一种基于近红外-中红外融合算法的窖泥品质检测方法技术

本发明专利技术公开了一种基于近红外

【技术实现步骤摘要】
一种基于近红外
‑
中红外融合算法的窖泥品质检测方法


[0001]本专利技术属于食品领域酒窖泥品质的分析技术，属于分析检测


技术介绍

[0002]酒窖泥对浓香型白酒发酵有重要的作用。窖泥经过人工制造、发酵培养和长期连续的生产，不断被驯化并老熟。期间，窖泥的理化性质不断发生变化，最终成为能产出高品质白酒的优质老窖泥。因此，在白酒生产中，需要监控窖泥的品质变化。
[0003]传统的窖泥品质判断方法是通过感官分析，主观性较强。由于窖泥是微生物富集体，近年来，也会通过窖泥中微生物菌落数目和种类来评判窖泥品质。但微生物测试周期长费用高准确率低，在实际应用中无法推广。本专利技术提出使用钙含量评价窖泥品质，品质较低的新窖泥中钙含量较低，品质较高的老窖泥中钙含量较高，通过窖泥中钙含量的变化能预测窖泥品质的变化。
[0004]常用的泥/土/窖泥中钙元素定量分析方法是化学分析方法。原子吸收法和电感耦合等离子体光谱法是常用的化学分析法，均需要对泥土样品进行繁琐的前处理，大量使用化学试剂，耗费时间与精力。X射线荧光光谱法等方法也需要对样品进行前处理，且测试时间较长，测试人员容易受X射线辐射，有安全隐患。近红外光谱和衰减全反射中红外光谱技术具有分析快速、低成本、无污染、无需前处理等优点，是理想的窖泥品质检测方法。
[0005]由于单一光谱技术存在弱表征和信息不全的缺点，难以直接定量分析复杂的窖泥样本。数据融合技术把近红外和中红外光谱数据融合，能够丰富样品信息、提高模型准确率。数据融合技术分数据层融合，特征层融合和决策层融合，一般定量分析使用数据层融合和特征层融合。数据层融合是不同光谱数据直接融合，也称为低级数据融合。特征层融合需要提取特征变量再进行融合。由于近红外和中红外光谱融合之后，变量数成倍增加，存在信息冗余，干扰测定，直接数据融合难以建立较好的模型。通过特定方法筛选特征变量，一方面可以简化模型，另一方面由于不相关或非线性变量的剔除，可以得到预测能力强、稳健性好的校正模型。近红外和中红外光谱常用提取变量方法有无信息变量消除和竞争性自适应重加权算法。通过无信息变量消除和竞争性自适应重加权算法建立的模型准确性都较好，但选出的变量数目较多；若将二者联合使用，组成无信息变量消除
‑
竞争性自适应重加权算法，波数变量数目减少，但模型容易产生过拟合。单一的或联合的特征变量选择算法均无法兼顾模型准确性与变量数目，存在或预测精度低，或模型复杂、检测效率低等问题，在实用性上都受到限制。

技术实现思路

[0006]本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于近红外
‑
中红外融合算法的窖泥品质检测方法，以期能兼顾中红外和近红外光谱的丰富信息，并降低检测模型复杂度、提高模型检测效率与实用性，从而能实现对酒窖泥中钙含量的快速无损检测。
[0007]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0008]本专利技术一种基于近红外
‑
中红外融合算法的窖泥品质检测方法的特点在于，所述检测方法是按如下步骤进行：
[0009]步骤一、利用四分法从浓香型白酒生产车间的不同窖龄的窖池底部及四壁采集酒窖泥，并分别进行空气干燥、粉碎过筛、冷藏保存后得到若干份窖泥样本；
[0010]步骤二、采用X射线荧光光谱法测每份窖泥样本的相对钙含量；
[0011]步骤三、采集每份窖泥样本的中红外光谱和近红外光谱数据，从而根据每份窖泥样本的中红外光谱和近红外光谱数据，得到钙在所有窖泥样本中的分布，并根据所述分布分别选取中红外特征波段和近红外光谱特征波段；
[0012]步骤四、分别对每份窖泥样本的光谱数据进行归一化后，再将归一化后的中红外光谱数据和近红外光谱数据进行数据层融合，得到融合数据矩阵；
[0013]步骤五、使用SG平滑集成连续小波变换法分别对归一化后的中红外光谱数据、近红外光谱数据和融合光谱矩阵进行数据处理，相应得到中红外光谱矩阵、近红外光谱矩阵和融合光谱矩阵；
[0014]步骤六、利用近红外
‑
中红外融合算法提取窖泥样本的融合光谱矩阵的特征波数点：
[0015](1)使用无信息变量消除算法、竞争性自适应重加权算法和竞争性自适应重加权
‑
无信息变量消除算法分别筛选所述融合光谱矩阵的特征变量，并相应得到无信息变量消除算法变量集合S、竞争性自适应重加权算法变量集合E和竞争性自适应重加权
‑
无信息变量消除算法变量集合M；
[0016](2)令建模波数集合A＝M,令剩余波数点集合B＝E
‑
M，即集合E与集合M的差集；
[0017](3)根据所述建模波数集合A中波数点对应的融合光谱矩阵，使用偏最小二乘法建立融合校正模型，并计算所述融合校正模型的残差值；
[0018](4)令k为所述剩余波数点集合B中元素的个数；
[0019](5)在集合B中随机选择j个波数点，并与集合A中波数点合并后的波数点所对应的融合光谱矩阵一起建立偏最小二乘回归PLSR校正模型，并计算所述偏最小二乘回归校正模型的残差值，从而建立个偏最小二乘回归校正模型，并得到个残差值，以最小残差所对应的h个波数点和集合A相应的波数点共同组成融合后的特征波数点；1≤j≤k；1≤h≤k；
[0020]步骤七、根据融合后的特征波数点和校正集中每份窖泥样本的相对钙含量，使用偏最小二乘法回归建立最终的近红外
‑
中红外融合校正模型，用于实现对窖泥品质的检测。
[0021]本专利技术所述的一种基于近红外
‑
中红外融合算法的窖泥品质的检测方法的特点也在于，所述步骤四中的中红外光谱数据的采集方式为：将窖泥压制成待检测样品，并将中红外衰减全反射ATR晶体离子溅射金纳米膜贴合在所述待检测样品上进行检测而得。
[0022]所述步骤四中的融合数据矩阵是根据所述分布，得到归一化后的中红外光谱数据和近红外光谱数据中的每一个光谱所对应的多个特征波段，从而将两种光谱数据中所有的特征波段依次串联后得到。
[0023]与现有技术相比，本专利技术的有益效果在于：
[0024]1.本专利技术提出的基于光谱融合和特征变量融合的窖泥品质检测方法，使车间对酒窖泥质量的判断不再停留在以感官鉴定为主，解决了现有技术中对窖泥质量判断的主观性问题以及使用生物技术的低效问题，能更加快速，经济，环保的评价窖泥的质量，从而提高
了判断结果的准确性和有效性，具有一定的积极和指导意义。
[0025]2.本专利技术近红外光谱和中红外光谱数据建立融合光谱模型，多种光谱数据融合丰富样品信息，提高了建立模型的准确性和稳健性。
[0026]3.本专利技术基于七个步骤建立融合光谱模型，兼顾了选取的波数变量数目与建立的模型准确性，即在尽可能少的波数点下得到准确性尽可能高的模型，具有较强的可行性。在光谱模型的建立过程中，使用近红外
‑
中红外融合算法对融合光谱进行波数点变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于近红外
‑
中红外融合算法的窖泥品质检测方法，其特征在于，所述检测方法是按如下步骤进行：步骤一、利用四分法从浓香型白酒生产车间的不同窖龄的窖池底部及四壁采集酒窖泥，并分别进行空气干燥、粉碎过筛、冷藏保存后得到若干份窖泥样本；步骤二、采用X射线荧光光谱法测每份窖泥样本的相对钙含量；步骤三、采集每份窖泥样本的中红外光谱和近红外光谱数据，从而根据每份窖泥样本的中红外光谱和近红外光谱数据，得到钙在所有窖泥样本中的分布，并根据所述分布分别选取中红外特征波段和近红外光谱特征波段；步骤四、分别对每份窖泥样本的光谱数据进行归一化后，再将归一化后的中红外光谱数据和近红外光谱数据进行数据层融合，得到融合数据矩阵；步骤五、使用SG平滑集成连续小波变换法分别对归一化后的中红外光谱数据、近红外光谱数据和融合光谱矩阵进行数据处理，相应得到中红外光谱矩阵、近红外光谱矩阵和融合光谱矩阵；步骤六、利用近红外
‑
中红外融合算法提取窖泥样本的融合光谱矩阵的特征波数点：(1)使用无信息变量消除算法、竞争性自适应重加权算法和竞争性自适应重加权
‑
无信息变量消除算法分别筛选所述融合光谱矩阵的特征变量，并相应得到无信息变量消除算法变量集合S、竞争性自适应重加权算法变量集合E和竞争性自适应重加权
‑
无信息变量消除算法变量集合M；(2)令建模波数集合A＝M,令剩余波数点集合B＝E
...

【专利技术属性】
技术研发人员：宁宇，吴晓静，张会敏，张强，周庆伍，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：