[发明专利]一种基于已有校正模型快速检测农产品化学组分的方法

说明书

技术领域

本发明属于检测领域，具体涉及一种基于已有校正模型快速检测农产品化学组分的方法。

背景技术

利用近红外光谱分析技术对农作物化学组分的测量已经有很多的应用，其主要原理是利用农作物不同组分对不同近红外光的特征吸收来进行测量。近红外光谱指的是780～2500nm之间的光谱波段，能够对作物中的含氢基团如OH、CH、NH等表现出特征吸收。

在近红外光谱检测中，一般是先要建立光谱仪采集到的光谱和测量物组分之间的校正模型，该模型的建立需要收集一定数量的建模样品，分别测量样品的近红外光谱和参考数据，由化学计量学方法得到校正模型。一般的，不同设备在对农产品进行近红外检测之前，都需要进行校正模型的建立，以达到能够正确测量样品组分和浓度的目的。

CN104089911B公开了一种基于一元线性回归的光谱模型传递方法，主要步骤I对M台光谱仪器的样品光谱进行相同预处理；且根据样品的m种成分将光谱数据分为m个校正集和预测集，分别在M台仪器上建立m个校正模型；III校正模型评价；IV将预测效果最好的仪器作为主仪器，其它为从仪器；V选取主仪器校正集中针对各从仪器的最佳样品，按其序号确定各从仪器转换集样品，用一元线性回归求回归系数，校正从仪器光谱，然后代入主仪器校正模型得样品成分含量结果。

CN103854305B公开了一种基于多尺度建模的模型传递方法，该方法包括以下步骤:采集主、从机仪器的原始光谱；结合小波基性和样品原始光谱的特性，选择最佳小波基对光谱进行小波多尺度分解，获取小波系数；对小波系数进行重构；对每一层重构的光谱分别进行多变量校正；对多变量校正之后的光谱建立基于偏最小二乘法和留一法交叉验证法的预测模型，得到预测模型的交叉验证均方根误差；使用权值将预测模型进行模型融合，并计算预测均方根误差和相关系数来评价模型传递效果。

以上发明专利都具有光谱传递，但是均是由从机往源机进行传递，再利用源机建立的校正模型进行组分的分析，存在从机光谱转换过程中引入的误差。

CN106092960A公开了一种快速校正近红外光谱检测设备并检测农产品中化学成分的方法，该方法包括如下步骤：步骤A：用标准近红外检测设备对n个农产品标准样品进行近红外数据采集，得到标准近红外光谱数据库；步骤B：用化学方法检测步骤A中的n个农产品标准样品的化学成分数据，形成标准化学成分数据库；步骤C：根据步骤A的标准近红外光谱数据库和步骤B的标准化学成分数据库建立标准映射模型；步骤D：用检测农产品的实际近红外检测设备采集m个农产品校验样品的近红外光谱数据，形成校验近红外光谱数据库；步骤E：用化学方法检测步骤D中的m个农产品校验样品的化学成分数据，形成校验化学成分数据库；步骤F：将校验近红外光谱数据库和校验化学成分数据库与标准映射模型进行比对，获得实际近红外检测设备所采集的近红外光谱与化学成分关系的校验映射模型；步骤G：用实际近红外检测设备采集农产品新样品的近红外光谱数据，通过校验映射模型计算得到农产品新样品的化学成分数据；其中步骤A、步骤D和步骤G中的农产品属于植物学上同一种；其中n和m为整数，且n＞50＞m＞5。

该技术是将实际近红外光谱数据和实际化学成分数据输入到云端，利用与云端的标准映射模型比对形成校验映射模型。该技术需要同时检测实际端的近红外光谱和化学成分数据，两者都需要与云端的标注数据比对校验，得到的误差较大；且该技术的转换方向是将实际的向标准的转换，这种由低精密度向高精密度的转换误差同样较大。

CN106092961A公开了一种快速检测农产品中化学成分的方法，该方法包括如下步骤：步骤A：用标准近红外检测设备对农产品标准样品进行近红外数据采集，得到标准近红外光谱数据；步骤B：用检测农产品的实际近红外检测设备采集步骤A中的农产品标准样品的检测近红外光谱数据；步骤C：根据步骤A和步骤B所采集的标准近红外光谱数据和检测近红外光谱数据建立光谱传递模型；步骤D：用化学方法检测步骤A中的农产品标准样品的化学成分数据；步骤E：根据步骤A的标准近红外光谱数据和步骤D的化学成分数据建立反演模型；步骤F：应用步骤B的实际近红外检测设备采集实际农产品样品的近红外光谱数据，将该近红外光谱数据通过光谱传递模型获得该实际农产品样品的标准近红外光谱数据，再将该标准近红外光谱数据通过反演模型获得实际农产品样品的化学成分数据；其中农产品标准样品和实际农产品样品为同一植物种。