基于近红外光谱显著性分析检测样品理化性质的方法技术

本发明专利技术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。

【技术实现步骤摘要】
基于近红外光谱显著性分析检测样品理化性质的方法
本专利技术涉及光谱信息分析
，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。
技术介绍
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。
技术实现思路
鉴于上述问题，本专利技术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，本专利技术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(SpectralRegression，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，本专利技术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(SpectralRegression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，本专利技术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。第四方面，本专利技术实施例提供一种检测模型的生成装置，所述装置包括：接收模块，被配置为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；处理模块，被配置为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，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；生成模块，被配置为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。第五方面，本专利技术实施例提供一种电子设备，所述电子设备包括：至少一个处理器；以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述一个或多个技术方案中的方法。第六方面，本专利技术实施例提供一种计算机可读存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述一个或多个技术方案中的方法。本专利技术实施例提供的基于近红外光谱显著性分析检测样品理化性质的方法，在获得待测样品的原始近红外光谱数据集后，先对原始近红外光谱数据集中的波长数据进行显著性分析，去除原始近红外光谱数据集中的与待测样品不相关的波长数据，得到新近红外光谱数据集，再将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，得到待测样品的理化性质。相比于直接将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这种现有方法，在将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前，先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，得到新近红外光谱数据集，由于新近红外光谱数据集中不存在与待测样品不相关的波长数据，因此，新近红外光谱数据集能够更加真实的表征待测样品，再将新近红外光谱数据集输入检测模型中进行理化性质检测，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。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1为本专利技术实施例中的基于近红外光谱显著性分析检测样品理化性质的方法的流程示意图一；图2为本专利技术实施例中的基于近红外光谱显著性分析检测样品理化性质的方法的流程示意图二；图3为本专利技术实施例中的小麦的原始近红外光谱数据集；图4为本专利技术实施例中的小麦的新近红外光谱数据集；图5为本专利技术实施例中的基于近红外光谱显著性分析检测样品理化性质的装置的结构示意图；图6为本专利技术实施例中的检测模型的生成装置的结构示意图；图7为本专利技术实施例中的电子设备的结构示意图。具体实施方式下面将参照附图更详细地描述本专利技术的示例性实施例。虽然附图中显示了本专利技术的示例性实施例，然而应当理解，可以以各种形式实现本专利技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本专利技术，并且能够将本专利技术的范围完整的传达给本领域的技术人员。本专利技术实施例提供了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，图1为本专利技术实施例中的基于近红外光谱显著性分析检测样品理化性质的方法的流程示意图一，参见图1所示，该方法可以包括：S101：获得待测样品的原始近红外光谱数据集。其中，待测样品的原始近红外光谱数据集中包括待测样品本身的波长数据和与待测样品不相关的波长数据。在这里，由于近红外光谱通常是由宽带、弱带、非特异带和重叠带组成的，因此，通过光谱本文档来自技高网...

【技术保护点】
1.一种基于近红外光谱显著性分析检测样品理化性质的方法，其特征在于，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。

【技术特征摘要】
1.一种基于近红外光谱显著性分析检测样品理化性质的方法，其特征在于，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。2.根据权利要求1所述的方法，其特征在于，所述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，包括：计算所述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，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，得到所述新近红外光谱数据集。3.根据权利要求2所述的方法，其特征在于，所述计算所述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，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，得到所述新近红外光谱数据集，包括：计算第N-1近红外光谱数据集中的每个波长数据的选择比率得分值，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，得到第N近红外光谱数据集，所述N为大于或等于1的正整数，当所述N为1时，所述第N-1近红外光谱数据集为所述原始近红外光谱数据集；对N个近红外光谱数据集进行交叉验证，从所述N个近红外光谱数据集中选择交叉验证均方根误差最小的近红外光谱数据集作为所述新近红外光谱数据集，所述N个近红外光谱数据集是从第1近红外光谱数据集至所述第N近红外光谱数据集的近红外光谱数据集。4.根据权利要求3所述的方法，其特征在于，所述计算第N-1近红外光谱数据集中的每个波长数据的选择比率得分值，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，得到第N近红外光谱数据集前，所述方法还包括：按照预设比例，采集所述第N-1近红外光谱数据集中的波长数据，得到第N-1近红外光谱数据子集；所述计算第N-1近红外光谱数据集中的每个波长数据的选择比率得分值，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，得到第N近红外光谱数据集，包括：计算所述第N-1近红外光谱数据子集中的每个波长数据的选择比率得分值，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，得到第N近红外光谱数据集。5.根据权利要求4所述的方法，其特征在于，所述计算所述第N-1近红外光谱数据子集中的每个波长数据的选择比率得分值，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，得到第N近红外光谱数据集，包括：计算所述第N-1近红外光谱数据子集中的每个波长数据的选择比率得分值，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，得到删除波长数据后的第N-1近红外光谱数据子集；计算删除波长数据后的第N-1近红外光谱数据子集中的每个波长数据的权重，并删除权重小于预设权重的波长数据，得到所述第N近红外光谱数据集。6.根据权利要求1至5中任一项所述的方法，其特征在于，所述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前，所述方法还包括：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...

【专利技术属性】
技术研发人员：贾振红，王玉喜，
申请(专利权)人：新疆大学，
类型：发明
国别省市：新疆,65