[发明专利]一种利用近红外光谱技术鉴别五常稻花香大米的方法

说明书

技术领域

本发明涉及大米真假鉴别，特别涉及一种利用近红外光谱技术鉴别五常稻花香大米的方法。

背景技术

“五常稻花香大米”产自于黑龙江省五常市。独特的地理位置和气候条件，形成了五常稻花香大米特有的品质。2009年被国家质检总局认定为地理标志产品。高品质蕴含高附加值，市场上其售价远高于普通大米，这种价格差让不法之徒见到可乘之机，疯狂的造假，给“五常稻花香大米”品牌造成了信任危机。此种情况下，从技术手段上实现真伪鉴别对于品牌的保护特别有意义。

目前报道的关于五常稻花香大米真伪鉴定的手段不多，大多是凭借经验，从外观，是否有杂质、灰粉、杂色，米粒是否整齐、均匀、晶莹剔透；触感：捻摸大米，是否质地坚韧、细腻润滑；香味：双手搓米，是否发出宜人香气等感官进行判断。由于这类方法是基于经验进行判断，因此对分析人员的要求较高，这在一定程度上限制了其在较大范围内的推广应用，面对五常大米全国市场的打假监管任务只能“望洋兴叹”，或者付出很高的成本代价。

由于这类方法是基于经验进行判断，因此对分析人员的要求较高，人员培训的成本也较高。

面对大规模的采样分析任务，成本代价较高。

不同的分析人员，经验不同。分析人员规模较大时，存在较高的误判风险。

由于方法本身的限制，其推广较难或比较缓慢。

本专利与《CN201010033381-一种用近红外光谱技术鉴别响水大米的方法》的区别：

数据预处理手段及建模方法不同。虽然同样用到的是近红外光谱检测技术，但这只是建立鉴别模型最基本的一步，即获取初始的数据点，从这些数据点的数据中是无法进行分类的。原始数据需要经过预处理，然后选择合适的化学计量学模型建模、验证，才能建立有效的分类鉴别模型。本专利首先采用二阶导数和标准化手段对原始数据进行预处理，然后采用偏最小二乘法建立鉴别模型。该专利中预处理采用的是一阶导数或矢量归一化预处理手段，建模时选择基于马氏距离原理的聚类分析法建立鉴别模型。由于数据预处理手段和建模所采用的化学计量学方法不同，因而所建立的鉴别模型之间存在着本质的区别。

本专利与《CN201110457088-一种利用傅里叶变换红外光谱识别大米品种方法及其应用》的区别：

数据预处理手段及建模方法不同。本专利首先采用二阶导数和标准化手段对原始数据进行预处理，然后采用偏最小二乘法建立鉴别模型。该专利中预处理采用的是Savitzky-Golay平滑、自动基线校正算法与标准正态变量变换，然后采用PCA结合SIMCA的方法建立鉴别模型。由于数据预处理手段和建模所采用的化学计量学方法不同，因而所建立的鉴别模型之间存在着本质的区别。

发明内容

本发明提供一种利用近红外光谱技术鉴别五常稻花香大米的方法，采用二阶导数和标准化手段对原始数据进行预处理，然后采用偏最小二乘法建立鉴别模型的方式，解决现有技术中五常大米鉴别过程中成本高、鉴别失误率高和不易推广的技术问题。

本发明是这样实现的：一种利用近红外光谱技术鉴别五常稻花香大米的方法，该方法包括以下步骤：

A.采用红外光谱仪对检测样品进行测量；

B.将检测样品测量到的信息输入到数据处理部中,与五常稻花香大米的鉴别模型进行对比得出鉴别结果。

所述鉴别模型的建立包括如下步骤：

a.将未经任何化学处理的五常稻花香大米和非五常稻花香大米产品直接称取一定量置于样品杯中，保证样品不漏光，即可开始测量；

b.采用红外光谱仪对样品进行扫描，扫描波数范围12500cm^-1-3600cm^-1；分辨率：8cm^-1；采用漫透射测量模式；且重复扫描9次以上，取测量平均值,获得五常稻花香大米近红外光谱数据集和非五常稻花香大米近红外光谱数据集；

c.数据处理并建立鉴别模型。

所述步骤c中的所述数据处理并建立鉴别模型包括如下步骤：

c1.利用Kennard-Stone算法分别对五常稻花香大米近红外光谱数据集和非五常稻花香大米近红外光谱数据集进行采样，将获得的样本数据分别归为训练集和预测集；

c2.对训练集的近红外光谱数据依次进行二阶导数和标准化处理，其中标准化的公式如下：