TWI754473B - 用於光譜模型解釋的電子裝置和方法 - Google Patents
用於光譜模型解釋的電子裝置和方法 Download PDFInfo
- Publication number
- TWI754473B TWI754473B TW109141913A TW109141913A TWI754473B TW I754473 B TWI754473 B TW I754473B TW 109141913 A TW109141913 A TW 109141913A TW 109141913 A TW109141913 A TW 109141913A TW I754473 B TWI754473 B TW I754473B
- Authority
- TW
- Taiwan
- Prior art keywords
- wavelength range
- pipeline
- important
- spectral data
- measurement result
- Prior art date
Links
- 230000003595 spectral effect Effects 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims description 31
- 238000010801 machine learning Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 238000001134 F-test Methods 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims 1
- 238000010168 coupling process Methods 0.000 claims 1
- 238000005859 coupling reaction Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 description 32
- 230000000875 corresponding effect Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000003321 amplification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
Images
Classifications
-
- 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
- G01J3/0275—Details making use of sensor-related data, e.g. for identification of sensor parts or optical elements
-
- 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
- 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
- G01J2003/283—Investigating the spectrum computer-interfaced
- G01J2003/2836—Programming unit, i.e. source and date processing
Abstract
提出一種用於光譜模型解釋的電子裝置和方法。方法包含:取得第一標籤光譜資料;儲存多個管線,從多個管線中選出受選管線,並且根據受選管線產生對應於第一標籤光譜資料的第一測量結果;以及根據第一測量結果以判斷對應於受選管線的重要波長範圍。
Description
本發明是有關於一種用於光譜模型解釋的電子裝置和方法。
光譜訊號是由許多不同波長的訊號組合而成。當使用者通過光譜儀(spectrometer)檢測特定物質的光譜訊號時,通常僅有特定波長的訊號對該特定物質的檢測是重要的,而其他波長的訊號與該特定物質較不相關。然而,一般光譜儀所使用的光譜模型並沒有針對特定的波長範圍進行最佳化。因此,在辨識特定物質時,光譜模型的準確率無法達到非常高。
舉例而言,相較於遠紅外線光譜訊號來說,近紅外線光譜訊號的對應於不同化學鍵的吸收波長經常重疊,使得光譜模型的可解釋性(interpretability)受到了影響。另一方面,針對不同物質的光譜模型所偏重的波長範圍不相同也會影響到該些光譜模型在不同光譜儀的普適能力(transferability)。
“先前技術”段落只是用來幫助了解本發明內容,因此
在“先前技術”段落所揭露的內容可能包含一些沒有構成所屬技術領域中具有通常知識者所知道的習知技術。在“先前技術”段落所揭露的內容,不代表該內容或者本發明一個或多個實施例所要解決的問題,在本發明申請前已被所屬技術領域中具有通常知識者所知曉或認知。
本發明提供一種用於光譜模型解釋的電子裝置和方法,可根據一物質的標籤光譜資料找出對應該物質的重要波長範圍。
本發明的一種用於光譜模型解釋的電子裝置,包含處理器、儲存媒體以及收發器。收發器取得第一標籤光譜資料。儲存媒體儲存多個模組。處理器耦接儲存媒體以及收發器,並且存取和執行多個模組,其中多個模組包含管線推薦模組以及解釋模組。管線推薦模組儲存多個管線,其中管線推薦模組從多個管線中選出受選管線,並且根據受選管線產生對應於第一標籤光譜資料的第一測量結果。解釋模組根據第一測量結果以判斷對應於受選管線的重要波長範圍。
在本發明的一實施例中,上述的儲存媒體更儲存目標波長範圍,其中解釋模組響應於重要波長範圍與目標波長範圍的差值大於閾值而指示管線推薦模組重新選擇受選管線。
在本發明的一實施例中,上述的收發器更取得第二標籤光譜資料,其中管線推薦模組根據受選管線產生對應於第二標籤
光譜資料的第二測量結果,其中解釋模組根據第二測量結果以判斷對應於受選管線的第二重要波長範圍,並且根據第二重要波長範圍來更新重要波長範圍以產生經更新的重要波長範圍。
在本發明的一實施例中,上述的經更新的重要波長範圍為重要波長範圍與第二重要波長範圍的重疊波長範圍。
在本發明的一實施例中,上述的第一標籤光譜資料與第二標籤光譜資料分別對應於不同的光譜儀。
在本發明的一實施例中,上述的儲存媒體更儲存多個光譜儀規格,其中多個模組更包含光譜儀推薦模組。光譜儀推薦模組根據經更新的重要波長範圍以從多個光譜儀規格選擇受選光譜儀規格,並且通過收發器輸出受選光譜儀規格。
在本發明的一實施例中,上述的第一測量結果包含至少一譜線,其中解釋模組計算特定波長範圍對至少一譜線的影響程度,並且響應於影響程度大於閾值而判斷特定波長範圍為重要波長範圍。
在本發明的一實施例中,上述的影響程度關聯於下列的其中之一:相關係數、相互資訊、F-檢驗的結果、偏最小二乘法的分析結果、模型無關的局部可解釋性算法的分析結果或沙普列累加可解釋性算法的分析結果。
在本發明的一實施例中,上述的受選管線包含至少一前處理程序的組合以及機器學習模型。
在本發明的一實施例中,上述的解釋模組通過收發器輸
出分析資訊,其中分析資訊關聯於所述受選管線以及重要波長範圍。
本發明的一種用於光譜模型解釋的方法,包含:取得第一標籤光譜資料;儲存多個管線,從多個管線中選出受選管線,並且根據受選管線產生對應於第一標籤光譜資料的第一測量結果;以及根據第一測量結果以判斷對應於受選管線的重要波長範圍。
在本發明的一實施例中,上述的方法更包含:響應於重要波長範圍與目標波長範圍的差值大於閾值而重新選擇受選管線。
在本發明的一實施例中,上述的方法更包含:取得第二標籤光譜資料;根據受選管線產生對應於第二標籤光譜資料的第二測量結果;根據第二測量結果以判斷對應於受選管線的第二重要波長範圍;以及根據第二重要波長範圍來更新重要波長範圍以產生經更新的重要波長範圍。
在本發明的一實施例中,上述的經更新的重要波長範圍為重要波長範圍與第二重要波長範圍的重疊波長範圍。
在本發明的一實施例中,上述的第一標籤光譜資料與第二標籤光譜資料分別對應於不同的光譜儀。
在本發明的一實施例中,上述的方法更包含:根據經更新的重要波長範圍以從多個光譜儀規格選擇受選光譜儀規格,並且輸出受選光譜儀規格。
在本發明的一實施例中,上述的第一測量結果包含至少
一譜線,並且根據第一測量結果以判斷對應於受選管線的重要波長範圍的步驟包含:計算特定波長範圍對至少一譜線的影響程度;以及響應於影響程度大於閾值而判斷特定波長範圍為重要波長範圍。
在本發明的一實施例中,上述的影響程度關聯於下列的其中之一:相關係數、相互資訊、F-檢驗的結果、偏最小二乘法的分析結果、模型無關的局部可解釋性算法的分析結果或沙普列累加可解釋性算法的分析結果。
在本發明的一實施例中,上述的受選管線包含至少一前處理程序的組合以及機器學習模型。
在本發明的一實施例中,上述的方法更包含:輸出分析資訊,其中所述分析資訊關聯於所述受選管線以及所述重要波長範圍。
基於上述,本發明可根據特定物質的標籤光譜資料取得對應的分析資訊,其中分析資訊可指示適用該特定物質的光譜模型(或管線)以及該特定物質的重要波長範圍。
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
100:電子裝置
110:處理器
120:儲存媒體
121:管線推薦模組
122:解釋模組
123:光譜儀推薦模組
130:收發器
301、302、303、401、402、403:曲線
501、502、503、504、505:波長範圍
S201、S202、S203、S204、S601、S602、S603:步驟
圖1根據本發明的一實施例繪示一種用於光譜模型解釋的電
子裝置的示意圖。
圖2根據本發明的一實施例繪示一種用於光譜模型解釋的方法的流程圖。
圖3根據本發明的一實施例繪示不同的波長範圍對譜線的影響程度的示意圖。
圖4根據本發明的另一實施例繪示不同的波長範圍對譜線的影響程度的示意圖。
圖5根據本發明的又一實施例繪示不同的波長範圍對譜線的影響程度的示意圖。
圖6根據本發明的另一實施例繪示一種用於光譜模型解釋的方法的流程圖。
為了使本發明之內容可以被更容易明瞭,以下特舉實施例作為本發明確實能夠據以實施的範例。另外,凡可能之處,在圖式及實施方式中使用相同標號的元件/構件/步驟,係代表相同或類似部件。
圖1根據本發明的一實施例繪示一種用於光譜模型解釋的電子裝置的示意圖。電子裝置100可包含處理器110、儲存媒體120以及收發器130。
處理器110例如是中央處理單元(central processing unit,CPU),或是其他可程式化之一般用途或特殊用途的微控制單元
(micro control unit,MCU)、微處理器(microprocessor)、數位信號處理器(digital signal processor,DSP)、可程式化控制器、特殊應用積體電路(application specific integrated circuit,ASIC)、圖形處理器(graphics processing unit,GPU)、影像訊號處理器(image signal processor,ISP)、影像處理單元(image processing unit,IPU)、算數邏輯單元(arithmetic logic unit,ALU)、複雜可程式邏輯裝置(complex programmable logic device,CPLD)、現場可程式化邏輯閘陣列(field programmable gate array,FPGA)或其他類似元件或上述元件的組合。處理器110可耦接至儲存媒體120以及收發器130,並且存取和執行儲存於儲存媒體120中的多個模組和各種應用程式。
儲存媒體120例如是任何型態的固定式或可移動式的隨機存取記憶體(random access memory,RAM)、唯讀記憶體(read-only memory,ROM)、快閃記憶體(flash memory)、硬碟(hard disk drive,HDD)、固態硬碟(solid state drive,SSD)或類似元件或上述元件的組合,而用於儲存可由處理器110執行的多個模組或各種應用程式。在本實施例中,儲存媒體120可儲存包括管線推薦模組121、解釋模組122以及光譜儀推薦模組123等多個模組,其功能將於後續說明。
收發器130以無線或有線的方式傳送及接收訊號。收發器130還可以執行例如低噪聲放大、阻抗匹配、混頻、向上或向下頻率轉換、濾波、放大以及類似的操作。
圖2根據本發明的一實施例繪示一種用於光譜模型解釋的方法的流程圖,其中所述方法可由如圖1所示的電子裝置100實施。
在步驟S201中,電子裝置100可通過收發器130取得第一標籤光譜資料集合,其中第一標籤光譜資料集合可包含一或多個第一標籤光譜資料。舉例來說,電子裝置100可通過收發器130以自一台光譜儀接收由該光譜儀測量特定物質而產生的第一標籤光譜資料集合。
在步驟S202中,管線推薦模組121可根據第一標籤光譜資料集合以從多個管線(pipeline)中選出受選管線。具體來說,儲存媒體120可預存多個管線。管線可以用於實施機器學習技術時所需執行的一或多個工作流程的組合,其中每個工作流程可獨立執行。具體來說,多個管線中的每一者可包含用來建立光譜模型的一或多個前處理程序的組合以及機器學習模型,如表1所示。表1為儲存媒體120所預存的多個管線的前處理程序的範例,其中所述多個管線中的每一者可包含平滑化(smooth)、小波轉換(wavelet transform)、基線校正(baseline correction)、分化(differentiation)或標準化(standardization)等前處理程序的組合,但本發明不限於此。
在一實施例中,管線推薦模組121可基於自動化機器學習(auto machine learning,AutoML)而根據第一標籤光譜資料集合從多個管線中搜尋出最佳管線以作為受選管線,其中最佳管線可包含最佳的前處理程序的組合、最佳的機器學習模型以及最佳的超參數(hyperparameter)。
在步驟S203中,解釋模組122可判斷受選管線的重要波長範圍。在一實施例中,儲存媒體120可預存目標波長範圍。目標波長範圍例如是由使用者根據專業知識而自定義的。
解釋模組122可響應於重要波長範圍與目標波長範圍的差值大於閾值,而指示管線推薦模組121基於重要波長範圍重新選擇受選管線,並可響應於重要波長範圍與目標波長範圍的差值小於或等於閾值而在步驟S204中通過收發器130輸出分析資訊,其中分析資訊可包含受選管線以及重要波長範圍的相關資訊。
在一實施例中,分析資訊可指示由電子裝置100所推薦的受選管線的組成。舉例來說,受選管線所包含的一或多個前處理程序的組合或機器學習模型。使用者可將受選管線設定為光譜儀的光譜模型,從而使光譜儀能更準確地檢測特定物質(例如:
與第一標籤光譜資料相對應的物質)的成分。
在一實施例中,分析資訊可指示特定物質(例如:與第一標籤光譜資料相對應的物質)的重要波長範圍。使用者可參考重要波長範圍而判斷哪一段波長範圍對特定物質的檢測結果的影響是最顯著的。舉例來說,假設分析資訊指示影響糖的甜度的特定物質(例如:氫-氧鍵、碳-氫鍵)的重要波長範圍為1400~1500奈米(nm)。據此,為了更準確地檢測出糖的甜度,使用者可選擇適合檢測1400~1500奈米之物質的光譜儀,或為光譜儀選擇適合檢測1400~1500奈米之物質的光譜模型(或管線),以檢測糖的甜度。
解釋模組122可根據第一測量結果判斷受選管線的重要波長範圍。具體來說,管線推薦模組121可根據從第一標籤光譜資料集合中選出一或多個第一標籤光譜資料,並且根據所述一或多個第一標籤光譜資料以及受選管線產生對應於所述一或多個第一標籤光譜資料的第一測量結果。第一測量結果可包含譜線(spectral line),其中譜線可包含多個波長範圍以及分別對應於多個波長範圍的多個光譜強度的資訊。
解釋模組122可根據第一測量結果以判斷對應於受選管線的重要波長範圍。具體來說,解釋模組122可計算各個波長範圍對第一測量結果中的譜線的影響程度。若存在特定波長範圍對所述譜線的影響程度大於閾值,則解釋模組122可判斷該特定波長範圍為重要波長範圍。影響程度可關聯於下列的其中之一:相
關係數(correlation coefficient)、相互資訊(mutual information)、F-檢驗(F-test)的結果、偏最小二乘法(partial least squares method,PLS)的分析結果、模型無關的局部可解釋性算法(local interpretable model-agnostic explanations,LIME)的分析結果或沙普列累加可解釋性算法(SHapley additive explanations,SHAP)的分析結果。
假設第一標籤光譜資料集合中的第一標籤光譜資料的標籤與甜度有關,則解釋模組122可根據第一測量結果判斷各個波長範圍對甜度的影響程度。圖3根據本發明的一實施例繪示不同的波長範圍對譜線的影響程度的示意圖,其中橫軸為波長,縱軸為影像程度。圖3可包含代表相關係數的曲線301、代表相互資訊的曲線302以及代表F-檢驗的結果的曲線303。在解釋模組122根據第一測量結果中的譜線產生曲線301、曲線302以及曲線303後,解釋模組122可根據曲線301、曲線302以及曲線303判斷各個波長範圍對甜度的影響程度。
舉例來說,由圖3可知,1400奈米(nm)與1500奈米之間的波長範圍與甜度的變化最為相關。換句話說,1400奈米與1500奈米之間的波長範圍是最適合用於判斷物質的甜度的波長範圍。因此,解釋模組122可將1400奈米與1500奈米之間的波長範圍定義為重要波長範圍。
假設第一標籤光譜資料集合中的第一標籤光譜資料的標籤與甜度有關,則解釋模組122可根據第一測量結果判斷各個波
長範圍對甜度的影響程度。圖4根據本發明的另一實施例繪示不同的波長範圍對譜線的影響程度的示意圖,其中橫軸為波長,縱軸為影像程度。圖4可包含代表相關係數的曲線401、代表相互資訊的曲線402以及代表PLS的分析結果的曲線403。在解釋模組122根據第一測量結果中的譜線產生曲線401、曲線402以及曲線403後,解釋模組122可根據曲線401、曲線402以及曲線403判斷各個波長範圍對甜度的影響程度。
舉例來說,由圖4的曲線403可知,1420奈米與1440奈米之間的波長範圍具有最大的相互資訊。據此,解釋模組122可判斷1420奈米與1440奈米之間的波長範圍。因此,解釋模組122可將1420奈米與1440奈米之間的波長範圍定義為重要波長範圍。
假設第一標籤光譜資料集合中的第一標籤光譜資料的標籤與甜度有關,則解釋模組122可根據第一測量結果判斷各個波長範圍對甜度的影響程度。圖5根據本發明的又一實施例繪示不同的波長範圍對譜線的影響程度的示意圖。
圖5可包含解釋模組122基於LIME所產生之對應於波長範圍501、502、503、504和505的分析結果。由圖5可知,對應於波長範圍501的分析結果的絕對值為最高的。據此,解釋模組122可判斷在波長範圍501、502、503、504和505之中,波長範圍501與甜度的變化最為相關。因此,解釋模組122可將波長範圍501定義為重要波長範圍。
在一實施例中,電子裝置100可根據由多個不同光譜儀測量特定物質所產生的多個標籤光譜資料來判斷該特定物質的重要波長範圍。所述重要波長範圍可幫助使用者挑選適用於多種光譜儀的可轉移波長範圍,進而根據可轉移波段來挑選用於檢測特定物質的光譜儀,在此,可轉移波長範圍即為可轉移特徵(transferable feature)。具體來說,電子裝置100可通過收發器接收包含一或多個第一標籤光譜資料的第一標籤光譜資料集合以及包含一或多個第二標籤光譜資料的第二標籤光譜資料集合,其中第一標籤光譜資料集合可以是由第一光譜儀檢測特定物質時所產生的,並且第二標籤光譜資料集合可以是由第二光譜儀檢測特定物質時所產生的,其中第一光譜儀與第二光譜儀相異。
接著,管線推薦模組121可從預存在儲存媒體120中的多個管線選出受選管線。在選出受選管線後,管線推薦模組121可根據受選管線產生對應於第一標籤光譜資料集合的第一測量結果以及對應於第二標籤光譜資料集合的第二測量結果,其中第一測量結果與第二測量結果可分別包含對應於特定物質的譜線。
而後,解釋模組122可根據第一測量結果判斷對應於受選管線的重要波長範圍,並可根據第二測量結果判斷對應於受選管線的第二重要波長範圍。解釋模組122可根據第二重要波長範圍來更新重要波長範圍,藉以產生經更新的重要波長範圍。經更新的重要波長範圍可以是原本的重要波長範圍以及第二重要波長範圍的重疊波長範圍。在產生經更新的重要波長範圍後,解釋模
組122可通過收發器130輸出包含經更新的重要波長範圍的相關資訊的分析資訊,以供使用者參考。
在一實施例中,儲存媒體120可預存多個光譜儀規格,其中每一個光譜儀規格可包含該光譜儀所支援的波長範圍或該光譜儀的價格等資訊。光譜儀推薦模組123可根據經更新的重要波長範圍以從多個光譜儀規格中選出受選光譜儀規格,並可通過收發器130輸出受選光譜儀規格。光譜儀推薦模組123例如可基於檢測的準確度或光譜儀的性價比等條件來選擇受選光譜儀規格,本發明不限於此。
圖6根據本發明的另一實施例繪示一種用於光譜模型解釋的方法的流程圖,其中所述方法可由如圖1所示的電子裝置100實施。在步驟S601中,取得第一標籤光譜資料。在步驟S602中,儲存多個管線,從所述多個管線中選出受選管線,並且根據所述受選管線產生對應於所述第一標籤光譜資料的第一測量結果。在步驟S603中,根據所述第一測量結果以判斷對應於所述受選管線的重要波長範圍。
綜上所述,本發明,本發明可根據特定物質的標籤光譜資料取得對應該特定物質的重要波長範圍。使用者可根據重要波長範圍解釋光譜模型,從而了解光譜模型中的參數如何影響光譜譜線。使用者可根據重要波長範圍來選擇最適合用來檢測該特定物質的光譜儀或光譜模型。例如,相較於適用大波長範圍的光譜儀,使用者可選擇使用適用於小波長範圍且性價比較高的光譜儀,
從而降低佈署光譜儀所需花費的成本。或者,使用者可根據重要波長範圍來選出適用於多個不同的光譜儀的可轉移波段,進而從市面上的光譜儀挑選出對該可轉移波段具有高敏銳度的光譜儀。另一方面,使用者可根據重要波長範圍來建立光譜模型。根據重要波長範圍所建立的光譜模型可具有較高的準確率以及較低的複雜度。此外,使用者也可根據重要波長範圍來制定檢測該特定物質的標準作業程序,藉以最佳化檢測結果。例如,使用者可制定能讓重要波長範圍的訊噪比增加的檢測程序,使得光譜儀或光譜模型對特定物質的檢測更加的準確。
惟以上所述者,僅為本發明之較佳實施例而已,當不能以此限定本發明實施之範圍,即大凡依本發明申請專利範圍及發明說明內容所作之簡單的等效變化與修飾,皆仍屬本發明專利涵蓋之範圍內。另外本發明的任一實施例或申請專利範圍不須達成本發明所揭露之全部目的或優點或特點。此外,摘要部分和標題僅是用來輔助專利文件搜尋之用,並非用來限制本發明之權利範圍。此外,本說明書或申請專利範圍中提及的“第一”、“第二”等用語僅用以命名元件(element)的名稱或區別不同實施例或範圍,而並非用來限制元件數量上的上限或下限。
S601、S602、S603:步驟
Claims (18)
- 一種用於光譜模型解釋的電子裝置,包括:收發器,取得第一標籤光譜資料以及第二標籤光譜資料;儲存媒體,儲存多個模組;以及處理器,耦接所述儲存媒體以及所述收發器,並且存取和執行所述多個模組,其中所述多個模組包括:管線推薦模組,儲存多個管線,其中所述管線推薦模組從所述多個管線中選出受選管線,根據所述受選管線產生對應於所述第一標籤光譜資料的第一測量結果,並且根據所述受選管線產生對應於所述第二標籤光譜資料的第二測量結果;解釋模組,根據所述第一測量結果以判斷對應於所述受選管線的重要波長範圍,根據所述第二測量結果以判斷對應於所述受選管線的第二重要波長範圍,並且根據所述第二重要波長範圍來更新所述重要波長範圍以產生經更新的所述重要波長範圍。
- 如請求項1所述的電子裝置,其中所述儲存媒體更儲存目標波長範圍,其中所述解釋模組響應於所述重要波長範圍與所述目標波長範圍的差值大於閾值而指示所述管線推薦模組重新選擇所述受選管線。
- 如請求項1所述的電子裝置,其中所述經更新的所述重要波長範圍為所述重要波長範圍與所述第二重要波長範圍的重疊波長範圍。
- 如請求項1所述的電子裝置,其中所述第一標籤光譜資料與所述第二標籤光譜資料分別對應於不同的光譜儀。
- 如請求項1所述的電子裝置,其中所述儲存媒體更儲存多個光譜儀規格,其中所述多個模組更包括:光譜儀推薦模組,根據所述經更新的所述重要波長範圍以從所述多個光譜儀規格選擇受選光譜儀規格,並且通過所述收發器輸出所述受選光譜儀規格。
- 如請求項1所述的電子裝置,其中所述第一測量結果包括至少一譜線,其中所述解釋模組計算特定波長範圍對所述至少一譜線的影響程度,並且響應於所述影響程度大於閾值而判斷所述特定波長範圍為所述重要波長範圍。
- 如請求項6所述的電子裝置,其中所述影響程度關聯於下列的其中之一:相關係數、相互資訊、F-檢驗的結果、偏最小二乘法的分析結果、模型無關的局部可解釋性算法(local interpretable model-agnostic explanations,LIME)的分析結果或沙普列累加可解釋性算法(SHapley additive explanations,SHAP)的分析結果。
- 如請求項1所述的電子裝置,其中所述受選管線包括至少一前處理程序的組合以及機器學習模型。
- 如請求項1所述的電子裝置,其中所述解釋模組通過所述收發器輸出分析資訊,其中所述分析資訊關聯於所述受選管線以及所述重要波長範圍。
- 一種用於光譜模型解釋的方法,包括:取得第一標籤光譜資料以及第二標籤光譜資料;儲存多個管線,從所述多個管線中選出受選管線,根據所述受選管線產生對應於所述第一標籤光譜資料的第一測量結果,並且根據所述受選管線產生對應於所述第二標籤光譜資料的第二測量結果;根據所述第一測量結果以判斷對應於所述受選管線的重要波長範圍,並且根據所述第二測量結果以判斷對應於所述受選管線的第二重要波長範圍;根據所述第二重要波長範圍來更新所述重要波長範圍以產生經更新的所述重要波長範圍。
- 如請求項10所述的方法,更包括:響應於所述重要波長範圍與目標波長範圍的差值大於閾值而重新選擇所述受選管線。
- 如請求項10所述的方法,其中所述經更新的所述重要波長範圍為所述重要波長範圍與所述第二重要波長範圍的重疊波長範圍。
- 如請求項10所述的方法,其中所述第一標籤光譜資料與所述第二標籤光譜資料分別對應於不同的光譜儀。
- 如請求項10所述的方法,更包括:根據所述經更新的所述重要波長範圍以從多個光譜儀規格選擇受選光譜儀規格,並且輸出所述受選光譜儀規格。
- 如請求項10所述的方法,其中所述第一測量結果包括至少一譜線,並且根據所述第一測量結果以判斷對應於所述受選管線的所述重要波長範圍的步驟包括:計算特定波長範圍對所述至少一譜線的影響程度;以及響應於所述影響程度大於閾值而判斷所述特定波長範圍為所述重要波長範圍。
- 如請求項15所述的方法,其中所述影響程度關聯於下列的其中之一:相關係數、相互資訊、F-檢驗的結果、偏最小二乘法的分析結果、模型無關的局部可解釋性算法(local interpretable model-agnostic explanations,LIME)的分析結果或沙普列累加可解釋性算法(SHapley additive explanations,SHAP)的分析結果。
- 如請求項10所述的方法,其中所述受選管線包括至少一前處理程序的組合以及機器學習模型。
- 如請求項10所述的方法,更包括:輸出分析資訊,其中所述分析資訊關聯於所述受選管線以及所述重要波長範圍。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109141913A TWI754473B (zh) | 2020-11-27 | 2020-11-27 | 用於光譜模型解釋的電子裝置和方法 |
US17/535,691 US11852532B2 (en) | 2020-11-27 | 2021-11-26 | Electronic device and method for spectral model explanation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109141913A TWI754473B (zh) | 2020-11-27 | 2020-11-27 | 用於光譜模型解釋的電子裝置和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI754473B true TWI754473B (zh) | 2022-02-01 |
TW202221293A TW202221293A (zh) | 2022-06-01 |
Family
ID=81329328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109141913A TWI754473B (zh) | 2020-11-27 | 2020-11-27 | 用於光譜模型解釋的電子裝置和方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11852532B2 (zh) |
TW (1) | TWI754473B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI546523B (zh) * | 2015-09-04 | 2016-08-21 | 財團法人國家實驗研究院 | 多波段光譜分離裝置 |
US20170160131A1 (en) * | 2014-01-03 | 2017-06-08 | Verifood, Ltd. | Spectrometry systems, methods, and applications |
US20190138806A1 (en) * | 2017-11-03 | 2019-05-09 | Tata Consultancy Services Limited | Signal analysis systems and methods for features extraction and interpretation thereof |
TWI703319B (zh) * | 2019-11-15 | 2020-09-01 | 樹德科技大學 | 結合人工智慧及光譜檢測之水果甜度檢測裝置及其檢測方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5430759A (en) * | 1992-08-20 | 1995-07-04 | Nexus 1994 Limited | Low-power frequency-hopped spread spectrum reverse paging system |
US20010032307A1 (en) * | 1998-12-30 | 2001-10-18 | Joseph Rohlman | Micro-instruction queue for a microprocessor instruction pipeline |
US8296337B2 (en) * | 2006-12-06 | 2012-10-23 | Fusion-Io, Inc. | Apparatus, system, and method for managing data from a requesting device with an empty data token directive |
US9438505B1 (en) * | 2012-03-29 | 2016-09-06 | Google Inc. | System and method for increasing capacity in router forwarding tables |
CN105891147A (zh) | 2016-03-30 | 2016-08-24 | 浙江中烟工业有限责任公司 | 一种基于典型相关系数的近红外光谱信息提取方法 |
CN109190714A (zh) | 2018-10-11 | 2019-01-11 | 公安部第三研究所 | 基于深度机器学习模型实现拉曼信号鉴别的系统及方法 |
-
2020
- 2020-11-27 TW TW109141913A patent/TWI754473B/zh active
-
2021
- 2021-11-26 US US17/535,691 patent/US11852532B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170160131A1 (en) * | 2014-01-03 | 2017-06-08 | Verifood, Ltd. | Spectrometry systems, methods, and applications |
TWI546523B (zh) * | 2015-09-04 | 2016-08-21 | 財團法人國家實驗研究院 | 多波段光譜分離裝置 |
US20190138806A1 (en) * | 2017-11-03 | 2019-05-09 | Tata Consultancy Services Limited | Signal analysis systems and methods for features extraction and interpretation thereof |
TWI703319B (zh) * | 2019-11-15 | 2020-09-01 | 樹德科技大學 | 結合人工智慧及光譜檢測之水果甜度檢測裝置及其檢測方法 |
Also Published As
Publication number | Publication date |
---|---|
US11852532B2 (en) | 2023-12-26 |
US20220170790A1 (en) | 2022-06-02 |
TW202221293A (zh) | 2022-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A fuzzy optimization strategy for the implementation of RBF LSSVR model in vis–NIR analysis of pomelo maturity | |
Guo et al. | Nondestructive measurement of soluble solids content of kiwifruits using near-infrared hyperspectral imaging | |
Knox et al. | Modelling soil carbon fractions with visible near-infrared (VNIR) and mid-infrared (MIR) spectroscopy | |
Clairotte et al. | National calibration of soil organic carbon concentration using diffuse infrared reflectance spectroscopy | |
Mishra et al. | Partial least square regression versus domain invariant partial least square regression with application to near-infrared spectroscopy of fresh fruit | |
Janik et al. | The prediction of total anthocyanin concentration in red-grape homogenates using visible-near-infrared spectroscopy and artificial neural networks | |
Qiao et al. | Hyperspectral estimation of soil organic matter based on different spectral preprocessing techniques | |
Bai et al. | Accurate prediction of soluble solid content of apples from multiple geographical regions by combining deep learning with spectral fingerprint features | |
Chen et al. | Determination of protein, total carbohydrates and crude fat contents of foxtail millet using effective wavelengths in NIR spectroscopy | |
WO2018121121A1 (zh) | 用于扣除谱图本底的方法、通过拉曼谱图识别物质的方法和电子设备 | |
CN107440684A (zh) | 用于预测分析物的浓度的方法和设备 | |
Gao et al. | Estimating soil organic carbon content with visible–near-infrared (Vis-NIR) spectroscopy | |
Dong et al. | Nondestructive determination of soluble solids content of ‘Fuji’apples produced in different areas and bagged with different materials during ripening | |
Yuan et al. | Non-invasive measurements of ‘Yunhe’pears by vis-NIRS technology coupled with deviation fusion modeling approach | |
Mishra et al. | FRUITNIR-GUI: A graphical user interface for correcting external influences in multi-batch near infrared experiments related to fruit quality prediction | |
Shen et al. | Rapid and real-time detection of moisture in black tea during withering using micro-near-infrared spectroscopy | |
He et al. | Fast discrimination of apple varieties using Vis/NIR spectroscopy | |
CN111999258B (zh) | 一种面向光谱基线校正的加权建模局部优化方法 | |
Fatemi et al. | Identification of informative spectral ranges for predicting major chemical constituents in corn using NIR spectroscopy | |
Shao et al. | Measurement of soluble solids content and pH of yogurt using visible/near infrared spectroscopy and chemometrics | |
WO2018103541A1 (zh) | 用于去除溶剂干扰的拉曼光谱检测方法和电子设备 | |
Jiang et al. | Molecular spectroscopic wavelength selection using combined interval partial least squares and correlation coefficient optimization | |
Preys et al. | Robust calibration using orthogonal projection and experimental design. Application to the correction of the light scattering effect on turbid NIR spectra | |
TWI754473B (zh) | 用於光譜模型解釋的電子裝置和方法 | |
Diaz et al. | Domain invariant covariate selection (Di-CovSel) for selecting generalized features across domains |