一种基于光谱特征自适应筛选的肉桂产地识别方法与流程

本发明涉及农产品品质检测与产地溯源，特别涉及一种基于光谱特征自适应筛选的肉桂产地识别方法。

背景技术：

1、肉桂是我国重要的药食同源资源，作为主产区，不同产地在气候、土壤、海拔及栽培方式上的差异导致肉桂在化学成分、香气特征及品质上呈现明显的产地特异性。建立快速、无损、准确的产地识别方法，对肉桂道地性评价、质量分级、产地溯源及区域品牌建设具有重要意义。

2、现有产地识别技术主要包括感官评价法、理化分析法和色谱质谱联用技术。感官评价依赖专家经验，主观性强、重复性差；理化分析法操作繁琐、耗时较长，无法全面反映产地差异的化学本质；色谱质谱联用技术虽能提供丰富化学信息，但存在样品前处理复杂、有机溶剂消耗大、检测成本高、分析周期长等不足，难以满足现场快速筛查需求。

3、太赫兹时域光谱技术（thz-tds）是一种新兴的光谱分析手段。太赫兹波频率位于0.1～10 thz，物质分子间弱相互作用在该波段具有明显特征吸收和色散特性，可形成物质指纹谱。不同产地肉桂因化学成分和物理结构差异，在太赫兹波段表现出不同吸收特征。thz波能量低、穿透性强，特别适用于食品无损快速检测。然而，thz光谱采集产生的高维数据包含大量冗余信息，易引发维数灾难，特征提取与数据降维至关重要。竞争性自适应重加权采样（cars）算法通过多次蒙特卡洛采样建立偏最小二乘回归模型，根据回归系数重要性对变量进行竞争性筛选，以交叉验证误差最小为准则确定最优特征子集，有效去除冗余波段，提高模型稳健性。先验函数网络（tabpfn）通过在大量合成表格分类任务上预训练学习通用先验分布，实际应用中无需重新训练模型参数，仅通过一次前向推理即可完成分类，具有计算效率高、无需复杂调参、小样本适应性强等优势。

4、目前，将thz-tds、cars与tabpfn三者结合应用于肉桂产地识别的研究仍处于空白阶段，现有技术缺乏针对肉桂的太赫兹光谱标准化检测方法，传统分类模型在小样本thz数据上泛化能力不足。因此，开发thz-tds结合cars-tabpfn的肉桂产地识别新方法具有重要价值。

5、鉴于此，需要一种基于光谱特征自适应筛选的肉桂产地识别方法。

技术实现思路

1、针对现有技术中缺乏针对肉桂的太赫兹光谱标准化检测方法，传统分类模型在小样本thz数据上泛化能力不足的问题，本发明提供了一种基于光谱特征自适应筛选的肉桂产地识别方法，能够能够对不同产地的肉桂样品进行无损、快速且准确的鉴定与分类，在中药材质量评价、产地溯源、食品真伪鉴别及相关领域具有广泛的应用前景。具体技术方案如下：

2、一种基于光谱特征自适应筛选的肉桂产地识别方法，包括以下步骤：

3、步骤1，将待识别肉桂样品经粉碎、干燥后与高密度聚乙烯混合并压制成检测样片；

4、步骤2，采用太赫兹时域光谱系统对所述样片进行照射，获取吸光度光谱数据；

5、步骤3，对所述吸光度光谱数据进行滤波预处理，采用竞争自适应重加权采样算法，基于蒙特卡洛采样与偏最小二乘回归的回归系数进行变量重要性评估，通过指数衰减函数控制变量保留比例，以交叉验证误差最小为准则确定最优特征子集，构建光谱特征矩阵；

6、步骤4，将所述光谱特征矩阵输入基于先验函数网络的分类模型，所述分类模型通过在合成表格数据任务上的预训练学习特征与类别之间的条件概率分布，对给定样本的后验概率进行预测，依据最大后验概率原则输出产地分类结果。

7、优选的，所述干燥为在50摄氏度条件下干燥30分钟，所述混合为按质量比1:3与高密度聚乙烯均匀混合，所述压制为在10兆帕压力下压制成直径13毫米、厚度1毫米的样片。

8、优选的，步骤2中所述吸光度光谱数据由太赫兹透射光谱经转换得到。

9、优选的，步骤3中所述竞争自适应重加权采样算法通过多次蒙特卡洛采样建立偏最小二乘回归模型，计算各光谱变量在多次建模中的平均回归系数绝对值作为重要性权重，并采用指数衰减函数控制每次迭代中变量的保留比例，以交叉验证均方根误差最小为准则确定最优特征子集。

10、优选的，步骤4中所述分类模型为tabpfn模型，所述模型基于已学习的先验分布，通过一次前向推理完成分类，无需针对具体数据集重新训练模型参数。

11、优选的，所述产地分类结果为预设的若干种肉桂产地中的其中一种。

12、优选的，在步骤4之前，采用样本集划分算法将各产地肉桂样品的光谱特征矩阵按预设比例划分为训练集和测试集，以训练集构建分类模型，以测试集验证分类结果。

13、一种基于光谱特征自适应筛选的肉桂产地识别系统，应用于如上所述的方法，包括：

14、样品制备模块，用于将待识别肉桂样品经粉碎、干燥后与高密度聚乙烯混合并压制成检测样片；

15、光谱采集模块，用于采用太赫兹时域光谱系统对所述样片进行照射，获取0.3thz至2thz频段的吸光度光谱数据；

16、特征筛选模块，用于对所述吸光度光谱数据进行tukey窗滤波预处理，采用竞争自适应重加权采样算法进行特征变量筛选，构建光谱特征矩阵；

17、分类识别模块，用于将所述光谱特征矩阵输入基于先验函数网络的分类模型，输出产地分类结果。

18、一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行如上所述的基于光谱特征自适应筛选的肉桂产地识别方法。

19、一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行如上所述的基于光谱特征自适应筛选的肉桂产地识别方法。

20、与现有技术相比，本发明的有益效果为：

21、本发明首先通过将肉桂样品经粉碎、干燥后与高密度聚乙烯混合并压制成检测样片，再采用太赫兹时域光谱系统照射获取0.3thz至2thz频段的吸光度光谱数据，利用太赫兹波能量低、穿透性强的特性实现无损快速检测，避免复杂化学前处理和有机溶剂使用，克服传统方法破坏样品、操作繁琐、成本高昂的不足；其次，对吸光度光谱数据进行tukey窗滤波预处理以抑制噪声和边缘效应，随后采用竞争自适应重加权采样算法，基于蒙特卡洛采样与偏最小二乘回归的回归系数进行变量重要性评估，通过指数衰减函数控制变量保留比例，并以交叉验证误差最小为准则确定最优特征子集，从而在高维光谱数据中自适应筛选出关键特征波段，在大幅降低数据维度的同时保留原始光谱关键信息，解决传统方法中冗余信息过多引发的维数灾难问题；最后，将筛选后的光谱特征矩阵输入基于先验函数网络的分类模型，该模型通过在大规模合成表格数据任务上的预训练学习特征与类别之间的条件概率分布，在无需显式模型训练与参数调优的情况下实现对小样本数据的高效分类，对给定样本的后验概率进行预测并依据最大后验概率原则输出产地分类结果，从而克服传统分类模型在小样本条件下调参困难、易过拟合、泛化能力弱的缺陷，实现多种不同产地肉桂的高精度快速识别。

1.一种基于光谱特征自适应筛选的肉桂产地识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于光谱特征自适应筛选的肉桂产地识别方法，其特征在于，所述干燥为在50摄氏度条件下干燥30分钟，所述混合为按质量比1:3与高密度聚乙烯均匀混合，所述压制为在10兆帕压力下压制成直径13毫米、厚度1毫米的样片。

3.根据权利要求1所述的一种基于光谱特征自适应筛选的肉桂产地识别方法，其特征在于，步骤2中所述吸光度光谱数据由太赫兹透射光谱经转换得到。

4.根据权利要求1所述的一种基于光谱特征自适应筛选的肉桂产地识别方法，其特征在于，步骤3中所述竞争自适应重加权采样算法通过多次蒙特卡洛采样建立偏最小二乘回归模型，计算各光谱变量在多次建模中的平均回归系数绝对值作为重要性权重，并采用指数衰减函数控制每次迭代中变量的保留比例，以交叉验证均方根误差最小为准则确定最优特征子集。

5.根据权利要求1所述的一种基于光谱特征自适应筛选的肉桂产地识别方法，其特征在于，步骤4中所述分类模型为tabpfn模型，所述模型基于已学习的先验分布，通过一次前向推理完成分类，无需针对具体数据集重新训练模型参数。

6.根据权利要求1所述的一种基于光谱特征自适应筛选的肉桂产地识别方法，其特征在于，所述产地分类结果为预设的若干种肉桂产地中的其中一种。

7.根据权利要求1所述的一种基于光谱特征自适应筛选的肉桂产地识别方法，其特征在于，在步骤4之前，采用样本集划分算法将各产地肉桂样品的光谱特征矩阵按预设比例划分为训练集和测试集，以训练集构建分类模型，以测试集验证分类结果。

8.一种基于光谱特征自适应筛选的肉桂产地识别系统，其特征在于，应用于权利要求1至7任一所述的方法，包括：

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的基于光谱特征自适应筛选的肉桂产地识别方法。

10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的基于光谱特征自适应筛选的肉桂产地识别方法。