一种中药材道地性的鉴别方法、系统及计算机可读介质技术方案

本发明专利技术公开一种中药材道地性的鉴别方法、系统及计算机可读介质。通过样本原始光谱、明场光谱以及暗场光谱获得样本反射谱，并将样本反射谱分类为训练集与测试集，对训练集与测试集数据进行去噪音处理，为训练集数据添加标签。构建神经网络模型，通过训练得到溯源模型，将未知样本光谱数据输入溯源模型，得到未知样本产地分类的预测结果及相关概率。通过光谱技术与神经网络模型结合，在满足分析速度的情况下，减小预测成本，不需要复杂的分析过程，同时保证了预测正确率。保证了预测正确率。保证了预测正确率。

【技术实现步骤摘要】
一种中药材道地性的鉴别方法、系统及计算机可读介质


[0001]本专利技术涉及产品溯源
，具体涉及一种中药材道地性的鉴别方法、系统及计算机可读介质。

技术介绍

[0002]现阶段我国适用于中药材产地追溯及分类检测的技术主要以物流、信息流相结合的电子信息记录体系，如二维码、射频识别码等电子标识为主。这套记录体系方便快捷，但由于信息记录的形式易造假，且承载信息的标签容易在生产、运输、销售等环节丢失，因此需要借助一些综合判定技术加强和补充监测。
[0003]目前市面上采用的综合判定技术有三种，一是稳定同位素技术，利用各个产地氮或氧稳定同位素等稳定同位素的比值差异来判定产品的产地，这种方法耗时长，化学试剂消耗大且会造成一定污染；二是DNA溯源技术，将产品DNA数据与DNA库中的基准数据进行比较，从而判定产品的产地，这种方法虽然分析速度快，但是建立DNA数据库的成本高，容易出现假阳性或假阴性结果；三是光谱分析技术，其中近红外光谱技术与主观判定法应用最广，近红外光谱技术利用有机体中含氢基团的倍频与合频吸收谱线进行检测，并结合化学计量法，适用范围广，不具有破坏性，样品也无需复杂处理，但对于不同产地的中药材、农产品来说，这种传统的光谱分析办法有波段限制且存在工序复杂、硬件成本高、分析时间长等缺点。而主观判定法则需要主观判定者具有丰富的经验，且标准误差更大。

技术实现思路

[0004]有鉴于此，本专利技术提供一种中药材道地性的鉴别方法、系统及计算机可读介质，通过红外光谱技术与卷积神经网络模型结合，提高光谱特征识别效率、提高精度并降低硬件成本。
[0005]本专利技术提供一种中药材道地性的鉴别方法，所述方法包括：
[0006]根据产品的样本原始光谱、明场光谱及暗场光谱计算生成样本反射谱数据；
[0007]将样本反射谱数据按照一定比例分为训练集与测试集，对训练集和测试集中的数据进行预处理；
[0008]构建卷积神经网络模型，基于训练集与测试集生成卷积神经网络溯源模型；
[0009]将未知样本数据输入卷积神经网络模型，得到产地分类的预测结果及相关概率。
[0010]优选的，所述生成样本反射谱数据的计算方法为：
[0011]样本反射谱＝(样本原始光谱
‑
暗场光谱)/(明场光谱
‑
暗场光谱)。
[0012]优选的，所述对训练集和测试集中的数据进行预处理步骤包括：
[0013]对训练集数据、测试集数据进行去噪音处理，并为训练集数据添加标签；
[0014]对训练集数据与测试集数据进行过采样，并对所述标签的值进行独热编码。
[0015]优选的，所述去噪音处理为归一化、傅里叶变换、小波变换、多元散射校正、标准正态变量变换与主成分分析中的至少一种。
[0016]优选的，还包括：
[0017]所述卷积神经网络模型包含三个卷积层，一个最大池化层以及三个全连接层；
[0018]所述卷积层激活函数为ReLU激活函数；
[0019]所述全连接层输出激活函数为softmax激活函数；
[0020]所述卷积神经网络模型损失函数为交叉熵损失函数。
[0021]优选的，所述生成卷积神经网络溯源模型包括：
[0022]将训练集数据输入卷积神经网络模型进行训练，获得训练模型；
[0023]将测试集数据输入训练模型进行测试；
[0024]判断训练模型是否过拟合，若是，则对参数进行优化并重新训练卷积神经网络模型，若否，则保存该训练模型为卷积神经网络溯源模型。
[0025]优选的，所述对参数进行优化方法可为增加训练集数据、在网络层加入BN层、dropout层与分批次训练中的一种或多种。
[0026]本专利技术还提供一种应用于中药材道地性的鉴别系统，所述系统包括：
[0027]光谱转换单元：用于生成样本反射谱数据，并对样本反射谱数据进行分类及预处理；
[0028]调参训练单元：用于生成卷积神经网络溯源模型；
[0029]鉴别输出单元：用于得出产地分类的预测结果及相关概率。
[0030]一种计算机可读介质，其特征在于，所述计算机可读介质存储有机器可执行指令，所述机器可执行的指令执行时实现权利要求1至8中任一项所述的应用于中药材道地性的鉴别方法。
[0031]本专利技术的首要改进之处为通过样本原始光谱、明场光谱以及暗场光谱获得样本反射谱，并将样本反射谱分类为训练集与测试集，对训练集与测试集数据进行去噪音处理，为训练集数据添加标签。构建神经网络模型，通过训练得到溯源模型，将未知样本光谱数据输入溯源模型，得到未知样本产地分类的预测结果及相关概率。通过光谱技术与神经网络模型结合，在满足分析速度的情况下，减小预测成本，不需要复杂的分析过程，同时保证了正确率。
附图说明
[0032]图1为一种中药材道地性的鉴别方法流程示意图；
[0033]图2为卷积层、全连接层参数数量以及所用卷积核数与全连接神经元数量示意图。
具体实施方式
[0034]为了使本领域的技术人员更好地理解本专利技术的技术方案，下面结合具体实施方式对本专利技术作进一步的详细说明。
[0035]本专利技术提供的一种中药材道地性的鉴别方法，图1为本专利技术提供的一种中药材道地性的鉴别方法的流程示意图，该方法包括如下步骤：
[0036]根据样本原始样本数据、明场光谱数据及暗场光谱数据计算生成样本反射谱数据；
[0037]将样本反射谱数据按照一定比例分为训练集与测试集，对训练集和测试集中的数
据进行预处理；
[0038]构建卷积神经网络模型，生成卷积神经网络溯源模型；
[0039]将未知样本数据输入卷积神经网络模型，得到产地分类的预测结果及相关概率。
[0040]本专利技术提供的实施例以麦冬为例，对一种中药材道地性的鉴别方法进行说明。
[0041]采集不同产地麦冬的样本形成样本集，每个样本集中包含多个麦冬样本，通过红外光谱仪采集每个样本集中样本的样本原始光谱、明场光谱与暗场光谱，并将上述所有光谱数据输入光谱转换单元，计算得到样本反射谱。
[0042]样本反射谱具体通过如下公式计算获得：
[0043]样本反射谱＝(样本原始光谱
‑
暗场光谱)/(明场光谱
‑
暗场光谱)。
[0044]在本方法中，样本集数量多于每一样本原始光谱的光谱波长点数量，以避免过拟合。此外，通过将样本原始光谱进行平场校正，可以有效消除了样本原始光谱数据中来自光照不均匀的影响，使后续进行卷积处理的数据更平滑。
[0045]将计算得到的样本反射谱数据按照8:2分为训练集与测试集，基于本实施例但不限于本实施例，样本反射谱可按任意比例分割得到训练集与测试集。
[0046]通过公式X＝(x
‑
x
min
)/(x
‑
x
max
)对训练集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种中药材道地性的鉴别方法，其特征在于，所述方法包括：根据产品的样本原始光谱、明场光谱及暗场光谱计算生成样本反射谱数据；将样本反射谱数据按比例分为训练集与测试集，对训练集和测试集中的数据进行预处理；构建卷积神经网络模型，通过预处理后的训练集与测试集生成卷积神经网络溯源模型；将待检测样本数据输入卷积神经网络模型，得到产地分类的预测结果及相关概率。2.根据权利要求1所述的中药材道地性的鉴别方法，其特征在于，所述生成样本反射谱数据的计算方法为：样本反射谱数据＝(样本原始光谱
‑
暗场光谱)/(明场光谱
‑
暗场光谱)。3.根据权利要求1所述的中药材道地性的鉴别方法，其特征在于，所述对训练集和测试集中的数据进行预处理步骤包括：对训练集数据、测试集数据进行去噪音处理，并为训练集数据添加标签；对训练集数据与测试集数据进行过采样，并对所述标签的值进行独热编码。4.根据权利要求3所述的农产品产地溯源的鉴别方法，其特征在于，所述去噪音处理为归一化、傅里叶变换、小波变换、多元散射校正、标准正态变量变换与主成分分析中的至少一种。5.根据权利要求1所述的农产品产地溯源的鉴别方法，其特征在于，还包括：所述卷积神经网络模...

【专利技术属性】
技术研发人员：吴昕，张豪，李先东，季凡，曾大章，
申请(专利权)人：成都曙光光纤网络有限责任公司，
类型：发明
国别省市：