WO2024104731A1 - Technischer entwurf eines analysegerätes zur spektralen analyse sowie maschinelles lernsystem - Google Patents

Technischer entwurf eines analysegerätes zur spektralen analyse sowie maschinelles lernsystem Download PDF

Info

Publication number
WO2024104731A1
WO2024104731A1 PCT/EP2023/079463 EP2023079463W WO2024104731A1 WO 2024104731 A1 WO2024104731 A1 WO 2024104731A1 EP 2023079463 W EP2023079463 W EP 2023079463W WO 2024104731 A1 WO2024104731 A1 WO 2024104731A1
Authority
WO
WIPO (PCT)
Prior art keywords
spectrometer
model
hardware
spectral
machine learning
Prior art date
Application number
PCT/EP2023/079463
Other languages
English (en)
French (fr)
Inventor
Alexander Freytag
Erik Rodner
Karsten Lindig
Anselm BRACHMANN
Original Assignee
Carl Zeiss Spectroscopy Gmbh
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Carl Zeiss Spectroscopy Gmbh filed Critical Carl Zeiss Spectroscopy Gmbh
Publication of WO2024104731A1 publication Critical patent/WO2024104731A1/de

Links

Classifications

    • 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
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • 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
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/39—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using tunable lasers
    • 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
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Definitions

  • the present invention initially relates to a method for the technical design of an analysis device for the spectral analysis of at least one ingredient of a sample.
  • the analysis device comprises a spectrometer for the spectral measurement of the sample.
  • the analysis device is configured to use a chemometric model formed by a trained machine learning system to determine a concentration of at least one ingredient of the sample based on spectral measured values of the sample recorded with the spectrometer.
  • the ingredient is, for example, a protein or starch.
  • the ingredient is, for example, water, so that a moisture content can be determined by the analysis device.
  • the invention further relates to a computer program product and a trained machine learning system as well as an analysis device for the spectral analysis of at least one ingredient of a sample.
  • DE 10 2020 116 094 A1 concerns a method for calibrating a plurality of identical spectrometers for ingredient analysis. Using a mathematical model of the identical spectrometers, a large number of error spectra are generated in order to improve a regression model.
  • WO 2021/198247 A1 shows a method for co-designing hardware and software for virtual staining of a tissue sample.
  • the method comprises iteratively obtaining multiple sets of training imaging data with respect to one or more tissue samples. Each set of the multiple sets
  • ⁇ PATENT PROTECTION angel of training imaging data was acquired using a different image modality of a group of imaging modalities. Multiple reference images are acquired representing the tissue samples containing one or more chemical dyes. The multiple sets of training image data are processed in a machine learning logic.
  • US 11,062,481 B2 relates to a portable device for determining a state of one or more plants.
  • the device comprises a digital color camera for recording a color image of the plants within a field of view and a light source for providing broadband illumination for the plants within the field of view.
  • a processing unit serves to control the camera and the light source during recording of a first image of the plants while the light source illuminates the plants with the broadband illumination and during recording of a second image of the plants while the light source does not illuminate the plants.
  • DE 10 2021 105 869 A1 shows a spectral sensor system with an array of optical sensors arranged on an integrated circuit, as well as with an interface between the plurality of optical sensors and a first processing device.
  • a plurality of sets of optical filters are configured as a layer arranged on a plurality of optical sensors.
  • Each set of optical filters contains a plurality of optical filters.
  • Each optical filter is configured to transmit light in a different wavelength range.
  • the spectral sensor system comprises a processing device containing an artificial neural network that
  • ⁇ PATENT PROTECTION angel configured to correct a spectral response generated by the plurality of optical sensors.
  • US 2021/0172800 Al relates to techniques for analyzing unknown sample compositions using a prediction model based on optical emission spectra.
  • First emission spectra are received that correspond to a training sample comprising several pure elements of known concentrations.
  • a plurality of spectral ranges are determined that correspond to the plurality of pure elements of known concentrations.
  • Features are determined that are associated with a maximum of the spectral range.
  • a prediction model is trained to predict unknown concentrations of a plurality of components of an unknown sample based on an emission spectrum of the unknown sample.
  • EP 3 842 788 A1 relates to a spectral sensor for near-infrared spectroscopy, which is used to distinguish and/or recognize objects and/or materials.
  • the spectral sensor is designed to work in a learning mode and in an operating mode. In the learning mode, measurements of intensity values of a first spectrum of wavelengths are carried out. In the operating mode, measurements of intensity values of a second spectrum of wavelengths are carried out. The wavelengths of the second spectrum are selected with the aid of a machine learning method.
  • US 10 , 020 , 900 B2 shows a system architecture for providing spectral information for one or more devices and for providing and using the spectral information in a device.
  • ⁇ PATENT PROTECTION angel Spectral Information Server executes a server process that has a library of spectrum-related functions; including functions for retrieving spectral data from spectral data sources or for processing retrieved spectral data.
  • the above-mentioned state-of-the-art solutions for spectral analysis provide for a spectrometer and an evaluation of the spectral measured values recorded with the spectrometer. Both the spectrometer and the method for evaluating the spectral measured values must be highly tailored to the given analysis task in order to be able to produce accurate results. Such a spectral analysis is carried out, for example, to determine the ingredients of agricultural products and foodstuffs. A chemometric model is used to evaluate the spectral measured values, which is developed, for example, using machine learning. The spectral sensitivities that the spectrometer should have must be specified; in particular, how the average wavelengths and bandwidths of the spectrometer’s measuring channels should be dimensioned.
  • the spectrometer may have too few or unsuitable spectral sensitivities, which limits the determination of the ingredients.
  • the spectrometer may be over-dimensioned for the given analysis task, i.e. it may have spectral sensitivities that are not required for the analysis task. This makes the spectrometer too expensive.
  • ⁇ PATENT PROTECTION angel US 5 435 309 A shows a method for determining one or more unknown values of at least one known property, such as the concentration of glucose in blood.
  • the method uses a model based on a set of samples with known values of the known properties and a multivariate algorithm.
  • Several wavelength subgroups are selected from an electromagnetic spectral range suitable for determining the property for use by an algorithm.
  • the selection of the wavelength subgroups is intended to improve the suitability of the model.
  • the selection process uses multivariate search methods that select both predictive and synergistic wavelengths within the wavelength range used.
  • the suitability of the wavelength subgroups is determined by a suitability function.
  • a genetic algorithm is used to generate one or more counting spectra. Several counting spectra are combined to generate a combined counting spectrum. The count spectrum is smoothed and a threshold count value is selected from the count spectrum to select those wavelength subgroups that are suitable for optimizing the suitability function.
  • DE 10 2008 002 355 A1 shows a method for calibrating a spectrometer for measuring spectral components of a substance in the context of chemometrics.
  • a spectrometer device is used to measure spectral components of the substance to be examined.
  • the spectrometer device is calibrated using a calibration unit.
  • a total of spectral components X and associated substance concentrations of the substance to be examined are measured and stored as spectrometric measurement data in the form of a multidimensional coefficient vector. From this
  • ⁇ PATENT PROTECTION angel From the totality of the measured spectral components X, physically relevant spectral components X rei for the respective measurement process are extracted using an automated iterative estimation procedure stored in the calibration unit. The measured spectrometric measurement data for the substance under investigation are calibrated on the basis of the extracted spectral components X rei that are physically relevant for the substance under investigation.
  • the object of the present invention is to be able to adapt the technical design of an analysis device for the spectral analysis of at least one ingredient of a sample more precisely to the respective given analysis task, whereby the analysis device can be designed in a less complex manner.
  • the stated object is achieved by a method according to the appended claim 1, by a computer program product according to the appended independent claim 13, by a trained machine learning system according to the appended independent claim 14 and by an analysis device according to the appended independent claim 15.
  • the method according to the invention is used for the technical design of an analysis device for the spectral analysis of at least one ingredient of a sample.
  • the analysis device to be technically designed should be optimally suited to a given analysis task.
  • the concentration of at least one ingredient of the sample is determined by the spectral analysis based on spectral information measured on the sample.
  • the sample comes from a material or a product which is to be examined with regard to its content by the analysis.
  • the sample can, for example,
  • the material or product is preferably an agricultural product, a foodstuff or a foodstuff.
  • the agricultural product is preferably a harvested product.
  • the harvested product is preferably a grain such as corn or wheat or rapeseed, sugar beet or soy.
  • the harvested product can also preferably be fruit plants such as peppers, tomatoes, strawberries etc. or fruit trees such as almond trees.
  • the sample can be formed by the harvested product as such, as in the case of cereal grains, for example.
  • the sample can also be formed by a part of a plant which produces the harvested product, so that, for example, the leaf of a cereal plant forms the sample.
  • the ingredient is preferably formed by water, a protein, an oil, sugar, salt, starch or crude fibre.
  • the ingredient is preferably formed by a single chemical element, such as nitrogen, phosphorus, potassium, calcium, magnesium, boron, molybdenum, copper, manganese, zinc, iron, chlorine or sulphur.
  • nitrogen is the most important element of chlorophyll and is therefore essential for optimal metabolism.
  • other macronutrients are also relevant, such as phosphorus and potassium, which are often added to the soil together with nitrogen as so-called NPK fertilizers.
  • Calcium and magnesium are also relevant, the latter forming the central element in the chlorophyll ring.
  • other nutrients are often required for optimal growth.
  • ⁇ PATENTPROTECTIONangel are often required in much smaller quantities and are therefore also referred to as micronutrients. Examples of these are boron, molybdenum, copper, manganese, zinc, iron, chlorine and sulphur. Measuring the concentration of water represents a moisture measurement.
  • the ingredient can also be an undesirable component in the product or crop being examined, such as a pesticide or a fungicide.
  • the analysis device comprises a spectrometer for spectral measurement of the sample.
  • the spectrometer can be an NIR spectrometer, a VIS/NIR spectrometer, a VIS spectrometer or a full-range spectrometer.
  • the spectrometer can have a transmission, a transflection or a reflection structure.
  • the spectrometer is preferably designed compactly as a spectrometer sensor.
  • the analysis device is further configured to use a chemometric model formed by a trained machine learning system to determine a concentration of at least one ingredient of the sample based on spectral measurement values of the sample recorded with the spectrometer.
  • the spectrometer records spectral measurement values of the sample, which are determined by the ingredients of the sample.
  • the concentration of the at least one ingredient to be analyzed is determined from the spectral measurement values.
  • the result is a value for the concentration of the at least one ingredient of the sample.
  • the chemometric model is formed by a trained machine learning system. Training takes place when the method according to the invention is carried out.
  • the machine learning system preferably comprises an artificial neural network or a linear model.
  • ⁇ PATENT PROTECTION angel which is preferably formed by a partial least squares regression model.
  • the spectrometer and the chemometric model formed by the trained machine learning system are technically designed or developed so that they form the objects of a technical development process, the result of which is the technically specified spectrometer and the trained machine learning system.
  • an initial configuration of a model of the spectrometer hardware is selected.
  • the configuration determines the spectral sensitivities of the spectrometer.
  • the initial configuration represents a starting point for the technical development process, which is changed during the technical development process.
  • the result of the technical development process is a final configuration of the model of the spectrometer hardware, which serves as a technical specification for producing at least one spectrometer, which forms a component of the analysis device to be produced.
  • the initial configuration of the hardware model of the spectrometer is preferably formed by a configuration of the hardware model of a reference spectrometer.
  • the reference spectrometer is a high-resolution spectrometer which is assumed to measure all spectral information required for the given analysis task.
  • the reference spectrometer forms a gold standard for this.
  • ⁇ PATENT PROTECTION angel The following is an iterative execution of several steps which are computer-implemented. These several steps are carried out iteratively. In simple preferred embodiments, these several steps are repeated until a predetermined number of iterations is reached. In further preferred embodiments, these several steps are repeated until a value of a suitability parameter has at least reached a predetermined limit value, which, depending on the definition of the respective suitability parameter, includes exceeding or falling below it.
  • the one suitability parameter or the several suitability parameters each describe the suitability of the respective current configuration of the model of the hardware of the spectrometer, including the current configuration of the chemometric model formed by the trained machine learning system, for the given analysis task.
  • the at least one suitability parameter is preferably formed by a quality measure or particularly preferably by an error measure or a loss function. If the respective suitability parameter is formed by a quality measure, its value increases when the suitability increases. If the respective suitability parameter is formed by an error measure or loss function, its value decreases when the suitability increases.
  • the predetermined limit defines how large or how small the suitability parameter must at least be so that the current configuration of the model of the spectrometer hardware and the current configuration of the chemometric model formed by the trained machine learning system are considered suitable for the given analysis task, so that the spectrometer can be manufactured according to the current configuration for the analysis device and the chemometric model can be implemented there.
  • the current configuration of the spectrometer hardware model is applied, thereby obtaining spectral training data. If this iterative step is carried out for the first time, the current configuration of the spectrometer hardware model is formed by the initial configuration of the spectrometer hardware model. During application, a spectral measurement of reference samples is simulated using the spectrometer model in order to obtain the spectral training data. The spectral training data represents spectral measurement data obtained with the current configuration of the spectrometer hardware model for the reference samples by simulating the measurement.
  • the current configuration of the chemometric model formed by the machine learning system is applied in order to determine a value of the at least one suitability parameter for the current configuration of the spectrometer hardware model and the current configuration of the chemometric model formed by the machine learning system.
  • the current configuration of the chemometric model formed by the machine learning system is applied to the spectral training data. This application determines the concentration of the at least one ingredient for the current spectral training data.
  • ⁇ PATENT PROTECTION angel Reference ingredient concentration data can be used to determine the value of at least one suitability parameter.
  • the current configuration of the spectrometer hardware model is modified using at least the current value of at least one suitability parameter. This modification is carried out in order to obtain a different configuration of the spectrometer hardware model, which is used in the next iteration.
  • the chemometric model formed by a machine learning system is modified using at least the current value of the at least one suitability parameter. This further trains or adapts the machine learning system.
  • This step therefore represents a single step in training the machine learning system.
  • This training is a machine learning process through which the machine learning system is taught.
  • Machine learning is carried out with the aim of the chemometric model formed by the machine learning system using the spectral training data to determine the concentration of the at least one ingredient in accordance with the given analysis task as best as possible.
  • this iterative step which represents a single step in training the machine learning system and can therefore be understood as further training of the machine learning system, the first or an already modified configuration of the chemometric model formed by a machine learning system into a further configuration of the chemometric model formed by a machine learning system
  • the at least one suitability parameter preferably comprises loss information, from which the gradient information is determined and which preferably represents a final metric for selection.
  • the at least one suitability parameter is preferably formed by a quality measure or particularly preferably by an error measure or loss function.
  • the metric for selecting from the applied configurations is preferably formed by this quality measure, this error measure or this loss function.
  • This metric is particularly preferably formed by a second of the suitability parameters.
  • a first of the suitability parameters for modifying the current configuration is determined using a preferably predefined part of the spectral training data, while a second of the suitability parameters for selecting from the applied configurations is determined using another preferably predefined part of the spectral training data.
  • the iterative modification of the spectrometer hardware model and the chemometric model formed by a machine learning system is carried out with the aim of finding a pair of configurations of these two models that is best suited to the given analysis task.
  • the configurations of these two models are preferably within a predefined framework.
  • This framework is preferably formed by at least one interval within which a parameter of the spectrometer or of the chemometric model defined by the configuration is changed.
  • the number of iterations is preferably at least 100 and more preferably at least 1,000.
  • the pair of applied configurations of the model of the hardware of the spectrometer and of the chemometric model is preferably selected whose value of the suitability parameter corresponds to the best possible suitability, so that the most suitable pair of the applied configurations is selected.
  • a decision is made as to which pair of applied configurations is the one which represents the result of the technical design of the hardware and the chemometric model of the analysis device.
  • the fitness metric may, for example, be defined such that it decreases with the fitness of the configuration of the spectrometer hardware model and the chemometric model, such that the pair of applied configurations having a minimum value of the fitness metric is selected. This does not, of course, have to be the pair of configurations applied in the last iteration performed. As already explained above, it is particularly preferred to use a second of the fitness metrics as a metric for selecting from the applied configurations. The first of the fitness metrics and the second of the fitness metrics are preferably determined using different parts of the spectral training data.
  • ⁇ PATENT PROTECTION angel a suitability parameter and the step of modifying the respective current configuration of the chemometric model formed by a machine learning system using at least the respective current value of the at least one suitability parameter preferably take place simultaneously.
  • both the respective current configuration of the model of the hardware of the spectrometer and the respective current configuration of the chemometric model formed by a machine learning system are modified.
  • these two steps take place individually during the execution of the method, i.e.
  • the configuration of the hardware model and the configuration of the chemometric model may be modified alternately, or one of the two configurations may be modified less frequently.
  • the iterative step of modifying the current configuration of the spectrometer hardware model is carried out using at least one of the previously determined values of the at least one suitability parameter.
  • the at least one value of the at least one suitability parameter is used to improve the current configuration of the spectrometer hardware model so that it can be better suited to the given analysis task, so that the concentration of the at least one ingredient can be determined more precisely.
  • ⁇ PATENT PROTECTION angel Configuration of the spectrometer hardware model represents the then current configuration of the spectrometer hardware model for the next iteration.
  • the iterative step of modifying the current configuration of the chemometric model formed by a machine learning system is carried out using at least one of the previously determined values of the at least one suitability parameter.
  • the at least one value of the at least one suitability parameter is used to improve the current configuration of the chemometric model formed by a machine learning system so that it can be better suited to the given analysis task, so that the concentration of at least one ingredient can be determined more precisely.
  • the modified configuration of the model of the chemometric model formed by a machine learning system represents the then current configuration of the chemometric model formed by a machine learning system for the next iteration.
  • the iterative steps are repeated until the value of the suitability parameter has reached a predetermined limit value.
  • this suitability parameter is also used as a metric for selection, the configuration of the spectrometer hardware model applied in the last iteration and the configuration of the chemometric model formed by the machine learning system applied in the last iteration have the best suitability of all configurations used and represent the result of the technical design of the analysis device.
  • a suitability parameter is also used as a metric for selection, the configuration of the spectrometer hardware model applied in the last iteration and the configuration of the chemometric model formed by the machine learning system applied in the last iteration have the best suitability of all configurations used and represent the result of the technical design of the analysis device.
  • ⁇ PATENT PROTECTION angel second of the suitability parameters is used as a metric for selection, the configurations of the model of the hardware of the spectrometer and of the chemometric model formed by the machine learning system selected thereby represent the result of the technical design of the analysis device.
  • the iteratively executed steps are preferably repeated until a predefined budget is exhausted, which is defined by a number of iterations to be carried out and/or by a time duration for carrying out the iterations.
  • those of the applied configurations of the model of the hardware of the spectrometer and those of the applied configurations of the chemometric model formed by the machine learning system are preferably selected whose value of the relevant suitability parameter corresponds to the best possible suitability, so that the most suitable of the applied configurations are selected.
  • a parameter of the spectrometer and/or the chemometric model defined by the configuration is changed randomly and using at least one of the previously determined values of the at least one suitability parameter.
  • those of the applied configurations of the model of the hardware of the spectrometer and those of the applied configurations of the chemometric model formed by the machine learning system are selected whose value of the suitability parameter corresponds to the best possible suitability, so that the most suitable of the applied configurations are selected.
  • ⁇ PATENT PROTECTION angel the configurations of the spectrometer hardware model and the chemometric model formed by the machine learning system applied in the last iteration.
  • the method according to the invention is characterized in that the spectrometer and the chemometric model formed by the machine learning system are technically designed or developed together.
  • the spectrometer and the chemometric model together form the objects of a single technical development process.
  • the hardware forming the spectrometer and the software forming the chemometric model are developed together, which can be referred to as co-design of the hardware and software of the analysis device.
  • This co-design represents a significant difference to the prior art, according to which the spectrometer is first technically designed individually, for which the available knowledge is used in the best possible way.
  • This joint technical design according to the invention is particularly efficient, especially due to the use of gradient information from the at least one suitability parameter, and is therefore significantly faster than known solutions from the prior art.
  • the chemometric model is developed on the basis of the technically fully designed spectrometer, which is done, for example, using machine learning.
  • the spectrometer and the chemometric model are developed together, which ensures that the spectrometer and the chemometric model solve the given analysis task in the best possible synergistic way.
  • a particular advantage of the method according to the invention is that the designed analysis device with its components, the spectrometer and the chemometric model, is very precisely adapted to the given analysis task. This ensures, on the one hand, that the designed analysis device can fulfill the given analysis task very precisely.
  • the spectrometer can be designed with far less effort than a reference spectrometer according to the gold standard.
  • the spectrometer designed as a result of the method is optimized and, in particular, only has those measuring channels with the respective bandwidths and average wavelengths that are required for the given analysis task. Many analysis tasks require only a small number of measuring channels, so that this number is significantly reduced compared to the number of measuring channels of the reference spectrometer according to the gold standard. This reduces the costs for manufacturing the hardware of the analysis device.
  • a further advantage is that the analyses with the analysis device can be carried out more quickly and require less energy due to the reduced number of measuring channels. Accordingly, less data needs to be transferred.
  • Modifying the chemometric model formed by the machine learning system represents supervised learning.
  • Supervised learning is preferably based on regression and/or classification. Regression is preferably used for continuously changing values of concentrations of an ingredient. An example of this is the concentration of water to determine the humidity. Classification is preferably used for graded values of concentrations of an ingredient.
  • ⁇ PATENT PROTECTION angel An example of this is the concentration of salt, which is classified as either sufficient or insufficient.
  • concentration of salt can also be classified in levels, for example as: ⁇ 1.2 g/kg; 1.2 g/kg; 1.4 g/kg;
  • Regression is preferably performed using least squares, preferably as Ordinary Least Squares (OLS) or Partial Least Squares (PLS), which is robust and suitable when only a few latent variables are to be considered.
  • OLS Ordinary Least Squares
  • PLS Partial Least Squares
  • the machine learning system comprises an artificial neural network, which is preferably formed by a convolutional neural network (CNN).
  • CNN convolutional neural network
  • the following parameters are preferably used: ID convolutions, non-linear activations, ID pooling operations and/or layer normalizations.
  • a final prediction of continuous values of concentrations of an ingredient can be made using regression.
  • a final prediction of graded values of concentrations of an ingredient can be made using a classification, for example carried out as a multi-class classification, for example by predicting a discrete class number or by predicting a multi-class probability vector.
  • the training can, for example, be carried out in such a way that a multi-class permutation error for discrete decisions or a multi-class cross entropy for probability vectors across multiple classes is minimized.
  • an ordinal character of the classes can be taken into account, for example by minimizing the weighted Cohen-Kappa loss value.
  • Modifying the respective current configuration of the spectrometer hardware model and the respective current configuration of the chemometric model formed by the machine learning system using the respective current value of the at least one suitability parameter represents an optimization of the hardware model and the chemometric model.
  • at least one piece of gradient information is preferably determined from this at least one suitability parameter with regard to trainable parameters of the spectrometer hardware model and with regard to trainable parameters of the chemometric model formed by the machine learning system.
  • This gradient information is preferably used to modify the respective current configuration of the spectrometer hardware model and the respective current configuration of the chemometric model formed by the machine learning system. This is done using an optimization method, which is preferably selected from the following group: gradient descent (GD), stochastic gradient descent (SGD), gradient descent with momentum, Adam optimization algorithm, root mean square propogation (RMSProb).
  • GD gradient descent
  • SGD stochastic gradient descent
  • RMSProb root mean square propogation
  • the method comprises a further step in which reference data is provided which is used to apply the model to the hardware of the spectrometer.
  • the reference data is provided which is used to apply the model to the hardware of the spectrometer.
  • ⁇ PATENT PROTECTION angel comprise a series of reference spectral data associated with at least one series of reference ingredient concentration data.
  • the reference spectral data would ideally be acquired from a sample containing the ingredient according to the reference ingredient concentration data.
  • the iterative step of applying the respective current configuration of the spectrometer hardware model comprises a simulation of a spectral measurement of the sample using this respective current configuration of the spectrometer hardware model.
  • the respective configuration of the spectrometer hardware model is applied to the reference spectral data, thereby obtaining spectral simulation measurements which form the spectral training data.
  • simulation measured values of the concentrations of the ingredient are obtained, which are compared with the reference ingredient concentration data in order to determine the value of the at least one suitability parameter in each case.
  • the aim is for the simulation measured values of the concentrations of the ingredient to be as close as possible to the reference ingredient concentration data.
  • the respective configuration of the model of the hardware of the spectrometer is preferably applied to all of the previously provided reference spectral data in each case.
  • the respective configuration of the model of the hardware of the spectrometer is preferably applied to a part of the previously provided reference spectral data in each case, wherein preferably a different part of the previously provided reference spectral data than in the previous iteration is selected and applied in each case.
  • the step of providing the reference data is preferably carried out by first providing reference samples for which the concentration values of the at least one ingredient are known, so that these values form the reference ingredient concentration data.
  • the concentration values of the ingredient can be determined using a chemical analysis method. These values can also be determined using a non-chemical analysis method; for example using a spectral analysis device with a high degree of accuracy.
  • the reference samples are also measured using a reference spectrometer to obtain the reference spectral data.
  • the method preferably comprises further steps, which take into account that the process of manufacturing the spectrometer hardware is not ideal.
  • the spectrometer hardware that was manufactured according to a model of the spectrometer hardware will not completely resemble this model, but there will be a deviation from the model.
  • the mean wavelengths of measurement channels of the manufactured spectrometer hardware can deviate from the mean wavelengths of the measurement channels of the spectrometer hardware model. Therefore, in one step, a manufacturing-related hardware deviation is first determined between the spectrometer hardware model and a spectrometer hardware manufactured according to the spectrometer hardware model. The manufacturing-related hardware deviation determined is used in the iterative step of applying the current configuration of the
  • ⁇ PATENT PROTECTION angel Model of the spectrometer hardware is taken into account so that the spectral training data correspond more closely to the measurement data that can be recorded with the manufactured spectrometer hardware.
  • the determined manufacturing-related hardware deviation is preferably not changed during the iterations.
  • the method preferably comprises further steps by which changing measurement conditions are taken into account in order to obtain extended spectral training data by means of which the spectral training data as a whole becomes more realistic.
  • Such measurement conditions are, for example, the distance between the sample and the spectrometer and environmental conditions such as air humidity and temperature in the area of the sample and/or the spectrometer.
  • the changing measurement conditions are taken into account in the iterative step of applying the current configuration of the model of the spectrometer hardware so that the spectral training data correspond more precisely to the measurement data that can be recorded with the manufactured hardware of the spectrometer under realistic measurement conditions.
  • the measurement conditions are varied in order to take into account that different realistic measurement conditions can occur. For example, the change in the amplitude of a measurement channel can be changed depending on the ambient temperature. This amplitude represents the sensitivity of the measurement channel.
  • the respective configuration of the spectrometer hardware model defines at least one parameter of the spectrometer.
  • the respective configuration of the spectrometer hardware model defines at least one parameter of the spectrometer.
  • ⁇ PATENT PROTECTION angel preferably defines several of the parameters of the spectrometer.
  • the parameter(s) preferably specify at least one measuring channel of the spectrometer; more preferably at least two measuring channels of the spectrometer and even more preferably at least 16 measuring channels.
  • the parameter(s) are preferably each formed by a peak wavelength, a center wavelength, a mean wavelength, a bandwidth, a half-width, a curve shape parameter and/or a peak value of the at least one measuring channel.
  • the peak value is a peak height.
  • the one measuring channel or the several measuring channels are preferably each determined by a spectral input filter.
  • the spectral input filters each have a transmission range which is defined by one or more of the above-mentioned parameters.
  • the iterative step of modifying the current configuration of the model of the spectrometer hardware one or more of the above-mentioned parameters are changed.
  • the optimization techniques specified above are preferably used for this purpose.
  • the iterative step of modifying the current configuration of the spectrometer hardware model involves changing the number of measurement channels. For example, the number of measurement channels can be changed from 16 to 8 or to 4, or vice versa.
  • the respective configuration of the spectrometer hardware model defines a plurality of the spectrometer parameters by which a plurality of the spectrometer measurement channels are specified.
  • the spectrometer hardware model further defines for each of the measurement channels a
  • ⁇ PATENTPROTECTIONangel Mask for masking the measurement channels.
  • one or more of the coefficients are changed, i.e. the masking of the measurement channels is changed.
  • the modification of the current configuration of the spectrometer hardware model can thus be reduced to a modification of the mask, so that this embodiment can be carried out with little effort. Therefore, in this embodiment, only the coefficients, i.e. only the mask, are preferably modified.
  • the coefficients are preferably each formed by a binary value, so that the individual measurement channels are activated or deactivated when the current configuration of the spectrometer hardware model is modified. A subset of the measurement channels of the initial configuration of the spectrometer hardware model is therefore formed.
  • the coefficients are alternatively preferably each formed by a fractional number or a decimal number, so that the weighting of the individual measurement channels is changed when the current configuration of the spectrometer hardware model is modified; for example by a discrete linear Ll approximation .
  • the model of the hardware of the spectrometer preferably defines at least one constraint which is defined by a minimum peak wavelength, by a maximum peak wavelength, by a minimum centroid wavelength, by a maximum centroid wavelength, by a minimum mean wavelength, by a maximum mean wavelength, by a minimum bandwidth, by a maximum bandwidth, by a minimum half-width, by a maximum half-width, by a minimum waveform parameter, by a maximum waveform parameter, by a
  • ⁇ PATENTPROTECTIONangel minimum peak value by a maximum peak value, by a minimum wavelength difference between a wavelength parameter of one of the measuring channels and a corresponding wavelength parameter of another of the measuring channels or by a maximum wavelength difference between a wavelength parameter of one of the measuring channels and a corresponding wavelength parameter of another of the measuring channels.
  • the minimum or maximum wavelength difference is defined in particular between wavelength parameters of two adjacent measuring channels.
  • the wavelength parameter in question is preferably formed by the peak wavelength or by the minimum or maximum half-width.
  • the restrictions mentioned are preferably also defined multiple times in each case, for example restrictions on the minimum or maximum peak wavelength in several intervals. The restrictions mentioned can also relate to a group or to a proportion of the measuring channels.
  • the restrictions mentioned each limit the possible change of the parameter in question during the iterative step of modifying the current configuration of the spectrometer hardware model.
  • this one restriction or these several restrictions are preferably not changed during the iterative step of modifying the current configuration of the spectrometer hardware model.
  • This one restriction or these several restrictions are preferably read out from a test copy of the spectrometer hardware.
  • the spectrometer hardware model preferably includes several of these restrictions.
  • the model of the hardware of the spectrometer preferably further defines at least one device parameter of the spectrometer, which represents a signal noise, a bandwidth noise, a half-width noise, a measurement deviation or a tolerance of the spectrometer.
  • the measurement deviation can be temperature-dependent, for example.
  • the aforementioned bandwidth noise is a deviation of an achieved mean bandwidth from a predetermined value for the bandwidth.
  • the one or more tolerances are particularly due to the manufacture of the hardware of the spectrometer.
  • the device parameter(s) are taken into account in the iterative step of applying the current configuration of the model of the hardware of the spectrometer, thereby improving the optimization of the spectrometer and the chemometric model.
  • the simulation of the spectrum is changed in at least one iteration, taking into account the at least one device parameter.
  • the device parameters are preferably not changed during the iterative step of modifying the current configuration of the spectrometer hardware model.
  • the method comprises further steps which are carried out after at least some iterations of the iteratively executed steps have taken place.
  • a test copy of the spectrometer hardware is provided according to one of the modified configurations of the spectrometer hardware model. This is in particular the then current configuration of the spectrometer hardware model.
  • ⁇ PATENT PROTECTION angel Spectrometer is manufactured according to the already developed model of the spectrometer hardware.
  • reference samples are measured with the test specimen, whereby spectral measurement values are obtained.
  • These spectral measurement values are used as spectral training data in further iterations of the iterative steps. This takes into account manufacturing tolerances that occur when manufacturing the spectrometer.
  • the computer program product according to the invention is used for the technical design or development of an analysis device for analyzing at least one ingredient of a sample.
  • the computer program product comprises a computer-readable storage medium which has program instructions stored thereon.
  • the program instructions can be executed by one or more computers or control units and cause the one or more computers or control units to carry out the method according to the invention or one of the described preferred embodiments of the method according to the invention.
  • the program instructions include, among other things, algorithms for machine learning; namely for training the chemometric model formed by a machine learning system with the spectral training data.
  • the storage medium can be formed by an electronic medium, a magnetic medium, an optical medium, an electromagnetic medium, an infrared medium or a semiconductor medium, such as an SSD.
  • the program instructions can be formed by machine-dependent or machine-independent instructions, microcode, firmware, status-defining data or any source code or object code, for example in C++, Java or similar or in conventional procedural
  • PATENT PROTECTION angel programming languages Electronic circuits such as programmable logic circuits, field-programmable gate arrays (FPGA) or programmable logic arrays (PLA) can also be designed to execute the program instructions.
  • the resulting model of the spectrometer hardware and the resulting chemometric model formed by the machine learning system are preferably stored as program code in order to be available for later applications.
  • the trained machine learning system according to the invention forms a chemometric model for determining a concentration of at least one ingredient of a sample based on spectral measurement values of the sample recorded with a spectrometer.
  • the machine learning system according to the invention was trained by the method according to the invention or by a preferred
  • Embodiment of the method according to the invention is trained. It is available in the form of a program code.
  • the analysis device serves for the spectral analysis of at least one ingredient of a sample.
  • the analysis device comprises a spectrometer for spectral measurement of the sample.
  • the analysis device is configured to use a chemometric model formed by a trained machine learning system to determine a concentration of at least one ingredient of the sample based on spectral measurement values of the sample recorded with the spectrometer.
  • the spectrometer and the chemometric model formed by the trained machine learning system have emerged from the method according to the invention or one of the described preferred embodiments of the method according to the invention.
  • the analysis device was therefore technically designed or developed using the method according to the invention.
  • the analysis device preferably also has further features which are described in connection with the method according to the invention.
  • the analysis device comprises a plurality of components which are mechanically independent of one another and can have their own housings.
  • the spectrometer is preferably designed as a handheld device, which forms one of the mechanically independent components.
  • Another of the mechanically independent components of the analysis device is preferably formed by a computing unit which is configured to use the chemometric model formed by a trained machine learning system.
  • the spectrometer and the computing unit are preferably connected to one another via a wireless data connection.
  • the computing unit can be a smartphone, for example.
  • the only figure shows a flow chart of a preferred embodiment of a method according to the invention.
  • the method is used for the technical design of an analysis device (not shown) for the spectral analysis of at least one ingredient of a sample.
  • the method results in the analysis device to be developed being optimized for a given analysis task.
  • the analysis device comprises a spectrometer
  • the analysis device is further configured to use a chemometric model to determine a concentration of at least one ingredient of the sample based on spectral measurement values of the sample recorded with the spectrometer.
  • the spectrometer and the chemometric model formed by a machine learning system are jointly developed and optimized.
  • a model of the hardware of the spectrometer is used to develop and optimize the spectrometer.
  • a reference spectrometer which is high-resolution and represents a gold standard.
  • the reference spectrometer is chosen so that it provides a larger bandwidth and a higher spectral resolution than are necessary for the given analysis task.
  • the spectrometer to be developed will therefore have a reduced bandwidth and/or spectral resolution compared to the reference spectrometer.
  • reference samples are provided which are selected according to the given analysis task. Values of concentrations of at least one ingredient of the reference sample are known for the reference samples. This is the at least one ingredient whose concentration is to be determined according to the given analysis task. These values known for the reference samples represent reference ingredient concentration data.
  • the reference samples 02 are spectrally measured with the reference spectrometer 01, so that in a next step 04 several reference spectral data are available.
  • the method comprises several iterative steps 06, through which a joint iterative optimization of the model of the hardware of the spectrometer and the chemometric model in the form of the machine learning system takes place.
  • the spectral measurement of samples with the spectrometer is simulated.
  • a model of the spectrometer hardware is used.
  • the model describes the hardware of the spectrometer by a specification s (not shown) in the form of parameters.
  • the specification s (not shown) is preferably formed by a vector.
  • a first exemplary definition of the vector is described below: A first value of the vector s (not shown) is formed by an average wavelength of a first measuring channel of the spectrometer. A second value of the vector s (not shown) is formed by a bandwidth of the first measuring channel of the spectrometer. A third value of the vector s (not shown) is formed by an average wavelength of a second measuring channel of the spectrometer.
  • a fourth value of the vector s is formed by a bandwidth of the second measuring channel of the spectrometer. This sequence of values is continued accordingly.
  • a second exemplary definition of the vector is described below: A first value of the vector s (not shown) is formed by a mean wavelength of a first measuring channel of the spectrometer. A second value of the vector s (not shown) is formed by a bandwidth of the first measuring channel of the spectrometer. A third value of the vector s (not shown) is formed by an amplitude of the first measuring channel of the spectrometer.
  • a fourth value of the vector s is formed by a mean wavelength of a second measuring channel of the spectrometer.
  • a fifth value of the vector s (not shown) is formed by a bandwidth of the second measuring channel of the spectrometer.
  • a sixth value of the vector s (not shown) is formed by an amplitude of the second measuring channel of the spectrometer. This sequence of values is continued accordingly.
  • the simulation of the measurements for recording spectra with the current model of the spectrometer hardware takes place by applying the current vector s (not shown) to the reference spectral data 04, as a result of which spectral training data is available in a next step 08.
  • an initial configuration of the model of the spectrometer hardware is assumed, which is represented by an initial vector So (not shown).
  • a step 09 the chemometric model formed by the machine learning system is trained, which is explained in more detail below.
  • the machine learning system is referred to as m (not shown) for example.
  • the machine learning system m is used to predict the value of the concentration of at least one ingredient of the reference sample from the spectral training data. Deviations of the predicted values from the reference ingredient concentration data represent an error which characterizes the current model of the spectrometer hardware and the current chemometric model formed by the machine learning system.
  • An objective function is therefore defined which for the respective vector s (not shown) and the respective machine learning system m (not shown) the mentioned
  • ⁇ PATENT PROTECTION angel Deviations From the deviations mentioned, the value of a suitability parameter is determined in a step 11, which is checked for a condition in a step 12. This condition forms the termination condition for the iteratively executed steps 06.
  • This termination condition which is preferably predetermined, defines at what point the model of the spectrometer hardware and the chemometric model formed by the machine learning system are considered to be sufficiently optimized to fulfill the given analysis task.
  • step 12 If the test in step 12 shows that the suitability parameter does not yet fulfill the condition, then in a step 13 changed parameters are determined jointly and simultaneously for the model of the hardware of the spectrometer and for the chemometric model formed by the machine learning system in order to improve the objective function described above and thus also the suitability parameter.
  • a vector s t (not shown) and a model m t (not shown) are determined, for which preferably not only the immediately previously determined vector s t -i (not shown) and the previously determined model m t -i (not shown) but all previously determined vectors So to s t -i (not shown) and all previously determined models m 0 to m t -i (not shown) are taken into account.
  • a step 14 the changed parameters of the model of the hardware of the spectrometer, i.e. the vector s t (not shown), and the changed parameters of the chemometric model formed by the machine learning system, i.e. the model m t (not shown), are updated for the step 07 of simulating the spectral measurement to be carried out again.
  • step 12 If the test in step 12 shows that the suitability parameter fulfills the condition, the iteratively executed steps 06 are completed.
  • step 16 the optimized model of the spectrometer hardware and the chemometric model formed by the trained machine learning system are now available, so that the process as a whole is complete.
  • a spectrometer To manufacture the analysis device, a spectrometer must be manufactured in accordance with the optimized model of the spectrometer hardware and the chemometric model formed by the trained machine learning system must be implemented in the analysis device to be manufactured.
  • the analysis device manufactured in this way is ideally suited to the given analysis task and the spectrometer is far less complex than the reference spectrometer according to the gold standard, so that the analysis device can be manufactured cost-effectively.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biophysics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum technischen Entwurf eines Analysegerätes zur spektralen Analyse mindestens eines Inhaltsstoffes einer Probe. Das Analysegerät umfasst ein Spektrometer und ist zur Anwendung eines durch ein trainiertes maschinelles Lernsystem gebildeten chemometrischen Modells zur Bestimmung einer Konzentration des Inhaltsstoffes ausgehend von mit dem Spektrometer aufgenommenen spektralen Messwerten der Probe konfiguriert. Es erfolgt ein iteratives Ausführen (06) mehrerer Schritte. Diese Schritte umfassen ein Anwenden (07) einer jeweils aktuellen Konfiguration eines Modells einer Hardware des Spektrometers, wodurch spektrale Trainingsdaten (08) erhalten werden. Eine jeweils aktuelle Konfiguration des chemometrischen Modells wird auf die spektralen Trainingsdaten (08) angewendet, um einen Wert einer Eignungskenngröße (11) für die jeweils aktuellen Konfigurationen der Modelle zu bestimmen. Die jeweils aktuellen Konfigurationen der Modelle werden unter Nutzung zumindest des jeweils aktuellen Wertes der mindestens einen Eignungskenngröße (11) modifiziert (13). Im Weiteren betrifft die Erfindung ein Computerprogrammprodukt, ein trainiertes maschinelles Lernsystem sowie ein Analysegerät.

Description

Technischer Entwurf eines Analysegerätes zur spektralen Analyse sowie maschinelles Lernsystem
Die vorliegende Erfindung betri f ft zunächst ein Verfahren zum technischen Entwurf eines Analysegerätes zur spektralen Analyse mindestens eines Inhaltsstof fes einer Probe . Das Analysegerät umfasst ein Spektrometer zur spektralen Vermessung der Probe . Das Analysegerät ist zur Anwendung eines durch ein trainiertes maschinelles Lernsystem gebildeten chemometrischen Modells zur Bestimmung einer Konzentration mindestens eines Inhaltsstof fes der Probe ausgehend von mit dem Spektrometer auf genommenen spektralen Messwerten der Probe konfiguriert . Bei dem Inhaltsstof f handelt es sich beispielsweise um ein Protein oder um Stärke . Bei dem Inhaltsstof f handelt es sich beispielsweise um Wasser, sodass durch das Analysegerät eine Feuchte bestimmbar ist . Im Weiteren betri f ft die Erfindung ein Computerprogrammprodukt und ein trainiertes maschinelles Lernsystem sowie ein Analysegerät zur spektralen Analyse mindestens eines Inhaltsstof fes einer Probe .
Die DE 10 2020 116 094 Al betri f ft ein Verfahren zum Kalibrieren einer Mehrzahl an baugleichen Spektrometern zur Inhaltsstof f analyse . Mit einem mathematischen Modell der baugleichen Spektrometer wird eine Viel zahl an Fehlerspektren erzeugt , um ein Regressionsmodell zu verbessern .
Die WO 2021 / 198247 Al zeigt ein Verfahren zum Co-Design von Hardware und Software zur virtuellen Färbung einer Gewebeprobe . Das Verfahren umfasst ein iteratives Gewinnen von mehreren Sätzen von Trainings-Bildgebungsdaten in Bezug auf eine oder mehrere Gewebeproben . Jeder Satz der mehreren Sätze
© PATENTSCHUTZ engel von Trainings-Bildgebungsdaten wurde unter Verwendung einer anderen Bildmodalität einer Gruppe von Bildmodalitäten erfasst . Es werden mehrere Referenzbilder gewonnen, welche die einen oder mehrere chemische Farbstof fe umfassenden Gewebeproben darstellen . Die mehreren Sätze der Trainingsbilddaten werden in einer Maschinenlernlogik verarbeitet .
Die US 11 , 062 , 481 B2 betri f ft ein tragbares Gerät zum Bestimmen eines Zustandes einer oder mehrerer Pflanzen . Die Vorrichtung umfasst eine digitale Farbkamera zur Aufnahme eines Farbbildes der Pflanzen innerhalb eines Sichtfeldes sowie eine Lichtquelle zum Bereitstellen einer Breitbandbeleuchtung für die Pflanzen innerhalb des Sichtfeldes . Eine Verarbeitungseinheit dient zum Steuern der Kamera und der Lichtquelle während der Aufnahme eines ersten Bildes der Pflanzen, während die Lichtquelle die Pflanzen mit der Breitbandbeleuchtung beleuchtet , und während der Aufnahme eines zweiten Bildes der Pflanzen, während die Lichtquelle die Pflanzen nicht beleuchtet .
Die DE 10 2021 105 869 Al zeigt ein Spektralsensorsystem mit einem Array von optischen Sensoren, die auf einer integrierten Schaltung angeordnet sind, sowie mit einer Schnittstelle zwischen der Viel zahl von optischen Sensoren und einer ersten Verarbeitungsvorrichtung . Eine Viel zahl von Sätzen von optischen Filtern ist als eine Schicht konfiguriert , die auf einer Viel zahl von optischen Sensoren angeordnet ist . Jeder Satz von optischen Filtern enthält eine Viel zahl von optischen Filtern . Jedes optische Filter ist konfiguriert , um Licht in einem anderen Wellenlängenbereich durchzulassen . Das Spektralsensorsystem umfasst eine Verarbeitungsvorrichtung, die ein künstliches neuronales Netzwerk enthält , das
© PATENTSCHUTZ engel konfiguriert ist , um eine durch die Viel zahl von optischen Sensoren erzeugte Spektralantwort zu korrigieren .
Die US 2021 / 0172800 Al betri f ft Techniken zum Analysieren unbekannter Probenzusammensetzungen unter Verwendung eines Vorhersagemodells basierend auf optischen Emissionsspektren . Es werden erste Emissionsspektren empfangen, die einer Trainingsprobe entsprechen, welche mehrere reine Elemente bekannter Konzentrationen umfasst . Darauf basierend wird eine Viel zahl von Spektralbereichen bestimmt , die der Viel zahl von reinen Elementen bekannter Konzentrationen entsprechen . Es werden Merkmale bestimmt , die einem Maximum des Spektralbereiches zugeordnet sind . Ein Vorhersagemodell wird trainiert , um unbekannte Konzentrationen einer Viel zahl von Bestandteilen einer unbekannten Probe basierend auf einem Emissionsspektrum der unbekannten Probe vorherzusagen .
Die EP 3 842 788 Al betri f ft einen Spektralsensor für die Nahinfrarotspektroskopie , welcher zur Unterscheidung und/oder Erkennung von Obj ekten und/oder Materialien dient . Der Spektralsensor ist ausgebildet , in einem Lernmodus und in einem Betriebsmodus zu arbeiten . In dem Lernmodus werden Messungen von Intensitätswerten eines ersten Spektrums von Wellenlängen durchgeführt . In dem Betriebsmodus werden Messungen von Intensitätswerten eines zweiten Spektrums von Wellenlängen durchgeführt . Die Wellenlängen des zweiten Spektrums werden unter Zuhil fenahme eines Maschinenlernverfahrens ausgewählt .
Die US 10 , 020 , 900 B2 zeigt eine Systemarchitektur zum Bereitstellen von Spektralinformationen für ein oder mehrere Geräte sowie zum Bereitstellen und Verwenden der Spektralinformationen in einem Gerät . Ein
© PATENTSCHUTZ engel Spektralinformationsserver führt einen Serverprozess aus , der eine Bibliothek von spektrumsbezogenen Funktionen aufweist ; einschließlich Funktionen zum Abrufen von Spektraldaten von Spektraldatenquellen oder zum Verarbeiten von abgerufenen Spektraldaten .
Die genannten Lösungen aus dem Stand der Technik zur spektralen Analyse sehen ein Spektrometer und eine Auswertung der mit dem Spektrometer auf genommenen spektralen Messwerte vor . Sowohl das Spektrometer als auch das Verfahren zur Auswertung der spektralen Messwerte müssen in einem hohen Maße an die gegebene Analyseaufgabe angepasst sein, um zu genauen Ergebnissen führen zu können . Eine solche spektrale Analyse wird beispielsweise zur Bestimmung von Inhaltsstof fen von landwirtschaftlichen Produkten und Nahrungsmitteln durchgeführt . Zur Auswertung der spektralen Messwerte dient ein chemometrisches Modell , welches beispielsweise unter Anwendung von maschinellem Lernen entwickelt wird . Für das Spektrometer muss festgelegt werden, welche spektralen Empfindlichkeiten es aufweisen soll ; insbesondere wie die mittleren Wellenlängen und Bandbreiten von Messkanälen des Spektrometers dimensioniert sein sollen . Die Auswahl eines nicht optimal konfigurierten Spektrometers verschlechtert die Auswertung durch das chemometrische Modell . Das Spektrometer kann beispielsweise zu wenige oder unpassende spektrale Empfindlichkeiten besitzen, was die Bestimmung der Inhaltsstof fe beschränkt . In anderen Fällen kann es dazu kommen, dass das Spektrometer für die gegebene Analyseaufgabe überdimensioniert ist , d . h . dass es spektrale Empfindlichkeiten aufweist , die für die Analyseaufgabe nicht benötigt werden . Hierdurch wird das Spektrometer zu teuer .
© PATENTSCHUTZ engel Die US 5 435 309 A zeigt ein Verfahren zur Bestimmung eines oder mehrerer unbekannter Werte mindestens einer bekannten Eigenschaft wie die Konzentration von Glukose in Blut . Für das Verfahren wird ein Modell verwendet , welches auf einem Satz von Proben mit bekannten Werten der bekannten Eigenschaften und einem multivariaten Algorithmus basiert . Es erfolgt ein Auswahlen mehrerer Wellenlängenuntergruppen aus einem zum Bestimmen der Eigenschaft geeigneten elektromagnetischen Spektralbereich zur Verwendung durch einen Algorithmus . Die Auswahl der Wellenlängenuntergruppen soll die Eignung des Modells verbessern . Der Auswahlprozess verwendet multivariate Suchverfahren, die sowohl prädiktive als auch synergistische Wellenlängen innerhalb des verwendeten Wellenlängenbereichs auswählen . Die Eignung der Wellenlängenuntergruppen wird durch eine Eignungs funktion bestimmt . Es wird ein genetischer Algorithmus verwendet , um ein oder mehrere Zählspektren zu erzeugen . Mehrere Zählspektren werden kombiniert , um ein kombiniertes Zählspektrum zu erzeugen . Das Zählspektrum wird geglättet und es wird ein Schwellenzählwert aus dem Zählspektrum ausgewählt , um diej enigen Wellenlängenuntergruppen aus zuwählen, welche zur Optimierung der Eignungs funktion geeignet sind .
Die DE 10 2008 002 355 Al zeigt ein Verfahren zum Kalibrieren eines Spektrometers für die Messung von Spektralanteilen eines Stof fes im Rahmen der Chemometrie . Eine Spektrometervorrichtung dient zum Messen von Spektralanteilen des zu untersuchenden Stof fes . Mit einer Kalibriereinheit erfolgt eine Kalibrierung der Spektrometervorrichtung . Es wird eine Gesamtheit von Spektralanteilen X und dazugehörigen Stof f konzentrationen des zu untersuchenden Stof fes gemessen und als spektrometrische Messdaten in Form eines mehrdimensionalen Koef fi zientenvektors gespeichert . Aus dieser
© PATENTSCHUTZ engel Gesamtheit der gemessenen Spektralanteile X werden für den j eweiligen Messvorgang physikalisch relevante Spektralanteile Xrei über ein in der Kalibriereinheit hinterlegtes automatisiert ablaufendes iteratives Schätzverfahren extrahiert . Die gemessenen spektrometrischen Messdaten für den untersuchten Stof f werden auf der Basis der extrahierten, physikalisch für den zu untersuchenden Stof f relevanten Spektralanteile Xrei kalibriert .
Die Aufgabe der vorliegenden Erfindung besteht ausgehend vom Stand der Technik darin, den technischen Entwurf eines Analysegerätes zur spektralen Analyse mindestens eines Inhaltsstof fes einer Probe genauer an die j eweils gegebene Analyseaufgabe anpassen zu können, wodurch das Analysegerät weniger aufwändig ausgeführt werden kann .
Die genannte Aufgabe wird gelöst durch ein Verfahren gemäß dem beigefügten Anspruch 1 , durch ein Computerprogrammprodukt gemäß dem beigefügten nebengeordneten Anspruch 13 , durch ein trainiertes maschinelles Lernsystem gemäß dem beigefügten nebengeordneten Anspruch 14 und durch ein Analysegerät gemäß dem beigefügten nebengeordneten Anspruch 15 .
Das erfindungsgemäße Verfahren dient zum technischen Entwurf eines Analysegerätes zur spektralen Analyse mindestens eines Inhaltsstof fes einer Probe . Das technisch zu entwerfende Analysegerät soll optimal für eine gegebene Analyseaufgabe geeignet sein . Durch die spektrale Analyse wird die Konzentration mindestens eines Inhaltsstof fes der Probe ausgehend von an der Probe gemessenen spektralen Informationen bestimmt . Die Probe stammt von einem Material oder einem Produkt , welches durch die Analyse hinsichtlich seines Inhaltes untersucht werden soll . Die Probe kann beispielsweise
© PATENTSCHUTZ engel dem Material bzw. dem Produkt entnommen werden oder das Material bzw. das Produkt wird dem Analysegerät als Probe zugeführt. Bei dem Material bzw. dem Produkt handelt es sich bevorzugt um ein landwirtschaftliches Produkt, um ein Lebensmittel oder um ein Nahrungsmittel. Bei dem landwirtschaftlichen Produkt handelt es sich bevorzugt um ein Erntegut. Bei dem Erntegut handelt es sich bevorzugt um ein Getreide wie Mais oder Weizen oder um Raps, um Zuckerrüben oder um Soja. Bei dem Erntegut kann es sich aber auch bevorzugt um Fruchtpflanzen, wie Paprika, Tomaten, Erdbeeren u. ä. oder um Fruchtbäume wie Mandelbäume handeln. Die Probe kann durch das Erntegut als solches gebildet sein, wie beispielsweise im Falle von Getreidekörnern. Die Probe kann aber auch durch einen Teil einer Pflanze gebildet sein, welche das Erntegut hervorbringt, sodass beispielsweise das Blatt einer Getreidepflanze die Probe bildet. Der Inhaltsstoff ist bevorzugt durch Wasser, durch ein Protein, durch ein Öl, durch Zucker, durch Salz, durch Stärke oder durch eine Rohfaser gebildet. Der Inhaltsstoff ist bevorzugt durch ein einzelnes chemisches Element, wie Stickstoff, Phosphor, Kalium, Kalzium, Magnesium, Bor, Molybdän, Kupfer, Mangan, Zink, Eisen, Chlor oder Schwefel gebildet. Von besonderer Relevanz für das Wachstum jeder Kulturpflanze ist die geeignete Versorgung mit Stickstoff, da Stickstoff das wichtigste Element des Chlorophylls ist und somit essenziell für einen optimalen Metabolismus ist. Neben Stickstoff sind auch andere Makronährstoffe relevant, wie Phosphor und Kalium, welche zusammen mit Stickstoff häufig als sogenannter NPK-Dünger den Böden zugeführt werden. Weiterhin relevant sind Kalzium und Magnesium, wobei letzteres das zentrale Element im Chlorophyll-Ring bildet. Zusätzlich sind oft in Abhängigkeit vom Pflanzentyp auch weitere Nährstoffe für ein optimales
Wachstum und einen optimalen Ertrag relevant, welche jedoch
© PATENTSCHUTZengel oft in deutlich kleineren Mengen benötigt werden und daher auch als Mikronährstof fe bezeichnet werden . Beispiele hierfür sind Bor, Molybdän, Kupfer, Mangan, Zink, Eisen, Chlor und Schwefel . Die Messung der Konzentration von Wasser stellt eine Feuchtigkeitsmessung dar . Bei dem Inhaltsstof f kann es sich auch um eine im zu untersuchenden Produkt bzw . Erntegut unerwünschte Komponente , wie ein Pesti zid oder ein Fungi zid handeln .
Das Analysegerät umfasst ein Spektrometer zur spektralen Vermessung der Probe . Bei dem Spektrometer kann es sich um ein NIR-Spektrometer , ein VIS/NIR-Spektrometer , ein VIS - Spektrometer oder ein Full-Range Spektrometer handeln . Das Spektrometer kann einen Transmissions- , einen Trans flexionsoder einen Reflexionsaufbau aufweisen . Das Spektrometer ist bevorzugt kompakt als ein Spektrometersensor ausgeführt .
Das Analysegerät ist weiterhin zur Anwendung eines durch ein trainiertes maschinelles Lernsystem gebildeten chemometrischen Modells zur Bestimmung einer Konzentration mindestens eines Inhaltsstof fes der Probe ausgehend von mit dem Spektrometer auf genommenen spektralen Messwerten der Probe konfiguriert . Das Spektrometer nimmt spektrale Messwerte der Probe auf , welche durch die Inhaltsstof fe der Probe bestimmt werden . Durch das Anwenden des chemometrischen Modells wird von den spektralen Messwerten auf die Konzentration des mindestens einen zu analysierenden Inhaltsstof fes geschlossen . Im Ergebnis liegt ein Wert für die Konzentration des mindestens einen Inhaltsstof fes der Probe vor . Das chemometrische Modell ist durch ein trainiertes maschinelles Lernsystem gebildet . Das Training erfolgt bei der Aus führung des erfindungsgemäßen Verfahrens . Das maschinelle Lernsystem umfasst bevorzugt ein künstliches neuronales Netzwerk oder ein lineares Modell ,
© PATENTSCHUTZ engel welches bevorzugt durch ein Regressionsmodell der partiellen kleinsten Quadrate ( Partial Least Squares Model ) gebildet ist .
Durch das erfindungsgemäße Verfahren werden das Spektrometer und das durch das trainierte maschinelle Lernsystem gebildete chemometrische Modell technisch entworfen bzw . entwickelt , sodass diese die Gegenstände eines technischen Entwicklungsvorganges bilden, in dessen Ergebnis das technisch spezi fi zierte Spektrometer und das trainierte maschinelle Lernsystem vorliegen .
In einem Schritt des Verfahrens wird eine initiale Konfiguration eines Modells einer Hardware des Spektrometers ausgewählt . Die Konfiguration legt die spektralen Empfindlichkeiten des Spektrometers fest . Die initiale Konfiguration stellt einen Ausgangspunkt für den technischen Entwicklungsvorgang dar, die während des technischen Entwicklungsvorganges verändert wird . Im Ergebnis des technischen Entwicklungsvorganges liegt eine finale Konfiguration des Modells der Hardware des Spektrometers vor, die als technische Vorgabe dazu dient , mindestens ein Spektrometer herzustellen, welche eine Komponente des herzustellenden Analysegerätes bildet .
Die initiale Konfiguration des Modells der Hardware des Spektrometers ist bevorzugt durch eine Konfiguration des Modells der Hardware eines Referenzspektrometers gebildet . Bei dem Referenzspektrometer handelt es sich um ein hochauflösendes Spektrometer, bei welchem man davon ausgeht , dass es alle für die gegebene Analyseaufgabe notwendigen spektralen Informationen misst . Das Referenzspektrometer bildet hierfür einen Gold-Standard .
© PATENTSCHUTZ engel Im Folgenden erfolgt ein iteratives Aus führen mehrerer Schritte , welche computerimplementiert sind . Diese mehreren Schritte werden iterativ ausgeführt . Diese mehreren Schritte werden bei einfachen bevorzugten Aus führungs formen so oft wiederholt , bis eine vorgegebene Anzahl an Iterationen erreicht ist . Diese mehreren Schritte werden bei weiteren bevorzugten Aus führungs formen so oft wiederholt , bis ein Wert einer Eignungskenngröße einen vorbestimmten Grenzwert zumindest erreicht hat , was j e nach Definition der j eweiligen Eignungskenngröße ein Überschreiten oder ein Unterschreiten einschließt . Die eine Eignungskenngröße oder die mehreren Eignungskenngrößen beschreiben j eweils die Eignung der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers einschließlich der aktuellen Konfiguration des durch das trainierte maschinelle Lernsystem gebildeten chemometrischen Modells für die gegebene Analyseaufgabe . Die mindestens eine Eignungskenngröße ist bevorzugt durch eine Gütemaß oder besonders bevorzugt durch ein Fehlermaß bzw . eine Verlust funktion gebildet . I st die j eweilige Eignungskenngröße durch ein Gütemaß gebildet , so steigt deren Wert , wenn die Eignung steigt . I st die j eweilige Eignungskenngröße durch ein Fehlermaß bzw . Verlust funktion gebildet , so sinkt deren Wert , wenn die Eignung steigt . Der vorbestimmte Grenzwert definiert , wie groß bzw . wie klein die Eignungskenngröße zumindest sein muss , damit die aktuelle Konfiguration des Modells der Hardware des Spektrometers und die aktuelle Konfiguration des durch das trainierte maschinelle Lernsystem gebildeten chemometrischen Modells als für die gegebene Analyseaufgabe geeignet angesehen werden, sodass das Spektrometer gemäß der aktuelle Konfiguration für das Analysegerät hergestellt werden kann und das chemometrische Modell dort implementiert werden kann . Besonders bevorzugt ist eine erste der
Eignungskenngrößen durch ein Fehlermaß bzw . eine
© PATENTSCHUTZ engel Verlust funktion gebildet , während eine zweite der Eignungskenngrößen durch eine Metrik zur Auswahl aus den Konfigurationen gebildet ist .
In einem der iterativ aus zuführenden Schritte erfolgt ein Anwenden der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers , wodurch spektrale Trainingsdaten erhalten werden . Wird dieser iterativ aus zuführende Schritt das erste Mal ausgeführt , so ist die aktuelle Konfiguration des Modells der Hardware des Spektrometers durch die initiale Konfiguration des Modells der Hardware des Spektrometers gebildet . Beim Anwenden wird ein spektrales Vermessen von Referenzproben mit dem Modell des Spektrometers simuliert , um die spektralen Trainingsdaten zu erhalten . Die spektralen Trainingsdaten stellen spektrale Messdaten dar, die mit der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers für die Referenzproben durch eine Simulation der Messung erhalten werden .
In einem weiteren der iterativ aus zuführenden Schritte erfolgt ein Anwenden der j eweils aktuellen Konfiguration des durch das maschinelle Lernsystem gebildeten chemometrischen Modells , um einen Wert der mindestens einen Eignungskenngröße für die j eweils aktuelle Konfiguration des Modells der Hardware des Spektrometers und die j eweils aktuelle Konfiguration des durch das maschinelle Lernsystem gebildeten chemometrischen Modells zu bestimmen . Das Anwenden der j eweils aktuellen Konfiguration des durch das maschinelle Lernsystem gebildeten chemometrischen Modells erfolgt auf die spektralen Trainingsdaten . Durch dieses Anwenden wird die Konzentration des mindestens einen Inhaltsstof fes für die aktuellen spektralen Trainingsdaten bestimmt . Durch einen Vergleich mit
© PATENTSCHUTZ engel Referenzinhaltsstof fkonzentrationsdaten kann der Wert der mindestens einen Eignungskenngröße bestimmt werden .
In einem weiteren der iterativ aus zuführenden Schritte erfolgt ein Modi fi zieren der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers unter Nutzung zumindest des j eweils aktuellen Wertes der mindestens einen Eignungskenngröße . Dieses Modi fi zieren erfolgt , um eine sich unterscheidende Konfiguration des Modells der Hardware des Spektrometers zu erhalten, welche in der nächsten Iteration angewendet wird .
In einem weiteren der iterativ aus zuführenden Schritte erfolgt ein Modi fi zieren des durch ein maschinelles Lernsystem gebildeten chemometrischen Modells unter Nutzung zumindest des j eweils aktuellen Wertes der mindestens einen Eignungskenngröße . Hierdurch wird das maschinelle Lernsystem weiter trainiert bzw . weiter angepasst . Somit stellt dieser Schritt einen einzelnen Schritt zum Trainieren des maschinellen Lernsystems dar . Dieses Trainieren ist ein Vorgang des maschinellen Lernens , wodurch das maschinelle Lernsystem angelernt wird . Das maschinelle Lernen erfolgt mit dem Ziel , dass das durch das maschinelle Lernsystem gebildete chemometrische Modell aus den spektralen Trainingsdaten die Konzentration des mindestens einen Inhaltsstof fes gemäß der gegebenen Analyseaufgabe bestmöglich bestimmt . Bei dem genannten iterativ aus zuführenden Schritt , welcher einen einzelnen Schritt zum Trainieren des maschinellen Lernsystems darstellt und somit als ein Weitertrainieren des maschinellen Lernsystems aufgefasst werden kann, wird die erste bzw . eine bereits modi fi zierte Konfiguration des durch ein maschinelles Lernsystem gebildeten chemometrischen Modells in eine weitere Konfiguration des durch ein maschinelles Lernsystem gebildeten
© PATENTSCHUTZ engel chemometrischen Modells , d . h . in eine modi fi zierte Konfiguration überführt , wozu die mindestens eine Eignungskenngröße und besonders bevorzugt eine daraus bestimmbare Gradienteninformation bezüglich der trainierbaren Parameter des maschinellen Lernsystem verwendet wird . Die mindestens eine Eignungskenngröße umfasst bevorzugt eine Loss- Information, aus welcher die Gradienteninformation bestimmt wird und welche bevorzugt eine finale Metrik zum Auswahlen darstellt .
Wie oben bereits erläutert wurde , ist die mindestens eine Eignungskenngröße bevorzugt durch ein Gütemaß oder besonders bevorzugt durch ein Fehlermaß bzw . Verlust funktion gebildet . Die Metrik zum Auswahlen aus den angewendeten Konfigurationen ist bevorzugt durch dieses Gütemaß , dieses Fehlermaß bzw . diese Verlust funktion gebildet . Besonders bevorzugt ist diese Metrik durch eine zweite der Eignungskenngrößen gebildet . Bei bevorzugten Aus führungs formen wird eine erste der Eignungskenngrößen zum Modi fi zieren der j eweils aktuellen Konfiguration unter Anwendung eines bevorzugt vorab festgelegten Teiles der spektralen Trainingsdaten bestimmt , während eine zweite der Eignungskenngrößen zum Auswählen aus den angewendeten Konfigurationen unter Anwendung eines bevorzugt vorab festgelegten anderen Teiles der spektralen Trainingsdaten bestimmt wird .
Das iterative Modi fi zieren des Modells der Hardware des Spektrometers und des durch ein maschinelles Lernsystem gebildeten chemometrischen Modells erfolgt mit dem Ziel , ein Paar der Konfigurationen dieser beiden Modelle zu finden, welches bestmöglich für die gegebene Analyseaufgabe geeignet ist . Die Konfigurationen dieser beiden Modelle werden bevorzugt j eweils innerhalb eines vordefinierten Rahmens
© PATENTSCHUTZ engel modi fi ziert . Dieser Rahmen ist bevorzugt durch mindestens ein Intervall gebildet , innerhalb welchem ein durch die Konfiguration definierter Parameter des Spektrometers bzw . des chemometrischen Modells verändert wird . Die Anzahl der Iterationen beträgt bevorzugt mindestens 100 und weiter bevorzugt mindestens 1 . 000 . Nach dem Aus führen der iterativ aus zuführenden Schritte wird bevorzugt dasj enige Paar der angewendeten Konfigurationen des Modells der Hardware des Spektrometers und des chemometrischen Modells ausgewählt , dessen Wert der Eignungskenngröße einer bestmöglichen Eignung entspricht , sodass das von den angewendeten Konfigurationen am besten geeignete Paar ausgewählt wird . Somit wird nach den Iterationen entschieden, welches Paar der angewendeten Konfigurationen dasj enige ist , welches das Ergebnis des technischen Entwurfes der Hardware und des chemometrischen Modells des Analysegerätes darstellt . Die Eignungskenngröße kann beispielsweise so definiert sein, dass sie mit der Eignung der Konfiguration des Modells der Hardware des Spektrometers und des chemometrischen Modells sinkt , sodass dasj enige Paar der angewendeten Konfigurationen ausgewählt wird, dessen Wert der Eignungskenngröße minimal ist . Dies muss selbstverständlich nicht das in der zuletzt durchgeführten Iteration angewendete Paar der Konfigurationen sein . Wie bereits oben erläutert wurde , wird besonders bevorzugt eine zweite der Eignungskenngrößen zum Auswählen aus den angewendeten Konfigurationen als Metrik verwendet . Die erste der Eignungskenngrößen und die zweite der Eignungskenngrößen werden bevorzugt unter Anwendung unterschiedlicher Teile der spektralen Trainingsdaten bestimmt .
Der Schritt des Modi fi zierens der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers unter Nutzung zumindest des j eweils aktuellen Wertes der mindestens
© PATENTSCHUTZ engel einen Eignungskenngröße und der Schritt des Modi fi zierens der j eweils aktuellen Konfiguration des durch ein maschinelles Lernsystem gebildeten chemometrischen Modells unter Nutzung zumindest des j eweils aktuellen Wertes der mindestens einen Eignungskenngröße erfolgen bevorzugt gleichzeitig . Dies heißt , dass bei j eder Iteration der iterativ aus zuführenden Schritte sowohl die j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers als auch die j eweils aktuellen Konfiguration des durch ein maschinelles Lernsystem gebildeten chemometrischen Modells modi fi ziert wird . Bei alternativ bevorzugten Aus führungs formen erfolgen diese beiden Schritte einzeln während der Durchführung des Verfahrens , d . h . nicht gleichzeitig, und es werden weitere einzelne Schritte des Anwendens der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers und des Anwendens der j eweils aktuellen Konfiguration des durch das maschinelle Lernsystem gebildeten chemometrischen Modells auf die spektralen Trainingsdaten zwischengeschoben . Beispielsweise können die Konfiguration des Modells der Hardware und die Konfiguration des chemometrischen Modells abwechselnd modi fi ziert werden oder das Modi fi zieren einer der beiden Konfigurationen erfolgt weniger oft .
Der iterativ aus zuführende Schritt des Modi fi zierens der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers erfolgt unter Nutzung mindestens eines der zuvor bestimmten Werte der mindestens einen Eignungskenngröße . Der mindestens eine Wert der mindestens einen Eignungskenngröße wird genutzt , um die j eweils aktuelle Konfiguration des Modells der Hardware des Spektrometers so zu verbessern, dass sie für die gegebene Analyseaufgabe besser geeignet sein kann, sodass mit dieser die Konzentration des mindestens einen Inhaltsstof fes genauer bestimmbar ist . Die modi fi zierte
© PATENTSCHUTZ engel Konfiguration des Modells der Hardware des Spektrometers stellt für die nächste Iteration die dann aktuelle Konfiguration des Modells der Hardware des Spektrometers dar .
Der iterativ aus zuführende Schritt des Modi fi zierens der j eweils aktuellen Konfiguration des durch ein maschinelles Lernsystem gebildeten chemometrischen Modells erfolgt unter Nutzung mindestens eines der zuvor bestimmten Werte der mindestens einen Eignungskenngröße . Der mindestens eine Wert der mindestens einen Eignungskenngröße wird genutzt , um die j eweils aktuelle Konfiguration des durch ein maschinelles Lernsystem gebildeten chemometrischen Modells so zu verbessern, dass sie für die gegebene Analyseaufgabe besser geeignet sein kann, sodass mit dieser die Konzentration des mindestens eines Inhaltsstof fes genauer bestimmbar ist . Die modi fi zierte Konfiguration des Modells des durch ein maschinelles Lernsystem gebildeten chemometrischen Modells stellt für die nächste Iteration die dann aktuelle Konfiguration des durch ein maschinelles Lernsystem gebildeten chemometrischen Modells dar .
Bei bevorzugten Aus führungs formen werden die iterativ aus zuführenden Schritte so oft wiederholt , bis der Wert der Eignungskenngröße einen vorbestimmten Grenzwert erreicht hat . Insofern wie oben beschrieben wurde , diese Eignungskenngröße auch als Metrik zum Auswählen genutzt wird, weisen die in der zuletzt durchgeführten Iteration angewendete Konfiguration des Modells der Hardware des Spektrometers und die in der zuletzt durchgeführten Iteration angewendete Konfiguration des durch das maschinelle Lernsystem gebildeten chemometrischen Modells die beste Eignung von allen angewendeten Konfigurationen auf und stellen das Ergebnis des technischen Entwurfes des Analysegerätes dar . Insofern wie oben beschrieben wurde , eine
© PATENTSCHUTZ engel zweite der Eignungskenngrößen als Metrik zum Auswahlen genutzt wird, stellen die dadurch ausgewählten Konfigurationen des Modells der Hardware des Spektrometers und des durch das maschinelle Lernsystem gebildeten chemometrischen Modells das Ergebnis des technischen Entwurfes des Analysegerätes dar . Alternativ bevorzugt werden die iterativ aus zuführenden Schritte so oft wiederholt , bis ein hierfür vordefiniertes Budget erschöpft ist , welches durch eine Anzahl der durchzuführenden Iterationen und/oder durch eine Zeitdauer zur Durchführung der Iterationen definiert ist . Nach dem Aus führen der iterativ aus zuführenden Schritte werden bevorzugt diej enige der angewendeten Konfigurationen des Modells der Hardware des Spektrometers und diej enige der angewendeten Konfigurationen des durch das maschinelle Lernsystem gebildeten chemometrischen Modells ausgewählt , deren Wert der betref fenden Eignungskenngröße einer bestmöglichen Eignung entspricht , sodass die von den angewendeten Konfigurationen am besten geeigneten ausgewählt werden .
Bei einer weiteren bevorzugten Aus führungs form wird bei j eder Iteration ein durch die Konfiguration definierter Parameter des Spektrometers und/oder des chemometrischen Modells zufällig und unter Nutzung mindestens eines der zuvor bestimmten Werte der mindestens einen Eignungskenngröße geändert . Nach dem Aus führen der iterativ aus zuführenden Schritte werden bevorzugt diej enige der angewendeten Konfigurationen des Modells der Hardware des Spektrometers und diej enige der angewendeten Konfigurationen des durch das maschinelle Lernsystem gebildeten chemometrischen Modells ausgewählt , deren Wert der Eignungskenngröße einer bestmöglichen Eignung entspricht , sodass die von den angewendeten Konfigurationen am besten geeigneten ausgewählt werden . Dies müssen selbstverständlich nicht die in der
© PATENTSCHUTZ engel zuletzt durchgeführten Iteration angewendeten Konfigurationen des Modells der Hardware des Spektrometers und des durch das maschinelle Lernsystem gebildeten chemometrischen Modells sein .
Das erfindungsgemäße Verfahren zeichnet sich dadurch aus , dass das Spektrometer und das durch das maschinelle Lernsystem gebildete chemometrische Modell gemeinsam technisch entworfen bzw . entwickelt werden . Das Spektrometer und das chemometrische Modell bilden gemeinsam die Gegenstände eines einzigen technischen Entwicklungsvorganges . Die das Spektrometer bildende Hardware und die das chemometrische Modell bildende Software werden gemeinsam entwickelt , was als Co-Design der Hardware und der Software des Analysegerätes bezeichnet werden kann . Dieses Co-Design stellt einen wesentlichen Unterschied zum Stand der Technik dar, gemäß welchem zunächst das Spektrometer einzeln technisch entworfen wird, wofür das zur Verfügung stehende Wissen bestmöglich genutzt wird . Dieser erfindungsgemäße gemeinsame technische Entwurf ist speziell durch die Verwendung einer Gradienteninformation aus der mindestens einen Eignungskenngröße besonders ef fi zient und somit deutlich schneller als bekannte Lösungen aus dem Stand der Technik . Im nächsten Schritt wird auf Basis des technisch fertig entworfenen Spektrometers das chemometrische Modell entwickelt , was beispielsweise unter Anwendung von maschinellem Lernen erfolgt . Hingegen werden bei dem erfindungsgemäßen Verfahren das Spektrometer und das chemometrische Modell gemeinsam entwickelt , wodurch gewährleistet werden kann, dass das Spektrometer und das chemometrische Modell bestmöglich synergetisch die gegebene Analyseaufgabe lösen .
© PATENTSCHUTZ engel Ein besonderer Vorteil des erfindungsgemäßen Verfahrens besteht darin, dass das entworfene Analysegerät mit seinen Komponenten dem Spektrometer und dem chemometrischen Modell sehr genau an die gegebene Analyseaufgabe angepasst ist . Dadurch ist zum einen gewährleistet , dass das entworfene Analysegerät die gegebene Analyseaufgabe sehr genau erfüllen kann . Zum anderen kann das Spektrometer weit weniger aufwändig als ein Referenzspektrometer gemäß dem Gold-Standard ausgeführt werden . Das im Ergebnis des Verfahrens entworfene Spektrometer ist optimiert und weist insbesondere nur solche Messkanäle mit den j eweiligen Bandbreiten und mittleren Wellenlängen auf , welche für die gegebene Analyseaufgabe benötigt werden . Viele Analyseaufgaben erfordern nur eine geringe Anzahl an Messkanälen, sodass diese Anzahl gegenüber der Anzahl an Messkanälen des Referenzspektrometers gemäß dem Gold-Standard deutlich reduziert ist . Dadurch sinken die Kosten für die Herstellung der Hardware des Analysegerätes . Ein weiterer Vorteil besteht darin, dass die Analysen mit dem Analysegerät aufgrund der reduzierten Anzahl an Messkanälen schneller durchgeführt werden können und weniger Energie erfordern . Entsprechend müssen weniger Daten übertragen werden .
Das Modi fi zieren des durch das maschinelle Lernsystem gebildeten chemometrischen Modells , d . h . das Trainieren dieses maschinellen Lernsystems stellt ein überwachtes Lernen dar . Das überwachte Lernen beruht bevorzugt auf einer Regression und/oder einer Klassi fikation . Die Regression wird bevorzugt für sich kontinuierlich verändernde Werte von Konzentrationen eines Inhaltsstof fes verwendet . Ein Beispiel hierfür ist die Konzentration von Wasser zur Bestimmung der Feuchtigkeit . Die Klassi fikation wird bevorzugt für abgestufte Werte von Konzentrationen eines Inhaltsstof fes verwendet . Ein
© PATENTSCHUTZ engel Beispiel hierfür ist die Konzentration von Salz, die entweder als ausreichend oder nicht ausreichend klassifiziert wird. Auch kann die Konzentration des Salzes in Stufen klassifiziert sein; beispielsweise als: < 1,2 g/kg; 1,2 g/kg; 1,4 g/kg;
1, 6 g/kg; 1,8 g/kg; 2,0 g/kg und > 2,0 g/kg.
Die Regression erfolgt bevorzugt für die kleinsten Quadrate, bevorzugt als Ordinary Least Squares (OLS) oder Partial Least Squares (PLS) , welches robust und geeignet ist, wenn nur wenige latente Variablen zu berücksichtigen sind.
Das maschinelle Lernsystem umfasst in einer weiteren bevorzugten Aus führungs form ein Artificial Neural Network, welches bevorzugt durch ein Convolutional Neural Network (CNN) gebildet ist. Dabei werden bevorzugt folgende Parameter angewendet: ID-Convolutions , nicht-lineare Aktivierungen, ID-pooling Operationen und/oder Layer-Normalisierungen . Es kann eine finale Vorhersage von kontinuierlichen Werten von Konzentrationen eines Inhaltsstoffes unter Anwendung einer Regression erfolgen. Es kann eine finale Vorhersage von abgestuften Werten von Konzentrationen eines Inhaltsstoffes unter Anwendung einer Klassifikation, beispielsweise ausgeführt als eine Mehr-Klassen-klassif ikation, dies beispielsweise durch eine Vorhersage einer diskreten Klassenzahl oder durch eine Vorhersage eines Mehr-Klassen- Wahrscheinlichkeitsvektors . Das Training kann beispielsweise so ausgeführt werden, dass ein Mehr-Klassen- Vertauschungsfehler für diskrete Entscheidungen oder eine Mehr-Klassen-Kreuzentropie für Wahrscheinlichkeitsvektoren über mehrere Klassen minimiert wird. In einer anderen Ausführung kann ein ordinaler Charakter der Klassen berücksichtigt werden, was beispielsweise durch eine Minimierung des gewichteten Cohen-Kappa-Verlustwertes erfolgt.
© PATENTSCHUTZengel Convolutional Neural Networks sind geeignet , wenn eine große Menge an Trainingsdaten erzeugt wird und komplexe Zusammenhänge vorliegen .
Das Modi fi zieren der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers und der j eweils aktuellen Konfiguration des durch das maschinelle Lernsystem gebildeten chemometrischen Modells unter Nutzung des j eweils aktuellen Wertes der mindestens einen Eignungskenngröße stellt eine Optimierung des Modells der Hardware und des chemometrischen Modell dar . Hierzu wird auf Basis der mindestens einen Eignungskenngröße bevorzugt mindestens eine Gradienteninformation aus dieser mindestens einen Eignungskenngröße bezüglich trainierbarer Parameter des Modells der Hardware des Spektrometers sowie bezüglich trainierbarer Parameter des durch das maschinelle Lernsystem gebildeten chemometrischen Modells bestimmt . Diese Gradienteninformation wird bevorzugt zum Modi fi zieren der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers und der j eweils aktuellen Konfiguration des durch das maschinelle Lernsystem gebildeten chemometrischen Modells genutzt . Dies erfolgt unter Anwendung eines Optimierungsverfahrens , welches bevorzugt aus der folgenden Gruppe ausgewählt ist : Gradientenverfahren ( Gradient Descent , GD) , Stochastisches Gradientenverfahren ( Stochastic Gradient Descent , SGD) , Gradientenverfahren mit Momentum, Adam-Optimierungsalgorithmus , Root Mean Square Propogation (RMSProb ) .
Bei einer bevorzugten Aus führungs form umfasst das Verfahren einen weiteren Schritt , bei welchem Referenzdaten bereitgestellt werden, die zum Anwenden des Modells der Hardware des Spektrometers genutzt werden . Die Referenzdaten
© PATENTSCHUTZ engel umfassen eine Reihe von Referenzspektraldaten, denen mindestens eine Reihe von Referenzinhaltsstof fkonzentrationsdaten zugeordnet ist . Die Referenzspektraldaten würden idealerweise von einer Probe aufgenommen, welche den Inhaltsstof f gemäß den Referenzinhaltsstof fkonzentrationsdaten enthält . Der iterativ aus zuführende Schritt des Anwendens der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers umfasst eine Simulation eines spektralen Vermessens der Probe mit dieser j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers . Bei den Simulationen wird die j eweilige Konfiguration des Modells der Hardware des Spektrometers auf die Referenzspektraldaten angewendet , wodurch spektrale Simulationsmesswerte erhalten werden, welche die spektralen Trainingsdaten bilden . Somit werden durch das Anwenden des durch das trainierte maschinelle Lernsystem gebildeten chemometrischen Modells Simulationsmesswerte der Konzentrationen des Inhaltsstof fes erhalten, die mit den Referenzinhaltsstof fkonzentrationsdaten verglichen werden, um j eweils den Wert der mindestens einen Eignungskenngröße zu bestimmen . Ziel ist es , dass die Simulationsmesswerte der Konzentrationen des Inhaltsstof fes den Referenzinhaltsstof fkonzentrationsdaten möglichst nahe kommen . Die j eweilige Konfiguration des Modells der Hardware des Spektrometers wird bevorzugt j eweils auf alle der zuvor bereitgestellten Referenzspektraldaten angewendet . Alternativ bevorzugt wird die j eweilige Konfiguration des Modells der Hardware des Spektrometers j eweils auf einen Teil der zuvor bereitgestellten Referenzspektraldaten angewendet , wobei bevorzugt j eweils ein anderer Teil der zuvor bereitgestellten Referenzspektraldaten als in der vorherigen Iteration ausgewählt und angewendet wird .
© PATENTSCHUTZ engel Insofern die Referenzdaten nicht aus anderen Quellen bereits vorliegen, erfolgt der Schritt des Bereitstellens der Referenzdaten bevorzugt dadurch, dass zunächst Referenzproben bereitgestellt werden, für welche die Werte der Konzentration des mindestens einen Inhaltsstof fes bekannt sind, sodass diese Werte die Referenzinhaltsstof fkonzentrationsdaten bilden . Hierfür können die Werte der Konzentration des Inhaltsstof fes durch ein chemisches Analyseverfahren ermittelt werden . Auch können diese Werte durch ein nicht-chemisches Analyseverfahren ermittelt werden; beispielsweise mit einem spektralen Analysegerät mit einer hohen Genauigkeit . Weiterhin erfolgt ein Vermessen der Referenzproben mit einem Referenzspektrometer, um die Referenzspektraldaten zu erhalten .
Bei bevorzugten Aus führungs formen umfasst das Verfahren bevorzugt weitere Schritte , durch welche berücksichtigt wird, dass der Prozess der Herstellung der Hardware des Spektrometers nicht ideal ist . Prinzipbedingt wird die Hardware des Spektrometers , welche gemäß einem Modell der Hardware des Spektrometers hergestellt wurde , nicht vollständig diesem Modell gleichen, sondern es wird eine Abweichung zum Modell bestehen . Beispielsweise können die mittleren Wellenlängen von Messkanälen der hergestellten Hardware des Spektrometers von den mittleren Wellenlängen der Messkanäle des Modells der Hardware des Spektrometers abweichen . Daher wird in einem Schritt zunächst eine herstellungsbedingte Hardwareabweichung zwischen dem Modell der Hardware des Spektrometer und einer gemäß dem Modell der Hardware des Spektrometers hergestellten Hardware des Spektrometers bestimmt . Die ermittelte herstellungsbedingte Hardwareabweichung wird bei dem iterativ aus zuführenden Schritt des Anwendens der j eweils aktuellen Konfiguration des
© PATENTSCHUTZ engel Modells der Hardware des Spektrometers berücksichtigt , sodass die spektralen Trainingsdaten genauer den mit der hergestellten Hardware des Spektrometers erfassbaren Messdaten entsprechen . Die ermittelte herstellungsbedingte Hardwareabweichung wird aber bei den Iterationen bevorzugt nicht verändert .
Bei bevorzugten Aus führungs formen umfasst das Verfahren bevorzugt weitere Schritte , durch welche sich verändernde Messbedingungen berücksichtigt werden, um erweiterte spektrale Trainingsdaten zu erhalten, durch welche die spektralen Trainingsdaten in ihrer Gesamtheit realitätsnäher werden . Solche Messbedingungen sind beispielsweise der Abstand zwischen der Probe und dem Spektrometer sowie Umgebungsbedingungen, wie Luftfeuchte und Temperatur im Bereich der Probe und/oder des Spektrometers . Die sich verändernden Messbedingungen werden bei dem iterativ aus zuführenden Schritt des Anwendens der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers berücksichtigt , sodass die spektralen Trainingsdaten genauer den mit der hergestellten Hardware des Spektrometers unter realistischen Messbedingungen erfassbaren Messdaten entsprechen . Dabei werden die Messbedingungen variiert , um zu berücksichtigen, dass unterschiedliche realistische Messbedingungen auftreten können . So kann beispielsweise die Änderung der Amplitude eines Messkanales in Abhängigkeit von der Umgebungstemperatur verändert werden . Diese Amplitude repräsentiert die Empfindlichkeit des Messkanales .
Bei bevorzugten Aus führungs formen definiert die j eweilige Konfiguration des Modells der Hardware des Spektrometers mindestens einen Parameter des Spektrometers . Die j eweilige Konfiguration des Modells der Hardware des Spektrometers
© PATENTSCHUTZ engel definiert bevorzugt mehrere der Parameter des Spektrometers. Der bzw. die Parameter spezifizieren bevorzugt mindestens einen Messkanal des Spektrometers; weiter bevorzugt mindestens zwei Messkanäle des Spektrometers und nochmals weiter bevorzugt mindestens 16 Messkanäle. Der bzw. die Parameter sind bevorzugt jeweils durch eine Peakwellenlänge, eine Schwerpunktwellenlänge, eine mittlere Wellenlänge, eine Bandbreite, eine Halbwertsbreite, einen Kurvenformparameter und/oder einen Spitzenwert des mindestens einen Messkanales gebildet. Bei dem Spitzenwert handelt es sich um eine Peakhöhe. Der eine Messkanal bzw. die mehreren Messkanäle werden bevorzugt jeweils durch ein spektrales Eingangsfilter bestimmt. Die spektralen Eingangsfilter weisen jeweils einen Übertragungsbereich auf, welcher durch einen oder mehrere der oben genannten Parameter definiert ist. Bei dem iterativ durchzuführenden Schritt des Modifizierens der jeweils aktuellen Konfiguration des Modells der Hardware des Spektrometers werden einer oder mehrere der oben genannten Parameter verändert. Hierfür werden bevorzugt die oben angegebenen Optimierungstechniken genutzt. Ergänzend oder alternativ wird bei dem iterativ durchzuführenden Schritt des Modifizierens der jeweils aktuellen Konfiguration des Modells der Hardware des Spektrometers eine Anzahl der Messkanäle verändert. So kann die Anzahl der Messkanäle beispielsweise von 16 auf 8 oder auf 4 oder auch umgekehrt geändert werden.
Bei bevorzugten Aus führungs formen definiert die jeweilige Konfiguration des Modells der Hardware des Spektrometers eine Vielzahl der Parameter des Spektrometers, durch welche eine Vielzahl der Messkanäle des Spektrometers spezifiziert ist. Das Modell der Hardware des Spektrometers definiert weiterhin für jeden der Messkanäle einen auf diesen anzuwendenden
Koeffizienten. Die Gesamtheit dieser Koeffizienten stellt eine
© PATENTSCHUTZengel Maske zur Maskierung der Messkanäle dar. Beim Modifizieren der jeweils aktuellen Konfiguration des Modells der Hardware des Spektrometers werden jeweils einer oder mehrere der Koeffizienten verändert, d. h. die Maskierung der Messkanäle wird verändert. Somit kann die Modifizierung der jeweils aktuellen Konfiguration des Modells der Hardware des Spektrometers auf eine Modifikation der Maske reduziert werden, sodass diese Aus führungs form aufwandsarm ausgeführt werden kann. Daher werden bei dieser Aus führungs form bevorzugt nur die Koeffizienten, d. h. nur die Maske modifiziert. Die Koeffizienten sind bevorzugt jeweils durch einen binären Wert gebildet, sodass die einzelnen Messkanäle beim Modifizieren der jeweils aktuellen Konfiguration des Modells der Hardware des Spektrometers aktiviert bzw. deaktiviert werden. Es wird also eine Untermenge der Messkanäle der initialen Konfiguration des Modells der Hardware des Spektrometers gebildet. Die Koeffizienten sind alternativ bevorzugt jeweils durch eine gebrochene Zahl bzw. eine Dezimalzahl gebildet, sodass beim Modifizieren der jeweils aktuellen Konfiguration des Modells der Hardware des Spektrometers die Wichtung der einzelnen Messkanäle verändert wird; beispielsweise durch eine diskrete lineare Ll-Approximation .
Das Modell der Hardware des Spektrometers definiert bevorzugt mindestens eine Beschränkung, welche durch eine minimale Peakwellenlänge, durch eine maximale Peakwellenlänge, durch eine minimale Schwerpunktwellenlänge, durch eine maximale Schwerpunktwellenlänge, durch eine minimale mittlere Wellenlänge, durch eine maximale mittlere Wellenlänge, durch eine minimale Bandbreite, durch eine maximale Bandbreite, durch eine minimale Halbwertsbreite, durch eine maximale Halbwertsbreite, durch einen minimalen Kurvenformparameter, durch einen maximalen Kurvenformparameter, durch einen
© PATENTSCHUTZengel minimalen Spitzenwert , durch einen maximalen Spitzenwert , durch eine minimale Wellenlängendi f ferenz zwischen einem Wellenlängenparameter eines der Messkanäle und einem entsprechenden Wellenlängenparameter eines anderen der Messkanäle oder durch eine maximale Wellenlängendi f ferenz zwischen einem Wellenlängenparameter eines der Messkanäle und einem entsprechenden Wellenlängenparameter eines anderen der Messkanäle gebildet ist . Die minimale bzw . maximale Wellenlängendi f ferenz ist insbesondere zwischen Wellenlängenparametern von zwei benachbarten der Messkanäle definiert . Der betref fende Wellenlängenparameter ist bevorzugt durch die Peakwellenlänge oder durch die minimale oder maximale Halbwertsbreite gebildet . Die genannten Beschränkungen sind bevorzugt auch j eweils mehrfach definiert , beispielsweise Beschränkungen der minimalen oder maximalen Peakwellenlänge in mehreren Intervallen . Auch können die genannten Beschränkungen j eweils auf eine Gruppe oder auf einen Anteil der Messkanäle bezogen sein . So kann beispielsweise für einen Anteil von einem Drittel der Messkanäle vorgegeben werden, dass deren Peakwellenlänge im nahen Infrarot-Bereich liegt . Die genannten Beschränkungen beschränken j eweils die mögliche Veränderung des betref fenden Parameters beim iterativ durchzuführenden Schritt des Modi fi zierens der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers . Diese eine Beschränkung bzw . diese mehreren Beschränkungen werden beim iterativ durchzuführenden Schritt des Modi fi zierens der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers aber bevorzugt nicht verändert . Diese eine Beschränkung bzw . diese mehreren Beschränkungen werden bevorzugt aus einem Testexemplar der Hardware des Spektrometers ausgelesen . Bevorzugt umfasst das Modell der Hardware des Spektrometers mehrere dieser Beschränkungen .
© PATENTSCHUTZ engel Das Modell der Hardware des Spektrometers definiert bevorzugt weiterhin mindestens einen Geräteparameter des Spektrometers , welcher ein Signalrauschen, ein Bandbreite-Rauschen, ein Halbwertsbreite-Rauschen, eine Messabweichung oder eine Toleranz des Spektrometers repräsentiert . Die Messabweichung kann beispielsweise temperaturabhängig sein . Bei dem genannten Bandbreite-Rauschen handelt es sich um eine Abweichung einer erzielten Mittelwert-Bandbreite von einem vorgegebenen Wert für die Bandbreite . Die eine Toleranz bzw . mehreren Toleranzen sind insbesondere durch die Fertigung der Hardware des Spektrometers bedingt . Der bzw . die Geräteparameter werden beim iterativ durchzuführenden Schritt des Anwendens der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers berücksichtigt , wodurch die Optimierung des Spektrometers und des chemometrischen Modells verbessert wird . Dies erfolgt bevorzugt durch eine Augmentierung während des Trainings , wofür in mindestens einer Iteration die Simulation des Spektrums unter Einbezug des mindestens einen Geräteparameters verändert wird . Die Geräteparameter werden beim iterativ durchzuführenden Schritt des Modi fi zierens der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers aber bevorzugt nicht verändert .
Bei einer weiteren bevorzugten Aus führungs form umfasst das Verfahren weitere Schritte , welche ausgeführt werden, nachdem zumindest einige Iterationen der iterativ aus zuführenden Schritte erfolgten . In einem dieser weiteren Schritte wird ein Testexemplars der Hardware des Spektrometers gemäß einer der modi fi zierten Konfigurationen des Modells der Hardware des Spektrometers bereitgestellt . Dabei handelt es sich insbesondere um die dann aktuelle Konfiguration des Modells der Hardware des Spektrometers . Es wird also insoweit ein
© PATENTSCHUTZ engel Spektrometer gemäß dem bereits entwickelten Modell der Hardware des Spektrometers gefertigt . In weiteren Schritt erfolgt ein Vermessen von Referenzproben mit dem Testexemplar, wodurch spektrale Messwerte erhalten werden . Diese spektralen Messwerte werden als spektrale Trainingsdaten in weiteren Iterationen der iterativ aus zuführenden Schritte verwendet . Hierdurch werden Fertigungstoleranzen berücksichtigt , die beim Fertigen des Spektrometers auftreten .
Das erfindungsgemäße Computerprogrammprodukt dient zum technischen Entwurf bzw . Entwickeln eines Analysegerätes zur Analyse mindestens eines Inhaltsstof fes einer Probe . Das Computerprogrammprodukt umfasst ein Computer-lesbares Speichermedium, welches darauf gespeicherte Programminstruktionen aufweist . Die Programminstruktionen sind durch einen oder mehrere Computer oder Steuereinheiten aus führbar und veranlassen den einen oder die mehreren Computer oder Steuereinheiten dazu, das erfindungsgemäße Verfahren oder eine der beschriebenen bevorzugten Aus führungs formen des erfindungsgemäßen Verfahrens aus zuführen . Die Programminstruktionen umfassen u . a . Algorithmen zum maschinellen Lernen; nämlich zum Trainieren des durch ein maschinelles Lernsystem gebildeten chemometrischen Modells mit den spektralen Trainingsdaten . Das Speichermedium kann durch ein elektronisches Medium, ein magnetisches Medium, ein optisches Medium, ein elektromagnetisches Medium, ein Infrarot-Medium oder ein Halbleitermedium, wie ein SSD gebildet sein . Die Programminstruktionen können durch maschinenabhängige oder maschinenunabhängige Instruktionen, Microcode , Firmware , Status-def inierende Daten oder j eglichen Source-Code oder Obj ektcode gebildet sein, der beispielsweise in C++ , Java oder ähnlichen bzw . in konventionellen prozeduralen
© PATENTSCHUTZ engel Programmiersprachen geschrieben ist . Auch können elektronische Schaltkreise , wie beispielsweise programmierbare Logikschaltkreise , Feld-programmierbare Gate Arrays ( FPGA) oder programmierbare Logik-Arrays ( PLA) ausgebildet sein, die die Programminstruktionen aus führen . Das resultierende Modell der Hardware des Spektrometers und das resultierende durch das maschinelle Lernsystem gebildete chemometrische Modell werden bevorzugt als Programmcode abgespeichert , um für spätere Anwendungen zur Verfügung zu stehen .
Das erfindungsgemäße trainierte maschinelle Lernsystem bildet ein chemometrisches Modell zur Bestimmung einer Konzentration mindestens eines Inhaltsstof fes einer Probe ausgehend von mit einem Spektrometer auf genommenen spektralen Messwerten der Probe . Das erfindungsgemäße maschinelle Lernsystem wurde durch das erfindungsgemäße Verfahren oder durch eine bevorzugte
Aus führungs form des erfindungsgemäßen Verfahrens trainiert . Es liegt in Form eines Programmcodes vor .
Das erfindungsgemäße Analysegerät dient zur spektralen Analyse mindestens eines Inhaltsstof fes einer Probe . Das Analysegerät umfasst ein Spektrometer zur spektralen Vermessung der Probe . Das Analysegerät ist zur Anwendung eines durch ein trainiertes maschinelles Lernsystem gebildeten chemometrischen Modells zur Bestimmung einer Konzentration mindestens eines Inhaltsstof fes der Probe ausgehend von mit dem Spektrometer auf genommenen spektralen Messwerten der Probe konfiguriert . Das Spektrometer und das durch das trainierte maschinelle Lernsystem gebildete chemometrische Modell sind aus dem erfindungsgemäßen Verfahren oder einer der beschriebenen bevorzugten Aus führungs formen des erfindungsgemäßen Verfahrens hervorgegangen . Das Analysegerät wurde also mit dem erfindungsgemäßen Verfahren technisch entworfen bzw . entwickelt . Die Optimierung des Spektrometers
© PATENTSCHUTZ engel und das Anlernen des durch das maschinelle Lernsystem gebildeten chemometrischen Modells erfolgten gemeinsam durch das Durchführen des erfindungsgemäßen Verfahrens . Das Analysegerät weist bevorzugt auch weitere Merkmale auf , die im Zusammenhang mit dem erfindungsgemäßen Verfahren beschrieben sind .
Bei bevorzugten Aus führungs formen umfasst das Analysegerät mehrere Komponenten, welche mechanisch voneinander unabhängig sind und eigene Gehäuse aufweisen können . Bevorzugt ist das Spektrometer als ein Handgerät ausgebildet , welches eine der mechanisch voneinander unabhängigen Komponenten bildet . Eine weitere der mechanisch voneinander unabhängigen Komponenten des Analysegerätes ist bevorzugt durch eine Recheneinheit gebildet , welche zur Anwendung des durch ein trainiertes maschinelles Lernsystem gebildeten chemometrischen Modells konfiguriert ist . Das Spektrometer und die Recheneinheit sind bevorzugt über eine drahtlose Datenverbindung miteinander verbunden . Bei der Recheneinheit kann es sich beispielsweise um ein Smartphone handeln .
Weitere Einzelheiten und Weiterbildungen der Erfindung ergeben sich aus der nachfolgenden Beschreibung bevorzugter Aus führungs formen der Erfindung, unter Bezugnahme auf die Zeichnung .
Die einzige Fig . zeigt einen Ablaufplan einer bevorzugten Aus führungs form eines erfindungsgemäßen Verfahrens . Das Verfahren dient zum technischen Entwurf eines Analysegerätes (nicht gezeigt ) zur spektralen Analyse mindestens eines Inhaltsstof fes einer Probe . Das Verfahren führt dazu, dass das zu entwickelnde Analysegerät für eine gegebene Analyseaufgabe optimiert ist . Das Analysegerät umfasst ein Spektrometer
© PATENTSCHUTZ engel (nicht gezeigt ) zur spektralen Vermessung der Probe . Das Analysegerät ist weiterhin zur Anwendung eines chemometrischen Modells zur Bestimmung einer Konzentration mindestens eines Inhaltsstof fes der Probe ausgehend von mit dem Spektrometer auf genommenen spektralen Messwerten der Probe konfiguriert . Gemäß dem Verfahren werden das Spektrometer und das durch ein maschinelles Lernsystem gebildete chemometrische Modell gemeinsam entwickelt und optimiert . Es wird ein Modell der Hardware des Spektrometers verwendet , um das Spektrometer zu entwickeln und zu optimieren .
In einem vorbereitenden Schritt 01 wird ein Referenzspektrometer bereitgestellt , welches hochauflösend ist und einen Gold-Standard repräsentiert . Das Referenzspektrometer wird so gewählt , dass es j edenfalls eine größere Bandbreite und eine höhere spektrale Auflösung zur Verfügung stellt , als diese für die gegebene Analyseaufgabe notwendig sind . Das zu entwickelnde Spektrometer wird also hinsichtlich seiner Bandbreite und/oder spektralen Auflösung gegenüber dem Referenzspektrometer reduziert sein .
In einem weiteren vorbereitenden Schritt 02 werden Referenzproben bereitgestellt , welche gemäß der gegebenen Analyseaufgabe ausgewählt werden . Für die Referenzproben sind Werte von Konzentrationen mindestens eines Inhaltsstof fes der Referenzprobe bekannt . Dabei handelt es sich um den mindestens einen Inhaltsstof f , dessen Konzentration gemäß der gegebenen Analyseaufgabe zu bestimmen ist . Diese für die Referenzproben bekannten Werte stellen Referenzinhaltsstof fkonzentrationsdaten dar . In einem weiteren vorbereitenden Schritt 03 werden die Referenzproben 02 mit dem Referenzspektrometer 01 spektral vermessen, sodass in einem nächsten Schritt 04 mehrere Referenzspektraldaten vorliegen,
© PATENTSCHUTZ engel welche später für eine Simulation von spektralen Messungen genutzt werden .
Das Verfahren umfasst mehrere iterativ aus zuführende Schritte 06 , durch welche eine gemeinsame iterative Optimierung des Modells der Hardware des Spektrometers und des chemometrischen Modells in Form des maschinellen Lernsystems erfolgen .
In einem iterativ aus zuführenden Schritt 07 erfolgt ein Simulieren des spektralen Vermessens von Proben mit dem Spektrometer . Hierzu wird ein Modell der Hardware des Spektrometers genutzt . Das Modell beschreibt die Hardware des Spektrometers durch eine Spezi fikation s (nicht gezeigt ) in Form von Parametern . Die Spezi fikation s (nicht gezeigt ) ist bevorzugt durch einen Vektor gebildet . Eine erste bespielhafte Definition des Vektors ist nachfolgend beschrieben : Ein erster Wert des Vektors s (nicht gezeigt ) ist durch eine mittlere Wellenlänge eines ersten Messkanales des Spektrometers gebildet . Ein zweiter Wert des Vektors s (nicht gezeigt ) ist durch eine Bandbreite des ersten Messkanales des Spektrometers gebildet . Ein dritter Wert des Vektors s (nicht gezeigt ) ist durch eine mittlere Wellenlänge eines zweiten Messkanales des Spektrometers gebildet . Ein vierter Wert des Vektors s (nicht gezeigt ) ist durch eine Bandbreite des zweiten Messkanales des Spektrometers gebildet . Diese Folge der Werte wird entsprechend fortgesetzt . Eine zweite bespielhafte Definition des Vektors ist nachfolgend beschrieben : Ein erster Wert des Vektors s (nicht gezeigt ) ist durch eine mittlere Wellenlänge eines ersten Messkanales des Spektrometers gebildet . Ein zweiter Wert des Vektors s (nicht gezeigt ) ist durch eine Bandbreite des ersten Messkanales des Spektrometers gebildet . Ein dritter Wert des Vektors s (nicht gezeigt ) ist durch eine Amplitude des ersten Messkanales des Spektrometers gebildet .
© PATENTSCHUTZ engel Ein vierter Wert des Vektors s (nicht gezeigt ) ist durch eine mittlere Wellenlänge eines zweiten Messkanales des Spektrometers gebildet . Ein fünfter Wert des Vektors s (nicht gezeigt ) ist durch eine Bandbreite des zweiten Messkanales des Spektrometers gebildet . Ein sechster Wert des Vektors s (nicht gezeigt ) ist durch eine Amplitude des zweiten Messkanales des Spektrometers gebildet . Diese Folge der Werte wird entsprechend fortgesetzt . Das Simulieren der Messungen zur Auf zeichnung von Spektren mit dem j eweils aktuellen Modell der Hardware des Spektrometers erfolgt dadurch, dass der j eweils aktuelle Vektor s (nicht gezeigt ) auf die Referenzspektraldaten 04 angewendet wird, wodurch in einem nächsten Schritt 08 spektrale Trainingsdaten vorliegen . Bei dem erstmaligen Simulieren der Messungen zur Auf zeichnung von Spektren wird von einer initialen Konfiguration des Modells der Hardware des Spektrometers ausgegangen, welche durch einen initialen Vektor So (nicht gezeigt ) repräsentiert wird .
In einem Schritt 09 erfolgt ein Trainieren des durch das maschinelle Lernsystem gebildeten chemometrischen Modells , was unten näher erläutert ist . Das maschinelle Lernsystem sei bespielhaft als m (nicht gezeigt ) bezeichnet . Das maschinelle Lernsystem m wird dazu genutzt , aus den spektralen Trainingsdaten den Wert der Konzentration mindestens eines Inhaltsstof fes der Referenzprobe zu prädi zieren . Abweichungen der prädi zierten Werte von den Referenzinhaltsstof fkonzentrationsdaten stellen einen Fehler dar, welcher das j eweils aktuelle Modell der Hardware des Spektrometers und das aktuelle durch das maschinelle Lernsystem gebildete chemometrische Modell kennzeichnet . Es wird daher eine obj ektive Funktion definiert , welche für den j eweiligen Vektor s (nicht gezeigt ) und das j eweilige maschinelle Lernsystem m (nicht gezeigt ) die genannten
© PATENTSCHUTZ engel Abweichungen angibt . Aus den genannten Abweichungen ergibt sich in einem Schritt 11 der Wert einer Eignungskenngröße , welcher in einem Schritt 12 auf eine Bedingung geprüft wird . Diese Bedingung bildet die Abbruchbedingung für die iterativ aus zuführenden Schritte 06 . Diese bevorzugt vorab festgelegte Abbruchbedingung definiert , ab wann das Modell der Hardware des Spektrometers und das durch das maschinelle Lernsystem gebildete chemometrische Modell als ausreichend optimiert angesehen werden, um die gegebene Analyseaufgabe zu erfüllen .
Ergibt die Prüfung in dem Schritt 12 , dass die Eignungskenngröße die Bedingung noch nicht erfüllt , so werden in einem Schritt 13 geänderte Parameter gemeinsam und gleichzeitig für das Modell der Hardware des Spektrometers und für das durch das maschinelle Lernsystem gebildete chemometrische Modell bestimmt , um die oben beschriebene obj ektive Funktion und somit auch die Eignungskenngröße zu verbessern . Entsprechend werden in einer t-ten Iteration 06 ein Vektor st (nicht gezeigt ) und ein Modell mt (nicht gezeigt ) bestimmt , wofür bevorzugt nicht lediglich der unmittelbar zuvor bestimmte Vektor st-i (nicht gezeigt ) und das zuvor bestimmte Modell mt-i (nicht gezeigt ) sondern sämtliche zuvor bestimmte Vektoren So bis st-i (nicht gezeigt ) und sämtliche zuvor bestimmte Modelle m0 bis mt-i (nicht gezeigt ) berücksichtigt werden .
In einem Schritt 14 werden die veränderten Parameter des Modells der Hardware des Spektrometers , d . h . der Vektor st (nicht gezeigt ) , und die veränderten Parameter des durch das maschinelle Lernsystem gebildeten chemometrischen Modells , d . h . das Modell mt (nicht gezeigt ) für den erneut aus zuführenden Schritt 07 des Simulierens des spektralen Vermessens aktualisiert .
© PATENTSCHUTZ engel Ergibt die Prüfung in dem Schritt 12 , dass die Eignungskenngröße die Bedingung erfüllt , so sind die iterativ ausgeführten Schritte 06 abgeschlossen . In einem Schritt 16 liegen nun das optimierte Modell der Hardware des Spektrometers und das durch das trainierte maschinelle Lernsystem gebildete chemometrische Modell vor, sodass das Verfahren insgesamt abgeschlossen ist . Zum Herstellen des Analysegerätes ist ein Spektrometer gemäß dem optimierten Modell der Hardware des Spektrometers herzustellen und das durch das trainierte maschinelle Lernsystem gebildete chemometrische Modell ist in dem herzustellenden Analysegerät zu implementieren . Das so hergestellte Analysegerät ist bestens für die gegebene Analyseaufgabe geeignet und das Spektrometer ist weit weniger aufwändig als das Referenzspektrometer gemäß dem Gold-Standard, sodass das Analysegerät kostengünstig herstellbar ist .
© PATENTSCHUTZ engel Bezugszeichenliste
01 Referenzspektrometer 02 Referenzproben
03 Auf zeichnung von Spektren
04 Referenzspektraldaten
05
06 iterative Optimierung 07 Simulieren der Auf zeichnung
08 spektrale Trainingsdaten
09 Trainieren
10
11 Eignungskenngröße 12 Bedingung
13 Bestimmen von geänderten Parametern
14 Parameteraktualisierung
15
16 trainiertes Lernsystem und optimiertes Modell
© PATENTSCHUTZ engel

Claims

Patentansprüche
1 . Verfahren zum technischen Entwurf eines Analysegerätes zur spektralen Analyse mindestens eines Inhaltsstof fes einer Probe , wobei das Analysegerät ein Spektrometer zur spektralen Vermessung der Probe umfasst , wobei das Analysegerät weiterhin zur Anwendung eines durch ein trainiertes maschinelles Lernsystem gebildeten chemometrischen Modells zur Bestimmung einer Konzentration mindestens eines Inhaltsstof fes der Probe ausgehend von mit dem Spektrometer auf genommenen spektralen Messwerten der Probe konfiguriert ist ; und wobei das Verfahren folgende Schritte umfasst :
- Auswahl einer initialen Konfiguration eines Modells einer Hardware des Spektrometers ;
- Auswahl einer initialen Konfiguration des durch ein maschinelles Lernsystem gebildeten chemometrischen Modells ;
- iteratives Aus führen der folgenden Schritte : o Anwenden ( 07 ) der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers , wodurch spektrale Trainingsdaten ( 08 ) erhalten werden, wobei beim Anwenden ( 07 ) der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers ein spektrales Vermessen von Referenzproben ( 02 ) mit der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers simuliert wird; o Anwenden der j eweils aktuellen Konfiguration des durch das maschinelle Lernsystem gebildeten chemometrischen Modells auf die spektralen Trainingsdaten ( 08 ) , um einen Wert mindestens einer Eignungskenngröße ( 11 ) für die j eweils aktuelle
© PATENTSCHUTZ engel Konfiguration des Modells der Hardware des Spektrometers und die jeweils aktuelle Konfiguration des durch ein maschinelles Lernsystem gebildeten chemometrischen Modells zu bestimmen; o Modifizieren (13) der jeweils aktuellen Konfiguration des Modells der Hardware des Spektrometers unter Nutzung zumindest des jeweils aktuellen Wertes der mindestens einen Eignungskenngröße (11) ; und o Modifizieren (13) der jeweils aktuellen Konfiguration des durch das maschinelle Lernsystem gebildeten chemometrischen Modells unter Nutzung zumindest des jeweils aktuellen Wertes der mindestens einen Eignungskenngröße (11) .
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass zum Modifizieren (13) der jeweils aktuellen Konfiguration des Modells der Hardware des Spektrometers und zum Modifizieren
(13) der jeweils aktuellen Konfiguration des durch das maschinelle Lernsystem gebildeten chemometrischen Modells mindestens eine Gradienteninformation aus der mindestens einen Eignungskenngröße bezüglich trainierbarer Parameter des Modells der Hardware des Spektrometers sowie bezüglich trainierbarer Parameter des durch das maschinelle Lernsystem gebildeten chemometrischen Modells bestimmt wird .
© PATENTSCHUTZengel
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass nach dem Ausführen der iterativ auszuführenden Schritte diejenige der angewendeten Konfigurationen des Modells der Hardware des Spektrometers und diejenige der angewendeten Konfigurationen des durch das maschinelle Lernsystem gebildeten chemometrischen Modells ausgewählt werden, deren Wert von einer der mindestens einen Eignungskenngröße (11) einer bestmöglichen Eignung entspricht .
4. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass die iterativ auszuführenden Schritte so oft wiederholt werden, bis der Wert der Eignungskenngröße (11) für die jeweils aktuelle Konfiguration des Modells der Hardware des Spektrometers und für die jeweils aktuelle Konfiguration des durch das maschinelle Lernsystem gebildeten chemometrischen Modells einen vorbestimmten Grenzwert zumindest erreicht hat.
5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass es folgenden weiteren Schritt umfasst:
- Bereitstellen von Referenzdaten, welche eine Reihe von Referenzspektraldaten (04) umfassen, denen eine Reihe von Referenzinhaltsstoffkonzentrationsdaten zugeordnet ist ; wobei der iterativ auszuführende Schritt des Anwendens der jeweils aktuellen Konfiguration des Modells der Hardware des Spektrometers eine Simulation (07) eines spektralen Vermessens der Probe umfasst, wobei bei den Simulationen
(07) die jeweilige Konfiguration des Modells der Hardware des Spektrometers auf die Referenzspektraldaten (04) angewendet wird, wodurch spektrale Simulationsmesswerte erhalten werden, welche die spektralen Trainingsdaten (08)
© PATENTSCHUTZengel bilden, sodass durch das Anwenden der j eweils aktuellen Konfiguration des durch das trainierte maschinelle Lernsystem gebildeten chemometrischen Modells Simulationsmesswerte der Konzentrationen des Inhaltsstof fes erhalten werden, die mit den Referenzinhaltsstof fkonzentrationsdaten verglichen werden, um j eweils den Wert der mindestens einen Eignungskenngröße ( 11 ) zu bestimmen .
6 . Verfahren nach einem der Ansprüche 1 bis 5 , dadurch gekennzeichnet , dass es folgende weitere Schritte umfasst :
- Bestimmen einer herstellungsbedingten Hardwareabweichung zwischen dem Modell der Hardware des Spektrometers und einer gemäß dem Modell der Hardware des Spektrometers hergestellten Hardware des Spektrometers ; und
- Berücksichtigen der herstellungsbedingten Hardwareabweichung bei dem iterativ aus zuführenden Schritt des Anwendens ( 07 ) der j eweils aktuellen Konfiguration des Modells der Hardware des Spektrometers .
7 . Verfahren nach Anspruch 5 oder dem auf Anspruch 5 rückbezogenen Anspruch 6 , dadurch gekennzeichnet , dass bei der iterativ durchzuführenden Simulation ( 07 ) des spektralen Vermessens der Probe sich verändernde Messbedingungen berücksichtigt werden, um erweiterte spektrale Trainingsdaten ( 08 ) zu erhalten, wobei die sich verändernden Messbedingungen einen Abstand zwischen der Probe und dem Spektrometer, eine Luftfeuchte und/oder eine Temperatur im Bereich der Probe und/oder des Spektrometers umfassen .
© PATENTSCHUTZ engel
8. Verfahren nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass die jeweilige Konfiguration des Modells der Hardware des Spektrometers mindestens einen Parameter des Spektrometers definiert, durch welchen mindestens ein Messkanal des Spektrometers spezifiziert ist; wobei der mindestens eine Parameter durch eine Peakwellenlänge, eine Schwerpunktwellenlänge, eine mittlere Wellenlänge, eine Bandbreite, eine Halbwertsbreite, einen Kurvenformparameter und/oder einen Spitzenwert des mindestens einen Messkanales gebildet ist.
9. Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass die jeweilige Konfiguration des Modells der Hardware des Spektrometers eine Vielzahl der Parameter des Spektrometers definiert, durch welche eine Vielzahl der Messkanäle des Spektrometers spezifiziert ist; wobei das Modell der Hardware des Spektrometers weiterhin für jeden der Messkanäle einen auf diesen anzuwendenden Koeffizienten definiert; und wobei beim Modifizieren (13) der jeweils aktuellen Konfiguration des Modells der Hardware des Spektrometers jeweils einer oder mehrere der Koeffizienten verändert werden.
10. Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass die Koeffizienten jeweils durch einen binären Wert gebildet sind .
11. Verfahren nach einem der Ansprüche 1 bis 10, dadurch gekennzeichnet, dass das Modell der Hardware des Spektrometers mindestens eine Beschränkung definiert, welche durch eine minimale Peakwellenlänge, durch eine maximale Peakwellenlänge, durch eine minimale Schwerpunktwellenlänge, durch eine maximale
© PATENTSCHUTZengel Schwerpunktwellenlänge , durch eine minimale mittlere Wellenlänge , durch eine maximale mittlere Wellenlänge , durch eine minimale Bandbreite , durch eine maximale Bandbreite , durch eine minimale Halbwertsbreite , durch eine maximale Halbwertsbreite , durch einen minimalen Kurvenformparameter, durch einen maximalen Kurvenformparameter, durch einen minimalen Spitzenwert , durch einen maximalen Spitzenwert , durch eine minimale Wellenlängendi f ferenz zwischen einem Wellenlängenparameter eines der Messkanäle und einem entsprechenden Wellenlängenparameter eines anderen der Messkanäle oder durch eine maximale Wellenlängendi f ferenz zwischen einem Wellenlängenparameter eines der Messkanäle und einem entsprechenden Wellenlängenparameter eines anderen der Messkanäle gebildet ist .
12 . Verfahren nach einem der Ansprüche 1 bis 11 , dadurch gekennzeichnet , dass es folgende weitere Schritte umfasst :
- Bereitstellen eines Testexemplars der Hardware des Spektrometers gemäß einer der modi fi zierten Konfigurationen des Modells der Hardware des Spektrometers ;
- Vermessen von Referenzproben ( 02 ) mit dem Testexemplar, wodurch spektrale Messwerte erhalten werden;
- Verwenden der spektralen Messwerte als spektrale Trainingsdaten ( 08 ) in weiteren Iterationen ( 06 ) der iterativ aus zuführenden Schritte .
13 . Computerprogrammprodukt zum technischen Entwurf eines
Analysegerätes zur Analyse mindestens eines Inhaltsstof fes einer Probe , wobei das Computerprogrammprodukt ein Computer-lesbares Speichermedium umfasst , welches darauf gespeicherte Programminstruktionen aufweist , wobei die
© PATENTSCHUTZ engel Programminstruktionen durch einen oder mehrere Computer oder Steuereinheiten aus führbar sind und den einen oder die mehreren Computer oder Steuereinheiten dazu veranlasst , das Verfahren nach einem der Ansprüche 1 bis 12 aus zuführen .
14 . Trainiertes maschinelles Lernsystem, welches durch ein Verfahren nach einem der Ansprüche 1 bis 12 trainiert wurde .
15 . Analysegerät zur spektralen Analyse mindestens eines Inhaltsstof fes einer Probe , welches ein Spektrometer zur spektralen Vermessung der Probe umfasst und zur Anwendung eines durch ein trainiertes maschinelles Lernsystem gebildeten chemometrischen Modells zur Bestimmung einer Konzentration mindestens eines Inhaltsstof fes der Probe ausgehend von mit dem Spektrometer auf genommenen spektralen Messwerten der Probe konfiguriert ist , dadurch gekennzeichnet , dass das Spektrometer und das durch das trainierte maschinelle Lernsystem gebildete chemometrische Modell aus dem Verfahren nach einem der Ansprüche 1 bis 12 hervorgegangen sind .
© PATENTSCHUTZ engel
PCT/EP2023/079463 2022-11-14 2023-10-23 Technischer entwurf eines analysegerätes zur spektralen analyse sowie maschinelles lernsystem WO2024104731A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022130045.5A DE102022130045A1 (de) 2022-11-14 2022-11-14 Technischer Entwurf eines Analysegerätes zur spektralen Analyse sowie maschinelles Lernsystem
DE102022130045.5 2022-11-14

Publications (1)

Publication Number Publication Date
WO2024104731A1 true WO2024104731A1 (de) 2024-05-23

Family

ID=88731520

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/079463 WO2024104731A1 (de) 2022-11-14 2023-10-23 Technischer entwurf eines analysegerätes zur spektralen analyse sowie maschinelles lernsystem

Country Status (2)

Country Link
DE (1) DE102022130045A1 (de)
WO (1) WO2024104731A1 (de)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5435309A (en) 1993-08-10 1995-07-25 Thomas; Edward V. Systematic wavelength selection for improved multivariate spectral analysis
DE102008002355A1 (de) 2008-06-11 2009-12-17 Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG Verfahren und Anordnung zur automatischen Kalibrierung von Spektrometern
CN106323909A (zh) * 2016-09-14 2017-01-11 江苏大学 果蔬品质手持式近红外光谱检测系统及检测方法
US10020900B2 (en) 2016-06-03 2018-07-10 Federated Wireless, Inc. Apparatus and method for providing spectrum information using spectrum-related functions
US20210172800A1 (en) 2019-12-10 2021-06-10 Perkinelmer Health Sciences Canada, Inc. Systems and Methods for Analyzing Unknown Sample Compositions Using a Prediction Model Based On Optical Emission Spectra
EP3842788A1 (de) 2019-12-23 2021-06-30 Sick Ag Spektralsensor
US11062481B2 (en) 2016-12-29 2021-07-13 Yara International Asa Handheld device and method for determining a plant status
DE102021105869A1 (de) 2020-03-12 2021-09-16 Spectricity Korrektur und kalibrierung eines spektralsensorausgangs
WO2021198247A1 (en) 2020-03-30 2021-10-07 Carl Zeiss Ag Optimal co-design of hardware and software for virtual staining of unlabeled tissue
DE102020116094A1 (de) 2020-06-18 2021-12-23 Carl Zeiss Spectroscopy Gmbh Mehrzahl an baugleichen Spektrometern und Verfahren zu deren Kalibrierung
WO2022213092A1 (en) * 2021-03-30 2022-10-06 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for compact and low-cost vibrational spectroscopy platforms

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5435309A (en) 1993-08-10 1995-07-25 Thomas; Edward V. Systematic wavelength selection for improved multivariate spectral analysis
DE102008002355A1 (de) 2008-06-11 2009-12-17 Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG Verfahren und Anordnung zur automatischen Kalibrierung von Spektrometern
US10020900B2 (en) 2016-06-03 2018-07-10 Federated Wireless, Inc. Apparatus and method for providing spectrum information using spectrum-related functions
CN106323909A (zh) * 2016-09-14 2017-01-11 江苏大学 果蔬品质手持式近红外光谱检测系统及检测方法
US11062481B2 (en) 2016-12-29 2021-07-13 Yara International Asa Handheld device and method for determining a plant status
US20210172800A1 (en) 2019-12-10 2021-06-10 Perkinelmer Health Sciences Canada, Inc. Systems and Methods for Analyzing Unknown Sample Compositions Using a Prediction Model Based On Optical Emission Spectra
EP3842788A1 (de) 2019-12-23 2021-06-30 Sick Ag Spektralsensor
DE102021105869A1 (de) 2020-03-12 2021-09-16 Spectricity Korrektur und kalibrierung eines spektralsensorausgangs
WO2021198247A1 (en) 2020-03-30 2021-10-07 Carl Zeiss Ag Optimal co-design of hardware and software for virtual staining of unlabeled tissue
DE102020116094A1 (de) 2020-06-18 2021-12-23 Carl Zeiss Spectroscopy Gmbh Mehrzahl an baugleichen Spektrometern und Verfahren zu deren Kalibrierung
WO2022213092A1 (en) * 2021-03-30 2022-10-06 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for compact and low-cost vibrational spectroscopy platforms

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ALEXANDER SCHEELINE: "How to Design a Spectrometer", APPLIED SPECTROCOPY, vol. 71, no. 10, 1 October 2017 (2017-10-01), Appl Spectrosc ., pages 2237 - 2252, XP055708079, DOI: 10.1177/0003702817720468 *
NAEEM MUDDASIR ET AL: "Design Simulation and Data Analysis of an Optical Spectrometer", OPTICS, vol. 3, no. 3, 15 September 2022 (2022-09-15), pages 304 - 312, XP093111845, ISSN: 2673-3269, DOI: 10.3390/opt3030028 *

Also Published As

Publication number Publication date
DE102022130045A1 (de) 2024-05-16

Similar Documents

Publication Publication Date Title
EP3560185B1 (de) System und verfahren zum erfassen von messbildern eines messobjekts
Urena et al. A machine vision system for seeds quality evaluation using fuzzy logic
DE69837192T2 (de) Eichmethode für instrumente zur spektrografischen analyse
CN110579186B (zh) 基于逆高斯过程反演叶面积指数的农作物长势监测方法
Fuentes et al. Spectral analysis of CNN for tomato disease identification
EP3435295A1 (de) Vorverarbeitung für einen klassifikationsalgorithmus
CN111812058A (zh) 基于太赫兹成像技术的香椿中农残的定性检测方法
DE102020116094B4 (de) Mehrzahl an baugleichen Spektrometern und Verfahren zu deren Kalibrierung
DE112019004873T5 (de) Korrektur der Variation zwischen Instrumenten
Cointault et al. Texture, color and frequential proxy-detection image processing for crop characterization in a context of precision agriculture
WO2024104731A1 (de) Technischer entwurf eines analysegerätes zur spektralen analyse sowie maschinelles lernsystem
WO2024104648A1 (de) Technischer entwurf eines analysegerätes zur spektralen analyse
EP3707496B1 (de) Identifizierung eines oder mehrerer spektraler merkmale in einem spektrum einer probe für eine inhaltsstoffanalyse
Chen et al. Preliminary research on total nitrogen content prediction of sandalwood using the error-in-variable models based on digital image processing
DE19810917A1 (de) Automatisches Kalibrationsverfahren
DE102007019790B4 (de) Verfahren und Vorrichtung zur Charakterisierung einer Pflanzenprobe
DE19549300C1 (de) Verfahren zur rechnergestützten Ermittlung einer Bewertungsvariablen eines Bayesianischen Netzwerkgraphen
Adelino et al. Ecosystem functions of birds as a tool to track restoration efficiency in Brazil
DE102008002355B4 (de) Verfahren und Anordnung zur automatischen Kalibrierung von Spektrometern
DE10032029A1 (de) IntelllIdent:Auswerteverfahren für die intelligente Identifikation spektralanalytischer Daten
EP1986127B1 (de) Erzeugung von Endmember-Spektren
EP1219919B1 (de) Verfahren, Anordnung und System zur Ermittlung von Prozessgrössen
Dinca et al. Deep Neural Networks for Halyomorpha Halys Detection
WO2002084260A1 (de) Verfahren und vorrichtung zur qualitätsprüfung bzw. zur optischen charakterisierung von milch
DE112022004002T5 (de) Validierung eines linearen Modells