CN116933043A - 菊花产地的鉴别方法、模型的构建方法及电子设备 - Google Patents
菊花产地的鉴别方法、模型的构建方法及电子设备 Download PDFInfo
- Publication number
- CN116933043A CN116933043A CN202311192421.4A CN202311192421A CN116933043A CN 116933043 A CN116933043 A CN 116933043A CN 202311192421 A CN202311192421 A CN 202311192421A CN 116933043 A CN116933043 A CN 116933043A
- Authority
- CN
- China
- Prior art keywords
- chrysanthemum
- data
- sample
- spectral
- spectral lines
- 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.)
- Pending
Links
- 235000007516 Chrysanthemum Nutrition 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 57
- 238000010276 construction Methods 0.000 title claims description 11
- 244000189548 Chrysanthemum x morifolium Species 0.000 title 1
- 241000723353 Chrysanthemum Species 0.000 claims abstract description 170
- 230000003595 spectral effect Effects 0.000 claims abstract description 150
- 238000001228 spectrum Methods 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000007637 random forest analysis Methods 0.000 claims description 13
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 238000002790 cross-validation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 241000628997 Flos Species 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000000608 laser ablation Methods 0.000 description 2
- 239000008188 pellet Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 235000008495 Chrysanthemum leucanthemum Nutrition 0.000 description 1
- 244000035851 Chrysanthemum leucanthemum Species 0.000 description 1
- 241000283014 Dama Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- JNSGIVNNHKGGRU-JYRVWZFOSA-N diethoxyphosphinothioyl (2z)-2-(2-amino-1,3-thiazol-4-yl)-2-methoxyiminoacetate Chemical compound CCOP(=S)(OCC)OC(=O)C(=N/OC)\C1=CSC(N)=N1 JNSGIVNNHKGGRU-JYRVWZFOSA-N 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229930014626 natural product Natural products 0.000 description 1
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000918 plasma mass spectrometry Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
- G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Biochemistry (AREA)
- Marine Sciences & Fisheries (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Probability & Statistics with Applications (AREA)
- Plasma & Fusion (AREA)
- Remote Sensing (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Pathology (AREA)
- Mining & Mineral Resources (AREA)
- Optics & Photonics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供菊花产地的鉴别方法、模型的构建方法及电子设备，该鉴别方法包括：获取经过压制的待检测菊花样品的菊花舌状花花序的原始光谱，并对所述原始光谱进行预处理，得到所述菊花舌状花花序的光谱数据；基于光谱数据，提取用于反应产地特征的预设特征元素谱线的数据集，预设特征元素谱线是基于谱线选择规则从特征波段中从筛选出的，特征波段是基于特征变量筛选算法从光谱数据中的所有波段中筛选出的；将预设特征元素谱线的数据集输入至预先训练好的菊花产地鉴别模型中，以获取待检测菊花样品的产地。本发明可以快速地鉴别待检测菊花样品的产地。
Description
技术领域
本发明涉及光谱分析技术领域，尤其涉及一种菊花产地的鉴别方法、模型的构建方法及电子设备。
背景技术
菊属植物有着悠久的的栽培历史，其中菊花和野菊花非常普遍，菊花作为一种药食两用的植物，具有极高的营养价值和良好的药用效果。然而菊花的来源非常复杂，根据主要生产区和加工方法的不同，菊花可分为“亳菊”、“滁菊”、“贡菊”、“杭菊”、“怀菊”等多个品种。不同产地的菊花在外观、气味、颜色方面又极其相似，严重阻碍了菊花的产地鉴别。
目前主要使用高效液相色谱技术、气相色谱与质谱联用技术、电感耦合等离子质谱技术以及近红外光谱技术对菊花的产地鉴别。
然而，这些基于实验室的湿化学分析方法虽然可以得到准确的分析结果，但是不可避免地存在试剂浪费、耗时长以及操作复杂等问题。使用近红外光谱技术对菊花进行产地溯源时，则需要对样品进行粉碎处理，不仅会导致分析时间的增加，而且还会对样品造成一定程度的破坏。因此，亟需一种菊花产地的分析方法。
发明内容
为解决上述技术问题，本发明实施例提供了一种菊花产地的鉴别方法、模型的构建方法及电子设备。
第一方面，本发明实施例提供了一种菊花产地的鉴别方法，包括：
获取经过压制的待检测菊花样品的菊花舌状花花序的原始光谱，并对原始光谱进行预处理，得到菊花舌状花花序的光谱数据；
基于光谱数据，提取用于反应产地特征的预设特征元素谱线的数据集；其中，预设特征元素谱线是基于谱线选择规则从特征波段中从筛选出的，特征波段是基于特征变量筛选算法从光谱数据中的所有波段中筛选出的，预设特征元素谱线包括Fe II 1065.21 nm、Fe II 770.49 nm、Fe II 766.81 nm、Fe II 656.54 nm、Fe II 614.04 nm、Fe II 556.11nm、Fe II 517.05 nm、Fe I 658.12 nm、Fe I 622.08 nm、Fe I 586.24 nm、Fe I 558.48nm、Fe I 526.72 nm、Ca II 854.21 nm、Ca II 396.85 nm、Ca I 644.07 nm、Ca I 558.87nm、Na II 518.72 nm、Na II 394.30 nm、Cu II 671.20 nm、Cu II 552.71 nm、S II521.26 nm、S I 867.02 nm、Si I 614.50 nm、Si II 518.19 nm、Cl I 777.11 nm、O II 1066.45 nm；
将预设特征元素谱线的数据集输入至预先训练好的菊花产地鉴别模型中，以获取待检测菊花样品的产地。
在一种可能的实现方式中，菊花产地鉴别模型是基于软投票法使用多个基学习器构建而成的强学习器，多个基学习器包括K最近邻算法、随机森林算法、支持向量机或线性判别分析中的一种或多种。
在一种可能的实现方式中，获取经过压制的待检测菊花样品的菊花舌状花花序的原始光谱，包括：基于激光诱导击穿光谱技术获取待检测菊花样品的菊花舌状花花序的原始光谱。
第二方面，本发明实施例提供了一种菊花产地的鉴别装置，包括：
获取数据模块，用于获取经过压制的待检测菊花样品的菊花舌状花花序的原始光谱，并对原始光谱进行预处理，得到菊花舌状花花序的光谱数据；
提取模块，用于基于所述光谱数据，提取用于反应产地特征的预设特征元素谱线的数据集；其中，预设特征元素谱线是基于谱线选择规则从特征波段中从筛选出的，特征波段是基于特征变量筛选算法从光谱数据中的所有波段中筛选出的，预设特征元素谱线包括Fe II 1065.21 nm、Fe II 770.49 nm、Fe II 766.81 nm、Fe II 656.54 nm、Fe II 614.04nm、Fe II 556.11 nm、Fe II 517.05 nm、Fe I 658.12 nm、Fe I 622.08 nm、Fe I 586.24nm、Fe I 558.48 nm、Fe I 526.72 nm、Ca II 854.21 nm、Ca II 396.85 nm、Ca I 644.07nm、Ca I 558.87 nm、Na II 518.72 nm、Na II 394.30 nm、Cu II 671.20 nm、Cu II552.71 nm、S II 521.26 nm、S I 867.02 nm、Si I 614.50 nm、Si II 518.19 nm、Cl I777.11 nm、O II 1 066.45 nm；
检测模块，用于将预设特征元素谱线的数据集输入至预先训练好的菊花产地鉴别模型中，以获取待检测菊花样品的产地。
第三方面，本发明实施例提供了一种菊花产地鉴别模型的构建方法，包括：
获取多个训练样本，其中，每个训练样本包括一种菊花样本的菊花舌状花花序的光谱数据和该样本的产地标签；
基于每个训练样本的光谱数据，提取用于反应产地特征的预设特征元素谱线的数据集；
基于多个训练样本的产地标签和预设特征元素谱线的数据集，构建并训练得到菊花产地鉴别模型。
在一种可能的实现方式中，光谱数据是基于对获取到的原始光谱数据进行预处理，得到的光谱数据，其中，预处理包括剔除离群数据的处理、去除数据噪声的处理，以及去除测量环境因素对数据影响的处理中的一种或多种处理；
基于每个训练样本的光谱数据，提取用于反应产地特征的预设特征元素谱线的数据集，包括：
基于特征变量筛选算法从光谱数据中的所有波段中筛选出特征波段；
基于谱线选择规则从特征波段中筛选出预设特征元素谱线；
从每个训练样本的光谱数据提取出预设特征元素谱线的数据集。
在一种可能的实现方式中，菊花样本的光谱数据是基于激光诱导击穿光谱技术对经过压片机压制成片状的菊花舌状花花序进行测试得到的；
预设特征元素谱线包括Fe II 1065.21 nm、Fe II 770.49 nm、Fe II 766.81 nm、Fe II 656.54 nm、Fe II 614.04 nm、Fe II 556.11 nm、Fe II 517.05 nm、Fe I 658.12nm、Fe I 622.08 nm、Fe I 586.24 nm、Fe I 558.48 nm、Fe I 526.72 nm、Ca II 854.21nm、Ca II 396.85 nm、Ca I 644.07 nm、Ca I 558.87 nm、Na II 518.72 nm、Na II 394.30nm、Cu II 671.20 nm、Cu II 552.71 nm、S II 521.26 nm、S I 867.02 nm、Si I 614.50nm、Si II 518.19 nm、Cl I 777.11 nm、O II 1 066.45 nm。
第四方面，本发明实施例提供了一种菊花产地鉴别模型的构建装置，包括：
获取模块，用于获取多个训练样本，其中，每个训练样本包括一种菊花样本的菊花舌状花花序的光谱数据和该样本的产地标签；
提取模块，用于基于每个训练样本的光谱数据，提取用于反应产地特征的预设特征元素谱线的数据集；
训练模块，用于基于多个训练样本的产地标签和预设特征元素谱线的数据集，构建并训练得到菊花产地鉴别模型。
在一种可能的实现方式中，光谱数据是基于对获取到的原始光谱数据进行预处理，得到的光谱数据，其中，预处理包括剔除离群数据的处理、去除数据噪声的处理，以及去除测量环境因素对数据影响的处理中的一种或多种处理；
提取模块，用于基于特征变量筛选算法从光谱数据中的所有波段中筛选出特征波段；
基于谱线选择规则从特征波段中筛选出预设特征元素谱线；
从每个训练样本的光谱数据提取出预设特征元素谱线的数据集。
在一种可能的实现方式中，菊花样本的光谱数据是基于激光诱导击穿光谱技术对经过压片机压制成片状的菊花舌状花花序进行测试得到的；
预设特征元素谱线包括Fe II 1065.21 nm、Fe II 770.49 nm、Fe II 766.81 nm、Fe II 656.54 nm、Fe II 614.04 nm、Fe II 556.11 nm、Fe II 517.05 nm、Fe I 658.12nm、Fe I 622.08 nm、Fe I 586.24 nm、Fe I 558.48 nm、Fe I 526.72 nm、Ca II 854.21nm、Ca II 396.85 nm、Ca I 644.07 nm、Ca I 558.87 nm、Na II 518.72 nm、Na II 394.30nm、Cu II 671.20 nm、Cu II 552.71 nm、S II 521.26 nm、S I 867.02 nm、Si I 614.50nm、Si II 518.19 nm、Cl I 777.11 nm、O II 1 066.45 nm。
第五方面，本发明实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第二方面或第一方面的任一种或第二方面的任一种可能的实现方式所述方法的步骤。
第六方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第二方面或第一方面的任一种或第二方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种菊花产地的鉴别方法、模型的构建方法及电子设备， 首先，获取经过压制的待检测菊花样品的菊花舌状花花序的原始光谱，并对原始光谱进行预处理，得到菊花舌状花花序的光谱数据。然后，基于光谱数据，提取用于反应产地特征的预设特征元素谱线的数据集。最后，将预设特征元素谱线的数据集输入至预先训练好的菊花产地鉴别模型中，以获取待检测菊花样品的产地。
本发明只需要从待检测菊花样品的光谱数据提取预设特征元素谱线的数据集，并将提取的预设特征元素谱线的数据集输入到菊花产地鉴别模型，即可得到待检测菊花样品的产地。该鉴别方法无须粉碎样品，只需要采集检测菊花样品的预设特征元素谱线的数据集即可，鉴别的速度更快、操作更简单，且鉴别的准确度也更高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的菊花产地鉴别模型的构建方法的实现流程图；
图2是本发明实施例提供的获取光谱数据的装置示意图；
图3是本发明实施例提供的不同产地菊花样品的激光诱导击穿光谱图；
图4是本发明实施例提供的LASSO算法筛选出的特征波段的重要性示意图；
图5是本发明实施例提供的使用本发明提供的菊花产地鉴别模型的鉴别结果示意图；
图6是本发明对比例提供的使用本发明提供的菊花产地鉴别模型的鉴别结果示意图；
图7是本发明实施例提供的菊花产地的鉴别方法的实现流程图；
图8是本发明实施例提供的菊花产地的鉴别装置的结构示意图；
图9是本发明实施例提供的菊花产地鉴别模型的构建装置的结构示意图；
图10是本发明实施例提供的电子设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
正如背景技术中描述的，不同产地的菊花在外观、气味、颜色方面极其相似，严重阻碍了菊花的产地鉴别。此外，不同产地的菊花在品质、化学成分、功能、价格和用途上也都不同。因此急需一种高效、快速、准确地鉴别菊花产地的方法，保障菊花质量，增加菊花产品价值。
为了解决现有技术问题，本发明实施例提供了一种菊花产地的鉴别方法、模型的构建方法及电子设备。下面首先对本发明实施例所提供的菊花产地鉴别模型的构建方法进行介绍。
参见图1，其示出了本发明实施例提供的菊花产地鉴别模型的构建方法的实现流程图，详述如下：步骤S110、获取多个训练样本，每个训练样本包括一种菊花样本的光谱数据和该样本的产地标签。获取多个训练样本时，以菊花的舌状花花序作为样本。
在一些实施例中，为了提高模型检测的准确度，需要采集不同产地的菊花样本。
样本包括：贡菊（安徽黄山）、杭菊（浙江）、亳菊（安徽亳州）、胎菊（江苏）、怀菊（河南）、野菊花（河南）、滁菊（安徽滁州）、祁菊（河北）以及安徽大马牙（安徽亳州）的菊花，并分别对其产地进行编号为0、1、2、3、4、5、6、7、8。然后将所有样本根据其产地标签参照7:3的比例随机选为训练集(n=70)和测试集样本(n=30)。每批样本称取约0.5 g菊花舌状花花序样本，经台式压片机在10t压力下压制5 min，制成Φ13 mm×4.0 mm的片状样品。每批菊花舌状花花序样品制备三个片状样品。
设置对比例，每批样本称取约0.5 g菊花（整朵）样本，经烘干、粉碎之后，台式压片机在10t压力下压制5 min，制成Φ13 mm×4.0 mm的片状样品。每批菊花样品制备三个片状样品。
如图2所示的光谱数据的获取装置，详述如下：包括210相机、220反射镜、230激光器、240延迟发生器、250光谱仪、260放置样品的样品台、270计算机、280聚焦透镜。光谱数据采集的过程中，光谱采集设备参数设置为：激光能量：100 mJ；延迟时间：2μs；积分时间：1ms。选择单激发模式采集光谱数据。考虑到激光烧蚀致使样品表面不均匀，每次采集光谱后，将位移平台移动相同的距离，使每次的激光脉冲作用在菊花样品表面新的位置，确保均匀采集样品表面信息。每个片状样品采集50次数据。图3为实施例不同产地菊花样品的激光诱导击穿光谱图。
在一些实施例中，光谱数据是采用激光诱导击穿光谱技术测试得到的。激光诱导击穿光谱技术(laser-induced Breakdown Spectroscopy，简称LIBS)是一种新兴的原子分析技术，它具有快速、预处理简单、多元素分析和在线远程分析的特点。该技术利用激光烧蚀样本产生等离子体，通过分析等离子体发射的光谱信号进行定性与定量检测。
在一些实施例中，在测试过程中由于会受到离群光谱数据的影响，以及外部噪声以及环境的影响，需要对得到的原始光谱数据进行预处理。
在此实施例中，由于测量过程中会受到仪器噪声、人员操作失误以及实验条件改变等因素的影响，可能会导致一些数据点偏离正常范围。因此需要通过剔除离群光谱数据提高光谱数据的质量。采用局部离群因子算法对每个片状样品采集的50次光谱数据进行离群光谱数据检测，并将剔除离群光谱数据后的所有光谱数据的平均值作为每个样品的剔除后的光谱数据。
如，可以使用局部离群因子算法对离群光谱数据进行剔除。
在此实施例中，为消除设备噪声以及测量环境变化对光谱数据的影响，还需要对光谱数据进行去除噪声处理。可以首先，对训练集和测试集的光谱数据分别采用光谱的一阶1st Der、标准正态化SNV、多元散射校正MSC和SG平滑四种预处理方法对剔除后的光谱数据进行处理。然后，使用原始数据以及四种预处理方法处理之后的训练集分别构建k近邻法(k-nearest neighbor，KNN)、随机森林(Random Forests，RF)、支持向量机（SupportVector Machine, SVM）和线性判别分析（Linear Discriminant Analysis，LDA）四种基学***均值。在不同预处理方法下不同模型的预测结果如表1采用不同预处理方法建立的基学习器的准确度所示，从表1中可以看出1st Der可以明显的改善四种基学习器的预测结果，1st Der对数据处理的效果最好。
表1 不同预处理方法建立的基学习器的准确度
| 处理方法 | 基学习器 | 超参数 | 训练集(%) | 五折交叉验证(%) | 测试集(%) |
| 未处理 | KNNLDARFSVM | 1svd20, 1, 2, 731, auto, linear | 100.0100.0100.0100.0 | 89.193.590.189.6 | 78.977.872.283.3 |
| SNV | KNNLDARFSVM | 1svd19, 1, 2, 241, auto, linear | 100.0100.0100.0100.0 | 88.695.587.293.1 | 71.178.966.784.4 |
| MSC | KNNLDARFSVM | 1svd16, 1, 3, 441, auto, linear | 100.0100.0100.0100.0 | 88.695.586.793.1 | 71.180.074.485.6 |
| 1st Der | KNNLDARFSVM | 1svd20, 1, 10, 201, auto, linear | 100.0100.0100.0100.0 | 90.195.095.690.1 | 80.078.982.288.9 |
| SG | KNNLDARFSVM | 1svd20, 1, 2, 1721, auto, linear | 100.0100.0100.0100.0 | 89.195.585.689.1 | 77.878.970.084.4 |
表2 不同预处理方法建立的基学习器的准确度（对比例）
| 处理方法 | 基学习器 | 超参数 | 训练集(%) | 五折交叉验证(%) | 测试集(%) |
| 未处理 | KNNLDARFSVM | 1svd34, 1, 2, 3001, auto, linear | 100.0100.0100.0100.0 | 89.585.482.185.8 | 76.780.078.977.8 |
| SNV | KNNLDARFSVM | 1svd35, 1, 2, 801, auto, linear | 100.0100.0100.0100.0 | 89.086.987.986.1 | 78.980.081.178.9 |
| MSC | KNNLDARFSVM | 1svd18, 1, 4, 1501, auto, linear | 100.0100.0100.0100.0 | 89.086.982.586.6 | 78.981.183.378.9 |
| 1st Der | KNNLDARFSVM | 1svd45, 1, 3, 701, auto, linear | 100.0100.0100.0100.0 | 88.586.985.787.5 | 80.078.983.382.2 |
需要说明的是，超参数是指KNN对应的是K值；LDA对应的是字符串类型；RF对应的是树的最大深度、叶子节点的最小样本数目、***内部节点需要的最少样例数和树的数量；SVM对应的是惩罚系数、核函数系数和核函数类型。
步骤S120、基于每个训练样本的光谱数据，提取用于反应产地特征的预设特征元素谱线的数据集。
在一些实施例中，由于光谱数据中含有大量的无关信息和冗余信息，为提高模型的预测精度和计算速度，需要提取部分特征以便快速地检测。具体的特征提取过程如下：
步骤S1201、基于特征变量筛选算法从光谱数据中的所有波段中筛选出特征波段。
可以采用的特征变量筛选算法包括竞争性自适应重加权采样法（CompetitiveAdaptive Reweighted Sampling，CARS）、最小绝对值收缩和选择算法（Least AbsoluteShrinkage and Selection Operator，LASSO）以及连续投影算法（SuccessiveProjections Algorithm， SPA）分别对经过1st Der处理的训练集进行特征波长筛选。测试集的变量同样根据训练集筛选得到的特征波长进行保留。然后使用三种特征筛选算法筛选后的训练集分别建立KNN、RF、SVM和LDA四种基学习器。同时使用贝叶斯优化算法进行超参数优化。优化后的分类模型对测试集的预测结果如表3采用不同特征筛选方法建立的基学习器的预测准确率所示，可以发现特征筛选算法可以极大程度的减少变量数目。
表3 不同特征筛选方法建立的基学习器的预测准确率
| 变量选择方法 | 保留变量数 | 基学习器 | 超参数 | 训练集(%) | 五折交叉验证(%) | 测试集(%) |
| SPA | 77 | KNNLDARFSVM | 1svd13, 1, 2, 1831, auto, linear | 100.0100.0100.0100.0 | 91.697.595.691.1 | 76.783.385.687.8 |
| CARS | 131 | KNNLDARFSVM | 1svd19, 4, 3, 1991, auto, linear | 100.0100.0100.0100.0 | 91.696.095.090.6 | 76.782.286.784.4 |
| LASSO | 57 | KNNLDARFSVM | 1svd20, 1, 2, 2001, auto, linear | 100.0100.0100.0100.0 | 89.196.596.691.6 | 78.982.290.084.4 |
表4 不同特征筛选方法建立的基学习器的预测准确率（对比例）
| 变量选择方法 | 保留变量数 | 基学习器 | 超参数 | 训练集(%) | 五折交叉验证(%) | 测试集(%) |
| SPA | 158 | KNNLDARFSVM | 1svd45, 1, 3, 701, auto, linear | 100.0100.0100.0100.0 | 90.591.989.890.9 | 82.281.178.982.2 |
| CARS | 137 | KNNLDARFSVM | 1svd45, 1, 3, 701, auto, linear | 100.0100.0100.0100.0 | 87.986.986.086.5 | 80.078.981.180.0 |
| LASSO | 139 | KNNLDARFSVM | 1svd45, 1, 3, 701, auto, linear | 100.0100.0100.0100.0 | 89.492.589.791.2 | 81.184.482.281.1 |
此外LDA和RF基学习器的预测性能得到提升。将模型对测试集的预测准确率以及特征筛选算法保留变量数量作为评价指标，最终选取LASSO作为较优的变量筛选方法。使用LASSO算法筛选到的特征波段的重要性如图4所示。
步骤S1202、基于谱线选择规则从特征波段中筛选出预设特征元素谱线。
为了分析不同产地菊花样品中含量差异较大的无机元素，对LASSO筛选得到的特征波段进行进一步分析。根据特征元素谱线选择原则，不同的元素选择谱线轮廓清晰、信号强度大的谱线，同一元素选择分离度高、信号强度大、在特征变量筛选结果中重要性较高的谱线。
经过以上筛选发现，作为天然产物的菊花样品其中含有多种无机元素，而且不同产地菊花含有的无机元素种类并不相同。受到基体效应的影响，含量较低的元素无法准确识别。在剔除无法准确识别的元素之后，依照谱线选择原则最终选择Fe、Ca、Na、Cu、S、Si、Cl、O为最终使用的特征元素，具体的特征元素谱线如表5特征元素谱线所示。
表5 特征元素谱线
| 编号 | 特征元素谱线 (nm) | 编号 | 特征元素谱线 (nm) | 编号 | 特征元素谱线 (nm) |
| 1 | Fe II 1 065.21 | 10 | Fe I 586.24 | 19 | Cu II 671.20 |
| 2 | Fe II 770.49 | 11 | Fe I 558.48 | 20 | Cu II 552.71 |
| 3 | Fe II 766.81 | 12 | Fe I 526.72 | 21 | S II 521.26 |
| 4 | Fe II 656.54 | 13 | Ca II 854.21 | 22 | S I 867.02 |
| 5 | Fe II 614.04 | 14 | Ca II 396.85 | 23 | Si I 614.50 |
| 6 | Fe II 556.11 | 15 | Ca I 644.07 | 24 | Si II 518.19 |
| 7 | Fe II 517.05 | 16 | Ca I 558.87 | 25 | Cl I 777.11 |
| 8 | Fe I 658.12 | 17 | Na II 518.72 | 26 | O II 1 066.45 |
| 9 | Fe I 622.08 | 18 | Na II 394.30 |
步骤S130、基于多个训练样本的产地标签和预设特征元素谱线的数据集，构建并训练得到菊花产地鉴别模型。
在一些实施例中，可以基于多个训练样本的产地标签和预设特征元素谱线的数据集构建KNN、RF、SVM和LDA四种基学习器。基学习器对测试集的预测结果的准确率如表6采用特征元素谱线建立的基学习器的预测准确率所示。
表6 采用特征元素谱线建立的基学习器的预测准确率
| 基学习器 | 超参数 | 训练集(%) | 五折交叉验证(%) | 测试集(%) |
| KNNLDARFSVM | 1svd20, 5, 2, 201, auto, linear | 100.0100.0100.0100.0 | 89.694.697.192.6 | 84.480.083.392.2 |
可以看出基于特征元素谱线构建的基学习器模型仍然保持较好的预测性能，说明所选择的特征元素谱线可以极大程度代表不同产地菊花中的差异元素。
为了进一步提高菊花产地鉴别模型的预测准确性，可以通过软投票法基于四种基学习器模型的预测概率，组合成为一个强学习器。如图5所示，强学习器对滁菊的判别准确率为66.7%，杭菊的判别准确率为93.3%，胎菊的判别准确率为80.0%，其他产地样品的判别准确率为100%，集成的强学习器对测试集的总体预测结果为93.3%，如表7所示。对比使用LIBS采集经粉碎、过筛和压片处理的样品的光谱数据，对测试集的预测结果由85.6%提升至93.3%，详见图6和表8（对比例采用4种基学习器构建的集成学习模型的预测准确率）。从上面的数据可以看出，在节省样品前处理时间的同时，菊花产地鉴别模型的预测性能也得到极大的提升。
表7 采用4种基学习器构建的集成学习模型的预测准确率
| 基学习器 | 训练集(%) | 五折交叉验证(%) | 测试集(%) |
| KNN、LDA、RF、SVM | 100.0 | 94.6 | 93.3 |
表8 采用4种基学习器构建的集成学习模型的预测准确率（对比例）
| 基学习器 | 训练集(%) | 五折交叉验证(%) | 测试集(%) |
| KNN、LDA、RF、SVM | 100.0 | 92.5 | 85.6 |
菊花产地鉴别模型构建和训练完成后，即可用于对待测的菊花样本的产地进行鉴别。具体的鉴别过程将进行详细的介绍。
参见图7，其示出了本发明实施例提供的菊花产地的鉴别方法的实现流程图，详述如下：步骤S710、获取经过压制的待检测菊花样品的菊花舌状花花序的原始光谱，并对原始光谱进行预处理，得到菊花舌状花花序的光谱数据。
在此实施例中，称取约0.5 g待检测菊花样品的舌状花花序，经台式压片机在10 t压力下压制5 min，制成Φ13 mm×4.0 mm的片状样品。
在一些实施例中，可以采用激光诱导击穿光谱技术获取待检测菊花样品的光谱数据。
在此实施例中，仍以图2中的装置采集其原始光谱数据，光谱采集设备参数设置为：激光能量：100 mJ；延迟时间：2μs；积分时间：1ms。选择单激发模式采集光谱数据。考虑到激光烧蚀致使样品表面不均匀，每次采集光谱后，将位移平台移动相同的距离，使每次的激光脉冲作用在菊花样品表面新的位置，确保均匀采集样品表面信息。每个片状样品采集50次数据。
在一些实施例中，由于原始光谱数据中存在一些离群数据和噪声数据，因此需要对原始光谱数据进行处理。具体的处理过程为：首先，采用局部离群因子算法剔除离群光谱数据，然后采用一阶导数1st Der法对剔除后的光谱数据进行处理后，得到菊花舌状花花序的光谱数据。
步骤S720、基于光谱数据，提取用于反应产地特征的预设特征元素谱线的数据集。
在一些实施例中，预设特征元素谱线是基于谱线选择规则从特征波段中从筛选出的，特征波段是基于特征变量筛选算法从光谱数据中的所有波段中筛选出的。
选择的特征元素包括Fe、Ca、Na、Cu、S、Si、Cl、O。预设特征元素谱线包括Fe II1065.21 nm、Fe II 770.49 nm、Fe II 766.81 nm、Fe II 656.54 nm、Fe II 614.04 nm、FeII 556.11 nm、Fe II 517.05 nm、Fe I 658.12 nm、Fe I 622.08 nm、Fe I 586.24 nm、FeI 558.48 nm、Fe I 526.72 nm、Ca II 854.21 nm、Ca II 396.85 nm、Ca I 644.07 nm、CaI 558.87 nm、Na II 518.72 nm、Na II 394.30 nm、Cu II 671.20 nm、Cu II 552.71 nm、SII 521.26 nm、S I 867.02 nm、Si I 614.50 nm、Si II 518.19 nm、Cl I 777.11 nm、O II1 066.45 nm。
步骤S730、将预设特征元素谱线的数据集输入至预先训练好的菊花产地鉴别模型中，以获取待检测菊花样品的产地。
在一些实施例中，菊花产地鉴别模型是基于软投票法使用多个基学习器构建而成的强学习器，多个基学习器包括K最近邻算法、随机森林算法、支持向量机或线性判别分析中的一种或多种。
在此实施例中，菊花产地鉴别模型是基于软投票法使用K最近邻算法、随机森林算法、支持向量机和线性判别分析这4种基学习器构建的强学习器。
本发明实施例提供的鉴别方法，首先，获取待检测菊花样品的光谱数据，然后，基于光谱数据，提取用于反应产地特征的预设特征元素谱线的数据集。最后，将预设特征元素谱线的数据集输入至预先训练好的菊花产地鉴别模型中，以获取待检测菊花样品的产地。
本发明只需要从待检测菊花样品的光谱数据提取预设特征元素谱线的数据集，并将提取的预设特征元素谱线的数据集输入到菊花产地鉴别模型，即可得到待检测菊花样品的产地。该鉴别方法无须粉碎样品，只需要采集检测菊花样品的预设特征元素谱线的数据集即可，检测的速度更快、操作更简单，且鉴别的准确度也更高。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
基于上述实施例提供的菊花产地的鉴别方法，相应地，本发明还提供了应用于该菊花产地的鉴别方法的菊花产地的鉴别装置的具体实现方式。请参见以下实施例。
如图8所示，提供了一种菊花产地的鉴别装置800，该装置包括：获取数据模块810，用于获取待检测菊花样品的光谱数据；提取模块820，用于基于光谱数据，提取用于反应产地特征的预设特征元素谱线的数据集；检测模块830，用于将预设特征元素谱线的数据集输入至预先训练好的菊花产地鉴别模型中，以获取待检测菊花样品的产地。
在一种可能的实现方式中，预设特征元素谱线是基于谱线选择规则从特征波段中从筛选出的，特征波段是基于特征变量筛选算法从光谱数据中的所有波段中筛选出的；
预设特征元素谱线包括Fe II 1065.21 nm、Fe II 770.49 nm、Fe II 766.81 nm、Fe II 656.54 nm、Fe II 614.04 nm、Fe II 556.11 nm、Fe II 517.05 nm、Fe I 658.12nm、Fe I 622.08 nm、Fe I 586.24 nm、Fe I 558.48 nm、Fe I 526.72 nm、Ca II 854.21nm、Ca II 396.85 nm、Ca I 644.07 nm、Ca I 558.87 nm、Na II 518.72 nm、Na II 394.30nm、Cu II 671.20 nm、Cu II 552.71 nm、S II 521.26 nm、S I 867.02 nm、Si I 614.50nm、Si II 518.19 nm、Cl I 777.11 nm、O II 1 066.45 nm。
在一种可能的实现方式中，菊花产地鉴别模型是基于软投票法使用多个基学习器构建而成的强学习器，多个基学习器包括K最近邻算法、随机森林算法、支持向量机或线性判别分析中的一种或多种。
在一种可能的实现方式中，待检测菊花样品为经过压片机压制成片状的菊花舌状花花序；
获取数据模块810，用于获取经过压制的菊花舌状花花序的原始光谱；
对原始光谱进行预处理，得到菊花舌状花花序的光谱数据；
其中，预处理包括剔除离群数据的处理、去除数据噪声的处理，以及去除测量环境因素对数据影响的处理中的一种或多种处理。
在一种可能的实现方式中，获取数据模块810，用于基于激光诱导击穿光谱技术获取待检测菊花样品的光谱数据。
基于上述实施例提供的菊花产地鉴别模型的构建方法，相应地，本发明还提供了应用于该菊花产地鉴别模型的构建方法的菊花产地鉴别模型的构建装置的具体实现方式。请参见以下实施例。
如图9所示，提供了一种菊花产地鉴别模型的构建装置900，该装置包括：
获取模块910，用于获取多个训练样本，其中，每个训练样本包括一种菊花样本的光谱数据和该样本的产地标签；
提取模块920，用于基于每个训练样本的光谱数据，提取用于反应产地特征的预设特征元素谱线的数据集；
训练模块930，用于基于多个训练样本的产地标签和预设特征元素谱线的数据集，构建并训练得到菊花产地鉴别模型。
在一种可能的实现方式中，光谱数据是基于对获取到的原始光谱数据进行预处理，得到的光谱数据，其中，预处理包括剔除离群数据的处理、去除数据噪声的处理，以及去除测量环境因素对数据影响的处理中的一种或多种处理；
提取模块920，用于基于特征变量筛选算法从光谱数据中的所有波段中筛选出特征波段；
基于谱线选择规则从特征波段中筛选出预设特征元素谱线；
从每个训练样本的光谱数据提取出预设特征元素谱线的数据集。
在一种可能的实现方式中，菊花样本的光谱数据是基于激光诱导击穿光谱技术对经过压片机压制成片状的菊花舌状花花序进行测试得到的；
预设特征元素谱线包括Fe II 1065.21 nm、Fe II 770.49 nm、Fe II 766.81 nm、Fe II 656.54 nm、Fe II 614.04 nm、Fe II 556.11 nm、Fe II 517.05 nm、Fe I 658.12nm、Fe I 622.08 nm、Fe I 586.24 nm、Fe I 558.48 nm、Fe I 526.72 nm、Ca II 854.21nm、Ca II 396.85 nm、Ca I 644.07 nm、Ca I 558.87 nm、Na II 518.72 nm、Na II 394.30nm、Cu II 671.20 nm、Cu II 552.71 nm、S II 521.26 nm、S I 867.02 nm、Si I 614.50nm、Si II 518.19 nm、Cl I 777.11 nm、O II 1 066.45 nm。
图10是本发明实施例提供的电子设备的示意图。如图10所示，该实施例的电子设备10包括：处理器100、存储器101以及存储在所述存储器101中并可在所述处理器100上运行的计算机程序102。所述处理器100执行所述计算机程序102时实现上述各个菊花产地的鉴别方法和/或菊花产地鉴别模型的构建方法实施例中的步骤，例如图1所示的步骤110至步骤130或图7所示的步骤710至步骤730。或者，所述处理器100执行所述计算机程序102时实现上述各装置实施例中各模块的功能，例如图8所示模块810至830和/或图9所示模块910至930的功能。
示例性的，所述计算机程序102可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器101中，并由所述处理器100执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序102在所述电子设备10中的执行过程。例如，所述计算机程序102可以被分割成图8所示模块810至830和/或图9所示模块910至930的功能。
所述电子设备10可包括，但不仅限于，处理器100、存储器101。本领域技术人员可以理解，图10仅仅是电子设备10的示例，并不构成对电子设备10的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器100可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器101可以是所述电子设备10的内部存储单元，例如电子设备10的硬盘或内存。所述存储器101也可以是所述电子设备10的外部存储设备，例如所述电子设备10上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器101还可以既包括所述电子设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个菊花产地的鉴别方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。
以上所述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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种菊花产地的鉴别方法，其特征在于，包括：
获取经过压制的待检测菊花样品的菊花舌状花花序的原始光谱，并对所述原始光谱进行预处理，得到所述菊花舌状花花序的光谱数据；
基于所述光谱数据，提取用于反应产地特征的预设特征元素谱线的数据集；其中，所述预设特征元素谱线是基于谱线选择规则从特征波段中从筛选出的，所述特征波段是基于特征变量筛选算法从所述光谱数据中的所有波段中筛选出的，所述预设特征元素谱线包括FeII 1065.21 nm、Fe II 770.49 nm、Fe II 766.81 nm、Fe II 656.54 nm、Fe II 614.04nm、Fe II 556.11 nm、Fe II 517.05 nm、Fe I 658.12 nm、Fe I 622.08 nm、Fe I 586.24nm、Fe I 558.48 nm、Fe I 526.72 nm、Ca II 854.21 nm、Ca II 396.85 nm、Ca I 644.07nm、Ca I 558.87 nm、Na II 518.72 nm、Na II 394.30 nm、Cu II 671.20 nm、Cu II552.71 nm、S II 521.26 nm、S I 867.02 nm、Si I 614.50 nm、Si II 518.19 nm、Cl I777.11 nm、O II 1 066.45 nm；
将所述预设特征元素谱线的数据集输入至预先训练好的菊花产地鉴别模型中，以获取所述待检测菊花样品的产地。
2.如权利要求1所述的鉴别方法，其特征在于，所述菊花产地鉴别模型是基于软投票法使用多个基学习器构建而成的强学习器，所述多个基学习器包括K最近邻算法、随机森林算法、支持向量机或线性判别分析中的一种或多种。
3.如权利要求1或2所述的鉴别方法，其特征在于，所述获取经过压制的待检测菊花样品的菊花舌状花花序的原始光谱，包括：
基于激光诱导击穿光谱技术获取所述待检测菊花样品的菊花舌状花花序的原始光谱。
4.一种菊花产地的鉴别装置，其特征在于，包括：
获取数据模块，用于获取经过压制的待检测菊花样品的菊花舌状花花序的原始光谱，并对所述原始光谱进行预处理，得到所述菊花舌状花花序的光谱数据；
提取模块，用于基于所述光谱数据，提取用于反应产地特征的预设特征元素谱线的数据集；其中，所述预设特征元素谱线是基于谱线选择规则从特征波段中从筛选出的，所述特征波段是基于特征变量筛选算法从所述光谱数据中的所有波段中筛选出的，所述预设特征元素谱线包括Fe II 1065.21 nm、Fe II 770.49 nm、Fe II 766.81 nm、Fe II 656.54 nm、Fe II 614.04 nm、Fe II 556.11 nm、Fe II 517.05 nm、Fe I 658.12 nm、Fe I 622.08nm、Fe I 586.24 nm、Fe I 558.48 nm、Fe I 526.72 nm、Ca II 854.21 nm、Ca II 396.85nm、Ca I 644.07 nm、Ca I 558.87 nm、Na II 518.72 nm、Na II 394.30 nm、Cu II 671.20nm、Cu II 552.71 nm、S II 521.26 nm、S I 867.02 nm、Si I 614.50 nm、Si II 518.19nm、Cl I 777.11 nm、O II 1 066.45 nm；
检测模块，用于将所述预设特征元素谱线的数据集输入至预先训练好的菊花产地鉴别模型中，以获取所述待检测菊花样品的产地。
5.一种菊花产地鉴别模型的构建方法，其特征在于，包括：
获取多个训练样本，其中，每个训练样本包括一种菊花样本的菊花舌状花花序的光谱数据和该样本的产地标签；
基于每个训练样本的光谱数据，提取用于反应产地特征的预设特征元素谱线的数据集；
基于所述多个训练样本的产地标签和预设特征元素谱线的数据集，构建并训练得到菊花产地鉴别模型。
6.如权利要求5所述的构建方法，其特征在于，所述光谱数据是基于对获取到的原始光谱数据进行预处理，得到的光谱数据，其中，所述预处理包括剔除离群数据的处理、去除数据噪声的处理，以及去除测量环境因素对数据影响的处理中的一种或多种处理；
所述基于每个训练样本的光谱数据，提取用于反应产地特征的预设特征元素谱线的数据集，包括：
基于特征变量筛选算法从所述光谱数据中的所有波段中筛选出特征波段；
基于谱线选择规则从特征波段中筛选出预设特征元素谱线；
从每个训练样本的光谱数据提取出预设特征元素谱线的数据集。
7.如权利要求5或6所述的构建方法，其特征在于，所述菊花样本的光谱数据是基于激光诱导击穿光谱技术对经过压片机压制成片状的菊花舌状花花序进行测试得到的；
所述预设特征元素谱线包括Fe II 1065.21 nm、Fe II 770.49 nm、Fe II 766.81 nm、Fe II 656.54 nm、Fe II 614.04 nm、Fe II 556.11 nm、Fe II 517.05 nm、Fe I 658.12nm、Fe I 622.08 nm、Fe I 586.24 nm、Fe I 558.48 nm、Fe I 526.72 nm、Ca II 854.21nm、Ca II 396.85 nm、Ca I 644.07 nm、Ca I 558.87 nm、Na II 518.72 nm、Na II 394.30nm、Cu II 671.20 nm、Cu II 552.71 nm、S II 521.26 nm、S I 867.02 nm、Si I 614.50nm、Si II 518.19 nm、Cl I 777.11 nm、O II 1 066.45 nm。
8.一种菊花产地鉴别模型的构建装置，其特征在于，包括：
获取模块，用于获取多个训练样本，其中，每个训练样本包括一种菊花样本的菊花舌状花花序的光谱数据和该样本的产地标签；
提取模块，用于基于每个训练样本的光谱数据，提取用于反应产地特征的预设特征元素谱线的数据集；
训练模块，用于基于所述多个训练样本的产地标签和预设特征元素谱线的数据集，构建并训练得到菊花产地鉴别模型。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至3或权利要求5至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3或权利要求5至7任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311192421.4A CN116933043A (zh) | 2023-09-15 | 2023-09-15 | 菊花产地的鉴别方法、模型的构建方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311192421.4A CN116933043A (zh) | 2023-09-15 | 2023-09-15 | 菊花产地的鉴别方法、模型的构建方法及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116933043A true CN116933043A (zh) | 2023-10-24 |
Family
ID=88386442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311192421.4A Pending CN116933043A (zh) | 2023-09-15 | 2023-09-15 | 菊花产地的鉴别方法、模型的构建方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116933043A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106560698A (zh) * | 2016-10-20 | 2017-04-12 | 中国计量大学 | 基于多种检测技术的植物产地鉴别方法 |
| CN106560699A (zh) * | 2016-10-20 | 2017-04-12 | 中国计量大学 | 用于武夷岩茶产地鉴别的联合检测方法 |
| CN107402189A (zh) * | 2016-11-18 | 2017-11-28 | 中国科学院西北高原生物研究所 | 一种锁阳产地的鉴别方法 |
| CN109115748A (zh) * | 2018-10-10 | 2019-01-01 | 浙江农林大学 | 基于激光诱导击穿光谱技术的不同产地葛根粉的鉴别方法 |
| CN112098361A (zh) * | 2020-08-20 | 2020-12-18 | 苏州浩旸华智能科技有限公司 | 一种基于近红外光谱的玉米种子鉴别方法 |
| CN112214369A (zh) * | 2020-10-23 | 2021-01-12 | 华中科技大学 | 基于模型融合的硬盘故障预测模型建立方法及其应用 |
| CN113505661A (zh) * | 2021-06-22 | 2021-10-15 | 中国农业大学 | 产地鉴别的方法、装置、电子设备及存储介质 |
| CN113836784A (zh) * | 2021-07-23 | 2021-12-24 | 塔里木大学 | 一种基于信息融合技术的苹果鉴别***及方法 |
| CN114624402A (zh) * | 2022-01-28 | 2022-06-14 | 广西壮族自治区水产科学研究院 | 一种基于近红外光谱的螺蛳粉酸笋品质评价方法 |
| CN114720420A (zh) * | 2022-03-24 | 2022-07-08 | 中国中医科学院中药研究所 | 一种基于高光谱成像技术的花椒产地识别方法及*** |
| CN116541750A (zh) * | 2023-05-11 | 2023-08-04 | 湖南工业大学 | 一种薏苡仁产地的鉴别方法、终端设备及存储介质 |
-
2023
- 2023-09-15 CN CN202311192421.4A patent/CN116933043A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106560698A (zh) * | 2016-10-20 | 2017-04-12 | 中国计量大学 | 基于多种检测技术的植物产地鉴别方法 |
| CN106560699A (zh) * | 2016-10-20 | 2017-04-12 | 中国计量大学 | 用于武夷岩茶产地鉴别的联合检测方法 |
| CN107402189A (zh) * | 2016-11-18 | 2017-11-28 | 中国科学院西北高原生物研究所 | 一种锁阳产地的鉴别方法 |
| CN109115748A (zh) * | 2018-10-10 | 2019-01-01 | 浙江农林大学 | 基于激光诱导击穿光谱技术的不同产地葛根粉的鉴别方法 |
| CN112098361A (zh) * | 2020-08-20 | 2020-12-18 | 苏州浩旸华智能科技有限公司 | 一种基于近红外光谱的玉米种子鉴别方法 |
| CN112214369A (zh) * | 2020-10-23 | 2021-01-12 | 华中科技大学 | 基于模型融合的硬盘故障预测模型建立方法及其应用 |
| CN113505661A (zh) * | 2021-06-22 | 2021-10-15 | 中国农业大学 | 产地鉴别的方法、装置、电子设备及存储介质 |
| CN113836784A (zh) * | 2021-07-23 | 2021-12-24 | 塔里木大学 | 一种基于信息融合技术的苹果鉴别***及方法 |
| CN114624402A (zh) * | 2022-01-28 | 2022-06-14 | 广西壮族自治区水产科学研究院 | 一种基于近红外光谱的螺蛳粉酸笋品质评价方法 |
| CN114720420A (zh) * | 2022-03-24 | 2022-07-08 | 中国中医科学院中药研究所 | 一种基于高光谱成像技术的花椒产地识别方法及*** |
| CN116541750A (zh) * | 2023-05-11 | 2023-08-04 | 湖南工业大学 | 一种薏苡仁产地的鉴别方法、终端设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 李江波等: "《图谱分析技术在农产品质量和安全评估中的应用》", 武汉大学出版社, pages: 88 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xing et al. | Combination of chemometric tools and image processing for bruise detection on apples | |
| CN106770194B (zh) | 基于小波变换激光诱导击穿光谱的谷类作物产地鉴别方法 | |
| CN109870421B (zh) | 一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法 | |
| WO2014078862A1 (en) | Blending of agricultural products via hyperspectral imaging and analysis | |
| CN104020128B (zh) | 一种快速鉴别蜂胶胶源的方法 | |
| CN110763698A (zh) | 一种基于特征波长的高光谱柑橘叶片病害识别方法 | |
| Kryl et al. | Wood recognition and quality imaging inspection systems | |
| Savage et al. | Evaluation of a hierarchical agglomerative clustering method applied to WIBS laboratory data for improved discrimination of biological particles by comparing data preparation techniques | |
| CN106596513A (zh) | 一种基于激光诱导击穿光谱茶叶品种识别方法 | |
| Peerbhay et al. | Does simultaneous variable selection and dimension reduction improve the classification of Pinus forest species? | |
| CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
| CN115618282B (zh) | 一种合成宝石的鉴定方法、装置及存储介质 | |
| Yin et al. | Non-destructive detection of foreign contaminants in toast bread with near infrared spectroscopy and computer vision techniques | |
| CN114778484A (zh) | 茶叶品质等级分类方法及装置、设备、存储介质 | |
| CN111523587A (zh) | 一种基于机器学习的木本植物物种光谱识别方法 | |
| Sánchez et al. | Classification of cocoa beans based on their level of fermentation using spectral information | |
| CN117132843A (zh) | 野山参、林下山参、园参原位鉴别方法、***及相关设备 | |
| CN108663334A (zh) | 基于多分类器融合寻找土壤养分光谱特征波长的方法 | |
| CN112485238A (zh) | 一种基于拉曼光谱技术鉴别姜黄精油产地的方法 | |
| CN116933043A (zh) | 菊花产地的鉴别方法、模型的构建方法及电子设备 | |
| CN103076300A (zh) | 专属性模式识别模型判别分析中药材资源指纹信息的方法 | |
| CN113836784B (zh) | 一种基于信息融合技术的苹果鉴别***及方法 | |
| CN113567417A (zh) | 一种基于拉曼光谱指纹分析技术鉴别花生油产地的方法 | |
| CN112749906A (zh) | 卷烟主流烟气光谱数据的感官评价方法 | |
| CN116883852B (zh) | 一种基于高光谱的岩芯数据获取方法及*** |
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 |