基于小波变换激光诱导击穿光谱的谷类作物产地鉴别方法

摘要

本发明属于光谱分析技术领域，具体涉及一种基于小波变换激光诱导击穿光谱的谷类作物产地鉴别方法，该方法包括以下步骤：S1准备不同产地的谷类作物样品，利用激光诱导击穿光谱(LIBS)对谷类作物样品进行光谱数据采集；S2利用小波变换对采集的谷类作物样品光谱进行谱峰提取，得到不同产地谷类作物的谱峰强度值；S3结合小波变换提取的谱峰强度值，建立SVM分类模型；S4根据得到的光谱数据和谱峰强度值，结合SVM分类模型，对未知的谷类作物进行产地识别。本发明的方法能够直接对不同产地谷类作物进行光谱信号采集，缩短了样品制样时间和复杂的化学分析过程，避免了二次污染，提高了检测的效率，十分适用于食品溯源地的监控。

说明书

技术领域

本发明属于光谱分析技术领域，具体涉及一种基于小波变换激光诱导击穿光谱的谷类作物产地鉴别方法，该方法能够直接对不同产地的谷类作物进行光谱信号采集，提高了检测的效率。

背景技术

食品质量安全是全世界广为关注的焦点，关注食品安全就是关注健康。水稻是最主要的三大粮食作物之一，播种面积占粮食播种面积的1/5，年产量约4.8亿吨，占世界粮食总产量的1/4，全世界1/2以上的人口以水稻为主食，同时也是我国最主要的栽培作物之一。近年来，食品安全问题频发，如“镉大米”、“劣质大米冒充优质大米”等事件，致使消费者迫切期待能够对所购买食品溯源有一个全面的了解。食品溯源的鉴别不仅有利于实施地方特色产品的保护，更有利于快速控制问题食品的来源。

食品溯源追踪技术主要分为两大类：传统的电子信息编码技术和新型的综合性溯源技术。综合性溯源技术包含矿物元素分析技术、稳定同位素技术和其他成分分析技术。常用的矿物元素分析方法主要有紫外-可见分光光度法、原子光谱法、电感耦合等离子体质谱法和仪器中子活化法等。中国专利文献《一种基于矿物质分析技术的大米产地鉴定方法与应用》(公告号为104914156A，公告日为2015年9月16日)公开了一种采用电感耦合等离子体质谱(Inductively Coupled Plasma Mass Spectrometry，ICP-MS)测定大米中矿物质元素含量进行大米产地分类的方法。该方法在大米产地分类中获得了较高的识别精度，但由于在分析中需要对样品进行湿法消解，使得检测过程复杂、分析速度慢，且易造成二次污染，不能满足工业应用的需求。

激光诱导击穿光谱(Laser-induced Breakdown Spectroscopy，LIBS)技术是一种基于激光诱导等离子体发射光谱分析的物质成分分析方法，因具有制样简单、分析快速、多元素同时分析等优点，已广泛应用于工业、生物医疗、食品和土壤等领域。LIBS技术通过获取等离子体发射谱线的强度信息来确定被测样品中成分组成，而实际的LIBS光谱是多个元素特征谱线组成，在谱线的提取过程中，谱线过多过少影响分析的准确度，而谱峰选择通常需要对光谱进行一一查找，谱峰寻找过程耗时、复杂，因此急需采取一种自动化选择特征谱峰的方法。

中国专利文献《一种基于小波变换的煤质特性测量方法》(公告号为CN103543132A，公告日为2014年1月29日)公开了一种基于小波变换的去噪方法用于扣除LIBS光谱的环境噪声和背景噪声，将去噪后的小波系数代入偏最小二乘定标模型，能够提高定标模型的测量精度。小波变换虽然在定量分析中取得了不错的结果，采用小波变换谱峰提取的定性分析有效性尚未可知。

由于存在上述缺陷和不足，本领域亟需做出进一步的完善和改进，设计一种谷类作物产地鉴别方法，使其能够避免噪音干扰，快速准确地对谷类作物的产地进行识别，以便现在食品安全管理的需要。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于小波变换激光诱导击穿光谱的谷类作物产地鉴别方法，是一种基于连续小波变换的谱峰自动提取方法，该方法包括连续小波变换的谱峰自动提取，SVM分类模型和产地识别三个过程，目的在于进一步提高LIBS对谷类作物产地鉴别，以期达到快速准确识别的目的。该方法避免了针对传统的谷类作物产地鉴别检测效率低，检测过程复杂的缺点，能够直接对不同产地谷类作物进行光谱信号采集，缩短了样品制样时间和复杂的化学分析过程，避免了二次污染，提高了检测的效率，十分适用于食品溯源地的监控。

为实现上述目的，按照本发明的一个方面，提供了一种基于小波变换激光诱导击穿光谱的谷类作物产地鉴别方法，其特征在于，具体包括如下步骤：

S1.准备不同产地的谷类作物样品，利用激光诱导击穿光谱(LIBS)对谷类作物样品进行光谱数据采集；

S2.利用小波变换对步骤S1中采集的谷类作物样品光谱进行谱峰提取，得到不同产地谷类作物的谱峰强度值；

S3.结合步骤S2中提取的谷类作物谱峰强度值，建立SVM分类模型：

S4.根据步骤S1-S2中得到的光谱数据和谱峰强度值，结合步骤S3中建立的SVM分类模型，对未知的谷类作物进行产地识别。

进一步优选地，在步骤S1中，利用LIBS对不同产地谷类作物样品直接进行检测时，对n个不同产地的谷类作物进行LIBS光谱数据采集，每种产地谷类作物样品采集m个等离子体光谱，共获得N＝n×m个等离子体光谱，

其中，n为不同谷类作物产地，n＝1，2，…，1000，m为LIBS采集的每种样品的光谱幅数，m＝1，2，…，1000。

优选地，在步骤S2中，采用小波变化进行谱峰强度值提取的过程具体包括如下步骤：

S2.1对LIBS光谱信号进行连续小波分解：

选用墨西哥帽小波函数系列，分别对光谱信号进行连续小波分解，每种小波函数对应的分解层数为s，位移步长为t；

S2.2通过局域最大值方式对s层的小波变换选择脊线，从而得到相应位置的谱峰，并剔除脊线所对应重复的谱峰位置；

S2.3设定信背比和信噪比双阈值对步骤S2.2中脊线选择后的谱峰进一步筛选，得到p个谱峰强度值作为算法分析指标；

S2.4信噪比与信背比阈值选择后的谱峰距离较近导致仍有部分谱峰产生重叠，剔除相隔0.1nm波长范围内重叠的t个谱峰强度值，最终每种谷类作物得到p-t个谱峰强度值；

S2.5由小波函数提取得到的不同产地谷类作物的等离子体光谱的p-t个谱峰强度值进行归一化处理，即选择p-t个谱峰强度值中的一个特征谱线强度对其他p-t-1个谱峰强度值作归一化处理。

优选地，在步骤S2.3中，所述信背比的值为采集的光谱强度值减去背景信号强度值后除以背景值，所述信噪比的值为采集的光谱强度值减去背景信号强度值后除以噪声值。

优选地，在步骤S3中，SVM分类模型将线性不可分的数据通过构造内核映射函数的方式映射到高维空间中，从而在高维空间得到线性区分，所述内核映射函数采用径向基函数；将N组谷类作物光谱数据，选择部分组谱峰强度值作为训练集，用于建立支持向量机模型，将剩余组谱峰强度值作为模型测试集，用于测试所建立支持向量机模型识别精度。

优选地，在步骤S4中进行产地识别时，具体步骤如下：

S41.按照步骤S1-S2对待识别谷类作物进行光谱数据采集、小波谱峰提取，得到若干组谷类作物光谱数据；

S42.利用步骤S3中建立的不同产地谷类作物的SVM分类模型，对未知产地的光谱数据进行分类，从而得到相应的产地预测。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具备以下优点和有益效果：

(1)本发明方法与传统的谷类作物产地识别方法相比，不需要复杂的化学前处理，本发明通过激光诱导击穿光谱技术直接对不同产地谷类作物进行光谱信号采集，缩短了样品制样时间和复杂的化学分析过程，避免了二次污染，提高了检测的效率。

(2)本发明基于连续小波变换对LIBS谱峰自动提取的方法，并结合SVM分类模型对不同产地的谷类作物进行鉴别，具有快速，绿色，识别准确度高的优点。本发明采用支持向量机算法，结合LIBS快速物质分析的优点，对不同产地的谷类作物进行快速、准确分类。本发明方法仅采用连续小波变换对谷类作物特征谱线进行提取，缩短谱峰提取的时间。

(3)本发明方法灵活度高，还可以与其他智能算法如遗传算法(GeneticAlgorithm，GA)、随机森林(Random Forest，RF)、神经网络(Artificial Neural Network，ANN)等方法相结合，进一步提高分类的准确性。

(4)本发明方法不局限谷类作物的产地识别，同样适用其他物质的识别。且方法具有检测成本低，检测效率高、检测结果精度高等优点，十分适用于食品安全的监控。

附图说明

图1为本发明实例提供的LIBS光谱采集装置的结构示意图；

图2位本发明的基于小波变换激光诱导击穿光谱的谷类作物产地鉴别方法的流程图。

在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：

其中，1-激光器；2-激光波长反射镜；3-聚焦透镜；4-待测样品；5-信号采集装置；6-光纤；7-光谱仪；8-触发线；9-ICCD；10-数据线；11-位移平台；12-计算机。

具体实施方式

下面结合具体实施例对本发明的具体实施方式进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

由于谷类作物生长环境的不同，直接导致不同产地生长出来的同种谷类作物之间的成分含量存在差异，因此根据谷类作物中的物质成分来对不同产地的谷类作物进行区分是可行的。本发明实例提供的一种基于小波变换的激光诱导击穿光谱谷类作物产地鉴别方法。

本发明方法包括连续小波变换的谱峰自动提取，SVM分类模型和产地识别三个过程，具体包括下述步骤：

S1.样品的LIBS光谱数据采集

利用激光诱导击穿光谱对不同产地的谷类作物样品直接进行检测，对n个不同产地的谷类作物进行LIBS光谱数据采集，每种产地谷类作物样品采集m个等离子体光谱，共获得N＝n×m个等离子体光谱，其中，n为不同谷类作物产地，n＝1，2，…，1000，m为LIBS采集的每种样品的光谱幅数，m＝1，2，…，1000；

S2.连续小波变换的自动谱峰提取

利用连续小波变换对谷类作物样品的光谱进行谱峰强度值提取，具体包括下述过程：

S2.1对LIBS光谱信号进行小波分解：

选用墨西哥帽小波函数系列，分别对光谱信号进行小波分解，每种小波函数对应的分解层数为s，位移步长为t，具体抽象公式如下所示：

其中s为分解层数，s＝1，2，…，t为位移步长，t＝1，2，…；ψ为墨西哥帽小波函数；

S2.2通过局域最大值方式对s层的变换选择脊线(每个谱峰归属于一条脊线)，从而得到相应位置的谱峰，并剔除重复的谱峰位置；具体实施如下：对光谱信号进行连续小波变换，获得二维小波系数矩阵；在每一个尺度内，求出小波系数矩阵的局域最大值点对应的位置；通过左右偏移2个像素点相对应的局域最大值组成一条脊线，遍历所有尺度，将满足条件的局域最大值点依次添加到脊线中，并剔除只包含两个局域最大值以下的脊线，然后将选出每条脊线在其左右5个像素内找到最大值强度最为谱峰；

S2.3通过信背比阈值(信背比具体的计算是通过采集的光谱强度值减去背景信号强度值除以背景值)和信噪比阈值(信噪比具体的计算是通过采集的光谱强度值减去背景信号强度值除以噪声值)对谱峰进行筛选，具体操如下：步骤S2.2所得到的谱峰，在其谱峰位置左右500个像素点内以25个像素点为计算噪声和谱峰背景的波长范围(不包括谱峰位置)，步长为5，依次循环，取得计算得到的最大信背比和信噪比作为该谱峰光谱强度的信背比和信噪比，并与预先设定的信背比、信噪比阈值进行比较，剔除在阈值之下的谱峰；最终得到p个谱峰强度值作为算法分析指标，p为谱峰强度值数目，p＝1，2，…，10000；

S2.4剔除相隔0.1nm波长范围内重叠的t个谱峰(光谱仪的分辨率为0.05nm左右)，具体操作：由步骤S2.3选择出来的谱峰依旧有重叠，将两两相距0.1nm波长范围内的谱峰进行剔除，即找到0.1nm范围内对应的最大光谱强度作为距离为0.1nm波长范围的谱峰，t为剔除的谱峰数目，t＝1，2，…，5000。最终得到p-t个谱峰强度值数目；

S2.5由小波函数提取得到的不同产地谷类作物的等离子体光谱的p-t个谱峰强度值进行归一化处理，具体就是选择p-t个谱峰强度值中的一个特征谱线强度对其他p-t-1个谱峰强度值作归一化处理(一般生物类样品采用C I 247.85nm的强度进行归一化处理，通常经过前述步骤的谱峰选择，C I 247.85nm在所选谱线的范围之内，如果不在则单独对C I247.85nm进行相应的提取)；

S3.建立SVM分类模型：

SVM分类模型将线性不可分的数据通过构造内核映射函数的方式映射到高维空间中，从而在高维空间得到线性区分，所述内核映射函数采用径向基函数；

训练SVM分类模型的数学过程如下：设训练集中每个实例为(X_i，y_i)，i＝1，…，n，X_i，y_i分别表示第i个样本数据和其对应的标签值，其中X_i(x_i1，x_i2，…，x_ir)∈Rr，Rr表示训练样本数据集，r表示属性值的数目；y_i∈{1，2，3，…}，1，2，3，…为每组属性值的标签值。算法重要的特点是将线性不可分的数据通过构造核函数的方式映射到高维空间中，从而在高维空间得到线性区分。本发明选择径向基函数(Radial>

由此得到的非线性SVM分类器方程为：

约束条件:

其中，表示预测集的样本数据；表示预测集样本的映射函数；表示二范数距离；l表示训练集的数目；α_i为拉格朗日乘子；b为方程中的偏置因子；c为惩罚参数，g为映射内核参数。

由方程可看出c，g参数对模型建立有重要影响。一般设置c、g的选择范围：c＝2^e，g＝2^w，e、w∈{-10，-9，…，9，10}。

本发明实例采用支持向量机软件进行数据处理，支持向量机软件选用林智仁等人开发的支持向量机软件工具箱(A Library for Support Vector Machines-LIBSVM)。将N组谷类作物光谱数据选择其中部分组光谱作为训练集，用于建立支持向量机模型，剩余组光谱作为模型测试集，用于测试所建立支持向量机模型识别精度。

S4.产地识别

S4.1按照步骤S1至S2对待识别谷类作物进行光谱数据采集、小波谱峰提取，得到若干组谷类作物光谱数据；

S4.2利用步骤S3中建立的不同产地谷类作物的SVM分类模型，对未知产地的光谱数据进行分类，从而得到相应的产地预测。

为更好地解释本发明，以下给出几个具体实施例：

实施例1

1.样品制备

本实施案例选取10种不同产地的大米样本(表1所示)，样本具体名称和产地如下：金豚泰国香米(广东佛山)、湖北观庙山特产有机大米(湖北枝江)、广西巴马正宗糯米(广西巴马)、盘府丰锦大米(辽宁盘锦)、五常稻花香大米(黑龙江五常)、东北糙米(吉林四平双辽)、渡民御贡(安徽安庆)、湘池大米(湖南桃源)、万年贡米(江西上饶)和崇明岛大米(江苏泰州)。采用本发明方法对它们进行产地分类。为了简化分析过程，对不同产地大米进行分别编号，标签值依次为：1，2，3，4，5，6，7，8，9，10；对应的产地以地名简称广东(GD)，湖北(HB)，广西(GX)，辽宁(LN)，黑龙江(HLJ)，吉林(JL)，安徽(AH)，湖南(HN)，江西(JX)，江苏(JS)。每个产地大米称量15g，将其倒入直接为40mm的铝盒中；然后使用刀片对样品进行简单推平作为被测样品,每种产地大米压制4个。

表1为不同省份不同产地大米清单

2.大米样品的LIBS光谱数据采集

光谱采集在空气环境下进行，实验装置如图1所示。采用调Q开关Nd：YAG脉冲激光器1(Quantel Brilliant B，波长532nm，脉冲宽度8ns，最大重复频率10Hz)作为激发光源，激发出的等离子体辐射光由采集头5收集并传输至光谱仪7(Andor Technology，Mechelle5000，波长范围200～975nm，分辨率λ/△λ＝5000)进行分光，ICCD 9(AndorTechnology，iStar DH-334T，1024×1024像素)对光谱仪传过来的光谱信号进行光电转换。光谱采集过程中使用电动位移平台11控制样品表面沿X方向和Y方向做“弓”形运动。为防止空气击穿，激光聚焦透镜3(焦距10cm)焦点位于样品表面以下1.25mm处。为获得最佳的光谱强度和光谱信背比，激光脉冲能量设为40mJ，ICCD延时和门宽分别设为1.5μs和3μs。在以上工艺参数下，采集10种大米的等离子体的光谱，每种样品采集100个光谱，因此10种大米共采集1000个光谱。

3.小波变换的谱峰提取

选用墨西哥帽小波函数系列，分别对光谱信号进行连续小波分解，每种小波函数对应的分解层数为6，位移步长为1，通过局域最大值方式对6层的变换选择脊线，从而得到相应位置的谱峰，并剔除重复的谱峰位置；并与预先设定的信背比10、信噪比20阈值进行对比，剔除在阈值之下的谱峰，得到93个谱峰强度值作为算法分析指标；剔除相隔0.1nm的左右偏移的10个谱峰，根据信噪比值可以得到83个谱峰强度值；为降低光谱强度波动对分类结果的影响，各特征谱线强度均除以C I 247.86nm谱线强度进行归一化处理，最终每个产地大米得到82个谱峰强度值。

4.SVM分类模型建立

在Matlab2010b版的软件环境下使用LIBSVM工具箱来进行数学建模，采用的内核函数为径向基函数，适合非线性数据的分类，有较高稳定性。内核径向基函数中的g参数和对松弛变量的惩罚因子c参数是影响SVM算法性能的主要因素，算法的核心原理也是找出最佳的映射内核参数g与惩罚因子c。为了训练结果更具说服力，防止建模过学习，采用交互验证法来优化影响因子，c、g参数分别为36.7583和0.0272。

5.产地识别

按照上述过程中得到的光谱数据，利用SVM分类模型，对未知产地的光谱数据进行分类，从而得到相应的产地预测。对具体的不同产地识别结果如表2所示。最终运用SVM训练模型得到训练集识别率为99％，预测集识别率为99.4％，因此通过LIBS结合连续小波变换辅助支持向量机能够有效的对大米产地进行识别，为产地识别提供新的技术手段。

表2为不同省份不同产地大米SVM分类的结果

实施例2

1.样品制备

本实施案例选取同一省份6种不同产地的大米样本(如表3)，样本具体产品名称和产地如下：七河源(黑龙江绥化)、五常稻花香大米(黑龙江五常)、宝宝辅食(黑龙江宁安莲花村)、萃林糯米(黑龙江齐齐哈尔)、东北响水大米(黑龙江宁安响水村)和素食猫泰来大米(黑龙江齐齐哈尔)。采用本发明方法对它们进行产地分类。为了简化分析过程，对不同产地大米进行分别编号，标签值依次为：1，2，3，4，5，6；对应的产地以地名简称绥化(SH)，五常(WC)，莲花(LH)，齐齐哈尔1(QQHE1)，响水(XS)，齐齐哈尔2(QQHE2)。同样每个产地大米称量15g，将其倒入直接为40mm的铝盒中；然后使用刀片对样品进行简单推平作为被测样品,每种产地大米压制4个。

表3为同一省份不同产地大米清单

2.大米样品的LIBS光谱数据采集

在相同的实验条件下，采集6种大米的等离子体的光谱，每种样品采集100个光谱，因此6种大米共采集600个光谱。

3.小波变换的谱峰提取

选用墨西哥帽小波函数系列，分别对光谱信号进行连续小波分解，每种小波函数对应的分解层数为6，位移步长为1，通过局域最大值方式对6层的变换选择脊线，从而得到相应位置的谱峰，并剔除重复的谱峰位置；并与预先设定的信背比10、信噪比20阈值进行对比，剔除在阈值之下的谱峰，得到101个谱峰强度值作为算法分析指标；剔除相隔0.1nm的左右偏移的4个谱峰，根据信噪比值可以得到97个谱峰强度值；为降低光谱强度波动对分类结果的影响，各特征谱线强度均除以C I 247.86nm谱线强度进行归一化处理，最终每个产地大米得到96个谱峰强度值。

4.SVM分类模型建立

在Matlab2010b版的软件环境下使用LIBSVM工具箱来进行数学建模。c、g参数分别为36.7583和0.009。

5.产地识别

按照上述过程中得到的光谱数据，利用SVM分类模型，对未知产地的光谱数据进行分类，从而得到相应的产地预测。对具体的不同产地识别结果如表4所示。最终运用SVM训练模型得到训练集识别率为99.33％，预测集识别率为98.33％，获得了较高的识别率。

表4为同一省份不同产地大米SVM分类的结果

实施例3

1.样品制备

本实施案例选取10个不同省份20种不同产地的大米样本(如表5)，样本具体产品名称和产地如下：金豚泰国香米(广东佛山)、湖北观庙山特产有机大米(湖北枝江)、七河源(黑龙江绥化)、靓虾王香软米(广东东莞)、天地粮人(辽宁朝阳)、广西巴马正宗糯米(广西巴马)、盘府丰锦大米(辽宁盘锦)、五谷杂粮小西米(广东广州)、五常稻花香大米(黑龙江五常)、宝宝辅食(黑龙江宁安莲花村)、萃林糯米(黑龙江齐齐哈尔)、东北糙米(吉林四平双辽)、渡民御贡(安徽安庆)、东北响水大米(黑龙江宁安响水村)湘池大米(湖南桃源)、万年贡米(江西上饶)、崇明岛大米(江苏泰州)、一江秋富硒大米(江西吉安)、竹溪贡米(湖北十堰竹溪)和素食猫泰来大米(黑龙江齐齐哈尔)。采用本发明方法对它们进行产地分类。为了简化分析过程，对不同产地大米进行分别编号，标签值依次为：1，2，3，4，5，6，7，8，9，10，11，12，13，14，15，16，17，18，19，20；对应的产地以地名简称佛山(FS)、枝江(ZJ)、绥化(SH)、东莞(DG)、朝阳(CY)、河池(HC)、盘锦(PJ)、广州(GZ)、五常(WC)、莲花村(LHC)、齐齐哈尔(QQHE)、双辽(SL)、安庆(AQ)、响水村(XSC)、桃源(TY)、上饶(SR)、泰州(TZ)、吉安(JA)、竹溪(ZX)和黑龙江(HLJ)。同样每个产地大米称量15g，将其倒入直接为40mm的铝盒中；然后使用刀片对样品进行简单推平作为被测样品,每种产地大米压制4个。

表5为不同省份与同一省份不同产地大米清单

2.大米样品的LIBS光谱数据采集

在相同的实验条件下，采集20种大米的等离子体的光谱，每种样品采集100个光谱，因此20种大米共采集2000个光谱。

3.小波变换的谱峰提取

选用墨西哥帽小波函数系列，分别对光谱信号进行连续小波分解，每种小波函数对应的分解层数为6，位移步长为1，通过局域最大值方式对6层的变换选择脊线，从而得到相应位置的谱峰，并剔除重复的谱峰位置；并与预先设定的信背比10、信噪比20阈值进行对比，剔除在阈值之下的谱峰，得到93个谱峰强度值作为算法分析指标；剔除相隔0.1nm的左右偏移的10个谱峰，根据信噪比值可以得到83个谱峰强度值；为降低光谱强度波动对分类结果的影响，各特征谱线强度均除以C I 247.86nm谱线强度进行归一化处理，最终每个产地大米得到82个谱峰强度值。

4.SVM分类模型建立

在Matlab2010b版的软件环境下使用LIBSVM工具箱来进行数学建模。c、g参数分别为337.794和0.009。

5.产地识别

按照上述过程中得到的光谱数据，利用SVM分类模型，对未知产地的光谱数据进行分类，从而得到相应的产地预测。对具体的不同产地识别结果如表6所示。最终运用SVM训练模型得到训练集识别率为98.3％，预测集识别率为98.6％，获得了较高的识别率。

表6为不同省份与同一省份不同产地大米SVM分类的结果

以上显示和描述了本发明的基本原理和主要特征以及本发明的优点。本行业的科研人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。