基于近红外光谱技术的模式识别方法技术

本发明专利技术公开了一种近红外光谱技术的模式识别方法，采用傅里叶近红外漫反射光谱技术进行检测样品进行建模数据采集，对采集的建模数据运用因子化建模结合一阶导数+5点平滑的预处理建立定性分析模型，采用Ward’s algorithm聚类算法结合二阶导数+SNV+5点平滑预处理建立聚类分析模型；采用PLS法建立定量分析模型，通过定向分析模型、聚类分析模型和定量分析模型进行模式识别实现分类判断。

Pattern Recognition Method Based on Near Infrared Spectroscopy

【技术实现步骤摘要】
基于近红外光谱技术的模式识别方法
本专利技术涉及模式识别
，更具体的说是涉及一种基于近红外光谱技术的模式识别方法。
技术介绍
目前，采用近红外光谱进行物质组分分析、检验和分类的方向研究不断加深，近红外光指波数在12000～4000cm-1范围内的一种电磁波，可以对检测样品中的-CH，-OH，-NH，C＝C，C＝O等化学键振动(伸缩振动，弯曲振动，摇摆振动，剪刀振动等)及光谱叠加吸收，形成稳定而复杂的吸收光谱，光谱的特性与样品的组分存在特定关系，同时，可以实现全光谱或者多个子光谱的定性分析、定量分析及在线分析等。但是，由于对于多组分的复杂样品，其近红外光谱不是各组分单独光谱的简单叠加，需要利用“化学计量学”技术从复杂的光谱中提取出有效信息，此种方法常被用于营养成分检验及分类，对于目前日常生活中经常出现的造假和掺假的行为，消费者希望出现一种简便鉴别技术，能够快速对产物成分进行分析，对产物产地进行溯源，保证购买质量。因此，如何采用近红外光谱技术结合模型算法进行物质组分分析，实现物质产地溯源是本领域技术人员亟需解决的问题。
技术实现思路
有鉴于此，本专利技术提供了一种基于近红外光谱技术的模式识别方法，采用近红外光谱技术进行鉴别样品的采样，利用采集的参考物的光谱数据建立定性分析模型或聚类分析模型或定量分析模型，实现对产物不同状态下的建模，通过待鉴别样品的光谱数据输入模型，从而获得鉴别结果，判断出待鉴别样品的真实产地与标志产地是否一致。为了实现上述目的，本专利技术采用如下技术方案：一种基于近红外光谱技术的模式识别方法，具体识别方法过程如下：步骤1：采用傅里叶近红外漫反射光谱技术进行采样，获取样品原始光谱；步骤2：对所述原始光谱进行预处理，得到建模光谱；步骤3：对所述建模光谱进行特征提取，建立识别模型；步骤4：将待识别光谱数据输入识别模型，获得判别结果。优选的，所述步骤1中，利用TENSORII型傅里叶变换近红外光谱仪进行所述样品的所述原始光谱的采集；利用OPUS7.5软件对所述样品进行扫描，进行检查信号、保存峰位、扫描背景单通道光谱、测量样品单通道光谱操作来消除外接信息的干扰，提高采集数据的精度；还设置有压样器，通过所述压样器将所述样品表面处理平整和压实来提升近红外光纤的漫反射次数，更多的提取有效信息，测量样品单通道采集样品光谱，再利用所述近红外光谱进行所述原始光谱的采集。优选的，所述步骤2中的预处理方式为矢量归一化、一阶导数+平滑法、一阶导数+SNV+平滑、二阶导数+平滑法或二阶导数+SNV+平滑法。优选的，所述步骤2中采用二阶导数+SNV+5点平滑法进行所述原始光谱的预处理，所述步骤3中采用Ward’salgorithm聚类算法建立聚类分析模型。优选的，所述步骤2中采用一阶导数+5点平滑法进行所述原始光谱的预处理，所述步骤3中采用因子化法建立定性分析模型。优选的，所述步骤3中采用偏最小二乘法，建立的定量分析模型。经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种采用傅里叶近红外漫反射光谱技术结合建模算法建立识别模型，实现产物产地溯源，针对产物的不同状态选用不同的建模算法，实现快速精准的模式识别，对于呈粉末状态的产物样品，运用因子化法建模结合对建模原始光谱采用一阶导数+5点平滑法进行预处理，建立的定性分析模型；或运用Ward’salgorithm聚类算法建模结合对建模原始光谱采用二阶导数+SNV+5点平滑法进行预处理，建立聚类分析模型，提高了检测精度和识别的准确性。对于呈籽粒状的产物样品，采用PLS法并对建模原始光谱进行预处理，获得定量分析模型，能够得到对籽粒状产物的较高识别率。附图说明为了更清楚地说明本专利技术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专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1附图为本专利技术提供的基于近红外光谱技术的模式识别方法流程示意图；图2附图为本专利技术提供的距离S值示意图；图3附图为本专利技术提供的不同地区绿豆的聚类树形图；图4附图为本专利技术提供的绿豆粉末样品原始光谱图；图5附图为本专利技术提供的绿豆籽粒样品原始光谱图；图6附图为本专利技术提供的一阶导数处理(波数12000～4000cm-1)结果图；图7附图为本专利技术提供的一阶导数处理(波数9000～4000cm-1)结果图；图8附图为本专利技术提供的校正集绿豆样品预测值与参考值相关图；图9附图为本专利技术提供的校正集RMSECV与维数的关系图；图10附图为本专利技术提供的检验集绿豆样品预测值与参考值相关图；图11附图为本专利技术提供的检验集RMSEP与维数的关系图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例公开了一种基于近红外光谱技术的模式识别方法，具体识别方法过程如下：S1：采用傅里叶近红外漫反射光谱技术进行采样，获取样品原始光谱；S2：对原始光谱进行预处理，得到建模光谱；S3：对建模光谱进行特征提取，建立识别模型；S4：将待识别光谱数据输入识别模型，获得判别结果。为了进一步优化上述技术方案，S1中，利用TENSORII型傅里叶变换近红外光谱仪进行样品的原始光谱的采集；利用OPUS7.5软件对样品进行扫描，进行检查信号、保存峰位、扫描背景单通道光谱、测量样品单通道光谱操作来消除外接信息的干扰，提高采集数据的精度；还设置有压样器，通过压样器将样品表面处理平整和压实来提升近红外光纤的漫反射次数，更多的提取有效信息，测量样品单通道采集样品光谱，再利用近红外光谱进行原始光谱的采集。为了进一步优化上述技术方案，S2中的预处理方式为矢量归一化、一阶导数+平滑法、一阶导数+SNV+平滑、二阶导数+平滑法或二阶导数+SNV+平滑法。为了进一步优化上述技术方案，S2中采用二阶导数+SNV+5点平滑法进行原始光谱的预处理，步骤3中采用Ward’salgorithm聚类算法建立聚类分析模型。为了进一步优化上述技术方案，S2中采用一阶导数+5点平滑法进行原始光谱的预处理，S3中采用因子化法建立定性分析模型。为了进一步优化上述技术方案，S3中采用偏最小二乘法，建立的定量分析模型。实施例本专利技术以绿豆产地溯源为例说明采样、建模和鉴别过程，鉴别是否是“泰来绿豆”，其中取样若干份泰来绿豆和非泰来绿豆。分别对绿豆籽粒样品及粉末样品进行建模研究，进而筛选出最优的光谱计算法，并对最适合建模的样品状态进行进一步研究。1、选取材料材料与试剂，采集样本信息。试验于2018年收获期内采用3点田间随机采样方式进行样品收集，每份样品收集2kg，进行编号，其中泰来绿豆样品78份、非泰来地区样品175份，共计253份，样品信息表如表1所示。表1随机采样样品信息选用仪器为：天津泰斯特仪器有限公司的FW100高速万能粉碎机和德国布鲁克(北京)科技有限公司的TENSORII型傅里叶变换近红外光谱仪。2、进行采样建模。2.1首先对样品本文档来自技高网...

【技术保护点】
1.一种基于近红外光谱技术的模式识别方法，其特征在于，包括：具体识别方法过程如下：步骤1：采用傅里叶近红外漫反射光谱技术进行采样，获取样品原始光谱；步骤2：对所述原始光谱进行预处理，得到建模光谱；步骤3：对所述建模光谱进行特征提取，建立识别模型；步骤4：将待识别光谱数据输入识别模型，获得判别结果。

【技术特征摘要】
1.一种基于近红外光谱技术的模式识别方法，其特征在于，包括：具体识别方法过程如下：步骤1：采用傅里叶近红外漫反射光谱技术进行采样，获取样品原始光谱；步骤2：对所述原始光谱进行预处理，得到建模光谱；步骤3：对所述建模光谱进行特征提取，建立识别模型；步骤4：将待识别光谱数据输入识别模型，获得判别结果。2.根据权利要求1所述的基于近红外光谱技术的模式识别方法，其特征在于，所述步骤1中，利用TENSORII型傅里叶变换近红外光谱仪进行所述样品的所述原始光谱的采集；利用OPUS7.5软件对所述样品进行扫描，进行检查信号、保存峰位、扫描背景单通道光谱、测量样品单通道光谱操作；还设置有压样器，通过所述压样器将所述样品表面处理平整和压实，再利用所述近红外光谱进行所述原始光谱的采集。3.根据权利...

【专利技术属性】
技术研发人员：钱丽丽，宋雪健，张东杰，李殿威，赵文瑜，曾华英，
申请(专利权)人：黑龙江八一农垦大学，
类型：发明
国别省市：黑龙江,23