技术摘要：
本发明涉及一种基于LIBS对大叶农作物部位以及油份的在线检测方法，使用激光诱导击穿光谱仪分别采集不同部位和不同油分的烟叶激发光谱；采用多元散射校正方法对光谱进行预处理，预处理后的光谱使用遗传算法提取特征光谱，再使用主成分分析法对数据进行降维处理；降维处  全部
背景技术：
在目前的大叶农作物收购阶段，主要依靠人工收购，人工收购存在诸多的问题：1、 收购标准不客观；2、收购的烟叶质量难以监控；3、需要大量的人力，劳动强度高；4、随着近 年用工成本不断增加，专业的收购人员成本在不断上升。 造成以上问题的原因在于：1、人工收购存在主观性标准难以统一，质量难以把控， 劳动强度高等；2、当前使用机器视觉法检测大叶农作物指标，针对大叶农作物部位指标，由 于不同部位大叶农作物的色泽和形状相近，无法使用图像算法精确识别大叶农作物的部 位；针对油分指标，由于不同油分无法体现为图像色泽特征，所以无法使用视觉法检测大叶 农作物的油分。
技术实现要素：
本发明要解决的技术问题是：提供一种基于LIBS对大叶农作物部位以及油份的在 线检测方法，具有快速定性和定量分析、无需样品繁琐预处理以及检测范围宽等优点。 本发明解决其技术问题所采用的技术方案是：一种基于LIBS对大叶农作物部位以 及油份的在线检测方法，包括以下步骤， 1)使用激光诱导击穿光谱仪分别采集大叶农作物不同部位和不同油分的激发光 谱； 2)采用多元散射校正方法对采集到的光谱进行预处理； 3)对预处理后的光谱使用遗传算法提取特征光谱； 4)使用主成分分析法对数据进行降维处理； 5)降维处理后的信息代入随机森林算法建立分类模型； 6)将在线采集的待检测的大叶农作物的光谱信息输入到分类模型实现对大叶农 作物的部位和油分的在线检测。 进一步的说，本发明所述的步骤1)中，大叶农作物首先用粉碎机粉碎后得到粉末， 然后采用压饼机挤压成饼状后再经过激光诱导击穿光谱仪得到光谱信息。 再进一步的说，本发明所述的步骤1)中，在同样的试验条件下，获取多次光谱信 息，光谱数据取平均值。 再进一步的说，本发明所述的步骤2)中，预处理过程包括删除光谱两端波动不稳 定的信息。 再进一步的说，本发明所述的步骤2)中，将平均光谱作为标准光谱S，用S和待处理 光谱Si进行一元线性回归，求得系数；使用系数进行反运算实现对每个样本的多元散射校 正，校正后的光谱用于后续的提取特征光谱。 3 CN 111735807 A 说　明　书 2/3 页 再进一步的说，本发明所述的步骤5)中，建立分类模型包括建立部位模型和建立 油份模型，建立部位模型训练时，将前N个主成分信息作为自变量，以部位类别作为因变量， 代入随机森林模型建立模型，N大于等于10；建立油份模型训练时，将前M个主成分信息作为 自变量，以部位类别作为因变量，代入随机森林模型建立模型，M大于等于15。 本发明的有益效果是： (1)样品准备简单，不需要复杂的预处理，研究对象再污染的几率很小； (2)对样品的破坏性小，对试验对象所在的整个系统无干扰； (3)可在恶劣条件下进行； (4)可以同时对多种元素进行分析；所需样品量少(0.1.μg-1mg)； (5)可以进行在线测量； (6)检测过程简单快速，物质蒸发和激化可一次性完成，实现真正的快速分析。 附图说明 图1是本发明实施例烟叶激发光谱图； 图2是烟叶部位特征光谱前10个主成分得分及累计得分；图中的柱状表示主成分 得分，线状表示累计得分； 图3是烟叶油分特征光谱前15个主成分得分及累计得分；图中的柱状表示主成分 得分，线状表示累计得分； 图4是随机森林模型烟叶部位分级结果；图中1-8代表类别B1-B8； 图5是随机森林模型烟叶油分分级结果；图中1-8代表类别C1-C8。