本发明属于大米溯源技术领域，具体涉及一种大米溯源模型的建立方法及其应用。
背景技术：
水稻是我国的重要粮食之一，稻谷播种面积逐年增加，2011年我国水稻播种面积已突破30000千公顷，水稻产量连续十连增，国家统计局数字表明2012年我国稻谷产量达20,423.59万吨。全国约有19个省市以大米为主食，生产的水稻中85％作为口粮消费，因此水稻在我国具有很重要的位置。黑龙江水稻目前进入一个优质、高效、专业的新时期。黑龙江省地处纬度最北边的稻作区，具有光照充足、昼夜温差大，土质肥沃，水质优，污染少等条件，有利于发展水稻生产。由于产量稳定，米质优良，商品率高，黑龙江大米已成为我国重要的优质粳米生产基地，产品远销全国各地。2015年，黑龙江省水稻种植面积占全国水稻种植面积的17.0％，占东北三省水稻种植面积的69.25％，是东北最大的种植省份。黑龙江水稻产量占全国水稻产量的16.3％，占东北三省水稻产量的67.6％，在大米市场上具有重要的地位和作用。
黑龙江经国国家质量监督检验检疫总局批准的地理标志大米产品有9种，分别是五常大米、方正大米、响水大米、珍宝岛大米、建三江大米、泰来大米、通河大米、庆安大米和富拉尔基温水大米等。截止2016年底，全国经国国家质量监督检验检疫总局批准的地理标志大米产品有44种，其中东北三省的地理标志大米占40％以上，黑龙江省地理标志大米是全国地理标志大米产品中最多的省份。
黑龙江地理标志大米如五常大米、查哈阳大米、响水大米、方正大米、建三江大米等等，因其品质好、口感佳，在国内和地区间流动性较大，且销售价格占有一定优势。随着市场需求量的逐年增加，大米行业市场出现鱼龙混杂，良莠不齐，普遍存在地理标志产品、绿色食品和有机食品错误标识，假冒黑龙江省产地品牌大米销售现象，使消费者权益受到严重损害。
目前，并没有关于如何更好的开展水稻产地溯源技术，建立水稻指纹数据库的记载。
技术实现要素：
有鉴于此，本发明的目的在于提供一种大米溯源模型，解决其它影响因素对大米溯源的影响问题，具有自适应分辨性和良好的容错能力，鲁棒性高且精确达100％。
为了实现上述发明目的，本发明提供以下技术方案：
本发明提供了一种大米溯源模型的建立方法，包括以下步骤：
1)收集稻谷及稻谷所在地的土壤母质样品，得检测样本；
2)测定步骤1)得到的所述检测样本中的元素含量，经方差变异贡献率分析和相关性分析，筛选出相关元素；所述元素包括Na、Mg、Al、K、Ca、Sc、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、As、Se、Rb、Sr、Y、Mo、Ru、Rh、Pd、Ag、Cd、Sn、Sb、Te、Cs、Ba、La、Ce、Pr、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Er、Tm、Yb、Lu、Hf、Ir、Pt、Au、Tl、Pb、Th和U；
3)利用步骤2)筛选出的所述相关元素建立大米溯源的前馈神经网络模型，包括输入层、隐含层和输出层，层与层之间为互连方式，每层分别有nI，nh和no节点数，第一层为输入层，所述输入层的节点数为筛选出的相关元素的个数，设网络输入向量为式中T为向量维度或指标个数，只是传递信号到隐含层，令为输入层第i节点的输出：
第二层为第一隐含层，令输入层到第一隐含层的连接权为隐含层激励函数为f，阈值为该层输出向量则为隐含层第j节点的输出：
第三层为第二隐含层，令输入层到第二隐含层的连接权为隐含层激励函数为f，阈值为该层输出向量则为隐含层第j节点的输出：
第四层为输出层，令第二隐含层到输出层的连接权为输出层的激励函数p，阈值为输出向量为其中则为输出层的第k节点输出：
优选的，步骤1)所述样品稻谷的水分含量为14％以下。
优选的，步骤1)所述粉碎为利用旋风磨粉碎，并过80～120目筛。
优选的，步骤2)所述测定前还包括微波消解过程，所述微波消解包括：将所述米粉与微波消解液按照1g：(15～35)mL的质量体积比混合，置于微波消解仪中进行微波消解。
优选的，所述微波消解液为包括浓硝酸和双氧水的混合溶液。
优选的，所述微波消解的微波程序为8min内从0w增到1600w，温度升到120℃，保持2min；在5min内从温度120℃升到160℃，保持5min；在5min内再从160℃升到180℃，并在此温度下消解15min；冷却。
优选的，步骤2)所述元素含量利用电感耦合等离子体质谱进行测定。
优选的，所述电感耦合等离子体质谱的工作参数为射频功率1280w，雾化室温度2℃，冷却水流量1.47L/min，载气流量1.0L/min，补偿气体流量1.0L/min。
优选的，当鉴别大米是否来源于建三江、五常或查哈阳地区时，步骤2)所述相关元素包括Mg、Ca、Cr、Mn、Zn、As、Rb、Sr、Ag、Cd、Sb、Te、Ba、La、Nd、Sm、Gd、Dy、Ho、Er、Yb、Pb和U。
本发明还提供了一种利用上述建立方法建立的大米溯源模型在大米溯源识别中的应用，设共有M样本，第p个样本，对应的期望实际输出为dp，计算网络输出为yp，网络各个输出总误差为
若记wjk数，即连接权值和阈值(θ和)，则学习规则为
式中：η为学习速度；α为惯性系数；t为学习次数；
对得到的所述期望实际输出dp和所述计算网络输出yp进行比对，从而得到相应的稻谷产地。
本发明提供了一种大米溯源模型的建立方法，利用前馈神经网络采用四层网络训练，得到大米溯源模型，将筛选得到的元素个数(ni)作为输入层节点数，将筛选元素的含量(x)输入网络。利用本发明的溯源模型进行黑龙江建三江、五常和查哈阳等地区的大米产地识别，结果平均相对误差值为17.14％，产地的整体识别准确率为100％，可见前馈神经网络利用其具有自适应性和稳定快速收敛特性，可作为大米产地的智能识别模型。
附图说明
图1为大米溯源的前馈神经网络模型；
图2为大米产地分类网络收敛曲线。
具体实施方式
本发明提供了一种大米溯源模型的建立方法，包括以下步骤：
1)收集稻谷及稻谷所在地的土壤母质样品，得检测样本；
2)测定步骤1)得到的所述检测样本中的元素含量，经方差变异贡献率分析和相关性分析，筛选出相关元素；所述元素包括Na、Mg、Al、K、Ca、Sc、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、As、Se、Rb、Sr、Y、Mo、Ru、Rh、Pd、Ag、Cd、Sn、Sb、Te、Cs、Ba、La、Ce、Pr、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Er、Tm、Yb、Lu、Hf、Ir、Pt、Au、Tl、Pb、Th和U；
3)利用步骤2)筛选出的所述相关元素建立大米溯源的前馈神经网络模型，包括输入层、隐含层和输出层，层与层之间为互连方式，每层分别有nI，nh和no节点数，第一层为输入层，所述输入层的节点数为筛选出的相关元素的个数，设网络输入向量为x，式中只是传递信号到隐含层，T为向量维度或指标个数，令为输入层第i节点的输出：
第二层为第一隐含层，令输入层到第一隐含层的连接权为隐含层激励函数为f，阈值为该层输出向量则为隐含层第j节点的输出：
第三层为第二隐含层，令输入层到第二隐含层的连接权为隐含层激励函数为f，阈值为该层输出向量则为隐含层第j节点的输出：
第四层为输出层，令第二隐含层到输出层的连接权为输出层的激励函数p，阈值为输出向量为其中则为输出层的第k节点输出：
本发明所述大米溯源模型的建立方法，首先收集稻谷及稻谷所在地的土壤母质样品，得检测样本。本发明所述稻谷的收集，优选采用代表性采样原则，更优选采用棋盘式采样法，具体包括：依照不同保护范围各个区域，依照种植范围大小设置采样点，每块地块随机设置分点5个重复，每个采集点沿植株中部割取稻穗1m2左右，每个小区收集1～2kg稻穗。本发明实施例中，所述土壤母质样本优选收集自五常、建三江管理局和查哈阳农场，各选3块试验田块，设置3次重复，随机区组设计，小区面积不少于10m2，四周设保护行，保护行品种与各对应品种相同。按照当地大田水稻的管理方式，统一农事管理，本发明对所述管理方式并没有特殊限定。本发明所述五常、建三江管理局和查哈阳农场的地理信息和水稻生长期天气条件信息如表1所示：
表1.试验地地理信息和水稻生长期天气条件信息表
得到检测样本后，本发明测定所述检测样本中的元素含量，经方差变异贡献率分析和相关性分析后，筛选出相关元素；所述元素包括Na、Mg、Al、K、Ca、Sc、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、As、Se、Rb、Sr、Y、Mo、Ru、Rh、Pd、Ag、Cd、Sn、Sb、Te、Cs、Ba、La、Ce、Pr、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Er、Tm、Yb、Lu、Hf、Ir、Pt、Au、Tl、Pb、Th和U。本发明当样本为稻谷时，在所述检测前，优选包括脱粒后粉碎后得米粉，再微波消解的过程。本发明收集样品稻谷后，优选的还包括晾晒过程，使所述样品稻谷的水分含量在14％以下。本发明对所述晾晒的晾晒场地并没有特殊要求，优选无扬尘、整洁和避光的晾晒场地。本发明对晾晒完成的样品稻谷进行脱粒，优选的还包括砻谷和碾米过程，获得二级精米。本发明对所述二级精米进行粉碎，所述粉碎为利用旋风磨粉碎，并过80～120目筛。本发明对所述筛的类型并没有特殊限定，优选为尼龙筛，所述尼龙筛的筛孔优选为100目。本发明所述微波消解的步骤优选包括：将所述米粉与微波消解液按照1g：(15～35)mL的质量体积比混合，置于微波消解仪中进行微波消解。本发明所述米粉与微波消解液的质量体积比优选为1g：(20～34)mL，更优选为1g：(25～33)mL，最优选为1g：32mL。本发明所述所述微波消解液优选为包括浓硝酸和双氧水的混合溶液，所述浓硝酸的质量浓度优选为65～80％，更优选为68～75％，最优选为70％。本发明所述双氧水的质量浓度优选为20～45％，更优选为25～38％，最优选为30％。在本发明所述微波消解液中，所述浓硝酸和双氧水的体积比优选为(2～5)：1，更优选为(2.5～4)：1，最优选为3:1。本发明所述微波消解的微波程序优选为8min内从0w增到1600w，温度升到120℃，保持2min；在5min内从温度120℃升到160℃，保持5min；在5min内再从160℃升到180℃，并在此温度下消解15min；冷却。本发明所述冷却的时间优选为15～30min，更优选为18～25min，最优选为20min。本发明在所述冷却后，优选的还包括赶酸的过程，具体包括于通风橱内将微波消解后的溶液置于精确控温电热消解器中进行赶酸，并利用超纯水(>18.2MΩ·cm)洗涤样品，定容至100.00g进行元素含量的测定。本发明对所述元素含量的测定方法并没有特殊限定，优选利用电感耦合等离子体质谱(ICP-MS)进行测定。本发明所述电感耦合等离子体质谱的工作参数优选设置为射频功率1280w，雾化室温度2℃，冷却水流量1.47L/min，载气流量1.0L/min，补偿气体流量1.0L/min。本发明在测定元素含量时，优选利用Ge、In和Bi三种元素作为内标元素，保证仪器的稳定性。当内标元素的RSD＞5％时需重新测定，且要求米粉中元素的回收率均大于90％。本发明对所述土壤母质样本中的元素含量检测方法优选与稻谷样本的检测方法相同。
本发明优选利用SPSS软件计算各样品元素间的相关系数，选定相关元素，当鉴别大米是否来源于建三江、五常或查哈阳地区时，本发明所述相关元素优选为Mg、Ca、Cr、Mn、Zn、As、Rb、Sr、Ag、Cd、Sb、Te、Ba、La、Nd、Sm、Gd、Dy、Ho、Er、Yb、Pb和U。
得到建三江、五常或查哈阳地区的相关元素后，本发明利用相关元素建立大米溯源的前馈神经网络模型，包括输入层、隐含层和输出层，层与层之间为互连方式，每层分别有nI，nh和no节点数，第一层为输入层，所述输入层的节点数为筛选出的相关元素的个数，设网络输入向量为式中T为向量维度或指标个数，只是传递信号到隐含层，令为输入层第i节点的输出：
第二层为第一隐含层，令输入层到第一隐含层的连接权为隐含层激励函数为f，阈值为该层输出向量则为隐含层第j节点的输出：
第三层为第二隐含层，令输入层到第二隐含层的连接权为隐含层激励函数为f，阈值为该层输出向量则为隐含层第j节点的输出：
第四层为输出层，令第二隐含层到输出层的连接权为输出层的激励函数p，阈值为输出向量为其中则为输出层的第k节点输出：
在本发明实施例中，对三类大米产地样本中矿物元素数据采集，由于提取了23个相关元素，即网络输入层节点数为23；研究中将类型分类的编码为100、010和001，分别表示查哈阳大米、五常大米和建三江大米，因此，输出节点数为3；根据Kolmogorov定理和大量实际训练经验，确定第一隐含层神经元节点为36个，第二隐含层神经元节点为28个；所以基于神经网络的大米产地识别分类的神经网络的拓扑结构为23-36-28-3型，具体模型如图1所示，并根据输出层的实际输出值与理论输出值(类型分类的编码，如100、010和001)进行比对，从而确定各样品稻谷的来源。
本发明还提供了一种利用上述建立方法建立的大米溯源模型在大米溯源识别中的应用，设共有M样本，第p个样本，对应的期望实际输出为dp，计算网络输出为yp，网络各个输出总误差为
若记wjk数，即连接权值和阈值(θ和)，则学习规则为
式中：η为学习速度；α为惯性系数；t为学习次数；
对得到的所述期望实际输出dp和所述计算网络输出yp进行比对，从而得到相应的稻谷产地。
下面结合实施例对本发明提供的大米溯源模型进行详细的说明，但是不能把它们理解为对本发明保护范围的限定。
实施例1
分别测定建三江、五常和查哈阳地区的大米样本和土壤母质样本中的矿质元素含量。选择建三江、五常和查哈阳地区的稻米在通风处晾晒至水分14％以下，要求晾晒场地无扬尘、整洁、避光。对稻穗进行脱粒、砻谷、碾米获得二级精米，二级精米参照GB/T 5502-2008染色法判定大米加工精度。并对精米旋风磨粉碎处理，过100目尼龙筛，得到米粉样本。
准确称取0.25g的大米粉样品，置于消化管中加入6mL浓硝酸(质量浓度70％，BV3级)和2mL双氧水(质量浓度30％，BV3级)，放入MARS微波消解仪中进行消解。微波设置程序为8min内从0w增到1600w，温度升到120℃，保持2min；在5min内从温度120℃升到了160℃，保5min；在5min内再从160℃升到180℃，并在此温度下消解15min；然后冷却20min，将微波消化管取出，于通风橱内打开塞子将微波消化管置于精确控温电热消解器中进行赶酸。超纯水(>18.2MΩ·cm)洗涤样品，定容至100.00g，采用同样方法进行空白样品和大米标准物样品消解。
ICP-MS测定各元素含量，选用Ge、In和Bi三种元素作为内标元素，设置工作参数为射频功率1280w，雾化室温度2℃，冷却水流量1.47L/min，载气流量1.0L/min，补偿气体流量1.0L/min，仪器测定样品和大米标准物中Na、Mg、Al、K、Ca、Sc、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、As、Se、Rb、Sr、Y、Mo、Ru、Rh、Pd、Ag、Cd、Sn、Sb、Te、Cs、Ba、La、Ce、Pr、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Er、Tm、Yb、Lu、Hf、Ir、Pt、Au、Tl、Pb、Th、U52种元素，要求大米标准物中元素的回收率均大于90％。
利用所述ICP-MS仪器测定多种矿物元素的含量如表1所示：
表1.不同产地矿物元素的含量
注：*元素单位为mg/kg，其余均为ug/kg。
对于不同产地试验田来源大米样品中矿物元素含量进行方差分析，结果显示，Na、K、Mn、Ni、Cu、Zn、As、Se、Rb、Sr、Mo、Cd、Sb、Te、Ba、Pr、Nd、Eu、Gd、Pb和Rh元素的含量在不同产地之间有极显著差异(P<0.01)，Ca、Al、Co、Ag、La和Ho元素在不同产地之间有显著差异(P<0.05)，K受农业施肥管理措施影响，不予分析。
通过SPSS软件一般线性模型实现的多变量分析，即主效应和交互效应的方差分析以及分析产地对各元素含量变异的影响。结果如表2所示：
表2.产地因素对元素含量变异的方差贡献率(％)
结果显示，受产地影响较大的元素有Mg、Ca、Cr、Mn、Zn、As、Rb、Sr、Ag、Cd、Sb、Ba、La、Sm、Dy、Ho、Er、Pb、U含量变异贡献率最大。产地因素对元素Na、Ca、Mn、Ni、Cu、Zn、As、Se、Rb、Sr、Mo、Cd、Sb、Te、Ba、Pr、Nd、Eu、Gd、Pb和Rh含量有极显著影响(P<0.01)，对元素Al、Co、Ag、La、Er和Ho含量有显著影响(P<0.05)。
通过以上建立不同产地研究，初步筛选到受产地影响较大的Mg、Ca、Cr、Mn、Zn、As、Rb、Sr、Ag、Cd、Sb、Ba、La、Sm、Dy、Ho、Er、Pb、U19种元素。
利用相同方法测量三个地区的母质土壤中的元素含量，测得结果见表3：
表3.不同产地母质土壤中的矿物元素含量统计分析
结果显示：19种元素在不同地区间存在差异，Cr、Ni、Cu、Zn、Se、Rb、Sr、Mo、Ba、La和Pb在不同地区母质土壤中存在显著差异(P＜0.05)，Eu、Tb、Ag、Cd、Nd、Ir、Pt和Tl在不同地区母质土壤中存在极显著差异(P＜0.01)。其中，不同的地区母质土壤有不同的元素含量差异特点。Cr、Ni、Cu、Zn、Sr、Ag、Cd元素含量在不同产地中含量高低依次为查哈阳＞五常＞建三江。Se、Rb、Ba、La、Eu、Tl和Pb元素含量高低依次为查哈阳＞建三江＞五常。五常地区母质土壤中Nd含量最高，建三江地区母质土壤中Mo、Tb、Ir、Pt含量最高。
利用SPSS相关性分析，分析大米和不同产区土壤母质的相关性，结果如表4所示：
表4.母质土壤和大米之间的相关系数
结果显示元素Mg和Nd在大米和母质土壤中呈显著正相关(P＜0.05)，Sr在大米和母质土壤中呈极显著正相关(P＜0.05)，元素Te、Gd、Yb和U在大米和母质土壤中呈极显著负相关性(P＜0.01)。
综上，结合大米受产地影响显著的19种元素和大米与母质土壤直接相关元素，最终选定Mg、Ca、Cr、Mn、Zn、As、Rb、Sr、Ag、Cd、Sb、Te、Ba、La、Nd、Sm、Gd、Dy、Ho、Er、Yb、Pb和U为相关元素。
对三类大米产地样本中矿物元素数据采集，由于提取了23个有效特征空间的维数，即网络输入层节点数为23；输出层的节点数由分类类型空间的维数决定，研究中将类型分类的编码为100、010和001，分别表示查哈阳大米、五常大米和建三江大米，因此，输出节点数为3；根据Kolmogorov定理和大量实际训练经验，确定第一隐含层神经元节点为36个，第二隐含层神经元节点为28个；所以基于神经网络的大米产地识别分类的神经网络的拓扑结构为23-36-28-3型。
实施例2
随机采集哈阳、五常和建三江地区的274份稻谷样品，利用梯度下降算法求解最优解，定义训练目标迭代精度为0.01，学习速度0.8，惯性系数0.5，最大学习次数4000000，收敛情况如图2所示：前馈神经网络迭代次数为201412次，满足精度误差为0.01。在网络学习过程中，学习算法都是使网络达到设定精度，网络收敛比较稳定，并且符合误差限制要求。
将相关元素信号随机进行归一化处理，如表5所示：
表5.归一化数据
注：编码100、010和001，分别表示查哈阳大米、五常大米和建三江大米。
利用训练好的神经网络的大米产地自动分类方法，将274组待测数据的筛选23中矿物元素归一化数据随机输入溯源模型中，具体产地识别结果如表6所示：
表6.大米产地识别结果
由上述可知，各组数据的平均相对误差值为17.14％，网络的计算输出值和期望输出值的误差较小；三种类型的整体识别准确率为100％。网络相对检测误差分散性较小，具有较好的泛化性和稳定性，是一种有效的大米产地识别方法。
综上所述，本发明提供了一种大米溯源模型，基于人工神经网络可以对决策因素同时处理，有机结合大规模数据的并行处理与串行处理，有效处理各种变化的信息，实现对任意复杂函数的映射，从而适应环境的变化因素。尤其前馈神经网络能够学习和存储大量输入-输出模式映射关系，通过提供大量的不同产地和年份的大米样本，供网络进行学习训练，将提取的样本对中的非线性映射关系存储在权值矩阵中，保证了识别精度和稳定性。建立的前馈神经网络，具有自适应分辨性和良好的容错能力，鲁棒性高且精确达100％。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。