用于鑒別稻米鎘含量超標(biāo)的nir光譜分析模型及鑒別方法
【專利摘要】本發(fā)明公開(kāi)了一種用于鑒別稻米鎘含量超標(biāo)的NIR光譜分析模型及鑒別方法，該分析模型的建立包括：樣本選取及其合格稻米的判定、樣本光譜數(shù)據(jù)的采集、樣本光譜數(shù)據(jù)的處理、樣本光譜數(shù)據(jù)的篩選、初步分析模型的確立、初步分析模型的驗(yàn)證等步驟，確定出用于鑒別稻米鎘含量超標(biāo)的NIR光譜分析模型。還包括采用該NIR光譜分析模型鑒別稻米中鎘含量是否超標(biāo)的方法。本發(fā)明在采用化學(xué)方法鑒別所選擇大量稻米樣本的鎘含量是否超標(biāo)的基礎(chǔ)上，采集稻米樣本的近紅外光譜，結(jié)合主成分分析判別分析法，建立基于近紅外光譜技術(shù)和化學(xué)計(jì)量學(xué)方法的稻米鎘含量是否超標(biāo)的NIR分析模型，其準(zhǔn)確率達(dá)到95.2％以上，具有操作簡(jiǎn)單、檢測(cè)迅速、安全環(huán)保、檢測(cè)精度高等優(yōu)勢(shì)。
【專利說(shuō)明】用于鑒別稻米鎘含量超標(biāo)的NIR光譜分析模型及鑒別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及近紅外光譜檢測(cè)【技術(shù)領(lǐng)域】，尤其涉及用于鑒別稻米鎘含量超標(biāo)的NIR 光譜分析模型及采用該NIR光譜分析模型鑒別稻米中鎘含量是否超標(biāo)的方法。

【背景技術(shù)】
[0002] 水稻是我國(guó)主要的糧食作物，65%的中國(guó)人以稻米為主食，稻米品質(zhì)的優(yōu)劣直接 關(guān)系到人們的健康水平。鎘（cadmium，Cd)是自然界中廣泛存在的重金屬元素，具有較強(qiáng)的 毒性。水稻被認(rèn)為是鎘吸收最強(qiáng)的大宗谷類作物，鎘容易被水稻吸收并積累。稻田鎘污染 不僅導(dǎo)致水稻產(chǎn)量下降，更嚴(yán)重的是鎘元素在水稻植株內(nèi)大量累積，通過(guò)土壤一植物一人 體的食物鏈途徑傳遞，嚴(yán)重威脅到人類健康，直接影響我國(guó)的糧食安全。
[0003] 世界各國(guó)已經(jīng)對(duì)稻米中的鎘含量制定了嚴(yán)格的限量標(biāo)準(zhǔn)。我國(guó)食品衛(wèi)生標(biāo)準(zhǔn) (GB-2762-2012)規(guī)定稻米中鎘的最高限量為0. 因此，對(duì)稻米中鎘含量進(jìn)行質(zhì)量 控制，保障稻米食用安全，采用快速、無(wú)損的檢測(cè)方法對(duì)稻米鎘含量進(jìn)行篩查尤為重要。目 前，火焰原子吸收光譜法、石墨爐原子吸收光譜法，電感耦合等離子體原子發(fā)射光譜和電感 耦合等離子體質(zhì)譜等分析方法被廣泛用于農(nóng)產(chǎn)品（食品）中重金屬元素含量的測(cè)定。這些 方法雖然靈敏度高、準(zhǔn)確性好，但也存在著需要專業(yè)人員操作、需要繁雜的樣品前處理以及 消耗大量的強(qiáng)酸試劑等缺點(diǎn)。
[0004] 近紅外光譜作為一種分子光譜分析手段，具有快速、便捷、非破壞性等優(yōu)點(diǎn)，其在 稻米中淀粉、蛋白質(zhì)、氨基酸、脂肪、礦質(zhì)元素、水分、脂肪酸值等指標(biāo)的含量檢測(cè)以及稻米 的品種鑒別等領(lǐng)域均有應(yīng)用，然而，上述應(yīng)用的領(lǐng)域、檢測(cè)的對(duì)象、項(xiàng)目及檢測(cè)分析的具體 方法都存在較大差異，而且迄今仍未有人提出將近紅外光譜技術(shù)應(yīng)用于稻米中重金屬鎘元 素的含量水平檢測(cè)，這不僅是因?yàn)榈久字墟k含量較低，而且本領(lǐng)域技術(shù)人員很少會(huì)將稻米 重金屬鎘含量是否超標(biāo)的定性檢測(cè)與近紅外光譜技術(shù)的應(yīng)用聯(lián)系起來(lái)。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明要解決的技術(shù)問(wèn)題是克服現(xiàn)有技術(shù)的不足，提供一種操作簡(jiǎn)單、檢測(cè)迅速、 安全環(huán)保、檢測(cè)精度高的用于鑒別稻米鎘含量超標(biāo)的NIR光譜分析模型及采用該NIR光譜 分析模型鑒別稻米鎘含量是否超標(biāo)的鑒別方法。
[0006] 為解決上述技術(shù)問(wèn)題，提供了一種用于鑒別稻米鎘含量超標(biāo)的NIR光譜分析模 型，所述NIR光譜分析模型的建立包括以下步驟：
[0007] (1)樣本選取及其合格稻米的判定：隨機(jī)選擇足夠數(shù)量的不同稻米樣本，并采用 石墨爐原子吸收法測(cè)定所選擇的每個(gè)稻米樣本中鎘含量，將鎘含量合格的稻米樣本的判定 值設(shè)為-1，鎘含量超標(biāo)的稻米樣本的判定值設(shè)為1 ;
[0008] (2)樣本光譜數(shù)據(jù)的采集：采用近紅外光譜法分別對(duì)選擇的每個(gè)稻米樣本進(jìn)行光 譜采集，并將采集到的稻米樣本的標(biāo)準(zhǔn)光譜數(shù)據(jù)隨機(jī)分為訓(xùn)練集和預(yù)測(cè)集兩部分；
[0009] (3)樣本光譜數(shù)據(jù)的處理：對(duì)步驟（2)中采集到的訓(xùn)練集的標(biāo)準(zhǔn)光譜數(shù)據(jù)進(jìn)行數(shù) 據(jù)處理，以消除隨機(jī)噪音、斜坡背景的干擾，校正光譜散射的影響；
[0010] ⑷樣本光譜數(shù)據(jù)的篩選：以上述步驟⑶中處理過(guò)的訓(xùn)練集的標(biāo)準(zhǔn)光譜數(shù)據(jù)作 為選擇來(lái)源對(duì)象，采用CARS法篩選出建模用光譜數(shù)據(jù)；
[0011] (5)初步分析模型的確立：根據(jù)所述建模用光譜數(shù)據(jù)測(cè)定出所述訓(xùn)練集中每個(gè)稻 米樣本的標(biāo)準(zhǔn)變量得分，并結(jié)合步驟（1)中測(cè)定的所述訓(xùn)練集中對(duì)應(yīng)稻米樣本的判定值， 建立初步分析模型；
[0012] (6)初步分析模型的驗(yàn)證：將上述步驟（2)中預(yù)測(cè)集的標(biāo)準(zhǔn)光譜數(shù)據(jù)進(jìn)行上述步 驟（3)的數(shù)據(jù)處理，并結(jié)合（4)步驟的篩選方法篩選出驗(yàn)證用光譜數(shù)據(jù)；然后根據(jù)所述驗(yàn)證 用光譜數(shù)據(jù)測(cè)定出所述預(yù)測(cè)集中各個(gè)稻米樣本的標(biāo)準(zhǔn)變量得分，并結(jié)合所述步驟（5)的初 步分析模型進(jìn)行驗(yàn)證，完成所述鑒別稻米鎘含量超標(biāo)的NIR光譜分析模型的建立。
[0013] 進(jìn)一步的，步驟（2)中近紅外光譜法的采集參數(shù)為：
[0014] 近紅外光譜掃描波數(shù)為lOOOOcnT1?4000〇1^，
[0015] 近紅外光譜掃描次數(shù)為16?64次，
[0016] 分辨率為4cm 1?16cm L
[0017] 進(jìn)一步的，所述步驟（3)中所述數(shù)據(jù)處理的方法為：對(duì)所述訓(xùn)練集的標(biāo)準(zhǔn)光譜數(shù) 據(jù)先進(jìn)行平滑處理，對(duì)平滑處理后的標(biāo)準(zhǔn)光譜數(shù)據(jù)再進(jìn)行二階導(dǎo)數(shù)處理，對(duì)二階導(dǎo)數(shù)處理 后的標(biāo)準(zhǔn)光譜數(shù)據(jù)再進(jìn)行自歸一化處理。
[0018] 進(jìn)一步的，所述步驟（4)中所述CARS法具體包括以下步驟：將訓(xùn)練集的光譜數(shù)據(jù) 中每個(gè)變量看作一個(gè)個(gè)體，通過(guò)自適應(yīng)加權(quán)采樣技術(shù)篩選出回歸系數(shù)絕對(duì)值> 〇. 02,權(quán)重 > 0且通過(guò)交叉驗(yàn)證選出RMSECV = 0時(shí)所對(duì)應(yīng)的波數(shù)變量，所述波數(shù)變量共有45個(gè)。
[0019] 進(jìn)一步的，45個(gè)波數(shù)變量在全光譜（lOOOOcnT1?4000CHT 1)中的位置分別 為 4018. 9cm ^4092. 2cm \4312. lcm \4339. lcm \4346. 8cm ^4350. 6cm \4431. 6cm \ 4439. 3cm ^4516. 5cm ^4597. 5cm ^4643. 7cm ^5160. 6cm ^5176. 0cm ^ 5565. 6cm \ 5770. 0cm ^ 5789. 3cm ^6082. 4cm ^6140. 2cm ^6221. 2cm ^6232. 8cm ^6734. 2cm \ 6761. 2cm ^6768. 9cm ^6822. 9cm ^6938. 6cm ^6992. 6cm ^ 7031. 2cm ^7405. 3cm \ 7455. 5cm ^ 7798. 7cm ^8045. 6cm ^8076. 4cm ^8122. 7cm ^8238. 4cm ^8327. 1cm \ 8415. 8cm ^8736. 0cm ^8990. 5cm ^9090. 8cm ^9121. 6cm ^9129. 4cm ^9341. 5cm \ 9549. 8cm \ 9734. 9cm ^9823. 6cm、
[0020] 作為本發(fā)明的同一技術(shù)構(gòu)思，本發(fā)明還提供了一種采用所述的NIR光譜分析模型 對(duì)稻米中鎘含量超標(biāo)的鑒別方法，包括以下步驟：
[0021] (a)近紅外光譜法采集待檢測(cè)稻米樣本的標(biāo)準(zhǔn)光譜數(shù)據(jù)；
[0022] (b)在步驟（a)采集的標(biāo)準(zhǔn)光譜數(shù)據(jù)中選擇譜帶在lOOOOcnT1?4000CHT 1范圍內(nèi) 的標(biāo)準(zhǔn)光譜數(shù)據(jù)先進(jìn)行平滑處理，對(duì)平滑處理后的標(biāo)準(zhǔn)光譜數(shù)據(jù)進(jìn)行二階導(dǎo)數(shù)處理，對(duì)二 階導(dǎo)數(shù)處理后的標(biāo)準(zhǔn)光譜數(shù)據(jù)再進(jìn)行自歸一化處理；
[0023] (c)將所述經(jīng)過(guò)步驟（b)處理過(guò)的標(biāo)準(zhǔn)光譜數(shù)據(jù)進(jìn)行CARS方法篩選得到特征光譜 數(shù)據(jù)；
[0024] (d)分析模型的判定：將步驟（c)中篩選出的所述特征光譜數(shù)據(jù)輸入到前述的NIR 光譜分析模型中，利用主成分分析判別分析法分析所述特征光譜數(shù)據(jù)的標(biāo)準(zhǔn)變量得分，根 據(jù)所述標(biāo)準(zhǔn)變量得分鑒別所述待檢測(cè)稻米樣本的鎘含量是否超標(biāo)。
[0025] 進(jìn)一步的，所述步驟（d)中，當(dāng)所述特征光譜數(shù)據(jù)的標(biāo)準(zhǔn)變量得分為0?-2. 5時(shí)， 則所述待檢測(cè)稻米樣本為鎘含量合格的稻米；當(dāng)所述特征光譜數(shù)據(jù)的標(biāo)準(zhǔn)變量得分為〇? 2. 5時(shí)，則所述待檢測(cè)稻米樣本為鎘含量超標(biāo)的稻米。
[0026] 進(jìn)一步的，近紅外光譜儀的參數(shù)控制如下：
[0027] 近紅外光譜掃描波數(shù)為lOOOOcnT1?4000〇1^，
[0028] 近紅外光譜掃描次數(shù)為16?64次，
[0029] 分辨率為4cm 1?16cm工。
[0030] 前述特征光譜數(shù)據(jù)為45個(gè)，45個(gè)特征光譜變量在全光譜（lOOOOcnT1?4000CHT 1) 中的位置分別為 4018. 9cm S 4092. 2cm S 4312. lcm \ 4339. lcm \ 4346. 8cm \ 4350. 6cm S 4431. 6cm ^4439. 3cm ^4516. 5cm ^4597. 5cm ^4643. 7cm ^5160. 6cm ^5176. 0cm 1, 5565. 6cm ^ 5770. 0cm ^ 5789. 3cm ^6082. 4cm ^6140. 2cm ^6221. 2cm ^6232. 8cm \ 6734. 2cm ^6761. 2cm ^6768. 9cm ^6822. 9cm ^6938. 6cm ^6992. 6cm ^ 7031. 2cm \ 7405. 3cm ^ 7455. 5cm ^ 7798. 7cm ^8045. 6cm ^8076. 4cm ^8122. 7cm ^8238. 4cm \ 8327. 1cm ^8415. 8cm ^8736. 0cm ^8990. 5cm ^9090. 8cm ^9121. 6cm ^9129. 4cm \ 9341. 5cm \ 9549. 8cm ^9734. 9cm ^9823. 6cm L
[0031] 本發(fā)明的創(chuàng)新點(diǎn)在于：
[0032] 本發(fā)明提供的用于鑒別稻米中鎘含量超標(biāo)的NIR光譜分析模型，采用化學(xué)方法鑒 別所選擇大量稻米樣本的鎘含量是否超標(biāo)的基礎(chǔ)上，采集樣本的近紅外透反射光譜，結(jié)合 主成分分析判別分析法，建立基于近紅外光譜技術(shù)和化學(xué)計(jì)量學(xué)方法的稻米鎘是否超標(biāo)的 鑒別模型。充分考慮了用于鑒別模型的稻米樣本的代表性，準(zhǔn)確地選取了波數(shù)變量；還使 用了平滑、微分、自歸一化相結(jié)合的數(shù)據(jù)處理方法，消除了隨機(jī)噪音、斜坡背景的干擾，校正 光譜散射的影響與量綱以及數(shù)量級(jí)的限制，提高了檢測(cè)的準(zhǔn)確性和穩(wěn)定性。同時(shí)，校正后 的NIR光譜分析模型還考慮到鎘元素與稻米中淀粉、蛋白質(zhì)等成分形成有機(jī)絡(luò)合物，采用 CARS方法篩選該絡(luò)合物在近紅外光譜中的響應(yīng)波段，以達(dá)到鑒別稻米鎘含量是否超標(biāo)的目 的。
[0033] 與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于：
[0034] (1)本發(fā)明提供的鑒別稻米鎘含量是否超標(biāo)的NIR光譜分析模型，消除了光譜散 射影響與量綱以及數(shù)量級(jí)的限制，還考慮到鎘元素與稻米中淀粉、蛋白質(zhì)等成分形成有機(jī) 絡(luò)合物的影響因素，準(zhǔn)確率高達(dá)95. 2 %以上，相比于其他的檢測(cè)模型，其準(zhǔn)確率更高，檢測(cè) 精度更高，模型性能更好。
[0035] (2)本發(fā)明提供的鑒別稻米鎘含量的方法，克服了現(xiàn)有稻米鎘元素分析檢測(cè)方法 中操作煩瑣、消化時(shí)間長(zhǎng)、化學(xué)試劑用量多、成本高等缺點(diǎn)，操作非常簡(jiǎn)單，只需將樣品粉末 倒入反射杯中就可進(jìn)行光譜采集。
[0036] (3)本發(fā)明提供的鑒別稻米鎘含量的方法，檢測(cè)過(guò)程時(shí)間短，采集稻米樣品的近紅 外光譜后就可進(jìn)行預(yù)測(cè)和屬性判定，整個(gè)檢測(cè)過(guò)程僅需2?3分鐘，便于控制。
[0037] (4)本發(fā)明的檢測(cè)方法不需要加入有機(jī)試劑，對(duì)待測(cè)樣品沒(méi)有任何損壞，也不會(huì)損 害檢測(cè)人員的健康；更不會(huì)發(fā)生因使用化學(xué)試劑所導(dǎo)致的環(huán)境污染問(wèn)題，可用于大批量樣 品的快速檢測(cè)，適宜于糧食部門與農(nóng)業(yè)部門大規(guī)模收購(gòu)糧食時(shí)的現(xiàn)場(chǎng)品質(zhì)監(jiān)控及市場(chǎng)監(jiān)督 抽樣檢測(cè)，具有快速、高效、環(huán)保等優(yōu)勢(shì)。

【專利附圖】

【附圖說(shuō)明】
[0038] 為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例 中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整的描述。
[0039] 圖1為本發(fā)明實(shí)施例1中選取的稻米樣本的近紅外光譜圖，其中1表示鎘超標(biāo)大 米，2表示合格樣品。
[0040] 圖2為本發(fā)明實(shí)施例1中稻米樣本的紅外光譜數(shù)據(jù)經(jīng)平滑、二階導(dǎo)數(shù)和自歸一化 處理后的近紅外光譜圖。
[0041] 圖3為本發(fā)明實(shí)施例1中經(jīng)數(shù)據(jù)處理后標(biāo)準(zhǔn)光譜數(shù)據(jù)采用CARS方法篩選后得到 的45個(gè)特征變量在全光譜中的位置圖。
[0042] 圖4為本發(fā)明實(shí)施例1中CARS方法過(guò)程中的參數(shù)優(yōu)化過(guò)程圖。
[0043] 圖5為本發(fā)明實(shí)施例1中用于鑒別稻米鎘含量超標(biāo)的NIR光譜分析模型對(duì)稻米樣 本的判定分類示意圖。

【具體實(shí)施方式】
[0044] 以下結(jié)合說(shuō)明書(shū)附圖和具體優(yōu)選的實(shí)施例對(duì)本發(fā)明作進(jìn)一步描述，但并不因此而 限制本發(fā)明的保護(hù)范圍。
[0045] 實(shí)施例
[0046] 以下實(shí)施例中所采用的材料和儀器均為市售；其中近紅外（NIR)光譜儀采用美國(guó) Thermo公司的Nicolet Antaris II傅里葉變換NIR光譜儀。分析模型建立方法中120個(gè)稻 米樣本中，63個(gè)樣本選自長(zhǎng)沙縣干杉鎮(zhèn)（湘晚秈12號(hào)），38個(gè)樣本選自長(zhǎng)沙縣北山鎮(zhèn)（湘 晚秈12號(hào)），19個(gè)稻米樣本選自長(zhǎng)沙縣大同橋鎮(zhèn)（湘晚秈12號(hào)）。但本發(fā)明所建立的NIR 光譜分析模型并不僅僅限于對(duì)湘晚秈12號(hào)稻米的檢測(cè)，各種品種的稻米均可用于本發(fā)明 的NIR光譜分析模型。
[0047] 實(shí)施例1 :
[0048] 一種用于鑒別稻米鎘含量超標(biāo)的NIR光譜分析模型，該NIR光譜分析模型采用以 下方法建立：
[0049] 1、樣本選取及其合格稻米的判定：隨機(jī)選擇120個(gè)的不同稻米樣本，采用石墨爐 原子吸收法分別測(cè)定120個(gè)稻米樣本中鎘含量，將測(cè)得的鎘含量對(duì)照《GB-2762-2012食 品中污染物限量》中稻米鎘含量限量的要求，確定出每個(gè)稻米樣本的是否超標(biāo)，并將符合 《GB-2762-2012食品中污染物限量》標(biāo)準(zhǔn)中稻米鎘含量限量要求的稻米（即鎘含量合格的 稻米，120個(gè)稻米樣本中鎘含量合格的稻米共49個(gè)）的判定值設(shè)為-1，將超過(guò)稻米鎘含量 限量要求的鎘含量超標(biāo)的稻米（120個(gè)稻米樣本中鎘含量超標(biāo)的稻米共71個(gè)）的判定值設(shè) 為1。
[0050] 本實(shí)施例中采用的石墨爐原子吸收法根據(jù)《GB/T5009/15-2003食品中鎘的測(cè)定》 進(jìn)行操作，具體是指：分別準(zhǔn)確稱取每個(gè)稻米樣本粉末〇. 5g至250mL錐形瓶中，用移液管移 取20mL硝酸（優(yōu)級(jí)純）溶解稻米樣本粉末，在沙浴中進(jìn)行加熱消化，直至錐形瓶中的溶液 變澄清停止加熱。待錐形瓶中的溶液冷卻后用去離子水溶解并定容至25毫升的容量瓶中 做為待測(cè)溶液，將待測(cè)溶液于石墨爐原子吸收分光光度計(jì)中檢測(cè)吸收值。根據(jù)檢測(cè)得到的 吸收值計(jì)算待測(cè)溶液中鎘的含量。
[0051] 2、樣本光譜數(shù)據(jù)的采集：以NIR光譜儀作為采樣設(shè)備，分別采集步驟1中120個(gè)稻 米樣本的標(biāo)準(zhǔn)光譜數(shù)據(jù)，將采集到的所有稻米樣本的標(biāo)準(zhǔn)光譜數(shù)據(jù)隨機(jī)分為訓(xùn)練集（訓(xùn)練 集稻米樣本數(shù)84個(gè)）和預(yù)測(cè)集（預(yù)測(cè)集稻米樣本數(shù)36個(gè)）兩部分。
[0052] NIR光譜儀采集標(biāo)準(zhǔn)光譜的步驟為：將3g稻米樣本倒入漫反射的樣品杯中，然后 用樣品蓋小心蓋壓在樣品杯中，以消除樣品不均勻性對(duì)光程的影響；然后以內(nèi)置背景為參 照，用NIR光譜掃描波數(shù)lOOOOcnT 1?4000CHT1范圍32次（掃描次數(shù)在16?64次范圍內(nèi) 均可實(shí)施），分辨率設(shè)為8CHT 1 (分辨率4CHT1?16CHT1范圍內(nèi)均可實(shí)施）得到NIR光譜圖。 每個(gè)稻米樣本進(jìn)行3次平行實(shí)驗(yàn)，取NIR光譜圖的平均光譜作為該樣品的標(biāo)準(zhǔn)光譜數(shù)據(jù)。
[0053] 圖1為120個(gè)稻米樣本中其中兩個(gè)具有代表性的稻米樣本的NIR光譜圖。其中1 表不鋪含量超標(biāo)的稻米，2表不鋪含量合格的稻米。從圖1中可知，鋪含量超標(biāo)大米和鋪含 量合格的稻米的NIR光譜圖具有明顯區(qū)別。
[0054] 3、樣本的標(biāo)準(zhǔn)光譜數(shù)據(jù)的處理：對(duì)步驟中采集到的訓(xùn)練集的標(biāo)準(zhǔn)光譜數(shù)據(jù)（共84 個(gè)稻米樣本的標(biāo)準(zhǔn)光譜數(shù)據(jù)）進(jìn)行數(shù)據(jù)處理，具體的數(shù)據(jù)處理方法為：運(yùn)用Matlab7. 1分析 軟件（分析軟件由美國(guó)Mathwork公司提供）在lOOOOcnT1?4000(^1的光譜區(qū)域內(nèi)，分別 采用表1中9種數(shù)據(jù)處理的方法對(duì)標(biāo)準(zhǔn)光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，根據(jù)稻米樣本的近紅外光 譜數(shù)據(jù)的特殊性，驗(yàn)證出最適合稻米樣本、準(zhǔn)確率最高的數(shù)據(jù)處理方法。
[0055] 表1九種數(shù)據(jù)預(yù)處理組合方法準(zhǔn)確率結(jié)果表
[0056]

【權(quán)利要求】
1. 用于鑒別稻米鎘含量超標(biāo)的NIR光譜分析模型，其特征在于，所述分析模型采用以 下方法建立： (1) 樣本選取及其合格稻米的判定：選擇足夠數(shù)量的不同稻米樣本，并采用石墨爐 原子吸收法測(cè)定所選擇的每個(gè)稻米樣本中鎘含量，將鎘含量合格的稻米樣本的判定值設(shè) 為-1，鎘含量超標(biāo)的稻米樣本的判定值設(shè)為1 ; (2) 樣本光譜數(shù)據(jù)的采集：采用近紅外光譜法分別對(duì)所選擇的每個(gè)稻米樣本進(jìn)行光譜 采集，并將采集到的稻米樣本的標(biāo)準(zhǔn)光譜數(shù)據(jù)隨機(jī)分為訓(xùn)練集和預(yù)測(cè)集兩部分； (3) 樣本光譜數(shù)據(jù)的處理：對(duì)步驟（2)中采集到的訓(xùn)練集的標(biāo)準(zhǔn)光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)處 理，以消除隨機(jī)噪音、斜坡背景的干擾，校正光譜散射的影響； (4) 樣本光譜數(shù)據(jù)的篩選：以所述步驟（3)中處理過(guò)的訓(xùn)練集的標(biāo)準(zhǔn)光譜數(shù)據(jù)作為選 擇來(lái)源對(duì)象，采用CARS法篩選出建模用光譜數(shù)據(jù)； (5) 初步分析模型的確立：根據(jù)所述建模用光譜數(shù)據(jù)測(cè)定出所述訓(xùn)練集中每個(gè)稻米樣 本的標(biāo)準(zhǔn)變量得分，并結(jié)合步驟（1)中測(cè)定的所述訓(xùn)練集中對(duì)應(yīng)稻米樣本的判定值，建立 初步分析模型； (6) 初步分析模型的驗(yàn)證：將所述步驟（2)中預(yù)測(cè)集的標(biāo)準(zhǔn)光譜數(shù)據(jù)進(jìn)行所述步驟（3) 的數(shù)據(jù)處理，并結(jié)合（4)步驟的篩選方法篩選出驗(yàn)證用光譜數(shù)據(jù)；然后根據(jù)所述驗(yàn)證用光 譜數(shù)據(jù)測(cè)定出所述預(yù)測(cè)集中每個(gè)稻米樣本的標(biāo)準(zhǔn)變量得分，并結(jié)合所述步驟（5)的初步分 析模型進(jìn)行驗(yàn)證，完成所述鑒別稻米鎘含量超標(biāo)的NIR光譜分析模型的建立。
2. 根據(jù)權(quán)利要求1所述的NIR光譜分析模型，其特征在于，所述步驟（2)中近紅外光譜 的采集參數(shù)為： 近紅外光譜掃描波數(shù)為lOOOOcnT1?4000CHT1， 近紅外光譜掃描次數(shù)為16?64次， 分辨率為4cm 1?16cm、
3. 根據(jù)權(quán)利要求1所述的NIR光譜分析模型，其特征在于，所述步驟（3)中所述數(shù)據(jù)處 理的方法為：對(duì)所述訓(xùn)練集的標(biāo)準(zhǔn)光譜數(shù)據(jù)先進(jìn)行平滑處理，對(duì)平滑處理后的標(biāo)準(zhǔn)光譜數(shù) 據(jù)再進(jìn)行二階導(dǎo)數(shù)處理，對(duì)二階導(dǎo)數(shù)處理后的標(biāo)準(zhǔn)光譜數(shù)據(jù)再進(jìn)行自歸一化處理。
4. 根據(jù)權(quán)利要求1所述的NIR光譜分析模型，其特征在于，所述步驟（4)中所述CARS 法具體包括以下步驟：選擇波長(zhǎng)范圍在lOOOOcnT1?4000CHT1區(qū)域內(nèi)全光譜，將全光譜中每 個(gè)變量看作一個(gè)個(gè)體，通過(guò)自適應(yīng)加權(quán)采樣技術(shù)篩選出回歸系數(shù)絕對(duì)值> 〇. 02,權(quán)重> 0， 且通過(guò)交叉驗(yàn)證選出RMSECV = 0時(shí)所對(duì)應(yīng)的波數(shù)變量。
5. 根據(jù)權(quán)利要求4所述的NIR光譜分析模型，所述波數(shù)變量為45個(gè)。
6. 根據(jù)權(quán)利要求5所述的分析模型，其特征在于，所述45個(gè)波數(shù)變量在全光譜 (10000cm 1 ?4000cm 〇 中的位置分別為 4018. 9cm \4092· 2cm \4312. lcm \4339. lcm S 4346. 8cm ^4350. 6cm ^4431. 6cm ^4439. 3cm ^4516. 5cm ^4597. 5cm ^4643. 7cm 1, 5160. 6cm ^5176. 0cm ^ 5565. 6cm ^ 5770. 0cm ^ 5789. 3cm ^6082. 4cm ^6140. 2cm \ 6221. 2cm ^6232. 8cm ^6734. 2cm ^6761. 2cm ^6768. 9cm ^6822. 9cm ^6938. 6cm \ 6992. 6cm ^ 7031. 2cm ^7405. 3cm ^ 7455. 5cm ^ 7798. 7cm ^8045. 6cm ^8076. 4cm \ 8122. 7cm ^8238. 4cm ^8327. 1cm ^8415. 8cm ^8736. 0cm ^8990. 5cm ^9090. 8cm \ 9121. 6cm \ 9129. 4cm ^9341. 5cm ^9549. 8cm \ 9734. 9cm \ 9823. 6cm L
7. -種采用權(quán)利要求1至6中任一項(xiàng)所述的NIR光譜分析模型對(duì)稻米中鎘含量超標(biāo)的 鑒別方法，其特征在于，包括以下步驟： (a) 近紅外光譜法采集待檢測(cè)稻米樣本的標(biāo)準(zhǔn)光譜數(shù)據(jù)； (b) 在步驟（a)采集的標(biāo)準(zhǔn)光譜數(shù)據(jù)中選擇譜帶在lOOOOcnT1?4000CHT1范圍內(nèi)的標(biāo) 準(zhǔn)光譜數(shù)據(jù)，先進(jìn)行平滑處理，對(duì)平滑處理后的標(biāo)準(zhǔn)光譜數(shù)據(jù)進(jìn)行二階導(dǎo)數(shù)處理，對(duì)二階導(dǎo) 數(shù)處理后的標(biāo)準(zhǔn)光譜數(shù)據(jù)再進(jìn)行自歸一化處理； (c) 將所述經(jīng)過(guò)步驟（b)處理過(guò)的標(biāo)準(zhǔn)光譜數(shù)據(jù)進(jìn)行CARS方法篩選得到特征光譜數(shù) 據(jù)； (d) 分析模型的判定：將步驟（c)中篩選出的所述特征光譜數(shù)據(jù)輸入到所述NIR光譜 分析模型中，利用主成分分析判別分析法分析所述特征光譜數(shù)據(jù)的標(biāo)準(zhǔn)變量得分，根據(jù)所 述標(biāo)準(zhǔn)變量得分鑒別所述待檢測(cè)稻米樣本的鎘含量是否超標(biāo)。
8. 根據(jù)權(quán)利要求7所述的的鑒別方法，其特征在于，所述步驟（d)中，當(dāng)所述特征光譜 數(shù)據(jù)的標(biāo)準(zhǔn)變量得分為0?-2. 5時(shí)，則所述待檢測(cè)稻米樣本為鎘含量合格的稻米；當(dāng)所述 特征光譜數(shù)據(jù)的標(biāo)準(zhǔn)變量得分為0?2. 5時(shí)，則所述待檢測(cè)稻米樣本為鎘含量超標(biāo)的稻米。
9. 根據(jù)權(quán)利要求7或8所述的的鑒別方法，其特征在于，所述近紅外光譜儀的參數(shù)控制 如下：近紅外光譜掃描波數(shù)為lOOOOcnT 1?4000CHT1， 近紅外光譜掃描次數(shù)為16?64次， 分辨率為4cm 1?16cm、
10. 根據(jù)權(quán)利要求7或8所述的鑒別方法，其特征在于，所述特征光譜數(shù)據(jù)為45個(gè)， 所述45個(gè)特征光譜數(shù)據(jù)在全光譜（lOOOOcnT1?4000CHT1)中的位置分別為4018. 9CHT1， 4092. 2cm ^4312. 1cm ^4339. 1cm ^4346. 8cm ^4350. 6cm ^4431. 6cm ^4439. 3cm \ 4516. 5cm ^4597. 5cm ^4643. 7cm ^5160. 6cm ^5176. 0cm ^ 5565. 6cm ^ 5770. 0cm \ 5789. 3cm ^6082. 4cm ^6140. 2cm ^6221. 2cm ^6232. 8cm ^6734. 2cm ^6761. 2cm \ 6768. 9cm ^6822. 9cm ^6938. 6cm ^6992. 6cm ^ 7031. 2cm ^7405. 3cm ^ 7455. 5cm \ 7798. 7cm ^8045. 6cm ^8076. 4cm ^8122. 7cm ^8238. 4cm ^8327. 1cm ^8415. 8cm \ 8736. 0cm ^8990. 5cm ^9090. 8cm ^9121. 6cm ^9129. 4cm ^9341. 5cm ^9549. 8cm \ 9734. 9cm \ 9823. 6cm、
【文檔編號(hào)】G01N21/3563GK104089926SQ201410343059
【公開(kāi)日】2014年10月8日 申請(qǐng)日期:2014年7月18日 優(yōu)先權(quán)日:2014年7月18日
【發(fā)明者】單楊, 朱向榮, 李高陽(yáng), 蘇東林, 劉偉, 付復(fù)華, 黃綠紅, 張菊華, 肖軻 申請(qǐng)人:湖南省食品測(cè)試分析中心