JP7443135B2 - 情報処理装置およびデータベース生成方法 - Google Patents
情報処理装置およびデータベース生成方法 Download PDFInfo
- Publication number
- JP7443135B2 JP7443135B2 JP2020066861A JP2020066861A JP7443135B2 JP 7443135 B2 JP7443135 B2 JP 7443135B2 JP 2020066861 A JP2020066861 A JP 2020066861A JP 2020066861 A JP2020066861 A JP 2020066861A JP 7443135 B2 JP7443135 B2 JP 7443135B2
- Authority
- JP
- Japan
- Prior art keywords
- calibration curve
- known sample
- spectrum
- database
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 51
- 230000010365 information processing Effects 0.000 title claims description 42
- 238000001228 spectrum Methods 0.000 claims description 117
- 238000007781 pre-processing Methods 0.000 claims description 64
- 238000011088 calibration curve Methods 0.000 claims description 62
- 238000009795 derivation Methods 0.000 claims description 47
- 238000005457 optimization Methods 0.000 claims description 41
- 230000003595 spectral effect Effects 0.000 claims description 22
- 238000000491 multivariate analysis Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 description 34
- 239000002689 soil Substances 0.000 description 34
- 238000004458 analytical method Methods 0.000 description 33
- 238000010238 partial least squares regression Methods 0.000 description 18
- 239000000126 substance Substances 0.000 description 15
- 238000011156 evaluation Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 2
- 238000009616 inductively coupled plasma Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000004856 soil analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004811 liquid chromatography Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Description
本発明の一実施形態に係る情報処理装置1の構成を図1に基づいて説明する。図1は、情報処理装置1の要部構成の一例を示すブロック図である。情報処理装置1は、(1)性状が未知の対象試料について測定されたスペクトルから、その対象試料の性状を特定する機能、(2)対象試料の性状の特定に用いるデータベースを構築する機能、および(3)上記データベースを更新する機能を備えている。各機能の詳細は以下で順次説明する。
Y=a0+a1X1+a2X2+a3X3+…+anXn
なお、上記数式において、Yは対象成分の濃度、a0は切片の値、X1~Xnは移動平均および微分された波長の吸光度の値、a1~anは重み(回帰係数)であり、nは移動平均化後の波長の数に等しい。性状導出データ生成部104は、複数の既知試料のスペクトルデータと、その対象成分濃度から、上記数式のa1~anの値を算出して、検量線を生成する。
データベース201の構成例を図2に基づいて説明する。図2は、データベース201の構成例を示す図である。図示のデータベース201は、試料ID、測定成分、特徴データ、検量線、相関係数、因子数、更新日時、および前処理条件が対応付けられたデータ構造である。
特徴データ生成部108が生成する特徴データを座標平面上にプロットすることにより、特徴データ間の関連性を視覚的に分かりやすく表現することができる。図3は、特徴データ生成部108が生成した特徴データを座標平面上にプロットした例を示す図である。なお、図3では、特徴データを構成する複数の因子のうち因子1と因子2の値に基づいてプロットしている。特徴データを構成する因子の数は3以上であってもよい。
クラスタリング部106は、特徴データの類似性に基づいて土壌試料をクラスタ化する。すなわち、クラスタリング部106は、上記のプロット位置が近いものが同じクラスタに分類されるようにクラスタ化する。
図3および図4のように特徴データをプロットした場合、類似した特徴データは近い位置にプロットされる。したがって、類似データ特定部109は、対象試料のスペクトルの特徴データと類似した特徴データを特定する際には、対象試料のスペクトルの特徴データとプロット位置が近い特徴データを類似データであると特定すればよい。
情報処理装置1がデータベース201を構築する処理(データベース生成方法)の流れを図6に基づいて説明する。図6は、データベース201を構築する処理の一例を示すフローチャートである。なお、以下では、土壌試料のスペクトルから、その土壌試料に含まれる対象成分の濃度を算出するためのデータベース201を構築する例を説明する。
図6のS12処理の詳細を図7に基づいて説明する。図7は、前処理条件と因子数を決定する処理の一例を示すフローチャートである。また、図7には、前処理条件の評価基準の例も併せて示している。
情報処理装置1が対象試料の性状を特定する処理(スペクトル解析方法)の流れを図8に基づいて説明する。図8は、対象試料の性状を特定する処理の一例を示すフローチャートである。なお、以下では、対象試料が土壌試料であり、上記性状として対象試料に含まれる対象成分の濃度を特定する例を説明する。
情報処理装置1がデータベース201を更新する処理の流れを図9に基づいて説明する。図9は、データベース201を更新する処理の一例を示すフローチャートである。
図9のS55の処理の詳細を図10に基づいて説明する。図10は、前処理条件を段階的に更新する処理の一例を示すフローチャートである。なお、図10のS551~S558は、図7のS121~S128と概ね同様である。以下では、図7との相違点を中心に説明する。
対象試料は土壌試料に限られない。対象試料は、その性状を示すスペクトルを測定可能な試料であればよく、固体、液体、および気体の何れであってもよい。また、情報処理装置1が特定する性状は対象成分の濃度に限られず、スペクトルの測定に用いる光および測定方法も特に限定されない。特定したい性状に応じた方法で測定したスペクトルを用いればよい。
情報処理装置1の制御ブロック(特に制御部10に含まれる各部)は、集積回路(ICチップ)等に形成された論理回路(ハードウェア)によって実現してもよいし、ソフトウェアによって実現してもよい。
102 最適化部
103 前処理部
104 性状導出データ生成部
106 クラスタリング部
107 データベース生成部
108 特徴データ生成部
109 類似データ特定部
110 性状特定部
201 データベース
Claims (5)
- 対象成分の濃度が既知である複数の既知試料のスペクトルを多変量解析した結果に基づいて各既知試料のスペクトルの特徴を表した既知試料特徴データを生成する特徴データ生成部と、
上記既知試料のスペクトルと上記対象成分の濃度との関係を示す検量線を算出する性状導出データ生成部と、
上記既知試料特徴データと、該既知試料特徴データに対応する上記検量線とを対応付けてデータベース化するデータベース生成部と、
既知試料のスペクトルに対して行う前処理の最適条件の探索を、探索精度を段階的に上げながら詳細まで行う最適化部と、を備え、
上記性状導出データ生成部は、
上記最適化部が検出した最適条件での前処理後のスペクトルを用いて、スペクトルの特徴が類似した上記既知試料のクラスタごとの検量線を算出し、
上記最適化部がより精度の高い探索で最適条件を検出したときには、当該最適条件での前処理後のスペクトルを用いて上記クラスタの上記検量線を算出し、上記データベースにおける該検量線を更新させる、情報処理装置。 - 上記既知試料特徴データに基づいて、スペクトルの特徴が類似した上記既知試料をクラスタ化するクラスタリング部を備え、
上記性状導出データ生成部は、上記既知試料のクラスタごとにスペクトルの多変量解析を行うことにより上記検量線を生成する、請求項1に記載の情報処理装置。 - 新たな既知試料のスペクトルと当該新たな既知試料における上記対象成分の濃度を示すデータとの入力を受け付けた場合、
上記特徴データ生成部は、入力された上記スペクトルおよび濃度を示す上記データに基づいて既知試料特徴データを生成し、
上記クラスタリング部は、新たな上記既知試料の上記既知試料特徴データに基づいて上記クラスタの更新を行い、
上記性状導出データ生成部は、更新後の上記クラスタの上記検量線を生成し、
上記データベース生成部は、新たな上記既知試料の上記既知試料特徴データを上記データベースに追加すると共に、更新された上記クラスタに属する各既知試料に対応付ける検量線を更新する、請求項2に記載の情報処理装置。 - 上記性状導出データ生成部は、
上記最適化部が検出した最適条件での前処理後のスペクトルを用いて更新後の上記クラスタの上記検量線を生成し、
上記最適化部がより精度の高い探索で最適条件を検出したときには、当該最適条件での前処理後のスペクトルを用いて更新後の上記クラスタの上記検量線を生成し、上記データベースにおける該検量線を更新させる、請求項3に記載の情報処理装置。 - 1または複数の情報処理装置を用いたデータベース生成方法であって、
対象成分の濃度が既知である複数の既知試料のスペクトルを多変量解析した結果に基づいて各既知試料のスペクトルの特徴を表した既知試料特徴データを生成する特徴データ生成ステップと、
上記既知試料のスペクトルと上記対象成分の濃度との関係を示す検量線を生成する性状導出データ生成ステップと、
上記既知試料特徴データと、該既知試料特徴データに対応する上記検量線とを対応付けてデータベース化するデータベース生成ステップと、
既知試料のスペクトルに対して行う前処理の最適条件の探索を、探索精度を段階的に上げながら詳細まで行う最適化ステップと、を含み、
上記最適化ステップでは、
検出した最適条件での前処理後のスペクトルを用いて、スペクトルの特徴が類似した上記既知試料のクラスタごとの検量線を生成し、
より精度の高い探索で最適条件を検出したときには、当該最適条件での前処理後のスペクトルを用いて上記クラスタの上記検量線を生成し、上記データベースにおける該検量線を更新させる、データベース生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020066861A JP7443135B2 (ja) | 2020-04-02 | 2020-04-02 | 情報処理装置およびデータベース生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020066861A JP7443135B2 (ja) | 2020-04-02 | 2020-04-02 | 情報処理装置およびデータベース生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021162532A JP2021162532A (ja) | 2021-10-11 |
JP7443135B2 true JP7443135B2 (ja) | 2024-03-05 |
Family
ID=78003189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020066861A Active JP7443135B2 (ja) | 2020-04-02 | 2020-04-02 | 情報処理装置およびデータベース生成方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7443135B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116818687B (zh) * | 2023-06-21 | 2024-02-20 | 浙江大学杭州国际科创中心 | 基于光谱引导集成学习的土壤有机碳光谱预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004325135A (ja) | 2003-04-22 | 2004-11-18 | Hiroaki Ishizawa | 残留農薬分析法 |
JP2006038511A (ja) | 2004-07-23 | 2006-02-09 | Tokyo Univ Of Agriculture & Technology | 土壌分析方法及び土壌分析装置 |
JP2017096872A (ja) | 2015-11-27 | 2017-06-01 | サクラ精機株式会社 | 分析方法および分析装置 |
-
2020
- 2020-04-02 JP JP2020066861A patent/JP7443135B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004325135A (ja) | 2003-04-22 | 2004-11-18 | Hiroaki Ishizawa | 残留農薬分析法 |
JP2006038511A (ja) | 2004-07-23 | 2006-02-09 | Tokyo Univ Of Agriculture & Technology | 土壌分析方法及び土壌分析装置 |
JP2017096872A (ja) | 2015-11-27 | 2017-06-01 | サクラ精機株式会社 | 分析方法および分析装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2021162532A (ja) | 2021-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tanisaro et al. | Time series classification using time warping invariant echo state networks | |
CN106371610B (zh) | 一种基于脑电信号的驾驶疲劳的检测方法 | |
CN105300923B (zh) | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 | |
Hollmén | User profiling and classification for fraud detection in mobile communications networks | |
Luinge | Automated interpretation of vibrational spectra | |
TW201037779A (en) | Etching apparatus, analysis apparatus, etching treatment method, and etching treatment program | |
JP2010527017A (ja) | 分光学的データを使用し、材料または化学物質の分類および混合物中の材料または化学物質の特性を定量化するカーネル型方法および装置 | |
CN111274874A (zh) | 基于adaboost的食源性致病菌拉曼光谱分类模型训练方法 | |
JP7443135B2 (ja) | 情報処理装置およびデータベース生成方法 | |
CN113225209B (zh) | 一种基于时间序列相似检索的网络监控实时预警方法 | |
CN113408616B (zh) | 基于pca-uve-elm的光谱分类方法 | |
CN114818850A (zh) | 基于聚类压缩的网络流空间映射表征方法、装置和存储介质 | |
Tao et al. | A novel model for sex discrimination of silkworm pupae from different species | |
CN109408498B (zh) | 基于特征矩阵决策树的时间序列特征识别与分解方法 | |
CN111415715B (zh) | 一种基于多元光谱数据的智能校正方法、系统及装置 | |
CN113435115B (zh) | 一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质 | |
CN111160464B (zh) | 基于多隐层加权动态模型的工业高阶动态过程软测量方法 | |
Okwonu et al. | Robust hybrid classification methods and applications | |
CN113535527A (zh) | 一种面向实时流数据预测性分析的降载方法及系统 | |
KR20230011110A (ko) | 스펙트럼 학습기반 물질농도 측정장치 및 방법 | |
JP2004357050A (ja) | 波形品質評価システム及び波形品質評価方法 | |
CN113177078A (zh) | 基于条件生成模型的高效近似查询处理算法 | |
CN113269217A (zh) | 基于Fisher准则的雷达目标分类方法 | |
CN117932445B (zh) | 高稳定性的htcc氧化铝陶瓷制备参数异常识别方法 | |
CN117392467B (zh) | 一种基于棒图特征的光棒等级划分方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230214 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231108 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231205 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240129 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240213 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240221 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7443135 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |