[发明专利]一种葡萄酒产地及品牌的快速识别方法

说明书

本发明提供了一种葡萄酒产地及品牌的快速识别方法，所述方法包括：1)、针对产地及品牌差异的红葡萄酒样本，制备嗅觉可视化传感器阵列，采集嗅觉可视化传感器与红葡萄酒挥发性成分反应前后颜色变化信息，得到红葡萄样品的气味特征；2)、利用电子舌对红葡萄酒样品进行采样，得到红葡萄酒样品的滋味特征，其中，所述滋味特征包括：产地特征以及品牌特征；3)、根据所述气味特征与滋味特征的组合构建融合特征；4)、将红葡萄酒样品的品牌信息、产地信息作为融合特征的标签，进而得到训练样本集合，利用训练样本集合训练极限学习机模型；5)、使用训练后的极限学习机模型识别出未知红葡萄酒的产地以及品牌信息。应用本发明实施例，提高了检测效率。

技术领域

本发明涉及食品、农产品产地检测技术领域，具体涉及一种葡萄酒产地及品牌的快速识别方法。

背景技术

葡萄酒以其独特的风味和重要的保健功效，在全球范围内广受欢迎。过去几十年，随着生活水平的提高，我国葡萄酒市场发展迅速，人均消费量从1995年的0.8L上升到2016年的1.7L，增加了近112.5％。目前，市场上葡萄酒品牌多样，品种繁多，各档次产品玲琅满目，价格参差不齐，更甚者出现采用人工色素和酒精溶液勾兑的假酒，而且价格虚高。假酒不仅会造成消费者的经济损失、还会直接影响到消费者的身体健康，甚至危及生命安全。因此，进行葡萄酒品质的快速、客观、准确鉴定非常重要。

现有技术中，申请号为201910555462.2的发明专利申请公开了一种极限学习机光谱模型判别恩施玉露茶鲜叶产地的方法，涉及农产品产地识别技术领域。该发明专利的特征在于：首先扫描获得不同产地茶鲜叶样品的近红外光谱，其次对样品光谱进行预处理剔除噪声信息后，再将样品光谱转化为成对的数据点，并将光谱数据均分为20个光谱子区间，应用蚁群算法筛选反映鲜叶产地的光谱信息子区间波段，最后将最佳的光谱信息子区间信息作为输入，建立极限学习机光谱模型，用于茶鲜叶产地的预测。该发明实现了对恩施玉露茶鲜叶产地的快速、准确预测。

现有技术先使用蚁群算法进行变量筛选，再使用极限学习机算法进行学习及预测，即使用了蚁群算法和极限学习机算法的叠加算法实现茶叶的产地识别，模型复杂，运算量较大，进而导致现有技术存在检测效率较低的技术问题。

发明内容

本发明所要解决的技术问题在于如何提高检测效率，并实现成品红葡萄酒产地及品牌的同时预测。

本发明是通过以下技术手段实现解决上述技术问题的：

本发明实施例提供了一种葡萄酒产地及品牌的快速识别方法，所述方法包括：

1)、针对产地及品牌差异的红葡萄酒样本，制备嗅觉可视化传感器阵列，采集嗅觉可视化传感器与红葡萄酒挥发性成分反应前后颜色变化信息，得到红葡萄样品的气味特征；

2)、利用电子舌对产地及品牌差异的红葡萄酒样本进行检测，得到红葡萄酒的滋味特征，其中，所述滋味特征包括：产地特征以及品牌特征；

3)、根据所述气味特征与滋味特征的组合构建融合特征；

4)、将红葡萄酒样品的产地、品牌信息作为融合特征的标签，进而得到训练样本集合，利用训练样本集合训练极限学习机模型；

5)、使用训练后的极限学习机模型识别出未知红葡萄酒样本的产地以及品牌信息。

应用本发明实施例，在嗅觉可视化传感器阵列获得的气味特征以及电子舌获得的滋味特征基础上，构建融合特征，然后直接用极限学习机进行学习与预测，相较于现有技术中使用的蚁群算法和极限学习叠加算法实现茶叶产地的预测，无需使用蚁群算法进行特征分类，而且本发明实施例中融合特征的构建均为简单的向量运算。因此，本发明实施例模型简单，运算量更小，进而提高了检测效率。

可选的，所述采集嗅觉可视化传感器与红葡萄酒挥发性成分反应前后颜色变化信息，包括：