一种基于紫外吸收光谱和轻量级梯度提升机的啤酒识别方法与流程

本发明涉及啤酒智能检测，更具体的说是涉及一种基于紫外吸收光谱和轻量级梯度提升机的啤酒识别方法。

背景技术：

1、啤酒是全球消费量与普及范围最广的酒精饮品，位列水、茶之后成为世界第三大主流饮品，因其富含多种营养物质被冠以“液体面包”的美誉。啤酒在发酵与贮藏过程中会生成蛋白质、有机酸、多酚等上万种功能性化合物，组分体系复杂。开展啤酒品类与品牌精准分类识别研究，对啤酒企业品牌权益保护、酒类市场质量监管与行业规范化发展均具有重要的理论价值与工程意义。

2、然而，受酿造原料配比、生产工艺参数差异化的影响，啤酒品质与组分特征存在显著异质性，大幅增加了啤酒分类评价的复杂度。传统化学检测方法存在检测周期长、操作流程繁琐、检测成本高昂等缺陷，难以实现啤酒品类的实时、快速检测，无法满足规模化、常态化的检测分析需求。

3、因此，如何提供一种新型高效的啤酒检测与分析方法，从而提升啤酒品类鉴定的智能化与高效化水平，是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于紫外吸收光谱和轻量级梯度提升机的啤酒识别方法，仅需采集啤酒样品的紫外吸收光谱数据即可完成建模与分类识别，检测流程简洁、分析速率快，有效规避了传统多参数检测方法操作繁琐、检测耗时长、设备依赖性强的缺陷。该融合检测模型兼具经济性与高效性，能够满足啤酒品类快速鉴别与市场批量检测的实际需求，在酒类品质检测、品牌溯源及市场监管领域具备良好的应用价值与推广前景。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明公开了一种基于紫外吸收光谱和轻量级梯度提升机的啤酒识别方法，包括：

4、获取不同品类啤酒样品，并进行样品前处理；

5、对前处理后的啤酒样品进行紫外吸收光谱采集，构建各啤酒样品的紫外光谱指纹图谱；

6、以所述紫外光谱指纹图谱中各检测波长对应的吸光度值为特征变量，以对应的啤酒样品品类为样本标签，构建原始样本数据集，并划分为训练集和测试集；

7、采用轻量级梯度提升机构建啤酒品类识别模型，利用所述训练集进行训练，并利用所述测试集进行测试；

8、获取待检测啤酒样品对应的特征变量，并输入训练好的啤酒品类识别模型，得到啤酒品类识别结果。

9、进一步的，所述样品前处理包括：

10、将恒温至15~20°c的啤酒样品移入锥形瓶中；

11、盖上橡皮塞，在恒温室内轻轻摇动、开塞放气，反复操作，直至无气体溢出；

12、再经滤纸过滤，将过滤后的啤酒样品收集于另一具塞锥形瓶中，温度保持在15~20°c，密封保存；

13、使用处理后的酒样制备16个平行待检测样品，作为一个独立批次；

14、重复上述前处理过程，共制备5个独立批次。

15、进一步的，所述紫外吸收光谱采集包括：

16、在设定温度和湿度，以超纯水作为参比溶液，利用紫外可见分光光度计对待检测样品进行测定，测定时扫描方式为全波长扫描，扫描范围为200~400nm，采样间隔1nm，狭缝宽度2nm；并且每批次样品在2h内完成全部检测。

17、进一步的，所述划分为训练集和测试集包括：

18、将所述原始样本数据集按照8:2的比例分层划分为训练集与测试集，其中每个品类啤酒的前4个独立批次样品对应的原始样本数据作为训练集；第5个独立批次样品对应的原始样本数据作为测试集。

19、进一步的，利用所述训练集进行训练包括：

20、采用5折交叉验证策略在所述训练集内进行网格搜索超参数寻优，具体为：将所述训练集随机划分为5个子集，轮流选取1个子集作为内部验证集，其余4个子集用于模型训练，基于交叉验证得到的宏平均f1值筛选最优超参数组合；确定最优超参数后，利用全部训练集重新训练啤酒品类识别模型，并在测试集上进行性能评价，最终得到训练好的啤酒品类识别模型。

21、进一步的，所述超参数包括：决策树数量、最大深度、学习率、l1正则化系数和l2正则化系数。

22、进一步的，所述性能评价包括：采用混淆矩阵和受试者工作特征曲线及曲线下面积，结合准确率、精确率、召回率和f1得分评估模型性能。

23、经由上述的技术方案可知，与现有技术相比，本发明提供了一种基于紫外吸收光谱和轻量级梯度提升机的啤酒识别方法，具有以下有益效果：

24、紫外光谱分析具有稳定性强、检测灵敏度与准确度高、设备成本低廉、操作简便、检测速率快等优势。不同品牌啤酒因酿造配方、生产工艺存在差异，其内部特征组分含量与结构存在异质性，致使样品在紫外光谱区间的吸光度特征产生特异性差异，该差异可作为区分啤酒品类的光谱指纹特征。轻量级梯度提升机(lightgbm)具备并行训练效率高、训练速率快、内存损耗低、分类精度优、分布式运算能力强及海量数据处理适配性好等突出优势，能够高效适配啤酒紫外光谱海量特征数据的挖掘与建模分析，为啤酒智能分类检测提供优良的算法支撑。将紫外光谱指纹图谱技术与人工智能分类模型相结合，能够充分发挥光谱技术快速检测优势与机器学习算法高精度分类优势，实现了啤酒品类的高效精准鉴别。

1.一种基于紫外吸收光谱和轻量级梯度提升机的啤酒识别方法，其特征在于，包括：

2.根据权利要求1所述的一种基于紫外吸收光谱和轻量级梯度提升机的啤酒识别方法，其特征在于，所述样品前处理包括：

3.根据权利要求1所述的一种基于紫外吸收光谱和轻量级梯度提升机的啤酒识别方法，其特征在于，所述紫外吸收光谱采集包括：

4.根据权利要求1所述的一种基于紫外吸收光谱和轻量级梯度提升机的啤酒识别方法，其特征在于，所述划分为训练集和测试集包括：

5.根据权利要求1所述的一种基于紫外吸收光谱和轻量级梯度提升机的啤酒识别方法，其特征在于，利用所述训练集进行训练包括：

6.根据权利要求5所述的一种基于紫外吸收光谱和轻量级梯度提升机的啤酒识别方法，其特征在于，所述超参数包括：决策树数量、最大深度、学习率、l1正则化系数和l2正则化系数。

7.根据权利要求5所述的一种基于紫外吸收光谱和轻量级梯度提升机的啤酒识别方法，其特征在于，所述性能评价包括：采用混淆矩阵和受试者工作特征曲线及曲线下面积，结合准确率、精确率、召回率和f1得分评估模型性能。