CN113313157A - 一种基于机器学习的藕粉产地判别方法 - Google Patents
一种基于机器学习的藕粉产地判别方法 Download PDFInfo
- Publication number
- CN113313157A CN113313157A CN202110562295.1A CN202110562295A CN113313157A CN 113313157 A CN113313157 A CN 113313157A CN 202110562295 A CN202110562295 A CN 202110562295A CN 113313157 A CN113313157 A CN 113313157A
- Authority
- CN
- China
- Prior art keywords
- lotus root
- root starch
- machine learning
- sample
- producing area
- 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
- 240000002853 Nelumbo nucifera Species 0.000 title claims abstract description 106
- 235000006508 Nelumbo nucifera Nutrition 0.000 title claims abstract description 106
- 229920002472 Starch Polymers 0.000 title claims abstract description 95
- 235000019698 starch Nutrition 0.000 title claims abstract description 95
- 239000008107 starch Substances 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010801 machine learning Methods 0.000 title claims abstract description 24
- 238000001228 spectrum Methods 0.000 claims abstract description 35
- 238000013145 classification model Methods 0.000 claims abstract description 12
- 230000003595 spectral effect Effects 0.000 claims abstract description 7
- 238000001035 drying Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000002329 infrared spectrum Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005485 electric heating Methods 0.000 claims description 4
- 239000004570 mortar (masonry) Substances 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000000227 grinding Methods 0.000 claims description 3
- 238000007873 sieving Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 8
- 238000010521 absorption reaction Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- YCIMNLLNPGFGHC-UHFFFAOYSA-N catechol Chemical compound OC1=CC=CC=C1O YCIMNLLNPGFGHC-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- LNTHITQWFMADLM-UHFFFAOYSA-N gallic acid Chemical compound OC(=O)C1=CC(O)=C(O)C(O)=C1 LNTHITQWFMADLM-UHFFFAOYSA-N 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- PFTAWBLQPZVEMU-DZGCQCFKSA-N (+)-catechin Chemical compound C1([C@H]2OC3=CC(O)=CC(O)=C3C[C@@H]2O)=CC=C(O)C(O)=C1 PFTAWBLQPZVEMU-DZGCQCFKSA-N 0.000 description 1
- WTDRDQBEARUVNC-LURJTMIESA-N L-DOPA Chemical compound OC(=O)[C@@H](N)CC1=CC=C(O)C(O)=C1 WTDRDQBEARUVNC-LURJTMIESA-N 0.000 description 1
- 244000261559 Smilax china Species 0.000 description 1
- 235000000485 Smilax china Nutrition 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 235000006708 antioxidants Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- ADRVNXBAWSRFAJ-UHFFFAOYSA-N catechin Natural products OC1Cc2cc(O)cc(O)c2OC1c3ccc(O)c(O)c3 ADRVNXBAWSRFAJ-UHFFFAOYSA-N 0.000 description 1
- 235000005487 catechin Nutrition 0.000 description 1
- 229950001002 cianidanol Drugs 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000000113 differential scanning calorimetry Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004186 food analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229940074391 gallic acid Drugs 0.000 description 1
- 235000004515 gallic acid Nutrition 0.000 description 1
- 235000013402 health food Nutrition 0.000 description 1
- 125000000325 methylidene group Chemical group [H]C([H])=* 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于机器学习的藕粉产地判别方法，包括以下步骤：于网上购得不同产地的鲜藕，制备纯藕粉；不同产地藕粉样品的制备，供上机使用；采集不同产地藕粉样品的光谱数据；基于获得的光谱数据，以此建立用于预测的机器学习分类模型；基于建立的分类模型，对待测藕粉样品进行产地预测。本发明简单、快捷地识别出未知藕粉样本的产地归属。
Description
技术领域
本发明涉及食品分析领域，特别是一种基于机器学习的藕粉产地判别方法。
背景技术
藕粉，是我国传统的保健食品，藕粉及其相关产品深受国内外消费者的喜爱和食品研究者的关注。莲藕中含有多巴、儿茶酚、没食子酸、儿茶素，是一种具有开发价值的天然抗氧化剂。随着食用藕粉的不断推广，市场份额不断扩大，藕粉的品质面临以下问题：由于不同产地的莲藕品质不一，需对高品质产地和低营养产地的藕粉样品实现有效鉴别。因此，有效鉴别藕粉产地对维护消费者权益、保障合理市场秩序具有重要意义。传统检测藕粉产地的技术有其局限性，通过外观鉴别的方法存在主观性强、误差大的缺点；差示扫描量热法对于实验条件的选择要求高，选择不同的实验条件对结果有很大影响，实验人员必须掌握足够的经验，在应用的广泛性上存在不足。因此，开发一种无损、方便、高效的藕粉产地辨别方法非常有意义。
综上所述，为了拓展藕粉品质检测在食品领域中的应用，急需开发一种快速、简单的鉴别藕粉产地的方法。
发明内容
有鉴于此，本发明的目的是提供一种基于机器学习的藕粉产地判别方法，能够简单、快捷地检测出藕粉的产地归属。
本发明采用以下方案实现：一种基于机器学习的藕粉产地判别方法，包括以下步骤：
步骤S1：于网上购得不同产地的鲜藕，制备纯藕粉；
步骤S2：不同产地藕粉样品的制备，供上机使用；
步骤S3：采集不同产地藕粉样品的光谱数据；
步骤S4：基于步骤S3获得的光谱数据，以此建立用于预测的机器学习分类模型；
步骤S5：基于步骤S4建立的分类模型，对待测藕粉样品进行产地预测。
进一步地，步骤S1中所述网上购得鲜藕来自多个产地，纯藕粉的制备按照GB/T25733-2010中规定的工艺流程进行。
进一步地，所述步骤S2中将多个产地的藕粉置于电热恒温鼓风干燥箱60℃中自然烘干，用研钵进行研磨，接着过60目筛，每个产地的样品分为20份，依次编号，保存备用。
进一步地，步骤S3中采用ANTARISⅡ傅里叶变换近红外光谱仪采集不同产地藕粉样品的近红外光谱数据。
进一步地，所述步骤S4的具体内容为：
采用一阶导数、标准正态变换(SNV)、多元散射校正(MSC)3种方法对原始光谱进行预处理，并用相关系数法提取特征波长，最后建立了偏最小二乘判别分析(PLS-DA)、线性判别分析(LDA)以及支持向量机(SVM)3种机器学习分类器。
进一步地，所述步骤S5的具体内容为：
取待测藕粉样品，约5g，对样品进行烘干、研磨、过筛，然后用傅里叶变换近红外光谱仪采集其近红外光谱，将所得光谱数据进行预处理与特征波长提取，最后将待测藕粉样品的特征波长信息输入训练好的PLS-DA、LDA或SVM模型，模型会预测出该待测藕粉样本属于哪个产地，并将其作为输出。
与现有技术相比，本发明具有以下有益效果：
本发明通过采集不同产地的藕粉样品的近红外光谱数据，作为原始的数据集，以此建立PLS-DA、LDA及SVM模型，模型能有效识别出藕粉样品的产地归属。该方法检测简单、快捷，可以显著提升检测效率，为简化藕粉品质鉴别提供新的方法，具有很强的实用性和广阔的应用前景。
附图说明
图1为本发明实施例的一种基于机器学习的藕粉产地判别方法流程图。
图2为本发明实施例的不同产地藕粉样品的原始光谱图。
图3为本发明实施例的不同方法预处理后的藕粉样品光谱示意图，其中，图3(a)为一阶导数图，图3(b)为SNV图，图3(c)为MSC图。
图4为本发明实施例的相关系数图，其中，图4(a)为原始光谱与产地类别的相关系数图，图4(b)为一阶导数处理过后的光谱与产地类别的相关系数图，图4(c)为SNV处理过后的光谱与产地类别的相关系数图，图4(d)为MSC处理过后的光谱与产地类别的相关系数图。
图5为本发明实施例的特征波长可视化示意图，其中，图5(a)为原始光谱图，图5(b)为一阶导数图，图5(c)为SNV图，图5(d)为MSC图。
图6为本发明实施例的主成分分析得分图。
图7为本发明实施例的建立的PLS-DA模型。
图8为本发明实施例的建立的LDA模型。
图9为本发明实施例的建立的SVM模型。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供一种基于机器学习的藕粉产地判别方法，包括以下步骤：
步骤S1：于网上购得不同产地的鲜藕，制备纯藕粉；
步骤S2：不同产地藕粉样品的制备，供上机使用；
步骤S3：采集不同产地藕粉样品的光谱数据；
步骤S4：基于步骤S3获得的光谱数据，以此建立用于预测的机器学习分类模型；
步骤S5：基于步骤S4建立的分类模型，对待测藕粉样品进行产地预测。
在本实施例中，步骤S1中所述网上购得鲜藕来自多个产地，纯藕粉的制备按照GB/T 25733-2010中规定的工艺流程进行。
在本实施例中，所述步骤S2中将多个产地的藕粉置于电热恒温鼓风干燥箱60℃中自然烘干，用研钵进行研磨，接着过60目筛，每个产地的样品分为20份，依次编号，保存备用。
在本实施例中，步骤S3中采用ANTARISⅡ傅里叶变换近红外光谱仪采集不同产地藕粉样品的近红外光谱数据。
在本实施例中，所述步骤S4的具体内容为：
采用一阶导数、标准正态变换(SNV)、多元散射校正(MSC)3种方法对原始光谱进行预处理，并用相关系数法提取特征波长，最后建立了偏最小二乘判别分析(PLS-DA)、线性判别分析(LDA)以及支持向量机(SVM)3种机器学习分类器，模型最终的分类精度均为100％。
在本实施例中，所述步骤S5的具体内容为：
取待测藕粉样品，约5g，对样品进行烘干、研磨、过筛，然后用傅里叶变换近红外光谱仪采集其近红外光谱，将所得光谱数据进行预处理与特征波长提取，最后将待测藕粉样品的特征波长信息输入训练好的PLS-DA、LDA或SVM模型，模型会预测出该待测藕粉样本属于哪个产地，并将其作为输出。
较佳的，在本实施例中，
(1)于网上购得不同产地的鲜藕，制备纯藕粉。
在本实施例中，鲜藕来自5个不同产地(福建、湖北、四川、山西、河南)，纯藕粉的制备按照GB/T 25733-2010中规定的工艺流程进行。
(2)不同产地藕粉样品的制备，供上机使用。
在本实施例中，将5个产地的藕粉置于电热恒温鼓风干燥箱(60℃)中自然烘干，用研钵进行研磨，接着过60目筛，每个产地的样品分为20份，依次编号，保存备用。
(3)采集不同产地藕粉样品的光谱数据。
在本实施例中，采用ANTARISⅡ傅里叶变换近红外光谱仪采集藕粉样品的近红外光谱。
(4)基于步骤(3)获得的光谱数据，以此建立用于预测的机器学习分类模型。
在本实施例中，采用一阶导数、SNV、MSC等3种方法对原始光谱进行预处理，并用相关系数法提取特征波长，最后建立了PLS-DA、LDA以及SVM等3种机器学习分类器，模型最终的分类精度均为100％。
(5)基于步骤(4)建立的分类模型，对待测藕粉样品进行产地预测。具体方法为：
取5g左右的待测藕粉样品，用傅里叶变换近红外光谱仪采集其近红外光谱，将光谱数据导入预先编写好的程序中，程序会自动对光谱进行预处理与特征波长提取，最后将藕粉的特征波长信息输入训练好的PLS-DA、LDA及SVM模型，模型会预测出该藕粉样品属于哪一个产地，并将其作为输出。
下面对本实施例作进一步说明。
1、如图2所示为不同产地藕粉样品在4000～10000cm-1波长范围内的近红外光谱图，每个产地60条光谱，共300条光谱。由图中可以看出，不同产地藕粉的特征吸收峰的位置是一致的，在4300cm-1附近为亚甲基中的C-H组合频吸收峰，4453cm-1左右为C-H和O-H的组合频吸收峰，5200～6000cm-1范围内为C-H的倍频吸收峰，6000～7000cm-1范围内为N-H或O-H的二级倍频吸收峰，8300cm-1左右为C-H的三级拉伸倍频吸收峰。5个产地的藕粉的光谱图相似度极高，故需要借助相关模型对其解析，以便进一步的分析。
2、由图2可看出，藕粉样品的近红外原始图谱中含有较多噪声，这会对模型的准确性造成干扰，现采用一阶导数、SNV、MSC等3种方法对原始光谱进行预处理，降低噪声，提高信噪比，如图3所示。
3、采用相关系数法提取特征波长，如图4所示分别为原始光谱、一阶导数、SNV以及MSC处理后的相关系数图，从图中可以看出，经过预处理后相关系数明显提高，说明光谱数据预处理很有必要。设置分割阈值为0.9，在图中用两条分割直线进行分割，截取相关系数图中正负两侧大于0.9的波数，相关系数绝对值大于0.9的波长用“*”标记，即为筛选出用于建模的特征波长变量。
4、统计不同预处理方法下，相关系数绝对值大于0.9的波长点数，结果见表1所示。
表1不同预处理方法结果对比
由表1可知，原始光谱的的特征波长点数为0，一阶导数预处理后光谱的特征波长点数为38，SNV预处理后光谱的特征波长点数为303，MSC预处理后光谱的特征波长点数为305。因此，选择MSC作为光谱的最佳预处理方法。最后，在原始光谱图中，用红色线条对不同预处理方法提取到特征波长进行标注，结果如图5所示。
5、为了对不同产地的藕粉有个更直观的认知，构建了主成分分析模型，观察其空间分布，如图6所示。模型中前三个主成分的贡献率分别为85.8282％、96.0595％、97.538％，说明前三个特征值可以代表光谱集合。从图中可以看出，5个产地的藕粉样品集中4个区域，但是河南和山西产地的藕粉出现了聚集现象，说明需要进一步建立模型去区分它们。
6、采用PLS-DA算法建立分类模型，结果如图7所示。从图中可以看出，同一产地的藕粉相互聚集，不同产地的藕粉区别非常明显，尤其是河南和山西产地的藕粉，在主成分分析模型中较难区分，但在PLS-DA分类器中具有明显的区分度，最终5个产地的藕粉样品的识别正确率为100％，分类效果满意。
7、随机取200条光谱用作训练集，剩余100条光谱用作测试集，建立LDA分类器，结果如图8所示。横坐标代表测试集样本编号：0～100，每个类别中随机选取20个样本作为测试集，纵坐标代表测试集样本类别：5个类别，“1”代表四川，“2”代表山西，“3”代表河南，“4”代表湖北，“5”代表福建。从图中可以看出，模型分类精度为100％。
8、随机取200条光谱用作训练集，剩余100条光谱用作测试集，建立基于RBF核函数的SVM分类器，结果如图9所示。横坐标代表测试集样本编号：0～100，每个类别中随机选取20个样本作为测试集，纵坐标代表测试集样本类别：5个类别，“1”代表四川，“2”代表山西，“3”代表河南，“4”代表湖北，“5”代表福建。从图中可以看出，模型分类精度为100％。
最后，就可以用得到的机器学习分类模型对未知藕粉样品进行产地归属判别了。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (6)
1.一种基于机器学习的藕粉产地判别方法，其特征在于：
包括以下步骤：
步骤S1：于网上购得不同产地的鲜藕，制备纯藕粉；
步骤S2：不同产地藕粉样品的制备，供上机使用；
步骤S3：采集不同产地藕粉样品的光谱数据；
步骤S4：基于步骤S3获得的光谱数据，以此建立用于预测的机器学习分类模型；
步骤S5：基于步骤S4建立的分类模型，对待测藕粉样品进行产地预测。
2.根据权利要求1所述的一种基于机器学习的藕粉产地判别方法，其特征在于：步骤S1中所述网上购得鲜藕来自多个产地，纯藕粉的制备按照GB/T 25733-2010中规定的工艺流程进行。
3.根据权利要求1所述的一种基于机器学习的藕粉产地判别方法，其特征在于：所述步骤S2中将多个产地的藕粉置于电热恒温鼓风干燥箱60℃中自然烘干，用研钵进行研磨，接着过60目筛，每个产地的样品分为20份，依次编号，保存备用。
4.根据权利要求1所述的一种基于机器学习的藕粉产地判别方法，其特征在于：步骤S3中采用 ANTARIS Ⅱ 傅里叶变换近红外光谱仪采集不同产地藕粉样品的近红外光谱数据。
5.根据权利要求1所述的一种基于机器学习的藕粉产地判别方法，其特征在于：所述步骤S4的具体内容为：
采用一阶导数、标准正态变换、多元散射校正3种方法对原始光谱进行预处理，并用相关系数法提取特征波长，最后建立了偏最小二乘判别分析、线性判别分析以及支持向量机3种机器学习分类器。
6.根据权利要求1所述的一种基于机器学习的藕粉产地判别方法，其特征在于：所述步骤S5的具体内容为：
取待测藕粉样品，约5 g，对样品进行烘干、研磨、过筛，然后用傅里叶变换近红外光谱仪采集其近红外光谱，将所得光谱数据进行预处理与特征波长提取，最后将待测藕粉样品的特征波长信息输入训练好的PLS-DA、LDA或SVM模型，模型会预测出该待测藕粉样本属于哪个产地，并将其作为输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110562295.1A CN113313157A (zh) | 2021-05-22 | 2021-05-22 | 一种基于机器学习的藕粉产地判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110562295.1A CN113313157A (zh) | 2021-05-22 | 2021-05-22 | 一种基于机器学习的藕粉产地判别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113313157A true CN113313157A (zh) | 2021-08-27 |
Family
ID=77374355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110562295.1A Pending CN113313157A (zh) | 2021-05-22 | 2021-05-22 | 一种基于机器学习的藕粉产地判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113313157A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108593592A (zh) * | 2018-04-19 | 2018-09-28 | 广东药科大学 | 一种基于近红外光谱技术的半夏掺伪鉴别方法 |
| CN108760677A (zh) * | 2018-04-19 | 2018-11-06 | 广东药科大学 | 一种基于近红外光谱技术的法半夏掺伪鉴别方法 |
| 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 |
| US20190162658A1 (en) * | 2017-11-24 | 2019-05-30 | Oil Crops Research Institute, Chinese Acadamy Of Agricultural Sciences | Method for detecting multivariate adulteration of edible oil based on near-infrared spectroscopy |
| US20200049623A1 (en) * | 2018-08-13 | 2020-02-13 | Oil Crops Research Institute, Chinese Academy Of Agricultural Sciences | Nir spectroscopy method for fatty acid content of oilseeds |
-
2021
- 2021-05-22 CN CN202110562295.1A patent/CN113313157A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190162658A1 (en) * | 2017-11-24 | 2019-05-30 | Oil Crops Research Institute, Chinese Acadamy Of Agricultural Sciences | Method for detecting multivariate adulteration of edible oil based on near-infrared spectroscopy |
| CN108593592A (zh) * | 2018-04-19 | 2018-09-28 | 广东药科大学 | 一种基于近红外光谱技术的半夏掺伪鉴别方法 |
| CN108760677A (zh) * | 2018-04-19 | 2018-11-06 | 广东药科大学 | 一种基于近红外光谱技术的法半夏掺伪鉴别方法 |
| US20200049623A1 (en) * | 2018-08-13 | 2020-02-13 | Oil Crops Research Institute, Chinese Academy Of Agricultural Sciences | Nir spectroscopy method for fatty acid content of oilseeds |
| 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 (7)
| Title |
|---|
| MARCELLO MANFREDI等: "Fast classification of hazelnut cultivars through portable infrared spectroscopy and chemometrics", 《ACCEPTED MANUSCRIPT》 * |
| 孙晓明等: "基于近红外光谱分析技术的水蜜桃产地溯源", 《江苏农业学报》 * |
| 李文龙等: "一种基于近红外光谱技术的熊胆粉鉴别方法", 《光谱学与光谱分析》 * |
| 王朝辉等: "近红外光谱法对松原不同品种大米的确证探究", 《食品研究与开发》 * |
| 程权等: "近红外光谱技术对闽南乌龙茶品种的识别研究", 《光谱学与光谱分析》 * |
| 邹小波等: "基于近红外光谱技术的海参品质快速检测", 《食品安全质量检测学报》 * |
| 钱丽丽等: "基于PLS-DA判别法对黑龙江大米产地溯源的研究", 《食品工业》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103344602B (zh) | 一种基于近红外光谱的水稻种质真伪无损检测方法 | |
| CN108844917A (zh) | 一种基于显著性假设检验和偏最小二乘法的近红外光谱数据分析方法 | |
| CN110542658A (zh) | 一种基于高光谱成像技术的烟草非烟物质分类方法 | |
| CN103411906A (zh) | 珍珠粉和贝壳粉的近红外光谱定性鉴别方法 | |
| CN113008817A (zh) | 一种基于高光谱成像技术快速鉴别苦杏仁真伪优劣的方法 | |
| Chen et al. | Fast detection of cumin and fennel using NIR spectroscopy combined with deep learning algorithms | |
| CN105138834A (zh) | 基于近红外光谱波数k均值聚类的烟草化学值定量方法 | |
| 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 | |
| CN114112983B (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 | |
| 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 | |
| CN110020604B (zh) | 一种蔬菜品质检测方法及系统 | |
| CN108181260B (zh) | 一种鉴别压榨茶油与浸出茶油的方法 | |
| Zhou et al. | Green plums surface defect detection based on deep learning methods | |
| CN113313157A (zh) | 一种基于机器学习的藕粉产地判别方法 | |
| CN113030007A (zh) | 基于相似度学习算法快速检验烟用香精质量稳定性的方法 | |
| CN107886115A (zh) | 一种自适应可能c均值聚类的茶叶中红外光谱分类方法 | |
| CN104897608B (zh) | 一种基于近红外光谱技术的乌龙茶品质鉴定方法 | |
| 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 | |
| CN112782148B (zh) | 阿拉比卡和罗伯斯塔两种咖啡豆的快速鉴别方法 | |
| CN116008245A (zh) | 桑叶拉曼光谱指纹图谱的建立结合机器学习算法在桑叶属地来源鉴定中的应用 | |
| CN115630329A (zh) | 一种基于卷积神经网络的食用香精分类方法 | |
| CN113310943A (zh) | 一种基于机器学习的藕粉掺假鉴别方法 | |
| CN112529838A (zh) | 一种基于图像处理技术的烟叶成熟度在线判别方法 | |
| CN110320174B (zh) | 应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法 | |
| CN107389598B (zh) | 一种鉴定槐花品质的近红外光谱分析方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210827 |