[go: up one dir, main page]

CN114609071B - 基于高光谱成像技术的龟甲年限鉴别方法 - Google Patents

基于高光谱成像技术的龟甲年限鉴别方法 Download PDF

Info

Publication number
CN114609071B
CN114609071B CN202210263771.4A CN202210263771A CN114609071B CN 114609071 B CN114609071 B CN 114609071B CN 202210263771 A CN202210263771 A CN 202210263771A CN 114609071 B CN114609071 B CN 114609071B
Authority
CN
China
Prior art keywords
tortoise shell
hyperspectral
tortoise
age
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210263771.4A
Other languages
English (en)
Other versions
CN114609071A (zh
Inventor
胡会强
毛晓波
位云朋
梁悦玥
戴启军
余仁萍
任海川
赵宇平
黄璐琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou University
China Academy of Chinese Medical Sciences
Original Assignee
Zhengzhou University
China Academy of Chinese Medical Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhengzhou University, China Academy of Chinese Medical Sciences filed Critical Zhengzhou University
Priority to CN202210263771.4A priority Critical patent/CN114609071B/zh
Publication of CN114609071A publication Critical patent/CN114609071A/zh
Application granted granted Critical
Publication of CN114609071B publication Critical patent/CN114609071B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于高光谱成像技术的龟甲年限鉴别方法，包括收集龟甲样品；使用高光谱成像设备采集龟甲样品的高光谱数据；对高光谱数据进行校正，按照预定的网格面积，将龟甲样品划分为若干网格；剔除接触到黑色区域或白色区域的网格；建立龟甲样品数据集；采用标准正态变换对龟甲样品数据集进行预处理，通过人工神经网络训练得到龟甲年限鉴别模型；使用龟甲年限鉴别模型实现对龟甲年限的鉴定。本发明优点在于基于高光谱成像技术，并结合机器学习算法实现快速、无损、直观、准确的龟甲年限鉴别，准确率高达86.23％。为提高龟甲在工业生产与应用中的利用效率提供了科学的数据支撑。

Description

基于高光谱成像技术的龟甲年限鉴别方法
技术领域
本发明涉及中药动物鉴别领域，尤其是涉及基于高光谱成像技术的龟甲年限鉴别方法。
背景技术
龟甲为龟科动物乌龟的背甲及腹甲。始载于《神农本草经》，主产于浙江、安徽、湖北、湖南等省，野生和家养的均可。其具有滋阴潜阳，益肾强骨，养血补心，固经止崩，退热除蒸、软坚散结的功效，可用于阴虚潮热，骨蒸盗汗，头晕目眩，虚风内动，筋骨痿软，心虚健忘，崩漏经多等症状。目前研究已发现龟甲中含有人体需要的所有种类的氨基酸，矿质元素、甾体类、脂肪酸、总多酚类、维生素、碳水化合物、类固醇等多种物质。现代药理研究也表明，龟甲具有增强免疫功能、抗氧化、促进骨髓间充质干细胞增值、抗缺血、一直细胞凋亡、延缓衰老、解热镇静、兴奋子宫、提高免疫力、抗帕金森病等作用。龟甲提取物还能促进骨髓间充质干细胞体外成骨分化。
因此，龟甲作为动物类中药有着悠久的应用历史，也是我国特有的补益类中药之一，而且还可用于保健品或功能性食品。但由于乌龟生长缓慢，药材用量较大，且有文献研究生长三年以上的乌龟的龟甲才能入药。这直接导致了龟甲资源的短缺，在利益的驱动下，不良商家将未达到年限的龟甲进行药用。然而，不同年限之间的龟甲形态特征都非常相似，在外观上并没有显著的差异，即便是专业的技术人员也很难进行区分，且随着龟甲年龄的增长，其功效也更好。因此，准确的鉴别龟甲的生长年限尤为重要。传统的理化鉴别：傅里叶变换红外光谱(FTIR)、紫外、高效液相色谱(HPLC)和质谱(MS)等周期长，对受检中药损害大，并且对检验人员的专业技术要求很高，往往难以对龟甲的年限进行准确的鉴别。考虑到珍稀物种的保护和中药材的标准规定，对龟甲科动物的鉴定方法还有待进一步研究，亟需一种快速、有效、无损的检测方法对不同生长年限的龟甲进行鉴别，有效的提高龟甲在工业生产与应用中的利用效率。
发明内容
本发明目的在于提供一种基于高光谱成像技术的龟甲年限鉴别方法。
为实现上述目的，本发明采取下述技术方案：
本发明所述的基于基于高光谱成像技术的龟甲年限鉴别方法，包括以下步骤：
S1，收集龟甲样品；
S2，使用高光谱成像设备采集所述龟甲样品的高光谱数据；
S3，使用所述高光谱成像设备自带校正软件对所述高光谱数据进行校正，得到原始高光谱数据；
S4，对所述原始高光谱数据进行黑白板校正，获得校正高光谱数据；并计算校正高光谱数据的相对反射率；
S5，按照预定的网格面积，将龟甲样品划分为若干网格；
S6，剔除接触到黑色区域或白色区域的网格；将剩余每个网格的反射率进行算数平均，建立龟甲样品数据集；
S7，采用标准正态变换对所述龟甲样品数据集进行预处理，将预处理后的样品数据集中随机的90%数据划分为训练集，剩余的10%数据划分为测试集；
S8，采用人工神经网络训练所述预处理后的样品数据集，得到龟甲年限鉴别模型；
S9，通过所述龟甲年限鉴别模型实现对龟甲年限的鉴定。
进一步地，所述高光谱数据的波段范围为450-2500nm。
进一步地，所述相对反射率计算公式为：
其中表示样本的相对反射率，表示样本的原始光谱反射率，表示黑板光谱反射率，表示白板光谱反射率。
进一步地，所述人工神经网络采用单隐层前馈神经网络作为分类器；所述单隐层前馈神经网络的隐节点数设置为10。
进一步地，所述人工神经网络采用亚当优化器。
本发明优点在于基于高光谱成像技术，并结合机器学习算法实现快速、无损、直观、准确的龟甲年限鉴别，准确率高达86.23％。为提高龟甲在工业生产与应用中的利用效率提供了科学的数据支撑。
附图说明
图1是本发明所述基于高光谱成像技术的龟甲年限鉴别方法的流程图。
图2是本发明所述方法中黑白板校正后的龟甲样品数据示例。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明中所说的高光谱成像是一种可以捕获和分析一片空间区域内逐点上光谱的精细技术。由于可以检测到单个对象不同空间位置上的独特光谱“特征”，因此高光谱成像技术可以检测到在人眼视觉上无法区分的物质。药用植物和中药饮片的理化性质不同使其对波长的吸收和反射也不同，从而导致其光谱特征不同，因此不同的药用植物和中药饮片就包含其特有的光谱，这些人眼无法看到的光谱信息，可以通过高光谱成像技术进行甄别区分，从而为计算机智能可视化鉴别中药提供可行性。
如图1所示，本发明所述的基于高光谱成像技术的龟甲年限鉴别方法，包括以下步骤：
S1，收集龟甲样品；本实施例所采用的龟甲样品为国家级京山盛昌乌龟原种场提供，分别于2008年、2010年、2015年、2016年、2017年出生，于2021年9月份杀死得到药材龟甲。
S2，使用高光谱成像设备采集所述龟甲样品的高光谱数据；本实施例所采用的高光谱成像设备为HySpex 系列高光谱成像光谱仪（Norsk Elektro Optikk AS），其主要由2个卤钨灯、CCD 探测仪以及SN0605 VNIR 与N3124 SWIR 两个镜头，移动平台，仪器自带计算机与内置软件组成。高光谱成像仪的镜头与龟甲的距离为20-30cm，平台移动速度为1.5mm/s，SN0605 VNIR 镜头的积分时间为9000μs，帧时间为25500，光谱仪的光谱范围为410.4094-990.0963nm，波段间隔为5.37nm，总共108个波段；N3124 SWIR 镜头积分时间为4500μs，帧时间66482。光谱仪的光谱范围为948.7188-2512.9722nm，波段间隔为5.43nm，总共288个波段。光谱分辨率6nm。高光谱数据的波段范围为450-2500nm。
S3，使用所述高光谱成像设备自带校正软件对所述高光谱数据进行校正，得到原始高光谱数据；
通过高光谱成像设备对龟甲高光谱数据采集后，利用高光谱成像系统自带的RAD校正软件对原始的高光谱数据进行校正，消除高光谱成像系统对龟甲数据的影响。
S4，对所述原始高光谱数据进行黑白板校正，获得校正高光谱数据；并计算校正高光谱数据的相对反射率；通过对原始高光谱数据进行黑白板校正，用于消除空气中以及环境对光谱图像造成的影响，能够获得清晰、不变形的校正高光谱数据图像。例如，针对生长年限为13年的龟甲，经过黑白板校正后，在SWIR镜头下第50个波段的高光谱图像，如图1所示。
相对反射率计算公式为：
其中表示样本的相对反射率，表示样本的原始光谱反射率，表示黑板光谱反射率，表示白板光谱反射率。
S5，按照预定的网格面积，将龟甲样品划分为若干网格；
S6，剔除接触到黑色区域或白色区域的网格；将剩余每个网格的反射率进行算数平均，建立龟甲样品数据集；
在实际应用中，高光谱图像通常是通过对感兴趣区域的像素采样来进行模式识别操作。但是，由于龟壳的不规则性，样品的质量容易受到黑色或白色区域的影响。为了从校正后的高光谱图像中获得均匀的样本，设计了基于网格的采样方法。按照预定的网格面积，将龟甲样品划分为若干网格；如果任一网格的任何一个角接触到黑色或白色区域，则将删除该网格剔除。将剩余每个网格的反射率进行算数平均，得到每个龟甲样品数据。进而建立建立龟甲样品数据集。
S7，采用标准正态变换对所述龟甲样品数据集进行预处理，得到龟甲样品训练数据集；将预处理后的数据集随机划分为训练集（90%）和测试集（10%）
S8，采用人工神经网络训练所述龟甲样品训练数据集，得到龟甲年限鉴别模型；
人工神经网络模拟了人类神经元的结构，在多种分类问题上都有较好的表现。本发明在人工神经网络中，采用单隐层前馈神经网络作为分类器，对本发明所选高光谱数据的波段质量进行评价；本实施例将单隐层前馈神经网络的隐节点数设置为10。并选择亚当优化器为人工神经网络训练方法。
S9，通过所述龟甲年限鉴别模型实现对龟甲年限的鉴定。
本实施例通过试验验证，采用本发明所确定的龟甲年限鉴别模型鉴定龟甲年限的准确率高达86.23％，能够快速、无损、直观、准确的判定龟甲年限，为提高龟甲在工业生产与应用中的利用效率提供了科学的数据支撑。

Claims (5)

1.一种基于高光谱成像技术的龟甲年限鉴别方法，其特征在于：包括以下步骤：
S1，收集龟甲样品；
S2，使用高光谱成像设备采集所述龟甲样品的高光谱数据；
S3，使用所述高光谱成像设备自带校正软件对所述高光谱数据进行校正，得到原始高光谱数据；
S4，对所述原始高光谱数据进行黑白板校正，获得校正高光谱数据；并计算校正高光谱数据的相对反射率；
S5，按照预定的网格面积，将龟甲样品划分为若干网格；
S6，剔除接触到黑色区域或白色区域的网格；将剩余每个网格的反射率进行算数平均，建立龟甲样品数据集；
S7，采用标准正态变换对所述龟甲样品数据集进行预处理，将预处理后的样品数据集中随机的90%数据划分为训练集，剩余的10%数据划分为测试集；
S8，采用人工神经网络训练所述预处理后的样品数据集，得到龟甲年限鉴别模型；
S9，通过所述龟甲年限鉴别模型实现对龟甲年限的鉴定。
2.根据权利要求1所述的基于高光谱成像技术的龟甲年限鉴别方法，其特征在于：所述高光谱数据的波段范围为450-2500nm。
3.根据权利要求1所述的基于高光谱成像技术的龟甲年限鉴别方法，其特征在于：所述相对反射率计算公式为：
其中表示样本的相对反射率，表示样本的原始光谱反射率，表示黑板光谱反射率，表示白板光谱反射率。
4.根据权利要求1所述的基于高光谱成像技术的龟甲年限鉴别方法，其特征在于：所述人工神经网络采用单隐层前馈神经网络作为分类器；所述单隐层前馈神经网络的隐节点数设置为10。
5.根据权利要求1所述的基于高光谱成像技术的龟甲年限鉴别方法，其特征在于：所述人工神经网络采用亚当优化器。
CN202210263771.4A 2022-03-17 2022-03-17 基于高光谱成像技术的龟甲年限鉴别方法 Active CN114609071B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210263771.4A CN114609071B (zh) 2022-03-17 2022-03-17 基于高光谱成像技术的龟甲年限鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210263771.4A CN114609071B (zh) 2022-03-17 2022-03-17 基于高光谱成像技术的龟甲年限鉴别方法

Publications (2)

Publication Number Publication Date
CN114609071A CN114609071A (zh) 2022-06-10
CN114609071B true CN114609071B (zh) 2024-07-26

Family

ID=81864636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210263771.4A Active CN114609071B (zh) 2022-03-17 2022-03-17 基于高光谱成像技术的龟甲年限鉴别方法

Country Status (1)

Country Link
CN (1) CN114609071B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118566218B (zh) * 2024-05-21 2024-12-10 内蒙古自治区农牧业科学院 一种利用高光谱技术鉴别马铃薯品种的方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108490204A (zh) * 2011-09-25 2018-09-04 赛拉诺斯知识产权有限责任公司 用于多重分析的系统和方法
CN112113922A (zh) * 2020-09-16 2020-12-22 中国中医科学院中药研究所 基于高光谱成像技术的人参年限识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108444928B (zh) * 2018-03-12 2020-10-09 浙江大学 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法
CN110455722A (zh) * 2019-08-20 2019-11-15 中国热带农业科学院橡胶研究所 橡胶树叶片磷含量高光谱反演方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108490204A (zh) * 2011-09-25 2018-09-04 赛拉诺斯知识产权有限责任公司 用于多重分析的系统和方法
CN112113922A (zh) * 2020-09-16 2020-12-22 中国中医科学院中药研究所 基于高光谱成像技术的人参年限识别方法

Also Published As

Publication number Publication date
CN114609071A (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN102621077B (zh) 基于高光谱反射图像采集系统的玉米种子纯度无损检测方法
CN101692052B (zh) 基于超光谱图像技术的名优茶真伪鉴别方法及装置
Deng et al. Moisture content prediction in tealeaf with near infrared hyperspectral imaging
CN105699343B (zh) 一种沉香真伪无损鉴别的方法
CN107064053A (zh) 基于近红外高光谱技术无损检测杨梅中多酚含量的方法
CN113920376B (zh) 一种基于轻量型卷积神经网络的小麦种子品种鉴别的方法
CN103954570A (zh) 一种基于光谱成像技术的粮食虫害程度判别方法
CN102564964A (zh) 基于光谱图像的肉品品质可视化非接触检测方法
CN110763698A (zh) 一种基于特征波长的高光谱柑橘叶片病害识别方法
CN110596280A (zh) 基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法
CN104361342A (zh) 一种基于几何不变形状特征的在线植物物种识别方法
CN110849828A (zh) 一种基于高光谱图像技术的藏红花分类方法
CN110490895A (zh) 一种基于高光谱图像处理的提高肉源真伪鉴别正确率方法
CN114609071B (zh) 基于高光谱成像技术的龟甲年限鉴别方法
CN106383095A (zh) 一种冷却羊肉表面细菌总数检测装置及方法
CN111398211A (zh) 一种苍术颗粒剂的信息区分处理方法
Mu et al. Hyperspectral image classification of wolfberry with different geographical origins based on three-dimensional convolutional neural network
CN116297236A (zh) 一种基于高光谱的单粒玉米种子活力鉴别方法及装置
CN114419311A (zh) 一种基于多源信息的百香果成熟度无损检测方法及装置
Arefi et al. Wheat class identification using computer vision system and artificial neural networks
CN114689539A (zh) 基于近红外高光谱图像的大豆种子病变粒识别方法及系统
CN114332534A (zh) 一种高光谱图像小样本分类方法
CN107101972B (zh) 一种近红外光谱快速检测三叶青产地方法
CN112098415A (zh) 一种杨梅品质无损检测方法
Heitschmidt et al. Hyperspectral analysis of fecal contamination: a case study of poultry

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant