Die Erfindung betrifft eine Vorrichtung und ein Verfahren zum Identifizieren eines oder mehrerer spektraler Merkmale in einem Spektrum zumindest einer Probe für eine Inhaltsstoffanalyse der Probe.

Besonders im Bereich der Analyse und Qualitätskontrolle von Lebensmitteln und Agrarprodukten, aber auch in vielen anderen Bereichen, beispielsweise in medizinischen Analysen wie einer Blutzuckerbestimmung oder im Bereich von Bodenanalysen oder Analysen von Schüttgütern in Sortieranlagen, ist die optische Spektroskopie eine schnelle und zerstörungsfreie Messmethode. Ein spektraler Sensor erfasst dabei ein Lichtspektrum, beispielsweise ein Transmissions-, Reflexions- oder Emissionsspektrum, und wandelt es in ein digitales Signal mit einer Anzahl N von diskreten Werten y(L,) für die Wellenlängen L, mit i = 1, ... N um. Die Menge der diskreten Werte y(L,) kann dann als Spekt- rum Y bezeichnet werden.

Durch eine Analyse des gemessenen Spektrums Y, der gemessenen spektralen Signatur, kann die Abhängigkeit des Spektrums von chemischen Eigenschaften der Probe modelliert werden und so deren Inhaltsstoffe bestimmt werden. Das die Abhängigkeit beschreibende Modell wird auch als chemometrisches

Modell bezeichnet. Die optische Spektroskopie in Kombination mit dem chemometrischen Modell ermöglicht den Verzicht auf umfangreiche chemische Analysemethoden, welche in der Regel mit einer Zerstörung der Probe(n) einhergehen. So kann durch optische Spektroskopie z.B. eine Analyse von Qualität, Haltbarkeit oder Quantifizierung von Inhaltsstoffen im Regelbetrieb,

„in-line" in einer Fertigungsstraße durchgeführt werden.

Allerdings erfordert das Erstellen chemometrischer Modelle eine große Zahl unterschiedlicher Proben und Messungen und ist üblicherweise mit einem hohen Aufwand und großen Kosten verbunden. Um beispielsweise eine Korrelation zwischen der Keimbelastung von Hackfleisch mit Veränderungen in der spektralen Signatur zu bestimmen, müssen Proben aus unterschiedlichen Quellen mit jeweiliger unterschiedlicher Lagerdauer erstellt und die Keimbelastung durch ein Referenzanalyseverfahren ermittelt werden.

Zudem wird die Analyse der spektralen Signatur durch Überlagerungen verschiedener Signale unterschiedlichen Ursprungs erschwert. Insgesamt enthält eine spektrale Signatur die überlagerten Signale aus chemischen und physikalischen Eigenschaften und wird durch die Umgebung, beispielsweise spezifi- sehe Sensoreigenschaften des genutzten spektralen Sensors und geometrische Eigenschaften des Spektroskops gestört. Faktoren, welche die spektrale Signatur beeinflussen, sind folglich beispielsweise:

Chemische Eigenschaften der Probe, welche durch Absorption und Fluoreszenzeffekte bestimmt sind, die mit spezifischen Anregungen von Elektronenzuständen und Molekülschwingungen zusammenhän- gen und so eine materialspezifische spektrale Signatur erzeugen.

Physikalische Eigenschaften, welche beispielsweise durch die Probenform, eine Oberflächenbeschaffenheit der Probe oder, bei einer in Pulverform vorliegenden Probe, von einem Mahlgrad des Pulvers abhän- gen sowie weiteren Eigenschaften abhängen.

Eigenschaften des genutzten spektralen Sensors, welche beispielsweise durch unterschiedliche Signalstärke oder verschiedene spektrale Messbereiche bedingt sind, erschweren die Vergleichbarkeit von Messergebnissen unterschiedlicher Messvorrichtungen.

- Geometrische Eigenschaften des Spektroskops wie beispielsweise eine veränderliche Geometrie zwischen dem Messobjekt und dem Sensor bzw. der Lichtquellen und dem Sensor verändern ebenfalls die gemessene spektrale Signatur und erschweren so ebenfalls die Vergleichbarkeit unterschiedlicher Messvorrichtungen.

Diese und andere Störungen bzw. Überlagerungen haben zur Folge, dass spektrale Messungen mit verschiedenen Geräten selbst wenn sie vom selben Hersteller hergestellt sind und dem gleichen Typ oder der gleichen Baureihe angehören, nicht identisch und somit nicht direkt vergleichbar sind. Dies führt dazu, dass chemometrische Modelle, über welche aus der gemessenen spektralen Signatur, dem gemessenen Spektrum, eine Inhaltsstoffanalyse jeweiliger Proben durchgeführt werden kann, in der Regel gerätespezifisch sind und nicht für die Auswertung von Messungen von anderen spektrokopischen Messgeräten genutzt werden können. Um nun spektrokopische Messungen mit verschiedenen Sensoren oder verschiedenen Geräten in einer Datenbank nutzbar zu machen oder sensorübergreifende Analysemodelle entwickeln zu können, muss eine Vergleichbarkeit der optischen Messdaten über ein geeignetes Verfahren hergestellt werden. Überdies erzeugen spektrale Sensoren und damit Spektroskope hochdimen- sionale Daten, die üblicherweise eine Redundanz aufweisen. Folglich wird für viele Aufgabenstellungen, beispielsweise die Identifikation bestimmter vorgegebener Stoffe in einer Probe, nicht das gesamte Spektrum benötigt, sondern es genügen einzelne oder mehrere vorgegebene spezifische spektrale Merk- male. Durch die Extraktion solcher spezifischer Merkmale kann beispielsweise der benötigte Speicherplatz für Datenbanken verringert werden. Derzeit ein- gesetzte Verfahren zur Kompression und/oder Dimensionsreduktion der Sensordaten wie z.B. die bekannte Hauptkomponentenanalyse (Primary Compo- nent Analysis; PCA) haben den Nachteil, dass durch die jeweilige Transformation die Interpretierbarkeit der Daten verloren geht.

Bisherige Verfahren zur Analyse spektraler Signaturen sind, wie beispielsweise dem 2006 bei Wiley erschienenen Buch„Multivariate Datenanalyse: Für die Pharma-, Bio- und Prozessanalytik" von W. Kessler zu entnehmen, datengetrieben. Die Werte y(L,) ergeben einen Punkt in einem N-dimensionalen Mus- terraum. Der betrachtete Merkmalsraum, welcher zur Analyse der Inhaltsstoffe genutzt wird, ist in der Regel mit diesem Musterraum identisch. Dabei ist es allerdings gängige Praxis, lediglich einen niedrigdimensionalen Unterraum des Musterraums als Merkmalsraum zu verwenden. Häufig wird eine Hauptkomponentenanalyse zur Abbildung in den Unterraum verwendet.

In einem Analysemodell wird sodann der Merkmalsraum interpretiert. Beispielsweise können Materialien und Inhaltsstoffe der Probe durch die Bestimmung von Distanzmaßen innerhalb des Merkmalsraums und die Definition bestimmter Volumina quantifiziert werden. Gängige Verfahren zur Klassifi- zierung sind dabei unter anderem Stützvektormaschinen (Support Vector Machines, SVM), die Klassifikation mit mehreren unkorrellierten Entscheidungsbäumen, die sogenannte Random Forrest-Methode, oder mittels einer Regression, beispielsweise der PLSR-Regression. Werden nun unterschiedliche Sensoren oder Geräte verwendet, so wird der neue Sensor, der Sekundärsensor, in seinen Eigenschaften an einen anderen Sensor, den Primärsensor, angeglichen. Dies erfordert Messungen von verschiedenen identischen Referenznormalen, wie es beispielsweise in dem Review-Artikel„Transfer of Multivariate Calibration Models: A Review" von Ro- bert N. Fodale et al. in Chemometrics and Intelligent Laboratory Systems 64

(2002) auf den Seiten 181 - 192 beschrieben ist. Auch Wavelet- Transformationen sind zur Extraktion von Merkmalen, insbesondere zur Peak- Detektion sowie zur Kompression von Daten bereits bekannt. Im Kontext der Analyse spektrokopischer Daten sei hier beispielsweise auch auf den Artikel „Comparison of Public Peak Detection Algorithms for MALDI Mass

Spectrometry Data Analysis" von Chao Yang et al. verwiesen, welches im Ja- nuar 2009 in BMC Bioinformatics erschienen ist. Ein weiteres Verfahren zur Trennung zwischen Streu- und Absorptionsparametern ist Kuwelka-Munk- Theorie. Dieses Verfahren basiert jedoch auf mehreren Messungen einer identischen Probe.

Der Erfindung liegt somit die Aufgabe zugrunde, eine Inhaltsstoffanalyse einer Probe zu vereinfachen.

Diese Aufgabe wird durch die Gegenstände der unabhängigen Patentansprü- che gelöst. Vorteilhafte Ausführungsformen ergeben sich aus den abhängigen

Patentansprüchen, der Beschreibung und den Figuren.

Ein Aspekt der Erfindung betrifft ein Verfahren zum Identifizieren eines oder mehrerer spektraler Merkmale M, in einem Spektrum Y zumindest einer Pro- be, also einer oder mehrerer Proben, für eine Inhaltsstoffanalyse der Probe.

Die Inhaltsstoffanalyse kann dabei im Sinne einer Materialklassifizierung verstanden werden. Je nach Messaufbau oder Spektrometer kann das Spektrum ein Transmissionsspektrum und/oder ein Reflexionsspektrum und/oder ein Emissionsspektrum sein oder umfassen. Das Verfahren umfasst dabei eine Reihe von Verfahrensschritten.

Ein erster Verfahrensschritt ist ein Bereitstellen des für die Probe gemessenen Spektrums Y an eine Recheneinheit. Das gemessene Spektrum Y repräsentiert hier eine gemessene Intensität I in Abhängigkeit einer Wellenlänge L. Ein wei- terer Verfahrensschritt ist ein Vorgeben einer Approximationsfunktion XLS, welche eine (n-l)-mal stetig differenzierbare mathematische Funktion ist, an die Recheneinheit. Die Approximationsfunktion X _L s approximiert dabei ein Absorptions- (und damit Transmissions-) und/oder Emissionsverhalten der Probe in Abhängigkeit der Wellenlänge L mit einer jeweiligen Breite, einer Absorptions- und/oder Emissionsbreite, welche im Folgenden einheitlich als

Unschärfe S bezeichnet wird. Beispielsweise kann so die Absorption für eine vorgegebene Wellenlänge L, mit der Breite S durch eine Gauß-Funktion mit der Breite S approximiert werden, welche ihr Maximum an der Stelle L, erreicht. Um diese Abhängigkeit deutlich zu machen ist die Approximationsfunk- tion als Approximationsfunktion XLS eingeführt, wird jedoch im Folgenden der

Übersichtlichkeit halber auch als Approximationsfunktion X bezeichnet. Ein weiterer Verfahrensschritt ist ein jeweiliges Bilden einer Ableitung (n-1)- ten Grades d ^{n l} /l ^{n l} des Spektrums Y, also einer Spektrums-Ableitung Y', und der Approximationsfunktion X, also einer Approximationsfunktions-Ableitung X', durch die Recheneinheit. Dabei ist die Zahl n > 1. Die Approximationsfunktion X sowie das Spektrum Y werden also jeweils gleich oft, nämlich n-l-mal nach der Wellenlänge L abgeleitet. Das hat den Effekt, dass multiplikative wel- lenlängen-abhängige Anteile bis zur (n-l)-ten Ordnung korrigiert werden. Hier liegt der Erfindung die Erkenntnis zugrunde, dass der Offset bzw. die soge- nannte Baseline des Spektrums Y durch Streueffekte entsteht, es sich bei diesen also um einen multiplikativen Einfluss handelt, welcher durch eine glatte Funktion der Ordnung n beschrieben werden kann. Dies liegt in der Erkenntnis begründet, dass eine Signalstärke, welche die gemessene Intensität erfasst wird und von der Geometrie des genutzten Spektroskops abhängt, durch das Abstandsgesetzt proportional zu 1/d ² ist, wobei d den Abstand zwischen Sensor und Probe bzw. Probe und Lichtquelle beschreibt. So können auch Einflüsse der Objektgröße, also beispielsweise einer Körnung oder eines Mahlgrads bzw. einer Oberflächenstruktur ebenfalls als multiplikative Faktoren proportional zu r ⁿ bzw. L ⁿ dargestellt werden, wobei r ein Maß für die Objektgröße und L die Wellenlänge ist. Die Zahl n, welche den Grad der zu bildenden Ableitung bestimmt, kann man beispielsweise aus der Mie-Theorie ableiten, aus welcher sich ein Maximalwert von n=6 oder n=12 ergeben kann. Grundsätzlich gilt hier, dass mit höheren Ableitungen auch ein Rauschanteil verstärkt wird, weshalb man wie weiter unten auch noch ausführlicher beschrieben im All- gemeinen möglichst geringe Werte für n wählt. Als besonders vorteilhaft hat sich hier in der Praxis die Wahl von n < 5, bevorzugt n = 2 oder 3 als geeignet herausgestellt.

Ein weiterer Verfahrensschritt ist ein Erzeugen einer Korrelationsmatrix aus den beiden Ableitungen (n-l)-ten Grads X', Y' für vorgegebene Wellenlängen L und vorgegebene Unschärfen S durch die Recheneinheit. Durch das Erzeugen der Korrelationsmatrix wird der hochdimensionale Musterraum aus dem Stand der Technik durch einen zweidimensionalen Merkmalsraum ersetzt. Die Korrelationsmatrix repräsentiert somit eine Merkmalslandkarte, in welcher ein oder mehrere spektrale Merkmale Mj(Lj, S,) an den durch jeweilige Wellenlänge Li und Unschärfe S, bestimmten Orten Inhaltsstoffe der Probe bestim- men, wie im Folgenden noch erläutert wird. Die Korrelationsmatrix beschreibt somit eine Korrelation zwischen der Ableitung X' der Approximationsfunktion X und der Ableitung Y' des Spektrums Y, in Abhängigkeit von Wellenlänge(n) L und Unschärfe(n) S. Da die Matrix auch dünn besetzt sein kann, also bei- spielsweise zu einem Großteil aus Nullen bestehen kann, kann eine solche

Matrix auch durch eine Menge aus Dreituppeln (L,, S,, X'*Y') bestehen, wobei X'*Y' der Wert der Korrelationsmatrix an der Stelle (L,, S,) sein kann. Beispielsweise kann der Wert der Korrelationsmatrix durch eine Wavelet- Transformation oder das Skalarprodukt < X' | Y' > bestimmt sein. Entsprechend umfasst der Matrixbegriff vorliegend im Rahmen dieser Schrift nicht nur eine klassische nxm-Matrix, sondern auch eine Menge aus Dreituppeln, welche geeignet ist, eine solche Matrix unter der Annahme zu beschreiben, dass diese größtenteils aus Nullen besteht.

Ein weiterer Verfahrensschritt ist nun ein jeweiliges Identifizieren des spektralen Merkmals M, oder eines der spektralen Merkmale M, in Abhängigkeit jeweils eines lokalen Extremums i der Korrelationsmatrix für zumindest ein Extremum i der Korrelationsmatrix, bevorzugt mehrere oder alle Extrema i der Korrelationsmatrix. Zumindest einem, bevorzugt aber mehreren oder aber allen Extrema i der Korrelationsmatrix wird somit (genau) ein spektrales Merkmal M, zugeordnet. Die Merkmale M, sind somit spezifische Punkte oder Landmarken in dem zweidimensionalen Raum für Merkmale, welcher durch die Wellenlänge L und die Unschärfe S aufgespannt wird. Das Merkmal M, bzw. die Menge der Merkmale M, repräsentiert somit die spektrale Signatur zur Materialklassifizierung. Wie weiter unten noch ausgeführt, lässt sich mittels der genannten Merkmale M, auch noch eine quantitative Inhaltsstoffbe- stimmung durchführen. Das beschriebene Verfahren liefert somit eine robuste Identifizierung von Merkmalen in spektralen Daten, welche invariant bzgl. physikalischer Eigenschaften der Probe, Sensoreigenschaften der genutzten spektralen Sensoren und einer Geometrie des genutzten Spektrokops sind.

Die beschriebene Vorgehensweise bringt so eine ganze Reihe von Vorteilen mit sich. Zunächst können die spektralen Merkmale M, und damit auch die spektralen Daten einfach visuell interpretierbar dargestellt werden. Damit können auch Prognosen für die zur Analyse benötigten spektralen Bereiche und Auflösungen getroffen werden, beispielsweise kann so ein einfacherer, robusterer Sensor in einer Fertigungsstraße zum Einsatz kommen, wenn nur wenige Merkmale M, in einem vorgegebenen spektralen Bereich zur für die Inhaltsstoffanalyse der Probe ausreichen. Der beschriebene Merkmalsraum ist überdies universell einsetzbar, ein gerätespezifisches Transferprotokoll zum Vergleichbarmachen von Daten eines Gerätes mit Daten eines anderen Gerätes wird somit nicht benötigt. Es ist somit möglich, lokale Muster im Merkmalsraum für die Klassifikation zu identifizieren und in unterschiedlichen Geräten oder Sensoren zu verwenden. Wird so beispielsweise ein anderer Sensor mit einem anderen Aufnahmebereich genutzt, genügt es, den jeweils passen- den Ausschnitt der Korrelationsmatrix zu berechnen.

Da die jeweilige Position L, und Unschärfe S eines Merkmals M, physikalische Größen der Probe repräsentiert und damit invariant gegenüber dem verwendeten Messgerät sind, und auch die Signalstärke, d.h. eine Geometrie des Spektrokops diese Größen nicht beeinflusst, liefert das beschriebene Verfahren eine vereinheitlichende Vorverarbeitung der Messdaten, welche aufgrund ihrer Interpretierbarkeit beispielsweise vorteilhaft bei maschinellen Lernverfahren genutzt werden können. Somit können chemometrische Modelle basierend auf den beschriebenen Merkmalen M, im Umfeld mobiler Sensoren und im hyperspektralen Imaging zur Klassifikation oder zur Regression eingesetzt werden.

Die in dem Verfahren realisierte Dimensionsreduzierung verringert die Zahl der benötigten Proben zur Erstellung eines Modells für unterschiedliche In- haltsstoffe. Auch sind die spektrokopischen Daten gerade im Bereich des ultravioletten, sichtbaren und Infrarotspektrums stark korreliert, so dass die Korrelationsmatrix besonders aussagekräftig ist. Des Weiteren hat das vorgeschlagene Verfahren den Vorteil, dass lokale Maxima der Korrelationsmatrix Absorptionsmerkmale zeigen, welche näherungsweise über das Lambe sche Gesetz mit der quantitativen Menge der jeweiligen Inhaltsstoffe verknüpft sind und so auch eine quantitative Analyse der Inhaltsstoffe ermöglichen, wie weiter unten noch ausgeführt.

Der beschriebene Aspekt kann also ein Verfahren zum Identifizieren eines oder mehrerer spektraler Merkmale in einem Spektrum einer Probe für eine Inhaltsstoffanalyse der Probe betreffen, mit den Verfahrensschritten:

a) Bereitstellen des für die Probe gemessenen Spektrums;

b) Vorgeben einer Approximationsfunktion, welche eine stetig differenzierbare mathematische Funktion ist und ein Emissionsverhalten der Probe in Abhängigkeit der Wellenlänge L mit einer Unschärfe S approximiert;

c) jeweiliges Bilden einer Ableitung (n-l)-ten Grades des Spektrums und der Approximationsfunktion, wobei die Zahl n>l ist;

d) Erzeugen einer Korrelationsmatrix aus den beiden Ableitungen (n-l)-ten Grades, welche eine Korrelation zwischen der Ableitung der Approximationsfunktion und der Ableitung des Spektrums in Abhängigkeit von Wellenlänge L und Unschärfe S beschreibt; und

e) jeweiliges Identifizieren des spektralen Merkmals oder eines der spektralen Merkmale in Abhängigkeit jeweils eines lokalen Extremums (i) der Korrelationsmatrix für zumindest ein Extremum (i) der Korrelationsmatrix, wobei fakultativ bei dem Identifizieren in Abhängigkeit des lokalen Extremums (i) der Korrelationsmatrix das jeweilige Merkmal durch Koordinaten des Extremums (i) in einem durch die Korrelationsmatrix bestimmten Wellenlängen-Unschärfen- Raum identifiziert werden kann.

Das Verfahren eignet sich somit insgesamt hervorragend zur Analyse spektrokopischer Daten. Es können vergleichbare Datensätze zur Analyse mit unterschiedlichen Messgeräten erstellt werden. Da das Verfahren chemische Merkmale unabhängig von äußeren Einflüssen extrahiert, eignet es sich besonders gut für Analysen der Reflektanz und Transmission, bevorzugt im ultravioletten, visuellen, und/oder Infrarotspektrum, mit mobilen Spekrometern, beispielsweise sogenannten Low-Cost-Spektrometern, und im hyperspektralen Imaging. Beispielhafte Anwendungsbereiche sind Food-Scanner im Lebensmittelbereich, Bodenanalysen im Landwirtschaftsektor, Sortieranlagen für Schüttgüter und Blutzuckeranalysen im medizinischen Bereich. Überdies ist das Verfahren geeignet, eine spektrale Datenbank visuell interpretierbar zu strukturieren und so beispielsweise einen Standard zur Speicherung spektraler Daten zu definieren.

In einer vorteilhaften Ausführungsform ist dabei vorgesehen, dass das Erzeugen der Korrelationsmatrix ein Berechnen eines Skalarprodukts < X' | Y' > der beiden Ableitungen (n-l)-ten Grads X' und Y' und/oder ein Durchführen einer Wavelet-Transformation der Ableitung (n-l)-ten Grads Y' des Spektrums Y mit der Ableitung (n-l)-ten Grads X' der Approximationsfunktion X als Wavelet umfasst oder ist. Die Wavelet-Transformation kann eine diskrete oder konti- nuierliche Wavelet-Transformation umfassen oder sein. Das Skalarprodukt kann dabei das Standard-Skalarprodukt bzw. euklidische Skalarprodukt umfassen oder sein. Der Wert der Korrelationsmatrix an der Stelle L,, S, wird in diesem Fall durch das Skalarprodukt < X'u,si |Y' > berechnet und kann sich dann mit geringem Rechenaufwand durch eine einzige Vektor-Multiplikation und anschließende N-fache Addition ergeben. Dabei werden die N Einträge des

Vektors Y' durch die Ableitung des (als Vektor vorliegenden) Spektrum Y in Vektorform gebildet. Dabei sind die Intensitäten der N Messpunkte des Spektrums Y die Einträge des als Vektor vorliegenden Spektrums Y. Die in Form eines Vektors vorliegende Ableitung X' kann durch ein entsprechendes Abtasten oder Samplen der analytischen Ableitung X' der Approximationsfunktion X an

N Stellen erzeugt werden. Da vorteilhafterweise die Approximationsfunktion X bei gegebenem S, für alle L, die gleiche Form hat, beispielsweise eine Gauss- funktion mit Maximum bei dem jeweiligen L,, und für unterschiedliche L, nur entlang der Wellenlänge L verschoben ist, wird so durch das Skalarprodukt ein Wert geliefert, welcher mit dem Vorhandensein eines (hier gaussförmigen)

Maximums (mit der Unschärfe S,) an der Stelle L, korreliert.

Das hat den Vorteil einer glättenden Wirkung, da zur Berechnung der Einträge der Korrelationsmatrix, welche auch als jeweilige Korrelationslänge, bei- spielsweise Korrelationslänge < X'u,si | Y' >, eine große Zahl (<N) spektraler Daten verwendet wird, da für jeden einzelnen Eintrag das gesamte Spektrum Y oder zumindest mehr als ein Messwert y des Spektrums Y ausgewertet wird. Die Verwendung des Skalarproduktes für das Erzeugen der Korrelationsmatrix liefert so eine besonders robuste und Rechenkapazität sparende Darstellung der gewünschten Merkmale M|. Die Verwendung von Wavelet-Trans- formationen bringt eine besonders große Flexibilität mit sich.

In einer weiteren vorteilhaften Ausführungsform ist vorgesehen, dass das Bilden der Ableitungen X' und Y' und/oder das Erzeugen der Korrelationsmatrix mehrfach für verschiedene Zahlen n durchgeführt wird. Insbesondere kann das Bilden der Ableitungen X' und Y' hintereinander für aufsteigende Zahlen n durchgeführt werden. Bevorzugt erfolgt dies solange, bis die Ableitung Y' des Spektrums Y und/oder die Ableitung X' der Approximationsfunktion X und/oder die Korrelationsmatrix ein vorgegebenes Qualitätskriterium nicht mehr erfüllt. Beispielsweise kann das Bilden der Ableitungen solange durchge- führt werden, bis ein Glättegrad der Ableitung Y' nicht mehr erfüllt ist und/oder ein vorgegebenes Signal-zu-Rauschverhältnis der Ableitung Y' nicht mehr erreicht wird. Das Identifizieren erfolgt dann in Abhängigkeit des lokalen Extremums i oder der lokalen Extrema i derjenigen Korrelationsmatrix, welche der höchsten Zahl n zugeordnet ist und für welche das Qualitätskriterium durch die Ableitung Y' des Spektrums Y und/oder die Ableitung X' der Approximationsfunktion X und/oder die Korrelationsmatrix noch erfüllt ist. Beispielsweise kann so das Identifizieren in Abhängigkeit der Korrelationsmatrix erfolgen, für welche die entsprechende Ableitung Y' des Spektrums Y noch ein vorgegebenes Signal-zu-Rauschverhältnis übertrifft.

Das hat den Vorteil, dass so stets der konkret im Spektrum vorliegende Offset sowie weitere konkret vorliegende multiplikative Einflüsse kompensiert werden können, ohne dass vorab die Zahl n festgelegt werden muss. Durch das Vorgeben jeweiliger Qualitätskriterien, welche beispielsweise gemäß in der Recheneinheit hinterlegter Vorschriften auch automatisch überprüft werden können, kann so auch auf vollautomatische Weise stets die bestmögliche Korrelationsmatrix und somit die zuverlässigsten Merkmale Mi berechnet werden. In einer anderen bevorzugten Ausführungsform ist vorgesehen, dass die Approximationsfunktion Y derart vorgegeben ist, dass die Ableitung (n-l)-ten Grades Y' der Approximationsfunktion Y mittelwertfrei ist. Insbesondere kann die Approximationsfunktion als Gaussfunktion oder Lorentzfunktion mit einer vorgegebenen Unschärfe S vorgegeben sein. Unter mittelwertfrei kann hier zu verstehen sein, dass das Integral über die Ableitungen X' von minus Unendlich bis plus Unendlich Null ist.

Das hat den Vorteil, dass mit der mittelwertfreien Definition der abgeleiteten Approximationsfunktion und damit insbesondere auch der Wavelets das Ver- schwinden eines weiteren Momentes erreicht wird, so dass mit der (n-l)-ten

Ableitung bereits die multiplikative Korrektur n-ter Ordnung des Spektrums realisiert wird. Damit wird beispielsweise auch ein verbessertes Signal zu Rauschverhältnis und als Folge eine genauere Identifikation der Merkmale erreicht.

In einer weiteren besonders vorteilhaften Ausführungsform ist vorgesehen, dass das lokale Extremum i und die lokalen Extrema i bei dem Identifizieren jeweils lokale Maxima umfassen oder sind. Alternativ können die beim Identifizieren genutzten Extrema auch lokale Maxima und lokale Minima umfassen, was eine Erhöhung der Anzahl der Merkmale und damit potentiell eine genauere Inhaltsstoffanalyse ermöglicht.

Die Wahl der Maxima, insbesondere die ausschließliche Wahl der Maxima bringt jedoch den Vorteil von sehr zuverlässigen Merkmalen und damit sehr genauer Inhaltsstoffanalyse mit relativ wenigen Merkmalen und folglich mit verringertem Rechenaufwand mit sich, da sich gezeigt hat, dass die Maxima (im Vergleich zu den Minima) zur Identifikation der Merkmale besonders geeignet sind.

In einer weiteren vorteilhaften Ausführungsform ist vorgesehen, dass bei dem Identifizieren in Abhängigkeit des lokalen Extremums i der Korrelationsmatrix das jeweilige Merkmal Mi durch Koordinaten (U, S|) des Extremums i in einem durch die Korrelationsmatrix bestimmten Wellenlängen-Unschärfen-Raum, der auch als Karte bezeichnet werden kann, identifiziert wird oder ist. Insbesondere kann hier zumindest einem Merkmal M|, bevorzugt allen Merkmalen Mi, ein Ausprägungsgrad X'*Y' zugeordnet sein, welcher durch den Wert des Extremums i bestimmt ist. Beispielsweise kann das Ausprägungsgrad durch die Korrelationslänge bzw. das oben genannte Skalarprodukt < X'si,u | Y' > bestimmt sein.

Der Wellenlängen-Unschärfen-Raum hat sich als besonders geeignet für die gewünschten robusten Merkmale Mi herausgestellt. Da die Korrelationslänge, welche insbesondere durch das Skalarprodukt < X' | Y' > gegeben sein kann, näherungsweise über das Beer-Lambertsche Gesetz mit der quantitativen Menge der Inhaltsstoffe verknüpft ist, kann so über die Merkmale Mi nicht nur eine Inhaltsstoffanalyse im Sinne einer Materialklassifizierung, sondern auch im Sinne einer quantitativen Inhaltsstoffbestimmung realisiert werden.

In einer weiteren vorteilhaften Ausführungsform ist vorgesehen, dass das Spektrum ein unbearbeitetes gemessenes Spektrum, ein sog. Rohspektrum, ist oder umfasst. Alternativ kann das gemessene Spektrum auch ein geglättetes gemessenes Spektrum sein oder umfassen, welches aus einem unbearbeitetem Spektrum durch ein Glättungs- und/oder Filter- und/oder Skalierungsverfahren, und bevorzugt durch keine anderen oder weiteren Bearbeitungsschritte, erzeugt ist.

Gerade bei unbearbeiteten gemessenen Spektren hat sich die beschriebene Methode als besonders vorteilhaft erwiesen, da hier wichtige Informationen, welche bei den ansonsten im Stand der Technik üblichen oder bekannten Bearbeitungsschritten verlorengehen, erhalten bleiben und so die identifizierten Merkmale eine besonders genaue Inhaltsstoffanalyse ermöglichen.

In einer besonders vorteilhaften Ausführungsform ist vorgesehen, dass als weiterer Verfahrensschritt die im Spektrum für die Probe das identifizierte Merkmal oder die identifizierten Merkmale mit einem oder mehreren in der Recheneinheit hinterlegten Referenz-Merkmal(en) verglichen werden, und anhand eines Merkmais-Vergleichsergebnisses zumindest ein in der Probe vorhandener Inhaltsstoff identifiziert wird. Es kann somit anhand des Merk- mals-Vergleichsergebnisses die Probe bzw. das Material oder die Materialien der Probe klassifiziert werden. Bevorzugt werden dabei für die identifizierten Merkmale auch die jeweiligen Ausprägungsgrade mit einem oder mehreren entsprechenden Referenz-Ausprägungsgraden verglichen und anhand eines Ausprägungsgrad-Vergleichsergebnisses eine Menge, bevorzugt eine relative Menge des Inhaltsstoffes in der Probe quantifiziert. Anhand des Ausprägungsgrad-Vergleichsergebnisses kann somit eine quantitative Inhaltsstoffbestimmung der Probe durchgeführt werden.

Das hat den Vorteil, dass die Probe auch quantitativ hinsichtlich ihrer Inhaltsstoffe entsprechend den oben für die anderen Ausführungsformen beschriebenen Vorteilen besonders genau analysiert werden kann. In einer weiteren vorteilhaften Ausführungsform ist vorgesehen, dass die Zahl n > 2 ist. Für diese größeren Zahlen n hat sich herausgestellt, dass besonders gute Ergebnisse erzielt werden. Ein weiterer Aspekt der Erfindung betrifft auch eine Vorrichtung zum Identifizieren eines oder mehrerer spektraler Merkmale Mi in einem Spektrum Y einer Probe für eine Inhaltsstoffanalyse der Probe, welche eine Recheneinheit aufweist. Die Recheneinheit ist dabei ausgebildet, von einem bereitgestellten Spektrum Y und einer vorgegebenen Approximationsfunktion X, welche ein stetig differenzierbare mathematische Funktion ist, jeweils eine Ableitung (n- l)-ten Grades Y', X' des Spektrums Y und der Approximationsfunktion X zu erzeugen, wobei die Zahl n > 1 ist. Ferner ist die Recheneinheit ausgebildet, aus den beiden Ableitungen (n-l)-ten Grades X', Y' eine Korrelationsmatrix zu erzeugen und für zumindest ein lokales Extremum i der Korrelationsmatrix in Abhängigkeit des jeweiligen lokalen Extremums i der Korrelationsmatrix jeweils das spektrale Merkmal M, oder eines der spektralen Merkmale M, zu identifizieren.

Vorteile und vorteilhafte Ausführungsformen der Vorrichtung entsprechen hier Vorteilen und vorteilhaften Ausführungsformen des beschriebenen Verfahrens.

Die vorstehend in der Beschreibung genannten Merkmale (oder Charakteristika) und Merkmalskombinationen sowie die nachfolgend in der Figurenbe- Schreibung genannten und/oder in den Figuren alleine gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen verwendbar, ohne den Rahmen der Erfindung zu verlassen. Es sind somit auch Ausführungen von der Erfindung als umfasst und offenbart anzusehen, die in den Figuren nicht expli- zit gezeigt und erläutert sind, jedoch durch separierte Merkmalskombinationen aus den erläuterten Ausführungen hervorgehen und erzeugbar sind. Hier sind auch Ausführungen und Merkmalskombinationen als offenbart anzusehen, die somit nicht alle Merkmale eines ursprünglich formulierten unabhängigen Anspruchs aufweisen. Es sind darüber hinaus Ausführungen und Merk- malskombinationen, insbesondere durch die oben dargelegten Ausführungen, als offenbart anzusehen, die über den in den Rückbezügen der Ansprüche dargelegten Merkmalskombinationen hinausgehen oder von diesen abweichen.

Ausführungsbeispiele der Erfindung anhand schematischer Zeichnungen näher erläutert. Dabei zeigen:

Fig.l eine Darstellung zweier beispielhafter Spektren chemisch identischer Stoffe;

Fig. 2 eine beispielhafte Approximationsfunktion;

Fig. 3 eine Darstellung beispielhafter Ableitungen der Spektren aus Fig.

1;

Fig. 4 eine den in Fig. 3 dargestellten Ableitungen entsprechende Ableitung der Approximationsfunktion von Fig. 2;

Fig. 5 eine beispielhafte aus den in Fig. 3 und Fig. 4 gezeigten Ableitungen vorliegend mit einem Berechnen eines Skalarproduktes erzeugte Korrelationsmatrix mit den identifizierten spektralen Merkmalen; und

Fig. 6 eine vergleichende Darstellung von für die beiden Spektren aus

Fig. 1 identifizierten Merkmalen.

In Fig. 1 ist mit einer ersten Kurve 1 ein Spektrum 4, vorliegend ein Reflektionsspektrum von Zucker als Intensität in willkürlichen Einheiten [a.u.] über der Wellenlänge L in nanometern aufgetragen. Eine weitere Kurve 2 stellt hier analog ein zweites Spektrum 5, hier ein Reflektionsspektrum von Puderzucker als Funktion der Wellenlänge dar. Die beiden Kurven 1, 2 sind hier deutlich voneinander abgesetzt, so nimmt die erste Kurve in dem Wellenbereich von 900 bis 1700 nm Reflektionswerte zwischen rund 0,65 und 0,95 ein, wohingegen die zweite Kurve 2 lediglich Reflektionswerte zwischen rund 0,35 und 0,55 erreicht. Entsprechend sind beide Kurven 1, 2 schwer zu vergleichen. Zusätzlich zu den beiden Kurven 1, 2 sind auch zwei Offsetkurven Bl, B2, welche jeweils zur Kurve 1 bzw. 2 zugehörig sind, eingezeichnet. Beide Offsetkurven Bl, B2 repräsentieren einen multiplikativen Einfluss auf die dargestellten Spektren 4, 5, vorliegend die Reflektivität der entsprechenden Proben, und können durch eine glatte Funktion der jeweiligen Ordnung n beschrieben werden, beispielsweise durch ein Polynom. Dabei nimmt die Kurve 1 und damit dem Zucker zugeordnete Offsetkurve oder Baseline Bl vorliegend Werte zwischen 0,65 und 0,9 für ihre Reflektivität ein und die zweite Offsetkurve B2, welche Kurve 2 und damit dem Puderzucker zugeordnet ist, Werte zwischen ca. 0,35 und 0,38.

Das Spektrum 4 des Zuckers als auch das Spektrum 5 des Puderzuckers kann nun jeweils in einem ersten Verfahrensschritt an eine Recheneinheit bereitgestellt werden.

In Fig. 2 ist eine Approximationsfunktion 6, welche als stetig differenzierbare mathematische Funktion vorgegeben ist, als Kurve 3 eingezeichnet. Die Kurve 3 ist dabei über der Wellenlänge L als Intensität in willkürlichen Einheiten aufgetragen. Vorliegend ist die Approximationsfunktion 6 eine Gaussfunktion, welche um die Wellenlänge L, (oder gleichwertig Li) zentriert ist und eine vorgegebene Unschärfe S, welche im vorliegenden Fall die Halbwertsbreite (Full- width-half-maximum) der Kurve 3 um die Wellenlänge L, angibt, vorgegeben.

In Fig. 3 sind nun zwei weitere Kurven 1', 2' über der Wellenlänge L von 900 bis 1700 nm eingezeichnet. Bei beiden Kurven 1', 2' handelt es sich um Ableitungen (n-l)-ten Grades 7, 8 der in Fig. 1 gezeigten Kurven 1, 2. Diese sind jeweils in willkürlichen Einheiten [a.u.] aufgetragen. Da im vorliegenden Fall n = 3 gewählt ist, stellt die erste Kurve V somit die zweite Ableitung 7 der Kurve 1 aus Fig. 1 nach der Wellenlänge L dar und die zweite Kurve 2' die zweite Ableitung 8 der Kurve 2 aus Fig. 1. Damit wird vorliegend der multiplikative Anteil in der Ordnung bis zur n-ten Ordnung, als vorliegend der zweiten Ordnung, korrigiert. Entsprechend liegen die beiden Kurven 1', 2' nun fast übereinander, die Offsetkurzen Bl, B2 aus Fig. 1 sind entsprechend nicht mehr eingezeichnet.

Die ausgehend von der Approximationsfunktion 6 gebildete Ableitung 2. Gra- des 9 ist durch Kurve 3' in Fig. 4 dargestellt. Diese ist vorliegend ebenfalls in willkürlichen Einheiten (a. u.) über der Wellenlänge L aufgetragen. Ausgehend von hier der als Approximationsfunktion 6 gewählten Gaussfunktion ergibt sich vorliegend ein umgedrehtes sog. Mexican-Hat-Profil.

In Fig. 5 ist nun eine Korrelationsmatrix 10 dargestellt, welche aus den beiden Ableitungen 7, 9 erzeugt wurde, indem ein Skalarprodukt der beiden Ableitungen 7, 9 berechnet wurde. Dieses Skalarprodukt wurde hier für sämtliche zuvor definierten Wellenlängen L und Unschärfen S durchgeführt, vorliegend also für die Wellenlängen von 900 bis 1700 nm und die Unschärfe von 0 bis

140 nm. Die Werte der Korrelationsmatrix 10 an den Koordinaten (L,, S,) entsprechen somit jeweils dem berechneten Skalarprodukt und können auch als Korrelationslänge bezeichnet werden. Für zumindest ein, bevorzugt mehrere oder aber alle Extrema i der Korrelationsmatrix 10, bevorzugt alle Maxima der Korrelationsmatrix 10 wird nun eines bzw. mehrere spektrale Merkmale M, dentifiziert. Vorliegend sind hier die Extrema i als Maxima gewählt, so dass die Merkmale vorliegend im zweidimensionalen Merkmalsraum 1 M, = (L,; S,) mit i = l,..l gegeben sind. Diese Merkmale M, beinhalten die spektrale Signatur zur Inhaltsstoffanalyse der

Probe, d. h. zur Materialklassifizierung. Zum besseren Verständnis ist hier beispielhaft jeweils ein Bereich 11 um ein lokales Minimum und ein weiterer Bereich 12 um ein lokales Maximum, das Extremum i-1, eingezeichnet. Im gezeigten Beispiel sind die jeweiligen Maxima als Extrema i für Zucker und eingezeichnet. Beispielsweise kann über einen Vergleich der Merkmale M, des Zucker-Spektrums 4 mit hinterlegten Referenzmerkmalen die chemische Identität zum ersten Spektrum 4 gehörigen nachgewiesen werden. Hierfür können beispielsweise auch jeweilige Toleranzwerte vorgegeben werden, welche eine maximale Abweichung von den identifizierten Merkmalen M, mit den hinterlegten Referenzmerkmalen vorgeben. Ist auch eine quantitative Inhaltsstoffbestimmung vorgesehen, so können die Merkmale M, mit M, = (L,, S,, X'*Y') vorgegeben werden, wobei X'*Y' das Skalarprodukt der Ableitung 7 des Spektrums 4 und der Ableitung 9 der Approximationsfunktion 3 ist, und i = 1,.. I. Ein größeres Skalarprodukt X'*Y' bzw. eine größere Korrelationslänge an einem bestimmten Extremum i weist hier aufgrund des Beer-Lambertschen Gesetzes eine größere Menge des Inhaltsstoffes in der Probe hin, ein kleineres Skalar- produkt X'*Y' bzw. eine kleinere Korrelationslänge auf eine geringere Menge.

In Fig. 6 sind die als Maxima gewählten Extrema i aus Fig. 5 sowie zusätzlich die als Maxima gewählten Extrema j, welche analog zu den Extrema i aus dem Puderzucker-Spektrum 5 abgeleitet wurden, in einem Wellenlängen- Unschärfe-Raum (L-S-Raum) dargestellt. Da eine Vielzahl der Extrema i, j übereinander liegen (beispielsweise für (i; j)=(2;2), (i-l;j-l), (i+l;j+l),.. (I;m)) oder in einer vorgegebenen Umgebung voneinander liegen (beispielsweise für (i; j)=(l;l), (i;j), (l-l;m-l)) kann über einen Vergleich der Merkmale M, des ersten (Zucker-)Spektrums 4 mit den Merkmalen M _j des zweiten (Puderzucker-) Spektrums 5 als Referenzmerkmale die chemische Identität der beiden Proben nachgewiesen werden. Zur Definition der vorgegebenen Umgebung können beispielsweise auch jeweilige Toleranzwerte vorgegeben werden, welche eine maximale Abweichung von den Merkmalen M, mit den Merkmalen M _j bestimmen.