CN117836616A - X射线分析装置及峰值预测程序 - Google Patents
X射线分析装置及峰值预测程序 Download PDFInfo
- Publication number
- CN117836616A CN117836616A CN202280057712.XA CN202280057712A CN117836616A CN 117836616 A CN117836616 A CN 117836616A CN 202280057712 A CN202280057712 A CN 202280057712A CN 117836616 A CN117836616 A CN 117836616A
- Authority
- CN
- China
- Prior art keywords
- peak
- unit
- ray
- peak value
- step wave
- 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.)
- Pending
Links
- 238000002441 X-ray diffraction Methods 0.000 title claims description 30
- 230000000630 rising effect Effects 0.000 claims abstract description 69
- 238000007493 shaping process Methods 0.000 claims abstract description 35
- 230000005284 excitation Effects 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000003066 decision tree Methods 0.000 claims description 10
- 230000010365 information processing Effects 0.000 claims description 10
- 239000006185 dispersion Substances 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical group [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 229910002804 graphite Inorganic materials 0.000 claims description 3
- 239000010439 graphite Substances 0.000 claims description 3
- 239000004925 Acrylic resin Substances 0.000 claims description 2
- 229920000178 Acrylic resin Polymers 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 15
- 239000000523 sample Substances 0.000 description 46
- 238000012545 processing Methods 0.000 description 37
- 238000001228 spectrum Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 240000006829 Ficus sundaica Species 0.000 description 1
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000000921 elemental analysis Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- MYWUZJCMWCOHBA-VIFPVBQESA-N methamphetamine Chemical compound CN[C@@H](C)CC1=CC=CC=C1 MYWUZJCMWCOHBA-VIFPVBQESA-N 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000190 proton-induced X-ray emission spectroscopy Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000004876 x-ray fluorescence Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/36—Measuring spectral distribution of X-rays or of nuclear radiation spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/16—Measuring radiation intensity
- G01T1/17—Circuit arrangements not adapted to a particular type of detector
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measurement Of Radiation (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
在本发明中,无论X射线探测器的种类和前置放大器的电路结构如何,即使在高计数的X射线测量时也高速且高精度地进行X射线信号的峰值的测量。本发明具有:激发源;X射线探测器;输出模拟信号的前置放大器;将模拟信号转换为数字信号的AD转换器;检测入射定时的信号检测部;将数字信号转换为包含上升部和上升前后的平坦部的阶梯波的波形转换部;生成包含台阶或峰的整形波的波形整形部;基于入射定时和阶梯等测量峰值的峰值测量部、使用入射定时取得包含上升部的阶梯波的一部分,并使用包含多个取得的一部分和峰值的组的学习用数据而生成已学习这些相关关系的学习模型的学习部;以及使用入射定时从新转换的阶梯波中取得阶梯波的一部分,并基于取得的阶梯波的一部分和学习模型而计算预测峰值的峰值预测部。
Description
技术领域
本发明涉及X射线分析装置及峰值预测程序。
背景技术
作为测量样品中含有的元素或该元素的浓度的装置,已知有基于将初级X射线、电子束、粒子束等激发线照射到样品时产生的X射线,对样品中含有的元素等进行分析的X射线分析装置。
X射线分析装置首先利用X射线探测器检测从通过初级X射线的照射而被激发或反射等的样品放出的X射线。从X射线探测器输出的电荷的积分量由前置放大器转换为与该积分量对应的电压信号,并输入到波形整形数字滤波器。波形整形数字滤波器将电压信号整形为例如由梯形波构成的脉冲信号。脉冲信号的峰值对应于X射线的能量,并且可以通过对每个峰值的脉冲信号进行计数而得到X射线能量谱(参照专利文献1、2及3、非专利文献1)。
从样品产生的X射线以随机的时间间隔入射到X射线探测器。因此,通过将波形整形数字滤波器的整形时间设定得较短,并缩短脉冲信号的上升时间和下降时间,能够不遗漏地检测入射到X射线探测器的X射线。
但是,如果将整形时间设定得较短,则由串联噪声引起的电子噪声变大,峰值的测量值会产生偏差,因此降低了X射线能谱的能量分辨率。
因此,在专利文献4中公开了一种放射线检测装置,其使用噪声去除滤波器对除了由X射线入射引起的阶梯部分以外的阶梯状的数字电压信号的平坦部进行平滑化。通过噪声去除滤波器,可抑制由于将波形整形数字滤波器的整形时间设定得较短而引起的能量分辨率的劣化。
此外,在专利文献5中公开了通过函数对X射线信号波形数据进行建模,并通过实施基于函数的拟合来取得与X射线能量对应的输出信号的峰值的方法及装置。通过代替上述波形整形而进行拟合,能够高速地进行峰值的测量,并减少X射线的遗漏。
现有技术文献
专利文献
专利文献1:日本特开平7-333346号公报
专利文献2:日本特开平10-318946号公报
专利文献3:日本特开2012-168124号公报
专利文献4:国际公开第2017/187972号
专利文献5:日本特表2017-512297号公报
非专利文献
非专利文献1:V.T.Jordanov,G.F.Knoll,A.C.Huber,and J.A.Pantazis,NuclInstr.and Meth.A353(1994)261-264.
发明内容
发明所要解决的课题
在上述专利文献4中,对于除去了X射线入射引起的阶梯部分的平坦部使用噪声除去滤波器进行平滑化。但是,当X射线的入射计数率变大时,由X射线入射引起的阶梯部分变多,而平坦部变少。其结果,平滑化的噪声去除效果降低。由此,峰值的测量值的偏差变大,并且X射线能谱的能量分辨率劣化。
根据上述专利文献5,利用函数对X射线信号波形数据进行建模,并通过实施基于函数的拟合,取得与X射线能量对应的输出信号的峰值。另一方面,X射线信号波形数据的模型取决于X射线探测器的种类和前置放大器的电路结构等。因此,需要用户针对每个X射线探测器和前置放大器构建新的模型。
本发明是鉴于上述课题而完成的,其目的在于提供一种X射线信号处理装置及峰值预测程序,其无论X射线探测器的种类和前置放大器的电路结构如何,即使在高计数的X射线测量时也能够高速且高精度地进行X射线信号的峰值的测量。
用于解决课题的手段
(1)本发明一个方面的X射线分析装置的特征在于,具有:激发源,其用激发线照射样品;X射线探测器,其检测从所述样品产生的X射线,并产生与X射线的能量对应的电荷;前置放大器,其输出用于表示与产生所述电荷对应的电压的时间变化的模拟信号;AD转换器,其将所述模拟信号转换为数字信号;信号检测部,其检测从所述数字信号到所述X射线探测器的X射线的入射定时;波形转换部,其将所述数字信号转换为包含上升前的平坦部、上升部、上升后的平坦部的阶梯波;波形整形部,其对所述阶梯波进行整形,并生成包含台阶或峰的整形波;峰值测量部,其基于所述入射定时及所述整形波的台阶或峰而测量峰值;学习部,其使用所述入射定时取得包含所述上升部的所述阶梯波的一部分,并使用包含多个所取得的所述阶梯波的一部分和所述峰值的组的学习用数据而生成已学习所述阶梯波的一部分与所述峰值的相关关系的学习模型;以及峰值预测部,其使用所述入射定时从所述波形转换部新转换的阶梯波中取得所述阶梯波的一部分,并基于所取得的所述阶梯波的一部分和所述学习模型而计算预测峰值。
(2)在本公开的上述方式中,其特征在于,所述学习用数据中包含的所述阶梯波的一部分是所述上升部的一部分,所述峰值预测部使用所述入射定时从所述波形转换部新转换出的阶梯波中取得所述上升部的一部分,并基于所取得的所述上升部的一部分和所述学习模型而计算预测峰值。
(3)在本公开的上述方式中,其特征在于,X射线分析装置还具有选择部,其选择并输出所述峰值或所述预测峰值中的任意一个。
(4)在本公开的上述方式中,其特征在于,所述选择部根据入射到所述X射线探测器上的X射线的入射计数率,选择并输出所述峰值或所述预测峰值中的任意一个。
(5)在本公开的上述方式中,其特征在于,X射线分析装置还具有判断部,其根据所述峰值和所述预测峰值,判断是否进行再学习。
(6)在本公开的上述方式中,其特征在于,所述判断部根据所述峰值与所述预测峰值的差值和预先设定的第一阈值,判断是否进行再学习。
(7)在本公开的上述方式中,其特征在于,X射线分析装置还具有计数部,其对每个所述峰值或所述预测峰值进行计数以生成直方图,所述判断部根据所述直方图的峰中的所述峰值的分散度与所述预测峰值的分散度的差值和预先设定的第二阈值,判断是否进行再学习。
(8)在本公开的上述方式中,其特征在于,在取得所述学习用数据时使用的所述样品是不含待分析对象元素的样品。
(9)在本公开的上述方式中,其特征在于,所述样品为石墨或丙烯酸树脂。
(10)在本公开的上述方式中,其特征在于,所述学习模型使用机器学习的回归算法来构建。
(11)在本公开的上述方式中,其特征在于,所述学习模型使用决策树算法来构建。
(12)本公开的另一个方面的峰值预测程序,其由在X射线分析装置中使用的信息处理装置执行,所述X射线分析装置具有:激发源,其用激发线照射样品;X射线探测器,其检测从所述样品产生的X射线,并产生与X射线的能量对应的电荷;前置放大器,其输出用于表示与产生所述电荷对应的电压的时间变化的模拟信号;AD转换器,其将所述模拟信号转换为数字信号;信号检测部,其检测从所述数字信号到所述X射线探测器的X射线的入射定时;波形转换部,其将所述数字信号转换为包含上升前的平坦部、上升部、上升后的平坦部的阶梯波;波形整形部,其对所述阶梯波进行整形,并生成包含台阶或峰的整形波;以及峰值测量部,其基于所述入射定时及所述整形波的台阶或峰而测量峰值,所述峰值预测程序的特征在于,所述程序使所述信息处理装置执行以下步骤:学习步骤,其使用所述入射定时取得包含所述上升部的所述阶梯波的一部分,并使用包含多个所取得的所述阶梯波的一部分和所述峰值的组的学习用数据而生成已学习所述阶梯波的一部分与所述峰值的相关关系的学习模型;以及峰值预测步骤,其使用所述入射定时从所述波形转换部新转换的阶梯波中取得所述阶梯波的一部分,并基于所取得的所述阶梯波的一部分和所述学习模型而计算预测峰值。
发明效果
根据本发明,无论X射线探测器的种类和前置放大器的电路结构如何,即使在高计数的X射线测量时也能够高速且高精度地进行X射线信号的峰值的测量。
附图说明
图1是概要地表示本发明实施方式的X射线分析装置的图。
图2是概要地表示本发明实施方式的X射线信号处理装置的图。
图3是用于说明X射线信号数据的波形形状的图。
图4是用于说明学习用数据的图。
图5是用于说明学习部的图。
图6是表示学习用数据的生成的流程图。
图7是表示学习方法的流程图。
图8是表示计算预测峰值的方法的流程图。
图9是本实施方式中使用的决定树的已学习的学习模型的示意图。
图10是表示使用现有例和本实施方式生成的MnKα线能谱的图。
图11是使用表示处理时间长时的现有例及本实施方式生成的MnKα线能谱的图。
图12是表示使用本实施方式生成的MnKα线能谱的图。
图13是表示各处理时间的现有例以及本实施方式的半高全宽的图。
图14是表示各处理时间的现有例以及本实施方式的半高全宽的图。
具体实施方式
以下,说明用于实施本发明的优选的实施的方式(以下称为实施方式)。图1是概要地表示本发明的X射线分析装置100的图。此外,图2是概要地表示本发明的X射线信号处理装置110的图。
X射线分析装置100具有样品台102、激发源104和X射线信号处理装置110。X射线信号处理装置110具有X射线探测器106、处理部108、判断部112和学习部114。学习部114和判断部112在功能上由X射线分析装置100中使用的信息处理装置实现,并且信息处理装置例如是个人计算机。
样品台102配置样品。样品是为了取得学习数据而使用的对象或进行元素分析的对象。激发源104用激发线照射样品。具体地,例如,激发源104利用准直器(未图示)收缩由X射线管(未图示)生成的X射线,并利用滤波器(未图示)调整入射X射线光谱分布,然后将作为X射线的激发线照射到样品的表面。从照射了激发线的样品产生X射线。
X射线探测器106检测从样品产生的X射线,并产生与X射线的能量对应的电荷。具体而言,例如,X射线探测器106通过检测通过用激发线照射样品而产生的X射线,产生与该X射线的能量对应的电荷。X射线探测器106例如是Si(Li)探测器或SDD探测器等半导体探测器。X射线探测器106可以是闪烁探测器或比例计数管。此外,也可以采用利用分光晶体(未图示)对从样品产生的X射线进行分光,并利用X射线探测器106进行检测的结构。
如图2所示,处理部108包括前置放大器202、AD转换器204、信号检测部206、波形转换部208、波形整形部210、峰值测定部212、选择部214、计数部216和峰值预测部218。
前置放大器202输出用于表示与产生的电荷对应的电压的时间变化的模拟信号。具体而言,例如,前置放大器202通过将从X射线探测器106输入的电荷蓄积在电容器(未图示)中,对从X射线探测器106输入的电荷进行时间积分,输出阶梯状的电压信号(以下称为阶梯波)。此外,前置放大器202通过微分电路(未图示)将阶梯波转换为微分波(参照图3的(a)),并输出到后级的AD转换器204。此外,前置放大器202也可以是不具备微分电路而将作为阶梯波的电压信号输出到后级的AD转换器204的结构。此外,以下,将表示前置放大器202输出的模拟信号的数据、表示基于模拟信号生成的各信号的数据(图3的(a)至(e)所示的各波形数据)统称为X射线信号数据。
AD转换器204将模拟信号转换为数字信号。具体地,AD转换器204将作为前置放大器202输出的模拟信号的电压信号转换为后级的信号检测部206能够处理的数字信号(参照图3的(b))。
信号检测部206检测X射线从数字信号向X射线探测器106的入射定时。具体而言,信号检测部206使用短的波形整形时间对数字信号进行整形,并进行入射到探测器的X射线的信号检测。例如,信号检测部206使用短的波形整形时间将数字信号整形为时间宽度小的梯形波、三角波、高斯波等函数波。图3的(c)是表示信号检测部206整形后的三角波的一例的图。该波形整形时间例如为50ns以下。整形后的波形(整形波)的峰值与检测到的X射线的能量大致成正比。信号检测部206对整形波的峰值设置规定的阈值,进行X射线信号的入射定时的检测。
波形转换部208将数字信号转换为包含上升前的平坦部、上升部、上升后的平坦部的阶梯波。具体而言,波形转换部208对A/D转换器204所转换的数字信号进行用于除去与前置放大器202内的微分电路的时间常数对应的衰减的处理,将作为该数字信号的微分波转换为阶梯波。例如,波形转换部208使用用于消除由微分电路的时间常数衰减的量的校正系数,通过对数字信号进行延迟、加减、乘法、积分等处理来进行转换。图3的(d)是表示波形转换部208所转换的阶梯波的一例的图。此外,在前置放大器202为不包含微分电路的结构的情况下,处理部108也可以是不具备波形转换部208的结构。
波形整形部210对阶梯波进行整形,并生成包含台阶或峰的整形波。具体地,波形整形部210将阶梯波中包含的各台阶整形为具有与该台阶的高度对应的峰值的梯形波、三角波、高斯波等函数波。例如,图3的(e)是表示波形整形部210所整形的梯形波的一例的图。该波形整形时间例如为0.5~2μs。整形后的波形的峰值与检测出的X射线的能量成正比。
峰值测量部212基于入射定时以及整形波的台阶或峰来测量峰值。具体而言,例如,峰值测量部212是多通道分析仪。峰值测量部212根据信号检测部206检测出的入射定时,分别计算梯形波的底部和顶部的平坦部的峰值。进而,峰值测量部212通过计算底部和顶部的峰值的差值来测量峰值。在整形波为三角波或高斯波的情况下,峰值测量部212基于入射定时,分别计算三角波或高斯波的峰值和峰值前后的平坦部的峰值。进而,峰值测量部212通过计算峰值与平坦部的峰值的差值来测量峰值。峰值测量部212例如将峰值换算成每10eV的能量值来进行辨别。
选择部214选择并输出峰值或预测峰值中的任一个。具体而言,例如,选择部214根据X射线向X射线探测器106的入射计数率,选择并输出峰值或预测峰值中的任一个。在入射计数率高于规定的阈值的情况下,若为了减少X射线的遗漏而缩短处理时间(波形整形部210的波形整形时间),则峰值的偏差变大,X射线能谱的能量分辨率劣化。另一方面,即使将处理时间设定得较短,预测峰值的偏差也不会发生较大变化,X射线能谱的能量分辨率也较好(图13及图14)。因此,选择部214在入射计数率高于规定阈值时,选择并输出预测峰值,在入射计数率低于规定阈值时,选择并输出峰值。由此,能够高速且高精度地进行X射线能量的测量,并且能够减少X射线的遗漏。选择部214可以根据软件的指示进行该选择,也可以根据用户的指示进行选择。
计数部216对每个峰值或预测峰值进行计数,以生成直方图。具体而言,计数部216基于峰值测量部212测量的峰值或峰值预测部218计算出的预测峰值,对每个与X射线的能量对应的通道进行计数。此外,计数部216生成表示所取得的每个X射线的能量的取得频度的直方图。
峰值预测部218使用入射定时从波形转换部208新转换的阶梯波中取得阶梯波的一部分,并基于取得的阶梯波的一部分和学习模型(后述)而计算预测峰值。关于计算预测峰值的方法将在后面叙述。
学习部114使用入射定时,取得包含上升部的阶梯波的一部分,并使用包含多个取得的阶梯波的一部分和峰值的组的学习用数据,生成学习完阶梯波的一部分和峰值的相关关系的学习模型。具体而言,使用表示图4所示的学习用数据的一例的图进行说明。
如上所述,阶梯波包含多个上升部,在各上升部的前后包含平坦部。图4的左侧所示的波形是表示阶梯波中包含的1个上升部和该上升部的前后的平坦部的X射线信号数据。学习部114将上升部的开始位置作为入射定时,取得上升部前的平坦部和该平坦部之后的上升部(也可以是上升部的一部分)的X射线信号数据(X1~XN)。此时,取得X1~XN的各数据点,以使得所取得的X射线信号数据中的入射定时的位置固定。即,以入射定时的位置为基准设定阶梯波中的X1的数据点的位置。
此外,学习部114取得基于与该入射定时对应的整形波而测量的峰值(y)。学习部114取得作为特征量的该X射线信号数据(X1~XN)和作为目的变量的峰值作为一组。学习数据包括多个该组合。学习部114使用该学习用数据,生成已学习阶梯波的一部分与峰值的相关关系的学习模型。
此外,包含在学习用数据中的阶梯波的一部分只要至少包含上升部的一部分,则不限于上述。例如,学习用数据中包含的阶梯波的一部分也可以是上升部和该上升部后的平坦部的波形数据。此外,包含在学习用数据中的阶梯波的一部分也可以仅是上升部的一部分。后面将描述由学习部114执行的学习和学习模型。
判断部112基于峰值和预测峰值,判断是否进行再学习。稍后将详细描述由判断部112进行的判断。
接着,使用图5说明学习部114的详细情况。学习部114包括学习数据取得部502、学习模型生成部504和学习模型输出部506。学习用数据取得部502使用入射定时取得包含多个具有上升部的阶梯波的一部分和峰值的组的学习用数据。
学习模型生成部504使用学习用数据生成已学习的学习模型。具体地,使用机器学习的回归算法建立学习模型。例如,使用决策树算法构建学习模型(参见图9)。所生成的已学习的学习模型通过学习模型输出部506输出到峰值预测部218。
此外,学习部114从判断部112取得是否再次学习的判断结果。在学习部114取得了进行再学习的意思的判断结果的情况下,学习部114再次取得新的学习用数据。然后,学习部114使用该新的学习用数据生成已学习的学习模型,并输出到峰值预测部218。
图6是表示学习用数据的生成的流程图。首先,进行样品的测量(S602)。具体而言,首先,将样品配置在样品台102上。样品是含有测量对象元素的样品。从由激发源104照射了激发线的样品产生X射线(在此为荧光X射线)。X射线探测器106检测从样品中的测量对象元素产生的X射线。此外,样品也可以是不含测量对象元素的样品。具体地,例如,样品可以是石墨或丙烯酸树脂。在这种情况下,X射线探测器106检测从样品产生的连续X射线。
接下来,学习数据取得部502取得用于学习的X射线信号数据(S604)。具体而言,学习用数据取得部502使用入射定时,从自波形转换部208输出的阶梯波中取得包含上升部的一部分作为X射线信号数据。这里,取得多个X射线信号数据。此外,X射线信号数据也可以仅是上升部的一部分。
接着,峰值测量部212测量峰值(S606)。具体而言,例如,峰值测量部212测量与在S604中取得的各X射线信号数据对应的阶梯波的峰值。此时,波形整形部210的整形时间被设定为峰值的分散度(分散、标准偏差、变动计数等)变小。波形整形部210使用设定的整形时间,生成梯形波即整形波。峰值测量部212使用整形后的梯形波进行峰值的测量。进行梯形整形时的波形整形时间例如为1~2μs左右。
接着,学习用数据取得部502将X射线信号数据和根据该X射线信号数据测量的峰值组合,生成学习用数据(S608)。具体而言,例如,学习用数据取得部502取得在S604中取得的X射线信号数据和与该X射线信号数据对应的峰值,并组合以生成学习用数据。此时,根据相同的入射定时取得的X射线信号数据与峰值对应。
图7是表示使用在图6所示的流程中生成的学习用数据的学习方法的流程图。首先,学习数据取得部502从处理部108取得学习数据(S702)。具体而言,学习用数据取得部502取得在S608中生成的学习用数据。
接着,学习模型生成部504使用机器学习算法进行学习(S704),并生成已学习的学习模型(S706)。具体地,例如,机器学习算法是决策树。学习模型生成部504对X射线信号数据及其峰值的组即学习用数据使用决定树,学习X射线信号数据与峰值的相关关系。由此,生成包含从X射线信号数据预测峰值时所需的X射线信号数据的分割的条件和分割的阈值的决定树的已学习的学习模型。学习模型输出部506将生成的已学习的学习模型输出到峰值预测部218(S708)。
此外,机器学习算法不限于决定树,也可以是以决定树为基础的随机森林和梯度提升算法。此外,机器学习算法也可以是线性回归、k近邻法、神经网络、支持向量回归等算法。
图8是表示使用学习模型预测峰值的方法的流程图。首先,进行样品的测量(S802)。样品是作为测量对象的未知样品。从由激发源104照射了激发线的样品产生X射线。X射线探测器106检测从样品产生的X射线。除了样品不同之外,该步骤与S602相同。
接下来,峰值预测部218取得X射线信号数据(S804)。具体而言,峰值预测部218使用入射定时,从自波形转换部208输出的阶梯波中取得包含上升部的一部分作为X射线信号数据。此时,取得X1至XN的各数据点,使得所取得的X射线信号数据中的入射定时的位置与学习数据中包含的X射线信号数据中的入射定时的位置相同。此外,在学习数据中包含的X射线信号数据仅包含上升部的一部分的情况下,峰值预测部218取得的X射线信号数据也仅包含上升部的一部分。
接着,峰值预测部218计算预测峰值(S806)。具体而言,峰值预测部218将在S804中取得的X射线信号数据输入到在S706中生成的已学习的学习模型中。图9是本实施方式中使用的学习模型的示意图。学习模型是包含X射线信号数据的分割的条件和分割的阈值的决定树。此外,峰值预测部218在S708中取得该已学习的学习模型。当X射线信号数据被输入到峰值预测部218时,学习模型通过对X射线信号数据进行分类来估计峰值,并输出预测峰值。然后,峰值预测部218将该预测峰值输出到计数部216(S808)。通过以上步骤,得到各X射线信号数据的预测峰值。
在本实施方式中,也可以构成为学习部114根据判断部112的判断进行再学习。例如,判断部112也可以基于峰值与预测峰值的差值和预先设定的第一阈值来判断是否进行再学习。具体而言,判断部112也可以比较由峰值得到的X射线能谱和由预测峰值得到的X射线能谱中包含的任意的峰,如果峰的能量差为20eV以上,则判断为进行再学习。这里,判断的基准不限于直方图的峰能量,也可以针对各个峰值和预测峰值设置。具体而言,例如,判断的基准也可以是峰值与预测峰值的绝对平均误差、均方误差、决定系数等误差指标。
此外,判断部112也可以根据直方图的峰中的峰值的分散度与预测峰值的分散度的差值和预先设定的第二阈值来判断是否进行再学习。具体而言,例如,判断部112也可以比较由峰值得到的X射线能谱和由预测峰值得到的X射线能谱中包含的任意的峰,如果两个峰的半高全宽(FWHM)之差为10eV以上,则判断为进行再学习。
图10~图12是表示通过本实施方式的已学习的学习模型得到的MnKα线的能谱的图。图10至图12所示的MnKα线的能谱是用SDD探测器测量密封线源55Fe射出的X射线的结果。在此,密封线源55Fe射出的X射线是模拟由样品产生的荧光X射线的X射线。用于学习和峰值的预测的X射线信号数据是通过检测55Fe射出的X射线而生成的阶梯波的一部分。测量的阶梯波的上升时间(上升部的宽度)约为0.2μs。图10中的X射线信号数据包含上升前的平坦部、上升部、上升后的平坦部,并且处理时间为0.6μs。此外,在图10中,作为比较例,示出现有例的MnKα线的能谱。波形整形部210进行梯形整形,将由峰值测量部212测量的峰值的直方图作为现有例表示。此外,将梯形波从上升到下降的时间宽度作为现有例的处理时间。现有例的处理时间为0.65μs。此外,图11是表示为了与图10进行比较而处理时间长的情况下的现有例以及本实施方式的测量结果的图。图11中的现有例的处理时间为2.25μs、本实施方式的处理时间为2μs。如图10所示,在现有例中,通过将处理时间设定得较短,与图11现有例的结果相比,MnKα线峰值的能量变低,并且半高全宽(FWHM)变大。另一方面,在本实施方式中,即使缩短处理时间,MnKα线峰值能量也不变,得到与现有例相比半高全宽(FWHM)小的MnKα线谱。此外,图12中的X射线信号数据仅包含上升部的一部分,并且处理时间为0.1μs。如图12所示,尽管使用比作为阶梯波的上升时间的0.2μs短的0.1μs这样的处理时间进行了峰值预测,但高斯形状几乎没有被破坏,并得到了半高全宽(FWHM)小的MnKα线谱。
图13及图14是表示本实施方式的已学习的学习模型和通过现有方法得到的各处理时间的MnKα线谱的半高全宽(FWHM)的图。波形整形部210进行梯形整形,并将由峰值测量部212测量的峰值的直方图得到的能量分辨率作为现有例表示。此外,将梯形波从上升到下降的时间宽度作为现有例的处理时间。在取得图13时使用的X射线信号数据至少包含上升前的平坦部和上升部的一部分。处理时间为0.1~0.2μs的情况下,X射线信号数据包含上升前的平坦部和上升部的一部分。处理时间为0.4~2.0μs的情况下,X射线信号数据包含上升前的平坦部、上升部和上升后的平坦部。另一方面,在取得图14时使用的X射线信号数据仅包含上升部。处理时间为0.05~0.1μs的情况下,X射线信号数据仅包含上升部的一部分。处理时间为0.2μs的情况下,X射线信号数据包含所有上升部分。如图13及图14所示,可知本实施方式与现有例相比,特别是处理时间为0.2μs以下的区域,能量分辨率有明显的改善。
图13中的X射线信号数据至少包含上升前的平坦部和上升部的一部分,而图14中的X射线信号数据仅包含上升部。当X射线的入射计数率变大时,由X射线入射引起的上升部变多,平坦部变少。其结果,在进行了包含平坦部在内的处理的情况下,不能处理的X射线信号数据增加,成为遗漏X射线的结果。如图14所示,通过使用仅包含上升部的X射线信号数据,与使用包含平坦部的X射线信号数据的情况相比,能够进一步减少X射线的遗漏,并能够更高速且高精度地进行峰值的测量。
如上所述,在本实施方式的X射线信号处理装置110中,与现有的应用波形整形滤波器的方法相比,能够以高速且高精度地进行峰值的测量。由此,能够减少X射线的遗漏,并能够提高X射线信号处理装置110的吞吐量。此外,本实施方式通过由学习部114生成学习完毕的学习模型,也能够适用于各种X射线探测器106和前置放大器202。进而,通过根据需要进行再学习,能够得到对于X射线探测器106来说总是最佳的预测峰值。此外,通过测量从样品产生的连续X射线并作为学习用数据使用,不需要准备含有测量对象元素的样品。由此,用于取得学习用数据的测量变得简便,同时,对于从元素组成未知的样品产生的X射线,能够得到预测峰值。
本公开的学习部114和判断部112例如使用CPU、GPU和多核CPU而构成,并且包括峰值预测部218的信号检测部206之后的处理部108使用FPGA(field-programmable gatearray)而构成。已学习的学习模型通过学习部114按照计算机程序(峰值预测程序)执行信息处理(学习步骤)来实现。通过将存储在学习部114中包含的已学习的学习模型中的参数写入构成处理部108的FPGA,构建峰值预测部218。通过峰值预测部218执行信息处理(峰值预测步骤),获得预测峰值。
作为其他结构,学习部114、判断部112、处理部108的包括峰值预测部218的信号检测部206以后的结构例如也可以使用FPGA构成。在该结构中,由配置在FPGA内部的学习部114进行信息处理(学习步骤),并生成已学习的学习模型。将所得到的已学习的学习模型输出到峰值预测部218,并且通过峰值预测部218执行信息处理(峰值预测步骤),得到预测峰值。
本发明不限于上述实施例,并且可以进行各种变形。上述X射线分析装置100的结构是一例,并不限定于此。也可以用与上述实施例所示的结构实质上相同的结构、起到相同作用效果的结构或达到相同目的的结构来代替。
例如,在图1中记载了X射线分析装置是荧光X射线分析装置的情况,但X射线分析装置不限于此。X射线分析装置也可以是通过将电子束或粒子束作为激发线照射到样品上并检测产生的X射线来进行分析的扫描型电子显微镜(SEM)、电子探针显微分析仪(EPMA)、质子X射线荧光分析仪(PIXE)。
附图标记说明
100X射线分析装置、102样品台、104激发源、106X射线探测器、108处理部、110X射线信号处理装置、112判断部、114学习部、202前置放大器、204AD转换器、206信号检测部、208波形转换部、210波形整形部、212峰值测量部、214选择部、216计数部、218峰值预测部、502学习用数据取得部、504学习模型生成部、506学习模型输出部。
Claims (12)
1.一种X射线分析装置,其特征在于,具有:
激发源,其用激发线照射样品;
X射线探测器,其检测从所述样品产生的X射线,并产生与X射线的能量对应的电荷;
前置放大器,其输出用于表示与产生所述电荷对应的电压的时间变化的模拟信号;
AD转换器,其将所述模拟信号转换为数字信号;
信号检测部,其检测从所述数字信号到所述X射线探测器的X射线的入射定时;
波形转换部,其将所述数字信号转换为包含上升前的平坦部、上升部、上升后的平坦部的阶梯波;
波形整形部,其对所述阶梯波进行整形,并生成包含台阶或峰的整形波;
峰值测量部,其基于所述入射定时及所述整形波的台阶或峰而测量峰值;
学习部,其使用所述入射定时取得包含所述上升部的所述阶梯波的一部分,并使用包含多个所取得的所述阶梯波的一部分和所述峰值的组的学习用数据而生成已学习所述阶梯波的一部分与所述峰值的相关关系的学习模型;以及
峰值预测部,其使用所述入射定时从所述波形转换部新转换的阶梯波中取得所述阶梯波的一部分,并基于所取得的所述阶梯波的一部分和所述学习模型而计算预测峰值。
2.根据权利要求1所述的X射线分析装置,其特征在于,
所述学习用数据中包含的所述阶梯波的一部分是所述上升部的一部分,
所述峰值预测部使用所述入射定时从所述波形转换部新转换出的阶梯波中取得所述上升部的一部分,并基于所取得的所述上升部的一部分和所述学习模型而计算预测峰值。
3.根据权利要求1或2所述的X射线分析装置,其特征在于,
还具有选择部,其选择并输出所述峰值或所述预测峰值中的任意一个。
4.根据权利要求3所述的X射线分析装置,其特征在于,
所述选择部根据入射到所述X射线探测器上的X射线的入射计数率,选择并输出所述峰值或所述预测峰值中的任意一个。
5.根据权利要求1~4中任一项所述的X射线分析装置,其特征在于,
还具有判断部,其根据所述峰值和所述预测峰值,判断是否进行再学习。
6.根据权利要求5所述的X射线分析装置,其特征在于,
所述判断部根据所述峰值与所述预测峰值的差值和预先设定的第一阈值,判断是否进行再学习。
7.根据权利要求5所述的X射线分析装置,其特征在于,
还具有计数部,其对每个所述峰值或所述预测峰值进行计数以生成直方图,
所述判断部根据所述直方图的峰中的所述峰值的分散度与所述预测峰值的分散度的差值和预先设定的第二阈值,判断是否进行再学习。
8.根据权利要求1~7中任一项所述的X射线分析装置,其特征在于,
在取得所述学习用数据时使用的所述样品是不含待分析对象元素的样品。
9.根据权利要求8所述的X射线分析装置,其特征在于,
所述样品为石墨或丙烯酸树脂。
10.根据权利要求1至9中任一项所述的X射线分析装置,其特征在于,
所述学习模型使用机器学习的回归算法来构建。
11.根据权利要求10所述的X射线分析装置,其特征在于,
所述学习模型使用决策树算法来构建。
12.一种峰值预测程序,其由在X射线分析装置中使用的信息处理装置执行,
所述X射线分析装置具有:
激发源,其用激发线照射样品;
X射线探测器,其检测从所述样品产生的X射线,并产生与X射线的能量对应的电荷;
前置放大器,其输出用于表示与产生所述电荷对应的电压的时间变化的模拟信号;
AD转换器,其将所述模拟信号转换为数字信号;
信号检测部,其检测从所述数字信号到所述X射线探测器的X射线的入射定时;
波形转换部,其将所述数字信号转换为包含上升前的平坦部、上升部、上升后的平坦部的阶梯波;
波形整形部,其对所述阶梯波进行整形,并生成包含台阶或峰的整形波;以及
峰值测量部,其基于所述入射定时及所述整形波的台阶或峰而测量峰值,
所述峰值预测程序的特征在于,
所述程序使所述信息处理装置执行以下步骤:
学习步骤,其使用所述入射定时取得包含所述上升部的所述阶梯波的一部分,并使用包含多个所取得的所述阶梯波的一部分和所述峰值的组的学习用数据而生成已学习所述阶梯波的一部分与所述峰值的相关关系的学习模型;以及
峰值预测步骤,其使用所述入射定时从所述波形转换部新转换的阶梯波中取得所述阶梯波的一部分,并基于所取得的所述阶梯波的一部分和所述学习模型而计算预测峰值。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021136599A JP7218958B1 (ja) | 2021-08-24 | 2021-08-24 | X線分析装置及び波高値予測プログラム |
JP2021-136599 | 2021-08-24 | ||
PCT/JP2022/019808 WO2023026598A1 (ja) | 2021-08-24 | 2022-05-10 | X線分析装置及び波高値予測プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117836616A true CN117836616A (zh) | 2024-04-05 |
Family
ID=85158986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280057712.XA Pending CN117836616A (zh) | 2021-08-24 | 2022-05-10 | X射线分析装置及峰值预测程序 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP4394365A1 (zh) |
JP (1) | JP7218958B1 (zh) |
CN (1) | CN117836616A (zh) |
WO (1) | WO2023026598A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432703B (zh) * | 2023-06-12 | 2023-08-29 | 成都大学 | 基于复合神经网络模型的脉冲高度估计方法、系统及终端 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9354351B2 (en) | 2011-05-17 | 2016-05-31 | Schlumberger Technology Corporation | High throughput pulse height analyzer |
CA2933255C (en) | 2013-12-11 | 2023-08-15 | Southern Innovation International Pty Ltd | Method and apparatus for resolving signals in data |
JP2018091691A (ja) * | 2016-12-01 | 2018-06-14 | 株式会社リガク | 蛍光x線分析装置 |
EP3550293B1 (en) | 2016-12-01 | 2021-06-30 | Rigaku Corporation | X-ray fluorescence analyzer |
JP6574957B2 (ja) * | 2017-09-29 | 2019-09-18 | 株式会社リガク | X線分析用信号処理装置及びx線分析用信号処理装置の調整方法 |
CN107817514B (zh) | 2017-10-24 | 2020-01-07 | 东华理工大学 | 一种数字化核能谱测量系统中的脉冲阶梯成形方法 |
WO2021075345A1 (ja) | 2019-10-18 | 2021-04-22 | 株式会社堀場製作所 | 信号処理方法、学習モデル生成方法、信号処理装置、放射線検出装置及びコンピュータプログラム |
US12019037B2 (en) * | 2020-04-27 | 2024-06-25 | Horiba, Ltd. | Signal processing method, learning model generation method, signal processing device, radiation detecting device, and recording medium |
-
2021
- 2021-08-24 JP JP2021136599A patent/JP7218958B1/ja active Active
-
2022
- 2022-05-10 WO PCT/JP2022/019808 patent/WO2023026598A1/ja active Application Filing
- 2022-05-10 CN CN202280057712.XA patent/CN117836616A/zh active Pending
- 2022-05-10 EP EP22860895.6A patent/EP4394365A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023026598A1 (ja) | 2023-03-02 |
EP4394365A1 (en) | 2024-07-03 |
JP7218958B1 (ja) | 2023-02-07 |
JP2023031101A (ja) | 2023-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101283220B1 (ko) | 방사선 검출기 및 방사선 검출 방법 | |
EP3239704B1 (en) | Analysis data processing method and device | |
WO2003050518A2 (en) | System and method for time correlated multi-photon counting measurements | |
JP6003836B2 (ja) | X線分析用信号処理装置 | |
CN104380064A (zh) | 光信号检测电路、光量检测装置以及带电粒子束装置 | |
US8027811B2 (en) | Processing of spectrometer pile-up events | |
CN115541553B (zh) | 一种用于生物特征信息提取的输入和输出集成系统 | |
CN117836616A (zh) | X射线分析装置及峰值预测程序 | |
WO2017187972A1 (ja) | 放射線検出装置及び放射線検出用信号処理装置 | |
JP5544187B2 (ja) | 荷電粒子線装置 | |
JP4994225B2 (ja) | 2パラメータスペクトルの処理方法及び装置 | |
JP2011038939A (ja) | エネルギー分散型x線分析装置のスペクトルの分類方法及び装置 | |
JP2013527433A (ja) | 分光分析の方法および関連装置 | |
US11698336B2 (en) | Analysis method and analysis apparatus | |
EP3633361B1 (en) | Method of generating elemental map and surface analyzer | |
US12019037B2 (en) | Signal processing method, learning model generation method, signal processing device, radiation detecting device, and recording medium | |
JP5693973B2 (ja) | 高分解能分類 | |
JP6472434B2 (ja) | X線分析装置及びコンピュータプログラム | |
EP4375713A1 (en) | Signal processing method, signal processing device, radiation detection device, and computer program | |
JP2021056208A (ja) | 分析方法および分析装置 | |
JP2016186489A (ja) | 分光分析の方法および関連装置 | |
KR101443710B1 (ko) | 파일업 신호 제거를 이용한 엑스선 형광분석장치 및 이를 이용한 분석방법 | |
JP7444294B2 (ja) | 蛍光x線分析装置 | |
KR101417635B1 (ko) | 엑스선을 이용하는 형광분석의 최대값 검출 방법 및 이를 이용한 엑스선 형광분석장치 | |
WO2022162976A1 (ja) | X線分析用信号処理装置 |
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 |