【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...
【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，
...【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。