本發(fā)明涉及自粘彈性繃帶檢測，特別涉及應(yīng)用于防護膠帶的光譜檢測系統(tǒng)及方法。

背景技術(shù)：

1、為確保低溫膠自粘彈性繃帶的安全性和有效性，對其性能的精確檢測顯得尤為重要。傳統(tǒng)檢測方法通常需要人工操作，步驟繁瑣且耗時，增加了生產(chǎn)成本，難以實現(xiàn)快速檢測。不僅如此，許多傳統(tǒng)檢測方法需要對樣本進行破壞性或侵入性操作，如切割、研磨或溶解，會浪費寶貴的材料資源，還可能對繃帶的整體性能造成不可逆的影響。而人工檢測對于檢測結(jié)果具有主觀性，依賴于檢測人員的經(jīng)驗和技能水平，導(dǎo)致質(zhì)量控制的不一致性和不準(zhǔn)確性。

2、現(xiàn)有公開號為cn114112985a的中國專利申請公開了一種近紅外光譜儀及近紅外在線檢測方法，包括光源模塊、光譜收集模塊和光譜分析模塊；光源模塊采用近紅外光線照射至待測樣本；光譜收集模塊將待測樣本反射的近紅外光線傳輸至光譜分析模塊，光譜分析模塊用于分析和處理紅外探測單元得到的近紅外光譜，完成對待測樣本的類別或成分的檢測，提升了近紅外光譜儀的檢測效率。

3、然而現(xiàn)有技術(shù)針對待測樣本的檢驗均需要先驗知識支持，例如，樣本分類任務(wù)只能將待測樣本劃分進入預(yù)先設(shè)置的類別，成分分析任務(wù)也是在知曉待測樣本所包含成分的前提下才能確定各成分的成分比例，光譜檢測存在局限性，沒有建立行之有效的數(shù)據(jù)庫收集更新體系存儲檢測結(jié)果，對于相同成分的檢測樣品均需要重復(fù)執(zhí)行所有分析處理步驟，降低了檢測效率。

4、因此，針對低溫膠自粘彈性繃帶的品質(zhì)檢測，開發(fā)一種高效、準(zhǔn)確且無損的光譜檢測系統(tǒng)及方法顯得尤為重要。

技術(shù)實現(xiàn)思路

1、本發(fā)明針對現(xiàn)有技術(shù)存在的不足，提出應(yīng)用于防護膠帶的光譜檢測系統(tǒng)及方法，以進行高效、精確的樣本質(zhì)檢和樣本分析。

2、實現(xiàn)本發(fā)明目的技術(shù)解決方案為：

3、應(yīng)用于防護膠帶的光譜檢測方法，包括以下具體步驟：

4、獲取基準(zhǔn)樣本集并統(tǒng)計其中所有基準(zhǔn)樣本涉及的成分，依據(jù)字典順序重新排序以構(gòu)建總成分表；

5、獲取單一基準(zhǔn)樣本的所有成分和成分比例，查詢總成分表構(gòu)建對應(yīng)的成分比例表，基于自適應(yīng)分類策略選擇比對樣本并賦予基準(zhǔn)樣本小類標(biāo)簽；

6、選擇小類標(biāo)簽，基于性狀定向制譜策略選擇制譜法，構(gòu)建小類標(biāo)簽對應(yīng)的類光譜集，通過偏差修正法生成類標(biāo)準(zhǔn)光譜，對應(yīng)存儲小類標(biāo)簽、類均成分比例表、類標(biāo)準(zhǔn)光譜、類成分比例集和類光譜集以構(gòu)建標(biāo)準(zhǔn)比對數(shù)據(jù)庫；

7、獲取待檢樣本和待辦任務(wù)，識別待辦任務(wù)為樣本質(zhì)檢任務(wù)或樣本分析任務(wù)，并分別通過成品質(zhì)檢算法或成分分析算法處理待辦任務(wù)。

8、進一步的，構(gòu)建成分比例表包括以下具體步驟：

9、獲取第個基準(zhǔn)樣本的個成分，同步獲取個成分對應(yīng)的成分比例，為基準(zhǔn)樣本編號，為第個基準(zhǔn)樣本的成分總數(shù)；

10、生成維的全零成分比例表，為總成分表維度；

11、查詢總成分表以確定第個成分在總成分表中的位置，將第個成分比例填入全零成分比例表的對應(yīng)位置，直至個成分比例均填入全零成分比例表，則成分比例表構(gòu)建完成。

12、進一步的，基于自適應(yīng)分類策略選擇比對樣本并賦予基準(zhǔn)樣本小類標(biāo)簽包括以下具體步驟：

13、獲取第個基準(zhǔn)樣本的成分比例表和當(dāng)前已有的個小類標(biāo)簽，其中，為第個小類標(biāo)簽；

14、獲取第個小類標(biāo)簽對應(yīng)的比對成分比例表，為小類標(biāo)簽編號，執(zhí)行位置統(tǒng)一判決，判斷成分比例表和比對成分比例表中非零值位置是否統(tǒng)一；

15、若非零值位置不統(tǒng)一則執(zhí)行標(biāo)簽窮盡判決，判斷小類標(biāo)簽編號是否等于已有的小類標(biāo)簽總數(shù)；

16、若小類標(biāo)簽編號小于已有的小類標(biāo)簽總數(shù)，則進一步選擇第個小類標(biāo)簽對應(yīng)的比對成分比例表繼續(xù)進行位置統(tǒng)一判決；

17、若小類標(biāo)簽編號等于當(dāng)前已有的小類標(biāo)簽總數(shù)，則賦予基準(zhǔn)樣本小類標(biāo)簽，并將基準(zhǔn)樣本的成分比例表作為小類標(biāo)簽對應(yīng)的比對成分比例表；

18、若非零值位置統(tǒng)一，獲取成分比例表和比對成分比例表的上限誤差，執(zhí)行比例誤差判決，判斷上限誤差是否小于或等于誤差閾值；

19、若上限誤差小于或等于誤差閾值，將小類標(biāo)簽賦予基準(zhǔn)樣本，反之則繼續(xù)執(zhí)行標(biāo)簽窮盡判決，基于小類標(biāo)簽編號是否等于已有的小類標(biāo)簽總數(shù)決定繼續(xù)進行位置統(tǒng)一判決或賦予基準(zhǔn)樣本小類標(biāo)簽，并將基準(zhǔn)樣本的成分比例表作為小類標(biāo)簽對應(yīng)的比對成分比例表；

20、執(zhí)行樣本窮盡判決，判斷基準(zhǔn)樣本編號是否小于基準(zhǔn)樣本集的基準(zhǔn)樣本總數(shù)，若小于則針對第個基準(zhǔn)樣本繼續(xù)執(zhí)行自適應(yīng)分類策略，若等于則停止執(zhí)行自適應(yīng)分類策略。

21、進一步的，基于性狀定向制譜策略選擇制譜法，構(gòu)建小類標(biāo)簽對應(yīng)的類光譜集包括以下具體步驟：

22、從基準(zhǔn)樣本集中篩選出所有小類標(biāo)簽為的基準(zhǔn)樣本構(gòu)建類樣本集，類樣本集的類樣本總數(shù)為；

23、判斷第個類樣本的物理性狀是否為粉末以選擇制譜法，采用所選制譜法獲取類樣本3個不同檢測點的紅外光譜圖，記為第一紅外光譜、第二紅外光譜和第三紅外光譜；

24、分別計算第一紅外光譜、第二紅外光譜和第三紅外光譜兩兩之間的余弦相似度以獲取類樣本的平均相似度；

25、若平均相似度大于或等于相似度閾值，則將第一紅外光譜、第二紅外光譜和第三紅外光譜的均值作為類樣本的紅外光譜；

26、獲取小類標(biāo)簽對應(yīng)的個類樣本的紅外光譜，構(gòu)建小類標(biāo)簽對應(yīng)的類光譜集，其中，為小類標(biāo)簽對應(yīng)的第個類樣本的紅外光譜,。

27、進一步的，通過偏差修正法生成類標(biāo)準(zhǔn)光譜包括以下具體步驟：

28、獲取小類標(biāo)簽對應(yīng)的類光譜集，提取類樣本集中所有類樣本對應(yīng)的成分比例表以構(gòu)建類成分比例集；

29、計算類成分比例集中所有成分比例表的均值以獲取類均成分比例表；

30、計算類成分比例集中每個成分比例表對應(yīng)的比例總差值以構(gòu)建比例總差集，將比例總差集取負(fù)并通過softmax函數(shù)生成類權(quán)重集，并基于類權(quán)重集對類光譜集進行加權(quán)求和生成類標(biāo)準(zhǔn)光譜。

31、進一步的，成品質(zhì)檢算法用于處理樣本質(zhì)檢任務(wù)，包括以下具體步驟：

32、獲取待檢樣本，假設(shè)待檢樣本共包括個部件，且已知個部件分別對應(yīng)標(biāo)準(zhǔn)比對數(shù)據(jù)庫中已有的小類標(biāo)簽，為部件總數(shù)，其中，為第個部件對應(yīng)的標(biāo)準(zhǔn)比對數(shù)據(jù)庫中已有的小類標(biāo)簽,；

33、鎖定第部件，基于性狀定向制譜策略獲取第部件的紅外光譜，為部件編號；

34、查詢標(biāo)準(zhǔn)比對數(shù)據(jù)庫，獲取小類標(biāo)簽對應(yīng)的類標(biāo)準(zhǔn)光譜；

35、執(zhí)行相似度判決，判斷第部件的紅外光譜與類標(biāo)準(zhǔn)光譜的余弦相似度是否大于或等于相似度閾值；

36、若為否則判定待檢樣本不合格，若為是，則執(zhí)行部件窮盡判決，判斷部件編號是否達到部件總數(shù)，若已達到，則判定待檢樣本合格，反之，則鎖定第部件，獲取第部件的紅外光譜以繼續(xù)執(zhí)行相似度判決。

37、進一步的，成分分析算法用于處理樣本分析任務(wù)，包括以下具體步驟：

38、獲取待檢樣本，鎖定第部件并基于性狀定向制譜策略獲取第部件的紅外光譜，

39、執(zhí)行自適應(yīng)獲取，假設(shè)標(biāo)準(zhǔn)比對數(shù)據(jù)庫中此時共有個小類標(biāo)簽，基于已有的個小類標(biāo)簽是否為缺失狀態(tài)選擇獲取類標(biāo)準(zhǔn)光譜或比對紅外光譜；

40、執(zhí)行相似度比對，將個類標(biāo)準(zhǔn)光譜或比對紅外光譜依次與第部件的紅外光譜計算余弦相似度以獲取最大余弦相似度，并判斷是否大于或等于相似度閾值；

41、若大于或等于相似度閾值，假設(shè)對應(yīng)于小類標(biāo)簽，執(zhí)行標(biāo)簽狀態(tài)分析，判斷小類標(biāo)簽是否為缺失狀態(tài)，若不為缺失狀態(tài)則提取類均成分比例表作為成分比例表，反之則通過光譜鑒定法獲取成分比例表，將成分比例表和第部件的紅外光譜分別置入小類標(biāo)簽對應(yīng)的類成分比例集和類光譜集中；

42、進一步執(zhí)行數(shù)量達標(biāo)判決，判斷類樣本總數(shù)是否達到數(shù)量閾值，若已達到，通過偏差修正法生成類均成分比例表和類標(biāo)準(zhǔn)光譜，取消小類標(biāo)簽的缺失狀態(tài)；

43、若小于相似度閾值，通過光譜鑒定法獲取成分比例表，賦予第部件小類標(biāo)簽，將成分比例表和第部件的紅外光譜分別作為比對成分比例表和比對紅外光譜，在標(biāo)準(zhǔn)比對數(shù)據(jù)庫中開辟新空間，將比對成分比例表和比對紅外光譜分別置入小類標(biāo)簽對應(yīng)的類成分比例集和類光譜集中，設(shè)置小類標(biāo)簽為缺失狀態(tài)；

44、執(zhí)行部件窮盡判決，判斷部件編號是否達到部件總數(shù)，若已達到，則待檢樣本分析完成，反之則鎖定第部件，繼續(xù)執(zhí)行自適應(yīng)獲取和相似度比對，并自主決斷是否執(zhí)行標(biāo)簽狀態(tài)分析和數(shù)量達標(biāo)判決直至待檢樣本分析完成。

45、更進一步的，光譜鑒定法包括以下具體步驟：

46、確定第部件的大類為布類或膠類，獲取第部件的紅外光譜，通過s-v濾波預(yù)處理第部件的紅外光譜生成第部件的優(yōu)質(zhì)紅外光譜；

47、通過pca算法提取第部件的優(yōu)質(zhì)紅外光譜中的個主特征以構(gòu)成主特征序列；

48、基于第部件的大類選擇對應(yīng)預(yù)訓(xùn)練的ls-svm模型，將主特征序列輸入ls-svm模型，獲取第部件的成分序列，成分序列中包括第部件中的個成分，個成分分別與個主特征一一對應(yīng)，故滿足，ls-svm模型的核函數(shù)選用rbf函數(shù)，rbf函數(shù)包括方差和懲罰因子兩個主要參數(shù)；

49、基于第部件的大類選擇對應(yīng)預(yù)訓(xùn)練的偏最小二乘模型處理主特征序列，測定個主特征對應(yīng)的個成分的成分比例以獲取第部件的成分比例表。

50、更進一步，ls-svm模型和偏最小二乘模型分別針對布類和膠類進行預(yù)訓(xùn)練，以布類為例，ls-svm模型和偏最小二乘模型的預(yù)訓(xùn)練包括以下具體步驟：

51、從標(biāo)準(zhǔn)比對數(shù)據(jù)庫中獲取所有布類的原材料對應(yīng)的小類標(biāo)簽和類標(biāo)準(zhǔn)光譜以構(gòu)建布類原材料數(shù)據(jù)集用于訓(xùn)練ls-svm模型；

52、依據(jù)一定比例劃分布類原材料數(shù)據(jù)集為訓(xùn)練集和驗證集，設(shè)置rbf函數(shù)的方差，懲罰因子；

53、選擇ls-svm模型的損失函數(shù)為均方根誤差，采用隨機梯度下降法進行預(yù)訓(xùn)練，訓(xùn)練輪次和初始學(xué)習(xí)率分別設(shè)置為100和0.01，直至ls-svm模型的損失函數(shù)收斂，固定ls-svm模型的超參數(shù)，采用驗證集進行檢驗；

54、從標(biāo)準(zhǔn)比對數(shù)據(jù)庫中獲取所有布類的成品部件對應(yīng)的類均成分比例表和類標(biāo)準(zhǔn)光譜，通過pca處理類標(biāo)準(zhǔn)光譜生成對應(yīng)的主特征序列，基于主特征序列和類均成分比例表構(gòu)建布類成品部件數(shù)據(jù)集用以訓(xùn)練偏最小二乘模型；

55、設(shè)置偏最小二乘模型的評價準(zhǔn)則，評價準(zhǔn)則包括相關(guān)系數(shù)、交叉檢驗標(biāo)準(zhǔn)差和預(yù)測標(biāo)準(zhǔn)差，采用布類成品部件數(shù)據(jù)集中的80擬合偏最小二乘模型，并通過剩余20進行檢驗。

56、基于上述方法的進一步改進，改進的光譜鑒定法增添gan網(wǎng)絡(luò)實現(xiàn)布類和膠類的特征對齊，采用殘差卷積網(wǎng)絡(luò)、維度適應(yīng)網(wǎng)絡(luò)和異步卷積網(wǎng)絡(luò)代替pca，從多角度深層次提取紅外光譜中的特征，同時采用成分預(yù)測網(wǎng)絡(luò)代替偏最小二乘模型，獲取第部件的成分比例表。

57、優(yōu)選的，改進的光譜鑒定法包括以下具體步驟：

58、獲取第部件的紅外光譜，通過s-v濾波預(yù)處理第部件的紅外光譜以生成第部件的優(yōu)質(zhì)紅外光譜；

59、將第部件的優(yōu)質(zhì)紅外光譜輸入gan網(wǎng)絡(luò)以消除布類和膠類的特征差異，生成統(tǒng)一紅外光譜；

60、通過殘差卷積網(wǎng)絡(luò)深度提取統(tǒng)一紅外光譜中的主要特征，并通過維度適應(yīng)網(wǎng)絡(luò)調(diào)整主要特征維度，生成適維特征；

61、異步卷積網(wǎng)絡(luò)通過3個不同的卷積塊同時處理適維特征，從不同角度輸出3個卷積特征，并連接得到多模態(tài)特征；

62、將多模態(tài)特征輸入成分預(yù)測網(wǎng)絡(luò)，采用降維器將多模態(tài)特征降維至，為總成分表的維度，并通過softmax回歸器自適應(yīng)預(yù)測個成分的成分比例，輸出成分比例表。

63、具體的，殘差卷積網(wǎng)絡(luò)基于resnet18網(wǎng)絡(luò)改進，將resnet18網(wǎng)絡(luò)中的卷積核替換為的卷積核，設(shè)置4個殘差塊，4個殘差塊對應(yīng)的通道數(shù)分別為、、和，異步卷積網(wǎng)絡(luò)中3個卷積塊為第一卷積塊、第二卷積塊和第三卷積塊，第一卷積塊采用的卷積核進行卷積并進行池化，第二卷積塊采用的卷積核進行卷積，第三卷積塊先采用的卷積核進行卷積，再采用的卷積核進行卷積。

64、進一步的，改進的光譜鑒定法中包括gan網(wǎng)絡(luò)、殘差卷積網(wǎng)絡(luò)、異步卷積網(wǎng)絡(luò)和成分預(yù)測網(wǎng)絡(luò)，預(yù)訓(xùn)練所用的數(shù)據(jù)集由標(biāo)準(zhǔn)比對數(shù)據(jù)庫中的類標(biāo)準(zhǔn)光譜和類均成分比例表構(gòu)成，損失函數(shù)選擇交叉熵，采用adam優(yōu)化算法進行訓(xùn)練，訓(xùn)練輪次和初始學(xué)習(xí)率分別設(shè)置為500和0.001，訓(xùn)練完成后固定超參數(shù)。

65、上述改進的光譜鑒定法的有益效果在于，通過gan網(wǎng)絡(luò)實現(xiàn)了布類和膠類的特征對齊，不必分開訓(xùn)練，同時采用殘差卷積網(wǎng)絡(luò)、維度適應(yīng)網(wǎng)絡(luò)和異步卷積網(wǎng)絡(luò)從多角度獲取紅外光譜中的深層次的特征，使特征提取不再局限于pca的數(shù)量上限，同時通過回歸性能更好的成分預(yù)測網(wǎng)絡(luò)代替偏最小二乘模型，大大提升了成分比例表的預(yù)測精度。

66、應(yīng)用于防護膠帶的光譜檢測系統(tǒng)，用于實現(xiàn)上述應(yīng)用于防護膠帶的光譜檢測方法，包括分類模塊、收集模塊、掃描模塊、存儲模塊和任務(wù)模塊；

67、分類模塊生成基準(zhǔn)樣本的成分比例表，基于自適應(yīng)分類策略賦予基準(zhǔn)樣本小類標(biāo)簽，并生成缺譜數(shù)據(jù)包；

68、收集模塊獲取缺譜數(shù)據(jù)包，發(fā)起掃描請求以獲取紅外光譜，并生成全數(shù)據(jù)包交付存儲模塊；

69、掃描模塊響應(yīng)掃描請求，識別請求方和編號，基于性狀定向制譜策略獲取紅外光譜并反饋請求方，編號包括基準(zhǔn)樣本編號和部件編號；

70、存儲模塊接收全數(shù)據(jù)包并分類存儲至標(biāo)準(zhǔn)比對數(shù)據(jù)庫，并控制小類標(biāo)簽缺失狀態(tài)的設(shè)置和取消；

71、任務(wù)模塊獲取并識別待辦任務(wù)，自主選擇成品質(zhì)檢算法或成分分析算法完成待辦任務(wù)。

72、進一步的，分類模塊包括制表單元、第一主存單元、分類單元和通信單元；

73、第一主存單元長期存儲總成分表；

74、制表單元獲取總成分表和基準(zhǔn)樣本的已知成分比例，生成全零碼并將已知成分比例填入全零碼對應(yīng)位置，生成基準(zhǔn)樣本的成分比例表；

75、分類單元獲取基準(zhǔn)樣本的成分比例表，基于自適應(yīng)分類策略賦予小類標(biāo)簽，打包小類標(biāo)簽、基準(zhǔn)樣本編號和成分比例表生成缺譜數(shù)據(jù)包；

76、通信單元接收并暫存基準(zhǔn)樣本的已知成分比例，傳輸缺譜數(shù)據(jù)包至中轉(zhuǎn)模塊。

77、進一步的，中轉(zhuǎn)模塊包括補充單元和傳輸單元；

78、補充單元接收缺譜數(shù)據(jù)包，提取基準(zhǔn)樣本編號，生成掃描請求并發(fā)送至掃描模塊以獲取基準(zhǔn)樣本的紅外光譜，補入缺譜數(shù)據(jù)包生成全數(shù)據(jù)包；

79、傳輸單元將全數(shù)據(jù)包轉(zhuǎn)發(fā)至存儲模塊。

80、進一步的，存儲模塊包括歸類單元和第二主存單元；

81、歸類單元接收全數(shù)據(jù)包并從中提取小類標(biāo)簽，判斷是否為標(biāo)準(zhǔn)比對數(shù)據(jù)庫中已有的小類標(biāo)簽，若為已有，提取全數(shù)據(jù)包中的成分比例表和紅外光譜直接存入標(biāo)準(zhǔn)比對數(shù)據(jù)庫，若無，則標(biāo)記生成小類標(biāo)簽對應(yīng)的比對成分比例表和比對紅外光譜，存入第二主存單元并設(shè)置小類標(biāo)簽為缺失狀態(tài)；

82、第二主存單元存儲標(biāo)準(zhǔn)比對數(shù)據(jù)庫，實時判斷處于缺失狀態(tài)的小類標(biāo)簽的類樣本總數(shù)是否達到數(shù)量閾值，若達到則通過偏差修正法生成類均成分比例表和類標(biāo)準(zhǔn)光譜，并取消小類標(biāo)簽的缺失狀態(tài)。

83、進一步的，任務(wù)模塊包括判斷單元、質(zhì)檢單元、分析單元；

84、判斷單元接收并識別待檢任務(wù)以選擇啟用質(zhì)檢單元或分析單元；

85、質(zhì)檢單元執(zhí)行成品質(zhì)檢算法，識別待檢樣本的部件總數(shù)和小類標(biāo)簽，對于第部件，基于部件編號生成掃描請求，獲取第部件的紅外光譜并判斷待檢樣本是否合格；

86、分析單元執(zhí)行成分分析算法，識別待檢樣本的部件總數(shù)，對于第部件，基于部件編號生成掃描請求，獲取第部件的紅外光譜，通過比對已有的類標(biāo)準(zhǔn)光譜或比對紅外光譜抉擇是否直接從標(biāo)準(zhǔn)請求數(shù)據(jù)庫中獲取小類標(biāo)簽和成分比例表，若為否，則通過光譜鑒定法獲取成分比例表，并賦予第部件新的小類標(biāo)簽，組合新的小類標(biāo)簽、部件編號、成分比例表和第部件的紅外光譜生成全數(shù)據(jù)包并轉(zhuǎn)發(fā)至存儲模塊。

87、本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點在于：

88、1、通過構(gòu)建成分比例表以量化基準(zhǔn)樣本，設(shè)計自適應(yīng)分類策略以自動賦予基準(zhǔn)樣本小類標(biāo)簽，同時，針對基準(zhǔn)樣本的物理性狀，采用性狀定向制譜法獲取基準(zhǔn)樣本精確的紅外光譜，并通過偏差修正法生成類均成分比例表和類標(biāo)準(zhǔn)光譜以統(tǒng)一代表該小類標(biāo)簽，減少后續(xù)樣本質(zhì)檢或樣本分析任務(wù)的復(fù)雜度，自動化構(gòu)建完備的標(biāo)準(zhǔn)比對數(shù)據(jù)庫；

89、2、將待檢樣本劃分為部件，設(shè)計成品質(zhì)檢算法，將單一部件的紅外光譜與標(biāo)準(zhǔn)比對數(shù)據(jù)庫中對應(yīng)小類標(biāo)簽的類均標(biāo)準(zhǔn)譜進行比對，可以批量化的進行高效精確的樣本質(zhì)檢；

90、3、將待檢樣本劃分為部件，設(shè)計成分分析算法，智能判斷待檢樣本的單一部件是否對應(yīng)標(biāo)準(zhǔn)數(shù)據(jù)庫中已有的小類標(biāo)簽，若無法對應(yīng)已有的小類標(biāo)簽，設(shè)計了兩種光譜分析法以精確預(yù)測單一部件的成分比例表，并自動更新標(biāo)準(zhǔn)比對數(shù)據(jù)庫，實現(xiàn)了未知待檢樣本的自動化成分分析。