一種化橘紅成分鑑定方法與流程
2023-07-18 23:38:31
本發明涉及藥材鑑定
技術領域：
，尤其涉及一種化橘紅成分鑑定方法。
背景技術：
：化橘紅又名化皮、化州橘紅，為芸香科植物化州柚的未成熟果實的外層果皮。化橘紅不僅具有治咳化啖、健胃行氣、醒酒功能，而還是人體美容的最佳原料，有廣闊的市場前景。研究表明，揮髮油，黃酮類化合物，多糖以及香豆素類化合物等是化橘紅的主要有效成分。不同的品種有效成分的含量不一樣，功效不一樣，並且在價格上也相差較大，以正品皮的效果最佳。因此市場上存在許多用化橘紅的正品果、偽品果、偽品皮冒充正品皮，損害了消費者利益，也衝擊了種植優良品種的農民們的利益。目前對化橘紅成分常用的鑑別方法主要有性狀鑑定、顯微鑑定、高效液相色譜法。這些方法雖然各有優勢，但是存在不同程度上的主觀性強、需要預處理、實驗過程複雜等缺點，不能滿足市場快速、可靠檢測的需要。技術實現要素：有鑑於此，本發明實施例提供一種化橘紅成分鑑定方法，操作步驟簡單，能夠精確識別化橘紅的成分。本發明實施例一種化橘紅鑑定方法，包括：通過至少一個波段對樣本集中的樣本進行掃描，採集樣本集中樣本的高光譜圖像；根據所述高光譜圖像，獲取樣本集中樣本的高光譜數據；對所述樣本集中樣本的高光譜數據進行處理，將樣本集中的樣本劃分為建模集樣本以及檢驗集樣本，並獲取所述建模集樣本的高光譜數據以及所述檢驗集樣本的高光譜數據；通過連續投影算法在所述建模集樣本的高光譜數據中選擇特徵波長；將所述檢驗集樣本的高光譜數據、所述檢驗集樣本的類別賦值以及所述建模集樣本的高光譜數據或所述特徵波長對應的高光譜數據作為判別分析模型的輸入變量，獲取建模集樣本的成分識別結果。進一步的，所述判別分析模型包括偏最小二乘法構建的判別模型或極限學習機構建的判別模型。進一步的，所述至少一個波段包括400nm-1000nm的波段或1000nm-2500nm的波段。進一步的，所述樣本集中樣本包括化橘紅的正品皮、偽品皮、正品果以及偽品果。進一步的，所述高光譜數據包括空間位置數據、波長數據和光譜吸收值。進一步的，所述對所述樣本集中樣本的高光譜數據進行處理包括：對所述樣本集中樣本的高光譜數據基於如下的公式進行校正：其中，Rref為校正後的高光譜數據；DNraw為校正之前樣本集中樣本的高光譜數據；DNwhite為白板校正數據；DNdark為黑板校正數據。通過SG平滑算法對校正後的高光譜數據進行去燥處理。進一步的，通過連續投影算法在所述建模集樣本的高光譜數據中選擇特徵波長包括：對所述建模集樣本的成分進行類別賦值；將所述建模集樣本的高光譜數據以及所述類別賦值作為連續投影算法的輸入變量，在所述建模集樣本的高光譜數據中選擇特徵波長。所述方法還包括：基於識別結果計算識別精度。本發明實施例提供的一種化橘紅成分鑑定方法，通過將檢驗集樣本的高光譜數據、檢驗集樣本的類別賦值以及建模集樣本的高光譜數據或特徵波長對應的高光譜數據作為判別分析模型的輸入變量，獲取建模集樣本的成分識別結果，操作步驟簡單，能夠精確識別化橘紅的成分。附圖說明通過閱讀參照以下附圖所作的對非限制性實施例所作的詳細描述，本發明的其它特徵、目的和優點將會變得更明顯：圖1a是本發明實施例一提供的一種化橘紅成分鑑定方法流程圖；圖1b是本發明實施例一提供的在400nm-1000nm掃描波段範圍內，樣本集中樣本的高光譜數據形成的光譜比較圖；圖1c是本發明實施例一提供的在1000nm-2500nm掃描波段範圍，樣本集中樣本的高光譜數據形成的光譜比較圖；圖1d是本發明實施例一提供的當以建模集樣本的高光譜數據為輸入變量，且在400nm-1000nm波段範圍時，獲得的檢驗集與建模集樣本的類別預測值示意圖；圖1e是本發明實施例一提供的當以特徵波長對應的高光譜數據為輸入變量，且在400nm-1000nm波段範圍時，獲得的檢驗集與建模集樣本的類別預測值示意圖；圖1f是本發明實施例一提供的當以建模集樣本的高光譜數據為輸入變量，且在1000nm-2500nm波段範圍時，獲得的檢驗集與建模集樣本的類別預測值示意圖；圖1g是本發明實施例一提供的當以特徵波長對應的高光譜數據為輸入變量，且在1000nm-2500nm波段範圍時，獲得的檢驗集與建模集樣本的類別預測值示意圖；圖2a為本發明實施例二提供的當以建模集樣本的高光譜數據為輸入變量，且在400nm-1000nm波段範圍時，獲得的檢驗集與建模集樣本的類別預測值示意圖；圖2b為本發明實施例二提供的當以特徵波長對應的高光譜數據為輸入變量，且在400nm-1000nm波段範圍時，獲得的檢驗集與建模集樣本的類別預測值示意圖；圖2c為本發明實施例二提供的當以建模集樣本的高光譜數據為輸入變量，且在1000nm-2500nm波段範圍時，獲得的檢驗集與建模集樣本的類別預測值示意圖；圖2d是本發明實施例二提供的為當以特徵波長對應的高光譜數據為輸入變量，且在1000nm-2500nm波段範圍時，獲得的檢驗集與建模集樣本的類別預測值示意圖。具體實施方式下面結合附圖和實施例對本發明作進一步的詳細說明。可以理解的是，此處所描述的具體實施例僅僅用於解釋本發明，而非對本發明的限定。另外還需要說明的是，為了便於描述，附圖中僅示出了與本發明相關的部分而非全部內容。實施例一圖1a是本發明實施例一提供的一種化橘紅成分鑑定方法流程圖，如圖1a所示，所述方法包括：S110：通過至少一個波段對樣本集中樣本進行掃描，採集樣本集中樣本的高光譜圖像。在本實施例中，樣本集中的樣本包括化橘紅的正品皮、偽品皮、正品果以及偽品果。其中，正品皮為32個，正品皮10個，偽品果11個，偽品皮7個。其中，將樣本集中的正品皮、偽品皮、正品果以及偽品果粉碎均勻後，各取5g放置培養皿上，以供採集高光譜圖像。在本實施例中，至少一個波段包括400nm-1000nm波段或1000nm-2500nm波段。高光譜圖像的採集採用四川雙利合譜科技有限公司的GaiaSorter高光譜分選儀系統(V10E、N25E-SWIR)。該系統主要由高光譜成像儀、CCD相機、光源、暗箱、計算機組成。表1為高光譜分選儀系統中實驗儀器的參數列表。表1序號相關參數V10EN25E-SWIR1光譜範圍400-1000nm1000-2500nm2光譜解析度2.8nm12nm3像面尺寸6.15×14.27.6×14.24倒線色散97.5nm/mm208nm/mm5相對孔徑F/2.4F/2.06雜散光<0.5％<0.5％7波段數520288在進行高光譜圖像採集時，需要設置相機曝光時間，攜帶樣本的平臺移動速度以及物鏡與樣本之間的距離。這3個參數相互影響，使採集的圖像大小合適，清晰，不變形失真。經過反覆嘗試，物鏡高度設置為31cm，曝光時間設置為10ms，平臺移動速度設置為46mm/s。圖像採集軟體採用四川雙利合譜科技有限公司提供的高光譜成像系統採集軟體完成。當採用400nm-1000nm的波段對樣本集樣本進行掃描時，獲取各個樣本的高光譜圖像；當採用1000nm-2500nm的波段對建模集樣本進行掃描時，獲取各個樣本的高光譜圖像。S120：根據所述高光譜圖像，獲取樣本集中樣本的高光譜數據。在本實施例中，根據獲取的建模集樣本的高光譜圖像，就可以獲取建模集樣本的高光譜數據。其中，高光譜數據包括空間位置數據、波長數據和光譜吸收值。S130：對所述樣本集中樣本的高光譜數據進行處理，並根據處理後的所述樣本集中樣本的高光譜數據將樣本集中的樣本劃分為建模集樣本以及檢驗集樣本，並獲取所述建模集樣本的高光譜數據以及所述檢驗集樣本的高光譜數據。在本實施例中，示例性的，所述對樣本集中樣本的高光譜數據進行處理包括：對所述樣本集中樣本的高光譜數據基於如下的公式進行校正：其中，Rref為校正後的高光譜數據；DNraw為校正之前樣本集中樣本的高光譜數據；DNwhite為白板校正數據；DNdark為黑板校正數據；通過SG平滑算法對校正後的高光譜數據進行去燥處理。在本實施例中，圖1b為在400nm-1000nm掃描波段範圍內，樣本集中樣本的高光譜數據形成的光譜比較圖；圖1c為在1000nm-2500nm掃描波段範圍，樣本集中樣本的高光譜數據形成的光譜比較圖，如圖1b和圖1c所示，正品果的光譜曲線11、偽品果的光譜曲線12、正品皮的光譜曲線14以及偽品皮的光譜曲線13的變化趨勢大體是相同的，且正品皮的光譜曲線14的光譜反射率值低於其他三種成分的光譜曲線的光譜反射率值，從曲線變化趨勢來看四種不同成分並沒有十分明顯的差異。在本實施例中，採用Kennard-Stone算法將樣本集中的樣本劃分為建模集樣本和檢驗集樣本，並從樣本集中樣本處理的高光譜數據中提取建模集樣本的高光譜數據以及檢驗集樣本的高光譜數據。S140：通過連續投影算法在所述建模集樣本的高光譜數據中選擇特徵波長。在本實施例中，示例性的，通過連續投影算法在所述建模集樣本的高光譜數據中選擇特徵波長包括：對所述建模集樣本中的樣本進行類別賦值；將所述建模集樣本的高光譜數據以及所述類別賦值作為連續投影算法的輸入變量，在所述建模集樣本的高光譜數據中選擇特徵波長。其中，對正品皮、、偽品皮、正品果、偽品果分別賦值為1、2、3、4。表2為建模集樣本和檢驗集樣本劃分列表；如表2所示，建模集樣本共38個樣本，檢驗集樣本共32個樣本，建模集樣本中正品皮的數量為22個，檢驗集樣本中正品皮的數量為20個，故10個正品皮樣本既作為了建模集樣本中的樣本，又作為檢驗集樣本中的樣本。表2正品皮偽品皮正品果偽品果類別賦值1234建模集樣本22457檢驗集樣本20354表3是選取的特徵波長的列表，如表3所示，在400nm-1000nm波段的掃描範圍選擇的特徵波長為15個，在1000nm-2500nm範圍內選擇的特徵波長為5個。表3S150：將檢驗集樣本的高光譜數據、檢驗集樣本的類別賦值以及所述建模集樣本的高光譜數據或所述特徵波長對應的高光譜數據作為判別模型的輸入變量，獲取建模集樣本的成分識別結果。在本實施例中，判別分析模型為偏最小二乘法構建的判別模型。其中，將檢驗集樣本的高光譜數據、檢驗集樣本的類別賦值以及所述建模集樣本的高光譜數據作為判別模型的輸入變量，能夠獲取建模集樣本的成分識別結果；或者將檢驗集樣本的高光譜數據、檢驗集樣本的類別賦值以及所述特徵波長對應的高光譜數據作為判別模型的輸入變量，能夠獲取建模集樣本的成分識別結果。具體的，通過輸入的檢驗集樣本的高光譜數據和檢驗集樣本的類別賦值，能夠建立高光譜數據與類別賦值之間的關係；通過建立的高光譜數據與類別賦值之間的關係，輸入建模集樣本的高光譜數據或所述特徵波長對應的高光譜數據，就可以得到對應的建模集樣本的類別賦值。並通過類別賦值獲取建模集樣本的成分識別結果。在上述實施例的基礎上，還可以是如下的方式：可以將檢驗集樣本中的各個樣本的高光譜數據輸入到偏最小二乘法構建的判別模型中，使偏最小二乘法構建的判別模型輸出的類別賦值與檢驗集各樣本的類別賦值相同，通過上述方法，對偏最小二乘法構建的判別模型進行訓練。然後，將各個樣本的特徵波長對應的高光譜數據以及建模集樣本的高光譜數據分別輸入到偏最小二乘法構建的判別模型中，分別輸出各個樣本的類別賦值。在本實施例中，圖1d為當以建模集樣本的高光譜數據為輸入變量，且在400nm-1000nm波段範圍時，獲得的檢驗集與建模集樣本的類別預測值示意圖；圖1e為當以特徵波長對應的高光譜數據為輸入變量，且在400nm-1000nm波段範圍時，獲得的檢驗集與建模集樣本的類別預測值示意圖；圖1f為當以建模集樣本的高光譜數據為輸入變量，且在1000nm-2500nm波段範圍時，獲得的檢驗集與建模集樣本的類別預測值示意圖；圖1g為當以特徵波長對應的高光譜數據為輸入變量，且在1000nm-2500nm波段範圍時，獲得的檢驗集與建模集樣本的類別預測值示意圖。如圖1d-1g所示，PLS-DA為偏最小二乘法基於建模集樣本的高光譜數據(全波段)構建的判別模型，PLS-DA-SPA為偏最小二乘法基於特徵波長(特徵波段)對應的高光譜數據構建的判別模型，採用上述兩種模型對建模集樣本中成分識別時，存在一定的錯誤，但是錯誤率較低。在上述實施例的基礎上，所述的方法還包括：基於識別結果計算識別精度。其中，識別精度是建模集樣本中類別預測值正確的個數與總體個數的比值。表4是基於偏最小二乘法構建的判別模型計算的識別精度的列表。如表4所示，對建模集樣本的成分進行識別的過程中，總體識別精度、正品皮識別精度最高的均為在1000nm-2500nm波段範圍內，偏最小二乘法基於建模集樣本的高光譜數據構建的判別模型，分別是78％和90％，正品皮識別錯誤率最低的則為1000nm-2500nm範圍內，偏最小二乘法基於建模集樣本的高光譜數據以及特徵波長對應的高光譜數據構建的判別模型，均為5％。如表4所示，無論是在400nm-1000nm或1000nm-2500nm波段範圍內，偏最小二乘法基於建模集樣本的高光譜數據構建的判別模型，總體識別率和正品皮識別率均高於基於特徵波長對應的高光譜數據構建的判別模型。而正品皮的錯誤識別率，無論是400nm-1000nm或1000-2500nm波段範圍內，偏最小二乘法基於建模集樣本的高光譜數據構建的判別模型以及基於特徵波長對應的高光譜數據構建判別模型，正品皮的錯誤識別率相同。其中，400n-1000nm波段範圍內，正品皮的錯誤識別率均為10％；1000nm-2500nm波段範圍內，正品皮錯誤識別率則為5％。表4本發明實施例提供的一種化橘紅成分鑑定方法，通過將檢驗集樣本的高光譜數據、以及建模集樣本的高光譜數據或特徵波長對應的高光譜數據作為偏最小二乘法構建的模型的輸入變量，獲取建模集樣本的成分識別結果，操作步驟簡單，能夠精確識別化橘紅的成分。實施例二本實施二與本實施例一的不同之處在於：採用的判別模型為極限學習機構建的判別模型。在本實施例中，如圖2a-2d所示，ELM為極限學習機基於建模集樣本的高光譜數據構建的判別模型，ELM-SPA為極限學習機基於特徵波長對應的高光譜數據構建的判別模型。通過極限學習機構建的模型對在對建模集樣本中成分識別時，存在一定的錯誤，但是錯誤率較低。表5為基於極限學習機構建的判別模型計算的識別精度的列表。如表5所示，總體識別精度、正品皮識別精度最高的均為在1000nm-2500nm波段範圍內的ELM模型和ELM-SPA模型，分別是84％和95％。正品皮識別錯誤率最低的則為在1000nm-2500nm波段範圍內的ELM模型和ELM-SPA模型，均為5％。在400nm-1000nm波段範圍內，ELM-SPA模型計算出的總體識別率與正品皮識別率均高於ELM模型。對於正品皮的識別錯誤率，ELM-SPA模型和ELM模型計算出的錯誤識別率相同。在1000nm-2500nm波段範圍內，無論是ELM-SPA模型和ELM模型，計算出的總體識別率、正品皮識別率、正品皮識別錯誤率均相同，分別為84％、95％和5％。表5由此可見，在極限學習機構建的判別模型和偏最小二乘法構建的判別模型對建模集樣本進行識別過程中，在1000nm-2500nm波段範圍內，根據極限學習機構建的判別模型和偏最小二乘法構建的判別模型計算出的總體識別率、正品皮識別率均高於400nm-1000nm波段範圍內的。並且，極限學習機構建的判別模型的準確率高於偏最小二乘法構建的判別模型。偏最小二乘法基於特徵波長對應的高光譜數據構建的判別模型的準確率低於基於建模集樣本的高光譜數據構建的判別模型。但是，在400nm-1000nm波段範圍內，極限學習機基於特徵波長對應的高光譜數據構建的判別模型的準確率高於基於建模集樣本的高光譜數據構建的判別模型，在1000nm-25nm範圍內，極限學習機基於特徵波長對應的高光譜數據構建的判別模型的準確率與基於建模集樣本的高光譜數據構建的判別模型相同。本發明實施例提供的一種化橘紅成分鑑定方法，通過將檢驗集樣本的高光譜數據、以及建模集樣本的高光譜數據或特徵波長對應的高光譜數據作為極限學習機構建的模型的輸入變量，獲取建模集樣本的成分識別結果，操作步驟簡單，能夠精確識別化橘紅的成分。注意，上述僅為本發明的較佳實施例及所運用技術原理。本領域技術人員會理解，本發明不限於這裡所述的特定實施例，對本領域技術人員來說能夠進行各種明顯的變化、重新調整和替代而不會脫離本發明的保護範圍。因此，雖然通過以上實施例對本發明進行了較為詳細的說明，但是本發明不僅僅限於以上實施例，在不脫離本發明構思的情況下，還可以包括更多其他等效實施例，而本發明的範圍由所附的權利要求範圍決定。當前第1頁1 2 3