[发明专利]阿拉比卡和罗伯斯塔两种咖啡豆的快速鉴别方法

说明书

本发明公开了阿拉比卡和罗伯斯塔两种咖啡豆的快速鉴别方法，属于食品检测技术领域，利用阿拉比卡与罗伯斯塔两种咖啡豆样本均在拉曼光谱波段有明显吸收的现象，得到拉曼光谱的原始数据，将原始数据扣除基线并进行平滑滤波处理，然后添加高斯白噪声用于扩充数据，然后将每种咖啡豆扩充后的数据放入LSTM神经网络进行训练与测试，本发明首次提出拉曼光谱与LSTM神经网络相结合的方法对咖啡豆种类进行鉴别，具有操作简单、分析结果准确的优点。

技术领域

本发明涉及一种咖啡豆鉴别方法，尤其是阿拉比卡和罗伯斯塔两种咖啡豆的快速鉴别方法，属于食品检测技术领域。

背景技术

咖啡是一种原产于埃塞俄比亚西南部的热带植物，它的果实经过脱皮、发酵、脱胶、干燥后成为生咖啡。阿拉比卡和罗伯斯塔是目前咖啡交易市场两种主要的咖啡豆品种，这两种咖啡豆外观相似，但价格差异较大，很多不法商家往往以次充好，利用其中差价谋取暴利。因此研究快速、准确的咖啡豆种类无损鉴别方法对于保障消费者权益具有重要意义。

激光拉曼光谱是基于拉曼散射效应的分子结构表征技术，其谱线位置、谱带强度等可反映物质成分等信息，已经广泛应用于诸多行业。郭鹏程等结合激光拉曼技术成功的分辨出了灵芝孢子油；温丹华等建立山西老陈醋醋龄拉曼光谱快速检测方法；Corvucci等将蜂蜜的激光拉曼光谱与主成分分析模型相结合成功用于蜂蜜产地追溯。此外，在农产品检测领域，激光拉曼技术已经应用于辣椒苏丹红、蔬菜水果农药残留以及生鲜肉中的瘦肉精等的定性定量检测。

深度学习通过组合低层特征形成更加抽象的高层表示以发现数据的属性类别，具有强大的学习能力。循环神经网络(Recurrent Neural Networks，RNN)是深度学习的重要分支，其可以通过为网络添加额外的权重来在网络图中创建循环，已经在故障诊断、语音识别、情感分类等诸多领域展现了出色的特征提取和学习能力。近些年深度学习在光谱分析领域也得到关注，Le等将近红外技术与深度学习相结合，成功筛选出含有曲黄霉素的稻谷；赵勇等利用一维卷积神经网络进行三类雌性激素粉末的拉曼光谱分类；虞浩月等将双向长短期记忆网络运用到太赫兹光谱识别领域。

目前，Pawel等人利用两种咖啡豆香味的离子迁移率成功区分阿拉比卡与罗伯斯塔，但是检测速度较慢。Marie等人使用DNA检测技术区分出了两种咖啡豆，但是所需成本较大。

而本专利将拉曼光谱与循环神经网络(LSTM)算法相结合，应用于两种咖啡豆的种类鉴别，具有对样本无损性、快速、成本低等优点。

发明内容

本发明需要解决的技术问题是提供阿拉比卡和罗伯斯塔两种咖啡豆的快速鉴别方法，鉴别快速、成本低，并且抗噪声能力明显高于传统分类算法，同时具备样本无损性。

为解决上述技术问题，本发明所采用的技术方案是：

阿拉比卡和罗伯斯塔两种咖啡豆的快速鉴别方法，利用阿拉比卡与罗伯斯塔两种咖啡豆样本均在拉曼光谱波段有明显吸收的现象，得到拉曼光谱的原始数据，将原始数据扣除基线并进行平滑滤波处理，然后添加高斯白噪声用于扩充数据，然后将每种咖啡豆扩充后的数据放入LSTM神经网络进行训练与测试，搭建LSTM神经网络模型，通过寻优找到最佳参数，最终得出咖啡豆样本的分类结果。

本发明技术方案的进一步改进在于：包括以下步骤：

1)咖啡豆样本的前处理：对咖啡豆样本进行筛选，晾干；

2)利用拉曼光谱仪测定咖啡豆样本得到原始拉曼光谱数据，并对原始拉曼光谱数据进行预处理；

3)将预处理后的原始拉曼光谱数据进行数据扩充，使每种咖啡豆样本的光谱数据扩充到2000个样本；

4)建立LSTM神经网络模型进行光谱定性分类，确定模型最优参数，选取最优网络结构；

5)根据最优的网络结构得到两种咖啡豆样本的分类结果。