CN111239054A - 一种光谱分析模型应用方法和装置 - Google Patents
一种光谱分析模型应用方法和装置 Download PDFInfo
- Publication number
- CN111239054A CN111239054A CN201811449106.4A CN201811449106A CN111239054A CN 111239054 A CN111239054 A CN 111239054A CN 201811449106 A CN201811449106 A CN 201811449106A CN 111239054 A CN111239054 A CN 111239054A
- Authority
- CN
- China
- Prior art keywords
- information
- model
- spectral
- model application
- configuration
- 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.)
- Pending
Links
- 238000010183 spectrum analysis Methods 0.000 title claims abstract description 252
- 238000000034 method Methods 0.000 title claims abstract description 117
- 230000003595 spectral effect Effects 0.000 claims abstract description 246
- 238000001228 spectrum Methods 0.000 claims abstract description 217
- 238000007781 pre-processing Methods 0.000 claims description 156
- 238000004422 calculation algorithm Methods 0.000 claims description 123
- 238000004364 calculation method Methods 0.000 claims description 47
- 238000012795 verification Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 description 75
- 238000001514 detection method Methods 0.000 description 55
- 230000006870 function Effects 0.000 description 49
- 238000012545 processing Methods 0.000 description 20
- 239000011159 matrix material Substances 0.000 description 12
- 241000220225 Malus Species 0.000 description 9
- 238000013500 data storage Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 9
- 235000021016 apples Nutrition 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000000691 measurement method Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 230000010354 integration Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012821 model calculation Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002054 transplantation Methods 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
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
Landscapes
- Physics & Mathematics (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)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种光谱分析模型应用方法,采用预设配置规则,配置每个光谱特征属性分别对应的每个模型应用信息;获取当前待测光谱信息,根据预设对应规则,确定所述当前待测光谱信息对应的模型应用信息;采用所述当前待测光谱信息对应的模型应用信息,和根据所述当前待测光谱信息对应的模型应用信息中指定的光谱分析模型,检测所述当前待测光谱信息的光谱特征属性。本发明公开了一种光谱分析模型应用装置、存储介质。
Description
技术领域
本发明涉及物联网信息采集技术,尤其涉及一种光谱分析模型应用方法和装置。
背景技术
通过光谱分析模型对应光谱信息进行分析,得到期望的预测结果称为模型预测;在模型预测过程中,首先确定需要预测的对象和预测对象属性,即光谱特征属性,如通过光谱检测期望预测出苹果的水分、糖分等;然后对接收的光谱信号进行对应的光谱插值和预处理,并选择特征波段光谱值;再选择具体光谱分析模型,最后将选择的特征波段光谱值通过光谱分析模型进行计算,得到光谱的预测值。
对于不同的对象进行模型预测时,每个预测步骤中所对应的算法不同,需求的特征波段光谱值也不同,使用光谱分析模型的参数也不同。因此,模型预测的实际应用过程中,需要将光谱分析模型及预测对象及属性、光谱插值算法、所有预处理算法及参数、特征波段、采用的光谱分析模型等应用信息与预测过程对应起来,才能实现模型应用,这些应用信息称为模型应用信息。
物联网云平台对光谱分析模型的应用是采用固化移植应用模型的方式,即将特定的光谱分析模型和该光谱分析模型的模型应用信息进行固化;云平台接收到预测请求时,按照预测过程使用已经固化好的模型应用信息对光谱进行处理,然后使用固化的模型本身进行预测;
目前的物联网云平台应用方式适用于特定的场景的光谱分析,如果有新增检测对象时,由于光谱分析模型及模型应用信息不同,均需要进行移植。该方式适合开发产品单一的光谱分析模型应用产品。另外,由于光谱仪器类型及参数配置与使用的光谱分析模型和该光谱分析模型的模型应用信息可能不同,对预测时采集光谱的仪器类型、参数及配置需要与建模时使用的一致,才能得到准确的模型预测结果,目前的预测过程没有也涉及光谱仪器的设置。
因此,如何使云平台光谱分析模型的应用能适合不同的应用场景,提高云平台光谱分析适应性是亟待解决的问题。
发明内容
有鉴于此,本发明实施例能使云平台光谱分析模型的应用能适合不同的应用场景,提高云平台光谱分析适应性。
为达到上述目的,本发明实施例的技术方案是这样实现的:
本发明实施例提供了一种光谱分析模型应用方法,所述方法包括:
采用预设配置规则,配置每个光谱特征属性分别对应的每个模型应用信息;
获取当前待测光谱信息,根据预设对应规则,确定所述当前待测光谱信息对应的模型应用信息;采用所述当前待测光谱信息对应的模型应用信息,和根据所述当前待测光谱信息对应的模型应用信息中指定的光谱分析模型,检测所述当前待测光谱信息的光谱特征属性。
上述方案中,所述配置每个光谱特征属性分别对应的每个模型应用信息,包括:配置所述模型应用信息中指定的光谱分析模型输出光谱特征属性形式、和/或预处理配置、和/或所述模型应用信息中指定的光谱分析模型的识别信息、和/或特征波段信息、和/或所述模型应用信息中指定的光谱分析模型的计算参数;
所述预处理配置包括:光谱插值算法、和/或光谱预处理算法、和/或光谱预处理算法参数。
上述方案中,所述配置每个光谱特征属性分别对应的每个模型应用信息,包括:配置所述模型应用信息对应的第一仪器配置信息;
所述第一仪器配置信息,用于与待测光谱信息中的第二仪器配置信息进行匹配验证,当不匹配时,不进行所述光谱特征属性的检测;和/或,用于由光谱仪读取并根据所述第一仪器配置信息对所述光谱仪进行配置。
上述方案中,所述配置每个光谱特征属性分别对应的每个模型应用信息,包括:配置所述模型应用信息对应的应用对象信息;
所述方法还包括:将所述应用对象信息作为对应的所述模型应用信息、和/或所述模型应用信息中指定的光谱分析模型的索引信息。
上述方案中,根据预设对应规则,确定所述待测光谱信息对应的模型应用信息,包括:
所述当前待测光谱信息中的预设第一标识信息和所述模型应用信息的预设第二标识信息匹配时,确定所述当前待测光谱信息和所述模型应用信息对应。
本发明实施例还提供了一种光谱分析模型应用装置,所述装置包括:模型配置模块和模型应用模块,其中,
所述模型配置模块,用于采用预设配置规则,配置每个光谱特征属性分别对应的每个模型应用信息;
所述模型应用模块,用于获取当前待测光谱信息,根据预设对应规则,确定所述当前待测光谱信息对应的模型应用信息;采用所述当前待测光谱信息对应的模型应用信息,和根据所述当前待测光谱信息对应的模型应用信息中指定的光谱分析模型,检测所述当前待测光谱信息的光谱特征属性。
上述方案中,所述配置每个光谱特征属性分别对应的每个模型应用信息,包括:配置所述模型应用信息中指定的光谱分析模型输出光谱特征属性形式、和/或预处理配置、和/或所述模型应用信息中指定的光谱分析模型的识别信息、和/或特征波段信息、和/或所述模型应用信息中指定的光谱分析模型的计算参数;
所述预处理配置包括:光谱插值算法、和/或光谱预处理算法、和/或光谱预处理算法参数。
上述方案中,所述模型配置模块,具体用于:配置所述模型应用信息对应的第一仪器配置信息;
所述第一仪器配置信息,用于与待测光谱信息中的第二仪器配置信息进行匹配验证,当不匹配时,不进行所述光谱特征属性的检测;和/或,用于由光谱仪读取并根据所述第一仪器配置信息对所述光谱仪进行配置。
上述方案中,所述模型配置模块,具体用于:配置所述模型应用信息对应的应用对象信息;
将所述应用对象信息作为对应的所述模型应用信息、和/或所述模型应用信息中指定的光谱分析模型的索引信息。
上述方案中,所述模型应用模块,具体用于:
所述当前待测光谱信息中的预设第一标识信息和所述模型应用信息的预设第二标识信息匹配时,确定所述当前待测光谱信息和所述模型应用信息对应。
本发明实施例还提供了一种存储介质,其上存储由可执行程序,所述可执行程序被处理器执行时实现上述方法中任一种所述光谱分析模型应用方法的步骤。
本发明实施例还提供了一种光谱分析模型应用装置,包括处理器、存储器及存储在存储器上并能够有所述处理器运行的可执行程序,所述处理器运行所述可执行程序时执行如上述方法中任一种所述光谱分析模型应用方法的步骤
本发明实施例所提供的光谱分析模型应用方法和装置,采用预设配置规则,配置每个光谱特征属性分别对应的每个模型应用信息;获取当前待测光谱信息,根据预设对应规则,确定所述当前待测光谱信息对应的模型应用信息;采用所述当前待测光谱信息对应的模型应用信息,和根据所述当前待测光谱信息对应的模型应用信息中指定的光谱分析模型,检测所述当前待测光谱信息的光谱特征属性。如此,通过在物联网云平台针对不同光谱特征属性配置不同的模型应用信息,在进行模型预测时通过对应关系选择对应的模型应用信息进行检测。从而,能使云平台光谱分析模型的应用能适合不同的应用场景,提高云平台光谱分析适应性。
附图说明
图1为本发明实施例光谱分析模型应用方法的流程示意图;
图2为本发明实施例模型配置流程示意图;
图3为本发明实施例光谱分析模型应用***组成结构示意图;
图4为本发明实施例光谱分析模型应用装置组成结构示意图。
具体实施方式
本发明实施例中,采用预设配置规则,配置每个光谱特征属性分别对应的每个模型应用信息;获取当前待测光谱信息,根据预设对应规则,确定所述当前待测光谱信息对应的模型应用信息;采用所述当前待测光谱信息对应的模型应用信息,和根据所述当前待测光谱信息对应的模型应用信息中指定的光谱分析模型,检测所述当前待测光谱信息的光谱特征属性。
下面结合实施例对本发明再作进一步详细的说明。
本发明实施例提供的光谱分析模型应用方法,如图1所示,所述方法包括:
步骤101:采用预设配置规则,配置每个光谱特征属性分别对应的每个模型应用信息;
这里,可以在物联网云平台上进行配置模型应用信息;所述预设配置规则可以根据实际模型预测过程中可能出现的场景进行设置,如针对不同的预测对象、不同的预测对象光谱特征属性、和不同的预处理方式等;其中,所述模型应用信息可以是包含对待测光谱信息进行预处理、光谱分析模型识别信息、光谱分析模型计算参数配置等在内整个模型预测过程所需信息的集合;所述配置可以通过对预设在物联网云平台的各种预处理方式、信息和计算参数进行选择的方式进行。
在实际模型预测过程中,对于不同场景,模型应用信息也不同。针对不同的光谱特征属性,如苹果的水分、糖分等,需要采用与水分或糖分等相对应的光谱分析模型进行预测;同时,对于同一个光谱分析模型在预测不同光谱特征属性时,也需要对待检测的光谱信息采用不同模型应用信息,进行不同的预处理及光谱分析模型的计算参数等;
具体的,可以在云平台中通过模型配置模块进行模型应用信息的配置,模型配置模块可以按不同的光谱特征属性进行分类,对于不同光谱特征属性分别配置对应于不同光谱分析模及应用场景的模型应用信息;模型应用信息的各配置信息可以预先罗列在云平台,可以通过人工等方式进行配置,最终形成各模型应用信息。
实际应用中,可以在云平台中通过鉴权管理,由建模专家进行配置模型应用信息;建模专家可以在自己账号中进行验证、使用等;建模专家配置完成的模型应用信息,可以针对某一应用场景下,将一个或多个模型应用信息集成后发布给普通账户或第三方使用等。
进一步的,可以配置所述模型应用信息中指定的光谱分析模型输出光谱特征属性形式、和/或预处理配置、和/或所述模型应用信息中指定的光谱分析模型的识别信息、和/或特征波段信息、和/或所述模型应用信息中指定的光谱分析模型的计算参数;
具体的,如图2所示,可以在模型配置模块中设置属性配置功能,用于按照配置模型预测过程中每个步骤需要用到的算法、参数进行配置,最终实现光谱的模型预测。可以针对每个光谱特征属性进行属性配置,主要属性配置内容包括:光谱特征属性、预处理配置、特征波段信、光谱分析模型的识别信息等,可以称为属性配置;其中,
输出光谱特征属性形式:对输出光谱特征属性的名称及配置模型预测光谱特征属性的单位类型及具体计量单位进行配置,表示预测光谱特征属性的物理含义,如预测光谱特征属性为浓度类型,单位为g/L。云平台预测结束后会将光谱特征属性名称、属性值及计量单位发送给外部设备进行展示,以便使用者明白光谱特征属性值表示的具体含义;
预处理配置:可以配置光谱插值算法、和/或光谱预处理算法、和/或光谱预处理算法参数等;
光谱插值算法:对光谱信息进行插值,以便使模型预测时的光谱与建模时的光谱保持一致;
光谱分析模型建立的过程是首先将光谱信息训练集通过插值、预处理等前置处理,再通过对多元线性回归、主成分分析、偏最小二乘法、支持向量机、神经网络等光谱分析模型进行训练,从而得到光谱分析模型的参数;进行模型预测时需要采用相同的前置处理及光谱分析模型的参数,才能得到理想的模型预测结果。
光谱预处理算法和/或光谱预处理算法参数:模型预测过程中的光谱预处理与建模过程中的光谱预处理不完全一样。部分建模过程的光谱预处理算法可以在预测过程中直接使用,如平滑算法,建模时采用的窗口大小为多少,模型预测时也采用同样的窗口大小。部分预测过程光谱预处理算法会用到建模时对所有光谱信息进行光谱预处理时所形成的光谱预处理算法参数,如光谱预处理采用正交信号校正算法时,会生成权重矩阵与载荷矩阵,这两个矩阵将会用来对新的被测物单条光谱进行预处理,以达到与建模一样的预处理效果,配置该预处理算法时需要上传这两个建模时形成的光谱预处理算法参数。
预处理配置后,还可以提供光谱插值、和/或光谱预处理结果验证功能,以便建模专家确认配置的光谱插值算法、和/或光谱预处理算法计算结果与自用建模工具的预处理算法结果是否一致。建模专家可以按照指定的文件及格式上传光谱信息,以便取出正确的数据内容按照设置的光谱插值算法、和/或光谱预处理算法进行数据处理。数据处理结果可以导出,供建模专家将其与建模工具的预处理结果进行对比验证,发现问题。
特征波段信息:即波长选择,配置与建模时选取的特征波段相同的特征波段;
光谱分析模型的识别信息,即光谱分析模型的类型:如偏最小二乘(PLS,Partialleast squares)、多元线性回归(MLR,multivariable linear regression)、支持向量机(SVM,Support Vector Machine)等。建模专家使用不同的建模方法最终会形成不同类型的光谱分析模型,光谱分析模型的类型不同,光谱与模型之间的计算方法不一样,因此需要模型专家选择具体的光谱分析模型的识别信息。
所述光谱分析模型的计算参数,是指在建模过程中,得到的与各场景匹配的光谱分析模型的相关参数;
以PLS模型为例,假设PLS模型为Y=a+X*b,其中,Y是模型预测结果,X为光谱信息,a为常数,b为矩阵,a和b即为光谱分析模型的计算参数;建模的过程即求取a和b的过程,建模过程求取a和b后,在对待测光谱信息进行预测时,需要将a和b的值代入PLS模型才能进行准确预测。不同光谱仪等场景中,光谱分析模型的计算参数并不相同;采用相同场景的光谱分析模型的计算参数可以时模型预测更准确。
建模专家可以还在云平台上传光谱分析模型,并存储在指定位置,进行模型预测时可以调用光谱分析模型。建模专家可以按照指定的文件及格式上传,以便使用正确的数据内容进行计算。还可以对第三方模型调用进行配置:便于模型专家调用其他平台上的模型,为使用者提供更加全面的检测服务。第三方模型调用配置内容可以结合第三方平台接口进行设计。
配置模块还可以提供模型验证功能:提供光谱分析模型预测结果验证,以便建模专家确认属性配置完成后能够对上传的光谱信息进行正确的预测。可以要求建模专家按照指定的文件及格式上传光谱,以便取出正确的数据内容进行模型预测。数据处理结果可以导出,供建模专家将其与建模工具的模型预测结果进行对比验证,发现问题。
更进一步的,可以配置所述模型应用信息对应的第一仪器配置信息;即进行仪器配置;所述第一仪器配置信息,用于与待测光谱信息中的第二仪器配置信息进行匹配验证,当不匹配时,不进行所述光谱特征属性的检测;和/或,用于由光谱仪读取并根据所述第一仪器配置信息对所述光谱仪进行配置;
具体的,如图2所示,可以在模型配置模块中设置仪器配置功能,仪器配置信息可以是建模时采用的光谱仪的类型、厂商、型号、版本、配置、参数等信息。光谱仪等终端可以在当前待测光谱信息中设置光谱仪的类型、型号、版本、配置、参数等信息。模型配置模块也可以向光谱仪发送光谱应用信息中的仪器配置信息给光谱仪;这里发送给光谱仪的仪器配置信息可以是在建模时采用的仪器配置信息;采用相同的一起配置信息,可以使后续模型预测更加准确;
可以将仪器配置信息发送给当前进行光谱分析的光谱仪,使光谱仪按照仪器配置信息进行光谱采样等。光谱仪可以将自身的型号、参数等仪器配置信息发送到云平台,与模型预测是采用的仪器配置信息进行匹配验证,如果超出预设阈值,则认为不匹配,不再进行模型预测。
更进一步的,配置所述模型应用信息对应的应用对象信息;所述方法还包括:将所述应用对象信息作为对应的所述模型应用信息、和/或所述模型应用信息中指定的光谱分析模型的索引信息;
具体的,如图2所示,可以在模型配置模块中设置对象配置功能,光谱分析模型是针对某一个具体对象的光谱特征属性进行测量,一个光谱特征属性通常对应一个光谱分析模型。创建光谱分析模型首先应当创建该模型所预测的对象。这里,主要完成光谱分析模型预测对象介绍信息的录入、为该对象分配唯一的标识和为检测对象建立目录索引,配置完成后这些信息可以提供给外部,以便获得该预测对象及模型的详细信息,主要配置的应用对象信息可以包括:创建对象、对象分类、模型描述、创建人信息、测量方法、属性描述、和/或使用场景等,可以称为称为对象配置,其中,
创建对象:可以创建模型预测对象,并输入对象的名称,为该对象生成唯一标识信息。如苹果等;
对象分类:建模专家可以按照一定的分类标准为模型预测对象建立目录索引,便于外部使用者根据目录索引进行查找。如将一级目录设置为农业,二级目录设置为粮食、水果、加工,三级目录则由建模专家自行填写;
模型描述:可以录入该对象所对应预测光谱分析模型的说明信息,如光谱分析模型的介绍或该光谱分析模型的创建、更新及维护信息;
创建人信息:录入创建人姓名或创建单位名称的文字、图片等信息;
测量方法:可以录入正确使用光谱仪进行检测的信息,如检测步骤,检测对象的位置、采取的检测方式,检测对象如何取样、放置等介绍测量方法的文字、图片或视频信息;
属性描述:可以录入检测对象能够被检测的光谱特征属性名称、光谱特征属性的检测范围以及各光谱特征属性的检测精度等信息;
使用场景:可以录入预测模型适合那些应用场景下的使用,如对检测对象的物理形态、温度、生熟情况等方面的要求,对光谱仪工作的环境温度的要求;
完成模型应用信息的配置后,可以对象配置、仪器配置及属性配置的信息按照一定的方式存储于云平台配置信息区,并可以为每个模型应用信息设置唯一标识信息存储到标识信息中。这里,模型应用信息可以仅供建模专家本人账号使用,不直接提供给普通用户使用,目的在于控制发布的范围。
当模型成熟后,模型专家可以按照对象配置中的目录索引将某一应用场景下的一个或多个对象集成在一个应用包中,并对其命名后,形成一个索引目录,供使用者根据其应用场景对一个或批量模型加载。将模型集成的索引目录存储于索引信息区。本阶段发布的模型供普通用户或第三方使用。
如图2所示,可以在模型配置模块中设置对象发布功能,将配置完成的模型应用信息进行发布,可以将该模块将对象配置、仪器配置及属性配置的模型应用信息按照一定的方式存储于云平台配置信息区,可以为各模型应用信息设置唯一的标识信息。对象发布阶段发布对象可以供建模专家本人账号使用,不直接提供给普通用户使用,目的在于控制发布的范围。
步骤102:获取当前待测光谱信息,根据预设对应规则,确定所述当前待测光谱信息对应的模型应用信息;采用所述当前待测光谱信息对应的模型应用信息,和根据所述当前待测光谱信息对应的模型应用信息中指定的光谱分析模型,检测所述当前待测光谱信息的光谱特征属性;
这里,可以由光谱仪向物联网云平台发送当前待测光谱信息,由云平台进行待测光谱信息的检测;预设对应规则可以根据待测光谱信息和模型应用信息中的特定信息进行设置,如根据光谱特征属性确定模型应用信息等;光谱仪可以通过自身的通信终端或外部通信终端与物联网云平台进行通信。可以在云平台中通过模型应用模块进行模型应用信息的应用,如向云平台用户发布模型应用信息、对待测光谱信息进行预测等。
进一步的,根据预设对应规则,确定所述待测光谱信息对应的模型应用信息,可以是所述待测光谱信息中的预设第一标识信息和所述模型应用信息的预设第二标识信息匹配时,确定所述待测光谱信息和模型应用信息对应;
这里,所述第一标识信息和第二标识信息可以预先约定,可以是预先约定的检测对象的标识信息。在光谱仪生成待测光谱信息时设置第一标识信息,在云平台生成模型应用信息时设置第二标识信息;
确定所述待测光谱信息对应的模型应用信息后,可以根据模型应用信息中的光谱插值算法、和/或光谱预处理算法、和/或光谱预处理算法参数等,对待测光谱信息进行插件、和/或光谱预处理;并根据模型应用信息中的特征波段信息,选取特征波段;最后根据模型应用信息中的光谱分析模型的识别信息选择光谱分析模型,并采用光谱分析模型的计算参数进行计算,从而得到预测结果。其中,光谱分析模型可以预先存储在云平台或从第三方平台获取。
进一步的,在光谱分析模型应用过程中,可以对模型应用信息中的第一仪器配置信息,用于与当前待测光谱信息中的第二仪器配置信息进行匹配验证,和/或,用于由光谱仪读取并根据所述第一仪器配置信息对所述光谱仪进行配置;
如此,可以确保当前待测光谱信息使用的光谱仪设置和建模时采用的光谱仪设置一致,可以提高模型预测的准确性;
采用本发明实施例的光谱分析模型应用,在管理人员云平台可以在云平台通过配置方式实现适应不同场景的模型应用信息的建立和发布,供外部进行调用,从而满足不同应用场景下的需求。
下面结合具体示例对本发明产生的积极效果作进一步详细的描述;
如图3所示,物联网对光谱进行预测的***可以包括物联网云平台和光谱仪终端;还可以包括第三方平台和模型应用与管理平台计算机(PC)门口;物联网云平台可以由接收模块、服务模块、鉴权模块、数据存储模块、模型配置模块、模型应用模块、调度模块及算法库组成。其中,物联网云平台简称云平台;
光谱仪终端是指具有光谱采集、对光谱仪进行控制、与云平台后台交互、进行数据展示、对其他设备进行控制功能中的一部分或所用功能的设备。光谱仪终端可以与光谱仪一体,也可以独立存在。光谱仪终端能够使光谱仪按照已经配置好的或从云平台获取的仪器配置信息进行光谱采集,以适应不同检测对象的选择的仪器类型及参数配置不同的情况。其中,仪器配置信息包括:光谱仪的仪器类型及参数配置等。当光谱仪终端检测某特定对象,并对该对象进行光谱采集后,能够将光谱信息,即该检测对象的光谱信号、检测对象的唯一标识信息、仪器类型及参数配置等仪器配置信息、环境温度等与光谱分析相关的所有信息发送至云平台。光谱仪终端安装的通用软件,如应用(APP),能够通过后台获取该光谱仪所能检测对象的介绍信息、对象标识、检测结果或结论,为使用者提供交互与展示等功能;
第三方平台是指云平台能够通过其提供的应用程序编程接口(API,ApplicationProgramming Interface),调用模型进行光谱分析的厂商或个人等。
模型应用与管理平台PC门口是指提供给建模专家使用的一个网页,与后台的模型配置模块与模型应用模块对接,目的在于让建模专家将已建立的模型应用信息移植于云平台,快速提供给用户使用。
鉴权模块,用于实现用户的鉴权,包括光谱仪终端、第三方、建模专家三类用户以及其他管理者的鉴权,只有通过鉴权的账号才能获取其权限下的功能。
服务模块的主要功能是通过鉴权模块、数据存储模块、模型配置模块与模型应用模块为光谱仪终端、第三方及建模专家发出的服务请求提供服务。服务模块通过鉴权模块管理账户的功能权限,提供其授权范围内的服务。通过数据存储模块为用户提供数据的上传、下载、查询、存储等服务。服务模块同时还能为模型配置与应用平台PC门户提供服务,实现建模专家通过网页对模型配置模块与模型应用模块进行交互。
接收模块可以负责接收光谱仪终端上传的需要做光谱分析的光谱信息,接收模块可以满足多个光谱仪终端、第三方厂商或个人应用的并发式接入要求。当光谱仪不做检测的情况下,光谱仪终端的登录、存储、查询及下载功能可以被设置成通过服务模块完成,以提高平台性能。
模型配置模块具有对象配置、仪器配置、属性配置及对象发布的功能,其主要功能是对模型介绍信息、建模时的仪器配置信息、每个属性进行模型预测时对应的算法、参数进行配置,并加载于数据存储模块的模型应用信息中,供外部使用。对象配置的功能主要是输入模型的介绍信息,如该模型检测对象的名称、检测的各属性名称、各属性的检测精度及该模型的适用场景等,这些信息可以用于展示给用户。仪器配置模块的功能主要是对光谱仪进行适配,即设置仪器类型、配置、参数及版本等仪器配置信息,模型配置模块与模型应用模块与建模时使用的仪器类型、配置、参数及版本一致,这些信息能够加载到光谱仪终端或由光谱仪终端通过网络在后台获取,当光谱仪终端测量某一对象时,光谱仪终端自动下达给或直接控制光谱仪按仪器配置信息中的设置进行光谱采集,以保障用户能够正确的使用仪器,得到准确的检测结果。属性配置的主要功能是,对检测对象的每个属性按照模型预测的步骤,配置相应的算法及算法所需的参数。对象发布则是将对象、仪器、属性配置完成后的信息存储于数据储存模块中的模型应用信息储存区中,其中包含了对象的唯一标识信息。
模型应用模块包括模型集成和应用生成功能,其主要功能是将检测一个或多个检测对象的模型集成在一起形成目录索引,并加载到数据存储模块,供所有具有调用权限的使用者调用。模型集成的功能主要是按照应用场景的需求,将一个或多个检测对象的模型进行集成。应用生成的功能主要是将模型集成功能模块中集成好的各对象模型索引目录加载到数据存储模块中的模型应用信息中,使用者通过这个目录能够直接获得这一应用场景下的所有模型。
调度模块的主要功能是进行算法调度,先根据检测对象唯一标识信息在模型应用信息中查找与检测对象对应的模型应用信息,按照预测过程在模型应用信息中查找每个步骤对应的算法和参数,调度算法库中对应的算法,同时将参数传递给该算法。这里,各模块的划分主要是为了便于对本发明实施例的理解,实际应用中,模型应用模块和调度模块可以是同一个模块。
算法库的主要功能是提供调度模块所需调用的算法。该模块能够为不同的检测对象预测过程中每个步骤提供相应的算法,如预处理过程中的算法,以及光谱分析模型的算法等。算法库新增一个算法时,可以在对应的属性配置中增加相应的算法名称,而算法改进时,可以不要做任何改变,方便算法的扩展与改进。
数据存储模块的主要功能是对不同类型的信息做存储,主要包含的信息包括用户信息、模型应用信息和结果信息。用户信息主要是用于存放每个用户账号使用光谱仪终端时存放于后台的数据,如用户的测量记录、采集记录、照片等信息。模型应用信息是建模专家使用模型配置与应用平台进行配置后所存储的信息,如对象、仪器、属性信息,以及发布的对象标识及模型应用中生成索引目录。结果信息则是临时存放的预测结果信息,后台按照一定的时间对其进行覆盖或清理。
物联网对光谱进行预测的***的工作流程如下:
光谱仪终端和第三方可以通过服务模块加载其权限范围内的对象信息、仪器配置信息及检测对象唯一标识信息,用户可以通过交互展示设备,看到对象信息中的模型介绍。检测某检测对象时,可以通过该检测对象的唯一标识信息,加载的仪器配置信息控制光谱仪按建模时的仪器配置及参数来采集光谱。采集完毕后将检测对象的待测光谱信息发送给云端光谱接收模块,其中包含了光谱信号、检测对象对应的唯一模型标识、仪器配置信息、环境温度等与光谱分析相关的所有信息;
接收模块接收到待测光谱信息后,将待测光谱信息发送给调度模块。调度模块首先根据对象唯一标识信息,找到模型应用信息中与检测对象对应的模型应用信息,把待测光谱信息和模型应用信息中的仪器配置信息进行比较。如果待测光谱信息中的仪器配置信息与模型应用信息中的不同,则将仪器不匹配的结果保存于结果信息区;如果相同,则按模型应用信息的步骤和为每个步骤配置的算法和参数,先对待测光谱信息进行插值和预处理等,然后截取特征波段,再依据模型识别信息选择光谱分析模型,采用光谱分析模型的计算参数对待测光谱信息进行计算,最终得到检测对象每个属性的计算结果,并把计算结果保存至结果信息区。光谱仪终端或第三方通过向服务模块发送结果查询请求,获得光谱分析结果;
光谱仪终端也可以通过向服务模块发送请求的方式存储、下载和查看用户信息中的文件、记录及图片等内容。服务模块在接收到相应的请求后通过鉴权模块、数据存储模块提供该账号权限范围内的服务。
本发明实施例提供的光谱分析模型应用装置,如图4所示,所述装置包括:模型配置模块41和模型应用模块42;其中,
所述模型配置模块41,用于采用预设配置规则,配置每个光谱特征属性分别对应的每个模型应用信息;
这里,可以在物联网云平台上进行配置模型应用信息;所述预设配置规则可以根据实际模型预测过程中可能出现的场景进行设置,如针对不同的预测对象、不同的预测对象光谱特征属性、和不同的预处理方式等;其中,所述模型应用信息可以是包含对待测光谱信息进行预处理、光谱分析模型识别信息、光谱分析模型计算参数配置等在内整个模型预测过程所需信息的集合;所述配置可以通过对预设在物联网云平台的各种预处理方式、信息和计算参数进行选择的方式进行。
在实际模型预测过程中,对于不同场景,模型应用信息也不同。针对不同的光谱特征属性,如苹果的水分、糖分等,需要采用与水分或糖分等相对应的光谱分析模型进行预测;同时,对于同一个光谱分析模型在预测不同光谱特征属性时,也需要对待检测的光谱信息采用不同模型应用信息,进行不同的预处理及光谱分析模型的计算参数等;
具体的,可以在云平台中通过模型配置模块41进行模型应用信息的配置,模型配置模块41可以按不同的光谱特征属性进行分类,对于不同光谱特征属性分别配置对应于不同光谱分析模及应用场景的模型应用信息;模型应用信息的各配置信息可以预先罗列在云平台,可以通过人工等方式进行配置,最终形成各模型应用信息。
实际应用中,可以在云平台中通过鉴权管理,由建模专家进行配置模型应用信息;建模专家可以在自己账号中进行验证、使用等;建模专家配置完成的模型应用信息,可以针对某一应用场景下,将一个或多个模型应用信息集成后发布给普通账户或第三方使用等。
进一步的,可以配置所述模型应用信息中指定的光谱分析模型输出光谱特征属性形式、和/或预处理配置、和/或所述模型应用信息中指定的光谱分析模型的识别信息、和/或特征波段信息、和/或所述模型应用信息中指定的光谱分析模型的计算参数;
具体的,如图2所示,可以在模型配置模块41中设置属性配置功能,用于按照配置模型预测过程中每个步骤需要用到的算法、参数进行配置,最终实现光谱的模型预测。可以针对每个光谱特征属性进行属性配置,主要属性配置内容包括:光谱特征属性、预处理配置、特征波段信、光谱分析模型的识别信息等,可以称为属性配置;其中,
输出光谱特征属性形式:对输出光谱特征属性的名称及配置模型预测光谱特征属性的单位类型及具体计量单位进行配置,表示预测光谱特征属性的物理含义,如预测光谱特征属性为浓度类型,单位为g/L。云平台预测结束后会将光谱特征属性名称、属性值及计量单位发送给外部设备进行展示,以便使用者明白光谱特征属性值表示的具体含义;
预处理配置:可以配置光谱插值算法、和/或光谱预处理算法、和/或光谱预处理算法参数等;
光谱插值算法:对光谱信息进行插值,以便使模型预测时的光谱与建模时的光谱保持一致;
光谱分析模型建立的过程是首先将光谱信息训练集通过插值、预处理等前置处理,再通过对多元线性回归、主成分分析、偏最小二乘法、支持向量机、神经网络等光谱分析模型进行训练,从而得到光谱分析模型的参数;进行模型预测时需要采用相同的前置处理及光谱分析模型的参数,才能得到理想的模型预测结果。
光谱预处理算法和/或光谱预处理算法参数:模型预测过程中的光谱预处理与建模过程中的光谱预处理不完全一样。部分建模过程的光谱预处理算法可以在预测过程中直接使用,如平滑算法,建模时采用的窗口大小为多少,模型预测时也采用同样的窗口大小。部分预测过程光谱预处理算法会用到建模时对所有光谱信息进行光谱预处理时所形成的光谱预处理算法参数,如光谱预处理采用正交信号校正算法时,会生成权重矩阵与载荷矩阵,这两个矩阵将会用来对新的被测物单条光谱进行预处理,以达到与建模一样的预处理效果,配置该预处理算法时需要上传这两个建模时形成的光谱预处理算法参数。
预处理配置后,还可以提供光谱插值、和/或光谱预处理结果验证功能,以便建模专家确认配置的光谱插值算法、和/或光谱预处理算法计算结果与自用建模工具的预处理算法结果是否一致。建模专家可以按照指定的文件及格式上传光谱信息,以便取出正确的数据内容按照设置的光谱插值算法、和/或光谱预处理算法进行数据处理。数据处理结果可以导出,供建模专家将其与建模工具的预处理结果进行对比验证,发现问题。
特征波段信息:即波长选择,配置与建模时选取的特征波段相同的特征波段;
光谱分析模型的识别信息,即光谱分析模型的类型:PLS、MLR、SVM等。建模专家使用不同的建模方法最终会形成不同类型的光谱分析模型,光谱分析模型的类型不同,光谱与模型之间的计算方法不一样,因此需要模型专家选择具体的光谱分析模型的识别信息。
所述光谱分析模型的计算参数,是指在建模过程中,得到的与各场景匹配的光谱分析模型的相关参数;
以PLS模型为例,假设PLS模型为Y=a+X*b,其中,Y是模型预测结果,X为光谱信息,a为常数,b为矩阵,a和b即为光谱分析模型的计算参数;建模的过程即求取a和b的过程,建模过程求取a和b后,在对待测光谱信息进行预测时,需要将a和b的值代入PLS模型才能进行准确预测。不同光谱仪等场景中,光谱分析模型的计算参数并不相同;采用相同场景的光谱分析模型的计算参数可以时模型预测更准确。
建模专家可以还在云平台上传光谱分析模型,并存储在指定位置,进行模型预测时可以调用光谱分析模型。建模专家可以按照指定的文件及格式上传,以便使用正确的数据内容进行计算。还可以对第三方模型调用进行配置:便于模型专家调用其他平台上的模型,为使用者提供更加全面的检测服务。第三方模型调用配置内容可以结合第三方平台接口进行设计。
配置模块还可以提供模型验证功能:提供光谱分析模型预测结果验证,以便建模专家确认属性配置完成后能够对上传的光谱信息进行正确的预测。可以要求建模专家按照指定的文件及格式上传光谱,以便取出正确的数据内容进行模型预测。数据处理结果可以导出,供建模专家将其与建模工具的模型预测结果进行对比验证,发现问题。
更进一步的,可以配置所述模型应用信息对应的第一仪器配置信息;即进行仪器配置;所述第一仪器配置信息,用于与待测光谱信息中的第二仪器配置信息进行匹配验证,当不匹配时,不进行所述光谱特征属性的检测;和/或,用于由光谱仪读取并根据所述第一仪器配置信息对所述光谱仪进行配置;
具体的,如图2所示,可以在模型配置模块41中设置仪器配置功能,仪器配置信息可以是建模时采用的光谱仪的类型、厂商、型号、版本、配置、参数等信息。光谱仪等终端可以在当前待测光谱信息中设置光谱仪的类型、型号、版本、配置、参数等信息。模型配置模块41也可以向光谱仪发送光谱应用信息中的仪器配置信息给光谱仪;这里发送给光谱仪的仪器配置信息可以是在建模时采用的仪器配置信息;采用相同的一起配置信息,可以使后续模型预测更加准确;
可以将仪器配置信息发送给当前进行光谱分析的光谱仪,使光谱仪按照仪器配置信息进行光谱采样等。光谱仪可以将自身的型号、参数等仪器配置信息发送到云平台,与模型预测是采用的仪器配置信息进行匹配验证,如果超出预设阈值,则认为不匹配,不再进行模型预测。
更进一步的,配置所述模型应用信息对应的应用对象信息;所述方法还包括:将所述应用对象信息作为对应的所述模型应用信息、和/或所述模型应用信息中指定的光谱分析模型的索引信息;
具体的,如图2所示,可以在模型配置模块41中设置对象配置功能,光谱分析模型是针对某一个具体对象的光谱特征属性进行测量,一个光谱特征属性通常对应一个光谱分析模型。创建光谱分析模型首先应当创建该模型所预测的对象。这里,主要完成光谱分析模型预测对象介绍信息的录入、为该对象分配唯一的标识和为检测对象建立目录索引,配置完成后这些信息可以提供给外部,以便获得该预测对象及模型的详细信息,主要配置的应用对象信息可以包括:创建对象、对象分类、模型描述、创建人信息、测量方法、属性描述、和/或使用场景等,可以称为称为对象配置,其中,
创建对象:可以创建模型预测对象,并输入对象的名称,为该对象生成唯一标识信息。如苹果等;
对象分类:建模专家可以按照一定的分类标准为模型预测对象建立目录索引,便于外部使用者根据目录索引进行查找。如将一级目录设置为农业,二级目录设置为粮食、水果、加工,三级目录则由建模专家自行填写;
模型描述:可以录入该对象所对应预测光谱分析模型的说明信息,如光谱分析模型的介绍或该光谱分析模型的创建、更新及维护信息;
创建人信息:录入创建人姓名或创建单位名称的文字、图片等信息;
测量方法:可以录入正确使用光谱仪进行检测的信息,如检测步骤,检测对象的位置、采取的检测方式,检测对象如何取样、放置等介绍测量方法的文字、图片或视频信息;
属性描述:可以录入检测对象能够被检测的光谱特征属性名称、光谱特征属性的检测范围以及各光谱特征属性的检测精度等信息;
使用场景:可以录入预测模型适合那些应用场景下的使用,如对检测对象的物理形态、温度、生熟情况等方面的要求,对光谱仪工作的环境温度的要求;
完成模型应用信息的配置后,可以对象配置、仪器配置及属性配置的信息按照一定的方式存储于云平台配置信息区,并可以为每个模型应用信息设置唯一标识信息存储到标识信息中。这里,模型应用信息可以仅供建模专家本人账号使用,不直接提供给普通用户使用,目的在于控制发布的范围。
当模型成熟后,模型专家可以按照对象配置中的目录索引将某一应用场景下的一个或多个对象集成在一个应用包中,并对其命名后,形成一个索引目录,供使用者根据其应用场景对一个或批量模型加载。将模型集成的索引目录存储于索引信息区。本阶段发布的模型供普通用户或第三方使用。
如图2所示,可以在模型配置模块41中设置对象发布功能,将配置完成的模型应用信息进行发布,可以将该模块将对象配置、仪器配置及属性配置的模型应用信息按照一定的方式存储于云平台配置信息区,可以为各模型应用信息设置唯一的标识信息。对象发布阶段发布对象可以供建模专家本人账号使用,不直接提供给普通用户使用,目的在于控制发布的范围。
所述模型应用模块42,用于获取当前待测光谱信息,根据预设对应规则,确定所述当前待测光谱信息对应的模型应用信息;采用所述当前待测光谱信息对应的模型应用信息,和根据所述当前待测光谱信息对应的模型应用信息中指定的光谱分析模型,检测所述当前待测光谱信息的光谱特征属性;
这里,可以由光谱仪向物联网云平台发送当前待测光谱信息,由云平台进行待测光谱信息的检测;预设对应规则可以根据待测光谱信息和模型应用信息中的特定信息进行设置,如根据光谱特征属性确定模型应用信息等;光谱仪可以通过自身的通信终端或外部通信终端与物联网云平台进行通信。可以在云平台中通过模型应用模块42进行模型应用信息的应用,如向云平台用户发布模型应用信息、对待测光谱信息进行预测等。
进一步的,根据预设对应规则,确定所述待测光谱信息对应的模型应用信息,可以是所述待测光谱信息中的预设第一标识信息和所述模型应用信息的预设第二标识信息匹配时,确定所述待测光谱信息和模型应用信息对应;
这里,所述第一标识信息和第二标识信息可以预先约定,可以是预先约定的检测对象的标识信息。在光谱仪生成待测光谱信息时设置第一标识信息,在云平台生成模型应用信息时设置第二标识信息;
确定所述待测光谱信息对应的模型应用信息后,可以根据模型应用信息中的光谱插值算法、和/或光谱预处理算法、和/或光谱预处理算法参数等,对待测光谱信息进行插件、和/或光谱预处理;并根据模型应用信息中的特征波段信息,选取特征波段;最后根据模型应用信息中的光谱分析模型的识别信息选择光谱分析模型,并采用光谱分析模型的计算参数进行计算,从而得到预测结果。其中,光谱分析模型可以预先存储在云平台或从第三方平台获取。
进一步的,在光谱分析模型应用过程中,可以对模型应用信息中的第一仪器配置信息,用于与当前待测光谱信息中的第二仪器配置信息进行匹配验证,和/或,用于由光谱仪读取并根据所述第一仪器配置信息对所述光谱仪进行配置;
如此,可以确保当前待测光谱信息使用的光谱仪设置和建模时采用的光谱仪设置一致,可以提高模型预测的准确性;
采用本发明实施例的光谱分析模型应用,在管理人员云平台可以在云平台通过配置方式实现适应不同场景的模型应用信息的建立和发布,供外部进行调用,从而满足不同应用场景下的需求。
在实际应用中,所述模型配置模块41和模型应用模块42均可以由云平台***服务器中的CPU、微处理器(MCU)、数字信号处理器(DSP)、或现场可编程门阵列(FPGA)等实现。
本发明实施例提供的存储介质,其上存储由可执行程序,所述可执行程序被处理器执行时实现光谱分析模型应用方法,如图1所示,所述方法包括:
步骤101:采用预设配置规则,配置每个光谱特征属性分别对应的每个模型应用信息;
这里,可以在物联网云平台上进行配置模型应用信息;所述预设配置规则可以根据实际模型预测过程中可能出现的场景进行设置,如针对不同的预测对象、不同的预测对象光谱特征属性、和不同的预处理方式等;其中,所述模型应用信息可以是包含对待测光谱信息进行预处理、光谱分析模型识别信息、光谱分析模型计算参数配置等在内整个模型预测过程所需信息的集合;所述配置可以通过对预设在物联网云平台的各种预处理方式、信息和计算参数进行选择的方式进行。
在实际模型预测过程中,对于不同场景,模型应用信息也不同。针对不同的光谱特征属性,如苹果的水分、糖分等,需要采用与水分或糖分等相对应的光谱分析模型进行预测;同时,对于同一个光谱分析模型在预测不同光谱特征属性时,也需要对待检测的光谱信息采用不同模型应用信息,进行不同的预处理及光谱分析模型的计算参数等;
具体的,可以在云平台中通过模型配置模块进行模型应用信息的配置,模型配置模块可以按不同的光谱特征属性进行分类,对于不同光谱特征属性分别配置对应于不同光谱分析模及应用场景的模型应用信息;模型应用信息的各配置信息可以预先罗列在云平台,可以通过人工等方式进行配置,最终形成各模型应用信息。
实际应用中,可以在云平台中通过鉴权管理,由建模专家进行配置模型应用信息;建模专家可以在自己账号中进行验证、使用等;建模专家配置完成的模型应用信息,可以针对某一应用场景下,将一个或多个模型应用信息集成后发布给普通账户或第三方使用等。
进一步的,可以配置所述模型应用信息中指定的光谱分析模型输出光谱特征属性形式、和/或预处理配置、和/或所述模型应用信息中指定的光谱分析模型的识别信息、和/或特征波段信息、和/或所述模型应用信息中指定的光谱分析模型的计算参数;
具体的,如图2所示,可以在模型配置模块中设置属性配置功能,用于按照配置模型预测过程中每个步骤需要用到的算法、参数进行配置,最终实现光谱的模型预测。可以针对每个光谱特征属性进行属性配置,主要属性配置内容包括:光谱特征属性、预处理配置、特征波段信、光谱分析模型的识别信息等,可以称为属性配置;其中,
输出光谱特征属性形式:对输出光谱特征属性的名称及配置模型预测光谱特征属性的单位类型及具体计量单位进行配置,表示预测光谱特征属性的物理含义,如预测光谱特征属性为浓度类型,单位为g/L。云平台预测结束后会将光谱特征属性名称、属性值及计量单位发送给外部设备进行展示,以便使用者明白光谱特征属性值表示的具体含义;
预处理配置:可以配置光谱插值算法、和/或光谱预处理算法、和/或光谱预处理算法参数等;
光谱插值算法:对光谱信息进行插值,以便使模型预测时的光谱与建模时的光谱保持一致;
光谱分析模型建立的过程是首先将光谱信息训练集通过插值、预处理等前置处理,再通过对多元线性回归、主成分分析、偏最小二乘法、支持向量机、神经网络等光谱分析模型进行训练,从而得到光谱分析模型的参数;进行模型预测时需要采用相同的前置处理及光谱分析模型的参数,才能得到理想的模型预测结果。
光谱预处理算法和/或光谱预处理算法参数:模型预测过程中的光谱预处理与建模过程中的光谱预处理不完全一样。部分建模过程的光谱预处理算法可以在预测过程中直接使用,如平滑算法,建模时采用的窗口大小为多少,模型预测时也采用同样的窗口大小。部分预测过程光谱预处理算法会用到建模时对所有光谱信息进行光谱预处理时所形成的光谱预处理算法参数,如光谱预处理采用正交信号校正算法时,会生成权重矩阵与载荷矩阵,这两个矩阵将会用来对新的被测物单条光谱进行预处理,以达到与建模一样的预处理效果,配置该预处理算法时需要上传这两个建模时形成的光谱预处理算法参数。
预处理配置后,还可以提供光谱插值、和/或光谱预处理结果验证功能,以便建模专家确认配置的光谱插值算法、和/或光谱预处理算法计算结果与自用建模工具的预处理算法结果是否一致。建模专家可以按照指定的文件及格式上传光谱信息,以便取出正确的数据内容按照设置的光谱插值算法、和/或光谱预处理算法进行数据处理。数据处理结果可以导出,供建模专家将其与建模工具的预处理结果进行对比验证,发现问题。
特征波段信息:即波长选择,配置与建模时选取的特征波段相同的特征波段;
光谱分析模型的识别信息,即光谱分析模型的类型:PLS、MLR、SVM等。建模专家使用不同的建模方法最终会形成不同类型的光谱分析模型,光谱分析模型的类型不同,光谱与模型之间的计算方法不一样,因此需要模型专家选择具体的光谱分析模型的识别信息。
所述光谱分析模型的计算参数,是指在建模过程中,得到的与各场景匹配的光谱分析模型的相关参数;
以PLS模型为例,假设PLS模型为Y=a+X*b,其中,Y是模型预测结果,X为光谱信息,a为常数,b为矩阵,a和b即为光谱分析模型的计算参数;建模的过程即求取a和b的过程,建模过程求取a和b后,在对待测光谱信息进行预测时,需要将a和b的值代入PLS模型才能进行准确预测。不同光谱仪等场景中,光谱分析模型的计算参数并不相同;采用相同场景的光谱分析模型的计算参数可以时模型预测更准确。
建模专家可以还在云平台上传光谱分析模型,并存储在指定位置,进行模型预测时可以调用光谱分析模型。建模专家可以按照指定的文件及格式上传,以便使用正确的数据内容进行计算。还可以对第三方模型调用进行配置:便于模型专家调用其他平台上的模型,为使用者提供更加全面的检测服务。第三方模型调用配置内容可以结合第三方平台接口进行设计。
配置模块还可以提供模型验证功能:提供光谱分析模型预测结果验证,以便建模专家确认属性配置完成后能够对上传的光谱信息进行正确的预测。可以要求建模专家按照指定的文件及格式上传光谱,以便取出正确的数据内容进行模型预测。数据处理结果可以导出,供建模专家将其与建模工具的模型预测结果进行对比验证,发现问题。
更进一步的,可以配置所述模型应用信息对应的第一仪器配置信息;即进行仪器配置;所述第一仪器配置信息,用于与待测光谱信息中的第二仪器配置信息进行匹配验证,当不匹配时,不进行所述光谱特征属性的检测;和/或,用于由光谱仪读取并根据所述第一仪器配置信息对所述光谱仪进行配置;
具体的,如图2所示,可以在模型配置模块中设置仪器配置功能,仪器配置信息可以是建模时采用的光谱仪的类型、厂商、型号、版本、配置、参数等信息。光谱仪等终端可以在当前待测光谱信息中设置光谱仪的类型、型号、版本、配置、参数等信息。模型配置模块也可以向光谱仪发送光谱应用信息中的仪器配置信息给光谱仪;这里发送给光谱仪的仪器配置信息可以是在建模时采用的仪器配置信息;采用相同的一起配置信息,可以使后续模型预测更加准确;
可以将仪器配置信息发送给当前进行光谱分析的光谱仪,使光谱仪按照仪器配置信息进行光谱采样等。光谱仪可以将自身的型号、参数等仪器配置信息发送到云平台,与模型预测是采用的仪器配置信息进行匹配验证,如果超出预设阈值,则认为不匹配,不再进行模型预测。
更进一步的,配置所述模型应用信息对应的应用对象信息;所述方法还包括:将所述应用对象信息作为对应的所述模型应用信息、和/或所述模型应用信息中指定的光谱分析模型的索引信息;
具体的,如图2所示,可以在模型配置模块中设置对象配置功能,光谱分析模型是针对某一个具体对象的光谱特征属性进行测量,一个光谱特征属性通常对应一个光谱分析模型。创建光谱分析模型首先应当创建该模型所预测的对象。这里,主要完成光谱分析模型预测对象介绍信息的录入、为该对象分配唯一的标识和为检测对象建立目录索引,配置完成后这些信息可以提供给外部,以便获得该预测对象及模型的详细信息,主要配置的应用对象信息可以包括:创建对象、对象分类、模型描述、创建人信息、测量方法、属性描述、和/或使用场景等,可以称为称为对象配置,其中,
创建对象:可以创建模型预测对象,并输入对象的名称,为该对象生成唯一标识信息。如苹果等;
对象分类:建模专家可以按照一定的分类标准为模型预测对象建立目录索引,便于外部使用者根据目录索引进行查找。如将一级目录设置为农业,二级目录设置为粮食、水果、加工,三级目录则由建模专家自行填写;
模型描述:可以录入该对象所对应预测光谱分析模型的说明信息,如光谱分析模型的介绍或该光谱分析模型的创建、更新及维护信息;
创建人信息:录入创建人姓名或创建单位名称的文字、图片等信息;
测量方法:可以录入正确使用光谱仪进行检测的信息,如检测步骤,检测对象的位置、采取的检测方式,检测对象如何取样、放置等介绍测量方法的文字、图片或视频信息;
属性描述:可以录入检测对象能够被检测的光谱特征属性名称、光谱特征属性的检测范围以及各光谱特征属性的检测精度等信息;
使用场景:可以录入预测模型适合那些应用场景下的使用,如对检测对象的物理形态、温度、生熟情况等方面的要求,对光谱仪工作的环境温度的要求;
完成模型应用信息的配置后,可以对象配置、仪器配置及属性配置的信息按照一定的方式存储于云平台配置信息区,并可以为每个模型应用信息设置唯一标识信息存储到标识信息中。这里,模型应用信息可以仅供建模专家本人账号使用,不直接提供给普通用户使用,目的在于控制发布的范围。
当模型成熟后,模型专家可以按照对象配置中的目录索引将某一应用场景下的一个或多个对象集成在一个应用包中,并对其命名后,形成一个索引目录,供使用者根据其应用场景对一个或批量模型加载。将模型集成的索引目录存储于索引信息区。本阶段发布的模型供普通用户或第三方使用。
如图2所示,可以在模型配置模块中设置对象发布功能,将配置完成的模型应用信息进行发布,可以将该模块将对象配置、仪器配置及属性配置的模型应用信息按照一定的方式存储于云平台配置信息区,可以为各模型应用信息设置唯一的标识信息。对象发布阶段发布对象可以供建模专家本人账号使用,不直接提供给普通用户使用,目的在于控制发布的范围。
步骤102:获取当前待测光谱信息,根据预设对应规则,确定所述当前待测光谱信息对应的模型应用信息;采用所述当前待测光谱信息对应的模型应用信息,和根据所述当前待测光谱信息对应的模型应用信息中指定的光谱分析模型,检测所述当前待测光谱信息的光谱特征属性;
这里,可以由光谱仪向物联网云平台发送当前待测光谱信息,由云平台进行待测光谱信息的检测;预设对应规则可以根据待测光谱信息和模型应用信息中的特定信息进行设置,如根据光谱特征属性确定模型应用信息等;光谱仪可以通过自身的通信终端或外部通信终端与物联网云平台进行通信。可以在云平台中通过模型应用模块进行模型应用信息的应用,如向云平台用户发布模型应用信息、对待测光谱信息进行预测等。
进一步的,根据预设对应规则,确定所述待测光谱信息对应的模型应用信息,可以是所述待测光谱信息中的预设第一标识信息和所述模型应用信息的预设第二标识信息匹配时,确定所述待测光谱信息和模型应用信息对应;
这里,所述第一标识信息和第二标识信息可以预先约定,可以是预先约定的检测对象的标识信息。在光谱仪生成待测光谱信息时设置第一标识信息,在云平台生成模型应用信息时设置第二标识信息;
确定所述待测光谱信息对应的模型应用信息后,可以根据模型应用信息中的光谱插值算法、和/或光谱预处理算法、和/或光谱预处理算法参数等,对待测光谱信息进行插件、和/或光谱预处理;并根据模型应用信息中的特征波段信息,选取特征波段;最后根据模型应用信息中的光谱分析模型的识别信息选择光谱分析模型,并采用光谱分析模型的计算参数进行计算,从而得到预测结果。其中,光谱分析模型可以预先存储在云平台或从第三方平台获取。
进一步的,在光谱分析模型应用过程中,可以对模型应用信息中的第一仪器配置信息,用于与当前待测光谱信息中的第二仪器配置信息进行匹配验证,和/或,用于由光谱仪读取并根据所述第一仪器配置信息对所述光谱仪进行配置;
如此,可以确保当前待测光谱信息使用的光谱仪设置和建模时采用的光谱仪设置一致,可以提高模型预测的准确性;
采用本发明实施例的光谱分析模型应用,在管理人员云平台可以在云平台通过配置方式实现适应不同场景的模型应用信息的建立和发布,供外部进行调用,从而满足不同应用场景下的需求。
本发明实施例提供的光谱分析模型应用装置,包括处理器、存储器及存储在存储器上并能够有所述处理器运行的可执行程序,所述处理器运行所述可执行程序时执行实现光谱分析模型应用方法,如图1所示,所述方法包括:
步骤101:采用预设配置规则,配置每个光谱特征属性分别对应的每个模型应用信息;
这里,可以在物联网云平台上进行配置模型应用信息;所述预设配置规则可以根据实际模型预测过程中可能出现的场景进行设置,如针对不同的预测对象、不同的预测对象光谱特征属性、和不同的预处理方式等;其中,所述模型应用信息可以是包含对待测光谱信息进行预处理、光谱分析模型识别信息、光谱分析模型计算参数配置等在内整个模型预测过程所需信息的集合;所述配置可以通过对预设在物联网云平台的各种预处理方式、信息和计算参数进行选择的方式进行。
在实际模型预测过程中,对于不同场景,模型应用信息也不同。针对不同的光谱特征属性,如苹果的水分、糖分等,需要采用与水分或糖分等相对应的光谱分析模型进行预测;同时,对于同一个光谱分析模型在预测不同光谱特征属性时,也需要对待检测的光谱信息采用不同模型应用信息,进行不同的预处理及光谱分析模型的计算参数等;
具体的,可以在云平台中通过模型配置模块进行模型应用信息的配置,模型配置模块可以按不同的光谱特征属性进行分类,对于不同光谱特征属性分别配置对应于不同光谱分析模及应用场景的模型应用信息;模型应用信息的各配置信息可以预先罗列在云平台,可以通过人工等方式进行配置,最终形成各模型应用信息。
实际应用中,可以在云平台中通过鉴权管理,由建模专家进行配置模型应用信息;建模专家可以在自己账号中进行验证、使用等;建模专家配置完成的模型应用信息,可以针对某一应用场景下,将一个或多个模型应用信息集成后发布给普通账户或第三方使用等。
进一步的,可以配置所述模型应用信息中指定的光谱分析模型输出光谱特征属性形式、和/或预处理配置、和/或所述模型应用信息中指定的光谱分析模型的识别信息、和/或特征波段信息、和/或所述模型应用信息中指定的光谱分析模型的计算参数;
具体的,如图2所示,可以在模型配置模块中设置属性配置功能,用于按照配置模型预测过程中每个步骤需要用到的算法、参数进行配置,最终实现光谱的模型预测。可以针对每个光谱特征属性进行属性配置,主要属性配置内容包括:光谱特征属性、预处理配置、特征波段信、光谱分析模型的识别信息等,可以称为属性配置;其中,
输出光谱特征属性形式:对输出光谱特征属性的名称及配置模型预测光谱特征属性的单位类型及具体计量单位进行配置,表示预测光谱特征属性的物理含义,如预测光谱特征属性为浓度类型,单位为g/L。云平台预测结束后会将光谱特征属性名称、属性值及计量单位发送给外部设备进行展示,以便使用者明白光谱特征属性值表示的具体含义;
预处理配置:可以配置光谱插值算法、和/或光谱预处理算法、和/或光谱预处理算法参数等;
光谱插值算法:对光谱信息进行插值,以便使模型预测时的光谱与建模时的光谱保持一致;
光谱分析模型建立的过程是首先将光谱信息训练集通过插值、预处理等前置处理,再通过对多元线性回归、主成分分析、偏最小二乘法、支持向量机、神经网络等光谱分析模型进行训练,从而得到光谱分析模型的参数;进行模型预测时需要采用相同的前置处理及光谱分析模型的参数,才能得到理想的模型预测结果。
光谱预处理算法和/或光谱预处理算法参数:模型预测过程中的光谱预处理与建模过程中的光谱预处理不完全一样。部分建模过程的光谱预处理算法可以在预测过程中直接使用,如平滑算法,建模时采用的窗口大小为多少,模型预测时也采用同样的窗口大小。部分预测过程光谱预处理算法会用到建模时对所有光谱信息进行光谱预处理时所形成的光谱预处理算法参数,如光谱预处理采用正交信号校正算法时,会生成权重矩阵与载荷矩阵,这两个矩阵将会用来对新的被测物单条光谱进行预处理,以达到与建模一样的预处理效果,配置该预处理算法时需要上传这两个建模时形成的光谱预处理算法参数。
预处理配置后,还可以提供光谱插值、和/或光谱预处理结果验证功能,以便建模专家确认配置的光谱插值算法、和/或光谱预处理算法计算结果与自用建模工具的预处理算法结果是否一致。建模专家可以按照指定的文件及格式上传光谱信息,以便取出正确的数据内容按照设置的光谱插值算法、和/或光谱预处理算法进行数据处理。数据处理结果可以导出,供建模专家将其与建模工具的预处理结果进行对比验证,发现问题。
特征波段信息:即波长选择,配置与建模时选取的特征波段相同的特征波段;
光谱分析模型的识别信息,即光谱分析模型的类型:PLS、MLR、SVM等。建模专家使用不同的建模方法最终会形成不同类型的光谱分析模型,光谱分析模型的类型不同,光谱与模型之间的计算方法不一样,因此需要模型专家选择具体的光谱分析模型的识别信息。
所述光谱分析模型的计算参数,是指在建模过程中,得到的与各场景匹配的光谱分析模型的相关参数;
以PLS模型为例,假设PLS模型为Y=a+X*b,其中,Y是模型预测结果,X为光谱信息,a为常数,b为矩阵,a和b即为光谱分析模型的计算参数;建模的过程即求取a和b的过程,建模过程求取a和b后,在对待测光谱信息进行预测时,需要将a和b的值代入PLS模型才能进行准确预测。不同光谱仪等场景中,光谱分析模型的计算参数并不相同;采用相同场景的光谱分析模型的计算参数可以时模型预测更准确。
建模专家可以还在云平台上传光谱分析模型,并存储在指定位置,进行模型预测时可以调用光谱分析模型。建模专家可以按照指定的文件及格式上传,以便使用正确的数据内容进行计算。还可以对第三方模型调用进行配置:便于模型专家调用其他平台上的模型,为使用者提供更加全面的检测服务。第三方模型调用配置内容可以结合第三方平台接口进行设计。
配置模块还可以提供模型验证功能:提供光谱分析模型预测结果验证,以便建模专家确认属性配置完成后能够对上传的光谱信息进行正确的预测。可以要求建模专家按照指定的文件及格式上传光谱,以便取出正确的数据内容进行模型预测。数据处理结果可以导出,供建模专家将其与建模工具的模型预测结果进行对比验证,发现问题。
更进一步的,可以配置所述模型应用信息对应的第一仪器配置信息;即进行仪器配置;所述第一仪器配置信息,用于与待测光谱信息中的第二仪器配置信息进行匹配验证,当不匹配时,不进行所述光谱特征属性的检测;和/或,用于由光谱仪读取并根据所述第一仪器配置信息对所述光谱仪进行配置;
具体的,如图2所示,可以在模型配置模块中设置仪器配置功能,仪器配置信息可以是建模时采用的光谱仪的类型、厂商、型号、版本、配置、参数等信息。光谱仪等终端可以在当前待测光谱信息中设置光谱仪的类型、型号、版本、配置、参数等信息。模型配置模块也可以向光谱仪发送光谱应用信息中的仪器配置信息给光谱仪;这里发送给光谱仪的仪器配置信息可以是在建模时采用的仪器配置信息;采用相同的一起配置信息,可以使后续模型预测更加准确;
可以将仪器配置信息发送给当前进行光谱分析的光谱仪,使光谱仪按照仪器配置信息进行光谱采样等。光谱仪可以将自身的型号、参数等仪器配置信息发送到云平台,与模型预测是采用的仪器配置信息进行匹配验证,如果超出预设阈值,则认为不匹配,不再进行模型预测。
更进一步的,配置所述模型应用信息对应的应用对象信息;所述方法还包括:将所述应用对象信息作为对应的所述模型应用信息、和/或所述模型应用信息中指定的光谱分析模型的索引信息;
具体的,如图2所示,可以在模型配置模块中设置对象配置功能,光谱分析模型是针对某一个具体对象的光谱特征属性进行测量,一个光谱特征属性通常对应一个光谱分析模型。创建光谱分析模型首先应当创建该模型所预测的对象。这里,主要完成光谱分析模型预测对象介绍信息的录入、为该对象分配唯一的标识和为检测对象建立目录索引,配置完成后这些信息可以提供给外部,以便获得该预测对象及模型的详细信息,主要配置的应用对象信息可以包括:创建对象、对象分类、模型描述、创建人信息、测量方法、属性描述、和/或使用场景等,可以称为称为对象配置,其中,
创建对象:可以创建模型预测对象,并输入对象的名称,为该对象生成唯一标识信息。如苹果等;
对象分类:建模专家可以按照一定的分类标准为模型预测对象建立目录索引,便于外部使用者根据目录索引进行查找。如将一级目录设置为农业,二级目录设置为粮食、水果、加工,三级目录则由建模专家自行填写;
模型描述:可以录入该对象所对应预测光谱分析模型的说明信息,如光谱分析模型的介绍或该光谱分析模型的创建、更新及维护信息;
创建人信息:录入创建人姓名或创建单位名称的文字、图片等信息;
测量方法:可以录入正确使用光谱仪进行检测的信息,如检测步骤,检测对象的位置、采取的检测方式,检测对象如何取样、放置等介绍测量方法的文字、图片或视频信息;
属性描述:可以录入检测对象能够被检测的光谱特征属性名称、光谱特征属性的检测范围以及各光谱特征属性的检测精度等信息;
使用场景:可以录入预测模型适合那些应用场景下的使用,如对检测对象的物理形态、温度、生熟情况等方面的要求,对光谱仪工作的环境温度的要求;
完成模型应用信息的配置后,可以对象配置、仪器配置及属性配置的信息按照一定的方式存储于云平台配置信息区,并可以为每个模型应用信息设置唯一标识信息存储到标识信息中。这里,模型应用信息可以仅供建模专家本人账号使用,不直接提供给普通用户使用,目的在于控制发布的范围。
当模型成熟后,模型专家可以按照对象配置中的目录索引将某一应用场景下的一个或多个对象集成在一个应用包中,并对其命名后,形成一个索引目录,供使用者根据其应用场景对一个或批量模型加载。将模型集成的索引目录存储于索引信息区。本阶段发布的模型供普通用户或第三方使用。
如图2所示,可以在模型配置模块中设置对象发布功能,将配置完成的模型应用信息进行发布,可以将该模块将对象配置、仪器配置及属性配置的模型应用信息按照一定的方式存储于云平台配置信息区,可以为各模型应用信息设置唯一的标识信息。对象发布阶段发布对象可以供建模专家本人账号使用,不直接提供给普通用户使用,目的在于控制发布的范围。
步骤102:获取当前待测光谱信息,根据预设对应规则,确定所述当前待测光谱信息对应的模型应用信息;采用所述当前待测光谱信息对应的模型应用信息,和根据所述当前待测光谱信息对应的模型应用信息中指定的光谱分析模型,检测所述当前待测光谱信息的光谱特征属性;
这里,可以由光谱仪向物联网云平台发送当前待测光谱信息,由云平台进行待测光谱信息的检测;预设对应规则可以根据待测光谱信息和模型应用信息中的特定信息进行设置,如根据光谱特征属性确定模型应用信息等;光谱仪可以通过自身的通信终端或外部通信终端与物联网云平台进行通信。可以在云平台中通过模型应用模块进行模型应用信息的应用,如向云平台用户发布模型应用信息、对待测光谱信息进行预测等。
进一步的,根据预设对应规则,确定所述待测光谱信息对应的模型应用信息,可以是所述待测光谱信息中的预设第一标识信息和所述模型应用信息的预设第二标识信息匹配时,确定所述待测光谱信息和模型应用信息对应;
这里,所述第一标识信息和第二标识信息可以预先约定,可以是预先约定的检测对象的标识信息。在光谱仪生成待测光谱信息时设置第一标识信息,在云平台生成模型应用信息时设置第二标识信息;
确定所述待测光谱信息对应的模型应用信息后,可以根据模型应用信息中的光谱插值算法、和/或光谱预处理算法、和/或光谱预处理算法参数等,对待测光谱信息进行插件、和/或光谱预处理;并根据模型应用信息中的特征波段信息,选取特征波段;最后根据模型应用信息中的光谱分析模型的识别信息选择光谱分析模型,并采用光谱分析模型的计算参数进行计算,从而得到预测结果。其中,光谱分析模型可以预先存储在云平台或从第三方平台获取。
进一步的,在光谱分析模型应用过程中,可以对模型应用信息中的第一仪器配置信息,用于与当前待测光谱信息中的第二仪器配置信息进行匹配验证,和/或,用于由光谱仪读取并根据所述第一仪器配置信息对所述光谱仪进行配置;
如此,可以确保当前待测光谱信息使用的光谱仪设置和建模时采用的光谱仪设置一致,可以提高模型预测的准确性;
采用本发明实施例的光谱分析模型应用,在管理人员云平台可以在云平台通过配置方式实现适应不同场景的模型应用信息的建立和发布,供外部进行调用,从而满足不同应用场景下的需求。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种光谱分析模型应用方法,其特征在于,所述方法包括:
采用预设配置规则,配置每个光谱特征属性分别对应的每个模型应用信息;
获取当前待测光谱信息,根据预设对应规则,确定所述当前待测光谱信息对应的模型应用信息;采用所述当前待测光谱信息对应的模型应用信息,和根据所述当前待测光谱信息对应的模型应用信息中指定的光谱分析模型,检测所述当前待测光谱信息的光谱特征属性。
2.根据权利要求1所述的方法,其特征在于,所述配置每个光谱特征属性分别对应的每个模型应用信息,包括:配置所述模型应用信息中指定的光谱分析模型输出光谱特征属性形式、和/或预处理配置、和/或所述模型应用信息中指定的光谱分析模型的识别信息、和/或特征波段信息、和/或所述模型应用信息中指定的光谱分析模型的计算参数;
所述预处理配置包括:光谱插值算法、和/或光谱预处理算法、和/或光谱预处理算法参数。
3.根据权利要求1所述的方法,其特征在于,所述配置每个光谱特征属性分别对应的每个模型应用信息,包括:配置所述模型应用信息对应的第一仪器配置信息;
所述第一仪器配置信息,用于与待测光谱信息中的第二仪器配置信息进行匹配验证,当不匹配时,不进行所述光谱特征属性的检测;和/或,用于由光谱仪读取并根据所述第一仪器配置信息对所述光谱仪进行配置。
4.根据权利要求1所述的方法,其特征在于,所述配置每个光谱特征属性分别对应的每个模型应用信息,包括:配置所述模型应用信息对应的应用对象信息;
所述方法还包括:将所述应用对象信息作为对应的所述模型应用信息、和/或所述模型应用信息中指定的光谱分析模型的索引信息。
5.根据权利要求1至4任一项所述的方法,其特征在于,根据预设对应规则,确定所述待测光谱信息对应的模型应用信息,包括:
所述当前待测光谱信息中的预设第一标识信息和所述模型应用信息的预设第二标识信息匹配时,确定所述当前待测光谱信息和所述模型应用信息对应。
6.一种光谱分析模型应用装置,其特征在于,所述装置包括:模型配置模块和模型应用模块,其中,
所述模型配置模块,用于采用预设配置规则,配置每个光谱特征属性分别对应的每个模型应用信息;
所述模型应用模块,用于获取当前待测光谱信息,根据预设对应规则,确定所述当前待测光谱信息对应的模型应用信息;采用所述当前待测光谱信息对应的模型应用信息,和根据所述当前待测光谱信息对应的模型应用信息中指定的光谱分析模型,检测所述当前待测光谱信息的光谱特征属性。
7.根据权利要求6所述的装置,其特征在于,所述配置每个光谱特征属性分别对应的每个模型应用信息,包括:配置所述模型应用信息中指定的光谱分析模型输出光谱特征属性形式、和/或预处理配置、和/或所述模型应用信息中指定的光谱分析模型的识别信息、和/或特征波段信息、和/或所述模型应用信息中指定的光谱分析模型的计算参数;
所述预处理配置包括:光谱插值算法、和/或光谱预处理算法、和/或光谱预处理算法参数。
8.根据权利要求6所述的装置,其特征在于,所述模型配置模块,具体用于:配置所述模型应用信息对应的第一仪器配置信息;
所述第一仪器配置信息,用于与待测光谱信息中的第二仪器配置信息进行匹配验证,当不匹配时,不进行所述光谱特征属性的检测;和/或,用于由光谱仪读取并根据所述第一仪器配置信息对所述光谱仪进行配置。
9.根据权利要求6所述的装置,其特征在于,所述模型配置模块,具体用于:配置所述模型应用信息对应的应用对象信息;
将所述应用对象信息作为对应的所述模型应用信息、和/或所述模型应用信息中指定的光谱分析模型的索引信息。
10.根据权利要求6至9任一项所述的装置,其特征在于,所述模型应用模块,具体用于:
所述当前待测光谱信息中的预设第一标识信息和所述模型应用信息的预设第二标识信息匹配时,确定所述当前待测光谱信息和所述模型应用信息对应。
11.一种存储介质,其上存储由可执行程序,其特征在于,所述可执行程序被处理器执行时实现如权利要求1至5任一项所述光谱分析模型应用方法的步骤。
12.一种光谱分析模型应用装置,包括处理器、存储器及存储在存储器上并能够有所述处理器运行的可执行程序,其特征在于,所述处理器运行所述可执行程序时执行如权利要求1至5任一项所述光谱分析模型应用方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811449106.4A CN111239054A (zh) | 2018-11-28 | 2018-11-28 | 一种光谱分析模型应用方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811449106.4A CN111239054A (zh) | 2018-11-28 | 2018-11-28 | 一种光谱分析模型应用方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111239054A true CN111239054A (zh) | 2020-06-05 |
Family
ID=70873999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811449106.4A Pending CN111239054A (zh) | 2018-11-28 | 2018-11-28 | 一种光谱分析模型应用方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111239054A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114077427A (zh) * | 2020-08-12 | 2022-02-22 | 中移物联网有限公司 | 基于光谱分析模型的交互方法及*** |
CN114530216A (zh) * | 2020-11-23 | 2022-05-24 | 中移物联网有限公司 | 光谱分析方法、装置及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101949824A (zh) * | 2009-06-30 | 2011-01-19 | 武汉矽感科技有限公司 | 根据物质的光谱信息对商品进行检测的方法和***装置 |
WO2015165394A1 (zh) * | 2013-05-31 | 2015-11-05 | 欧普图斯(苏州)光学纳米科技有限公司 | 面向多行业检测的激光拉曼光谱智能化辨识方法及*** |
CN106596435A (zh) * | 2016-12-29 | 2017-04-26 | 湖南餐智科技有限公司 | 一种食材质量检测*** |
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 |
CN107481018A (zh) * | 2017-07-31 | 2017-12-15 | 无锡迅杰光远科技有限公司 | 基于互联网技术的物品属性鉴定方法、装置及*** |
CN207689356U (zh) * | 2017-12-26 | 2018-08-03 | 深圳和而泰数据资源与云技术有限公司 | 一种光谱检测服务器及*** |
-
2018
- 2018-11-28 CN CN201811449106.4A patent/CN111239054A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101949824A (zh) * | 2009-06-30 | 2011-01-19 | 武汉矽感科技有限公司 | 根据物质的光谱信息对商品进行检测的方法和***装置 |
WO2015165394A1 (zh) * | 2013-05-31 | 2015-11-05 | 欧普图斯(苏州)光学纳米科技有限公司 | 面向多行业检测的激光拉曼光谱智能化辨识方法及*** |
CN106596435A (zh) * | 2016-12-29 | 2017-04-26 | 湖南餐智科技有限公司 | 一种食材质量检测*** |
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 |
CN107481018A (zh) * | 2017-07-31 | 2017-12-15 | 无锡迅杰光远科技有限公司 | 基于互联网技术的物品属性鉴定方法、装置及*** |
CN207689356U (zh) * | 2017-12-26 | 2018-08-03 | 深圳和而泰数据资源与云技术有限公司 | 一种光谱检测服务器及*** |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114077427A (zh) * | 2020-08-12 | 2022-02-22 | 中移物联网有限公司 | 基于光谱分析模型的交互方法及*** |
CN114077427B (zh) * | 2020-08-12 | 2024-05-24 | 中移物联网有限公司 | 基于光谱分析模型的交互方法及*** |
CN114530216A (zh) * | 2020-11-23 | 2022-05-24 | 中移物联网有限公司 | 光谱分析方法、装置及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111176990A (zh) | 基于数据决策的测试数据生成方法、装置、计算机设备 | |
CN115049057B (zh) | 一种模型部署方法、装置、电子设备和存储介质 | |
CN109327355A (zh) | 云存储***性能评测方法、装置及计算机可读存储介质 | |
CN111239054A (zh) | 一种光谱分析模型应用方法和装置 | |
CN106156098B (zh) | 一种纠错对挖掘方法及*** | |
CN111882059A (zh) | 数据处理方法及装置、电子设备和存储介质 | |
CN115757745A (zh) | 基于人工智能的业务场景控制方法、***及云平台 | |
CN106557419B (zh) | 程序的测试方法及装置 | |
CN110489379B (zh) | 飞行器试飞综合显示及数据分析评估平台 | |
CN110796367A (zh) | 一种基于信息远方标识的设备信息管理方法、装置及终端 | |
CN110232130A (zh) | 元数据管理谱系生成方法、装置、计算机设备和存储介质 | |
CN117235527A (zh) | 端到端容器化的大数据模型构建方法、装置、设备及介质 | |
CN116152609A (zh) | 分布式模型训练方法、***、装置以及计算机可读介质 | |
CN115775064A (zh) | 一种工程决算结果评估方法及云平台 | |
CN107750051A (zh) | 无线传播模型的优化方法及其装置 | |
CN114185871A (zh) | 数据迁移方法、数据迁移装置、介质及电子设备 | |
CN113688134A (zh) | 基于多维数据的可视化变量管理方法、***及设备 | |
CN112907145A (zh) | 模型解释方法以及电子设备 | |
CN114077427B (zh) | 基于光谱分析模型的交互方法及*** | |
CN117076335B (zh) | 一种模型测试方法、***、介质及电子设备 | |
KR102471596B1 (ko) | 실험의 의뢰 및 관리를 지원하는 서비스 제공 장치 및 방법 | |
CN117167366B (zh) | 一种液压分配器的自动化流量控制方法及*** | |
CN113342862B (zh) | 查询推荐方法、装置、电子设备及可读存储介质 | |
CN117056709A (zh) | 时序预测模型的训练方法、装置和存储介质及电子设备 | |
CN110569199B (zh) | 账单自动测试方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200605 |
|
RJ01 | Rejection of invention patent application after publication |