一种基于中红外光谱和SVM的鹿角帽种类识别方法与流程

技术特征：
1.一种基于中红外光谱和svm的鹿角帽种类识别方法，其特征在于：包括以下步骤：步骤1：对待测的梅花鹿鹿角帽和马鹿鹿角帽分别进行破碎处理，经200目筛筛分后得到梅花鹿鹿角帽和马鹿鹿角帽的粉末，再将鹿角帽粉末和溴化钾放到60℃恒温干燥箱内烘8
‑
12h；步骤2：精密称取烘干后的梅花鹿鹿角帽粉末1.8mg和溴化钾190mg，混合研磨均匀，研磨后的粉末置于红外压片模具中压制成片，得到梅花鹿鹿角帽压片，同样方式得到马鹿鹿角帽压片，分别将梅花鹿鹿角帽压片和马鹿鹿角帽压片放置于中红外光谱仪上，分别采集对应压片的漫反射光谱；步骤3：采用the unscrambler x 10.4软件对采集的原始光谱进行多重数据处理，得到预处理后的光谱，再将预处理后的光谱与对应的原始光谱进行对比；所述多重数据处理包括有多元散射校正msc；采用全段光谱数据波段和只从光谱数据中取出差异较大的所有波段进行后面的数据分析对比，从而选出最优的波段；步骤4：采用k
‑
s检验法，以训练集和测试集样品数为5：2的比例，将总样品数划分为若干训练集和若干测试集，其中训练集和测试集中的梅花鹿鹿角帽和马鹿鹿角帽的样品比例均为1:1；步骤5：采用归一化与主成分分析降维的方法，对光谱数据进行高维数据压缩和主要特征分量的提取，主要包括如下步骤：步骤51：采用matlab2014b中的mapminmax函数把msc光谱数据进行归一化处理，并将数据映射范围设置为0～1；步骤52：使用python 3.7软件对归一化后的msc鹿角帽光谱数据进行主成分分析，并分别绘制全段msc光谱和选出有明显差异波段msc光谱中的前两个主成分的散点图；步骤6：以支持向量机svm、随机森林rf和极限学习机elm三个方法建模，分别将主成分分析后全段smc光谱和选出有明显差异波段后主成分分析的msc光谱作为输入变量，建立svm、elm和rf梅花鹿鹿角帽和马鹿鹿角帽的识别模型。2.根据权利要求1所述的一种基于中红外光谱和svm的鹿角帽种类识别方法，其特征在于，所述步骤2中的漫反射光谱采集软件的波数范围为4000
‑
400cm
‑1，分辨率为4cm
‑1，扫描次数为16次，每个样本重复扫描3次，取平均光谱；光谱采集过程中，室内温度设置为25度，湿度设置为35％。3.根据权利要求1所述的一种基于中红外光谱和svm的鹿角帽种类识别方法，其特征在于，所述步骤3中的多重数据处理还包括有标准正态变量变换snv、平滑sg、一阶导数和二阶导数。4.根据权利要求1所述的一种基于中红外光谱和svm的鹿角帽种类识别方法，其特征在于，所述步骤5中主成分的个数选择方法为方法一和方法二的结合；其中，所述方法一为主成分的个数累积贡献率至少要大于等于85％，所述方法二为主成分特征值大于等于1。5.根据权利要求1所述的一种基于中红外光谱和svm的鹿角帽种类识别方法，其特征在于，所述步骤6中的支持向量机svm的具体方法为：首先训练集采用k
‑
cv交叉验证同时支持向量机svm需要确定最佳惩罚因子c、核函数参数g及最优核函数；
采用网络搜索法，所述最佳惩罚因子c设置为2
‑
15
～2
15
，所述核函数参数g的范围设置为2
‑
15
～2
15
，步长为0.1，使用径向基核函数作为最优核函数。6.根据权利要求1所述的一种基于中红外光谱和svm的鹿角帽种类识别方法，其特征在于，所述步骤6中的随机森林rf的具体方法为：采用遗传算法寻找最优棵树及其它影响参数，遗传算法中待优化的变量个数设置为2，个体数目设置为20，最大遗传代数设置为200，变量的二进制位数设置为10，代沟设置为0.95，交叉变异概率设置为0.7，变异概率设置为0.01。7.根据权利要求1所述的一种基于中红外光谱和svm的鹿角帽种类识别方法，其特征在于，所述步骤6中的极限学习机elm中的隐藏节点数量设置为40
‑
100，比较得出最优的隐藏节点数量。

技术总结
本发明公开了一种基于中红外光谱和SVM的鹿角帽种类识别方法，涉及鹿角帽识别技术领域。本发明先对样品进行烘干、粉碎和制片处理，采集漫反射光谱，并对采集的原始光谱进行多重数据处理，利用K


技术研发人员：武海巍 杨承恩 胡俊海 袁月明 付辰琦 邵海龙 刘浩 周建宇 玉苏甫
受保护的技术使用者：吉林农业大学
技术研发日：2021.08.11
技术公布日：2021/11/4