[发明专利]物质成分含量的近红外光谱无损检测方法及装置

说明书

技术领域

本发明涉及近红外光谱分析技术，尤其涉及一种物质成分含量的近红外光谱无损检测方法及装置。

背景技术

近红外光谱检测技术具有无损伤、无污染、实时快速测定物质成分浓度(或者性质参数)的特点，因此被广泛应用于农业、生物医学、化工等领域。虽然近红外光谱能携带丰富的物质分子结构信息，且容易获取和被处理，可用来分析绝大多数种类的化合物及其混合物的成份浓度(或者性质参数)，但是，近红外光谱信息强度比中红外谱区低、谱峰宽，样品近红外光谱的有效信息率低。对复杂样品进行近红外光谱分析即是要从复杂、重叠、变动的光谱中提取微弱信息。而随着高性能光谱仪器及基础测试技术的不断完善，基于化学计量学的近红外光谱微弱信息提取方法研究，则成为了近红外光谱无损检测物质成分浓度(或者性质参数)的关键点之一，它决定着近红外光谱检测技术的最终应用与前景。

多元校正是一种重要的化学计量学方法，多元校正是近红外光谱检测技术中的一个关键步骤，用于建立在已知物质成分浓度(或性质参数)与光谱之间的关联关系，利用该关系，可用于后续预测未知样品的物质成分浓度(或性质参数)，高精度多元校正模型的建立可使得物质成分含量的近红外光谱无损检测的结果更精确。

多元校正方法可分为线性和非线性两大类。线性校正方法如多元线性回归、主成分回归、偏最小二乘回归等，其理论性质易于讨论，常常能比较好的解决问题。然而，随着人们对事物认识能力的提高，对于复杂样品，多组分混合物分析体系中各组分的相互作用、仪器的基线漂移等，致使吸收光谱偏离朗伯-比耳定律，呈现非线性的特质，为了建立预测准确性好和稳健性强的近红外光谱分析多元校正模型，非线性建模方法的研究越来越引起人们的关注。目前常见的非线性校正方法有非线性偏最小二乘法、人工神经网络等。基于样条变换、多项式拟合等的非线性偏最小二乘法，选择恰当的参数能很好的拟合非线性关系，但是仍然不能解决模型的复杂性问题；人工神经网络是一种智能的非线性多元校正方法，具有很强的非线性建模能力，但也存在一些局限性，如模型和参数选择复杂、训练速度慢、容易陷入极小点、过拟合等等。

另外，校正集样本是建立多元校正模型的基础，多元校正即是根据已知的一定数量的校正集样本的光谱和标准方法测得的该校正集样本的物质成分浓度(或性质参数)建立关联关系。由于样本化学组成复杂，且样本信息包含在相似性很强的高维光谱中，校正集样本的合理筛选对提高模型预测精度至关重要。通常要求校正集样本应具有范围宽、分布均匀、精度高、典型性的特点，选择特征信息丰富、尽量少干扰的足够数量的校正集样本是模型准确的前提，决定了模型的适应性和可靠性。

目前常用的校正集样本优选方法有：随机法；基于同类就近选择样本的光谱欧氏距离算法；根据样本光谱之间距离差异进行样本挑选的算法，如Kennard-Stone法等。随机法选取样本完全是随意的，没有任何规律，或者仅遵循简单的规则，通过该方法每次组成校正集的样本可能差异很大，不能保证所选样本代表性及模型的外推能力。同类就近选择样本的建模方法只能降低非线性的校正误差，无法发现除去光谱特征异常样本干扰，往往不够可靠和精确。Kennard-Stone法的优点是能保证训练库中样本按照空间距离分布均匀，但是需要进行数据转换和计算样本两两空间距离，计算量大。

综上所述，利用常用的非线性多元校正方法和校正集样本优选方法的近红外光谱检测技术，均存在模型复杂、计算量大的问题，以及还存在物质成分含量近红外光谱无损检测中校正模型的训练速度慢、不易于硬件实现等缺陷；且采用现有非线性校正模型不适用于小样本建模、容易产生过拟合，影响了物质成分含量近红外光谱无损检测结果的精度。另外，因离线训练的校正模型复杂，通常的物质成分含量的近红外光谱无损检测装置硬件中写入的校正模型固定，这对于成分特别复杂的被测对象的物质成分含量的检测的适用性不佳。

发明内容

有鉴于此，本发明的主要目的在于提供一种简单、快速、高效的物质成分含量的近红外光谱无损检测方法及装置，本发明提供的方法简洁，便于近红外光谱无损检测技术中的硬件实现，根据被测对象情况调节模型及其参数，能提高物质成分含量检测结果的精度和适用性。

本发明的另一个目的在于提供一种校正集样本优选方法，通过基于自模型混合物分析的技术，消除含重复信息或无用信息的样本，从而解决样本间共线性的技术问题，从而选出少数的具有代表性样本，用于建立多元校正模型，可达到简化训练过程、提高建模速度、降低模型复杂性以便于近红外光谱无损检测过程中的硬件实现和提高物质成分含量近红外无损检测结果的精度的技术效果。