基于激光诱导击穿光谱的金属牌号鉴定方法与流程

本发明属于光谱分析及物质材料组成成分分析领域，具体来讲是一种基于激光诱导击穿光谱的金属牌号鉴定方法。

背景技术：

激光诱导击穿光谱(laser-inducedbreakdownspectroscopy，libs)分析技术，是一种利用激光诱导等离子体作为蒸发、原子化和激发源的原子发射光谱分析法，可以实现物质化学元素的定性和定量分析。它具有无需制样、直接快速、样品损失量小等特点，近年来成为了冶金分析、文物保护、地质化学、环境工程等领域的研究热点，金属牌号鉴定也是其主要应用之一。

金属牌号鉴定过程主要包含三个部分：1)利用libs系统获取待测金属材料的光谱数据；2)运用libs定量分析方法得出待鉴定金属材料中各元素的含量信息；3)利用待鉴定金属的定量信息在选定的牌号库中进行牌号匹配查询。

在牌号匹配方面，现有技术中公开了一种基于模糊隶属度的牌号匹配方法，该方法认为在金属牌号鉴定方面，首先，金属中不同元素的含量之间不存在特定的关联性，可以认为具有一定的自由度，这种不同步性导致鉴定所需计算的匹配度的计量存在模糊性。

但是，使用基于模糊隶属度的牌号匹配方法计算待测金属材料与给定牌号库中每个牌号的匹配度时，该方法仅考虑到待测金属材料中各种元素含量的隶属度(0-1之间)，而金属的牌号一般比较接近，很多相近牌号之间的各种元素含量范围相差本来就非常小，所以，当对待测样品的定量分析结果与其真实值之间有偏差的时候，各种元素对于各牌号的隶属度也会出现偏差。而且最终用来确定牌号匹配结果的综合隶属度是通过加权求得的综合隶属度，从而各个牌号之间的综合隶属度差别很小，因此只要待测金属样品的定量分析结果有一点偏差就会影响匹配结果的准确性。另一方面，模糊隶属度函数中存在待定参数，每个牌号每个元素含量范围区间边界的邻域大小均需提前确定。

技术实现要素：

针对现有技术中存在的上述不足之处，本发明要解决的技术问题是提供一种能够快速、准确匹配金属牌号的快速牌号鉴定方法。

本发明为实现上述目的所采用的技术方案是：基于激光诱导击穿光谱的金属牌号鉴定方法，包括以下步骤：

离线牌号鉴定模型的建立步骤：根据牌号库中各牌号分析元素浓度区间，生成随机样本并进行标准化，使用标准化后的随机样本数据集训练牌号鉴定模型，得到离线牌号浓度鉴定模型；

实际金属牌号鉴定的步骤：对待测样品的libs光谱强度数据进行预处理和定量分析得到待测样品化学组成元素浓度，与离线牌号鉴定模型进行比对从而得到鉴定结果。

所述离线牌号鉴定模型的建立步骤包括：

获取牌号库中各牌号分析元素浓度区间；

按比例扩展各牌号分析元素浓度区间；

根据新的浓度区间范围生成随机样本；

对随机样本浓度进行标准化；

使用标准化后的随机样本数据集训练牌号鉴定模型，得到离线牌号浓度鉴定模型。

所述实际金属牌号鉴定的步骤包括：

利用激光诱导击穿光谱的方法获取待测样品的libs光谱强度数据；

对原始libs光谱强度数据进行预处理，获取归一化后的光谱强度数据；

对归一化后的光谱强度数据进行定量分析，得到待测样品化学组成元素浓度；

使用离线牌号浓度鉴定模型对定量分析结果进行牌号浓度比对鉴定，输出鉴定结果。

所述根据新的浓度区间范围生成随机样本是采用均匀分布生成随机样本。

所述对随机样本浓度进行标准化，具体为：对生成的随机样本的数据集进行标准化，使数据在每个元素维度上的取值范围均在[-1,1]之间。

所述牌号鉴定模型为支持向量机svm模型。

所述对原始libs光谱强度数据进行预处理，获取归一化后的光谱强度数据为：

光谱筛选：对原始数据集中的每张光谱计算其全谱强度和，然后根据阈值范围对全谱强度和对光谱进行异常点处理，剔除掉光谱强度和过低或过高的异常光谱；

归一化：对光谱筛选后的光谱数据使用其全谱强度和进行归一化，以补偿光谱强度的波动，计算公式如下：

其中，ij′表示归一化处理后的光谱强度数据，ij表示波长j对应的光谱筛选后的原始光谱强度，is表示光谱筛选后的原始光谱的全谱强度和。

所述对归一化后的光谱强度数据进行定量分析包括：使用金属标准样品建立定量分析模型，利用定量分析模型分析归一化处理后的光谱强度数据，从而得到待测样品化学组成元素浓度。

所述金属标准样品选择时，应使其各参考元素浓度能够覆盖牌号库中各牌号参考元素浓度范围。

所述定量分析模型为偏最小二乘模型。

本发明具有以下优点及有益效果：

1.采用根据牌号规定生成虚拟样本的方式构造训练样本集，使得本发明中牌号匹配模型的建立过程无需大量金属样品，更无需进行大量实验采集样品光谱，因此本发明具有更好的使用便捷性和可扩展性。

2.本发明在根据牌号规定生成虚拟样本时，对牌号规定的元素浓度区间范围进行适当扩展，使得最终的训练集包含了一些并不属于对应牌号但非常接近的样本。所以，本发明在牌号匹配时能够允许一定的定量分析误差。

附图说明

图1为本发明方法实现流程图；

图2为金属样品libs原始光谱图；

图3为使用本发明对待测铝合金样品进行牌号鉴定结果。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

本发明针对不同牌号规定的参考元素浓度区间不同的问题，根据各牌号规定生成虚拟样本集训练牌号匹配模型，对待测铝合金样品，采用libs技术获取其光谱数据，通过libs定量分析方法得到其化学组成，再根据牌号匹配模型鉴定牌号，最终实现对待测铝合金的牌号鉴定。

该方法的实现流程如图1所示，具体实现步骤如下：

步骤1：根据国标获取铝合金牌号库中各牌号分析元素浓度区间。

步骤2：适当扩展各牌号分析元素浓度区间，例如将上限增大10％，下限减小10％。

步骤3：根据新的浓度区间范围，按照一定分布生成大量随机样本，例如按照均匀分布生成样本。

步骤4：对随机样本浓度进行标准化，使数据在每个元素维度上的取值范围均在[-1,1]之间，例如标准化的方式可以以浓度区间范围的上限为1，下限为-1。

步骤5：使用标准化后的随机样本数据集训练牌号鉴定模型，存储训练好的牌号鉴定模型。牌号鉴定模型可以选择支持向量机(svm)模型。

步骤6：利用激光诱导击穿光谱的方法获取待测样品的libs光谱数据。

步骤7：对原始libs光谱数据进行预处理。预处理主要包括光谱筛选和归一化。

光谱筛选：对原始数据集中的每张光谱计算其全谱强度和，然后根据全谱强度和对光谱进行异常点处理，剔除掉光谱强度和过低或过高的一些异常光谱。

归一化：对光谱数据使用其全谱强度和进行归一化，以补偿光谱强度的波动，计算公式如下：

其中ij′表示归一化处理后的光谱强度数据，ij表示波长j对应的原始光谱强度，is表示原始光谱的全谱强度和。

步骤8：定量分析，得到待测样品化学组成元素浓度。定量分析需要使用金属标准样品建立定量分析模型，利用定量分析模型分析归一化处理后的光谱强度数据，从而得到待测样品化学组成元素浓度。在选择金属标准样品时，应使其各参考元素浓度能够覆盖牌号库中各牌号参考元素浓度范围。本实例中采用ly11、lf21、6005、lf6、7a04、铸铝、7050、adc12、5454、a356共10种铝合金标准样品54块来建立定量分析模型。定量分析模型可以采用偏最小二乘模型。

步骤9：使用训练好的牌号鉴定模型对步骤8中的定量分析结果进行牌号鉴定，输出鉴定结果。

按以上所述方法对24块铝合金样品的牌号进行鉴定，下表所示为这24块铝合金样品的序号及其所属牌号。

图2所示为使用libs的方法采集到的铝合金样品的原始光谱，对光谱强度数据进行筛选、归一化等方式进行预处理，然后选择铝合金标准样品建立libs定量分析模型，对待测样品光谱进行定量分析，得到待测样品的化学组成各元素的浓度。下表所示为定量分析模型采用偏最小二乘模型时各元素的确定系数(r²)、相对标准误差(rsd)、均方根误差(rmse)等分析指标：

根据铝合金国家标准牌号库，获取牌号库中各牌号分析元素浓度区间，对每个区间范围分别向左右扩展10％，然后对每个牌号生成2000个虚拟样本，组成数据集，然后进行标准化，使数据在每个元素维度上的取值范围均在[-1,1]之间。然后，以标准化后的数据集作为训练集，训练svm多分类模型。最后使用上述svm模型对待测样品的定量分析结果进行牌号鉴定，鉴定结果如图3所示，“o”代表样品实际牌号，“*”代表样品预测牌号，“o”与“*”重合表示预测正确。测试样本达到了96.9375％的准确率，分类错误的样品主要是牌号为dc.360y.6，该牌号样品数据有一部分分类为hb.sf36，这是因为两种牌号样品的大部分元素浓度相近，如dc.360y.6中si含量为8.0～10.5，fe≤0.8，mg：0.2～0.35；hb.sf36中si含量为9.8～10.4，fe≤0.13，mg：0.25～0.35，因此dc.360y.6的预测准确率偏低，而其他4种牌号铝合金预测准确率基本达到100％，可见本方法能够实现对未知铝合金样品牌号的准确鉴定。