CN115144362A - 基于标准校准板的光谱模型自适应方法 - Google Patents
基于标准校准板的光谱模型自适应方法 Download PDFInfo
- Publication number
- CN115144362A CN115144362A CN202210711036.5A CN202210711036A CN115144362A CN 115144362 A CN115144362 A CN 115144362A CN 202210711036 A CN202210711036 A CN 202210711036A CN 115144362 A CN115144362 A CN 115144362A
- Authority
- CN
- China
- Prior art keywords
- calibration plate
- spectral
- standard calibration
- original
- infrared
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000003595 spectral effect Effects 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000006978 adaptation Effects 0.000 title claims description 13
- 238000001228 spectrum Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000002310 reflectometry Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 4
- 238000002329 infrared spectrum Methods 0.000 abstract 2
- 230000003044 adaptive effect Effects 0.000 description 21
- 238000004497 NIR spectroscopy Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000004611 spectroscopical analysis Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010905 molecular spectroscopy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005464 sample preparation method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及近红外光谱处理领域，为了解决微型化近红外光谱设备一致性差的问题，提供了基于标准校准板的光谱模型自适应方法，包括：步骤1、使用N台同型号的原始近红外光谱仪采集M条已标样本光谱数据，并根据已标样本光谱数据分别构建光谱模型以组成原始光谱模型库；步骤2、使用N台原始近红外光谱仪及待匹配的近红外光谱仪分别采集标准校准板光谱数据，并基于采集的光谱数据在原始光谱模型库中为待匹配的近红外光谱仪匹配光谱模型。采用上述步骤无需多次建模，设备一致性更高。
Description
技术领域
本发明涉及近红外光谱处理领域，具体是一种基于标准校准板的光谱模型自适应方法。
背景技术
近年来，近红外光谱分析技术发展十分迅速，已在化工，制药，军工，食品等多个领域都获得了应用。近红外光谱技术属于分子光谱技术，可以在分子水平上表明物质成分和性质信息，不论对经济还是社会影响来说，都取得了非常高的效益，极具发展潜力。
然而，目前大多数物质成分和性质信息检测主要使用大型实验室近红外光谱仪器进行，这些方法虽然定量准确、灵敏度高，但所需设备体积庞大，设备费用昂贵，样品制备时间长且样品制作方法严格，检测设备和样品制备需要专业人员操作，检测环境固定，且分析时间长，不适用于现场检测，不便于推广使用。
随着微机电技术的发展，近几年，微型化近红外光谱仪被广泛应用于食品、饮料、医药、煤炭等各个领域，相较于传统的大型傅里叶变换光谱分析系统，其具有结构简单、成本低廉、携带方便、结果实时可见等优势，目前已成为光谱领域的热门产品。然而相较于实验室大型近红外光谱设备，微型化近红外光谱仪受光源、检测器、制造工艺、使用方法、环境条件等影响，设备一致性、稳定性、重现性等指标都有明显的性能降低，尤其是设备一致性，同一型号的不同微型化近红外光谱设备一致性较差，不同设备建立的光谱模型并不具有通用性，由此，在实际的微型化近红外光谱分析应用中，针对同一类型待测样品，需要对每台微型化近红外光谱设备进行单独建模，浪费大量人力物力，极大程度的阻碍了微型化近红外光谱分析技术的发展。
发明内容
为了解决微型化近红外光谱设备一致性差，光谱模型不通用的问题，本申请提供了一种基于标准校准板的光谱模型自适应方法。
本发明解决上述问题所采用的技术方案是：
基于标准校准板的光谱模型自适应方法，包括：
步骤1、使用N台同型号的原始近红外光谱仪采集M条已标样本光谱数据，并根据已标样本光谱数据分别构建光谱模型以组成原始光谱模型库；
步骤2、使用N台原始近红外光谱仪及待匹配的近红外光谱仪分别采集标准校准板光谱数据，并基于采集的光谱数据在原始光谱模型库中为待匹配的近红外光谱仪匹配光谱模型。
进一步地，所述步骤2中，使用N台原始近红外光谱仪及待匹配的近红外光谱仪分别采集Y种标准校准板光谱数据，且Y大于1。
进一步地，所述步骤2具体为：
步骤21、使用N台原始近红外光谱仪及待匹配的近红外光谱仪分别采集Y种标准校准板光谱数据；
步骤22、结合标准校准板反射率分别将各近红外光谱仪对应的Y种标准校准板光谱数据映射至单种标准校准板，根据映射值分别计算各近红外光谱仪的均值；
步骤23、根据各原始近红外光谱仪对应的均值及待匹配的近红外光谱仪对应的均值计算趋势偏移量，并根据趋势偏移量在原始光谱模型库中为待匹配的近红外光谱仪匹配光谱模型。
进一步地，所述步骤23具体为：
步骤231、根据各原始近红外光谱仪对应的均值及待匹配的近红外光谱仪对应的均值分别计算两类设备间的偏移系数；
步骤232、根据偏移系数对均值进行校正；
步骤233、采用校正后的均值计算趋势偏移量，并根据趋势偏移量在原始光谱模型库中为待匹配的近红外光谱仪匹配光谱模型。
进一步地，偏移系数β的计算方式为：
w为光谱波长点个数，Sn为原始近红外光谱仪对应的均值，S'n为待匹配的近红外光谱仪对应的均值。
进一步地，趋势偏移量的计算方式为：
进一步地，还包括步骤3：结合偏移系数对未标样品光谱数据进行校正，使用匹配后的光谱模型对校正后的光谱数据进行预测分析。
进一步地，所述步骤22中单种标准校准板为Y种标准校准板中反射率居中的标准校准板。
进一步地，M取150～250，N取15～25。
进一步地，Y取3，且3种标准校准板分别为：黑色校准板、白色校准板、灰色校准板。
本发明相比于现有技术具有的有益效果是：本申请所述的方法首先使用多台同一型号微型化近红外光谱仪分别采集已标样品光谱数据，建立原始光谱模型库，然后使用同一批微型化近红外光谱仪采集标准校准板光谱数据，结合标准校准板光谱数据在原始光谱模型库中为待匹配的近红外光谱仪匹配光谱模型，无需再次建模，有效解决微型化近红外光谱设备一致性差，光谱模型不通用的问题。
附图说明
图1为基于标准校准板的光谱模型自适应方法的流程图；
图2为实施例对应的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，基于标准校准板的光谱模型自适应方法，包括：
步骤1、使用N台同型号的原始近红外光谱仪采集M条已标样本光谱数据，并根据已标样本光谱数据分别构建光谱模型以组成原始光谱模型库；
步骤2、使用N台原始近红外光谱仪及待匹配的近红外光谱仪分别采集标准校准板光谱数据，并基于采集的光谱数据在原始光谱模型库中为待匹配的近红外光谱仪匹配光谱模型。
通过标准校准板可以将原始近红外光谱仪与待匹配的近红外光谱仪进行对比，根据二者采集的数据差异即可为待匹配的近红外光谱仪匹配光谱模型，无需再次建模。
为了减小标准校准板造成的误差，提高模型匹配准确度，所述步骤2中，使用N台原始近红外光谱仪及待匹配的近红外光谱仪分别采集Y种标准校准板光谱数据，且Y大于1。
具体地，所述步骤2具体为：
步骤21、使用N台原始近红外光谱仪及待匹配的近红外光谱仪分别采集Y种标准校准板光谱数据；
步骤22、结合标准校准板反射率分别将各近红外光谱仪对应的Y种标准校准板光谱数据映射至单种标准校准板，根据映射值分别计算各近红外光谱仪的均值；
步骤23、根据各原始近红外光谱仪对应的均值及待匹配的近红外光谱仪对应的均值计算趋势偏移量，并根据趋势偏移量在原始光谱模型库中为待匹配的近红外光谱仪匹配光谱模型。
为了消除原始近红外光谱仪与待匹配的近红外光谱仪采集的数据间的差异，进一步提高模型匹配准确性，所述步骤23具体为：
步骤231、根据各原始近红外光谱仪对应的均值及待匹配的近红外光谱仪对应的均值分别计算两类设备间的偏移系数；
步骤232、根据偏移系数对均值进行校正；
步骤233、采用校正后的均值计算趋势偏移量，并根据趋势偏移量在原始光谱模型库中为待匹配的近红外光谱仪匹配光谱模型。
具体地，偏移系数β的计算方式为：
w为光谱波长点个数，Sn为原始近红外光谱仪对应的均值，S'n为待匹配的近红外光谱仪对应的均值。趋势偏移量的计算方式为：
为了使预测数据更准确，还包括步骤3：结合偏移系数对未标样品光谱数据进行校正，使用匹配后的光谱模型对校正后的光谱数据进行预测分析。
优选地，所述步骤22中单种标准校准板为Y种标准校准板中反射率居中的标准校准板；M取150～250，N取15～25；Y取3，且3种标准校准板分别为：黑色校准板、白色校准板、灰色校准板。
实施例
如图2所示，步骤101是使用多台同一型号微型化近红外光谱仪分别采集已标样品及未标样品光谱数据，并根据已标样品对应的光谱模型建立原始光谱模型库。多台同一型号微型化近红外光谱仪划分为两类设备，一类为原始光谱模型库建立设备，其采集样品为已知标定值样品；另一类为自适应光谱模型设备，其采集样品为未知标定值样品，通过自适应原始光谱模型库中的模型进行直接预测，无需进行光谱建模过程。
在本实施例中，多台同一型号的微型化近红外光谱仪具体分类方式为(N+1)，其中N台设备为原始光谱数据库建立设备，1台设备为自适应光谱模型设备，用于实施光谱模型自适应方法，在具体的实际应用中，原始光谱数据库建立设备数量优选为15-25台，在本实施例中选择为20台，过多的设备会消耗大量人力物力进行光谱数据采集及建模工作，过少的设备涵盖光谱模型较少，自适应精度较低，预测误差较大；自适应光谱模型设备数量可以为(1～+∞)个，均采用相同的光谱模型自适应方法对其进行处理即可实现所有设备的光谱模型自适应。已标样品与未标样品的具体数量为(M+1)，其中已标样品为M个，未标样品为1个，在具体的实际应用中，已标样品的数量为150～250个，本实施例采用200个，该数量的样本数所建立的光谱模型稳定性高，预测能力强，满足微型化近红外光谱分析技术的要求；过多的样本数会造成人力物力的浪费，对提升光谱模型的效果的能力十分有限，过少的样本建立的光谱模型稳定性差，极容易过拟合，且预测能力弱；未标样品的数量可以为(1～+∞)个，均采用单个未标样品的处理方式对光谱数据进行采集与处理即可完成所有未标样品的成分预测。具体的采集方式为：采用N台设备分别采集M个已标样品，每台设备均采集到M条光谱数据，合计采集获取(M×N)条光谱数据；采用1台自适应光谱模型设备采集1个未标样品的光谱数据，获取单条光谱数据。
进一步的，采用(M×N)条光谱数据进行原始光谱模型库的建立，针对N台设备中的单台设备，采集到M条光谱数据，与已知的M个组分标定值进行逐一对应，采用偏最小二乘法进行光谱建模，获取单个光谱模型，同理，对其余(N-1)台原始光谱数据库建立设备进行相同的建模流程，获取(N-1)个光谱模型，由上，N台原始光谱数据库建立设备建立了N个光谱模型，即原始光谱模型库中包含N个光谱模型。
步骤102是使用同一批微型化近红外光谱仪采集三种标准校准板光谱数据。三种标准校准板分别为黑色校准板、白色校准板、灰色校准板，这些标准校准板受环境影响极小，材质不易发生变化，抗油污能力强，测试表面分布均匀，在近红外光谱波长范围内极为稳定，是一种极度适用于微型化近红外光谱设备的校准材料。
在本实施例中，本专利采用的微型化近红外光谱设备波长点排布方式为均分式，光谱波段范围为1100nm～1500nm，分辨率为10nm，则可以计算出该微型化近红外设备所包含的波长点个数为M＝1+(1500-1100)/10＝41个，进一步可知该微型化近红外光谱设备采集的光谱数据实际表示为41个波长点上光强值的矩阵集合。
进一步的，黑色校准板、白色校准板、灰色校准板的反射率分别为α1＝3％、α2＝98％、α3＝47％，可以近似为黑色校准板将设备发出的近红外光全部吸收，白色校准板将设备发出的近红外光全部反射，而灰色校准板将设备发出的近红外光吸收恰好一半，选用三种具有代表性的校准板用于光谱设备的自适应可以最大程序的减小自适应误差，提高光谱设备自适应精度。
步骤103是结合标准校准板反射率将三种标准校准板光谱数据映射至单种标准校准板。如若直接采用单种标准校准板进行光谱模型匹配，由于校准板的单一性及微型化近红外设备稳定性较差等原因，其匹配误差较大，将三种标准校准板的光谱数据通过反射率与光谱数据之间的对应关系进行数据映射可以有效保留三种校准板光谱数据特征，减小误差，提升光谱设备匹配精度。
在本实施例中，设定N台原始光谱数据库建立设备中的单台设备采集获取黑色校准板、白色校准板、灰色校准板的光谱数据分别为B1、W1、G1，单台待匹配光谱模型设备采集获取黑色校准板、白色校准板、灰色校准板的光谱数据分别为B2、W2、G2，由于微型化近红外光谱仪的工作原理为光照系统发出近红外光至标准校准板，标准校准板对近红外光进行部分吸收，未吸收的近红外光反射至光谱设备传感器，传感器将光信号转换为电信号，再进一步转化为数值信号，即光谱数据。由此可知标准校准板的光谱数据与其反射率呈线性正相关，即：
灰色校准板的反射率居中，相较于黑色校准板的全吸收及白色校准板全反射过于极值，灰色校准板更适宜作为标准基准板，以灰色校准板为标准基准板，将黑色校准板以及白色校准板映射至灰色校准板，则N台原始光谱数据库建立设备中的单台设备黑色校准板映射灰色校准板、白色校准板映射灰色校准板、灰色校准板映射灰色校准板的光谱数据分别为
G1×1，进一步可以计算出三种标准校准板光谱数据映射至单种标准校准板的光谱数据均值为：
同理，可以计算出单台待匹配光谱模型设备三种标准校准板光谱数据映射至单种标准校准板的光谱数据均值为：
步骤104是计算单种标准校准板光谱数据偏移系数，结合偏移系数计算趋势偏移量，并结合趋势偏移量进行光谱设备模型匹配。针对同一单种标准校准板，两类微型化近红外光谱设备采集的光谱数据趋势偏移量越小，则表明两者光谱数据之间趋势越一致，进而可知其光谱模型也趋于一致，由此选取两类设备中趋势偏移量最小的两台设备进行光谱模型匹配。
在本实施例中，同一型号的原始光谱数据库建立设备及待匹配光谱模型的设备采集相同标准校准板光谱数据中光强值存在一定偏移，由此需要先计算两类设备单种标准校准板的偏移系数，设定单台原始光谱数据库建立设备三种标准校准板光谱数据映射至单种标准校准板的光谱数据均值S1＝(S01，S02，……S41)，单台自适应光谱模型设备三种标准校准板光谱数据映射至单种标准校准板的光谱数据均值S2＝(S'01，S'02，……S'41)，则可以计算出两类设备之间的偏移系数β为：
通过偏移系数将两类微型化近红外设备采集的光谱数据保持在同一基准下，将偏移系数代入单台自适应光谱模型设备三种标准校准板光谱数据映射至单种标准校准板的光谱数据均值S2中计算获得单台原始光谱数据库建立设备相同基准条件下的光谱数据均值S3为：
S3＝S2×β＝(S'01×β，S'02×β，……S'41×β)
对光谱均值S1及S3进行趋势偏移量计算，计算获取两台微型化近红外光谱设备之间的标准校准板光谱数据之间的趋势偏移量C1为：
同理，依次计算得出单台自适应光谱模型设备采集获取标准校准板光谱数据相较于N台原始光谱数据库建立设备采集获取标准校准板光谱数据趋势偏移量分别为(C1，C2，……CN)。
针对同一标准校准板，光谱设备采集获取光谱数据趋势偏移量越小，则表明两者光谱数据之间趋势越一致，进而可知其光谱模型也趋于一致，由上，从趋势偏移量(C1，C2，……CN)中选取偏移量值最小的两台设备作为自适应设备。
步骤105是结合偏移系数对未标样品光谱数据进行同量化计算，调用自适应光谱设备的光谱模型对同量化光谱数据进行预测分析。由于两类微型化近红外光谱设备采集到同一类样品光谱数据之间可能存在一定的量级差异，由此在调用自适应光谱设备的光谱模型对未标样品光谱数据进行预测时，需要对未标样品光谱数据进行同量化计算，将未标样品光谱数据的量级统一至已标样品光谱数据。
在本实施例中，由标准校准板计算出的偏移系数同样适用于未标样品光谱数据与已标样品光谱数据之间的量级转化，假定单台自适应光谱模型设备采集1个未标样品的光谱数据为P1＝(P01，P02，……P41)，首先对其进行同量化计算，将未标样品光谱数据的量级统一至已标样品光谱数据，计算获取同量化后未标样品光谱数据P2为：
P2＝(P01×β，P02×β，……P41×β)
进一步再调用与该单台自适应光谱模型设备进行自适应的原始光谱数据库建立设备所创建的光谱模型对同量化后未标样品光谱数据P2进行预测分析，获取预测分析值，该预测分析值即为未标样品的组分含量预测值。
Claims (10)
1.基于标准校准板的光谱模型自适应方法，其特征在于，包括：
步骤1、使用N台同型号的原始近红外光谱仪采集M条已标样本光谱数据，并根据已标样本光谱数据分别构建光谱模型以组成原始光谱模型库；
步骤2、使用N台原始近红外光谱仪及待匹配的近红外光谱仪分别采集标准校准板光谱数据，并基于采集的光谱数据在原始光谱模型库中为待匹配的近红外光谱仪匹配光谱模型。
2.根据权利要求1所述的基于标准校准板的光谱模型自适应方法，其特征在于，所述步骤2中，使用N台原始近红外光谱仪及待匹配的近红外光谱仪分别采集Y种标准校准板光谱数据，且Y大于1。
3.根据权利要求2所述的基于标准校准板的光谱模型自适应方法，其特征在于，所述步骤2具体为：
步骤21、使用N台原始近红外光谱仪及待匹配的近红外光谱仪分别采集Y种标准校准板光谱数据；
步骤22、结合标准校准板反射率分别将各近红外光谱仪对应的Y种标准校准板光谱数据映射至单种标准校准板，根据映射值分别计算各近红外光谱仪的均值；
步骤23、根据各原始近红外光谱仪对应的均值及待匹配的近红外光谱仪对应的均值计算趋势偏移量，并根据趋势偏移量在原始光谱模型库中为待匹配的近红外光谱仪匹配光谱模型。
4.根据权利要求3所述的基于标准校准板的光谱模型自适应方法，其特征在于，所述步骤23具体为：
步骤231、根据各原始近红外光谱仪对应的均值及待匹配的近红外光谱仪对应的均值分别计算两类设备间的偏移系数；
步骤232、根据偏移系数对均值进行校正；
步骤233、采用校正后的均值计算趋势偏移量，并根据趋势偏移量在原始光谱模型库中为待匹配的近红外光谱仪匹配光谱模型。
5.根据权利要求4所述的基于标准校准板的光谱模型自适应方法，其特征在于，偏移系数β的计算方式为：
w为光谱波长点个数，Sn为原始近红外光谱仪对应的均值，S'n为待匹配的近红外光谱仪对应的均值。
6.根据权利要求5所述的基于标准校准板的光谱模型自适应方法，其特征在于，趋势偏移量的计算方式为：
7.根据权利要求4所述的基于标准校准板的光谱模型自适应方法，其特征在于，还包括步骤3：结合偏移系数对未标样品光谱数据进行校正，使用匹配后的光谱模型对校正后的光谱数据进行预测分析。
8.根据权利要求3所述的基于标准校准板的光谱模型自适应方法，其特征在于，所述步骤22中单种标准校准板为Y种标准校准板中反射率居中的标准校准板。
9.根据权利要求1-8任意一项所述的基于标准校准板的光谱模型自适应方法，其特征在于，M取150～250，N取15～25。
10.根据权利要求1-8任意一项所述的基于标准校准板的光谱模型自适应方法，其特征在于，Y取3，且3种标准校准板分别为：黑色校准板、白色校准板、灰色校准板。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210711036.5A CN115144362B (zh) | 2022-06-22 | 2022-06-22 | 基于标准校准板的光谱模型自适应方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210711036.5A CN115144362B (zh) | 2022-06-22 | 2022-06-22 | 基于标准校准板的光谱模型自适应方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115144362A true CN115144362A (zh) | 2022-10-04 |
| CN115144362B CN115144362B (zh) | 2025-01-28 |
Family
ID=83408275
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210711036.5A Active CN115144362B (zh) | 2022-06-22 | 2022-06-22 | 基于标准校准板的光谱模型自适应方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115144362B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116067888A (zh) * | 2023-03-06 | 2023-05-05 | 广东星创众谱仪器有限公司 | 一种样品仓光程自动调节装置及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1996032631A1 (en) * | 1995-04-13 | 1996-10-17 | Pfizer Inc. | Calibration tranfer standards and methods |
| US20070112258A1 (en) * | 2005-01-21 | 2007-05-17 | Soyemi Olusola O | Standardization methods for correcting spectral differences across multiple spectroscopic instruments |
| CN106934416A (zh) * | 2017-02-23 | 2017-07-07 | 广州讯动网络科技有限公司 | 一种基于大数据的模型匹配方法 |
| DE102017108278A1 (de) * | 2017-04-19 | 2018-10-25 | Bruker Daltonik Gmbh | Mikrobieller Teststandard für die Verwendung in der Infrarot-Spektrometrie |
| CN110044286A (zh) * | 2019-04-15 | 2019-07-23 | 清华大学深圳研究生院 | 一种光谱共焦轴向距离检测方法、装置及设备 |
| CN110823829A (zh) * | 2019-11-21 | 2020-02-21 | 四川长虹电器股份有限公司 | 一种基于sg校准片的光谱数据补偿方法 |
| CN111855595A (zh) * | 2020-08-24 | 2020-10-30 | 四川长虹电器股份有限公司 | 一种基于黑白校准板的光谱数据校准方法 |
-
2022
- 2022-06-22 CN CN202210711036.5A patent/CN115144362B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1996032631A1 (en) * | 1995-04-13 | 1996-10-17 | Pfizer Inc. | Calibration tranfer standards and methods |
| US20070112258A1 (en) * | 2005-01-21 | 2007-05-17 | Soyemi Olusola O | Standardization methods for correcting spectral differences across multiple spectroscopic instruments |
| CN106934416A (zh) * | 2017-02-23 | 2017-07-07 | 广州讯动网络科技有限公司 | 一种基于大数据的模型匹配方法 |
| DE102017108278A1 (de) * | 2017-04-19 | 2018-10-25 | Bruker Daltonik Gmbh | Mikrobieller Teststandard für die Verwendung in der Infrarot-Spektrometrie |
| CN110044286A (zh) * | 2019-04-15 | 2019-07-23 | 清华大学深圳研究生院 | 一种光谱共焦轴向距离检测方法、装置及设备 |
| CN110823829A (zh) * | 2019-11-21 | 2020-02-21 | 四川长虹电器股份有限公司 | 一种基于sg校准片的光谱数据补偿方法 |
| CN111855595A (zh) * | 2020-08-24 | 2020-10-30 | 四川长虹电器股份有限公司 | 一种基于黑白校准板的光谱数据校准方法 |
Non-Patent Citations (4)
| Title |
|---|
| M. DI CRISCIENZO 等: "Matching the frequency spectrum of pre-main sequence stars by means of standard and rotating models", MONTHLY NOTICES OF THE ROYAL ASTRONOMICAL SOCIETY, vol. 389, no. 1, 1 September 2008 (2008-09-01), pages 325 * |
| SUM, ST 等: "Standardization of fiber-optic probes for near-infrared multivariate calibrations", APPLIED SPECTROSCOPY, vol. 52, no. 6, 1 June 1998 (1998-06-01), pages 869 - 877, XP000776119, DOI: 10.1366/0003702981944418 * |
| 孙红 等: "基于RGB-NIR图像匹配的作物光谱指数特征可视化分析", 光谱学与光谱分析, vol. 39, no. 11, 11 May 2020 (2020-05-11), pages 3493 - 3500 * |
| 杨俊芳: "高光谱特征波段在海洋典型溢油油种识别中的精度评估", 海洋科学, vol. 45, no. 4, 15 April 2021 (2021-04-15), pages 97 - 105 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116067888A (zh) * | 2023-03-06 | 2023-05-05 | 广东星创众谱仪器有限公司 | 一种样品仓光程自动调节装置及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115144362B (zh) | 2025-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111855595B (zh) | 一种基于黑白校准板的光谱数据校准方法 | |
| CN110487737B (zh) | 用于智能手机光谱检测的图像信息提取与计算方法及系统 | |
| CN103674864B (zh) | 一种基于高光谱成像技术的鱼水分含量分布检测方法 | |
| CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
| CN110926609B (zh) | 一种基于样本特征匹配的光谱重建方法 | |
| CN115424006A (zh) | 应用于作物表型参数反演的多源多层次数据融合方法 | |
| CN117288692B (zh) | 一种酿酒粮食中单宁含量的检测方法 | |
| CN114660105A (zh) | 土壤重金属Cd含量反演方法、系统、介质、计算机设备 | |
| CN113588597A (zh) | 一种提升炉渣分析精度的方法 | |
| CN111896497B (zh) | 一种基于预测值的光谱数据修正方法 | |
| CN117907245A (zh) | 一种基于约束性prosail-pro模型光谱超分辨率的岩溶湿地植被群落氮和磷含量反演方法 | |
| CN117969424B (zh) | 一种基于分数阶辅助光谱角映射的红树林含水量和干物质含量反演方法 | |
| CN109991174A (zh) | 一种高光谱相机与普通光谱仪之间的模型转移方法 | |
| CN115144362A (zh) | 基于标准校准板的光谱模型自适应方法 | |
| CN106126879B (zh) | 一种基于稀疏表示技术的土壤近红外光谱分析预测方法 | |
| CN114324158B (zh) | 一种近红外光谱数据异常点校正方法 | |
| CN116310788A (zh) | 基于图谱融合的植株叶片氮含量高光谱建模方法 | |
| CN106529680B (zh) | 一种基于经验模态分解的多尺度极限学习机集成建模方法 | |
| CN115015162A (zh) | 近红外光谱模型匹配方法 | |
| CN115201139B (zh) | 一种基于组分吸收峰的光谱模型匹配方法 | |
| TW202238527A (zh) | 基於頻譜影像之空氣汙染檢測方法 | |
| CN118549360A (zh) | 一种农产品成分含量测定方法 | |
| CN114965356B (zh) | 一种绿茶贮藏过程新鲜度指标的快速可视化监测方法 | |
| CN114994069B (zh) | 基于高光谱的绝缘子污秽成分和含量的检测方法及系统 | |
| CN117647498A (zh) | 一种牛奶的中红外光谱不同仪器标准化参数的获取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |