野山参制造技术

本发明专利技术提供一种野山参

【技术实现步骤摘要】
野山参、林下山参、园参原位鉴别方法、系统及相关设备


[0001]本专利技术涉及中药材鉴定
，具体涉及一种野山参
、
林下山参
、
园参原位鉴别方法
、
系统及相关设备
。

技术介绍

[0002]目前野山参
、
林下山参
、
园参的鉴别主要以参农主观经验鉴别
、
高效液相色谱
‑
质谱联用鉴别和
DNA
分子标记鉴别为主
。
其中主观意识鉴别因鉴别主体经验差异较大，结果不统一
、
不具有说服力；客观鉴别法中的液质联用技术虽然能发现野山参和林下山参中个别人参皂苷的种类和含量差异，但不具有普适性，可重复性较差，不能真实
、
有效地鉴别野山参
、
林下山参和园参；
DNA
分子标记技术中的
SSR
（简单重复序列）标记利用基因组中少数几对重复核苷酸序列的多态性分布特征进行鉴别，但检测成本太高
、
检测过程过于复杂
、
检测周期较长
、
环境要求苛刻
、
干扰因素较多
。
[0003]总之，主观判断方法结果不准确；客观液质联用和
DNA
分子标记方法耗时
、
耗力，且必须破坏人参药材进行皂苷和
DNA
提取；以上方法均针对单个样本进行检测，个体差异影响较大，不具有高通量筛选的特点，并不适用于野山参
、
林下山参
、
园参的实际鉴别需求
。

技术实现思路

[0004]鉴于此，本专利技术的目的在于提供一种野山参
、
林下山参
、
园参原位鉴别方法
、
系统及相关设备，以解决现有鉴别技术存在的鉴别不准确等问题
。
[0005]为实现上述专利技术目的，本专利技术提供一种野山参
、
林下山参
、
园参原位鉴别方法，所述方法包括：获取待鉴别人参的短波近红外波段成像数据，所述短波近红外波段成像数据至少包括人参像元的光谱信息和图像信息立方体数据；对所述短波近红外波段成像数据进行预处理和主成分分析
PCA
以得到
PCA
转换后的图像特征；将所述图像特征输入第一鉴别模型进行人参类别鉴别以得到第一鉴别结果，及将所述图像特征输入第二鉴别模型进行人参类别鉴别以得到第二鉴别结果，其中，所述第一鉴别模型由利用支持向量机
SVM
算法对人参样品的图像特征进行监督分类机器学习运算得到，所述第二鉴别模型由基于人参样品的图像特征训练
BP
人工神经网络得到，所述
SVM
算法的核函数为径向基函数；若所述第一鉴别结果和所述第二鉴别结果一致，输出所述第一鉴别结果或所述第二鉴别结果以作为所述待鉴别人参的最终鉴别结果，所述最终鉴别结果用于指示所述待鉴别人参为野山参
、
林下山参或园参；若所述第一鉴别结果和所述第二鉴别结果不一致，则输出所述短波近红外波段成像数据
、
所述第一鉴别结果和所述第二鉴别结果，并输出提示信息提示人工鉴别所述第一鉴别结果和所述第二鉴别结果以获得最终鉴别结果
。
[0006]可选的，对所述短波近红外波段成像数据进行预处理和主成分分析
PCA
以得到
PCA
转换后的图像特征，包括：将所述短波近红外波段成像数据包括的图像信息立方体数据进行裁剪，并将裁剪后的图像数据进行基于像元的镶嵌合并处理，生成人参主体高光谱图像数据；基于所述人参主体高光谱图像数据提取人参主体感兴趣区域；根据所述人参主体感兴趣区域提取所述待鉴别人参的平均反射光谱；对所述待鉴别人参的平均反射光谱进行反射率校正和波段校正；对完成反射率校正和波段校正的所述平均反射光谱对应的所述人参主体感兴趣区域进行主成分分析
PCA
，以得到
PCA
转换后的图像特征
。
[0007]可选的，对所述待鉴别人参的平均反射光谱进行反射率校正的过程，包括：根据 对所述待鉴别人参的平均反射光谱进行反射率校正，其中，
R
为经过校正后的图像的相对反射率，
I
R
为原始图像的
DN
值，
I
W
为白板图像的
DN
值，
I
B
为用不透明盖覆盖镜头获得的暗参考图像的
DN
值
。
[0008]可选的，获取待鉴别人参的短波近红外波段成像数据，包括：利用高光谱成像仪原位获取待鉴别人参的短波近红外波段成像数据
。
[0009]可选的，利用支持向量机
SVM
算法对人参样品的图像特征进行监督分类机器学习运算得到第一鉴别模型的过程，包括：获取人参样品的短波近红外波段成像数据，所述人参样品包含野山参
、
林下山参和园参；对所述人参样品的短波近红外波段成像数据进行预处理和
PCA
，以得到所述人参样品对应的
PCA
转换后的图像特征；将所述人参样品对应的
PCA
转换后的图像特征划分为训练集和验证集；利用
SVM
算法对训练集进行指定数量个主要特征波段的监督分类机器学习运算，得到初始鉴别模型；利用所述验证集对所述初始鉴别模型的
SVM
分类结果进行混淆矩阵精度评价；若混淆矩阵精度评价的结果满足预设条件，确定所述初始鉴别模型为第一鉴别模型
。
[0010]可选的，所述人参样品包含：选自不同产地
、
不同年限的野山参
、
林下山参和园参
。
[0011]可选的，还包括：收集所述待鉴别人参的实际鉴别结果；利用所述待鉴别人参的实际鉴别结果，更新所述第一鉴别模型和所述第二鉴别模型
。
[0012]本专利技术还提供了一种野山参
、
林下山参
、
园参原位鉴别系统，所述系统包括：获取模块，用于获取待鉴别人参的短波近红外波段成像数据，所述短波近红外波段成像数据至少包括人参像元的光谱信息和图像信息立方体数据；处理模块，用于对所述短波近红外波段成像数据进行预处理和主成分分析
PCA
以得到
PCA
转换后的图像特征；鉴别模块，用于将所述图像特征输入第一鉴别模型进行人参类别鉴别以得到第一
鉴别结果，及将所述图像特征输入第二鉴别模型进行人参类别鉴别以得到第二鉴别结果，其中，所述第一鉴别模型由利用支持向量机
SVM
算法对人参样品的图像特征进行监督分类机器学习运算得到，所述第二鉴别模型由基于人参样品的图像特征训练
BP
神经网络得到，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种野山参
、
林下山参
、
园参原位鉴别方法，其特征在于，所述方法包括：获取待鉴别人参的短波近红外波段成像数据，所述短波近红外波段成像数据至少包括人参像元的光谱信息和图像信息立方体数据；对所述短波近红外波段成像数据进行预处理和主成分分析
PCA
以得到
PCA
转换后的图像特征；将所述图像特征输入第一鉴别模型进行人参类别鉴别以得到第一鉴别结果，及将所述图像特征输入第二鉴别模型进行人参类别鉴别以得到第二鉴别结果，其中，所述第一鉴别模型由利用支持向量机
SVM
算法对人参样品的图像特征进行监督分类机器学习运算得到，所述第二鉴别模型由基于人参样品的图像特征训练
BP
人工神经网络得到，所述
SVM
算法的核函数为径向基函数；若所述第一鉴别结果和所述第二鉴别结果一致，输出所述第一鉴别结果或所述第二鉴别结果以作为所述待鉴别人参的最终鉴别结果，所述最终鉴别结果用于指示所述待鉴别人参为野山参
、
林下山参或园参；若所述第一鉴别结果和所述第二鉴别结果不一致，则输出所述短波近红外波段成像数据
、
所述第一鉴别结果和所述第二鉴别结果，并输出提示信息提示人工鉴别所述第一鉴别结果和所述第二鉴别结果以获得最终鉴别结果
。2.
根据权利要求1所述的方法，其特征在于，对所述短波近红外波段成像数据进行预处理和主成分分析
PCA
以得到
PCA
转换后的图像特征，包括：将所述短波近红外波段成像数据包括的图像信息立方体数据进行裁剪，并将裁剪后的图像数据进行基于像元的镶嵌合并处理，生成人参主体高光谱图像数据；基于所述人参主体高光谱图像数据提取人参主体感兴趣区域；根据所述人参主体感兴趣区域提取所述待鉴别人参的平均反射光谱；对所述待鉴别人参的平均反射光谱进行反射率校正和波段校正；对完成反射率校正和波段校正的所述平均反射光谱对应的所述人参主体感兴趣区域进行主成分分析
PCA
，以得到
PCA
转换后的图像特征
。3.
根据权利要求2所述的方法，其特征在于，对所述待鉴别人参的平均反射光谱进行反射率校正的过程，包括：根据 对所述待鉴别人参的平均反射光谱进行反射率校正，其中，
R
为经过校正后的图像的相对反射率，
I
R
为原始图像的
DN
值，
I
W
为白板图像的
DN
值，
I
B
为用不透明盖覆盖镜头获得的暗参考图像的
DN
值
。4.
根据权利要求1所述的方法，其特征在于，获取待鉴别人参的短波近红外波段成像数据，包括：利用高光谱成像仪原位获取待鉴别人参的短波近红外波段成像数据
。5.
根据权利要求1‑4中任一所述的方法，其特征在于，利用支持向量机
SVM
算法对人参样品的图像特征进行监督分类机器学习运算得到第一鉴别模型的过程，包括：获取人参样品的短波近红外波段成像数据，所述人参样品包含野山参
、
林下山参和园参；
对所述人参样品的短波近红外波段成像数据进行预处理和
PC...

【专利技术属性】
技术研发人员：张巍，尤雨婷，白雪媛，王思明，赵大庆，
申请(专利权)人：长春中医药大学，
类型：发明
国别省市：