一种化橘红成分鉴定方法技术

本发明专利技术实施例公开了一种化橘红成分鉴定方法，包括：通过至少一个波段对样本集的样本进行扫描，采集样本集的样本的高光谱图像；根据高光谱图像，获取样本集样本的高光谱数据；对样本集样本的高光谱数据进行处理，将样本集的样本划分为建模集样本以及检验集样本，并获取建模集样本的高光谱数据以及检验集样本的高光谱数据；通过连续投影算法在建模集样本的高光谱数据中选择特征波长；将检验集样本的高光谱数据、建模集样本的高光谱数据或特征波长对应的高光谱数据作为判别分析模型的输入变量，获取建模集样本的成分识别结果。本发明专利技术实施例操作步骤简单，能够精确识别化橘红的成分。

【技术实现步骤摘要】

本专利技术涉及药材鉴定
，尤其涉及一种化橘红成分鉴定方法。
技术介绍
化橘红又名化皮、化州橘红，为芸香科植物化州柚的未成熟果实的外层果皮。化橘红不仅具有治咳化啖、健胃行气、醒酒功能，而还是人体美容的最佳原料，有广阔的市场前景。研究表明，挥发油，黄酮类化合物，多糖以及香豆素类化合物等是化橘红的主要有效成分。不同的品种有效成分的含量不一样，功效不一样，并且在价格上也相差较大，以正品皮的效果最佳。因此市场上存在许多用化橘红的正品果、伪品果、伪品皮冒充正品皮，损害了消费者利益，也冲击了种植优良品种的农民们的利益。目前对化橘红成分常用的鉴别方法主要有性状鉴定、显微鉴定、高效液相色谱法。这些方法虽然各有优势，但是存在不同程度上的主观性强、需要预处理、实验过程复杂等缺点，不能满足市场快速、可靠检测的需要。
技术实现思路
有鉴于此，本专利技术实施例提供一种化橘红成分鉴定方法，操作步骤简单，能够精确识别化橘红的成分。本专利技术实施例一种化橘红鉴定方法，包括：通过至少一个波段对样本集中的样本进行扫描，采集样本集中样本的高光谱图像；根据所述高光谱图像，获取样本集中样本的高光谱数据；对所述样本集中样本的高光谱数据进行处理，将样本集中的样本划分为建模集样本以及检验集样本，并获取所述建模集样本的高光谱数据以及所述检验集样本的高光谱数据；通过连续投影算法在所述建模集样本的高光谱数据中选择特征波长；将所述检验集样本的高光谱数据、所述检验集样本的类别赋值以及所述建模集样本的高光谱数据或所述特征波长对应的高光谱数据作为判别分析模型的输入变量，获取建模集样本的成分识别结果。进一步的，所述判别分析模型包括偏最小二乘法构建的判别模型或极限学习机构建的判别模型。进一步的，所述至少一个波段包括400nm-1000nm的波段或1000nm-2500nm的波段。进一步的，所述样本集中样本包括化橘红的正品皮、伪品皮、正品果以及伪品果。进一步的，所述高光谱数据包括空间位置数据、波长数据和光谱吸收值。进一步的，所述对所述样本集中样本的高光谱数据进行处理包括：对所述样本集中样本的高光谱数据基于如下的公式进行校正：其中，Rref为校正后的高光谱数据；DNraw为校正之前样本集中样本的高光谱数据；DNwhite为白板校正数据；DNdark为黑板校正数据。通过SG平滑算法对校正后的高光谱数据进行去燥处理。进一步的，通过连续投影算法在所述建模集样本的高光谱数据中选择特征波长包括：对所述建模集样本的成分进行类别赋值；将所述建模集样本的高光谱数据以及所述类别赋值作为连续投影算法的输入变量，在所述建模集样本的高光谱数据中选择特征波长。所述方法还包括：基于识别结果计算识别精度。本专利技术实施例提供的一种化橘红成分鉴定方法，通过将检验集样本的高光谱数据、检验集样本的类别赋值以及建模集样本的高光谱数据或特征波长对应的高光谱数据作为判别分析模型的输入变量，获取建模集样本的成分识别结果，操作步骤简单，能够精确识别化橘红的成分。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：图1a是本专利技术实施例一提供的一种化橘红成分鉴定方法流程图；图1b是本专利技术实施例一提供的在400nm-1000nm扫描波段范围内，样本集中样本的高光谱数据形成的光谱比较图；图1c是本专利技术实施例一提供的在1000nm-2500nm扫描波段范围，样本集中样本的高光谱数据形成的光谱比较图；图1d是本专利技术实施例一提供的当以建模集样本的高光谱数据为输入变量，且在400nm-1000nm波段范围时，获得的检验集与建模集样本的类别预测值示意图；图1e是本专利技术实施例一提供的当以特征波长对应的高光谱数据为输入变量，且在400nm-1000nm波段范围时，获得的检验集与建模集样本的类别预测值示意图；图1f是本专利技术实施例一提供的当以建模集样本的高光谱数据为输入变量，且在1000nm-2500nm波段范围时，获得的检验集与建模集样本的类别预测值示意图；图1g是本专利技术实施例一提供的当以特征波长对应的高光谱数据为输入变量，且在1000nm-2500nm波段范围时，获得的检验集与建模集样本的类别预测值示意图；图2a为本专利技术实施例二提供的当以建模集样本的高光谱数据为输入变量，且在400nm-1000nm波段范围时，获得的检验集与建模集样本的类别预测值示意图；图2b为本专利技术实施例二提供的当以特征波长对应的高光谱数据为输入变量，且在400nm-1000nm波段范围时，获得的检验集与建模集样本的类别预测值示意图；图2c为本专利技术实施例二提供的当以建模集样本的高光谱数据为输入变量，且在1000nm-2500nm波段范围时，获得的检验集与建模集样本的类别预测值示意图；图2d是本专利技术实施例二提供的为当以特征波长对应的高光谱数据为输入变量，且在1000nm-2500nm波段范围时，获得的检验集与建模集样本的类别预测值示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部内容。实施例一图1a是本专利技术实施例一提供的一种化橘红成分鉴定方法流程图，如图1a所示，所述方法包括：S110：通过至少一个波段对样本集中样本进行扫描，采集样本集中样本的高光谱图像。在本实施例中，样本集中的样本包括化橘红的正品皮、伪品皮、正品果以及伪品果。其中，正品皮为32个，正品皮10个，伪品果11个，伪品皮7个。其中，将样本集中的正品皮、伪品皮、正品果以及伪品果粉碎均匀后，各取5g放置培养皿上，以供采集高光谱图像。在本实施例中，至少一个波段包括400nm-1000nm波段或1000nm-2500nm波段。高光谱图像的采集采用四川双利合谱科技有限公司的GaiaSorter高光谱分选仪系统(V10E、N25E-SWIR)。该系统主要由高光谱成像仪、CCD相机、光源、暗箱、计算机组成。表1为高光谱分选仪系统中实验仪器的参数列表。表1序号相关参数V10EN25E-SWIR1光谱范围400-1000nm1000-2500nm2光谱分辨率2.8nm12nm3像面尺寸6.15×14.27.6×14.24倒线色散97.5nm/mm208nm/mm5相对孔径F/2.4F/2.06杂散光<0.5％<0.5％7波段数520288在进行高光谱图像采集时，需要设置相机曝光时间，携带样本的平台移动速度以及物镜与样本之间的距离。这3个参数相互影响，使采集的图像大小合适，清晰，不变形失真。经过反复尝试，物镜高度设置为31cm，曝光时间设置为10ms，平台移动速度设置为46mm/s。图像采集软件采用四川双利合谱科技有限公司提供的高光谱成像系统采集软件完成。当采用400nm-1000nm的波段对样本集样本进行扫描时，获取各个样本的高光谱图像；当采用1000nm-2500nm的波段对建模集样本进行扫描时，获取各个样本的高光谱图像。S120：根据所述高光谱图像，获取样本集中样本的高光谱数据。在本实施例中，根据获取的建模集样本的高光谱图像，就可以获取建模集样本的高光谱数据。其中，高光谱数据包本文档来自技高网...

【技术保护点】
一种化橘红成分鉴定方法，其特征在于，包括：通过至少一个波段对样本集中的样本进行扫描，采集样本集中样本的高光谱图像；根据所述高光谱图像，获取样本集中样本的高光谱数据；对所述样本集中样本的高光谱数据进行处理，将样本集中的样本划分为建模集样本以及检验集样本，并获取所述建模集样本的高光谱数据以及所述检验集样本的高光谱数据；通过连续投影算法在所述建模集样本的高光谱数据中选择特征波长；将所述检验集样本的高光谱数据、所述检验集样本的类别赋值以及所述建模集样本的高光谱数据或所述特征波长对应的高光谱数据作为判别分析模型的输入变量，获取建模集样本的成分识别结果。

【技术特征摘要】
1.一种化橘红成分鉴定方法，其特征在于，包括：通过至少一个波段对样本集中的样本进行扫描，采集样本集中样本的高光谱图像；根据所述高光谱图像，获取样本集中样本的高光谱数据；对所述样本集中样本的高光谱数据进行处理，将样本集中的样本划分为建模集样本以及检验集样本，并获取所述建模集样本的高光谱数据以及所述检验集样本的高光谱数据；通过连续投影算法在所述建模集样本的高光谱数据中选择特征波长；将所述检验集样本的高光谱数据、所述检验集样本的类别赋值以及所述建模集样本的高光谱数据或所述特征波长对应的高光谱数据作为判别分析模型的输入变量，获取建模集样本的成分识别结果。2.根据权利要求1所述的方法，其特征在于，所述判别分析模型包括偏最小二乘法构建的判别模型或极限学习机构建的判别模型。3.根据权利要求1所述的方法，其特征在于，所述至少一个波段包括400nm-1000nm的波段或1000nm-2500nm的波段。4.根据权利要求1所述的方法，其特征在于，所述样本集中样本包括化橘红的正...

【专利技术属性】
技术研发人员：沈小钟，崔穗旭，
申请(专利权)人：广东食品药品职业学院，
类型：发明
国别省市：广东;44