一种无损广陈皮快速鉴别方法技术

本发明专利技术涉及广陈皮鉴别技术领域，具体为一种无损广陈皮快速鉴别方法，该无损陈皮快速鉴别方法如下：第一步：图像采集，将样本展平后放置于观察台上，设置放大倍数为8.3倍，调节合适亮度，采集样本外表面图像。本发明专利技术通过结果可知，相比人工特征提取方法，卷积神经网络可有效提取图像高级特征，能较为准确鉴别出广陈皮与非广陈皮，通过有效的网络筛选与优化利于提高鉴别准确度，在数据集较大时比传统机器学习方法有更好的应用前景。方法有更好的应用前景。方法有更好的应用前景。

【技术实现步骤摘要】
一种无损广陈皮快速鉴别方法


[0001]本专利技术涉及广陈皮鉴别
，具体为一种无损广陈皮快速鉴别方法。

技术介绍

[0002]陈皮是临床常用的一味中药，来源于芸香科植物橘Citrus reticulata Blanco及其栽培变种的干燥成熟果皮，具有理气健脾、燥湿化痰之功效。
[0003]陈皮分为“陈皮”和“广陈皮”，其中“广陈皮”指的主产于广东，来源于栽培变种的茶枝柑Citrus reticulata
‘
Chachi
’
，并认为以广东新会主产陈皮质量最好，又称“新会陈皮”；产自江西、四川、福建一带的则称之“川陈皮”，主要来源为温州蜜柑Citrus reticulata
‘
Unshiu
’
、大红袍Citrus reticulata
‘
Dahongpao
’
、福橘Citrus reticulata
‘
Tangerina
’
等。
[0004]“广陈皮”作为道地药材和称呼起源于宋元时期，明清两代宫廷御医都认可广陈皮为优质道地药材，受到众医家的青睐和推崇，并有后来的“橘皮，产粤东新会，陈久者良”、“广东新会皮为胜，陈久者良，故名陈皮”的记载，因此“广陈皮”的价格比一般“陈皮”的价格高出几倍，由于“陈皮”与“广陈皮”的性状外观相近，从外观性状上难以区分，2020版《中国药典》在含量测定项下，新增通过测定“广陈皮”中川陈皮素、橘皮素的含量，以区分“陈皮”和“广陈皮”，虽然也有研究通过其他物理与化学的手段对“广陈皮”和“陈皮”进行区分，但是这些手段都需要用到检测仪器，样品需经过前处理，检测成本高，检测周期长，不利于进行大规模鉴定与快速鉴定。“陈皮”与“广陈皮”二者的性状外观虽然接近，但在外表皮的色泽，点状油室的相对大小，质地的软硬程度上也有一定的差别，资深的检验人员能够通过其外观、性状、气味等区分“陈皮”与“广陈皮”，因此性状鉴别是最快速、常用的检测手段。但传统的人工目检是由人主观判断，判断结果取决于判断者的主观经验，缺乏客观量化的统一标准，同时老药工的经验难以复制，存在一定的局限性。
[0005]计算机视觉技术是随着计算机技术的快速发展而延伸出来的一个新的计算机应用领域，是一门包含图像处理及分析，模式识别和人工智能等方面的交叉性学科。基于深度神经网络的计算机视觉技术已经在图像识别已经有广泛的应用，其中在中药的快速识别上也有一定的研究。基于上述研究基础，本实验将尝试通过提取“陈皮”与“广陈皮”的表面特征图像，以经典的深度神经网络模型为骨干模型，建立一种快速识别“陈皮”与“广陈皮”的方法，为“广陈皮”的快速识别方法提供基础，满足“广陈皮”商品流通过程中快速识别的需求。

技术实现思路

[0006]本专利技术的目的在于提供一种无损广陈皮快速鉴别方法，以解决快速识别“陈皮”与“广陈皮”的问题。
[0007]为实现上述目的，本专利技术提供如下技术方案：一种无损广陈皮快速鉴别方法，所述该无损陈皮快速鉴别方法如下：
[0008]第一步：图像采集，将样本展平后放置于观察台上，设置放大倍数为8.3倍，调节合适亮度，采集样本外表面图像；
[0009]第二步：数据与模型操作：
[0010]S1、模型构造：本文采用样本生成方法进行数据扩增，包括：样本图片调整为224*224像素，旋转范围40度，横向平移范围20％，纵向平移范围20％，归一化，放大与缩小范围20％以及水平翻转；
[0011]S2、数据集：将采集得到的数据根据广陈皮、陈皮进行划分，各组数据集再分；
[0012]从广陈皮类别样本抽出其中一个品种的所有样本作为测试集，剩余样本划分为训练集与验证集；
[0013]S3、模型：采用Resnet101、VGG19、InceptionV3、Densenet121等经典骨干模型进行训练测试；
[0014]为增加收敛速度，采用Imagenet预训练权重作为预训练模型，调整相关参数，提高训练准确率和效率；
[0015]统一在骨干网络底部将多维向量一维化，接驳基于ReLU激活函数的多层全连接层与Dropout层提高抗过拟合的能力，最后使用分类器进行输出；
[0016]第三步：实验过程：每个网络训练的学习率设定为0.0001，使用指数衰减学习率；
[0017]在网络筛选阶段，对每个网络进行100轮的训练探索，可以发现在训练的前10轮中，Resnet101与InceptionV3的损失函数(loss function，loss表示预测值与目标值的差距)得到快速下降，网络对数据具有较好的适应性，随着训练次数的继续增加，识别准确度缓慢的增长，损失函数逐渐降低并最后收敛。
[0018]优选的，所述第一步中的图片格式为JPEG。
[0019]优选的，所述第一步中的分辨率为2752*2208。
[0020]优选的，所述第一步中的同一批次样品采样量不少于100张图片。
[0021]优选的，所述第二步中的S2中：Validation(验证集)
‑
不参与模型训练，用于模型效果验证的数据集。
[0022]优选的，所述第二步中的S2中：Test(测试集)
‑
用于评价模型泛化与外推能力的数据集。
[0023]优选的，所述第二步中的S2中：Train(训练集)
‑
直接用于模型训练的数据集。
[0024]优选的，所述第二步中的S2中：训练集与验证集比例为4:1。
[0025]优选的，所述第三步中选择二值交叉熵/对数损失作为目标函数。
[0026]优选的，所述第三步中的VGG19与DenseNet121可能存在一定的过拟合情况，损失函数在第一轮训练后就处于平稳。
[0027]与现有技术相比，本专利技术的有益效果是：
[0028]1.本专利技术通过结果可知，相比人工特征提取方法，卷积神经网络可有效提取图像高级特征，能较为准确鉴别出广陈皮与非广陈皮。
[0029]2.本专利技术通过有效的网络筛选与优化利于提高鉴别准确度，在数据集较大时比传统机器学习方法有更好的应用前景。
[0030]3.本专利技术通过对比Resnet101、VGG19、InceptionV3、Densenet121四种骨干网络模型的识别效率，最终选择Resnet101作为骨干网络模型，具有较高的识别率，通过该方法可
以有效区分陈皮和广陈皮。
附图说明
[0031]图1为本专利技术的陈皮(CP)、广陈皮(GCP)外果示意图；
[0032]图2为本专利技术的图像扩增方式示例示意图；
[0033]图3为本专利技术的网络筛选输出结果示意图。
具体实施方式
[0034]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无损广陈皮快速鉴别方法，其特征在于：所述该无损陈皮快速鉴别方法如下：第一步：图像采集，将样本展平后放置于观察台上，设置放大倍数为8.3倍，调节合适亮度，采集样本外表面图像；第二步：数据与模型操作：S1、模型构造：本文采用样本生成方法进行数据扩增，包括：样本图片调整为224*224像素，旋转范围40度，横向平移范围20％，纵向平移范围20％，归一化，放大与缩小范围20％以及水平翻转；S2、数据集：将采集得到的数据根据广陈皮、陈皮进行划分，各组数据集再分；从广陈皮类别样本抽出其中一个品种的所有样本作为测试集，剩余样本划分为训练集与验证集；S3、模型：采用Resnet101、VGG19、InceptionV3、Densenet121等经典骨干模型进行训练测试；为增加收敛速度，采用Imagenet预训练权重作为预训练模型，调整相关参数，提高训练准确率和效率；统一在骨干网络底部将多维向量一维化，接驳基于ReLU激活函数的多层全连接层与Dropout层提高抗过拟合的能力，最后使用分类器进行输出；第三步：实验过程：每个网络训练的学习率设定为0.0001，使用指数衰减学习率；在网络筛选阶段，对每个网络进行100轮的训练探索，可以发现在训练的前10轮中，Resnet101与InceptionV3的损失函数(loss function，loss表示预测值与目标值的差距)得到快速下降，网络对数据具有较好的适应性，随着训练次数的继续增加，识别准确度缓慢的增长，损失函数逐...

【专利技术属性】
技术研发人员：陈志维，
申请(专利权)人：东莞广州中医药大学研究院，
类型：发明
国别省市：