[发明专利]大米类别鉴别模型及其构建方法以及鉴别大米类别的方法

说明书

本发明涉及检测领域，公开了大米类别鉴别模型及其构建方法以及鉴别大米类别的方法。本发明创造性地将近红外光谱、中红外光谱以及拉曼光谱的光谱数据通过数据融合构建大米类别鉴别模型，其校正集和预测集识别正确率较单一光谱模型大大提升，能达到100％。通过本发明所述的模型用于大米类别的鉴定减少了检测时间，降低了实验误差，为大米类别鉴别提供了极大的便利。

技术领域

本发明涉及检测领域，具体涉及一种大米类别鉴别模型的构建方法，一种大米类别鉴别模型，以及一种鉴别大米类别的方法。

背景技术

由于大米品种和产地环境不同，使其各种物质的含量和成分存在差异，一些大米因其独特的地理环境使其具有较高的营养价值和优良的口感，而成为地理标识产品，在市场上占据优势的销售价格。因此亟需开发大米快速鉴别技术，解决大米假冒问题，尤其是大米产地假冒的问题。

传统方法对于大米产地或品种的鉴别多采用经典的化学手段，而这些方法都普遍存在耗时长、前处理繁琐、人为误差大且对检验人员要求高等缺点。

分子光谱分析技术具有快速、无污染和同时检测多个组分等优点，通过建立的预测模型来测定未知样品所属类别，是一种间接的定性分析技术。采用光谱技术对大米类别进行检测可减少了检测时间，降低了实验误差，还能实现同时对多个理化指标进行分析检测，但是由于使用单一光谱数据存在片面性，使得大米类别鉴别正确率不能达到100％。

大米中主要含有淀粉，脂肪、蛋白质和氨基酸等有机化合物和钙、镁和铁等无机物质，近红外光谱、中红外光谱及拉曼光谱由于波长和机理不同反映了分子不同的振动信息，在鉴定有机化合物时红外光谱具有较大优势，而拉曼光谱能获得600cm^-1以下的谱图信息，在无机化合物鉴别方面更具优势。三种光谱均为重要的检测手段，具有差异性和互补性，3种光谱法相互配合补充可以获得更多的样品特征信息。

将不同光谱信息结合增加信息维度，可以获得更为精准、更为全面的特征信息，从而提高整个系统的性能和鉴别的准确度，因此数据融合技术在类别确证方面也有着很大优势。因此若能利用近红外光谱、中红外光谱及拉曼光谱融合技术建立一个快速预测模型来预测大米类别，不仅使识别正确率大大上升，还能减少检测时间，加大应用范围。

发明内容

本发明的目的是为了克服现有技术存在的正确率低、耗时长、人为误差大和环境污染等问题，提供一种大米类别鉴别模型的构建方法，一种大米类别鉴别模型，以及一种鉴别大米类别的方法，该方法利用近红外光谱、中红外光谱及拉曼光谱融合技术建立一个快速检测模型来预测大米类别，不仅使识别正确率大大上升，还能减少测量时间，加大应用范围。

为了实现上述目的，本发明第一方面提供一种大米类别鉴别模型的构建方法，该方法包括：

(1)以不同类别的大米作为样本，分别采用近红外光谱、中红外光谱和拉曼光谱采集大米的光谱数据；

(2)分别对步骤(1)中得到的近红外光谱、中红外光谱和拉曼光谱的光谱数据进行数据集的划分得到校正集和预测集，对校正集数据进行预处理，并对预处理后的数据进行特征波长的筛选，结合化学计量学方法通过数据融合建立鉴别模型；

(3)以校正集和预测集的正确率为标准，对步骤(2)得到的鉴别模型进行评估和筛选，得到大米类别鉴别模型。

本发明第二方面提供一种大米类别鉴别模型，所述模型的构建方法包括：

分别采用近红外光谱、中红外光谱和拉曼光谱采集不同类别大米的光谱数据；对得到的近红外光谱、中红外光谱和拉曼光谱的光谱数据进行数据集的划分得到校正集和预测集，对校正集数据进行预处理；并对校正集进行特征波长的筛选，结合化学计量学方法通过数据融合建立大米类别鉴别模型；

其中，所述预处理的方法为标准归一化(SNV)与一阶微分或二阶微分的组合；