DE102022130044A1 - Technical design of an analysis device for spectral analysis - Google Patents
Technical design of an analysis device for spectral analysis Download PDFInfo
- Publication number
- DE102022130044A1 DE102022130044A1 DE102022130044.7A DE102022130044A DE102022130044A1 DE 102022130044 A1 DE102022130044 A1 DE 102022130044A1 DE 102022130044 A DE102022130044 A DE 102022130044A DE 102022130044 A1 DE102022130044 A1 DE 102022130044A1
- Authority
- DE
- Germany
- Prior art keywords
- spectrometer
- hardware
- spectral
- representation
- sample
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 79
- 238000013461 design Methods 0.000 title claims abstract description 15
- 238000010183 spectrum analysis Methods 0.000 title claims abstract description 15
- 230000003595 spectral effect Effects 0.000 claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 71
- 239000004615 ingredient Substances 0.000 claims abstract description 70
- 238000010801 machine learning Methods 0.000 claims abstract description 70
- 238000005259 measurement Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000004590 computer program Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 37
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 13
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 51
- 239000013598 vector Substances 0.000 description 31
- 238000005457 optimization Methods 0.000 description 24
- 241000196324 Embryophyta Species 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 229910052757 nitrogen Inorganic materials 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000000295 emission spectrum Methods 0.000 description 3
- 238000013401 experimental design Methods 0.000 description 3
- 238000010238 partial least squares regression Methods 0.000 description 3
- 239000013074 reference sample Substances 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 229920002472 Starch Polymers 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 229910052796 boron Inorganic materials 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009614 chemical analysis method Methods 0.000 description 2
- 239000000460 chlorine Substances 0.000 description 2
- 229910052801 chlorine Inorganic materials 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 239000011777 magnesium Substances 0.000 description 2
- 229910052749 magnesium Inorganic materials 0.000 description 2
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 235000019698 starch Nutrition 0.000 description 2
- 239000008107 starch Substances 0.000 description 2
- 239000011701 zinc Substances 0.000 description 2
- 229910052725 zinc Inorganic materials 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 244000144725 Amygdalus communis Species 0.000 description 1
- 235000011437 Amygdalus communis Nutrition 0.000 description 1
- 241000219310 Beta vulgaris subsp. vulgaris Species 0.000 description 1
- 240000002791 Brassica napus Species 0.000 description 1
- 235000004977 Brassica sinapistrum Nutrition 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 240000009088 Fragaria x ananassa Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 241000254158 Lampyridae Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 241000758706 Piperaceae Species 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 235000021536 Sugar beet Nutrition 0.000 description 1
- 239000005864 Sulphur Substances 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000001994 activation Methods 0.000 description 1
- 235000020224 almond Nutrition 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 239000004464 cereal grain Substances 0.000 description 1
- 229910052729 chemical element Inorganic materials 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000000855 fungicidal effect Effects 0.000 description 1
- 239000000417 fungicide Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 235000021073 macronutrients Nutrition 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000011785 micronutrient Substances 0.000 description 1
- 235000013369 micronutrients Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 235000021012 strawberries Nutrition 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
Images
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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/02—Details
- G01J3/0264—Electrical interface; User interface
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Immunology (AREA)
- Biophysics (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zum technischen Entwurf eines Analysegerätes zur spektralen Analyse mindestens eines Inhaltsstoffes einer Probe. Das Analysegerät umfasst ein Spektrometer und ist zur Anwendung eines durch ein trainiertes maschinelles Lernsystem gebildeten chemometrischen Modells zur Bestimmung einer Konzentration des Inhaltsstoffes ausgehend von mit dem Spektrometer aufgenommenen spektralen Messwerten der Probe konfiguriert. Es erfolgt ein iteratives Ausführen (06) mehrerer Schritte. Diese Schritte umfassen ein Anwenden (07) einer jeweils aktuellen Konfiguration einer Repräsentation einer Hardware des Spektrometers, wodurch spektrale Trainingsdaten (08) erhalten werden. Das chemometrische Modell wird mit den spektralen Trainingsdaten (08) trainiert (09). Das durch das trainierte maschinelle Lernsystem gebildete chemometrische Modell wird angewendet, um einen Wert einer Eignungskenngröße (11) für die jeweils aktuelle Konfiguration der Repräsentation der Hardware des Spektrometers zu bestimmen. Die jeweils aktuelle Konfiguration der Repräsentation der Hardware des Spektrometers wird modifiziert (13). Im Weiteren betrifft die Erfindung ein Computerprogrammprodukt, ein trainiertes maschinelles Lernsystem sowie ein Analysegerät.The invention relates to a method for the technical design of an analysis device for the spectral analysis of at least one ingredient of a sample. The analysis device comprises a spectrometer and is configured to use a chemometric model formed by a trained machine learning system to determine a concentration of the ingredient based on spectral measurement values of the sample recorded with the spectrometer. Several steps are carried out iteratively (06). These steps include applying (07) a current configuration of a representation of a hardware of the spectrometer, whereby spectral training data (08) are obtained. The chemometric model is trained (09) with the spectral training data (08). The chemometric model formed by the trained machine learning system is used to determine a value of a suitability parameter (11) for the current configuration of the representation of the hardware of the spectrometer. The current configuration of the representation of the hardware of the spectrometer is modified (13). Furthermore, the invention relates to a computer program product, a trained machine learning system and an analysis device.
Description
Die vorliegende Erfindung betrifft zunächst ein Verfahren zum technischen Entwurf eines Analysegerätes zur spektralen Analyse mindestens eines Inhaltsstoffes einer Probe. Das Analysegerät umfasst ein Spektrometer zur spektralen Vermessung der Probe. Das Analysegerät ist zur Anwendung eines durch ein trainiertes maschinelles Lernsystem gebildeten chemometrischen Modells zur Bestimmung einer Konzentration mindestens eines Inhaltsstoffes der Probe ausgehend von mit dem Spektrometer aufgenommenen spektralen Messwerten der Probe konfiguriert. Bei dem Inhaltsstoff handelt es sich beispielsweise um ein Protein oder um Stärke. Bei dem Inhaltsstoff handelt es sich beispielsweise um Wasser, sodass durch das Analysegerät eine Feuchte bestimmbar ist. Im Weiteren betrifft die Erfindung ein Computerprogrammprodukt und ein trainiertes maschinelles Lernsystem sowie ein Analysegerät zur spektralen Analyse mindestens eines Inhaltsstoffes einer Probe.The present invention initially relates to a method for the technical design of an analysis device for the spectral analysis of at least one ingredient of a sample. The analysis device comprises a spectrometer for the spectral measurement of the sample. The analysis device is configured to use a chemometric model formed by a trained machine learning system to determine a concentration of at least one ingredient of the sample based on spectral measurement values of the sample recorded with the spectrometer. The ingredient is, for example, a protein or starch. The ingredient is, for example, water, so that a moisture content can be determined by the analysis device. The invention also relates to a computer program product and a trained machine learning system as well as an analysis device for the spectral analysis of at least one ingredient of a sample.
Die
Die
Die
Die
Die
Die
Die
Die genannten Lösungen aus dem Stand der Technik zur spektralen Analyse sehen ein Spektrometer und eine Auswertung der mit dem Spektrometer aufgenommenen spektralen Messwerte vor. Sowohl das Spektrometer als auch das Verfahren zur Auswertung der spektralen Messwerte müssen in einem hohen Maße an die gegebene Analyseaufgabe angepasst sein, um zu genauen Ergebnissen führen zu können. Eine solche spektrale Analyse wird beispielsweise zur Bestimmung von Inhaltsstoffen von landwirtschaftlichen Produkten und Nahrungsmitteln durchgeführt. Zur Auswertung der spektralen Messwerte dient ein chemometrisches Modell, welches beispielsweise unter Anwendung von maschinellem Lernen entwickelt wird. Für das Spektrometer muss festgelegt werden, welche spektralen Empfindlichkeiten es aufweisen soll; insbesondere wie die mittleren Wellenlängen und Bandbreiten von Messkanälen des Spektrometers dimensioniert sein sollen. Die Auswahl eines nicht optimal konfigurierten Spektrometers verschlechtert die Auswertung durch das chemometrische Modell. Das Spektrometer kann beispielsweise zu wenige oder unpassende spektrale Empfindlichkeiten besitzen, was die Bestimmung der Inhaltsstoffe beschränkt. In anderen Fällen kann es dazu kommen, dass das Spektrometer für die gegebene Analyseaufgabe überdimensioniert ist, d. h. dass es spektrale Empfindlichkeiten aufweist, die für die Analyseaufgabe nicht benötigt werden. Hierdurch wird das Spektrometer zu teuer.The above-mentioned state-of-the-art solutions for spectral analysis provide for a spectrometer and an evaluation of the spectral measurement values recorded with the spectrometer. Both the spectrometer and the method for evaluating the spectral measurement values must be highly adapted to the given analysis task in order to be able to lead to accurate results. Such a spectral analysis is carried out, for example, to determine the ingredients of agricultural products and foodstuffs. A chemometric model is used to evaluate the spectral measurement values, which is developed, for example, using machine learning. The spectral sensitivities that the spectrometer should have must be specified; in particular, how the average wavelengths and bandwidths of the spectrometer's measurement channels should be dimensioned. Selecting a spectrometer that is not optimally configured impairs the evaluation by the chemometric model. For example, the spectrometer may have too few or unsuitable spectral sensitivities, which limits the determination of the ingredients. In other cases, the spectrometer may be over-dimensioned for the given analysis task, ie it may have spectral sensitivities that are not required for the analysis task. This makes the spectrometer too expensive.
Die Aufgabe der vorliegenden Erfindung besteht ausgehend vom Stand der Technik darin, den technischen Entwurf eines Analysegerätes zur spektralen Analyse mindestens eines Inhaltsstoffes einer Probe genauer an die jeweils gegebene Analyseaufgabe anpassen zu können, wodurch das Analysegerät weniger aufwändig ausgeführt werden kann.The object of the present invention, based on the prior art, is to be able to adapt the technical design of an analysis device for the spectral analysis of at least one component of a sample more precisely to the respective given analysis task, whereby the analysis device can be designed in a less complex manner.
Die genannte Aufgabe wird gelöst durch ein Verfahren gemäß dem beigefügten Anspruch 1, durch ein Computerprogrammprodukt gemäß dem beigefügten nebengeordneten Anspruch 13, durch ein trainiertes maschinelles Lernsystem gemäß dem beigefügten nebengeordneten Anspruch 14 und durch ein Analysegerät gemäß dem beigefügten nebengeordneten Anspruch 15.The stated object is achieved by a method according to the appended claim 1, by a computer program product according to the appended
Das erfindungsgemäße Verfahren dient zum technischen Entwurf eines Analysegerätes zur spektralen Analyse mindestens eines Inhaltsstoffes einer Probe. Das technisch zu entwerfende Analysegerät soll optimal für eine gegebene Analyseaufgabe geeignet sein. Durch die spektrale Analyse wird die Konzentration mindestens eines Inhaltsstoffes der Probe ausgehend von an der Probe gemessenen spektralen Informationen bestimmt. Die Probe stammt von einem Material oder einem Produkt, welches durch die Analyse hinsichtlich seines Inhaltes untersucht werden soll. Die Probe kann beispielsweise dem Material bzw. dem Produkt entnommen werden oder das Material bzw. das Produkt wird dem Analysegerät als Probe zugeführt. Bei dem Material bzw. dem Produkt handelt es sich bevorzugt um ein landwirtschaftliches Produkt, um ein Lebensmittel oder um ein Nahrungsmittel. Bei dem landwirtschaftlichen Produkt handelt es sich bevorzugt um ein Erntegut. Bei dem Erntegut handelt es sich bevorzugt um ein Getreide wie Mais oder Weizen oder um Raps, um Zuckerrüben oder um Soja. Bei dem Erntegut kann es sich aber auch bevorzugt um Fruchtpflanzen, wie Paprika, Tomaten, Erdbeeren u. ä. oder um Fruchtbäume wie Mandelbäume handeln. Die Probe kann durch das Erntegut als solches gebildet sein, wie beispielsweise im Falle von Getreidekörnern. Die Probe kann aber auch durch einen Teil einer Pflanze gebildet sein, welche das Erntegut hervorbringt, sodass beispielsweise das Blatt einer Getreidepflanze die Probe bildet. Der Inhaltsstoff ist bevorzugt durch Wasser, durch ein Protein, durch ein Öl, durch Zucker, durch Salz, durch Stärke oder durch eine Rohfaser gebildet. Der Inhaltsstoff ist bevorzugt durch ein einzelnes chemisches Element, wie Stickstoff, Phosphor, Kalium, Kalzium, Magnesium, Bor, Molybdän, Kupfer, Mangan, Zink, Eisen, Chlor oder Schwefel gebildet. Von besonderer Relevanz für das Wachstum jeder Kulturpflanze ist die geeignete Versorgung mit Stickstoff, da Stickstoff das wichtigste Element des Chlorophylls ist und somit essenziell für einen optimalen Metabolismus ist. Neben Stickstoff sind auch andere Makronährstoffe relevant, wie Phosphor und Kalium, welche zusammen mit Stickstoff häufig als sogenannter NPK-Dünger den Böden zugeführt werden. Weiterhin relevant sind Kalzium und Magnesium, wobei letzteres das zentrale Element im Chlorophyll-Ring bildet. Zusätzlich sind oft in Abhängigkeit vom Pflanzentyp auch weitere Nährstoffe für ein optimales Wachstum und einen optimalen Ertrag relevant, welche jedoch oft in deutlich kleineren Mengen benötigt werden und daher auch als Mikronährstoffe bezeichnet werden. Beispiele hierfür sind Bor, Molybdän, Kupfer, Mangan, Zink, Eisen, Chlor und Schwefel. Die Messung der Konzentration von Wasser stellt eine Feuchtigkeitsmessung dar. Bei dem Inhaltsstoff kann es sich auch um eine im zu untersuchenden Produkt bzw. Erntegut unerwünschte Komponente, wie ein Pestizid oder ein Fungizid handeln.The method according to the invention is used for the technical design of an analysis device for the spectral analysis of at least one ingredient of a sample. The analysis device to be technically designed should be optimally suited to a given analysis task. The spectral analysis determines the concentration of at least one ingredient of the sample based on spectral information measured on the sample. The sample comes from a material or a product which is to be examined in terms of its content by the analysis. The sample can, for example, be taken from the material or product or the material or product is fed to the analysis device as a sample. The material or product is preferably an agricultural product, a food or a foodstuff. The agricultural product is preferably a harvested crop. The harvested crop is preferably a grain such as corn or wheat or rapeseed, sugar beet or soy. The harvested crop can also preferably be fruit plants such as peppers, tomatoes, strawberries etc. or fruit trees such as almond trees. The sample can be formed by the harvested crop as such, as in the case of cereal grains, for example. The sample can also be formed by a part of a plant that produces the harvested crop, so that, for example, the leaf of a cereal plant forms the sample. The ingredient is preferably formed by water, a protein, an oil, sugar, salt, starch or crude fiber. The ingredient is preferably formed by a single chemical element, such as nitrogen, phosphorus, potassium, calcium, magnesium, boron, molybdenum, copper, manganese, zinc, iron, chlorine or sulfur. The appropriate supply of nitrogen is particularly relevant for the growth of any crop, as nitrogen is the most important element of chlorophyll and is therefore essential for optimal metabolism. In addition to nitrogen, other macronutrients are also relevant, such as phosphorus and potassium, which are often added to the soil together with nitrogen as so-called NPK fertilizers. Calcium and magnesium are also relevant, the latter forming the central element in the chlorophyll ring. In addition, depending on the type of plant, other nutrients are often relevant for optimal growth and yield, but these are often required in much smaller quantities and are therefore also referred to as micronutrients. Examples of these are boron, molybdenum, copper, manganese, zinc, iron, chlorine and sulphur. Measuring the concentration of water represents a moisture measurement. The ingredient can also be an undesirable component in the product or crop being examined, such as a pesticide or a fungicide.
Das Analysegerät umfasst ein Spektrometer zur spektralen Vermessung der Probe. Bei dem Spektrometer kann es sich um ein NIR-Spektrometer, ein VIS/NIR-Spektrometer, ein VIS - Spektrometer oder ein Full-Range Spektrometer handeln. Das Spektrometer kann einen Transmissions-, einen Transflexions- oder einen Reflexionsaufbau aufweisen. Das Spektrometer ist bevorzugt kompakt als ein Spektrometersensor ausgeführt.The analysis device includes a spectrometer for spectral measurement of the sample. The spectrometer can be an NIR spectrometer, a VIS/NIR spectrometer, a VIS spectrometer or a full-range spectrometer. The spectrometer can have a transmission, a transflectance or a reflection structure. The spectrometer is preferably designed compactly as a spectrometer sensor.
Das Analysegerät ist weiterhin zur Anwendung eines durch ein trainiertes maschinelles Lernsystem gebildeten chemometrischen Modells zur Bestimmung einer Konzentration mindestens eines Inhaltsstoffes der Probe ausgehend von mit dem Spektrometer aufgenommenen spektralen Messwerten der Probe konfiguriert. Das Spektrometer nimmt spektrale Messwerte der Probe auf, welche durch die Inhaltsstoffe der Probe bestimmt werden. Durch das Anwenden des chemometrischen Modells wird von den spektralen Messwerten auf die Konzentration des mindestens einen zu analysierenden Inhaltsstoffes geschlossen. Im Ergebnis liegt ein Wert für die Konzentration des mindestens einen Inhaltsstoffes der Probe vor. Das chemometrische Modell ist durch ein trainiertes maschinelles Lernsystem gebildet. Das Training erfolgt bei der Ausführung des erfindungsgemäßen Verfahrens. Das maschinelle Lernsystem umfasst bevorzugt ein künstliches neuronales Netzwerk oder ein lineares Modell, welches bevorzugt durch ein Regressionsmodell der partiellen kleinsten Quadrate (Partial Least Squares Model) gebildet ist.The analysis device is further configured to use a chemometric model formed by a trained machine learning system to determine a concentration of at least one ingredient of the sample based on spectral measurement values of the sample recorded with the spectrometer. The spectrometer records spectral measurement values of the sample, which are determined by the ingredients of the sample. By applying the chemometric model, the concentration of the at least one ingredient to be analyzed is determined from the spectral measurement values. The result is a value for the concentration of the at least one ingredient of the sample. The chemometric model is formed by a trained machine learning system. Training takes place when the method according to the invention is carried out. The machine learning system preferably comprises an artificial neural network or a linear model, which is preferably formed by a partial least squares regression model.
Durch das erfindungsgemäße Verfahren werden das Spektrometer und das durch das trainierte maschinelle Lernsystem gebildete chemometrische Modell technisch entworfen bzw. entwickelt, sodass diese die Gegenstände eines technischen Entwicklungsvorganges bilden, in dessen Ergebnis das technisch spezifizierte Spektrometer und das trainierte maschinelle Lernsystem vorliegen.By means of the method according to the invention, the spectrometer and the chemometric model formed by the trained machine learning system are technically designed or developed so that they form the objects of a technical development process, the result of which is the technically specified spectrometer and the trained machine learning system.
In einem Schritt des Verfahrens wird eine initiale Konfiguration einer Repräsentation einer Hardware des Spektrometers ausgewählt. Diese Repräsentation kann insbesondere durch ein Modell oder durch ein physisches Testexemplar der Hardware des Spektrometers gebildet sein. Die Konfiguration legt die spektralen Empfindlichkeiten des Spektrometers fest. Die initiale Konfiguration stellt einen Ausgangspunkt für den technischen Entwicklungsvorgang dar, die während des technischen Entwicklungsvorganges verändert wird. Im Ergebnis des technischen Entwicklungsvorganges liegt eine finale Konfiguration der Repräsentation der Hardware des Spektrometers vor, die als technische Vorgabe dazu dient, mindestens ein Spektrometer herzustellen, welche eine Komponente des herzustellenden Analysegerätes bildet.In one step of the method, an initial configuration of a representation of a hardware of the spectrometer is selected. This representation can be formed in particular by a model or by a physical test copy of the hardware of the spectrometer. The configuration determines the spectral sensitivities of the spectrometer. The initial configuration represents a starting point for the technical development process, which is changed during the technical development process. The result of the technical development process is a final configuration of the representation of the hardware of the spectrometer, which serves as a technical specification for producing at least one spectrometer, which forms a component of the analysis device to be produced.
Die initiale Konfiguration der Repräsentation der Hardware des Spektrometers ist bevorzugt durch eine Konfiguration der Repräsentation der Hardware eines Referenzspektrometers gebildet. Bei dem Referenzspektrometer handelt es sich um ein hochauflösendes Spektrometer, bei welchem man davon ausgeht, dass es alle für die gegebene Analyseaufgabe notwendigen spektralen Informationen misst. Das Referenzspektrometer bildet hierfür einen Gold-Standard.The initial configuration of the representation of the hardware of the spectrometer is preferably formed by a configuration of the representation of the hardware of a reference spectrometer. The reference spectrometer is a high-resolution spectrometer which is assumed to measure all spectral information required for the given analysis task. The reference spectrometer forms a gold standard for this.
Im Folgenden erfolgt ein iteratives Ausführen mehrerer Schritte, welche computerimplementiert sind. Diese mehreren Schritte werden iterativ ausgeführt. Diese mehreren Schritte werden bei einfachen bevorzugten Ausführungsformen so oft wiederholt, bis eine vorgegebene Anzahl an Iterationen erreicht ist. Diese mehreren Schritte werden bei weiteren bevorzugten Ausführungsformen so oft wiederholt, bis ein Wert einer Eignungskenngröße einen vorbestimmten Grenzwert zumindest erreicht hat, was je nach Definition der jeweiligen Eignungskenngröße ein Überschreiten oder ein Unterschreiten einschließt. Die eine Eignungskenngröße oder die mehreren Eignungskenngrößen beschreiben jeweils die Eignung der jeweils aktuellen Konfiguration der Repräsentation der Hardware des Spektrometers einschließlich des durch das trainierte maschinelle Lernsystem gebildeten chemometrischen Modells für die gegebene Analyseaufgabe. Die mindestens eine Eignungskenngröße ist bevorzugt durch eine Gütemaß oder besonders bevorzugt durch ein Fehlermaß bzw. eine Verlustfunktion gebildet. Ist die jeweilige Eignungskenngröße durch ein Gütemaß gebildet, so steigt deren Wert, wenn die Eignung steigt. Ist die jeweilige Eignungskenngröße durch ein Fehlermaß bzw. Verlustfunktion gebildet, so sinkt deren Wert, wenn die Eignung steigt. Der vorbestimmte Grenzwert definiert, wie groß bzw. wie klein die Eignungskenngröße zumindest sein muss, damit die aktuelle Konfiguration der Repräsentation der Hardware des Spektrometers als für die gegebene Analyseaufgabe geeignet angesehen wird, sodass das Spektrometer gemäß der aktuelle Konfiguration für das Analysegerät hergestellt werden kann. Besonders bevorzugt ist eine erste der Eignungskenngrößen durch ein Fehlermaß bzw. eine Verlustfunktion gebildet, während eine zweite der Eignungskenngrößen durch eine Metrik zur Auswahl aus den Konfigurationen gebildet ist.The following is an iterative execution of several steps, which are computer-implemented. These several steps are carried out iteratively. In simple preferred embodiments, these several steps are repeated until a predetermined number of iterations is reached. In further preferred embodiments, these several steps are repeated until a value of a suitability parameter has at least reached a predetermined limit value, which includes exceeding or falling below it depending on the definition of the respective suitability parameter. The one suitability parameter or the several suitability parameters each describe the suitability of the current configuration of the representation of the spectrometer hardware, including the chemometric model formed by the trained machine learning system, for the given analysis task. The at least one suitability parameter is preferably formed by a quality measure or particularly preferably by an error measure or a loss function. If the respective suitability parameter is formed by a quality measure, its value increases when the suitability increases. If the respective suitability parameter is formed by an error measure or loss function, its value decreases when the suitability increases. The predetermined limit defines how large or how small the suitability parameter must at least be so that the current configuration of the representation of the spectrometer hardware is considered suitable for the given analysis task, so that the spectrometer can be manufactured according to the current configuration for the analysis device. Particularly preferably, a first of the suitability parameters is formed by an error measure or a loss function, while a second of the suitability parameters is formed by a metric for selection from the configurations.
In einem der iterativ auszuführenden Schritte erfolgt ein Anwenden der jeweils aktuellen Konfiguration der Repräsentation der Hardware des Spektrometers, wodurch spektrale Trainingsdaten erhalten werden. Wird dieser iterativ auszuführende Schritt das erste Mal ausgeführt, so ist die aktuelle Konfiguration der Repräsentation der Hardware des Spektrometers durch die initiale Konfiguration der Repräsentation der Hardware des Spektrometers gebildet. Beim Anwenden erfolgt ein spektrales Vermessen von Referenzproben oder ein spektrales Vermessen von Referenzproben wird mit einem Modell des Spektrometers simuliert, um die spektralen Trainingsdaten zu erhalten. Die spektralen Trainingsdaten stellen spektrale Messdaten dar, die mit der jeweils aktuellen Konfiguration der Repräsentation der Hardware des Spektrometers für die Referenzproben durch eine reale Durchführung der Messung oder durch eine Simulation der Messung erhalten werden.In one of the iterative steps, the current configuration of the representation of the spectrometer hardware is applied, whereby spectral training data is obtained. If this iterative step is carried out for the first time, the current configuration of the representation of the spectrometer hardware is formed by the initial configuration of the representation of the spectrometer hardware. When applied, a spectral measurement of reference samples is carried out or a spectral measurement of reference samples is simulated with a model of the spectrometer in order to obtain the spectral training data. The spectral training data represent spectral measurement data that is based on the current configuration of the representation of the spectrometer hardware for the reference samples can be obtained by actually carrying out the measurement or by simulating the measurement.
In einem weiteren der iterativ auszuführenden Schritte erfolgt ein Trainieren des durch ein maschinelles Lernsystem gebildeten chemometrischen Modells mit den aktuellen spektralen Trainingsdaten. Dieses Trainieren ist ein Vorgang des maschinellen Lernens, wodurch das maschinelle Lernsystem angelernt wird und im Ergebnis das trainierte maschinelle Lernsystem vorliegt. Das maschinelle Lernen erfolgt mit dem Ziel, dass das durch das maschinelle Lernsystem gebildete chemometrische Modell aus den spektralen Trainingsdaten die Konzentration des mindestens einen Inhaltsstoffes gemäß der gegebenen Analyseaufgabe bestmöglich bestimmt. Für das Trainieren des durch das maschinelle Lernsystem gebildeten chemometrischen Modells können unterschiedlichste Methoden des maschinellen Lernens angewendet werden. Bei bevorzugten Ausführungsformen erfolgt das Trainieren des durch ein maschinelles Lernsystem gebildeten chemometrischen Modells bei jeder Iteration der iterativ auszuführenden Schritte beginnend in einem untrainierten Zustand des maschinellen Lernsystems. Es werden also keine Informationen aus vorherigen Iterationen genutzt. Bei alternativ bevorzugten Ausführungsformen erfolgt das Trainieren des durch ein maschinelles Lernsystem gebildeten chemometrischen Modells bei den einzelnen Iterationen der iterativ auszuführenden Schritte jeweils beginnend in einem vortrainierten Zustand des maschinellen Lernsystems. Es können somit Informationen bzw. Trainingserfahrungen aus vorherigen Iterationen oder auch aus vorherigen Trainings von unabhängigen, vorherigen Modelloptimieraufgaben genutzt werden. Der vortrainierte Zustand des maschinellen Lernsystems kann beispielsweise aus einem Training resultieren, welches auf der Basis der gleichen spektralen Trainingsdaten aber zur Bestimmung einer Konzentration eines anderen Inhaltsstoffes der Probe erfolgte. In ähnlicher Weise kann der vortrainierte Zustand des maschinellen Lernsystems beispielsweise aus einem Training resultieren, welches auf der Basis von anderen spektralen Trainingsdaten aber zur Bestimmung einer Konzentration des gleichen Inhaltsstoffes der Probe erfolgte.In a further iteratively executed step, the chemometric model formed by a machine learning system is trained with the current spectral training data. This training is a machine learning process, whereby the machine learning system is taught and the trained machine learning system is available as a result. The machine learning is carried out with the aim of the chemometric model formed by the machine learning system determining the concentration of the at least one ingredient in accordance with the given analysis task as best as possible from the spectral training data. A wide variety of machine learning methods can be used to train the chemometric model formed by the machine learning system. In preferred embodiments, the chemometric model formed by a machine learning system is trained in each iteration of the iteratively executed steps, starting in an untrained state of the machine learning system. This means that no information from previous iterations is used. In alternative preferred embodiments, the training of the chemometric model formed by a machine learning system takes place in the individual iterations of the iteratively executed steps, each starting in a pre-trained state of the machine learning system. Information or training experience from previous iterations or from previous training of independent, previous model optimization tasks can thus be used. The pre-trained state of the machine learning system can, for example, result from training that was carried out on the basis of the same spectral training data but to determine a concentration of a different ingredient in the sample. In a similar way, the pre-trained state of the machine learning system can, for example, result from training that was carried out on the basis of other spectral training data but to determine a concentration of the same ingredient in the sample.
In einem weiteren der iterativ auszuführenden Schritte erfolgt ein Anwenden des durch das trainierte maschinelle Lernsystem gebildeten chemometrischen Modells, um einen Wert der mindestens einen Eignungskenngröße zu bestimmen. Das Anwenden des durch das trainierte maschinelle Lernsystem gebildeten chemometrischen Modells erfolgt auf die spektralen Trainingsdaten. Durch dieses Anwenden wird die Konzentration des mindestens einen Inhaltsstoffes für die aktuellen spektralen Trainingsdaten bestimmt. Durch einen Vergleich mit Referenzinhaltsstoffkonzentrationsdaten kann der Wert der mindestens einen Eignungskenngröße bestimmt werden. Der Wert der mindestens einen Eignungskenngröße kann je nach Ausführungsform unmittelbar nach dem Anwenden des chemometrischen Modells einzeln in jeder Iteration oder nach dem Ausführen sämtlicher Iterationen der iterativ auszuführenden Schritte für sämtliche angewendete Konfigurationen der Repräsentation der Hardware des Spektrometers bestimmt werden.In a further step to be carried out iteratively, the chemometric model formed by the trained machine learning system is applied to determine a value of the at least one suitability parameter. The chemometric model formed by the trained machine learning system is applied to the spectral training data. This application determines the concentration of the at least one ingredient for the current spectral training data. The value of the at least one suitability parameter can be determined by comparing it with reference ingredient concentration data. Depending on the embodiment, the value of the at least one suitability parameter can be determined immediately after the chemometric model has been applied, individually in each iteration or after all iterations of the steps to be carried out iteratively have been carried out for all applied configurations of the representation of the spectrometer hardware.
In einem weiteren der iterativ auszuführenden Schritte erfolgt ein Modifizieren der jeweils aktuellen Konfiguration der Repräsentation der Hardware des Spektrometers. Dieses Modifizieren erfolgt, um eine sich unterscheidende Konfiguration der Repräsentation der Hardware des Spektrometers zu erhalten, welche in der nächsten Iteration angewendet wird. Das iterative Modifizieren erfolgt mit dem Ziel, eine Konfiguration zu finden, welche bestmöglich für die gegebene Analyseaufgabe geeignet ist. Die Konfiguration der Repräsentation der Hardware des Spektrometers wird bevorzugt jeweils innerhalb eines vordefinierten Rahmens modifiziert. Dieser Rahmen ist bevorzugt durch mindestens ein Intervall gebildet, innerhalb welchem ein durch die Konfiguration definierter Parameter des Spektrometers verändert wird. Bei einfachen bevorzugten Ausführungsformen werden der iterativ auszuführende Schritt des Modifizierens der jeweils aktuellen Konfiguration der Repräsentation der Hardware des Spektrometers und die weiteren iterativ auszuführenden Schritte so oft wiederholt, bis die modifizierten Konfigurationen den vordefinierten Rahmen mit einer vordefinierten Dichte ausfüllen. Dies kann beispielsweise dadurch erfolgen, dass bei jeder Iteration ein durch die Konfiguration definierter Parameter des Spektrometers mit einer bestimmten Schrittweite beginnend an einer unteren Grenze des Intervalls geändert wird, bis eine obere Grenze des Intervalls erreicht ist, was auch für mehrere durch die Konfiguration definierte Parameter des Spektrometers vollzogen werden kann. Dies stellt eine Rastersuche zum Finden der bestmöglich geeigneten Konfiguration dar. Alternativ kann bei jeder Iteration ein durch die Konfiguration definierter Parameter des Spektrometers zufällig geändert werden, bis ein hierfür vordefiniertes Budget erschöpft ist. Das Budget ist durch eine Anzahl der durchzuführenden Iterationen und/oder durch eine Zeitdauer zur Durchführung der Iterationen definiert. Bei jeder Iteration wird ein durch die Konfiguration definierter Parameter des Spektrometers zufällig geändert, sodass nach einer durch das Budget definierten Anzahl an Iterationen der vordefinierte Rahmen mit einer vordefinierten Dichte abgedeckt wird und/oder bis die durch das Budget definierte Zeitdauer abgelaufen ist. Unter der Dichte ist hier zu verstehen, dass in einem Konfigurationsbereich eine Gesamtzahl an Konfigurationen in diesem Konfigurationsbereich gegeben ist, wobei jedoch die Konfigurationen nicht notwendigerweise gleichmäßig über den Konfigurationsbereich verteilt sein müssen. Die Anzahl der Iterationen beträgt bevorzugt mindestens 100 und weiter bevorzugt mindestens 1.000. Nach dem Ausführen der iterativ auszuführenden Schritte wird bevorzugt diejenige der angewendeten Konfigurationen der Repräsentation der Hardware des Spektrometers ausgewählt, deren Wert der Eignungskenngröße einer bestmöglichen Eignung entspricht, sodass die von den angewendeten Konfigurationen am besten geeignete ausgewählt wird. Somit wird nach den Iterationen entschieden, welche der angewendeten Konfigurationen diejenige ist, welche das Ergebnis des technischen Entwurfes der Hardware des Spektrometers darstellt. Dies kann bei der beschriebenen Rastersuche eine Konfiguration sein, welche beispielsweise bei den zuerst durchgeführten Iterationen oder auch bei den zuletzt durchgeführten Iterationen durch Modifikation erzeugt wurde. Die Eignungskenngröße kann beispielsweise so definiert sein, dass sie mit der Eignung der Konfiguration der Repräsentation der Hardware des Spektrometers sinkt, sodass diejenige der angewendeten Konfigurationen der Repräsentation der Hardware des Spektrometers ausgewählt wird, deren Wert der Eignungskenngröße minimal ist. Dies muss selbstverständlich nicht die in der zuletzt durchgeführten Iteration angewendete Konfiguration der Repräsentation der Hardware des Spektrometers sein. Wie bereits oben erläutert wurde, wird besonders bevorzugt eine zweite der Eignungskenngrößen zum Auswählen aus den angewendeten Konfigurationen als Metrik verwendet. Die erste der Eignungskenngrößen und die zweite der Eignungskenngrößen werden bevorzugt unter Anwendung unterschiedlicher Teile der spektralen Trainingsdaten bestimmt.In a further iteratively executed step, the current configuration of the representation of the spectrometer hardware is modified. This modification is carried out in order to obtain a different configuration of the representation of the spectrometer hardware, which is used in the next iteration. The iterative modification is carried out with the aim of finding a configuration that is best suited to the given analysis task. The configuration of the representation of the spectrometer hardware is preferably modified within a predefined framework. This framework is preferably formed by at least one interval within which a parameter of the spectrometer defined by the configuration is changed. In simple preferred embodiments, the iteratively executed step of modifying the current configuration of the representation of the spectrometer hardware and the further iteratively executed steps are repeated until the modified configurations fill the predefined framework with a predefined density. This can be done, for example, by changing a parameter of the spectrometer defined by the configuration with a certain step size at each iteration, starting at a lower limit of the interval, until an upper limit of the interval is reached, which can also be done for several parameters of the spectrometer defined by the configuration. This represents a grid search to find the most suitable configuration. Alternatively, a parameter of the spectrometer defined by the configuration can be changed randomly at each iteration until a predefined budget for this is exhausted. The budget is defined by a number of iterations to be carried out and/or by a time period for carrying out the iterations. At each iteration, a parameter of the spectrometer defined by the configuration is changed randomly so that after a number of iterations defined by the budget, the predefined frame is covered with a predefined density and/or until the time period defined by the budget has elapsed. Density is understood here to mean that in a configuration area there is a total number of configurations in this configuration area, but the Configurations do not necessarily have to be evenly distributed over the configuration range. The number of iterations is preferably at least 100 and more preferably at least 1,000. After carrying out the iteratively performed steps, the one of the applied configurations of the representation of the spectrometer hardware is preferably selected whose value of the suitability parameter corresponds to the best possible suitability, so that the most suitable of the applied configurations is selected. Thus, after the iterations, a decision is made as to which of the applied configurations is the one that represents the result of the technical design of the spectrometer hardware. In the grid search described, this can be a configuration which was created by modification, for example, in the first iterations carried out or also in the last iterations carried out. The suitability parameter can, for example, be defined such that it decreases with the suitability of the configuration of the representation of the spectrometer hardware, so that the one of the applied configurations of the representation of the spectrometer hardware is selected whose value of the suitability parameter is minimal. This does not, of course, have to be the configuration of the spectrometer hardware representation applied in the last iteration. As already explained above, it is particularly preferred to use a second of the suitability metrics for selecting from the applied configurations as a metric. The first of the suitability metrics and the second of the suitability metrics are preferably determined using different parts of the spectral training data.
Bei bevorzugten Ausführungsformen erfolgt der iterativ auszuführende Schritt des Modifizierens der jeweils aktuellen Konfiguration der Repräsentation der Hardware des Spektrometers unter Nutzung mindestens eines der zuvor bestimmten Werte der mindestens einen Eignungskenngröße. Der mindestens eine Wert der mindestens einen Eignungskenngröße wird genutzt, um die jeweils aktuelle Konfiguration der Repräsentation der Hardware des Spektrometers so zu verbessern, dass sie für die gegebene Analyseaufgabe besser geeignet sein kann, sodass mit dieser die Konzentration des mindestens einen Inhaltsstoffes genauer bestimmbar ist. Die modifizierte Konfiguration der Repräsentation der Hardware des Spektrometers stellt für die nächste Iteration die dann aktuelle Konfiguration der Repräsentation der Hardware des Spektrometers dar. Bei dieser Ausführungsform werden die iterativ auszuführenden Schritte bevorzugt so oft wiederholt, bis der Wert der Eignungskenngröße einen vorbestimmten Grenzwert zumindest erreicht hat.In preferred embodiments, the iteratively performed step of modifying the current configuration of the representation of the spectrometer hardware is carried out using at least one of the previously determined values of the at least one suitability parameter. The at least one value of the at least one suitability parameter is used to improve the current configuration of the representation of the spectrometer hardware so that it can be better suited to the given analysis task, so that the concentration of the at least one ingredient can be determined more precisely. The modified configuration of the representation of the spectrometer hardware represents the then current configuration of the representation of the spectrometer hardware for the next iteration. In this embodiment, the iteratively performed steps are preferably repeated until the value of the suitability parameter has at least reached a predetermined limit value.
Insofern wie oben beschrieben wurde, diese Eignungskenngröße auch als Metrik zum Auswählen genutzt wird, weist die in der zuletzt durchgeführten Iteration angewendete Konfiguration der Repräsentation der Hardware des Spektrometers somit die beste Eignung von allen angewendeten Konfigurationen auf und stellt das Ergebnis des technischen Entwurfes der Hardware des Spektrometers dar. Insofern wie oben beschrieben wurde, eine zweite der Eignungskenngrößen als Metrik zum Auswählen genutzt wird, stellt die dadurch ausgewählten Konfiguration der Repräsentation der Hardware des Spektrometers das Ergebnis des technischen Entwurfes der Hardware des Spektrometers dar.Insofar as, as described above, this suitability parameter is also used as a metric for selection, the configuration of the representation of the spectrometer hardware applied in the last iteration thus has the best suitability of all configurations applied and represents the result of the technical design of the spectrometer hardware. Insofar as, as described above, a second of the suitability parameters is used as a metric for selection, the configuration of the representation of the spectrometer hardware selected thereby represents the result of the technical design of the spectrometer hardware.
Wie oben bereits erläutert wurde, ist die mindestens eine Eignungskenngröße bevorzugt durch ein Gütemaß oder besonders bevorzugt durch ein Fehlermaß bzw. Verlustfunktion gebildet. Die Metrik zum Auswählen aus den angewendeten Konfigurationen ist bevorzugt durch dieses Gütemaß, dieses Fehlermaß bzw. diese Verlustfunktion gebildet. Besonders bevorzugt ist diese Metrik durch eine zweite der Eignungskenngrößen gebildet. Bei bevorzugten Ausführungsformen wird eine erste der Eignungskenngrößen zum Modifizieren der jeweils aktuellen Konfiguration unter Anwendung eines bevorzugt vorab festgelegten Teiles der spektralen Trainingsdaten bestimmt, während eine zweite der Eignungskenngrößen zum Auswählen aus den angewendeten Konfigurationen unter Anwendung eines bevorzugt vorab festgelegten anderen Teiles der spektralen Trainingsdaten bestimmt wird.As already explained above, the at least one suitability parameter is preferably formed by a quality measure or particularly preferably by an error measure or loss function. The metric for selecting from the applied configurations is preferably formed by this quality measure, this error measure or this loss function. Particularly preferably, this metric is formed by a second of the suitability parameters. In preferred embodiments, a first of the suitability parameters for modifying the respective current configuration is determined using a preferably predefined part of the spectral training data, while a second of the suitability parameters for selecting from the applied configurations is determined using a preferably predefined other part of the spectral training data.
Alternativ bevorzugt werden die iterativ auszuführenden Schritte so oft wiederholt, bis ein hierfür vordefiniertes Budget erschöpft ist, welches durch eine Anzahl der durchzuführenden Iterationen und/oder durch eine Zeitdauer zur Durchführung der Iterationen definiert ist. Nach dem Ausführen der iterativ auszuführenden Schritte wird bevorzugt diejenige der angewendeten Konfigurationen der Repräsentation der Hardware des Spektrometers ausgewählt, deren Wert der betreffenden Eignungskenngröße einer bestmöglichen Eignung entspricht, sodass die von den angewendeten Konfigurationen am besten geeignete ausgewählt wird.Alternatively, the steps to be carried out iteratively are preferably repeated until a predefined budget is exhausted, which is defined by a number of iterations to be carried out and/or by a time period for carrying out the iterations. After carrying out the steps to be carried out iteratively, the one of the applied configurations of the representation of the spectrometer hardware is preferably selected whose value of the relevant suitability parameter corresponds to the best possible suitability, so that the most suitable of the applied configurations is selected.
Besonders bevorzugt erfolgt das Modifizieren der jeweils aktuellen Konfiguration der Repräsentation der Hardware des Spektrometers unter Nutzung des jeweils aktuellen Wertes der mindestens einen Eignungskenngröße.Particularly preferably, the modification of the current configuration of the representation of the hardware of the spectrometer is carried out using the current value of the at least one suitability parameter.
Bei einer weiteren bevorzugten Ausführungsform wird bei jeder Iteration ein durch die Konfiguration definierter Parameter des Spektrometers zufällig und/oder unter Nutzung mindestens eines der zuvor bestimmten Werte der mindestens einen Eignungskenngröße geändert. Es handelt sich somit um eine Mischform der oben beschriebenen Ausführungsformen. Nach dem Ausführen der iterativ auszuführenden Schritte wird bevorzugt diejenige der angewendeten Konfigurationen der Repräsentation der Hardware des Spektrometers ausgewählt, deren Wert der Eignungskenngröße einer bestmöglichen Eignung entspricht, sodass die von den angewendeten Konfigurationen am besten geeignete ausgewählt wird. Dies muss selbstverständlich nicht die in der zuletzt durchgeführten Iteration angewendete Konfiguration der Repräsentation der Hardware des Spektrometers sein.In a further preferred embodiment, in each iteration a parameter of the spectrometer defined by the configuration is changed randomly and/or using at least one of the previously determined values of the at least one suitability parameter. This is therefore a A hybrid of the embodiments described above. After carrying out the iterative steps, the configuration of the representation of the spectrometer hardware that has been applied is preferably selected, the value of the suitability parameter of which corresponds to the best possible suitability, so that the most suitable configuration of the configurations applied is selected. This does not, of course, have to be the configuration of the representation of the spectrometer hardware that was applied in the last iteration carried out.
Das erfindungsgemäße Verfahren zeichnet sich dadurch aus, dass das Spektrometer und das durch das maschinelle Lernsystem gebildete chemometrische Modell gemeinsam technisch entworfen bzw. entwickelt werden. Das Spektrometer und das chemometrische Modell bilden gemeinsam die Gegenstände eines einzigen technischen Entwicklungsvorganges. Die das Spektrometer bildende Hardware und die das chemometrische Modell bildende Software werden gemeinsam entwickelt, was als Co-Design der Hardware und der Software des Analysegerätes bezeichnet werden kann. Dieses Co-Design stellt einen wesentlichen Unterschied zum Stand der Technik dar, gemäß welchem zunächst das Spektrometer einzeln technisch entworfen wird, wofür das zur Verfügung stehende Wissen bestmöglich genutzt wird. Im nächsten Schritt wird auf Basis des technisch fertig entworfenen Spektrometers das chemometrische Modell entwickelt, was beispielsweise unter Anwendung von maschinellem Lernen erfolgt. Hingegen werden bei dem erfindungsgemäßen Verfahren das Spektrometer und das chemometrische Modell gemeinsam entwickelt, wodurch gewährleistet werden kann, dass das Spektrometer und das chemometrische Modell bestmöglich synergetisch die gegebene Analyseaufgabe lösen.The method according to the invention is characterized in that the spectrometer and the chemometric model formed by the machine learning system are technically designed or developed together. The spectrometer and the chemometric model together form the objects of a single technical development process. The hardware forming the spectrometer and the software forming the chemometric model are developed together, which can be referred to as co-design of the hardware and software of the analysis device. This co-design represents a significant difference to the state of the art, according to which the spectrometer is first technically designed individually, for which the available knowledge is used as best as possible. In the next step, the chemometric model is developed on the basis of the technically fully designed spectrometer, which is done, for example, using machine learning. In the method according to the invention, on the other hand, the spectrometer and the chemometric model are developed together, which ensures that the spectrometer and the chemometric model solve the given analysis task in the best possible synergy.
Ein besonderer Vorteil des erfindungsgemäßen Verfahrens besteht darin, dass das entworfene Analysegerät mit seinen Komponenten dem Spektrometer und dem chemometrischen Modell sehr genau an die gegebene Analyseaufgabe angepasst ist. Dadurch ist zum einen gewährleistet, dass das entworfene Analysegerät die gegebene Analyseaufgabe sehr genau erfüllen kann. Zum anderen kann das Spektrometer weit weniger aufwändig als ein Referenzspektrometer gemäß dem Gold-Standard ausgeführt werden. Das im Ergebnis des Verfahrens entworfene Spektrometer ist optimiert und weist insbesondere nur solche Messkanäle mit den jeweiligen Bandbreiten und mittleren Wellenlängen auf, welche für die gegebene Analyseaufgabe benötigt werden. Viele Analyseaufgaben erfordern nur eine geringe Anzahl an Messkanälen, sodass diese Anzahl gegenüber der Anzahl an Messkanälen des Referenzspektrometers gemäß dem Gold-Standard deutlich reduziert ist. Dadurch sinken die Kosten für die Herstellung der Hardware des Analysegerätes. Ein weiterer Vorteil besteht darin, dass die Analysen mit dem Analysegerät aufgrund der reduzierten Anzahl an Messkanälen schneller durchgeführt werden können und weniger Energie erfordern. Entsprechend müssen weniger Daten übertragen werden.A particular advantage of the method according to the invention is that the designed analysis device with its components, the spectrometer and the chemometric model, is very precisely adapted to the given analysis task. This ensures, on the one hand, that the designed analysis device can fulfill the given analysis task very precisely. On the other hand, the spectrometer can be designed with far less effort than a reference spectrometer according to the gold standard. The spectrometer designed as a result of the method is optimized and, in particular, only has those measuring channels with the respective bandwidths and average wavelengths that are required for the given analysis task. Many analysis tasks require only a small number of measuring channels, so that this number is significantly reduced compared to the number of measuring channels of the reference spectrometer according to the gold standard. This reduces the costs for manufacturing the hardware of the analysis device. Another advantage is that the analyses with the analysis device can be carried out more quickly and require less energy due to the reduced number of measuring channels. Accordingly, less data needs to be transferred.
Das Trainieren des durch das maschinelle Lernsystem gebildeten chemometrischen Modells erfolgt bevorzugt durch ein überwachtes Lernen. Das überwachte Lernen beruht bevorzugt auf einer Regression und/oder einer Klassifikation. Die Regression wird bevorzugt für sich kontinuierlich verändernde Werte von Konzentrationen eines Inhaltsstoffes verwendet. Ein Beispiel hierfür ist die Konzentration von Wasser zur Bestimmung der Feuchtigkeit. Die Klassifikation wird bevorzugt für abgestufte Werte von Konzentrationen eines Inhaltsstoffes verwendet. Ein Beispiel hierfür ist die Konzentration von Salz, die entweder als ausreichend oder nicht ausreichend klassifiziert wird. Auch kann die Konzentration des Salzes in Stufen klassifiziert sein; beispielsweise als: < 1,2 g/kg; 1,2 g/kg; 1,4 g/kg; 1,6 g/kg; 1,8 g/kg; 2,0 g/kg und > 2,0 g/kg.The chemometric model formed by the machine learning system is preferably trained using supervised learning. Supervised learning is preferably based on regression and/or classification. Regression is preferably used for continuously changing values of concentrations of an ingredient. An example of this is the concentration of water to determine moisture. Classification is preferably used for graded values of concentrations of an ingredient. An example of this is the concentration of salt, which is classified as either sufficient or insufficient. The concentration of salt can also be classified into levels; for example as: < 1.2 g/kg; 1.2 g/kg; 1.4 g/kg; 1.6 g/kg; 1.8 g/kg; 2.0 g/kg and > 2.0 g/kg.
Die Regression erfolgt bevorzugt für die partiellen kleinsten Quadrate, was als Partielle Kleinste-Quadrate-Regression (Partial Least Squares PLS) bezeichnet wird. Diese Regression ist robust und geeignet, wenn nur wenige latente Variablen zu berücksichtigen sind.The regression is preferably carried out for partial least squares, which is called partial least squares regression (PLS). This regression is robust and suitable when only a few latent variables have to be considered.
Das maschinelle Lernsystem umfasst in einer weiteren bevorzugten Ausführungsform ein Artificial Neural Network, welches bevorzugt durch ein Convolutional Neural Network (CNN) gebildet ist. Dabei werden bevorzugt folgende Parameter angewendet: 1D-Convolutions, nicht-lineare Aktivierungen, 1D-pooling Operationen und/oder Layer-Normalisierungen. Es kann eine finale Vorhersage von kontinuierlichen Werten von Konzentrationen eines Inhaltsstoffes unter Anwendung einer Regression erfolgen. Es kann eine finale Vorhersage von abgestuften Werten von Konzentrationen eines Inhaltsstoffes unter Anwendung einer Klassifikation, beispielsweise ausgeführt als eine Mehr-Klassen-klassifikation, dies beispielsweise durch eine Vorhersage einer diskreten Klassenzahl oder durch eine Vorhersage eines Mehr-Klassen-Wahrscheinlichkeitsvektors. Das Training kann beispielsweise so ausgeführt werden, dass ein Mehr-Klassen-Vertauschungsfehler für diskrete Entscheidungen oder eine Mehr-Klassen-Kreuzentropie für Wahrscheinlichkeitsvektoren über mehrere Klassen minimiert wird. In einer anderen Ausführung kann ein ordinaler Charakter der Klassen berücksichtigt werden, was beispielsweise durch eine Minimierung des gewichteten Cohen-Kappa-Verlustwertes erfolgt. Convolutional Neural Networks sind geeignet, wenn eine große Menge an Trainingsdaten erzeugt wird und komplexe Zusammenhänge vorliegen.In a further preferred embodiment, the machine learning system comprises an artificial neural network, which is preferably formed by a convolutional neural network (CNN). The following parameters are preferably used: 1D convolutions, non-linear activations, 1D pooling operations and/or layer normalizations. A final prediction of continuous values of concentrations of an ingredient can be made using regression. A final prediction of graded values of concentrations of an ingredient can be made using a classification, for example carried out as a multi-class classification, for example by predicting a discrete class number or by predicting a multi-class probability vector. The training can, for example, be carried out in such a way that a multi-class permutation error for discrete decisions or a multi-class cross entropy for probability vectors across multiple classes is minimized. In another embodiment, an ordinal character of the classes can be taken into account, which is done, for example, by minimizing the weighted Cohen-Kappa loss value. Convolutional Neural Networks are suitable when a large amounts of training data are generated and complex relationships exist.
Das Modifizieren der jeweils aktuellen Konfiguration der Repräsentation der Hardware des Spektrometers bevorzugt unter Nutzung des jeweils aktuellen Wertes der mindestens einen Eignungskenngröße stellt eine Optimierung der Repräsentation dar. Für diese Optimierung wird bevorzugt eine oder mehrere Optimierungstechniken aus der folgenden Gruppe ausgewählt und genutzt: Bayessche Optimierung, Rastersuche, Zufallssuche, gradientenfreie Optimierung wie das Nelder-Mead-Verfahren, optimale Versuchsplanung, Methoden des maschinellen Lernens, Greedy-Algorithmen, evolutionäre Algorithmen, Biologieinspirierte Optimierungsverfahren wie eine Particle-Swarm Optimierung und eine FireFly-Optimierung. Besonders bevorzugt erfolgt eine gradientenfreie Optimierung.Modifying the current configuration of the representation of the spectrometer hardware, preferably using the current value of at least one suitability parameter, represents an optimization of the representation. For this optimization, one or more optimization techniques from the following group are preferably selected and used: Bayesian optimization, grid search, random search, gradient-free optimization such as the Nelder-Mead method, optimal experimental design, machine learning methods, greedy algorithms, evolutionary algorithms, biology-inspired optimization methods such as particle swarm optimization and FireFly optimization. Gradient-free optimization is particularly preferred.
Bei einer ersten Gruppe bevorzugter Ausführungsformen ist die Repräsentation der Hardware des Spektrometers durch ein Modell der Hardware des Spektrometers gebildet. Das Verfahren umfasst dann bevorzugt einen weiteren Schritt, bei welchem Referenzdaten bereitgestellt werden, die zum Anwenden des Modells der Hardware des Spektrometers genutzt werden. Die Referenzdaten umfassen eine Reihe von Referenzspektraldaten, denen mindestens eine Reihe von Referenzinhaltsstoffkonzentrationsdaten zugeordnet ist. Die Referenzspektraldaten würden idealerweise von einer Probe aufgenommen, welche den Inhaltsstoff gemäß den Referenzinhaltsstoffkonzentrationsdaten enthält. Der iterativ auszuführende Schritt des Anwendens der jeweils aktuellen Konfiguration des Modells der Hardware des Spektrometers umfasst eine Simulation eines spektralen Vermessens der Probe mit dieser jeweils aktuellen Konfiguration des Modells der Hardware des Spektrometers. Bei den Simulationen wird die jeweilige Konfiguration des Modells der Hardware des Spektrometers auf die Referenzspektraldaten angewendet, wodurch spektrale Simulationsmesswerte erhalten werden, welche die spektralen Trainingsdaten bilden. Somit werden durch das Anwenden des durch das trainierte maschinelle Lernsystem gebildeten chemometrischen Modells Simulationsmesswerte der Konzentrationen des Inhaltsstoffes erhalten, die mit den Referenzinhaltsstoffkonzentrationsdaten verglichen werden, um jeweils den Wert der mindestens einen Eignungskenngröße zu bestimmen. Ziel ist es, dass die Simulationsmesswerte der Konzentrationen des Inhaltsstoffes den Referenzinhaltsstoffkonzentrationsdaten möglichst nahe kommen. Ein besonderer Vorteil der ersten Gruppe bevorzugter Ausführungsformen besteht darin, dass das Spektrometer für dessen iterative Verbesserung nicht physisch vorhanden sein muss, da das Spektrometer durch das Modell repräsentiert und iterativ optimiert wird.In a first group of preferred embodiments, the representation of the hardware of the spectrometer is formed by a model of the hardware of the spectrometer. The method then preferably comprises a further step in which reference data is provided which is used to apply the model of the hardware of the spectrometer. The reference data comprises a series of reference spectral data to which at least one series of reference ingredient concentration data is assigned. The reference spectral data would ideally be recorded from a sample which contains the ingredient according to the reference ingredient concentration data. The iteratively performed step of applying the respective current configuration of the model of the hardware of the spectrometer comprises a simulation of a spectral measurement of the sample with this respective current configuration of the model of the hardware of the spectrometer. In the simulations, the respective configuration of the model of the hardware of the spectrometer is applied to the reference spectral data, whereby spectral simulation measurements are obtained which form the spectral training data. Thus, by applying the chemometric model formed by the trained machine learning system, simulation measured values of the concentrations of the ingredient are obtained, which are compared with the reference ingredient concentration data in order to determine the value of the at least one suitability parameter in each case. The aim is for the simulation measured values of the concentrations of the ingredient to be as close as possible to the reference ingredient concentration data. A particular advantage of the first group of preferred embodiments is that the spectrometer does not have to be physically present for its iterative improvement, since the spectrometer is represented by the model and iteratively optimized.
Insofern die Referenzdaten nicht aus anderen Quellen bereits vorliegen, erfolgt der Schritt des Bereitstellens der Referenzdaten bevorzugt dadurch, dass zunächst Referenzproben bereitgestellt werden, für welche die Werte der Konzentration des mindestens einen Inhaltsstoffes bekannt sind, sodass diese Werte die Referenzinhaltsstoffkonzentrationsdaten bilden. Hierfür können die Werte der Konzentration des Inhaltsstoffes durch ein chemisches Analyseverfahren ermittelt werden. Auch können diese Werte durch ein nicht-chemisches Analyseverfahren ermittelt werden; beispielsweise mit einem spektralen Analysegerät mit einer hohen Genauigkeit. Weiterhin erfolgt ein Vermessen der Referenzproben mit einem Referenzspektrometer, um die Referenzspektraldaten zu erhalten.If the reference data is not already available from other sources, the step of providing the reference data is preferably carried out by first providing reference samples for which the concentration values of the at least one ingredient are known, so that these values form the reference ingredient concentration data. For this purpose, the concentration values of the ingredient can be determined using a chemical analysis method. These values can also be determined using a non-chemical analysis method; for example, using a spectral analysis device with a high degree of accuracy. The reference samples are then measured using a reference spectrometer to obtain the reference spectral data.
Bei der ersten Gruppe der bevorzugten Ausführungsformen umfasst das Verfahren bevorzugt weitere Schritte, durch welche berücksichtigt wird, dass der Prozess der Herstellung der Hardware des Spektrometers nicht ideal ist. Prinzipbedingt wird die Hardware des Spektrometers, welche gemäß einem Modell der Hardware des Spektrometers hergestellt wurde, nicht vollständig diesem Modell gleichen, sondern es wird eine Abweichung zum Modell bestehen. Beispielsweise können die mittlere Wellenlängen von Messkanälen der hergestellten Hardware des Spektrometers von den mittleren Wellenlängen der Messkanäle des Modells der Hardware des Spektrometers abweichen. Daher wird in einem Schritt zunächst eine herstellungsbedingte Hardwareabweichung zwischen dem Modell der Hardware des Spektrometer und einer gemäß dem Modell der Hardware des Spektrometers hergestellten Hardware des Spektrometers bestimmt. Die ermittelte herstellungsbedingte Hardwareabweichung wird bei dem iterativ auszuführenden Schritt des Anwendens der jeweils aktuellen Konfiguration der Repräsentation der Hardware des Spektrometers berücksichtigt, sodass die spektralen Trainingsdaten genauer den mit der hergestellten Hardware des Spektrometers erfassbaren Messdaten entsprechen. Die ermittelte herstellungsbedingte Hardwareabweichung wird aber bei den Iterationen bevorzugt nicht verändert.In the first group of preferred embodiments, the method preferably comprises further steps which take into account that the process of manufacturing the spectrometer hardware is not ideal. In principle, the spectrometer hardware manufactured according to a model of the spectrometer hardware will not completely resemble this model, but will deviate from the model. For example, the mean wavelengths of measurement channels of the manufactured spectrometer hardware may deviate from the mean wavelengths of the measurement channels of the spectrometer hardware model. Therefore, in one step, a manufacturing-related hardware deviation is first determined between the spectrometer hardware model and spectrometer hardware manufactured according to the spectrometer hardware model. The manufacturing-related hardware deviation determined is taken into account in the iterative step of applying the current configuration of the spectrometer hardware representation, so that the spectral training data correspond more precisely to the measurement data that can be recorded with the manufactured spectrometer hardware. However, the determined manufacturing-related hardware deviation is preferably not changed during the iterations.
Bei der ersten Gruppe der bevorzugten Ausführungsformen umfasst das Verfahren bevorzugt weitere Schritte, durch welche sich verändernde Messbedingungen berücksichtigt werden, um erweiterte spektrale Trainingsdaten zu erhalten, durch welche die spektralen Trainingsdaten in ihrer Gesamtheit realitätsnäher werden. Solche Messbedingungen sind beispielsweise der Abstand zwischen der Probe und dem Spektrometer sowie Umgebungsbedingungen, wie Luftfeuchte und Temperatur im Bereich der Probe und/oder des Spektrometers. Die sich verändernden Messbedingungen werden bei dem iterativ auszuführenden Schritt des Anwendens der jeweils aktuellen Konfiguration des Modells der Hardware des Spektrometers berücksichtigt, sodass die spektralen Trainingsdaten genauer den mit der hergestellten Hardware des Spektrometers unter realistischen Messbedingungen erfassbaren Messdaten entsprechen. Dabei werden die Messbedingungen variiert, um zu berücksichtigen, dass unterschiedliche realistische Messbedingungen auftreten können. So kann beispielsweise die Änderung der Amplitude eines Messkanales in Abhängigkeit von der Umgebungstemperatur verändert werden. Diese Amplitude repräsentiert die Empfindlichkeit des Messkanales.In the first group of preferred embodiments, the method preferably comprises further steps through which changing measurement conditions are taken into account in order to obtain extended spectral training data, through which the spectral training data as a whole becomes more realistic. Such measurement conditions are, for example, the distance between the sample and the spectrometer and environmental conditions such as air humidity and temperature in the area of the sample and/or the spectrometer. The changing measurement conditions are taken into account in the iterative step of applying the current configuration of the Model of the spectrometer hardware is taken into account so that the spectral training data more closely corresponds to the measurement data that can be recorded with the manufactured spectrometer hardware under realistic measurement conditions. The measurement conditions are varied to take into account that different realistic measurement conditions can occur. For example, the change in the amplitude of a measurement channel can be changed depending on the ambient temperature. This amplitude represents the sensitivity of the measurement channel.
Bei einer zweiten Gruppe bevorzugter Ausführungsformen ist die Repräsentation der Hardware des Spektrometers durch ein Testexemplar der Hardware des Spektrometers gebildet. Somit muss die Hardware des Spektrometers für jede der Iterationen physisch in Form des Testexemplars erneut bereitgestellt werden; nämlich gemäß der jeweils aktuellen Konfiguration. Das Verfahren umfasst dann bevorzugt einen Schritt, bei welchem Referenzproben bereitgestellt werden. Für die Referenzproben sind jeweils die Werte der Konzentration des Inhaltsstoffes bekannt, sodass diese Werte Referenzinhaltsstoffkonzentrationsdaten bilden. Der iterativ auszuführende Schritt des Anwendens der jeweils aktuellen Konfiguration des Testexemplars umfasst Messungen der Referenzproben mit der jeweils aktuellen Konfiguration des Testexemplars der Hardware des Spektrometers, wodurch spektrale Messwerte erhalten werden, welche die spektralen Trainingsdaten bilden. Die Messungen werden somit physisch mit dem Testexemplar in der jeweils aktuellen Konfiguration für die physisch vorhandenen Referenzproben durchgeführt. Durch das iterativ ausgeführte Anwenden des durch das trainierte maschinelle Lernsystem gebildeten chemometrischen Modells werden Messwerte der Konzentrationen des Inhaltsstoffes erhalten, die mit den Referenzinhaltsstoffkonzentrationsdaten verglichen werden, um jeweils den Wert der mindestens einen Eignungskenngröße zu bestimmen.In a second group of preferred embodiments, the representation of the hardware of the spectrometer is formed by a test copy of the hardware of the spectrometer. Thus, the hardware of the spectrometer must be physically provided again for each of the iterations in the form of the test copy; namely according to the current configuration. The method then preferably comprises a step in which reference samples are provided. The values of the concentration of the ingredient are known for the reference samples, so that these values form reference ingredient concentration data. The iteratively carried out step of applying the current configuration of the test copy comprises measurements of the reference samples with the current configuration of the test copy of the hardware of the spectrometer, whereby spectral measurement values are obtained which form the spectral training data. The measurements are thus physically carried out with the test copy in the current configuration for the physically available reference samples. By iteratively applying the chemometric model formed by the trained machine learning system, measured values of the concentrations of the ingredient are obtained, which are compared with the reference ingredient concentration data in order to determine the value of at least one suitability parameter.
Bei jeder der Iterationen ist ein neues bzw. angepasstes Testexemplar der Hardware bereitzustellen. Dies kann durch ein Herstellen des Testexemplars erfolgen. Hierfür kann das Testexemplar aus der vorherigen Iteration wiederverwendet werden. In einem einfachen Fall werden lediglich die Filter der Messkanäle des Testexemplars modifiziert, um ein eines neues bzw. verändertes Testexemplar für die nächste Iteration bereitzustellen.For each iteration, a new or adapted test sample of the hardware must be provided. This can be done by creating the test sample. The test sample from the previous iteration can be reused for this purpose. In a simple case, only the filters of the measurement channels of the test sample are modified in order to provide a new or modified test sample for the next iteration.
Bevorzugt wird das jeweilige Testexemplar auch dazu genutzt, um Referenzproben zu vermessen, wodurch spektrale Messwerte erhalten werden. Diese spektralen Messwerte werden als spektrale Trainingsdaten in weiteren Iterationen der iterativ auszuführenden Schritte verwendet. Hierdurch werden Fertigungstoleranzen berücksichtigt, die beim Fertigen des Spektrometers auftreten.Preferably, the respective test specimen is also used to measure reference samples, whereby spectral measurement values are obtained. These spectral measurement values are used as spectral training data in further iterations of the iterative steps. This takes into account manufacturing tolerances that occur when manufacturing the spectrometer.
Für alle Gruppen der bevorzugten Ausführungsformen gilt, dass die jeweilige Konfiguration der Repräsentation der Hardware des Spektrometers bevorzugt mindestens einen Parameter des Spektrometers definiert. Die jeweilige Konfiguration der Repräsentation der Hardware des Spektrometers definiert bevorzugt mehrere der Parameter des Spektrometers. Der bzw. die Parameter spezifizieren bevorzugt mindestens einen Messkanal des Spektrometers; weiter bevorzugt mindestens zwei Messkanäle des Spektrometers und nochmals weiter bevorzugt mindestens 16 Messkanäle. Der bzw. die Parameter sind bevorzugt jeweils durch eine Peakwellenlänge, eine Schwerpunktwellenlänge, eine mittlere Wellenlänge, eine Bandbreite, eine Halbwertsbreite, einen Kurvenformparameter und/oder einen Spitzenwert des mindestens einen Messkanales gebildet. Bei dem Spitzenwert handelt es sich um eine Peakhöhe. Der eine Messkanal bzw. die mehreren Messkanäle werden bevorzugt jeweils durch ein spektrales Eingangsfilter bestimmt. Die spektralen Eingangsfilter weisen jeweils einen Übertragungsbereich auf, welcher durch einen oder mehrere der oben genannten Parameter definiert ist. Bei dem iterativ durchzuführenden Schritt des Modifizierens der jeweils aktuellen Konfiguration der Repräsentation der Hardware des Spektrometers werden einer oder mehrere der oben genannten Parameter verändert. Hierfür werden bevorzugt die oben angegebenen Optimierungstechniken genutzt. Ergänzend oder alternativ wird bei dem iterativ durchzuführenden Schritt des Modifizierens der jeweils aktuellen Konfiguration der Repräsentation der Hardware des Spektrometers eine Anzahl der Messkanäle verändert. So kann die Anzahl der Messkanäle beispielsweise von 16 auf 8 oder auf 4 oder auch umgekehrt geändert werden.For all groups of the preferred embodiments, the respective configuration of the representation of the hardware of the spectrometer preferably defines at least one parameter of the spectrometer. The respective configuration of the representation of the hardware of the spectrometer preferably defines several of the parameters of the spectrometer. The parameter(s) preferably specify at least one measuring channel of the spectrometer; more preferably at least two measuring channels of the spectrometer and even more preferably at least 16 measuring channels. The parameter(s) are preferably each formed by a peak wavelength, a center wavelength, a mean wavelength, a bandwidth, a half-width, a curve shape parameter and/or a peak value of the at least one measuring channel. The peak value is a peak height. The one measuring channel or the several measuring channels are preferably each determined by a spectral input filter. The spectral input filters each have a transmission range which is defined by one or more of the above-mentioned parameters. In the iterative step of modifying the current configuration of the representation of the spectrometer hardware, one or more of the parameters mentioned above are changed. The optimization techniques mentioned above are preferably used for this. In addition or alternatively, in the iterative step of modifying the current configuration of the representation of the spectrometer hardware, a number of measurement channels are changed. For example, the number of measurement channels can be changed from 16 to 8 or to 4 or vice versa.
Die Repräsentation der Hardware des Spektrometers definiert bevorzugt mindestens eine Beschränkung, welche durch eine minimale Peakwellenlänge, durch eine maximale Peakwellenlänge, durch eine minimale Schwerpunktwellenlänge, durch eine maximale Schwerpunktwellenlänge, durch eine minimale mittlere Wellenlänge, durch eine maximale mittlere Wellenlänge, durch eine minimale Bandbreite, durch eine maximale Bandbreite, durch eine minimale Halbwertsbreite, durch eine maximale Halbwertsbreite, durch einen minimalen Kurvenformparameter, durch einen maximalen Kurvenformparameter, durch einen minimalen Spitzenwert, durch einen maximalen Spitzenwert, durch eine minimale Wellenlängendifferenz zwischen einem Wellenlängenparameter eines der Messkanäle und einem entsprechenden Wellenlängenparameter eines anderen der Messkanäle oder durch eine maximale Wellenlängendifferenz zwischen einem Wellenlängenparameter eines der Messkanäle und einem entsprechenden Wellenlängenparameter eines anderen der Messkanäle gebildet ist. Die minimale bzw. maximale Wellenlängendifferenz ist insbesondere zwischen Wellenlängenparametern von zwei benachbarten der Messkanäle definiert. Der betreffende Wellenlängenparameter ist bevorzugt durch die Peakwellenlänge oder durch die minimale oder maximale Halbwertsbreite gebildet. Die genannten Beschränkungen sind bevorzugt auch jeweils mehrfach definiert, beispielsweise Beschränkungen der minimalen oder maximalen Peakwellenlänge in mehreren Intervallen. Auch können die genannten Beschränkungen jeweils auf eine Gruppe oder auf einen Anteil der Messkanäle bezogen sein. So kann beispielsweise für einen Anteil von einem Drittel der Messkanäle vorgegeben werden, dass deren Peakwellenlänge im nahen Infrarot-Bereich liegt. Die genannten Beschränkungen beschränken jeweils die mögliche Veränderung des betreffenden Parameters beim iterativ durchzuführenden Schritt des Modifizierens der jeweils aktuellen Konfiguration der Repräsentation der Hardware des Spektrometers. Diese eine Beschränkung bzw. diese mehreren Beschränkungen werden beim iterativ durchzuführenden Schritt des Modifizierens der jeweils aktuellen Konfiguration der Repräsentation der Hardware des Spektrometers aber bevorzugt nicht verändert. Diese eine Beschränkung bzw. diese mehreren Beschränkungen werden bevorzugt aus einem Testexemplar der Hardware des Spektrometers ausgelesen. Bevorzugt umfasst die Repräsentation der Hardware des Spektrometers mehrere dieser Beschränkungen.The representation of the hardware of the spectrometer preferably defines at least one limitation which is defined by a minimum peak wavelength, by a maximum peak wavelength, by a minimum centroid wavelength, by a maximum centroid wavelength, by a minimum mean wavelength, by a maximum mean wavelength, by a minimum bandwidth, by a maximum bandwidth, by a minimum half-width, by a maximum half-width, by a minimum curve shape parameter, by a maximum curve shape parameter, by a minimum peak value, by a maximum peak value, by a minimum wavelength difference between a wavelength parameter of one of the measuring channels and a corresponding wavelength parameter of another of the measuring channels or by a maximum wavelength difference between a wavelength parameter meter of one of the measuring channels and a corresponding wavelength parameter of another of the measuring channels. The minimum or maximum wavelength difference is defined in particular between wavelength parameters of two adjacent measuring channels. The wavelength parameter in question is preferably formed by the peak wavelength or by the minimum or maximum half-width. The restrictions mentioned are preferably also defined multiple times, for example restrictions of the minimum or maximum peak wavelength in several intervals. The restrictions mentioned can also relate to a group or to a portion of the measuring channels. For example, for a portion of one third of the measuring channels it can be specified that their peak wavelength is in the near infrared range. The restrictions mentioned each limit the possible change of the parameter in question during the iteratively carried out step of modifying the current configuration of the representation of the hardware of the spectrometer. This one restriction or these several restrictions are preferably not changed during the iteratively carried out step of modifying the current configuration of the representation of the hardware of the spectrometer. This one restriction or these multiple restrictions are preferably read from a test example of the spectrometer hardware. Preferably, the representation of the spectrometer hardware comprises several of these restrictions.
Die Repräsentation der Hardware des Spektrometers definiert bevorzugt weiterhin mindestens einen Geräteparameter des Spektrometers, welcher ein Signalrauschen, ein Bandbreite-Rauschen, ein Halbwertsbreite-Rauschen, eine Messabweichung oder eine Toleranz des Spektrometers repräsentiert. Die Messabweichung kann beispielsweise temperaturabhängig sein. Bei dem genannten Bandbreite-Rauschen handelt es sich um eine Abweichung einer erzielten Mittelwert-Bandbreite von einem vorgegebenen Wert für die Bandbreite. Die eine Toleranz bzw. mehreren Toleranzen sind insbesondere durch die Fertigung der Hardware des Spektrometers bedingt. Der bzw. die Geräteparameter werden beim iterativ durchzuführenden Schritt des Anwendens der jeweils aktuellen Konfiguration der Repräsentation der Hardware des Spektrometers berücksichtigt, wodurch die Optimierung des Spektrometers und des chemometrischen Modells verbessert wird. Dies erfolgt bevorzugt durch eine Augmentierung während des Trainings, wofür in mindestens einer Iteration die Simulation des Spektrums unter Einbezug des mindestens einen Geräteparameters verändert wird. Die Geräteparameter werden beim iterativ durchzuführenden Schritt des Modifizierens der jeweils aktuellen Konfiguration der Repräsentation der Hardware des Spektrometers aber bevorzugt nicht verändert.The representation of the hardware of the spectrometer preferably further defines at least one device parameter of the spectrometer, which represents a signal noise, a bandwidth noise, a half-width noise, a measurement deviation or a tolerance of the spectrometer. The measurement deviation can be temperature-dependent, for example. The bandwidth noise mentioned is a deviation of an achieved mean bandwidth from a predetermined value for the bandwidth. The one tolerance or several tolerances are caused in particular by the manufacture of the hardware of the spectrometer. The device parameter or parameters are taken into account in the iterative step of applying the current configuration of the representation of the hardware of the spectrometer, thereby improving the optimization of the spectrometer and the chemometric model. This is preferably done by augmentation during training, for which the simulation of the spectrum is changed in at least one iteration, taking into account the at least one device parameter. However, the device parameters are preferably not changed during the iterative step of modifying the current configuration of the spectrometer hardware representation.
Das erfindungsgemäße Computerprogrammprodukt dient zum technischen Entwurf bzw. Entwickeln eines Analysegerätes zur Analyse mindestens eines Inhaltsstoffes einer Probe. Das Computerprogrammprodukt umfasst ein Computer-lesbares Speichermedium, welches darauf gespeicherte Programminstruktionen aufweist. Die Programminstruktionen sind durch einen oder mehrere Computer oder Steuereinheiten ausführbar und veranlassen den einen oder die mehreren Computer oder Steuereinheiten dazu, das erfindungsgemäße Verfahren oder eine der beschriebenen bevorzugten Ausführungsformen des erfindungsgemäßen Verfahrens auszuführen. Die Programminstruktionen umfassen u. a. Algorithmen zum maschinellen Lernen; nämlich zum Trainieren des durch ein maschinelles Lernsystem gebildeten chemometrischen Modells mit den spektralen Trainingsdaten. Das Speichermedium kann durch ein elektronisches Medium, ein magnetisches Medium, ein optisches Medium, ein elektromagnetisches Medium, ein Infrarot-Medium oder ein Halbleitermedium, wie ein SSD gebildet sein. Die Programminstruktionen können durch maschinenabhängige oder maschinenunabhängige Instruktionen, Microcode, Firmware, Status-definierende Daten oder jeglichen Source-Code oder Objektcode gebildet sein, der beispielsweise in C++, Java oder ähnlichen bzw.in konventionellen prozeduralen Programmiersprachen geschrieben ist. Auch können elektronische Schaltkreise, wie beispielsweise programmierbare Logikschaltkreise, Feld-programmierbare Gate Arrays (FPGA) oder programmierbare Logik-Arrays (PLA) ausgebildet sein, die die Programminstruktionen ausführen. Das resultierende Modell der Hardware des Spektrometers und das resultierende durch das maschinelle Lernsystem gebildete chemometrische Modell werden bevorzugt als Programmcode abgespeichert, um für spätere Anwendungen zur Verfügung zu stehen.The computer program product according to the invention is used for the technical design or development of an analysis device for analyzing at least one ingredient of a sample. The computer program product comprises a computer-readable storage medium which has program instructions stored thereon. The program instructions can be executed by one or more computers or control units and cause the one or more computers or control units to carry out the method according to the invention or one of the described preferred embodiments of the method according to the invention. The program instructions include, among other things, algorithms for machine learning; namely for training the chemometric model formed by a machine learning system with the spectral training data. The storage medium can be formed by an electronic medium, a magnetic medium, an optical medium, an electromagnetic medium, an infrared medium or a semiconductor medium, such as an SSD. The program instructions can be formed by machine-dependent or machine-independent instructions, microcode, firmware, state-defining data or any source code or object code written, for example, in C++, Java or similar or in conventional procedural programming languages. Electronic circuits such as programmable logic circuits, field-programmable gate arrays (FPGA) or programmable logic arrays (PLA) can also be formed that execute the program instructions. The resulting model of the spectrometer hardware and the resulting chemometric model formed by the machine learning system are preferably stored as program code in order to be available for later applications.
Das erfindungsgemäße trainierte maschinelle Lernsystem bildet ein chemometrisches Modell zur Bestimmung einer Konzentration mindestens eines Inhaltsstoffes einer Probe ausgehend von mit einem Spektrometer aufgenommenen spektralen Messwerten der Probe. Das erfindungsgemäße maschinelle Lernsystem wurde durch das erfindungsgemäße Verfahren oder durch eine bevorzugte Ausführungsform des erfindungsgemäßen Verfahrens trainiert. Es liegt in Form eines Programmcodes vor.The trained machine learning system according to the invention forms a chemometric model for determining a concentration of at least one ingredient of a sample based on spectral measurement values of the sample recorded with a spectrometer. The machine learning system according to the invention was trained by the method according to the invention or by a preferred embodiment of the method according to the invention. It is available in the form of a program code.
Das erfindungsgemäße Analysegerät dient zur spektralen Analyse mindestens eines Inhaltsstoffes einer Probe. Das Analysegerät umfasst ein Spektrometer zur spektralen Vermessung der Probe. Das Analysegerät ist zur Anwendung eines durch ein trainiertes maschinelles Lernsystem gebildeten chemometrischen Modells zur Bestimmung einer Konzentration mindestens eines Inhaltsstoffes der Probe ausgehend von mit dem Spektrometer aufgenommenen spektralen Messwerten der Probe konfiguriert. Das Spektrometer und das durch das trainierte maschinelle Lernsystem gebildete chemometrische Modell sind aus dem erfindungsgemäßen Verfahren oder einer der beschriebenen bevorzugten Ausführungsformen des erfindungsgemäßen Verfahrens hervorgegangen. Das Analysegerät wurde also mit dem erfindungsgemäßen Verfahren technisch entworfen bzw. entwickelt. Die Optimierung des Spektrometers und das Anlernen des durch das maschinelle Lernsystem gebildeten chemometrischen Modells erfolgten gemeinsam durch das Durchführen des erfindungsgemäßen Verfahrens. Das Analysegerät weist bevorzugt auch weitere Merkmale auf, die im Zusammenhang mit dem erfindungsgemäßen Verfahren beschrieben sind.The analysis device according to the invention serves for the spectral analysis of at least one component of a sample. The analysis device comprises a spectrometer for the spectral measurement of the Sample. The analysis device is configured to use a chemometric model formed by a trained machine learning system to determine a concentration of at least one ingredient of the sample based on spectral measurement values of the sample recorded with the spectrometer. The spectrometer and the chemometric model formed by the trained machine learning system emerged from the method according to the invention or one of the described preferred embodiments of the method according to the invention. The analysis device was therefore technically designed or developed using the method according to the invention. The optimization of the spectrometer and the training of the chemometric model formed by the machine learning system took place together by carrying out the method according to the invention. The analysis device preferably also has further features that are described in connection with the method according to the invention.
Bei bevorzugten Ausführungsformen umfasst das Analysegerät mehrere Komponenten, welche mechanisch voneinander unabhängig sind und eigene Gehäuse aufweisen können. Bevorzugt ist das Spektrometer als ein Handgerät ausgebildet, welches eine der mechanisch voneinander unabhängigen Komponenten bildet. Eine weitere der mechanisch voneinander unabhängigen Komponenten des Analysegerätes ist bevorzugt durch eine Recheneinheit gebildet, welche zur Anwendung des durch ein trainiertes maschinelles Lernsystem gebildeten chemometrischen Modells konfiguriert ist. Das Spektrometer und die Recheneinheit sind bevorzugt über eine drahtlose Datenverbindung miteinander verbunden. Bei der Recheneinheit kann es sich beispielsweise um ein Smartphone handeln.In preferred embodiments, the analysis device comprises several components which are mechanically independent of one another and can have their own housings. The spectrometer is preferably designed as a handheld device, which forms one of the mechanically independent components. Another of the mechanically independent components of the analysis device is preferably formed by a computing unit which is configured to use the chemometric model formed by a trained machine learning system. The spectrometer and the computing unit are preferably connected to one another via a wireless data connection. The computing unit can be a smartphone, for example.
Weitere Einzelheiten und Weiterbildungen der Erfindung ergeben sich aus der nachfolgenden Beschreibung bevorzugter Ausführungsformen der Erfindung, unter Bezugnahme auf die Zeichnung. Es zeigen:
-
1 : einen Ablaufplan einer ersten bevorzugten Ausführungsform eines erfindungsgemäßen Verfahrens; und -
2 : einen Ablaufplan einer zweiten bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens.
-
1 : a flow chart of a first preferred embodiment of a method according to the invention; and -
2 : a flow chart of a second preferred embodiment of the method according to the invention.
In einem vorbereitenden Schritt 01 wird ein Referenzspektrometer bereitgestellt, welches hochauflösend ist und einen Gold-Standard repräsentiert. Das Referenzspektrometer wird so gewählt, dass es jedenfalls eine größere Bandbreite und eine höhere spektrale Auflösung zur Verfügung stellt, als diese für die gegebene Analyseaufgabe notwendig sind. Das zu entwickelnde Spektrometer wird also hinsichtlich seiner Bandbreite und/oder spektralen Auflösung gegenüber dem Referenzspektrometer reduziert sein.In a
In einem weiteren vorbereitenden Schritt 02 werden Referenzproben bereitgestellt, welche gemäß der gegebenen Analyseaufgabe ausgewählt werden. Für die Referenzproben sind Werte von Konzentrationen mindestens eines Inhaltsstoffes der Referenzprobe bekannt. Dabei handelt es sich um den mindestens einen Inhaltsstoff, dessen Konzentration gemäß der gegebenen Analyseaufgabe zu bestimmen ist. Diese für die Referenzproben bekannten Werte stellen Referenzinhaltsstoffkonzentrationsdaten dar. In einem weiteren vorbereitenden Schritt 03 werden die Referenzproben 02 mit dem Referenzspektrometer 01 spektral vermessen, sodass in einem nächsten Schritt 04 mehrere Referenzspektraldaten vorliegen, welche später für eine Simulation von spektralen Messungen genutzt werden.In a further
Das Verfahren umfasst mehrere iterativ auszuführende Schritte 06, durch welche eine gemeinsame iterative Optimierung des Modells der Hardware des Spektrometers und des chemometrischen Modells in Form des maschinellen Lernsystems erfolgen.The method comprises several
In einem iterativ auszuführenden Schritt 07 erfolgt ein Simulieren des spektralen Vermessens von Proben mit dem Spektrometer. Hierzu wird ein Modell der Hardware des Spektrometers genutzt. Das Modell beschreibt die Hardware des Spektrometers durch eine Spezifikation s (nicht gezeigt) in Form von Parametern. Die Spezifikation s (nicht gezeigt) ist bevorzugt durch einen Vektor gebildet. Eine erste bespielhafte Definition des Vektors ist nachfolgend beschrieben: Ein erster Wert des Vektors s (nicht gezeigt) ist durch eine mittlere Wellenlänge eines ersten Messkanales des Spektrometers gebildet. Ein zweiter Wert des Vektors s (nicht gezeigt) ist durch eine Bandbreite des ersten Messkanales des Spektrometers gebildet. Ein dritter Wert des Vektors s (nicht gezeigt) ist durch eine mittlere Wellenlänge eines zweiten Messkanales des Spektrometers gebildet. Ein vierter Wert des Vektors s (nicht gezeigt) ist durch eine Bandbreite des zweiten Messkanales des Spektrometers gebildet. Diese Folge der Werte wird entsprechend fortgesetzt. Eine zweite bespielhafte Definition des Vektors ist nachfolgend beschrieben: Ein erster Wert des Vektors s (nicht gezeigt) ist durch eine mittlere Wellenlänge eines ersten Messkanales des Spektrometers gebildet. Ein zweiter Wert des Vektors s (nicht gezeigt) ist durch eine Bandbreite des ersten Messkanales des Spektrometers gebildet. Ein dritter Wert des Vektors s (nicht gezeigt) ist durch eine Amplitude des ersten Messkanales des Spektrometers gebildet. Ein vierter Wert des Vektors s (nicht gezeigt) ist durch eine mittlere Wellenlänge eines zweiten Messkanales des Spektrometers gebildet. Ein fünfter Wert des Vektors s (nicht gezeigt) ist durch eine Bandbreite des zweiten Messkanales des Spektrometers gebildet. Ein sechster Wert des Vektors s (nicht gezeigt) ist durch eine Amplitude des zweiten Messkanales des Spektrometers gebildet. Diese Folge der Werte wird entsprechend fortgesetzt. Das Simulieren der Messungen zur Aufzeichnung von Spektren mit dem jeweils aktuellen Modell der Hardware des Spektrometers erfolgt dadurch, dass der jeweils aktuelle Vektor s (nicht gezeigt) auf die Referenzspektraldaten 04 angewendet wird, wodurch in einem nächsten Schritt 08 spektrale Trainingsdaten vorliegen. Bei dem erstmaligen Simulieren der Messungen zur Aufzeichnung von Spektren wird von einer initialen Konfiguration des Modells der Hardware des Spektrometers ausgegangen, welche durch einen initialen Vektor s0 (nicht gezeigt) repräsentiert wird.In an
Die im Schritt 08 vorgelegten spektralen Trainingsdaten werden in einem Schritt 09 zum Trainieren des durch das maschinelle Lernsystem gebildeten chemometrischen Modells verwendet. Nach jeder Durchführung des Schrittes 09 ist das maschinelle Lernsystem trainiert und wird dazu genutzt, aus den spektralen Trainingsdaten den Wert der Konzentration mindestens eines Inhaltsstoffes der Referenzprobe zu prädizieren. Abweichungen der prädizierten Werte von den Referenzinhaltsstoffkonzentrationsdaten stellen einen Fehler dar, welcher das jeweils aktuelle Modell der Hardware des Spektrometers kennzeichnet. Es wird daher eine objektive Funktion definiert, welche für den jeweiligen Vektor s (nicht gezeigt) die genannten Abweichungen angibt. Aus den genannten Abweichungen ergibt sich in einem Schritt 11 der Wert einer Eignungskenngröße, welcher in einem Schritt 12 auf eine Bedingung geprüft wird. Diese Bedingung bildet die Abbruchbedingung für die iterativ auszuführenden Schritte 06. Diese bevorzugt vorab festgelegte Abbruchbedingung definiert, ab wann das Modell der Hardware des Spektrometers und das durch das maschinelle Lernsystem gebildete chemometrische Modell als ausreichend optimiert angesehen werden, um die gegebene Analyseaufgabe zu erfüllen.The spectral training data presented in
Ergibt die Prüfung in dem Schritt 12, dass die Eignungskenngröße die Bedingung noch nicht erfüllt, so werden in einem Schritt 13 geänderte Parameter für das Modell der Hardware des Spektrometers bestimmt, um die oben beschriebene objektive Funktion und somit auch die Eignungskenngröße zu verbessern. Entsprechend wird in einer t-ten Iteration 06 ein Vektor st (nicht gezeigt) bestimmt, wofür bevorzugt nicht lediglich der unmittelbar zuvor bestimmte Vektor st-1 (nicht gezeigt) sondern sämtliche zuvor bestimmte Vektoren s0 bis st-1 (nicht gezeigt) berücksichtigt werden.If the test in
Das im Schritt 13 erfolgende Bestimmen von modifizierten Parametern für das Modell der Hardware des Spektrometers stellt eine Optimierung dieser Parameter dar, wofür bevorzugt eine oder mehrere Optimierungstechniken aus der folgenden Gruppe ausgewählt werden: Nelder-Mead-Verfahren, Bayessche Optimierung, Rastersuche, Zufallssuche, gradientenfreie Optimierung, optimale Versuchsplanung, Methoden des maschinellen Lernens, Greedy-Algorithmen und evolutionäre Algorithmen. Das Modell des Spektrometers umfasst bevorzugt mehrere Beschränkungen, wie eine minimale Bandbreite, eine maximale Bandbreite, eine minimale Wellenlänge und eine maximale Wellenlänge, welche bei der Optimierung der Parameter im Vektor st (nicht gezeigt) berücksichtigt werden.The determination of modified parameters for the model of the spectrometer hardware in
In einem Schritt 14 werden die veränderten Parameter des Modells der Hardware des Spektrometers, d. h. der Vektor st (nicht gezeigt) für den erneut auszuführenden Schritt 07 des Simulierens des spektralen Vermessens aktualisiert.In a
Ergibt die Prüfung in dem Schritt 12, dass die Eignungskenngröße die Bedingung erfüllt, so sind die iterativ ausgeführten Schritte 06 abgeschlossen. In einem Schritt 16 liegen nun das optimierte Modell der Hardware des Spektrometers und das durch das trainierte maschinelle Lernsystem gebildete chemometrische Modell vor, sodass das Verfahren insgesamt abgeschlossen ist. Zum Herstellen des Analysegerätes ist ein Spektrometer gemäß dem optimierten Modell der Hardware des Spektrometers herzustellen und das durch das trainierte maschinelle Lernsystem gebildete chemometrische Modell ist in dem herzustellenden Analysegerät zu implementieren. Das so hergestellte Analysegerät ist bestens für die gegebene Analyseaufgabe geeignet und das Spektrometer ist weit weniger aufwändig als das Referenzspektrometer gemäß dem Gold-Standard, sodass das Analysegerät kostengünstig herstellbar ist.If the test in
In einem vorbereitenden Schritt 21 werden Referenzproben bereitgestellt, welche gemäß der gegebenen Analyseaufgabe ausgewählt werden. Für die Referenzproben sind Werte von Konzentrationen mindestens eines Inhaltsstoffes der Referenzprobe bekannt. Dabei handelt es sich um den mindestens einen Inhaltsstoff, dessen Konzentration gemäß der gegebenen Analyseaufgabe zu bestimmen ist. Diese für die Referenzproben bekannten Werte stellen Referenzinhaltsstoffkonzentrationsdaten dar.In a
Auch die zweite bevorzugte Ausführungsform des Verfahrens umfasst mehrere iterativ auszuführende Schritte 22, durch welche eine gemeinsame iterative Optimierung der Hardware des Spektrometers und des chemometrischen Modells in Form des maschinellen Lernsystems erfolgen.The second preferred embodiment of the method also comprises several iteratively executed
In einem iterativ auszuführenden Schritt 23 erfolgt ein Herstellen eines Testexemplars der Hardware des Spektrometers. Das Testexemplar ist durch eine Spezifikation s (nicht gezeigt) in Form von Parametern definiert. Die Spezifikation s (nicht gezeigt) ist bevorzugt durch einen Vektor gebildet, wie er für die erste bevorzugte Ausführungsform beschrieben ist. Die Spezifikation umfasst bevorzugt auch Geräteparameter für ein Signalrauschen und Toleranzen des Spektrometers, die aber durch die iterativ auszuführende Schritte 22 nicht verändert werden. Im Ergebnis der Herstellung liegt in einem Schritt 24 das jeweilige Testexemplar der Hardware des Spektrometers physisch vor. Das erste herzustellende Testexemplar der Hardware des Spektrometers wird gemäß einem initialen Vektor s0 hergestellt.In an iteratively executed
In einem nächsten Schritt 26 wird das aktuelle Testexemplar der Hardware des Spektrometers verwendet, um die Referenzproben spektral zu vermessen, wodurch spektrale Messwerte erhalten werden, welche die in einem Schritt 27 vorliegenden spektralen Trainingsdaten bilden.In a
Die im Schritt 27 vorgelegten spektralen Trainingsdaten werden in einem Schritt 28 zum Trainieren des durch das maschinelle Lernsystem gebildeten chemometrischen Modells verwendet. Nach jeder Durchführung des Schrittes 28 ist das maschinelle Lernsystem trainiert und wird dazu genutzt, aus den spektralen Trainingsdaten den Wert der Konzentration mindestens eines Inhaltsstoffes der Referenzproben zu prädizieren. Abweichungen der prädizierten Werte von den Referenzinhaltsstoffkonzentrationsdaten stellen einen Fehler dar, welcher das jeweils aktuelle Testexemplar der Hardware des Spektrometers kennzeichnet. Es wird daher eine objektive Funktion definiert, welche für den jeweiligen Vektor s (nicht gezeigt) die genannten Abweichungen angibt. Aus den genannten Abweichungen ergibt sich in einem Schritt 29 der Wert einer Eignungskenngröße, welcher in einem Schritt 31 auf eine Bedingung geprüft wird. Diese Bedingung bildet die Abbruchbedingung für die iterativ auszuführenden Schritte 22. Diese bevorzugt vorab festgelegte Abbruchbedingung definiert, ab wann das Testexemplar der Hardware des Spektrometers und das durch das maschinelle Lernsystem gebildete chemometrische Modell als ausreichend optimiert angesehen werden, um die gegebene Analyseaufgabe zu erfüllen.The spectral training data presented in
Ergibt die Prüfung in dem Schritt 31, dass die Eignungskenngröße die Bedingung noch nicht erfüllt, so werden in einem Schritt 32 geänderte Parameter für das nächste herzustellende Testexemplar der Hardware des Spektrometers bestimmt, um die oben beschriebene objektive Funktion und somit auch die Eignungskenngröße zu verbessern. Entsprechend wird in einer t-ten Iteration 22 ein Vektor st (nicht gezeigt) bestimmt, wofür bevorzugt nicht lediglich der unmittelbar zuvor bestimmte Vektor st-1 (nicht gezeigt) sondern sämtliche zuvor bestimmte Vektoren s0 bis st-1 (nicht gezeigt) berücksichtigt werden.If the test in
Das im Schritt 32 erfolgende Bestimmen von modifizierten Parametern für das nächste herzustellende Testexemplar der Hardware des Spektrometers stellt eine Optimierung dieser Parameter dar, wofür bevorzugt eine oder mehrere Optimierungstechniken aus der folgenden Gruppe ausgewählt werden: Nelder-Mead-Verfahren, Bayessche Optimierung, optimale Versuchsplanung, Methoden des maschinellen Lernens, Greedy-Algorithmen und evolutionäre Algorithmen. Für das Testexemplar sind bevorzugt mehrere Beschränkungen definiert; wie eine minimale Bandbreite, eine maximale Bandbreite, eine minimale Wellenlänge und eine maximale Wellenlänge, welche bei der Optimierung der Parameter im Vektor st (nicht gezeigt) berücksichtigt werden.The determination of modified parameters for the next test specimen of the spectrometer hardware to be produced in
In einem Schritt 33 werden die veränderten Parameter, d. h. der Vektor st (nicht gezeigt) für den erneut auszuführenden Schritt 23 des Herstellens eines Testexemplars der Hardware des Spektrometers aktualisiert.In a
Ergibt die Prüfung in dem Schritt 31, dass die Eignungskenngröße die Bedingung erfüllt, so sind die zuvor iterativ ausgeführten Schritte 22 abgeschlossen. In einem Schritt 34 liegen nun das optimierte Testexemplar der Hardware des Spektrometers und das durch das trainierte maschinelle Lernsystem gebildete chemometrische Modell vor, sodass das Verfahren insgesamt abgeschlossen ist. Zum Herstellen des Analysegerätes ist ein dem optimierten Testexemplar gleichendes Spektrometer herzustellen und das durch das trainierte maschinelle Lernsystem gebildete chemometrische Modell ist in dem herzustellenden Analysegerät zu implementieren. Das so hergestellte Analysegerät ist bestens für die gegebene Analyseaufgabe geeignet und das Spektrometer ist weit weniger aufwändig als ein Referenzspektrometer gemäß dem Gold-Standard, sodass das Analysegerät kostengünstig herstellbar ist.If the test in
BezugszeichenlisteList of reference symbols
- 0101
- ReferenzspektrometerReference spectrometer
- 0202
- ReferenzprobenReference samples
- 0303
- Aufzeichnung von SpektrenRecording of spectra
- 0404
- ReferenzspektraldatenReference spectral data
- 0505
- --
- 0606
- iterative Optimierungiterative optimization
- 0707
- Simulieren der AufzeichnungSimulating the recording
- 0808
- spektrale Trainingsdatenspectral training data
- 0909
- TrainierenTrain
- 1010
- --
- 1111
- EignungskenngrößeSuitability indicator
- 1212
- BedingungCondition
- 1313
- Bestimmen von geänderten ParameternDetermining changed parameters
- 1414
- ParameteraktualisierungParameter update
- 1515
- --
- 1616
- trainiertes Lernsystem und optimiertes Modelltrained learning system and optimized model
- 1717
- --
- 1818
- --
- 1919
- --
- 2020
- --
- 2121
- ReferenzprobenReference samples
- 2222
- iterative Optimierungiterative optimization
- 2323
- Herstellen eines TestexemplarsMaking a test copy
- 2424
- TestexemplarTest copy
- 2525
- --
- 2626
- Messung von SpektrenMeasurement of spectra
- 2727
- spektrale Trainingsdatenspectral training data
- 2828
- TrainierenTrain
- 2929
- EignungskenngrößeSuitability indicator
- 3030
- --
- 3131
- BedingungCondition
- 3232
- Bestimmen von geänderten ParameternDetermining changed parameters
- 3333
- ParameteraktualisierungParameter update
- 3434
- trainiertes Lernsystem und optimiertes Testexemplartrained learning system and optimized test copy
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA accepts no liability for any errors or omissions.
Zitierte PatentliteraturCited patent literature
- DE 102020116094 A1 [0002]DE 102020116094 A1 [0002]
- WO 2021198247 A1 [0003]WO 2021198247 A1 [0003]
- US 11062481 B2 [0004]US 11062481 B2 [0004]
- DE 102021105869 A1 [0005]DE 102021105869 A1 [0005]
- US 20210172800 A1 [0006]US 20210172800 A1 [0006]
- EP 3842788 A1 [0007]EP 3842788 A1 [0007]
- US 10020900 B2 [0008]US 10020900 B2 [0008]
Claims (15)
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102022130044.7A DE102022130044A1 (en) | 2022-11-14 | 2022-11-14 | Technical design of an analysis device for spectral analysis |
| PCT/EP2023/077531 WO2024104648A1 (en) | 2022-11-14 | 2023-10-05 | Technical design of an analysis device for spectral analysis |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102022130044.7A DE102022130044A1 (en) | 2022-11-14 | 2022-11-14 | Technical design of an analysis device for spectral analysis |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| DE102022130044A1 true DE102022130044A1 (en) | 2024-05-16 |
Family
ID=88372313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| DE102022130044.7A Pending DE102022130044A1 (en) | 2022-11-14 | 2022-11-14 | Technical design of an analysis device for spectral analysis |
Country Status (2)
| Country | Link |
|---|---|
| DE (1) | DE102022130044A1 (en) |
| WO (1) | WO2024104648A1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118504422A (en) * | 2024-07-17 | 2024-08-16 | 东北石油大学三亚海洋油气研究院 | Optimal design method and system for laser rock breaking parameter scheme |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10020900B2 (en) | 2016-06-03 | 2018-07-10 | Federated Wireless, Inc. | Apparatus and method for providing spectrum information using spectrum-related functions |
| US20210172800A1 (en) | 2019-12-10 | 2021-06-10 | Perkinelmer Health Sciences Canada, Inc. | Systems and Methods for Analyzing Unknown Sample Compositions Using a Prediction Model Based On Optical Emission Spectra |
| EP3842788A1 (en) | 2019-12-23 | 2021-06-30 | Sick Ag | Spectral sensor |
| US11062481B2 (en) | 2016-12-29 | 2021-07-13 | Yara International Asa | Handheld device and method for determining a plant status |
| DE102021105869A1 (en) | 2020-03-12 | 2021-09-16 | Spectricity | CORRECTION AND CALIBRATION OF A SPECTRAL SENSOR OUTPUT |
| WO2021198247A1 (en) | 2020-03-30 | 2021-10-07 | Carl Zeiss Ag | Optimal co-design of hardware and software for virtual staining of unlabeled tissue |
| DE102020116094A1 (en) | 2020-06-18 | 2021-12-23 | Carl Zeiss Spectroscopy Gmbh | Majority of identical spectrometers and procedures for their calibration |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5435309A (en) | 1993-08-10 | 1995-07-25 | Thomas; Edward V. | Systematic wavelength selection for improved multivariate spectral analysis |
| DE102008002355B4 (en) | 2008-06-11 | 2021-10-07 | Endress+Hauser Conducta Gmbh+Co. Kg | Method and arrangement for the automatic calibration of spectrometers |
| CN106323909A (en) * | 2016-09-14 | 2017-01-11 | 江苏大学 | Handheld near infrared spectrum detection system and detection method for quality of fruits and vegetables |
| US20240175752A1 (en) * | 2021-03-30 | 2024-05-30 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Compact and Low-Cost Vibrational Spectroscopy Platforms |
-
2022
- 2022-11-14 DE DE102022130044.7A patent/DE102022130044A1/en active Pending
-
2023
- 2023-10-05 WO PCT/EP2023/077531 patent/WO2024104648A1/en unknown
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10020900B2 (en) | 2016-06-03 | 2018-07-10 | Federated Wireless, Inc. | Apparatus and method for providing spectrum information using spectrum-related functions |
| US11062481B2 (en) | 2016-12-29 | 2021-07-13 | Yara International Asa | Handheld device and method for determining a plant status |
| US20210172800A1 (en) | 2019-12-10 | 2021-06-10 | Perkinelmer Health Sciences Canada, Inc. | Systems and Methods for Analyzing Unknown Sample Compositions Using a Prediction Model Based On Optical Emission Spectra |
| EP3842788A1 (en) | 2019-12-23 | 2021-06-30 | Sick Ag | Spectral sensor |
| DE102021105869A1 (en) | 2020-03-12 | 2021-09-16 | Spectricity | CORRECTION AND CALIBRATION OF A SPECTRAL SENSOR OUTPUT |
| WO2021198247A1 (en) | 2020-03-30 | 2021-10-07 | Carl Zeiss Ag | Optimal co-design of hardware and software for virtual staining of unlabeled tissue |
| DE102020116094A1 (en) | 2020-06-18 | 2021-12-23 | Carl Zeiss Spectroscopy Gmbh | Majority of identical spectrometers and procedures for their calibration |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118504422A (en) * | 2024-07-17 | 2024-08-16 | 东北石油大学三亚海洋油气研究院 | Optimal design method and system for laser rock breaking parameter scheme |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024104648A1 (en) | 2024-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE602004010975T2 (en) | Method and device for the statistical analysis of witness cards by means of image processing | |
| DE60114036T2 (en) | METHOD FOR CHARACTERIZING SPECTROMETERS | |
| DE102016226206A1 (en) | System and method for acquiring measurement images of a measurement object | |
| DE69002233T2 (en) | DEVICE AND METHOD FOR CALIBRATING A SENSOR SYSTEM. | |
| WO2024104648A1 (en) | Technical design of an analysis device for spectral analysis | |
| Hossen et al. | Total nitrogen estimation in agricultural soils via aerial multispectral imaging and LIBS | |
| DE102020116094B4 (en) | Large number of identical spectrometers and methods for their calibration | |
| DE112019004873T5 (en) | Correction of the variation between instruments | |
| WO2019020259A1 (en) | Preprocessing for a classification algorithm | |
| WO2003098174A1 (en) | Method and device for conducting the spectral differentiating, imaging measurement of fluorescent light | |
| DE102022130045A1 (en) | Technical design of a spectral analysis device and machine learning system | |
| DE69802372T2 (en) | Classification system and method with N-tuple or RAM-based neural network | |
| DE102015225018A1 (en) | Method for testing a plurality of component carriers equipped with components in the same way, computer program product for carrying out such a method, and test system for carrying out such a method | |
| EP3425519A1 (en) | Method for the computer-assisted configuring a data-based model based on training data | |
| DE102007019790B4 (en) | Method and device for characterizing a plant sample | |
| DE102020125422A1 (en) | NIR sensor calibration method | |
| Adelino et al. | Ecosystem functions of birds as a tool to track restoration efficiency in Brazil | |
| EP1219919B1 (en) | Method, arrangement and system for the determination of process magnitudes | |
| DE19549300C1 (en) | Evaluation variable determination system for Bayesian network graph | |
| EP1986127B1 (en) | Creation of endmember spectra | |
| DE102022125712B3 (en) | Method for estimating the germination properties of plant seeds and test kits | |
| DE102004034398B4 (en) | Method for determining a linear relationship from electronically storable measured data | |
| WO2002084260A1 (en) | Method and device for controlling the quality and/or optically characterizing milk | |
| DE10032029A1 (en) | Process used for analyzing products comprises generating a universal factor set from a number of materials, acquiring actual spectra, and determining and using the optimum universal factors for analyzing materials | |
| DE112022004002T5 (en) | Validation of a linear model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R012 | Request for examination validly filed | ||
| R016 | Response to examination communication |