CN102636452B - 一种近红外光谱无损鉴别山参真伪的方法 - Google Patents

Abstract

一种近红外光谱无损鉴别山参真伪的方法，属于中药检测技术领域，目的在于解决现有技术鉴别山参鉴别结果不确定及鉴别过程破坏山参形体的问题，采集山参和工艺参的光谱数据，经主成份分析法提取出主成分变量作为输入变量，设定山参及工艺参的属性代码并将其作为目标变量，根据输入变量和目标变量训练网络，建立BP人工神经网络模型；采集待鉴别样品光谱数据，并经建立的BP人工神经网络模型进行仿真，输出待鉴别样品预测值，参照山参和工艺参的属性代码判断待鉴别样品，当待鉴别样品的预测值与山参属性代码匹配时，鉴定为山参，反之，鉴定为工艺参。该方法整个鉴别过程不需要前处理及制样程序，不破坏山参样品，实现快速、无损及准确的鉴别。

Description

一种近红外光谱无损鉴别山参真伪的方法

技术领域

本发明属于中药检测技术领域，具体涉及一种应用近红外光谱分析技术快速无损鉴别山参真伪的方法。

背景技术

人参(PanaxginsengC.A.Myer)系五加科植物，其根是我国最为名贵的中药材之一。由于人参因生长年限和生长环境不同，其内在有效活性物质存在差异。传统观点和现代研究都认为，在防治疾病和医疗保健中山参的质量和疗效均显著优于人工栽植的园参，故其市场价格可相差几倍、几十倍甚至上百倍。不法参商在利益驱使下，用园参冒充山参，造成了市场混乱，损伤了消费者的利益。“工艺参”，又称“拼接山参”，是常见的山参造假方式。造假者将家养园参的不同部分，用粘合剂人为拼接，把人参的“芦”接长、“须”接多，使其外观上酷似生长多年的优质野生山参。目前山参及其伪品的鉴别主要采用经验鉴别和理化鉴别的方法。经验鉴别的方法不仅涉及植物形态学，还涉及山参生态学和植物地理学，要求鉴定人员具有丰富的药材知识以及多年的实际鉴别经验，即使知识和技能达到要求，鉴别结果也存在着极大的偶然性和人为因素。对于理化方法鉴别，不仅耗用时间长、操作复杂，还会用到大量有机试剂，造成环境污染，且分析过程破坏了山参的形体，降低了山参的价格，因此，需要一种近红外光谱无损鉴别山参真伪的方法。

发明内容

本发明的目的在于解决现有技术鉴别山参真伪过程中存在的鉴别结果不确定及鉴别过程破坏山参形体的问题，提出了一种近红外光谱无损鉴别山参真伪的方法。

为实现上述目的，本发明一种近红外光谱无损鉴别山参真伪的方法具体实施步骤为：

步骤一：应用近红外光纤附件采集生长环境及生长年份不同的山参和工艺参的光谱数据，扫描范围：10000～4000cm^-1，分辨率：4cm^-1，并将获得的山参和工艺参的光谱数据存入计算机；

步骤二：对步骤一获得的光谱数据进行数据预处理，获得山参和工艺参的光谱图，将山参和工艺参的光谱图进行比对，根据异常光谱信息选择光谱信息异常波段，提取出光谱信息异常波段中山参和工艺参的光谱数据；

步骤三：将提取出光谱信息异常波段中山参和工艺参的光谱数据采用主成分分析法提取出主成分变量，将主成分变量作为输入变量，同时根据提取出的山参和工艺参光谱数据的光谱属性设定山参和工艺参的属性代码，将山参和工艺参的属性代码作为目标变量；

步骤四：根据输入变量和目标变量建立了一个三层的BP人工神经网络结构，其中隐含层采用正切Sigmoid传递函数，输出层采用线性传递函数，训练函数选用Levenberg_Marquardt的BP算法；输入层单元数为7，经多次实验确定隐含层单元数为3，网络的输出单元为1；

步骤五：应用近红外光纤附件采集待鉴别样品的光谱数据；

步骤六：将获得的待鉴别样品的光谱数据进行数据预处理，将处理后的光谱数据经建立的BP人工神经网络模型进行仿真，输出待鉴别样品的预测值，参照步骤三中所设定的山参和工艺参的属性代码判断待鉴别样品，当待鉴别样品的预测值与山参属性代码匹配时，鉴定为山参，当待鉴别样品的预测值与工艺参属性代码匹配时，鉴定为工艺参。

所述的光谱数据具体指山参和工艺参的芦、体和须部位的光谱数据。

所述的将测得的光谱数据采用主成分分析法提取出主成分变量具体为：山参样品的光谱数据经主成分分析，当前n个主成分的累积贡献率达到99%以上，则提取前n个的主成分。

所述的数据预处理是指将采集直接得到的山参和工艺参的光谱数据中的杂散光及基线漂移去除。

本发明的工作原理：本发明一种近红外光谱无损鉴别山参真伪的方法，应用近红外光纤附件，将光纤探头对准待测位置，分别对山参的芦、体和须部位进行近红外光谱采集，将采集的全部数据作为神经网络的输入，不仅计算量大，增加了建模难度，而且容易导致神经网络的训练时间过长，模型难以收敛；另一方面，无关的噪声信息也会融入到模型中反而降低了模型的预测精度，因此，需要根据工艺参人工粘合部位的异常光谱信息选择敏感波段，确定少量数据点，随后根据主成分分析法将光谱数据降维，消除众多信息中相互重叠的信息部分，经主成分分析后，提取光谱数据的主成分变量，其中前n个主成分的累积贡献率达到99%，则选取前n个主成分作为神经网络的输入变量，根据光谱数据设定属性设定代码，建立BP人工神经网络模型，采集待鉴别样品芦、体和须部位的光谱数据，将测得的待鉴别样品的光谱数据经建立的BP人工神经网络进行仿真，得到待鉴别样品的属性预测值，当待鉴别样品的属性预测值与山参的属性代码匹配时，鉴定为山参；若与工艺参的属性预测值匹配时，鉴定为工艺参。

本发明的有益效果为：本发明一种近红外光谱无损鉴别山参真伪的方法，

应用近红外光谱分析仪器，结合简单算法进行数据分析建模，方便建立鉴别模型。整个鉴别过程不需要前处理及制样程序，不破坏山参样品，做到鉴别的快速无损。本发明模型建好后，不需要专业背景的人员即可完成鉴别过程，通过对模型鉴别效果的检验表明，模型的鉴别准确率较高，有别于传统的经验鉴别和理化鉴别的方法，具有无损、快速、准确及稳定的优势。

附图说明

图1为山参与工艺参近红外光谱图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

实施例一：

本发明一种近红外光谱无损鉴别山参真伪的方法具体实施步骤为：

步骤一：应用近红外光纤附件采集生长环境及生长年份不同的山参和工艺参的光谱数据，并将获得的山参和工艺参的光谱数据存入计算机；

步骤二：对步骤一获得的光谱数据进行数据预处理，获得山参和工艺参的光谱图，将山参和工艺参的光谱图进行比对，根据异常光谱信息选择光谱信息异常波段，提取出光谱信息异常波段中山参和工艺参的光谱数据；

步骤三：将提取出光谱信息异常波段中山参和工艺参的光谱数据采用主成分分析法提取出主成分变量，将主成分变量作为输入变量，同时根据提取出的山参和工艺参光谱数据的光谱属性设定山参和工艺参的属性代码，将山参和工艺参的属性代码作为目标变量；

步骤四：根据输入变量和目标变量建立BP人工神经网络模型；

步骤五：应用近红外光纤附件采集待鉴别样品的光谱数据；

步骤六：将测得的待鉴别样品的光谱数据经建立的BP人工神经网络模型进行仿真，输出待鉴别样品的预测值，参照步骤三中所设定的山参和工艺参的属性代码判断待鉴别样品，当待鉴别样品的预测值与山参属性代码匹配时，鉴定为山参；当待鉴别样品的预测值与工艺参属性代码匹配时，鉴定为工艺参。

所述的光谱数据具体指芦、体和须部位的光谱数据。

所述的对光谱数据进行数据预处理采用平滑、中心化、求导、归一化、多元散射校正（MSC）、标准正交变量变换（SNV）中的一种、任意二种或任意三种方法进行光谱预处理。

所述的建立BP人工神经网络模型通过计算机语言或数据处理软件实现。

所述的将测得的光谱数据采用主成分分析法提取出主成分变量具体为：山参样品的光谱数据经主成分分析，当前n个主成分的累积贡献率达到99%以上，则提取前n个的主成分。

所述的一种近红外光谱无损鉴别山参真伪的方法可以对建立的BP人工神经网络模型进行校正后再次使用。

实施例二：

下面结合具体实施例对本发明作进一步详细说明。

本发明一种近红外光谱无损鉴别山参真伪的方法具体实施步骤为：

步骤一：应用近红外光纤附件采集生长环境及生长环境不同的114个山参及工艺参的光谱数据，并将数据存入计算机中，采集数据时，应用美国Thermo公司的NICOLET6700傅立叶变换红外光谱仪，配有红外光纤附件及配套的OMNIC光谱采集软件，仪器参数设置为：扫描范围：10000～4000cm^-1，分辨率：4cm^-1，扫描次数：64次，将近红外光纤附件的探头对准待测位置，共获得114个采样数据，其中人工粘合部位样本64份，自然生长部位样本50份；

步骤二：采用标准正交变量变换（SNV）与多元散射校正（MSC）方法对采集到的光谱数据进行预处理；首先采用SNV校正方法，通过对每条光谱独立进行中心化及标准化处理，去除斜率变化以及散射光干扰；MSC是去除散射影响的重要步骤，采用MSC方法有效解决了光程差变化对结果的影响；将经数据预处理得到的山参和工艺参的光谱数据存入计算机中得到山参和工艺参的光谱图；将得到的山参和工艺参的光谱图进行比对，光谱在10000～4000cm^-1范围内共包含3112个数据点，根据工艺参人工粘合部位的异常光谱信息选择敏感波段，确定654个数据点；

步骤三：将提取出的山参和工艺参的光谱数据采用主成分分析法提取出主成分变量，经主成分分析，其中前7个主成分的累积贡献率达到99%，能够辨识原始光谱的主要信息，选取前7个主成分作为神经网络的输入变量，同时根据提取出的山参和工艺参的光谱数据设定山参和工艺参的属性代码，将山参的光谱属性值设置为【1】，工艺参的光谱属性设置为【0】，将山参和工艺参的属性代码作为目标变量；

步骤四：将114个样本随机分成校正集和预测集，其中校正集样本88个，预测集样本26个，建立了一个三层的BP人工神经网络结构，其中隐含层采用正切Sigmoid传递函数，输出层采用线性传递函数，训练函数选用Levenberg_Marquardt的BP算法；输入层单元数为7，经多次实验确定隐含层单元数为3，网络的输出单元为1。设定系统允许误差为0.0001，训练迭代次数为3000次，88个建模样本的拟合残差值为2.5206×10^-5，通过Matlab语言根据输入变量和目标变量训练网络，建立BP人工神经网络模型；

步骤五：将预测集样本26个光谱数据经建立的BP人工神经网络模型进行仿真，输出预测集26个样本的预测值，参照步骤三中的设定的山参和工艺参的光谱数据的属性代码判断待鉴别样品，当待鉴别样品的预测值与山参属性代码匹配时，鉴定为山参；当待鉴别样品的预测值与工艺参属性代码匹配时，鉴定为工艺参。

上述对预测集26个样品的鉴别，鉴别率为100%，应用近红外光谱技术实现了山参及工艺参的快速无损鉴别。

以上是对本发明的具体实施例，但并非对本发明的限制。

Claims (4)

1.一种近红外光谱无损鉴别山参真伪的方法，其特征在于，该方法的具体实施步骤为：

步骤一：应用近红外光纤附件采集生长环境及生长年份不同的山参和工艺参的光谱数据，扫描范围：10000～4000cm^-1，分辨率：4cm^-1，并将获得的山参和工艺参的光谱数据存入计算机；

步骤二：对步骤一获得的光谱数据进行数据预处理，获得山参和工艺参的光谱图，将山参和工艺参的光谱图进行比对，根据异常光谱信息选择光谱信息异常波段，提取出光谱信息异常波段中山参和工艺参的光谱数据；

步骤三：将提取出光谱信息异常波段中山参和工艺参的光谱数据采用主成分分析法提取出主成分变量，将主成分变量作为输入变量，同时根据提取出的山参和工艺参光谱数据的光谱属性设定山参和工艺参的属性代码，将山参和工艺参的属性代码作为目标变量；

步骤四：根据输入变量和目标变量建立了一个三层的BP人工神经网络结构，其中隐含层采用正切Sigmoid传递函数，输出层采用线性传递函数，训练函数选用Levenberg_Marquardt的BP算法；输入层单元数为7，经多次实验确定隐含层单元数为3，网络的输出单元为1；

步骤五：应用近红外光纤附件采集待鉴别样品的光谱数据；

步骤六：将获得的待鉴别样品的光谱数据进行数据预处理，将处理后的光谱数据经建立的BP人工神经网络模型进行仿真，输出待鉴别样品的预测值，参照步骤三中所设定的山参和工艺参的属性代码判断待鉴别样品，当待鉴别样品的预测值与山参属性代码匹配时，鉴定为山参，当待鉴别样品的预测值与工艺参属性代码匹配时，鉴定为工艺参。

2.根据权利要求1所述的一种近红外光谱无损鉴别山参真伪的方法，其特征在于，所述的光谱数据具体指山参和工艺参的芦、体和须部位的光谱数据。

3.根据权利要求1所述的一种近红外光谱无损鉴别山参真伪的方法，其特征在于，所述的将测得的光谱数据采用主成分分析法提取出主成分变量具体为：山参样品的光谱数据经主成分分析，当前n个主成分的累积贡献率达到99％以上，则提取前n个的主成分。

4.根据权利要求1所述的一种近红外光谱无损鉴别山参真伪的方法，其特征在于，所述的数据预处理是指将采集直接得到的山参和工艺参的光谱数据中的杂散光及基线漂移去除。