TWI790296B - 頻譜分析裝置及頻譜分析方法 - Google Patents
頻譜分析裝置及頻譜分析方法 Download PDFInfo
- Publication number
- TWI790296B TWI790296B TW107135731A TW107135731A TWI790296B TW I790296 B TWI790296 B TW I790296B TW 107135731 A TW107135731 A TW 107135731A TW 107135731 A TW107135731 A TW 107135731A TW I790296 B TWI790296 B TW I790296B
- Authority
- TW
- Taiwan
- Prior art keywords
- spectrum
- analysis
- neural network
- mentioned
- deep neural
- Prior art date
Links
- 238000010183 spectrum analysis Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 119
- 238000001228 spectrum Methods 0.000 claims abstract description 106
- 238000013528 artificial neural network Methods 0.000 claims abstract description 96
- 238000006243 chemical reaction Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 23
- 239000000203 mixture Substances 0.000 claims description 33
- 230000009466 transformation Effects 0.000 claims description 25
- 238000007794 visualization technique Methods 0.000 claims description 11
- 239000013558 reference substance Substances 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims 2
- 230000000052 comparative effect Effects 0.000 description 34
- 238000001237 Raman spectrum Methods 0.000 description 31
- 239000004417 polycarbonate Substances 0.000 description 29
- 239000000463 material Substances 0.000 description 27
- 239000012994 photoredox catalyst Substances 0.000 description 26
- 239000011347 resin Substances 0.000 description 25
- 229920005989 resin Polymers 0.000 description 25
- 238000010586 diagram Methods 0.000 description 21
- 229920003229 poly(methyl methacrylate) Polymers 0.000 description 11
- 239000004926 polymethyl methacrylate Substances 0.000 description 11
- 238000000491 multivariate analysis Methods 0.000 description 9
- 239000004793 Polystyrene Substances 0.000 description 8
- 229920000139 polyethylene terephthalate Polymers 0.000 description 8
- 239000005020 polyethylene terephthalate Substances 0.000 description 8
- 239000012491 analyte Substances 0.000 description 6
- 229920002379 silicone rubber Polymers 0.000 description 6
- 239000004945 silicone rubber Substances 0.000 description 6
- 239000004800 polyvinyl chloride Substances 0.000 description 5
- 229920000915 polyvinyl chloride Polymers 0.000 description 5
- 239000005033 polyvinylidene chloride Substances 0.000 description 5
- 229920001328 Polyvinylidene chloride Polymers 0.000 description 4
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000001069 Raman spectroscopy Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 229920000515 polycarbonate Polymers 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000011088 calibration curve Methods 0.000 description 2
- -1 polyethylene terephthalate Polymers 0.000 description 2
- 229920002223 polystyrene Polymers 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 239000012925 reference material Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
- G01N21/274—Calibration, base line adjustment, drift correction
- G01N21/276—Calibration, base line adjustment, drift correction with alternation of sample and standard in optical path
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本發明之頻譜分析裝置1係基於包含複數個基準物中之任意一個或兩個以上之基準物之分析對象物所產生之光之頻譜對該分析對象物進行分析之裝置，且具備排列變換部10、處理部20、學習部30及分析部40。排列變換部10基於基準物或分析對象物所產生之光之頻譜而產生二維排列資料。處理部20具有深度神經網路。分析部40藉由排列變換部10基於分析對象物所產生之光之頻譜而使二維排列資料產生，使該二維排列資料作為分析對象資料輸入至深度神經網路，且基於自深度神經網路輸出之資料對分析對象物進行分析。藉此，實現能高效率地進行高精度之頻譜分析之裝置。
Description
本發明係關於一種基於分析對象物所產生之光之頻譜對該分析對象物進行分析之裝置及方法。
分析對象物所產生之光之頻譜具有對應於分析對象物所包含之成分之種類或比例之形狀。因此，基於分析對象物所產生之光之頻譜可對該分析對象物進行分析。於分析對象物所產生之光之頻譜，包含根據向分析對象物之光照射而於該分析對象物產生之光(例如，藉由反射光、透射光、散射光、螢光、及線性光學現象(例如拉曼散射等)產生之光)之頻譜，又，包含藉由分析對象物之化學反應而產生之化學發光之頻譜。進而，於光之頻譜，亦包含自透射光或反射光所得之折射率或吸收係數之頻譜。此處所言之光並不限定於紫外光、可見光、紅外光，亦包含例如兆赫波等。
先前，於進行此種頻譜分析時使用多變量解析。作為多變量解析亦已知使用主成分分析、分類器、回歸分析等，並組合該等之解析手法。又，於專利文獻1，暗示使用深度神經網路(Deep Neural Network)進行頻譜分析。若使用深度神經網路則可高效率地進行高精度之圖像確認等(參照非專利文獻1)，故若可使用深度神經網路進行頻譜分析，則期待與使用多變量解析之情形相比可高效率地進行高精度之分析。 [先前技術文獻] [專利文獻]
專利文獻1：日本專利特開2017-90130號公報 [非專利文獻]
非專利文獻1；O. Russakovsky et al., "ImageNet Large Scale Visual Recognition Challenge", Int. J. Comput. Vis. 115, 2015, pp.211-252 非專利文獻2：R. R. Selvaraju et al., "Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization", arXiv:1610.02391, 2017 非專利文獻3：D. Smilkov et al., "SmoothGrad: removing noise by adding noise", arXiv:1706.03825, 2017
[發明所欲解決之問題]
但，於專利文獻1，對使用深度神經網路進行頻譜分析時之具體順序無任何記載。又，於非專利文獻1，並未暗示使用深度神經網路進行頻譜分析。
本發明係為解決上述問題點而完成者，其目的在於提供一種可高效率地進行高精度之頻譜分析之裝置及方法。 [解決問題之技術手段]
本發明之頻譜分析裝置係基於包含複數個基準物中之任意一個或兩個以上之基準物之分析對象物所產生之光之頻譜對該分析對象物進行分析之裝置，且具備：(1)排列變換部，其基於光之頻譜而產生二維排列資料；(2)處理部，其具有深度神經網路；(3)及分析部，其使藉由排列變換部基於分析對象物所產生之光之頻譜而產生之二維排列資料輸入至深度神經網路，且基於自深度神經網路輸出之資料對分析對象物進行分析。
本發明之頻譜分析方法係基於包含複數個基準物中之任意一個或兩個以上之基準物之分析對象物所產生之光之頻譜對該分析對象物進行分析之方法，且具備：(1)排列變換步驟，其基於光之頻譜而產生二維排列資料；(2)及分析步驟，其使用具有深度神經網路之處理部，使於排列變換步驟中基於分析對象物所產生之光之頻譜而產生之二維排列資料輸入至深度神經網路，且基於自深度神經網路輸出之資料對分析對象物進行分析。 [發明之效果]
根據本發明，可高效率地進行高精度之頻譜分析。
以下，參照隨附圖式，對用於實施本發明之形態進行詳細說明。再者，圖式之說明中，對相同要素附加相同之符號，省略重複之說明。本發明不限於該等例示。
圖1係顯示頻譜分析裝置1之構成之圖。頻譜分析裝置1係基於包含複數個基準物中之任意一個或兩個以上之基準物之分析對象物所產生之光之頻譜對該分析對象物進行分析之裝置，且具備排列變換部10、處理部20、學習部30及分析部40。
排列變換部10基於基準物或分析對象物所產生之光之頻譜產生二維排列資料。排列變換部10較佳以頻譜之峰值強度為特定值之方式使頻譜標準化並產生二維排列資料。又，排列變換部10亦較佳將包含頻譜之資料之全部或一部分之M×N個資料排列為M列N行並產生二維排列資料。M、N係2以上之整數。M與N可彼此不同，亦可彼此相等。
處理部20具有深度神經網路。該深度神經網路較佳為回旋神經網路(Convolutional Neural Network)。於該回旋神經網路中，抽取特徵量之回旋層、與壓縮特徵量之積存層交替設置。處理部20雖亦可藉由CPU(Central Processing Unit：中央處理單元)進行深度神經網路之處理，但較佳藉由可進行更高速之處理之DSP(Digital Signal Processor：數位信號處理器)或GPU(Graphics Processing Unit：圖形處理單元)進行。
學習部30係藉由排列變換部10基於複數個基準物各者所產生之光之頻譜而使二維排列資料產生，使該二維排列資料作為學習用資料輸入至深度神經網路，而使深度神經網路進行學習。又，學習部30係藉由排列變換部10基於包含複數個基準物中之任意一個或兩個以上之基準物且混合比例為已知之混合物所產生之光之頻譜而產生二維排列資料，且使該二維排列資料作為學習用資料輸入至深度神經網路，而使用混合比例使深度神經網路進行學習。此種深度神經網路之學習稱為深度學習(Deep Learning)。
分析部40係藉由排列變換部10基於分析對象物所產生之光之頻譜而使二維排列資料產生，使該二維排列資料作為分析對象資料輸入至深度神經網路，而基於自深度神經網路輸出之資料對分析對象物進行分析。分析部40基於自深度神經網路輸出之資料將分析對象物分類為複數個基準物中之任意一者。又，分析部40基於自深度神經網路輸出之資料求出分析對象物中所含之基準物之混合比例。
排列變換部10將學習用資料及分析對象資料設為彼此相同之M列N行之二維排列資料。因此，若頻譜之資料尺寸並非為M×N個，或者學習用之頻譜與分析對象之頻譜資料尺寸彼此不同之情形時，排列變換部10較佳進行頻譜之資料之降頻、修整、任意值之填補等。又，排列變換部10亦較佳設為藉由數值解析之領域所使用之內插方法(樣條內插、拉格朗日內插、及Akima內插等)或圖像處理之領域所使用之壓縮方法(波變換、離散餘弦變換)，將學習用資料及分析對象資料設為彼此相同之M列N行之二維排列資料。
頻譜分析裝置1亦可具備輸入部，該輸入部接收分析對象之頻譜之選擇、分析開始之指示及分析條件之選擇等。輸入部係例如鍵盤或滑鼠等。又，頻譜分析裝置1亦可具備顯示分析結果等之顯示部。顯示部係例如液晶顯示器等。頻譜分析裝置1亦可具備記憶分析對象之頻譜及分析結果等之記憶部。頻譜分析裝置1可設為包含電腦之構成。
使用此種頻譜分析裝置1之頻譜分析方法具備排列變換部10之排列變換步驟、學習部30之學習步驟、及分析部40之分析步驟。
即，於排列變換步驟中，藉由排列變換部10基於基準物或分析對象物所產生之光之頻譜產生二維排列資料。於學習步驟中，使用具有深度神經網路之處理部20，並使於排列變換步驟中基於複數個基準物各者所產生之光之頻譜而產生之二維排列資料作為學習用資料輸入至深度神經網路，使深度神經網路進行學習。於分析步驟中，使用具有深度神經網路之處理部20，使於排列變換步驟中基於分析對象物所產生之光之頻譜而產生之二維排列資料作為分析對象資料輸入至深度神經網路，並基於自深度神經網路輸出之資料對分析對象物進行分析。
若於學習步驟中進行一次深度神經網路之學習則以後可重複進行分析步驟，故於每次進行分析步驟後無需進行學習步驟。鑒於相同之原因，若深度神經網路已學習則無需學習部30。
於本實施形態，因使基於頻譜產生之二維排列資料輸入至深度神經網路而進行頻譜分析，故即使於進行複雜之分類之情形，及進行大量頻譜之分類等情形時，亦可高效率且穩定地進行高精度之頻譜分析。又，於本實施形態，可使用深度神經網路進行定量分析。
接著，對第1至第3實施例進行說明。於各實施例，使用以下7種樹脂材料作為基準物。作為分析對象，使用包含該等7種樹脂材料中之任意一種或兩種樹脂材料者。 聚碳酸酯(polycarbonate、PC) 聚對苯二甲酸乙二酯(polyethylene terephthalate、PET) 聚甲基丙烯酸甲酯樹脂(polymethyl methacrylate、PMMA) 聚苯乙烯(polystyrene、PS) 硬質聚氯乙烯(hard polyvinyl chloride、PVC(h)) 聚偏氯乙烯(polyvinylidene chloride、PVDC) 矽酮橡膠(silicone rubber、SR)
對基準物及分析對象物照射中心波長785 nm之雷射光，於拉曼位移量(波數)之各值測定於此時產生之拉曼散射光之強度，並求出拉曼頻譜。
於第1及第2實施例中，各頻譜之資料尺寸係1024。於排列變換步驟中，針對各拉曼頻譜以峰值強度為特定值之方式進行標準化，並將各拉曼頻譜之1024資料排列為32列32行並產生二維排列資料。於該二維排列資料之產生時，將拉曼頻譜之波數依序排列之1024資料中之最初之32資料自第1列之第1行依序排列至第32行，並將其次之32資料自第2列之第1行依序排列至第32行，重複同樣，將最後之32資料自第32列之第1行依序排列至第32行。於第3實施形態，分析對象之頻譜之資料尺寸係256。
圖2係顯示基於拉曼頻譜產生之二維排列資料之例之圖。該圖顯示二維排列資料作為二維圖像。於該圖，像素數係32×32。若資料值越大則以淺色表示各像素，若資料值越小則以濃色表示。灰階數為256。但，此圖為方便起見，雖將灰階數作為256顯示二維圖像，但於實際之處理中使用0～70左右之實數作為各像素值。
於第1實施例，如下所述，將分析對象物分類為7種基準物中之任意一種。
於學習步驟中，針對作為基準物之各樹脂材料使用100個拉曼頻譜作為學習用資料。學習用資料之總數係700(=100×7種)。例如若對PC進行說明，則於排列變換步驟中基於僅包含PC之樹脂材料之拉曼頻譜產生二維排列資料。然後，使該二維排列資料輸入至深度神經網路，將PC之學習用標記設為值1，並將其他樹脂材料之學習標記設為值0，使深度神經網路進行學習。圖3係顯示將基準物作為各樹脂材料之拉曼頻譜之例之圖。圖4係顯示學習作為基準物之PC之拉曼頻譜時之各樹脂材料之學習標記之值之表。
於分析步驟中，針對作為分析對象物之各樹脂材料使用40個拉曼頻譜作為分析對象資料。分析對象資料之總數係280(=40×7種)。例如若對PC進行說明，則準備四種信號雜訊比(signal-to-noise ratio)不同之僅包含PC之樹脂材料之拉曼頻譜，並於排列變換步驟中基於各拉曼頻譜產生二維排列資料。然後，使該二維排列資料輸入至深度神經網路，並自深度神經網路輸出輸出標記。
圖5係顯示作為分析對象物之PC之拉曼頻譜之例之圖。該圖顯示SN比不同之四個拉曼頻譜。圖6係顯示使基於作為分析對象物之PC之拉曼頻譜之二維排列資料輸入至深度神經網路之輸出標記之例之圖。於該圖之例，因自深度神經網路輸出之各樹脂材料之輸出標記中之PC之輸出標記之值為最大，故分析對象物分類為PC。
於用以與第1實施例比較之第1比較例中，如下所述，藉由多變量解析將分析對象物分類為7種基準物中之任意一種。即，基於對學習用資料實施主成分分析(Principal Component Analysis、PCA)之結果，並藉由支持向量機(Support Vector Machine、SVM)構成7種圖案識別器。PCA之主成分數係8，PCA之貢獻率係0.968。藉由SVM使分析對象資料輸入至圖案識別器。
圖7係彙總第1實施例及第1比較例各者之分類結果之表。圖7(a)顯示第1實施例之分類結果，圖7(b)顯示第1比較例之分類結果。於第1比較例中，針對280個分析對象資料中SN比最低之PS之10個分析對象資料為錯誤之分類結果。與此相對，於第1實施例，可對所有280個分析對象資料進行正確地分類。如此，與使用多變量解析之第1比較例相比，於使用深度神經網路之第1實施例可進行高精度之分類。
於第2實施例，如下所述，求出分析對象物所包含之基準物之混合比例。
於學習步驟中，使用包含作為基準物之7種樹脂材料中之1種或2種樹脂材料之混合比例為已知之混合物之拉曼頻譜作為學習用資料。若對PC與PET之混合物進行說明，將PC與PET之混合比例設為x：(1-x)，將x於0～1之範圍內設為0.1大小，準備具有11種混合比例之混合物之拉曼頻譜。另，於x=1之情形時PC係100%，於x=0之情形時PET雖為100%，但方便起見稱為混合物。
關於學習用資料之個數，針對各樹脂材料(x=0)為各3個(小計21個(=3×7種))，針對包含任意2種樹脂材料之混合物(x=0.1～0.9之9種混合比例)為各3個(小計567個(=3×7
C2
×9))，總數係588。7
C2
係自7種選擇2種時之組合之個數，即7×6/2。混合物之拉曼頻譜將各樹脂材料之拉曼頻譜以混合比例加權平均而製成。
於排列變換步驟中基於該混合物之拉曼頻譜產生二維排列資料。然後，使該二維排列資料輸入至深度神經網路，將學習用標記作為對應於混合比例之值，使深度神經網路進行學習。圖8係顯示SR與PS之混合物之拉曼頻譜之例之圖。圖9係顯示學習PC與PMMA之混合物(混合比例0.8：0.2)之拉曼頻譜時之各樹脂材料之學習標記之值之表。
於分析步驟中，使用包含作為基準物之7種樹脂材料中之1種或2種樹脂材料之混合比例為已知之混合物之拉曼頻譜作為分析對象資料。分析對象資料以與學習用資料同樣之方式製成。關於分析對象資料之個數，針對各樹脂材料(x=0)為各1個，針對包含任意2個樹脂之混合物(x=0.1～0.9之9中混合比例)為各1個，總數係196。
圖10係顯示使基於作為分析對象物之PC與PMMA之混合物(混合比例0.8：0.2)之拉曼頻譜之二維排列資料輸入至深度神經網路時之輸出標記之例之圖。於該圖之例中，因自深度神經網路輸出之各樹脂材料之輸出標記中之PC之輸出標記之值係0.75，PMMA之輸出標記之值係0.15，PVDC之輸出標記之值係0.10，故分析對象物為PC、PMMA及PVDC之3種樹脂材料之混合物，並求出其混合比例為0.75：0.15：0.10。
於用以與第2實施例比較之第2比較例中，如下所述，藉由多變量解析求出分析對象物所包含之基準物之混合比例。即，基於對學習用資料實施PCA之結果並藉由多變量線性迴歸法(Multivariate Linear Regression、MLR)製成檢量線，使用該檢量線，進行定量。PCA之主成分數係10，PCA之貢獻率係0.994。
圖11～圖17係顯示第2實施例及第2比較例各者之定量結果之圖。圖11顯示PC之定量結果。圖12顯示PET之定量結果。圖13顯示PMMA之定量結果。圖14顯示PS之定量結果。圖15顯示PVC(h)之定量結果。圖16顯示PVDC之定量結果。圖17顯示SR之定量結果。各圖(a)顯示第2實施例之定量結果。各圖(b)顯示第2比較例之定量結果。又，各圖針對學習用資料及分析對象資料各者，顯示真實混合比例(橫軸)與定量結果之混合比例(縱軸)之關係。以均方根誤差評估真實混合比例與定量結果之混合比例之差的結果，第2實施例者為0.0473，第2比較例者為0.0762。如此，與使用多變量解析之第2比較例相比，於使用深度神經網路之第2實施例中可進行高精度之定量分析。
於第3實施例，與第1實施例大致同樣地，將分析對象物分類為7種基準物中之任意一種。學習用資料之總數為700(=100×7種)。分析對象資料之總數為280（=40×7種）。於第3實施例中，與第1實施例相比，雖就學習用之頻譜之資料尺寸為1024之點相同，但就分析對象之頻譜之資料尺寸為256之點不同。
為了將學習用資料及分析對象資料設為彼此相同之16列16行之二維排列資料，故藉由波變換將學習用之頻譜之資料尺寸壓縮為256，而於排列變換步驟中基於該壓縮後之頻譜產生二維排列資料。圖18係顯示壓縮前之學習用之頻譜及二維排列資料之例之圖。圖19係顯示壓縮後之學習用之頻譜及二維排列資料之例之圖。圖20係顯示分析對象之頻譜及二維排列資料之例之圖。各圖(a)顯示二維排列資料。各圖(b)顯示頻譜。
用於與第3實施例比較之第3比較例與第1比較例同樣，藉由多變量解析(PCA及SVM)將分析對象物分類為7種基準物中之任意一種。PCA之主成分數係8，PCA之貢獻率係0.974。
圖21係彙總第3實施例及第3比較例各者之分類結果之表。圖21(a)顯示第3實施例之分類結果，圖21(b)顯示第3比較例之分類結果。於第3比較例中正確回答率為97.4%，相對於此，第3實施例中正確回答率為99.3%。如此，即使於壓縮頻譜之資料尺寸之情形時，與使用多變量解析之第3比較例相比，於使用深度神經網路之第3實施例中亦可進行高精度之分類。
另，於藉由分析部40進行之分析對象物之分析中，亦可將圖像識別所使用之特徵量可視手法應用於頻譜，使用特徵量可視手法，進行頻譜之特徵部位之抽取等。
此處，作為特徵量可視化手法，針對於深度學習之領域中稱為Grad-CAM(Gradient-weighted Class Activation Mapping：加權梯度類激活映射)之技術(參照非專利文獻2)之例進行說明。此為使回旋神經網路中所獲得之分類結果之判斷基準可視化之技術之一。藉由將此種技術應用於頻譜，可期待對模型之妥當性之檢算(例如，判斷是否關注於對肉眼識別所使用之峰值)之利用，又，可期待對肉眼未關注之特徵之抽取之利用。
對上述Grad-CAM所使用之運算法，進行簡單地說明。首先，指定取得判斷基準之標記。其後，計算經學習之各特徵量映像(直至獲得預測標記經由之回旋層或積存層)之變化對預測結果造成多大影響。該計算藉由依序略微改變各映像之各像素之值，觀察賦予至後段之變化量，具有特定對預測結果之影響較大之部位之意義。一般而言，此為表現為梯度(Gradient)之取得之處理。若合計各映像所得之變化量映像，則可抽取對後段之影響較大之部位，即成為判斷之根據之特徵部位。
圖22係針對第1實施例顯示分類為PC(Polycarbonate)之頻譜之熱圖之例之圖。於該圖，將對藉由上述之手法所得之變化量映像之綜合乘以活性化函數者作為熱圖重疊於原頻譜並顯示，判斷深度學習模型為重要之部位醒目顯示。
另，Grad-CAM如上所述，為用以進行頻譜之特徵部位之抽取等之特徵量可視法手法之一。作為特徵部位之抽取方法，稱為計算各像素賦予之變化量之手法共通，除Grad-CAM以外，可使用例如SmoothGrad(參照非專利文獻3)等各種方法。
本發明之頻譜分析裝置及頻譜分析方法不限定於上述實施形態及構成例，亦可進行各種變形。
上述實施形態之頻譜分析裝置係基於包含複數個基準物中之任意一個或兩個以上之基準物之分析對象物所產生之光之頻譜對該分析對象物進行分析之裝置，且構成為具備：(1)排列變換部，其基於光之頻譜產生二維排列資料；(2)處理部，其具有深度神經網路；(3)及分析部，其使排列變換部基於分析對象物所產生之光之頻譜而產生之二維排列資料輸入至深度神經網路，並基於自深度神經網路輸出之資料對分析對象物進行分析。
於上述構成之分析裝置中，排列變換部亦可設為以頻譜之峰值強度為特定值之方式使頻譜標準化並產生二維排列資料之構成。又，於上述構成之分析裝置，排列變換部亦可設為將包含頻譜之資料之全部或一部分之M×N個資料排列為M列N行並產生二維排列資料之構成。
上述構成之分析裝置亦可設為進而具備學習部，該學習部使排列變換部基於複數個基準物各者所產生之光之頻譜而產生之二維排列資料輸入至深度神經網路，使深度神經網路進行學習。於此情形時，學習部亦可設為使排列變換部基於包含複數個基準物中之任意1個或2個以上之基準物之混合比例為已知之混合物所產生之光之頻譜所產生之二維排列資料輸入至深度神經網路，使用混合比例使深度神經網路進行學習之構成。
於上述構成之分析裝置中，分析部亦可設為基於自深度神經網路輸出之資料將分析對象物分類為複數個基準物中之任意1個。又，於上述構成之分析裝置中，分析部亦可設為基於自深度神經網路輸出之資料求出分析對象物所包含之基準物之混合比例之構成。又，於上述構成之分析裝置，分析部亦可設為使用特徵量可視手法抽取頻譜之特徵部位之構成。
上述實施形態之頻譜分析方法係基於包含複數個基準物中之任意1個或2個以上之基準物之分析對象物所產生之光之頻譜對該分析對象物進行分析之方法，且構成為具備：(1)排列變換步驟，其基於光之頻譜產生二維排列資料；(2)及分析步驟，其使用具有深度神經網路之處理部，並使於排列變換步驟中基於分析對象物所產生之光之頻譜而產生之二維排列資料輸入至深度神經網路，基於自深度神經網路輸出之資料對分析對象物進行分析。
於上述構成之分析方法，於排列轉變步驟中，亦可設為頻譜之峰值強度為特定值之方式使頻譜標準化並產生二維排列資料之構成。又，於上述構成之分析方法，於排列變換步驟中，亦可設為將包含頻譜之資料之全部或一部分之M×N個資料排列為M列N行並產生二維排列資料之構成。
上述構成之分析方法亦可設為進而具備學習步驟，該學習步驟係使於排列變換步驟中基於複數個基準物各者所產生之光之頻譜而產生之二維排列資料輸入至深度神經網路，使深度神經網路進行學習。於此情形時，於學習步驟中，亦可設為使於排列變換步驟中基於包含複數個基準物中之任意1個或2個以上之基準物之混合比例為已知之混合物所產生之光之頻譜而產生之二維排列資料輸入至深度神經網路，並使用混合比例使深度神經網路進行學習之構成。
於上述構成之分析方法，於分析步驟中，亦可設為基於自深度神經網路輸出之資料將分析對象物分類為複數個基準物中之任意一個之構成。又，於上述構成之分析方法中，於分析步驟，亦可設為基於自深度神經網路輸出之資料求出分析對象物所包含之基準物之混合比例之構成。又，於上述構成之分析方法中，於分析步驟，亦可設為使用特徵量可視化手法抽取頻譜之特徵部位之構成。 [產業上之可利用性]
本發明可利用作為可高效率地進行高精度之頻譜分析之裝置及方法。
1‧‧‧ 頻譜分析裝置10‧‧‧排列變換部20‧‧‧處理部30‧‧‧學習部40‧‧‧分析部
圖1係顯示頻譜分析裝置1之構成之圖。 圖2係顯示基於拉曼頻譜產生之二維排列資料之例之圖。 圖3係顯示作為基準物之各樹脂材料之拉曼頻譜之例之圖。 圖4係顯示學習作為基準物之PC之拉曼頻譜時之各樹脂材料之學習標記之值之表。 圖5係顯示作為分析對象物之PC之拉曼頻譜之例之圖。 圖6係顯示使基於作為分析對象物之PC之拉曼頻譜之二維排列資料輸入至深度神經網路時之輸出標記之例之圖。 圖7係彙總第1實施例及第1比較例各者之分類結果之表，(a)顯示第1實施例之分類結果，及(b)顯示第1比較例之分類結果。 圖8係顯示SR與PS之混合物之拉曼頻譜之例之圖。 圖9係顯示學習PC與PMMA之混合物(混合比例0.8：0.2)之拉曼頻譜時之各樹脂材料之學習標記之值之表。 圖10係顯示使基於作為分析對象物之PC與PMMA之混合物(混合比例0.8：0.2)之拉曼頻譜之二維排列資料輸入至深度神經網路時之輸出標記之例之圖。 圖11係顯示第2實施例及第2比較例各者之PC之定量結果之圖，(a)顯示第2實施例之定量結果，及(b)顯示第2比較例之定量結果。 圖12係顯示第2實施例及第2比較例各者之PET之定量結果之圖，(a)顯示第2實施例之定量結果，及(b)顯示第2比較例之定量結果。 圖13係顯示第2實施例及第2比較例各者之PMMA之定量結果之圖，(a)顯示第2實施例之定量結果，及(b)顯示第2比較例之定量結果。 圖14係顯示第2實施例及第2比較例各者之PS之定量結果之圖，(a)顯示第2實施例之定量結果，及(b)顯示第2比較例之定量結果。 圖15係顯示第2實施例及第2比較例各者之PVC(h)之定量結果之圖，(a)顯示第2實施例之定量結果，及(b)顯示第2比較例之定量結果。 圖16係顯示第2實施例及第2比較例各者之PVDC之定量結果之圖，(a)顯示第2實施例之定量結果，及(b)顯示第2比較例之定量結果。 圖17係顯示第2實施例及第2比較例各者之SR之定量結果之圖，(a)顯示第2實施例之定量結果，及(b)顯示第2比較例之定量結果。 圖18係顯示壓縮前之學習用之頻譜及二維排列資料之例之圖，(a)顯示二維排列資料，及(b)顯示頻譜。 圖19係顯示壓縮後之學習用之頻譜及二維排列資料之例之圖，(a)顯示二維排列資料，及(b)顯示頻譜。 圖20係顯示分析對象之頻譜及二維排列資料之例之圖，(a)顯示二維排列資料，及(b)顯示頻譜。 圖21係彙總第3實施例及第3比較例各者之分類結果之表，(a)顯示第3實施例之分類結果，及(b)顯示第3比較例之分類結果。 圖22係顯示於第1實施例中分類為PC之頻譜之熱圖之例之圖。
1‧‧‧頻譜分析裝置
10‧‧‧排列變換部
20‧‧‧處理部
30‧‧‧學習部
40‧‧‧分析部
Claims (22)
- 一種頻譜分析裝置，其係基於包含複數個基準物中之任意一個或兩個以上之基準物之分析對象物所產生之光之頻譜對該分析對象物進行分析之裝置，且具備：排列變換部，其基於光之頻譜而產生二維排列資料；處理部，其具有深度神經網路；及分析部，其使藉由上述排列變換部基於上述分析對象物所產生之光之頻譜而產生之二維排列資料輸入至上述深度神經網路，且基於自上述深度神經網路輸出之資料對上述分析對象物進行分析；上述排列變換部係：將包含上述頻譜之資料之全部或一部分之波數依序排列之M×N個資料中最初之N個資料自第1列之第1行依序排列至第N行，並將其次之N個資料自第2列之第1行依序排列至第N行，重複同樣，而將最後之N個資料自第M列之第1行依序排列至第N行，藉此排列為M列N行而產生上述二維排列資料。
- 如請求項1之頻譜分析裝置，其中上述排列變換部係以上述頻譜之峰值強度成為特定值之方式將上述頻譜標準化而產生上述二維排列資料。
- 如請求項1之頻譜分析裝置，其進而具備學習部，該學習部係使藉由上述排列變換部基於上述複數個基準物各者所產生之光之頻譜而產生之二維排列資料輸入至上述深度神經網路，而使上述深度神經網路進行學習。
- 如請求項2之頻譜分析裝置，其進而具備學習部，該學習部係使藉由上述排列變換部基於上述複數個基準物各者所產生之光之頻譜而產生之二維排列資料輸入至上述深度神經網路，而使上述深度神經網路進行學習。
- 如請求項3之頻譜分析裝置，其中上述學習部係使藉由上述排列變換部基於包含上述複數個基準物中之任意1個或2個以上之基準物且混合比例為已知之混合物所產生之光之頻譜而產生之二維排列資料輸入至上述深度神經網路，且使用上述混合比例使上述深度神經網路進行學習。
- 如請求項4之頻譜分析裝置，其中上述學習部係使藉由上述排列變換部基於包含上述複數個基準物中之任意1個或2個以上之基準物且混合比例為已知之混合物所產生之光之頻譜而產生之二維排列資料輸入至上述深度神經網路，且使用上述混合比例使上述深度神經網路進行學習。
- 如請求項1至6中任一項之頻譜分析裝置，其中上述分析部基於自上述深度神經網路輸出之資料，將上述分析對象物分類為上述複數個基準物中之任意一者。
- 如請求項1至6中任一項之頻譜分析裝置，其中上述分析部基於自上述深度神經網路輸出之資料，求出上述分析對象物中所含之上述基準物之混合比例。
- 如請求項1至6中任一項之頻譜分析裝置，其中上述分析部使用特徵 量可視化手法抽取上述頻譜之特徵部位。
- 如請求項7之頻譜分析裝置，其中上述分析部使用特徵量可視化手法抽取上述頻譜之特徵部位。
- 如請求項8之頻譜分析裝置，其中上述分析部使用特徵量可視化手法抽取上述頻譜之特徵部位。
- 一種頻譜分析方法，其係基於包含複數個基準物中之任意1個或2個以上之基準物之分析對象物所產生之光之頻譜對該分析對象物進行分析之方法，且具備：排列變換步驟，其基於光之頻譜而產生二維排列資料；及分析步驟，其使用具有深度神經網路之處理部，使於上述排列變換步驟中基於上述分析對象物所產生之光之頻譜而產生之二維排列資料輸入至上述深度神經網路，且基於自上述深度神經網路輸出之資料對上述分析對象物進行分析；於上述排列變換步驟中，將包含上述頻譜之資料之全部或一部分之波數依序排列之M×N個資料中最初之N個資料自第1列之第1行依序排列至第N行，並將其次之N個資料自第2列之第1行依序排列至第N行，重複同樣，而將最後之N個資料自第M列之第1行依序排列至第N行，藉此排列為M列N行而產生上述二維排列資料。
- 如請求項12之頻譜分析方法，其中於上述排列變換步驟中，以上述 頻譜之峰值強度成為特定值之方式將上述頻譜標準化而產生上述二維排列資料。
- 如請求項12之頻譜分析方法，其進而具備學習步驟，該學習步驟係使於上述排列變換步驟中基於上述複數個基準物各者所產生之光之頻譜而產生之二維排列資料輸入至上述深度神經網路，而使上述深度神經網路進行學習。
- 如請求項13之頻譜分析方法，其進而具備學習步驟，該學習步驟係使於上述排列變換步驟中基於上述複數個基準物各者所產生之光之頻譜而產生之二維排列資料輸入至上述深度神經網路，而使上述深度神經網路進行學習。
- 如請求項14之頻譜分析方法，其中於上述學習步驟中，使於上述排列變換步驟中基於包含上述複數個基準物中之任意1個或2個以上之基準物且混合比例為已知之混合物所產生之光之頻譜而產生之二維排列資料輸入至上述深度神經網路，且使用上述混合比例使上述深度神經網路進行學習。
- 如請求項15之頻譜分析方法，其中於上述學習步驟中，使於上述排列變換步驟中基於包含上述複數個基準物中之任意1個或2個以上之基準物且混合比例為已知之混合物所產生之光之頻譜而產生之二維排列資料輸入至上述深度神經網路，且使用上述混合比例使上述深度神經網路進行學 習。
- 如請求項12至17之頻譜分析方法，其中於上述分析步驟中，基於自上述深度神經網路輸出之資料，將上述分析對象物分類為上述複數個基準物中之任意一者。
- 如請求項12至17之頻譜分析方法，其中於上述分析步驟中，基於自上述深度神經網路輸出之資料，求出上述分析對象物中所含之上述基準物之混合比例。
- 如請求項12至17中任一項之頻譜分析方法，其中於上述分析步驟中，使用特徵量可視化手法抽取上述頻譜之特徵部位。
- 如請求項18之頻譜分析方法，其中於上述分析步驟中，使用特徵量可視化手法抽取上述頻譜之特徵部位。
- 如請求項19之頻譜分析方法，其中於上述分析步驟中，使用特徵量可視化手法抽取上述頻譜之特徵部位。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017-200176 | 2017-10-16 | ||
| JP2017200176 | 2017-10-16 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201923315A TW201923315A (zh) | 2019-06-16 |
| TWI790296B true TWI790296B (zh) | 2023-01-21 |
Family
ID=66174365
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107135731A TWI790296B (zh) | 2017-10-16 | 2018-10-11 | 頻譜分析裝置及頻譜分析方法 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US11609181B2 (zh) |
| JP (1) | JP7076463B2 (zh) |
| CN (1) | CN111213052A (zh) |
| DE (1) | DE112018004567T5 (zh) |
| TW (1) | TWI790296B (zh) |
| WO (1) | WO2019077955A1 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110146455A (zh) * | 2019-05-27 | 2019-08-20 | 安徽大学 | 基于深度学习的激光光谱气体浓度测量方法 |
| CN111222543B (zh) * | 2019-12-19 | 2024-03-22 | 津海威视技术(天津)有限公司 | 物质识别方法和设备及计算机可读存储介质 |
| TW202326113A (zh) * | 2021-10-27 | 2023-07-01 | 美商安進公司 | 使用光譜學進行的基於深度學習的預測 |
| CN115931778B (zh) * | 2022-11-28 | 2023-09-01 | 湖北华鑫光电有限公司 | 镜片的折射率检测设备及其方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5455673A (en) | 1994-05-27 | 1995-10-03 | Eastman Chemical Company | Apparatus and method for measuring and applying a convolution function to produce a standard Raman spectrum |
| EP1992939A1 (en) | 2007-05-16 | 2008-11-19 | National University of Ireland, Galway | A kernel-based method and apparatus for classifying materials or chemicals and for quantifying the properties of materials or chemicals in mixtures using spectroscopic data. |
| CN100507603C (zh) | 2007-10-16 | 2009-07-01 | 哈尔滨工业大学 | 基于选择性核主成份分析的高光谱图像异常点的检测方法 |
| JP5850415B2 (ja) * | 2009-09-04 | 2016-02-03 | 学校法人北里研究所 | 波長可変光源の発光波長の測定方法 |
| CN104897583B (zh) * | 2015-06-18 | 2018-03-09 | 重庆理工大学 | 一种微量血迹无损检测装置及方法 |
| JP6390054B2 (ja) | 2015-11-05 | 2018-09-19 | 株式会社Ｚｍｐ | モニタリングシステム |
| DE102016208087B3 (de) * | 2016-05-11 | 2017-05-11 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren zur Bestimmung der erreichten Qualität bei der Herstellung von Granulaten oder Pellets oder von Beschichtungen auf Granulen oder Pellets |
-
2018
- 2018-09-26 US US16/755,720 patent/US11609181B2/en active Active
- 2018-09-26 WO PCT/JP2018/035764 patent/WO2019077955A1/ja active Application Filing
- 2018-09-26 JP JP2019549174A patent/JP7076463B2/ja active Active
- 2018-09-26 CN CN201880067182.0A patent/CN111213052A/zh active Pending
- 2018-09-26 DE DE112018004567.6T patent/DE112018004567T5/de active Pending
- 2018-10-11 TW TW107135731A patent/TWI790296B/zh active
Non-Patent Citations (1)
| Title |
|---|
| 期刊 Beril Özbalci, Ismail Hakkı Boyacı, Ali Topcu, et al. Rapid analysis of sugars in honey by processing Raman spectrum using chemometric methods and artificial neural networks Food Chemistry 136 Elsevier February 2013 1444~1452 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11609181B2 (en) | 2023-03-21 |
| US20210190679A1 (en) | 2021-06-24 |
| TW201923315A (zh) | 2019-06-16 |
| WO2019077955A1 (ja) | 2019-04-25 |
| DE112018004567T5 (de) | 2020-06-04 |
| JP7076463B2 (ja) | 2022-05-27 |
| JPWO2019077955A1 (ja) | 2020-09-17 |
| CN111213052A (zh) | 2020-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI790296B (zh) | 頻譜分析裝置及頻譜分析方法 | |
| Amigo | Hyperspectral and multispectral imaging: setting the scene | |
| Möckl et al. | Deep learning in single-molecule microscopy: fundamentals, caveats, and recent developments | |
| Murphy et al. | Chemometric analysis of organic matter fluorescence | |
| Vigni et al. | Exploratory data analysis | |
| Biancolillo et al. | Extension of SO-PLS to multi-way arrays: SO-N-PLS | |
| Klyuchko | On the mathematical methods in biology and medicine | |
| Grillini et al. | Comparison of imaging models for spectral unmixing in oil painting | |
| Basile et al. | NIR analysis of intact grape berries: Chemical and physical properties prediction using multivariate analysis | |
| Xu et al. | Deep learning for classification of time series spectral images using combined multi-temporal and spectral features | |
| Festa et al. | Chemometric tools to point out benchmarks and chromophores in pigments through spectroscopic data analyses | |
| CN116994117A (zh) | 目标光谱分析模型的训练方法、装置、设备及存储介质 | |
| Jinadasa et al. | Deep learning approach for Raman spectroscopy | |
| Ilovitsh et al. | Phase stretch transform for super-resolution localization microscopy | |
| CN115598162A (zh) | 基于堆叠式模型的土壤重金属含量检测方法 | |
| Coic et al. | Assessment of essential information in the fourier domain to accelerate raman hyperspectral microimaging | |
| TW201321739A (zh) | 訊號分析裝置、訊號分析方法及電腦程式產品 | |
| Lim et al. | Classification of granite soils and prediction of soil water content using hyperspectral visible and near-infrared imaging | |
| Riu et al. | Analytical chemistry meets art: The transformative role of chemometrics in cultural heritage preservation | |
| TWI818101B (zh) | 頻譜分析裝置及頻譜分析方法 | |
| Kleynhans et al. | Low-cost multispectral system design for pigment analysis in works of art | |
| Buttingsrud et al. | Superresolution of hyperspectral images | |
| Radpour et al. | Advances in Automated Pigment Mapping for 15th-Century Manuscript Illuminations Using 1-D Convolutional Neural Networks and Hyperspectral Reflectance Image Cubes | |
| Zheng et al. | Extract spatial distribution of a specific gas from mixed gas data measured by the LSPR gas sensor | |
| Zhen et al. | Hyperspectral imaging technology for identification of polymeric plastic automobile lampshade |