葡萄酒产地智能识别方法及系统技术方案

本发明专利技术公开了葡萄酒产地智能识别方法及系统，所述识别方法包括以下步骤：收集不同产地的葡萄酒样品，通过螺旋下降的方式随机采集葡萄酒样品的至少三个光谱数据，并绘制光谱图，对光谱图进行预处理后，利用识别模型对光谱图进行特征变量提取和预测分类，生成溯源光谱图；通过螺旋下降的方式随机采集待识别葡萄酒样品的至少三个光谱数据，并绘制光谱图，对所述光谱图进行预处理，生成待识别光谱图。本发明专利技术通过螺旋下降的方式随机采集葡萄酒样品的至少三个光谱数据绘制光谱图，再通过识别模型将待识别光谱图与溯源光谱图依次对比，识别葡萄酒的产地，通过多参数对比的方式有效提高对葡萄酒产地的识别精度。对葡萄酒产地的识别精度。对葡萄酒产地的识别精度。

【技术实现步骤摘要】
葡萄酒产地智能识别方法及系统


[0001]本专利技术涉及葡萄酒检测
，具体涉及葡萄酒产地智能识别方法及系统。

技术介绍

[0002]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，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。
[0003]申请公布号CN113361610A的中国专利公开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；利用预先训练好的识别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；所述识别模型为支持向量机分析的RBM串联多层BP 神经元网络模型，所述识别模型通过将多个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。
[0004]上述技术存在以下不足：上述识别方法在检测葡萄酒光谱数据时，仅通过采集葡萄酒瓶某一区域的光谱图进行检测，由于葡萄酒瓶在运输过程中，内部的葡萄酒会产生沉淀导致分层，此时通过单区域光谱图检测的方式识别葡萄酒产地识别存在误差，容易导致产地识别错误，存在一定局限性。

技术实现思路

[0005]本专利技术的目的是提供葡萄酒产地智能识别方法及系统，以解决
技术介绍
中不足。
[0006]为了实现上述目的，本专利技术提供如下技术方案：葡萄酒产地智能识别方法，所述识别方法包括以下步骤：
[0007]S1：收集不同产地的葡萄酒样品，通过螺旋下降的方式随机采集葡萄酒样品的至少三个光谱数据，并绘制光谱图，对光谱图进行预处理后，利用识别模型对光谱图进行特征变量提取和预测分类，生成溯源光谱图；
[0008]S2：通过螺旋下降的方式随机采集待识别葡萄酒样品的至少三个光谱数据，并绘制光谱图，对所述光谱图进行预处理，生成待识别光谱图；
[0009]S3：待识别光谱图输入预先训练好的识别模型，识别模型将待识别光谱图与溯源光谱图进行比对，根据比对数据输出得到识别结果。
[0010]优选的，三个光谱数据分别为葡萄酒瓶的上、中、下三个层次区域，上层为葡萄酒以及密度小于葡萄酒的漂浮物，中层为葡萄酒，下层为葡萄酒以及密度大于葡萄酒的沉淀物，对葡萄酒瓶的上、中、下三个区域划分方式为：以葡萄酒瓶的整体高度除以三得到。
[0011]优选的，步骤S3中，将待识别光谱图与溯源光谱图进行比对包括以下步骤：
[0012]S3.1：设三个待识别光谱数据分别为A1、A2、A3，溯源光谱数据为 {B1、B2、B3、C1、C2、C3......}；
[0013]S3.2：将偏差在0.5％内的溯源光谱数据与待识别光谱数据选出；
[0014]S3.3：A1、A2、A3与C1、C2、C3的单独光谱数据对比偏差小于0.5％，再将A1、A2、A3与C1、C2、C3依次对比，产生九组对比数据；
[0015]S3.4：取九组对比数据的平均值，平均值小于1％确定待识别葡萄酒的产地。
[0016]优选的，还包括
[0017]S3.5：待识别光谱数据与溯源光谱数据对比偏差均大于0.5％，识别模型将该葡萄酒的光谱图进行特征变量提取和预测分类。
[0018]优选的，所述光谱图进行预处理包括降维和去噪，对光谱图去噪包括以下步骤：
[0019]设窗口大小为5，即每次取5个点，包括自身和前后2个点；
[0020]把光谱一段区间的波长间隔的5个点记为X集合；
[0021]通过在波长点为X
k
‑2,X
k
‑1,X
k
,X
k+1
,X
k+2
的数据的多项式拟合值来取代X
k
，k表示轨迹点上的第k个点；
[0022]依次移动，直到把光谱遍历完。
[0023]优选的，对光谱图降维包括以下步骤：
[0024]通过最小化目标函数进行变量选择；
[0025]构建稀疏字典；
[0026]将实时深度学习模型引入到光谱特征领域中。
[0027]优选的，所述识别模型结合支持向量机分析、多层RBM串联和BP 神经网络三种技术共同训练得到，对RBM的结构进行改进包括以下步骤：
[0028]预训练单层RBM，多层叠加形成网络；
[0029]在网络的最后一层设置BP网络，接收RBM的输出特征向量作为它的输入特征向量，有监督地训练实体关系分类器；
[0030]将模型算法与SVM+Boosting算法融合。
[0031]本专利技术还提供葡萄酒产地智能识别系统，所述识别系统用于实现葡萄酒产地智能识别方法，包括采集模块、驱动模块、模型训练模块、处理模块以及识别模块；
[0032]驱动模块驱动采集模块以葡萄酒瓶样品为中心，通过螺旋下降的方式采集葡萄酒样品的光谱数据，生成溯源光谱图，模型训练模块通过溯源光谱图训练识别模型；
[0033]驱动模块驱动采集模块以待识别葡萄酒瓶样品为中心，通过螺旋下降的方式采集葡萄酒样品的至少三个光谱数据，生成待识别光谱图，识别模块将待识别光谱图与溯源光谱图进行比对，得到识别结果；
[0034]处理模块：用于对溯源光谱图以及待识别光谱图做降维和去噪处理。
[0035]优选的，所述驱动模块包括底座、所述底座的顶部设置有旋转机构，所述旋转机构上设置有升降机构，所述升降机构的一侧还设置有固定机构，且采集模块探头与固定机构固定，旋转机构驱动升降机构转动，升降机构通过固定机构驱动采集模块探头下降，使采集模块探头以葡萄酒瓶为中心，匀速旋转下降采集葡萄酒的光谱数据。
[0036]优选的，所述旋转机构包括齿圈、齿轮以及第一电机，且第一电机驱动齿轮转动，齿轮以啮合的方式驱动齿圈转动；
[0037]所述升降机构包括支杆、螺杆、第二电机以及内螺纹套，且支杆固定在齿圈的边缘顶部，第二电机固定在支杆顶端，且第二电机驱动螺杆正反翻转，螺杆通过螺纹带动内螺纹
套上下移动；
[0038]所述固定机构包括滑套以及螺栓，且滑套与内螺纹套通过连杆固定，螺栓与滑套螺纹连接，将采集模块探头嵌入滑套后，旋紧螺栓固定采集模块探头。
[0039]在上述技术方案中，本专利技术提供的技术效果和优点：
[0040]1、本专利技术通过螺旋下降的方式随机采集葡萄酒样品的至少三个光谱数据绘制光谱图，再通过识别模型将待识别光谱图与溯源光谱图依次对比，识别葡萄酒的产地，通过多参数对比的方式有效提高对葡萄酒产地的识别精度。
[0041]2、本专利技术通过对光谱图进行预处理包括降维和去噪，在提取特征变量之前先对光谱图进行预处理，以提高光谱图质量，继而更好地提取特征变量，以及降低对光伏数据的处理量，提高效率。
[0042本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.葡萄酒产地智能识别方法，其特征在于：所述识别方法包括以下步骤：S1：收集不同产地的葡萄酒样品，通过螺旋下降的方式随机采集葡萄酒样品的至少三个光谱数据，并绘制光谱图，对光谱图进行预处理后，利用识别模型对光谱图进行特征变量提取和预测分类，生成溯源光谱图；S2：通过螺旋下降的方式随机采集待识别葡萄酒样品的至少三个光谱数据，并绘制光谱图，对所述光谱图进行预处理，生成待识别光谱图；S3：待识别光谱图输入预先训练好的识别模型，识别模型将待识别光谱图与溯源光谱图进行比对，根据比对数据输出得到识别结果。2.根据权利要求1所述的葡萄酒产地智能识别方法，其特征在于：三个光谱数据分别为葡萄酒瓶的上、中、下三个层次区域，上层为葡萄酒以及密度小于葡萄酒的漂浮物，中层为葡萄酒，下层为葡萄酒以及密度大于葡萄酒的沉淀物，对葡萄酒瓶的上、中、下三个区域划分方式为：以葡萄酒瓶的整体高度除以三得到。3.根据权利要求2所述的葡萄酒产地智能识别方法，其特征在于：步骤S3中，将待识别光谱图与溯源光谱图进行比对包括以下步骤：S3.1：设三个待识别光谱数据分别为A1、A2、A3，溯源光谱数据为B1、B2、B3、C1、C2、C3......}；S3.2：将偏差在0.5％内的溯源光谱数据与待识别光谱数据选出；S3.3：A1、A2、A3与C1、C2、C3的单独光谱数据对比偏差小于0.5％，再将A1、A2、A3与C1、C2、C3依次对比，产生九组对比数据；S3.4：取九组对比数据的平均值，平均值小于1％确定待识别葡萄酒的产地。4.根据权利要求3所述的葡萄酒产地智能识别方法，其特征在于：还包括S3.5：待识别光谱数据与溯源光谱数据对比偏差均大于0.5％，识别模型将该葡萄酒的光谱图进行特征变量提取和预测分类。5.根据权利要求4所述的葡萄酒产地智能识别方法，其特征在于：所述光谱图进行预处理包括降维和去噪，对光谱图去噪包括以下步骤：设窗口大小为5，即每次取5个点，包括自身和前后2个点；把光谱一段区间的波长间隔的5个点记为X集合；通过在波长点为X
k
‑2,X
k
‑1,X
k
,X
k+1
,X
k+2
的数据的多项式拟合值来取代X
k
，k表示轨迹点上的第k个点；依次移动，直到把光谱遍历完。6.根据权利要求5所述的葡萄酒产地智能识别方法，其特征在于：对光谱图降维包括以下步骤：通过最小化目标函数进行变量选...

【专利技术属性】
技术研发人员：王劲松，王晓静，赵子丹，石欣，开建荣，周丽娜，陈翔，
申请(专利权)人：宁夏农产品质量标准与检测技术研究所宁夏农产品质量监测中心，
类型：发明
国别省市：