Spektroskopie und Chemometrie Neuigkeiten Wöchentlich #17-18, 2017

Chemometrics

Conferentia Chemometrica 2017, 3–6 September 2017, Gyöngyös, Farkasmály, Hungary. | chemometrics LINK

“Chaos theory in chemistry and chemometrics: a review” LINK

Predicting herbivore faecal nitrogen using a multispecies near-infrared reflectance spectroscopy calibration. LINK

Calibration transfer of flour NIR spectra between benchtop & portable instruments | directstandardization spectro LINK



Near Infrared

Fast Detection of Paprika Adulteration Using FT-NIR Spectroscopy LINK

How to analyze food and future requirements for NIR spectroscopy LINK



Infrared

“On-Site Analysis of Cannabis Potency Using Infrared Spectroscopy” LINK



Raman

5th International Taiwan Symposium on Raman Spectroscopy (TISRS 2017) 27–30 June 2017, Chiayi, Taiwan. LINK



Hyperspectral

Corning and PrecisionHawk and partnership enables hyperspectral imaging on drones LINK

Employing NIR-SWIR hyperspectral imaging to predict the smokiness of scotch whisky LINK

Defect detection of green coffee by NIR-hyperspectral imaging and multivariate pattern recognition LINK



Equipment

Getting ready for the LinkSquare SDK kickstarter with some beauty shots of our handheld spectrometer! LINK!

“Learning about Spectroscopy with Ocean Optics” LINK

Agriculture

Analysis of multiple soybean phytonutrients by near-infrared reflectance spectroscopy LINK



Other

A great demonstration of why we need to plot the data and never trust statistics tables! LINK





Spektroskopie und Chemometrie Neuigkeiten Wöchentlich #5+6, 2017


Chemometrics

Non-Destructive Sensor-Based Prediction of Maturity and Optimum Harvest Date of Sweet Cherry Fruit | sensors LINK


IDC unveils its Top 10 Predictions for global Robotics Industry Industry40 Robotics LINK


Spectroscopy

Global Molecular Spectroscopy Market is expected to reach USD 6.712 billion till 2024. htt… LINK!


Near Infrared

Assessing pre-harvest sprouting in cereals using near-infrared spectroscopy-based metabolomics LINK


Rapid screening of commercial extra virgin olive oil products for authenticity: Performance of a handheld NIR device LINK


Hyperspectral

Imec () launches TDI, multispectral and hyperspectral sensors | imaging HSI LINK


Near-infrared hyperspectral imaging of lamination and finishing processes in textile technology LINK


Spectral Imaging

Viavi Solutions and ESPROS Photonics Corporation Debut New Miniaturized Spectral Sensor and Multispectral Sensor LINK


Equipment

Meta-lenses bring benchtop performance to small, hand-held spectrometer – Science Daily LINK



Scan anywhere with Neospectra Spectrometer Case powered by XPNDBLS PhotonicsWest … LINK!


Agriculture

World feed production exceeds 1 billion MT LINK


Chemometric soil analysis on the determination of specific bands for the detection of magnesium & potassium by … LINK


Other

This app uses spectral analysis to analyze objects and their makeup HawkSpex LINK


Research details developments in the multivariate analysis software industry | MVA LINK

“The worlds first ever spectroscopy enabled iPhone!” Check out our video to see it in action: LINK


Investments in AI will triple in 2017. ($47 billion by 2020 per ) CIO CMO | LINK


Some aspects of fetal development have long puzzled scientists, but new molecular technologies are shining a light: https:/… LINK!


CalibrationModel.com

Spectroscopy and Chemometrics News Weekly 3+4, 2017 | Spectroscopy NIRS MVDA… LINK


Spektroskopie und Chemometrie Neuigkeiten Wöchentlich 3+4, 2017 | NIRS Spektroskopie Chemometrie Multivariate LINK


Spettroscopia e Chemiometria Weekly News 3+4, 2017 | NIRS Spettroscopia Chemiometria news LINK


WHITE PAPER: A novel knowledge-based Chemometric Software Framework for quantitative NIRS Calibration Modeling LINK



Improve Accuracy of fast non-destructive NIR Measurements by Optimal Calibration | spectroscopy sensor modeling LINK


NIRS as a secondary method requires extensive calibration on an ongoing basis | foodindustry Digitalization IoT LINK


Services for Optimization of Chemometric Application Methods of Near-Infrared Spectroscopy | Quality Control NIRS LINK


► Timesaving NIRS Calibration ► near-infrared spectroscopy | protein fat moisture sensor measurement scanning LINK





Arbeitsweisen zur NIR Kalibrierung – Erstellung von NIRS-Spektroskopie Kalibrierungskurven

Kennen Sie den Effekt, dass Sie bevorzugt ihre Lieblings-Datenvorbehandlungen in Kombination durchprobieren und oft die gleichen Wellenlängen-Selektionen anhand der visualisierten Spektren ausprobieren?

Man probiert z.B. sechs bis zehn Kombinationen aus, bis man davon sein favorisiertes Kalibrationsmodell auswählt, um es dann weiter zu optimieren. Da fallen dann plötzlich Ausreisser (Outlier) auf, weil man in die Tiefe geht, also mit den Daten vertraut ist, man kennt mittlerweile die Spektren-Nummern der Ausreisser und ist mit den Extremwerten vertraut.

Jetzt fokussiert man sich auf die Hauptkomponenten (Principal Components, Latent Variables, Faktoren) und achtet darauf nicht zu über-fitten und nicht zu unter-fitten. Das ganze dauert ein paar Stunden und schliesslich begnügt man sich mit dem gefundenen Modell.

Was wäre nun, wenn man in all den zu Beginn ausprobierten Varianten, die gefundenen Ausreisser entfernt und nochmals berechnet und vergleicht? Wären die Ergebnisse besser als die von der bisherigen Modell Wahl? Man probiert es nicht aus? Weil es mühsam ist und wieder Stunden dauert?

Wir haben eine Software entwickelt die dies so vereinfacht, dass auch die Anzahl der Modell Variationen beliebig erhöht werden kann. Die Varianten Erzeugung läuft automatisiert mit einem intelligenten Regelsystem, so auch die Optimierung und das Vergleichen der Modelle und schliesslich die finale Auswahl des Besten Kalibrations Modell.

Unsere Software beinhaltet alle üblichen bekannten Datenvorbehandlungs Methoden (Preteatments) und kann diese sinnvoll kombinieren. Da viele Preteatments direkt abhängig sind von der Wellenlängen Selektion, so z.B. die Normalisierungen die innerhalb eines Wellenlängen-Bereiches die Skalierungsfaktoren ermittelt, um die Spektren damit zu normieren, werden die Pretreatments mit dem Wellenlängen-Bereichen kombiniert. So kommt eine Vielzahl von sinnvollen Modell Einstellungen zusammen die alle berechnet und optimiert werden.

Für die automatische Auswahl der relevanten Wellenlängen Bereiche kommen verschiedene Methoden zum Einsatz, die sich an den Spektren Intensitäten orientieren. So werden z.B. Bereiche mit Totalabsorption nicht verwendet, oftmals störende Wasserbanden entfernt oder beibehalten.

Über all die berechneten Modell Variationen können so zusammenfassende Outlier Analysen gemacht werden. Werden durch die gefahrenen Versuche neue Outlier (Hidden Outlier) entdeckt, können alle bisherigen Modelle automatisch ohne diese Ausreisser nachberechnet, optimiert und verglichen werden.

Aus dieser Vielzahl berechneter Modelle mit deren Statistischen Güte Bewertungen (Prediction Performance) kann nun die optimale Kalibration ausgewählt werden. Dazu wird nicht einfach nach dem Vorhersage Fehler (Prediction Error, SEP, RMSEP) oder nach dem Bestimmtheitsmaß (Coefficient of Determination r2) sortiert, sondern mehrere Statistik- und Testwerte gemeinsam zur umfänglichen Beurteilung der optimalen Kalibration herangezogen.

Somit haben wir eine Plattform geschaffen, die es ermöglicht hochgradig automatisiert das zu tun, was ein Mensch niemals mit einer handelsüblichen Software tun kann.

Wir bieten damit die grösste Anzahl auf Ihr Applikations-Problem angepasste Modellierungs-Berechnungen und wählen die beste Kalibration für Sie aus!

Das heisst, unsere Ergebnisse sind schneller, genauer, robuster und objektiv ausgewählt (Personen unabhängig) und für Sie ganz einfach anzuwenden.

Die Kontrolle über die von uns gelieferten Modelle haben Sie vollumfänglich, denn wir liefern einen klar strukturierten und detaillierten Bauplan der  kompletten Kalibration, mit allen Einstellungen und Parametern, mit allen notwendigen Statistischen Kenngrössen und Grafiken.

Anhand dieses Bauplans können Sie das quantitative Kalibrations Modell selbst in der von Ihnen verwendeten Software nachstellen, nachvollziehen und vergleichen. Sie haben so alles im Griff, für die Modell-Validierung und die Modellpflege.

Der Datenschutz ist uns sehr wichtig. Die NIR Daten, die Sie uns für die Kalibrations-Erstellung kurzzeitig zu Verfügung stellen bleiben selbstverständlich Ihr Eigentum. Ihre NIR Daten werden nach Abschluss des Auftrags bei uns gelöscht.

Interessiert, dann zögern Sie nicht uns zu kontaktieren.

NIR Spectroscopy Calibration Report for quantitative predictive models

When you send your quantitative NIR spectra data to our NIR Calibration Model Service, you get a detailed calibration report (calibration protocol) of the found optimal calibration settings, so you are able to see all insights and easily re-build the model in your NIR/Chemometric software.

Here is a part of our calibration report, that exactly describes the data used in the calibration set (CSet), the validation set (VSet) and the test set (TSet). The numbers are the number ids of the spectra in your delivered NIR data file.


The calibration method settings and parameters are
Waveselection : the variable selection or wavenumber selection or wavelength selection
Pretreatments : the spectral data pre-processing
PCs : the number of Principal Components (PC) or Latent Variables (LV)
Method : the modeling method algorithm used, e.g. PLS

Then the statistical analysis of the PLS model by the different sets (CSet, VSet, Tset).

Calibration Report

Statistical analysis of calibration, validation and test results : 1 Name, 2 Unit, 3 N : number of spectra, 4 N : number of samples, 5 Average spectra count per sample, 6 Reference values, 7 Min, 8 Mean, 9 Median, 10 Max, 11 Standard deviation, 12 Skewness : left (-) or right (+) lack of symmetry, 13 Kurtosis : flat (-) or peaked (+) shape, 14 Model statistics, 15 RPD, 16 R², 17 RMSEC, RMSEP, RMSET : root mean square of prediction errors, 18 SEC, SEP, SET : standard error (bias corrected), 19 Bias, 20 Skewness of prediction errors, 21 Kurtosis of prediction errors, 22 Intercept, 23 Slope, 24 Intercept (reverse), 25 Slope (reverse), 26 Sample Prediction Repeatability Error, 27 Sample Prediction Repeatability Error (of Missing data MSet)

This shows how we deliver the optimal settings. With the statistical values, the NIR model predicted values of all spectra and additional plots you are able to compare with your re-built model to verify that the models perform nearly equally.