[發明專利]一種提高激光誘導擊穿光譜分類準確性的數據處理方法

有效

• 申請號: 202110198116.0
• 申請日: 2021-02-22
• 公開（公告）號: CN112782151B
• 公開（公告）日: 2023-01-13
• 發明（設計）人: 曾慶棟;李文鑫;陳光輝;李孜濤;袁夢甜;余華清;王波云;劉洋;鄔小林;吳玲
• 申請（專利權）人: 湖北工程學院
• 主分類號: G01N21/71
• 分類號: G01N21/71
• 代理公司: 武漢宇晨專利事務所(普通合伙) 42001
• 代理人: 李鵬;王敏鋒

本發明公開了一種提高激光誘導擊穿光譜分類準確性的數據處理方法，對樣品進行采集獲得光譜數據；列出元素的特征譜線；獲得各個元素的特征譜線的相對強度之比；生成每個樣品對應的多個譜線組合，生成訓練集和測試集；對SVM分類模型進行訓練，記錄訓練集中各個的譜線組合對應的SVM識別精度；選取其中SVM識別精度最高所對應的譜線組合。本發明適應性更廣，可以推廣到不同類別的樣品上；最大程度避免了人工選擇特征譜線的光譜強度做分類模型的變量時，輸入的有用信息不足或是輸入了多余的干擾信息導致的模型精度較低，建模時間較長等問題。

技術領域

本發明屬于激光誘導擊穿光譜(Laser-Induced Breakdown Spectroscopy,LIBS)技術領域，具體涉及一種提高激光誘導擊穿光譜分類準確性的數據處理方法。適用于物質進行分類識別可推廣到其他物質成分如塑料，巖礦，中藥材的分類模型中輸入向量的優化等等。

背景技術

目前，激光誘導擊穿光譜技術作為一種新的，快速的，便利的物質成分分析技術，在越來越多的工業領域中被證明具有巨大的應用潛力。但其技術本身還有不少缺點需要攻克，由于該技術是采集樣品受激光激發產生的等離子體光譜，對采集光譜進行分析來判別物質成分和含量的，因此易受環境等外界因素的干擾。LIBS技術的重復性和穩定性偏低，在對微量元素的分析靈敏度、精確度和準確度上還有待提高。機器學習算法可以對數據進行優化處理，是在硬件性能無太大改善情況下的一種精度優化手段。近年來，將LIBS技術與機器學習算法相結合建立對物質分類的模型的研究越來越多。支持向量機(support vectormachine，SVM)是在統計學理論基礎上發展起來的一種新的機器學習算法，是一種二分類模型，可用于建立對物質進行分類識別的模型。

將LIBS與SVM相結合建立的分類模型中，最常見的輸入向量為樣品的特征譜線的光譜強度。由于激光能量的波動、樣品的不均勻性和激光與物質相互作用過程的復雜性，采集的光譜譜峰重疊嚴重，易導致單一元素的特征譜線的光譜強度穩定性較差。因此難以用單一元素的特征譜線特征譜線的光譜強度作為SVM的特征參數來建立定量分析模型去準確識別物質種類以及成分含量，而采用多元素的多條譜線信息輸入分類模型時，多種譜線信息有效校正了基體效應的影響，使得模型訓練效果較好。而現有技術在選擇輸入向量時，一般采取人工選擇譜線的方法。

LIBS結合算法的分類模型，常常以特征譜線強度為輸入向量。而LIBS探測得到的光譜所包含的變量很多。如一臺光譜儀的波段范圍為200nm-800nm，這段波段內有幾千上萬條譜峰，除可供于分類的有用信息以外，還包含很多如背景噪聲，被基體元素影響導致失真的譜線信息等無用信息。因此人工測試的測試結果有可能出現誤判，測試覆蓋度有限以及人力成本有限都是測試技術所面臨的瓶頸。

上述分類模型中輸入向量的選取是人工選擇譜線，選擇譜線的原則是以美國國家標準與技術研究院(National Institute of Standards and Technology，NIST)的光譜數據庫為依據，挑選譜線強度較高、波形完整、自吸收現象較弱和其他元素干擾較少的特征譜線的光譜強度作為分類模型的輸入量。

現有的做法與操作者的經驗有很大關系，且無法保證準確度，不夠客觀。上述現有技術的缺點：1.人工選擇的譜線可能會丟失必要的信息，使得建立的模型識別效果較差；2.若選擇了多余譜線信息可能導致建模時間過長。

發明內容

本發明所要解決的技術問題是克服現有技術的缺陷，提供一種提高激光誘導擊穿光譜分類準確性的數據處理方法，解決了現有的選擇特征譜線的光譜強度做輸入向量的方法經驗要求較高，隨機性較大的問題。

為了解決上述技術問題，本發明所采用的技術方案是：

一種提高激光誘導擊穿光譜分類準確性的數據處理方法，包括以下步驟：

步驟1、對樣品進行采集獲得光譜數據；

步驟2、根據光譜數據列出元素的特征譜線；