本發(fā)明屬于分析檢測領域，具體涉及一種透過包裝袋對產(chǎn)品進行近紅外檢測的修正系統(tǒng)及檢測的方法。

背景技術：

近紅外光譜是介于可見光和中紅外之間的電磁輻射波，美國材料檢測協(xié)會將近紅外光譜區(qū)定義為780～2526nm的區(qū)域，是人們在吸收光譜中發(fā)現(xiàn)的第一個非可見光區(qū)。近紅外廣譜區(qū)與有機分子中含氫基團(O-H、N-H、C-H)振動的合頻和各級倍頻的吸收區(qū)一致，通過掃描樣品的近紅外光譜，可以得到樣品中有機分子含氫基團的特征信息，而且利用近紅外光譜技術分析樣品具有方便、快速、高效、準確、成本較低、不破壞樣品、不消耗化學試劑、不污染環(huán)境的優(yōu)點。

近紅外光譜含有大量的物質信息，由于其有快速、無損的特點，使得近紅外光譜在醫(yī)藥、食品、煙草等領域，特別是在煙葉的打葉復烤領域得到廣泛的應用。原料或產(chǎn)品的質量是成品質量穩(wěn)定的重要基石，準確快速方便的采集原料的質量對于大規(guī)模工業(yè)化生產(chǎn)中控制原料的質量至關重要。在這些行業(yè)中所使用的原料產(chǎn)品一般采用麻袋或其他包裝袋盛裝原料或產(chǎn)品，在大規(guī)模原料的檢測中，一般對一袋袋原料或產(chǎn)品進行抽樣，并采用實驗室光譜儀進行檢測，但是該方式有滯后、由于需要打開包裝袋而導致的速度慢和樣本量少不具有代表性的缺點，弱化了在進行生產(chǎn)之前對原料產(chǎn)品的質量進行檢測、統(tǒng)計、調配和控制的實際效用。

由于在實際的大規(guī)模原料的檢測中，包裝袋的規(guī)格相對比較統(tǒng)一，其材質和縫隙也相對規(guī)整，使得近紅外光譜可以穿透包裝袋縫隙檢測得到包裝袋內煙產(chǎn)品的物理和化學信息。如煙草行業(yè)中常用的用于盛裝原煙煙葉的的包裝袋為麻包。如果能夠在不用除去包裝袋而在包裝袋外對產(chǎn)品進行精準的近紅外檢測現(xiàn)有技術中并沒有提供檢測方法。

技術實現(xiàn)要素：

針對現(xiàn)有技術存在的不足，本發(fā)明提供一種透過包裝袋對產(chǎn)品進行在線近紅外檢測的修正系統(tǒng)及檢測的方法，以克服現(xiàn)有技術中由于樣品規(guī)格的差異和外界環(huán)境的噪音引起在線近紅外測試結果的誤差的缺陷。

為解決上述問題及其他問題，本發(fā)明是通過包括如下的技術方案實現(xiàn)的：

一種透過包裝袋對產(chǎn)品進行在線近紅外檢測的修正系統(tǒng)，所述修正系統(tǒng)包括：

目標檢測成分含量修正模型建模單元，用于基于建模樣品建立目標檢測成分含量修正模型；

目標檢測成分修正單元，與目標檢測成分含量修正模型建模單元連接，用于基于目標檢測成分含量修正模型計算待測樣品的目標檢測成分含量；

其中，所述目標檢測成分含量修正模型為：

Y_預測＝A_預測BQ，

其中，

Y_預測為經(jīng)過修正后獲得的透過包裝袋檢測的待測產(chǎn)品的目標檢測成分含量，即為在線近紅外檢測儀上顯示的待測產(chǎn)品的目標檢測成分含量；

A_預測為待測樣品經(jīng)在線近紅外儀透過包裝袋測試獲得的近紅外光譜的得分矩陣；

Q為n個建模樣品經(jīng)實驗室近紅外分析儀測試獲得的目標檢測成分含量組成的濃度矩陣Y的載荷矩陣；

B＝(A^TA)^-1A^TY，其中A為n個建模樣品經(jīng)在線近紅外透過包裝袋測試獲得的近紅外光譜數(shù)據(jù)組成的矩陣X的得分矩陣，Y為n個建模樣品經(jīng)實驗室近紅外分析儀測試獲得的目標檢測成分含量組成的濃度矩陣。

優(yōu)選地，所述修正系統(tǒng)還包括：

建模樣品篩選單元，與目標檢測成分含量修正模型建模單元連接，用于對建模樣品進行篩選。

優(yōu)選地，所述建模樣品篩選單元包括：

經(jīng)在線近紅外透過包裝袋測試獲得的近紅外光譜數(shù)據(jù)異常的建模樣品剔除子單元，用于剔除近紅外光譜數(shù)據(jù)異常的建模樣品，異常的建模樣品是指建模樣品向量長度大于設定值a，建模樣品向量長度采用下列公式計算：

$L_i=\sqrt{\underset{k=1}{\overset{m}{\Σ}}\left(\frac{x_k\left(i\right)-\stackrel{\‾}{x_k}}{s_k}\right)}$

每一個建模樣品對應的近紅外光譜中取m個波長點，

L_i：為第i個建模樣品的向量長度，

x_k(i)表示第i個建模樣品的近紅外光譜在第k個波長點處的數(shù)值，

為所有建模樣品的近紅外光譜在波長為第k個波點處的數(shù)值的均值，

s_k為所有建模樣品的近紅外光譜在波長為第k個波點處的數(shù)值的方差，

a≤0.15，k＝1，2，…，m。

優(yōu)選地，所述修正系統(tǒng)還包括：近紅外光譜預處理子單元，與目標檢測成分含量修正模型建模單元連接，用于對在線近紅外光譜測試獲得的建模樣品近紅外光譜數(shù)據(jù)進行降噪處理。

優(yōu)選地，所述降噪處理包括對近紅外光譜進行一階導數(shù)處理或/和對近紅外光譜進行散射校正處理。

本發(fā)明還公開了一種透過包裝袋對產(chǎn)品進行在線近紅外檢測的方法，包括下列步驟：

利用建模樣品建立目標檢測成分含量修正模型，所述目標檢測成分含量修正模型為：

Y_預測＝A_預測BQ，

其中，

Y_預測為經(jīng)過修正后獲得的透過包裝袋檢測的待測產(chǎn)品的目標檢測成分含量，即為在線近紅外檢測儀上顯示的待測產(chǎn)品的目標檢測成分含量；

A_預測為待測樣品經(jīng)在線近紅外儀透過包裝袋測試獲得的近紅外光譜的得分矩陣；

Q為n個建模樣品經(jīng)實驗室近紅外分析儀測試獲得的目標檢測成分含量組成的濃度矩陣Y的載荷矩陣；

B＝(A^TA)^-1A^TY，其中A為n個建模樣品經(jīng)在線近紅外透過包裝袋測試獲得的近紅外光譜數(shù)據(jù)組成的矩陣X的得分矩陣，Y為n個建模樣品經(jīng)實驗室近紅外分析儀測試獲得的目標檢測成分含量組成的濃度矩陣；

獲得待測樣品的經(jīng)在線近紅外儀透過包裝袋測試獲得的近紅外光譜的得分矩陣，基于目標檢測成分含量修正模型計算待測樣品的目標檢測成分含量。

優(yōu)選地，在利用建模樣品建立目標檢測成分含量修正模型時還包括建模樣品篩選步驟。

優(yōu)選地，所述建模樣品篩選步驟包括：剔除近紅外光譜數(shù)據(jù)異常的建模樣品，異常的建模樣品是指建模樣品向量長度大于設定值a，建模樣品向量長度采用下列公式計算：

$L_i=\sqrt{\underset{k=1}{\overset{m}{\Σ}}\left(\frac{x_k\left(i\right)-\stackrel{\‾}{x_k}}{s_k}\right)}$

每一個建模樣品對應的近紅外光譜中取m個波長點，

L_i：為第i個建模樣品的向量長度，

x_k(i)表示第i個建模樣品的近紅外光譜在第k個波長點處的數(shù)值，

為所有建模樣品的近紅外光譜在波長為第k個波點處的數(shù)值的均值，

s_k為所有建模樣品的近紅外光譜在波長為第k個波點處的數(shù)值的方差，

a≤0.15，k＝1，2，…，m。

更優(yōu)選地，為了保證取樣獲取的樣品均不是異常樣品，可以多次重復上述步驟以盡可能多的剔除異樣樣品。

優(yōu)選地，所述方法還包括在建立目標檢測成分含量修正模型前，對在線近紅外光譜測試獲得的建模樣品近紅外光譜數(shù)據(jù)進行降噪處理的步驟。

優(yōu)選地，所述降噪處理包括對近紅外光譜進行一階導數(shù)處理或/和對近紅外光譜進行散射校正處理。

在實際建模過程中，對很多樣品的全部近紅外光譜數(shù)據(jù)進行建模并分析處理是龐大的數(shù)據(jù)處理工程，增加了勞動強度，但是并沒有必要。實際操作中多采用可以達到一定分辨率的點值進行建模。即將所述近紅外光譜數(shù)據(jù)按照橫坐標波長的長度平均劃分為m個點值，則每個樣品均對應m個透過率值，即每個樣品均為m維空間向量。如若建模樣品有i個，則i個建模樣品在這些波長處的透過率值會形成由i行m列的矩陣，本發(fā)明中的修正模型在建立過程中是對這i行m列的矩陣進行處理和并結合實驗室近紅外測試獲得的建模樣品的目標檢測成分的含量進行偏最小二乘法回歸建模，以最終獲得建模樣品在線近紅外光譜數(shù)據(jù)與目標檢測成分的含量之間的關系模型，并將這種模型用于修正在線近紅外光譜儀，以獲得準確的待測樣品的目標檢測成分的含量。

優(yōu)選地，本發(fā)明中所述近紅外光譜數(shù)據(jù)為產(chǎn)品在780～2526cm^-1波數(shù)上的透過率。

本發(fā)明中上述方法在紡織、煙草、造紙、食品領域中用在線近紅外透過包裝袋對產(chǎn)品進行連續(xù)測試獲取目標測試成分含量時均可以使用。

本發(fā)明中所述的在線近紅外儀為可用于在線產(chǎn)品連續(xù)、便攜測試的所有近紅外儀器，如便攜式近紅外等。

本發(fā)明技術方案是對采用在線近紅外儀器進行大規(guī)模產(chǎn)品快速檢測時，由于隔著包裝袋檢測會引起測試誤差這一技術問題而提出的，其通過提供一個修正系統(tǒng)，修正這一誤差，從而保證最終經(jīng)由在線近紅外分析儀輸出的待測樣品的目標檢測成分含量不被產(chǎn)品包裝引起的差異所影響，最大可能的接近待測產(chǎn)品的目標檢測成分含量的真實值。其特別適合于大規(guī)模含包裝袋產(chǎn)品的在線連續(xù)檢測，不僅解決了頻繁去除包裝袋取樣致使操作麻煩的問題，而且降低工人的勞動強度。

附圖說明

圖1為采用在線近紅外光譜儀獲得的不透過麻包直接測試獲得的樣品的原始近紅外光譜圖。

圖2為采用在線近紅外光譜儀獲得的透過麻包測試獲得的樣品的原始近紅外光譜圖。

圖3為采用在線近紅外光譜儀獲得的不透過麻包和透過麻包測試獲得的樣品的二維分布圖。

圖4為不透過麻包時，采用本發(fā)明中目標檢測成分修正系統(tǒng)獲得的待測樣品的目標檢測成分含量與由實驗室近紅外獲得的待測樣品的目標檢測成分含量的分布圖。

圖5為透過麻包時，采用本發(fā)明中目標檢測成分修正系統(tǒng)獲得的待測樣品的目標檢測成分含量與由實驗室近紅外獲得的待測樣品的目標檢測成分含量的分布圖。

圖6為本發(fā)明中透過包裝袋對產(chǎn)品進行在線近紅外檢測的修正系統(tǒng)的一個實施方式的示意圖。

圖7為圖6中透過包裝袋對產(chǎn)品進行在線近紅外檢測的修正系統(tǒng)執(zhí)行的測試待測產(chǎn)品的目標檢測成分含量的方法的流程圖。

圖8為本發(fā)明中透過包裝袋對產(chǎn)品進行在線近紅外檢測的修正系統(tǒng)的另一個實施方式的示意圖。

圖9為圖8中透過包裝袋對產(chǎn)品進行在線近紅外檢測的修正系統(tǒng)執(zhí)行的測試待測產(chǎn)品的目標檢測成分含量的方法的流程圖。

具體實施方式

下面借助具體實施例來描述本發(fā)明。在下面的描述中，闡述了許多具體細節(jié)以便使所屬技術領域的技術人員能夠更好地了解本發(fā)明。但是，對于所屬技術領域內的技術人員來說明顯的是，本發(fā)明的實現(xiàn)可不具有這些具體細節(jié)中的一些。此外，應當理解的是，本發(fā)明并不限于所介紹的特定實施例。相反，可以考慮用下面的特征的任意組合來實施本發(fā)明，而無論它們是否涉及不同的實施例。因此，下面的實施例和優(yōu)點僅作說明之用，而不應被看作是對權利要求的限定，除非在權利要求中明確提出。

如圖6所示，本實施例公開了一種透過包裝袋對產(chǎn)品進行在線近紅外檢測的修正系統(tǒng)100，所述修正系統(tǒng)包括：

目標檢測成分含量修正模型建模單元110，用于基于建模樣品建立目標檢測成分含量修正模型；

目標檢測成分修正單元120，與目標檢測成分含量修正模型建模單元連接，用于基于目標檢測成分含量修正模型計算待測樣品的目標檢測成分含量；

其中，所述目標檢測成分含量修正模型為：

Y_預測＝A_預測BQ，

其中，

Y_預測為經(jīng)過修正后獲得的透過包裝袋檢測的待測產(chǎn)品的目標檢測成分含量，即為在線近紅外檢測儀上顯示的待測產(chǎn)品的目標檢測成分含量；

A_預測為待測樣品經(jīng)在線近紅外儀透過包裝袋測試獲得的近紅外光譜的得分矩陣；

Q為n個建模樣品經(jīng)實驗室近紅外分析儀測試獲得的目標檢測成分含量組成的濃度矩陣Y的載荷矩陣；

B＝(A^TA)^-1A^TY，其中A為n個建模樣品經(jīng)在線近紅外透過包裝袋測試獲得的近紅外光譜數(shù)據(jù)組成的矩陣X的得分矩陣，Y為n個建模樣品經(jīng)實驗室近紅外分析儀測試獲得的目標檢測成分含量組成的濃度矩陣。

如圖8所示，在一個優(yōu)選的實施例中，所述修正系統(tǒng)還包括：

建模樣品篩選單元130，與目標檢測成分含量修正模型建模單元連接，用于對建模樣品進行篩選。

具體地，所述建模樣品篩選單元包括：

經(jīng)在線近紅外透過包裝袋測試獲得的近紅外光譜數(shù)據(jù)異常的建模樣品剔除子單元131，用于剔除近紅外光譜數(shù)據(jù)異常的建模樣品，異常的建模樣品是指建模樣品向量長度大于設定值a，建模樣品向量長度采用下列公式計算：

$L_i=\sqrt{\underset{k=1}{\overset{m}{\Σ}}\left(\frac{x_k\left(i\right)-\stackrel{\‾}{x_k}}{s_k}\right)}$

每一個建模樣品對應的近紅外光譜中取m個波長點，

L_i：為第i個建模樣品的向量長度，

x_k(i)表示第i個建模樣品的近紅外光譜在第k個波長點處的數(shù)值，

為所有建模樣品的近紅外光譜在波長為第k個波點處的數(shù)值的均值，

s_k為所有建模樣品的近紅外光譜在波長為第k個波點處的數(shù)值的方差，

a≤0.15，k＝1，2，…，m。

如圖8所示，在一個優(yōu)選的實施例中，所述修正系統(tǒng)還包括：近紅外光譜預處理子單元132，與目標檢測成分含量修正模型建模單元連接，用于對在線近紅外光譜測試獲得的建模樣品近紅外光譜數(shù)據(jù)進行降噪處理。

具體地，所述降噪處理包括對近紅外光譜進行一階導數(shù)處理或/和對近紅外光譜進行散射校正處理。

如圖7所示，本實施例還公開了在如圖6所示的修正系統(tǒng)對應的方法，即一種透過包裝袋對產(chǎn)品進行在線近紅外檢測的方法，包括下列步驟：

利用建模樣品建立目標檢測成分含量修正模型S110，所述目標檢測成分含量修正模型為：

Y_預測＝A_預測BQ，

其中，

Y_預測為經(jīng)過修正后獲得的透過包裝袋的待測產(chǎn)品的目標檢測成分含量，即為在線近紅外檢測儀上顯示的待測產(chǎn)品的目標檢測成分含量；

A_預測為待測樣品經(jīng)在線近紅外儀透過包裝袋測試獲得的近紅外光譜的得分矩陣；

Q為n個建模樣品經(jīng)實驗室近紅外分析儀測試獲得的目標檢測成分含量組成的濃度矩陣Y的載荷矩陣；

B＝(A^TA)^-1A^TY，其中A為n個建模樣品經(jīng)在線近紅外透過包裝袋測試獲得的近紅外光譜數(shù)據(jù)組成的矩陣X的得分矩陣，Y為n個建模樣品經(jīng)實驗室近紅外分析儀測試獲得的目標檢測成分含量組成的濃度矩陣；

獲得待測樣品的經(jīng)在線近紅外儀透過包裝袋測試獲得的近紅外光譜的得分矩陣，基于目標檢測成分含量修正模型計算待測樣品的目標檢測成分含量S120。

在一個更為具體的實施例中，具體獲取建模樣品并對進行建模樣品進行在線近紅外光譜測試的具體過程如下：

取150個煙葉樣品作為建模樣品，具體是由華環(huán)國際煙草有限公司提供的煙葉，包裝袋即為麻包。用卡爾蔡司的在線近紅外光譜儀透過包裝袋檢測獲得每個建模樣品的在線近紅外光譜。更為優(yōu)選地，也可以對每個建模樣品重復測試幾次，以幾次的平均光譜作為該建模樣品采用在線近紅外光譜透過包裝袋檢測獲得的在線近紅外光譜數(shù)據(jù)。

在實際的建模過程中，對很多個建模樣品的全部近紅外光譜數(shù)據(jù)進行建模并分析處理是龐大的數(shù)據(jù)工程，增加了勞動強度，但是也并沒有必要。在實際操作中可以選取近紅外光譜圖上可以達到一定分辨率的一定量的點值進行建模。將將所述近紅外光譜數(shù)據(jù)按照橫坐標波長的長度平均劃分為m個點值，則每個樣品均對應m個透過率值，即每個樣品均為m維空間向量。如若建模樣品有i個，則i個建模樣品在這些波長處的透過率值會形成由i行m列的矩陣，本發(fā)明中的修正模型在建立過程中是對這i行m列的矩陣進行處理和并結合實驗室近紅外測試獲得的建模樣品的目標檢測成分的含量進行偏最小二乘法回歸建模，以最終獲得建模樣品在線近紅外光譜數(shù)據(jù)與目標檢測成分的含量之間的關系模型，并將這種模型用于修正在線近紅外光譜儀，以獲得準確的待測樣品的目標檢測成分的含量。更為具體地，本實施例中m取為256，建模時，150個煙葉建模樣品的256個波長處對應的透光率值構成一個150行256列的數(shù)據(jù)。

如圖9所示，本實施例還公開了在如圖8所示的修正系統(tǒng)對應的方法，所述方法為在利用建模樣品建立目標檢測成分含量修正模型時還包括建模樣品篩選步驟S130。

具體地，所述建模樣品篩選步驟包括：剔除近紅外光譜數(shù)據(jù)異常的建模樣品S131，異常

的建模樣品是指建模樣品向量長度大于設定值a，建模樣品向量長度采用下列公式計算：

$L_i=\sqrt{\underset{k=1}{\overset{m}{\Σ}}\left(\frac{x_k\left(i\right)-\stackrel{\‾}{x_k}}{s_k}\right)}$

每一個建模樣品對應的近紅外光譜中取m個波長點，

L_i：為第i個建模樣品的向量長度，

x_k(i)表示第i個建模樣品的近紅外光譜在第k個波長點處的數(shù)值，

為所有建模樣品的近紅外光譜在波長為第k個波點處的數(shù)值的均值，

s_k為所有建模樣品的近紅外光譜在波長為第k個波點處的數(shù)值的方差，

a≤0.15，k＝1，2，…，m。所述a的數(shù)值可以根據(jù)產(chǎn)品特點、在建模時根據(jù)對產(chǎn)品的剔除需要進行設定，如可以為0.15,0.1,0.05。

更優(yōu)選地，為了保證取樣獲取的樣品均不是異常樣品，可以多次重復上述步驟以盡可能多的剔除異樣樣品。

在本發(fā)明一個更為具體的實施例中，a取為0.05。經(jīng)剔除12個異常建模樣品后，剩余138個建模樣品。

在一個更為優(yōu)選的實施例中，所述方法還包括在建立目標檢測成分含量修正模型前，對在線近紅外光譜測試獲得的建模樣品近紅外光譜數(shù)據(jù)進行降噪處理的步驟S132。更為具體地，所述降噪處理包括對近紅外光譜進行一階導數(shù)處理或/和對近紅外光譜進行散射校正處理。散射校正可以消除煙葉顆粒分布不均與及大小不同產(chǎn)生的散射影響，散射校對模型的精度提高很有限，但是可以降低模型的復雜度，散射校正的本質是一種線性的校正方法，散射校正主要是基于統(tǒng)計的方法來修正待處理的近紅外光譜數(shù)據(jù)由于散射所發(fā)生的線性變換。一階導數(shù)預處理可以消除基線的漂移，具有提高模型精度的作用，但是會增加模型的復雜度。本具體實施例中一階導數(shù)預處理為采用平滑點為13的SG求導方法，將移動窗口多項式擬合用于求導，利用導數(shù)取代窗口的中心點，窗口每次只移動一個數(shù)據(jù)點，直到光譜的256個數(shù)據(jù)點都得到求導。

經(jīng)上述剔除異常建模樣品并對近紅外光譜進行降噪預處理后的近紅外光譜數(shù)據(jù)與建模樣品實驗室近紅外測試獲得的目標檢測成分含量按照偏最小二乘回歸法構建模型S110。本實施例中目標待測成分為煙草中能夠用在線近紅外光譜儀測試獲得的尼古丁含量、鹽堿含量等。更為具體地，本實施例中為尼古丁含量。

在建模時，也可以采用KS隨機法進一步隨機選取構建模型時的建模樣品，本實施例中用KS隨機發(fā)在138個煙草樣品中選擇109個樣品進行偏最小二乘回歸建模，即將這109個煙葉樣品采用在線近紅外光譜儀透過包裝袋測試獲得的近紅外光譜數(shù)據(jù)上的256個數(shù)據(jù)組成的矩陣X和相對應的尼古丁含量的列矩陣Y進行偏最小二乘回歸構建模型。

更為具體地，偏最小二乘回歸法的算法如下：

$X={\mathrm{AP}}^T+E_X=\underset{k=1}{\overset{f}{\Σ}}{t}_k{p_k}^T+E_X;Y={\mathrm{UQ}}^T+E_Y=\underset{k=1}{\overset{f}{\Σ}}{u}_k{q_k}^T+E_Y$

式中，X為n個樣品采用在線近紅外光譜儀透過包裝袋測試獲得近紅外光譜數(shù)據(jù)上的256個數(shù)據(jù)組成的矩陣；本實施例中n為109個；

Y為n個樣品對應的實驗室近紅外光譜儀測試獲得的尼古丁含量組成的列矩陣，t_k(n×1)為X的第k個主因子的得分矩陣；p_k(1×m)為X矩陣的第k個主因子的載荷矩陣；其中n為得分矩陣的行數(shù)；m為載荷矩陣的列數(shù)；f為主因子數(shù)；

A和U分別為X和Y的得分矩陣，P和Q分別為X和Y的載荷矩陣，E_X和E_Y分別為X和Y的偏最小二乘回歸法(簡稱為PLS)的擬合殘差矩陣，接著，根據(jù)偏最小二乘法的原理，將A和U做線性回歸：U＝AB，B＝(A^TA)^-1A^TY；在預測時，首先根據(jù)P求出待測樣品得分矩陣的得分A_預測，然后由下式得到此樣品對應的列矩陣的預測值Y_預測＝A_預測BQ。

在構建模型過程中，最初是忽略殘差矩陣E_X和E_Y，求出中間的參數(shù)后，再返回求殘差矩陣。

具體過程如下：開始取主因子數(shù)f＝1時有：

對X＝AP^T，左邊乘A^T然后右乘P得：

對Y＝UQ^T，左邊乘U^T然后兩邊同除以Q^T得：取濃度矩陣Y作為U的起始迭代值，以U代替A，根據(jù)方程：X＝UW^T計算W，其解為：W為X的權重向量；對權重歸一化后求X的得分矩陣A，方程為：X＝AW^T，其解為：以A代替U計算Y的載荷矩陣Q，其方程為：Y＝AQ^T；其解為：對載荷矩陣Q歸一化后求Y的得分矩陣U，方程為：Y＝UQ^T；其解為：再以此U代替A返回最開始計算W^T，由W^T計算A₁，如此反復迭代，若A已收斂，即若||A-A₁||≤10^-6||A||，停止迭代；否則返回繼續(xù)求X的權重向量W直至獲得的X的得分矩陣收斂；根據(jù)收斂后的A求X的載荷矩陣P，其方程為：X＝AP^T；其解為：對載荷矩陣P歸一化后求X的得分矩陣A＝A||P||；標準化權重向量W＝W||P||；計算A與U之間的內在關系再計算殘差矩陣E_X＝X-AP^T；E_Y＝Y-UQ^T＝Y-BAQ^T；最后以E_X代替X，E_Y代替Y，返回最開始的步驟即求X的權重向量W，以此類推，求出X、Y的主因子的W、A、P、U、Q、B，最后通過交互檢驗法確定最佳主因子數(shù)f時迭代停止。

根據(jù)上述即獲得所述目標檢測成分含量修正模型為：

Y_預測＝A_預測BQ，

其中，

Y_預測為經(jīng)過修正后獲得的透過包裝袋檢測的待測產(chǎn)品的目標檢測成分含量，即為在線近紅外檢測儀上顯示的待測產(chǎn)品的目標檢測成分含量；

A_預測為待測樣品經(jīng)在線近紅外儀透過包裝袋測試獲得的近紅外光譜的得分矩陣；

Q為n個建模樣品經(jīng)實驗室近紅外分析儀測試獲得的目標檢測成分含量組成的濃度矩陣Y的載荷矩陣；

B＝(A^TA)^-1A^TY，其中A為n個建模樣品經(jīng)在線近紅外透過包裝袋測試獲得的近紅外光譜數(shù)據(jù)組成的矩陣X的得分矩陣，Y為n個建模樣品經(jīng)實驗室近紅外分析儀測試獲得的目標檢測成分含量組成的濃度矩陣。

為了驗證本發(fā)明中提出的上述修正系統(tǒng)的準確性，同樣的將上述150個煙葉樣品不透過包裝袋直接測試其煙葉樣品的實驗室近紅外光譜數(shù)據(jù)獲得的尼古丁含量和在線近紅外光譜獲得的光譜數(shù)據(jù)，并按照和上述一樣步驟剔除異常樣品，對在線近紅外光譜數(shù)據(jù)進行降噪處理；并將其根據(jù)偏最小二乘法構建獲得在不透過包裝袋直接測試煙葉樣品時的目標待測成分含量修正模型Y_預測1＝A_預測1B₁Q₁。

表1為不含麻包即不透過包裝袋情況下建立的修正模型獲得的預測尼古丁含量與實驗室近紅外儀器預測獲得的真實尼古丁含量的結果對比。表中所述化學值即為尼古丁的含量。

表1

表2為含麻包情況下即透過麻包測試煙葉樣品的情況下建立的目標檢測成分含量修正模型獲得的預測尼古丁含量與用實驗室近紅外儀器測試獲得的真實尼古丁含量的對比。表2中的化學值即為尼古丁的含量。

表2

將上述兩個修正系統(tǒng)應用于在線近紅外光譜儀器中，并分別用不同產(chǎn)地、不同部位和不同時間的樣本光譜對模型進行驗證。本實施例中采用湖北宜昌C2F、遼寧丹東C2F、黑龍江范家C2L、湖南湘西C2F、陜西甘溪C2F在上午10點，11點、12點、1點、7點采集的27個樣本的在線近紅外光譜對模型進行驗證。

表3為不含麻包即不透過包裝袋直接對樣品進行檢測的情況下27個樣本的在線近紅外數(shù)據(jù)通過模型處理后獲得的預測尼古丁含量與用實驗室近紅外儀器進行定量分析后獲得的尼古丁含量的對比。

表3

表4為含麻包即透過包裝袋的情況下，27個樣本的在線近紅外數(shù)據(jù)通過模型處理后獲得的預測尼古丁含量與用實驗室近紅外儀器進行定量分析后獲得的尼古丁含量的對比。

表4

將表3和表4中的數(shù)據(jù)進行對比分析結果如表5所示。

表5

從表5中可以看出，含麻包的模型預測出尼古丁含量與不含麻包的模型預測出的尼古丁含量對比，含麻包的模型預測出的尼古丁含量誤差更小更穩(wěn)定。其平均相對誤差要比后者的平均相對誤差小1.29；前者預測均值與真實化學值的均值誤差為0.03，后者預測均值與真實化學值均值的誤差為0.07。通過上述對比可以發(fā)現(xiàn)，采用本發(fā)明中上述模型應用于在線近紅外儀器中，其能夠不用隔離產(chǎn)品的包裝袋，直接透過包裝袋對產(chǎn)品進行在線近紅外檢測，就可以獲得準確的產(chǎn)品化學值。

本發(fā)明技術方案是對采用在線近紅外儀器進行大規(guī)模產(chǎn)品快速檢測時，由于隔著包裝袋檢測會引起測試誤差這一技術問題而提出的，其通過提供一個修正系統(tǒng)，修正這一誤差，從而保證最終經(jīng)由在線近紅外分析儀輸出的待測樣品的目標檢測成分含量不被產(chǎn)品包裝引起的差異所影響，最大可能的接近待測產(chǎn)品的目標檢測成分含量的真實值。其特別適合于大規(guī)模含包裝袋產(chǎn)品的在線連續(xù)檢測，不僅解決了頻繁去除包裝袋取樣致使操作麻煩的問題，而且降低工人的勞動強度。

上述實施例僅例示性說明本發(fā)明的原理及其功效，而非用于限制本發(fā)明。任何熟悉此技術的人士皆可在不違背本發(fā)明的精神及范疇下，對上述實施例進行修飾或改變。因此，舉凡所屬技術領域中具有通常知識者在未脫離本發(fā)明所揭示的精神與技術思想下所完成的一切等效修飾或改變，仍應由本發(fā)明的權利要求所涵蓋。