JP2018179982A - サンプル特性評価用の改良分光デバイス及び方法 - Google Patents

Abstract

【課題】サンプル特性評価用の改良分光デバイス及び方法を提供する。【解決手段】本発明は、サンプルＳを特性評価する特性評価デバイスであって、半透明材料を通して実行されるサンプルの測定スペクトルと、半透明材料の測定スペクトルとを記憶するメモリと、処理ユニットであって、半透明材料を通るサンプルの測定スペクトルのスペクトルエネルギーを判定し、スペクトルエネルギーから係数を推定し、半透明材料を通るサンプルの測定スペクトルと、半透明材料の補正スペクトルとから、サンプルの補正スペクトルを判定するように構成されている処理ユニットとを含み、半透明材料の補正スペクトルを、半透明材料の測定スペクトルと、推定係数とから判定することを特徴とする。【選択図】図５

Description

本発明は、一般的に、分光分析によるサンプルの特性評価の分野に関する。特に、本発明は、透明包装体などの半透明材料を通して実行されるサンプルの初期測定スペクトルからサンプルの補正スペクトルを判定するデバイス及び方法に関する。次に、補正スペクトルを特性評価モデルに導入して、サンプルに関する分類又は定量化操作を実行することができる。

分光法、より詳細には、赤外（ＩＲ）分光法の枠組みにおいて、反射サンプルＳの場合、図１に示すように、特定の領域［λ１；λ２］内の複数の波長に対して、サンプルＳに入射する強度Ｉ０、及びサンプルによって透過又は反射される強度Ｉを測定することによって、サンプルの光学的特性を判定する。光とサンプルとの間の相互作用は、サンプルの特性評価を可能にする。

異なる波長を、光源ＬＳによって生成し、反射（又は透過）強度を、検出器Ｄで測定する。処理ユニットＰＵは、ＩとＩ０との比（又はその逆数）から判定された、λに依存する、信号に対応するスペクトルＳｓ（λ）を計算する。

スペクトルという用語は、例えば、下記のように、異なるタイプの信号を記述する。
透過では、サンプルの透過率を、下記のように定義する。
Ｔ（λ）＝Ｉｔ（λ）／Ｉ０（λ） （但し、Ｉｔは透過強度である）
反射では、サンプルの反射率を、下記のように定義する。
Ｒ（λ）＝Ｉ_Ｒ（λ）／Ｉ０（λ） （但し、Ｉ_Ｒは反射強度である）
反射の不透明度Ｏ_Ｒ（λ）を、１／Ｒと定義し、透過の不透明度Ｏ_ｔ（λ）を、１／Ｔと定義する。

吸光度Ａ_Ｓ（λ）を、下記のように定義する。
反射の場合、Ａ_Ｓ／Ｒ（λ）＝ｌｏｇ_１０［Ｉ０（λ）／Ｉ_Ｒ（λ）］
透過の場合、Ａ_Ｓ／ｔ（λ）＝ｌｏｇ_１０［Ｉ０（λ）／Ｉ_ｔ（λ）］ （１）

下記のように定義される物理量を、スペクトルとして使用することもできる。
反射の場合、Ａ_Ｓ／Ｒ’（λ）＝ｌｏｇ_１０［Ｉ_Ｒ（λ）／Ｉ０（λ）］
透過の場合、Ａ_Ｓ／ｔ’（λ）＝ｌｏｇ_１０［Ｉ_ｔ（λ）／Ｉ０（λ）］ （２）

乗法関係を加法又は減法関係に変換するという利益を有する透過（Ｉ（λ）＝Ｉｔ（λ））又は反射（Ｉ（λ）＝Ｉ_Ｒ（λ））構成の両方において、吸光度ｌｏｇ_１０［Ｉ０（λ）／Ｉ（λ）］又はｌｏｇ_１０［Ｉ（λ）／Ｉ０（λ）］を分光法で使用する。

次に、例えば、サンプルを分類する、又はサンプルの特定の化合物を定量化するために、測定スペクトルＳｓ（λ）を、特性評価モデルＣＭへの入力として使用する。

分類の例は、粉末の複数の所定のカテゴリの中の粉末サンプルのカテゴリの判定である。定量化の例は、粉末における湿度レベル、粉末におけるグルテンの定量化、布における綿の百分率である。別の可能性は、サンプルに存在する化合物が閾値よりも上又は下であるかを判定することによって、サンプルを分類することである。全てのこれらのタイプの特性評価モデルを、分類／定量化モデルと通常定義する。

当業界で周知の特性評価モデルは、異なるカテゴリ（分類）の、又は定量化すべき化合物の異なる百分率（定量化）を有する、参照サンプルの相当な数の測定スペクトルの参照データベースＤＢに基づく。

データベースの参照スペクトルは、例えば、部分最小二乗判別（ＰＬＳ−ＤＡ）、サポートベクタマシン（ＳＶＭ）、線形判別分析（ＬＤＡ）又はｋ最近接（ｋＮＮ）などの周知のモデルに基づいて、モデルを較正するのに使用される。

データベースの参照スペクトルとサンプルの既知のクラスに関連した関連情報との両方を用いて、モデルを訓練する。各タイプのモデルに対して、各クラスの統計的特性を推定するために、異なる基準を最適化する。

一旦、較正されると、開発モデルＣＭは、図２に例示するように、入力として使用される未知のスペクトルに基づいて、クラス、定量化パラメータなどの探索情報を抽出することができる。

サンプルの変動に起因する影響を減らすために、モデルに入れる前に、移動平均平滑化などの幾つかの前処理を、生スペクトルに適用して、信号対雑音比を向上させることができる。

制限は、特性評価モデルが、データベースの参照スペクトルと同様なサンプルのスペクトルから探索情報を判定できることだけであり、即ち、参照サンプルの参照スペクトルを測定するのに使用された方法にできるだけ近い方法で、サンプルのスペクトルを測定できることである。

幾つかの実際の場合、包装体又は窓などの透明又は半透明材料を通る測定を行う必要がある。これは、例えば、食品、布、又は一旦包装されたあらゆる種類の工業製品の場合であってもよい。典型的に、このような包装体は、ポリエチレン（ＰＥ）、ポリプロピレン（ＰＰ）、ポリエチレンテレフタレート（ＰＥＴ）などのプラスチック材料を含む。

これらの材料の化学的性質を考慮して、サンプルを照明する光に対する影響は、吸収、反射及び拡散のために、無視できない。

図３は、赤外スペクトルにおけるココナツ粉末（反射型サンプル）の吸光度に対するＰＰ包装体の影響を例示する。図３ａは、粉末単独の測定吸光度Ａ_Ｓ（λ）を示し、図３ｂは、包装体を通る粉末の測定吸光度Ａ_Ｓ＋Ｐ（λ）を示し、図３ｃは、包装体単独の測定吸光度Ａ_Ｐ（λ）を示す。包装体単独は、赤外スペクトルを横切る均一な反射率を有する材料と粉末を交換することによって、粉末と同じ方法で測定されている。各スペクトルは、平均３０個の測定値を含む。

Ａ_Ｓ、Ａ_Ｐ及びＡ_Ｓ＋Ｐは、同じ条件で同じプロトコルを用いて測定されている。測定スペクトルは包装体によって変更されることが分かる。

例えば、本発明者は、８タイプの粉末の分類のモデルを開発している。粉末単独で、即ち、包装体材料がない場合、各タイプの粉末を１５回測定して、分類モデル用のデータベースを生成している（１２０個の測定値）。データベースの測定値に基づいて、サンプル粉末単独の測定吸光度から、８タイプの粉末のうち任意の１つのサンプル粉末を同定することができる分類モデルを構成した。この特定の場合、ｋＮＮ型モデルを用いて、分類モデルを開発した。

次に、４つの異なる種類の包装体を通るサンプル粉末の測定スペクトルを、モデルに提示する。

ポリエチレン（ＰＥ）からなる、２つの物理的に異なる包装体タイプにそれぞれ、ＰＥ１及びＰＥ２という名前をつける。

ポリエチレンテレフタレート（ＰＥＴ）からなる、２つの物理的に異なる包装体タイプにそれぞれ、ＰＥＴ１及びＰＥＴ２という名前をつける。

モデルの誤り率は、下記のようになる。
ＰＥ１：７５％
ＰＥ２：６１％
ＰＥＴ１：７３％
ＰＥＴ２：７８％

包装体によって生じるスペクトルの変更により、スペクトルを分類モデルに適用した場合、誤り率は大幅に増大する。

出版物「Ｉｎｆｌｕｅｎｃｅ ｏｆ ｐａｃｋａｇｉｎｇ ｉｎ ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｆｒｅｓｈ ｃｕｔ Ｖａｌｅｒｉａｎｅｌｌａ ｌｏｃｕｓｔａ Ｌ． ａｎｄ ｇｏｌｄｅｎ ｄｅｌｉｃｉｏｕｓ ａｐｐｌｅ ｓｌｉｃｅｓ ｂｙ ｖｉｓｉｂｌｅ−ｎｅａｒ ＩＲ ａｎｄ ｎｅａｒ−ＩＲ ｓｐｅｃｔｒｏｓｃｏｐｙ」、Ｒ． Ｂｅｇｈｉ ｅｔ ａｌ、Ｊｏｕｒｎａｌ ｏｆ Ｆｏｏｄ Ｅｎｇｉｎｅｅｒｉｎｇ １７１（２０１６）では、リンゴ及び葉の鮮度の分析におけるプラスチック包装体の影響を検討している。論文では、モデル性能の点で影響を評価している。一つには、近赤外の波長領域で吸収が増大するため、包装体は可視領域よりも近赤外領域でより重要な影響を有すると、著者は説明している。

第１の分類モデルを、包装体を有しないリンゴのスペクトルのデータベースから構成し、第２のモデルを、包装体を有するリンゴのスペクトルのデータベースから構成する。２つのモデルの性能を比較しているが、この出版物では、包装体の影響を、説明しようともせず、抑えようともしていない。

従って、光学的測定を阻害する半透明材料を通して、特性評価につながる光学的測定を行う場合、サンプルの強固な特性評価（分類／定量化）のための改良デバイス及び方法が必要である。

Ｉｎｆｌｕｅｎｃｅ ｏｆ ｐａｃｋａｇｉｎｇ ｉｎ ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｆｒｅｓｈ ｃｕｔ Ｖａｌｅｒｉａｎｅｌｌａ ｌｏｃｕｓｔａ Ｌ． ａｎｄ ｇｏｌｄｅｎ ｄｅｌｉｃｉｏｕｓ ａｐｐｌｅ ｓｌｉｃｅｓ ｂｙ ｖｉｓｉｂｌｅ−ｎｅａｒ ＩＲ ａｎｄ ｎｅａｒ−ＩＲ ｓｐｅｃｔｒｏｓｃｏｐｙ、 Ｒ． Ｂｅｇｈｉ ｅｔ ａｌ、Ｊｏｕｒｎａｌ ｏｆ Ｆｏｏｄ Ｅｎｇｉｎｅｅｒｉｎｇ １７１（２０１６）

第１の態様によれば、サンプルを特性評価する特性評価デバイスであって、
−半透明材料を通して実行される前記サンプルの測定スペクトルと、半透明材料の測定スペクトルとを記憶するメモリと、
−処理ユニットであって、
・半透明材料を通るサンプルの測定スペクトルの前記スペクトルエネルギーを判定し、
・前記スペクトルエネルギーから係数

を推定し、
・半透明材料を通るサンプルの測定スペクトルと、半透明材料の補正スペクトルとから、サンプルの補正スペクトルを判定する
ように構成されている処理ユニットと
を含み、
半透明材料の前記補正スペクトルを、半透明材料の測定スペクトルと、推定係数とから判定することを特徴とする、特性評価デバイスを提供する。

第１の態様の進展によれば、特性評価デバイスは、参照サンプルのスペクトルの参照データベースから開発されている特性評価モデルを実行するように構成されているモデル化ユニットを更に含み、前記特性評価モデルは、サンプルの補正スペクトルを入力として使用し、サンプルの分類、又はサンプルに存在する化合物の分類又は定量化を送出する。

第１の態様の更なる進展によれば、特性評価デバイスは、主成分分析に基づいて補正サンプルスペクトルを構造化するように構成されているデータ構造化モジュールを更に含み、前記データ構造化モジュールは、構造化補正サンプルスペクトルを生成し、これによって、測定の波長の数を少数の変数に減少させ、前記構造化補正サンプルスペクトルは、参照データベースから開発されている改良特性評価モデルの入力であり、前記改良特性評価モデルは、前記特性評価モデルの代わりに、サンプルの分類、又はサンプルに存在する化合物の分類又は定量化を送出する。

第２の態様によれば、
−特性評価すべきサンプルを照明するように構成されている光源であって、前記サンプルを、半透明材料（Ｐ）を通して照明する光源と、サンプルから反射される光又はサンプルによって透過される光を検出するように構成されている検出器と、前記サンプルの測定スペクトルを生成するように構成されている計算モジュールとを含む測定デバイスと、
−特性評価デバイスと
を含む分光光度計を提供する。

第３の態様によれば、特性評価すべきサンプルの補正スペクトルを判定する方法であって、
−半透明材料を通して実行されるサンプルの測定スペクトルをロードするステップと、
−半透明材料の測定スペクトルをロードするステップと、
−半透明材料を通るサンプルの測定スペクトルのスペクトルエネルギーを判定するステップと、
−前記スペクトルエネルギーから係数を推定するステップと、
−サンプルの測定スペクトルと、半透明材料の補正スペクトルとから、サンプルの前記補正スペクトルを判定するステップと
を含み、
半透明材料の前記補正スペクトルを、半透明材料の測定スペクトルと、推定係数とから判定することを特徴とする、方法を提供する。

第３の態様の進展によれば、前記測定スペクトルを吸光度で表す。

第３の態様の更なる進展によれば、半透明材料の補正スペクトルを、推定係数と半透明材料の測定スペクトルとの積から判定する。

第３の態様の更なる進展によれば、サンプルの補正スペクトルを、半透明材料を通るサンプルの測定スペクトルから半透明材料の補正スペクトルを引くことによって判定する。

第３の態様の更なる進展によれば、推定係数を、半透明材料を通るサンプルの測定スペクトルのスペクトルエネルギーと推定係数との間の所定の関係によって判定する。

第３の態様の更なる進展によれば、所定の関係は、線形関数である。

第３の態様の更なる進展によれば、方法は、半透明材料を通るサンプルの測定スペクトルを測定する前ステップを含む。

第３の態様の更なる進展によれば、方法は、分類モデル又は定量化モデルに対応する特性評価モデルを実行し、補正スペクトルを入力として使用するステップを含む。

第３の態様の更なる進展によれば、方法は、主成分分析に基づいて補正サンプルスペクトルを構造化して、構造化補正サンプルスペクトルを生成し、これによって、測定の波長の数を少数の変数に減少させるステップを含む。

第４の態様によれば、サンプルの特性評価方法であって、前記サンプルの補正スペクトルを判定する方法と、構造化補正サンプルスペクトルを入力として用いて改良特性評価モデルを実行するステップとを更に含むことを特徴とする、特性評価方法を提供する。

本発明の実施形態、及び本発明の利点の更なる目的を、添付図面を参照して以下に詳述する。

反射サンプルの分光測定の略図である。 特性評価モデルの精巧さ及び実行を示す。 図３は、異なるスペクトルを示す。図３ａは、粉末単独の測定吸光度である。 図３は、異なるスペクトルを示す。図３ｂは、プラスチック包装体を通して実行される粉末の測定吸光度である。 図３は、異なるスペクトルを示す。図３ｃは、包装体単独の測定吸光度である。 図４は、光源から検出器までの光路を示すことによって、半透明材料を通るサンプルのスペクトルの測定を例示する。図４ａは、反射サンプルを用いた測定を例示する。 図４は、光源から検出器までの光路を示すことによって、半透明材料を通るサンプルのスペクトルの測定を例示する。図４ｂは、半透明材料を２回横断する、透過サンプルを用いた測定を例示する。 図４は、光源から検出器までの光路を示すことによって、半透明材料を通るサンプルのスペクトルの測定を例示する。図４ｃは、半透明材料を１回横断する、透過サンプルを用いた測定を例示する。 本発明によって特性評価すべきサンプルの補正スペクトルを判定する方法を例示する。 図５の方法に基づく、サンプルの分類である、補正スペクトルの用途の第１の例を例示する。 図５の方法に基づく、サンプルに存在する化合物の定量化である、補正スペクトルの用途の第２の例を例示する。 スペクトルに適用され、データ行列上の空間の変更を可能にする、主成分分析ＰＣＡの原理を例示する。 図５の方法のステップ１００で得られる測定スペクトルでＰＣＡを使用して構造化スペクトルを生成する第１の選択肢を例示する。 λからμへの変数の変更を考慮して開発された新しい特性評価モデルの使用を例示し、このモデルは、特性評価されるべきサンプルのスペクトルに適用される。 図５の方法によって得られる補正スペクトル

にＰＣＡを適用する場合の本発明の好ましい実施形態に対応する第２の選択肢を例示する。特性評価方法は、改造特性評価モデルＣＭｉｍｐを使用する。
改造分類モデルを用いた分類方法を例示する。 改造定量化モデルを用いた定量化方法を例示する。 測定スペクトルのスペクトルエネルギーと推定係数との間の関係を判定する方法の例を示す。 図１４は、粉末の分類の例で得られる曇り点を例示し、図１４ａは、半透明材料ＰとしてＰＥの場合を例示する。 図１４は、粉末の分類の例で得られる曇り点を例示し、図１４ｂは、材料ＰとしてＰＥＴの場合を例示する。 本発明の別の態様によるサンプルを特性評価する特性評価デバイスを示す。 本発明による特性評価デバイスの特定の実施形態を例示する。 本発明による特性評価デバイスの好ましい実施形態を例示する。 本発明の別の態様による分光光度計を示す。 本発明による別の分光計を示す。 測定デバイス、特性評価デバイス及び材料データベースを異なる要素に設置する場合の本発明の実施形態を例示する。 インターネットを介してコンピュータの通信サブシステムにリンクされた遠隔サーバに特性評価デバイス及び／又は材料データベースを設置する場合の本発明の別の実施形態を例示する。 本発明の実施形態の実行に適した一般的な計算システムを示す。 本発明の実施形態を構成するのに適合できるコンピュータデバイスを示す。

図４は、半透明材料Ｐ（プラスチック包装体又は窓であってもよい）を通るサンプルＳのスペクトル測定における光路、及び対応する強度を示す。図４ａは、反射の場合を示し、図４ｂは、光が材料を２回通過する、透過の場合を示し、図４ｃは、光が材料を１回通過する、透過の場合を示す。

検出器Ｄに到達する前に、光は、最初に、材料Ｐを通過し、次に、サンプルＳを通過してから、再度、材料Ｐを通過する（反射、又は図４ｂの通過の場合）。通過において、光は、Ｐを１回だけ通過することもできる。

ここで、光学的測定を歪曲する半透明材料を通して光学的測定を行い、即ち、サンプルに加えて、光源と検出器との間の光路に、透明材料を置く。半透明材料を、サンプルと接触して置いてもよい。これは、皿のプラスチック包装体の場合である。半透明材料とサンプルとの間に、空気が存在してもよく、これは、サンプルが封入物を有し、窓を通る測定である場合である。いずれの場合でも、半透明材料は固体材料である。

光学的測定の場合、半透明材料は、光が材料を通過するようにさせる必要があり、材料は透明でもよい。反射による反射サンプル、又は透過による透明又は半透明サンプルに対して、測定を行うことができる。

この文書全体にわたって、限定されない方法で、明確にするために、吸光度Ａ（λ）を、スペクトルＳ（λ）に対する信号として使用する。しかし、スペクトルの他の定義（例えば、透過率、反射率、又は不透明度）を使用することもできる。

下記のように、定義する。
Ａ_Ｓ（λ）：サンプル単独の測定吸光度
Ａ_Ｓ＋Ｐ（λ）：半透明材料Ｐを通るサンプルの測定吸光度
Ａ_Ｐ（λ）：半透明材料単独の測定吸光度
吸光度Ａ_Ｐを、半透明材料を通る光の１方向通過、又は２方向、「往復」通過に対応する吸光度と定義してもよい。

図４ａ及び図４ｂの場合、下記の通りである。
Ａ_Ｓ＋Ｐ＝ｌｏｇ_１０［Ｉ０／Ｉ３］］
Ａ_Ｐ＝ｌｏｇ_１０［Ｉ０／Ｉ１］］＝ｌｏｇ_１０［Ｉ２／Ｉ３］］（但し、１方向通過のＡｐ）
Ａ_Ｓ＝ｌｏｇ_１０［Ｉ１／Ｉ２］］

Ｉ０／Ｉ３＝Ｉ０／Ｉ１＊Ｉ１／Ｉ２＊Ｉ２／Ｉ３
この乗法関係は、吸光度と加法関係になる。
半透明材料を通るビームの１方向通過に対応するＡｐの場合、下記のように書くことができる。
Ａ_Ｓ＋Ｐ＝Ａ_Ｓ＋２Ａ_Ｐ
又は、
半透明材料を通るビームの往復に対応するＡｐの場合、下記のように書くことができる。
Ａ_Ｓ＋Ｐ＝Ａ_Ｓ＋Ａ_Ｐ （３）

この文書全体にわたって、Ａ_Ｐを、測定（測定の構成によって、往復又は１方向）に対する半透明材料の寄与に対応する吸光度と考える。

光は、サンプル／材料Ｐの分子の分子振動による吸収の影響を受け、第１の近似では、各波長を、他の波長から独立であると仮定する。

式（３）の数学モデルを使用することによって、Ａ_Ｓ＋ＰからＡ_Ｓを得るために、Ａ_Ｓ＋ＰからＡ_Ｐを引くのに十分であると推論することができる。

従って、任意のサンプルがないことを意味する、半透明材料の各タイプの特徴を得ることがまず必要である。重要なパラメータは材料の化学的性質であり、半透明材料（ＰＰ、ＰＥＴ、ＰＥなど）の候補化学的タイプのセットの測定スペクトルＡ_Ｐ（λ）を得る必要がある。

目的は、サンプル単独の「実際の」測定スペクトルＡ_Ｓにできるだけ近い、Ａ_Ｓ＋Ｐ及びＡ_Ｐの測定から

という名前のサンプル単独（半透明材料がないことを意味する）の推定測定スペクトルを判定することにある。

式（３）を適用すると、推定スペクトルは、下記の通りである。

このモデルを適用するために、測定毎にできるだけ近い条件及びプロトコルを用いてＡ_Ｐ及びＡ_Ｓ＋Ｐの測定を行うことは有用であり得る。

この簡易モデルは、満足のいく結果を与えない。なぜなら、式（２）を用いて再構成される幾つかのスペクトルパターンが物理的意味を有しないように見えるからである。例えば、この技法ではノッチが発生する。従って、分類／定量化モデルに導入されるスペクトルに対して非常に低い誤り率を可能にする特性評価デバイス及び方法が必要となり、スペクトルは、包装体又は窓などの半透明材料Ｐを通る測定から得られる。

推定量

の性能を評価するツールを与えて、二乗平均平方根誤差又はＲＭＳＥなどの指標を計算する。計算を行うために、サンプル単独に対応する「実際の」吸光度Ａ_Ｓが必要となり、Ａ_Ｐ及びＡ_Ｓ＋Ｐの測定と同じプロトコルを用いて計算する。ＲＭＳＥは、下記の通りである。

但し、λｉは、測定中に使用される波長に対応する、１〜ｍの添字付きのｉ番目の波長である。

判定推定量

に対して得られるＲＭＳＥの絶対値は、推定量の質の不完全な指標である。しかし、ＲＭＳＥは、異なる推定量を互いに比較するのに有用である。

図５は、本発明によって特性評価すべきサンプルＳの補正スペクトル

を判定する方法１０を例示する。

第１のステップ１００では、半透明材料Ｐを通して実行されたサンプルの測定スペクトルＡ_Ｓ＋Ｐをロードする。

半透明材料は、化学的タイプ及び特定の厚さを有し、異なる物理的側面を示してもよい。

光路に位置決めされた半透明材料の存在によって歪曲される光学的測定によって、スペクトルを測定した。スペクトルを、半透明材料及びサンプルを通過した後に検出器に到達する、波長に依存する信号と定義する。

第２のステップ１１０では、半透明材料単独の測定スペクトルＡ_Ｐをロードする。

このスペクトルＡ_Ｐを、サンプルスペクトルと同等又は等価な方法で行われる測定によって得てもよく、又は半透明材料の化学的タイプが既知である限りにおいてデータベースＤＢＰから入手してもよい。２つの測定スペクトルＡ_Ｓ＋Ｐ及びＡ_Ｐを、同じ条件、同じ構成で、同じ装置を用いて実行してもよい。

反射サンプルの場合、測定の光領域で中性反射材料とサンプルＳを交換することによって、Ａ_Ｐの測定を行ってもよい。

透過サンプルの場合、サンプルＳを単に除去することによって、Ａ_Ｐの測定を行ってもよい。

任意選択的に、平滑化又は平均化などの幾つかの前処理を、測定スペクトルに適用してもよい。

実施形態において、測定用のスペクトル領域は、可視領域（［０．４μｍ、０．８μｍ］）、及び／又は近赤外領域（例えば、［０．８、３μｍ］に含まれる）、及び／又は赤外における別の帯域幅である。

次に、方法は、半透明材料（Ａ_Ｓ＋Ｐ）を通るサンプルの測定スペクトルＡ_Ｓ＋ＰのスペクトルエネルギーＥ_Ｓ＋Ｐを判定する第３のステップ１１５を含む。

信号処理において、信号Ｓ（ｘ）のスペクトルエネルギーは、この信号の積分に比例する量である。ここで、信号は、波長λの測定スペクトルＡ_Ｓ＋Ｐの関数である。従って、スペクトルエネルギーＥ_Ｓ＋Ｐは、Ａ_Ｓ＋Ｐの波長に関する積分に比例する。

スペクトルの測定に対する波長λｉ（１からｍまで変化する添字ｉ）の離散数を考えると、Ｅ_Ｓ＋Ｐを下記のように書くことができる。

又は、一般的な場合、下記の通りである。

次に、方法は、半透明材料Ｐを通して実行されるサンプルの測定スペクトルＡ_Ｓ＋ＰのスペクトルエネルギーＥ_Ｓ＋Ｐから係数

を推定するステップを含む第４のステップ１２０を含む。

更に、方法は、サンプルの測定スペクトルＡ_Ｓ＋Ｐ及び半透明材料の補正スペクトル

から、サンプルの補正スペクトル

を判定するステップ１３０を含む。

半透明材料の補正スペクトル

を、半透明材料の測定スペクトルＡ_Ｐ及び推定係数

から判定する。

実際には、多くの実験及び推論の後、スペクトル測定中に半透明材料Ｐの存在の影響の補正を可能にする係数

は、歪曲測定のスペクトルエネルギーと関連があり得ることを、本発明者は見い出した。推定係数

を、下記のようなＥ_Ｓ＋Ｐと

との間の所定の関係Ｒによって得てもよい。

このような関係の例につながる、この関係を判定できる方法を、この文書で更に説明する。

補正スペクトル

は、ロードされた測定スペクトルＡ_Ｓ＋Ｐから得られるスペクトルであるが、測定中に材料Ｐの存在による歪曲がより小さい。これは、多分、材料のスペクトルＡ_Ｐが事前に定められロードされているからである。スペクトルＡ_Ｐを、測定してもよく、又は材料データベースからロードしてもよい。このロードの場合、材料Ｐの化学的タイプが既知である必要がある。

推定係数

は、測定スペクトルＡ_Ｓ＋Ｐを補正するのにそれ自体使用される半透明材料の補正スペクトル

を判定することができる。

補正スペクトル

を、サンプルの分類、又は後述のようにサンプルに存在する化合物の分類又は定量化のために使用してもよい。スペクトルが補正されているという事実は、背景技術に記載のように、スペクトルを入力として用いた分類／定量化モデルの測定中に材料Ｐの存在のために誤り率を減少させる。

好ましくは、測定スペクトルＡ_Ｓ＋Ｐ及びＡ_Ｐを、文脈によって、一貫した方法で、式（１）（又は式（２））によって定義される吸光度で表す。

特許請求の範囲に記載の方法の実施形態において、半透明材料の補正スペクトル

を、下記のように、推定係数

と半透明材料の測定スペクトルＡ_Ｐとの積から判定する。

実施形態において、係数

を式（３）に導入することができ、例えば、下記のように、半透明材料を通るサンプルの測定スペクトルＡ_Ｓ＋Ｐから半透明材料の補正スペクトル

を引くことによって、サンプルの補正スペクトル

を判定する。

式（１０）は、測定スペクトルに対する材料Ｐの影響を一層考慮するために、係数

をＡ_Ｐに付加した式（３）に記載のモデルに対応する。本発明によるこの係数は、スペクトルエネルギーＥ_Ｓ＋Ｐを介してＡ_Ｓ＋Ｐの測定自体の本質的特徴と特定の関係Ｒを有する。

一旦、方法１０によって判定された推定スペクトル

を得ると、このスペクトルを、特性評価モデルへの入力として使用してもよい。

図６に例示する、

の用途の第１の例は、サンプルの補正スペクトル

を判定する方法１０に基づく、サンプルＳの分類の方法２００であって、方法２００は、上述のように第１の参照データベースＤＢ１から開発された分類モデルＣＭを実行するステップ２５０を更に含む。分類モデルＣＭは、サンプルの補正スペクトル

を入力として使用し、サンプルの分類を送出する。初期スペクトルＡ_Ｓ＋Ｐは、

に変換されることによって補正されているので、モデルＣＭの誤り率は減少する。例は、９個の異なる所定のタイプの中で粉末タイプの判定である。

図７に例示する、

の用途の第２の例は、サンプルの補正スペクトル

を判定する方法１０に基づく、サンプルＳに存在する化学化合物Ｃの定量化の方法３００であって、方法３００は、第２の参照データベースＤＢ２から開発された定量化モデルＱＭを実行するステップ３５０を更に含む。定量化モデルは、サンプルの補正スペクトル

を入力として使用し、サンプルに存在する化合物Ｃの定量化を送出する。例えば、それは、粉末における湿度レベル又はグルテンレベルであってもよい。

混合用途は、化合物の定量化を用いたサンプルの分類であり、サンプルのクラスを定量化に応じて判定する。例えば、粉末の２つの異なるクラスを、粉末における化合物の百分率が、所定の閾値よりも上又は下であるかによって定義してもよい。

係数

の使用による方法１０の精巧さと並行して、本発明者は、下記の段落で記載のように、次元縮小の方法を使用することによって、好ましくは吸光度で表される、参照サンプルの初期スペクトルＡｓ（λ）（又は前処理スペクトル）を構造化する方法を開発している。

実際には、スペクトルＡｓ（λ）は一般的に、相当な数の横座標λｉ、（ｉは、１〜ｍであり、ｍは典型的に、数百又は数千に等しい）であり、後述のように、この数を減らすことが望ましい。このために、主成分分析（ＰＣＡ）と呼ばれる方法を使用する。

測定スペクトルを含むデータ行列上の空間の変更を可能にする、本発明によるＰＣＡの原理を、図８に例示する。

出発空間ベクトルは、波長に応じて測定スペクトルを含むスペクトル空間Ｓ、即ち、特性評価モデル（図２参照）を精巧にするのに使用される参照データベースＤＢの参照サンプル（ｎ個の参照サンプル）のスペクトルのデータ行列ＤＭｓｒである。Ｓの次元は、ｍである。

ＰＣＡアルゴリズムを、ｎ個のサンプルを含むＤＭｓｒ上で使用する。

到着ベクトル空間Ｆは、ｎ個の「サンプル」Ａｓｔｒ（μ）の新しい行列ＤＭ’を定義する、新しい座標μ_ｊを有する次元ｌ（但し、ｌ≦ｍ）の直交空間である。

実際には、ＰＣＡアルゴリズムは、下記のように、δからＦへの転送行列である係数行列Ｍ_ＰＣＡを判定した。
Ｙ＝Ｘ×Ｍ_ＰＣＡ （１１）

主成分の分析は、データの分散を最大化するステップと、得られる座標を直交させるステップとを含む異なる基準を使用する。

μ_ｊの中で、全ての必要な情報を集中させる２つ又は３つの第１の座標（μ１、μ２、μ３）のみを選択することができる。構成によって、データにおける分散の最大部分を第１の座標が記述するような方法で、座標をソートする。スペクトルデータは高い相関関係にあることが多いので、少数の新しい座標に情報を集約することができる。従って、通常、３つの第１の新しい座標は、元のデータを表現するのに十分である。

係数行列Ｍ_ＰＣＡは、データを編成する方法を表す。粉末の例において、係数は、粉末間の差を強調する。実際には、係数は、ＤＭｓｒのスペクトルの吸光度の値に加えられた重み付け係数であってもよい。

ＰＣＡ分析を、分析及び視覚化技法として使用してもよい。「スコア」という名前の新しい座標μ_ｊに注目されたい。

本発明の文脈において、（参照サンプルのデータ行列ＤＭｓｒからの）判定係数Ｍ_ＰＣＡを別の行列で使用する。

第１の選択肢は、図８−２に例示するように、方法１０によって得られる測定スペクトルＡ_Ｓ＋Ｐで係数Ｍ_ＰＣＡを使用して構造化スペクトルＡ’_Ｓ＋Ｐ（μ）を生成することである。

図９に例示するように、λからμへの変数の変更を考慮して、新しい特性評価モデルＣＭｉｍｐを開発し、このモデルＣＭｉｍｐを、特性評価されるべきサンプルのスペクトルに適用する。更に、初期スペクトルＡ_Ｓ＋Ｐ（λ）を、ＣＭｉｍｐに対する入力として使用される前にＰＣＡ係数によって構造化する必要があり、Ａ’_Ｓ＋Ｐ（μ）に変換する。変数μの数は、ｌ（但し、ｌ≦ｍ）であり、これらのｌの中で、２つ又は３つの第１の変数のみを、計算のために使用してもよい（μ１、μ２、μ３）。

半透明材料Ｐを通してスペクトルにＰＣＡ係数を適用することによって、このデータを、測定中に材料Ｐの存在にもかかわらず、分類／定量化操作を大幅に単純化するような方法で構造化された新しい空間に転置する。従って、改良特性評価モデルＣＭｉｍｐは、分類モデルＣＭの代わりに、サンプルの分類、又はサンプルに存在する化合物の分類又は定量化を送出する。

上述の粉末分類のモデルを適用することによって、本発明者は、ＰＣＡなどの次元縮小によるスペクトルの最適構造化、従ってＰＣＡ係数Ｍ_ＰＣＡに基づく変換を使用することによって、半透明材料Ｐを通して実行されるサンプルのスペクトルの誤り率が下記のようになることを見い出した（ＰＣＡ無しの対応する誤り率を丸括弧の間に与える。下記の表１も参照）。
ＰＥ１：２％（７５％）
ＰＥ２：６％（６５％）
ＰＥＴ１：３４％（８８％）
ＰＥＴ２：１５％（８８％）

従って、この第１の選択肢の結果、誤り率を次元縮小単独によって向上させることができる。

本発明の別の実施形態に対応する第２の選択肢として、このようなＰＣＡ係数Ｍ_ＰＣＡ（上述のように計算される）を、方法１０で得られる補正スペクトル

に適用する。

従って、本発明の態様は、測定の複数の波長λｉ（ｌは、１とｍとの間である）をより少数の変数μ１、μ２、μ３に減少させるために、主成分分析ＰＣＡに基づいて補正サンプルスペクトル

を構造化して、構造化補正サンプルスペクトル

を生成するステップ１４０を含む方法１０である。図１０の例は、式（５）の特定の実施形態を例示する。

を構造化する追加ステップ１４０を、図１０にも例示するステップ１５０で実行される改造特性評価モデルＣＭｉｍｐを用いた特性評価方法４００に含んでもよい。

例えば、特性評価モデルは、分類又は定量化モデルであってもよい。

図１１は、ステップ２５５で実行される改造分類モデルＣｌＭｉｍｐを用いた分類方法５００に含まれる

を構造化する追加ステップ１４０を例示する。

図１２は、ステップ３５５で実行される改造定量化モデルＱＭｉｍを用いた定量化方法６００に含まれる

を構造化する追加ステップ１４０を例示する。

粉末の例において、次元縮小（ＰＣＡ）と組み合わせて式（２）の補正を適用することによって、即ち、

を用いて包装体スペクトルを引くことによって、誤り率は下記のようになる（下記の表１も参照）。
ＰＥ１：２％
ＰＥ２：５％
ＰＥＴ１：３５％
ＰＥＴ２：１４％

ＰＣＡと組み合わせて「疑似補正」スペクトルを生成するのに式（２）

を適用しても、ＰＣＡ単独と比べて誤り率は向上しない。

しかし、推定係数

を使用することによって得られる改良スペクトル

にＰＣＡを適用することによって、誤り率は大幅に減少する。

粉末の分類の例において、上述の方法によって式（５）を適用して

を推定することによって、下記の結果が得られる（表１参照）。

上述の

を用いて得られる結果と比較することによって、推定係数

の使用によるスペクトルの補正と補正スペクトルのＰＣＡによる構造化との組み合わせにより、非常に低い誤り率の回復を可能にする非常に強力な処理が得られ、その結果、測定中に阻害材料Ｐの存在に対して特性評価モデルを強固にすることが分かる。

ここで、測定スペクトルＡ_Ｓ＋ＰのスペクトルエネルギーＥ_Ｓ＋Ｐと推定係数

との間の関係Ｒを判定する方法を、図１３で説明して例示する。

開始点は、特性評価モデルを開発するのに使用される参照サンプルのデータベースＤＢの実現である。このデータベースは、参照サンプルＳｊの測定スペクトルＡｓ（ｊ）（但し、ｊ＝１〜ｍ）を含む。

第１のステップでは、ｊ個のサンプルＳｊの中のｋ個のサンプルＳｋ（ｋ＜ｊ）を、特定の基準で選択する。選択されたサンプルに対して、既知の化学的性質の半透明材料Ｐを通る測定スペクトルＡ_Ｓ＋Ｐ（ｋ）における参照サンプルＳｋを実行する。

第２のステップでは、各ｋに対して、対応するスペクトルエネルギーＥ_Ｓ＋Ｐ（ｋ）を、積分によって判定する。

第３のステップでは、各ｋ［Ａ_Ｓ＋Ｐ（ｋ）、Ｅ_Ｓ＋Ｐ（ｋ）］に対して、一方の側の

と他方の側のＡｓ（ｋ）との間の誤りを最小化する最適化係数

を判定する。それらのサンプルＳｋに対して、Ａ_Ｓ＋Ｐ及びＡ_Ｓの両方が既知であるので、この計算を実行することができる。

好ましくは、下記のように、γ_ｏｐｔ（ｋ）は、ＲＭＳＥ（ｋ）を最小化する。

但し、

第４のステップでは、座標｛Ｅ_Ｓ＋Ｐ（ｋ）、γ_ｏｐｔ（ｋ）｝を有するＰｋを用いた曇り点Ｐｋを考慮する。この曇り点は、特定の数のサンプルに対して最適化係数とスペクトルエネルギーとの間の関連の画像を与える。一般法則を得るために、補間によって、関係

を判定する。この関係は、方法１０のステップ１２０で使用される所定の関係を構成する。

この方法により、測定を誤る材料Ｐの影響を表す、実際の測定に基づく法則を定めることができ、従って、推定係数

によってこのような影響を補正することができる。

図１４は、粉末の例で得られる曇り点を例示し、図１４ａは、半透明材料としてＰＥの場合を例示し、図１４ｂは、材料ＰとしてＰＥＴの場合を例示する。

回帰モデルを得るために、所与の包装体を用いた各タイプの粉末（分類モデルに対して考慮された、８つの異なるタイプの粉末）に対して３０個の測定値をとっている。図１４ａ及び図１４ｂ上の各点は、各粉末の各測定値の｛Ｅ、γ｝座標に対応する（各回帰プロットに対して２４０点）。

図１４ａ及び図１４ｂに例示する場合、補間によって判定された関数Ｒは、下記のように、線形である。

別の態様によれば、本発明は、図１５に例示する、サンプルＳを特性評価する特性評価デバイス５０に関する。

デバイスは、半透明材料Ｐを通して実行されるサンプルＳの測定スペクトルＡ_Ｓ＋Ｐと、半透明材料の測定スペクトルＡ_Ｐとを記憶するメモリＭＥＭを含む。このスペクトルＡ_Ｐを、サンプルスペクトルと同じような方法で行われる測定によって得てもよく、又は半透明材料の化学的タイプが既知である限りにおいてデータベースＤＢＰから入手してもよい。

デバイス５０は、
−半透明材料Ｐを通るサンプルの測定スペクトルＡ_Ｓ＋ＰのスペクトルエネルギーＥ_Ｓ＋Ｐから係数

を推定し、
−半透明材料を通るサンプルの測定スペクトルＡ_Ｓ＋Ｐと、半透明材料の補正スペクトル

とから、サンプルの補正スペクトル

を判定する
ように構成されている処理ユニットＰＵを更に含む。

半透明材料の補正スペクトル

を、半透明材料の測定スペクトルＡ_Ｐと、推定係数

とから判定する。

サンプルの補正スペクトル

は、サンプルの分類、又はサンプルに存在する化合物の分類又は定量化のために使用されるように意図されている。

図１６に例示する特定の実施形態において、特性評価デバイス５０は、サンプルの補正スペクトル

を入力として用いた、参照データベースＤＢから開発されている特性評価モデルＣＭを実行するように構成されているモデル化ユニットＭＵを更に含む。モデル化ユニットは、サンプルの分類、又はサンプルに存在する化合物の分類又は定量化を送出する。

図１７に例示するように、特性評価デバイス５０は、データ構造化モジュールＤＳＭを更に含む。ＤＳＭは、構造化補正サンプルスペクトル

を生成するために、ＰＣＡなどの主成分分析に基づいて補正サンプルスペクトル

を構造化するように構成されている。この構造化により、測定の複数の波長λｉが、より少数の変数（例えば、μ１、μ２、μ３）に減少する。

構造化補正サンプルスペクトル

は、

の構造化を考慮して、参照データベースＤＢから開発されている改良特性評価モデルＣＭｉｍｐの入力である。

別の態様によれば、本発明は、図１８ａに例示するような分光光度計Ｓｐｅｃｔｒｏに関する。分光光度計は、
−測定デバイスＭｅＤであって、
−特性評価すべきサンプルＳを照明するように構成されている光源ＬＳであって、サンプルを、半透明材料Ｐを通して照明する光源ＬＳ（光源は、レーザ又はランプであってもよい）と、
−サンプルから反射される光又はサンプルによって透過される光を検出するように構成されている検出器Ｄと、
−サンプルを照明する測定入射光源と、サンプルによる反射／透過光とから、前記サンプルの測定スペクトルＡ_Ｓ＋Ｐを生成するように構成されている計算モジュール５０１（計算モジュールは、前処理を含んでもよい）と
を含む測定デバイスＭｅＤと、
−図１５〜図１７に例示するような特性評価デバイス５０と
を含む。

従って、本発明による分光計Ｓｐｅｃｔｒｏは、測定を低下させることがある材料Ｐを通るサンプルＳのスペクトルを測定して、測定中に材料Ｐが存在するにもかかわらず、サンプルの正確な特性評価を実行することができる。

一実施形態において、光源ＬＳ、検出器Ｄ及び計算モジュールを用いて、半透明材料のスペクトルＡ_Ｐを、サンプルと同じような方法で測定する。この場合、半透明材料の化学的タイプを知る必要がない。

別の実施形態において、半透明材料Ｐの化学的タイプを同定し、図１８ｂに示すようにＳｐｅｃｔｒｏに含まれる、又は異なる要素に設置されることができる、材料データベースＤＢＰから、スペクトルＡ_Ｐをロードする。

上述の実施形態は、単に限定されない例であることが分かる。特に、測定デバイスＭｅＤ、特性評価デバイス５０及び材料データベースＤＢＰを、異なる要素に設置して、任意の組み合わせで一緒に使用してもよい。

実施形態において、図１９に例示するように、ＭｅＤを、入出力インターフェース７０３を介してコンピュータＣｏｍｐにリンクし、特性評価デバイス５０及び材料データベースＤＢＰを、コンピュータに設置してもよく、計算モジュール５０１の一部を、特性評価デバイスに設置してもよい。

別の実施形態において、図２０に例示するように、特性評価デバイス５０及び／又は材料データベースＤＢＰを、インターネット７５を介してコンピュータＣｏｍｐの通信サブシステム７２０にリンクされた遠隔サーバ７６に設置してもよい。

開示方法１０、２００、３００、４００、５００、６００は、全部ハードウェアの実施形態（例えば、ＦＰＧＡ）、全部ソフトウェアの実施形態（例えば、本発明によるデバイスを制御する実施形態）、又はハードウェア及びソフトウェア要素の両方を含む実施形態の形をとることができる。ソフトウェアの実施形態は、ファームウェア、常駐ソフトウェア、マイクロコードなどを含むが、これらに限定されない。本発明は、コンピュータ又は命令実行システムで用いる、又はコンピュータ又は命令実行システムと接続して、プログラムコードを提供するコンピュータが使える又はコンピュータが読める媒体からアクセス可能なコンピュータプログラム製品の形をとることができる。

コンピュータが使える又はコンピュータが読める実施形態は、命令実行システム、装置又はデバイスで用いる、又は命令実行システム、装置又はデバイスと接続して、プログラムを含む、記憶する、通信する、伝搬する、又は移送することができる任意の装置であることができる。媒体は、電子、磁気、光学、電磁、赤外線、又は半導体システム（又は、装置又はデバイス）、又は伝搬媒体であることができる。

幾つかの実施形態において、ユーザデバイスによって、ここに記載の方法を全部又は一部実行してもよい。これらの方法及び処理を、コンピュータアプリケーションプログラム又はサービス、アプリケーションプログラミングインターフェース（ＡＰＩ）、ライブラリ、及び／又は他のコンピュータプログラム製品、又はこのようなエンティティの任意の組み合わせによって実行してもよい。

ユーザデバイスは、スマートフォン又はタブレットなどの携帯デバイス、ロボット又は他の接続デバイスなどの処理機能を有するコンピュータ又は任意の他のデバイスであってもよい。

図２１は、本発明の実施形態の実行に適した一般的な計算システムを示す。図２１に示すように、システムは、論理デバイス７０１及び記憶デバイス７０２を含む。システムは、表示サブシステム７１１、入力サブシステム７１２、７１３、７１４、通信サブシステム７２０、及び／又は他の構成要素（図示せず）を任意選択的に含んでもよい。

論理デバイス７０１は、命令を実行するように構成されている１つ又は複数の物理デバイスを含む。例えば、論理デバイス７０１は、１つ又は複数のアプリケーション、サービス、プログラム、ルーチン、ライブラリ、オブジェクト、構成要素、データ構造体、又は他の論理構成体の一部である命令を実行するように構成されてもよい。このような命令を実行して、タスクを行い、データタイプを実行し、１つ又は複数の構成要素の状態を変換し、技術的効果を達成し、又は別の方法で所望の結果に達してもよい。

論理デバイス７０１は、ソフトウェア命令を実行するように構成されている１つ又は複数のプロセッサを含んでもよい。追加として又は代わりに、論理デバイスは、ハードウェア又はファームウェア命令を実行するように構成されている１つ又は複数のハードウェア又はファームウェア論理デバイスを含んでもよい。論理デバイスのプロセッサは、シングルコア又はマルチコアであってもよく、プロセッサ上で実行される命令は、順次、並列、及び／又は分散処理用に構成されてもよい。任意選択的に、論理デバイス７０１の個々の構成要素を、協調処理用に遠隔で設置及び／又は構成されることがある、２つ又は複数の分離デバイスの中で分散させてもよい。論理デバイス７０１の態様を、クラウド計算構成で構成されている遠隔でアクセス可能なネットワーク計算デバイスによって、仮想化して実行してもよい。

記憶デバイス７０２は、ここに記載の方法及び処理を実行する論理デバイスによって実行可能な命令を保持するように構成されている１つ又は複数の物理デバイスを含む。このような方法を実行する場合、記憶デバイス７０２の状態を変換してもよく、例えば、異なるデータを保持する。

記憶デバイス７０２は、取り外し可能及び／又は組み込みデバイスを含んでもよい。記憶デバイス７０２は、光メモリ（例えば、ＣＤ、ＤＶＤ、ＨＤ−ＤＶＤ、ブルーレイディスクなど）、半導体メモリ（例えば、ＲＡＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭなど）、及び／又は磁気メモリ（例えば、ハードディスクドライブ、フロッピーディスクドライブ、テープドライブ、磁気ＲＡＭなど）などを含む１つ又は複数のタイプの記憶デバイスを含んでもよい。記憶デバイスは、揮発性、不揮発性、動的、静的、読み書き、読み取り専用、ランダムアクセス、順次アクセス、位置アドレス可能、ファイルアドレス可能、及び／又は内容アドレス可能デバイスを含んでもよい。

特定の構成において、システムは、論理デバイス７０１と他のシステム構成要素との間の通信を支援するように適合されている入出力インターフェース７０３を含んでもよい。例えば、追加のシステム構成要素は、取り外し可能及び／又は組み込み拡張記憶デバイスを含んでもよい。拡張記憶デバイスは、光メモリ７３２（例えば、ＣＤ、ＤＶＤ、ＨＤ−ＤＶＤ、ブルーレイディスクなど）、半導体メモリ７３３（例えば、ＲＡＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ＦＬＡＳＨなど）、及び／又は磁気メモリ７３１（例えば、ハードディスクドライブ、フロッピーディスクドライブ、テープドライブ、磁気ＲＡＭなど）などを含む１つ又は複数のタイプの記憶デバイスを含んでもよい。このような拡張記憶デバイスは、揮発性、不揮発性、動的、静的、読み書き、読み取り専用、ランダムアクセス、順次アクセス、位置アドレス可能、ファイルアドレス可能、及び／又は内容アドレス可能デバイスを含んでもよい。

記憶デバイスは、１つ又は複数の物理デバイスを含み、伝搬信号自体を除くことが分かる。しかし、代わりに、ここに記載の命令の態様を、記憶デバイスに記憶されるのとは対照的に、通信媒体（例えば、電磁信号、光信号など）によって伝搬してもよい。

論理デバイス７０１及び記憶デバイス７０２の態様を、１つ又は複数のハードウェア論理構成要素に一体化してもよい。このようなハードウェア論理構成要素は、例えばフィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡｓ）、プログラム及び特定用途向け集積回路（ＰＡＳＩＣ／ＡＳＩＣｓ）、プログラム及び特定用途用標準品（ＰＳＳＰ／ＡＳＳＰｓ）、システムオンチップ（ＳＯＣ）、複合プログラマブル論理デバイス（ＣＰＬＤｓ）などを含んでもよい。

用語「プログラム」を、特定の機能を果たすのに実行される計算システムの態様を記述するのに使用してもよい。場合によっては、プログラムを、記憶デバイスによって保持された機械可読命令を実行する論理デバイスを介してインスタンス化してもよい。異なるモジュールを、同じアプリケーション、サービス、コードブロック、オブジェクト、ライブラリ、ルーチン、アプリケーションプログラムインターフェース（ＡＰＩ）、機能などからインスタンス化してもよいものと理解される。同様に、同じプログラムを、異なるアプリケーション、サービス、コードブロック、オブジェクト、ルーチン、アプリケーションプログラムインターフェース（ＡＰＩｓ）、機能などによってインスタンス化してもよい。用語「プログラム」は、個々又は群の実行可能ファイル、データファイル、ライブラリ、ドライバ、スクリプト、データベースレコードなどを含んでもよい。

特に、図２１のシステムを、本発明の実施形態を実行するのに使用してもよい。

例えば、図５、図６、図７、図１０、図１１又は図１２に記載のステップを実行するプログラムを、記憶デバイス７０２に記憶して、論理デバイス７０１によって実行してもよい。材料データベースＤＢＰ、所定の関係Ｒ、及び構造化に必要なＰＣＡ係数を、記憶デバイス７０２、又は拡張記憶デバイス７３２、７３３又は７３１に記憶してもよい。論理デバイスは、カメラ７１６又は近接場インターフェース７２１に、測定デバイスＭｅＤに命令を送信して、特性評価すべきスペクトルの測定Ａ_Ｓ＋Ｐを進めさせてもよい。

従って、本発明を、コンピュータプログラムの形で具体化してもよい。

図２２は、実施形態を構成するのに適合できるコンピュータデバイスＣｏｍｐを示す。図２１に示すように、コンピュータデバイスは、上述のように、要素７０１、７０２、７０３、７２０、７３０、７３２、７１４、７１５、７１６を組み込む。コンピュータデバイスは、同じコンピュータデバイスに組み込まれてもよい周辺デバイスとしての要素７１７、７１２及び７１３、及びネットワーク７５を介してサーバ７６と通信している。一方、要素７３３、７２１及び７４を省略し、要素７１１は、タッチスクリーン機能を有する、又は有しない通常のディスプレイである。

多数の変型例が可能であるので、ここに記載の構成及び／又は手法は、実際に例示であり、これらの特定の実施形態又は例は、限定する意味で考慮されるべきではないものと理解される。ここに記載の特定のルーチン又は方法は、任意の数の処理戦略のうち１つ又は複数の処理戦略を表してもよい。そのようなものとして、例示及び／又は記載の様々な動作を、例示及び／又は記載の順序で、他の順序で、並行して実行してもよく、又は省略してもよい。同様に、上述の処理の順序を変更してもよい。

本開示の主題は、ここに開示の様々な処理、システム及び構成、及び他の特徴、機能、動作及び／又は特性の全ての新規で非自明な組み合わせ及び小さい組み合わせ、更にこれらのありとあらゆる均等物を含む。

別の態様では、本発明は、特許請求の範囲に記載の方法のステップを実行するように適合されているコンピュータプログラムに関する。別の態様では、本発明は、コンピュータプログラムを組み込むコンピュータ可読媒体に関する。

１０ 方法
５０ 特性評価デバイス
７４ 要素
７５ インターネット
７６ サーバ
１００ 第１のステップ
１１０ 第２のステップ
１１５ 第３のステップ
１２０ 第４のステップ
１３０ ステップ
１４０ ステップ
１５０ ステップ
２００ 方法
２５０ ステップ
２５５ ステップ
３００ 方法
３５０ ステップ
３５５ ステップ
４００ 特性評価方法
５００ 分類方法
５０１ 計算モジュール
６００ 定量化方法
７０１ 論理デバイス
７０２ 記憶デバイス
７０３ 入出力インターフェース
７１１ 表示サブシステム
７１２、７１３、７１４ 入力サブシステム
７１６ カメラ
７２０ 通信サブシステム
７２１ 近接場インターフェース
７３１ 磁気メモリ
７３２ 光メモリ
７３３ 半導体メモリ
Ｓ サンプル
Ｐ 半透明材料
ＭＥＭ メモリ
ＰＵ 処理ユニット
ＭＵ モデル化ユニット
ＣＭ 特性評価モデル
ＣＭｉｍｐ 改良特性評価モデル
ＤＳＭ データ構造化モジュール
Ｓｐｅｃｔｒｏ 分光光度計
ＭｅＤ 測定デバイス
ＬＳ 光源
Ｄ 検出器

Claims (16)

1. サンプル（Ｓ）を特性評価する特性評価デバイス（５０）であって、
   −半透明材料を通して実行される前記サンプルの測定スペクトル（Ａ_Ｓ＋Ｐ）と、前記半透明材料の測定スペクトル（Ａ_Ｐ）とを記憶するメモリ（ＭＥＭ）と、
   −処理ユニット（ＰＵ）であって、
   ＊前記半透明材料を通る前記サンプルの前記測定スペクトル（Ａ_Ｓ＋Ｐ）のスペクトルエネルギー（Ｅ_Ｓ＋Ｐ）を判定し、
   ＊前記スペクトルエネルギー（Ｅ_Ｓ＋Ｐ）から係数
   

   

   を推定し、
   ＊前記半透明材料を通る前記サンプルの前記測定スペクトル（Ａ_Ｓ＋Ｐ）と、前記半透明材料の補正スペクトル
   

   

   とから、前記サンプルの補正スペクトル
   

   

   を判定するように構成されている処理ユニット（ＰＵ）と
   を含み、
   前記半透明材料の前記補正スペクトル
   

   

   を、前記半透明材料の前記測定スペクトル（Ａ_Ｐ）と、前記推定係数
   

   

   とから判定することを特徴とする、特性評価デバイス（５０）。
2. 参照サンプルのスペクトルの参照データベース（ＤＢ）から開発されている特性評価モデル（ＣＭ）を実行するように構成されているモデル化ユニット（ＭＵ）を更に含み、前記特性評価モデルは、前記サンプルの前記補正スペクトル
   

   

   を入力として使用し、前記サンプルの分類、又は前記サンプルに存在する化合物の分類又は定量化を送出することを特徴とする、請求項１に記載の特性評価デバイス（５０）。
3. 主成分分析（ＰＣＡ）に基づいて前記補正サンプルスペクトル
   

   

   を構造化するように構成されているデータ構造化モジュール（ＤＳＭ）を更に含み、前記データ構造化モジュールは、構造化補正サンプルスペクトル
   

   

   を生成し、これによって、測定の波長（λｉ）の数をより少数の変数（μ１、μ２、μ３）に減少させ、前記構造化補正サンプルスペクトル
   

   

   は、前記参照データベース（ＤＢ）から開発されている改良特性評価モデル（ＣＭｉｍｐ）の入力であり、前記改良特性評価モデルは、前記特性評価モデル（ＣＭ）の代わりに、前記サンプルの分類、又は前記サンプルに存在する化合物の分類又は定量化を送出することを特徴とする、請求項２に記載の特性評価デバイス（５０）。
4. −測定デバイス（ＭｅＤ）であって、
   −サンプル（Ｓ）を照明するように構成されている光源（ＬＳ）であって、前記サンプルを、半透明材料（Ｐ）を通して照明する光源（ＬＳ）と、
   −前記サンプルから反射される光又は前記サンプルによって透過される光を検出するように構成されている検出器（Ｄ）と、
   −前記サンプルの測定スペクトル（Ａ_Ｓ＋Ｐ）を生成するように構成されている計算モジュール（５０１）と
   を含む測定デバイス（ＭｅＤ）と、
   −請求項１〜３のいずれか一項に記載の特性評価デバイス（５０）と
   を含む分光光度計（Ｓｐｅｃｔｒｏ）。
5. サンプル（Ｓ）の補正スペクトル
   

   

   を判定する方法（１０）であって、
   −半透明材料（Ｐ）を通して実行される前記サンプルの測定スペクトル（Ａ_Ｓ＋Ｐ）をロードするステップ（１００）と、
   −前記半透明材料の測定スペクトル（Ａ_Ｐ）をロードするステップ（１１０）と、
   −前記半透明材料を通る前記サンプルの前記測定スペクトル（Ａ_Ｓ＋Ｐ）のスペクトルエネルギー（Ｅ_Ｓ＋Ｐ）を判定するステップ（１１５）と、
   −前記スペクトルエネルギー（Ｅ_Ｓ＋Ｐ）から係数
   

   

   を推定するステップ（１２０）と、
   −前記サンプルの前記測定スペクトル（Ａ_Ｓ＋Ｐ）と、前記半透明材料の補正スペクトル
   

   

   とから、前記サンプルの前記補正スペクトル
   

   

   を判定するステップ（１３０）と
   を含み、
   前記半透明材料の前記補正スペクトル
   

   

   を、前記半透明材料の前記測定スペクトル（Ａ_Ｐ）と、前記推定係数
   

   

   とから判定することを特徴とする、方法（１０）。
6. 前記測定スペクトルを吸光度で表すことを特徴とする、請求項５に記載の方法（１０）。
7. 前記半透明材料の前記補正スペクトル
   

   

   を、前記推定係数
   

   

   と前記半透明材料の前記測定スペクトル（Ａ_Ｐ）との積から判定することを特徴とする、請求項５又は６に記載の方法（１０）。
8. 前記サンプルの前記補正スペクトル
   

   

   を、前記半透明材料を通る前記サンプルの前記測定スペクトル（Ａ_Ｓ＋Ｐ）から前記半透明材料の前記補正スペクトル
   

   

   を引くことによって判定することを特徴とする、請求項５〜７のいずれか一項に記載の方法（１０）。
9. 前記推定係数を、前記半透明材料を通る前記サンプルの前記測定スペクトル（Ａ_Ｓ＋Ｐ）の前記スペクトルエネルギー（Ｅ_Ｓ＋Ｐ）と前記推定係数
   

   

   との間の所定の関係（Ｒ）によって判定することを特徴とする、請求項５〜８のいずれか一項に記載の方法（１０）。
10. 前記所定の関係（Ｒ）は、線形関数であることを特徴とする、請求項９に記載の方法（１０）。
11. 前記半透明材料を通る前記サンプルの前記測定スペクトル（Ａ_Ｓ＋Ｐ）を測定する前ステップを含むことを特徴とする、請求項５〜１０のいずれか一項に記載の方法（１０）。
12. 分類モデル又は定量化モデルに対応する特性評価モデル（ＣＭ）を実行し、前記サンプルの前記補正スペクトル
    

    

    を入力として使用するステップ（２５０、３５０）を含むことを特徴とする、請求項５〜１１のいずれか一項に記載の方法（１０）。
13. 主成分分析（ＰＣＡ）に基づいて前記補正サンプルスペクトル
    

    

    を構造化して、構造化補正サンプルスペクトル
    

    

    を生成し、これによって、測定の波長（λｉ）の数をより少数の変数（μ１、μ２、μ３）に減少させるステップ（１４０）を含むことを特徴とする、請求項５〜１１のいずれか一項に記載の方法（１０）。
14. サンプルの特性評価方法（４００、５００、６００）であって、請求項１３に記載の前記サンプルの補正スペクトルを判定する方法（１０）と、前記構造化補正サンプルスペクトル
    

    

    を入力として用いて改良特性評価モデル（ＣＭｉｍｐ）を実行するステップ（１５０）とを含むことを特徴とする、特性評価方法（４００、５００、６００）。
15. 請求項５〜１４のいずれか一項に記載のステップを実行するように適合されているコンピュータプログラム。
16. 請求項１５に記載の前記コンピュータプログラムを組み込むコンピュータ可読媒体。

Images