一种基于红外光谱的不同品种中宁枸杞鉴别方法及系统

1.本发明涉及化学分析检测领域，尤其涉及一种基于红外光谱的不同品种中宁枸杞鉴别方法及系统。


背景技术：

2.枸杞(lyciumbarbarum l.)为茄科枸杞属多分枝灌木，枸杞子为枸杞的干燥成熟果实，具有味甘、性平，滋补肝肾、增强免疫、抗癌、保肝、降低血脂和胆固醇等作用。《中国药典》(2020版)仅将宁夏产枸杞子定义为入药枸杞，而中宁枸杞为其中珍品。中宁枸杞中包括多个不同品种，不同品种的中宁枸杞其药效也存在差异，因此有必要对不同品种的中宁枸杞进行鉴别。
3.现有的鉴别方法中通常通过辨别外观、气味和出厂时打标签等方法对不同品种中宁枸杞进行鉴别和标识，但是这些方法都具有一定局限性，鉴别和标识过程复杂且不准确，对鉴别人员的专业知识要求较高，不利于生产实践的应用。
4.目前用于品种判别的光谱分析方法中近红外光谱的特征随样品成分含量的变化而变化，不仅能够对样品进行定性分析，而且具备相当高的准确度和精确度，如现有技术cn103353443a中公开的一种基于近红外光谱的中宁枸杞子判别方法中，提出利用距离判别分析法，在一定光谱波段范围内，采用不同的光谱预处理方法，建立枸杞子产地判别分析模型。其主要针对枸杞产地以及枸杞伪品的鉴别，并未涉及不同品种中宁枸杞的鉴别。此外，目前利用红外光谱技术对枸杞进行品种判别虽然已有研究，但不同样品状态及不同采集方式对模型效果的影响并没有涉及。目前红外光谱在鉴别物种种类时，未综合考虑品种状态、不同光谱检测等因素之间的影响，判别效果并不理想。


技术实现要素：

5.本发明的目的在于综合考虑样品状态以及光谱采集方式等影响模型效果的因素，克服现有技术中利用红外光谱对枸杞鉴别时存在的缺陷，提供了一种基于红外光谱的不同品种中宁枸杞鉴别方法。
6.本发明的目的是通过以下技术方案来实现的：
7.提供一种基于红外光谱的不同品种中宁枸杞鉴别方法，所述方法包括：
8.采集不同品种的中宁枸杞样品；
9.利用多种光谱采集方式对所述中宁枸杞样品进行光谱采集，其中，先采集原始状态下样品的红外光谱，得到原始样品光谱，再采集粉末状态下的红外光谱，得到粉末样品光谱；
10.在同种采集方式下，分别利用原始样品光谱和粉末样品光谱进行建模，通过比较模型效果选择最佳样品状态；
11.在最佳样品状态下，分别利用不同光谱采集方式下的红外光谱进行建模，比较不同光谱采集方式下模型效果，选择最佳光谱采集方式建立品种判别模型；
12.利用所述品种判别模型对不同品种中宁枸杞进行鉴别。
13.在一示例中，一种基于红外光谱的不同品种中宁枸杞鉴别方法，所述方法还包括：
14.在最佳样品状态下，将不同光谱采集方式下的红外光谱进行融合并进行建模，得到融合光谱模型，比较所述融合光谱模型与所述品种判别模型的效果，选择效果最好的模型对不同品种中宁枸杞进行鉴别。
15.在一示例中，一种基于红外光谱的不同品种中宁枸杞鉴别方法，所述将不同采集方式下的红外光谱进行融合并进行建模，包括：
16.将不同光谱采集方式下的红外光谱串联形成初级融合数据，并利用所述初级融合数据进行建模，得到初级融合模型；
17.将所述初级融合数据提取特征值后，形成中级融合数据，并利用所述形成中级融合数据进行建模，得到中级融合模型。
18.在一示例中，一种基于红外光谱的不同品种中宁枸杞鉴别方法，比较所述融合光谱模型与所述品种判别模型的效果，包括：
19.比较初级融合模型、中级融合模型以及单一光谱建立的模型的效果。
20.在一示例中，一种基于红外光谱的不同品种中宁枸杞鉴别方法，采集12种不同品种中宁枸杞，样品经真空冷冻干燥后，每份样品均分3份，共计36份样品。
21.在一示例中，一种基于红外光谱的不同品种中宁枸杞鉴别方法，所述利用多种光谱采集方式对所述中宁枸杞样品进行光谱采集，包括：
22.利用傅里叶变换红外光谱仪的光纤探头对样品进行nir光谱采集；
23.利用傅里叶变换红外光谱仪的积分球漫反射模块，对样品进行nir旋转样品杯光谱采集；
24.利用傅里叶变换红外光谱仪的衰减全反射模块对样品进行atr光谱采集。
25.在一示例中，一种基于红外光谱的不同品种中宁枸杞鉴别方法，模型建立之前包括建模条件优化的步骤，所述建模条件优化包括：
26.根据影响模型准确性的条件进行正交试验，得到正交试验结果；
27.根据所述正交试验结果，选出识别率和预测率最高的建模条件，得到实际最优条件组合；
28.对所述正交试验结果进行极差分析，得出理论最优条件组合；
29.将实际最优条件组合与理论最优条件组合进行比较，选出最佳建模条件。
30.在一示例中，一种基于红外光谱的不同品种中宁枸杞鉴别方法，所述建模条件优化还包括：
31.使用相关系数法确定建模波段，利用所述最佳建模条件和建模波段建立模型。
32.在一示例中，一种基于红外光谱的不同品种中宁枸杞鉴别方法，所述影响模型准确性的条件包括建模方法、光程类型和谱图类型。
33.在一示例中，一种基于红外光谱的不同品种中宁枸杞鉴别方法，粉末状态下样品的模型效果优于原始状态下样品的模型效果。
34.需要进一步说明的是，上述各选项对应的技术特征在不冲突的情况下可以相互组合或替换构成新的技术方案。
35.与现有技术相比，本发明有益效果是：
36.(1)本发明先通过分别利用原始样品和粉末样品建模，通过比较模型效果选择最佳样品状态，利用优化后的样品状态进行后续操作；在确定最佳样品状态后利用不同采集方式采集红外光谱并分别建立判别模型，比较不同光谱类型下模型效果，选择最佳光谱类型建立品种判别模型；此外，利用数据融合策略结合化学计量学方法，将不同采集方式下的红外光谱进行融合并比较融合建模与单光谱建模的效果。通过建立不同品种中宁枸杞判别模型，达到快速准确区分不同品种中宁枸杞的目的，同时也为其他药材或食品品种判别模型的样品状态、光谱类型选择提供参考，可以针对不同样品状态、不同光谱类型来优化所建立的品种判别模型，进一步提高模型的识别率，提升模型的稳健性和适用性，降低对专业鉴别人员的技术要求，更加便利生产实践中的快捷应用。
37.(2)本发明结合化学计量学方法和数据融合策略，建立品种判别模型，比较融合模型和单光谱模型的效果，更加全面地分析影响模型效果的因素，提供稳定性更好的模型，同时也为其他药材品种判别模型的样品状态、光谱类型以及光谱融合的选择提供参考。
附图说明
38.下面结合附图对本发明的具体实施方式作进一步详细的说明，此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，在这些附图中使用相同的参考标号来表示相同或相似的部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。
39.图1为本发明一种基于红外光谱的不同品种中宁枸杞鉴别方法的流程示意图；
40.图2为本发明原始样品的nir(旋转样品杯)谱图；
41.图3为本发明粉末样品的nir(旋转样品杯)谱图；
42.图4为本发明粉末样品的nir(光纤探头)谱图；
43.图5为本发明粉末样品的atr谱图；
44.图6为本发明原始样品nir(旋转样品杯)判别模型3d图；
45.图7为本发明粉末样品的nir(旋转样品杯)谱图判别模型3d图；
46.图8为本发明nir(光纤探头)谱图判别模型3d图；
47.图9为本发明atr谱图判别模型3d图；
48.图10为本发明atr nir初级数据融合判别模型3d图；
49.图11为本发明atr nir谱图中级数据融合判别模型3d图。
具体实施方式
50.下面结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
51.此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
52.本发明先在原始样品和粉末样品两种不同状态下分别建立模型，通过比较模型效果选择最佳样品状态，利用优化后的样品状态进行后续操作；利用三种不同采集方式采集红外光谱并分别建立判别模型，比较不同光谱类型下模型效果，选择最佳光谱类型建立品
种判别模型；此外将不同采集方式下的红外光谱进行融合并比较融合建模与单光谱建模的效果。通过建立不同品种中宁枸杞判别模型，达到快速准确区分不同品种中宁枸杞的目的，同时也为其他药材或食品品种判别模型的样品状态、光谱类型以及光谱融合的选择提供参考，方便生产实践应用。
53.实施例1
54.在一示例性实施例中，提供一种基于红外光谱的不同品种中宁枸杞鉴别方法，如图1所示，所述方法包括：
55.采集不同品种的中宁枸杞样品；
56.利用多种光谱采集方式对所述中宁枸杞样品进行光谱采集，其中，先采集原始状态下样品的红外光谱，得到原始样品光谱，再采集粉末状态下的红外光谱，得到粉末样品光谱；
57.在同种采集方式下，分别利用原始样品光谱和粉末样品光谱进行建模，通过比较模型效果选择最佳样品状态；
58.在最佳样品状态下，分别利用不同光谱采集方式下的红外光谱进行建模，比较不同光谱采集方式下模型效果，选择最佳光谱采集方式建立品种判别模型；
59.利用所述品种判别模型对不同品种中宁枸杞进行鉴别。
60.具体地，在实验开始前先准备多种不同品种的中宁枸杞，首先对原始样品进行红外光谱采集，原始样品指的是保持样品完整性的样品，可经过冷冻干燥等预处理，采集后得到原始光谱数据。然后将样品进行粉末处理，采集其粉末状态下的红外光谱，得到粉末光谱数据信息。
61.本方法的一个改进在于：考虑到不同样品状态可能对模型的识别效果带来影响，因此，首先研究比较样品在原始状态和粉末状态下进行建模的模型效果，确定识别效果更好的样品状态，优化样品检测状态，以便后续识别的进行。
62.本方法的另一个改进在于：在上一步骤确定最佳的样品状态后，考虑到不同的光谱采集方式对模型的效果不同，因此，在最佳样品状态下，分别利用不同采集方式下的红外光谱进行建模，比较不同采集方式下模型效果，选择最佳光谱采集方式建立品种判别模型。
63.本发明通过建立不同品种中宁枸杞判别模型，达到快速准确区分不同品种中宁枸杞的目的，同时也为其他药材或食品品种判别模型的样品状态、光谱类型选择提供参考，可以针对不同样品状态、不同光谱类型来优化所建立的品种判别模型，进一步提高模型的识别率，提升模型的稳健性和适用性。
64.实施例2
65.基于实施例1提供一种基于红外光谱的不同品种中宁枸杞鉴别方法，采集12种不同品种中宁枸杞，样品经真空冷冻干燥后，每份样品均分3份，共计36份样品。
66.进一步地，所述利用多种光谱采集方式对所述中宁枸杞样品进行光谱采集，包括：
67.利用傅里叶变换红外光谱仪的光纤探头对样品进行nir光谱采集；
68.利用傅里叶变换红外光谱仪的积分球漫反射模块，对样品进行nir旋转样品杯光谱采集；
69.利用傅里叶变换红外光谱仪的衰减全反射模块对样品进行atr光谱采集。
70.具体地，实验前准备真空冷冻干燥机(型号：lgt-10c，四环福瑞科仪科技发展(北
京)有限公司)、傅里叶变换红外光谱仪(型号：is 50，thermo nicolet公司)和粉末机(天津市泰斯特有限公司)。
71.nir光谱采集指的是利用傅里叶变换红外光谱仪的光纤探头附件对样品进行nir光谱采集，环境温度22
±
1℃，湿度16
±
1％，每次采集光谱前采集背景，扣除背景干扰。光谱扫描次数32次，分辨率4cm-1
，光谱采集范围10000-4250cm-1
，每个样品采集3次，共获得108张nir谱图，如图4所示为粉末样品的nir(光纤探头)谱图。
72.nir旋转样品杯光谱采集是将样品铺满旋转样品杯，利用傅里叶变换红外光谱仪的积分球漫反射模块，进行光谱采集，环境温度22
±
1℃，湿度16
±
1％，每次采集光谱前采集背景，扣除背景干扰。光谱扫描次数64次，分辨率4cm-1
，光谱采集范围10000-4000cm-1
，每个样品采集2次，共获得72张nir谱图，如图2所示为原始样品的nir旋转样品杯光谱谱图，图3为粉末样品的nir旋转样品杯光谱谱图。
73.利用omnic软件，以灵敏度80，阈值0.01为标准标峰，分析nir光谱的10000-4250cm-1波段，不同品种中宁枸杞nir光谱图吸收波数如表1所示。
74.表1不同品种中宁枸杞近红外谱图吸收波数
[0075][0076]
由表1可知，枸杞的nir共有峰有8250、6784、5776、5666、5158、4746、4322共7个系列。对各吸收峰进行分析可知，8250cm-1
附近为ch2的二级倍频吸收峰，6784cm-1
附近为o-h的一级倍频吸收峰，5776cm-1
附近为c-h的一级倍频吸收峰，5666cm-1
附近为ch2的一级倍频吸收峰，5158cm-1
附近为o-h的合频吸收峰，4746cm-1
附近为为n-h的合频吸收峰，4322cm-1
附近为c-h的合频吸收峰。
[0077]
atr光谱采集指的是利用傅里叶变换红外光谱仪的衰减全反射模块对样品进行atr光谱采集，环境温度22
±
1℃，湿度16
±
1％。光谱扫描次数32次，分辨率4cm-1
，光谱采集范围为4000-400cm-1
，每个样品采集3次，共获得108张atr谱图，图5为粉末样品的atr谱图。
[0078]
进一步地，用与nir旋转样品杯光谱同样的方法进行标峰，分析atr光谱的4000-500cm-1
波段，吸收波数如表2所示。
[0079]
表2不同品种中宁枸杞atr谱图吸收波数
[0080][0081]
由表2可知，atr谱图共17个吸收峰，分别为3286、2924、2855、1741、1618、1405、1343、1243、1025、917、898、865、817、776、584、553、517cm-1
。对各吸收峰的吸收个数进行统计，将样品波数缺失率小于5％的波数确定为共有吸收峰。因此，枸杞的atr共有峰有3286、2924、1618、1405、1243、1025、917、865、817、776、584、553、517cm-1
共13个系列。对各吸收峰进行分析可知，3286cm-1
附近为c-h的伸缩振动，2924cm-1
附近为ch2的不对称伸缩振动，1618cm-1
附近为c＝o的伸缩振动，1405cm-1
附近为c-n的伸缩振动，1243cm-1
、1025cm-1
、584cm-1
、553cm-1
、517cm-1
附近为c-c骨架振动，917cm-1
、865cm-1
、817cm-1
、776cm-1
附近为＝c-h的弯曲振动吸收。
[0082]
本方法以不同品种的中宁枸杞为研究对象，通过采集其atr、nir(光纤探头、积分球漫反射—旋转样品杯采集)等光谱，结合化学计量学方和数据融合策略，建立品种判别模型。其中，包括原始样品和粉末样品两种不同状态下模型的建立，通过比较模型效果选择最佳样品状态，利用优化后的样品状态进行后续操作；利用三种不同采集方式采集红外光谱，建立判别模型，比较不同光谱类型下模型效果，选择最佳光谱类型建立品种判别模型。通过建立不同品种中宁枸杞判别模型，达到快速准确区分不同品种中宁枸杞的目的，同时也为其他药材或食品品种判别模型的样品状态和光谱类型的选择提供参考，方便生产实践中的应用。
[0083]
实施例3
[0084]
基于实施例2，提供一种基于红外光谱的不同品种中宁枸杞鉴别方法，模型建立之前包括建模条件优化的步骤，所述建模条件优化包括：
[0085]
根据影响模型准确性的条件进行正交试验，得到正交试验结果；
[0086]
根据所述正交试验结果，选出识别率和预测率最高的建模条件，得到实际最优条件组合；
[0087]
对所述正交试验结果进行极差分析，得出理论最优条件组合；
[0088]
将实际最优条件组合与理论最优条件组合进行比较，选出最佳建模条件。
[0089]
进一步地，所述建模条件优化还包括：
[0090]
使用相关系数法确定最佳建模波段，利用所述最佳建模条件和最佳建模波段建立模型。
[0091]
进一步地，所述影响模型准确性的条件包括建模方法、光程类型和谱图类型。
[0092]
具体地，在进行光谱特征分析时，利用omnic软件，以灵敏度80，阈值0.01为标准对谱图进行标峰，以缺失率小于5％确定共有峰，同时对不同吸收峰进行官能团归属。
[0093]
考虑可能影响模型的准确性的因素(表3)，设计3因素3水平的正交试验表(表4)，共18组实验。将样品的红外均谱(n＝3)导入tq analyst软件，利用随机法对样本集进行划分，2/3为校正集，1/3为预测集。根据正交试验下建模条件的组合，记录不同建模组合条件下模型的校正集误判数和预测集误判数，计算模型的识别率和预测率，以此为指标判断模型效果，识别率和预测率最高的建模条件组合为实际最优组合。对正交试验结果进行极差分析，得出理论最优组合。将实际最优组合与理论最优组合进行比较，选出最佳建模条件，同时利用相关系数法(correlation coefficient)确定建模波段。最后，利用优化的建模条件和建模波段建立品种判别模型。其中，识别率＝(校正集总数－校正集误判数)/校正集总数
×
100％，预测率＝(预测集总数－预测集误判数)/预测集总数
×
100％。
[0094]
表3正交试验因素水平表
[0095][0096]
表4不同品种判别模型正交试验
[0097][0098]
[0099]
进一步地，粉末状态下样品的模型效果好优于原始状态下样品的模型效果。
[0100]
利用上述建模条件优化的方法对不同样品状态下模型效果进行比较。该实施例基于nir旋转样品杯光谱采集方式进行分析。
[0101]
首先利用正交试验优化原始样品的nir(旋转样品杯)建模条件，结果如表5所示。
[0102]
表5 nir(旋转样品杯)采集原始样品谱图建模条件优化结果
[0103][0104]
根据表5的各水平可知，a因素在1水平效果较好，b因素在2水平效果较好，c因素在1水平效果较好，故理论最优组合为a1b2c1，即no.4(dm msc 原谱图)。依r值可知，谱图类型是影响判别模型的主要因素，其次为建模方法，光程类型对模型建立的影响最小。
[0105]
将理论最优组合与实际最优组合的比较，理论最优组合为no.4，实际最优组合为no.13和no.16。由表6可知，no.13和no.16模型效果优于no.4。因此，最终确定以no.13和no.16的组合为建模条件，即da msc/snv 原谱图，建模波段为9880-4119cm-1
，模型识别率、预测率均为100％，3d图如图6所示，模型可用于快速准确判别不同品种中宁枸杞。
[0106]
进一步地，利用正交试验优化粉末样品的nir(旋转样品杯)建模条件，结果如表6所示。
[0107]
表6 nir(旋转样品杯)采集粉碎样品谱图建模条件优化结果
[0108][0109][0110]
由r值可知，谱图类型是影响判别模型的主要因素，其次为建模方法，光程类型对模型建立的影响最小。优化的建模条件为：dm msc 原谱图，建模波段为9880-41190cm-1
，模型识别率、预测率均为100.00％，3d图如图7所示，可用于快速准确判别不同品种中宁枸杞。
[0111]
进一步地，粉末状态下样品的模型效果优于原始状态下样品的模型效果。通过采集不同样品状态枸杞的nir(旋转样品杯)光谱，比较原始样品和粉末后样品的模型效果。结果显示，原始样品和粉末样品的模型判别正确率均为100％，但粉末样品的模型3d图能更直观的分辨不同品种中宁枸杞(图7中同种枸杞聚集在一起，不同品种枸杞之间相距较远，区分的更开)，模型的适用性更强，因此选择粉末样品进行后续实验。
[0112]
实施例4
[0113]
基于实施例3的建模优化方法，提供一种基于红外光谱的不同品种中宁枸杞鉴别方法，比较不同光谱类型下模型效果。
[0114]
nir(光纤探头)模型建模条件优化结果如表7所示。
[0115]
表7 nir(光纤探头)谱图建模条件优化结果
[0116][0117][0118]
由r值可知，建模方法是影响判别模型的主要因素，其次为谱图类型，光程类型对模型建立的影响最小。优化后建模条件为：da snv 原谱图，建模波段为9885-4364cm-1
，该条件下模型识别率、预测率均为97.22％，可用于快速准确识别不同品种中宁枸杞样品，模型3d图如图8所示。
[0119]
atr单一光谱建模条件优化结果如表8所示。
[0120]
表8 atr谱图建模条件优化结果
[0121][0122][0123]
由r值可知，谱图类型是影响判别模型的主要因素，其次为建模方法，光程类型对模型建立的影响最小。优化后的建模条件为：dm msc/snv 原谱图，建模波段为3928-472cm-1
，模型识别率为100.00％，预测率为91.67％，模型3d图如图9所示。
[0124]
实施例5
[0125]
本实施例与实施例1具有相同的发明构思，在实施例1、2、3的基础上，提供一种基于红外光谱的不同品种中宁枸杞鉴别方法，所述方法还包括：
[0126]
在最佳样品状态下，将不同光谱采集方式下的红外光谱进行融合并进行建模，得到融合光谱模型，比较所述融合光谱模型与所述品种判别模型的效果，选择效果最好的模型对不同品种中宁枸杞进行鉴别。
[0127]
进一步地，所述将不同采集方式下的红外光谱进行融合并进行建模，包括：
[0128]
将不同光谱采集方式下的红外光谱串联形成初级融合数据，并利用所述初级融合数据进行建模，得到初级融合模型；
[0129]
将所述初级融合数据提取特征值后，形成中级融合数据，并利用所述形成中级融合数据进行建模，得到中级融合模型。
[0130]
进一步地，比较所述融合光谱模型与所述品种判别模型的效果，包括：
[0131]
比较初级融合模型、中级融合模型以及单一光谱建立的模型的效果。
[0132]
现有的研究表明，由于单一光谱获得的化学信息忽略了多种成分与机制的协同作用，反应的信息较为片面，难以反应中藏药材的复杂化学成分，对质量评价具有一定的局限性，因此，在将光谱分析用于鉴别中宁枸杞时，常规的方法可能是：分别对不同种类的中宁枸杞样品进行nir光谱采集和atr光谱采集，将所述nir光谱数据和atr光谱数据分别进行单一光谱建模分析，然后将所述nir外光谱数据和atr光谱数据进行融合，使用数学方法剔除无用信息而保留有效信息，增加样品被检测化学信息，弥补单一光谱分析方法上的不足，增强模型的稳健性。但在中宁枸杞的种类鉴别中，融合光谱的方法不一定适用。
[0133]
具体地，将atr和nir(光纤探头)数据进行简单串联形成初级融合数据，将其导入tq analyst软件，按照实施例3中的建模优化方法优化初级数据融合的建模条件，结果如表9所示。在其他实施例中，也可将任意不同的光谱数据进行融合。
[0134]
表9 atr nir谱图初级数据融合谱图建模条件优化结果
[0135][0136][0137]
由r值可知，建模方法是影响判别模型的主要因素，其次为谱图类型，光程类型对
模型建立的影响最小。优化后的建模条件为：dm msc/snv d1，建模波段为9808-592cm-1
，模型识别率为100.00％，预测率为88.89％，模型3d图如图10所示。
[0138]
进一步地，将初级融合后的数据利用极限树(extra trees)方法提取特征值，本实施例中优选极限树(extra trees)提取特征值，极限树是一种非常类似的算法，它使用一系列决策树来对数据点所属的类或类别做出最终预测。然而，极限树与随机森林的不同之处在于，它使用了整个原始样本，而不是像随机森林那样对数据进行子抽样并进行替换。另一个区别是节点的分割方式。虽然随机森林总是选择可能的最佳分割，但极限树选择随机分割。极限树和随机森林都被编程来优化最终结果。
[0139]
提取特征值后，形成中级融合数据，将其导入tq analyst软件，优化初级数据融合的建模条件，结果如表10所示。
[0140]
表10 atr nir谱图中级数据融合谱图建模条件优化结果
[0141][0142][0143]
由r值可知，建模方法是影响判别模型的主要因素，其次为谱图类型，光程类型对模型建立的影响最小。优化后的建模条件为：dm msc/snv d1，建模特征值范围为1200-24，模型识别率为100.00％，预测率为88.89％模型3d图如图11所示。
[0144]
通过采集不同品种中宁枸杞atr单一光谱、nir(光纤探头)单一光谱、nir(旋转样品杯)单一光谱，再将atr与nir数据进行初级和中级数据融合后，分别建立品种判别模型，得到4个模型，各模型建模条件及模型效果如表11所示。
[0145]
表11不同光谱类型下模型的预测结果比较
[0146][0147]
由表可知，nir(旋转样品杯)单一光谱模型效果最好，识别率预测率均为100％，而融合后模型效果低于单一光谱模型，可能是单一光谱模型效果已达到准确分类的目的，融合后引入干扰信息导致。
[0148]
此外，本实施例中仅指出中级融合后的比较分析，但本方法不限于对中级融合的比较，可延伸至高级融合或者中级融合后的其他融合步骤，然后进行对比分析。现有的高级融合包括：对多种模型的输出结果分别赋予权重，构建出一种新的决策方式，并根据所述决策方式对样品分子的理化性质进行分析。其中，将多种模型的输出结果进行投票，每一种模型得到一个投票预测结果，再融合投票结果，综合成一个模型，完成高级融合，这个模型可称之为高级判别模型，利用该高级判别模型对不同品种枸杞进行物种判别，能够在实施例1的基础上进一步提高识别率。
[0149]
具体地，初级融合数据是原始数据层的融合得来的，仅需要对来源不同的数据简单串联即可，中级融合数据的得来是特征层数据融合，相较于初级融合数据而言它需要对来自于不同的数据先进行特征信息提取，再根据相应的融合方法对获得的特征变量进行融合，对融合后的数据进行分析可以获得更准确的信息。高级融合是决策层数据融合，是通过对不同来源的数据分析建立模型，对这些模型的预测结果进行分析，并通过投票的方法对其分别赋予其权重，从而构建出一种新的决策方式，进而根据这种决策对样品分子的理化性质进行分析，能够进一步提升识别效果。
[0150]
需要注意的是，在其他种类药材的识别中，可能是融合模型的效果好，本发明的创造在于给出一个分析依据。本发明的创造就在于结合化学计量学方法和数据融合策略，建立品种判别模型，比较不同融合模型和单光谱模型的效果，更加全面系统地分析影响模型效果的因素，提供稳定性更好的模型，同时也为其他药材品种判别模型的样品状态、光谱类型以及光谱融合的选择提供参考，如在该实施例中，融合模型的效果并不比单一光谱的效果好。
[0151]
实施例6
[0152]
提供一种基于红外光谱的不同品种中宁枸杞鉴别系统，所述系统包括：
[0153]
样品采集模块，用于采集不同品种的中宁枸杞样品；
[0154]
光谱采集模块，用于利用多种光谱采集方式对所述中宁枸杞样品进行光谱采集，其中，先采集原始状态下的红外光谱，得到原始样品光谱，再采集粉末状态下的红外光谱，得到粉末样品光谱；
[0155]
样品状态选择模块，用于在同种采集方式下，分别利用原始样品光谱和粉末样品光谱进行建模，通过比较模型效果选择最佳样品状态；
[0156]
品种判别模型建立模块，用于在最佳样品状态下，分别利用不同光谱采集方式下的红外光谱进行建模，比较不同光谱采集方式下模型效果，选择最佳光谱采集方式建立品种判别模型；
[0157]
鉴别模块，用于利用所述品种判别模型对不同品种中宁枸杞进行鉴别。
[0158]
实施例7
[0159]
本实施例与实施例1具有相同的发明构思，在实施例1的基础上提供了一种存储介质，其上存储有计算机指令，计算机指令运行时执行实施例1中的一种基于红外光谱的不同品种中宁枸杞鉴别方法的步骤。
[0160]
基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0161]
实施例8
[0162]
本实施例还提供一种终端，与实施例1具有相同的发明构思，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，处理器运行计算机指令时执行实施例1中的一种基于红外光谱的不同品种中宁枸杞鉴别方法的步骤。处理器可以是单核或者多核中央处理单元或者特定的集成电路，或者配置成实施本发明的一个或者多个集成电路。
[0163]
在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0164]
以上具体实施方式是对本发明的详细说明，不能认定本发明的具体实施方式只局限于这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演和替代，都应当视为属于本发明的保护范围。