CN113033066A - 一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法 - Google Patents
一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法 Download PDFInfo
- Publication number
- CN113033066A CN113033066A CN202110372325.2A CN202110372325A CN113033066A CN 113033066 A CN113033066 A CN 113033066A CN 202110372325 A CN202110372325 A CN 202110372325A CN 113033066 A CN113033066 A CN 113033066A
- Authority
- CN
- China
- Prior art keywords
- sargassum fusiforme
- spectrum
- strain
- identification
- samples
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000264279 Sargassum fusiforme Species 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 56
- 238000012937 correction Methods 0.000 claims abstract description 23
- 230000003595 spectral effect Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000009395 breeding Methods 0.000 claims abstract description 8
- 230000001488 breeding effect Effects 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract description 6
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 239000000843 powder Substances 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000001035 drying Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000001028 reflection method Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010298 pulverizing process Methods 0.000 claims description 5
- 238000007873 sieving Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 241000195493 Cryptophyta Species 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000195522 Fucales Species 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 241000199919 Phaeophyceae Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 235000013619 trace mineral Nutrition 0.000 description 2
- 239000011573 trace mineral Substances 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 241001474374 Blennius Species 0.000 description 1
- 208000001132 Osteoporosis Diseases 0.000 description 1
- 241000195475 Sargassaceae Species 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 235000001014 amino acid Nutrition 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- 230000000062 effect on obesity Effects 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 150000004676 glycans Chemical class 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 235000013402 health food Nutrition 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 229920001282 polysaccharide Polymers 0.000 description 1
- 239000005017 polysaccharide Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002798 spectrophotometry method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000004614 tumor growth Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及羊栖菜产地、品系和养殖方式的快速检测领域，特别涉及一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法，具体包括以下步骤：（1）采集来自不同产地、品系和养殖方式的羊栖菜；（2）采集羊栖菜的近红外原始光谱；（3）对近红外原始光谱进行数据处理；（4）对预处理之后的光谱数据提取主成分；（5）随机划分校正集和验证集；（6）采用PSO‑SVM算法建立校正模型；（7）利用预测集对校正模型进行验证。为实现快速鉴别羊栖菜的产地、品系和养殖方式提供了一种方法。
Description
技术领域
本发明属于羊栖菜检测技术领域，具体涉及一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法。
背景技术
羊栖菜(Sargassum fusiforme)是一种药食同源海藻，隶属于褐藻门褐藻纲墨角藻目马尾藻科。羊栖菜富含褐藻多糖，并且含有人体生命活动必不可少的多种氨基酸、微量元素及矿物质，因而是中国、日本、朝鲜和韩国沿海居民的传统健康食品。此外，羊栖菜还具有较好的药用价值。现代药理研究表明，羊栖菜具备降血压、降血脂、抗血栓、抗病毒、抗抑郁、抑制肿瘤生长以及提高机体免疫力等功效，对肥胖症、糖尿病、动脉硬化症、骨质疏松症、老年痴呆症有较好的预防作用。由于品系、产地、养殖方式、采收时间等因素的影响，导致羊栖菜化学成分和含量差异较大，直接影响其营养、药效品质。传统的羊栖菜产地、品系和养殖方式的鉴别方法主要采用感官分析和理化鉴别方法。感官分析比较依赖人的经验，可靠性较低，难以保证标准性和规范性。理化鉴别一般采用高效液相色谱法、紫外分光光度法、气质联用色谱法等方法。然而这些方法耗时耗力、不可避免使用有机试剂且对样品造成损害，故需要建立一套快速的羊栖菜分析方法，以鉴别其产地、品系和养殖方式。
近红外光谱技术（Near infrared spectroscopy, NIRS）作为一种高新分析技术，由于具有分析速度快、测量重复性好、分析效率高、分析成本低、不破坏样本、样本无需预处理的特点而使得上述问题得以解决。但是近红外光谱存在谱带宽、谱峰重叠严重、吸收强度弱、信噪比低等问题，所以基于近红外光谱，无法直接得到目标信息。
发明内容
本发明的目的是为了克服现有技术存在的缺点和不足，而提供一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法。
本发明所采取的技术方案如下：一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法，包括以下步骤：
（1）采集来自不同产地、品系和养殖方式的羊栖菜，将收集得到的羊栖菜进行清洗、干燥至恒重，粉碎过80目筛网，得到羊栖菜粉末样品；
（2）采用漫反射法采集羊栖菜粉末样品的近红外原始光谱，以空气为参比；光谱采集条件：扫描范围为4000-10000 cm-1，扫描次数为32次，分辨率为8 cm-1；
（3）对近红外原始光谱进行数据处理，应用化学计量学软件对羊栖菜样品的近红外原始光谱进行一阶导数和SG平滑处理，导出得到光谱数据矩阵；
（4）对预处理之后的光谱数据提取主成分，应用Matlab软件对光谱预处理之后的数据进行主成分分析，得到光谱数据的得分值、主成分数及累积贡献率；
（5）随机划分校正集和验证集；
（6）采用PSO-SVM算法建立校正模型，以校正集样品光谱的主成分得分值作为输入变量，分别以不同的产地、品系和养殖方式作为输出变量，构建3种PSO-SVM定性模型，分别用于鉴别来自不同产地、品系和养殖方式的羊栖菜；
（7）利用预测集对校正模型进行验证。
步骤（1）中，共收集中国、日本和韩国的羊栖菜样品共32个，其中中国11个，日本10个，韩国11个； 分别收集4种品系的羊栖菜，各包含10个；分别收集20个养殖羊栖菜和20个野生羊栖菜样品。
所述化学计量学软件为TQ Analyst软件。
步骤（5）中，针对产地，校正集和预测集中样品数之比为 17:15；针对品系和养殖方式校正集和预测集中样品数之比为1:1。
步骤（6）中，采用粒子群算法（PSO）优化支持向量机（SVM）的惩罚参数C和核函数g，构建PSO-SVM鉴别模型。
步骤（7）中，对所建校正模型的预测性能进行验证，其中评价指标包括校正集识别准确率和预测集识别准确率。
一种羊栖菜产地、品系和养殖方式的鉴定方法，包括以下步骤：
（1）将被测羊栖菜进行清洗、干燥至恒重，粉碎过80目筛网，得到被测羊栖菜粉末样品；
（2）采用漫反射法采集被测羊栖菜的近红外原始光谱，以空气为参比；光谱采集条件：扫描范围为4000-10000 cm-1，扫描次数为32次，分辨率为8 cm-1；
（3）对近红外原始光谱进行数据处理，应用化学计量学软件对羊栖菜样品的近红外原始光谱进行一阶导数和SG平滑处理，导出得到光谱数据矩阵；
（4）对预处理之后的光谱数据提取主成分，应用Matlab软件对光谱预处理之后的数据进行主成分分析，得到光谱数据的主成分得分值；
（5）基于如上所述的羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法所建立的3种PSO-SVM定性模型，获得被测羊栖菜的产地、品系和养殖方式的结论。
本发明的有益效果如下：本发明基于近红外光谱技术，结合主成分分析和化学计量学方法鉴别来自不同产地、品系和养殖方式的羊栖菜，实现了快速鉴别羊栖菜产地、品系和养殖方式的目的。该发明方法操作简单，预测精度较高，为羊栖菜产品溯源和质量控制提供了一种新思路。
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，下面将对实施例或现有技术描述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，根据这些附图获得其他的附图仍属于本发明的范畴。
图1是本发明的流程示意图；
图2是羊栖菜近红外原始光谱图；
图3为羊栖菜一阶导数-SG平滑预处理光谱图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
实施例1
（1）羊栖菜不同产地样品的收集与处理
收集中国、日本和韩国的羊栖菜样品共32个，其中中国11个，日本10个，韩国11个。将羊栖菜样品置于清水中，去除其附带的杂藻以及水生物等杂物，清洗用水量约为1 L/kg，然后将清洗干净的羊栖菜控干水分，取3 kg羊栖菜置于托盘中，使用恒温鼓风干燥机在80℃下干燥4.5 h至恒重，可得到500 g干燥羊栖菜。将干燥羊栖菜置于粉碎机中粉碎打粉，过80目筛网，可得约200 g羊栖菜粉末样品。
（2）光谱采集
参见图1，采用傅里叶近红外光谱仪，选择漫反射法采集近红外原始光谱，以空气为参比；光谱采集条件：扫描范围为4000-10000 cm-1，扫描次数为32次，分辨率为8 cm-1，每个样品采集3张光谱，计算平均光谱。
（3）光谱预处理
应用TQ Analyst软件对羊栖菜样品的近红外原始光谱进行一阶导数和SG平滑处理，如图2所示，导出得到光谱数据矩阵。
（4）光谱数据主成分分析
应用Matlab软件对光谱预处理之后的数据进行主成分分析，前6个主成分的累积贡献率为98.85%，可以代表光谱信息，用于后续数据分析。
（5）PSO-SVM产地鉴别模型的建立与验证
随机划分校正集和预测集，划分比例为17:15。样本集划分结果如表1。以校正集样品光谱的前6个主成分得分值作为输入变量，以不同的产地作为输出变量，构建PSO-SVM产地鉴别模型。采用粒子群算法（PSO）和 5折交叉验证方法优化支持向量机模型的惩罚参数C和核函数参数g。在应用粒子群算法时，主要的参数设置如下：最大迭代次数：200；权重因子w=0.6; 学习因子c1=1.5，c2=1.7; 粒子数：20；C和g的寻优范围是0至100。最终得到参数的最优组合是C=17.11；g=100。基于最优参数，构建SVM产地鉴别模型，以测试集评价模型的预测精度，结果表明，PSO-SVM产地鉴别模型可以完全准确的预测羊栖菜的产地来源，预测精度达到100%。
实施例2
（1）羊栖菜不同品系样品的收集与处理
收集温州洞头4种不同品系的羊栖菜，每种品系各收集10个。将羊栖菜样品置于清水中，去除其附带的杂藻以及水生物等杂物，清洗用水量约为1 L/kg，然后将清洗干净的羊栖菜控干水分，取3 kg羊栖菜置于托盘中，使用恒温鼓风干燥机在80 ℃下干燥4.5 h至恒重，可得到500 g干燥羊栖菜。将干燥羊栖菜置于粉碎机中粉碎打粉，过80目筛网，可得约200 g羊栖菜粉末样品。
（2）光谱采集
参见图1，采用傅里叶近红外光谱仪，选择漫反射法采集近红外原始光谱，以空气为参比；光谱采集条件：扫描范围为4000-10000 cm-1，扫描次数为32次，分辨率为8 cm-1，每个样品采集3张光谱，计算平均光谱。
（3）光谱预处理
应用TQ Analyst软件对羊栖菜样品的近红外原始光谱进行一阶导数和SG平滑处理，如图2所示，导出得到光谱数据矩阵。
（4）光谱数据主成分分析
应用Matlab软件对光谱预处理之后的数据进行主成分分析，前4个主成分的累积贡献率为99.87%，可以代表光谱信息，用于后续数据分析。
（5）PSO-SVM品系鉴别模型的建立与验证
随机划分校正集和预测集，划分比例为1.:1。样本集划分结果如表1。以校正集样品光谱的前4个主成分得分值作为输入变量，以不同的品系作为输出变量，构建PSO-SVM品系鉴别模型。采用粒子群算法（PSO）和 5折交叉验证方法优化支持向量机模型的惩罚参数C和核函数参数g。在应用粒子群算法时，主要的参数设置如下：最大迭代次数：200；权重因子w=0.6; 学习因子c1=1.5，c2=1.7; 粒子数：20；C和g的寻优范围是0至100。最终得到参数的最优组合是C=0.01；g=71.4571。基于最优参数，构建SVM品系鉴别模型，以测试集评价模型的预测精度，结果表明，PSO-SVM品系鉴别模型可以完全准确的预测羊栖菜的品系来源，预测精度达到100%。
实施例3
（1）羊栖菜不同养殖方式样品的收集与处理
收集20个人工养殖羊栖菜样品和20个野生羊栖菜样品。将羊栖菜样品置于清水中，去除其附带的杂藻以及水生物等杂物，清洗用水量约为1 L/kg，然后将清洗干净的羊栖菜控干水分，取3 kg羊栖菜置于托盘中，使用恒温鼓风干燥机在80 ℃下干燥4.5 h至恒重，可得到500 g干燥羊栖菜。将干燥羊栖菜置于粉碎机中粉碎打粉，过80目筛网，可得约200 g羊栖菜粉末样品。
（2）光谱采集
参见图1，采用傅里叶近红外光谱仪，选择漫反射法采集近红外原始光谱，以空气为参比；光谱采集条件：扫描范围为4000-10000 cm-1，扫描次数为32次，分辨率为8 cm-1，每个样品采集3张光谱，计算平均光谱。
（3）光谱预处理
应用TQ Analyst软件对羊栖菜样品的近红外原始光谱进行一阶导数和SG平滑处理，如图2所示，导出得到光谱数据矩阵。
（4）光谱数据主成分分析
应用Matlab软件对光谱预处理之后的数据进行主成分分析，前3个主成分的累积贡献率为98.93%，可以代表光谱信息，用于后续数据分析。
（5）PSO-SVM养殖方式鉴别模型的建立与验证
随机划分校正集和预测集，划分比例为1.:1。样本集划分结果如表1。以校正集样品光谱的前3个主成分得分值作为输入变量，以不同的养殖方式作为输出变量，构建PSO-SVM养殖方式鉴别模型。采用粒子群算法（PSO）和 5折交叉验证方法优化支持向量机模型的惩罚参数C和核函数参数g。在应用粒子群算法时，主要的参数设置如下：最大迭代次数：200；权重因子w=0.6; 学习因子c1=1.5，c2=1.7; 粒子数：20；C和g的寻优范围是0至100。最终得到参数的最优组合是C=0.01；g=81.1189。基于最优参数，构建SVM养殖方式鉴别模型，以测试集评价模型的预测精度，结果为人工养殖的羊栖菜样本能被全部正确识别，而在10个野生样本中，有2个样本被错误识别为人工养殖样本，因而PSO-SVM养殖方式鉴别模型的预测精度为90%。
综上所述，所建立的羊栖菜产地和品系鉴别模型的预测集的准确率达到100%，养殖方式的准确率达到90%。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (7)
1.一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法，其特征在于，包括以下步骤：
（1）采集来自不同产地、品系和养殖方式的羊栖菜，将收集得到的羊栖菜进行清洗、干燥至恒重，粉碎过80目筛网，得到羊栖菜粉末样品；
（2）采用漫反射法采集羊栖菜粉末样品的近红外原始光谱，以空气为参比；光谱采集条件：扫描范围为4000-10000 cm-1，扫描次数为32次，分辨率为8 cm-1；
（3）对近红外原始光谱进行数据处理，应用化学计量学软件对羊栖菜样品的近红外原始光谱进行一阶导数和SG平滑处理，导出得到光谱数据矩阵；
（4）对预处理之后的光谱数据提取主成分，应用Matlab软件对光谱预处理之后的数据进行主成分分析，得到光谱数据的得分值、主成分数及累积贡献率；
（5）随机划分校正集和验证集；
（6）采用PSO-SVM算法建立校正模型，以校正集样品光谱的主成分得分值作为输入变量，分别以不同的产地、品系和养殖方式作为输出变量，构建3种PSO-SVM定性模型，分别用于鉴别来自不同产地、品系和养殖方式的羊栖菜；
（7）利用预测集对校正模型进行验证。
2. 根据权利要求1所述的羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法，其特征在于： 步骤（1）中，共收集中国、日本和韩国的羊栖菜样品共32个，其中中国11个，日本10个，韩国11个； 分别收集4种品系的羊栖菜，各包含10个；分别收集20个养殖羊栖菜和20个野生羊栖菜样品。
3. 根据权利要求1所述的羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法，其特征在于：所述化学计量学软件为TQ Analyst软件。
4. 根据权利要求1所述的羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法，其特征在于：步骤（5）中，针对产地，校正集和预测集中样品数之比为 17:15；针对品系和养殖方式校正集和预测集中样品数之比为1:1。
5.根据权利要求1所述的羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法，其特征在于：步骤（6）中，采用粒子群算法（PSO）优化支持向量机（SVM）的惩罚参数C和核函数g，构建PSO-SVM鉴别模型。
6.根据权利要求1所述的羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法，其特征在于：步骤（7）中，对所建校正模型的预测性能进行验证，其中评价指标包括校正集识别准确率和预测集识别准确率。
7.一种羊栖菜产地、品系和养殖方式的鉴定方法，其特征在于包括以下步骤：
（1）将被测羊栖菜进行清洗、干燥至恒重，粉碎过80目筛网，得到被测羊栖菜粉末样品；
（2）采用漫反射法采集被测羊栖菜的近红外原始光谱，以空气为参比；光谱采集条件：扫描范围为4000-10000 cm-1，扫描次数为32次，分辨率为8 cm-1；
（3）对近红外原始光谱进行数据处理，应用化学计量学软件对羊栖菜样品的近红外原始光谱进行一阶导数和SG平滑处理，导出得到光谱数据矩阵；
（4）对预处理之后的光谱数据提取主成分，应用Matlab软件对光谱预处理之后的数据进行主成分分析，得到光谱数据的主成分得分值；
（5）基于如权利要求1-6任一项所述的羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法所建立的3种PSO-SVM定性模型，获得被测羊栖菜的产地、品系和养殖方式的结论。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110372325.2A CN113033066A (zh) | 2021-04-07 | 2021-04-07 | 一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110372325.2A CN113033066A (zh) | 2021-04-07 | 2021-04-07 | 一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113033066A true CN113033066A (zh) | 2021-06-25 |
Family
ID=76453989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110372325.2A Pending CN113033066A (zh) | 2021-04-07 | 2021-04-07 | 一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113033066A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113466156A (zh) * | 2021-07-30 | 2021-10-01 | 内蒙古农业大学 | 一种基于可见-近红外光谱的木材合法性验证方法 |
| CN113866122A (zh) * | 2021-10-21 | 2021-12-31 | 江苏省家禽科学研究所 | 一种鸡品种快速鉴别方法及其应用 |
| CN114916469A (zh) * | 2022-05-27 | 2022-08-19 | 浙江大学 | 一种蛋鸡种蛋性别光学鉴定方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105653895A (zh) * | 2015-12-21 | 2016-06-08 | 温州市洞头区水产科学技术研究所 | 一种羊栖菜的品系鉴别和分类方法 |
| CN105758981A (zh) * | 2014-12-19 | 2016-07-13 | 天津滨海无瑕农业生态设施有限公司 | 基于gc-ms技术结合pso-svm算法的植物油分类方法 |
| CN106596453A (zh) * | 2016-12-16 | 2017-04-26 | 中国水产科学研究院黄海水产研究所 | 一种基于近红外光谱技术鉴别野生和养殖海鲈鱼的方法 |
| CN109668859A (zh) * | 2019-03-03 | 2019-04-23 | 西南大学 | 基于svm算法的花椒产地和品种的近红外光谱识别方法 |
-
2021
- 2021-04-07 CN CN202110372325.2A patent/CN113033066A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105758981A (zh) * | 2014-12-19 | 2016-07-13 | 天津滨海无瑕农业生态设施有限公司 | 基于gc-ms技术结合pso-svm算法的植物油分类方法 |
| CN105653895A (zh) * | 2015-12-21 | 2016-06-08 | 温州市洞头区水产科学技术研究所 | 一种羊栖菜的品系鉴别和分类方法 |
| CN106596453A (zh) * | 2016-12-16 | 2017-04-26 | 中国水产科学研究院黄海水产研究所 | 一种基于近红外光谱技术鉴别野生和养殖海鲈鱼的方法 |
| CN109668859A (zh) * | 2019-03-03 | 2019-04-23 | 西南大学 | 基于svm算法的花椒产地和品种的近红外光谱识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴永军等: "近红外光谱技术快速鉴别淫羊藿药材产地", 时珍国医国药, vol. 28, no. 8, pages 1902 - 1905 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113466156A (zh) * | 2021-07-30 | 2021-10-01 | 内蒙古农业大学 | 一种基于可见-近红外光谱的木材合法性验证方法 |
| CN113866122A (zh) * | 2021-10-21 | 2021-12-31 | 江苏省家禽科学研究所 | 一种鸡品种快速鉴别方法及其应用 |
| CN114916469A (zh) * | 2022-05-27 | 2022-08-19 | 浙江大学 | 一种蛋鸡种蛋性别光学鉴定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113033066A (zh) | 一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法 | |
| Chandrasekaran et al. | Potential of near-infrared (NIR) spectroscopy and hyperspectral imaging for quality and safety assessment of fruits: An overview | |
| Yang et al. | Diagnosis of plant cold damage based on hyperspectral imaging and convolutional neural network | |
| Chen et al. | Predicting the anthocyanin content of wine grapes by NIR hyperspectral imaging | |
| CN110308111B (zh) | 一种应用近红外光谱技术快速预测远安黄茶闷黄时间的方法 | |
| Gao et al. | Hyperspectral image information fusion-based detection of soluble solids content in red globe grapes | |
| CN105158186B (zh) | 一种基于高光谱图像对白萝卜黑心检测的方法 | |
| CN110376153B (zh) | 一种atr-ftir结合rbf神经网络对市售西红花产地溯源的方法 | |
| Chen et al. | Fast detection of cumin and fennel using NIR spectroscopy combined with deep learning algorithms | |
| CN114199880A (zh) | 一种基于边缘计算的柑橘病虫害实时检测方法 | |
| CN112595692A (zh) | 一种水果总糖含量预测模型的建立方法及水果总糖含量的预测方法 | |
| CN106940292A (zh) | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 | |
| Li et al. | Fourier transform near-infrared spectroscopy coupled with variable selection methods for fast determination of salmon fillets storage time | |
| Liu et al. | Diagnosis of citrus greening using raman spectroscopy-based pattern recognition | |
| CN103743705A (zh) | 一种假高粱及其近似物种的快速检测方法 | |
| Zhang et al. | Hyperspectral imaging combined with convolutional neural network for outdoor detection of potato diseases | |
| Yuan et al. | In-field and non-destructive determination of comprehensive maturity index and maturity stages of Camellia oleifera fruits using a portable hyperspectral imager | |
| Chen et al. | Quality detection and variety classification of pecan seeds using hyperspectral imaging technology combined with machine learning | |
| CN114112983A (zh) | 一种基于Python数据融合的藏药全缘叶绿绒蒿产地判别方法 | |
| Chu et al. | Nondestructive determination and visualization of protein and carbohydrate concentration of Chlorella pyrenoidosa in situ using hyperspectral imaging technique | |
| Cong et al. | Research on monitoring methods for the appropriate rice harvest period based on multispectral remote sensing | |
| Zhang et al. | Rapid and non-destructive decay detection of Yali pears using hyperspectral imaging coupled with 2D correlation spectroscopy | |
| CN109765197A (zh) | 一种冰鲜大西洋鲑鱼与冻融大西洋鲑鱼的快速鉴别方法 | |
| CN113049526B (zh) | 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 | |
| Gao et al. | Design and test of portable comprehensive quality non-destructive detector for grape bunches based on spectrum |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |