基于拉曼光谱技术的不同产地大米的检测方法研究.pdfVIP

基于拉曼光谱技术的不同产地大米的检测方法研究

摘要

大米产地的检测分析对于粮食品质安全和维护粮食市场秩序都尤为重要。传统的大

米检测方法主要是化学检测和感官检测，存在着操作繁琐和主观性较强等缺点，难以达

到快速、无损、便携的检测要求。拉曼光谱具有指纹特征，通过分析物质拉曼光谱数据，

可以分析物质的结构组成和化学成分。其操作简单、高灵敏度、无需标记等诸多特点，

为不同产地大米的分类识别检测提供了可能。

卷积神经网络是一种基于卷积运算的深度神经网络，通过端对端的特征提取过程代

替了原来人为的特征提取过程，能直接从预处理后数据中提取具有多个抽象级别的复杂

隐藏特征。由于卷积神经网络能够充分利用拉曼光谱特点，并具有处理复杂光谱数据、

提高分类和识别准确率等方面的优势，可用于拉曼光谱分析。

本课题的研究以拉曼光谱为技术手段，结合卷积神经网络和拉曼光谱信息特征，设

计并建立两种以不同数据类型为输入的大米分类模型，主要内容如下：

1.介绍了食品安全、拉曼光谱分析技术、机器学习和卷积神经网络的发展与现状。

在当前大米产地检测监管系统混乱和传统大米分类检测方法存在一定缺陷的情况下，提

出一种无损、高效的大米产地检测技术十分必要。阐述了机器学习和卷积神经网络在光

谱领域的应用，表明其在光谱领域具有良好的发展和前景。解释说明了拉曼光谱原理、

光谱预处理方法以及具体介绍了机器学习和深度学习算法理论，为实验部分提供了理论

基础。

2.对大米拉曼光谱的进行数据采集、预处理、光谱分析和数据集制备，对后续实验

的软硬件环境进行选择和搭建。本课题使用拉曼光谱仪采集了南北方两个不同产地的大

米拉曼光谱信息，并对采集到的拉曼光谱信号进行光谱预处理、特征峰分析以及不同尺

寸大小的数据集制备。通过光谱分析可知，由于不同产地大米光谱信息特征的相似度极

高，无法通过传统的主成分分析法对大米进行检测分类。本课题提出了通过深度学习结

合拉曼光谱建立高准确率分类模型的研究方法。接着，根据不同深度学习环境框架的对

比，搭建了后续建模实验的软硬件环境。

3.建立了基于卷积神经网络的大米拉曼光谱分类模型R-S-1D模型和R-S-2D模型。

根据拉曼光谱信号的特点，分别以单通道输入和多通道输入设计了两种适用于拉曼光谱

分类的卷积神经网络模型，并用过模型评估指标对两种模型进行了对比研究。研究表明，

在两种模型都能对不同产地大米进行准确、快速分类的前提下，两种模型各自具有不同

哈尔滨工程大学专业学位硕士学位论文

的适应场景。为了验证卷积神经网络在处理拉曼光谱识别问题的优势，本课题的研究建

立了四种机器学习模型，通过对比，证明卷积神经网络模型在大米分类识别上的良好性

能。

关键词：拉曼光谱；深度学习；大米；识别

基于拉曼光谱技术的不同产地大米的检测方法研究

Abstract

Thedetectionandanalysisofriceoriginareparticularlyimportantforfoodqualityand

safetyandformaintainingorderinthefoodmarket.Traditionalricedetectionmethodsare

mainlychemicaldetectionandsensorydetection,whichhavethedisadvantagesofcumbersome

operationandstrongsubjectivity,anditisdifficulttomeettherequirementsoffast,non-

destructive,andportabledetection.Ramanspectroscopyhasfingerprintcharacteristics.By

analyzingtheRamanspectraldataofsubstances,thestructuralcomposition