CN117132843B - 野山参、林下山参、园参原位鉴别方法、系统及相关设备 - Google Patents
野山参、林下山参、园参原位鉴别方法、系统及相关设备 Download PDFInfo
- Publication number
- CN117132843B CN117132843B CN202311400660.4A CN202311400660A CN117132843B CN 117132843 B CN117132843 B CN 117132843B CN 202311400660 A CN202311400660 A CN 202311400660A CN 117132843 B CN117132843 B CN 117132843B
- Authority
- CN
- China
- Prior art keywords
- ginseng
- identification
- identification result
- result
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000208340 Araliaceae Species 0.000 title claims abstract description 454
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 title claims abstract description 454
- 235000003140 Panax quinquefolius Nutrition 0.000 title claims abstract description 454
- 235000008434 ginseng Nutrition 0.000 title claims abstract description 454
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000011065 in-situ storage Methods 0.000 title claims abstract description 38
- 238000000513 principal component analysis Methods 0.000 claims abstract description 71
- 238000003384 imaging method Methods 0.000 claims abstract description 58
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims description 56
- 238000012706 support-vector machine Methods 0.000 claims description 44
- 238000001228 spectrum Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 37
- 238000002310 reflectometry Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 8
- 210000000746 body region Anatomy 0.000 claims description 7
- 238000000985 reflectance spectrum Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 11
- 108020004414 DNA Proteins 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000000701 chemical imaging Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000004895 liquid chromatography mass spectrometry Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000013537 high throughput screening Methods 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000001397 quillaja saponaria molina bark Substances 0.000 description 2
- 229930182490 saponin Natural products 0.000 description 2
- 150000007949 saponins Chemical class 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 108091081062 Repeated sequence (DNA) Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229930182494 ginsenoside Natural products 0.000 description 1
- 229940089161 ginsenoside Drugs 0.000 description 1
- 238000000589 high-performance liquid chromatography-mass spectrometry Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003147 molecular marker Substances 0.000 description 1
- 238000003333 near-infrared imaging Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种野山参、林下山参、园参原位鉴别方法、系统及相关设备，该方法为：获取待鉴别人参的短波近红外波段成像数据并对其进行预处理和PCA以得到图像特征；将图像特征输入第一鉴别模型进行鉴别以得到第一鉴别结果，将图像特征输入第二鉴别模型进行鉴别以得到第二鉴别结果；若第一鉴别结果和第二鉴别结果一致，输出第一鉴别结果或第二鉴别结果以作为最终鉴别结果；若第一鉴别结果和第二鉴别结果不一致，则输出短波近红外波段成像数据、第一鉴别结果和第二鉴别结果，并输出提示信息提示人工鉴别第一鉴别结果和第二鉴别结果以获得最终鉴别结果。本方案结合多个鉴别模型对人参类别进行鉴别，具有原位、快速、准确、现场检测等鉴别优势。
Description
技术领域
本发明涉及中药材鉴定技术领域，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。
背景技术
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。
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。
发明内容
鉴于此，本发明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。
为实现上述发明目的，本发明提供一种野山参、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。
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。
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，IR为原始图像的DN值，IW为白板图像的DN值，IB为用不透明盖覆盖镜头获得的暗参考图像的DN值。
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。
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。
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。
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。
本发明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SVM算法的核函数为径向基函数；
输出模块，用于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；
人工鉴别模块，用于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。
本发明还提供了一种终端，所述终端包括：存储器、处理器、存储在所述存储器上并可以在所述处理器上运行的鉴别野山参、林下山参、园参的程序；所述鉴别野山参、林下山参、园参的程序被所述处理器执行时，实现如本发明提供的野山参、林下山参、园参原位鉴别方法。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有鉴别野山参、林下山参、园参的计算机程序，所述计算机程序被处理器执行时实现如本发明提供的野山参、林下山参、园参原位鉴别方法。
本发明提供的一种野山参、林下山参、园参原位鉴别方法、系统及相关设备，该方法为：获取待鉴别人参的短波近红外波段成像数据；对短波近红外波段成像数据进行预处理和PCA以得到PCA转换后的图像特征；将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；若第一鉴别结果和第二鉴别结果一致，输出第一鉴别结果或第二鉴别结果以作为待鉴别人参的最终鉴别结果；若第一鉴别结果和第二鉴别结果不一致，则输出短波近红外波段成像数据、第一鉴别结果和第二鉴别结果，并输出提示信息提示人工鉴别第一鉴别结果和第二鉴别结果以获得最终鉴别结果。本方案结合多个鉴别模型对人参类别进行鉴别，具有原位、快速、准确、现场检测等鉴别优势。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1 为本发明实施例提供的一种野山参、林下山参、园参原位鉴别方法的流程图；
图2为本发明实施例提供的训练得到第一鉴别模型的流程图；
图3为本发明实施例提供的野山参、林下山参和园参的ROI平均光谱；
图4为本发明实施例提供的野山参、林下山参和园参的伪彩图；
图5为本发明实施例提供的野山参、林下山参和园参的PCA特征成分的SVM图像鉴别；
图6为本发明实施例提供的人参样品MNF处理后主要波段合成伪彩图；
图7为本发明实施例提供的RBF核、Linear核、Polynomial核以及Sigmoid核的SVM分类结果示例图；
图8为本发明实施例提供的一种野山参、林下山参、园参原位鉴别系统的结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所列举实施例只用于解释本发明，并非用于限定本发明的范围。
由背景技术可见，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。
因此本方案提出一种野山参、林下山参、园参原位鉴别方法、系统及相关设备，结合多个鉴别模型对人参类别进行鉴别，具有原位、快速、准确、现场检测等鉴别优势。
参见图1，示出了本发明实施例提供的一种野山参、林下山参、园参原位鉴别方法的流程图，该方法包括：
步骤S101：获取待鉴别人参的短波近红外波段成像数据。
需要说明的是，待鉴别人参的类型可以是野山参、林下山参或园参等，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。
在具体实现步骤S101的过程中，利用高光谱成像仪原位获取待鉴别人参的短波近红外（如900-1700nm）波段成像数据，该高光谱成像仪可以是指定系列的高光谱成像相机（如IMPERX系列高光谱成像相机）。
具体来说，在对待鉴别人参进行光谱扫描时，可收集900-1700nm区间（仅举例）共计512个波段的图像信息立方体数据（高光谱立方体数据）。
所采用的高光谱成像仪的镜头与待鉴别人参的距离可以是25-35cm，具体距离由镜头焦距决定，每次扫描时不要超出镜头范围。
步骤S102：对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。
在具体实现步骤S102的过程中，对待鉴别人参的短波近红外波段成像数据进行预处理，然后再进行PCA以得到PCA转换后的图像特征。
对待鉴别人参的短波近红外波段成像数据进行预处理主要分为：对图像信息立方体数据的预处理和对光谱信息的预处理。其中，对图像信息立方体数据的预处理包括：对图像信息立方体数据的裁剪、镶嵌、人参主体感兴趣区域（ROI）提取。对光谱信息的预处理包括：对光谱数据的反射率校正、波段校正。
对人参主体感兴趣区域利用PCA进行数据特征增强处理，使用协方差矩阵计算，强化不同人参特征比对，为进一步的特征分类做准备，最大限度提取主要特征波段，去除大量冗余信息数据，减少后续运算量。
一些具体实施例中，对待鉴别人参的短波近红外波段成像数据进行预处理和PCA以得到PCA转换后的图像特征的具体方式为：将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。
基于该人参主体高光谱图像数据提取人参主体感兴趣区域（ROI），根据人参主体感兴趣区域提取待鉴别人参的平均反射光谱；具体来说，根据人参轮廓边缘裁剪出ROI，根据ROI提取出待鉴别人参（如野山参、林下山参、园参）的平均反射光谱。
对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平均反射光谱对应的人参主体感兴趣区域进行PCA，以得到PCA转换后的图像特征。
具体来说，将提取的人参主体感兴趣区域的平均反射光谱利用反射率校正公式进行反射率校正，从而将原始DN值数据转换为图像的相对反射率数据。
反射率校正公式如公式（1）。
在公式（1）中，R为经过校正后的图像的相对反射率，IR为原始图像的DN值，IW为白板图像的DN值，IB为用不透明盖覆盖镜头获得的暗参考图像的DN值。
也就是说，根据公式（1）对待鉴别人参的平均反射光谱进行反射率校正，即采用ENVI软件导入收集的高光谱数据，利用公式（1）将图像原始数据处理为图像的相对反射率数据。
将待鉴别人参的反射率校正后的平均反射光谱数据进行波段校正，反射光谱横坐标轴转换为900-1700nm。
在上述波段校正中，波段校正可根据光谱仪初始设置情况来决定是否需要进行，如果高光谱仪采集的光谱维度数据是以波长（nm）为单位的话可不需要进行此处的波段校正处理；否则需要进行波段校正。当原始高光谱数据中的横坐标是波段个数，为了清晰地显示不同品种人参在不同光波长处的相对反射率差异，故需要进行波段校正，即将反射光谱的横坐标替换为波长为纳米的标准单位。
波段校正的具体方式为：首先需要从仪器工程师处获得近红外波段区间（900-1700 nm）所有波段与真实波长的一一对应数据、即“校正数据”（文本格式），然后利用ENVI软件将平均反射光谱数据导出为文本格式文件，利用Excel表格打开平均反射光谱数据，将所有波段数据直接替换为波长数据即可。目前大多数高光谱仪的光谱维度数据基本都是以波长为单位的，只有个别组装的高光谱仪生成的近红外光谱数据需要进行波段校正处理。
步骤S103：将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。
需要说明的是，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，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。
进一步需要说明的是，本方案所采用的SVM算法的核函数为径向基函数（RBF），核函数参数γ可设置为0.1（仅举例），惩罚系数可以设置为100（仅举例）。
预先分别利用SVM算法训练人参样品的图像特征得到第一鉴别模型，以及利用人参样品的图像特征训练BP人工神经网络得到第二鉴别模型。
在具体实现步骤S103的过程中，对待鉴别人参的短波近红外波段成像数据进行预处理和PCA以得到PCA转换后的图像特征之后，将该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，及将该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。
为进一步确保鉴别的准确性，比对第一鉴别结果和第二鉴别结果是否一致；若一致，则执行步骤S104；若不一致，执行步骤S105。
步骤S104：若第一鉴别结果和第二鉴别结果一致，输出第一鉴别结果或第二鉴别结果以作为待鉴别人参的最终鉴别结果。
在具体实现步骤S104的过程中，若第一鉴别模型输出的第一鉴别结果和第二鉴别模型输出的第二鉴别结果一致，则可输出第一鉴别结果或第二鉴别结果以作为待鉴别人参的最终鉴别结果，该最终鉴别结果用于指示待鉴别人参为野山参、林下山参或园参。向用户展示待鉴别人参的最终鉴别结果。
步骤S105：若第一鉴别结果和第二鉴别结果不一致，则输出短波近红外波段成像数据、第一鉴别结果和第二鉴别结果，并输出提示信息提示人工鉴别第一鉴别结果和第二鉴别结果以获得最终鉴别结果。
在具体实现步骤S105的过程中，若第一鉴别结果和第二鉴别结果不一致，则输出短波近红外波段成像数据、第一鉴别结果和第二鉴别结果，并输出提示信息，提示人工鉴别第一鉴别结果和第二鉴别结果以获得最终鉴别结果，向用户展示待鉴别人参的最终鉴别结果。
具体来说，若第一鉴别结果和第二鉴别结果不一致，则可以向专家系统输出短波近红外波段成像数据、第一鉴别结果和第二鉴别结果，并向专家系统输出提示信息提示需要对第一鉴别结果和第二鉴别结果进行专家鉴别；专家通过短波近红外波段成像数据鉴别第一鉴别结果和第二鉴别结果，从而确定第一鉴别结果或第二鉴别结果为待鉴别人参的最终鉴别结果。
一些实施例中，向用户展示待鉴别人参的最终鉴别结果之后，收集待鉴别人参的实际鉴别结果；利用待鉴别人参的实际鉴别结果，更新第一鉴别模型和第二鉴别模型。具体来说，若待鉴别人参的实际鉴别结果和由上述步骤得到的最终鉴别结果不一致，则利用待鉴别人参的实际鉴别结果和由上述步骤得到的最终鉴别结果，调整第一鉴别模型和第二鉴别模型的模型参数，从而更新第一鉴别模型和第二鉴别模型。
在本发明实施例中，结合多个鉴别模型对人参类别进行鉴别，具有原位、快速、准确、现场检测等鉴别优势。
针对上述本发明实施例图1步骤S103中涉及的第一鉴别模型，参见图2，示出了本发明实施例提供的训练得到第一鉴别模型的流程图，包括以下步骤：
步骤S201：获取人参样品的短波近红外波段成像数据。
需要说明的是，人参样品包含野山参、林下山参和园参。具体来说，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。
例如：作为人参样品的野山参、林下山参和园参的年龄可选自3年生至80年生；野山参的产地可选自吉林省、辽宁省、黑龙江省等野山参生长区；林下山参的产地可选自吉林省、辽宁省、黑龙江省等林下山参生长区；园参的产地可选自吉林省、辽宁省、黑龙江省、山东省等园参种植区。
每种人参样品的样本数量不少于2个。
步骤S202：对人参样品的短波近红外波段成像数据进行预处理和PCA，以得到人参样品对应的PCA转换后的图像特征。
步骤S203：将人参样品对应的PCA转换后的图像特征划分为训练集和验证集。
步骤S204：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。
在具体实现步骤S204的过程中，利用SVM算法对训练集进行指定数量个（如1-10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。
步骤S205：利用验证集对初始鉴别模型的SVM分类结果进行混淆矩阵精度评价。
步骤S206：若混淆矩阵精度评价的结果满足预设条件，确定初始鉴别模型为第一鉴别模型。
在具体实现步骤S206的过程中，若混淆矩阵精度评价的结果满足预设条件（预设的训练完成条件），确定初始鉴别模型为第一鉴别模型。若混淆矩阵精度评价的结果不满足预设条件，返回执行步骤S204继续利用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，直至训练得到满足预设条件的初始鉴别模型。
以上是关于第一鉴别模型的训练过程的相关说明。
同理，训练得到第二鉴别模型的方式为：基于人参样品的图像特征训练BP人工神经网络直至该BP人工神经网络收敛，从而得到第二鉴别模型。
为更好解释说明如何训练得到第一鉴别模型和第二鉴别模型，以训练得到第一鉴别模型为例，通过以下过程（一）至（四）进行举例说明。
（一）、利用高光谱成像仪原位获取作为人参样品的野山参、林下山参和园参的短波近红外（如900-1700nm）波段成像数据，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。
具体来说，对不同品种的人参样品进行光谱扫描，每次收集900-1700nm区间共计512个波段的图像信息立方体数据（高光谱立方体数据），每种人参样品数量为2个。
所采用的高光谱成像仪的镜头与待鉴别人参的距离可以是25-35cm，具体距离由镜头焦距决定，每次扫描时不要超出镜头范围。摆放人参样品时，突出每一颗人参样品的特征，不要重叠紧密摆放，平台移动速度可为3 mm/s，积分时间可为3 ms（积分时间为单位时间内进入镜头的光子数，积分时间越长图像质量越高），帧频可为20帧/秒（帧频是指每秒钟显示的图像数量），每个人参样品光谱扫描次数为3次（每个样品扫描3次是指“同一样品重复扫描3次”，根据3次扫描结果选择其中1次相机对焦清晰的高光谱图像作为ROI样本提取源数据。），人参样品扫描前需进行黑白板扫描以用于反射率校正，反射率校正公式如上述公式（1）。采用ENVI软件导入收集的高光谱数据，利用公式（1）将图像原始数据处理为图像的相对反射率数据。
（二）、分别对人参样品的短波近红外波段成像数据的光谱信息和图像信息立方体数据进行预处理，对图像信息立方体数据的预处理包括：对图像信息立方体数据的裁剪、镶嵌、人参主体感兴趣区域（ROI）提取。对光谱信息的预处理包括：对光谱数据的反射率校正、波段校正。
具体来说，将原始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。基于生成的人参主体高光谱图像数据提取人参主体感兴趣区域（ROI），即人参轮廓边缘裁剪出ROI，根据ROI提取出作为人参样品的野山参、林下山参、园参的平均反射光谱。
将提取的人参主体感兴趣区域的平均反射光谱利用反射率校正公式进行反射率校正，从而将原始DN值数据转换为图像的相对反射率数据，反射率校正公式参见上述公式（1）。
将人参样品的反射率校正后的平均反射光谱数据进行波段校正，如图3示出的野山参、林下山参和园参的ROI平均光谱可见，人参样品的反射光谱横坐标轴转换为900-1700nm；其中，如果高光谱仪采集的光谱维度数据是以“波长（nm）”为横坐标单位的话，则可以不需要进行此处的波段校正处理步骤。
波段校正的具体方式为：首先需要从仪器工程师处获得近红外波段区间（900-1700 nm）所有波段与真实波长的一一对应数据、即“校正数据”（文本格式），然后利用ENVI软件将平均反射光谱数据导出为文本格式文件，利用Excel表格打开平均反射光谱数据，将所有波段数据直接替换为波长数据即可。目前大多数高光谱仪的光谱维度数据基本都是以波长为单位的，只有个别组装的高光谱仪生成的近红外光谱数据需要进行波段校正处理。
（三）、对镶嵌预处理后的主体感兴趣区域进行数据变换，利用PCA进行数据特征增强处理，并使用协方差矩阵计算，从而得到人参样品的图像特征。如图4示出的野山参、林下山参和园参的伪彩图可见，其中，图4中的A为野山参，B为林下山参，C为园参；通过前述方式可强化不同人参特征对比，为进一步的特征分类做准备，最大限度提取主要特征波段，去除大量冗余信息数据，减少后续运算量。
（四）、建立基于机器学习的图像分类鉴别模型（也就是第一鉴别模型），具体如下：
（1）将PCA变换后的人参样品的人参主体感兴趣区域进行分类样本的ROI提取，并按预设比例（2:1）随机分割为两部分，分别记为训练集和验证集；训练集用于训练模型，验证集用来验证模型性能。
具体来说，将PCA变换后的人参样品的人参主体感兴趣区域使用ROI提取工具随机选取42个训练样本和21个验证样本，记为训练集和验证集；训练集是用来训练模型，验证集是用来验证模型性能。具体方法为：将每个品种的人参样品选择21个样本数据（PCA变换后ROI），按2：1的比例随机采样，选取训练集与验证集，得到14个训练集数据和7个验证集数据；上述每个品种的人参样品的21个样本数据是指“每个品种中使用ROI工具获取的任意多边形样本数据”，即可以在每个品种2个人参样品的表面按每个样本ROI像素数为50-200来选择21个样本数据（或可理解为：每个人参品种我们要在人参表面通过ROI工具框选21个ROI区域作为样本，而每个ROI区域所包含的像素数为50-200个。）。
（2）将训练集利用SVM算法对PCA转换后的图像特征进行1-10个主要特征波段的监督分类机器学习运算，SVM算法中的核函数为径向基函数（RBF），核函数参数γ可设置为0.1，惩罚系数可以设置为100，生成作为人参样品的野山参、林下山参和园参的分类鉴别图像如图5所示；图5中，A为野山参，B为林下山参，C为园参。
（3）根据SVM分类结果，利用21个验证样本对鉴别分类结果进行混淆矩阵精度评价，作为人参样品的野山参、林下山参、园参的PCA特征分类鉴别的制图精度分别为：100%、99.69%、100%，野山参、林下山参、园参的PCA特征分类鉴别的用户精度分别为：99.82%、100%、100%（可参见下述表1和表2），野山参、林下山参、园参的PCA特征分类鉴别的总体分类精度为99.9631%，卡帕系数为0.9994。
需要说明的是，混淆矩阵是用来表示精度评价的一种标准格式，混淆矩阵是n行n列的矩阵，其中n代表类别的数量，一般可表达为如表1所示。该矩阵的列为参考影像信息，行为被评价影像分类结果信息，行与列相交的部分概括了分类到与参考类别有关的某一特定类别中的像元数目。
矩阵的主对角元素为被分到正确类别的像元数，对角线以外的元素为相对于参考数据的错误分类数，最右边一列是每类别在分类图上的总数量，而底部的一行显示的是每类别在参考图上的总数量。
基于混淆矩阵，可以统计一系列评价指标对分类提取结果进行评价，基本的评价指标如下：
总体分类精度：总体分类精度是具有概率意义的一个统计量，表述的是对每一个随机样本，所分类的结果与参考数据所对应区域的实际类型相一致的概率。
用户精度：用户精度表示从分类结果中任取一个随机样本，其所具有的类型与实际参考类型相同的条件概率。
制图精度：制图精度表示相对于参考数据中的任意一个随机样本，分类图上同一位置的分类结果与其相一致的条件概率。
总体精度、用户精度和制图精度从不同的侧面描述了分类精度，是简便易行并具有统计意义的精度指标。由最终确立的人参品种PCA特征分类鉴别模式进行野山参、林下山参、园参的原位、无损、快速图像识别。
考察MNF（最小噪声分离）处理方法进行特征强化处理，其处理结果如图6所示的人参样品MNF处理后主要波段合成伪彩图，图6中，A为野山参，B为林下山参，C为园参。由于MNF处理后的图像噪声多，无法识别不同图像特征，因此不能为接下来的SVM分类找到分类样本。
发明人经研究发现，由于核函数在SVM映射过程中起着至关重要的作用，发明人同时考察了径向基函数（RBF）核、线性（Linear）核、多项式（Polynomial）核以及Sigmoid核，但如图7示出的RBF核、Linear核、Polynomial核以及Sigmoid核的SVM分类结果示例图可见，这4种核函数的SVM分类结果完全一致。相比较而言，RBF是一种广泛使用的核函数，并以其在非线性数据中的优越性能而闻名，故本发明中选择RBF核作为SVM的核函数，同理，也可以采用Linear核、Polynomial核或Sigmoid核，在此不做限定。
通过上述（一）至（四）的内容，即可训练得到第一鉴别模型；在实际应用中，对待鉴别人参的按照上述方式进行处理，获取PCA变换后的人参主体感兴趣区域，并进行ROI提取；利用基于机器学习的图像分类鉴别模型进行野山参、林下山参、园参的原位、无损、快速图像识别。
上述作为人参样品的野山参、林下山参和园参的年龄可选自3年生至80年生；野山参的产地可选自吉林省（如抚松县、靖宇县）、辽宁省、黑龙江省等野山参生长区；林下山参的产地可选自吉林省（如抚松县、靖宇县）、辽宁省、黑龙江省等林下山参生长区；园参的产地可选自吉林省（如抚松县、靖宇县）、辽宁省、黑龙江省、山东省等园参种植区。每种人参样品的样本数量不少于2个。
与现有技术相比，本方案具有如下有益技术效果：
本方案所采用的近红外高光谱成像技术鉴别野山参、林下山参和园参，具有原位、快速、准确、重现性好、现场检测的鉴别优势，能有效弥补目前鉴别方法中“鱼与熊掌不可兼得”的现状，即能同时满足无损和准确的鉴别特点。同时，这种近红外光“所见即所得”图像鉴别技术在可见光无法识别的贵细中药材现场鉴别中具有重要现实意义。
与上述本发明实施例提供的一种野山参、林下山参、园参原位鉴别方法相对应，参见图8，本发明实施例还提供了一种野山参、林下山参、园参原位鉴别系统的结构框图，该系统包括：获取模块801、处理模块802、鉴别模块803、输出模块804、人工鉴别模块805；
获取模块801，用于获取待鉴别人参的短波近红外波段成像数据，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。
在具体实现中，获取模块801具体用于：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。
处理模块802，用于对短波近红外波段成像数据进行预处理和PCA以得到PCA转换后的图像特征。
在具体实现中，处理模块802具体用于：将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；基于人参主体高光谱图像数据提取人参主体感兴趣区域；根据人参主体感兴趣区域提取待鉴别人参的平均反射光谱；对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平均反射光谱对应的人参主体感兴趣区域进行PCA，以得到PCA转换后的图像特征。
对待鉴别人参的平均反射光谱进行反射率校正的过程，包括：根据上述公式（1）对待鉴别人参的平均反射光谱进行反射率校正。
鉴别模块803，用于将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，第一鉴别模型由利用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，SVM算法的核函数为径向基函数。
输出模块804，用于若第一鉴别结果和第二鉴别结果一致，输出第一鉴别结果或第二鉴别结果以作为待鉴别人参的最终鉴别结果，最终鉴别结果用于指示待鉴别人参为野山参、林下山参或园参。
人工鉴别模块805，用于若第一鉴别结果和第二鉴别结果不一致，则输出短波近红外波段成像数据、第一鉴别结果和第二鉴别结果，并输出提示信息提示人工鉴别第一鉴别结果和所述第二鉴别结果以获得最终鉴别结果。
在本发明实施例中，结合多个鉴别模型对人参类别进行鉴别，具有原位、快速、准确、现场检测等鉴别优势。
一些实施例中，结合图8示出的内容，鉴别模块803包括：
获取子模块，用于获取人参样品的短波近红外波段成像数据，人参样品包含野山参、林下山参和园参。
其中，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。
处理子模块，用于对人参样品的短波近红外波段成像数据进行预处理和PCA，以得到人参样品对应的PCA转换后的图像特征。
划分子模块，用于将人参样品对应的PCA转换后的图像特征划分为训练集和验证集。
运算子模块，用于利用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。
评价子模块，用于利用验证集对初始鉴别模型的SVM分类结果进行混淆矩阵精度评价。
确定子模块，用于若混淆矩阵精度评价的结果满足预设条件，确定初始鉴别模型为第一鉴别模型。
一些实施例中，结合图8示出的内容，该系统还包括：
更新模块，用于收集待鉴别人参的实际鉴别结果；利用待鉴别人参的实际鉴别结果，更新第一鉴别模型和所述第二鉴别模型。
一些实施例中，本发明实施例还提供了一种终端，终端包括：存储器、处理器、存储在存储器上并可以在处理器上运行的鉴别野山参、林下山参、园参的程序；鉴别野山参、林下山参、园参的程序被处理器执行时，实现如上述方法实施例公开的野山参、林下山参、园参原位鉴别方法。
一些实施例中，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有鉴别野山参、林下山参、园参的计算机程序，计算机程序被处理器执行时实现如上述方法实施例公开的野山参、林下山参、园参原位鉴别方法。
综上所述，本发明实施例提供一种野山参、林下山参、园参原位鉴别方法、系统及相关设备，结合多个鉴别模型对人参类别进行鉴别，具有原位、快速、准确、现场检测等鉴别优势。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
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：
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，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；
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全波段校正；
对完成反射率校正和全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；
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，在接收到所述待鉴别人参的实际鉴别结果时，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结果模型；
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，IR为原始图像的DN值，IW为白板图像的DN值，IB为用不透明盖覆盖镜头获得的暗参考图像的DN值；
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。
2.根据权利要求1所述的方法，其特征在于，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。
3.一种野山参、林下山参、园参原位鉴别系统，其特征在于，所述系统包括：
获取模块，用于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，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人工神经网络得到，所述SVM算法的核函数为径向基函数；
输出模块，用于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；
人工鉴别模块，用于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，在接收到所述待鉴别人参的实际鉴别结果时，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结果模型；
所述处理模块具体用于：将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；基于人参主体高光谱图像数据提取人参主体感兴趣区域；根据人参主体感兴趣区域提取待鉴别人参的平均反射光谱；对待鉴别人参的平均反射光谱进行反射率校正和全波段校正；对完成反射率校正和全波段校正的平均反射光谱对应的人参主体感兴趣区域进行PCA，以得到PCA转换后的图像特征；
对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，IR为原始图像的DN值，IW为白板图像的DN值，IB为用不透明盖覆盖镜头获得的暗参考图像的DN值；
所述鉴别模块包括：
获取子模块，用于获取人参样品的短波近红外波段成像数据，人参样品包含野山参、林下山参和园参；
处理子模块，用于对人参样品的短波近红外波段成像数据进行预处理和PCA，以得到人参样品对应的PCA转换后的图像特征；
划分子模块，用于将人参样品对应的PCA转换后的图像特征划分为训练集和验证集；
运算子模块，用于利用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；
评价子模块，用于利用验证集对初始鉴别模型的SVM分类结果进行混淆矩阵精度评价；
确定子模块，用于若混淆矩阵精度评价的结果满足预设条件，确定初始鉴别模型为第一鉴别模型。
4.根据权利要求3所述的系统，其特征在于，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。
5.一种终端，其特征在于，所述终端包括：存储器、处理器、存储在所述存储器上并可以在所述处理器上运行的鉴别野山参、林下山参、园参的程序；所述鉴别野山参、林下山参、园参的程序被所述处理器执行时，实现如权利要求1-2中任一所述的野山参、林下山参、园参原位鉴别方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有鉴别野山参、林下山参、园参的计算机程序，所述计算机程序被处理器执行时实现如权利要求1-2中任一所述的野山参、林下山参、园参原位鉴别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311400660.4A CN117132843B (zh) | 2023-10-26 | 2023-10-26 | 野山参、林下山参、园参原位鉴别方法、系统及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311400660.4A CN117132843B (zh) | 2023-10-26 | 2023-10-26 | 野山参、林下山参、园参原位鉴别方法、系统及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117132843A CN117132843A (zh) | 2023-11-28 |
| CN117132843B true CN117132843B (zh) | 2024-04-09 |
Family
ID=88863186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311400660.4A Active CN117132843B (zh) | 2023-10-26 | 2023-10-26 | 野山参、林下山参、园参原位鉴别方法、系统及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117132843B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765391B (zh) * | 2023-12-20 | 2024-08-16 | 长春中医药大学 | 基于机器学习的人参总皂苷含量预测方法、系统、设备和介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102636452A (zh) * | 2012-05-03 | 2012-08-15 | 中国科学院长春光学精密机械与物理研究所 | 一种近红外光谱无损鉴别山参真伪的方法 |
| CN108460389A (zh) * | 2017-02-20 | 2018-08-28 | 阿里巴巴集团控股有限公司 | 一种识别图像中对象的类型预测方法、装置及电子设备 |
| CN110503099A (zh) * | 2019-07-23 | 2019-11-26 | 平安科技（深圳）有限公司 | 基于深度学习的信息识别方法及相关设备 |
| CN110763698A (zh) * | 2019-10-12 | 2020-02-07 | 仲恺农业工程学院 | 一种基于特征波长的高光谱柑橘叶片病害识别方法 |
| CN111582357A (zh) * | 2020-04-30 | 2020-08-25 | 华南理工大学 | 一种基于多维度集成的电力指纹识别方法 |
| CN112098361A (zh) * | 2020-08-20 | 2020-12-18 | 苏州浩旸华智能科技有限公司 | 一种基于近红外光谱的玉米种子鉴别方法 |
| CN112861627A (zh) * | 2021-01-07 | 2021-05-28 | 中国科学院西安光学精密机械研究所 | 一种基于显微高光谱技术的病原菌种类鉴别方法及系统 |
| CN114648509A (zh) * | 2022-03-25 | 2022-06-21 | 中国医学科学院肿瘤医院 | 一种基于多分类任务的甲状腺癌检出系统 |
| CN115909057A (zh) * | 2022-11-10 | 2023-04-04 | 厦门中药厂有限公司 | 一种基于高光谱成像的牛黄智能鉴别方法及应用 |
| CN115937670A (zh) * | 2022-11-10 | 2023-04-07 | 厦门中药厂有限公司 | 一种基于高光谱成像的麝香智能鉴别方法及应用 |
| CN116559111A (zh) * | 2023-05-10 | 2023-08-08 | 四川轻化工大学 | 一种基于高光谱成像技术的高粱品种识别方法 |
| CN116881841A (zh) * | 2023-07-10 | 2023-10-13 | 大连交通大学 | 一种基于F1-score多级决策分析的混合模型故障诊断方法 |
-
2023
- 2023-10-26 CN CN202311400660.4A patent/CN117132843B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102636452A (zh) * | 2012-05-03 | 2012-08-15 | 中国科学院长春光学精密机械与物理研究所 | 一种近红外光谱无损鉴别山参真伪的方法 |
| CN108460389A (zh) * | 2017-02-20 | 2018-08-28 | 阿里巴巴集团控股有限公司 | 一种识别图像中对象的类型预测方法、装置及电子设备 |
| CN110503099A (zh) * | 2019-07-23 | 2019-11-26 | 平安科技（深圳）有限公司 | 基于深度学习的信息识别方法及相关设备 |
| CN110763698A (zh) * | 2019-10-12 | 2020-02-07 | 仲恺农业工程学院 | 一种基于特征波长的高光谱柑橘叶片病害识别方法 |
| CN111582357A (zh) * | 2020-04-30 | 2020-08-25 | 华南理工大学 | 一种基于多维度集成的电力指纹识别方法 |
| CN112098361A (zh) * | 2020-08-20 | 2020-12-18 | 苏州浩旸华智能科技有限公司 | 一种基于近红外光谱的玉米种子鉴别方法 |
| CN112861627A (zh) * | 2021-01-07 | 2021-05-28 | 中国科学院西安光学精密机械研究所 | 一种基于显微高光谱技术的病原菌种类鉴别方法及系统 |
| CN114648509A (zh) * | 2022-03-25 | 2022-06-21 | 中国医学科学院肿瘤医院 | 一种基于多分类任务的甲状腺癌检出系统 |
| CN115909057A (zh) * | 2022-11-10 | 2023-04-04 | 厦门中药厂有限公司 | 一种基于高光谱成像的牛黄智能鉴别方法及应用 |
| CN115937670A (zh) * | 2022-11-10 | 2023-04-07 | 厦门中药厂有限公司 | 一种基于高光谱成像的麝香智能鉴别方法及应用 |
| CN116559111A (zh) * | 2023-05-10 | 2023-08-08 | 四川轻化工大学 | 一种基于高光谱成像技术的高粱品种识别方法 |
| CN116881841A (zh) * | 2023-07-10 | 2023-10-13 | 大连交通大学 | 一种基于F1-score多级决策分析的混合模型故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117132843A (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
| CN110763698B (zh) | 一种基于特征波长的高光谱柑橘叶片病害识别方法 | |
| CN109540831B (zh) | 基于高光谱成像技术的枸杞子品种识别方法 | |
| CN108734205A (zh) | 一种针对不同品种小麦种子的单粒定点识别技术 | |
| CN111398176B (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
| CN110163101B (zh) | 中药材种子区别及等级快速判别方法 | |
| CN109765194B (zh) | 基于高光谱成像技术的枸杞子产地识别方法 | |
| CN104990892B (zh) | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 | |
| CN117132843B (zh) | 野山参、林下山参、园参原位鉴别方法、系统及相关设备 | |
| CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
| CN116665057A (zh) | 一种基于图像处理的河道水质监测方法及系统 | |
| CN111398211A (zh) | 一种苍术颗粒剂的信息区分处理方法 | |
| Tu et al. | AIseed: An automated image analysis software for high-throughput phenotyping and quality non-destructive testing of individual plant seeds | |
| CN112113922A (zh) | 基于高光谱成像技术的人参年限识别方法 | |
| CN113570538A (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
| EP3940370B1 (en) | Method for extracting spectral information of object to be detected | |
| CN117874609A (zh) | 快速鉴别天然产物是否为特定产地的通用快速方法 | |
| CN116337781A (zh) | 一种基于光谱图像重建的高粱品种识别方法 | |
| CN110530843A (zh) | 一种玉米籽粒中淀粉含量的检测方法及系统 | |
| CN109406419B (zh) | 基于高光谱成像技术预测枸杞子中对羟基苯甲酸含量的方法 | |
| CN113390795B (zh) | 基于冠层成像光谱的茶叶鲜叶质量无损监测方法及装置 | |
| CN117765391B (zh) | 基于机器学习的人参总皂苷含量预测方法、系统、设备和介质 | |
| CN116990298B (zh) | 一种用于人造革生产设备的成品质量评估系统 | |
| CN118334649B (zh) | 一种鉴别藕粉掺假的方法、系统和存储介质 | |
| CN114324337B (zh) | 一种利用遥感影像进行水质分析系统和方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |