一种翡翠自动检测模型的建模方法、模型及检测方法

摘要

本发明提供一种翡翠自动检测模型的建模方法、模型及检测方法，其中方法包括：获取反射用翡翠样品集及透射用翡翠样品集；获取反射用翡翠样品集对应的红外反射光谱数据集，获取透射用翡翠样品集对应的红外透射光谱数据集；获取每个红外反射光谱数据中的指定峰位，以红外反射光谱数据在第一区间中的相应的指定峰位为依据，得到全部指定峰位对应的峰位区间集，利用峰位区间集得到第一判断依据；以红外透射数据集为依据，获取红外透射光谱在第二设定区间内的峰位相关阈值，并以峰位相关阈值为依据得到第二判断依据；将第一判断依据及第二判断依据进行保存，得到翡翠自动检测模型。本发明改善现有翡翠红外光谱识别软件无法满足翡翠鉴别需求的问题。

说明书

技术领域

本发明涉及珠宝检测领域，具体涉及一种翡翠自动检测模型的建模方法、模型及检测方法。

背景技术

目前珠宝检测领域还没有翡翠自动检测设备，亦没有智能判别软件。珠宝检测实验室主要依赖于人工目测与人工密度测试、紫外-可见光谱测试、红外光谱等定性分析，需要大量的珠宝专家进行检验，劳动相对密集，自动化程度较低，影响了翡翠检测的效率。同时，随着翡翠交易市场规模的扩展，市场需求量的剧增，有机充填物等处理方式的变化，更多非传统产地以及非传统矿物含量比例的翡翠也充斥着翡翠交易市场，使得翡翠的鉴别出现了新的挑战。常规的翡翠红外匹配软件无法满足翡翠的鉴别需求，更无法实现图谱的智能判别。

发明内容

鉴于以上现有技术的缺点，本发明提供一种翡翠自动检测模型的建模方法、模型及检测方法，以改善现有的翡翠识别软件无法满足翡翠鉴别需求的问题。

为实现上述目的及其它相关目的，本发明提供一种翡翠自动检测模型的建模方法，包括步骤：

获取反射用翡翠样品集及透射用翡翠样品集；

获取所述反射用翡翠样品集对应的红外反射光谱数据集，反射用翡翠样品与红外反射光谱数据一一对应，获取所述透射用翡翠样品集对应的红外透射光谱数据集，透射用翡翠样品与红外透射光谱数据一一对应；

获取每个红外反射光谱数据中的指定峰位，以所述红外反射光谱数据在第一区间中的相应的指定峰位为依据，得到全部指定峰位对应的峰位区间集，利用所述峰位区间集得到第一判断依据；

以所述红外透射数据集为依据，获取红外透射光谱在第二设定区间内的峰位相关阈值，并以所述峰位相关阈值为依据得到第二判断依据；

将所述第一判断依据及所述第二判断依据进行保存，得到所述翡翠自动检测模型。

在本发明一实施方式中，还包括步骤：获取验证样品集，并获取所述验证样品集对应的红外光谱区间特征峰位集，建立翡翠判别标准；利用所述红外光谱区间特征峰位集对照翡翠判别标准对所述翡翠自动检测模型进行验证。

在本发明一实施方式中，所述峰位相关阈值包括：最小峰高阈值、相邻峰之间最小水平距离阈值、每个峰值最小突出度阈值以及第二设定区间内峰位的最大峰位强度与0.5倍的波幅之差，波幅是指定波数范围内的峰位强度最大值与最小值之差，特定峰位是指定波数处的峰位。

在本发明一实施方式中，获取每个红外反射光谱数据中的指定峰位，以所述红外反射光谱数据在第一区间中的相应的指定峰位为依据，得到全部指定峰位对应的峰位区间集的步骤包括：采用差分寻峰法，寻找到所述红外反射光谱数据集在波数第一设定区间内所有的峰位，每个峰位包括强度和相应波数。

在本发明一实施方式中，以所述红外反射光谱数据在第一区间中的相应的指定峰位为依据，得到全部指定峰位对应的峰位区间集的步骤包括：对每一所述红外反射光谱数据按峰位强度进行降序排序，取强度排名前N的峰位；针对同一峰位，对所述红外反射光谱数据集对应的峰位集进行排序得到序列，将所述序列的两端峰位设置为最大值及最小值，以最小值及最大值为端点确定所述峰位区间；重复本步骤，直至强度排名前N的峰位排序完成，得到全部指定峰位对应的峰位区间集。

在本发明一实施方式中，以所述红外透射数据集为依据，获取红外透射光谱在第二设定区间内的峰位相关阈值，并以所述峰位相关阈值为依据得到第二判断依据的步骤包括：通过迭代训练，寻峰函数自定义最小峰高阈值、相邻峰之间最小水平距离阈值和每个峰值最小突出度阈值，以所述寻峰函数自定义最小峰高阈值、相邻峰之间最小水平距离阈值和每个峰值最小突出度阈值为依据判定是否寻到峰，通过寻峰函数是否寻到峰以及特定峰强度是否小于最大峰位强度与0.5倍的波幅之差作为所述第二判断依据。

在本发明一实施方式中，所述验证样品集包括第一样品集及第二样品集，所述第一样品集中的样品为翡翠，所述第二样品集中的样品为非翡翠，所述第一样品对应的红外光谱数据包括第一样品的红外反射光谱数据及红外透射光谱数据；所述第二样品对应的红外光谱数据仅包括第二样品的红外反射光谱数据。

本发明还提供一种翡翠自动检测模型，所述翡翠自动检测模型通过所述方法获得。

本发明还提供一种翡翠自动检测方法，所述方法通过所述的模型实现，包括步骤：

获取待测件的红外光谱数据，所述红外光谱数据至少包括红外反射光谱数据；

将待测件的红外反射光谱数据输入至所述模型中，并与所述峰位区间集进行比对，按照第一判断依据输出第一检测结果。

在本发明一实施方式中，在输出第一检测结果后还包括步骤：当第一检测结果为翡翠时，所述待测件的红外光谱数据还包括红外透射光谱数据，将所述待测件的红外光谱数据输入至所述模型中，按照第二判断依据输出第二检测结果。

在本发明一实施方式中，所述第一检测结果包括：翡翠、非翡翠或多组分翡翠；所述第二检测结果包括：处理翡翠或未处理翡翠。

本发明翡翠自动检测模型的建模方法，能够快速获取第一判断依据及第二判断依据，将所述第一判断依据及第二判断依据进行保存，得到翡翠自动检测模型，该模型识别非翡翠准确率高达100%，识别翡翠的准确率为99.2%，识别有机物充填翡翠的精确度为98.2%。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的建模方法的流程图；

图2为翡翠样品红外反射光谱图的结构示意图，其中，a为硬玉质翡翠，b为绿辉石质翡翠；

图3为翡翠样品红外透射光谱图的结构示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其它优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。还应当理解，本发明实施例中使用的术语是为了描述特定的具体实施方案，而不是为了限制本发明的保护范围。下列实施例中未注明具体条件的试验方法，通常按照常规条件，或者按照各制造商所建议的条件。

须知，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

本发明中所述的翡翠是根据国家标准GB/T 23885-2009《翡翠分级》定义的。翡翠，主要由硬玉或由硬玉及其他钠质、钠钙质辉石（钠铬辉石，绿辉石）组成的、具有工艺价值的矿物集合体，可含少量角闪石、长石、铬铁矿等矿物。摩氏硬度6.5～7，密度3.34（+0.06,-0.09）g/cm

请参阅图1，本发明提供一种翡翠自动检测模型的建模方法，包括步骤：

搭建测试条件。采用Thermo Fisher Nicolet iS50红外光谱仪、反射-透射附件，采用分辨率为2～8cm

区分样品集以及验证样品集。

获取反射用翡翠样品集及其红外反射光谱数据集；反射用翡翠样品与红外反射光谱数据一一对应，即一个反射用翡翠对应一个红外反射光谱数据，建立识别标准。将反射用翡翠样品进行抛光，常温条件下，放入反射支架，扣除背景后，将反射用样品放置于反射支架附件上，生成可编辑离散型数据文件进行存储，测试样品3300件，反射用翡翠样品集的样品数量可以为3000件，获得红外反射光谱数据3000条，每条红外反射光谱数据中至少包括第一设定区间内的全部峰位，第一设定区间至少包括翡翠指纹区峰位特征。例如第一设定区间为400～1200cm

获取透射用翡翠样品集及其对应的红外透射光谱数据集，透射用翡翠样品与红外透射光谱数据一一对应。透射用翡翠样品集的样品数量为2000件，将翡翠样品进行抛光，常温条件下，将透射用样品放入透射支架，扣除背景后，将样品放置于透射支架附件上，生成可编辑离散型数据文件进行存储，测试翡翠样品2000件，获得红外透射数据2000条，设定第二设定区间为3000～3200cm

请参阅图2，获取每个红外反射光谱数据中的指定峰位，以所述红外反射光谱数据集中的相应的指定峰位的最小值及最大值作为端点，确定全部指定峰位对应的峰位区间集，利用所述峰位区间集得到第一判断依据，所述第一判断依据用于判断待测件为翡翠、非翡翠以及多组分翡翠。峰位是指红外反射光谱数据的峰位对应的X轴波数位置。指定峰位是指符合设定条件的区间特征峰位，所述指定峰位包括至少二个区间特征峰位。区间特征峰位是用于判定翡翠类型时所需要的某些峰位，例如指定峰位为第一设定区间内的峰位强度降序排列中的前N峰位：分别为第一峰位、第二峰位、第三峰位、……、第N峰位，N为正整数，例如N为10。

在本步骤中，根据翡翠指纹区特征峰位性质，需遍历3000个红外反射光谱数据。按照峰位强度，对每个反射用翡翠样品对应的红外反射光谱数据位于波数第一设定区间内所有的峰位进行降序排列，然后取强度排名前N个区间特征峰位（第一峰、第二峰位、第三峰位、……，第N峰位），剔除干扰峰位后，形成区间特征峰位集。然后对反射用翡翠样品集内的全部红外反射光谱数据（即区间特征峰位集中的全部峰位）中相应的区间特征峰位按照强度进行排序（升序或者降序排列）得到序列，将所述序列的两端峰位设置为最大值及最小值，以最小值及最大值为端点确定峰位区间；重复本步骤，直至强度排名前N的峰位排序完成，得到全部指定峰位对应的峰位区间集。所述相应的区间特征峰位是指：不同的红外反射光谱数据之间、区间峰位强度排名相等的峰位，例如A样品中的第一峰位与B样品中的第一峰位为相应的区间特征峰位。在本实施方式中，首先对3000个数据中的第一峰位进行排序，排序后的两端分别为第一峰位对应的最大值及最小值，因此以排序后的序列的端点确定第一峰位的峰位区间，将第一峰位对应的峰位区间命名为第一峰位区间。

以此类推，得到第二峰位对应的第二峰位区间、第三峰位对应的第三峰位区间，第四峰位对应的第四峰位区间，第五峰位对应的第五峰位区间。全部指定峰位对应的峰位区间构成峰位区间集，在本实施方式中，峰位区间集包括第一峰位区间、第二峰位区间、第三峰位区间、……、直至第N峰位区间。峰位区间集为判别翡翠的标准，即第一判断依据，用来判断待测品是翡翠、非翡翠或多组分翡翠。

第一判断依据的具体判断标准可以为：当待测件相应的指定峰位全部落入对应的峰位区间内（根据不同类型的翡翠的峰位数量不同，具有2-10个峰位区间），例如，待测件的第一峰位落入第一峰位区间，第二峰位落入第二峰位区间，第三峰位落入第三峰位区间，第四峰位落入第四峰位区间，……，第N峰位落入第N峰位区间，则待测品为翡翠。当待测品相应的指定峰位落入对应的峰位区间内的数量符合设定条件，则待测品为多组分翡翠，例如该设定条件为第一峰位落入第一峰位区间，第二峰位落入第二峰位区间，且其他峰位未落入对应的峰位区间。需要说明的是本实施方式中的设定条件可根据翡翠行业当下的行业标准进行相应调整。当待测品相应的指定峰位不符合上述两种情况中的任何一种时，则待测品为非翡翠。

以所述红外透射数据集为依据，获取红外透射光谱位于第二设定区间内寻峰函数自定义最小峰高阈值、相邻峰之间最小水平距离阈值和每个峰值最小突出度阈值，通过寻峰函数进行寻峰，并以待测件的红外透射光谱数据在特定峰位的强度是否小于第二设定区间内峰位的最大强度与波幅一半的差为依据。其中波幅是指定波数范围内的峰位强度最大值与最小值之差，特定峰位是指定波数处的峰位。以待测件的红外光谱透射数据在第二设定区间内是否寻到峰以及特定峰位的强度是否小于最大强度与波幅一半的差为依据，得到第二判断依据，所述第二判断依据用于判断待测品为处理翡翠及未处理翡翠。第二设定区间为有机物充填翡翠官能团区特征峰位所处的区间，例如为3000～3200cm

在本发明一实施方式中，最小峰高阈值限定至少为强度均值加1个强度标准差；相邻峰之间最小水平距离阈值限定为50；峰位突起度阈值为红外强度标准差倍数与红外强度标准差的乘积；不断迭代第二区间红外透射光谱数据得到红外强度标准差倍数，通过红外强度标准差倍数乘以第二区间内红外强度标准差确定最小突出度阈值。所述最小突出度阈值为红外强度标准差倍数乘以第二设定区间内红外强度标准差。红外强度标准差倍数是利用计算机自动不断迭代观察识别准确率，以识别率较高的系数作为标准差倍数。是否寻到峰的判断依据为：当所述待测件的红外透射光谱数据在所述最小水平距离阈值内的峰高小于最小峰高阈值、且峰位的突出度小于最小突出度阈值，则判定为未寻到峰，否则判定为寻到峰。以待测件的红外透射光谱数据在所述第二设定区间是否寻到峰，以及特定峰位强度是否小于最大强度与波幅一半（0.5倍波幅）的差作为第二判断依据，第二判断依据用于判断待测件是处理翡翠还是未处理翡翠。当待测件的红外透射光谱数据在所寻到峰或者特定峰位强度大于/等于最大强度与波幅一半（0.5倍波幅）的差，则判定为处理翡翠。当待测件的红外光谱数据在所述第二设定区间内未寻到峰，或者虽然寻到峰但特定峰位强度小于最大强度与波幅一半（0.5倍波幅）的差，则判定为未处理。例如：利用差分法进行寻峰，遍历2000条翡翠红外透射光谱数据的原始数据的第二区间峰位特征，根据有机物充填翡翠官能团区特征峰位性质，选择计算区间为3000～3200cm

公式中的

通过不断迭代2000条红外透射光谱数据的固定红外强度标准差倍数寻找到识别准确率最高的固定参数（红外强度标准差倍数），其与标准差的乘积作为峰位最小突出度阈值这些均属于寻峰函数的范畴；计算Y轴数值最大值与最小值的差作为波幅，并采用特定峰位强度小于最大强度与波幅一半（0.5倍波幅）的差与是否寻到峰一起，将其作为判定处理与未处理的标准。请参阅图3，第二判断依据的具体判断标准可以是：当待测品第二区间寻到峰，且特定峰位强度大于/等于最大强度与波幅一半（0.5倍波幅）的差，则判定为处理翡翠，当待测品没有寻到峰或者特定峰位强度小于最大强度与波幅一半（0.5倍波幅）的差，则判定为非处理翡翠（天然翡翠）。其中图2至图3的X轴的单位为波数（cm

获取验证样品集，并获取所述验证样品集对应的红外光谱数据区间特征峰位集，验证样品数据与红外光谱数据一一对应。建立翡翠反射判别标准；利用所述红外光谱区间特征峰位集对照翡翠判别标准对所述翡翠自动检测模型进行验证。按硬玉翡翠和绿辉石翡翠的不同数据集，分别对数据集中的每条光谱的区间特征峰位集的前三个峰位的波数进行数理统计，并结合理论研究，确定硬玉翡翠和绿辉石翡翠前三个峰位的波数范围，并综合建立是否翡翠判别标准；这里的判断是按照硬玉和绿辉石不同标准同时进行的，只要满足硬玉和绿辉石中的一个标准就是翡翠，特殊情况则作进一步处理判断。所述验证样品集包括第一样品集及第二样品集，所述第一样品集中的样品为翡翠，所述第二样品集中的样品为非翡翠，所述第一样品对应的红外光谱数据包括第一样品的红外反射光谱数据及红外透射光谱数据；所述第二样品对应的红外光谱数据包括第二样品的红外反射光谱数据。第一样品包括2000个翡翠样品，第二样品包括300个非翡翠样品。

将所述第一判断依据及所述第二判断依据进行保存，得到所述翡翠自动检测模型，建立本发明所述的翡翠自动检测模型所采用的计算机语言可以为Python。

本发明还提供一种翡翠自动检测模型，所述翡翠自动检测模型通过所述方法获得。所述的翡翠自动检测模型所采用的计算机语言可以为Python。

本发明还提供一种翡翠自动检测方法，所述方法通过所述的模型实现，包括步骤：

获取待测件的红外光谱数据，所述红外光谱数据至少包括红外反射光谱数据；

将待测件的红外反射光谱数据输入至所述模型中，并与所述峰位区间集进行比对，按照相应的判断依据输出第一检测结果。即当待测件相应的指定峰位全部落入对应的峰位区间内，例如，待测件的第一峰位落入第一峰位区间，第二峰位落入第二峰位区间，第三峰位落入第三峰位区间，第四峰位落入第五峰位区间，则待测品为翡翠。当待测品相应的指定峰位落入对应的峰位区间内的但数量与标准存在一定差异，则待测品为多组分翡翠作进一步检验，例如该设定条件为第一峰位落入第一峰位区间，第二峰位落入第二峰位区间，且其他峰位未落入对应的峰位区间，需要说明的是本实施方式中的设定条件可根据翡翠行业当下的行业标准进行相应调整。当待测品相应的指定峰位不符合上述两种情况中的任何一种时，则待测品为非翡翠。

在本发明一实施方式中，在输出第一检测结果后还包括步骤：当第一检测结果为翡翠时，所述待测件的红外光谱数据还包括红外透射光谱数据，将所述待测件的红外光谱数据输入至所述模型中，并与所述峰位波动参考值作比对，按照相应的判断依据输出第二检测结果。

在本发明一实施方式中，所述第一检测结果包括：翡翠、非翡翠或多组分翡翠；所述第二检测结果包括：处理翡翠或未处理翡翠。

本发明翡翠自动检测模型的建模方法，能够快速获取第一判断依据及第二判断依据，将所述第一判断依据及第二判断依据进行保存，得到翡翠自动检测模型，该模型识别非翡翠准确率高达100%，识别翡翠的准确率为99.2%，识别有机物充填翡翠的精确度为98.2%。通过本发明可以基于红外反射-透射图谱对翡翠、非翡翠、多组分翡翠、有机物充填翡翠进行自动检测。通过输入红外图谱离散型原始数据，可以实现对翡翠、非翡翠、多组分翡翠、翡翠（处理）、翡翠（未处理）的自动识别。

所以，本发明有效克服了现有技术中的一些实际问题从而有很高的利用价值和使用意义。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。