【技术实现步骤摘要】
本专利技术属于薄层色谱结果定量分析，具体涉及一种基于机器学习的薄层色谱浓度预测方法、装置及存储介质。
技术介绍
1、在化学合成研究中，快速、精准的定量分析是提高合成路线优化效率的重要手段。薄层色谱（tlc）分析法能够根据比移值推断溶液中化合物的种类，但受限于肉眼的辨色能力，无法同时对化合物浓度进行定量分析。现有技术中的改进措施为：1、将薄层色谱分析法与传统机器学习方法相结合，如专利公开号为cn114171133a 的中国专利技术专利，公开了“一种基于机器学习的比移值预测方法”，在构建机器学习模型时需要计算经过精心设计和挑选的多种分子描述符和分子指纹，此方法涉及到的传统机器学习方法需要进行特征工程和特征选择。2、利用机器视觉方案帮助薄层色谱实现定量分析，如专利公开号为cn118091009a 的中国专利技术专利，公开了一种“基于薄层色谱定量分析系统的叶绿素的定量分析方法”，其分析方法首先需要经过手动圈选斑点，自动识别、生成候选框，再通过opencv识别斑点面积，最后由斑点面积和浓度建立散点图从而自动拟合生成标准曲线。此方法流程过于复杂，不便于进行大批量自动化的定量分析。
2、因此，需要一种新的薄层色谱浓度预测方法来解决上述技术问题。
技术实现思路
1、本专利技术的目的是提供一种基于机器学习的薄层色谱浓度预测方法，用于解决现有技术中不能大批量分析薄层色谱浓度、传统机器学习方法需要进行特征工程和特征选择的技术问题。
2、本专利技术解决其技术问题的技术方案为：>
3、一种基于机器学习的薄层色谱浓度预测方法，包括以下步骤：
4、s1: 采集设定数量的具有梯度浓度的化合物的薄层色谱结果图像，将结果图像传入grounded-sam模型；grounded-sam模型自动识别结果图像中硅胶板上各个斑点的位置，获取每个斑点的中心位置，截取出以斑点为中心的正方形斑点图像；将正方形斑点图像数据及与其相应的浓度数据分为训练集、验证集和测试集用于卷积神经网络模型的训练、验证和测试；
5、s2：利用训练集、验证集对卷积神经网络进行训练、验证，得到训练、验证后的卷积神经网络模型；利用测试集对训练、验证后的卷积神经网络模型进行测试得到相应预测结果；根据预测结果与测试集中已知的浓度数据计算决定系数、均方根误差，并判断决定系数、均方根误差的数值是否均满足对应设定值，若是，停止卷积神经网络模型的训练，保存卷积神经网络模型，执行步骤s3；若否，调整卷积神经网络模型的超参数，对卷积神经网络模型重新进行训练、验证和测试；
6、s3: 将未知浓度化合物的薄层色谱结果图像依次传入grounded-sam模型、训练后的卷积神经网络模型，获得化合物的浓度预测值。
7、优选的，所述步骤s1中grounded-sam模型采用高分辨率的grounded-sam模型。
8、优选的，所述步骤s2.1中训练集、验证集和测试集的数据比例为8：1：1。
9、优选的，所述卷积神经网络包括依次连接的输入层、第一卷积层、第一最大值池化层、第二卷积层、第二最大值池化层、第三卷积层、第二最大值池化层、第一全连接层、第二全连接层和输出层。
10、优选的，所述第一卷积层采用3×3卷积核、32通道；所述第二卷积层采用3×3卷积核、64通道；所述第三卷积层采用3×3卷积核、128通道；所述第一最大值池化层、第二最大值池化层、第三最大值池化层采用2×2窗口。
11、优选的，所述步骤s2中决定系数的设定值为大于0.90；均方根误差的设定值为小于0.005mol/l。
12、优选的，所述决定系数、均方根误差的计算公式为：
13、 =；
14、 ；
15、其中，为决定系数；n为浓度数据的总数；i为测试集的样本编号； 为预测值；为真实值；为平均值；为均方根误差。
16、一种实现基于机器学习的薄层色谱浓度预测方法的装置，包括：
17、采集模块，用于采集设定数量的具有梯度浓度的化合物的薄层色谱结果图像；
18、硅胶板图像处理模块，利用grounded-sam模型自动识别结果图像中硅胶板上各个斑点的位置，获取每个斑点的中心位置，截取出以斑点为中心的正方形斑点图像；
19、斑点图像处理模块，将正方形斑点图像数据及其相应的浓度数据分为训练集、验证集和测试集用于卷积神经网络模型的训练、验证和测试；
20、卷积神经网络训练模块，用于训练卷积神经网络模型以及预测未知浓度的化合物的浓度值。
21、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，使计算机可读存储介质所在设备执行所述的预测 方法。
22、本专利技术的有益效果为：通过采集设定数量的具有梯度浓度的化合物的薄层色谱结果图像，将结果图像传入grounded-sam模型；grounded-sam模型自动识别结果图像中硅胶板上各个斑点的位置，获取每个斑点的中心位置，截取出以斑点为中心的正方形斑点图像；实现自动定位斑点的位置。将正方形斑点图像数据及其相应的浓度数据分为训练集、验证集和测试集用于卷积神经网络模型的训练、验证和测试；卷积神经网络模型在测试集上测试得到相应预测结果；根据预测结果与已知的浓度数据计算决定系数、均方根误差，当决定系数、均方根误差的数值均达到对应设定值时，保存当前的卷积神经网络模型，建立斑点图像与所检测化合物浓度之间直接的映射关系。将未知浓度的化合物的薄层色谱结果图像依次传入grounded-sam模型、训练后的卷积神经网络模型，获得化合物的浓度预测值。此方法不需要人工手动对斑点图像圈选、卷积神经网络模型也不需要进行特征工程和特征选择，就可以实现大批量化合物的浓度预测，节约成本的同时预测性能也得到提高。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的薄层色谱浓度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的薄层色谱浓度预测方法，其特征在于：
3.根据权利要求1所述的基于机器学习的薄层色谱浓度预测方法，其特征在于：
4.根据权利要求1所述的基于机器学习的薄层色谱浓度预测方法，其特征在于，
5.根据权利要求4所述的基于机器学习的薄层色谱浓度预测方法，其特征在于：
6.根据权利要求1所述的基于机器学习的薄层色谱浓度预测方法，其特征在于：
7.根据权利要求6所述的基于机器学习的薄层色谱浓度预测方法，其特征在于：
8.一种实现权利要求1-7任一项所述的基于机器学习的薄层色谱浓度预测方法的装置，其特征在于，包括：
9.一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，使计算机可读存储介质所在设备执行权利要求1-7任一项所述的设计方法。
【技术特征摘要】
1.一种基于机器学习的薄层色谱浓度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的薄层色谱浓度预测方法，其特征在于：
3.根据权利要求1所述的基于机器学习的薄层色谱浓度预测方法，其特征在于：
4.根据权利要求1所述的基于机器学习的薄层色谱浓度预测方法，其特征在于，
5.根据权利要求4所述的基于机器学习的薄层色谱浓度预测方法，其特征在于：
6.根据权利要求1...
【专利技术属性】
技术研发人员：郭晓康，张涛，李颢哲，张付莹，仝淑玲，米柯仲，江俊，蓝宇，魏东辉，
申请(专利权)人：河南省科学院智慧创制研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。