[发明专利]葡萄酒产地智能识别方法及系统

说明书

本发明涉及一种葡萄酒产地智能识别方法及系统，该方法包括步骤：采集待检测葡萄酒的光谱数据，并绘制光谱图；对所述光谱图进行预处理，所述预处理包括降维和去噪；利用预先训练好的预测模型从预处理后的光谱图中提取出特征变量，并对提取出的特征变量进行分类，基于各特征变量的分类确定出葡萄酒的产地；所述预测模型为支持向量机分析的RBM串联多层BP神经元网络模型，所述预测模型通过将多个RBM进行多层串联作为前向算法，后项的更新算法采用BP算法，并融合支持向量机算法而训练得到。与传统的近红外光谱检测不同，本发明结合了化学检测及机器学习技术，可以消除传统光谱检测所存在的噪声的影响，因此可以提高葡萄酒产地识别的准确性。

技术领域

本发明涉及食品检测技术领域，具体涉及一种葡萄酒产地智能识别方法及系统。

背景技术

随着人民生活水平的提高，葡萄酒的消费量持续增长，由于葡萄酒是一种地域性很强的食品，使得有地理标志的葡萄酒受到市场的广泛认可。在此背景下，为了牟取不当利益，假冒伪劣葡萄酒大量涌现，常有以非地理标志保护的葡萄酒冒充地理标志保护的葡萄酒进行销售。为提高地理标志保护葡萄酒的品牌效应和经济效益，维护消费者的合法权益，葡萄酒的原产地智能识别技术至关重要。

目前为止，国内外已有多种检测技术应用于葡萄酒的产地识别，主要从酚类物质、氨基酸、挥发性成分、微量元素、同位素、感官特性等角度对葡萄酒进行分析，再结合化学计量学方法，追溯葡萄酒原产地。光谱分析是一种快速、灵敏的检测技术，利用化学物质（原子、基团、分子及高分子化合物）所具有的发射、吸收或散射光谱的特征，来确定其性质、结构或含量。但是可见/近红外光谱技术受外界环境干扰较大，所以红外光谱信息中包含有许多与样本信息无关的噪声，在使用可见/近红外光谱建模时，会影响建模的效率以及模型的预测性能。

发明内容

本发明的目的在于改善现有技术中的可见/近红外光谱检测时容易受无关噪声干扰而影响建模效率和预测性能的不足，提供一种葡萄酒产地智能识别方法及系统，通过对可见/近红外光谱中的特征变量进行筛选，选择对模型贡献较大的变量，从而简化模型、提高建模准确率，以便实现葡萄酒快速检测。

为了实现上述发明目的，本发明实施例提供了以下技术方案：

一方面，本发明实施例提供了一种葡萄酒产地智能识别方法，包括以下步骤：

采集待检测葡萄酒的光谱数据，并绘制光谱图；

对所述光谱图进行预处理，所述预处理包括降维和去噪；

利用预先训练好的预测模型从预处理后的光谱图中提取出特征变量，并对提取出的特征变量进行分类，基于各特征变量的分类确定出葡萄酒的产地；

所述预测模型为支持向量机分析的RBM串联多层BP神经元网络模型，所述预测模型通过将多个RBM进行多层串联作为前向算法，后项的更新算法采用BP算法，并融合支持向量机算法而训练得到。

在更细化的方案中，所述预测模型通过以下步骤训练而得：

S201，收集若干份不同产地的葡萄酒样品，并随机将葡萄酒样品划分为训练集和测试集；

S202，针对于训练集和测试集，采集葡萄酒样品的光谱数据，并绘制光谱图，以及对光谱图进行预处理；

S203，利用初始搭建的预测模型对训练集中预处理之后的光谱图进行特征变量提取和预测分类；

S204，采用四极飞行时间质谱仪对葡萄酒中的酚类成分及花色苷成分进行检测；

S205，通过步骤204中所得的检测结果对步骤S203中得到的特征变量的分类进行校正，对预测模型进行优化，得到优化后的预测模型，然后返回步骤S203，且在步骤S203中，利用优化后的预测模型对原样本的光谱图重新提取特征和预测分类；

循环执行步骤S203-S205，直至训练结束。