CN102313712B - 一种纤维类物料不同分光方式近红外光谱差异的校正方法 - Google Patents
一种纤维类物料不同分光方式近红外光谱差异的校正方法 Download PDFInfo
- Publication number
- CN102313712B CN102313712B CN 201110142935 CN201110142935A CN102313712B CN 102313712 B CN102313712 B CN 102313712B CN 201110142935 CN201110142935 CN 201110142935 CN 201110142935 A CN201110142935 A CN 201110142935A CN 102313712 B CN102313712 B CN 102313712B
- Authority
- CN
- China
- Prior art keywords
- difference
- correction
- spectrum
- sample
- standard sample
- 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.)
- Expired - Fee Related
Links
- 238000012937 correction Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 34
- 239000002657 fibrous material Substances 0.000 title abstract description 4
- 230000003595 spectral effect Effects 0.000 claims abstract description 82
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 238000012795 verification Methods 0.000 claims abstract description 48
- 239000000126 substance Substances 0.000 claims abstract description 28
- 238000001228 spectrum Methods 0.000 claims description 112
- 239000000835 fiber Substances 0.000 claims description 30
- 239000000463 material Substances 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 16
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000002835 absorbance Methods 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 2
- 238000010835 comparative analysis Methods 0.000 abstract 1
- 238000007519 figuring Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 11
- 239000010902 straw Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 235000019750 Crude protein Nutrition 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000004460 silage Substances 0.000 description 3
- 238000004164 analytical calibration Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 244000213578 camo Species 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种纤维类农作物物料不同分光方式近红外光谱差异的校正方法,包括如下步骤:1)选择两台不同分光方式近红外光谱仪,并获取纤维类农作物物料光谱响应数据;2)对两组近红外光谱矩阵进行数据匹配;3)划分样品的验证集和校正集,选取标样集;4)分析两组近红外光谱响应的差异,并分析相应预测结果的差异性;5)对两组近红外光谱矩阵和化学值进行全局中心化处理,确定光谱主成分矩阵,求出校正权重矢量和载荷矢量,并应用于两组近红外光谱矩阵的校正;6)分析校正后两组近红外光谱响应差异与相应预测结果,并与校正前结果进行比较分析。通过本法的方法校正后,两组光谱数据的差异显著减小。
Description
技术领域
本发明涉及一种光谱差异校正方法,特别是关于一种有效校正纤维类农作物物料不同分光方式近红外光谱仪之间光谱响应差异的方法。
背景技术
基于有机分子倍频与合频吸收光谱的近红外分析技术,由于其无前处理、无污染、无破坏性、方便快捷和可进行多组分同时测定等优点,已在多个领域获得了广泛应用。
近年来,国内外大量相关研究报道也已表明,近红外分析技术可成功用于纤维类农作物原料及相关开发利用产品的物料特性分析。基于纤维类农作物物料理化特性与光谱数据建立多元校正模型是纤维类农作物类物料近红外分析的基础,而可长期适用和共享的模型是其广泛应用的前提。
但是,由于不同因素条件下所获取样本光谱响应的差异性,模型的适用性已成为影响近红外分析技术发展的主要问题之一。其中,仪器条件的不同是影响模型共享和导致模型预测能力下降的重要因素之一,确定并有效校正其光谱响应差异是解决此类问题的核心。
发明内容
针对上述问题,本发明的目的是提供一种可有效校正纤维类农作物物料不同分光方式近红外光谱仪之间光谱响应差异的方法。
本发明所述的纤维类农作物物料包括但不限于秸秆、牧草、稻壳、花生壳、麸糠、木屑等农作物及其副产品。
为实现上述目的,本发明采取以下技术方案:
本发明提供一种纤维类农作物物料不同分光方式近红外光谱差异的校正方法,主要包括以下步骤:
1)选择两台不同分光方式近红外光谱仪,并获取纤维类农作物物料光谱响应数据;
2)对两台仪器所获取的光谱数据进行匹配;
3)划分样品的验证集和校正集,以及选取标样集;
4)分析校正前两组近红外光谱响应数据的差异,并分析光谱响应差异引起的预测结果的差异性;
5)对两组近红外光谱矩阵和化学值进行全局中心化处理,利用处理后的光谱矩阵和对应化学值矩阵进行正交运算,确定光谱主成分矩阵,求出校正权重矢量和载荷矢量,并应用于目标光谱矩阵的校正;
6)分析校正后两组近红外光谱响应差异与相应预测结果。
优选地,对步骤1)两种仪器条件下准确获取的纤维类农作物物料近红外光谱响应数据进行规范。
优选地,设定分辨率高的近红外光谱仪为源仪器,分辨率低的近红外光谱仪为目标仪器,以源仪器光谱数据为基准,将目标仪器光谱数据格式向其转换。
优选地,步骤2)的数据匹配采用三次样条插值和not-a-knot边界条件。
优选地,步骤3)的划分方式为根据所有样品目标参数含量,等间隔取样作为验证集样品,其余作为校正集样品;然后以相同的方式从校正集样品中等间隔取样作为标样集样品。
优选地,在步骤4)中,分别求取两台光谱仪验证集的原始光谱与一阶导数处理后光谱的差异光谱,并计算光谱平均差异ADS值进行量化分析;ADS值越大,光谱差异性越大;
利用源仪器校正模型,对两组验证集光谱进行预测,根据预测标准差RMSEP和***偏差bias分析光谱响应差异引起的预测结果的差异性,所得两组RMSEP和bias值越接近,预测结果的差异性越小,反之,差异性越大;
式中,nv为验证集样品数,N为光谱波长点总数目,Si 2λ和Si 1λ分别为第i个样品在目标仪器和源仪器所测定光谱λ波长处的吸光度值;
优选地,在步骤5)中,对两台仪器标样集近红外光谱矩阵和化学值进行全局中心化处理,利用处理后的光谱矩阵X标样和对应样品的化学值矩阵Y标样进行正交运算:Z=X标样-Y标样(YT 标样Y标样)-1YT 标样X标样,对ZZT进行主成分分析,取前f个需要正交处理的主成分矩阵T,分别计算求出正交信号校正权重矩阵W和载荷矩阵P,其中W=X标样 -1T,P=X标样 TT/(TTT);用校正权重矩阵W和载荷矩阵P分别对源仪器校正集、验证集和目标仪器验证集的光谱矩阵X进行校正X校正=X-XWPT。其中,Z的含义为将标样光谱矩阵X标样与化学值矩阵Y标样正交计算后的矩阵。
优选地,在步骤6)中,再次求取校正后源仪器和目标仪器验证集光谱的差异光谱,计算ADS值,并采用校正后的源仪器光谱建立校正模型,对目标仪器验证集光谱进行预测;对校正前后的差异光谱、光谱平均差异ADS值、预测标准差RMSEP和***偏差bias进行对比分析。
本发明的方法优选的技术方案包括如下步骤:
1)选择两台不同分光方式近红外光谱仪,并获取两种仪器条件下的纤维类农作物物料近红外光谱响应数据;
2)设定分辨率高的近红外光谱仪为源仪器,分辨率低的近红外光谱仪为目标仪器,以源仪器光谱响应数据为基准,将目标仪器光谱数据格式向其转换,实现两台仪器所获取光谱数据的匹配;
3)进行样品校正集和验证集的划分以及标样集的选取;
4)求取两台不同分光方式近红外光谱仪之间验证集原始光谱的差异光谱,同时对原始光谱进行一阶导数处理后求取处理后光谱的差异光谱,分析仪器条件不同导致的光谱响应的差异;并利用源仪器校正集样品光谱数据与对应化学值,建立纤维类农作物物料目标参数的近红外校正模型,并对源仪器和目标仪器验证集进行预测,分析光谱响应差异引起的预测结果的差异性;
5)对两台仪器标样集近红外光谱矩阵和化学值进行全局中心化处理,利用处理后的光谱矩阵X标样和对应样品的化学值矩阵Y标样进行正交运算:Z=X标样-Y标样(YT 标样Y标样)-1YT 标样X标样,对ZZT进行主成分分析,取前f个需要正交处理的主成分矩阵T,分别计算求出正交信号校正权重矩阵W=X标样 -1T和载荷矩阵P=X标样 TT/(TTT);
用校正权重矩阵W和载荷矩阵P对源仪器校正集、验证集以及目标仪器验证集光谱矩阵X进行校正X校正=X-XWPT;
6)求取校正处理后两台仪器验证集光谱的差异光谱,并与处理前的差异光谱进行比较,分析光谱响应差异的校正;并利用步骤5)处理后的源仪器校正集建立校正模型,对校正后目标仪器验证集光谱进行预测,验证光谱响应差异的校正效果。
所述步骤3)中,根据样品目标含量大小进行顺序排列,等间隔选取样品作为验证集样品集,其余为校正集样品。采用上述相同方法从校正集样品中进行标样集样品的选取。
所述步骤4)和6)中,根据光谱平均差异ADS值量化分析纤维类农作物物料不同分光方式近红外光谱仪之间光谱响应的差异性,分析原则为:ADS越大,光谱差异越大;
式中,nv为验证集样品数,N为光谱波长点总数目,Si 2λ和Si 1λ分别为第i个样品在源仪器和目标仪器所测定光谱的λ波长处的吸光度值。
所述步骤4)和6)中,根据预测标准差RMSEP和***偏差bias评价近红外校正模型对验证集样品不同分光方式光谱的预测效果,验证光谱响应差异引起的预测结果的差异性;
所述步骤5)中,光谱矩阵全局中心化按照下式进行运算。
化学值全局中心化为每个样品化学值减去所有样品化学值均值。
本发明的技术方案具有下述优点:
1)本发明在将不同分光方式近红外光谱仪所测定纤维类农作物物料光谱数据匹配后,首先求取两台仪器间验证集原始光谱的差异光谱,进一步求取一阶导数处理后光谱的差异光谱,并采用光谱平均差异ADS值对其进行量化,可直观准确获取不同分光方式光谱响应的差异。
2)本发明利用源仪器校正集样品光谱数据与目标参数化学值,建立近红外校正模型,并同时对源仪器和目标仪器验证集进行预测,通过预测效果的差别分析清楚体现光谱响应差异导致的模型适用性问题。
3)本发明在对目标仪器光谱响应差异进行校正后,再次求取了两台仪器间验证集光谱的差异光谱,并利用源仪器校正模型,再次对校正后目标仪器验证集光谱进行预测,通过处理前后的数据比较,直观显示并验证纤维类农作物物料不同分光方式近红外光谱响应差异的有效校正。
4)本发明提供的校正方法,可实现纤维类农作物物料不同分光方式近红外光谱仪之间光谱响应差异的有效校正,从而使所建立的纤维类农作物物料重要技术指标近红外校正模型在不同分光方式仪器上进行应用,有效解决模型适用性问题,可实现模型的有效利用和资源共享。
附图说明
图1是本发明实施例中纤维类农作物饲料不同分光方式近红外原始光谱差谱图。
图2是本发明实施例中纤维类农作物饲料不同分光方式近红外一阶导数处理后光谱差谱图。
图3是本发明实施例中纤维类农作物饲料校正后不同分光方式近红外光谱差谱图。
具体实施方式
以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例1
下面结合附图和实施例对本发明进行详细的描述。
本发明包括以下步骤:
1)选择两台不同分光方式近红外光谱仪作为分析仪器,并同时规范两种仪器条件下准确获取的纤维类农作物物料近红外光谱响应数据。
2)对两台仪器所获取光谱矩阵进行数据匹配
由于仪器分光方式不同,所获取的光谱数据格式不同。如光谱数据横轴存在波长和厘米波数两种坐标,又由于仪器性能及分辨率等参数不同,光谱数据范围与数据间隔也不尽相同,因此必须将数据格式转换一致,才能开展下一步研究。本实施例以分辨率高的近红外光谱响应数据为基准,将分辨率低的仪器光谱数据格式向其转换。数据匹配方法采用三次样条插值和not-a-knot边界条件。
其中,MATlab的样条插值函数的默认的设置,是一种称为not-a-knot的边界条件。not-a-knot(非扭结)边界条件,也就是强制使第一个点的三次导数和第二点的三次导数一样;最后一个点的三次导数和倒数第二个点的三次导数一样。
3)样品校正集和验证集的划分以及标样集的选取
纤维类农作物根据样品目标含量大小,采用等间隔样品选取法进行校正集、验证集和标样集样品划分。
4)校正前纤维类农作物物料不同分光方式近红外光谱数据差异分析
①分别求取不同仪器之间验证集原始光谱与一阶导数处理后光谱的差异光谱,并计算光谱平均差异ADS值进行量化分析。根据ADS值的大小,分析光谱差异程度,ADS值越大,光谱差异越大。
式中,nv为验证集样品数,N为光谱波长点总数目,Si 2λ和Si 1λ分别为第i个样品在目标仪器和源仪器所测定光谱的λ波长处的吸光度值;
②利用源仪器校正集样品光谱数据与化学值,建立纤维类农作物物料目标参数近红外校正模型,同时对源仪器和目标仪器验证集进行预测,根据预测标准差RMSEP和***偏差bias评价近红外校正模型对验证集样品不同分光方式光谱的预测效果,分析光谱响应差异引起的预测结果的差异性。所得两组RMSEP和bias值越接近,预测结果的差异性越小,反之,则差异越大。
5)近红外光谱响应数据差异的校正
首先对两台仪器标样集近红外光谱矩阵进行全局中心化处理:
化学值全局中心化处理为:每个样品化学值减去所有样品化学值均值。
利用处理后的光谱矩阵X标样和对应样品的化学值矩阵Y标样进行正交运算:
Z=X标样-Y标样(YT 标样Y标样)-1YT 标样X标样 (5)
对ZZT进行主成分分析,选取前f个需要正交处理的稳定的主成分矩阵T,分别计算求出正交信号校正权重矢量W和载荷矢量P:
W=X标样 -1T (6)
P=X标样 TT/(TTT) (7)
由校正权重矢量W和载荷矢量P对源仪器校正集、验证集以及目标仪器验证集光谱矩阵X进行如下校正:
X校正=X-XWPT (8)
6)校正后纤维类农作物物料不同分光方式近红外光谱数据差异分析
①采用上述步骤4)相同方法求取校正后源仪器和目标仪器验证集光谱的差异光谱,计算ADS值。
②采用校正后的源仪器校正集光谱建立校正模型,对目标仪器验证集光谱进行预测。对校正前后的差异光谱、光谱平均差异ADS值、预测标准差RMSEP和***偏差bias进行对比分析,确定该方法对光谱响应差异校正的有效性。
下面列举一具体实施例,将本发明应用于校正秸秆青贮饲料傅里叶变换和光栅型近红外光谱响应的差异,以粗蛋白含量作为预测目标参数。
1)研究样本与粗蛋白含量测定
研究样本为141份玉米秸秆青贮饲料,分别收集自我国不同地区(北京、河北、浙江、江苏、吉林、黑龙江、陕西和广西)的牛场和实验室,涵盖了不同预处理和不同青贮方式等。样品经烘箱干燥(65℃,48h)后采用旋风磨粉碎,过1mm筛。样品的粗蛋白含量采用AOAC 2001.11标准方法测定。
2)近红外光谱仪与样品光谱数据测定
不同分光方式近红外光谱仪为:美国Perkin Elmer公司生产的SPECTRUM ONE NTS傅里叶变换近红外光谱仪(漫反射积分球附件,InGaAs检测器)和丹麦FOSS公司生产的NIRSystemsTM 6500光栅型近红外光谱仪(PbS检测器)。SPECTRUM ONE NTS傅里叶变换近红外光谱仪采集光谱时工作参数为:光谱范围9090-4000cm-1,波数间隔2cm-1,每条光谱含2545个数据点。NIRSystemsTM 6500光栅型近红外光谱仪采集光谱时工作参数为:光谱范围1100-2500nm,波长间隔2nm,每条光谱含700个数据点。光谱扫描次数均为32次,每个样品重复装样扫描3次,取其平均光谱为样品光谱。本实施例中SPECTRUM ONE NTS光谱仪的分辨率高于NIRSystemsTM 6500,因此,设定SPECTRUM ONE NTS傅里叶变换近红外光谱仪为源仪器,NIRSystemsTM 6500光栅型近红外光谱仪为目标仪器。
3)两台仪器光谱数据的匹配
本实施例以SPECTRUM ONE NTS傅里叶变换近红外光谱数据为标准,将NIRSystemsTM 6500光栅型近红外光谱数据首先转换为以波数表示,进行三次样条插值,选用not-a-knot边界条件,采用先插值后截取的方法实现两台仪器光谱数据的匹配。光谱数据的匹配借助化学计量学软件Unscrambler 9.1(挪威CAMO公司)和Matlab实现。
4)校正前秸秆饲料不同分光方式近红外光谱数据差异分析
根据所有样品粗蛋白含量,隔3取1选择35个样品作为验证集样品,其余作为校正集。相同方法从校正集样品中选取30个样品作为标样集。图1和图2分别为两台仪器之间验证集原始光谱与一阶导数处理后光谱的差异光谱,计算可得其相应ADS值分别为0.30和0.13。而源仪器校正模型对源仪器验证集的预测RMSEP和bias分别为4.73g/kgDM和0.50,目标仪器预测结果RMSEP和bias则为22.84g/kg DM和6.70。因此,两组光谱响应数据之间存在较大差异,虽然通过导数预处理有一定程度改善,但仍然显著降低了模型的预测精度。
5)校正后秸秆饲料不同分光方式近红外光谱数据差异分析
图3为校正后秸秆饲料不同分光方式近红外光谱差谱图,其相应ADS计算结果为0.08。对校正前后的差谱图和平均光谱差异ADS值进行对比分析显示,校正后两组光谱数据的差异显著减小,该方法取得了较好的校正效果。校正后源仪器模型对目标仪器的预测RMSEP和bias分别为9.29g/kg DM和-0.44,比校正前有较大程度的改善,并且与源仪器校正模型对源仪器验证集的预测结果非常接近。
6)不同校正方法的效果比较
本实施例还将其方法与以下几种常用方法进行了比较分析。
1)斜率/截距法:采用源仪器上建立的校正模型分别对源仪器与目标仪器测得的标样光谱矩阵进行预测,得浓度阵C源和C目标,假定C源=bias+斜率×C目标,用最小二乘法求出bias和斜率值(slope)。然后对于目标仪器未知样品光谱矩阵的预测浓度阵C,使用公式C校正=bias+斜率×C进行预测浓度的校正计算。
2)局部中心化法:源仪器校正集和目标仪器验证集光谱矩阵进行局部中心化校正处理,化学值矩阵进行全局中心化校正处理,利用源仪器校正后光谱与化学值矩阵建立模型,然后对目标仪器校正后的光谱矩阵进行预测。
3)直接校正法:利用转换矩阵F对目标仪器测得的未知样品光谱矩阵进行校正,再由源仪器建立的定标模型进行预测。转换矩阵F采用标样集光谱矩阵由X源=X目标·F通过偏最小二乘法计算得到,所以F=XT 目标·X源。其中,由目标仪器标样光谱阵X目标的全波长数据来计算源仪器标样光谱阵X源的每一个波长点的转换F。
4)分段直接校正法与直接校正法原理基本相同,所不同的是,用某i波长点附近一窗口为j+k+1大小的光谱段X目标,j+k+1(从第i-j到i+k波长)代替X目标的全波长数据,进行源仪器标样光谱阵X源该波长点的转换F计算。
试验结果:表1为本发明方法与斜率/截距法、局部中心化法、直接校正法和分段直接校正法对秸秆饲料近红外光谱差异的校正结果。结果显示,本发明方法对秸秆饲料不同分光方式近红外光谱差异的校正效果均明显优于其他4种常用方法。
表1
上述各实施例仅用于说明本发明,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (6)
1.一种纤维类农作物物料不同分光方式近红外光谱差异的校正方法,主要包括以下步骤:
1)选择两台不同分光方式近红外光谱仪,并获取纤维类农作物物料光谱响应数据;
2)对两台仪器所获取的光谱数据进行匹配;
3)划分样品的验证集和校正集,选取标样集:根据样品目标含量大小,采用等间隔样品选取法进行校正集、验证集和标样集样品划分,具体为,根据样品目标含量,等间隔取样作为验证集样品,其余作为校正集样品,然后以同样的方法从校正集样品中等间隔取样作为标样集样品;
4)分析校正前两组近红外光谱响应数据的差异,并分析光谱响应差异引起的预测结果的差异性;
5)对两组近红外光谱矩阵和化学值进行全局中心化处理,利用处理后的光谱矩阵和对应化学值矩阵进行正交运算,确定光谱主成分矩阵,求出校正权重矢量和载荷矢量,并应用于目标光谱矩阵的校正;
具体为,利用处理后的光谱矩阵X标样和对应样品的化学值矩阵Y标样进行正交运算:Z=X标样-Y标样(YT 标样Y标样)-1T 标样X标样,对ZZT进行主成分分析,取前f个需要正交处理的主成分矩阵T,分别计算求出正交信号校正权重矩阵W=X标样 -1T和载荷矩阵P=X标样 TT/(TTT);
用校正权重矩阵W和载荷矩阵P对源仪器校正集、验证集以及目标仪器验证集光谱矩阵X进行校正X校正=X-XWPT;
6)分析校正后两组近红外光谱响应差异与相应预测结果;
其中,设定分辨率高的近红外光谱仪为源仪器,分辨率低的近红外光谱仪为目标仪器,以源仪器光谱数据为基准,将目标仪器光谱数据格式向其转换。
2.根据权利要求1所述的纤维类农作物物料不同分光方式近红外光谱差异的校正方法,其特征在于,步骤2)的数据匹配采用三次样条插值和not-a-knot边界条件。
3.根据权利要求1所述的纤维类农作物物料不同分光方式近红外光谱差异的校正方法,其特征在于,步骤3)的划分方式为根据所有样品目标参数含量,等间隔取样作为验证集样品,其余作为校正集样品;然后以相同的方式从校正集样品中等间隔取样作为标样集样品。
4.根据权利要求1所述的纤维类农作物物料不同分光方式近红外光谱差异的校正方法,其特征在于,在步骤4)中,分别求取两台光谱仪验证集的原始光谱与一阶导数处理后光谱的差异光谱,并计算光谱平均差异ADS值进行量化分析;ADS值越大,光谱差异性越大;利用源仪器校正模型,对两组验证集光谱进行预测,根据预测标准差RMSEP和***偏差bias分析光谱响应差异引起的预测结果的差异性,所得两组RMSEP和bias值越接近,预测结果的差异性越小,反之,差异性越大;
式中,nv为验证集样品数,N为光谱波长点总数目,Si 2λ和Si 1λ分别为第i个样品在目标仪器和源仪器所测定光谱λ波长处的吸光度值;
其中,当近红外光谱范围9090-4000cm-1,取波数间隔2cm-1,每条光谱含2545个光谱波长点;当光谱范围1100-2500nm,波长间隔2nm,每条光谱含700个光谱波长点。
5.根据权利要求1所述的纤维类农作物物料不同分光方式近红外光谱差异的校正方法,其特征在于,在步骤5)中,对两台仪器标样集近红外光谱矩阵和化学值进行全局中心化处理,利用处理后的光谱矩阵X标样和对应样品的化学值矩阵Y标样进行正交运算:Z=X标 样-Y标样(YT 标样Y标样)-1YT 标样X标样,对ZZT进行主成分分析,取前f个需要正交处理的主成分矩阵T,分别计算求出正交信号校正权重矩阵W=X标样 -1T和载荷矩阵P=X标样 TT/(TTT);用校正权重矩阵W和载荷矩阵P分别对源仪器校正集、验证集和目标仪器验证集的光谱矩阵X进行校正X校正=X-XWPT;
其中所述X代表待校正的光谱矩阵。
6.根据权利要求1所述的纤维类农作物物料不同分光方式近红外光谱差异的校正方法,其特征在于,在步骤6)中,再次求取校正后源仪器和目标仪器验证集光谱的差异光谱,计算ADS值,并采用校正后的源仪器光谱建立校正模型,对目标仪器验证集光谱进行预测;对校正前后的差异光谱、光谱平均差异ADS值、预测标准差RMSEP和***偏差bias进行对比分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110142935 CN102313712B (zh) | 2011-05-30 | 2011-05-30 | 一种纤维类物料不同分光方式近红外光谱差异的校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110142935 CN102313712B (zh) | 2011-05-30 | 2011-05-30 | 一种纤维类物料不同分光方式近红外光谱差异的校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102313712A CN102313712A (zh) | 2012-01-11 |
CN102313712B true CN102313712B (zh) | 2013-04-24 |
Family
ID=45427069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110142935 Expired - Fee Related CN102313712B (zh) | 2011-05-30 | 2011-05-30 | 一种纤维类物料不同分光方式近红外光谱差异的校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102313712B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105738317B (zh) * | 2016-02-16 | 2018-06-01 | 广州纤维产品检测研究院 | 纺织品近红外模型转移方法 |
CN105787518B (zh) * | 2016-03-17 | 2019-04-23 | 浙江中烟工业有限责任公司 | 一种基于零空间投影的近红外光谱预处理方法 |
CN106248617A (zh) * | 2016-07-12 | 2016-12-21 | 上海创和亿电子科技发展有限公司 | 基于近红外的烟叶焦油检测方法 |
CN107169161B (zh) * | 2017-04-12 | 2020-06-16 | 山东省科学院海洋仪器仪表研究所 | 分段直接矫正及斜率和截距修正的土壤养分模型转移方法 |
CN106951720B (zh) * | 2017-04-12 | 2019-05-31 | 山东省科学院海洋仪器仪表研究所 | 基于典型相关性分析及线性插值的土壤养分模型转移方法 |
CN108489928B (zh) * | 2018-03-15 | 2020-08-11 | 杭州一土网络科技有限公司 | 一种短波红外消光光谱纺织品纤维成分检测方法 |
CN114018856B (zh) * | 2020-07-17 | 2024-06-11 | 中国石油化工股份有限公司 | 光谱校正方法 |
CN112240980A (zh) * | 2020-12-18 | 2021-01-19 | 中海储能科技(北京)有限公司 | 基于学习算法的soc检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19857896C1 (de) * | 1998-12-15 | 2000-08-31 | Siemens Ag | Verfahren und Vorrichtung zur Auswertung von spektroskopischen Messungen an festen Materialien mit räumlich und/oder zeitlich variierenden Oberflächen |
CN1125331C (zh) * | 1999-07-06 | 2003-10-22 | 中国石油化工集团公司 | 一种测定渣油组分含量的方法 |
KR100990841B1 (ko) * | 2008-06-27 | 2010-11-01 | 대한민국 | 근적외선 분광분석법을 이용한 차나무 생엽의 비파괴분석방법 |
CN101430276B (zh) * | 2008-12-15 | 2012-01-04 | 北京航空航天大学 | 光谱分析中波长变量优选的方法 |
-
2011
- 2011-05-30 CN CN 201110142935 patent/CN102313712B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102313712A (zh) | 2012-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102313712B (zh) | 一种纤维类物料不同分光方式近红外光谱差异的校正方法 | |
Jin et al. | Near-infrared analysis of the chemical composition of rice straw | |
Zhang et al. | Determination of water content in corn stover silage using near-infrared spectroscopy | |
CN1982872B (zh) | 快速检测滴丸剂水分含量的近红外漫反射光谱法 | |
CN105181606B (zh) | 基于高光谱成像技术检测花生中蔗糖含量分布的方法 | |
CN111488926A (zh) | 一种基于优化模型的土壤有机质测定方法 | |
CN113762208B (zh) | 一种近红外光谱与特征图谱的图谱转换方法及其应用 | |
CN105115910B (zh) | 基于高光谱成像技术检测花生中蛋白质含量分布的方法 | |
CN105758819A (zh) | 一种利用近红外光谱检测土壤的有机组分的方法 | |
CN108801975A (zh) | 一种微型化近红外光谱仪检测酒糟成分的光谱预处理方法 | |
CN101413884A (zh) | 近红外光谱分析仪及其分辨率的校正方法 | |
CN108613943B (zh) | 一种基于光谱形态转移的近红外单籽粒作物成分检测方法 | |
Lu et al. | Fast and nondestructive determination of protein content in rapeseeds (Brassica napus L.) using Fourier transform infrared photoacoustic spectroscopy (FTIR‐PAS) | |
CN105486663B (zh) | 一种利用近红外光谱检测土壤的稳定碳同位素比值的方法 | |
CN102042967B (zh) | 一种基于近红外光谱技术的葡萄糖水溶液快速识别方法 | |
CN101788459A (zh) | 一种准连续方式的分光波长组合方法 | |
Zhu et al. | Prediction of wood property in Chinese Fir based on visible/near-infrared spectroscopy and least square-support vector machine | |
CN113655027A (zh) | 一种近红外快速检测植物中单宁含量的方法 | |
Cui et al. | Hyperspectral reflectance imaging for water content and firmness prediction of potatoes by optimum wavelengths | |
Qiong et al. | Field monitoring of wheat seedling stage with hyperspectral imaging | |
CN108801973B (zh) | 利用单粒检测配件同步检测花生中主要成分的近红外方法 | |
CN105115909B (zh) | 基于高光谱成像技术检测花生中脂肪含量分布的方法 | |
Wang et al. | Online determination of quality parameters of dried soybean protein–lipid films (fuzhu) by nir spectroscopy combined with chemometrics | |
Lu et al. | Determination of nitrogen in rapeseed by Fourier transform infrared photoacoustic spectroscopy and independent component analysis | |
CN105300919A (zh) | 利用近红外光谱快速检测白酒中主要成分的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130424 |
|
CF01 | Termination of patent right due to non-payment of annual fee |