CN104502299A - 一种利用近红外光谱技术鉴别五常稻花香大米的方法 - Google Patents

Abstract

本发明涉及大米真假鉴别，特别涉及一种利用近红外光谱技术鉴别五常稻花香大米的方法,该方法包括以下步骤：A.采用红外光谱仪对检测样品进行测量；B.将检测样品测量到的信息输入到数据处理部中,与五常稻花香大米的鉴别模型进行对比得出鉴别结果。该方法对分析人员的要求相对较低，只需配备车载近红外设备，便能方便的完成流动打假的任务，易于推广。

Description

一种利用近红外光谱技术鉴别五常稻花香大米的方法

技术领域

本发明涉及大米真假鉴别，特别涉及一种利用近红外光谱技术鉴别五常稻花香大米的方法。

背景技术

“五常稻花香大米”产自于黑龙江省五常市。独特的地理位置和气候条件，形成了五常稻花香大米特有的品质。2009年被国家质检总局认定为地理标志产品。高品质蕴含高附加值，市场上其售价远高于普通大米，这种价格差让不法之徒见到可乘之机，疯狂的造假，给“五常稻花香大米”品牌造成了信任危机。此种情况下，从技术手段上实现真伪鉴别对于品牌的保护特别有意义。

目前报道的关于五常稻花香大米真伪鉴定的手段不多，大多是凭借经验，从外观，是否有杂质、灰粉、杂色，米粒是否整齐、均匀、晶莹剔透；触感：捻摸大米，是否质地坚韧、细腻润滑；香味：双手搓米，是否发出宜人香气等感官进行判断。由于这类方法是基于经验进行判断，因此对分析人员的要求较高，这在一定程度上限制了其在较大范围内的推广应用，面对五常大米全国市场的打假监管任务只能“望洋兴叹”，或者付出很高的成本代价。

由于这类方法是基于经验进行判断，因此对分析人员的要求较高，人员培训的成本也较高。

面对大规模的采样分析任务，成本代价较高。

不同的分析人员，经验不同。分析人员规模较大时，存在较高的误判风险。

由于方法本身的限制，其推广较难或比较缓慢。

本专利与《CN201010033381-一种用近红外光谱技术鉴别响水大米的方法》的区别：

数据预处理手段及建模方法不同。虽然同样用到的是近红外光谱检测技术，但这只是建立鉴别模型最基本的一步，即获取初始的数据点，从这些数据点的数据中是无法进行分类的。原始数据需要经过预处理，然后选择合适的化学计量学模型建模、验证，才能建立有效的分类鉴别模型。本专利首先采用二阶导数和标准化手段对原始数据进行预处理，然后采用偏最小二乘法建立鉴别模型。该专利中预处理采用的是一阶导数或矢量归一化预处理手段，建模时选择基于马氏距离原理的聚类分析法建立鉴别模型。由于数据预处理手段和建模所采用的化学计量学方法不同，因而所建立的鉴别模型之间存在着本质的区别。

本专利与《CN201110457088-一种利用傅里叶变换红外光谱识别大米品种方法及其应用》的区别：

数据预处理手段及建模方法不同。本专利首先采用二阶导数和标准化手段对原始数据进行预处理，然后采用偏最小二乘法建立鉴别模型。该专利中预处理采用的是Savitzky-Golay平滑、自动基线校正算法与标准正态变量变换，然后采用PCA结合SIMCA的方法建立鉴别模型。由于数据预处理手段和建模所采用的化学计量学方法不同，因而所建立的鉴别模型之间存在着本质的区别。

发明内容

本发明提供一种利用近红外光谱技术鉴别五常稻花香大米的方法，采用二阶导数和标准化手段对原始数据进行预处理，然后采用偏最小二乘法建立鉴别模型的方式，解决现有技术中五常大米鉴别过程中成本高、鉴别失误率高和不易推广的技术问题。

本发明是这样实现的：一种利用近红外光谱技术鉴别五常稻花香大米的方法，该方法包括以下步骤：

A.采用红外光谱仪对检测样品进行测量；

B.将检测样品测量到的信息输入到数据处理部中,与五常稻花香大米的鉴别模型进行对比得出鉴别结果。

所述鉴别模型的建立包括如下步骤：

a.将未经任何化学处理的五常稻花香大米和非五常稻花香大米产品直接称取一定量置于样品杯中，保证样品不漏光，即可开始测量；

b.采用红外光谱仪对样品进行扫描，扫描波数范围12500cm^-1-3600cm^-1；分辨率：8cm^-1；采用漫透射测量模式；且重复扫描9次以上，取测量平均值,获得五常稻花香大米近红外光谱数据集和非五常稻花香大米近红外光谱数据集；

c.数据处理并建立鉴别模型。

所述步骤c中的所述数据处理并建立鉴别模型包括如下步骤：

c1.利用Kennard-Stone算法分别对五常稻花香大米近红外光谱数据集和非五常稻花香大米近红外光谱数据集进行采样，将获得的样本数据分别归为训练集和预测集；

c2.对训练集的近红外光谱数据依次进行二阶导数和标准化处理，其中标准化的公式如下：

$X=(X-\stackrel{\‾}{X})/\mathrm{\σ};$

为矩阵X的列均值矩阵，σ为矩阵X列标准偏差；

c3.设置分类器：当样本属于五常稻花香大米时，设其值为1；当样本不属于五常稻花香大米时，设其值为-1；

c4.采用偏最小二乘法PLS建立校正集近红外光谱与分类器之间的关系，构建五常稻花香大米分类模型；

c5.用大量样本对模型进行验证。

所述Kennard-Stone算法、二阶导数、标准化、偏最小二乘法等均采用Matlab6.5软件编写处理程序。

本发明基于近红外光谱分析技术，快速、简便、无损的优势，借助化学计量学分析方法，寻找出近红外光谱数据与大米种类之间的联系，建立五常稻花香大米地理标志产品的鉴别模型。该方法对分析人员的要求相对较低，只需配备车载近红外设备，便能方便的完成流动打假的任务，易于推广。

附图说明

图1是本发明实施例提供的对训练集的预测效果图。

图2是本发明实施例提供的对样本预测集的预测结果图。

具体实施方式

下面结合具体实施例说明本发明的技术方案。

一种利用近红外光谱技术鉴别五常稻花香大米的方法，该方法包括以下步骤：

A.采用红外光谱仪对检测样品进行测量；

B.将检测样品测量到的信息输入到数据处理部中,与五常稻花香大米的鉴别模型进行对比得出鉴别结果。

所述鉴别模型的建立包括如下步骤：

a.将未经任何化学处理的五常稻花香大米和非五常稻花香大米产品直接称取一定量置于样品杯中，保证样品不漏光，即可开始测量；

b.采用红外光谱仪对样品进行扫描，扫描波数范围12500cm^-1-3600cm^-1；分辨率：8cm^-1；采用漫透射测量模式；且重复扫描9次以上，取测量平均值,获得五常稻花香大米近红外光谱数据集和非五常稻花香大米近红外光谱数据集；

c.数据处理并建立鉴别模型。

所述步骤c中的所述数据处理并建立鉴别模型包括如下步骤：

c1.利用Kennard-Stone算法分别对五常稻花香大米近红外光谱数据集和非五常稻花香大米近红外光谱数据集进行采样，将获得的样本数据分别归为训练集和预测集；

c2.对训练集的近红外光谱数据依次进行二阶导数和标准化处理，其中标准化的公式如下：

$X=(X-\stackrel{\‾}{X})/\mathrm{\σ};$

为矩阵X的列均值矩阵，σ为矩阵X列标准偏差；

c3.设置分类器：当样本属于五常稻花香大米时，设其值为1；当样本不属于五常稻花香大米时，设其值为-1；

c4.采用偏最小二乘法PLS建立校正集近红外光谱与分类器之间的关系，构建五常稻花香大米分类模型；

c5.用大量样本对模型进行验证。

所述Kennard-Stone算法、二阶导数、标准化、偏最小二乘法等均采用Matlab6.5软件编写处理程序。

该鉴别方法采用的测量仪器是德国布鲁克(BRUKER)公司MPA型红外光谱仪。

在样品制备过程中，全部样品未经任何化学处理，直接称取一定量的样品于样品杯中，保证样品不漏光，即可开始测量。

数据处理过程中：本发明中所使用的Kennard-Stone算法、二阶导数、标准化、偏最小二乘法等均在科学计算软件Matlab6.5中编写处理程序。

首先利用Kennard-Stone算法将所有样本(150个)划分为训练集和预测集，然后对训练集的近红外光谱数据依次进行二阶导数(5点)、标准化处理，其中标准化的公式如下：

$X=(X-\stackrel{\‾}{X})/\mathrm{\σ}$

为矩阵X的列均值矩阵，σ为矩阵X列标准偏差。

设置分类器：当样本属于“五常稻花香大米”时，设其值为“+1”；当样本不属于“五常稻花香大米”时，设其值为“-1”，然后采用偏最小二乘法(PLS)建立校正集近红外光谱与分类器之间的关系，构建“五常稻花香大米”分类模型。最后用大量样本对模型进行验证。

采集的大米样本中，包括65个“五常稻花香大米”产品和85个对照组样本，包括广东、江苏、辽宁、吉林等产地的大米。

利用二阶导数、标准化处理等方法首先提取近红外光谱中对分类有用的信息。然后建立这些信息与分类器：属于“五常稻花香大米”的样本值为“+1”，不属于“五常稻花香大米”的样本值为“-1”。建立偏最小二乘模型，所建立模型对训练集的预测结果如附图1。

模型的鉴别公式表达如下：

首先合并测量的近红外光谱数据组成测量数据阵X，X中每一列代表一个波数点，每一行代表一个样本(多次测量取平均值)。然后将X代入下列公式(1)计算，将计算结果反馈给公式(2)，从而得到最终的判定结果。

PLS预测：

y＝Xβ   (1)；

其中X为经过二阶导数(5点)、标准化预处理的近红外光谱数据，β为预处理后各变量所对应的回归系数矢量，y为PLS模型的预测结果矢量。回归系数矢量β的值如表1所示。

表1回归系数矢量β的值

模型对未知样的鉴定公式为：

ysign＝sign(y)，其中sign为符号函数，y为PLS模型预测结果。

判断规则：

该模型对130个训练集样本的预测中，属于“五常稻花香大米”的样本，其预测值均大于零，而不属于“五常稻花香大米”的样本，其预测值基本都小于零。因此，可以从偏最小二乘模型对样本预测值的符号直接判断该样本的类别归属。即，预测值符号为正的属于“五常稻花香大米”；预测值符号为负的不属于“五常稻花香大米”。至此，一种简洁的“五常稻花香大米”鉴别模型便建立完毕。尽管在对非“五常稻花香大米”样本的预测中有3个误判，识别率达到97.7％，结果令人满意。

然后是模型的验证，该模型对所有150个验证样本的预测结果如附图2。从图中可以看出，属于“五常稻花香大米”的样本中仅有1个误判，不属于“五常稻花香大米”的样本中有4个误判，模型对所有样本的识别率达到96.7％，结果令人满意。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (6)

1.一种利用近红外光谱技术鉴别五常稻花香大米的方法，其特征在于：该方法包括以下步骤：

A.采用红外光谱仪对检测样品进行测量；

B.将检测样品测量到的信息输入到数据处理部中,与五常稻花香大米的鉴别模型进行对比得出鉴别结果。

2.根据权利要求1所述利用近红外光谱技术鉴别五常稻花香大米的方法，其特征在于：所述鉴别模型的建立包括如下步骤：

a.将未经任何化学处理的五常稻花香大米和非五常稻花香大米产品直接称取一定量置于样品杯中，保证样品不漏光，即可开始测量；

b.采用红外光谱仪对样品进行扫描,获得五常稻花香大米近红外光谱数据集和非五常稻花香大米近红外光谱数据集；

c.数据处理并建立鉴别模型。

3.根据权利要求2所述利用近红外光谱技术鉴别五常稻花香大米的方法，其特征在于：所述步骤b中采用红外光谱仪对样品进行扫描波数范围是：12500cm^-1-3600cm^-1；分辨率是：8cm^-1；采用漫透射测量模式；且重复扫描数次以上，取测量平均值。

4.根据权利要求3所述利用近红外光谱技术鉴别五常稻花香大米的方法，其特征在于：所述步骤b中所述重复扫描为重复扫描9次以上，取测量平均值。

5.根据权利要求2所述利用近红外光谱技术鉴别五常稻花香大米的方法，其特征在于：所述步骤c中的所述数据处理并建立鉴别模型包括如下步骤：

c1.利用Kennard-Stone算法分别对五常稻花香大米近红外光谱数据集和非五常稻花香大米近红外光谱数据集进行采样，将获得的样本数据分别归为训练集和预测集；

c2.对训练集的近红外光谱数据依次进行二阶导数和标准化处理，其中标准化的公式如下：

$X=(X-\stackrel{\‾}{X})/\mathrm{\σ};$

为矩阵X的列均值矩阵，σ为矩阵X列标准偏差；

c3.设置分类器：当样本属于五常稻花香大米时，设其值为1；当样本不属于五常稻花香大米时，设其值为-1；

c4.采用偏最小二乘法PLS建立校正集近红外光谱与分类器之间的关系，构建五常稻花香大米分类模型；

c5.用大量样本对模型进行验证。

6.根据权利要求5所述利用近红外光谱技术鉴别五常稻花香大米的方法，其特征在于：所述Kennard-Stone算法、二阶导数、标准化、偏最小二乘法等均采用Matlab6.5软件编写处理程序。