[發(fā)明專利]基于CNN模型的待測(cè)元素含量LIBS測(cè)量方法、系統(tǒng)有效
| 申請(qǐng)?zhí)枺?/td> | 202010710932.0 | 申請(qǐng)日: | 2020-07-22 |
| 公開(公告)號(hào): | CN112051256B | 公開(公告)日: | 2023-01-24 |
| 發(fā)明(設(shè)計(jì))人: | 朱振利;邢鵬舉 | 申請(qǐng)(專利權(quán))人: | 中國地質(zhì)大學(xué)(武漢) |
| 主分類號(hào): | G01N21/71 | 分類號(hào): | G01N21/71;G06N3/04;G06N3/08 |
| 代理公司: | 北京瀚仁知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11482 | 代理人: | 宋寶庫;郭婷 |
| 地址: | 430074 湖*** | 國省代碼: | 湖北;42 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 基于 cnn 模型 元素 含量 libs 測(cè)量方法 系統(tǒng) | ||
本發(fā)明提供了一種基于CNN模型的待測(cè)元素含量LIBS測(cè)量方法、系統(tǒng)。其中,該方法包括:根據(jù)采集配置的模擬溶液的液體樣本的LIBS光譜,對(duì)預(yù)先設(shè)置的CNN光譜模型進(jìn)行訓(xùn)練,以確定定量分析用的訓(xùn)練好的CNN光譜模型;獲取實(shí)際溶液的液體樣本作為待測(cè)樣本,采集待測(cè)樣本的LIBS光譜,利用訓(xùn)練好的CNN光譜模型對(duì)所述待測(cè)樣本中的待測(cè)元素的含量進(jìn)行預(yù)測(cè),輸出所述元素的含量的預(yù)測(cè)結(jié)果作為測(cè)量結(jié)果;每個(gè)所述液體樣本的LIBS光譜,是基于待測(cè)元素的兩個(gè)或多個(gè)光譜特征峰進(jìn)行采集。其基于LIBS儀器簡(jiǎn)單、無需復(fù)雜樣品前處理,不受樣品狀態(tài)、復(fù)雜基體效應(yīng)等影響和干擾,且CNN模型非線性回歸擬合分析能力結(jié)合多特征峰采集和輸入,簡(jiǎn)單高效實(shí)現(xiàn)復(fù)雜溶液現(xiàn)場(chǎng)勘探開采的元素檢測(cè)。
技術(shù)領(lǐng)域
本發(fā)明涉及現(xiàn)場(chǎng)溶液中金屬元素含量的檢測(cè)技術(shù)領(lǐng)域,具體涉及一種溶液中待測(cè)元素含量的LIBS測(cè)量方法、系統(tǒng)以及裝置。
背景技術(shù)
隨著科技發(fā)展,人們對(duì)資源勘探、環(huán)境生態(tài)建設(shè)、污染修復(fù)等方面的關(guān)注度逐漸提升,因而對(duì)液體樣品中的各種元素進(jìn)行現(xiàn)場(chǎng)實(shí)時(shí)的定量分析十分重要。但在現(xiàn)場(chǎng)分析時(shí),存在檢測(cè)環(huán)境情況復(fù)雜、元素?fù)碛卸喾N存在形式、待測(cè)元素受到基體效應(yīng)影響等問題,分析和確定元素含量等定量檢測(cè)工作復(fù)雜、難度大。
在分析化學(xué)領(lǐng)域,發(fā)射光譜分析技術(shù)對(duì)元素檢測(cè)是很有效的。而激光誘導(dǎo)擊穿光譜(Laser induced breakdown spectroscopy)LIBS,可以通過超短脈沖激光聚焦樣品表面形成等離子體,利用光譜儀對(duì)等離子體發(fā)射光譜進(jìn)行分析,以此來識(shí)別樣品中的元素組成成分,進(jìn)行材料的識(shí)別、分類、定性以及定量分析。LIBS具有儀器裝置簡(jiǎn)單、檢測(cè)速度快、遠(yuǎn)程非接觸、對(duì)樣品損耗小、無需載氣等物質(zhì)輔助形成等離子體、無需復(fù)雜的樣品前處理、分析過程不受樣品存在狀態(tài)影響等優(yōu)點(diǎn),尤其是其能實(shí)現(xiàn)氣體直接光譜分析;以及,大體積液體樣品直接分析、或者借助微滴發(fā)生、霧化等手段轉(zhuǎn)化為微滴或液體層流實(shí)現(xiàn)液體中的微量元素定量分析等等。因而,其有望用到鹽湖這類現(xiàn)場(chǎng)復(fù)雜環(huán)境的元素檢測(cè)定量分析中。但現(xiàn)有的LIBS需要滿足高功率要求而采用超短脈沖激光誘導(dǎo)產(chǎn)生激光誘導(dǎo)等離子體,其為在時(shí)間和空間上分布不均勻的瞬態(tài)等離子體;LIBS儀器存在穩(wěn)定性差、重現(xiàn)性差等缺陷;激光-物質(zhì)作用過程復(fù)雜,檢測(cè)/測(cè)試過程中極易受到激光參數(shù)、靶材物性參數(shù)、剝蝕環(huán)境等因素的影響;還有復(fù)雜的光譜干擾、非光譜干擾等因素影響;加上實(shí)際分析過程中,面對(duì)的是有著不同的化學(xué)組成的樣品,當(dāng)使用簡(jiǎn)單的外標(biāo)法檢測(cè)分析時(shí),由于強(qiáng)烈的基體效應(yīng),往往導(dǎo)致檢測(cè)濃度與實(shí)際濃度之間存在較大的偏差,結(jié)果并不可信,采用常規(guī)方法難以進(jìn)行定量分析。
因而,需要提供改進(jìn)的LIBS測(cè)量方案,對(duì)復(fù)雜環(huán)境下現(xiàn)場(chǎng)溶液中待測(cè)元素含量進(jìn)行現(xiàn)場(chǎng)定量分析預(yù)測(cè)而實(shí)現(xiàn)該元素含量簡(jiǎn)單、高效的檢測(cè)。
發(fā)明內(nèi)容
為了克服上述缺陷,提出了本發(fā)明,以提供解決或至少部分地解決如何基于機(jī)器學(xué)習(xí)輔助定量分析以在復(fù)雜的溶液環(huán)境中對(duì)待測(cè)元素的含量進(jìn)行簡(jiǎn)單、高效的LIBS測(cè)量/預(yù)測(cè)的技術(shù)問題。本發(fā)明為解決上述技術(shù)問題,提供了一種基于CNN模型的待測(cè)元素含量LIBS測(cè)量方法、系統(tǒng)以及裝置。
第一方面,提供一種基于CNN模型的待測(cè)元素含量LIBS測(cè)量方法,包括:根據(jù)采集配置的模擬溶液的液體樣本的LIBS光譜,對(duì)預(yù)先設(shè)置的CNN光譜模型進(jìn)行訓(xùn)練,以確定定量分析用的訓(xùn)練好的CNN光譜模型;獲取實(shí)際溶液的液體樣本作為待測(cè)樣本,采集待測(cè)樣本的LIBS光譜,利用訓(xùn)練好的CNN光譜模型對(duì)所述待測(cè)樣本中的待測(cè)元素的含量進(jìn)行預(yù)測(cè),輸出所述元素的含量的預(yù)測(cè)結(jié)果作為測(cè)量結(jié)果;其中,每個(gè)所述液體樣本的LIBS光譜,是基于待測(cè)元素的兩個(gè)或多個(gè)光譜特征峰進(jìn)行采集。
其中,配置的模擬溶液的液體樣本,具體包括:按照基體元素含量梯度配置的“梯度配比溶液”的液體樣本和/或按照實(shí)際各種鹽湖中所含鋰元素和主要基體元素含量配置的“真實(shí)配比溶液”的液體樣本,作為標(biāo)準(zhǔn)樣本。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于中國地質(zhì)大學(xué)(武漢),未經(jīng)中國地質(zhì)大學(xué)(武漢)許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請(qǐng)聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202010710932.0/2.html,轉(zhuǎn)載請(qǐng)聲明來源鉆瓜專利網(wǎng)。
- 同類專利
- 專利分類
G01N 借助于測(cè)定材料的化學(xué)或物理性質(zhì)來測(cè)試或分析材料
G01N21-00 利用光學(xué)手段,即利用紅外光、可見光或紫外光來測(cè)試或分析材料
G01N21-01 .便于進(jìn)行光學(xué)測(cè)試的裝置或儀器
G01N21-17 .入射光根據(jù)所測(cè)試的材料性質(zhì)而改變的系統(tǒng)
G01N21-62 .所測(cè)試的材料在其中被激發(fā),因之引起材料發(fā)光或入射光的波長(zhǎng)發(fā)生變化的系統(tǒng)
G01N21-75 .材料在其中經(jīng)受化學(xué)反應(yīng)的系統(tǒng),測(cè)試反應(yīng)的進(jìn)行或結(jié)果
G01N21-84 .專用于特殊應(yīng)用的系統(tǒng)
- 圖像語義標(biāo)注的設(shè)備和方法及其模型的生成方法和系統(tǒng)
- 使用卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像處理
- 為數(shù)據(jù)庫確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的裝置和方法
- 確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的裝置和方法
- 采用嵌入式系統(tǒng)中的小規(guī)模卷積神經(jīng)網(wǎng)絡(luò)模塊的人臉檢測(cè)
- 針對(duì)深度通道和卷積神經(jīng)網(wǎng)絡(luò)圖像和格式使用相機(jī)設(shè)備的方法和系統(tǒng)
- 處理卷積神經(jīng)網(wǎng)絡(luò)的方法
- CNN加速器和電子設(shè)備
- 一種基于混合神經(jīng)網(wǎng)絡(luò)的腦電時(shí)空特征學(xué)習(xí)與情感分類方法
- 一種基于FPGA的深度學(xué)習(xí)加速方法





