【技術實現步驟摘要】
本專利技術屬于含量預測，具體涉及一種基于近紅外光譜的物質含量預測方法和計算機設備。
技術介紹
1、近紅外光譜儀以其非侵入性和快速功能而著稱，已被廣泛用于確定各種應用場景中各種物質的成分，包括離線和在線設置。目前的近紅外儀器可快速提供海量數據，這些數據需要進行準確高效的處理以產生有用的分析信息。因此，需要開發近紅外光譜化學計量學模型，以便從分析數據中提取盡可能多的相關信息。模型通常包括偏最小二乘回歸、人工神經網絡和深度學習等。其中，偏最小二乘回歸因其對波數間多重共線性的敏感性而被證明是一種有效的近紅外光譜建模方法。然而，構建穩健的偏最小二乘回歸模型需要找到最佳的主成分和潛在變量，這需要花費大量的時間和精力。相比之下，深度學習算法具有自動提取特征和有效處理復雜圖像數據的優勢，深度學習算法的有效性與輸入數據表示的完整性高度相關。然而，一維近紅外光譜中包含的信息可能不足以預測目標化合物的含量，因為其數據來源是官能團振動的泛音和組合，這樣將影響使用深度學習算法進行含量預測的性能。
技術實現思路
1、本專利技術的目的在于提供一種基于近紅外光譜的物質含量預測方法和計算機設備，用以解決采用深度學習算法模型直接對一維近紅外光譜進行特征提取和圖像處理造成的對物質含量預測精度低的問題。
2、為解決上述技術問題，本專利技術提供了一種基于近紅外光譜的物質含量預測方法，包括如下步驟：1)獲取待測樣本的近紅外光譜；將近紅外光譜中的波數視為時間，進而利用連續小波變換對近紅外光譜進行特征提取，提取得到不
3、進一步地，采用直接數字映射法或偽彩色映射法將提取到的不同尺度、不同波數下的小波系數映射為二維頻譜圖；采用直接數字映射法時，二維頻譜圖中各點的位置由尺度、波數確定，各點的像素值由決定該點位置的尺度、波數對應的小波系數確定；采用偽彩色映射法時，二維頻譜圖中各網格單元的頂點位置由尺度、波數確定，各網格單元的像素值由決定該網格單元頂點位置的尺度、波數對應的小波系數確定，且網格單元之間的像素值通過插值方法確定。
4、進一步地，確定像素值時，采用gray顏色映射法或者jet顏色映射法將小波系數進行映射。
5、進一步地，連續小波變換中使用的小波函數為非正交小波函數。
6、進一步地，所述非正交小波函數為復小波函數。
7、進一步地，所述復小波函數為cmor小波函數。
8、進一步地，cmor小波函數的帶寬和頻率中心采用如下方式確定：確定不同帶寬和頻率中心所對應的小波系數的絕對值，從中選出最大的小波系數絕對值，選出的值對應的帶寬和頻率中心即為最終確定的cmor小波函數的帶寬和頻率中心。
9、進一步地，不同尺度包括s0、s1、……sj……、sj，j＝0,1,…,j，s0表示可分辨的最小尺度，sj表示最大尺度，δj表示尺度分辨率，δt表示波長間隔，n表示波數。
10、進一步地，所述深度學習模型為卷積神經網絡模型。
11、進一步地，所述卷積神經網絡模型為efficientnetv2。
12、進一步地，數據集中包含的二維頻譜圖為經過sg平滑處理后的二維頻譜圖。
13、為解決上述技術問題，本專利技術還提供了一種計算機設備，包括處理器，處理器執行計算機程序以實現上述介紹方法的步驟。
14、本專利技術為改進型專利技術創造，有益效果為：本專利技術在基于深度學習模型對目標物質含量進行預測時，不再是將一維近紅外光譜直接作為訓練后的深度學習模型的輸入，而是對一維近紅外光譜進行特征提取，將提取得到的特征作為訓練后的深度學習模型的輸入。具體地，采用連續小波變換對近紅外光譜進行特征提取，利用連續小波變換充分提取近紅外光譜時域和頻域的特征信息并生成相應的小波系數，該小波系數能夠展現更為豐富的不同分辨率的光譜信息，進而基于該信息來生成二維頻譜圖，該二維頻譜圖中能夠充分反映一維近紅外光譜中包含的有用信息，意圖提供更豐富的光譜特征表示，在此基礎上再將二維頻譜圖輸入至與目標物質對應的物質含量預測模型(對深度學習模型進行訓練得到)中，便可有效預測得到待測樣本中包含目標物質的含量，提高了目標物質含量的預測精度，解決了現有技術中由于一維近紅外光譜的數據源僅限于基團振動的泛音和組合而不足以準確預測目標物質含量的技術問題。
本文檔來自技高網...【技術保護點】
1.一種基于近紅外光譜的物質含量預測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于近紅外光譜的物質含量預測方法，其特征在于，采用直接數字映射法或偽彩色映射法將提取到的不同尺度、不同波數下的小波系數映射為二維頻譜圖；
3.根據權利要求2所述的基于近紅外光譜的物質含量預測方法，其特征在于，確定像素值時，采用Gray顏色映射法或者Jet顏色映射法將小波系數進行映射。
4.根據權利要求1所述的基于近紅外光譜的物質含量預測方法，其特征在于，連續小波變換中使用的小波函數為非正交小波函數。
5.根據權利要求4所述的基于近紅外光譜的物質含量預測方法，其特征在于，所述非正交小波函數為復小波函數。
6.根據權利要求5所述的基于近紅外光譜的物質含量預測方法，其特征在于，所述復小波函數為Cmor小波函數。
7.根據權利要求6所述的基于近紅外光譜的物質含量預測方法，其特征在于，Cmor小波函數的帶寬和頻率中心采用如下方式確定：確定不同帶寬和頻率中心所對應的小波系數的絕對值，從中選出最大的小波系數絕對值，選出的值對應的帶
8.根據權利要求1～7任一項所述的基于近紅外光譜的物質含量預測方法，其特征在于，不同尺度包括S0、S1、……Sj……、SJ，j＝0,1,…,J，S0表示可分辨的最小尺度，SJ表示最大尺度，δj表示尺度分辨率，δt表示波長間隔，N表示波數。
9.根據權利要求1所述的基于近紅外光譜的物質含量預測方法，其特征在于，所述深度學習模型為卷積神經網絡模型。
10.根據權利要求9所述的基于近紅外光譜的物質含量預測方法，其特征在于，所述卷積神經網絡模型為EfficientNetV2。
11.根據權利要求1所述的基于近紅外光譜的物質含量預測方法，其特征在于，數據集中包含的二維頻譜圖為經過SG平滑處理后的二維頻譜圖。
12.一種計算機設備，包括處理器，其特征在于，處理器執行計算機程序以實現權利要求1～11任一項所述方法的步驟。
...【技術特征摘要】
1.一種基于近紅外光譜的物質含量預測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于近紅外光譜的物質含量預測方法，其特征在于，采用直接數字映射法或偽彩色映射法將提取到的不同尺度、不同波數下的小波系數映射為二維頻譜圖；
3.根據權利要求2所述的基于近紅外光譜的物質含量預測方法，其特征在于，確定像素值時，采用gray顏色映射法或者jet顏色映射法將小波系數進行映射。
4.根據權利要求1所述的基于近紅外光譜的物質含量預測方法，其特征在于，連續小波變換中使用的小波函數為非正交小波函數。
5.根據權利要求4所述的基于近紅外光譜的物質含量預測方法，其特征在于，所述非正交小波函數為復小波函數。
6.根據權利要求5所述的基于近紅外光譜的物質含量預測方法，其特征在于，所述復小波函數為cmor小波函數。
7.根據權利要求6所述的基于近紅外光譜的物質含量預測方法，其特征在于，cmor小波函數的帶寬和頻率中心采用如下方式確定：確定不同帶寬和頻...
【專利技術屬性】
技術研發人員：王迪，劉昕怡，王銳，馮偉華，宗國浩，王永勝，鄭超群，崔臣浩，趙樂，郭軍偉，王聰，楊松，
申請(專利權)人：中國煙草總公司鄭州煙草研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。