RU2616777C1 - Система и способ исследований с помощью совместного использования лиэс и ИК-спектроскопии поглощения - Google Patents
Система и способ исследований с помощью совместного использования лиэс и ИК-спектроскопии поглощения Download PDFInfo
- Publication number
- RU2616777C1 RU2616777C1 RU2015142813A RU2015142813A RU2616777C1 RU 2616777 C1 RU2616777 C1 RU 2616777C1 RU 2015142813 A RU2015142813 A RU 2015142813A RU 2015142813 A RU2015142813 A RU 2015142813A RU 2616777 C1 RU2616777 C1 RU 2616777C1
- Authority
- RU
- Russia
- Prior art keywords
- data
- sample
- lies
- lighting
- combined
- Prior art date
Links
- 238000010521 absorption reaction Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims description 27
- 238000011835 investigation Methods 0.000 title abstract 2
- 238000004566 IR spectroscopy Methods 0.000 title description 5
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 claims abstract description 15
- 230000005855 radiation Effects 0.000 claims description 35
- 239000002689 soil Substances 0.000 claims description 21
- 230000003287 optical effect Effects 0.000 claims description 13
- 230000001419 dependent effect Effects 0.000 claims description 11
- 238000002679 ablation Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 abstract description 24
- 230000003595 spectral effect Effects 0.000 abstract description 8
- 238000004891 communication Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 239000000126 substance Substances 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 77
- 238000005259 measurement Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 11
- 239000000463 material Substances 0.000 description 9
- 239000006185 dispersion Substances 0.000 description 8
- 239000004927 clay Substances 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000001069 Raman spectroscopy Methods 0.000 description 5
- 238000004856 soil analysis Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000011088 calibration curve Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000004611 spectroscopical analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000000862 absorption spectrum Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000007430 reference method Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004876 x-ray fluorescence Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 238000003841 Raman measurement Methods 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000004847 absorption spectroscopy Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004380 ashing Methods 0.000 description 1
- 239000013060 biological fluid Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000013590 bulk material Substances 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000005341 cation exchange Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000004993 emission spectroscopy Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 235000013312 flour Nutrition 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 239000003864 humus Substances 0.000 description 1
- 238000000608 laser ablation Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004811 liquid chromatography Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000009681 x-ray fluorescence measurement 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
- 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
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/443—Emission spectrometry
-
- 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
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
- G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
- G01J1/02—Details
- G01J1/08—Arrangements of light sources specially adapted for photometry standard sources, also using luminescent or radioactive material
- G01J2001/083—Testing response of detector
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Remote Sensing (AREA)
- Optics & Photonics (AREA)
- Plasma & Fusion (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Изобретение относится к лазерно-искровой эмиссионной спектрометрии. Система (102) для определения свойств образца (114) содержит ЛИЭС-детектор (104, 106) и детектор инфракрасного поглощения (108, 110) для исследования образца (114) с целью создания спектральных данных ЛИЭС и спектральных данных инфракрасного поглощения, соответственно; и процессор данных (112), предусмотренный для применения по меньшей мере одной хемометрической модели прогнозирования, каждая из которых построена для установления связи, предпочтительно количественной связи, между признаками объединенных спектральных данных ЛИЭС и поглощения с отдельным специфическим свойством образца, с комбинированным набором данных, выведенным из по меньшей мере частей данных ЛИЭС и данных поглощения, для создания из него определения, предпочтительно количественного определения, специфического свойства, связанного с указанной моделью. Технический результат заключается в количественном определении свойств вещества в сложной матрице образа. 2 н. и 5 з.п. ф-лы, 6 ил.
Description
[0001] Настоящее изобретение относится к определению свойств образца путем использования лазерно-искровой эмиссионной спектрометрии (ЛИЭС) в сочетании с инфракрасной (ИК) спектроскопией поглощения.
[0002] ЛИЭС является хорошо известной техникой, способной предоставить элементный "отпечаток" образца с высокой чувствительностью. Ее использование в анализе почвы также хорошо известно и изложено, например, в статье "Развитие метода лазерной искровой спектроскопии для анализа почвы (обзор)", B.C. Бураков и др., Журнал прикладной спектроскопии, том 77, №5, 2010, стр. 595-608.
[0003] ЛИЭС работает путем фокусировки лазера на небольшую область на поверхности материала образца для того, чтобы таким образом подвергать абляции очень малое количество материала и создать плазменный факел. Подвергшийся абляции материал плазменного факела распадается на возбужденные ионные и атомные компоненты. Характерные линии атомной эмиссии элементов могут наблюдаться в электромагнитном спектре плазменного факела, обычно регистрируемого с помощью спектрометра и анализируемого в процессоре данных для предоставления информации об относительных количествах химических компонентов, присутствующих в образце, в качестве меры свойств образца.
[0004] Известным является сочетание ЛИЭС с другими техниками измерения световой энергии для того, чтобы предоставить улучшенное определение состава. Сочетание измерений рентгеновской флуоресценции с ЛИЭС раскрыто, например, в патенте США 6,801,595 (Grodzins et al.). ЛИЭС обычно используется для получения информации о сравнительно более легких элементах и обычно предоставляет данные о сравнительных концентрациях элементов в матрице образца, в то время как рентгеновская флуоресценция предоставляет информацию о сравнительно более тяжелых элементах и предоставляет информацию об абсолютной концентрации. Согласно патенту США 6,801,595 спектры из двух техник комбинируют и информацию из двух техник относительно одного и того же элемента используют для создания выходных данных, указывающих на абсолютные концентрации элементов в матрице образца, из комбинации данных ЛИЭС и рентгеновской флуоресценции.
[0005] Сочетание комбинационного рассеяния и обнаружения эмиссии с помощью ЛИЭС раскрыто в патенте США 7,999,928 (Beckstead et al.). Спектроскопия комбинационного рассеяния основана на рассеивании света вибрирующими молекулами и целью обнаружения, является ли спектральный сдвиг (антистоксов сдвиг или стоков сдвиг) от источника света (как правило, лазера), вызванным потерей энергии из-за неупругих соударений между фотонами и молекулам. Преимущество этого сочетания заключается в высокой схожести измерений, основанных на обнаружении излучения, являющегося результатом взаимодействия лазера с веществом, поэтому раскрытая измерительная система может использовать большую часть одинакового аппаратного обеспечения, как для измерений ЛИЭС, так и для измерений комбинационного рассеяния. Более того, помимо взаимодополняющего использования аппаратного обеспечения, в патенте США 7,999,928 было также продемонстрировано, что последующий анализ главных компонент комбинированной спектральной информации приводит к лучшей классификации, чем любая из двух техник по отдельности, что дает в результате уменьшение количества ложно-положительных определений относительно каждой из двух техник по отдельности и улучшенную систему для определения (в противоположность количественной оценке) целевых компонентов в образце.
[0006] ИК-спектроскопия поглощения является другой хорошо известной техникой для определения свойств состава образца, такого как идентификация и количественная оценка целевых компонентов, например, в пище и фармацевтике, или качественных параметров, таких как твердость пшеницы, хлебопекарные свойства муки или качество вина. Поскольку ИК поглощение рассматриваемыми компонентами в матрице образца обычно происходит согласно закону Ламберта-Вера (т.е., существует линейная взаимосвязь между поглощением и количеством поглощающих частиц), обнаружение ИК поглощения легче позволяет выполнять количественное определение целевых компонентов. В частности, данные ИК поглощения в сочетании с передовой хемометрической обработкой данных могут быть использованы для предоставления этой количественной информации, относящейся ко многим типам матрицы образца. Техника ИК поглощения принципиально отличается от спектроскопии комбинационного рассеяния тем, что последняя полагается на поляризуемость исследуемой молекулы, а первая полагается на изменения дипольного момента при вибрации. Следовательно, компоненты, обнаруживаемые комбинационным рассеянием, обычно нелегко обнаружить ИК поглощением, и наоборот. Более того, спектроскопия комбинационного рассеяния склонна быть менее чувствительной, чем ИК-спектроскопия поглощения, и, следовательно, используется в качественном, а не в количественном, определении свойств образца, таких как присутствие целевых компонентов.
[0007] Одним ограничением использования ИК-спектроскопии, в частности спектроскопии в ближней инфракрасной ("БИК") области спектра, для количественного анализа одного или нескольких целевых компонентов является ее чувствительность к матричным эффектам, конфликтующим со слабыми молекулярными комбинационными частотами, разведанными в этом диапазоне длин волн. В некоторой мере такую чувствительность можно компенсировать за счет использования большого набора данных из широкого диапазона матриц образца, выбранных таким образом, чтобы охватывать эти изменения в сочетании с методами хемометрического анализа данных, такими как ЧНК. Тем не менее, для очень сложных матриц такой подход иногда может оказаться недостаточным. Таким случаем является попытка использования БИК для анализа почвы, после получения вывода о возможности реализации лишь локальных калибровок параметров почвы на почвах из подобной материнской породы и климатических воздействий ('Visible and Near Infrared Spectroscopy in Soil Science', B. Stenberg et. al., Advances in Agronomy', Vol. 107, 2010, Pages. 163-215).
[0008] Цель настоящего изобретения заключается в уменьшении по меньшей мере одной из проблем, связанных с известной техникой ИК-спектроскопии поглощения, и в предоставлении системы и способа, позволяющих осуществлять количественные определения свойств в сложной матрице образца, таких как относящиеся к целевым компонентам или свойствам физических качеств, например, почвы.
[0009] Согласно одному аспекту настоящего изобретения предоставлена система для определения свойств образца, содержащая ЛИЭС-детектор, содержащий лазер для абляции части образца и оптический спектрофотометр для создания данных ЛИЭС, представляющих зависимое от длины волны изменение интенсивности световой энергии, излученной из подвергшейся абляции части; детектор инфракрасного поглощения, содержащий источник энергии инфракрасного излучения для освещения по меньшей мере части образца энергией инфракрасного излучения и оптический спектрофотометр для создания данных освещения, представляющих зависимое от длины волны изменение интенсивности энергии инфракрасного излучения после освещения образца этой энергией; по меньшей мере одну хемометрическую модель прогнозирования, построенную для того, чтобы связать признаки данных ЛИЭС и данных освещения с отдельным специфическим свойством образца, и выполняемую процессором данных; и процессор данных, выполненный с возможностью приема данных ЛИЭС и данных освещения, для построения комбинированного набора данных, выведенного из по меньшей мере части данных ЛИЭС и по меньшей мере части данных освещения, и для применения к построенному набору данных по меньшей мере одной хемометрической модели прогнозирования с целью создания из него определения специфического свойства. Было обнаружено, что некоторые свойства, прогнозируемые с помощью комбинированного набора данных, содержащего данные ЛИЭС и данные освещения, прогнозируются более точно и обладают лучшей воспроизводимостью, чем те же свойства, прогнозируемые с помощью лишь данных ЛИЭС или лишь данных освещения. Следовательно, настоящее изобретение предоставляет систему для определения свойств образца, обладающую лучшими эксплуатационными качествами по сравнению с системой, использующей любую из двух индивидуальных техник по отдельности.
[0010] В одном варианте осуществления системы согласно настоящему изобретению по меньшей мере одна хемометрическая модель прогнозирования построена таким образом, чтобы при ее применении в процессоре данных осуществлялось количественное определение свойства.
[0011] В дальнейшем варианте осуществления системы предоставлен предметный столик, приспособленный для движения, предпочтительно вращательного движения, для воздействия на движение образца, таким образом подвергая различные части абляции лазером и освещению энергией инфракрасного излучения, и при этом процессор данных выполнен с возможностью приема данных ЛИЭС и данных освещения из множества частей по мере движения образца, для создания набора усредненных данных ЛИЭС и набора усредненных данных освещения из соответствующих принятых данных ЛИЭС и данных освещения, и для применения по меньшей мере одной модели прогнозирования к комбинированному набору данных, выведенному из данных из набора усредненных данных ЛИЭС и из набора усредненных данных освещения. Благодаря использованию набора данных, выведенного из данных ЛИЭС и данных освещения, полученных из множества различных частей образца, можно уменьшить любые отрицательные воздействия на данные, вызванные неоднородностями образца, и можно получить данные, лучше представляющие образец.
[0012] Согласно второму аспекту настоящего изобретения предоставлен способ определения свойств образца, включающий следующие этапы: получение процессором данных данных ЛИЭС, соответствующих зависимым от длины волны изменениям интенсивности светового излучения, испущенного из по меньшей мере части образца в результате лазерно-индуцированной абляции части; получение процессором данных данных освещения, соответствующих зависимым от длины волны изменениям интенсивности освещающего инфракрасного излучения после его взаимодействия с по меньшей мере частью образца; применение в процессоре данных по меньшей мере одной хемометрической модели прогнозирования, каждая из которых построена для того, чтобы связать признаки данных ЛИЭС и данных освещения со специфическим свойством образца, к объединенным данным ЛИЭС и данным освещения для образования из них определения специфического свойства, связанного моделью прогнозирования.
[0013] Эти, а также другие цели, особенности и преимущества настоящего изобретения можно лучше понять из следующих наглядного и неограничивающего подробного описания вариантов осуществления настоящего изобретения, выполненного со ссылкой на графические материалы прилагаемых фигур, на которых:
Описание графических материалов
На фиг. 1 показано схематичное представление в виде блок-схемы варианта осуществления системы согласно настоящему изобретению;
на фиг. 2 показана блок-схема, изображающая способ создания модели прогнозирования, которая может быть использована в системе по фиг. 1;
на фиг. 3 показана калибровочная кривая для модели прогнозирования содержания глины в почве, созданной на основе способа, изображенного на фиг. 2, и комбинированного набора данных;
на фиг. 4 показана калибровочная кривая для модели прогнозирования содержания глины в почве, созданной с использованием лишь данных БИК-поглощения;
на фиг. 5 показана калибровочная кривая для модели прогнозирования содержания глины в почве, созданной с использованием лишь данных излучения ЛИЭС; и
на фиг. 6 показана калибровочная кривая для модели прогнозирования содержания ООУ в почве, созданной с использования комбинированного набора данных и способа, изображенного на фиг. 2.
[0014] Неограничивающий примерный вариант осуществления системы 102 согласно настоящему изобретению изображен на фиг. 1. Система 102 содержит ЛИЭС-детектор, включающий в себя лазерный источник 104 для осуществления абляции области образца и оптический спектрофотометр 106; детектор инфракрасного поглощения, включающий в себя источник 108 инфракрасной (ИК) энергии для освещения области образца и оптический спектрофотометр 110; и процессор 112 данных, функционально соединенный с выводами обоих оптических спектрофотометров 106, 110. Из рассмотрения следующей информации будет понятно, что несмотря на то, что процессор 112 данных изображен в виде одного блока, настоящее изобретение также может быть реализовано с помощью процессора данных, содержащего физически разделенные элементы для выполнения разных функций, приписываемых одному процессору 112 данных настоящих вариантов осуществления, и что эти элементы могут располагаться в местах, удаленных друг от друга и, например, соединенных меж собой с помощью линии связи.
[0015] Оптические спектрофотометры 106, 110 изображены в настоящем варианте осуществления в виде отдельных инструментов, но это не является обязательным и в других вариантах осуществления они могут быть объединены в один спектрофотометрический инструмент, использующий те же элементы световой дисперсии и/или схемы обнаружения. Каждый спектрофотометр 106, 110 (или, в качестве альтернативы, один спектрофотометр) приспособлен для создания выходных данных, представляющих зависимое от длины волны изменение интенсивности поступающей световой энергии из образца 114, для ввода в процессор 112 данных (здесь и далее обозначенные термином "данные ЛИЭС", если они созданы с помощью ЛИЭС-детектора и термином "данные освещения", если они созданы с помощью детектора инфракрасного поглощения). Как будет очевидно, спектрофотометры 106, 110 могут быть реализованы различными известными способами, но, исключительно в качестве примера, каждый спектрофотометр 106, 110 настоящего варианта осуществления содержит устройство 106а, 110а волновой дисперсии, содержащего вывод световой энергии для предоставления светового излучения в устройство 106b, 110b обнаружения, преобразующее световую интенсивность в соответствующих электрический сигнал для вывода в процессор 112 данных. Устройство 106а, 110а волновой дисперсии одного или обоих спектрофотометров 106, 110 может содержать подвижный элемент дисперсии (такой как дифракционная решетка), который, по мере своего движения (как правило, поворачивания), охватывает длины волн светового излучения, падающего сквозь выходное отверстие и на единственный элемент обнаружения устройства 106b, 110b обнаружения. В конструкции, менее чувствительной к физическим вибрациям, устройство 106а, 110а волновой дисперсии одного или обоих спектрофотометров 106, 110 содержит неподвижный элемент волновой дисперсии, подающий выходное световое излучение, пространственно диспергированное согласно длине волны, на массив обнаруживающих элементов устройства 106b, 110b обнаружения, в котором каждый элемент или, возможно, подгруппа элементов массива получает отдельную и индивидуально идентифицируемую часть пространственно разделенных длин волн, диспергированных неподвижными элементами дисперсии устройств 106а, 110а дисперсии, и преобразует их в индивидуально идентифицируемые электрические сигналы, соответствующие интенсивностям излучения в отдельных элементах или подгруппах элементов.
[0016] Каждый из лазерного источника 104 и источника 108 энергии ИК излучения расположен таким образом, чтобы создавать выходное излучение для падения на матрицу 114 образца, которая может быть подготовленной или не подготовленной и которая расположена, например, на предметном столике 116 и не обязательно в емкости 118. Такая схема выходных излучений лазера и ИК энергии может быть получена многими способами, например, как изображено для настоящего варианта осуществления, лазерный источник 104 и источник 108 энергии ИК излучения могут быть размещены таким образом, чтобы предоставлять выходные излучения, являющиеся взаимно перпендикулярными и пересекающими друг друга. Оптическая схема 120, представленная здесь в форме наполовину посеребренного зеркала, расположенное на пересечении выходных излучений и ориентированное под углом 45° к каждому из них, может быть предоставлено для направления падающих выходных излучений к матрице 114 образца. В другом варианте осуществления оптическая схема 120 может представлять собой оптоволоконную схему для передачи выходных излучений к матрице 114 образца. В еще одном варианте осуществления каждый из лазерного источника 104 и источника 108 энергии ИК излучения могут быть расположены таким образом, чтобы направлять их выходные излучения для того, чтобы они падали на матрицу 114 образца без потребности в оптической схеме. Независимо от способа достижения, желательно, но не обязательно, чтобы выходящие излучения из каждого из лазерного источника 104 и источника 108 энергии ИК излучения падали на по существу одну и ту же область матрицы 114 образца для взаимодействия с по существу одним и тем же материалом матрицы 114 образца.
[0017] Собирающая оптика 122 может быть предоставлена для сбора излучения из матрицы 114 образца, являющегося результатом взаимодействия между падающими выходными излучениями источников 104, 108 и материалом матрицы 114 образца и для предоставления этого излучения для обнаружения одним или обоими спектрофотометрами 106, 110, такими как устройства 106b, 110b обнаружения. Собирающая оптика 122 может быть реализована различными способами и, в качестве примера, но не ограничения, собирающая оптика может содержать, как изображено в настоящем варианте осуществления, принимающую линзу 122а, собирающую и фокусирующую излучение из матрицы 114 образца на вход оптоволокна 122b. Оптоволокно 122b передает это излучение в спектрофотометры 106, 110 и данное оптоволокно 122b, в настоящем варианте осуществления, содержит разветвленный на два направления вывод, по одному к каждому спектрофотометру 106, 110.
[0018] В примерном режиме эксплуатации системы согласно настоящему изобретению, который сейчас будет изображен, исключительно в качестве примера, со ссылкой на систему 102 по фиг. 1, матрица 114 образца расположена в месте измерения внутри системы 102, при этом в данном месте выходное излучение из лазерного источника 104 и выходное излучение из источника 108 энергии ИК излучения могут взаимодействовать с образцом 114. Место измерения в настоящем варианте осуществления ограничено столиком 116 для приема образца, преимущественно являющимся подвижным, в данном случае - поворотным, для минимизации непроизводительных расходов, связанных с размерами, относительно направлений перемещения выходных излучений из лазерного источника 104 и источника 108 энергии ИК излучения. С помощью воздействия на относительное перемещение матрицы 114 образца могут быть получены данные ЛИЭС и данные освещения из разных областей матрицы 114 образца и данные из каждой области могут быть объединены для предоставления набора усредненных данных для большей области матрицы 114 образца, чем области, используемые для предоставления любого отдельно взятого набора данных. Образец 114 в некоторых случаях может быть помещен в держатель для образца, такой как чаша 118 для образца, изображенная на фиг. 1, которую затем помещают на столик 116 для приема образца (или, в общем, на место измерения). В других случаях образец может быть помещен без держателя на столик 116 для приема образца (или, в общем, на место измерения). Образец 114 также может подвергаться некоторой обработке перед его исследованием с помощью детекторов 104, 106 ЛИЭС и детекторов 108, 110 ИК поглощения, например, когда образец 114 представляет собой почву или другой сыпучий материал, материал образца может быть спрессован для того, чтобы предотвратить образование пустот в образце.
[0019] После размещения образца 114 в месте измерения (столик 116 для приема образца) лазерный источник 104 и источник 108 энергии ИК излучения приводятся в действие для освещения области, предпочтительно одной и той же области, 114 образца. Работа источников 104, 108 может осуществляться одновременно или последовательно. Одновременная работа может приводить к проблеме, заключающейся в том, что излучение из одного источника создает нежелательный фоновый сигнал для детектора, включающего в себя другой источник. Предпочтительно, но не обязательно, два источника 104, 106 работают последовательно, наиболее предпочтительно, лазерный источник 104 работает после источника 108 энергии ИК излучения с тем, чтобы данные освещения и данные ЛИЭС происходили по существу из одного и того же материала из одной и той же области. Это предоставит лучшую корреляцию данных из детекторов (104, 106) ЛИЭС и детекторов (108, 110) инфракрасного поглощения, поскольку оба набора данных в таком случае создаются из по существу идентичного материала. Источник 108 энергии ИК излучения выполнен с возможностью генерирования энергии ИК излучения, проходящей по меньшей мере через области длины волны, которые, как ожидается, будут поглощаться образцом 114. Источник 108 энергии ИК излучения может быть широкополосным или может быть настроен таким образом, чтобы испускать энергию ИК излучения в виде множества узких, возможно перекрывающих друг друга или последовательных, диапазонов длин волн. При эксплуатации системы 102 источнику 108 энергии ИК излучения подают питание, и его выходная энергия ИК излучения принудительно падает на область 114 образца, поглощающую определенные длины волн, в зависимости от состава образца 114. Эта энергия ИК излучения, после своего взаимодействия с образцом, собирается собирающей оптикой 122, передается в детектор инфракрасного поглощения, в настоящем варианте осуществления в спектрофотометр 110 детектора, и создаются выходные данные, соответствующие зависимому от длины волны изменению интенсивности взаимодействовавшей энергии ИК излучения (спектру светового поглощения). Эти выходные данные передаются в процессор 112 данных в виде данных освещения, исключительно в качестве наглядного примера, представляющих величины интенсивности, измеренные во множестве, m, дискретных длин волн. Далее, источнику 108 энергии ИК излучения прекращают подавать питание и подают питание лазерному источнику 104. Лазерный луч принудительно падает на образец 114 и его часть подвергается абляции, образуя плазму. Световое излучение, образуемое по мере того, как возбужденные компоненты в плазме возвращаются в свое более низкое энергетическое состояние, при этом испуская характерные фотоны, собирается собирающей оптикой 122, передается в ЛИЭС-детектор, в настоящем варианте осуществления в спектрофотометр 106 детектора, и создаются выходные данные, соответствующие зависимому от длины волны изменению интенсивности (спектру светового излучения) излучений плазмы, и передаются в процессор 112 данных в виде данных ЛИЭС, исключительно в качестве наглядного примера, представляющих величины интенсивности, измеренные в том же или в другом множестве, n, дискретных длин волн.
[0020] Процессор 112 данных выполнен с возможностью объединения данных ЛИЭС и данных освещения в один набор данных ("комбинированный набор данных"). В настоящем варианте осуществления, исключительно в качестве неограничивающего примера, этот комбинированный набор данных состоит из m+n точек данных, содержащих все точки данных освещения и ЛИЭС. Величины интенсивности в каждой из этих точек также могут подвергаться нормализации или другой предварительной обработке данных в процессоре 112 данных.
[0021] Выполняемый компьютером алгоритм, описывающий многовариантную хемометрическую модель прогнозирования, построенную для того, чтобы связать признаки данных ЛИЭС и данных освещения со свойством образца, доступен процессору 112 данных, например из запоминающего устройства компьютера или накопителя данных, составляющего единое целое с процессором 112 данных и являющегося его компонентом, или из удаленного накопителя (не изображен), который в некоторых вариантах осуществления может быть доступен процессору 112 данных посредством линии связи. Процессор 112 данных приспособлен для работы с целью применения модели прогнозирования к комбинированному набору данных для создания из него определения свойства образца, связь с которым установлена моделью прогнозирования. Одна или несколько дополнительных моделей прогнозирования могут быть доступны процессору 112 данных, при этом каждая модель соединяет отдельное свойство с комбинированными данными ЛИЭС и освещения, и процессор данных приспособлен для применения одной или нескольких таких моделей к комбинированному набору данных для того, чтобы получить определения свойств, связанных каждой соответствующей моделью прогнозирования. Результаты каждого из подобных определений могут быть предоставлены процессором 112 данных в виде выходных данных 124, например, в виде выходных данных, передаваемых на экран, в принтер или в другом распознаваемым человеком формате, или в виде выходных данных в машиночитаемом формате.
[0022] Такие модели прогнозирования создаются с использованием известных хемометрических техник, применяющих линейный либо нелинейный многовариантный статистический анализ, например метод частных наименьших квадратов (ЧНК); множественную линейную регрессию (МЛР); или искусственную нейронную сеть (ИНС), для создания математической зависимости, посредством которой комбинированный набор данных, выведенный из спектральных данных ЛИЭС и освещения, может быть количественно коррелирован с рассматриваемыми свойствами образца.
[0023] Хемометрическая модель прогнозирования, применяемая в процессоре 112 данных, может быть построена согласно блок-схеме, изображенной на фиг. 2. Первым этапом 202 создания такой модели прогнозирования является создание базы данных (или информационной матрицы), где каждая запись представляет данные из калибровочного образца. В этой базе данных хранятся данные ЛИЭС и данные освещения из калибровочных образцов (т.е. образцов, имеющих такую же матрицу, что и образцы, чьи свойства нужно спрогнозировать), индексированные другой информацией, полученной из того же калибровочного образца, идентифицирующей наличие и/или, более полезным образом, количество присутствующего компонента и/или его количество, которое должно быть обнаружено в тестовом образце. Эта другая информация может быть получена с помощью методов прямого анализа состава, таких как, например, жидкостная или газовая хроматография, выполняемых на каждом из калибровочных образцов. Подобные другие методы анализа, хотя и могут предоставить непосредственное измерение рассматриваемых компонентов, присутствующих в матрице образца, обычно требуют много времени и их выполнение является дорогостоящим.
[0024] На этапе 204 содержимое базы данных подвергают многовариантному статистическому анализу. В настоящем примере это содержит этап 204а разделения базы данных из этапа 202 на две части. Первая часть подвергается многовариантному анализу на этапе 204b. Вторая часть применяется на этапе 204с в качестве независимого проверочного набора данных. Следует понимать, что точное использование и разделение содержимого базы данных может различаться.
[0025] На этапе 206 создается модель прогнозирования, посредством которой предоставляется математическая зависимость между введенными объединенными данными ЛИЭС и освещения (комбинированный набор данных) и свойством образца, количественное указание на которое должно быть спрогнозировано (общая зависимость: Свойство = Функция {спектральные данные ЛИЭС, спектральные данные освещения}). Эта модель предназначена для использования в процессоре 112 данных для применения к данным ЛИЭС и данным освещения, объединенным с целью образования комбинированного набора данных для неизвестного образца.
[0026] Следует понимать, что модель прогнозирования согласно настоящему изобретению может быть создана с дополнительным использованием других данных, таких как информация об оценке физических качеств калибровочных образцов, таких как твердость или строение поверхности; информация о температуре, физическом расположении, условий предварительной обработки образца.
[0027] Пример: Анализ почвы
[0028] Объединенная информация в спектре ЛИЭС и спектре БИК поглощения используется для разработки математических моделей прогнозирования, при этом каждая из этих моделей применима для количественного определения отдельного свойства образцов почвы. Образцы почвы были гомогенизированы и спрессованы в пластины диаметром около 40 мм и толщиной около 5 мм с помощью простого гидравлического пресса. В настоящем примере 5 тонн применяли в течение 30 секунд и затем 11 тоне применяли в течение еще 30 секунд для создания пластин, в которых были удалены по существу все воздушные карманы. Спрессованные пластины продемонстрировали существенно меньшие флуктуации их ЛИЭС спектров по сравнению с не сжатыми образцами. Измерения были выполнены на ста шести образцах почвы, полученных из мест по всей территории Северной Америки. Полученное в результате многообразие матриц почвы и ограниченное количество образцов, используемых для создания применимой модели прогнозирования, демонстрирует, что настоящее новаторское объединение способов измерения согласно настоящему изобретению преимущественно способно компенсировать сложные матрицы, что не доступно ни одной из методик измерения по отдельности. Этим образцам была придана форма пластин, как описано выше, и были получены измерения с помощью системы, в общем идентичной описанной со ссылкой на фиг. 1, для того, чтобы создать наборы данных ЛИЭС и освещения. Комбинированный набор данных, выведенный с помощью данных из наборов данных ЛИЭС и освещения, используется для создания одной или нескольких моделей прогнозирования в общем согласно процессу, описанному относительно фиг. 2.
[0029] В специфическом примере для прогнозирования содержания глины или прогнозирования структуры поверхности (количественное прогнозирование, обычно выраженное в процентах) около пятидесяти калибровочных образцов почвы и 1 точная копия были использованы для осуществления калибровки и остальные пятьдесят шесть калибровок использовались в качестве проверочного набора данных. Комбинированный набор данных (данные ЛИЭС + данные освещения) каждой из них был индексирован по отношению к содержанию глины, выведенному с помощью эталонного способа разделения путем осаждения. Модель прогнозирования ЧНК была построена с помощью комбинированного набора данных (фиг. 3) и было выполнено ее сравнение с моделями, построенными лишь с помощью данных освещения (в данном случае, данных БИК поглощения) (фиг. 4) и данных ЛИЭС (фиг. 5).
[0030] Модель прогнозирования ЧНК, образованная на основе кривой (прямой), изображенной на фиг. 3, используя комбинированный набор данных, предоставляет модель, обладающая точностью прогноза, равной 4,12, и корреляцией, равной 0,91. Как использовано здесь, точность определена как мера стандартного отклонения прогнозированных величин от средней величины эталонных измерений (эталонный способ обладает точностью, равной 3,5, для глины), в то время как корреляция представляет собой меру линейной зависимости между нанесенными на график переменными и находится в диапазоне от -1 до +1 (при этом +1 обозначает наиболее сильную корреляцию). Это можно сравнить с моделью прогнозирования ЧНК, созданную на основании кривой, изображенной на фиг. 4, используя лишь набор данных освещения (БИК поглощения), при этом такая модель обладала точностью прогноза, равной 6,37, и корреляцией, равной 0,76. Модель прогнозирования ЧНК, созданная на основании кривой, изображенной на фиг. 5, используя лишь набор данных ЛИЭС, подобным образом хуже модели, созданной с использованием комбинированного набора данных, и обладает точностью прогноза, равной 5,25, и корреляцией, равной 0,89.
[0031] Общий органический углерод (ООУ) представляет собой еще один важный параметр для количественной оценки в почве, поскольку он характеризует содержание гумуса и, следовательно, присущую плодородность почвы. Вторая модель прогнозирования для ООУ также была построена (количественный прогноз, обычно выражаемый в процентах) образом, описанным выше применительно к модели прогнозирования содержания глины. Эталонный способ, в сравнении с которым был откалиброван ООУ, представлял собой способ сухого озоления, в котором отслеживается количество выпущенного CO2 для нагретого образца почвы. В настоящем примере те же сто шесть калибровочных образцов почвы были измерены с помощью системы, в общем описанной применительно к фиг. 1. Как и ранее комбинированные наборы данных из пятидесяти образцов использовались для создания модели прогнозирования ЧНК и комбинированные наборы данных из остальных пятидесяти шести использовались в качестве проверочного набора данных.
[0032] Модель прогнозирования ЧНК, созданная на основании кривой, изображенной на фиг. 6, используя комбинированный набор данных, обладает точностью прогноза, равной 0,678 (по сравнению с эталонной точностью, равной 0,7), и корреляцией, равной 0,79.
[0033] Другие модели прогнозирования свойств почвы, таких как емкость катионного обмена или ЕКО (количественный прогноз, обычно выраженный в сантимолях (+) / кг), содержание кальция или калия (количественный прогноз, обычно выраженный в частях на миллион (миллионных долях)), могут быть построены подобным образом и некоторые ли все из них могут быть доступны процессору 112 данных по фиг. 1 для применения к комбинированным наборам данных, полученным для неизвестных образцов почвы с помощью системы согласно настоящему изобретению, такой как изображена на фиг. 1.
[0034] Таким образом, посредством настоящего примера, было продемонстрировано, что система согласно настоящему изобретению может быть использована для выполнения количественных измерений даже на очень сложной матрице образца.
[0035] Следует понимать, что, хотя система и способ согласно настоящему изобретению имеют конкретное применение в анализе почвы, настоящее изобретение не предполагает ограничение использования данной областью. В действительности, настоящее изобретение может найти применение и предоставить свои преимущества в различных областях, таких как обнаружение взрывчатки и других угроз; мониторинг или контроль пищи, напитков и кормов; и исследования биологических жидкостей. Также следует понимать, что выбор методики анализа не ограничен ЧНК, но, как известно в области хемометрики, она может быть выбрана после рассмотрения одного или нескольких из следующих факторов, например, линейности набора данных, размера и разнородности этого набора данных, и необходимости количественного или качественного прогноза.
Claims (7)
1. Система (102) для определения свойств образца, содержащая ЛИЭС-детектор (104, 106), содержащий лазер (104) для абляции части образца и оптический спектрофотометр (106) для создания данных ЛИЭС, представляющих зависимое от длины волны изменение интенсивности световой энергии, излученной из подвергшейся абляции части; детектор (108, 110) инфракрасного поглощения, содержащий источник (108) энергии инфракрасного излучения для освещения по меньшей мере части образца энергией инфракрасного излучения и оптический спектрофотометр (110) для создания данных освещения, представляющих зависимое от длины волны изменение интенсивности энергии инфракрасного излучения после освещения образца этой энергией; по меньшей мере одну хемометрическую модель прогнозирования в форме, используемой процессором (112) данных, при этом каждая из них построена для установления связи между признаками объединенных данных ЛИЭС и данных освещения с разными специфическими свойствами образца; и процессор (112) данных, выполненный с возможностью приема данных ЛИЭС и данных освещения, для построения комбинированного набора данных, выведенного из по меньшей мере части данных ЛИЭС и по меньшей мере части данных освещения, и для применения по меньшей мере одной хемометрической модели прогнозирования к комбинированному набору данных для создания из него определения специфического свойства.
2. Система (102) по п. 1, отличающаяся тем, что по меньшей мере одна хемометрическая модель прогнозирования построена таким образом, чтобы при ее применении в процессоре (112) данных создавалось количественное определение специфического свойства.
3. Система (102) по п. 2, отличающаяся тем, что количественное определение включает определение количества целевых компонентов внутри образца.
4. Система (102) по п. 1, отличающаяся тем, что модель прогнозирования построена для установления связи со свойством почвы.
5. Система (102) по п. 1, отличающаяся тем, что оптический спектрофотометр (106) ЛИЭС-детектора (104, 106) и оптический спектрофотометр (110) детектора (108, 110) инфракрасного поглощения являются одинаковыми.
6. Способ определения свойств образца, включающий этапы: получения процессором данных ЛИЭС, соответствующих зависимым от длины волны изменениям интенсивности светового излучения, испущенного по меньшей мере из части образца в результате лазерно-индуцированной абляции части; получения процессором данных данных освещения, соответствующих зависимым от длины волны изменениям интенсивности освещающего инфракрасного излучения после его взаимодействия по меньшей мере с частью образца; применения в процессоре данных по меньшей мере одной хемометрической модели прогнозирования, каждая из которых построена для установления связи между признаками данных ЛИЭС и данных освещения со специфическим свойством образца, к комбинированному набору данных, выведенному по меньшей мере из части данных ЛИЭС и по меньшей мере из части данных освещения, для создания из него определения специфического свойства, связанного с моделью прогнозирования.
7. Способ по п. 6, отличающийся тем, что этап применения по меньшей мере одной хемометрической модели прогнозирования включает применение хемометрической модели прогнозирования, созданной для предоставления количественного определения целевых компонентов внутри образца.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2013/056091 WO2014146719A1 (en) | 2013-03-22 | 2013-03-22 | System for and method of combined libs and ir absorption spectroscopy investigations |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2616777C1 true RU2616777C1 (ru) | 2017-04-18 |
Family
ID=47915261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2015142813A RU2616777C1 (ru) | 2013-03-22 | 2013-03-22 | Система и способ исследований с помощью совместного использования лиэс и ИК-спектроскопии поглощения |
Country Status (7)
Country | Link |
---|---|
US (1) | US9625376B2 (ru) |
EP (1) | EP2976620B1 (ru) |
CN (1) | CN105008898B (ru) |
BR (1) | BR112015023894B1 (ru) |
ES (1) | ES2638965T3 (ru) |
RU (1) | RU2616777C1 (ru) |
WO (1) | WO2014146719A1 (ru) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014052673A1 (en) | 2012-09-26 | 2014-04-03 | Panalytical Inc. | Multi-sensor analysis of complex geologic materials |
US10564316B2 (en) * | 2014-09-12 | 2020-02-18 | The Climate Corporation | Forecasting national crop yield during the growing season |
US11080798B2 (en) | 2014-09-12 | 2021-08-03 | The Climate Corporation | Methods and systems for managing crop harvesting activities |
US11762125B2 (en) | 2014-09-12 | 2023-09-19 | Climate Llc | Forecasting national crop yield during the growing season |
US10667456B2 (en) | 2014-09-12 | 2020-06-02 | The Climate Corporation | Methods and systems for managing agricultural activities |
US11113649B2 (en) | 2014-09-12 | 2021-09-07 | The Climate Corporation | Methods and systems for recommending agricultural activities |
US11069005B2 (en) | 2014-09-12 | 2021-07-20 | The Climate Corporation | Methods and systems for determining agricultural revenue |
ES2532032B2 (es) * | 2014-10-05 | 2015-10-08 | Universidad Complutense De Madrid | Método de análisis de bebidas alcohólicas |
US10113952B2 (en) * | 2015-06-01 | 2018-10-30 | Ingrain, Inc. | Combined vibrational spectroscopy and laser induced breakdown spectroscopy for improved mineralogical and geochemical characterization of petroleum source or reservoir rocks |
AU2016294138C1 (en) | 2015-07-15 | 2022-02-24 | Climate Llc | Generating digital models of nutrients available to a crop over the course of the crop's development based on weather and soil data |
DE102015122408A1 (de) * | 2015-12-21 | 2017-06-22 | Thyssenkrupp Ag | Verfahren und Anlage zur Analyse eines Probenmaterials |
WO2017168211A1 (en) * | 2016-03-31 | 2017-10-05 | Foss Analytical A/S | System for and method of performing laser induced breakdown spectroscopy |
CN106226282A (zh) * | 2016-06-24 | 2016-12-14 | 北京华泰诺安探测技术有限公司 | 一种使用激光拉曼光谱仪进行采样的装置及方法 |
US10429240B2 (en) | 2016-07-29 | 2019-10-01 | Viavi Solutions Inc. | Transfer of a calibration model using a sparse transfer set |
CN106501237A (zh) * | 2016-10-31 | 2017-03-15 | 清华大学深圳研究生院 | 一种复合绝缘材料表面硬度测试方法 |
US10677733B2 (en) * | 2017-04-07 | 2020-06-09 | Thermo Scientific Portable Analytical Instruments Inc. | Device for positioning and isolating a sample in a sealed environment |
CA3063930C (en) | 2017-05-19 | 2022-07-19 | National Research Council Of Canada | Characterization of a material using combined laser-based ir spectroscopy and laser-induced breakdown spectroscopy |
JP6860090B2 (ja) * | 2018-01-16 | 2021-04-14 | 株式会社ニコン | 分光データ管理装置、測定装置および測定システム |
KR20210088530A (ko) * | 2018-09-07 | 2021-07-14 | 캔 테크놀로지스 인코포레이티드 | 스펙트럼 측정을 사용한 유기적 성장의 최적화 |
US11774353B2 (en) * | 2018-10-30 | 2023-10-03 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Methods and apparatuses for biomimetic standoff detection of hazardous chemicals |
US11156556B1 (en) * | 2019-02-13 | 2021-10-26 | Creative LIBS Solutions LLC | Method and apparatus for detecting pathogens and chemicals in complex matrices using light emissions from a laser spark |
IT201900004671A1 (it) * | 2019-03-28 | 2020-09-28 | De Tec Tor S R L | Apparato per controllo qualità in linee di produzione, corrispondente procedimento e prodotto informatico |
CN110873708B (zh) * | 2019-11-11 | 2022-02-18 | 中国科学院上海技术物理研究所 | 一种libs主被动双模光谱探测*** |
CN110873709B (zh) * | 2019-11-11 | 2021-12-31 | 中国科学院上海技术物理研究所 | 一种libs主被动双模光谱探测方法 |
US20210172800A1 (en) * | 2019-12-10 | 2021-06-10 | Perkinelmer Health Sciences Canada, Inc. | Systems and Methods for Analyzing Unknown Sample Compositions Using a Prediction Model Based On Optical Emission Spectra |
CN113008872B (zh) * | 2019-12-20 | 2023-03-14 | 雄贝(上海)科技有限公司 | 一种基于矿物成分的岩屑岩性激光识别方法 |
CN111272736B (zh) * | 2020-03-31 | 2024-05-10 | 河北大学 | 一种击穿光谱与吸收光谱组合测量***及方法 |
AU2021103159A4 (en) * | 2020-09-22 | 2021-07-22 | Foss Analytical A/S | Preparing a pellet for laser induced breakdown spectroscopy |
CN112730383B (zh) * | 2020-12-28 | 2022-10-25 | 西安交通大学 | 一种用于在线检测的光纤阵列libs探测*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007128832A1 (en) * | 2006-05-10 | 2007-11-15 | Abb Schweiz Ag | Bulk material analyzer system |
US20090273782A1 (en) * | 2008-05-05 | 2009-11-05 | Applied Spectra, Inc. | Laser ablation apparatus and method |
US20110237446A1 (en) * | 2006-06-09 | 2011-09-29 | Chemlmage Corporation | Detection of Pathogenic Microorganisms Using Fused Raman, SWIR and LIBS Sensor Data |
US20120062874A1 (en) * | 2005-07-14 | 2012-03-15 | Chemimage Corporation | System and Method for Combined Raman and LIBS Detection with Targeting |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002090955A1 (en) | 2001-05-04 | 2002-11-14 | Niton Corporation | X-ray fluorescence combined with laser induced photon spectroscopy |
US7945393B2 (en) * | 2002-01-10 | 2011-05-17 | Chemimage Corporation | Detection of pathogenic microorganisms using fused sensor data |
US7092087B2 (en) * | 2003-09-16 | 2006-08-15 | Mississippi State University | Laser-induced breakdown spectroscopy for specimen analysis |
US8582089B2 (en) * | 2006-06-09 | 2013-11-12 | Chemimage Corporation | System and method for combined raman, SWIR and LIBS detection |
US7692775B2 (en) | 2005-07-14 | 2010-04-06 | Chemimage Corporation | Time and space resolved standoff hyperspectral IED explosives LIDAR detection |
EP1977205A4 (en) | 2006-01-23 | 2010-06-09 | Chemimage Corp | RAMAN + LIBS COMBINED DETECTION METHOD AND SYSTEM |
US8158957B2 (en) * | 2006-03-02 | 2012-04-17 | Chemimage Corporation | System and method for structured illumination and collection for improved optical confocality of raman fiber array spectral translator imaging and interactive raman probing |
US8553210B2 (en) * | 2007-01-23 | 2013-10-08 | Chemimage Corporation | System and method for combined Raman and LIBS detection with targeting |
US8018647B2 (en) * | 2007-03-12 | 2011-09-13 | Northrop Grumman Systems Corporation | Imaging systems and methods |
WO2009011954A2 (en) * | 2007-04-27 | 2009-01-22 | Alaka'i Consulting & Engineering, Inc. | Laser spectroscopy system |
KR101545419B1 (ko) * | 2011-02-10 | 2015-08-18 | 가부시키가이샤 히다치 하이테크놀로지즈 | 이물 검출 장치 및 이물 검출 방법 |
US8830476B2 (en) * | 2012-03-19 | 2014-09-09 | The United States Of America As Represented By The Secretary Of The Army | Methods and apparatuses for contact-free holographic imaging of aerosol particles |
US9285272B2 (en) * | 2012-07-17 | 2016-03-15 | Sciaps, Inc. | Dual source system and method |
US9970876B2 (en) * | 2012-07-17 | 2018-05-15 | Sciaps, Inc. | Dual source analyzer with single detector |
WO2014031591A1 (en) * | 2012-08-22 | 2014-02-27 | Sackett Donald W | Dual source analyzer with single detector |
-
2013
- 2013-03-22 WO PCT/EP2013/056091 patent/WO2014146719A1/en active Application Filing
- 2013-03-22 BR BR112015023894A patent/BR112015023894B1/pt active IP Right Grant
- 2013-03-22 ES ES13711418.7T patent/ES2638965T3/es active Active
- 2013-03-22 CN CN201380074290.8A patent/CN105008898B/zh active Active
- 2013-03-22 RU RU2015142813A patent/RU2616777C1/ru active
- 2013-03-22 US US14/772,555 patent/US9625376B2/en active Active
- 2013-03-22 EP EP13711418.7A patent/EP2976620B1/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120062874A1 (en) * | 2005-07-14 | 2012-03-15 | Chemimage Corporation | System and Method for Combined Raman and LIBS Detection with Targeting |
WO2007128832A1 (en) * | 2006-05-10 | 2007-11-15 | Abb Schweiz Ag | Bulk material analyzer system |
US20110237446A1 (en) * | 2006-06-09 | 2011-09-29 | Chemlmage Corporation | Detection of Pathogenic Microorganisms Using Fused Raman, SWIR and LIBS Sensor Data |
US20090273782A1 (en) * | 2008-05-05 | 2009-11-05 | Applied Spectra, Inc. | Laser ablation apparatus and method |
Also Published As
Publication number | Publication date |
---|---|
CN105008898B (zh) | 2018-09-11 |
ES2638965T3 (es) | 2017-10-24 |
BR112015023894B1 (pt) | 2020-05-05 |
US20160018325A1 (en) | 2016-01-21 |
WO2014146719A1 (en) | 2014-09-25 |
CN105008898A (zh) | 2015-10-28 |
US9625376B2 (en) | 2017-04-18 |
EP2976620B1 (en) | 2017-08-09 |
EP2976620A1 (en) | 2016-01-27 |
BR112015023894A2 (pt) | 2017-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2616777C1 (ru) | Система и способ исследований с помощью совместного использования лиэс и ИК-спектроскопии поглощения | |
Wu et al. | Stand-off detection of chemicals by UV Raman spectroscopy | |
US10113952B2 (en) | Combined vibrational spectroscopy and laser induced breakdown spectroscopy for improved mineralogical and geochemical characterization of petroleum source or reservoir rocks | |
Death et al. | Multi-element analysis of iron ore pellets by laser-induced breakdown spectroscopy and principal components regression | |
CN101995395B (zh) | 一种激光诱导多种光谱联合指纹网络在线检测材料的方法 | |
US20040155202A1 (en) | Methods and apparatus for molecular species detection, inspection and classification using ultraviolet fluorescence | |
GB2457212A (en) | Raman detection of container contents | |
Pestle et al. | Ancient bone collagen assessment by hand-held vibrational spectroscopy | |
Primera-Pedrozo et al. | Detection of high explosives using reflection absorption infrared spectroscopy with fiber coupled grazing angle probe/FTIR | |
Yu et al. | Response surface methodology for optimizing LIBS testing parameters: A case to conduct the elemental contents analysis in soil | |
US9664561B2 (en) | Technique to discriminate against ambient and scattered laser light in Raman spectrometry | |
Soni et al. | Phosphorus quantification in soil using LIBS assisted by laser-induced fluorescence | |
US8082111B2 (en) | Optical emission spectroscopy qualitative and quantitative analysis method | |
JP2016176817A (ja) | 異物解析システム | |
Casanova et al. | Evaluation of limits of detection in laser-induced breakdown spectroscopy: Demonstration for food | |
de los Ángeles Sepúlveda et al. | Near-infrared spectroscopy: Alternative method for assessment of stable carbon isotopes in various soil profiles in Chile | |
JP2002350344A (ja) | 環境測定方法及び装置 | |
Sowoidnich et al. | Shifted excitation Raman difference spectroscopy for soil component identification and soil carbonate determination in the presence of strong fluorescence interference | |
Moros et al. | Screening of humic and fulvic acids in estuarine sediments by near-infrared spectrometry | |
Lendl et al. | Mid-IR quantum cascade lasers as an enabling technology for a new generation of chemical analyzers for liquids | |
CN111965166A (zh) | 一种生物质成型燃料特性指标的快速测量方法 | |
Wu et al. | Precise determination of potassium in potash with self-absorption correction in laser-induced breakdown spectroscopy | |
Sandak et al. | Using various infrared techniques for assessing timber structures | |
Li et al. | Preliminary study on heavy metal detection in soil using terahertz time-domain spectroscopy | |
US20240142372A1 (en) | Adulteration and authenticity analysis method of organic substances and materials by terahertz spectroscopy |