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

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(

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

（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

（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

（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

（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

（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。