一種利用近紅外光譜技術(shù)鑒別五常稻花香大米的方法
【專利摘要】本發(fā)明涉及大米真假鑒別，特別涉及一種利用近紅外光譜技術(shù)鑒別五常稻花香大米的方法,該方法包括以下步驟：A.采用紅外光譜儀對(duì)檢測(cè)樣品進(jìn)行測(cè)量；B.將檢測(cè)樣品測(cè)量到的信息輸入到數(shù)據(jù)處理部中,與五常稻花香大米的鑒別模型進(jìn)行對(duì)比得出鑒別結(jié)果。該方法對(duì)分析人員的要求相對(duì)較低，只需配備車載近紅外設(shè)備，便能方便的完成流動(dòng)打假的任務(wù)，易于推廣。
【專利說明】-種利用近紅外光譜技術(shù)鑒別五常稻花香大米的方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及大米真假鑒別，特別設(shè)及一種利用近紅外光譜技術(shù)鑒別五常稻花香大 米的方法。

【背景技術(shù)】
[0002] "五常稻花香大米"產(chǎn)自于黑龍江省五常市。獨(dú)特的地理位置和氣候條件，形成了 五常稻花香大米特有的品質(zhì)。2009年被國家質(zhì)檢總局認(rèn)定為地理標(biāo)志產(chǎn)品。高品質(zhì)蘊(yùn)含 高附加值，市場(chǎng)上其售價(jià)遠(yuǎn)高于普通大米，該種價(jià)格差讓不法之徒見到可乘之機(jī)，瘋狂的造 假，給"五常稻花香大米"品牌造成了信任危機(jī)。此種情況下，從技術(shù)手段上實(shí)現(xiàn)真?zhèn)舞b別 對(duì)于品牌的保護(hù)特別有意義。
[0003] 目前報(bào)道的關(guān)于五常稻花香大米真?zhèn)舞b定的手段不多，大多是憑借經(jīng)驗(yàn)，從外觀， 是否有雜質(zhì)、灰粉、雜色，米粒是否整齊、均勻、晶奎剔透；觸感；搶摸大米，是否質(zhì)地堅(jiān)初、 細(xì)膩潤滑；香味；雙手撞米，是否發(fā)出宜人香氣等感官進(jìn)行判斷。由于該類方法是基于經(jīng)驗(yàn) 進(jìn)行判斷，因此對(duì)分析人員的要求較高，該在一定程度上限制了其在較大范圍內(nèi)的推廣應(yīng) 用，面對(duì)五常大米全國市場(chǎng)的打假監(jiān)管任務(wù)只能"望洋興嘆"，或者付出很高的成本代價(jià)。
[0004] 由于該類方法是基于經(jīng)驗(yàn)進(jìn)行判斷，因此對(duì)分析人員的要求較高，人員培訓(xùn)的成 本也較高。
[0005] 面對(duì)大規(guī)模的采樣分析任務(wù)，成本代價(jià)較高。
[0006] 不同的分析人員，經(jīng)驗(yàn)不同。分析人員規(guī)模較大時(shí)，存在較高的誤判風(fēng)險(xiǎn)。
[0007] 由于方法本身的限制，其推廣較難或比較緩慢。
[000引本專利與《CN201010033381- -種用近紅外光譜技術(shù)鑒別響水大米的方法》的區(qū) 別；
[0009] 數(shù)據(jù)預(yù)處理手段及建模方法不同。雖然同樣用到的是近紅外光譜檢測(cè)技術(shù)，但該 只是建立鑒別模型最基本的一步，即獲取初始的數(shù)據(jù)點(diǎn)，從該些數(shù)據(jù)點(diǎn)的數(shù)據(jù)中是無法進(jìn) 行分類的。原始數(shù)據(jù)需要經(jīng)過預(yù)處理，然后選擇合適的化學(xué)計(jì)量學(xué)模型建模、驗(yàn)證，才能建 立有效的分類鑒別模型。本專利首先采用二階導(dǎo)數(shù)和標(biāo)準(zhǔn)化手段對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理， 然后采用偏最小二乘法建立鑒別模型。該專利中預(yù)處理采用的是一階導(dǎo)數(shù)或矢量歸一化預(yù) 處理手段，建模時(shí)選擇基于馬氏距離原理的聚類分析法建立鑒別模型。由于數(shù)據(jù)預(yù)處理手 段和建模所采用的化學(xué)計(jì)量學(xué)方法不同，因而所建立的鑒別模型之間存在著本質(zhì)的區(qū)別。
[0010] 本專利與《CN201110457088- -種利用傅里葉變換紅外光譜識(shí)別大米品種方法及 其應(yīng)用》的區(qū)別：
[0011] 數(shù)據(jù)預(yù)處理手段及建模方法不同。本專利首先采用二階導(dǎo)數(shù)和標(biāo)準(zhǔn)化手段對(duì) 原始數(shù)據(jù)進(jìn)行預(yù)處理，然后采用偏最小二乘法建立鑒別模型。該專利中預(yù)處理采用的是 Savitzky-Golay平滑、自動(dòng)基線校正算法與標(biāo)準(zhǔn)正態(tài)變量變換，然后采用PCA結(jié)合SIMCA的 方法建立鑒別模型。由于數(shù)據(jù)預(yù)處理手段和建模所采用的化學(xué)計(jì)量學(xué)方法不同，因而所建 立的鑒別模型之間存在著本質(zhì)的區(qū)別。


【發(fā)明內(nèi)容】

[0012] 本發(fā)明提供一種利用近紅外光譜技術(shù)鑒別五常稻花香大米的方法，采用二階導(dǎo)數(shù) 和標(biāo)準(zhǔn)化手段對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，然后采用偏最小二乘法建立鑒別模型的方式，解決 現(xiàn)有技術(shù)中五常大米鑒別過程中成本高、鑒別失誤率高和不易推廣的技術(shù)問題。
[0013] 本發(fā)明是該樣實(shí)現(xiàn)的：一種利用近紅外光譜技術(shù)鑒別五常稻花香大米的方法，該 方法包括W下步驟：
[0014] A.采用紅外光譜儀對(duì)檢測(cè)樣品進(jìn)行測(cè)量；
[0015] B.將檢測(cè)樣品測(cè)量到的信息輸入到數(shù)據(jù)處理部中，與五常稻花香大米的鑒別模 型進(jìn)行對(duì)比得出鑒別結(jié)果。
[0016] 所述鑒別模型的建立包括如下步驟：
[0017] a.將未經(jīng)任何化學(xué)處理的五常稻花香大米和非五常稻花香大米產(chǎn)品直接稱取一 定量置于樣品杯中，保證樣品不漏光，即可開始測(cè)量；
[00化]b.采用紅外光譜儀對(duì)樣品進(jìn)行掃描，掃描波數(shù)范圍12500cm-i-3600cm-i;分辨率； Scm4;采用漫透射測(cè)量模式；且重復(fù)掃描9次W上，取測(cè)量平均值，獲得五常稻花香大米近 紅外光譜數(shù)據(jù)集和非五常稻花香大米近紅外光譜數(shù)據(jù)集；
[0019] C.數(shù)據(jù)處理并建立鑒別模型。
[0020] 所述步驟C中的所述數(shù)據(jù)處理并建立鑒別模型包括如下步驟：
[0021] cl.利用Kennard-Stone算法分別對(duì)五常稻花香大米近紅外光譜數(shù)據(jù)集和非五常 稻花香大米近紅外光譜數(shù)據(jù)集進(jìn)行采樣，將獲得的樣本數(shù)據(jù)分別歸為訓(xùn)練集和預(yù)測(cè)集；
[0022] c2.對(duì)訓(xùn)練集的近紅外光譜數(shù)據(jù)依次進(jìn)行二階導(dǎo)數(shù)和標(biāo)準(zhǔn)化處理，其中標(biāo)準(zhǔn)化的 公式如下：
[0023] x= (X- X)/a；
[0024] X為矩陣X的列均值矩陣，0為矩陣X列標(biāo)準(zhǔn)偏差；
[0025] c3.設(shè)置分類器；當(dāng)樣本屬于五常稻花香大米時(shí)，設(shè)其值為1 ;當(dāng)樣本不屬于五常 稻花香大米時(shí)，設(shè)其值為-1 ;
[0026] c4.采用偏最小二乘法PLS建立校正集近紅外光譜與分類器之間的關(guān)系，構(gòu)建五 常稻花香大米分類模型；
[0027] c5.用大量樣本對(duì)模型進(jìn)行驗(yàn)證。
[002引所述Kennard-Stone算法、二階導(dǎo)數(shù)、標(biāo)準(zhǔn)化、偏最小二乘法等均采用Matl油6. 5 軟件編寫處理程序。
[0029] 本發(fā)明基于近紅外光譜分析技術(shù)，快速、簡(jiǎn)便、無損的優(yōu)勢(shì)，借助化學(xué)計(jì)量學(xué)分析 方法，尋找出近紅外光譜數(shù)據(jù)與大米種類之間的聯(lián)系，建立五常稻花香大米地理標(biāo)志產(chǎn)品 的鑒別模型。該方法對(duì)分析人員的要求相對(duì)較低，只需配備車載近紅外設(shè)備，便能方便的完 成流動(dòng)打假的任務(wù)，易于推廣。

【專利附圖】

【附圖說明】
[0030] 圖1是本發(fā)明實(shí)施例提供的對(duì)訓(xùn)練集的預(yù)測(cè)效果圖。
[0031] 圖2是本發(fā)明實(shí)施例提供的對(duì)樣本預(yù)測(cè)集的預(yù)測(cè)結(jié)果圖。

【具體實(shí)施方式】
[0032] 下面結(jié)合具體實(shí)施例說明本發(fā)明的技術(shù)方案。
[0033] 一種利用近紅外光譜技術(shù)鑒別五常稻花香大米的方法，該方法包括W下步驟：
[0034] A.采用紅外光譜儀對(duì)檢測(cè)樣品進(jìn)行測(cè)量；
[0035] B.將檢測(cè)樣品測(cè)量到的信息輸入到數(shù)據(jù)處理部中，與五常稻花香大米的鑒別模 型進(jìn)行對(duì)比得出鑒別結(jié)果。
[0036] 所述鑒別模型的建立包括如下步驟：
[0037] a.將未經(jīng)任何化學(xué)處理的五常稻花香大米和非五常稻花香大米產(chǎn)品直接稱取一 定量置于樣品杯中，保證樣品不漏光，即可開始測(cè)量；
[003引 b.采用紅外光譜儀對(duì)樣品進(jìn)行掃描，掃描波數(shù)范圍12500cm-i-3600cm-i;分辨率； Scm4;采用漫透射測(cè)量模式；且重復(fù)掃描9次W上，取測(cè)量平均值，獲得五常稻花香大米近 紅外光譜數(shù)據(jù)集和非五常稻花香大米近紅外光譜數(shù)據(jù)集；
[0039] C.數(shù)據(jù)處理并建立鑒別模型。
[0040] 所述步驟C中的所述數(shù)據(jù)處理并建立鑒別模型包括如下步驟：
[0041] cl.利用Kennard-Stone算法分別對(duì)五常稻花香大米近紅外光譜數(shù)據(jù)集和非五常 稻花香大米近紅外光譜數(shù)據(jù)集進(jìn)行采樣，將獲得的樣本數(shù)據(jù)分別歸為訓(xùn)練集和預(yù)測(cè)集；
[0042] c2.對(duì)訓(xùn)練集的近紅外光譜數(shù)據(jù)依次進(jìn)行二階導(dǎo)數(shù)和標(biāo)準(zhǔn)化處理，其中標(biāo)準(zhǔn)化的 公式如下：
[00創(chuàng) x=(X-荀/口；
[0044] X為矩陣X的列均值矩陣，0為矩陣X列標(biāo)準(zhǔn)偏差；
[0045] c3.設(shè)置分類器；當(dāng)樣本屬于五常稻花香大米時(shí)，設(shè)其值為1 ;當(dāng)樣本不屬于五常 稻花香大米時(shí)，設(shè)其值為-1 ;
[0046] c4.采用偏最小二乘法PLS建立校正集近紅外光譜與分類器之間的關(guān)系，構(gòu)建五 常稻花香大米分類模型；
[0047] c5.用大量樣本對(duì)模型進(jìn)行驗(yàn)證。
[0048] 所述Kennard-Stone算法、二階導(dǎo)數(shù)、標(biāo)準(zhǔn)化、偏最小二乘法等均采用Matl油6. 5 軟件編寫處理程序。
[0049] 該鑒別方法采用的測(cè)量?jī)x器是德國布魯克炬RUKER)公司MPA型紅外光譜儀。
[0化0] 在樣品制備過程中，全部樣品未經(jīng)任何化學(xué)處理，直接稱取一定量的樣品于樣品 杯中，保證樣品不漏光，即可開始測(cè)量。
[0化1] 數(shù)據(jù)處理過程中；本發(fā)明中所使用的Kennard-Stone算法、二階導(dǎo)數(shù)、標(biāo)準(zhǔn)化、偏 最小二乘法等均在科學(xué)計(jì)算軟件Matl油6. 5中編寫處理程序。
[0化2] 首先利用Kennard-Stone算法將所有樣本（150個(gè)）劃分為訓(xùn)練集和預(yù)測(cè)集，然后 對(duì)訓(xùn)練集的近紅外光譜數(shù)據(jù)依次進(jìn)行二階導(dǎo)數(shù)巧點(diǎn)）、標(biāo)準(zhǔn)化處理，其中標(biāo)準(zhǔn)化的公式如 下：
[0053] X=(X- X) /a
[0054] X為矩陣X的列均值矩陣，0為矩陣X列標(biāo)準(zhǔn)偏差。
[0化5] 設(shè)置分類器；當(dāng)樣本屬于"五常稻花香大米"時(shí)，設(shè)其值為"+1";當(dāng)樣本不屬于"五 常稻花香大米"時(shí)，設(shè)其值為"-1"，然后采用偏最小二乘法任L巧建立校正集近紅外光譜與 分類器之間的關(guān)系，構(gòu)建"五常稻花香大米"分類模型。最后用大量樣本對(duì)模型進(jìn)行驗(yàn)證。 [0化6] 采集的大米樣本中，包括65個(gè)"五常稻花香大米"產(chǎn)品和85個(gè)對(duì)照組樣本，包括 廣東、江蘇、迂寧、吉林等產(chǎn)地的大米。
[0化7] 利用二階導(dǎo)數(shù)、標(biāo)準(zhǔn)化處理等方法首先提取近紅外光譜中對(duì)分類有用的信息。然 后建立該些信息與分類器；屬于"五常稻花香大米"的樣本值為"+1"，不屬于"五常稻花香 大米"的樣本值為"-1"。建立偏最小二乘模型，所建立模型對(duì)訓(xùn)練集的預(yù)測(cè)結(jié)果如附圖1。 [0化引模型的鑒別公式表達(dá)如下：
[0化9] 首先合并測(cè)量的近紅外光譜數(shù)據(jù)組成測(cè)量數(shù)據(jù)陣X，X中每一列代表一個(gè)波數(shù)點(diǎn)， 每一行代表一個(gè)樣本（多次測(cè)量取平均值）。然后將X代入下列公式（1)計(jì)算，將計(jì)算結(jié)果 反饋給公式（2)，從而得到最終的判定結(jié)果。
[0060] PLS 預(yù)測(cè)；
[0061] y = X0 (1)；
[0062] 其中X為經(jīng)過二階導(dǎo)數(shù)巧點(diǎn)）、標(biāo)準(zhǔn)化預(yù)處理的近紅外光譜數(shù)據(jù)，0為預(yù)處理后 各變量所對(duì)應(yīng)的回歸系數(shù)矢量，y為PLS模型的預(yù)測(cè)結(jié)果矢量?；貧w系數(shù)矢量0的值如表 1所示。
[0063] 表1回歸系數(shù)矢量0的值
[0064]

【權(quán)利要求】
1. 一種利用近紅外光譜技術(shù)鑒別五常稻花香大米的方法，其特征在于：該方法包括以 下步驟： A. 采用紅外光譜儀對(duì)檢測(cè)樣品進(jìn)行測(cè)量； B. 將檢測(cè)樣品測(cè)量到的信息輸入到數(shù)據(jù)處理部中，與五常稻花香大米的鑒別模型進(jìn) 行對(duì)比得出鑒別結(jié)果。
2. 根據(jù)權(quán)利要求1所述利用近紅外光譜技術(shù)鑒別五常稻花香大米的方法，其特征在 于：所述鑒別模型的建立包括如下步驟： a. 將未經(jīng)任何化學(xué)處理的五常稻花香大米和非五常稻花香大米產(chǎn)品直接稱取一定量 置于樣品杯中，保證樣品不漏光，即可開始測(cè)量； b. 采用紅外光譜儀對(duì)樣品進(jìn)行掃描，獲得五常稻花香大米近紅外光譜數(shù)據(jù)集和非五 常稻花香大米近紅外光譜數(shù)據(jù)集； c. 數(shù)據(jù)處理并建立鑒別模型。
3. 根據(jù)權(quán)利要求2所述利用近紅外光譜技術(shù)鑒別五常稻花香大米的方法，其特征在 于：所述步驟b中采用紅外光譜儀對(duì)樣品進(jìn)行掃描波數(shù)范圍是：12500(^^-3600(3!^1;分辨 率是=ScnT1;采用漫透射測(cè)量模式；且重復(fù)掃描數(shù)次以上，取測(cè)量平均值。
4. 根據(jù)權(quán)利要求3所述利用近紅外光譜技術(shù)鑒別五常稻花香大米的方法，其特征在 于：所述步驟b中所述重復(fù)掃描為重復(fù)掃描9次以上，取測(cè)量平均值。
5. 根據(jù)權(quán)利要求2所述利用近紅外光譜技術(shù)鑒別五常稻花香大米的方法，其特征在 于：所述步驟c中的所述數(shù)據(jù)處理并建立鑒別模型包括如下步驟： cl.利用Kennard-Stone算法分別對(duì)五常稻花香大米近紅外光譜數(shù)據(jù)集和非五常稻花 香大米近紅外光譜數(shù)據(jù)集進(jìn)行采樣，將獲得的樣本數(shù)據(jù)分別歸為訓(xùn)練集和預(yù)測(cè)集； c2.對(duì)訓(xùn)練集的近紅外光譜數(shù)據(jù)依次進(jìn)行二階導(dǎo)數(shù)和標(biāo)準(zhǔn)化處理，其中標(biāo)準(zhǔn)化的公式 如下： X= (X-X)/a； X為矩陣X的列均值矩陣，O為矩陣X列標(biāo)準(zhǔn)偏差； c3.設(shè)置分類器：當(dāng)樣本屬于五常稻花香大米時(shí)，設(shè)其值為1 ;當(dāng)樣本不屬于五常稻花 香大米時(shí)，設(shè)其值為-1 ; c4.采用偏最小二乘法PLS建立校正集近紅外光譜與分類器之間的關(guān)系，構(gòu)建五常稻 花香大米分類模型； c5.用大量樣本對(duì)模型進(jìn)行驗(yàn)證。
6. 根據(jù)權(quán)利要求5所述利用近紅外光譜技術(shù)鑒別五常稻花香大米的方法，其特征在 于：所述Kennard-Stone算法、二階導(dǎo)數(shù)、標(biāo)準(zhǔn)化、偏最小二乘法等均采用Matlab6. 5軟件編 寫處理程序。
【文檔編號(hào)】G01N21/3563GK104502299SQ201410767600
【公開日】2015年4月8日 申請(qǐng)日期:2014年12月12日 優(yōu)先權(quán)日:2014年12月12日
【發(fā)明者】蘇志義, 鄭彥婕, 黎永樂, 黎紹學(xué), 曾泳艇, 羅美中 申請(qǐng)人:深圳市計(jì)量質(zhì)量檢測(cè)研究院