一种贝类重金属污染快速检测方法技术

本发明专利技术涉及重金属检测技术领域，具体涉及一种贝类重金属污染快速检测方法。该方法先制备样本；再对样本进行高光谱图像采集、校正和数据提取及预处理；之后对数据进行基于邻域证据决策的波段选择，提取特征波段子集；然后建立分类检测模型，该分类检测模型包括量子神经网络分类器和集成学习分类器，量子神经网络分类器利用已选波段子集对贝类进行污染与无污染检测分类，集成学习分类器利用已选波段子集对贝类进行不同种类重金属污染鉴别分类；最后得出样本的检测结果。该方法利用高光谱检测技术进行样品数据采集，通过邻域证据决策理论进行波段选择，应用量子神经网络和集成学习分类器进行分类检测，操作简便快速，有较好的测试重现性，分析过程中不需要任何化学试剂辅助，对环境无污染性。

A Rapid Method for Detecting Heavy Metal Pollution in Shellfish

The invention relates to the technical field of heavy metal detection, in particular to a rapid detection method for heavy metal pollution in shellfish. The method first prepares samples; then collects, corrects and extracts and preprocesses hyperspectral images; then chooses bands based on neighborhood evidence decision-making to extract feature band subsets; and then establishes classification detection model, which includes quantum neural network classifier and ensemble learning classifier. Quantum neural network classifier uses selected bands. Waveband subset is used to classify shellfish for pollution and pollution-free detection, and ensemble learning classifier is used to classify shellfish for different kinds of heavy metal pollution by selected band subset. Finally, the detection results of samples are obtained. This method uses hyperspectral detection technology to collect sample data, chooses band by neighborhood evidence decision theory, classifies and detects by using quantum neural network and ensemble learning classifier. It is simple and fast to operate, and has good test repeatability. No chemical reagent is needed in the analysis process, and it has no pollution to the environment.

【技术实现步骤摘要】
一种贝类重金属污染快速检测方法
本专利技术涉及重金属检测
，具体涉及一种贝类重金属污染快速检测方法。
技术介绍
贝类(如贻贝、扇贝、蛤、牡蛎、泥蚶、缢蛏等)生长在海底沉积物中，位置迁移小，一旦遇到水质、沉积物污染较难回避，在摄食过程中也会将水体及沉积物中的重金属污染物蓄积于体内，其体内重金属含量比周围环境中的含量高几个数量级，严重影响了食用价值，若长期食用，会对人类健康产生危害。因此，提高贝类的重金属污染检测能力，确保贝类的质量和食用安全已成为食品安全科学中迫切需要解决的基础问题之一。现有的检测方法多为传统的重金属污染检测方法，需对样品做分析抽样或复杂的处理，检测是破坏性的，操作复杂，分析过程中还需要化学试剂辅助，对环境存在污染性。
技术实现思路
本专利技术为解决上述存在的技术缺陷，提供一种基于高光谱技术的贝类重金属污染快速检测方法，该方法利用高光谱检测技术进行样品数据采集，无需对样品做分析抽样或复杂的处理，检测是非破坏性的且操作简便快速，有较好的测试重现性，分析过程中不需要任何化学试剂辅助，对环境无污染性。本专利技术的技术方案是；一种贝类重金属污染快速检测方法，包括以下步骤；S1：在试验室内制备样本，包括无污染样本、单一污染样本、复合污染样本；S2：对样本进行高光谱图像采集及校正，之后进行光谱数据提取及进行预处理；S3：对预处理后的图像数据进行基于邻域证据决策的波段选择，提取能够准确检测贝类正常样本与重金属污染样本的特征波段子集；S4：建立分类检测模型，该分类检测模型包括量子神经网络分类器和由多个量子神经网络分类器组成的集成学习分类器，量子神经网络分类器利用已选波段子集对贝类进行污染与无污染检测分类，集成学习分类器利用已选波段子集对贝类进行不同种类重金属污染鉴别分类；S5：得出样本的检测结果。进一步，所述步骤S2的处理过程为；S21：对制备的样本进行高光谱图像获取；S22：对图像进行黑白较正；S23：提取任一区域图像数据；S24：对该区域图像数据进行光谱预处理。进一步，所述步骤S24中的光谱预处理的包括；基线校正、变量标准化、多元散射校正和求导处理。进一步，所述步骤S3中将邻域粗糙集的属性约简思想应用到高光谱降维中，利用粗糙集理论与证据理论二者之间的互补性，剔除冗余数据，提取能够准确检测贝类正常样本与重金属污染样本的特征波段子集，具体过程如下：以每个波段图像数据为条件属性，重金属污染情况作为决策属性，组成决策属性表，再通过属性集约简算法得出最佳特征波段子集。进一步，所述属性集约简算法包括邻域证据决策理论，通过邻域证据决策理论得出最佳特征波段子集的过程如下：给定邻域决策系统NDT＝<U,N,D>，D＝{ω1,ω2,…,ωc}，假设是特征分为c类的分类问题，则ωq为第q个类别(1≤q≤c)，在邻域δ(x)中，任意样本xi均提供一条证据mi来反映样本x的隶属类别，将证据mi进行融合，并计算最终证据m的BetPm概率度量，那么邻域证据决策(NeighborhoodEvidentialDecision，NED)定义为：其中，证据式中，BetPm({ωq})为属于ωq类的样本的概率度量，d(x,xi)为不同样本之间的相似程度的度量，ωq为样本xi所属类，α为结构参数，0＜α＜1，φq为距离的函数；与BetPm概率度量相关的错误分类0-1损失函数为：式中，ω(x)为样本x所属类；基于NED的定义函数和0-1损失函数，邻域证据决策误差率(NeighborhoodEvidentialDecisionError，NEDE)定义如下：式中，n为样本数，λ(ω(xi)|NED(xi))为将NED(xi)误判为ω(xi)时的损失；NEDE是贝叶斯分类误差的一种估计，通过选择不同的属性集使得NEDE达到最小，从而实现基于NEDE的属性约简。进一步，所述步骤S4中量子神经网络分类器的分类过程为：建立已知类别的数据集，该数据集包括训练数据集和测试数据集，从训练数据集中选择合适的量子神经网络参数进行迭代训练量子神经网络，从而构造量子神经网络分类器，将测试数据集输入量子神经网络分类器中测试该分类器的性能，如达到用户要求则可用于对未知类别的数据进行分类，否则重新选择合适的量子神经网络参数再次迭代训练量子神经网络，直至得到符合用户要求的量子神经网络分类器。进一步，在进行迭代训练量子神经网络过程中神经元采用多个激励函数的叠加，形成对特征空间的多级划分，其中量子神经元的激励函数表示为：其中：WT为权向量的转置；X为输入向量；β为斜率；θs为量子间隔；ns为量子层总数。进一步，所述集成学习分类器的分类过程为：由多个量子神经网络分类器并行进行多数投票集成，构成集成学习分类器，将需要进行测试的数据集输入集成学习分类器进行分类输出。本专利技术的有益效果：本专利技术利用兼具图像处理技术和光谱分析技术优点的高光谱图像技术，为实现贝类重金属快速无损检测提供了技术可行性，与传统的重金属污染检测方法相比，本方法利用高光谱检测技术无需对样品做分析抽样或复杂的处理，检测是非破坏性的且操作简便快速，有较好的测试重现性，分析过程中不需要任何化学试剂辅助，对环境无污染性；同时本专利技术利用基于邻域证据决策的波段选择，提取能够准确检测贝类正常样本与重金属污染样本的特征波段子集，再利用该特征波段子集输入分类检测模型中进行分类检测，而分类检测模型基于量子神经网络分类器可对未知的样本进行预测或者准确分类，该分类检测模型利用集成学习的方法，具有较高的分类精度，可将污染金属种类很好地进行甄别。本专利技术还具有以下现实意义；(1)对保证消费者食用贝类的安全，保障人民身体健康具有极为重要的现实意义。(2)对开展以贝类为养殖水域环境污染监测指示生物的研究，保障贝类养殖业的健康和可持续发展具有十分重要的意义。(3)以本方法为研究基础，可开展重金属污染物在贝类体内的富集规律研究，掌握海洋污染状况，进而采取措施控制污染，对海洋环境的保护和沿海经济的发展具有重要意义。附图说明图1是本专利技术的流程示意图。图2是样本制备的分类图。图3是高光谱图像数据获取及预处理分析流程图。图4是基于邻域粗糙集的波段选择流程图。图5是量子神经网络分类器检测流程图。图6是集成学习分类器检测流程图。图7是检测仪硬件总体结构图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。实施例1：本专利技术以南海海域比较常见的3种养殖贝类菲律宾蛤仔、近江牡蛎和翡翠贻贝为研究对象，以铜、锌、镉、铅四种典型重金属离子为分析指标，针对单一重金属污染和复合重金属污染两种情况，利用高光谱图像技术开展贝类重金属污染快速无损检测及重金属离子含量测定研究。如图1所示，一种贝类重金属污染快速检测方法，包括以下步骤；S1：在试验室内制备样本，包括无污染样本、单一污染样本、复合污染样本；S2：对样本进行高光谱图像采集及校正，之后进行光谱数据提取及进行预处理；S3：对预处理后的图像数据进行基于邻域证据决策的波段选择，提取能够准确检测贝类正常样本文档来自技高网...

【技术保护点】
1.一种贝类重金属污染快速检测方法，其特征在于，包括以下步骤；S1：在试验室内制备样本，包括无污染样本、单一污染样本、复合污染样本；S2：对样本进行高光谱图像采集及校正，之后进行光谱数据提取及进行预处理；S3：对预处理后的图像数据进行基于邻域证据决策的波段选择，提取能够准确检测贝类正常样本与重金属污染样本的特征波段子集；S4：建立分类检测模型，该分类检测模型包括量子神经网络分类器和由多个量子神经网络分类器组成的集成学习分类器，量子神经网络分类器利用已选波段子集对贝类进行污染与无污染检测分类，集成学习分类器利用已选波段子集对贝类进行不同种类重金属污染鉴别分类；S5：得出样本的检测结果。

【技术特征摘要】
1.一种贝类重金属污染快速检测方法，其特征在于，包括以下步骤；S1：在试验室内制备样本，包括无污染样本、单一污染样本、复合污染样本；S2：对样本进行高光谱图像采集及校正，之后进行光谱数据提取及进行预处理；S3：对预处理后的图像数据进行基于邻域证据决策的波段选择，提取能够准确检测贝类正常样本与重金属污染样本的特征波段子集；S4：建立分类检测模型，该分类检测模型包括量子神经网络分类器和由多个量子神经网络分类器组成的集成学习分类器，量子神经网络分类器利用已选波段子集对贝类进行污染与无污染检测分类，集成学习分类器利用已选波段子集对贝类进行不同种类重金属污染鉴别分类；S5：得出样本的检测结果。2.根据权利要求1所述的一种贝类重金属污染快速检测方法，其特征在于，所述步骤S2的处理过程为；S21：对制备的样本进行高光谱图像获取；S22：对图像进行黑白校正；S23：提取任一区域图像数据；S24：对该区域图像数据进行光谱预处理。3.根据权利要求2所述的一种贝类重金属污染快速检测方法，其特征在于，所述步骤S24中的光谱预处理的包括；基线校正、变量标准化、多元散射校正和求导处理。4.根据权利要求1所述的一种贝类重金属污染快速检测方法，其特征在于，所述步骤S3中将邻域粗糙集的属性约简思想应用到高光谱降维中，利用粗糙集理论与证据理论二者之间的互补性，剔除冗余数据，提取能够准确检测贝类正常样本与重金属污染样本的特征波段子集，具体过程如下：以每个波段图像数据为条件属性，重金属污染情况作为决策属性，组成决策属性表，再通过属性集约简算法得出最佳特征波段子集。5.根据权利要求4所述的一种贝类重金属污染快速检测方法，其特征在于，所述属性集约简算法包括邻域证据决策理论，通过邻域证据决策理论得出最佳特征波段子集的过程如下：给定邻域决策系统NDT＝<U,N,D>，D＝{ω1,ω2,…,ωc}，假设是特征分为c类的分类问题，则ωq为第q个类别(1≤q≤c)，在邻域δ(...

【专利技术属性】
技术研发人员：刘瑶，孟祥丽，李明，王润涛，王树文，
申请(专利权)人：岭南师范学院，
类型：发明
国别省市：广东,44