一种基于红外光谱指纹技术的艾叶产地溯源方法

1.本发明涉及产地溯源技术领域，具体涉及一种基于红外光谱指纹技术的艾叶产地溯源方法。


背景技术：

2.红外光谱分析技术具有无损、快捷、可在线检测等显著的优点，尤其是被测样品不受物理状态的限制，气态、液态、固态均可检测，这是其他分析手段所不及的。红外光谱测定样品用量较少且没有复杂的预处理，更不涉及有毒的化学试剂，而且该技术操作简单快捷，检测速度快，测量过程仅需几十秒即可完成。不同地域来源的中药材所处的生态环境(气候，土壤，水质等)不同，其化学成分的含量和种类有所差异，当受到红外光辐射而引起的振动形式势必会造成红外光谱的差别。现有技术中，缺少采用分析红外光谱之间的差异来进行产地溯源，为此，本发明提出一种基于红外光谱指纹技术的艾叶产地溯源方法。


技术实现要素：

3.为解决上述问题，本发明提出一种基于红外光谱指纹技术的艾叶产地溯源方法，解决了产地识别准确性低、识别效率低的技术问题。
4.本发明提供了如下的技术方案。
5.一种基于红外光谱指纹技术的艾叶产地溯源方法，包括以下步骤：
6.预处理不同产地的艾叶样品，与干燥后的kbr混合并充分研磨，压片成锭片；
7.通过傅里叶变换红外光谱仪扫描锭片，获得三个方位的光谱图的平均谱图作为艾叶样品红外指纹图谱；
8.选用道地产区的艾叶样品作为对照艾叶样品，以共有模式建立艾叶的对照红外图谱，以对照艾叶样品吸收强度均值作为对照图谱的吸收强度；
9.解析对照红外图谱，拾取若干个特征峰作为共有特征峰；
10.选取产地特征明显的波段作为特征波段，对不同产地艾叶样品红外指纹图谱的共有特征峰、特征波段以及全谱与对照红外图谱进行相似度分析；
11.通过模式识别方法构建艾叶产地溯源模型；
12.输入待鉴别的艾叶样品红外指纹图谱的共有特征峰、特征波段以及全谱的信息，通过产地溯源模型获得待鉴别的艾叶样品的产地溯源结果。
13.优选地，所述艾叶样品红外指纹图谱的获取，包括以下步骤：
14.将不同产地的艾叶样品去杂、挑选、干燥、剪碎并混匀，于45℃烘箱中低温烘干直至恒重，粉碎，过80目筛，备用；
15.称取艾叶样品10mg与干燥后的kbr 150mg混合并研磨，压片成厚度为1mm的锭片，上机测定；
16.在扫描中，每个样品片随机扫描3个方位，获得3个光谱图，取其平均谱图；
17.实验室内温度和湿度分别控制在22～27℃和30％～40％，每个锭片均扫描64次，
扫描时扣除h2o和co2的干扰；
18.得到的原始光谱数据经opus软件进行基线校正和平滑处理，获得最终的艾叶样品红外指纹图谱。
19.优选地，所述共有特征峰包括：
20.3273cm-1
附近出现频率低、谱带宽的吸收峰，为n-h伸缩振动或o-h伸缩振动，其含有醇类、酚类或酰胺类；3004cm-1
和2919cm-1
附近的吸收峰为c-h伸缩振动，其含有烯烃和烷烃；1656cm-1
附近的吸收峰为c＝c或c＝o伸缩振动，其含有烯烃、醛类或酮类；1485cm-1
附近的吸收峰为c-h弯曲振动，其含有烷烃类；1263cm-1
附近的吸收峰为o-h弯曲振动或c-o-c伸缩振动，其含有酚类、醇类或酯类；1195cm-1
附近的吸收峰为n-h弯曲振动、c-o伸缩振动、c-c伸缩振动，其含有烷烃、胺类、酯类、醇类或酚类；1053cm-1
附近的吸收峰为c-h弯曲振动、c＝o伸缩振动、n-h弯曲振动，其含有烷烃、酚类、醇类或胺类；845cm-1
附近的吸收峰为c-h面外弯曲振动，其含有醛类或取代苯；664cm-1
附近的吸收峰为o-h面外弯曲振动，其含有胺类成分。
21.优选地，所述模式识别方法采用knn分类算法，通过比较欧氏距离和夹角余弦的分类效果，并经过k值的持续寻优，最终得到艾叶的分类结果。
22.优选地，所述模式识别方法采用随机森林算法。
23.优选地，所述模式识别方法采用遗传算法优化支持向量机算法。
24.优选地，所述模式识别方法采用网格搜索算法。
25.优选地，所述模式识别方法采用粒子群算法。
26.优选地，所述模式识别方法采用bp神经网络算法。
27.优选地，所述模式识别方法采用最小二乘支持向量机算法。
28.本发明的有益效果：
29.本发明提出一种基于红外光谱指纹技术的艾叶产地溯源方法，该方法具有无损、快捷、可在线检测等显著的优点，尤其是被测样品不受物理状态的限制，有望在药企或监管部门应用和推广；本方法构建了svm-pso、rf、knn、ls-svm、bp-nn、svm-ga等溯源算法，svm-pso、rf和knn 3个计量学模型分类效果相对较好，更适合艾叶的产地溯源。
附图说明
30.图1是本发明实施例的整体流程图；
31.图2是本发明实施例的艾叶红外对照图谱及共有特征峰示意图；
32.图3是本发明实施例的不同产地艾叶红外光谱原始剖面图；
33.图4是本发明实施例的不同产地艾叶选择波段红外剖面图；
34.图5是本发明实施例的艾叶前三主成分得分图；
35.图6是本发明实施例的knn算法中欧氏距离和夹角余弦的测试结果图；
36.图7是本发明实施例的随机森林算法中预测值和真实值的分布情况图；
37.图8是本发明实施例的svm-ga算法的适应度曲线图；
38.图9是本发明实施例的svm-ga算法中预测值和真实值的分布情况图；
39.图10是本发明实施例的svm-grid算法的适应度曲线图；
40.图11是本发明实施例的svm-grid算法中预测值和真实值的分布情况图；
41.图12是本发明实施例的svm-pso算法的适应度曲线图；
42.图13是本发明实施例的svm-pso算法中预测值和真实值的分布情况图；
43.图14是本发明实施例的bp神经网络中预测值和真实值的分布情况图；
44.图15是本发明实施例的ls-svm中预测值和真实值的分布情况图。
具体实施方式
45.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
46.实施例1
47.本实施例中的材料与试剂为：alpha ii型傅里叶变换红外光谱仪(德国bruker公司)，dtgs检测器(8000～350cm-1，信噪比为4000:1，扫描累积64次)；ms-105型电子天平(瑞士梅特勒-托利多公司生产)，fsj-a05n6微型粉碎机(广东小熊电器股份有限公司生产)；fy-15型粉末压片机(上海天阖机械设备有限公司)；8401-2a型远红外干燥箱(常州诺基仪器有限公司)；kbr(光谱纯，天津科密欧化学试剂有限公司)。
48.数据处理方面：运用spss 19.0(ibm，usa)、simca-p 11.5(umetrics，sweden)、matlab 2017a(mathworks inc.，usa)等软件进行数据挖掘、绘图和模式识别。
49.本发明的一种基于红外光谱指纹技术的艾叶产地溯源方法，如图1-15所示，包括以下步骤：
50.s1：预处理不同产地的艾叶样品，与干燥后的kbr混合并充分研磨，压片成锭片；具体的：艾叶样品于2020年5～6月在河南省南阳市和安阳市、湖北省黄冈市、浙江省宁波市以及河北省保定市等地采集，将不同产地的艾叶样品去杂、挑选、干燥、剪碎并混匀，于45℃烘箱中低温烘干直至恒重，粉碎，过80目筛，备用。称取艾叶样品10mg与干燥后的kbr 150mg混合并研磨，压片成厚度为1mm的锭片，上机测定。
51.在扫描中，每个样品片随机扫描3个方位，获得3个光谱图，取其平均谱图作为最后的样品谱图。
52.s2：通过傅里叶变换红外光谱仪扫描锭片，获得三个方位的光谱图的平均谱图作为艾叶样品红外指纹图谱。实验室内温度和湿度分别控制在22～27℃和30％～40％，每个锭片均扫描64次，扫描时扣除h2o和co2的干扰。得到的原始光谱数据经opus软件进行基线校正和平滑处理，初步消除基线和噪声的影响。
53.s3：方法学考察：精密度实验结果表明，共有峰波数的相对标准偏差均小于0.35％；稳定性实验结果表明，共有峰波数的相对标准偏差在0.12％～4.45％之间，且样品在24h内稳定；重复性实验结果表明，共有峰波数的相对标准偏差在0.16％～5.13％之间。以上方法学考察结果表明该方法可靠、重复性好、稳定性强，符合指纹图谱的要求。
54.s4：选用道地产区的艾叶样品作为对照艾叶样品，以共有模式建立艾叶的对照红外图谱，以对照艾叶样品吸收强度均值作为对照图谱的吸收强度。具体的：
55.湖北省蕲春县是艾叶的传统道地产区，也是临床制剂和民间传统用药的主要采集区。本章节中以共有模式建立艾叶的对照红外图谱，选择湖北省蕲春县3个乡镇的15批样品作为对照药材，每份样品随机扫描3次，最终以45批对照药材吸收强度均值作为对照图谱的
吸收强度，如图2所示。
56.s5：解析对照红外图谱，拾取若干个特征峰作为共有特征峰。
57.通过对45批艾叶红外光谱的比较和分析，共拾取和解析10个特征峰作为共有特征峰(吸收峰差异不超过
±
4cm-1
)，表征如下：3273cm-1
附近出现频率较低、谱带较宽的吸收峰，为n-h伸缩振动或o-h伸缩振动，其含有醇类、酚类或酰胺类；3004cm-1
和2919cm-1
附近的吸收峰为c-h伸缩振动，其含有烯烃和烷烃；1656cm-1
附近的吸收峰为c＝c或c＝o伸缩振动，其含有烯烃、醛类或酮类；1485cm-1
附近的吸收峰为c-h弯曲振动，其含有烷烃类；1263cm-1
附近的吸收峰为o-h弯曲振动或c-o-c伸缩振动，其含有酚类、醇类或酯类；1195cm-1
附近的吸收峰为n-h弯曲振动、c-o伸缩振动、c-c伸缩振动，其含有烷烃、胺类、酯类、醇类或酚类；1053cm-1
附近的吸收峰为c-h弯曲振动、c＝o伸缩振动、n-h弯曲振动，其含有烷烃、酚类、醇类或胺类；845cm-1
附近的吸收峰为c-h面外弯曲振动，其含有醛类或取代苯；664cm-1
附近的吸收峰为o-h面外弯曲振动，其含有胺类成分。
58.s6：选取产地特征明显的波段作为特征波段，对不同产地艾叶样品红外指纹图谱的共有特征峰、特征波段以及全谱与对照红外图谱进行相似度分析。
59.s6.1：通过三种方式的分析和对比，既能突出共有特征峰的特点，又能将红外信息较为全面展现出来。
60.将不同产地艾叶样品的共有特征峰、选择波段以及全谱与对照红外图谱进行相似度分析，分析结果见表1。从表1可以看出，不同产地艾叶样品特征峰与对照样品特征峰有一定的差异，但整体上相似度较高，均呈现在90％以上；在选取波段的相似度对比中，除河南省安阳市艾叶样品与对照图谱表现出较为显著的差异性外(分别为80.3％和73.4％)，其他产地的样品均相似度较高(均大于90％)，不能有效地区分产地的归属。整体来看，艾叶的红外光谱信息在产地间相似度较高，仅采用共有特征峰、特征波段及全谱的相似度比对无法对艾叶产地进行有效的预测和鉴别。
61.表1不同产地艾叶ftir图谱共有特征峰的相似度分析
[0062][0063]
s6.2：波段选择
[0064]
图3可以看出整个光谱重叠较为严重，产地特征不明显，仅以峰位、峰强、峰高等图谱信息不能实现判别和分类。另外，550～400cm-1
和4000～3650cm-1
波段有较大噪音和较强的背景；2600～1600cm-1
波段存在h2o、co2等干扰，且该波段的有效信息较少，相似度过高，这些因素对艾叶的产地鉴别都会产生一定的影响。因此，在进行初步分析，并结合tq analyst推荐后选取3650～2600cm-1
和1600～550cm-1
作为研究波段进行鉴别模型的建立和
优化，选择后的波段如图4所示。
[0065]
s7：主成分分析
[0066]
在主成分分析过程中，指纹区的光谱信息被转换成1022个数据节点，并形成1022
×
75高维矩阵，将上述数据带入simca和matlab中进行降维和计算。通过对75份艾叶样品的特征提取，共得到6个有效主成分(表2)，其方差贡献率分别为80.91％、10.99％、4.17％、2.52％、0.85％及0.29％，累计贡献率共达到99.73％，说明这6个主成分已能够充分解释整个光谱信息，主成分交叉验证准确率较高，说明所构建的分析方法有效稳定。
[0067]
表2前6主成分的特征值及累计可信度
[0068][0069][0070]
用前三主成分作图(3d-plots散点图)，如图5所示，不同产地的艾叶样品虽出现重叠的情况，但从整体来看分类趋势较为明显，且不同产地样品相对集中。因此，基于红外光谱技术的艾叶产地溯源具有一定的可行性，但是主成分分析仅能提供聚类和距离的趋势，并不能对不同产地的艾叶样品进行量化分类，为了得到更为准确和直观的结果，我们将借助计量学模型进行分析。
[0071]
s8：通过模式识别技术构建艾叶产地溯源模型；
[0072]
s9：输入待鉴别的艾叶样品红外指纹图谱的共有特征峰、特征波段以及全谱的信息，通过产地溯源模型获得待鉴别的艾叶样品的产地溯源结果。
[0073]
实施例2，模式识别方法采用knn分类算法
[0074]
运用knn算法对艾叶的产地进行鉴别，通过比较欧氏距离和夹角余弦的分类效果，并经过k值的持续寻优，最终得到分类结果见表3和图6(图6a为欧氏距离的测试情况，图6b为夹角余弦的测试情况)。
[0075]
表3 knn算法的鉴别效果
[0076][0077]
从表3可以看出，knn算法中欧氏距离测试集的正确率为86.67％，夹角余弦距离测试集的正确率为86.67％，整体效果良好。其中，在欧氏距离测试集中，浙江省宁波市样品中1个被误判为河北省安国市，河北省安国市样品中1个被误判为河南省南阳市。其他样品均被正确分类，说明基于k-nearest neighbor算法的艾叶产地溯源研究鉴别效果良好。
[0078]
实施例3，模式识别方法采用随机森林算法(rf模型)
[0079]
运用随机森林算法对艾叶的产地进行鉴别，选择数据量的80％为训练集(样品数量为60个)，数据量的20％为测试集(样品数量为15个)，通过matlab软件进行学习和识别，结果见表4和图7(图7a为训练集的测试情况，图7b为测试集的测试情况)。
[0080]
表4随机森林算法的鉴别效果
[0081][0082]
从表4可以看出，随机森林算法中训练集的正确率为100％，测试集的正确率为86.67％，整体效果较为理想。其中，在训练集中所有样品均被正确分类，而在测试集中，浙江省宁波市样品中有1个被误判为河南省南阳市，河北省安国市1个样品被误判为湖北省蕲春县，其他样品均被正确分类，说明基于红外技术的随机森林模型适用于艾叶产地的鉴别，鉴别效果良好。
[0083]
实施例4，模式识别方法采用遗传算法(svm-ga模型)
[0084]
在遗传算法优化支持向量机算法中，选择数据量的80％为训练集(样品数量为60个)，数据量的20％为测试集(样品数量为15个)，通过matlab软件进行学习和识别，适应度曲线选择结果见图8，分析结果见表5和图9(图9a为训练集的测试情况，图9b为测试集的测试情况)。
[0085]
表5 svm-ga算法的鉴别效果
[0086][0087][0088]
从表5可知，svm-ga算法中训练集的正确率为100％，测试集的正确率为26.67％，分类效果较差。在测试集中，河南省南阳市样品中5个全部被误判为河湖北省蕲春县，河南省安阳市样品中1个被误判为湖北省蕲春县，浙江省宁波市3个样品全部被误判为湖北省蕲春县，河北省安国市2个样品被误判为湖北省蕲春县，其他样品均被正确分类。总体来说，基于同位素技术的svm-ga模型对艾叶产地鉴别效果较差，若初步实现产地溯源须进一步优化。
[0089]
实施例5，模式识别方法采用网格搜索算法(svm-grid模型)
[0090]
选择数据量的80％为训练集(样品数量为60个)，数据量的20％为测试集(样品数量为15个)，通过matlab软件进行学习和识别，svr参数选择结果为best c＝5.6569，g＝
0.044194，cvmse＝80(图10)，分析结果见表6和图11。(图11a为训练集的测试情况，图11b为测试集的测试情况)。
[0091]
表6 svm-grid算法的鉴别效果
[0092][0093]
从表6可知，svm-grid算法中训练集的正确率为98.33％，其中，仅有浙江省宁波市有的1个样品被误判为河北省安国市；测试集的正确率为86.67％，河南省南阳市1个样品被误判为浙江省宁波市，河北省安国市的1个样品被误判为湖北省蕲春县，其他样品均被正确分类。svm-grid模型对艾叶产地鉴别效果良好。
[0094]
实施例6，模式识别方法采用粒子群算法(svm-pso模型)
[0095]
在svm-pso算法中，选择数据量的80％为训练集(样品数量为60个)，数据量的20％为测试集(样品数量为15个)，通过matlab软件进行学习和识别，mse参数选择结果为c1＝2，c2＝2终止代数＝100，best c＝63.6717g＝0.69837(图12)，分析结果见表7和图13。(图13a为训练集的测试情况，图13b为测试集的测试情况)。
[0096]
表7 svm-grid算法的鉴别效果
[0097][0098]
从表7可知，svm-pso算法中训练集的正确率为100％，测试集的正确率为86.67％，浙江省宁波市1个样品被误判为河南省南阳市，河北省安国市1个样品被误判为湖北省蕲春县，其他样品均被正确分类，整体鉴别效果较好。svm-pso模型对艾叶产地鉴别效果良好。
[0099]
实施例7，模式识别方法采用bp神经网络算法(bp-nn模型)
[0100]
在神经网络溯源模型的构建中，选择数据量的80％为训练集(样品数量为60个)，数据量的20％为测试集(样品数量为15个)，通过matlab软件进行学习和识别，分析结果见表8和图14(图14a为训练集的测试情况，图14b为测试集的测试情况)。
[0101]
表8 bp神经网络算法的鉴别效果
[0102]
[0103][0104]
从表8可知，bp神经网络算法中训练集的正确率为100％，测试集的正确率为53.33％，分类效果较差。其中，在测试集中，河南省南阳市2个样品1个被误判为湖北省蕲春县1个被误判为河南省安阳市，湖北省蕲春县样品中1个被误判为河北省安国市，浙江省宁波市样品中2个1被误判为河北省安国市1个被误判为湖北省蕲春县，河北省安国市2个样品全被被误判为浙江省宁波市，整体的分类效果较差，因此，基于bp神经网络模型对艾叶产地鉴别效果欠佳，不适用于艾叶的产地溯源。
[0105]
实施例8，模式识别方法采用ls-svm
[0106]
在ls-svm溯源模型的构建中，选择数据量的80％为训练集(样品数量为60个)，数据量的20％为测试集(样品数量为15个)，通过matlab软件进行学习和识别，分析结果见表9和图15(图15a为训练集的测试情况，图15b为测试集的测试情况)。
[0107]
表15 ls-svm算法的鉴别效果
[0108][0109]
从表9可知，ls-svm算法中训练集的正确率为100％，测试集的正确率为60％，分类效果一般。在测试集中，河南省南阳市3个样品被误判为湖北省蕲春县1个样品被误判为河北省安国市，浙江省宁波市1个样品被误判为河南省南阳市，河北省安国市1个样品被误判为湖北省蕲春县，其他样品均被正确分类。总体来说，ls-svm模型对艾叶产地鉴别效果一般，用于艾叶的产地溯源研究须进一步优化。
[0110]
不同计量学模型溯源效果的比较：
[0111]
从表10可以看出，不同模式识别方法对艾叶产地鉴别的效果差异较大，以上6种模式识别正确率的高低顺序为：svm-pso﹦rf﹦knn＞ls-svm＞bp-nn＞svm-ga，svm-pso、rf和knn 3个计量学模型分类效果相对较好，其测试集的正确率均为86.67％，考虑到svm-pso模型是经过监督和训练，稳定性相应较高，故认为该方法更适合艾叶的产地溯源。总体来说，基于红外光谱技术与模式识别方法结合，可用于艾叶的产地鉴别。
[0112]
表10不同模式识别方法效果的比较
[0113][0114]
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于红外光谱指纹技术的艾叶产地溯源方法，其特征在于，包括以下步骤：预处理不同产地的艾叶样品，与干燥后的kbr混合并充分研磨，压片成锭片；通过傅里叶变换红外光谱仪扫描锭片，获得三个方位的光谱图的平均谱图作为艾叶样品红外指纹图谱；选用道地产区的艾叶样品作为对照艾叶样品，以共有模式建立艾叶的对照红外图谱，以对照艾叶样品吸收强度均值作为对照图谱的吸收强度；解析对照红外图谱，拾取若干个特征峰作为共有特征峰；选取产地特征明显的波段作为特征波段，对不同产地艾叶样品红外指纹图谱的共有特征峰、特征波段以及全谱与对照红外图谱进行相似度分析；通过模式识别方法构建艾叶产地溯源模型；通过产地溯源模型获得待鉴别的艾叶样品的产地溯源结果。2.根据权利要求1所述的基于红外光谱指纹技术的艾叶产地溯源方法，其特征在于，所述艾叶样品红外指纹图谱的获取，包括以下步骤：将不同产地的艾叶样品去杂、挑选、干燥、剪碎并混匀，于45℃烘箱中低温烘干直至恒重，粉碎，过80目筛，备用；称取艾叶样品10mg与干燥后的kbr 150mg混合并研磨，压片成厚度为1mm的锭片，上机测定；在扫描中，每个样品片随机扫描3个方位，获得3个光谱图，取其平均谱图；实验室内温度和湿度分别控制在22～27℃和30％～40％，每个锭片均扫描64次，扫描时扣除h2o和co2的干扰；得到的原始光谱数据经opus软件进行基线校正和平滑处理，获得最终的艾叶样品红外指纹图谱。3.根据权利要求1所述的基于红外光谱指纹技术的艾叶产地溯源方法，其特征在于，所述共有特征峰包括：3273cm-1
附近出现频率低、谱带宽的吸收峰，为n-h伸缩振动或o-h伸缩振动，其含有醇类、酚类或酰胺类；3004cm-1
和2919cm-1
附近的吸收峰为c-h伸缩振动，其含有烯烃和烷烃；1656cm-1
附近的吸收峰为c＝c或c＝o伸缩振动，其含有烯烃、醛类或酮类；1485cm-1
附近的吸收峰为c-h弯曲振动，其含有烷烃类；1263cm-1
附近的吸收峰为o-h弯曲振动或c-o-c伸缩振动，其含有酚类、醇类或酯类；1195cm-1
附近的吸收峰为n-h弯曲振动、c-o伸缩振动、c-c伸缩振动，其含有烷烃、胺类、酯类、醇类或酚类；1053cm-1
附近的吸收峰为c-h弯曲振动、c＝o伸缩振动、n-h弯曲振动，其含有烷烃、酚类、醇类或胺类；845cm-1
附近的吸收峰为c-h面外弯曲振动，其含有醛类或取代苯；664cm-1
附近的吸收峰为o-h面外弯曲振动，其含有胺类成分。4.根据权利要求1所述的基于红外光谱指纹技术的艾叶产地溯源方法，其特征在于，所述模式识别方法采用knn分类算法，通过比较欧氏距离和夹角余弦的分类效果，并经过k值的持续寻优，最终得到艾叶的分类结果。5.根据权利要求1所述的基于红外光谱指纹技术的艾叶产地溯源方法，其特征在于，所述模式识别方法采用随机森林算法。6.根据权利要求1所述的基于红外光谱指纹技术的艾叶产地溯源方法，其特征在于，所述模式识别方法采用遗传算法优化支持向量机算法。
7.根据权利要求1所述的基于红外光谱指纹技术的艾叶产地溯源方法，其特征在于，所述模式识别方法采用网格搜索算法。8.根据权利要求1所述的基于红外光谱指纹技术的艾叶产地溯源方法，其特征在于，所述模式识别方法采用粒子群算法。9.根据权利要求1所述的基于红外光谱指纹技术的艾叶产地溯源方法，其特征在于，所述模式识别方法采用bp神经网络算法。10.根据权利要求1所述的基于红外光谱指纹技术的艾叶产地溯源方法，其特征在于，所述模式识别方法采用最小二乘支持向量机算法。

技术总结
本发明提供一种基于红外光谱指纹技术的艾叶产地溯源方法，包括以下步骤：预处理不同产地的艾叶样品，压片成锭片；通过傅里叶变换红外光谱仪扫描锭片，获得艾叶样品红外指纹图谱；建立艾叶的对照红外图谱；解析对照红外图谱，拾取若干个特征峰作为共有特征峰；选取产地特征明显的波段作为特征波段，对不同产地艾叶样品红外指纹图谱的共有特征峰、特征波段以及全谱与对照红外图谱进行相似度分析；通过模式识别技术构建艾叶产地溯源模型；输入待鉴别的艾叶样品红外图谱，通过产地溯源模型获得待鉴别艾叶样品的产地溯源结果。该方法解决了产地识别准确性低、效率低的技术问题，具有无损、快捷、准确性高、无需复杂前处理、无需化学试剂等优点。等优点。等优点。


技术研发人员：李超 李丹霞 封貌 李孟芝 项丽玲 黄显章
受保护的技术使用者：南阳理工学院
技术研发日：2022.03.18
技术公布日：2022/5/25