结合LIBS定标的多光谱农产品重金属含量检测建模系统

结合libs定标的多光谱农产品重金属含量检测建模系统
技术领域
1.本发明涉及农作物检测技术领域，特别涉及一种结合libs定标的多光谱农产品重金属含量检测建模系统及方法。


背景技术：

2.农作物重金属超标严重影响人们的生活，是社会普遍关注的焦点问题。目前针对农作物中重金属含量的检测主要是化学分析方法，处理步骤繁琐、耗时、成本高。基于libs的激光诱导方法虽然精度高，速度快，但仪器成本过高，无法在应用中普及。


技术实现要素：

3.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
4.为此，本发明的一个目的在于提出一种结合libs定标的多光谱农产品重金属含量检测建模系统，该系统可实现基于多光谱技术的农作物中重金属含量检测模型的自动优化和构建，为实现光谱技术在农产品重金属的快速检测提供一种新方法，能够针对不同农产品中的重金属类别及含量，优选出最佳多光谱波段。
5.本发明的另一个目的在于提出一种结合libs定标的多光谱农产品重金属含量检测建模方法，实现基于光谱技术的农产品重金属含量的快速检测。
6.为达到上述目的，本发明一方面实施例提出了一种结合libs定标的多光谱农产品重金属含量检测建模系统，包括：
7.定量libs激光模块，用于发出激光照射待测样品并分析获得待测样品重金属品种及含量；
8.多光谱光源模块，用于产生可见至近红外波段光源照射所述待测样品；
9.ccd检测模块，用于接收所述待测样品反射的多光谱光源并成像；
10.光谱分析与处理模块，用于采集和处理所述待测样品激发出的光谱图像，提取相应的光谱特征；
11.模型构建模块，用于基于所述光谱图像特征和重金属标定值，采用机器学习算法构建所述待测样品重金属含量检测模型。
12.为达到上述目的，本发明另一方面实施例提出了一种结合libs定标的多光谱农产品重金属含量检测建模方法，包括：
13.发出激光照射待测样品并分析获得待测样品重金属品种及含量；
14.产生可见至近红外波段光源并照射所述待测样品；
15.接收所述待测样品反射的多光谱光源并成像；
16.采集和处理所述待测样品激发出的光谱图像，提取相应的光谱特征；
17.将采集的多光谱图片及光谱特征送到服务器训练，生成模型；定时更新数据集，生成新的优化模型，优化参数，获取最佳模型；
18.基于所述光谱图像特征和重金属标定值，采用机器学习算法构建所述待测样品重
金属含量检测模型。
19.本发明实施例的结合libs定标的多光谱农产品重金属含量检测建模系统及方法，通过发出激光照射待测样品并分析获得待测样品重金属品种及含量；产生可见至近红外波段光源并照射待测样品；接收待测样品反射的多光谱光源并成像；采集和处理待测样品激发出的光谱图像，提取相应的光谱特征；基于所述光谱图像特征和重金属标定值，采用机器学习算法构建所述待测样品重金属含量检测模型。利用libs快速检测农产品重金属的优势，为多光谱检测农产品重金属含量提供标定值，基于深度学习算法自动构建不同重金属含量的检测模型，解决了libs检测费用高，多光谱检测建模时无法获得海量样本标定值的问题。
20.本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
21.本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
22.图1为根据本发明一个实施例的结合libs定标的多光谱农产品重金属含量检测建模系统结构示意图；
23.图2为根据本发明一个具体实施例的结合libs定标的多光谱农产品重金属含量预测建模系统示意图；
24.图3为根据本发明一个实施例的光谱处理模块结构示意图；
25.图4为根据本发明一个实施例的libs测量样品操作流程图；
26.图5为根据本发明一个实施例的libs等离子光谱示意图；
27.图6为根据本发明一个实施例的多光谱测量样品操作流程图；
28.图7为根据本发明一个实施例的结合libs定标的多光谱农产品重金属含量检测建模方法流程示意图。
具体实施方式
29.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
30.下面参照附图描述根据本发明实施例提出的结合libs定标的多光谱农产品重金属含量检测建模系统及方法。
31.首先将参照附图描述根据本发明实施例提出的结合libs定标的多光谱农产品重金属含量检测建模系统。
32.图1为根据本发明一个实施例的结合libs定标的多光谱农产品重金属含量检测建模系统结构示意图。
33.如图1所示，该结合libs定标的多光谱农产品重金属含量检测建模系统包括：定量libs激光模块100、多光谱光源模块200和、ccd检测模块300、光谱分析与处理模块400和模型构建模块500。
34.定量libs激光模块100，用于发出激光照射待测样品并分析获得待测样品重金属品种及含量。
35.多光谱光源模块200，用于产生可见至近红外波段光源照射待测样品。
36.ccd检测模块300，用于接收待测样品反射的多光谱光源并成像。
37.光谱分析与处理模块400，用于采集和处理待测样品激发出的光谱图像，提取相应的光谱特征。
38.模型构建模块500，用于基于光谱图像特征和重金属标定值，采用机器学习算法构建待测样品重金属含量检测模型。
39.在本发明的实施例中，以大米为例进行说明。
40.libs(laser
‑
induced breakdown spectroscopy，激光诱导击穿光谱学)基本工作原理是利用激光照射在大米上，使得大米表面烧蚀形成等离子体，等离子体原子化并激发样品，从而发光，发射光通过空气传输进入光谱仪，发射光与衍射光栅相互作用，将发射光分成多种分量波长/颜色，然后传输到可见光探测器并产生光谱数据，cpu分析光谱数据，并提供详细的成份分析和测定到每种重金属元素的浓度，成份数据存储进计算机，并发送给模型构建模块，libs结构图如图2所示。
41.多光谱成像光谱仪的基本工作原理是将入射全波段或者宽波段的光信号分成若干窄波段的光束，之后它们将分别在对应的探测器检测，cpu处理数据，故获得不同光谱波段的图像。
42.如图3所示，光谱分析与处理模块包括扫描镜、成像光学元件、分光元件、可见光探测器、近红外探测器、中波红外探测器、可见光和近红外信号处理器、红外信号处理器、控制器、图像信号处理器以及图像存储器。
43.待测样品激发出的光经过扫描镜、成像光学元件、分光元件后，在可见光探测器、近红外探测器和中波红外探测器上被采集，通过可见光和近红外信号处理器及红外信号处理器对采集信号进行处理得到光谱图像。
44.具体地，光谱分析与处理模块可以为ingaas相机。
45.如图2所示，在本发明的实施例中还包括：聚焦透镜，用于将激光聚焦到待测样品。
46.进一步地，成像光学元件使用的是离轴3镜反射光学元件，它可在宽的视场内提供一个光谱范围宽、分辨率高的无遮挡视场。3镜式像散透镜由2个非球面镜和1个球面镜组成，成为一个具有远心焦平面的结构。
47.分光元件滤光片，可以过滤自己不想要的电磁波，只通过自己希望的电磁波。
48.可见光探测器是指对可见光辐射敏感、能将可见光辐射能转换为与之有一定关系的量值(一般为电量和化学量)的传感器，检测波长范围为390nm至780nm的电磁波。
49.近红外探测器检测波长范围为780至2526nm的电磁波。
50.定量libs激光模块由双脉冲激光、激光发射镜头和激光接收镜头，发射激光打击大米的目的是使大米表面产生金属等离子体，产生等离子光谱，通过等离子光谱读取波长和重金属等离子体的含量信息。
51.多光谱光源波长包括375nm、405nm、435nm、450nm、470nm、505nm、525nm、570nm、590nm、630nm、645nm、660nm、700nm、780nm、850nm、870nm、890nm、940nm、970nm，可以通过19个高功率led光源组成。
52.作为一个具体的实施例，从超市买来合格的大米，经过细心选择，选择1000组，每组1粒圆满的大米放入培养皿中，等待测量。
53.首先用libs标定，通过激光诱导，获取大米的重金属含量。
54.打开所有设备和avasoft8软件，调整参数，在电脑端设置取两次激光数据平均值；发射两次激光，获取数据，自动处理两次激光所获数据，存储平均值；libs测量样品初始化操作流程图如图4，等离子光谱图如图5所示，通过不同重金属特有的等离子谱，得到重金属的类别及含量。延时5秒钟后多光谱仪工作；打开多光谱光源，获取样品的多光谱图像，进行图像处理，分割样品目标，提取出样品光谱信息。多光谱仪器的初始化操作流程图如图6所示。
55.根据本发明实施例提出的结合libs定标的多光谱大米重金属含量预测建模系统，通过发出激光照射待测样品并分析获得待测样品重金属品种及含量；产生可见至近红外波段光源并照射待测样品；接收待测样品反射的多光谱光源并成像；采集和处理待测样品激发出的光谱图像，提取相应的光谱特征；基于光谱图像特征和重金属标定值，采用机器学习算法构建待测样品重金属含量检测模型。该系统利用libs快速检测农产品重金属的优势，为多光谱检测农产品重金属含量提供标定值，基于深度学习算法自动构建不同重金属含量的检测模型，解决了libs检测费用高，多光谱检测建模时无法获得海量样本标定值的问题。
56.其次参照附图描述根据本发明实施例提出的结合libs定标的多光谱大米重金属含量预测建模方法。
57.图7为根据本发明一个实施例的结合libs定标的多光谱大米重金属含量预测建模方法流程图。
58.如图7所示，该结合libs定标的多光谱大米重金属含量预测建模方法包括以下步骤：
59.s1，发出激光照射待测样品并分析获得待测样品重金属品种及含量。
60.s2，产生可见至近红外波段光源并照射待测样品。
61.s3，接收待测样品反射的多光谱光源并成像。
62.s4，采集和处理待测样品激发出的光谱图像，提取相应的光谱特征。
63.s5，将采集的多光谱图片及光谱特征送到服务器训练，生成模型；定时更新数据集，生成新的优化模型，优化参数，获取最佳模型。
64.s6，基于光谱图像特征和重金属标定值，采用机器学习算法构建待测样品重金属含量检测模型。
65.需要说明的是，前述对系统实施例的解释说明也适用于该实施例的方法，此处不再赘述。
66.根据本发明实施例提出的结合libs定标的多光谱大米重金属含量预测建模方法，通过发出激光照射待测样品并分析获得待测样品重金属品种及含量；产生可见至近红外波段光源并照射待测样品；接收待测样品反射的多光谱光源并成像；采集和处理待测样品激发出的光谱图像，提取相应的光谱特征；基于光谱图像特征和重金属标定值，采用机器学习算法构建待测样品重金属含量检测模型。利用libs快速检测农产品重金属的优势，为多光谱检测农产品重金属含量提供标定值，基于深度学习算法自动构建不同重金属含量的检测模型，解决了libs检测费用高，多光谱检测建模时无法获得海量样本标定值的问题。
67.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
68.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
69.尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。