CN116908134B - 增塑剂含量的半定量分析方法及分析模型的训练方法 - Google Patents
增塑剂含量的半定量分析方法及分析模型的训练方法 Download PDFInfo
- Publication number
- CN116908134B CN116908134B CN202311167967.4A CN202311167967A CN116908134B CN 116908134 B CN116908134 B CN 116908134B CN 202311167967 A CN202311167967 A CN 202311167967A CN 116908134 B CN116908134 B CN 116908134B
- Authority
- CN
- China
- Prior art keywords
- data set
- absorbance
- training
- matrix
- plastic
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012764 semi-quantitative analysis Methods 0.000 title claims abstract description 56
- 239000004014 plasticizer Substances 0.000 title claims abstract description 53
- 238000004458 analytical method Methods 0.000 title abstract description 7
- 238000002835 absorbance Methods 0.000 claims abstract description 135
- 239000004033 plastic Substances 0.000 claims abstract description 123
- 229920003023 plastic Polymers 0.000 claims abstract description 123
- 239000011159 matrix material Substances 0.000 claims abstract description 103
- 238000012545 processing Methods 0.000 claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 43
- 238000009499 grossing Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 21
- 230000003595 spectral effect Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 238000002329 infrared spectrum Methods 0.000 claims description 11
- 238000007477 logistic regression Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 abstract description 14
- 230000006870 function Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- IRIAEXORFWYRCZ-UHFFFAOYSA-N Butylbenzyl phthalate Chemical compound CCCCOC(=O)C1=CC=CC=C1C(=O)OCC1=CC=CC=C1 IRIAEXORFWYRCZ-UHFFFAOYSA-N 0.000 description 2
- BJQHLKABXJIVAM-UHFFFAOYSA-N bis(2-ethylhexyl) phthalate Chemical compound CCCCC(CC)COC(=O)C1=CC=CC=C1C(=O)OCC(CC)CCCC BJQHLKABXJIVAM-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- DOIRQSBPFJWKBE-UHFFFAOYSA-N dibutyl phthalate Chemical compound CCCCOC(=O)C1=CC=CC=C1C(=O)OCCCC DOIRQSBPFJWKBE-UHFFFAOYSA-N 0.000 description 2
- MGWAVDBGNNKXQV-UHFFFAOYSA-N diisobutyl phthalate Chemical compound CC(C)COC(=O)C1=CC=CC=C1C(=O)OCC(C)C MGWAVDBGNNKXQV-UHFFFAOYSA-N 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- WDCYWAQPCXBPJA-UHFFFAOYSA-N 1,3-dinitrobenzene Chemical compound [O-][N+](=O)C1=CC=CC([N+]([O-])=O)=C1 WDCYWAQPCXBPJA-UHFFFAOYSA-N 0.000 description 1
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 238000005227 gel permeation chromatography Methods 0.000 description 1
- 230000003179 granulation Effects 0.000 description 1
- 238000005469 granulation Methods 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Natural products C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000001195 ultra high performance liquid chromatography Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
- G06F18/21322—Rendering the within-class scatter matrix non-singular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供增塑剂含量的半定量分析方法及分析模型的训练方法,该方法包括:获取待检测塑料样品在预设波数范围内的吸光度数据集;对吸光度数据集进行标准化处理,得到吸光度处理数据集;将吸光度处理数据集投影到预设坐标系下,以得到测试数据集;其中,预设坐标系是由第一矩阵的奇异向量基于预设顺序组成的,第一矩阵为训练样本的标准化处理后的吸光度数据的转置矩阵与标准化处理后的吸光度数据的矩阵的乘积;将测试数据集输入至预先训练好的塑料半定量分析模型中,以确定待检测塑料样品中的增速剂含量是否超标。本发明无需进行复杂繁琐的前处理,属于无损检测,几分钟即可得到检测结果。
Description
技术领域
本发明涉及红外检测技术领域,尤其涉及一种增塑剂含量的半定量分析方法及分析模型的训练方法。
背景技术
再生塑料是指通过预处理、熔融造粒、改性等物理或化学的方法对废旧塑料进行加工处理后重新得到的塑料原料,是对塑料的再次利用。
根据规定,再生塑料中增塑剂的含量不得超过0.1%。常用的增塑剂主要有邻苯二甲酸二(2-乙基己基)酯、邻苯二甲酸丁基苄酯、邻苯二甲酸二丁酯和邻苯二甲酸二异丁酯。目前,再生塑料中的增塑剂的含量的检测方法主要有高效液相色谱法、超高效液相色谱法、气相色谱法、凝胶渗透色谱法和间二硝基苯显色法等,这些方法都存在前处理过程繁琐、耗时长、破坏样品、污染环境等缺点。
因此,亟需一种可以快速对再生塑料中增塑剂的含量进行半定性分析的方法。
发明内容
本发明实施例提供了一种增塑剂含量的半定量分析方法及分析模型的训练方法,以解决现有的测试方法前处理过程繁琐耗时长的问题。
第一方面,本发明实施例提供了一种塑料中增塑剂含量的半定量分析方法,包括:
获取待检测塑料样品在预设波数范围内的吸光度数据集;
对吸光度数据集进行标准化处理,得到吸光度处理数据集;其中,标准化处理过程中的吸光度平均值和吸光度标准差分别为训练样本的吸光度平均值和训练样本的吸光度标准差;
将吸光度处理数据集投影到预设坐标系下,以得到测试数据集;其中,预设坐标系是由第一矩阵的奇异向量基于预设顺序组成的,第一矩阵为训练样本的标准化处理后的吸光度数据的转置矩阵与标准化处理后的吸光度数据的矩阵的乘积;
将测试数据集输入至预先训练好的塑料半定量分析模型中,以确定待检测塑料样品中的增速剂含量是否超标。
在一种可能的实现方式中,将吸光度处理数据集投影到预设坐标系下,以得到测试数据集,包括:
将吸光度处理数据集投影到预设坐标系下,并将前k列数据作为测试数据集;其中,k是基于第一矩阵的所有奇异值的累积贡献率确定的。
在一种可能的实现方式中,获取待检测塑料样品在预设波数范围内的吸光度数据集,包括:
对待检测塑料样品进行红外光谱测试,以得到待检测塑料样品的光谱数据集;
对光谱数据集进行多项式平滑处理,并将平滑处理后的预设波数范围内的光谱数据集确定为预设波数范围内的吸光度数据集。
在一种可能的实现方式中,预设波数范围为大于等于500波数,小于等于4000波数。
在一种可能的实现方式中,预设坐标系中的目标奇异向量的位置是基于目标奇异向量对应的奇异值在所有奇异值中的顺序确定的;目标奇异向量为任意一个奇异向量;
塑料半定量分析模型是以所有训练样本的标准化处理后的吸光度数据的矩阵投影到预设坐标系下得到的训练样本的数据集以及所有训练样本的标签,对预先构建的神经网络模型或逻辑回归模型进行训练得到的;
训练样本包括多种塑料样品的预设波数范围内的吸光度数据集,多种塑料样品包括增塑剂超标的样品和增塑剂未超标的样品。
第二方面,本发明实施例提供了一种塑料半定量分析模型的训练方法,包括:
获取多个训练样本,其中,每个训练样本包括一个塑料样品的预设波数范围内的吸光度数据集、以及该塑料样品的标签,标签用于表示该塑料样品中的增塑剂是否超标;
对所有训练样本的吸光度数据集组成的训练样本吸光度数据集进行标准化处理,并将标准化处理后得到的数据组成的矩阵标记为标准矩阵;
对第一矩阵进行求解确定第一矩阵的奇异值,及与每个奇异值对应的奇异向量;其中,第一矩阵为标准矩阵的转置矩阵与标准矩阵的乘积;
构建预设坐标系,其中,预设坐标系是由奇异向量组成的正交坐标系矩阵,且奇异向量的顺序是基于该奇异向量对应的奇异值在所有奇异值中的顺序确定的;
将标准矩阵投影到预设坐标系下,以得到训练数据集;
基于训练数据集和每个训练样本的标签,构建并训练得到塑料半定量分析模型。
在一种可能的实现方式中,将标准矩阵投影到预设坐标系下,以得到训练数据集,包括:
将标准矩阵投影到预设坐标系下,并将前k列数据作为训练数据集;其中,k是基于第一矩阵的所有奇异值的累积贡献率确定的。
在一种可能的实现方式中,获取多个训练样本,包括:
对每个训练样本进行红外光谱测试,以得到每个训练样本的光谱数据集;
对所有训练样本的光谱数据集进行多项式平滑处理,并将平滑处理后的每个训练样本的预设波数范围内的光谱数据集确定为每个训练样本的吸光度数据集。
第三方面,本发明实施例提供了一种塑料中增塑剂含量的半定量分析装置,包括:
数据获取模块,用于获取待检测塑料样品在预设波数范围内的吸光度数据集;
数据处理模块,用于对吸光度数据集进行标准化处理,得到吸光度处理数据集;其中,标准化处理过程中的吸光度平均值和吸光度标准差分别为训练样本的吸光度平均值和训练样本的吸光度标准差;
数据投影模块,用于将吸光度处理数据集投影到预设坐标系下,以得到测试数据集;其中,预设坐标系是由第一矩阵的奇异向量基于预设顺序组成的,第一矩阵为训练样本的标准化处理后的吸光度数据的转置矩阵与标准化处理后的吸光度数据的矩阵的乘积;
检测模块,用于将测试数据集输入至预先训练好的塑料半定量分析模型中,以确定待检测塑料样品中的增速剂含量是否超标。
在一种可能的实现方式中,数据投影模块,用于将吸光度处理数据集投影到预设坐标系下,并将前k列数据作为测试数据集;其中,k是基于第一矩阵的所有奇异值的累积贡献率确定的。
在一种可能的实现方式中,数据获取模块,用于对待检测塑料样品进行红外光谱测试,以得到待检测塑料样品的光谱数据集;
对光谱数据集进行多项式平滑处理,并将平滑处理后的预设波数范围内的光谱数据集确定为预设波数范围内的吸光度数据集。
在一种可能的实现方式中,预设波数范围为大于等于500波数,小于等于4000波数。
在一种可能的实现方式中,预设坐标系中的目标奇异向量的位置是基于目标奇异向量对应的奇异值在所有奇异值中的顺序确定的;目标奇异向量为任意一个奇异向量;
塑料半定量分析模型是以所有训练样本的标准化处理后的吸光度数据的矩阵投影到预设坐标系下得到的训练样本的数据集以及所有训练样本的标签,对预先构建的神经网络模型或逻辑回归模型进行训练得到的。
第四方面,本发明实施例提供了一种塑料半定量分析模型的训练装置,包括:
获取模块,用于获取多个训练样本,其中,每个训练样本包括该塑料样品的预设波数范围内的吸光度数据集、以及该塑料样品的标签,标签用于表示该塑料样品中的增塑剂是否超标;
第二数据模块,用于对所有训练样本的吸光度数据集组成的训练样本吸光度数据集进行标准化处理,并将标准化处理后得到的数据组成的矩阵标记为标准矩阵;
求解模块,用于对第一矩阵进行求解确定第一矩阵的奇异值,及与每个奇异值对应的奇异向量;其中,第一矩阵为标准矩阵的转置矩阵与标准矩阵的乘积;
第一构建模块,用于构建预设坐标系,其中,预设坐标系是由奇异向量组成的正交坐标系矩阵,且奇异向量的顺序是基于该奇异向量对应的奇异值在所有奇异值中的顺序确定的;
确定数据模块,用于将标准矩阵投影到预设坐标系下,以得到训练数据集;
第二构建模块,用于基于训练数据集和每个训练样本的标签,构建并训练得到塑料半定量分析模型。
在一种可能的实现方式中,确定数据模块,用于将标准矩阵投影到预设坐标系下,并将前k列数据作为训练数据集;其中,k是基于第一矩阵的所有奇异值的累积贡献率确定的。
在一种可能的实现方式中,获取模块,用于对每个训练样本进行红外光谱测试,以得到每个训练样本的光谱数据集;
对所有训练样本的光谱数据集进行多项式平滑处理,并将平滑处理后的每个训练样本的预设波数范围内的光谱数据集确定为每个训练样本的吸光度数据集。
第五方面,本发明实施例提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面或第二方面或第一方面的任一种或第二方面的任一种可能的实现方式所述方法的步骤。
第六方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第二方面或第一方面的任一种或第二方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种增塑剂含量的半定量分析方法及分析模型的训练方法,首先,获取待检测塑料样品在预设波数范围内的吸光度数据集。接着,对吸光度数据集进行标准化处理,得到吸光度处理数据集。然后,将吸光度处理数据集投影到预设坐标系下,以得到测试数据集。最后,将测试数据集输入至预先训练好的塑料半定量分析模型中,以确定待检测塑料样品中的增速剂含量是否超标。从而,只需要对待检测塑料样品的部分波数范围的吸光度数据集进行简单的处理,然后将处理后得到的测试数据集输入到塑料半定量分析模型中,即可得到待检测塑料样品中的增塑剂是否超标,而无需进行复杂繁琐的前处理,属于无损检测,几分钟即可检测完成,得到检测结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的塑料半定量分析模型的训练方法的实现流程图;
图2是本发明实施例提供的塑料中增塑剂含量的半定量分析方法的实现流程图;
图3是本发明实施例提供的塑料中增塑剂含量的半定量分析装置的结构示意图;
图4是本发明实施例提供的塑料半定量分析模型的训练装置的结构示意图;
图5是本发明实施例提供的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
增塑剂可以增加塑料的可塑性,改善塑料在成型加工时树脂的流动性,并使制品具有柔切性的有机物质。它通常是一些高沸点,难以择发的液体或低熔点的固体。
然而,当增塑剂的含量超过标准时,则会对人体造成伤害,因此,需要对塑料制品内的增塑剂的含量进行半定量分析,以便可以快速地检测出超标的塑料制品。
为了解决现有技术问题,本发明实施例提供了一种增塑剂含量的半定量分析方法及分析模型的训练方法。
在介绍本发明实施例提供的增塑剂含量的半定量分析方法之前,需要首先介绍塑料半定量分析模型的训练方法,当塑料半定量分析模型训练完成后,即可使用该模型对塑料中的增塑剂的含量进行半定性分析。
参见图1,其示出了本发明实施例提供的塑料半定量分析模型的训练方法的实现流程图,详述如下:
步骤S110、获取多个训练样本。
每个训练样本包括该塑料样品的预设波数范围内的吸光度数据集、以及该塑料样品的标签,标签用于表示该塑料样品中的增塑剂是否超标。如超标的标签为1,未超标的标签为0。
在一些实施例中,为了提高训练模型的检测准确度,需要使用尽可能多的训练样本对模型进行训练。训练样本中包括增塑剂未超标的样本和超标的样本。且增塑剂未超标的样本中包括各个不同梯度的增塑剂含量。增塑剂超标的样本中也包括各个不同梯度的增塑剂含量。
在一些实施例中,训练样本的数据可以通过以下步骤获取:
步骤S1110、对每个训练样本进行红外光谱测试,以得到每个训练样本的光谱数据集。
采用红外光谱仪对所有的训练样本进行检测时,需要对每个样本的不同点位分别进行多次平行采样,如可以进行3-5次采样。且两类样本采集的数据个数尽量均衡。
为了提高数据采集的准确性,可以将多次采集数据的平均值作为该训练样本的光谱数据集。
步骤S1120、对所有训练样本的光谱数据集进行多项式平滑处理,并将平滑处理后的每个训练样本的预设波数范围内的光谱数据集确定为每个训练样本的吸光度数据集。
为了防止外部测试环境的影响,需要去除测试的光谱数据集中的噪声和抖动。可以采用多项式平滑处理对训练样本中的所有光谱数据集进行平滑处理。
对所有光谱数据集进行平滑处理后,只需要选取预设波数范围内的光谱数据集确定为每个训练样本的吸光度数据集。
示例性的,预设波数范围可以为[500 4000]波数范围内的吸光度数据,由每个训练样本的[500 4000]之间的吸光度数据作为该训练样本的吸光度数据集。
步骤S120、对所有训练样本的吸光度数据集组成的训练样本吸光度数据集进行标准化处理,并将标准化处理后得到的数据组成的矩阵标记为标准矩阵。
标准化处理的过程如下:
将所有训练样本的吸光度数据集组成的训练样本吸光度数据集构建为矩阵的形式,将该矩阵记为,其中,矩阵的每一行为每个训练样本的吸光度数据。矩阵/>表示为m种训练样本,每个训练样本有n个吸光度数据。
对矩阵进行标准化处理,计算公式如下:
;
为第/>个增塑剂样本在第/>个波数处的吸光度值,/>为第/>个波数对应的所有训练样本的吸光度的平均值,/>为第/>个波数对应的所有训练样本的吸光度的标准差,/>是标准化后增塑剂光谱的吸光度值。
将标准化处理后得到的数据组成的矩阵记为标准矩阵。
步骤S130、对第一矩阵进行求解确定第一矩阵的奇异值,及与每个奇异值对应的奇异向量。
第一矩阵为标准矩阵的转置矩阵与标准矩阵的乘积。
标准矩阵为,X的转置为/>,第一矩阵为/> 。
求解第一矩阵的奇异值/>及对应的奇异向量/>。
步骤S140、构建预设坐标系。
预设坐标系是由奇异向量组成的正交坐标系矩阵,且奇异向量的顺序是基于该奇异向量对应的奇异值在所有奇异值中的顺序确定的。
预设坐标系构建的具体过程如下:
将所有的奇异值按照从大到小的顺次排序,如,则预设坐标系就由/>对应的奇异向量/>、/>、/>组成正交坐标系矩阵。
步骤S150、将标准矩阵投影到预设坐标系下,以得到训练数据集。
计算标准矩阵在预设坐标系/>下的投影/>为:
;
在一些实施例中,为了提高模型的运算速度,减少数据处理量,并不需要用所有的数据对模型进行训练,可以筛选出重要的特征,使用这些重要的特征对模型进行训练,同样可以达到准确检测的目的。
由于奇异值的数值之间的变化较大,可以根据奇异值的累积贡献率确定需要选取的重要特征。
设定累计贡献率为R,当奇异值的累计贡献率大于等于R时,则奇异值的个数即为需保留的奇异值的个数。如累计贡献率为0.98,,则前k个奇异值为需要保留的。相对应的,将标准矩阵/>在预设坐标系/>下的投影/>保留前k列/>作为训练数据集。
步骤S160、基于训练数据集和每个训练样本的标签,构建并训练得到塑料半定量分析模型。
在一些实施例中,塑料半定量分析模型可以为神经网络模型或逻辑回归模型。
基于训练数据集和每个训练样本的标签,超标的标签为1,未超标的标签为0。基于训练数据集/>和每个训练样本的标签对神经网络模型或逻辑回归模型进行训练,得到塑料半定量分析模型。
塑料半定量分析模型训练完成后,即可用于对塑料样品中的增塑剂的含量进行半定性分析。
参见图2,其示出了本发明实施例提供的塑料中增塑剂含量的半定量分析方法的实现流程图,详述如下:
步骤S210、获取待检测塑料样品在预设波数范围内的吸光度数据集。
待检测塑料样品在预设波数范围内的吸光度数据集的获取过程如下:
步骤S2101、对待检测塑料样品进行红外光谱测试,以得到待检测塑料样品的光谱数据集。
为了提高该待检测塑料样品的光谱数据集的准确度,可以在该待检测塑料样品的多个不同点位多次采样,让后将多次采样的平均值作为该待检测塑料样品的光谱数据集。
步骤S2102、对光谱数据集进行多项式平滑处理,并将平滑处理后的预设波数范围内的光谱数据集确定为预设波数范围内的吸光度数据集。
首先,对待检测塑料样品的光谱数据集进行平滑处理,去除噪声和抖动对数据的影响。
然后,选取平滑处理后的预设波数范围内的光谱数据集确定为预设波数范围内的吸光度数据集。
由于红外光谱测试后,会得到很多波数范围内的吸光度,而在一些波数范围外,增塑剂对吸光度的影响较小,因此,仅选取预设波数范围内的吸光度数据。
示例性的,可以选取[500 4000]波数范围内的吸光度数据作为待检测塑料样品的吸光度数据集。
步骤S220、对吸光度数据集进行标准化处理,得到吸光度处理数据集。
发明人经过多次测试发现,在对待检测塑料样品的吸光度数据集进行标准化处理时,如果使用待检测塑料样品的吸光度数据集的均值和标准差的数据时,得到的测试数据的准确度较差。需要使用训练样本的吸光度平均值和训练样本的吸光度标准差进行标准化处理。
即在对吸光度数据集进行标准化处理时,使用步骤S120中的训练样本的吸光度平均值,训练样本的吸光度标准差/>进行标准化处理。
待检测塑料样品的吸光度数据集进行标准化处理后的吸光度处理数据集记为。
步骤S230、将吸光度处理数据集投影到预设坐标系下,以得到测试数据集
预设坐标系是由第一矩阵的奇异向量基于预设顺序组成的,第一矩阵为训练样本的标准化处理后的吸光度数据的转置矩阵与标准化处理后的吸光度数据的矩阵的乘积。
预设坐标系中的目标奇异向量的位置是基于目标奇异向量对应的奇异值在所有奇异值中的顺序确定的。目标奇异向量为任意一个奇异向量。
第一矩阵为步骤S130中构建的,预设坐标系/>为步骤S140中构建的。
将吸光度处理数据集投影到预设坐标系/>下,已得到测试数据集记为。
在一些实施例中,为了提高数据的处理速率,可以仅选取测试数据集的前k列构建的测试数据集/>。k是通过步骤S140确定的。
步骤S240、将测试数据集输入至预先训练好的塑料半定量分析模型中,以确定待检测塑料样品中的增速剂含量是否超标。
塑料半定量分析模型是以所有训练样本的标准化处理后的吸光度数据的矩阵投影到预设坐标系下得到的训练样本的数据集以及所有训练样本的标签,对预先构建的神经网络模型或逻辑回归模型进行训练得到的。
将测试数据集输入至预先训练好的塑料半定量分析模型中,即可输出该待检测塑料样品中的增塑剂的含量是否超标,如输出结果为0时,表明该待检测塑料样品中的增塑剂含量不超标。如输出的结果为1时,表明该待检测塑料样品中的增塑剂含量超标。
本发明实施例提供一种增塑剂含量的半定量分析方法,首先,获取待检测塑料样品在预设波数范围内的吸光度数据集。接着,对吸光度数据集进行标准化处理,得到吸光度处理数据集。然后,将吸光度处理数据集投影到预设坐标系下,以得到测试数据集。最后,将测试数据集输入至预先训练好的塑料半定量分析模型中,以确定待检测塑料样品中的增速剂含量是否超标。从而,只需要对待检测塑料样品的部分波数范围的吸光度数据集进行简单的处理,然后将处理后得到的测试数据集输入到塑料半定量分析模型中,即可得到待检测塑料样品中的增塑剂是否超标,而无需进行复杂繁琐的前处理,属于无损检测,几分钟即可检测完成,得到检测结果。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
基于上述实施例提供的塑料中增塑剂含量的半定量分析方法,相应地,本发明还提供了应用于该塑料中增塑剂含量的半定量分析方法的塑料中增塑剂含量的半定量分析装置的具体实现方式。请参见以下实施例。
如图3所示,提供了一种塑料中增塑剂含量的半定量分析装置300,该装置包括:
数据获取模块310,用于获取待检测塑料样品在预设波数范围内的吸光度数据集;
数据处理模块320,用于对吸光度数据集进行标准化处理,得到吸光度处理数据集;其中,标准化处理过程中的吸光度平均值和吸光度标准差分别为训练样本的吸光度平均值和训练样本的吸光度标准差;
数据投影模块330,用于将吸光度处理数据集投影到预设坐标系下,以得到测试数据集;其中,预设坐标系是由第一矩阵的奇异向量基于预设顺序组成的,第一矩阵为训练样本的标准化处理后的吸光度数据的转置矩阵与标准化处理后的吸光度数据的矩阵的乘积;
检测模块340,用于将测试数据集输入至预先训练好的塑料半定量分析模型中,以确定待检测塑料样品中的增速剂含量是否超标。
在一种可能的实现方式中,数据投影模块330,用于将吸光度处理数据集投影到预设坐标系下,并将前k列数据作为测试数据集;其中,k是基于第一矩阵的所有奇异值的累积贡献率确定的。
在一种可能的实现方式中,数据获取模块310,用于对待检测塑料样品进行红外光谱测试,以得到待检测塑料样品的光谱数据集;
对光谱数据集进行多项式平滑处理,并将平滑处理后的预设波数范围内的光谱数据集确定为预设波数范围内的吸光度数据集。
在一种可能的实现方式中,预设波数范围为大于等于500波数,小于等于4000波数。
在一种可能的实现方式中,预设坐标系中的目标奇异向量的位置是基于目标奇异向量对应的奇异值在所有奇异值中的顺序确定的;目标奇异向量为任意一个奇异向量;
塑料半定量分析模型是以所有训练样本的标准化处理后的吸光度数据的矩阵投影到预设坐标系下得到的训练样本的数据集以及所有训练样本的标签,对预先构建的神经网络模型或逻辑回归模型进行训练得到的。
如图4所示,提供了一种塑料半定量分析模型的训练装置400,包括:
获取模块410,用于获取多个训练样本,其中,每个训练样本包括该塑料样品的预设波数范围内的吸光度数据集、以及该塑料样品的标签,标签用于表示该塑料样品中的增塑剂是否超标;
第二数据模块420,用于对所有训练样本的吸光度数据集组成的训练样本吸光度数据集进行标准化处理,并将标准化处理后得到的数据组成的矩阵标记为标准矩阵;
求解模块430,用于对第一矩阵进行求解确定第一矩阵的奇异值,及与每个奇异值对应的奇异向量;其中,第一矩阵为标准矩阵的转置矩阵与标准矩阵的乘积;
第一构建模块440,用于构建预设坐标系,其中,预设坐标系是由奇异向量组成的正交坐标系矩阵,且奇异向量的顺序是基于该奇异向量对应的奇异值在所有奇异值中的顺序确定的;
确定数据模块450,用于将标准矩阵投影到预设坐标系下,以得到训练数据集;
第二构建模块460,用于基于训练数据集和每个训练样本的标签,构建并训练得到塑料半定量分析模型。
在一种可能的实现方式中,确定数据模块450,用于将标准矩阵投影到预设坐标系下,并将前k列数据作为训练数据集;其中,k是基于第一矩阵的所有奇异值的累积贡献率确定的。
在一种可能的实现方式中,获取模块410,用于对每个训练样本进行红外光谱测试,以得到每个训练样本的光谱数据集;
对所有训练样本的光谱数据集进行多项式平滑处理,并将平滑处理后的每个训练样本的预设波数范围内的光谱数据集确定为每个训练样本的吸光度数据集。
图5是本发明实施例提供的电子设备的示意图。如图5所示,该实施例的电子设备5包括:处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个塑料中增塑剂含量的半定量分析方法实施例中的步骤,例如图1所示的步骤110至步骤160和/或图2所示的步骤210至步骤240。或者,所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块的功能,例如图3所示模块310至340和/或图4所示模块410至460的功能。
示例性的,所述计算机程序52可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器51中,并由所述处理器50执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序52在所述电子设备5中的执行过程。例如,所述计算机程序52可以被分割成图3所示模块310至340和/或图4所示模块410至460。
所述电子设备5可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图5仅仅是电子设备5的示例,并不构成对电子设备5的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述电子设备5的内部存储单元,例如电子设备5的硬盘或内存。所述存储器51也可以是所述电子设备5的外部存储设备,例如所述电子设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述电子设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个塑料中增塑剂含量的半定量分析方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种塑料中增塑剂含量的半定量分析方法,其特征在于,包括:
获取待检测塑料样品在预设波数范围内的吸光度数据集;
对所述吸光度数据集进行标准化处理,得到吸光度处理数据集;其中,标准化处理过程中的吸光度平均值和吸光度标准差分别为训练样本的吸光度平均值和训练样本的吸光度标准差;
将所述吸光度处理数据集投影到预设坐标系下,以得到测试数据集;其中,所述预设坐标系是由第一矩阵的奇异向量基于预设顺序组成的,所述第一矩阵为训练样本在标准化处理后的吸光度数据的转置矩阵与标准化处理后的吸光度数据的矩阵的乘积;所述预设坐标系中的第一矩阵中的奇异向量的预设顺序是基于目标奇异向量对应的奇异值在所有奇异值中的顺序确定的;所述目标奇异向量为任意一个奇异向量;
将所述测试数据集输入至预先训练好的塑料半定量分析模型中,以确定所述待检测塑料样品中的增速剂含量是否超标;
其中,对所述吸光度数据集进行标准化处理的过程如下:
;
a1j为待检测塑料样品在第个波数处的吸光度值,/>为第/>个波数对应的所有训练样本的吸光度的平均值,/>为第/>个波数对应的所有训练样本的吸光度的标准差,x1j是标准化处理后待检测塑料样品的吸光度值。
2.如权利要求1所述的半定量分析方法,其特征在于,所述将所述吸光度处理数据集投影到预设坐标系下,以得到测试数据集,包括:
将所述吸光度处理数据集投影到预设坐标系下,并将前k列数据作为测试数据集;其中,k是基于所述第一矩阵的所有奇异值的累积贡献率确定的。
3.如权利要求1所述的半定量分析方法,其特征在于,所述获取待检测塑料样品在预设波数范围内的吸光度数据集,包括:
对所述待检测塑料样品进行红外光谱测试,以得到所述待检测塑料样品的光谱数据集;
对所述光谱数据集进行多项式平滑处理,并将平滑处理后的预设波数范围内的光谱数据集确定为所述预设波数范围内的吸光度数据集。
4.如权利要求3所述的半定量分析方法,其特征在于,所述预设波数范围为大于等于500波数,小于等于4000波数。
5.如权利要求1所述的半定量分析方法,其特征在于,所述塑料半定量分析模型是以所有训练样本的标准化处理后的吸光度数据的矩阵投影到预设坐标系下得到的训练样本的数据集以及所有训练样本的标签,对预先构建的神经网络模型或逻辑回归模型进行训练得到的;
所述训练样本包括多种塑料样品的预设波数范围内的吸光度数据集,所述多种塑料样品包括增塑剂超标的样品和增塑剂未超标的样品。
6.一种塑料半定量分析模型的训练方法,应用在权利要求1至5任一项所述的塑料中增塑剂含量的半定量分析方法中,其特征在于,包括:
获取多个训练样本,其中,每个训练样本包括一个塑料样品的预设波数范围内的吸光度数据集、以及该塑料样品的标签,所述标签用于表示该塑料样品中的增塑剂是否超标;
对所有训练样本的吸光度数据集组成的训练样本吸光度数据集进行标准化处理,并将标准化处理后得到的数据组成的矩阵标记为标准矩阵;
对第一矩阵进行求解确定所述第一矩阵的奇异值,及与每个奇异值对应的奇异向量;其中,所述第一矩阵为所述标准矩阵的转置矩阵与所述标准矩阵的乘积;
构建预设坐标系,其中,所述预设坐标系是由奇异向量组成的正交坐标系矩阵,且奇异向量的顺序是基于该奇异向量对应的奇异值在所有奇异值中的顺序确定的;
将所述标准矩阵投影到所述预设坐标系下,以得到训练数据集;
基于所述训练数据集和每个训练样本的标签,构建并训练得到塑料半定量分析模型。
7.如权利要求6所述的训练方法,其特征在于,所述将所述标准矩阵投影到所述预设坐标系下,以得到训练数据集,包括:
将所述标准矩阵投影到所述预设坐标系下,并将前k列数据作为训练数据集;其中,k是基于所述第一矩阵的所有奇异值的累积贡献率确定的。
8.如权利要求6或7所述的训练方法,其特征在于,所述获取多个训练样本,包括:
对每个训练样本进行红外光谱测试,以得到每个训练样本的光谱数据集;
对所有训练样本的光谱数据集进行多项式平滑处理,并将平滑处理后的每个训练样本的预设波数范围内的光谱数据集确定为每个训练样本的吸光度数据集。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,执行如权利要求1至5或权利要求6至8任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5或权利要求6至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311167967.4A CN116908134B (zh) | 2023-09-12 | 2023-09-12 | 增塑剂含量的半定量分析方法及分析模型的训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311167967.4A CN116908134B (zh) | 2023-09-12 | 2023-09-12 | 增塑剂含量的半定量分析方法及分析模型的训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116908134A CN116908134A (zh) | 2023-10-20 |
CN116908134B true CN116908134B (zh) | 2023-11-24 |
Family
ID=88358711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311167967.4A Active CN116908134B (zh) | 2023-09-12 | 2023-09-12 | 增塑剂含量的半定量分析方法及分析模型的训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116908134B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788539A (zh) * | 2010-01-27 | 2010-07-28 | 江苏天瑞仪器股份有限公司 | 一种测定pvc制品中邻苯二甲酸酯类增塑剂含量的方法 |
CN101852766A (zh) * | 2009-04-01 | 2010-10-06 | 中国科学院大连化学物理研究所 | 一种检测塑料中邻苯二甲酸酯类增塑剂的方法 |
CN109253981A (zh) * | 2018-11-12 | 2019-01-22 | 武汉轻工大学 | 基于红外光谱的定量分析模型建立方法及装置 |
CN112011125A (zh) * | 2020-09-07 | 2020-12-01 | 石家庄海关技术中心 | 一种具有增塑剂迁移值的聚丙烯膜标准样品及其制备方法 |
WO2021151345A1 (zh) * | 2020-07-09 | 2021-08-05 | 平安科技(深圳)有限公司 | 识别模型的参数获取方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120321759A1 (en) * | 2007-01-05 | 2012-12-20 | Myskin, Inc. | Characterization of food materials by optomagnetic fingerprinting |
-
2023
- 2023-09-12 CN CN202311167967.4A patent/CN116908134B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101852766A (zh) * | 2009-04-01 | 2010-10-06 | 中国科学院大连化学物理研究所 | 一种检测塑料中邻苯二甲酸酯类增塑剂的方法 |
CN101788539A (zh) * | 2010-01-27 | 2010-07-28 | 江苏天瑞仪器股份有限公司 | 一种测定pvc制品中邻苯二甲酸酯类增塑剂含量的方法 |
CN109253981A (zh) * | 2018-11-12 | 2019-01-22 | 武汉轻工大学 | 基于红外光谱的定量分析模型建立方法及装置 |
WO2021151345A1 (zh) * | 2020-07-09 | 2021-08-05 | 平安科技(深圳)有限公司 | 识别模型的参数获取方法、装置、电子设备及存储介质 |
CN112011125A (zh) * | 2020-09-07 | 2020-12-01 | 石家庄海关技术中心 | 一种具有增塑剂迁移值的聚丙烯膜标准样品及其制备方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116908134A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561080B (zh) | 样本筛选方法、样本筛选装置及终端设备 | |
CN108805180B (zh) | 目标对象的检测方法及装置 | |
CN112967272B (zh) | 基于改进U-net的焊接缺陷检测方法、装置及终端设备 | |
CN114414935A (zh) | 基于大数据的配电网馈线故障区域自动化定位方法和*** | |
CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
CN117173172B (zh) | 一种基于机器视觉的硅胶成型效果检测方法及*** | |
CN105184286A (zh) | 一种车辆检测方法及检测装置 | |
CN113723467A (zh) | 用于缺陷检测的样本收集方法、装置和设备 | |
CN110991437B (zh) | 字符识别方法及其装置、字符识别模型的训练方法及其装置 | |
CN116908134B (zh) | 增塑剂含量的半定量分析方法及分析模型的训练方法 | |
CN112329810B (zh) | 一种基于显著性检测的图像识别模型训练方法及装置 | |
CN107071553B (zh) | 一种修改视频语音的方法、装置和计算机可读存储介质 | |
CN117437521A (zh) | 图像处理模型的剪枝方法、装置及电子设备 | |
CN115861305A (zh) | 柔性电路板检测方法、装置、计算机设备及存储介质 | |
CN110148443B (zh) | 一种临床检验样本的标识方法及*** | |
CN111709951B (zh) | 目标检测网络训练方法及***及网络及装置及介质 | |
CN114398228A (zh) | 一种设备资源使用情况的预测方法、装置及电子设备 | |
CN113627611A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN114066132A (zh) | 一种农产品的质量评估方法及评估装置 | |
CN113609445A (zh) | 多源异构监测数据处理方法、终端设备及可读存储介质 | |
CN114648656A (zh) | 图像识别方法、装置、终端设备及可读存储介质 | |
CN112149546A (zh) | 一种信息处理方法、装置、电子设备及存储介质 | |
CN117037935B (zh) | 材料成分确定方法、装置、设备及存储介质 | |
CN113804244B (zh) | 缺陷分析方法及装置、电子装置及计算机可读存储介质 | |
CN115684316B (zh) | 基于mos气敏传感器阵列的仿生电子鼻的气味识别方法 |
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 |