一种基于已有校正模型快速检测农产品化学组分的方法与流程

本发明属于检测领域，具体涉及一种基于已有校正模型快速检测农产品化学组分的方法。

背景技术：

利用近红外光谱分析技术对农作物化学组分的测量已经有很多的应用，其主要原理是利用农作物不同组分对不同近红外光的特征吸收来进行测量。近红外光谱指的是780～2500nm之间的光谱波段，能够对作物中的含氢基团如OH、CH、NH等表现出特征吸收。

在近红外光谱检测中，一般是先要建立光谱仪采集到的光谱和测量物组分之间的校正模型，该模型的建立需要收集一定数量的建模样品，分别测量样品的近红外光谱和参考数据，由化学计量学方法得到校正模型。一般的，不同设备在对农产品进行近红外检测之前，都需要进行校正模型的建立，以达到能够正确测量样品组分和浓度的目的。

CN104089911B公开了一种基于一元线性回归的光谱模型传递方法，主要步骤I对M台光谱仪器的样品光谱进行相同预处理；且根据样品的m种成分将光谱数据分为m个校正集和预测集，分别在M台仪器上建立m个校正模型；III校正模型评价；IV将预测效果最好的仪器作为主仪器，其它为从仪器；V选取主仪器校正集中针对各从仪器的最佳样品，按其序号确定各从仪器转换集样品，用一元线性回归求回归系数，校正从仪器光谱，然后代入主仪器校正模型得样品成分含量结果。

CN103854305B公开了一种基于多尺度建模的模型传递方法，该方法包括以下步骤:采集主、从机仪器的原始光谱；结合小波基性和样品原始光谱的特性，选择最佳小波基对光谱进行小波多尺度分解，获取小波系数；对小波系数进行重构；对每一层重构的光谱分别进行多变量校正；对多变量校正之后的光谱建立基于偏最小二乘法和留一法交叉验证法的预测模型，得到预测模型的交叉验证均方根误差；使用权值将预测模型进行模型融合，并计算预测均方根误差和相关系数来评价模型传递效果。

以上发明专利都具有光谱传递，但是均是由从机往源机进行传递，再利用源机建立的校正模型进行组分的分析，存在从机光谱转换过程中引入的误差。

CN106092960A公开了一种快速校正近红外光谱检测设备并检测农产品中化学成分的方法，该方法包括如下步骤：步骤A：用标准近红外检测设备对n个农产品标准样品进行近红外数据采集，得到标准近红外光谱数据库；步骤B：用化学方法检测步骤A中的n个农产品标准样品的化学成分数据，形成标准化学成分数据库；步骤C：根据步骤A的标准近红外光谱数据库和步骤B的标准化学成分数据库建立标准映射模型；步骤D：用检测农产品的实际近红外检测设备采集m个农产品校验样品的近红外光谱数据，形成校验近红外光谱数据库；步骤E：用化学方法检测步骤D中的m个农产品校验样品的化学成分数据，形成校验化学成分数据库；步骤F：将校验近红外光谱数据库和校验化学成分数据库与标准映射模型进行比对，获得实际近红外检测设备所采集的近红外光谱与化学成分关系的校验映射模型；步骤G：用实际近红外检测设备采集农产品新样品的近红外光谱数据，通过校验映射模型计算得到农产品新样品的化学成分数据；其中步骤A、步骤D和步骤G中的农产品属于植物学上同一种；其中n和m为整数，且n＞50＞m＞5。

该技术是将实际近红外光谱数据和实际化学成分数据输入到云端，利用与云端的标准映射模型比对形成校验映射模型。该技术需要同时检测实际端的近红外光谱和化学成分数据，两者都需要与云端的标注数据比对校验，得到的误差较大；且该技术的转换方向是将实际的向标准的转换，这种由低精密度向高精密度的转换误差同样较大。

CN106092961A公开了一种快速检测农产品中化学成分的方法，该方法包括如下步骤：步骤A：用标准近红外检测设备对农产品标准样品进行近红外数据采集，得到标准近红外光谱数据；步骤B：用检测农产品的实际近红外检测设备采集步骤A中的农产品标准样品的检测近红外光谱数据；步骤C：根据步骤A和步骤B所采集的标准近红外光谱数据和检测近红外光谱数据建立光谱传递模型；步骤D：用化学方法检测步骤A中的农产品标准样品的化学成分数据；步骤E：根据步骤A的标准近红外光谱数据和步骤D的化学成分数据建立反演模型；步骤F：应用步骤B的实际近红外检测设备采集实际农产品样品的近红外光谱数据，将该近红外光谱数据通过光谱传递模型获得该实际农产品样品的标准近红外光谱数据，再将该标准近红外光谱数据通过反演模型获得实际农产品样品的化学成分数据；其中农产品标准样品和实际农产品样品为同一植物种。

该技术是将实际近红外光谱数据(从机光谱数据)通过光谱传递模型转换成标准光谱(源机光谱数据)，再用标准光谱通过反演模型得到化学成分数据。该技术中的光谱传递模型是将实际近红外光谱数据转换成标准光谱数据，这种由低精密度向高精密度的转换方向误差较大，然后再将实际检测的近红外光谱数据转换成标准数据，得到的化学成分数据准确性大大降低。

技术实现要素：

为解决上述问题，本发明是从源机往从机传递，根据从机的光谱特点，将源机的光谱进行转换，再由转换的光谱与组分浓度建立校正模型，模型直接能够匹配从机的光谱，不存在从机光谱转换工程中引入的误差。

一种基于已有校正模型快速检测农产品化学组分的方法，包括以下步骤：

步骤1：选择全波长近红外光谱仪作为源机，用所述源机进行n个农产品的近红外光谱测量，同时使用标准方法检测该n个农产品的化学组分和浓度，将源机得到的近红外光谱数据与农产品的化学组分和浓度建立对应关系；

步骤2：其他型号近红外光谱仪作为从机，用于农产品的组分检测；

步骤3：首先让源机和从机对m个样品同时进行检测，源机和从机分别测量得到m组光谱,将源机和从机的m组光谱数据进行光谱校正，得到源机与从机之间的光谱对应关系；

步骤4：根据步骤3中得到的源机和从机之间的光谱对应关系，建立源机光谱数据转换成从机光谱数据的光谱数据传递模型，使源机光谱数据与从机光谱数据具有确定的对应关系；

步骤5：将源机光谱数据通过步骤4中的光谱数据传递模型得到传递光谱，再将传递光谱与步骤1中农产品的化学组分和浓度一一对应，建立从机光谱数据与农产品的化学组分和浓度的校正模型；

步骤6：该从机测量某种农产品的组分时得到从机光谱数据，将所述从机光谱数据通过校正模型进行组分和浓度测量。

上述步骤4中的光谱数据传递模型是从源机光谱数据转换成从机光谱数据，即是从高精密度向低精密度转换。

上述步骤5中的源机光谱数据具有对应的农产品的化学组分和浓度，将该源机光谱数据转换成传递光谱，该传递光谱与源机光谱数据所对应的农产品的化学组分和浓度通过化学计量学软件建立一一对应关系，形成校正模型。

优选的，所述步骤2中从机测量到的光谱数据的精度和分辨率比源机测量到的光谱数据低。即所述源机的光谱性能比从机的要好，或者精密度比从机高。

优选的，所述步骤3中光谱校正的方法为：根据从机的光谱范围、数据点数，在源机采集到的光谱数据上进行选择，使相互之间的光谱范围和数据点数能够一一对应，或者根据插值算法对源机的光谱数据点数进行处理后一一对应。

优选的，所述n、m为整数，所述n＞m。

优选的，所述m＝10-100。

优选的，所述m＝15-60。

优选的，所述其他型号近红外光谱仪包括手持或者便携式近红外光谱仪。

优选的，所述光谱数据包括基线、像素点和波长范围。

优选的，所述步骤5中传递光谱与步骤1中农产品的化学组分和浓度通过化学计量学软件建立一一对应关系。

本发明的有益效果：

(1)、本发明的方法能够匹配已经与源机建好光谱传递模型的其他低精密度的近红外检测设备，通过源机测量到的光谱库和组分浓度数据库，能够使从机直接拥有自己的校正模型，免去了校正模型建立的过程和成本；

(2)、由源机往从机的模型匹配，使用高精度的数据转换为低精度的数据，可以避免了由低精度数据转换为高精度数据时出现的错误数据现象，提高模型的准确度。

附图说明

图1表示近红外光谱检测农产品的化学组分和浓度图；

图2表示源机与从机的光谱传递模型的建立；

图3表示校正模型的建立；

图4表示农产品检测过程。

具体实施方式

下面结合附图1-4对本发明的具体实施方式作进一步说明：

实施例1

一种基于已有校正模型快速检测农产品化学组分的方法，包括以下步骤：

步骤1：选择全波长近红外光谱仪作为源机，用所述源机进行200个马铃薯标准样品的近红外光谱测量，同时使用标准方法检测该200个马铃薯标准样品的化学组分和浓度，将源机得到的近红外光谱数据与马铃薯标准样品的化学组分和浓度建立对应关系，如图1所示；

步骤2：其他型号近红外光谱仪如便携式近红外光谱仪作为从机，用于农产品的组分检测；

步骤3：首先让源机和从机对100个马铃薯标准样品同时进行检测，源机和从机分别测量得到100组光谱,将源机和从机的100条光谱数据进行光谱校正，得到源机与从机之间的光谱对应关系；

步骤4：根据步骤3中得到的源机和从机之间的光谱对应关系，建立源机光谱数据转换成从机光谱数据的光谱数据传递模型，使源机光谱数据与从机光谱数据具有确定的对应关系，如图2所示；

步骤5：将源机光谱数据通过步骤4中的光谱数据传递模型得到传递光谱，再将传递光谱与步骤1中农产品的化学组分和浓度一一对应，建立从机光谱数据与农产品的化学组分和浓度的校正模型，如图3所示；

步骤6：该从机测量某种农产品的组分时得到从机光谱数据，将所述从机光谱数据通过校正模型进行组分和浓度测量，如图4所示。

上述步骤4中的光谱数据传递模型是从源机光谱数据转换成从机光谱数据，即是从高精密度向低精密度转换。

上述步骤5中的源机光谱数据具有对应的农产品的化学组分和浓度，将该源机光谱数据转换成传递光谱，该传递光谱与源机光谱数据所对应的农产品的化学组分和浓度通过化学计量学软件建立一一对应关系，形成校正模型。

所述步骤2中便携式近红外光谱仪(从机)测量到的光谱数据的精度和分辨率比源机测量到的光谱数据差。即所述源机的光谱性能比从机的要好，精密度比从机高。

所述步骤3中光谱校正的方法为：根据从机的光谱范围、数据点数，在源机采集到的光谱数据上进行选择，使相互之间的光谱范围和数据点数能够一一对应，或者根据插值算法对源机的光谱数据点数进行处理后一一对应。

所述光谱数据包括基线、像素点和波长范围。

所述步骤5中传递光谱与步骤1中农产品的化学组分和浓度通过化学计量学软件建立一一对应关系。

实施例2

步骤1：选择全波长近红外光谱仪作为源机，用所述源机进行100个西红柿标准样品的近红外光谱测量，同时使用标准方法检测该100个西红柿标准样品的化学组分和浓度，将源机得到的近红外光谱数据与西红柿标准样品的化学组分和浓度建立对应关系；

步骤2：其他型号近红外光谱仪如手持式近红外光谱仪作为从机，用于农产品的组分检测；

步骤3：首先让源机和从机对15个西红柿标准样品同时进行检测，源机和从机分别测量得到15组光谱,将源机和从机的15条光谱数据进行光谱校正，得到源机与从机之间的光谱对应关系；

步骤4：根据步骤3中得到的源机和从机之间的光谱对应关系，建立源机光谱数据转换成从机光谱数据的光谱数据传递模型，使源机光谱数据与从机光谱数据具有确定的对应关系；

步骤5：将源机光谱数据通过步骤4中的光谱数据传递模型得到传递光谱，再将传递光谱与步骤1中农产品的化学组分和浓度一一对应，建立从机光谱数据与农产品的化学组分和浓度的校正模型；

步骤6：该从机测量某种农产品的组分时得到从机光谱数据，将所述从机光谱数据通过校正模型进行组分和浓度测量。

上述步骤4中的光谱数据传递模型是从源机光谱数据转换成从机光谱数据，即是从高精密度向低精密度转换。

上述步骤5中的源机光谱数据具有对应的农产品的化学组分和浓度，将该源机光谱数据转换成传递光谱，该传递光谱与源机光谱数据所对应的农产品的化学组分和浓度通过化学计量学软件建立一一对应关系，形成校正模型。

所述步骤2中手持式近红外光谱仪(从机)测量到的光谱数据的精度和分辨率比源机测量到的光谱数据差。即所述源机的光谱性能比从机的要好，精密度比从机高。

所述步骤3中光谱校正的方法为：根据从机的光谱范围、数据点数，在源机采集到的光谱数据上进行选择，使相互之间的光谱范围和数据点数能够一一对应，或者根据插值算法对源机的光谱数据点数进行处理后一一对应。

所述光谱数据包括基线、像素点和波长范围。

所述步骤5中传递光谱与步骤1中农产品的化学组分和浓度通过化学计量学软件建立一一对应关系。

效果实施例

采用CN106092961A和CN106092960A中方法检测实施例1和实施例2中农产品的化学组分和浓度，结果表明实施例1和实施例2检测的值更接近真实值，误差更小。这说明由源机往从机的模型匹配，使用高精度的数据转换为低精度的数据，可以避免了由低精度数据转换为高精度数据时出现的错误数据现象，提高模型的准确度。

根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。