CN111624193A - 一种野生滇龙胆libs识别方法及系统 - Google Patents

Abstract

本发明涉及一种野生滇龙胆LIBS识别方法及系统。所述方法包括获取待检测的滇龙胆植株的压片样本；利用激光诱导击穿光谱仪确定所述压片样本的激光诱导击穿光谱；根据所述激光诱导击穿光谱，利用matlab中的findpeaks算法和有效激发峰阈值，确定所述激光诱导击穿光谱的有效激发峰；根据所述激光诱导击穿光谱中的有效激发峰确定重构后的激光诱导击穿光谱；根据所述重构后的激光诱导击穿光谱和识别模型确定识别结果。本发明能够快速、准确地识别野生滇龙胆。

Description

一种野生滇龙胆LIBS识别方法及系统

技术领域

本发明涉及光谱检测领域，特别是涉及一种野生滇龙胆LIBS识别方法及系统。

背景技术

龙胆属(Gentiana)植物多生长在高山或高原，生长环境气候条件极端、多变，由于滇龙胆生长环境和生长年限的差异，家种品和野生品在某些方面都存在明显的差别，外观上，家种的肥硕松泡，野生的瘦弱紧实，野生的生长年限一般较长，成分均衡丰富，疗效较好，家种的药材存在种植技术不规范，激素滥用等问题，所以，中药材滇龙胆的野生识别显得尤为重要。

传统技术手段方面，主要通过化学方法测量草药中各种营养成分的组成比例和含量值来确定中草药的品质，这种方法重复性好，准确率高，但是劳动成本高，操作复杂，从采样到结果输出有很长时间，不能适应市场实时、快速检测的需求。

发明内容

本发明的目的是提供一种野生滇龙胆LIBS识别方法及系统，能够快速、准确地识别野生滇龙胆。

为实现上述目的，本发明提供了如下方案：

一种野生滇龙胆LIBS识别方法，包括：

获取待检测的滇龙胆植株的压片样本；

利用激光诱导击穿光谱仪确定所述压片样本的激光诱导击穿光谱；

根据所述激光诱导击穿光谱，利用matlab中的findpeaks算法和有效激发峰阈值，确定所述激光诱导击穿光谱的有效激发峰；所述有效激发峰为激光诱导击穿光谱中当前波长的光谱值均大于前一波长的光谱值和后一波长的光谱值，且所述当前波长的光谱值大于所述有效激发峰阈值；

根据所述激光诱导击穿光谱中的有效激发峰确定重构后的激光诱导击穿光谱；

根据所述重构后的激光诱导击穿光谱和识别模型确定识别结果；所述识别模型以所述重构后的激光诱导击穿光谱为输入，以所述识别结果为输出；所述识别结果包括野生滇龙胆和家种滇龙胆；所述识别模型包括极限学习机模型、支持向量机模型、随机森林模型、线性识别分析模型和径向基函数神经网络模型。

可选的，所述利用激光诱导击穿光谱仪确定所述压片样本的激光诱导击穿光谱，之后还包括：

对所述激光诱导击穿光谱进行小波去噪，得到去噪后的激光诱导击穿光谱；

对所述去噪后的激光诱导击穿光谱进行基线校正和面积归一化。

可选的，所述根据所述激光诱导击穿光谱中的有效激发峰确定重构后的激光诱导击穿光谱，具体包括：

根据所述有效激发峰确定所述有效激发峰的峰位置；

根据所述峰位置确定有效激发峰的强度；

根据所述有效激发峰的强度确定重构后的光谱变量；

根据所述重构后的光谱变量确定重构后的激光诱导击穿光谱。

可选的，所述识别模型的确定过程，具体包括：

获取样本集的压片样本；所述样本集包括野生的滇龙胆和家种的滇龙胆；

根据所述样本集的压片样本确定所述样本集的激光诱导击穿光谱；

根据所述样本集的激光诱导击穿光谱，利用matlab中的findpeaks算法和有效激发峰阈值，确定所述样本集的激光诱导击穿光谱的有效激发峰；

根据所述样本集的激光诱导击穿光谱中的有效激发峰确定所述样本集的重构后的激光诱导击穿光谱；

根据所述样本集的重构后的激光诱导击穿光谱确定光谱角数据；所述光谱角数据包括多个光谱角；所述光谱角为所述光谱数据中所有样本集的重构后的激光诱导击穿光谱与平均光谱间的夹角；

对所述光谱角进行排序，得到排序结果；

获取排序结果中的最大光谱角和最小光谱角，并确定与所述最大光谱角相对应的光谱和与所述最小光谱角相对应的光谱，以构建建模集；

将除所述最大光谱角和所述最小光谱角之外的其他光谱角划分为多个区间，并获取与每一区间中的中间光谱角相对应的光谱，以构建验证集；将与多个所述区间中除中间光谱角之外的其他光谱角相对应的光谱放入所述建模集；

以所述建模集为输入，以所述识别结果为输出，构建识别模型；

利用所述验证集对所述识别模型进行验证。

一种野生滇龙胆LIBS识别系统，包括：

第一压片样本获取模块，用于获取待检测的滇龙胆植株的压片样本；

第一激光诱导击穿光谱确定模块，用于利用激光诱导击穿光谱仪确定所述压片样本的激光诱导击穿光谱；

第一有效激发峰确定模块，用于根据所述激光诱导击穿光谱，利用matlab中的findpeaks算法和有效激发峰阈值，确定所述激光诱导击穿光谱的有效激发峰；所述有效激发峰为激光诱导击穿光谱中当前波长的光谱值均大于前一波长的光谱值和后一波长的光谱值，且所述当前波长的光谱值大于所述有效激发峰阈值；

第一重构后的激光诱导击穿光谱确定模块，用于根据所述激光诱导击穿光谱中的有效激发峰确定重构后的激光诱导击穿光谱；

识别结果确定模块，用于根据所述重构后的激光诱导击穿光谱和识别模型确定识别结果；所述识别模型以所述重构后的激光诱导击穿光谱为输入，以所述识别结果为输出；所述识别结果包括野生滇龙胆和家种滇龙胆；所述识别模型包括极限学习机模型、支持向量机模型、随机森林模型、线性识别分析模型和径向基函数神经网络模型。

可选的，还包括：

去噪后的激光诱导击穿光谱确定模块，用于对所述激光诱导击穿光谱进行小波去噪，得到去噪后的激光诱导击穿光谱；

基线校正和面积归一化处理模块，用于对所述去噪后的激光诱导击穿光谱进行基线校正和面积归一化。

可选的，所述第一重构后的激光诱导击穿光谱确定模块，具体包括：

峰位置确定单元，用于根据所述有效激发峰确定所述有效激发峰的峰位置；

有效激发峰的强度确定单元，用于根据所述峰位置确定有效激发峰的强度；

重构后的光谱变量确定单元，用于根据所述有效激发峰的强度确定重构后的光谱变量；

重构后的激光诱导击穿光谱确定单元，用于根据所述重构后的光谱变量确定重构后的激光诱导击穿光谱。

可选的，所述识别模型的确定过程，具体包括：

第二压片样本获取模块，用于获取样本集的压片样本；所述样本集包括野生的滇龙胆和家种的滇龙胆；

第二激光诱导击穿光谱确定模块，用于根据所述样本集的压片样本确定所述样本集的激光诱导击穿光谱；

第二有效激发峰确定模块，用于根据所述样本集的激光诱导击穿光谱，利用matlab中的findpeaks算法和有效激发峰阈值，确定所述样本集的激光诱导击穿光谱的有效激发峰；

第二重构后的激光诱导击穿光谱确定模块，用于根据所述样本集的激光诱导击穿光谱中的有效激发峰确定所述样本集的重构后的激光诱导击穿光谱；

光谱角数据确定模块，用于根据所述样本集的重构后的激光诱导击穿光谱确定光谱角数据；所述光谱角数据包括多个光谱角；所述光谱角为所述光谱数据中所有样本集的重构后的激光诱导击穿光谱与平均光谱间的夹角；

排序结果确定模块，用于对所述光谱角进行排序，得到排序结果；

建模集确定模块，用于获取排序结果中的最大光谱角和最小光谱角，并确定与所述最大光谱角相对应的光谱和与所述最小光谱角相对应的光谱，以构建建模集；

验证集确定模块，用于将除所述最大光谱角和所述最小光谱角之外的其他光谱角划分为多个区间，并获取与每一区间中的中间光谱角相对应的光谱，以构建验证集；将与多个所述区间中除中间光谱角之外的其他光谱角相对应的光谱放入所述建模集；

识别模型构建模块，用于以所述建模集为输入，以所述识别结果为输出，构建识别模型；

识别模型验证模块，用于利用所述验证集对所述识别模型进行验证。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明所提供的一种野生滇龙胆LIBS识别方法及系统，通过筛选有效激发峰信号过滤背景噪声，且通过有效激发峰的筛选能基本提炼出滇龙胆中的元素种类和相对含量信息，且光谱变量个数从22015降低到342，大大缩短模型训练时间。通过筛选有效激发峰信号使识别模型能够快速识别出滇龙胆的类别，得到识别结果，具有检测速度快、所需样品少、无污染、检测精度高、可靠性强的特点。本发明为筛选滇龙胆的野生识别提供一种技术手段。同时满足市场检测的快速，样本处理简单，高效等需求。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的一种野生滇龙胆LIBS识别方法流程示意图；

图2为滇龙胆原始激光诱导击穿光谱图；

图3为有效激发峰筛选示意图；

图4为筛选有效激发峰后的激光诱导击穿光谱图；

图5为滇龙胆激光诱导击穿光谱元素信息图；

图6为本发明所提供的一种野生滇龙胆LIBS识别系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种野生滇龙胆LIBS识别方法及系统，能够快速、准确地识别野生滇龙胆。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

激光诱导击穿光谱(LIBS)是一种利用激光激发等离子体，采集等离子体冷却过程中原子或离子的发射光谱，从而得到所测量物元素组成和含量信息的新型光谱测量技术。

图1为本发明所提供的一种野生滇龙胆LIBS识别方法流程示意图，如图1所示，本发明所提供的一种野生滇龙胆LIBS识别方法，包括：

S101，获取待检测的滇龙胆植株的压片样本。

S102，利用激光诱导击穿光谱仪确定所述压片样本的激光诱导击穿光谱。即原始的激光诱导击穿光谱，并如图2所示，激光诱导击穿光谱变量共22015个，每个光谱变量代表着元素种类和相对含量信息。

对所述激光诱导击穿光谱进行小波去噪，得到去噪后的激光诱导击穿光谱。在小波基函数为db3～db10，层数为3～10层的不同小波变换参数中寻得信噪比最高的最优小波参数为db5，层数为3层，在此基础上对所述激光诱导击穿光谱进行小波去噪。

为了消除仪器参数误差和实验环境带来的波动，对所述去噪后的激光诱导击穿光谱进行基线校正和面积归一化。

S103，根据所述激光诱导击穿光谱，利用matlab中的findpeaks算法和有效激发峰阈值，确定所述激光诱导击穿光谱的有效激发峰；所述有效激发峰为激光诱导击穿光谱中当前波长的光谱值均大于前一波长的光谱值和后一波长的光谱值，且所述当前波长的光谱值大于所述有效激发峰阈值。有效激发峰筛选示意图，并如图3所示。有效激发峰阈值为5.75x10^-5。因为有效激发峰阈值固定，所以不同激光诱导击穿光谱的有效激发峰的位置和个数都不一样，保证有效激发峰位置的代表性。

findpeaks算法为若某一波长下的光谱值均大于其前一波长和后一波长的光谱值。

S104，根据所述激光诱导击穿光谱中的有效激发峰确定重构后的激光诱导击穿光谱，如图4所示。

根据所述有效激发峰确定所述有效激发峰的峰位置。以所有激光诱导击穿光谱中有效激发峰个数的平均值向下取整后作为参考值，找到有效激发峰的个数与参考值相同的激光诱导击穿光谱作为参考光谱，记录该光谱的峰位置。

根据所述峰位置确定有效激发峰的强度。因为在LIBS系统采集光谱中，样本表面激发的等离子体具有高温和高电子密度的复杂环境，峰位置可能存在轻微偏移。筛选过程中，取峰位置前后各两个点，共五个点的光谱强度的最大值代表该峰位置的有效激发峰的强度。

根据所述有效激发峰的强度确定重构后的光谱变量。

根据所述重构后的光谱变量确定重构后的激光诱导击穿光谱。

原始激光诱导击穿光谱记录谱线波长为λ₁、λ₂、……、λ_p，(p＝22015)，一条光谱有22015个波长，其对应谱线强度为I_λ1,I_λ2,……I_λp，光谱向量可表示为X_i，

(i＝1,2……2048)，i代表光谱条数，总共有2048条光谱，结合matlab中的findpeaks算法，将I_λ大于阈值5.75x10^-5的有效激发峰标出，记录有效激发峰对应的波长为δ₁,δ₂,……δ_n(n＝342)，总共标记出342个波长，得到新的光谱变量

(i＝1,2……2048)，i代表光谱条数，总共有2048条光谱，但光谱的变量个数从22015降低到342个。大大缩短模型训练时间，同时提高了模型的验证效果

S105，根据所述重构后的激光诱导击穿光谱和识别模型确定识别结果；所述识别模型以所述重构后的激光诱导击穿光谱为输入，以所述识别结果为输出；所述识别结果包括野生滇龙胆和家种滇龙胆；所述识别模型包括极限学习机模型、支持向量机模型、随机森林模型、线性识别分析模型和径向基函数神经网络模型。

所述识别模型的确定过程，具体包括：

获取样本集的压片样本；所述样本集包括野生的滇龙胆和家种的滇龙胆。样本集为云南省内不同产地的滇龙胆植株，洗净根部，烘干研磨，每株样本取0.15g加压成片，压片厚度一定，有利于减少激光聚焦点与样本表面高度不一致带来的误差，野生样本取自后岩山头，共十株，其余是家种。样本种类和数量如表1：

表1

根据所述样本集的压片样本确定所述样本集的激光诱导击穿光谱。一个压片采集16处不同位置的光谱，每一处的光谱是激光击打累计5次后的平均结果，即一个压片采集16条光谱，共采集2048条光谱。每条光谱有22015个波长，光谱范围229.1-877.48nm，即每条光谱有22015个光谱变量，采集光谱的LIBS系统参数为：激光能量60mJ；激光波长532nm；焦深为2mm；延时时间为2μs；积分时间为20μs。

根据所述样本集的激光诱导击穿光谱，利用matlab中的findpeaks算法和有效激发峰阈值，确定所述样本集的激光诱导击穿光谱的有效激发峰。

根据所述样本集的激光诱导击穿光谱中的有效激发峰确定所述样本集的重构后的激光诱导击穿光谱。

根据所述样本集的重构后的激光诱导击穿光谱确定光谱角数据；所述光谱角数据包括多个光谱角；所述光谱角为所述光谱数据中所有样本集的重构后的激光诱导击穿光谱与平均光谱间的夹角。

对所述光谱角进行排序，得到排序结果。

获取排序结果中的最大光谱角和最小光谱角，并确定与所述最大光谱角相对应的光谱和与所述最小光谱角相对应的光谱，以构建建模集。

将除所述最大光谱角和所述最小光谱角之外的其他光谱角划分为多个区间，并获取与每一区间中的中间光谱角相对应的光谱，以构建验证集；将与多个所述区间中除中间光谱角之外的其他光谱角相对应的光谱放入所述建模集。

建模集和验证集的比列大约是2:1。对滇龙胆的2048条光谱按照光谱角划分建模集和验证集，结果是建模集有1445条光谱，验证集有603条光谱。

光谱角的本质是两条光谱向量的夹角，能有效表示光谱的偏离程度，夹角越大，两条光谱差别越大，对于每一产地的滇龙胆光谱，求出每一条光谱与其平均光谱的光谱角，将光谱角划分为若干区间，每个区间中间光谱角对应的光谱放入验证集，能有效保证建模集和验证集的均匀性，模型代表性能有所提高，且大大提高了建模效果。

以所述建模集为输入，以所述识别结果为输出，构建识别模型。

利用所述验证集对所述识别模型进行验证。

家种样本标签为1，野生样本标签为2，建立极限学习机(ELM，extreme learningmachine)，支持向量机(SVM，support vector machine)，随机森林(RF，random forest)，线性识别分析(PLS-DA，Partial Least Squares Discrimination Analysis)和径向基函数神经网络(RBFNN，radial basis function neural network)模型，每个模型的输入是建模集和验证集，输出是在该模型下建模集和验证集的准确率，效果如表2：

表2

Model	Accuracy of Calibration set	Accuracy of Prediction set
			ELM	99.58	97.24
SVM	99.37	97.56
			RF	100	95.13
PLS-DA	97.16	95.62
			RBFNN	98.75	95.94

若不筛选出有效激发峰信号，采用全谱建模结果如下(空白处代表程序运行时间过长，终止无结果)，如表3所示：

表3

Model	Accuracy of Calibration set	Accuracy of Prediction set
			ELM	97.73	94.94
SVM
			RF	99.20	91.47
PLS-DA
			RBFNN

从表格数据可以看出，筛选出有效激发峰后，降低了程序运行时间，模型准确率也大幅提高，说明背景信息对建模干扰严重，十分有必要过滤掉背景噪声，筛选有效激发峰的方法能有效降低输入信息，提高模型效率。

在中药LIBS光谱数据处理方面，另一种常用的降低输入信息的方法是根据LIBS光谱中的滇龙胆营养元素和微量元素等对应波长，降低光谱波长个数，同样可以减少输入信息，下面用这种方法建立识别模型，参考美国国家标注与技术研究院(NIST,nationalinstitute of standards and technology)提供的元素对应光谱波长，标注本次实验获得的滇龙胆营养元素和微量元素，共42个光谱波长与之对应，如图5所示(已标出所有的元素信息，但同一元素对应多条激发谱线，只选择了一部分)。

使得LIBS数据从22015个光谱变量降低到42个相关元素对应的光谱变量。元素与波长对应关系如表4：

表4

根据42个相关元素对应的波长，在原始光谱中，筛选出与波长对应的光谱数据，以此数据建立识别模型，结果如下表5：

表5

Model	Accuracy of Calibration set	Accuracy of Prediction set
			ELM	98.92	96.29
SVM	100	96.58
			RF	99.71	97.18
PLS-DA	92.51	91.38
			RBFNN	97.19	95.69

与筛选有效激发峰方法下的识别模型对比，可以看出，除了RF模型外，验证集准确率均降低，充分说明本发明筛选有效激发峰的方法优于常用的方法，在减少输入变量的同时充分保证了判别模型的准确率。

图6为本发明所提供的一种野生滇龙胆LIBS识别系统结构示意图，如图6所示，本发明所提供的一种野生滇龙胆LIBS识别系统，包括：第一压片样本获取模块601、第一激光诱导击穿光谱确定模块602、第一有效激发峰确定模块603、第一重构后的激光诱导击穿光谱确定模块604和识别结果确定模块605。

第一压片样本获取模块601用于获取待检测的滇龙胆植株的压片样本；

第一激光诱导击穿光谱确定模块602用于利用激光诱导击穿光谱仪确定所述压片样本的激光诱导击穿光谱。

第一有效激发峰确定模块603用于根据所述激光诱导击穿光谱，利用matlab中的findpeaks算法和有效激发峰阈值，确定所述激光诱导击穿光谱的有效激发峰；所述有效激发峰为激光诱导击穿光谱中当前波长的光谱值均大于前一波长的光谱值和后一波长的光谱值，且所述当前波长的光谱值大于所述有效激发峰阈值。

第一重构后的激光诱导击穿光谱确定模块604用于根据所述激光诱导击穿光谱中的有效激发峰确定重构后的激光诱导击穿光谱。

识别结果确定模块605用于根据所述重构后的激光诱导击穿光谱和识别模型确定识别结果；所述识别模型以所述重构后的激光诱导击穿光谱为输入，以所述识别结果为输出；所述识别结果包括野生滇龙胆和家种滇龙胆；所述识别模型包括极限学习机模型、支持向量机模型、随机森林模型、线性识别分析模型和径向基函数神经网络模型。

本发明所提供的一种野生滇龙胆LIBS识别系统，还包括：去噪后的激光诱导击穿光谱确定模块和基线校正和面积归一化处理模块。

去噪后的激光诱导击穿光谱确定模块用于对所述激光诱导击穿光谱进行小波去噪，得到去噪后的激光诱导击穿光谱。

基线校正和面积归一化处理模块用于对所述去噪后的激光诱导击穿光谱进行基线校正和面积归一化。

所述第一重构后的激光诱导击穿光谱确定模块，具体包括：峰位置确定单元、有效激发峰的强度确定单元、重构后的光谱变量确定单元和重构后的激光诱导击穿光谱确定单元。

峰位置确定单元用于根据所述有效激发峰确定所述有效激发峰的峰位置。

有效激发峰的强度确定单元用于根据所述峰位置确定有效激发峰的强度。

重构后的光谱变量确定单元用于根据所述有效激发峰的强度确定重构后的光谱变量。

重构后的激光诱导击穿光谱确定单元用于根据所述重构后的光谱变量确定重构后的激光诱导击穿光谱。

所述识别模型的确定过程，具体包括：第二压片样本获取模块、第二激光诱导击穿光谱确定模块、第二有效激发峰确定模块、第二重构后的激光诱导击穿光谱确定模块、光谱角数据确定模块，排序结果确定模块、建模集确定模块、验证集确定模块、识别模型构建模块和识别模型验证模块。

第二压片样本获取模块用于获取样本集的压片样本；所述样本集包括野生的滇龙胆和家种的滇龙胆。

第二激光诱导击穿光谱确定模块用于根据所述样本集的压片样本确定所述样本集的激光诱导击穿光谱。

第二有效激发峰确定模块用于根据所述样本集的激光诱导击穿光谱，利用matlab中的findpeaks算法和有效激发峰阈值，确定所述样本集的激光诱导击穿光谱的有效激发峰。

第二重构后的激光诱导击穿光谱确定模块用于根据所述样本集的激光诱导击穿光谱中的有效激发峰确定所述样本集的重构后的激光诱导击穿光谱。

光谱角数据确定模块用于根据所述样本集的重构后的激光诱导击穿光谱确定光谱角数据；所述光谱角数据包括多个光谱角；所述光谱角为所述光谱数据中所有样本集的重构后的激光诱导击穿光谱与平均光谱间的夹角。

排序结果确定模块用于对所述光谱角进行排序，得到排序结果。

建模集确定模块用于获取排序结果中的最大光谱角和最小光谱角，并确定与所述最大光谱角相对应的光谱和与所述最小光谱角相对应的光谱，以构建建模集。

验证集确定模块用于将除所述最大光谱角和所述最小光谱角之外的其他光谱角划分为多个区间，并获取与每一区间中的中间光谱角相对应的光谱，以构建验证集；将与多个所述区间中除中间光谱角之外的其他光谱角相对应的光谱放入所述建模集。

识别模型构建模块用于以所述建模集为输入，以所述识别结果为输出，构建识别模型。

识别模型验证模块用于利用所述验证集对所述识别模型进行验证。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种野生滇龙胆LIBS识别方法，其特征在于，包括：

获取待检测的滇龙胆植株的压片样本；

利用激光诱导击穿光谱仪确定所述压片样本的激光诱导击穿光谱；

根据所述激光诱导击穿光谱，利用matlab中的findpeaks算法和有效激发峰阈值，确定所述激光诱导击穿光谱的有效激发峰；所述有效激发峰为激光诱导击穿光谱中当前波长的光谱值均大于前一波长的光谱值和后一波长的光谱值，且所述当前波长的光谱值大于所述有效激发峰阈值；

根据所述激光诱导击穿光谱中的有效激发峰确定重构后的激光诱导击穿光谱；

根据所述重构后的激光诱导击穿光谱和识别模型确定识别结果；所述识别模型以所述重构后的激光诱导击穿光谱为输入，以所述识别结果为输出；所述识别结果包括野生滇龙胆和家种滇龙胆；所述识别模型包括极限学习机模型、支持向量机模型、随机森林模型、线性识别分析模型和径向基函数神经网络模型。

2.根据权利要求1所述的一种野生滇龙胆LIBS识别方法，其特征在于，所述利用激光诱导击穿光谱仪确定所述压片样本的激光诱导击穿光谱，之后还包括：

对所述激光诱导击穿光谱进行小波去噪，得到去噪后的激光诱导击穿光谱；

对所述去噪后的激光诱导击穿光谱进行基线校正和面积归一化。

3.根据权利要求1所述的一种野生滇龙胆LIBS识别方法，其特征在于，所述根据所述激光诱导击穿光谱中的有效激发峰确定重构后的激光诱导击穿光谱，具体包括：

根据所述有效激发峰确定所述有效激发峰的峰位置；

根据所述峰位置确定有效激发峰的强度；

根据所述有效激发峰的强度确定重构后的光谱变量；

根据所述重构后的光谱变量确定重构后的激光诱导击穿光谱。

4.根据权利要求1所述的一种野生滇龙胆LIBS识别方法，其特征在于，所述识别模型的确定过程，具体包括：

获取样本集的压片样本；所述样本集包括野生的滇龙胆和家种的滇龙胆；

根据所述样本集的压片样本确定所述样本集的激光诱导击穿光谱；

根据所述样本集的激光诱导击穿光谱，利用matlab中的findpeaks算法和有效激发峰阈值，确定所述样本集的激光诱导击穿光谱的有效激发峰；

根据所述样本集的激光诱导击穿光谱中的有效激发峰确定所述样本集的重构后的激光诱导击穿光谱；

根据所述样本集的重构后的激光诱导击穿光谱确定光谱角数据；所述光谱角数据包括多个光谱角；所述光谱角为所述光谱数据中所有样本集的重构后的激光诱导击穿光谱与平均光谱间的夹角；

对所述光谱角进行排序，得到排序结果；

获取排序结果中的最大光谱角和最小光谱角，并确定与所述最大光谱角相对应的光谱和与所述最小光谱角相对应的光谱，以构建建模集；

将除所述最大光谱角和所述最小光谱角之外的其他光谱角划分为多个区间，并获取与每一区间中的中间光谱角相对应的光谱，以构建验证集；将与多个所述区间中除中间光谱角之外的其他光谱角相对应的光谱放入所述建模集；

以所述建模集为输入，以所述识别结果为输出，构建识别模型；

利用所述验证集对所述识别模型进行验证。

5.一种野生滇龙胆LIBS识别系统，其特征在于，包括：

第一压片样本获取模块，用于获取待检测的滇龙胆植株的压片样本；

第一激光诱导击穿光谱确定模块，用于利用激光诱导击穿光谱仪确定所述压片样本的激光诱导击穿光谱；

第一有效激发峰确定模块，用于根据所述激光诱导击穿光谱，利用matlab中的findpeaks算法和有效激发峰阈值，确定所述激光诱导击穿光谱的有效激发峰；所述有效激发峰为激光诱导击穿光谱中当前波长的光谱值均大于前一波长的光谱值和后一波长的光谱值，且所述当前波长的光谱值大于所述有效激发峰阈值；

第一重构后的激光诱导击穿光谱确定模块，用于根据所述激光诱导击穿光谱中的有效激发峰确定重构后的激光诱导击穿光谱；

识别结果确定模块，用于根据所述重构后的激光诱导击穿光谱和识别模型确定识别结果；所述识别模型以所述重构后的激光诱导击穿光谱为输入，以所述识别结果为输出；所述识别结果包括野生滇龙胆和家种滇龙胆；所述识别模型包括极限学习机模型、支持向量机模型、随机森林模型、线性识别分析模型和径向基函数神经网络模型。

6.根据权利要求5所述的一种野生滇龙胆LIBS识别系统，其特征在于，还包括：

去噪后的激光诱导击穿光谱确定模块，用于对所述激光诱导击穿光谱进行小波去噪，得到去噪后的激光诱导击穿光谱；

基线校正和面积归一化处理模块，用于对所述去噪后的激光诱导击穿光谱进行基线校正和面积归一化。

7.根据权利要求5所述的一种野生滇龙胆LIBS识别系统，其特征在于，所述第一重构后的激光诱导击穿光谱确定模块，具体包括：

峰位置确定单元，用于根据所述有效激发峰确定所述有效激发峰的峰位置；

有效激发峰的强度确定单元，用于根据所述峰位置确定有效激发峰的强度；

重构后的光谱变量确定单元，用于根据所述有效激发峰的强度确定重构后的光谱变量；

重构后的激光诱导击穿光谱确定单元，用于根据所述重构后的光谱变量确定重构后的激光诱导击穿光谱。

8.根据权利要求5所述的一种野生滇龙胆LIBS识别系统，其特征在于，所述识别模型的确定过程，具体包括：

第二压片样本获取模块，用于获取样本集的压片样本；所述样本集包括野生的滇龙胆和家种的滇龙胆；

第二激光诱导击穿光谱确定模块，用于根据所述样本集的压片样本确定所述样本集的激光诱导击穿光谱；

第二有效激发峰确定模块，用于根据所述样本集的激光诱导击穿光谱，利用matlab中的findpeaks算法和有效激发峰阈值，确定所述样本集的激光诱导击穿光谱的有效激发峰；

第二重构后的激光诱导击穿光谱确定模块，用于根据所述样本集的激光诱导击穿光谱中的有效激发峰确定所述样本集的重构后的激光诱导击穿光谱；

光谱角数据确定模块，用于根据所述样本集的重构后的激光诱导击穿光谱确定光谱角数据；所述光谱角数据包括多个光谱角；所述光谱角为所述光谱数据中所有样本集的重构后的激光诱导击穿光谱与平均光谱间的夹角；

排序结果确定模块，用于对所述光谱角进行排序，得到排序结果；

建模集确定模块，用于获取排序结果中的最大光谱角和最小光谱角，并确定与所述最大光谱角相对应的光谱和与所述最小光谱角相对应的光谱，以构建建模集；

验证集确定模块，用于将除所述最大光谱角和所述最小光谱角之外的其他光谱角划分为多个区间，并获取与每一区间中的中间光谱角相对应的光谱，以构建验证集；将与多个所述区间中除中间光谱角之外的其他光谱角相对应的光谱放入所述建模集；

识别模型构建模块，用于以所述建模集为输入，以所述识别结果为输出，构建识别模型；

识别模型验证模块，用于利用所述验证集对所述识别模型进行验证。

Images