一种校正水分干扰的近红外光谱定量检测的方法及系统技术方案

本发明专利技术公开了一种校正水分干扰的近红外光谱定量检测的方法及系统，方法包括：构建样品的训练集，从训练集中选取水分校正集和测试集；利用水分校正集采用外部参数正交化算法计算水分校正因子；采集训练集的近红外光谱，通过水分校正因子对其近红外光谱进行校正，得到水分校正光谱，采用波长选择算法提取水分校正光谱，得到特征光谱，将特征光谱和需要分析的化学成分值进行回归建模，建立水分校正定量检测模型；提取测试集中样品的特征光谱，输入水分校正定量检测模型，预测成分含量；本发明专利技术的优点在于：实现模型在复杂环境中定量检测的准确性和稳定性

【技术实现步骤摘要】
一种校正水分干扰的近红外光谱定量检测的方法及系统


[0001]本专利技术涉及光谱检测
，具体涉及一种校正水分干扰的近红外光谱定量检测的方法及系统
。

技术介绍

[0002]小麦
、
水稻和玉米是我国主要的粮食农作物，研究粮食农作物深加工产出的淀粉
、
脂肪和蛋白质等成分，对农副产品的加工产出和良种选育具有重要意义
。
传统的农作物成分检测技术主要是分子生物学方法，存在复杂
、
耗时等问题
。
近红外光谱技术
(NIRS)
作为一种快速
、
无损
、
绿色
、
可同时检测多有机组分的分析技术，目前已广泛应用于粮食的主要成分检测
。
然而，
NIRS
技术对水分的干扰吸收十分敏感，而水分又是农产品的主要成分之一
。
此外，粮食作物中的水分峰通常和感兴趣成分的吸收峰相重叠，简单的波段筛选方法可能无法完全消除水分的影响
。
因而如何应用合适的化学计量学算法，降低水分干扰是
NIRS
成分精确分析时需要解决的问题
。
[0003]中国专利公开号
CN114813463A
公开了一种消除水分干扰的近红外光谱预测造纸木片基本密度的方法，采集造纸木片样品失水过程中的近红外动态光谱，并通过外部参数正交化算法
(EPO)
计算水分校正因子；采集造纸木片在饱水状态下的近红外光谱，并通过水分校正因子对饱水光谱进行水分校正，建立水分校正光谱与基本密度之间的偏最小二乘回归
(PLS)
模型；对待测样品光谱先进行水分校正，然后再将校正光谱输入模型，进行基本密度预测
。
该方法通过消除近红外光谱中的水分干扰信息建立稳健的木片基本密度预测模型，有效降低样品水分波动对预测结果的干扰，提高模型在复杂应用环境下的适应性和稳定性
。
但是其通过水分校正因子对饱水光谱进行水分校正以后直接建立水分校正光谱与基本密度之间的偏最小二乘回归
(PLS)
模型，没有考虑水分校正光谱中的其他非特征光谱对预测结果的干扰，从而预测结果不够准确
。

技术实现思路

[0004]本专利技术所要解决的技术问题在于现有技术近红外光谱定量检测方法没有考虑水分校正光谱中的其他非特征光谱对预测结果的干扰，从而预测结果不够准确的问题
。
[0005]本专利技术通过以下技术手段解决上述技术问题的：一种校正水分干扰的近红外光谱定量检测的方法，包括以下步骤：
[0006]步骤一：构建样品的训练集，从训练集中选取水分校正集和测试集；
[0007]步骤二：利用水分校正集采用外部参数正交化算法计算水分校正因子；
[0008]步骤三：采集训练集的近红外光谱，通过水分校正因子对其近红外光谱进行校正，得到水分校正光谱，采用波长选择算法提取水分校正光谱，得到特征光谱，将特征光谱和需要分析的化学成分值进行回归建模，建立水分校正定量检测模型；
[0009]步骤四：提取测试集中样品的特征光谱，输入水分校正定量检测模型，预测成分含量
。
[0010]进一步地，所述步骤一包括：
[0011]将获取水分范围小于第一预设范围的样品作为训练集，测定训练集中需要分析的化学成分值，将训练集中样品按化学成分值顺序排列，间隔选取部分样品作为水分校正集，剩余样品作为测试集
。
[0012]进一步地，所述步骤二包括：
[0013]将水分校正集中的样品置于烘箱中完全烘干至绝干的状态，采集样品绝干状态下的近红外光谱；用喷雾器给绝干状态下的样品喷水加湿，使其水分含量每次按
N
％逐渐升高，搅拌静置，采集上述喷水后的样品近红外光谱；
N
为大于0的常数；
[0014]重复上述步骤，采集水分校正集中所有样品从绝干状态到不同水分含量的近红外光谱；将水分校正集中所有样品的近红外光谱组成动态光谱数据集，采用外部参数正交化算法计算水分校正因子
。
[0015]更进一步地，采集得到的近红外光谱需要经过
Savitzky
‑
Golay
卷积平滑预处理，预处理公式为
[0016][0017]其中，
H
为归一化因子且
h
i
为第
i
个平滑系数，
x
k+1
为波长
k+1
处的光谱数据，
w
为光谱上选取的数据点总数
。
[0018]更进一步地，所述外部参数正交化算法包括：
[0019](1)
计算干样品绝干状态下的近红外光谱的平均光谱
X
dry
；
[0020](2)
计算不同水分含量梯度样品的平均光谱
X
wet
；
[0021](3)
计算差值矩阵
D
＝
X
wet
‑
X
dry
；
[0022](4)
对差值矩阵进行奇异值分解，产生矩阵
USV
T
，其中
U
和
V
是分别包含差值矩阵的空间奇异向量的行列方阵，
S
是包含差值矩阵的奇异值的对角矩阵，
T
是矩阵的转置操作；
[0023](5)
定义外部参数正交化算法的维度
g
，取
V
矩阵的前
g
列组成
V
s
矩阵；
[0024](6)
计算
[0025](7)
计算投影矩阵
P
＝
I
‑
Q
，
I
为单位矩阵，投影矩阵作为水分校正因子；
[0026](8)
通过公式
X
*
＝
XP
计算没有水分信息的光谱，其中，
X
为原始光谱矩阵
。
[0027]进一步地，所述步骤三还包括：
[0028]采用决定系数
R2、
均方根误差
RMSE、
相对分析误差
RPD、RMSECV/RMSECV
ck
或者
RMSEP/RMSEP
ck
作为水分校正定量检测模型的性能的评价指标
。
[0029]进一步地，所述步骤四包括：
[0030]利用测试集重复步骤二和步骤三，设置其水分含量范围大于训练集的水分含量范围，采集测试集中样品的近红外光谱，通过水分校正因子和波长选择算法校正并提取样品近红外光谱，得到测试集的特征光谱，将测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种校正水分干扰的近红外光谱定量检测的方法，其特征在于，包括以下步骤：步骤一：构建样品的训练集，从训练集中选取水分校正集和测试集；步骤二：利用水分校正集采用外部参数正交化算法计算水分校正因子；步骤三：采集训练集的近红外光谱，通过水分校正因子对其近红外光谱进行校正，得到水分校正光谱，采用波长选择算法提取水分校正光谱，得到特征光谱，将特征光谱和需要分析的化学成分值进行回归建模，建立水分校正定量检测模型；步骤四：提取测试集中样品的特征光谱，输入水分校正定量检测模型，预测成分含量
。2.
根据权利要求1所述的一种校正水分干扰的近红外光谱定量检测的方法，其特征在于，所述步骤一包括：将获取水分范围小于第一预设范围的样品作为训练集，测定训练集中需要分析的化学成分值，将训练集中样品按化学成分值顺序排列，间隔选取部分样品作为水分校正集，剩余样品作为测试集
。3.
根据权利要求1所述的一种校正水分干扰的近红外光谱定量检测的方法，其特征在于，所述步骤二包括：将水分校正集中的样品置于烘箱中完全烘干至绝干的状态，采集样品绝干状态下的近红外光谱；用喷雾器给绝干状态下的样品喷水加湿，使其水分含量每次按
N
％逐渐升高，搅拌静置，采集上述喷水后的样品近红外光谱；
N
为大于0的常数；重复上述步骤，采集水分校正集中所有样品从绝干状态到不同水分含量的近红外光谱；将水分校正集中所有样品的近红外光谱组成动态光谱数据集，采用外部参数正交化算法计算水分校正因子
。4.
根据权利要求3所述的一种校正水分干扰的近红外光谱定量检测的方法，其特征在于，采集得到的近红外光谱需要经过
Savitzky
‑
Golay
卷积平滑预处理，预处理公式为其中，
H
为归一化因子且
h
i
为第
i
个平滑系数，
x
k+1
为波长
k+1
处的光谱数据，
w
为光谱上选取的数据点总数
。5.
根据权利要求3所述的一种校正水分干扰的近红外光谱定量检测的方法，其特征在于，所述外部参数正交化算法包括：
(1)
计算干样品绝干状态下的近红外光谱的平均光谱
X
dry
；
(2)
计算不同水分含量梯度样品的平均光谱
X
wet
；
(3)
计算差值矩阵
D
＝
X
wet
‑
X
dry
；
(4)
对差值矩阵进行奇异值分解，产生矩阵
USV
T
，其中
U
和
V
是分别包含差值矩阵的空间奇异向量的行列方阵，
S
是包含差值矩阵的奇异值的对角矩阵，
T
是矩阵的转置操作；
(5)
定义外部参数正交化算法的维度
g
，取
V
...

【专利技术属性】
技术研发人员：王琦，李晓红，张鹏飞，徐琢频，吴跃进，詹玥，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：