TWI760206B - 基於光譜圖辨識提供風險值的光學量測方法、光學量測系統、伺服端電腦裝置與客戶端電腦裝置 - Google Patents

Abstract

本發明揭露一種光學量測方法、光學量測系統、伺服端電腦裝置與客戶端電腦裝置，其主要是先利用一單層級支持向量機及一群合格樣品光譜圖來建立一個合格樣品辨識模型，然後利用包含該合格樣品辨識模型的一風險計算模組為一待測樣品光譜圖定出一風險值，該風險值愈高，表示該待測樣品光譜圖與這群合格樣品光譜圖之間的差異愈大，反之愈小，故可利用該風險值來判斷該待測樣品光譜圖所對應的一待測樣品是否為一合格樣品。

Description

基於光譜圖辨識提供風險值的光學量測方 法、光學量測系統、伺服端電腦裝置與客戶端電腦裝置

本發明與光學量測技術有關，尤指一種基於光譜圖辨識提供風險值的光學量測方法、光學量測系統、伺服端電腦裝置與客戶端電腦裝置。

近年來，隨著媒體披露的食安事件的增加，食安問題也愈來愈受人們的重視，各種食物中究竟含有哪些對人體有害的成份？含量多寡及標準的安全含量是多少？均是人們亟感興的議題。舉例來說，稻米、茶葉及各種蔬果等農作物是否有超標的農藥殘留，直接涉及民眾健康，各國政府都必需進行相當程度的量測，以排除農藥殘留超標的農作物，確保民眾健康。

對於農藥殘留量測，質譜儀量測法利用液相層析串聯質譜儀(Liquid chromatography tandem mass spectrometer,LC/MS-MS)或氣相層析串聯質譜儀(Gas chromatography tandem mass spectrometer,GC/MS-MS)進行量測，是相當可靠的量測方法，當發生農藥殘留相關食安爭議時，它往往扮演仲裁的角色。然而，該質 譜儀量測法的問題在於僅能在實驗室進行，且耗費時間相當長，顯然難以運用於農作物田間採收前的農藥殘留量測，亦難以運用於大型通路、農業團體、食品廠的出貨上架前的農藥殘留量測，因此，需要改採農藥殘留快篩檢驗，才能符合前述場合的需求。目前的農藥殘留快篩檢驗大致有生化法、拉曼特徵峰比對法及質譜快篩檢驗法，各有擅長，容不贅述。

有關利用該拉曼特徵峰比對法來量測農藥殘留的做法，台灣I604187專利揭露將從農作物樣品萃取淨化得到樣品檢液滴在一SERS基板，樣品檢液經濃縮處理之後，該SERS基板的奈米銀粒子就會吸附一些農藥的化學分子，接著，對該SERS基板進行拉曼散射光譜之量測，以獲得一拉曼光譜圖，然後將該拉曼光譜圖中的主要特徵峰與資料庫中的標準樣品的主要特徵峰作比對，就可找出殘留在農作物樣品中的農藥成分種類及含量。台灣M506286專利所揭露的成品農藥量測裝置大致使用類似的方法，故可從它的處理裝置(例如筆記型電腦)的螢幕看到被量測的農作物樣品上的殘留農藥成分的拉曼光譜圖、名稱與含量範圍(例如小於1ppm)。另外，在中國CN104215623A專利所揭露的特徵峰辨識方法也是類似作法。

該拉曼特徵峰比對法是先在一資料庫建立許多標準樣品的特徵峰(即具有辨識性的拉曼峰)，每一標準樣品的一或多個特徵峰，都是從它的拉曼光譜圖提取出來的，以作為它的身份辨識之用。該資料庫通常會記錄每一標準樣品的名稱及它的每一特徵峰的位置(拉曼頻移)與峰值強度，以作為日後比對時的辨識資訊。當有一待測樣品需要量測以了解其成分時，需先取得該待測樣品的拉曼光譜圖，然後跟該資料庫中每一筆辨識資訊來進行比對，若比對成功，表示該待測樣品的拉曼光譜圖含有該資料庫中某一標準樣品的特徵峰，例如芬殺松(Fenthion)的特徵峰，則該待測樣品就含有芬殺松。至於該待測樣品的含量則可從它的特徵峰的峰值強度去推算得到。

如上所述，該拉曼特徵峰比對法雖然可以為待測樣品定性及定量，但問題在於用於定性的特徵峰只是該待測樣品的拉曼光譜圖中具有明顯特徵的峰，其它特徵不明顯的峰都因為不足以作為辨識依據而沒有被拿去比對，也就是說，該待測樣品的拉曼光譜圖中有許多的峰是被忽略掉，這些被忽略掉的峰雖然可能是該待測樣品的基質所引起的雜訊，但也有可能是該基質以外的某種化合物成分(例如某種農藥)所引起的。如果這些不足以作為特徵峰而被忽略掉的峰是某種化合物成分所引起的，就表示該某種化合物成分在該拉曼特徵峰比對法的量測之下是不會被量測出來的。事實上，在農藥殘留檢驗的領域中，甚至有部分農藥幾乎不會產生拉曼散射訊號而無法建立它的拉曼光譜圖，更遑論被該拉曼特徵峰比對法量測出來。

因此，該拉曼特徵峰比對法有可能發生它判斷為合格的樣品實際上是不合格的樣品(相對於該質譜儀量測法)，且這種情形並非少見，故該拉曼特徵峰比對法的量測結果的可靠性堪慮，亟待解決。

為了解決現有拉曼特徵峰比對法可靠性低的問題，本發明提供一種基於光譜圖辨識提供風險值的光學量測方法，更詳而言之，本發明方法包括：利用一機器學習軟體產生及訓練完成一合格樣品辨識模型，該機器學習軟體係以一群合格樣品光譜圖作為該合格樣品辨識模型的訓練數據與測試數據；從一待測樣品量測得到一待測樣品光譜圖；利用該合格樣品辨識模型對該待測樣品光譜圖進行辨識，並計算出代表該待測樣品光譜圖與該群合格樣品光譜圖的離異程度的一離異值D；將該離異值D換算成一風險值R；及將該風險值R顯示於一顯示畫面。較佳地，-1≦D≦1，R=(-50)* D+50。

在一實施例中，本發明方法中的上述每一合格樣品光譜圖都是合格樣品拉曼光譜圖或合格樣品紅外線光譜圖。

在一實施例中，本發明方法中的該待測樣品光譜圖係為一待測樣品拉曼光譜圖或一待測樣品紅外線光譜圖。

在一實施例中，本發明方法中的該機器學習軟體係採用一種異常偵測演算法。較佳地，該異常偵測學習演算法係選用一單層級支持向量機演算法或一孤立森林演算法。

本發明還提供一種光學量測系統，其包括一客戶端電腦裝置及耦接該客戶端電腦裝置的一伺服端電腦裝置。該客戶端電腦裝置包括一光譜分析模組，該光譜分析模組用於量測一待測樣品及將所量測得到的一待測樣品光譜圖傳送出去。該伺服端電腦裝置包括一風險計算模組，該風險計算模組能接收該待測樣品光譜圖，並計算出代表該待測樣品光譜圖與一群合格樣品光譜圖的離異程度的一離異值D，然後將該離異值D換算成一風險值R，及將該風險值R回傳給該客戶端電腦裝置。其中，該客戶端電腦裝置還顯示包括該風險值R的一顯示畫面。

在一實施例中，本發明該光學量測系統的上述風險計算模組還包括用於計算該離異值D的一合格樣品辨識模型，該合格樣品辨識模型係由一機器學習軟體事先產生及訓練完成的，該機器學習軟體係以該群合格樣品光譜圖作為該合格樣品辨識模型的訓練數據與測試數據。較佳地，-1≦D≦1，且R=(-50)* D+50。

在一實施例中，本發明該光學量測系統的該光譜分析模組係為一紅外線光譜儀或一拉曼光譜儀，該待測樣品光譜圖係為一待測樣品紅外線光譜圖或一待測樣品拉曼光譜圖。

在一實施例中，本發明該光學量測系統的每一合格樣品光譜圖都是合格樣品拉曼光譜圖或合格樣品紅外線光譜圖。

在一實施例中，本發明該光學量測系統的該伺服端電腦裝置還包括一特徵峰比對模組，該特徵峰比對模組能根據所收到的該待測樣品光譜圖進行特徵峰比對，藉以獲得該待測樣品中的 化合物名稱及其含量範圍並回傳給該客戶端電腦裝置。其中，該客戶端電腦裝置的該顯示畫面還包括該待測樣品中的該化合物名稱及其含量範圍。

本發明還提供一種伺服端電腦裝置，其包括一風險計算模組，該風險計算模組能接收一待測樣品的一待測樣品光譜圖，並根據該待測樣品光譜圖計算出一風險值R，該風險值R代表將該待測樣品判定成合格所負擔的風險高低。

在一實施例中，本發明該伺服端電腦裝置中的該風險計算模組係先計算出代表該待測樣品與一合格樣品在光譜圖上的離異程度的一離異值D，然後，將該離異值D轉換成該風險值R。較佳地，-1≦D≦1，且R=(-50)* D+50。

在一實施例中，本發明該伺服端電腦裝置中的該風險計算模組包括用於計算該離異值D的上述合格樣品辨識模型。

在一實施例中，本發明該伺服端電腦裝置還包括上述的特徵峰比對模組。

本發明另提供一種客戶端電腦裝置，其包括一光譜分析模組且能顯示一顯示畫面，該光譜分析模組用於量測一待測樣品及將所量測得到的一待測樣品光譜圖傳送給上述的伺服端電腦裝置，該顯示畫面包括由該伺服端電腦裝置所回傳的一風險值R，該風險值R代表將該待測樣品判定成合格所負擔的風險高低。

在一實施例中，本發明該客戶端電腦裝置的該顯示畫面包括由該伺服端電腦裝置所回傳的該待測樣品中的化合物名稱及其含量範圍。

相對於先前技術，本發明確實能提高量測結果的可靠性，解決現有的該拉曼特徵峰比對法可靠性低的問題。

1:客戶端電腦裝置

11:光譜分析模組

2:伺服端電腦裝置

21:風險計算模組

22:拉曼特徵峰比對模組

a~e:步驟

圖1顯示本發明之光學量測系統的方塊示意圖。

圖2顯示本發明之光學量測方法的流程示意圖。

圖3顯示三個合格辣椒樣品的拉曼光譜圖及一個不合格辣椒樣品的拉曼光譜圖。

圖4顯示三種不同方法對12件菜豆樣品進行成分量測的結果。

圖1顯示本發明之光學量測系統的一個較佳實施例包括一客戶端電腦裝置1及一伺服端電腦裝置2。該客戶端電腦裝置1包括一光譜分析模組11並以有線方式或無線方式耦接至該伺服端電腦裝置2。該光譜分析模組11用於量測一待測樣品及將所量測得到的一待測樣品光譜圖傳送給該伺服端電腦裝置2。該伺服端電腦裝置2包括一或多台伺服等級的電腦，並配置所需要的資料庫與相關軟體。無論如何，該伺服端電腦裝置2包括一風險計算模組21，在此實施例中，該風險計算模組21能接收該待測樣品光譜圖，並根據該待測樣品光譜圖計算出代表該待測樣品光譜圖與一群合格樣品光譜圖的離異程度(或稱離群程度)的一離異值D，並將該離異值D換算成一風險值R，及將該風險值R回傳給該客戶端電腦裝置1，由該客戶端電腦裝置1顯示該風險值R，俾根據該風險值R來判斷該待測樣品是否為一合格樣品，此容後舉例詳述。

圖2顯示本發明之光學量測方法的一個較佳實施例包括步驟a至步驟e。首先，如步驟a所示，利用一機器學習軟體產生及訓練完成一合格樣品辨識模型。更詳而言之，安裝於一電腦裝置(圖中未示)的該機器學習軟體係用於建立該合格樣品辨識模型，並能以事先收集到的該群合格樣品光譜圖作為該合格樣品辨識模型的訓練數據與測試數據。在此實施例中，該機器學習軟體係選用一MATLAB軟體，故可利用該MATLAB軟體提供的一機器學習工具來產生該合格樣品辨識模型21，並對它進行訓練及測試。

在此實施例中，該機器學習工具係採用一種異常偵 測(anomaly detection)演算法，例如屬無監督學習(unsupervised learning)之一單層級支持向量機(one class SVM)演算法，但不以此為限，例如也可考慮選用一孤立森林(Isolation Forest)演算法。此外，該機器學習工具也可選用K-近鄰演算法(K Nearest Neighbor，KNN)、支持向量機演算法(Support Vector Machine，SVM)、樹狀結構演算法(Tree)、或樸素貝葉斯演算法(Naive Bayes)，來產生該合格樣品辨識模型。

舉例來說，在以該單層級支持向量機進行訓練時，被用來進行訓練的數據是取自於上述那群合格樣品光譜圖的全部，也就是取於自每一合格樣品的全光譜圖，不僅僅是針對每一合格樣品光譜圖中的少數幾個顯著特徵峰所在之點而已，因此，可透過這群合格樣品光譜圖在形態上的特徵去學習一個決策邊界，每一合格樣品光譜圖的前述特徵包括構成整個光譜圖中的每一點的峰值強度與位置(例如拉曼頻移)，例如，若一合格樣品光譜圖中的全部光譜曲線是由1023個點所連成的，則每一點的峰值強度與位置都可取來作為訓練模型的資料，然而，如一般所知，構成一光譜曲線的點的數量並不以前述為限，有可能是更多或更少的點。

在該單層級支持向量機中，由於每一合格樣品光譜圖都被對應轉換成一個資料點，這些資料點分別代表一個合格樣品，所以這些資料點都是正常資料點，理想上它們應該都該落在該決策邊界之內，但實際上並不一定，這是由用於訓練及測試的合格樣品光譜圖的數量及nu值的設定所決定。

無論如何，在該單層級支持向量機中，凡是落在該決策邊界之外的資料點都是異常資料點，也就是離異點或是離群點，離該決策邊界愈遠的異常資料點，表示它的離異程度愈高，反之愈低。一個異常資料點的離異程度表示它所對應的光譜圖跟該些合格樣品光譜圖的相似程度，換言之，當該待測樣品光譜圖跟這群合格樣品光譜圖都不相似且不相似程度愈高(亦即離異程度愈高)，則該待測樣品光譜圖所對應的資料點就會落在該決策邊界之外愈遠的 地方，反之，就會落在該決策邊界之外愈近的地方。因此，由採取該單層級支持向量機的該機器學習工具所產生的該合格樣品辨識模型就可利用該決策邊界來判斷該待測樣品光譜圖的一離異程度，並計算出代表該離異程度的一離異值D。

已訓練完成的該合格樣品辨識模型隨後被部署至該伺服端電腦裝置2，作為該風險計算模組21的一部分。換言之，在此實施例中，本發明之風險計算模組21包括該合格樣品辨識模型，並藉由該合格樣品辨識模型來計算出該離異值D，但該離異值D的計算不限於使用該合格樣品辨識模型，也可改利用其它方式來計算得到。

接著，如步驟b所示，從該待測樣品量測得到該待測樣品光譜圖，並將該待測樣品光譜圖傳送出去。此可利用上述客戶端電腦裝置1的該光譜分析模組11來進行，容不贅述。其中，該光譜分析模組11可為一紅外線光譜儀或一拉曼光譜儀，故該待測樣品光譜圖可為一待測樣品紅外線光譜圖或一待測樣品拉曼光譜圖。在此實施例中，該光譜分析模組11係為該拉曼光譜儀，該客戶端電腦裝置1包括耦接該拉曼光譜儀的一筆記型電腦。

然後，如步驟c所示，利用該合格樣品辨識模型對該待測樣品光譜圖進行辨識，並計算出代表該待測樣品光譜圖與該群合格樣品光譜圖的離異程度的該離異值D。此可利用上述伺服端電腦裝置2中的該合格樣品辨識模型來進行，容不贅述。需指出的是，在此實施例中，-1≦D≦1。

接著，如步驟d所示，將該離異值D換算成該風險值R，此可利用該伺服端電腦裝置2的該風險計算模組21來進行。在此實施例中，可利用一換算公式：R=(-50)* D+50來換算該風險值R。舉例來說，當該離異值D=-1時，該風險值R=(-50)*(-1)+50=100，當該離異值D=1時，該風險值R=(-50)*(1)+50=0。其中，該風險值R愈高，表示該待測樣品光譜圖與該群合格樣品光譜圖在形態上的差異愈大，反之差異愈小。

最後，如步驟e所示，將該風險值R顯示於一顯示畫面。此可利用該伺服端電腦裝置2將該風險值R回傳給該客戶端電腦裝置1，由該客戶端電腦裝置1顯示包括該風險值R的該顯示畫面。

在此實施例中，上述合格樣品光譜圖是源自於預先蒐集的多個合格樣品。每一個合格樣品都先利用一液相層析串聯質譜儀或一氣相層析串聯質譜儀進行分析，以確認它們確實是「無化合物殘留或化合物殘留量極低」的合格樣品。接著，利用一光譜分析裝置(圖中未示)來量測每一合格樣品，藉以得到上述的每一合格樣品光譜圖。其中，所述的化合物較佳是指農藥，但也可以是其它化學品。此外，該光譜分析裝置可為一紅外線光譜儀或一拉曼光譜儀，故該些合格樣品光譜圖就都是合格樣品紅外線光譜圖或合格樣品拉曼光譜圖。在此實施例中，該光譜分析裝置係為一拉曼光譜儀。

以農作物之辣椒為例，圖3(a)至(c)共顯示三個合格辣椒樣品的拉曼光譜圖，圖3(d)顯示一個不合格辣椒樣品的拉曼光譜圖。在此實施例中，每一拉曼光譜圖是由全部共1023個像素點所構成全光譜圖，這些像素點連成圖中所看到光譜曲線。很清楚地，圖3(d)之該不合格辣椒樣品的拉曼光譜圖中存在數個明顯的特徵峰，與其它的合格辣椒樣品的拉曼光譜圖明顯不同。現有的拉曼特徵峰比對法僅利用該不合格樣品的拉曼光譜圖中的特徵峰為待測樣品定性定量，但本發明方法在此實施例中，則是利用合格樣品的拉曼光譜圖的全光譜圖來為待測樣品定出風險值。舉例來說，當以包含圖3(a)至(c)的一群合格辣椒樣品的拉曼光譜圖作為上述機器學習工具的訓練數據與測試數據時，則由該機器學習工具所產生的該合格樣品辨識模型就會「認得」這群合格辣椒樣品的拉曼光譜圖的「樣子、態樣或形態」，故可利用該合格樣品辨識模型21來辨識一待測辣椒樣品的拉曼光譜圖與該群合格辣椒樣品的拉曼光譜圖在形態上的相似程度或離異程度，並計算出上述的離異值D。 以此類推，可利用上述方法為每一種農作物的建立一個合格樣品辨識模型，當需要鑑定某種農作物樣品是否合格時，就可選擇該某種農作物所對應的合格樣品辨識模型來計算出上述的離異值D，進而換算出上述風險值R。

圖4顯示三種不同方法對12件菜豆樣品進行成分量測的結果，這三種方法分別是現有的質譜儀量測法、現有的拉曼特徵峰比對法與本發明方法，且本發明方法中所使用到的光譜圖都是拉曼光譜圖。在此實施例中，該風險值R是設定在0~100分，且該風險值R小於或等於40分者，表示一待測樣品光譜圖與合格樣品光譜圖的相似程度高(亦即離異程度低)，可將該待測樣品光譜圖所對應的該待測樣品視為合格樣品，亦即無化合物殘留或化合物殘留量極低的樣品，反之，該風險值R高於40分者，即視該待測樣品光譜圖所對應的該待測樣品為不合格樣品。

針對編號3102樣品，利用該質譜儀量測法進行量測的結果是編號3102樣品為「不合格」樣品，利用該拉曼特徵峰比對法進行量測的結果是「ND」，亦即沒有得到任何定性定量的結果，表示該拉曼特徵峰比對法無法量測編號3102樣品。但利用本發明方法進行量測的結果是編號3102樣品的風險值R為41分，高於預定的40分，故編號3102樣品是「不合格」樣品，可見利用本發明方法與利用該質譜儀量測法進行量測的結果是一致的。

針對編號4775、4311、4688、2866、3812、4949、V004及V005樣品，利用該質譜儀量測法進行量測的結果是它們均為「合格」樣品，利用該拉曼特徵峰比對法進行量測的結果都仍是「ND」。但利用本發明方法進行量測的結果是這些樣品的風險值R均低於40分，故這些樣品均是「合格」樣品，可見利用本發明方法與利用該質譜儀量測法進行量測的結果仍然是一致的。其中，需指出的是，編號4949樣品中的菲克利殘留量及編號V004樣品中的達有龍殘留量，均未超過0.01ppm，故該質譜儀量測法仍將它們判定為「合格」樣品。

針對編號2822樣品，利用該質譜儀量測法進行量測的結果是它為「不合格」樣品(因為菲克利殘留量為0.019ppm，已超過0.01ppm)，利用該拉曼特徵峰比對法進行量測的結果是亞滅培含量低於1ppm、亞托敏含量低於0.5ppm、貝芬替含量低於0.5ppm、待克利含量低於1ppm，均低於容許量，故編號2822樣品在該拉曼特徵峰比對法的量測之下是「合格」樣品，這相反於利用該質譜儀量測法進行量測的結果，可見編號2822樣品在使用該拉曼特徵峰比對法進行量測的結果是呈現偽陰性的。反觀利用本發明方法進行量測的結果是編號2822樣品的風險值R高達86分，故編號2822樣品是「不合格」樣品，可見利用本發明方法與利用該質譜儀量測法進行量測的結果還是一致的。

針對編號V014樣品，利用該質譜儀量測法進行量測的結果是它為「不合格」樣品，利用該拉曼特徵峰比對法進行量測的結果是百克敏含量低於0.5ppm、達滅芬含量低於2ppm，均低於容許量，故編號V014樣品在該拉曼特徵峰比對法的量測之下是「合格」樣品，這相反於利用上述質譜儀進行量測的結果，可見編號V014樣品在使用該拉曼特徵峰比對法進行量測的結果是呈現偽陰性的。反觀利用本發明方法進行量測的結果是編號V014樣品的風險值R為52分，故編號V014樣品是「不合格」樣品，可見利用本發明方法與利用該質譜儀量測法進行量測的結果仍然是一致的。

利用本發明方法與利用該質譜儀量測法進行量測的結果呈現不一致的情形，只存在於編號4249樣品。亦即，利用本發明方法進行量測的結果是編號4249樣品的風險值R為42分，應為「不合格」樣品，但利用該質譜儀量測法進行量測的結果是編號4249樣品為「合格」樣品，簡言之，針對編號4249樣品，使用本發明方法進行量測的結果是呈現偽陽性的。

由上述量測結果可知，針對12件菜豆樣品，該質譜儀量測法一共篩檢出3件不合格的(即編號3102、2822及V014)，以此為標準來看，該拉曼特徵峰比對法沒有篩檢出任何不合格的樣 品，故它的篩檢率(篩檢出不合格的比率)是0%。反觀本發明方法，跟該質譜儀量測法一樣，正確地篩檢出3件不合格的，所以，它的篩檢率是100%，遠高於該拉曼特徵峰比對法。

再者，針對12件菜豆樣品，該拉曼特徵峰比對法所篩檢出的合格樣品，對該質譜儀量測法而言都是不合格的，故該拉曼特徵峰比對法誤判成偽陰性的比率是100%，反觀本發明方法，其所篩檢出的合格樣品沒有一件是誤判的，都與該質譜儀量測法相符，故本發明方法誤判成偽陰性的比率是0%，遠低於該拉曼特徵峰比對法。

此外，針對12件菜豆樣品，該質譜儀量測法一共篩檢出上述3件不合格的，但該拉曼特徵峰比對法針對這3件都呈現與該質譜儀量測法不相符的結果，因此，該拉曼特徵峰比對法的符合率(與該質譜儀量測法相符的比率)為：(12-3)/12=75%。反觀本發明方法，針對這3件也是判定為不合格的而與該質譜儀量測法相符，只有1件(即編號4249)與該質譜儀量測法不相符，因此，本發明方法的符合率為(12-1)/12=92%，高於該拉曼特徵峰比對法。

相較之下，足見本發明方法在篩檢率、偽陰率及符合率的表現均優於該拉曼特徵峰比對法，因此，利用本發明方法所得到的量測結果的可靠性顯然較高，此適可解決現有的該拉曼特徵峰比對法可靠性不高的問題。

請再參閱圖1，本發明該伺服端電腦裝置2較佳還包括一特徵峰比對模組22，但此非必要。該特徵峰比對模組22能根據所收到的該待測樣品光譜圖進行特徵峰比對，藉以獲得該待測樣品中的化合物名稱及其含量範圍並回傳給該客戶端電腦裝置1，以使該客戶端電腦裝置1的該顯示畫面除包含上述風險值R之外，還包括該待測樣品中的該化合物名稱及其含量範圍。如此，就可利用該客戶端電腦裝置1所顯示的前述資訊來綜合判斷該待測樣品是否為一合格樣品，這比單獨以特徵峰比對法(例如拉曼特徵峰比對 法)來判斷該待測樣品是否合格可靠許多。在此實施例中，該特徵峰比對模組22係對所接收的該待測樣品拉曼光譜圖進行拉曼特徵峰比對，以找出該待測樣品中的化合物名稱及其含量範圍。

在上述實施例中，關於一待測樣品與一種合格樣品在光譜圖上的離異程度，雖然是使用由上述機器學習工具所產生的該合格樣品辨識模型來計算的，但這只是一個較佳示範，亦即，也使用非機器學習的方式來計算該離異程度，例如使用統計學方法。

綜上所述可知，本發明係為一待測樣品的光譜圖訂出一風險值，該風險值代表將該待測樣品判定成合格所負擔的風險高低，若該風險值低於一預設門檻，表示將該待測樣品判定為合格的正確率很高，誤判風險低，故可認定該待測樣品為合格，反之則為不合格。由於該風險值的計算是源自該待測樣品光譜圖，不是僅取用該待測樣品光譜圖中的少數幾個顯著特徵峰，沒有忽略掉其它的峰，以免錯失可能由基質以外之化合物所引起的峰，因此，本發明能提高量測結果(篩檢出合格或不合格)的可靠性或正確性，解決現有的該拉曼特徵峰比對法可靠性低的問題。

1:客戶端電腦裝置

11:光譜分析模組

2:伺服端電腦裝置

21:風險計算模組

22:特徵峰比對模組

Claims (15)

1. 一種光學量測方法，包括：利用一機器學習軟體產生及訓練完成一合格樣品辨識模型，該機器學習軟體係以一群合格樣品光譜圖作為該合格樣品辨識模型的訓練數據與測試數據；從一待測樣品量測得到一待測樣品光譜圖；利用該合格樣品辨識模型對該待測樣品光譜圖進行辨識，並計算出代表該待測樣品光譜圖與該群合格樣品光譜圖的離異程度的一離異值D；將該離異值D換算成一風險值R，其中，-1≦D≦1，R=(-50)* D+50；及將該風險值R顯示於一顯示畫面。
2. 如請求項1所述的光學量測方法，其中每一合格樣品光譜圖都是合格樣品拉曼光譜圖或合格樣品紅外線光譜圖。
3. 如請求項1所述的光學量測方法，其中該待測樣品光譜圖係為一待測樣品拉曼光譜圖或一待測樣品紅外線光譜圖。
4. 如請求項1所述的光學量測方法，其中該機器學習軟體係採用一種異常偵測演算法。
5. 如請求項4所述的光學量測方法，其中該異常偵測學習演算法係選用一單層級支持向量機演算法或一孤立森林演算法。
6. 一種光學量測系統，包括：一客戶端電腦裝置，包括一光譜分析模組，該光譜分析模組用於量測一待測樣品及將所量測得到的一待測樣品光譜圖傳送出去；及一伺服端電腦裝置，耦接該客戶端電腦裝置，且包括一風險計算模組，該風險計算模組能接收該待測樣品光譜圖，並計算出代表該待測樣品光譜圖與一群合格樣品光譜圖的離異程度的一離異值D，然後將該離異值D換算成一風險值R，及將該風險值R回傳給該客戶端電腦裝置；其中，該客戶端電腦裝置還顯示包括該風險值R的一顯示畫面，-1≦D≦1，R=(-50)* D+50。
7. 如請求項6所述的光學量測系統，其中該伺服端電腦裝置的該風險計算模組包括用於計算該離異值D的一合格樣品辨識模型，該合格樣品辨識模型係由一機器學習軟體事先產生及訓練完成的，該機器學習軟體係以該群合格樣品光譜圖作為該合格樣品辨識模型的訓練數據與測試數據。
8. 如請求項6所述的光學量測系統，其中該光譜分析模組係為一紅外線光譜儀或一拉曼光譜儀，該待測樣品光 譜圖係為一待測樣品紅外線光譜圖或一待測樣品拉曼光譜圖。
9. 如請求項6所述的光學量測系統，其中每一合格樣品光譜圖都是合格樣品拉曼光譜圖或合格樣品紅外線光譜圖。
10. 如請求項6至9任一項所述的光學量測系統，其中該伺服端電腦裝置還包括一特徵峰比對模組，該特徵峰比對模組能根據所收到的該待測樣品光譜圖進行特徵峰比對，藉以獲得該待測樣品中的化合物名稱及其含量範圍並回傳給該客戶端電腦裝置，其中，該客戶端電腦裝置的該顯示畫面還包括該待測樣品中的該化合物名稱及其含量範圍。
11. 一種伺服端電腦裝置，包括一風險計算模組，該風險計算模組能接收一待測樣品的一待測樣品光譜圖，並根據該待測樣品光譜圖計算出一風險值R，該風險值R代表將該待測樣品判定成合格所負擔的風險高低，該風險計算模組係先計算出代表該待測樣品與一合格樣品在光譜圖上的離異程度的一離異值D，然後，將該離異值D轉換成該風險值R，其中，-1≦D≦1，且R=(-50)* D+50。
12. 如請求項11所述的伺服端電腦裝置，其中該風險計算模組包括用於計算該離異值D的一合格樣品辨識模型，該合格樣品辨識模型係由一機器學習軟體事先產生 及訓練完成的，該機器學習軟體係以一群合格樣品光譜圖作為該合格樣品辨識模型的訓練數據與測試數據。
13. 如請求項11至12任一項所述的伺服端電腦裝置，包括一特徵峰比對模組，該特徵峰比對模組能根據所收到的該待測樣品光譜圖進行特徵峰比對，藉以獲得該待測樣品中的化合物名稱及其含量範圍。
14. 一種客戶端電腦裝置，包括一光譜分析模組且能顯示一顯示畫面，該光譜分析模組用於量測一待測樣品及將所量測得到的一待測樣品光譜圖傳送給如請求項11或12所述的一伺服端電腦裝置，該顯示畫面包括由該伺服端電腦裝置所回傳的該風險值R，該風險值R代表將該待測樣品判定成合格所負擔的風險高低。
15. 如請求項14所述的客戶端電腦裝置，該顯示畫面包括由該伺服端電腦裝置所回傳的該待測樣品中的化合物名稱及其含量範圍。

Images