CN116879218A - 一种新陈小米的太赫兹时域光谱定量检测方法 - Google Patents
一种新陈小米的太赫兹时域光谱定量检测方法 Download PDFInfo
- Publication number
- CN116879218A CN116879218A CN202310641182.XA CN202310641182A CN116879218A CN 116879218 A CN116879218 A CN 116879218A CN 202310641182 A CN202310641182 A CN 202310641182A CN 116879218 A CN116879218 A CN 116879218A
- Authority
- CN
- China
- Prior art keywords
- xiaomi
- chen
- raccoon
- population
- sample
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 46
- 241000282330 Procyon lotor Species 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000001328 terahertz time-domain spectroscopy Methods 0.000 claims abstract description 9
- 239000002245 particle Substances 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 7
- 241000209094 Oryza Species 0.000 claims description 36
- 235000007164 Oryza sativa Nutrition 0.000 claims description 36
- 235000009566 rice Nutrition 0.000 claims description 36
- 244000062793 Sorghum vulgare Species 0.000 claims description 25
- 235000019713 millet Nutrition 0.000 claims description 25
- 238000000862 absorption spectrum Methods 0.000 claims description 22
- 230000003595 spectral effect Effects 0.000 claims description 16
- 239000000843 powder Substances 0.000 claims description 14
- 238000000513 principal component analysis Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000001035 drying Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000000227 grinding Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 241000282313 Hyaenidae Species 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000007873 sieving Methods 0.000 claims description 5
- 238000005303 weighing Methods 0.000 claims description 5
- 230000000739 chaotic effect Effects 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 17
- 238000010238 partial least squares regression Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 abstract 1
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 12
- 238000012937 correction Methods 0.000 description 9
- 239000000203 mixture Substances 0.000 description 8
- 238000010521 absorption reaction Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 238000002835 absorbance Methods 0.000 description 6
- 235000013339 cereals Nutrition 0.000 description 6
- 229910052757 nitrogen Inorganic materials 0.000 description 6
- 230000001105 regulatory effect Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 239000004570 mortar (masonry) Substances 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 241000270349 Iguana Species 0.000 description 3
- 230000008033 biological extinction Effects 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000002329 infrared spectrum Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 244000144730 Amygdalus persica Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 235000006040 Prunus persica var persica Nutrition 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 101150049580 Esam gene Proteins 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 240000003444 Paullinia cupana Species 0.000 description 1
- 235000000556 Paullinia cupana Nutrition 0.000 description 1
- 241000508269 Psidium Species 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 238000001237 Raman spectrum Methods 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000001506 fluorescence spectroscopy Methods 0.000 description 1
- 235000004280 healthy diet Nutrition 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000006651 lactation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 244000062645 predators Species 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001256 tonic effect Effects 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 238000000870 ultraviolet spectroscopy Methods 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
Classifications
-
- 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
- G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
- G01N21/3586—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation by Terahertz time domain spectroscopy [THz-TDS]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
-
- 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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
- G01N2001/2866—Grinding or homogeneising
-
- 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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
- G01N2021/3572—Preparation of samples, e.g. salt matrices
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Toxicology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
针对新陈小米检测操作繁琐、成本高、耗时长,对检测人员专业性要求高等问题,本发明公开了一种新陈小米的太赫兹时域光谱定量检测方法。利用太赫兹时域光谱技术结合偏最小二乘回归(PLSR)和支持向量回归(SVR)对混合新陈小米的含量实现了精准定量分析,且分析精度达到2%;在支持向量回归(SVR)模型训练过程中时,分别使用网格搜索(GPA)、粒子群(PSO)、长鼻浣熊(COA)以及改进的长鼻浣熊群优化算法对模型参数进行寻优,其中改进的长鼻浣熊算法的寻优效果最佳,进一步提高了模型预测效果。本发明提供的新陈小米定量检测方法具有快速、准确、安全、环保等方面的优势。
Description
技术领域
本发明涉及粮食检测技术领域,尤其涉及一种新陈小米的太赫兹时域光谱定量检测方法。
背景技术
小米,又称为粟,源于中国黄河流域,是世界上最古老的农作物之一。它主要分布在华北、东北、西北等地区,占全世界总产量的80%。随着技术的发展和饮食结构的调整,小米变成了杂粮。它不仅含有多种维生素、蛋白质、脂肪、糖类以及钙、铁等人体所必需的微量元素,还具有健胃消食、滋阴养血和催乳补身的功效。因此,小米被视为产妇、婴儿及老人的滋补佳品,符合人们对健康饮食的要求。其中,我国的”四大名米”尤其受到广大消费者的喜爱。我国四大名米分别是山西沁州的黄小米、山东金乡县的金米、章丘县的龙山米、河北蔚县的桃花米。沁州黄小米以皇家贡米闻名天下,有天下米王、国米的称号;金米列为名米之首;龙山小米营养丰富、药用价值高;桃花米则被认为是滋补佳品。
通常情况下,我们称当年收获的粮食为“新粮”,储存一年以上的粮食则被称作“陈粮”。然而,随着存储时间的增加,新陈小米的经济价值和营养价值之间存在较大差异。
目前,传统检测方法包括感官方法、高效液相色谱法(HPLC)、紫外-可见光谱法、荧光光谱法以及近红外和拉曼光谱法等。然而,这些传统方法存在多种问题,感官方法存在主观性;近红外光谱因物质吸收峰重叠混合难以识别且灵敏度低;中红外光谱的吸收峰虽较为清晰,但在热源干扰和物质色散环境下会导致准确性下降;而拉曼光谱则容易受到荧光干扰而信息丢失,信号不稳定。
由此可见,尽管传统检测方法能够实现检测,但存在众多不确定因素,而且多数检测方法需要耗费大量时间进行繁琐的操作,对检测人员有较高的专业技术要求和昂贵的成本投入,难以满足快速无损的检测要求。因此,研究一种可靠、准确、快速、安全、环保的小米新陈品质检测新方法刻不容缓。
发明内容
为了解决上述背景技术的问题,本发明提供了一种基于太赫兹时域光谱技术的新陈小米定量检测方法,能够实现对混合新陈小米的快速无损检测,并且预处理方法简单便捷,解决了传统检测过程中准确性低、成本高、操作繁琐、耗时长以及检测人员专业性要求高等的问题,为后续太赫兹检测技术在小米检测方面的应用提供了一种新的思路。
为实现上述目的,本发明提出一种太赫兹时域光谱的新陈小米定量检测方法,包括以下步骤:
S1:用粉碎机将新陈小米打碎成粉末状,然后进行干燥、过筛、研磨、称量、压片,最后将一定比例的陈米掺入新米中制作出表面光滑的圆形薄片实验样品;
S2:使用太赫兹时域光谱系统获取参考时域光谱数据信息和不同掺入比例的小米样品的时域光谱数据信息;
S3:通过快速傅里叶变换(FFT),将上述S2获取到的新陈小米样品的时域光谱数据信息转化为相应的频域光谱数据信息后,经过计算得到样品的吸光度谱;
S4:采用数据预处理方法对S3获取到的吸光度光谱数据进行预处理;
S5:选择上述S4信噪比高、噪声低频段的吸光度光谱数据信息,然后使用spxy方法划分样本集,最后运用主成分分析法(PCA)对吸光度光谱数据进行降维处理,以选择具有代表性的样本,作为模型的输入数据;
S6:构建偏最小二乘回(PLSR)归和支持向量回归(SVR)定量分析模型,并分别使用粒子群(PSO)、网格搜(GS)、长鼻浣熊优化(COA)算法以及改进的长鼻浣熊优化算法对模型参数进行寻优,
S7:将需要进行检测的混合小米样品的光谱数据信息放入到S6所述的定量分析模型中,输出检测结果。
可选的,用粉碎机将新陈小米打碎成粉末状,然后进行干燥、过筛、研磨、称量、压片,制作出表面光滑的圆形薄片实验样品。具体为:所述实验样品主要通过压片法进行制备,首先将新米和陈米利用粉碎机进行打碎成粉末状,其次新陈米分别过筛100目,然后将固体粉末放入干燥箱进行干燥,温度设为50℃,时长为2小时,接下来使用电子分析天平按照比例分别称取新米和陈米的重量,每种含量的样本重量为200mg,随即将称量好的各组分物质在研钵中混合研磨,使其充分混合,最后将混合物粉末倒入压片模具中压片,压力为5-8t,加压60s,得到直径为13mm,厚度为1mm左右,且表面光滑的圆形薄片。
可选的,所述的太赫兹光谱仪器为深圳市华讯方舟科技有限公司研制的CCT-1800太赫兹光谱仪,本发明使用的是太赫兹时域光谱仪透射模块。启动CCT-1800太赫兹光谱仪,打开笔记本控制软件,谱线模式选择为投射模块,设置好各项参数;打开氮气调节开关,给设备充氮气,同时保证气体流量调节阀在15~20NL/S以排除水汽的干扰;观察空载的时域图正常后,获取参考的时域光谱信息,接着将实验样品放入仪器的的实验样本槽开始进行测量,获取不同掺入比例的小米样品的时域光谱数据信息。
可选的,通过快速傅里叶变换(FET),将上述S2获取到的新陈小米样品的时域光谱数据信息转化为相应的频域光谱数据信息后,经过计算得到样品的吸光度谱;具体为:利用S2获取到的参考和样品的时域光谱,然后对其进行傅里叶变换,通过计算求得折射率和消光系数等参数相关的传递函数,最后通过运算得到表征材料对太赫兹波吸收程度的吸光度,计算公式为
可选的,通过计算获取到的吸光度光谱数据信息除了含有自身有效的信息外,还存在其它无效信息以及会对建模效果产生负面影响的噪声,杂散光等,因此我们在建立模型需要选取有效的光谱预处理;本发明中采用标准正态変量変换-Savitzky-Golay平滑-MSC散射校正-归一化的光谱预处理组合方式来消除噪声以及背景干扰信息,以提高有效信息。
可选的,当实验样本集中的训练集样本数足够多且具有代表性,预测模型的准确性和稳定性才能得到提升。Spxy方法是在ks方法的基础上演变而来的一种新的样本筛选方法,该方法考虑了样本的光谱特征以及对应的指标两种因素,划分的训练集具有良好的代表性。根据光谱吸收峰特性,本发明选取了0.2-2.5Thz频段的吸光度光谱数据,首先使用spxy方法划分训练集和测试集,然后利用主成分分析法(PCA)来选取更具代表性的特征,去除掉一些冗余信息,减少对建模效果的影响,最后将将样本集的2/3光谱数据用来训练模型,1/3用来检验模型。
可选的,采用常用的支持向量回归的径向基核函数实现对混合小米样品的定量分析研究,通过网格搜(GS)、粒子群(PSO)、长鼻浣熊优化(COA)以及改进的长鼻浣熊优化算法实现对c和g两个参数的寻优设定,以使得模型获得最优的效果;通过校正集均方根误差(RMSEC)、预测集均方根误差(RMSEP)、校正集相关系数(Rc)、预测集相关系数(Rp)来评价模型效果。RMSEC和RMSEP越接近0证明建模效果好预测能力强Rc和Rp数值越接近1说明预测集和校正集相关程度好。
本发明的优点在于:
1)太赫兹光谱既能提供红外光谱所能提供的物质幅值信息,又能提供红外光谱所不能提供的物质相位信息,因此,不管是对单一组分或多组分混合物,都能根据被测物的“指纹”特性进行鉴别。应用本发明只需要对待测新陈小米建立定量分析模型,就能够对混合比例为2%及以上的新陈小米实现精准定量分析。
2)在小米支持向量回归分析模型的建立时,提出使用一种改进的长鼻浣熊优化算法对支持向量回归模型参数进行优化,使得预测效果进一步提高。
3)本发明提供的新陈小米定量检测方法具有快速、准确、安全、环保等方面的优势。
附图说明
图1是本发明一种新陈小米的太赫兹时域光谱定量检测方法的流程示意图。
图2是本发明的太赫兹时域光谱透射式系统的原理示意图。
图3是本发明具体实施例的新米和陈米的纯净物平均吸光度光谱图。
图4-1、4-2是本发明具体实施例的10%梯度比例和2%梯度比例的小米混合物在0.2-2.5THz频段的平均吸光度光谱图。
图5-1、5-2、5-3、5-4、5-5以及5-6、5-7、5-8、5-9、5-10是本发明具体实施例10%梯度比例和2%梯度比例样本的偏最小二乘回归以及不同算法优化支持向量回归(SVR)模型的预测结果图。
图6是改进的长鼻浣熊优化算法的流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明的实施方案做出进一步的详细描述。请参阅图1所示,本发明提供了一种基于太赫兹时域光谱技术的新陈小米定量检测的方法,具体包括以下步骤:
S1:用粉碎机将新陈小米打碎成粉末状,然后进行干燥、过筛、研磨、称量、压片,最后将一定比例的陈米掺入新米中制作出表面光滑的圆形薄片实验样品;
S2:使用太赫兹时域光谱系统获取参考的时域光谱数据信息和不同掺入比例的小米样品的时域光谱数据信息;
S3:通过快速傅里叶变换(FFT),将上述S2获取到的新陈小米样品的时域光谱数据信息转化为相应的频域光谱数据信息后,经过计算得到样品的吸光度谱;
S4:采用数据预处理方法对S3获取到的吸光度光谱数据进行预处理;
S5:选择上述S4信噪比高、噪声低频段的吸光度光谱数据信息,然后使用spxy方法划分样本集,最后运用主成分分析法(PCA)对吸光度光谱数据进行降维处理,以选择具有代表性的样本,作为模型的输入数据;
S6:构建偏最小二乘回归(PLSR)和支持向量回归(SVR)定量分析模型,并别使用网格(GS)、粒子群(PSO)、长鼻浣熊优化(COA)以及改进的长鼻浣熊优化算法对支持向量回归(SVR)模型参数进行寻优;
S7:将需要进行检测的混合小米样品的光谱数据信息放入到S6所述的定量分析模型中,输出检测结果。
具体的,用粉碎机将新陈小米打碎成粉末状,然后进行干燥、过筛、研磨、称量、压片,制作出表面光滑的圆形薄片实验样品。具体为:本发明所述实验样品主要通过压片法进行制备,首先将新米和陈米利用粉碎机进行打碎成粉末状,其次新陈米分别过筛100目,然后将固体粉末放入干燥箱进行干燥,温度设为50℃,时长为2小时,接下来使用电子分析天平按照比例分别称取新米和陈米的重量,每种含量的样本重量为200mg,随即将称量好的各组分物质在研钵中混合研磨,使其充分混合,最后将混合物粉末倒入压片模具中压片,压力为5-7t,加压90s,得到直径为12mm,厚度为1mm左右,且表面光滑的圆形薄片。
具体的,所述的太赫兹光谱仪器为深圳市华讯方舟科技有限公司研制的CCT-1800太赫兹光谱仪,本发明使用的是太赫兹时域光谱仪透射模块,主要包括太赫兹辐射产生元件、太赫兹辐射探测元件、时间延迟装置以及飞秒脉冲激光器等主要部件,具体原理请参阅图2。
具体的,启动CCT-1800太赫兹光谱仪,打开笔记本控制软件,谱线模式选择为投射模块,设置好各项参数;打开氮气调节开关,给设备充氮气,同时保证气体流量调节阀在15~20NL/S以排除水汽的干扰;观察空载的时域图正常后,获取参考的时域光谱信息,接着将实验样品放入仪器的的实验样本槽开始进行测量,获取不同掺入比例的小米样品的时域光谱数据信息。
具体的,通过快速傅里叶变换(FET),将上述S2获取到的新陈小米样品的时域光谱数据信息转化为相应的频域光谱数据信息后,经过计算得到样品的吸光度谱;具体为:利用S2获取到的参考和样品的时域光谱,然后对其进行傅里叶变换,通过计算求得折射率和消光系数等参数相关的传递函数,最后通过运算得到表征材料对太赫兹波吸收程度的吸光度,计算公式为
具体的:通过计算获取到的吸光度光谱数据信息除了含有自身有效的信息外,还存在其它无效信息以及会对建模效果产生负面影响的噪声,杂散光等,因此我们在建立模型需要选取有效的光谱预处理;本发明中采用Savitzky-Golay平滑-标准正态変量変换-一阶导-归一化的光谱预处理组合方式来消除噪声以及背景干扰信息,以提高有效信息。
具体的,当实验样本集中的训练集样本数足够多且具有代表性,预测模型的准确性和稳定性才能得到提升。Spxy方法是在ks方法的基础上演变而来的一种新的样本筛选方法,该方法考虑了样本的光谱特征以及对应的指标两种因素,划分的训练集具有良好的代表性。
具体的,根据光谱吸收峰特性,本发明选取0.2-2.5Thz频段的吸光度光谱数据,首先使用spxy方法划分训练集和测试集,然后利用主成分分析法(PCA)来选取更具代表性的特征,去除掉一些冗余信息,减少对建模效果的影响,最后将将样本集的2/3光谱数据用来训练模型,1/3用来检验模型。
具体的,浣熊优化算法(CoatiOptimizationAlgorithm,COA)模拟了自然界中长鼻浣熊的两种自然行为:攻击和捕猎鬣蜥时的行为;逃离捕食者者时的行为。在COA中更新长鼻浣熊(候选解)位置的过程是基于对COA的两种自然行为进行建模。这些行为包括:
(1)长鼻浣熊攻击鬣蜥时的策略;假设种群中最佳成员的位置为鬣鳞蜥位置,其中一半长鼻浣熊爬上树,另一半在地上等着鬣鳞蜥掉落。则模拟树上长鼻浣熊的位置公式如下:
式中,/>
当鬣鳞蜥掉落到地上后的位置公式如下:
式中,
式中,表示计算第i个长鼻浣熊更新的位置;xI,j为浣熊第j维数;/>为浣熊目标函数值;r为区间[0,1]中的随机实数,Iguana为鬣鳞蜥在搜索空间中的位置,实际上表示最佳成员的位置,lguanaj为它们第j维数,I为一个整数,是集合{1,2}中随机数;lguanaC表示鬣鳞蜥在地面上随机生成的位置,/>为鬣鳞蜥第j维数。
(2)长鼻浣熊逃离捕食者的策略:
式中表示第只长鼻浣熊更新的位置;/>为浣熊的第j维;/>为浣熊的目标函数值;r是区间[0,1]中的随机数;t是迭代次数;/>和/>分别为第j个决策变量的局部下界和上界;lbj和ubj分别为第j个决策变量的下界和上界。
为了提升浣熊优化算法的全局搜索能力和局部开发能力,本发明提出了一种改进的浣熊优化算法,算法流程请参阅图6。具体改进如下:
(1)本发明提出引入circle混沌映射和tent映射来获得比较均匀的种群分布,分别对两种方式生成的初始种群取出个体进行计算,选择优秀个体构成新的种群,然后引入精英反向学习策略,通过种群中精英个体形成反向种群,然后从反向种群和当前种群中再次选取优秀个体构成最终的种群,增加了种群多样性,提高了种群质量,避免出现在最优解的附近浣熊种群较少的情况,从而提升了算法的全局搜索能力。表达式如下:
Circle映射:
其中,a=0.5,b=0.2,mod()表示取模运算,确保X的值始终在0到1之间。
Tent映射:
其中r为混沌序列的参数,取r=0.499。
精英反向学习:
其中Xbest为最优种群的位置,ub和lb为上下界,rand表示[0,1]的随机数。
(2)在勘探阶段引入自适应权重和莱特飞行机制,提高算法的灵活性和收敛速度,很大程度上提升了算法的搜索能力;在开发阶段引入正余弦更新机制,提升搜索空间的区域,使算法收敛于全局最优。公式如下:
式中,代表第i只浣熊在t次迭代中的位置;t为当前迭代次数;ω(t)为自适应权重因子;T为最大迭代次数;L表步长控制参数,/>Lery(λ)表示路径服从Lery分布;其中Xbest为最优种群的位置;F为浣熊目标函数值;I为一个整数,是集合{1,2}中的随机数;Xrand为表示鬣鳞蜥在地面上随机生成的位置;r1=2-2t/T;r2为区间[0,2π]内的随机数;r3为区间[0,2]内的随机数;r4为区间[0,1]内的随机数。
具体的:采用常用的支持向量回归的径向基核函数实现对混合小米样品的定量分析研究,通过网格(GS)、粒子群(PSO)、长鼻浣熊优化(COA)算法以及改进的长鼻浣熊优化算法实现对c和g两个参数的寻优设定,以使得模型获得最优的效果。
具体的,通过校正集均方根误差(RMSEC)、预测集均方根误差(RMSEP)、校正集相关系数(Rc)、预测集相关系数(Rp)来评价模型效果。RMSEC和RMSEP越接近0证明建模效果好预测能力强Rc和Rp数值越接近1说明预测集和校正集相关程度好。
本发明提供了一种具体实施例,请参阅图3、4-1、4-2、5-1、5-2、5-3、5-4、5-5、5-6、5-7、5-8、5-9、5-10。
实验样品选取中国“四大名米”之一的山西“沁州黄”小米,实验所需的样品从山西省长治市沁县“沁州黄”小米专卖店购买,新米年份为2022年,陈米年份为2021年。本发明所述实验样品主要通过压片法进行制备,首先将新米和陈米利用粉碎机进行打碎成粉末状,其次新陈米分别过筛100目,然后将固体粉末放入干燥箱进行干燥,温度设为50℃,时长为2小时,接下来使用电子分析天平按照比例分别称取新米和陈米的重量,每种含量的样本重量为200mg,随即将称量好的各组分物质在研钵中混合研磨,使其充分混合,最后将混合物粉末倒入压片模具中压片,压力为5-8t,加压90s,得到直径为13mm,厚度为1mm左右,且表面光滑的圆形薄片。每种比例制作36个样本,梯度10%共计396个样本,梯度2%共计216个样本,具体实验参数请参阅表1、表2。样品制作中需要注意,需使用抽湿机保持实验制作环境相对干燥,以减少水汽的干扰;在玛瑙研钵中研磨样品时,研磨应当充分以减少散射的影响。
表1 10%梯度样片的实验参数
启动CCT-1800太赫兹光谱仪,打开笔记本控制软件,谱线模式选择为投射模块,设置好各项参数;打开氮气调节开关,给设备充氮气,同时保证气体流量在15~20NL/S以排除水汽的干扰;观察空载的时域图正常后,获取参考的时域光谱信息,接着将实验样品放入仪器的的实验样本槽开始进行测量,获取参考和不同掺入比例的小米样品的时域光谱数据信息。
表22%梯度样片的实验参数
利用上述获取到的参考和样品的时域光谱信号,然后对其进行傅里叶变换,通过计算求得折射率和消光系数等参数相关的传递函数,最后通过运算得到表征材料对太赫兹波吸收程度的吸光度A,计算公式为
ω为太赫兹振动角频率;Eref(ω)为参考信号;Esam(ω)为样本时域信号。
采用标准正态変量変换-Savitzky-Golay平滑-MSC散射校正-归一化的光谱预处理组合方式来进行预处理。
选取了0.2-2.5Thz频段的吸光度光谱数据,平均吸光度图请参阅图4,首先使用spxy方法划分训练集和测试集,然后利用主成分分析法(PCA)来选取更具代表性的特征,去除掉一些冗余信息,减少对建模效果的影响;每种比例选取24个样本作为训练集,12个样本作为预测集。
采用偏最小二乘回归(PLSR)和常用的支持向量回归(SVR)的径向基核函数实现对混合小米样品的定量分析研究,通过网格(GS)、粒子群(PSO)、长鼻浣熊优化(COA)算法以及改进的长鼻浣熊优化算法(LASCCOA)实现对支持向量回归(SVR)c和g两个参数的寻优设定;
进一步的,将需要进行预测的混合小米样品的吸光度光谱信息放入到所述的定量分析模型中,输出结果,预测结果图请参阅5-1、5-2、5-3、5-4、5-5、5-6、5-7、5-8、5-9、5-10。
表2二组分混合物较大(10%)梯度比例定量检测结果
表2是二组分混合物较大(10%)梯度比例定量检测结果。可以看到三种优化算法中,长鼻浣熊(COA)对SVR参数的优化最佳,长鼻浣熊算法(COA)所得参数c=100,g=0.010,校正集的相关系数和均方根误差分别为0.9972和0.0238,预测集的相关系数和均方根误差分别0.9776和0.0665。模型预测准确度依次为COA-SVR、PSO-SVR、GS-SVR,为了寻找更优的SVR参数获得更好的预测效果,对长鼻浣熊算法(COA)进行改进。结果表明,改进后的LASCCOA-SVR模型对新陈小米含量的预测效果进一步提高,校正集的交叉验证的相关系数和均方根误差分别为0.9995和0.0099,测试集的相关系数和均方根误差分别为0.9872和0.0505。相对COA-SVR模型,Rc、Rp分别提升了0.23%和0.96%,RMSEC、RMSEP分别降低了1.39%和1.65%。
表3是二组分混合较小(2%)梯度比例定量检测结果。表中列出了5中方法的预测结果,可以看到改进后的LASCCOA-SVR模型对新陈小米含量的预测效果依旧最优,校正集的相关系数和均方根误差分别为0.9962和0.0297,测试集的相关系数和均方根误差分别为0.9742和0.0771。相对COA-SVR模型,Rc、Rp分别提升了0.14%和0.93%,RMSEC、RMSEP分别降低了0.59%和1.26%。
表3二组分混合物较小(2%)梯度比例定量检测结果
通过对比可以看到LASCCOA-SVR模型的预测效果是最好的,模型预测集的相关系数是这5种方法中最高,同时均方误差是最低的,模型准确率进一步提升,体现了改进算法的有效性和优越性。综上,无论是较大梯度还是较小梯度,使用太赫兹时域光谱技术都可以对其实现精确地定量分析;
需要说明的是,上述的具体实施例仅是为了对本发明技术方案做详细解释,当然不能以此来限定本发明之权利范围,本领域的普通技术人员应当理解上述实施例的全部流程和部分流程,并依本发明权利要求所做的等同替换,仍属于本发明所涵盖的范围。
Claims (4)
1.一种新陈小米的太赫兹时域光谱定量检测方法,其特征在于,包括以下步骤:
S1:用电动粉碎机将新陈小米打碎成粉末状,然后进行干燥、过筛、研磨、称量、压片,最后将一定比例的陈米掺入新米中制作出表面光滑的圆形薄片实验样品;
S2:使用太赫兹时域光谱系统获取参考和实验样品的时域光谱数据信息;
S3:通过快速傅里叶变换(FFT),将上述S2获取到的新陈小米样品的时域光谱数据信息转化为相应的频域光谱数据信息后,经过计算得到样品的吸光度谱;
S4:采用数据预处理方法对S3获取到的吸光度光谱数据进行预处理;
S5:选择上述S4信噪比高、噪声低频段的吸光度光谱数据信息,然后使用spxy方法划分样本集,最后运用主成分分析法(PCA)对吸光度光谱数据进行降维处理,以选择具有代表性的样本,作为模型的输入数据;
S6:在构建支持向量回归(SVR)定量分析模型时,分别使用网格搜索(GS)、粒子群(PSO)、长鼻浣熊(COA)以及改进的长鼻浣熊算法对模型参数进行寻优;
S7:将需要进行检测的混合小米样品的光谱数据信息放入到S6所述的定量分析模型中,输出检测结果。
2.根据权利要求1所述一种新陈小米的太赫兹时域光谱定量检测方法,其特征在于,采用Savitzky-Golay平滑-标准正态変量変换-一阶导-归一化的光谱预处理组合方式来进行预处理。
3.根据权利要求1所述一种新陈小米的太赫兹时域光谱定量检测方法,其特征在于,选取了0.2-2.5Thz频段的吸光度光谱数据,使用spxy方法划分训练集和测试集,然后利用主成分分析法(PCA)来选取更具代表性的特征;每种比例选取24个样本作为训练集,12个样本作为预测集。
4.根据权利要求1所述一种新陈小米的太赫兹时域光谱定量检测方法,其特征在于,提出并使用了一种改进的长鼻浣熊优化算法对支持向量回归模型参数进行寻优,具体改进如下:
(1)本发明提出引入circle混沌映射和tent映射来获得比较均匀的种群分布,分别对两种方式生成的初始种群取出个体进行计算,选择优秀个体构成新的种群,然后引入精英反向学习策略,通过种群中精英个体形成反向种群,然后从反向种群和当前种群中再次选取优秀个体构成最终的种群,增加了种群多样性,提高了种群质量,避免出现在最优解的附近浣熊种群较少的情况,从而提升了算法的全局搜索能力;表达式如下:
Circle映射:
其中,a=0.5,b=0.2,mod()表示取模运算,确保X的值始终在0到1之间;
Tent映射:
其中r为混沌序列的参数,取r=0.499;
精英反向学习:X′i=ub+randX(Zb-xbest)
其中Xbest为最优种群的位置,ub和lb为上下界;rand表示[0,1]的随机数;
(2)在勘探阶段引入自适应权重和莱特飞行机制,提高算法的灵活性和收敛速度,很大程度上提升了算法的搜索能力;位置更新公式如下:
式中,代表第i只浣熊在t次迭代中的位置;ω(t)为自适应权重因子;t为当前迭代次数;T为最大迭代次数;L表步长控制参数,/>Lery(λ)表示路径服从Lery分布;F为浣熊目标函数值;I为一个整数,是集合{1,2}中的随机数;Xrand为表示鬣鳞蜥在地面上随机生成的位置。
(3)在开发阶段引入正余弦更新机制,提升搜索空间的区域,使算法收敛于全局最优,位置更新公式如下:
其中Xbest为最优种群的位置;r1=2-2t/T;r2为区间[0,2π]内的随机数;r3为区间[0,2]内的随机数;r4为区间[0,1]内的随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310641182.XA CN116879218A (zh) | 2023-06-01 | 2023-06-01 | 一种新陈小米的太赫兹时域光谱定量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310641182.XA CN116879218A (zh) | 2023-06-01 | 2023-06-01 | 一种新陈小米的太赫兹时域光谱定量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116879218A true CN116879218A (zh) | 2023-10-13 |
Family
ID=88261106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310641182.XA Pending CN116879218A (zh) | 2023-06-01 | 2023-06-01 | 一种新陈小米的太赫兹时域光谱定量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116879218A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117371638A (zh) * | 2023-12-06 | 2024-01-09 | 合肥工业大学 | 基于浣熊优化算法的多鱼雷罐多轨道行走路径优化方法 |
CN117452941A (zh) * | 2023-10-27 | 2024-01-26 | 淮阴工学院 | 基于云平台的自动巡检深海养殖避灾系统及方法 |
-
2023
- 2023-06-01 CN CN202310641182.XA patent/CN116879218A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117452941A (zh) * | 2023-10-27 | 2024-01-26 | 淮阴工学院 | 基于云平台的自动巡检深海养殖避灾系统及方法 |
CN117371638A (zh) * | 2023-12-06 | 2024-01-09 | 合肥工业大学 | 基于浣熊优化算法的多鱼雷罐多轨道行走路径优化方法 |
CN117371638B (zh) * | 2023-12-06 | 2024-02-20 | 合肥工业大学 | 基于浣熊优化算法的多鱼雷罐多轨道行走路径优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116879218A (zh) | 一种新陈小米的太赫兹时域光谱定量检测方法 | |
Xu et al. | Determination of rice root density from Vis–NIR spectroscopy by support vector machine regression and spectral variable selection techniques | |
Zhang et al. | Rapid determination of leaf water content using VIS/NIR spectroscopy analysis with wavelength selection | |
Gerber et al. | Modeling directional–hemispherical reflectance and transmittance of fresh and dry leaves from 0.4 μm to 5.7 μm with the PROSPECT-VISIR model | |
Faurtyot et al. | Vegetation water and dry matter contents estimated from top-of-the-atmosphere reflectance data: A simulation study | |
Feret et al. | PROSPECT-4 and 5: Advances in the leaf optical properties model separating photosynthetic pigments | |
Li et al. | Retrieval of leaf biochemical parameters using PROSPECT inversion: A new approach for alleviating ill-posed problems | |
Qiu et al. | Improving the PROSPECT model to consider anisotropic scattering of leaf internal materials and its use for retrieving leaf biomass in fresh leaves | |
CN108132226A (zh) | 橡胶补强剂炭黑的太赫兹光谱定量分析方法 | |
CN107561022B (zh) | 一种改进的植物叶片干物质含量高光谱遥感反演方法 | |
Westworth et al. | Application of FTIR-ATR spectroscopy to detect salinity response in Beauty Leaf Tree (Calophyllum inophyllum L) | |
Panigrahi et al. | Canopy spectral reflectance as a predictor of soil water potential in rice | |
Guo et al. | A robust method to estimate foliar phosphorus of rubber trees with hyperspectral reflectance | |
Nakaji et al. | Estimation of six leaf traits of East Asian forest tree species by leaf spectroscopy and partial least square regression | |
Lulu et al. | Spectroscopy-based soil organic matter estimation in brown forest soil areas of the Shandong Peninsula, China | |
CN111912793A (zh) | 利用高光谱测量烟草中镉含量的方法及预测模型的建立 | |
Banskota et al. | Continuous wavelet analysis for spectroscopic determination of subsurface moisture and water-table height in northern peatland ecosystems | |
Wang et al. | General model of multi-quality detection for apple from different origins by Vis/NIR transmittance spectroscopy | |
CN108107019A (zh) | 一种基于近红外光谱法快速检测玉米中杂色曲菌素含量的方法 | |
Wan et al. | Upscaling from leaf to canopy: Improved spectral indices for leaf biochemical traits estimation by minimizing the difference between leaf adaxial and abaxial surfaces | |
Shi et al. | Classification of inland waters based on bio-optical properties | |
CN103822899A (zh) | 基于太赫兹时域光谱检测小麦粉中害虫碎片的方法 | |
CN108613943A (zh) | 一种基于光谱形态转移的近红外单籽粒作物成分检测方法 | |
Jin et al. | Hyperspectral indices developed from the low order fractional derivative spectra can capture leaf dry matter content across a variety of species better | |
Yang | Nondestructive prediction of optimal harvest time of cherry tomatoes using VIS-NIR spectroscopy and PLSR calibration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |