一种基于多模态光谱的食品产地溯源方法及其相关设备与流程

本申请涉及食品检测，具体而言，涉及一种基于多模态光谱的食品产地溯源方法及其相关设备。

背景技术：

1、传统的食品产地溯源方法（如稳定同位素分析技术、代谢组学分析、轻稳定同位素结合多元素分析技术、色谱技术等）虽然能够提供相对准确的溯源信息，但是检测成本高昂、操作复杂、耗时长，不能适应市场实时、快速检测的需求；现有的基于单一光谱（如荧光光谱、拉曼光谱、红外光谱、libs光谱（laser-induced breakdown spectroscopy，激光诱导击穿光谱等））进行产地溯源的技术，由于单模态光谱无法提供足够的信息来区分不同产地的食品，存在识别率较低的问题。

技术实现思路

1、本申请的目的在于提供一种基于多模态光谱的食品产地溯源方法及其相关设备，能够提高溯源结果的准确性和可靠性。

2、第一方面，本申请提供了一种基于多模态光谱的食品产地溯源方法，用于对按预设工艺制备的食品样品进行产地溯源，包括步骤：

3、a1.获取所述食品样品的多种模态的单模态光谱数据；

4、a2.对各所述单模态光谱数据进行归一化处理；

5、a3.根据归一化处理后的各所述单模态光谱数据的各个维度的解释率，对归一化处理后的各所述单模态光谱数据进行降维处理，得到对应的降维光谱数据；

6、a4.把所有所述降维光谱数据进行拼接融合，得到融合光谱数据；

7、a5.把所述融合光谱数据输入预先训练好的识别模型，得到所述识别模型输出的产地识别结果。

8、把多种模态的光谱数据融合后进行产地识别，相对于单模态光谱数据，融合光谱数据具有更全面、更丰富的信息，可以提高溯源结果的准确性和可靠性；此外，在对多种模态的光谱数据进行拼接融合前，先对各单模态光谱数据进行降维处理，可以降低计算量，提高识别效率。

9、优选地，所述预设工艺包括：

10、b1.使用粉碎机对待检测食品进行研磨，得到食品粉末；

11、b2.称取预设重量的所述食品粉末，压制为表面平整且厚度均匀的片状，得到所述食品样品。

12、通过上述工艺对待检测食品进行处理，可以保证食品样品的均匀性和稳定性，提高光谱采集和分析的准确性和可靠性。

13、优选地，步骤b1包括：把待检测食品放入粉碎机后，先研磨30s，接着冷却1min，再研磨30s，然后冷却2min，再次研磨30s得到食品粉末，最后将所述食品粉末过网筛。

14、优选地，步骤a1中获取的多种模态的所述单模态光谱数据包括荧光光谱数据、拉曼光谱数据、红外光谱数据、libs光谱数据中的至少两种。

15、优选地，步骤a3包括：

16、计算各所述单模态光谱数据的各个维度的解释率；

17、根据所述解释率对各所述单模态光谱数据的各个维度进行筛选，以筛除部分维度，实现降维处理。

18、优选地，步骤a4包括：

19、按预设排序把各所述降维光谱数据依次进行首尾拼接，得到融合光谱数据。

20、优选地，所述识别模型为lightgbm分类模型。

21、第二方面，本申请提供了一种基于多模态光谱的食品产地溯源装置，用于对按预设工艺制备的食品样品进行产地溯源，包括：

22、第一获取模块，用于获取所述食品样品的多种模态的单模态光谱数据；

23、归一化模块，用于对各所述单模态光谱数据进行归一化处理；

24、降维模块，用于对归一化处理后的各所述单模态光谱数据进行降维处理，得到对应的降维光谱数据；

25、拼接模块，用于把所有所述降维光谱数据进行拼接融合，得到融合光谱数据；

26、识别模块，用于把所述融合光谱数据输入预先训练好的识别模型，得到所述识别模型输出的产地识别结果。

27、第三方面，本申请提供了一种电子设备，包括处理器和存储器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时，运行如前文所述基于多模态光谱的食品产地溯源方法中的步骤。

28、第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如前文所述基于多模态光谱的食品产地溯源方法中的步骤。

29、有益效果：本申请提供的基于多模态光谱的食品产地溯源方法及其相关设备，把多种模态的光谱数据融合后进行产地识别，相对于单模态光谱数据，融合光谱数据具有更全面、更丰富的信息，可以提高溯源结果的准确性和可靠性；此外，在对多种模态的光谱数据进行拼接融合前，先对各单模态光谱数据进行降维处理，可以降低计算量，提高识别效率。

技术特征：

1.一种基于多模态光谱的食品产地溯源方法，其特征在于，用于对按预设工艺制备的食品样品进行产地溯源，包括步骤：

2.根据权利要求1所述的基于多模态光谱的食品产地溯源方法，其特征在于，所述预设工艺包括：

3.根据权利要求2所述的基于多模态光谱的食品产地溯源方法，其特征在于，步骤b1包括：把待检测食品放入粉碎机后，先研磨30s，接着冷却1min，再研磨30s，然后冷却2min，再次研磨30s得到食品粉末，最后将所述食品粉末过网筛。

4.根据权利要求1所述的基于多模态光谱的食品产地溯源方法，其特征在于，步骤a1中获取的多种模态的所述单模态光谱数据包括荧光光谱数据、拉曼光谱数据、红外光谱数据、libs光谱数据中的至少两种。

5.根据权利要求1所述的基于多模态光谱的食品产地溯源方法，其特征在于，步骤a3包括：

6.根据权利要求1所述的基于多模态光谱的食品产地溯源方法，其特征在于，步骤a4包括：

7.根据权利要求1所述的基于多模态光谱的食品产地溯源方法，其特征在于，所述识别模型为lightgbm分类模型。

8.一种基于多模态光谱的食品产地溯源装置，其特征在于，用于对按预设工艺制备的食品样品进行产地溯源，包括：

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时，运行如权利要求1-7任一项所述基于多模态光谱的食品产地溯源方法中的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-7任一项所述基于多模态光谱的食品产地溯源方法中的步骤。

技术总结
本申请属于食品检测技术领域，公开了一种基于多模态光谱的食品产地溯源方法及其相关设备，所述方法包括：获取食品样品的多种模态的单模态光谱数据；对各单模态光谱数据进行归一化处理；根据归一化处理后的各单模态光谱数据的各个维度的解释率，对归一化处理后的各单模态光谱数据进行降维处理，得到对应的降维光谱数据对归一化处理后的各单模态光谱数据计算各个维度的解释率，筛选具有高解释率的维度，进行降维处理，得到对应的降维光谱数据；把所有降维光谱数据进行拼接融合，得到融合光谱数据；把融合光谱数据输入预先训练好的识别模型，得到识别模型输出的产地识别结果；从而能够提高溯源结果的准确性和可靠性。

技术研发人员：石壮威,吴敏萍,毕海,王晨卉
受保护的技术使用者：季华实验室
技术研发日：
技术公布日：2024/3/24