基于近红外光谱的产品掺杂检测方法、装置、终端及存储介质制造方法及图纸

本发明专利技术提供一种基于近红外光谱的产品掺杂检测方法、装置、终端及存储介质。该方法包括：对待测产品样本进行近红外光谱扫描，得到待测产品样本的近红外光谱；对近红外光谱进行预处理，得到待测产品样本的近红外光谱特征数据；将待测产品样本的近红外光谱特征数据输入预先训练完成的掺杂分类模型，得到待测产品样本的掺杂分类结果。由于近红外光谱曲线的变化趋势反映了物质内部成分的变化，本发基于近红外光谱建立掺杂分类模型，可快速、准确的确定产品的掺杂情况，对样品无破坏，成本低、效率高。高。高。

【技术实现步骤摘要】
基于近红外光谱的产品掺杂检测方法、装置、终端及存储介质


[0001]本专利技术涉及近红外光谱分析
，尤其涉及一种基于近红外光谱的产品掺杂检测方法、装置、终端及存储介质。

技术介绍

[0002]莜(y
ó
u)面是由莜麦加工而成的面粉，含有钙、磷、铁、核黄素等多种人体需要的营养元素和药物成份，莜面中还含有一种特殊物质——亚油酸，它对人体新陈代谢具有明显功效另外。同时莜面还是一种很好的保健食品，有助于减肥和美容。由于莜面的价格较高，因此很多商户在莜面中掺杂土豆淀粉、面粉等，以次充好。
[0003]现有技术中，通常由人通过眼、舌、鼻、手等人体各种感觉器官，依靠个人经验来鉴别莜面掺杂情况，准确度不够且效率低。

技术实现思路

[0004]本专利技术实施例提供了一种基于近红外光谱的产品掺杂检测方法、装置、终端及存储介质，以解决现有技术中依赖个人经验确定产品掺杂情况，准确度不够、效率低的问题。
[0005]第一方面，本专利技术实施例提供了一种基于近红外光谱的产品掺杂检测方法，包括：
[0006]对待测产品样本进行近红外光谱扫描，得到待测产品样本的近红外光谱；
[0007]对近红外光谱进行预处理，得到待测产品样本的近红外光谱特征数据；
[0008]将待测产品样本的近红外光谱特征数据输入预先训练完成的掺杂分类模型，得到待测产品样本的掺杂分类结果。
[0009]第二方面，本专利技术实施例提供了一种基于近红外光谱的产品掺杂检测装置，包括：
[0010]光谱获取模块，用于对待测产品样本进行近红外光谱扫描，得到待测产品样本的近红外光谱；
[0011]特征提取模块，用于对近红外光谱进行预处理，得到待测产品样本的近红外光谱特征数据；
[0012]检测分类模块，用于将待测产品样本的近红外光谱特征数据输入预先训练完成的掺杂分类模型，得到待测产品样本的掺杂分类结果。
[0013]第三方面，本专利技术实施例提供了一种检测终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式的基于近红外光谱的产品掺杂检测方法的步骤。
[0014]第四方面，本专利技术实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式的基于近红外光谱的产品掺杂检测方法的步骤。
[0015]本专利技术实施例提供一种基于近红外光谱的产品掺杂检测方法、装置、终端及存储介质。该方法包括：对待测产品样本进行近红外光谱扫描，得到待测产品样本的近红外光谱；对近红外光谱进行预处理，得到待测产品样本的近红外光谱特征数据；将待测产品样本
的近红外光谱特征数据输入预先训练完成的掺杂分类模型，得到待测产品样本的掺杂分类结果。由于近红外光谱曲线的变化趋势反映了物质内部成分的变化，本发实施例中基于近红外光谱建立掺杂分类模型，采用仅红外光谱作为特征，利用掺杂分类模型可快速、准确的确定产品的掺杂情况，对样品无破坏，成本低、效率高。
附图说明
[0016]为了更清楚地说明本专利技术实施例中的技术方案，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，还可以根据这些附图获得其他的附图。
[0017]图1是本专利技术实施例提供的一种基于近红外光谱的产品掺杂检测方法的实现流程图的；
[0018]图2是纯净莜面、纯净玉米淀粉、纯净面粉和纯净土豆淀粉四种纯物质的近红外光谱对比图；
[0019]图3是CNN模型的池化层和卷积层的示意图；
[0020]图4是CNN模型的网络结构意图；
[0021]图5是本专利技术实施例提供的模型参数迁移学习的示意图；
[0022]图6是本专利技术实施例提供的改进的CNN模型与原始CNN模型的平均损失值对比图；
[0023]图7是本专利技术实施例提供的基于近红外光谱的产品掺杂检测装置的结构示意图；
[0024]图8是本专利技术实施例提供的检测终端的示意图。
具体实施方式
[0025]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。
[0026]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
[0027]参见图1，其示出了本专利技术实施例提供的基于近红外光谱的产品掺杂检测方法的实现流程图，详述如下：
[0028]S101：对待测产品样本进行近红外光谱扫描，得到待测产品样本的近红外光谱；
[0029]S102：对近红外光谱进行预处理，得到待测产品样本的近红外光谱特征数据；
[0030]S103：将待测产品样本的近红外光谱特征数据输入预先训练完成的掺杂分类模型，得到待测产品样本的掺杂分类结果。
[0031]近红外光(Near Infrared，NIR)是介于可见光和中红外光之间的电磁波，按ASTM(美国试验和材料检测协会)定义是指波长在780～2526nm范围内的电磁波。红外光谱曲线图是分子能选择性吸收某些波长的红外线，而引起分子中振动能级和转动能级的跃迁，检测红外线被吸收的情况可得到物质的红外吸收光谱，又称分子振动光谱或振转光谱。近红外区域的吸收基本上均为红外区基准振动的倍频或合频振动所引起的，特别是以由氢原子
相关联的O
‑
H、N
‑
H、C
‑
H等官能基的吸收为主。
[0032]由以上可知，不同波长对于不同物质的反射率呈现一定的规律，相同物质具有相似的光谱结构，近红外光谱曲线反映了物质内部的成分。对于不同的物质，红外光谱特征会有所差异。例如，图2示出了纯净莜面、纯净玉米淀粉、纯净面粉(白面)、纯净土豆淀粉四种物质的近红外光谱(横坐标为波数，纵坐标为吸收度)。由图2可知，不同物质在不同波数下的吸光度可既有相近部分也有差异部分，其中差异部分可以作为不同物质的区分条件。
[0033]基于以上，本专利技术实施例中基于产品掺杂情况与近红外光谱特征的关系训练神经网络模型得到掺杂分类模型，采用近红外光谱提取待测产品样本的特征输入掺杂分类模型，可快速的得到待测产品样本的掺杂情况，不依赖人体感觉器官，准确度高。同时可做到无接触检测，不破坏样本，成本低、效率高。
[0034]需要说明的，近红外光谱特征数据为各个波数对应的吸收度的数据集合。
[0035]本申请中的的待测产品样本可以为掺杂莜面、掺杂白面、掺杂绿豆面等，上述实施例中的方法适用于各种不同的产品的掺杂检测。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于近红外光谱的产品掺杂检测方法，其特征在于，包括：对待测产品样本进行近红外光谱扫描，得到所述待测产品样本的近红外光谱；对所述近红外光谱进行预处理，得到所述待测产品样本的近红外光谱特征数据；将所述待测产品样本的近红外光谱特征数据输入预先训练完成的掺杂分类模型，得到所述待测产品样本的掺杂分类结果。2.根据权利要求1所述的基于近红外光谱的产品掺杂检测方法，其特征在于，在所述将所述待测产品样本的近红外光谱特征数据输入预先训练完成的掺杂分类模型，得到所述待测产品样本的掺杂分类结果之前，所述方法还包括：建立初始神经网络模型；所述初始神经网络模型对源域模型的模型参数进行迁移学习，得到目标域模型；采用训练样本集对所述目标域模型进行训练，得到所述掺杂分类模型；其中，所述源域模型与所述初始神经网络模型的网络结构相同。3.根据权利要求2所述的基于近红外光谱的产品掺杂检测方法，其特征在于，所述初始神经网络模型为卷积神经网络模型；所述初始神经网络模型对源域模型的模型参数进行迁移学习，得到目标域模型，包括：采用所述源域模型的卷积层的参数替换所述初始神经网络模型的卷积层的参数，及采用所述源域模型的池化层的参数替换所述初始神经网络模型的池化层的参数，得到中间模型；对所述中间模型的全连接层进行初始化，得到所述目标域模型。4.根据权利要求3所述的基于近红外光谱的产品掺杂检测方法，其特征在于，所述采用所述源域模型的卷积层的参数替换所述初始神经网络模型的卷积层的参数，及采用所述源域模型的池化层的参数替换所述初始神经网络模型的池化层的参数，得到中间模型，包括：采用所述源域模型的卷积层的全部参数替换所述初始神经网络模型的卷积层的全部参数，及采用...

【专利技术属性】
技术研发人员：李鸿强，卢海博，武小云，王佐承，葛泰，马宏，邹其，张诗欣，魏东，黄智鸿，
申请(专利权)人：河北建筑工程学院，
类型：发明
国别省市：