CN117093841B - 小麦透射光谱的异常光谱筛选模型确定方法、装置及介质 - Google Patents
小麦透射光谱的异常光谱筛选模型确定方法、装置及介质 Download PDFInfo
- Publication number
- CN117093841B CN117093841B CN202311345371.9A CN202311345371A CN117093841B CN 117093841 B CN117093841 B CN 117093841B CN 202311345371 A CN202311345371 A CN 202311345371A CN 117093841 B CN117093841 B CN 117093841B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- abnormal
- screening
- transmission
- different
- 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 411
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 354
- 238000012216 screening Methods 0.000 title claims abstract description 335
- 238000000411 transmission spectrum Methods 0.000 title claims abstract description 220
- 238000000034 method Methods 0.000 title claims abstract description 82
- 241000209140 Triticum Species 0.000 title claims abstract description 58
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 58
- 238000000862 absorption spectrum Methods 0.000 claims abstract description 66
- 238000010521 absorption reaction Methods 0.000 claims abstract description 44
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000010183 spectrum analysis Methods 0.000 claims description 39
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 24
- 230000000694 effects Effects 0.000 claims description 21
- 238000012847 principal component analysis method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000012935 Averaging Methods 0.000 description 8
- 230000000873 masking effect Effects 0.000 description 4
- 230000002547 anomalous effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000007654 immersion Methods 0.000 description 3
- 238000002329 infrared spectrum Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 108010068370 Glutens Proteins 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 235000021312 gluten Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种小麦透射光谱的异常光谱筛选模型确定方法、装置及介质,通过获取对待测样品进行多次重复采样得到的不同透射光谱数据集;根据确定不同的异常光谱筛选模型;采用不同的异常光谱筛选模型分别对每一的透射光谱数据集进行筛选处理,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱;计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差;根据预设的光谱预测模型中计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的预测标准差;根据不同的异常光谱筛选模型的吸收标准差以及预测标准差确定最优异常光谱筛选模型。本申请确定的最优异常光谱筛选模型能够提高异常光谱筛选的精度。
Description
技术领域
本发明涉及光谱分析技术领域,具体涉及一种小麦透射光谱的异常光谱筛选模型确定方法、装置及介质。
背景技术
小麦是我国的三大储备粮食之一,在小麦的生产、流通和消费等环节中,小麦的质检是重中之重。用近红外测量小麦的理化指标(如水分、面筋度、白度、硬度等)分析速度快,几分钟就可以完成测量,分析效率高,一张光谱可以同时预测多个指标,不消耗其他试剂,且结果重复性好。
在近红外光谱分析等许多现实的应用场合中,光谱数据不但含噪声干扰还包含异常数据,若将异常数据用在建模中会导致所得出的模型出现极大的偏差,异常光谱的存在已经成为改善近红外光谱分析模型性能的关键和瓶颈。
但现有的异常光谱筛选模型大多数都是基于单一类型指标来识别异常数据,对异常数据的剔除不够全面,不能最大程度地提升模型效果,甚至会造成模型的失真。
发明内容
为了解决上述问题,本发明提出小麦透射光谱的异常光谱筛选模型确定方法、装置及介质,确定的最优异常光谱筛选模型能够提高异常光谱筛选的精度。
本发明实施例提供一种小麦透射光谱的异常光谱筛选模型确定方法,所述方法包括:
获取对待测样品进行多次重复采样得到的不同透射光谱数据集,每一透射光谱数据集包括一次采样获取若干透射光谱;
根据预设的异常光谱分析库中的不同异常光谱分析方法进行组合,确定不同的异常光谱筛选模型;
采用不同的异常光谱筛选模型分别对每一的透射光谱数据集进行筛选处理,剔除异常光谱,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱;
计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差;
将不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱代入预设的光谱预测模型中,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的预测标准差;
根据不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差以及预测标准差确定最优异常光谱筛选模型。
优选地,所述计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱,具体包括:
采用不同的异常光谱筛选模型分别对每一的透射光谱数据集进行筛选处理,剔除异常光谱,并计算每一透射光谱数据集剩余透射光谱的平均光谱;
根据预先采集的参比光谱,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱。
优选地,所述吸收光谱;
其中,为第i种异常光谱筛选模型筛选后的第j个透射光谱数据集的吸收光谱;/>为第j个透射光谱数据集的参比光谱,/>为第i种异常光谱筛选模型筛选后的第j个透射光谱数据集的平均光谱。
优选地,所述异常光谱分析库中的不同异常光谱分析方法包括:主成分分析法、稳定变量分析法以及光谱标准差法。
进一步地,不同的异常光谱筛选模型具体包括:第一异常光谱筛选模型、第二异常光谱筛选模型以及第三异常光谱筛选模型;
所述第一异常光谱筛选模型为不包括任何异常光谱分析方法的空白对照模型;
所述第二异常光谱筛选模型先采用所述主成分分析法筛选异常光谱,再采用所述稳定变量分析法进行异常光谱筛选;
所述第三异常光谱筛选模型先采用所述主成分分析法筛选异常光谱,再采用所述光谱标准差法进行异常光谱筛选。
优选地,所述根据不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差以及预测标准差确定最优异常光谱筛选模型,具体包括:
计算不同的异常光谱筛选模型筛选后的不同透射光谱数据集的吸收标准差的平均值,得到平均吸收标准差;
计算不同的异常光谱筛选模型筛选后的不同透射光谱数据集的预测标准差的平均值,得到平均预测标准差;
将不同的异常光谱筛选模型的平均吸收标准差以及平均预测标准差进行加权计算,得到筛选效果值,根据筛选效果值确定最优异常光谱筛选模型。
本发明实施例还提供一种小麦透射光谱的异常光谱筛选模型确定装置,所述装置包括:
光谱采集模块,用于获取对待测样品进行多次重复采样得到的不同透射光谱数据集,每一透射光谱数据集包括一次采样获取若干透射光谱;
模型组合模块,用于根据预设的异常光谱分析库中的不同异常光谱分析方法进行组合,确定不同的异常光谱筛选模型;
筛选模块,用于采用不同的异常光谱筛选模型分别对每一的透射光谱数据集进行筛选处理,剔除异常光谱,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱;
吸收标准差计算模块,用于计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差;
预测标准差计算模块,用于将不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱代入预设的光谱预测模型中,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的预测标准差;
寻优模块,用于根据不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差以及预测标准差确定最优异常光谱筛选模型。
优选地,所述筛选模块计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱的过程具体包括:
采用不同的异常光谱筛选模型分别对每一的透射光谱数据集进行筛选处理,剔除异常光谱,并计算每一透射光谱数据集剩余透射光谱的平均光谱;
根据预先采集的参比光谱,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱。
优选地,所述吸收光谱;
其中,为第i种异常光谱筛选模型筛选后的第j个透射光谱数据集的吸收光谱;/>为第j个透射光谱数据集的参比光谱,/>为第i种异常光谱筛选模型筛选后的第j个透射光谱数据集的平均光谱。
优选地,所述异常光谱分析库中的不同异常光谱分析方法包括:主成分分析法、稳定变量分析法以及光谱标准差法。
进一步地,不同的异常光谱筛选模型具体包括:第一异常光谱筛选模型、第二异常光谱筛选模型以及第三异常光谱筛选模型;
所述第一异常光谱筛选模型为不包括任何异常光谱分析方法的空白对照模型;
所述第二异常光谱筛选模型先采用所述主成分分析法筛选异常光谱,再采用所述稳定变量分析法进行异常光谱筛选;
所述第三异常光谱筛选模型先采用所述主成分分析法筛选异常光谱,再采用所述光谱标准差法进行异常光谱筛选。
优选地,所述寻优模块,具体用于:
计算不同的异常光谱筛选模型筛选后的不同透射光谱数据集的吸收标准差的平均值,得到平均吸收标准差;
计算不同的异常光谱筛选模型筛选后的不同透射光谱数据集的预测标准差的平均值,得到平均预测标准差;
将不同的异常光谱筛选模型的平均吸收标准差以及平均预测标准差进行加权计算,得到筛选效果值,根据筛选效果值确定最优异常光谱筛选模型。
本发明又一实施例提供一种小麦透射光谱的异常光谱筛选模型确定装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中任意一项所述的小麦透射光谱的异常光谱筛选模型确定方法。
本发明又一实施例提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述实施例中任意一项所述的小麦透射光谱的异常光谱筛选模型确定方法。
本发明提供的一种小麦透射光谱的异常光谱筛选模型确定方法、装置及介质,通过获取对待测样品进行多次重复采样得到的不同透射光谱数据集,每一透射光谱数据集包括一次采样获取若干透射光谱;根据预设的异常光谱分析库中的不同异常光谱分析方法进行组合,确定不同的异常光谱筛选模型;采用不同的异常光谱筛选模型分别对每一的透射光谱数据集进行筛选处理,剔除异常光谱,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱;
计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差;将不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱代入预设的光谱预测模型中,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的预测标准差;根据不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差以及预测标准差确定最优异常光谱筛选模型。本申请确定的最优异常光谱筛选模型能够提高异常光谱筛选的精度。
附图说明
图1是本发明实施例提供的一种电池管理系统的结构示意图;
图2是本发明实施例提供三种异常光谱筛选模型透射光谱标准差示意图;
图3是本发明实施例提供三种异常光谱筛选模型吸收光谱标准差示意图;
图4是本发明实施例提供三种异常光谱筛选模型的平均预测标准差的示意图;
图5是本发明实施例提供的一种小麦透射光谱的异常光谱筛选模型确定装置的结构示意图;
图6是本发明另一实施例提供的一种小麦透射光谱的异常光谱筛选模型确定装置的结构示意图。
具体实施方式
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,所描述的实施例仅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做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。
参见图1,是本发明实施例提供的一种小麦透射光谱的异常光谱筛选模型确定方法的流程示意图,所述方法包括步骤S1~S6:
S1,获取对待测样品进行多次重复采样得到的不同透射光谱数据集,每一透射光谱数据集包括一次采样获取若干透射光谱;
S2,根据预设的异常光谱分析库中的不同异常光谱分析方法进行组合,确定不同的异常光谱筛选模型;
S3,采用不同的异常光谱筛选模型分别对每一的透射光谱数据集进行筛选处理,剔除异常光谱,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱;
S4,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差;
S5,将不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱代入预设的光谱预测模型中,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的预测标准差;
S6,根据不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差以及预测标准差确定最优异常光谱筛选模型。
在本实施例具体实施时,对待测的小麦样品进行多次重复采样得到的不同透射光谱数据集,将小麦样品我们分成20个子样品,将同一份样品重复测量5次,将一样品放到粮食近红外分析仪中,舵机1控制样品落入样品池,并控制舵机2使样品间断流过样品池,测量20次样品的透射光谱,每次采集的20个透射光谱作为一个透射光谱数据集,进而得到5个透射光谱数据集。
需要说明的是,在本实施例中以采样次数为5,每次采集的透射光谱数量为20为例说明具体实施方式,在其他实施例中,采样次数以及每次采集的透射光谱数量可根据实际情况设置或调整,在此不作赘述。
现有技术中有基于马氏距离、欧氏距离、COOK距离、杠杆值、光谱残差、主成分分析、留一交互验证法、蒙特卡洛模拟验证法等方法识别异常光谱。其中留一交互验证法和蒙特卡洛模拟验证法都是需要将光谱矩阵和指标矩阵进行建模分析,然后通过模型的预测偏差剔除异常样本。COOK距离检验主要用于检验某样本在模型中存在与否对回归系数产生的影响,样本的杠杆值表征了样本对模型的影响程度,这两种方式同样需要对光谱和指标值建模才能分析异常光谱。马氏距离是指样本光谱与标准光谱集的平均光谱之间的距离,可以衡量一个样本对整个校正集的影响。光谱残差谱是指原始光谱和重构光谱的残差谱,其反映了被忽略部分的光谱信息。如果光谱无异常,则每个样本的光谱残差应处于同一水平,否则意味着原样本的光谱异常,可据此来判定光谱特征峰异常的样本。
现有技术中基于单一类型指标来识别异常数据,对异常数据的剔除不够全面,不能最大程度地提升模型效果,甚至会造成模型的失真。其中基于马氏距离,杠杆值,残差等的异常值识别方法的不可靠,主要的原因是由于异常值相互之间存在浸没效应和掩蔽效应。浸没效应是指正常数据也被误判为异常数据。掩蔽效应是指由于其他异常值的遮蔽,使一些异常值被误认为是正常数据。数据集中异常数据数量越多,这两种效应也会越明显和严重。
单个预处理方法的效果不理想,所以本方法采用多种处理方法组合的方式进一步剔除异常光谱。在具体实施时,根据预设的异常光谱分析库中的不同异常光谱分析方法进行组合,确定不同的异常光谱筛选模型;不同异常光谱筛选模型采用不同异常光谱分析方法组合得到。
采用不同的异常光谱筛选模型分别对每一的透射光谱数据集进行筛选处理,剔除异常光谱,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱;
计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差;
将不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱代入预设的光谱预测模型中,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的预测标准差;
需要说明的是,在采用小麦作为样本时,所述光谱预测模型可采用小麦水分分析模型,通过小麦水分分析模型分析样本中的小麦的水分作为预测结果。
需要说明的是,在其他实施例中,亦可采用其他光谱预测模型分析,得到其他值作为预测结果。
根据不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差以及预测标准差评估不同异常光谱筛选模型的筛选质量,从而确定最优异常光谱筛选模型。
本申请通过对不同异常光谱分析方法进行组合确定不同的异常光谱筛选模型进行光谱筛选,确定筛选后吸收光谱以及预测光谱,根据不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差以及预测标准差确定最优异常光谱筛选模型,能够尽量多的剔除偏差大的异常光谱,使选择保留的光谱更接近样品的真实光谱,提高采集的吸收光谱的准确性和重复性,从而提高预测精度。
在本发明提供的又一实施例中,所述步骤S3中计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱,具体包括:
采用不同的异常光谱筛选模型分别对每一的透射光谱数据集进行筛选处理,剔除异常光谱,并计算每一透射光谱数据集剩余透射光谱的平均光谱;
根据预先采集的参比光谱,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱。
在本实施例具体实施时,先采用不同的异常光谱筛选模型分别对每一的透射光谱数据集进行筛选处理,剔除不符合要求的透射光谱;得到不同异常光谱筛选模型对不同透射光谱数据集中不同透射光谱的筛选结果;
计算每一透射光谱数据集剩余透射光谱的平均光谱,将20个光谱直接求平均光谱,得到不同异常光谱筛选模型筛选后的透射光谱数据集的平均光谱;
在用近红外光谱分析小麦理化指标时,首先测量光源的参比光谱,根据预先采集的参比光谱,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱。
通过参比光谱与透射光谱计算吸收光谱,能够剔除光源产生的影响,准确确定样本吸收特性。
在本发明提供的又一实施例中,所述吸收光谱;
其中,为第i种异常光谱筛选模型筛选后的第j个透射光谱数据集的吸收光谱;/>为第j个透射光谱数据集的参比光谱,/>为第i种异常光谱筛选模型筛选后的第j个透射光谱数据集的平均光谱。
在本实施例具体实施时,根据预先采集的参比光谱以及每一透射光谱数据集剩余透射光谱的平均光谱,计算第i种异常光谱筛选模型筛选后的第j个透射光谱数据集的吸收光谱;
其中,为第j个透射光谱数据集的参比光谱,/>为第i种异常光谱筛选模型筛选后的第j个透射光谱数据集的平均光谱。
在本发明提供的又一实施例中,所述异常光谱分析库中的不同异常光谱分析方法包括:主成分分析法、稳定变量分析法以及光谱标准差法。
在本实施例具体实施时,所述异常光谱分析库中的不同异常光谱分析方法包括主成分分析法、稳定变量分析法以及光谱标准差法。
PCA主成分分析法具体实施时,通过主成分分析做特征值分解后得到的特征向量代表了原始数据方差变化程度的不同方向,特征值为数据在对应方向上的方差大小;最大特征值对应的特征向量为数据方差最大的方向,最小特征值对应的特征向量为数据方差最小的方向。原始数据在不同方向上的方差变化反应了其内在特点。如果单个数据样本跟整体数据样本表现出的特点不太一致,比如在某些方向上跟其它数据样本偏离较大,则该数据样本可能是一个异常点。因此将判定为异常的透射光谱提出。
稳定变量分析法具体实施时,光谱每个波长位置的强度会随着子样本的细微差别而不同,对于同一份样品来说,理论上其光谱强度是相同的,但因为每次测量的样品不完全一致、散射光的不同等外界因素,导致每个波长点的光谱是不同的,同样的外界条件变化,某些波长位置会比较敏感,而有些波长位置的光谱则比较稳定,每个波长点其光谱变化的标准差最小的地方应该是受外界影响最小的地方。计算所有的光谱同一波长位置的强度的平均值和标准差,选择标准差最小的波长位置作为最稳定的波长变量位置作为分析变量。选择稳定变量位置的平均值为基准,此波长位置的标准差为阈值,剔除光谱强度小于平均值减标准差和大于平均值加标准差的光谱,这些超过范围的光谱作为异常光谱,将判定为异常的透射光谱剔除。
光谱标准差法具体实施时,对于同一样品,理论上其光谱强度是相同的,这意味着这些光谱每个波长位置的标准偏差应该趋近于零。将采集的所有光谱首先计算每个波长位置的标准差,然后将所有波长位置的标准差求平均值SD,然后去掉第一个光谱,计算剩下19个光谱的标准差SD1,若SD1<SD,说明去掉的这个光谱会增大标准差,所以是异常光谱;若SD1≥SD,则说明去掉的这个光谱会降低标准差,就不是异常光谱。
需要说明的是,本实施例中异常光谱分析库提供三种异常光谱分析方法,说明小麦透射光谱的异常光谱筛选模型确定方法具体执行流程,在其他实施例中异常光谱分析库还可采用其他异常光谱分析方法。
本申请通过三种不同的异常光谱分析方法组合,能够确定不同的异常光谱筛选模型,并从中选择最优异常光谱筛选模型,使选择保留的光谱更接近样品的真实光谱,提高采集的吸收光谱的准确性和重复性,从而提高预测精度。
在本发明提供的又一实施例中,不同的异常光谱筛选模型具体包括:第一异常光谱筛选模型、第二异常光谱筛选模型以及第三异常光谱筛选模型;
所述第一异常光谱筛选模型为不包括任何异常光谱分析方法的空白对照模型;
所述第二异常光谱筛选模型先采用所述主成分分析法筛选异常光谱,再采用所述稳定变量分析法进行异常光谱筛选;
所述第三异常光谱筛选模型先采用所述主成分分析法筛选异常光谱,再采用所述光谱标准差法进行异常光谱筛选。
在本实施例具体实施时,采用主成分分析法、稳定变量分析法以及光谱标准差法确定三个异常光谱筛选模型,分别为:第一异常光谱筛选模型、第二异常光谱筛选模型以及第三异常光谱筛选模型;
第一异常光谱筛选模型对透射光谱数据集不做处理,将透射光谱数据集的20个光谱直接求平均,得到平均光谱,进而计算吸收光谱。
第二异常光谱筛选模型对透射光谱数据集先主成分分析法剔除异常光谱,然后采用稳定变量分析法剔除异常光谱,将未剔除的透射光谱求平均光谱,得到平均光谱,进而计算吸收光谱。
第三异常光谱筛选模型对透射光谱数据集先主成分分析法剔除异常光谱,然后采用光谱标准差法剔除异常光谱,将未剔除的透射光谱求平均光谱,得到平均光谱,进而计算吸收光谱。
需要说明的是,本实施例中采用异常光谱分析库提供三种异常光谱分析方法组合确定的三种异常光谱筛选模型,说明小麦透射光谱的异常光谱筛选模型确定方法具体执行流程,在其他实施例中异常光谱筛选模型还可包括其他组合得到的模型。
在本发明提供的又一实施例中,所述步骤S6具体包括:
所述根据不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差以及预测标准差确定最优异常光谱筛选模型,具体包括:
计算不同的异常光谱筛选模型筛选后的不同透射光谱数据集的吸收标准差的平均值,得到平均吸收标准差;
计算不同的异常光谱筛选模型筛选后的不同透射光谱数据集的预测标准差的平均值,得到平均预测标准差;
将不同的异常光谱筛选模型的平均吸收标准差以及平均预测标准差进行加权计算,得到筛选效果值,根据筛选效果值确定最优异常光谱筛选模型。
在本实施例具体实施时,计算三种异常光谱筛选模型筛选后的5个透射光谱数据集的吸收标准差,得到第一异常光谱筛选模型对第1个透射光谱数据集筛选后的吸收光谱、第一异常光谱筛选模型对第2个透射光谱数据集筛选后的吸收光谱/>、第一异常光谱筛选模型对第3个透射光谱数据集筛选后的吸收光谱/>、第一异常光谱筛选模型对第4个透射光谱数据集筛选后的吸收光谱/>以及第一异常光谱筛选模型对第5个透射光谱数据集筛选后的吸收光谱/>,对五次吸收光谱进行平均,得到第一异常光谱筛选模型的/>;
同理,对第二异常光谱筛选模型筛选后的五次吸收光谱进行平均,得到第二异常光谱筛选模型的;对第三异常光谱筛选模型筛选后的五次吸收光谱进行平均,得到第三异常光谱筛选模型的/>。
计算三种异常光谱筛选模型筛选后的5个透射光谱数据集的平均光谱,得到第一异常光谱筛选模型对第1个透射光谱数据集筛选后的平均光谱、第一异常光谱筛选模型对第2个透射光谱数据集筛选后的平均光谱/>、第一异常光谱筛选模型对第3个透射光谱数据集筛选后的平均光谱/>、第一异常光谱筛选模型对第4个透射光谱数据集筛选后的平均光谱/>以及第一异常光谱筛选模型对第5个透射光谱数据集筛选后的平均光谱/>,对五次平均光谱进行平均,得到第一异常光谱筛选模型的平均光谱/>;
同理,对第二异常光谱筛选模型筛选后的五次平均光谱进行平均,得到第二异常光谱筛选模型的平均光谱;对第三异常光谱筛选模型筛选后的五次平均光谱进行平均,得到第三异常光谱筛选模型的平均光谱/>。
计算不同的异常光谱筛选模型筛选后的不同透射光谱数据集对应的吸收光谱的平均标准差的平均值,得到平均吸收标准差;
计算不同的异常光谱筛选模型筛选后的不同透射光谱数据集的平均标准差的平均值,得到平均透射标准差;
参见图2,是本发明实施例提供三种异常光谱筛选模型透射光谱标准差示意图;
参见图3,是本发明实施例提供三种异常光谱筛选模型吸收光谱标准差示意图。
通过三种异常光谱筛选模型吸收光谱标准差以及透射光谱标准差可确定不同处理异常光谱筛选模型的重复性。
根据对比结果可知,从小麦样本的结果来看,主成分分析法加光谱标准差法得到的光谱稳定性高,而主成分分析法加稳定变量法其光谱重复性反而比不作处理的降低了,说明此小麦样本适用主成分分析法加光谱标准差法。
计算三种异常光谱筛选模型筛选后的5个透射光谱数据集的吸收光谱的预测结果,得到第一异常光谱筛选模型对第1个透射光谱数据集筛选后的吸收光谱的预测结果、第一异常光谱筛选模型对第2个透射光谱数据集筛选后的吸收光谱的预测结果/>、第一异常光谱筛选模型对第3个透射光谱数据集筛选后吸收光谱的预测结果/>、第一异常光谱筛选模型对第4个透射光谱数据集筛选后的吸收光谱的预测结果/>以及第一异常光谱筛选模型对第5个透射光谱数据集筛选后的吸收光谱的预测结果/>,对五次预测结果进行平均,得到第一异常光谱筛选模型的吸收光谱的平均预测标准差/>;
同理,对第二异常光谱筛选模型筛选后的五次吸收光谱的预测结果进行平均,得到第二异常光谱筛选模型的吸收光谱的平均预测标准差;对第三异常光谱筛选模型筛选后的五次吸收光谱的预测结果进行平均,得到第三异常光谱筛选模型的吸收光谱的平均预测标准差/>。
参见图4,是本发明实施例提供三种异常光谱筛选模型的平均预测标准差的示意图。
同样是用主成分分析法加光谱标准差法测量的样品水分重复性最高,标准差为0.040。未处理的重复性标准差为0.047,略高。而用主成分分析法加稳定变量法标准差最大,达到0.110。
将不同的异常光谱筛选模型的平均吸收标准差以及平均预测标准差进行加权计算,得到筛选效果值,根据筛选效果值确定最优异常光谱筛选模型。
本实施例采用采用多种异常值处理方法组合分析,尽量避免浸没效应和掩蔽效应对异常光谱的错误判断。对于不同的模型,先用此分析方法分析,得出效果最好的处理方法组合。确定的最优异常光谱筛选模型能够剔除尽量多的偏差大的异常光谱,使选择保留的光谱更接近样品的真实光谱,提高采集的吸收光谱的准确性和重复性,从而提高预测精度。
本发明又一实施例提供一种小麦透射光谱的异常光谱筛选模型确定装置,参见图5,是本发明实施例提供的一种小麦透射光谱的异常光谱筛选模型确定装置的结构示意图,所述装置包括:
光谱采集模块,用于获取对待测样品进行多次重复采样得到的不同透射光谱数据集,每一透射光谱数据集包括一次采样获取若干透射光谱;
模型组合模块,用于根据预设的异常光谱分析库中的不同异常光谱分析方法进行组合,确定不同的异常光谱筛选模型;
筛选模块,用于采用不同的异常光谱筛选模型分别对每一的透射光谱数据集进行筛选处理,剔除异常光谱,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱;
吸收标准差计算模块,用于计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差;
预测标准差计算模块,用于将不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱代入预设的光谱预测模型中,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的预测标准差;
寻优模块,用于根据不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差以及预测标准差确定最优异常光谱筛选模型。
本实施例提供的小麦透射光谱的异常光谱筛选模型确定装置,能够执行上述任一实施例提供的小麦透射光谱的异常光谱筛选模型确定方法的所有步骤与功能,在此对该装置的具体功能不作赘述。
参见图6,是本发明另一实施例提供的一种小麦透射光谱的异常光谱筛选模型确定装置的结构示意图。所述小麦透射光谱的异常光谱筛选模型确定装置包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,例如一种小麦透射光谱的异常光谱筛选模型确定程序。所述处理器执行所述计算机程序时实现上述各个一种小麦透射光谱的异常光谱筛选模型确定方法实施例中的步骤,例如图1所示的步骤S1~S6。或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能。
示例性的,所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述一种小麦透射光谱的异常光谱筛选模型确定装置中的执行过程。例如,所述计算机程序可以被分割成不同的功能模块,各模块具体功能在上述任一实施例提供的一种小麦透射光谱的异常光谱筛选模型确定方法中已作详细说明,在此对该装置的具体功能不作赘述。
所述一种小麦透射光谱的异常光谱筛选模型确定装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述一种小麦透射光谱的异常光谱筛选模型确定装置可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是一种小麦透射光谱的异常光谱筛选模型确定装置的示例,并不构成对一种小麦透射光谱的异常光谱筛选模型确定装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种小麦透射光谱的异常光谱筛选模型确定装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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,所述处理器是所述一种小麦透射光谱的异常光谱筛选模型确定装置的控制中心,利用各种接口和线路连接整个一种小麦透射光谱的异常光谱筛选模型确定装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种小麦透射光谱的异常光谱筛选模型确定装置的各种功能。所述存储器可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述一种小麦透射光谱的异常光谱筛选模型确定装置集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。
应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种小麦透射光谱的异常光谱筛选模型确定方法,其特征在于,所述方法包括:
获取对待测样品进行多次重复采样得到的不同透射光谱数据集,每一透射光谱数据集包括一次采样获取若干透射光谱;
根据预设的异常光谱分析库中的不同异常光谱分析方法进行组合,确定不同的异常光谱筛选模型;
采用不同的异常光谱筛选模型分别对每一透射光谱数据集进行筛选处理,剔除异常光谱,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱;
计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差;
将不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱代入预设的光谱预测模型中,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的预测标准差;
根据不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差以及预测标准差确定最优异常光谱筛选模型;
所述根据不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差以及预测标准差确定最优异常光谱筛选模型,具体包括:
计算不同的异常光谱筛选模型筛选后的不同透射光谱数据集的吸收标准差的平均值,得到平均吸收标准差;
计算不同的异常光谱筛选模型筛选后的不同透射光谱数据集的预测标准差的平均值,得到平均预测标准差;
将不同的异常光谱筛选模型的平均吸收标准差以及平均预测标准差进行加权计算,得到筛选效果值,根据筛选效果值确定最优异常光谱筛选模型。
2.根据权利要求1所述的小麦透射光谱的异常光谱筛选模型确定方法,其特征在于,所述计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱,具体包括:
采用不同的异常光谱筛选模型分别对每一的透射光谱数据集进行筛选处理,剔除异常光谱,并计算每一透射光谱数据集剩余透射光谱的平均光谱;
根据预先采集的参比光谱,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱。
3.根据权利要求2所述的小麦透射光谱的异常光谱筛选模型确定方法,其特征在于,所述吸收光谱
其中,Ai,j为第i种异常光谱筛选模型筛选后的第j个透射光谱数据集的吸收光谱;rj为第j个透射光谱数据集的参比光谱,ti,j为第i种异常光谱筛选模型筛选后的第j个透射光谱数据集的平均光谱。
4.根据权利要求1所述的小麦透射光谱的异常光谱筛选模型确定方法,其特征在于,所述异常光谱分析库中的不同异常光谱分析方法包括:主成分分析法、稳定变量分析法以及光谱标准差法。
5.根据权利要求4所述的小麦透射光谱的异常光谱筛选模型确定方法,其特征在于,不同的异常光谱筛选模型具体包括:第一异常光谱筛选模型、第二异常光谱筛选模型以及第三异常光谱筛选模型;
所述第一异常光谱筛选模型为不包括任何异常光谱分析方法的空白对照模型;
所述第二异常光谱筛选模型先采用所述主成分分析法筛选异常光谱,再采用所述稳定变量分析法进行异常光谱筛选;
所述第三异常光谱筛选模型先采用所述主成分分析法筛选异常光谱,再采用所述光谱标准差法进行异常光谱筛选。
6.一种小麦透射光谱的异常光谱筛选模型确定装置,其特征在于,所述装置包括:
光谱采集模块,用于获取对待测样品进行多次重复采样得到的不同透射光谱数据集,每一透射光谱数据集包括一次采样获取若干透射光谱;
模型组合模块,用于根据预设的异常光谱分析库中的不同异常光谱分析方法进行组合,确定不同的异常光谱筛选模型;
筛选模块,用于采用不同的异常光谱筛选模型分别对每一透射光谱数据集进行筛选处理,剔除异常光谱,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱;
吸收标准差计算模块,用于计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差;
预测标准差计算模块,用于将不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱代入预设的光谱预测模型中,计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的预测标准差;
寻优模块,用于根据不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差以及预测标准差确定最优异常光谱筛选模型;
所述寻优模块,具体用于:
计算不同的异常光谱筛选模型筛选后的不同透射光谱数据集的吸收标准差的平均值,得到平均吸收标准差;
计算不同的异常光谱筛选模型筛选后的不同透射光谱数据集的预测标准差的平均值,得到平均预测标准差;
将不同的异常光谱筛选模型的平均吸收标准差以及平均预测标准差进行加权计算,得到筛选效果值,根据筛选效果值确定最优异常光谱筛选模型。
7.一种小麦透射光谱的异常光谱筛选模型确定装置,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的小麦透射光谱的异常光谱筛选模型确定方法。
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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的小麦透射光谱的异常光谱筛选模型确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311345371.9A CN117093841B (zh) | 2023-10-18 | 2023-10-18 | 小麦透射光谱的异常光谱筛选模型确定方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311345371.9A CN117093841B (zh) | 2023-10-18 | 2023-10-18 | 小麦透射光谱的异常光谱筛选模型确定方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117093841A CN117093841A (zh) | 2023-11-21 |
CN117093841B true CN117093841B (zh) | 2024-02-09 |
Family
ID=88775400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311345371.9A Active CN117093841B (zh) | 2023-10-18 | 2023-10-18 | 小麦透射光谱的异常光谱筛选模型确定方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117093841B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1430723A (zh) * | 2000-03-13 | 2003-07-16 | 奥特莱有限公司 | 用可见光/近红外光谱测量和相关水果特性的方法和装置 |
CN101498661A (zh) * | 2008-01-30 | 2009-08-05 | 香港浸会大学 | 高精度分辨中药材品种、产地及生长方式的红外光谱特征提取方法 |
KR100934410B1 (ko) * | 2009-04-29 | 2009-12-29 | 강원대학교산학협력단 | 근적외 분광분석법을 이용한 곡물 종실의 무게 측정방법 |
CN103018177A (zh) * | 2012-12-06 | 2013-04-03 | 江苏易谱恒科技有限公司 | 基于随机采样一致集的谱图异常样本点检测方法 |
CN104062256A (zh) * | 2013-04-15 | 2014-09-24 | 山东东阿阿胶股份有限公司 | 一种基于近红外光谱的软测量方法 |
CN106706558A (zh) * | 2017-01-10 | 2017-05-24 | 南京富岛信息工程有限公司 | 一种剔除校正集异常样本的方法 |
CN108613943A (zh) * | 2018-05-09 | 2018-10-02 | 中国科学院合肥物质科学研究院 | 一种基于光谱形态转移的近红外单籽粒作物成分检测方法 |
CN109459409A (zh) * | 2017-09-06 | 2019-03-12 | 盐城工学院 | 一种基于knn的近红外异常光谱识别方法 |
CN110575965A (zh) * | 2019-09-30 | 2019-12-17 | 中国计量大学 | 一种基于近红外光谱鉴别的蚕蛹雌雄筛选机及其筛选方法 |
CN111257265A (zh) * | 2020-02-17 | 2020-06-09 | 苏交科集团股份有限公司 | 一种钢桥面铺装用沥青针入度指标的快速检测方法 |
CN113049507A (zh) * | 2021-03-09 | 2021-06-29 | 三峡大学 | 多模型融合的光谱波长选择方法 |
CN114609073A (zh) * | 2022-05-10 | 2022-06-10 | 安徽中科谱康科技有限公司 | 一种高强度光谱的测量方法、系统和光谱测量装置 |
CN115201148A (zh) * | 2022-07-08 | 2022-10-18 | 中国科学院合肥物质科学研究院 | 一种基于近红外光谱快速检测稻谷脂肪酸含量的方法 |
CN116662751A (zh) * | 2023-05-12 | 2023-08-29 | 天津科技大学 | 一种基于主成分分析与杠杆值法剔除异常样本的烟叶含水率检测方法 |
CN116879224A (zh) * | 2023-06-20 | 2023-10-13 | 中国水稻研究所 | 一种快速筛选近红外定标模型有效光谱预处理方案的方法及其应用 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11656174B2 (en) * | 2018-01-26 | 2023-05-23 | Viavi Solutions Inc. | Outlier detection for spectroscopic classification |
-
2023
- 2023-10-18 CN CN202311345371.9A patent/CN117093841B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1430723A (zh) * | 2000-03-13 | 2003-07-16 | 奥特莱有限公司 | 用可见光/近红外光谱测量和相关水果特性的方法和装置 |
CN101498661A (zh) * | 2008-01-30 | 2009-08-05 | 香港浸会大学 | 高精度分辨中药材品种、产地及生长方式的红外光谱特征提取方法 |
KR100934410B1 (ko) * | 2009-04-29 | 2009-12-29 | 강원대학교산학협력단 | 근적외 분광분석법을 이용한 곡물 종실의 무게 측정방법 |
CN103018177A (zh) * | 2012-12-06 | 2013-04-03 | 江苏易谱恒科技有限公司 | 基于随机采样一致集的谱图异常样本点检测方法 |
CN104062256A (zh) * | 2013-04-15 | 2014-09-24 | 山东东阿阿胶股份有限公司 | 一种基于近红外光谱的软测量方法 |
CN106706558A (zh) * | 2017-01-10 | 2017-05-24 | 南京富岛信息工程有限公司 | 一种剔除校正集异常样本的方法 |
CN109459409A (zh) * | 2017-09-06 | 2019-03-12 | 盐城工学院 | 一种基于knn的近红外异常光谱识别方法 |
CN108613943A (zh) * | 2018-05-09 | 2018-10-02 | 中国科学院合肥物质科学研究院 | 一种基于光谱形态转移的近红外单籽粒作物成分检测方法 |
CN110575965A (zh) * | 2019-09-30 | 2019-12-17 | 中国计量大学 | 一种基于近红外光谱鉴别的蚕蛹雌雄筛选机及其筛选方法 |
CN111257265A (zh) * | 2020-02-17 | 2020-06-09 | 苏交科集团股份有限公司 | 一种钢桥面铺装用沥青针入度指标的快速检测方法 |
CN113049507A (zh) * | 2021-03-09 | 2021-06-29 | 三峡大学 | 多模型融合的光谱波长选择方法 |
CN114609073A (zh) * | 2022-05-10 | 2022-06-10 | 安徽中科谱康科技有限公司 | 一种高强度光谱的测量方法、系统和光谱测量装置 |
CN115201148A (zh) * | 2022-07-08 | 2022-10-18 | 中国科学院合肥物质科学研究院 | 一种基于近红外光谱快速检测稻谷脂肪酸含量的方法 |
CN116662751A (zh) * | 2023-05-12 | 2023-08-29 | 天津科技大学 | 一种基于主成分分析与杠杆值法剔除异常样本的烟叶含水率检测方法 |
CN116879224A (zh) * | 2023-06-20 | 2023-10-13 | 中国水稻研究所 | 一种快速筛选近红外定标模型有效光谱预处理方案的方法及其应用 |
Non-Patent Citations (2)
Title |
---|
Milica M.Pojic·Jasna S.Mastilovic.Near Infrared Spectroscopy-Advanced Analytical Tool in Wheat Breeding,Trade,and Processing .Food Bioprocess Technol.2012,全文. * |
基于NIR的小麦粉异常样本剔除方法研究;刘翠玲;孙晓荣;吴静珠;吴胜男;苗雨晴;;农机化研究(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117093841A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8731839B2 (en) | Method and system for robust classification strategy for cancer detection from mass spectrometry data | |
Li et al. | FDR-control in multiscale change-point segmentation | |
KR102124985B1 (ko) | 트렌딩 및 패턴 인식을 위한 신호 관련 측정치의 정량적 분석 | |
Fan et al. | Direct calibration transfer to principal components via canonical correlation analysis | |
CN114611582B (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
CN115420707A (zh) | 一种污水近红外光谱的化学需氧量评估方法及系统 | |
WO2018103541A1 (zh) | 用于去除溶剂干扰的拉曼光谱检测方法和电子设备 | |
CN110987866A (zh) | 一种汽油性质评价方法及装置 | |
CN114676792A (zh) | 基于随机投影算法的近红外光谱定量分析降维方法及系统 | |
TWI428581B (zh) | 辨識光譜的方法 | |
CN117093841B (zh) | 小麦透射光谱的异常光谱筛选模型确定方法、装置及介质 | |
CN116451081A (zh) | 数据漂移的检测方法、装置、终端及存储介质 | |
CN110632024B (zh) | 一种基于红外光谱的定量分析方法、装置、设备以及存储介质 | |
CN115270861A (zh) | 一种产品成分数据监测方法、装置、电子设备及存储介质 | |
CN115541021A (zh) | 拉曼光谱特征峰的定位方法、电子设备及存储介质 | |
AU2020252264A1 (en) | Method for configuring a spectrometry device | |
CN111220565A (zh) | 一种基于cpls的红外光谱测量仪器标定迁移方法 | |
CN110907570B (zh) | 有机质成熟度评价方法及终端设备 | |
CN115795225B (zh) | 一种近红外光谱校正集的筛选方法及装置 | |
CN111222455B (zh) | 波长的选择方法、装置、计算设备及计算机存储介质 | |
CN114580982B (zh) | 一种工业设备的数据质量的评估方法、装置及设备 | |
CN114813631B (zh) | 小麦品种纯度检测方法、装置和电子设备 | |
CN117664906B (zh) | 基于光谱特征的水体抗生素污染检测方法 | |
CN116628463A (zh) | 近红外光谱变量选择方法、装置、电子设备及存储介质 | |
CN114528872A (zh) | 一种针对光谱标准化情况的评价方法 |
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 |