CN106841070A - 一种白酒真伪鉴定方法及装置 - Google Patents
一种白酒真伪鉴定方法及装置 Download PDFInfo
- Publication number
- CN106841070A CN106841070A CN201710139047.XA CN201710139047A CN106841070A CN 106841070 A CN106841070 A CN 106841070A CN 201710139047 A CN201710139047 A CN 201710139047A CN 106841070 A CN106841070 A CN 106841070A
- Authority
- CN
- China
- Prior art keywords
- matrix
- measured
- absorption spectrum
- sample
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供一种白酒真伪鉴定方法及装置。所述方法包括:获取待测白酒在预设波段的吸收光谱,并获取由真酒样本构成的统计特征正交矩阵;将吸收光谱构成的吸收光谱矩阵投影在统计特征正交矩阵上,获得投影结果,并根据投影结果进行第一次筛选;若判断获知待测白酒通过第一次筛选,则计算吸收光谱对应的待测形状特征,并获取与待测形状特征相对应的真酒样本的样本形状特征;根据待测形状特征构成的第一矩阵和样本形状特征构成的第二矩阵,计算第一矩阵和第二矩阵的差异并获得计算结果,根据计算结果进行第二次筛选。所述装置用于执行所述方法。本发明实施例通过两次筛选提高了对待测白酒真伪鉴定的准确性和稳定性。
Description
技术领域
本发明实施例涉及高光谱技术领域,尤其涉及一种白酒真伪鉴定方法及装置。
背景技术
茅台酒独产于中国的贵州省遵义市仁怀市茅台镇,是世界三大名酒之一,蝉联国家历届名酒,受到广大群众的喜爱。然而,茅台酒的供不应求也使其假酒泛滥,严重的损害了消费者的利益和健康。因此,茅台酒打假成为茅台集团公司的重要业务之一。
茅台酒和普通酒的差别也在于香味成分含量和比例的不同。白酒中的芳香成分均属于有机物,光谱信号能够反映出分子含氢基团的合频吸收与倍频吸收,携带有机物的大量信息。因此,现有技术中,通过光谱分析技术能够无损,快速鉴定白酒真伪及品质。利用光谱特征对茅台酒进行真伪鉴定主要通过分析茅台酒独有的光谱特征从而区分真酒与假酒。现有方法首先对白酒样品进行光谱测量,对获取的白酒光谱进行统计建模(如:偏最小二乘法)或“指纹特征”提取(吸收谷或反射峰波长),从而达到区分茅台真酒和假酒的目的。
然而,受测量条件等因素的影响,在不同环境下对同一白酒进行光谱测量,其测量结果将略有差异。因而,现有技术中的模型参数和波峰波谷位置将导致对待测白酒真伪鉴定的稳定性和精度低的问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种白酒真伪鉴定方法及装置。
一方面,本发明实施例提供一种白酒真伪鉴定方法,包括:
获取待测白酒在预设波段的吸收光谱,并获取由真酒样本构成的统计特征正交矩阵;
将所述吸收光谱构成的吸收光谱矩阵投影在所述统计正交矩阵上,获得投影结果,并根据投影结果进行第一次筛选;
若判断获知所述待测白酒通过所述第一次筛选,则计算所述吸收光谱对应的待测形状特征,并获取与所述待测形状特征相对应的所述真酒样本的样本形状特征,其中所述待测形状特征包括以下参数中的至少一项:
第一斜率、第一吸收深度和第一吸收高度;相应地,
所述样本形状特征包括以下参数中的至少一项:
第二斜率、第二吸收深度和第二吸收高度;
根据所述待测形状特征构成的第一矩阵和所述样本形状特征构成的第二矩阵,计算所述第一矩阵和所述第二矩阵的差异并获得计算结果,根据所述计算结果进行第二次筛选。
本发明实施例提供一种白酒真伪鉴定装置,包括:第一获取模块,用于获取待测白酒在预设波段的吸收光谱,并获取由真酒样本构成的统计特征正交矩阵;
第一筛选模块,用于将所述吸收光谱构成的吸收光谱矩阵投影在所述统计正交矩阵上,获得投影结果,并根据投影结果进行第一次筛选;
第二获取模块,用于若判断获知所述待测白酒通过所述第一次筛选,则计算所述吸收光谱对应的待测形状特征,并获取所述真酒样本对应的样本形状特征,其中所述待测形状特征包括以下参数中的至少一项:
第一斜率、第一吸收深度和第一吸收高度;相应地,
所述样本形状特征包括以下参数中的至少一项:
第二斜率、第二吸收深度和第二吸收高度;
第二筛选模块,用于根据所述待测形状特征构成的第一矩阵和所述样本形状特征构成的第二矩阵,计算所述第一矩阵和所述第二矩阵的差异并获得计算结果,根据所述计算结果进行第二次筛选。
本发明实施例提供的一种白酒真伪鉴定方法及装置,通过将待测白酒的吸收光谱矩阵投影在统计正交矩阵上获得投影结果,并根据投影结果进行第一次筛选,以及通过计算待测形状特征构成的第一矩阵和样本形状特征构成的第二矩阵之间的差异,来进行第二次筛选,提高了鉴定的稳定性和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种白酒真伪鉴定方法流程示意图;
图2为本发明实施例提供的一种白酒真伪鉴定方法整体流程示意图;
图3为本发明实施例提供的一种白酒真伪鉴定装置结构示意图;
图4为本发明实施例提供的一种白酒真伪鉴定装置实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种白酒真伪鉴定方法流程示意图,如图1所示,所述方法,包括:
步骤101:获取待测白酒在预设波段的吸收光谱,并获取由真酒样本构成的统计特征正交矩阵;
具体地,以对茅台酒的鉴定为例,茅台酒对可见近红外光、绿光和红光比较敏感。将待测白酒导入比色皿中,利用海洋光学吸光度测试仪器,测试待测白酒的吸光度,并获取待测白酒在预设波段的吸收光谱,可以获取波长为340nm-1025nm之间2048个波段。并获取10个茅台的真酒样本,将这10个真酒样本作为训练样本,用上述同样的方法,获取这10个真酒样本对应的样本吸收光谱,根据这10个样本吸收光谱构成了统计特征正交矩阵。
步骤102:将所述吸收光谱构成的吸收光谱矩阵投影在所述统计正交矩阵上,获得投影结果,并根据投影结果进行第一次筛选;
具体地,将获取到的待测白酒的吸收光谱转换成吸收光谱矩阵,并将吸收光谱矩阵与获取到的统计特征正交矩阵进行投影,获得投影结果,设定第一预设阈值,使投影结果与第一预设阈值进行比较,从而获得第一次筛选结果。
步骤103:若判断获知所述待测白酒通过所述第一次筛选,则计算所述吸收光谱对应的待测形状特征,并获取与所述待测形状特征相对应的所述真酒样本的样本形状特征,其中所述待测形状特征包括以下参数中的至少一项:
第一斜率、第一吸收深度和第一吸收高度;相应地,
所述样本形状特征包括以下参数中的至少一项:
第二斜率、第二吸收深度和第二吸收高度;
具体地,如果待测白酒没有通过第一次筛选,则说明待测白酒为伪劣白酒,相反的,如果待测白酒通过了第一次筛选,则计算待测白酒对应的吸收光谱对应的待测形状特征,其中待测形状特征包括第一斜率、第一吸收深度和第一吸收高度这三个参数中的至少一个,本发明实施例选择第一斜率和第一吸收深度为例,相应地,获取真酒样本的样本形状特征,且样本形状特征包括第二斜率和第二吸收深度。
步骤104:根据所述待测形状特征构成的第一矩阵和所述样本形状特征构成的第二矩阵,计算所述第一矩阵和所述第二矩阵的差异并获得计算结果,根据所述计算结果进行第二次筛选。
具体地,根据计算好的待测形状特征构成第一矩阵,例如:第一矩阵=[第一斜率,第一吸收深度],由于有10个茅台的真酒样本,因此,获取到的每个真酒样本的样本形状特征,即10个第二斜率和10个第二吸收深度,分别计算10个第二斜率的平均第二斜率和10个第二吸收深度的平均第二吸收深度,根据平均第二斜率和平均第二吸收深度构成第二矩阵,第二矩阵=[平均第二斜率,平均第二吸收深度],计算第一矩阵和第二矩阵之间的差异,即计算第一矩阵减第二矩阵之后的范数,得到的计算结果就是第一矩阵和第二矩阵之间的差异,设定第二预设阈值,根据计算结果和第二预设阈值进行第二次筛选,得出筛选结果。
本发明实施例通过将待测白酒的吸收光谱矩阵投影在统计正交矩阵上获得投影结果,并根据投影结果进行第一次筛选,以及通过计算待测形状特征构成的第一矩阵和样本形状特征构成的第二矩阵之间的差异,来进行第二次筛选,避免了测量环境因素的影响,提高了鉴定的稳定性和准确性。
在上述实施例的基础上,所述方法还包括:
对所述吸收光谱进行去噪和波段选择处理。
具体地,在获取到的待测白酒对应的吸收光谱中,吸收光谱对应的波段的前若干波段和后若干波段的信噪比较小,为避免噪声波段对分析结果造成影响,需要将前若干波段和后若干波段去除,其中前若干波段和后若干波段的大小可以根据实际情况进行调整,本发明实施例对此不作具体限定。同时,还可以构造滤波矩阵,对吸收光谱进行滤波处理。
本发明实施例通过对吸收光谱进行去噪和波段选择处理,过滤了噪声,以及去除掉了噪声大的波段,从而进一步提高了对白酒鉴定的准确性。
在上述实施例的基础上,所述获取真酒样本构成的统计特征正交矩阵,包括:
根据公式C⊥=I-C(CTC)-1CT计算获得所述真酒样本的所述统计特征正交矩阵;
其中,矩阵C为T×p维矩阵,p为所述真酒样本的样本光谱曲线条数,T为每条所述样本光谱曲线的维度。
具体地,白酒也对波段在500nm-700nm之间的绿光和红光较为敏感,因此取波长在900nm-1000nm之间的近红外波段和波长在500nm-700nm之间的绿光和红光,其波段数共为608,对获取到的10个真酒样本的样本吸收光谱构建统计特征正交矩阵,其计算公式为C⊥=I-C(CTC)-1CT,其中矩阵C为608×10维矩阵,即有10条真酒样本光谱曲线组成的矩阵,每条光谱曲线的波段数为608。
本发明实施例通过将待测白酒的吸收光谱矩阵投影在统计正交矩阵上获得投影结果,并根据投影结果进行第一次筛选,以及通过计算待测形状特征构成的第一矩阵和样本形状特征构成的第二矩阵之间的差异,来进行第二次筛选,避免了测量环境因素的影响,提高了鉴定的稳定性和准确性。
在上述实施例的基础上,所述将所述吸收光谱构成的吸收光谱矩阵投影在所述统计正交矩阵上,获得投影结果,包括:
根据公式StaValue=uTC⊥u获得所述投影结果;
其中,u为所述待测白酒的吸收光谱构成的矩阵,C⊥为所述真酒样本对应的所述统计特征正交矩阵。
具体地,将吸收光谱构成的吸收光谱矩阵投影在统计特征正交矩阵上,其投影的具体方法为,利用公式StaValue=uTC⊥u获得投影结果,其中u为待测白酒的吸收光谱构成的矩阵,其维度为608×1,通过计算后,可以得出投影结果StaValue。
本发明实施例通过计算吸收光谱构成的吸收光谱矩阵在统计特征正交矩阵上的投影结果,并根据投影结果进行第一次筛选,通过第一次粗筛选和第二次精细筛选,提高了对白酒鉴定的准确度。
在上述实施例的基础上,所述根据投影结果进行第一次筛选,包括:
若所述投影结果大于第一预设阈值,则所述待测白酒为伪劣白酒;
若所述投影结果小于或等于所述第一预设阈值,则所述待测白酒通过第一次筛选。
具体地,对投影结果StaValue进行判定,通过设定第一预设阈值,如果投影结果大于第一预设阈值,则说明待测白酒为伪劣白酒,如果投影结果小于或者等于第一预设阈值,则说明待测白酒通过了第一次筛选,可以进入第二次筛选。
本发明实施例通过将投影结果和第一预设阈值进行比较从而得到第一筛选结果,根据第一次筛选结果判定待测白酒是否能够进入第二次筛选,从而提高了对白酒鉴别的准确性。
在上述实施例的基础上,所述第一斜率的计算公式为:
所述第一吸收深度的计算公式为:
所述第一吸收高度的计算公式为:
其中,λl、λc和λs为所述吸收光谱的波长值,且λl>λc>λs,ul为与所述波长值λl对应的吸收光谱值,uc为与所述波长值λc对应的所述吸收光谱值,us为与所述波长值λs对应的所述吸收光谱值,参数b=(λc-λs)/(λl-λs),参数a=1-b。
具体地,根据待测白酒的吸收光谱计算第一斜率、第一吸收深度和第一吸收高度。其中第一斜率的计算公式为其中λl和λs都是吸收光谱的波长值,因此λl和λs需要在吸收光谱对应的波段范围内,且λl>λs,ul为波长值λl对应的吸收光谱值,us为波长值λs对应的吸收光谱值。第一吸收深度又称“第一吸收谷指数”,它用谱带谷底的光谱强度对吸收深度作归一化,因而减少了照度等变化所带来的干扰,增强了对地物的区分能力,第一吸收深度的计算公式为通过该公式可以计算得出待测白酒的第一吸收深度,其中λc为吸收光谱的波长值,uc为波长值λc对应的吸收光谱值,参数b=(λc-λs)/(λl-λs),参数a=1-b;第一吸收高度的计算公式为:其中该公式中的各参数表示的意义与上述一致,此处不再赘述。另外,可以理解的是,构成待测形状特征的可以是第一斜率、第一吸收深度和第一吸收高度中的至少一项,本发明实施例以选择第一斜率和第一吸收深度构成待测形状特征。因此,构成样本形状特征的参数需要与待测形状特征中的参数一致,所以构成样本形状特征的应该是第二斜率和第二吸收深度。并且,第二斜率、第二吸收深度和第二吸收高度的计算方法与上述中的第一斜率、第一吸收深度和第一吸收高度的计算方法一致,本发明实施例对此不再赘述。
本发明实施例通过计算第一斜率、第一吸收深度和第一吸收高度来作为待测形状特征,用于对第二次筛选的依据,通过第一次粗筛和第二次精筛两次筛选,提高了筛选的准确性。
在上述各实施例的基础上,所述根据所述待测形状特征构成的第一矩阵和所述样本形状特征构成的第二矩阵,计算所述第一矩阵和所述第二矩阵的差异并获得计算结果,包括:
根据公式shapeValue=||shapeTest-ShapeTrainmean||计算获得所述第一矩阵和所述第二矩阵的差异,其中,shapeTest为所述待测形状特征构成的所述第一矩阵,ShapeTrainmean为所述样本形状特征构成的所述第二矩阵。
具体地,将计算得到的第一斜率、第一吸收深度和第一吸收高度构成第一矩阵,如:ShapeTest=[slopet,Deept,Heightt]。根据第一斜率、第一吸收深度和第一吸收高度的计算公式计算10个真酒样本对应的第二斜率、第二吸收深度和第二吸收高度。将计算的结果构成中间矩阵,见如下公式:
其中,Slope1,Deep1和Height1分别表示真酒样本中第一个样本对应的第二斜率,第二吸收深度和第二吸收高度;Slopep,Deepp和Heightp表示真酒样本中第P个样本的第二斜率,第二吸收深度和第二吸收高度,且1≤P≤10,P为整数。同时,可以计算所有样本的第二斜率均值、第二吸收深度均值和第二吸收高度均值,并将这三个均值参数构成第二矩阵,如:其中i为正整数。然后利用公式shapeValue=||shapeTest-ShapeTrainmean||计算获得第一矩阵和第二矩阵之间的差异,得出计算结果。
本发明实施例通过计算第一矩阵和第二矩阵之间的差异,并将计算结果作为第二次筛选的判定条件,通过第二次精筛,可以实现对待测白酒真伪的精确鉴定。
在上述实施例的基础上,所述根据所述计算结果进行第二次筛选,包括:
若所述计算结果大于第二预设阈值,则所述待测白酒为伪劣白酒;
若所述计算结果小于或等于所述第二预设阈值,则所述待测白酒为真酒。
具体地,设定第二预设阈值,将计算结果和第二预设阈值进行比较,如果计算结果大于第二预设阈值,则说明第一矩阵与第二矩阵差异较大,因此,待测白酒为伪劣白酒;相反的,如果计算结果小于或者等于第二预设阈值,则说明第一矩阵与第二矩阵之间的差异较小,因此可以判定待测白酒为真酒。
本发明实施例通过将待测白酒的吸收光谱矩阵投影在统计正交矩阵上获得投影结果,并根据投影结果进行第一次筛选,以及通过计算待测形状特征构成的第一矩阵和样本形状特征构成的第二矩阵之间的差异,来进行第二次筛选,避免了测量环境因素的影响,提高了鉴定的稳定性和准确性。
在上述实施例的基础上,所述对所述吸收光谱进行去噪处理,包括:
根据公式对所述吸收光谱进行去噪,其中,y为去噪后吸收光谱对应的光谱曲线,H为滤波矩阵,为所述吸收光谱对应的波段值,且,滤波矩阵H=(ATA)-1AT,其中,A为(2m+1)×(n+1)维矩阵,m为整数,表示预设开窗口大小;n为整数,表示拟合多项式的阶数。
具体地,采集到的待测白酒对应的吸收光谱中会带有一定的噪声,该噪声对待测白酒的鉴别会产生一定的干扰,因此,为了能够更加准确地对待测白酒进行真伪鉴定,需要对吸收光谱进行去噪处理,去噪后可以得到相对光滑的光谱曲线。其中去噪的公式为其中y为去噪后吸收光谱对应的光谱曲线,且y的维度与吸收光谱的波段数相关,为吸收光谱对应的波段值,其维度与设置的开窗口的大小相关;H为滤波矩阵,且H=(ATA)- 1AT,其中生成矩阵H的矩阵A由以下元素构成:
其中矩阵A为(2m+1)×(n+1)维矩阵,其中m为整数,表示设置的开窗口的大小,n为整数,表示拟合多项式的阶数。
本发明实施例通过对吸收光谱进行去噪和波段选择处理,过滤了噪声,以及去除掉了噪声大的波段,从而进一步提高了对白酒鉴定的准确性。
图2为本发明实施例提供的一种白酒真伪鉴定方法整体流程示意图,如图2所示,所述方法,包括:
步骤201:获取待测白酒的吸收光谱及真酒样本的统计特征正交矩阵;以对茅台酒的鉴定为例,将待测白酒导入比色皿中,利用海洋光学吸光度测试仪器,测试待测白酒的吸光度,并获取待测白酒在预设波段的吸收光谱,可以获取波长为340nm-1025nm之间2048个波段。还需要准确茅台真酒样本,此处选择10个茅台真酒样本,并将这10个茅台真酒样本的样本吸收光谱构成统计特征正交矩阵,其表达式为:C⊥=I-C(CTC)-1CT,该公式中的各个参数已在上述实施例中描述,此处不再赘述。
步骤202:去噪及波段选择;在获取到的待测白酒的吸收光谱中含有较多的噪声,因此需要对其进行去噪处理,且去噪公式为得到一个较为平滑的吸收光谱曲线,该公式中的每个参数代表的含义已在上述实施例中描述,此处不再赘述。另外还需要对信噪比较小的波段进行去除,因此选择了茅台酒较为敏感的近红外波段(900nm-1000nm)和绿光、红光的波段(500nm-700nm)。
步骤203:第一次筛选;将吸收光谱构成的矩阵与统计特征正交矩阵进行投影操作,具体投影方法为根据公式StaValue=uTC⊥u获得投影结果,该公式中的各个参数已在上述实施例中描述,此处不再赘述。
步骤204:判断是否通过第一次筛选;根据投影结果与第一预设阈值进行比较,获得第一次筛选结果。即,若判断获知投影结果大于第一预设阈值,则说明待测白酒为伪劣白酒,进入步骤209;若判断获知投影结果小于或者等于第一预设阈值,则说明待测白酒通过第一次筛选,进入步骤210。
步骤205:计算待测形状特征和获取样本形状特征;如果待测白酒通过了第一次筛选,则根据吸收光谱计算待测白酒的待测形状特征,本发明实施例选择第一斜率和第一吸收深度构成待测形状特征,因此与待测形状特征相对应的样本形状特征包括第二斜率和第二吸收深度,应当说明的是,待测形状特征还可以由其他参数进行组合,例如:第一斜率和第一吸收高度、第一吸收深度和第一吸收高度等。根据公式计算第一斜率,同样的,第二斜率也可以使用该公式,根据公式计算第一吸收深度,同样的,第二吸收深度也可以使用该公式,且上述两个公式中各参数在上述实施例中描述,此处不再赘述。
步骤206:获得第一矩阵和第二矩阵;根据待测形状特征和样本形状特征可以获得第一矩阵和第二矩阵,其中第一矩阵ShapeTest=[slopet,Deept],第二矩阵
步骤207:第二次筛选;根据第一矩阵和第二矩阵进行第二次筛选,其具体步骤为计算第一矩阵和第二矩阵的差异,公式为shapeValue=||shapeTest-ShapeTrainmean||,获得计算结果。
步骤208:判断是否通过第二次筛选;根据计算结果和第二预设阈值来判定,如果计算结果大于第二预设阈值,则说明待测白酒为伪劣白酒,进入步骤209;如果计算结果小于或者等于第二预设阈值,则说明待测白酒为真酒进入步骤210。
步骤209:判定为伪劣白酒。
步骤210:判定为茅台真酒。
图3为本发明实施例提供的一种白酒真伪鉴定装置结构示意图,如图3所示,所述装置,包括:第一获取模块301、第一筛选模块302、第二获取模块303和第二筛选模块304,其中:
第一获取模块301用于获取待测白酒在预设波段的吸收光谱,并获取由真酒样本构成的统计特征正交矩阵;第一筛选模块302用于将所述吸收光谱构成的吸收光谱矩阵投影在所述统计正交矩阵上,获得投影结果,并根据投影结果进行第一次筛选;第二获取模块303用于若判断获知所述待测白酒通过所述第一次筛选,则计算所述吸收光谱对应的待测形状特征,并获取所述真酒样本对应的样本形状特征,其中所述待测形状特征包括以下参数中的至少一项:第一斜率、第一吸收深度和第一吸收高度;相应地,所述样本形状特征包括以下参数中的至少一项:第二斜率、第二吸收深度和第二吸收高度;第二筛选模块304用于根据所述待测形状特征构成的第一矩阵和所述样本形状特征构成的第二矩阵,计算所述第一矩阵和所述第二矩阵的差异并获得计算结果,根据所述计算结果进行第二次筛选。
具体地,第一获取模块301将待测白酒导入比色皿中,利用海洋光学吸光度测试仪器,测试待测白酒的吸光度,并获取待测白酒在预设波段的吸收光谱,可以获取波长为340nm-1025nm之间2048个波段。并获取10个茅台的真酒样本,将这10个真酒样本作为训练样本,用上述同样的方法,获取这10个真酒样本对应的样本吸收光谱,根据这10个样本吸收光谱构成了统计特征正交矩阵。第一筛选模块302将获取到的待测白酒的吸收光谱转换成吸收光谱矩阵,并将吸收光谱矩阵与获取到的统计特征正交矩阵进行投影,获得投影结果,设定第一预设阈值,使投影结果与第一预设阈值进行比较,从而获得第一次筛选结果。如果待测白酒通过了第一次筛选,则第二获取模块303计算待测白酒对应的吸收光谱对应的待测形状特征,其中待测形状特征包括第一斜率、第一吸收深度和第一吸收高度这三个参数中的至少一个,本发明实施例选择第一斜率和第一吸收深度为例,相应地,获取真酒样本的样本形状特征,且样本形状特征包括第二斜率和第二吸收深度。第二筛选模块304根据计算好的待测形状特征构成第一矩阵,根据样本形状特征构成第二矩阵,计算第一矩阵和第二矩阵之间的差异,即计算第一矩阵减第二矩阵之后的范数,得到的计算结果就是第一矩阵和第二矩阵之间的差异,设定第二预设阈值,根据计算结果和第二预设阈值进行第二次筛选,得出筛选结果。
本发明提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
本发明实施例通过将待测白酒的吸收光谱矩阵投影在统计正交矩阵上获得投影结果,并根据投影结果进行第一次筛选,以及通过计算待测形状特征构成的第一矩阵和样本形状特征构成的第二矩阵之间的差异,来进行第二次筛选,避免了测量环境因素的影响,提高了鉴定的稳定性和准确性。
图4为本发明实施例提供的一种白酒真伪鉴定装置实体结构示意图。如图4所示,所述装置,包括:处理器(processor)401、存储器(memory)402和总线403;其中,
所述处理器401、存储器402通过所述总线403完成相互间的通信;
所述处理器401用于调用所述存储器402中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取待测白酒在预设波段的吸收光谱,并获取由真酒样本构成的统计特征正交矩阵;将所述吸收光谱构成的吸收光谱矩阵投影在所述统计特征正交矩阵上,获得投影结果,并根据投影结果进行第一次筛选;若判断获知所述待测白酒通过所述第一次筛选,则计算所述吸收光谱对应的待测形状特征,并获取与所述待测形状特征相对应的所述真酒样本的样本形状特征,其中所述待测形状特征包括以下参数中的至少一项:第一斜率、第一吸收深度和第一吸收高度;相应地,所述样本形状特征包括以下参数中的至少一项:第二斜率、第二吸收深度和第二吸收高度;根据所述待测形状特征构成的第一矩阵和所述样本形状特征构成的第二矩阵,计算所述第一矩阵和所述第二矩阵的差异并获得计算结果,根据所述计算结果进行第二次筛选。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取待测白酒在预设波段的吸收光谱,并获取由真酒样本构成的统计特征正交矩阵;将所述吸收光谱构成的吸收光谱矩阵投影在所述统计特征正交矩阵上,获得投影结果,并根据投影结果进行第一次筛选;若判断获知所述待测白酒通过所述第一次筛选,则计算所述吸收光谱对应的待测形状特征,并获取与所述待测形状特征相对应的所述真酒样本的样本形状特征,其中所述待测形状特征包括以下参数中的至少一项:第一斜率、第一吸收深度和第一吸收高度;相应地,所述样本形状特征包括以下参数中的至少一项:第二斜率、第二吸收深度和第二吸收高度;根据所述待测形状特征构成的第一矩阵和所述样本形状特征构成的第二矩阵,计算所述第一矩阵和所述第二矩阵的差异并获得计算结果,根据所述计算结果进行第二次筛选。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取待测白酒在预设波段的吸收光谱,并获取由真酒样本构成的统计特征正交矩阵;将所述吸收光谱构成的吸收光谱矩阵投影在所述统计特征正交矩阵上,获得投影结果,并根据投影结果进行第一次筛选;若判断获知所述待测白酒通过所述第一次筛选,则计算所述吸收光谱对应的待测形状特征,并获取与所述待测形状特征相对应的所述真酒样本的样本形状特征,其中所述待测形状特征包括以下参数中的至少一项:第一斜率、第一吸收深度和第一吸收高度;相应地,所述样本形状特征包括以下参数中的至少一项:第二斜率、第二吸收深度和第二吸收高度;根据所述待测形状特征构成的第一矩阵和所述样本形状特征构成的第二矩阵,计算所述第一矩阵和所述第二矩阵的差异并获得计算结果,根据所述计算结果进行第二次筛选。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种白酒真伪鉴定方法,其特征在于,包括:
获取待测白酒在预设波段的吸收光谱,并获取由真酒样本构成的统计特征正交矩阵;
将所述吸收光谱构成的吸收光谱矩阵投影在所述统计特征正交矩阵上,获得投影结果,并根据投影结果进行第一次筛选;
若判断获知所述待测白酒通过所述第一次筛选,则计算所述吸收光谱对应的待测形状特征,并获取与所述待测形状特征相对应的所述真酒样本的样本形状特征,其中所述待测形状特征包括以下参数中的至少一项:
第一斜率、第一吸收深度和第一吸收高度;相应地,
所述样本形状特征包括以下参数中的至少一项:
第二斜率、第二吸收深度和第二吸收高度;
根据所述待测形状特征构成的第一矩阵和所述样本形状特征构成的第二矩阵,计算所述第一矩阵和所述第二矩阵的差异并获得计算结果,根据所述计算结果进行第二次筛选。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述吸收光谱进行去噪和波段选择处理。
3.根据权利要求1所述的方法,其特征在于,所述获取真酒样本构成的统计特征正交矩阵,包括:
根据公式C⊥=I-C(CTC)-1CT计算获得所述真酒样本的所述统计特征正交矩阵;
其中,矩阵C为T×p维矩阵,p为所述真酒样本的样本光谱曲线条数,T为每条所述样本光谱曲线的维度。
4.根据权利要求3所述的方法,其特征在于,所述将所述吸收光谱构成的吸收光谱矩阵投影在所述统计特征正交矩阵上,获得投影结果,包括:
根据公式StaValue=uTC⊥u获得所述投影结果;
其中,u为所述待测白酒的吸收光谱构成的矩阵,C⊥为所述真酒样本对应的所述统计特征正交矩阵。
5.根据权利要求1所述的方法,其特征在于,所述根据投影结果进行第一次筛选,包括:
若所述投影结果大于第一预设阈值,则所述待测白酒为伪劣白酒;
若所述投影结果小于或等于所述第一预设阈值,则所述待测白酒通过第一次筛选。
6.根据权利要求1所述的方法,其特征在于,所述第一斜率的计算公式为:
所述第一吸收深度的计算公式为:
所述第一吸收高度的计算公式为:
其中,λl、λc和λs为所述吸收光谱的波长值,且λl>λc>λs,ul为与所述波长值λl对应的吸收光谱值,uc为与所述波长值λc对应的所述吸收光谱值,us为与所述波长值λs对应的所述吸收光谱值,参数b=(λc-λs)/(λl-λs),参数a=1-b。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述根据所述待测形状特征构成的第一矩阵和所述样本形状特征构成的第二矩阵,计算所述第一矩阵和所述第二矩阵的差异并获得计算结果,包括:
根据公式shapeValue=||shapeTest-ShapeTrainmean||计算获得所述第一矩阵和所述第二矩阵的差异,其中,shapeTest为所述待测形状特征构成的所述第一矩阵,ShapeTrainmean为所述样本形状特征构成的所述第二矩阵。
8.根据权利要求7所述的方法,其特征在于,所述根据所述计算结果进行第二次筛选,包括:
若所述计算结果大于第二预设阈值,则所述待测白酒为伪劣白酒;
若所述计算结果小于或等于所述第二预设阈值,则所述待测白酒为真酒。
9.根据权利要求2所述的方法,其特征在于,所述对所述吸收光谱进行去噪处理,包括:
根据公式对所述吸收光谱进行去噪,其中,y为去噪后吸收光谱对应的光谱曲线,H为滤波矩阵,为所述吸收光谱对应的波段值,且,滤波矩阵H=(ATA)-1AT,其中,A为(2m+1)×(n+1)维矩阵,m为整数,表示预设开窗口大小;n为整数,表示拟合多项式的阶数。
10.一种白酒真伪鉴定装置,其特征在于,包括:
第一获取模块,用于获取待测白酒在预设波段的吸收光谱,并获取由真酒样本构成的统计特征正交矩阵;
第一筛选模块,用于将所述吸收光谱构成的吸收光谱矩阵投影在所述统计正交矩阵上,获得投影结果,并根据投影结果进行第一次筛选;
第二获取模块,用于若判断获知所述待测白酒通过所述第一次筛选,则计算所述吸收光谱对应的待测形状特征,并获取所述真酒样本对应的样本形状特征,其中所述待测形状特征包括以下参数中的至少一项:
第一斜率、第一吸收深度和第一吸收高度;相应地,
所述样本形状特征包括以下参数中的至少一项:
第二斜率、第二吸收深度和第二吸收高度;
第二筛选模块,用于根据所述待测形状特征构成的第一矩阵和所述样本形状特征构成的第二矩阵,计算所述第一矩阵和所述第二矩阵的差异并获得计算结果,根据所述计算结果进行第二次筛选。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710139047.XA CN106841070B (zh) | 2017-03-09 | 2017-03-09 | 一种白酒真伪鉴定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710139047.XA CN106841070B (zh) | 2017-03-09 | 2017-03-09 | 一种白酒真伪鉴定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106841070A true CN106841070A (zh) | 2017-06-13 |
CN106841070B CN106841070B (zh) | 2019-07-12 |
Family
ID=59144048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710139047.XA Active CN106841070B (zh) | 2017-03-09 | 2017-03-09 | 一种白酒真伪鉴定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106841070B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107356536A (zh) * | 2017-06-15 | 2017-11-17 | 中科谱光科技(北京)有限公司 | 葡萄酒品质检测方法、服务器及光谱测量设备 |
CN110503141A (zh) * | 2019-08-13 | 2019-11-26 | Oppo(重庆)智能科技有限公司 | 酒类鉴别方法、装置及计算机可读存储介质 |
CN110749555A (zh) * | 2019-10-30 | 2020-02-04 | 宜宾五粮液股份有限公司 | 基于高光谱技术白酒曲块内部发酵状态检测装置及方法 |
CN110897593A (zh) * | 2019-10-24 | 2020-03-24 | 南京航空航天大学 | 一种基于光谱特征参数的***前病变诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101256143A (zh) * | 2007-02-27 | 2008-09-03 | 黄金富 | 一种辨别酒类商品真假的设备和方法 |
CN104502320A (zh) * | 2014-12-29 | 2015-04-08 | 江南大学 | 一种三维荧光光谱结合pca-svm鉴别浓香型白酒的方法 |
CN105277494A (zh) * | 2015-10-15 | 2016-01-27 | 南昌航空大学 | 一种工业酒精和食用酒精的光谱检测法 |
-
2017
- 2017-03-09 CN CN201710139047.XA patent/CN106841070B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101256143A (zh) * | 2007-02-27 | 2008-09-03 | 黄金富 | 一种辨别酒类商品真假的设备和方法 |
CN104502320A (zh) * | 2014-12-29 | 2015-04-08 | 江南大学 | 一种三维荧光光谱结合pca-svm鉴别浓香型白酒的方法 |
CN105277494A (zh) * | 2015-10-15 | 2016-01-27 | 南昌航空大学 | 一种工业酒精和食用酒精的光谱检测法 |
Non-Patent Citations (1)
Title |
---|
梁俊发等: "基于FT-IR结合PCA-LDA的白酒真伪鉴别方法", 《食品工业科技》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107356536A (zh) * | 2017-06-15 | 2017-11-17 | 中科谱光科技(北京)有限公司 | 葡萄酒品质检测方法、服务器及光谱测量设备 |
CN107356536B (zh) * | 2017-06-15 | 2020-07-17 | 中科谱光科技(北京)有限公司 | 葡萄酒品质检测方法、服务器及光谱测量设备 |
CN110503141A (zh) * | 2019-08-13 | 2019-11-26 | Oppo(重庆)智能科技有限公司 | 酒类鉴别方法、装置及计算机可读存储介质 |
CN110897593A (zh) * | 2019-10-24 | 2020-03-24 | 南京航空航天大学 | 一种基于光谱特征参数的***前病变诊断方法 |
CN110749555A (zh) * | 2019-10-30 | 2020-02-04 | 宜宾五粮液股份有限公司 | 基于高光谱技术白酒曲块内部发酵状态检测装置及方法 |
CN110749555B (zh) * | 2019-10-30 | 2022-05-31 | 宜宾五粮液股份有限公司 | 基于高光谱技术白酒曲块内部发酵状态检测装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106841070B (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106841070A (zh) | 一种白酒真伪鉴定方法及装置 | |
CN105630743B (zh) | 一种光谱波数的选择方法 | |
CN103534578B (zh) | 确定样本中存在的成分的光谱装置以及方法 | |
CN103235095B (zh) | 注水肉检测方法和装置 | |
CN104062258B (zh) | 一种采用近红外光谱快速测定复方阿胶浆中可溶性固形物的方法 | |
US11682203B2 (en) | Feature extraction method, model training method, detection method of fruit spectrum | |
CN104181170B (zh) | 基于光谱图像分析的水果外表检测方法 | |
CN104251839B (zh) | 南疆红枣建模用南疆红枣样品成分的光谱分离检测方法 | |
CN104062257A (zh) | 一种基于近红外光谱测定溶液中总黄酮含量的方法 | |
CN101832941A (zh) | 一种基于多光谱图像的水果品质评价装置 | |
CN109993155A (zh) | 针对低信噪比紫外拉曼光谱的特征峰提取方法 | |
CN104965973B (zh) | 一种苹果霉心病多因子无损检测判别模型及其建立方法 | |
CN103913435B (zh) | 一种基于多源信息融合的潲水油快速检测方法及装置 | |
CN107655850A (zh) | 基于近红外光谱的非线性建模方法及*** | |
CN108780048A (zh) | 一种确定检测设备的方法、检测装置及可读存储介质 | |
CN110032988A (zh) | 紫外拉曼光谱***实时降噪增强方法 | |
CN103822897A (zh) | 一种基于红外光谱的白酒鉴定及溯源方法 | |
CN102147941A (zh) | 基于太赫兹时域光谱的人民币可选多特征点透射鉴真方法 | |
CN115905881B (zh) | 黄珍珠分类的方法以及装置、电子设备、存储介质 | |
CN107871132A (zh) | 一种空间特征自适应寻优的高光谱图像分类方法 | |
CN106153561A (zh) | 基于波长筛选的紫外可见光谱多金属离子检测方法 | |
CN110108644A (zh) | 一种基于深度级联森林和高光谱图像的玉米品种鉴别方法 | |
CN112986174A (zh) | 一种基于近红外光谱的果蔬优选分拣方法、***及可读存储介质 | |
CN111398233A (zh) | 一种红酒品质的激光光谱检测方法 | |
CN103175815A (zh) | 多波长led诱导荧光的茶叶品质无损检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |