[发明专利]基于近红外光谱显著性分析检测样品理化性质的方法

说明书

本发明实施例提供一种基于近红外光谱显著性分析检测样品理化性质的方法，所述方法包括：获得待测样品的原始近红外光谱数据集；对所述原始近红外光谱数据集中的波长数据进行显著性分析，去除所述原始近红外光谱数据集中的与所述待测样品不相关的波长数据，得到新近红外光谱数据集；将所述新近红外光谱数据集输入预先生成的检测模型进行理化性质检测，得到所述待测样品的理化性质。可见，根据原始近红外光谱数据集中的波长数据之间的显著性，将与待测样品不相关的波长数据去除，使新近红外光谱数据集能够更加真实的表征待测样品，进而能够使检测出的理化性质更加符合待测样品的实际情况，能够提高检测结果的准确性。

技术领域

本发明涉及光谱信息分析技术领域，尤其涉及一种基于近红外光谱显著性分析检测样品理化性质的方法。

背景技术

基于样品的近红外光谱检测该样品的理化性质具有较高的灵敏度，能够实现快速、无损、定性、定量的检测，在地质、冶金、工业、农业、医药卫生、环境、航天等多个领域都有广泛的应用。

在基于样品的近红外光谱检测该样品的理化性质时，通常都是先获取待测样品的原始近红外光谱数据集，将该待测样品的原始近红外光谱数据集输入检测模型中进行理化性质检测，进而得到该样品的理化性质。

然而，由于近红外光谱通常都是由宽带、弱带、非特异带和重叠带组成的，因此，通过光谱测量仪器获取的待测样品的原始近红外光谱数据集中除了有待测样品本身的波长数据外，还存在大量的与待测样品不相关的波长数据。由于待测样品的原始近红外光谱数据集中存在大量的与待测样品不相关的波长数据，使待测样品的原始近红外光谱数据集并不能真实的表征待测样品，导致该原始近红外光谱数据集输入检测模型后，得到的待测样品的理化性质也并不准确。

发明内容

鉴于上述问题，本发明实施例的目的是提供一种基于近红外光谱显著性分析检测样品理化性质的方法，旨在基于样品的近红外光谱数据检测该样品的理化性质时，能够提高检测结果的准确性。

第一方面，本发明实施例提供一种基于近红外光谱显著性分析检测样品理化性质的方法，所述方法包括：获得待测样品的原始近红外光谱数据集，所述待测样品的原始近红外光谱数据集中包括所述待测样品本身的波长数据和与所述待测样品不相关的波长数据；对所述原始近红外光谱数据集中的波长数据进行显著性(Spectral Regression，SR)分析，去除所述原始近红外光谱数据集中的与所述待测样品不相关的波长数据，得到新近红外光谱数据集；将所述新近红外光谱数据集输入预先生成的检测模型进行理化性质检测，得到所述待测样品的理化性质，所述检测模型用于检测波长数据对应的理化性质。

第二方面，本发明实施例提供一种检测模型的生成方法，所述方法包括：获得待训练样品的原始近红外光谱数据集和所述待训练样品的的理化性质，所述待训练样品的原始近红外光谱数据集中包括所述待训练样品本身的波长数据和与所述待训练样品不相关的波长数据；计算所述待训练样品的原始近红外光谱数据集中的每个波长数据的选择比率得分值(Spectral Regression值，SR值)，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到所述待训练样品的新近红外光谱数据集；使用机器学习算法对所述待训练样品的新近红外光谱数据集和所述待训练样品的理化性质进行机器学习，生成检测模型，所述检测模型用于检测波长数据对应的理化性质。

第三方面，本发明实施例提供一种基于近红外光谱显著性分析检测样品理化性质的装置，所述装置包括：接收模块，被配置为获得待测样品的原始近红外光谱数据集，所述待测样品的原始近红外光谱数据集中包括所述待测样品本身的波长数据和与所述待测样品不相关的波长数据；处理模块，被配置为对所述原始近红外光谱数据集中的波长数据进行显著性分析，去除所述原始近红外光谱数据集中的与所述待测样品不相关的波长数据，得到新近红外光谱数据集；检测模块，被配置为将所述新近红外光谱数据集输入预先生成的检测模型进行理化性质检测，得到所述待测样品的理化性质，所述检测模型用于检测波长数据对应的理化性质。