主权项: |
1.一种中药浸膏质量高光谱智能分析方法,其特征在于:包括以下步骤: (1)收集浸膏样品,测定浸膏样品质量标准数据; (2)对步骤(1)所述浸膏样品采集高光谱数据,得到浸膏样品的高光谱图像; (3)对步骤(2)中得到的高光谱图像进行黑白校正,得到校正图像; (4)利用步骤(3)中得到的校正图像制作样品掩膜,样品掩膜所覆盖的区域即为感兴趣区域; (5)计算步骤(4)得到的感兴趣区域的平均光谱; (6)对步骤(5)中平均光谱进行光谱预处理或光谱特征提取,得到处理后光谱; (7)根据步骤(6)中处理后光谱构建基于机器学习算法的质量指标定量校正模型; (8)根据步骤(7)中质量指标定量校正模型对浸膏样品进行检测,得到各样本的可视化结果。 2.根据权利要求1所述的中药浸膏质量高光谱智能分析方法,其特征在于:步骤(2)中所述高光谱图像的波长范围为近红外波段900-1800nm和紫外/可见光波段400-1000nm。 3.根据权利要求1所述的中药浸膏质量高光谱智能分析方法,其特征在于:步骤(3)中所述黑白校正所利用的校正公式为:其中,Ic为校正图像,I为采集浸膏样品原高光谱图像,Iw为聚四氟乙烯板全反射白板图像,Id为盖上镜盖采集的全黑图像。 4.根据权利要求1所述的中药浸膏质量高光谱智能分析方法,其特征在于:步骤(4)中所述的样品掩膜的制作方法,包括黑白化处理和剔除噪音步骤。 5.根据权利要求4所述的中药浸膏质量高光谱智能分析方法,其特征在于:所述黑白化处理为选择浸膏样品高光谱与样品板光谱差异最大的波段,抽取高光谱数据中这一波段的图像,经过二值化处理后转化为黑白图像。 6.根据权利要求4所述的中药浸膏质量高光谱智能分析方法,其特征在于:所述剔除噪音为对黑白图像进行开运算和闭运算找到图像中的连通区域,设定区域阈值以剔除图像中的噪音,保留的像素点坐标即为样品掩膜。 7.根据权利要求1所述的中药浸膏质量高光谱智能分析方法,其特征在于:步骤(5)中所述平均光谱的计算公式为:其中,/>为当前样本的平均光谱,m为所述感兴趣区域所包含的波段数量。 8.根据权利要求7所述的中药浸膏质量高光谱智能分析方法,其特征在于:所述的计算公式为:/>其中,/>为当前样本在波段w下的平均反射率;n为当前样本感兴趣区域的像素点数目,由各浸膏样本的掩膜覆盖区域确定。 9.根据权利要求1所述的中药浸膏质量高光谱智能分析方法,其特征在于:步骤(6)中所述预处理的方法包括Savitsky-Golay平滑、多元散射校正、标准正交变换、一阶导数、二阶导数、小波变换中的一种或几种处理方法的组合。 10.根据权利要求9所述的中药浸膏质量高光谱智能分析方法,其特征在于:所述预处理的方法为基于SG平滑的多元散射校正处理或是基于SG平滑的标准正交变换处理。 11.根据权利要求1所述的中药浸膏质量高光谱智能分析方法,其特征在于:步骤(6)中所述光谱特征提取的方法包括竞争自适应重加权采样、最小角回归、连续投影算法、无信息变量消除、遗传算法、主成分分析和自编码器。 12.根据权利要求1所述的中药浸膏质量高光谱智能分析方法,其特征在于:步骤(7)中所述的机器学习算法包括偏最小二乘法、支持向量机、卷积神经网络和LightGBM。 13.根据权利要求12所述的中药浸膏质量高光谱智能分析方法,其特征在于:所述机器学习算法为卷积神经网络或LightGBM。 14.根据权利要求13所述的中药浸膏质量高光谱智能分析方法,其特征在于:所述卷积神经网络算法模型由3个卷积层、1个展开层和2个全连接层构成,卷积层激活函数选用LeakyReLu,全连接层激活函数采用Linear,采用网格搜索法在在[16,32,64]优化各卷积层节点数目,在1-5之间优化各卷积层层卷积核尺寸;所述LightGBM采用网格搜索法在[15,31,63]之间优化叶片数(leaves),在[0.01,0.1,0.2]之间优化学习率(learning rate),在[3,4,5]之间优化最大深度(max_depth),在[10,20,30]之间优化每个叶片的最小数据量(min_data_per_leaf)构建模型。 15.根据权利要求1-14任一项所述的中药浸膏质量高光谱智能分析方法在中药浸膏质量分析中的应用。 |