本发明涉及化肥质量检测，具体来说是一种复合肥氮磷钾元素的快速精确检测方法及系统。
背景技术：
1、复合肥，是由两种以上化肥混合而成的肥料。相比单质肥料，复合肥在施肥工序上的便利性和营养的全面性使得它更受中国农民的青睐。自20世纪80年代以来，中国的肥料产品结构逐渐由单质肥料向多元复合肥料的方向发展。复合肥中的主要元素(氮、磷、钾)的含量是影响施肥效果和肥料价格的关键。然而，复合肥成分检测的标准方法均为湿化学法，具有时效性差、操作复杂、环保性差、无法多组分同时检测的缺点。为了及时有效地确保复合肥生产加工时的质量，降低检测成本，有必要开发新的快速准确地复合肥中主要元素的检测方法。分子和原子光谱技术，以近红外光谱技术(nirs)和激光诱导击穿光谱技术(libs)为代表，在实时在线检测复合肥元素含量方面具有优势。已经有利用两种技术分别检测肥料中主要元素的报道，然而，nirs无法直接检测无机组分，之前利用nirs检测的报道对化肥中组分的检测只能通过间接推算获得；此外libs检测时也受到空气中各类元素的干扰、以及受待测物基体效应的影响。因此，需要开发新的检测方法实现复合肥元素的精确快速检测。
2、如公布号为cn111044503a公开的一种基于激光诱导击穿光谱和近红外光谱信息融合的煤质测量方法，该方法利用libs和nir检测过程都具有无需或仅需简单样品预处理的优点，同时采集包含煤样元素信息的libs数据和包含煤样分子信息的nir数据，然后基于挥发分和发热量既和元素相关又和分子相关的特点，利用libs和nir光谱耦合数据建立挥发分和发热量的定量分析模型；基于灰分主要由无机元素组成的特点，利用libs数据建立灰分的定量分析模型；基于水分能够强烈吸收近红外辐射的特点，利用nir数据建立水分的定量分析模型；最后,基于光谱分析得到的挥发分、灰分和水分含量进而计算得固定碳含量，该发明的测量方法能够同时提高煤质多指标分析的准确性。然而，nir和libs光谱变量数在少则数百，多则数万，这些变量中包含了大量无关和干扰信息，如果在检测中不进行合理的变量筛选，很难取得超越单一光谱法的预测精度，此外，数据融合的目的在于尽可能令近红外和激光诱导击穿光谱两类数据能够相互补充，从而提高检测精度，然而传统的数据融合方法仅仅将两类数据进行首尾拼接，这种方式对于发挥两类数据的互补效应、实现更精确检测的效果较为有限。这些现有问题在对比文件中并没有得到有效的解决。
技术实现思路
1、本发明所要解决的技术问题在于如何提高复合肥元素的检测精度。
2、本发明通过以下技术手段实现解决上述技术问题的：
3、一种复合肥氮磷钾元素的快速精确检测方法，包括以下步骤：
4、s1.收集校正样本，并分别检测每份校正样本的氮、磷、钾含量；
5、s2.光谱采集：光谱采集前对每份校正样本加工成尺寸形状相同的结构，之后对加工后的校正样品分别进行nirs光谱采集和libs光谱采集；
6、s3.特征波段选择：包括libs光谱的初筛、libs和nirs光谱的精细筛选两步；
7、s4.光谱融合：对步骤s3中的libs和nirs特征光谱分别进行最大最小归一化，之后采用opf方式对两类光谱进行数据融合，获得3组opf光谱；
8、s5.模型构建：基于对应待测元素的opf光谱和所述步骤s1中对应的氮、磷、钾的含量，采用偏最小二乘算法构建复合肥氮、磷、钾三种元素的校正模型；
9、s6.未知复合肥样本的预测：对于待测复合肥料，采用和步骤s2相同的步骤处理样品、采集libs和nirs光谱，利用和步骤s3相同的步骤筛选特征波段、利用和步骤s4相同的步骤对待测复合肥料的libs和nirs特征光谱进行融合，利用步骤s5中构建的模型进行预测，获得对应的氮、磷、钾含量预测值。
10、本发明通过联合使用激光诱导击穿光谱和近红外光谱获取两种光谱，利用合理算法分别筛选激光诱导击穿光谱和近红外光谱的特征光谱，并对两类光谱的特征光谱进行外积融合并展平，获得外积融合(opf)光谱，之后基于opf光谱构建融合模型解析复合肥中的主要元素，从而利用两种技术的互补优势，实现分析精度的提高。
11、进一步的，所述步骤s4中光谱融合的方法为：假设某校正样本的libs特征光谱为p个元素的行向量a、nirs特征光谱为q个元素的行向量b，计算两者外积获得大小为(p,q)的矩阵，对矩阵进行展平，获得大小为1×pq的行向量，该向量即为该复合肥样品的libs-nirs融合光谱，记为opf光谱，根据待测元素不同，共获得3组opf光谱。
12、进一步的，所述步骤s2中对校正样本的加工具体方法为：对每份颗粒状的复合肥样品粉碎，对粉末样品利用压片机压制成厚度大小一致的圆片。
13、进一步的，所述步骤s3中选择波段为：
14、a.使用845.0，847.3，864.2，865.9，870.6，883.0，900.2，900.8，936.0，
15、1049.6，1050.5，1415.2，1454.9，1577.0，1578.9，1602.3，1606.3，1608.3，1744.7，1923.3，1973.1，2306.6，2310.7，2314.8，2387.3，2391.7，2488.1nm处的变量作为复合肥的nirs特征光谱，使用937.96，864.44，823.62，823.08，868.88，822.44，822.33，821.57，818.65，866.12，819.74，866.22nm处的变量作为复合肥的libs特征光谱，用于复合肥的氮元素含量检测；
16、b.使用1151.2，1177.4，1225.2，1274.6，1275.9，1588.6，1674.8，1681.3，1692.3，1701.2，1802.9，1823.2，2003.6，2310.7，2409.5，2492.9，2497.7nm处的变量作为复合肥的nirs特征光谱，使用216.04，215.77，213.14，213.34，255.89，253.12，253.18，254.25，215.36，213.75，254.88，215.43，253.37，253.44nm处的变量作为复合肥的libs特征光谱，用于复合肥的磷元素含量检测；
17、c.使用1051.3，1050.5，1049.6，1045.4，1032.9，1031.3，883.0，882.4，1203.6，1204.7，1209.2，1219.5，1224.1，1233.4，1238.1，1242.9，1421.4，1419.8，1422.9，1418.3，1416.7，1424.5，1426.1，1427.6，1429.2，1481.5，1740.0，1737.7，1594.5，1596.4，1923.3，1926.2，2254.4，2246.6，2242.7，2215.9nm处的变量作为复合肥的nirs特征光谱，使用404.19，404.66，583.91，583.66，404.76，771.85，578.24，583.03，580.26，768.58，693.69，769.05，770.55，766.70，769.99，769.61，769.71nm处的变量作为复合肥的libs特征光谱，用于复合肥的钾元素含量检测。
18、与上述方法对应的，本发明还提供一种复合肥氮磷钾元素的快速精确检测系统，包括：
19、校正样本收集模块，用于收集校正样本，并分别检测每份校正样本的氮、磷、钾含量；
20、光谱采集模块，用于光谱采集前对每份校正样本加工成尺寸形状相同的结构，之后对加工后的校正样品分别进行nirs光谱采集和libs光谱采集；
21、特征波段选择模块，包括libs光谱的初筛、libs和nirs光谱的精细筛选两步；
22、光谱融合模块，对libs和nirs特征光谱分别进行最大最小归一化，之后采用opf方式对两类光谱进行数据融合，获得3组opf光谱；
23、模型构建模块，用于基于对应待测元素的opf光谱和所述校正样本收集模块中对应的氮、磷、钾的含量，采用偏最小二乘算法构建复合肥氮、磷、钾三种元素的校正模型；
24、预测模块，对于待测复合肥料，采用和光谱采集模块相同的步骤处理样品、采集libs和nirs光谱，利用和特征波段选择模块相同的步骤筛选特征波段、利用和光谱融合模块相同的步骤对待测复合肥料的libs和nirs特征光谱进行融合，利用模型构建模块中构建的模型进行预测，获得对应的氮、磷、钾含量预测值。
25、进一步的，所述模型构建模块中光谱融合的方法为：假设某校正样本的libs特征光谱为p个元素的行向量a、nirs特征光谱为q个元素的行向量b，计算两者外积获得大小为(p,q)的矩阵，对矩阵进行展平，获得大小为1×pq的行向量，该向量即为该复合肥样品的libs-nirs融合光谱，记为opf光谱，根据待测元素不同，共获得3组opf光谱。
26、进一步的，所述步骤s3中对校正样本的加工具体方法为：对每份颗粒状的复合肥样品粉碎，对粉末样品利用压片机压制成厚度大小一致的圆片。
27、进一步的，所述特征波段选择模块中选择波段为：
28、a.使用845.0，847.3，864.2，865.9，870.6，883.0，900.2，900.8，936.0，1049.6，1050.5，1415.2，1454.9，1577.0，1578.9，1602.3，1606.3，1608.3，1744.7，1923.3，1973.1，2306.6，2310.7，2314.8，2387.3，2391.7，2488.1nm处的变量作为复合肥的nirs特征光谱，使用937.96，864.44，823.62，823.08，868.88，822.44，822.33，821.57，818.65，866.12，819.74，866.22nm处的变量作为复合肥的libs特征光谱，用于复合肥的氮元素含量检测；
29、b.使用1151.2，1177.4，1225.2，1274.6，1275.9，1588.6，1674.8，1681.3，1692.3，1701.2，1802.9，1823.2，2003.6，2310.7，2409.5，2492.9，2497.7nm处的变量作为复合肥的nirs特征光谱，使用216.04，215.77，213.14，213.34，255.89，253.12，253.18，254.25，215.36，213.75，254.88，215.43，253.37，253.44nm处的变量作为复合肥的libs特征光谱，用于复合肥的磷元素含量检测；
30、c.使用1051.3，1050.5，1049.6，1045.4，1032.9，1031.3，883.0，882.4，1203.6，1204.7，1209.2，1219.5，1224.1，1233.4，1238.1，1242.9，1421.4，1419.8，1422.9，1418.3，1416.7，1424.5，1426.1，1427.6，1429.2，1481.5，1740.0，1737.7，1594.5，1596.4，1923.3，1926.2，2254.4，2246.6，2242.7，2215.9nm处的变量作为复合肥的nirs特征光谱，使用404.19，404.66，583.91，583.66，404.76，771.85，578.24，583.03，580.26，768.58，693.69，769.05，770.55，766.70，769.99，769.61，769.71nm处的变量作为复合肥的libs特征光谱，用于复合肥的钾元素含量检测。
31、本发明还提供一种处理设备，包括至少一个处理器，以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述的方法。
32、本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述的方法。
33、本发明的优点在于：
34、本发明通过联合使用激光诱导击穿光谱和近红外光谱获取两种光谱，利用合理算法分别筛选激光诱导击穿光谱和近红外光谱的特征光谱，并对两类光谱的特征光谱进行外积融合并展平，获得外积融合(opf)光谱，之后基于opf光谱构建融合模型解析复合肥中的主要元素。由于传统的数据融合方法时对激光诱导击穿光谱和近红外光谱直接首尾拼接，被融合的每个变量的权值相等；而本发明所采用的外积融合方式相比传统方法不但同样保留了被融合的两类光谱的原始信息，还通过计算外积这一过程产生若干组具有不同权重的变量，两类光谱数据的互补优势会因为这些变量在建模时权重的增大或缩小而更有效地发挥出来，因而对模型的精准预测具有改善效果。因此，相比传统的激光诱导击穿光谱和近红外光谱的数据融合方法，基于本发明方法构建的模型具有分析精度更高的优点。
35、本发明检测过程相比传统化学法客观、快速，不消耗试剂，检测所需要的样品处理少，检测过程快速、环保；检测过程中所应用的变量小，具有较小的计算量和较快的分析速度，并且相比单独使用激光诱导击穿光谱法或近红外光谱法在检测复合肥料成分方面具有更高的准确性。