[发明专利]频谱分析装置及频谱分析方法

说明书

本发明的频谱分析装置(1)是基于包含多个基准物中的任意一个或两个以上的基准物的分析对象物所产生的光的频谱对该分析对象物进行分析的装置，且具备排列变换部(10)、处理部(20)、学习部(30)及分析部(40)。排列变换部(10)基于基准物或分析对象物所产生的光的频谱而产生二维排列数据。处理部(20)具有深度神经网络。分析部(40)通过排列变换部(10)基于分析对象物所产生的光的频谱而使二维排列数据产生，使该二维排列数据作为分析对象数据输入至深度神经网络，且基于自深度神经网络输出的数据对分析对象物进行分析。由此，实现能高效率地进行高精度的频谱分析的装置。

技术领域

本发明关于一种基于分析对象物所产生的光的频谱对该分析对象物进行分析的装置及方法。

背景技术

分析对象物所产生的光的频谱具有对应于分析对象物所包含的成分的种类或比例的形状。因此，基于分析对象物所产生的光的频谱可对该分析对象物进行分析。在分析对象物所产生的光的频谱，包含根据向分析对象物的光照射而在该分析对象物产生的光(例如，通过反射光、透射光、散射光、荧光、及非线性光学现象(例如拉曼散射等)产生的光)的频谱，另外，包含通过分析对象物的化学反应而产生的化学发光的频谱。进而，在光的频谱，也包含自透射光或反射光所得的折射率或吸收系数的频谱。此处所言的光并不限定于紫外光、可见光、红外光，也包含例如太赫兹波等。

以往，在进行此种频谱分析时使用多变量分析。作为多变量分析也已知使用主成分分析、分类器、回归分析等，并组合这些的解析手法。另外，在专利文献1，暗示使用深度神经网络(Deep Neural Network)进行频谱分析。若使用深度神经网络则可高效率地进行高精度的图像确认等(参照非专利文献1)，故若可使用深度神经网络进行频谱分析，则期待与使用多变量分析的情形相比可高效率地进行高精度的分析。

[现有技术文献]

[专利文献]

专利文献1：日本特开2017-90130号公报

[非专利文献]

非专利文献1；O.Russakovsky et al.,ImageNet Large Scale VisualRecognition Challenge,Int.J.Comput.Vis.115,2015,pp.211-252

非专利文献2：R.R.Selvaraju et al.,Grad-CAM:Visual Explanations fromDeep Networks via Gradient-based Localization,arXiv:1610.02391,2017

非专利文献3：D.Smilkov et al.,SmoothGrad:removing noise by addingnoise,arXiv:1706.03825,2017

发明内容

[发明所要解决的问题]

但，在专利文献1，对使用深度神经网络进行频谱分析时的具体顺序无任何记载。另外，在非专利文献1，并未暗示使用深度神经网络进行频谱分析。

本发明为解决上述问题点而完成，其目的在于提供一种可高效率地进行高精度的频谱分析的装置及方法。

[解决问题的技术手段]

本发明的频谱分析装置为基于包含多个基准物中的任意一个或两个以上的基准物的分析对象物所产生的光的频谱对该分析对象物进行分析的装置，且具备：(1)排列变换部，其基于光的频谱而产生二维排列数据；(2)处理部，其具有深度神经网络；(3)及分析部，其使通过排列变换部基于分析对象物所产生的光的频谱而产生的二维排列数据输入至深度神经网络，且基于自深度神经网络输出的数据对分析对象物进行分析。