并对若干坐标数据点进行聚类得到若干聚类簇；根据聚类簇中光谱数据的数量得到每个波段数据的特征程度；

对特征程度进行阈值筛选得到若干特征区间；根据特征区间得到每个波段数据的调整程度；

根据调整程度得到每个白噪声数值，并根据白噪声数值添加白噪声，得到若干处理后的光谱数据；在处理后的光谱数据中，将特征区间进行组合得到若干组合区间，根据组合区间得到每个波段数据的最终成分调整程度，根据最终成分调整程度得到每个最终白噪声数值，并根据最终白噪声数值再次添加白噪声，得到若干处理后的光谱处理数据；

根据处理后的光谱处理数据，构建水性低温耐腐蚀性涂料成分模型，通过水性低温耐腐蚀性涂料成分模型进行水性低温耐腐蚀性涂料成分检测。

2.根据权利要求1所述一种水性低温耐腐蚀性涂料成分分析方法，其特征在于，所述根据波段数据的斜率得到每个波段数据的初始特征程度，包括的具体方法为：

对于任意一个光谱数据的任意相邻的两个波段数据，将两个波段数据中排序靠后的波段数据记为参考波段数据，将两个波段数据所构成直线的斜率记为参考波段数据的斜率；

将参考波段数据的前预设数量的波段数据的斜率平均值，记为参考波段数据的第一成分斜率平均值；将参考波段数据的后预设数量的波段数据的斜率平均值，记为参考波段数据的第二成分斜率平均值；将参考波段数据的斜率与参考波段数据的第一成分斜率平均值的差值，以及参考波段数据的斜率与参考波段数据的第二成分斜率平均值的差值，分别记为参考波段数据的成分分析差值；

式中，表示参考波段数据的初始特征程度；/>表示参考波段数据的斜率；/>表示参考波段数据的第一成分斜率平均值；/>表示参考波段数据的第二成分斜率平均值；/>表示超参数；/>表示波段数据的成分分析差值的最大值。

3.根据权利要求1所述一种水性低温耐腐蚀性涂料成分分析方法，其特征在于，所述将每个初始特征程度转换为若干坐标数据点，并对若干坐标数据点进行聚类得到若干聚类簇，包括的具体方法为：

将每个光谱数据的每个波段数据的初始特征程度转换为二维坐标数据点，横坐标记为波段数，纵坐标记为初始特征程度；并对若干二维坐标数据点进行K-Means聚类得到若干聚类簇。

4.根据权利要求1所述一种水性低温耐腐蚀性涂料成分分析方法，其特征在于，所述根据聚类簇中光谱数据的数量得到每个波段数据的特征程度，包括的具体方法为：

对于任意一个光谱数据的任意一个波段数据，式中，表示波段数据的特征程度；/>表示波段数据所在聚类簇中光谱数据的种类数量；/>表示所有光谱数据的种类数量；/>表示超参数；/>表示波段数据的初始特征程度。

5.根据权利要求1所述一种水性低温耐腐蚀性涂料成分分析方法，其特征在于，所述对特征程度进行阈值筛选得到若干特征区间，包括的具体方法为：

预设一个特征程度阈值；对于任意一个光谱数据的任意一个波段数据，若波段数据的特征程度大于特征程度阈值，波段数据对应的波段数据区间记为光谱数据的初始特征区间；若波段数据的特征程度小于等于特征程度阈值，不进行处理；获取光谱数据的所有初始特征区间；

在光谱数据的所有初始特征区间中，对于任意相邻初始特征区间，若相邻初始特征区间之间存在不属于相邻初始特征区间的数据值，对相邻初始特征区间不进行区间相连；若相邻初始特征区间之间不存在不属于相邻初始特征区间的数据值，将相邻初始特征区间进行区间相连，将相连后的初始特征区间记为过渡特征区间；遍历完光谱数据内所有初始特征区间；

获取光谱数据内所有过渡特征区间，对于任意一个过渡特征区间，若过渡特征区间仅包含一个波段数据，不对过渡特征区间进行处理；若过渡特征区间包含多个波段数据，将过渡特征区间记为特征区间。

6.根据权利要求1所述一种水性低温耐腐蚀性涂料成分分析方法，其特征在于，所述根据特征区间得到每个波段数据的调整程度，包括的具体方法为：

对于任意一个光谱数据内任意一个特征区间的第j个波段数据，将第j个波段数据与数值最大的波段数据相差的波段数据数量记为第j个波段数据的成分距离；将第j个波段数据的成分距离与特征区间包含的波段数据数量的比值记为距离成分比值；将剔除第j个波段数据后的特征区间记为第二特征区间；

式中，表示第j个波段数据的调整程度；/>表示第/>个波段数据的距离成分比值；表示特征区间对应的波段数据序列与第二特征区间对应的波段数据序列的DTW距离；/>表示特征区间对应的特征程度序列与第二特征区间对应的特征程度序列的DTW距离；/>表示以自然常数为底数的指数函数。

7.根据权利要求1所述一种水性低温耐腐蚀性涂料成分分析方法，其特征在于，所述根据调整程度得到每个白噪声数值，包括的具体方法为：

对于任意一个光谱数据内任意一个特征区间，将特征区间内所有波段数据的调整程度进行线性归一化，将处理后的每个波段数据的调整程度记为特征区间内每个波段数据的成分调整程度；

将任意一个波段数据记为目标波段数据，式中，表示目标波段数据增加的白噪声数值；/>表示在特征区间内，数值最大的波段数据；/>表示超参数；/>表示目标波段数据的成分调整程度。

8.根据权利要求1所述一种水性低温耐腐蚀性涂料成分分析方法，其特征在于，所述根据组合区间得到每个波段数据的最终成分调整程度，包括的具体方法为：

对于任意一个组合区间，在组合区间的两个特征区间中，第一个特征区间与第二个特征区间进行DTW匹配得到若干匹配点对，将第一个特征区间与第二个特征区间对应匹配点对之间的欧式距离记为组合区间的第二成分距离；

对于任意一个光谱数据内任意一个特征区间的任意一个波段数据，式中，表示波段数据的二次成分调整程度；/>表示包含特征区间的组合区间数量；/>表示包含特征区间的第/>个组合区间的第二成分距离的方差贡献度；/>表示以自然常数为底的指数函数；

将特征区间内所有波段数据的二次成分调整程度进行线性归一化，将处理后的每个波段数据的二次成分调整程度记为特征区间内每个波段数据的最终成分调整程度。

9.根据权利要求7所述一种水性低温耐腐蚀性涂料成分分析方法，其特征在于，所述根据最终成分调整程度得到每个最终白噪声数值，包括的具体方法为：

对于任意一个光谱数据内任意一个特征区间，将任意一个波段数据记为目标波段数据；

式中，表示目标波段数据增加的最终白噪声数值；/>表示在特征区间内，数值最大的波段数据；/>表示超参数；/>表示目标波段数据的最终成分调整程度。

10.根据权利要求1所述一种水性低温耐腐蚀性涂料成分分析方法，其特征在于，所述根据处理后的光谱处理数据，构建水性低温耐腐蚀性涂料成分模型，包括的具体方法为：

获取所有处理后的光谱处理数据，对所有处理后的光谱处理数据进行ICA处理，得到各个ICA分析的光谱处理数据，将处理后的光谱处理数据作为数据集，训练深度神经网络模型，深度神经网络输出水性低温耐腐蚀性涂料的成分含量；将训练后的深度神经网络模型记为水性低温耐腐蚀性涂料成分模型。