一种主成分分析和多类判别联用鉴别易混毛皮的方法与流程

本发明属于毛皮产品质量检验技术领域，具体涉及一种鉴别易混毛皮的方法。

背景技术：

我国拥有14目、52科、510种兽类，其中有90多种属于毛皮动物，是世界主要的野生毛皮生产国和出口国。近年来，毛皮材质纠纷和产品材质标识问题日益突出，如何方便、准确地鉴定毛皮种类一直是质检部门及广大消费者关注的焦点。

但是目前毛皮材质鉴定没有标准可依，从世界各国的文献来看，对动物毛皮的种类鉴别多采用传统的感官检验方法，测试人员通过视觉、触觉等检查产品的特性，通过感官分析来识别其种类。该方法需要检验人员对各种毛皮的特征性进行深入了解，并具有丰富的实践经验。但是就算如此，在对易混毛皮进行材质鉴别时也极易出错(例如马毛皮和牛毛皮)。因此，探索出一种科学、准确、高效的毛皮材质鉴定方法已成为当务之急。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种的科学、准确、高效的易混毛皮材质鉴定方法。

为了达到上述目的，本发明的一种主成分分析和多类判别联用鉴别易混毛皮的方法，包括如下具体步骤：

(一)建立模型库

1、样品预处理：取满足测试需求尺寸的毛皮样品，采用有机溶剂进行清洗干净，干燥备用。当然在工作频率为35khz、工作温度为60℃、工作时间为60min条件下超声清洗2次，取出真空干燥备用的样品更佳，在其它条件下进行也是可以的，如改变工作频率，工作温度，工作时间等。

2、试样红外光谱采集和后处理：采用带有atr附件的红外光谱仪进行采集，红外仪器预热稳定，将毛皮样品待测面放在atr附件上，在400-4000cm^-1范围内进行扫描采集，一张毛皮采集一组红外谱图数据，保存谱图；采用点平滑及基线校正对光谱谱图进行预处理，另存为csv格式数据；

3、进行主成分分析：选取二种或二种以上易混毛皮在区别度最高的波段范围内的红外谱图各多组；然后把采集到的数据采用spss软件进行主成分分析，建立主成分分析模型，计算主成分特征根(λ)≥1的主成分得分的数据备用；

4、多类判别分析模型建立：以上述步骤3中易混毛皮的主成分得分的数据为自变量，用spss软件进行判别分析，分别得出易混毛皮的典型判别函数y(x)及毛皮分类函数，将其中一种毛皮标记为1，另一种毛皮标记为2，以此类推进行标记，毛皮分类函数为y1(x)、y2(x)…yn(x)；毛皮的种类和分类函数的数量是一一对应的；

5、模型验证：将建立模型的二种或二种以上毛皮样本的主成分得分的数据代入典型判别函数y(x)中，计算回代正确率，回代正确率≥95％，所建模型适合；否则，增加样本数量，按照步骤1-4重新建立模型直至满足要求；将建立模型的几种毛皮样本主成分得分分别代入毛皮分类函数y1(x)和y2(x)…yn(x)，两两绘制毛皮分类函数聚类图,以一种分类函数为横坐标，另一种分类函数为纵坐标，绘制这几种毛皮分类函数聚类图，查看聚类效果，两种毛皮样本各自分布在不同象限，说明聚类效果良好，聚类图是对所建模型的直观佐证；

(二)易混毛皮鉴别

6、将待测样品按照(一)中1-2步骤进行操作；

7、将待测样品的红外谱图数据与建立模型的毛皮样本红外谱图数据一起按照(一)中步骤3进行操作，得出待测样品主成分特征根(λ)≥1的主成分得分；

8、将步骤7中得出的主成分得分代入(一)中步骤4所建立的典型判别函数y(x)中，通过y(x)值判定待测样品的类别；同时，将步骤7中得出的主成分得分代入步骤4所建立的毛皮分类函数中，并两两绘制毛皮分类函数聚类图,以一种分类函数为横坐标，另一种分类函数为纵坐标，这时的横坐标和纵坐标与(一)中步骤5中的横坐标和纵坐标相同，最好查看待测样品是否落入步骤5所绘的聚类模型中，与典型判别函数y(x)所得结果相互佐证，落入相应的聚类模型中就为对应的毛皮项，从而正确判定毛皮属哪种毛皮。

上述方法可以对常见易混毛皮如马毛皮与牛毛皮，水貂毛皮和黄狼毛皮等进行材质鉴定。

由于动物毛皮的主要成分都是蛋白质，差异性甚小，不同物种的毛样红外光谱的相似度高，很难区分。常见易混毛皮，比如马毛皮与牛毛皮，水貂毛皮和黄狼毛皮等的红外谱图十分相似，不对光谱图进行处理分析，很难直接进行两者的材质鉴定。本发明基于红外光谱图将主成分分析与多类判别进行联合应用于易混毛皮的材质鉴定中，成功建立了易混毛皮材质鉴别模型，所建模型能有效地从大量光谱信息中提取有用的信息，降低了数据维数，简化了运算；同时，得出了易混毛皮的典型判别函数及毛皮分类函数，对易混毛皮进行有效区分。

附图说明

图1为实施例1中牛毛皮和马毛皮毛面判别函数回代验证结果图。

图2为实施例1中牛毛皮和马毛皮毛面分类函数回代聚类图。

图3为实施例1中未参与建立模型的20组验证样品毛面分类函数聚类图。

图4为实施例2中牛毛皮和马毛皮肉面判别函数回代验证结果图。

图5为实施例2中牛毛皮和马毛皮肉面分类函数回代聚类图。

图6为实施例2中未参与建立模型的20组验证样品肉面分类函数聚类图。

具体实施方式

实施例1：基于牛毛皮和马毛皮毛面红外图谱的模型库建立

1、样品预处理：取50mm*100mm牛毛皮样品和马毛皮样品，采用正己烷作为有机溶剂，在工作频率为35khz、工作温度为60℃、工作时间为60min条件下超声清洗2次，扫描电镜检查试样清洁度合格，真空干燥备用。

2、试样红外光谱采集和后处理：采用带有atr附件的红外光谱仪进行采集。仪器预热稳定，将毛皮样品毛面放在atr附件的锗晶体上，旋转固定钮压紧样品,在400-4000cm^-1范围内扫描样品32次，分辨率为4cm^-1，保存谱图；采用点平滑及基线校正等预处理方法对光谱谱图进行预处理，另存为csv格式数据。

3、进行主成分分析：选取120组波段为800-2100cm^-1的毛面红外谱图(牛毛皮60组，马毛皮60组)，采用spss22进行主成分分析，建立主成分分析模型，计算各主成分得分，其主成分特征根、方差贡献率、累计方差贡献率如表1所示：

表1毛面主成分及其累积贡献率表

4、多类判别分析模型建立：选取其中100组毛面红外谱图数据建立模型(牛毛皮50组、马毛皮50组)：以100组红外谱图数据主成分得分为自变量，采用spss22进行判别分析，得出牛毛皮与马毛皮的典型判别函数y(x)及牛毛皮分类函数y1(x)、马毛皮分类函数y2(x)分别如式1，式2和式3所示：

y(x)＝0.0421x1-0.0876x2+0.0116x3+0.1275x4+0.0562x5-0.3662x6+0.0095x7+0.1282x8+0.6341x9+0.0393(式1)

y1(x)＝-0.1175x1+0.2375x2-0.0176x3-0.3558x4-0.1614x5+1.0237x6-0.0903x7-0.2210x8-1.8264x9-4.5457(式2)

y2(x)＝0.1125x1-0.2405x2+0.0455x3+0.3403x4+0.1456x5-0.9756x6-0.0384x7+0.4790x8+1.6351x9-4.3311(式3)

5、模型验证：将100组已知数据回代入典型判别函数y(x)，验证典型判别函数的正确率为100％，其结果如图1所示；将100组已知数据分别回代入牛毛皮分类函数y1(x)及马毛皮分类函数y2(x)，以y1(x)为横坐标，y2(x)为纵坐标，绘制牛毛皮和马毛皮分类函数聚类图，聚类效果良好，其结果如图2所示。对未参与建立模型的20个毛面样本(其中1-10为牛毛皮毛面，11-20组为马毛皮毛面)进行预测验证，将20组数据的主因子得分代入典型判别函数y(x)中，得判别毛面函数y(x)值如表2所示，验证正确率100％：

表2牛毛皮和马毛皮毛面判别函数未知样验证结果

将20个毛面样本代入牛毛皮分类函数y1(x)和马毛皮分类函数y2(x)中绘制的验证样品分类函数聚类效果图如图3所示，聚类效果良好。

实施例2：基于牛毛皮和马毛皮肉面红外图谱的模型库建立

1、样品预处理：取50mm*100mm牛毛皮样品和马毛皮样品，采用正己烷作为有机溶剂，在工作频率为35khz、工作温度为60℃、工作时间为60min条件下超声清洗2次，扫描电镜检查试样清洁度合格，真空干燥备用。

2、试样红外光谱采集和后处理：采用带有atr附件的红外光谱仪进行采集。仪器预热稳定，将毛皮样品毛面放在atr附件的锗晶体上，旋转固定钮压紧样品,在400-4000cm^-1范围内扫描样品32次，分辨率为4cm^-1，保存谱图；采用点平滑及基线校正等预处理方法对光谱谱图进行预处理，另存为csv格式数据。

3、进行主成分分析：选取120组波段为800-2100cm^-1的肉面红外谱图(牛毛皮60组，马毛皮60组)，采用spss22进行主成分分析，建立主成分分析模型，计算各主成分得分，其主成分特征根、方差贡献率、累计方差贡献率如表3所示：

表3肉面主成分及其累积贡献率表

4、多类判别分析模型建立：选取其中100组肉面红外谱图数据建立模型(牛毛皮50组、马毛皮50组)：以100组红外谱图数据主成分得分为自变量，采用spss22进行判别分析，得出牛毛皮与马毛皮的典型判别函数y(x)及牛毛皮分类函数y1(x)、马毛皮分类函数y2(x)分别如式4，式5和式6所示：

y(x)＝0.0139x1-0.0201x2+0.0351x3-0.3214x4-0.0014x5+0.5013x6+0.1733x7-0.0799x8-0.0778x9+0.2150x10-0.4889x11+0.0083x12+0.0566(式4)

y1(x)＝0.0368x1-0.0515x2+0.1002x3-0.8482x4-0.0058x5+1.3247x6+0.4299x7-0.2170x8-0.2099x9+0.6041x10-1.3255x11+0.1272x12-4.2053(式5)

y2(x)＝-0.0381x1+0.0572x2-0.0893x3+0.8888x4+0.0017x5-1.3846x6-0.5064x7+0.2149x8+0.2108x9-0.5578x10+1.3166x11+0.0824x12-4.5114(式6)

5、模型验证：将100组已知数据回代入典型判别函数y(x)，验证典型判别函数的正确率为100％，其结果如图4所示；将100组已知数据分别回代入牛毛皮分类函数y1(x)及马毛皮分类函数y2(x)，以y1(x)为横坐标，y2(x)为纵坐标，绘制牛毛皮和马毛皮分类函数聚类图，聚类效果良好，其结果如图5所示。对未参与建立模型的20个肉面样本(其中1-10为牛毛皮肉面，11-20组为马毛皮肉面)进行预测验证，将20组数据的主因子得分代入典型判别函数y(x)中，得判别肉面函数y(x)值如表4所示，验证正确率100％：

表4牛毛皮和马毛皮肉面判别函数未知样验证结果

将20个肉面样本代入牛毛皮分类函数y1(x)和马毛皮分类函数y2(x)中绘制的验证样品分类函数聚类效果图如图6所示，聚类效果良好。