CN102435713B - 中药品质自动检测系统 - Google Patents

Abstract

本发明公开了一种本发明的目的在于提供一种中药品质自动检测系统及其中药炮制系统和中药提取系统。一种中药品质自动检测系统，包括：品种选择模块用于选择需要检测的中药品种，确定需要检测的中药品种与其品质相关的参数，以及各参数在品质中的权重系数；参数设定模块用于设定需要检测的中药品种的特征参数和参数优劣值；参数检测模块用于对中药的外观形、色、气、味参数进行检测；参数比较模块用于检测出的参数值与参数设定模块中的特征参数及参数优劣值进行比较，得出被测中药品种真伪及相对参数优劣值；品质计算模块用于根据各相对参数优劣值及权重系数计算得到品质值。以实现对中药品质的自动准确的检测。

Description

中药品质自动检测系统

技术领域

本发明涉及电子产品领域，尤其涉及一种中药品质自动检测系统及其中药炮制系统和中药提取系统。

背景技术

随着科学技术的发展，出现了电子视觉及电子鼻、电子舌，并在农产品、食品检测及环境监控中得到了越来越广泛的应用。所谓电子视觉就是用图像传感器获取物体图像信息，再转换成数字信号，由电脑进行识别、分析，得出结论，目前已利用该技术对坚果、红枣、葡萄干、马铃薯等进行缺陷自动识别、大小分档、品质分级，甚至还能进行肉类、柑橘、禽蛋的新鲜度、成熟度检测。电子鼻是模拟人的嗅觉器官，将气味信号转换成电子信号，再由电脑进行识别、分析，已用来对茶叶、烟草、鱼、肉等具有挥发性气味的产品进行质量分级和新鲜度判别，并用来检测环境中的有害气体，监测矿山及其它危险工业环境。电子舌是模拟人的味觉器官，将味觉转换成电子信号，由电脑进行分析识别，已应用于食品研究。同人体器官相比，电子视觉、电子鼻、电子舌具有不会疲劳、可分析有毒样品或成分的优点。

中药品质高低直接影响中药安全、疗效及商品价值。长期以来，中药品质评价的研究主要都理化检测为主，但中药成分极为复杂，故不能简单地以某一种或几种成分的含量来衡量其品质的高低，也有提出生物学评价。古人的经验主要是从整体上控制中药品质，通过中药的外观性状，主要是从形、色、气、味等方面来衡量中药品质。然而传统的中药外观品质检测大多依靠人的感观评估，即通过眼观、手握、鼻嗅、口尝等到方式对中药外观形态、规格大小、颜色、光泽以及气味和味道进行综合评价，最后得出品质优劣的结论，但传统中药品质检测存在主观性强，客观性差，没有量化标准，影响了中药品质评判的客观一致性，制约了中药现代化、标准化、国际化。

综上可知，现有中药品质检测技术存在缺点，对中药外观品质评价研究不够。在实际使用上显然存在缺陷，未强调外在品质和内在品质相结合的评价模式，并且不易掌控，所以有必要加以改进。

发明内容

针对上述的缺陷，本发明的目的在于提供一种中药品质自动检测系统及其中药炮制系统和中药提取系统，以实现对中药品质的自动准确的检测，得出客观量化的检测结果。

为了实现上述发明目的，本发明提供了一种中药品质自动检测系统，包括品种选择模块、参数设定模块、参数检测模块、参数比较模块以及品质计算模块；

所述品种选择模块用于选择需要检测的中药品种，确定需要检测的所述中药品种与其品质相关的参数，以及各参数在品质中的权重系数；

所述参数设定模块用于设定需要检测的中药品种的特征参数和参数优劣值，所述特征参数是其区别于其它中药品种的参数；

所述参数检测模块用于用电子视觉系统、电子鼻、电子舌对中药的外观形、色、气、味参数进行检测，同时用分光光度法或色谱法或常规检测方法对中药的化学成分含量参数、安全性检测参数及常规检测参数进行检测；

所述参数比较模块用于检测出的参数值与参数设定模块中的特征参数及参数优劣值进行比较，得出被测中药品种真伪及相对参数优劣值；

所述品质计算模块用于根据各相对参数优劣值及权重系数计算得到品质值。

根据所述的中药品质自动检测系统，所述中药外观的形、色、气、味参数中的形包括所述中药的形状和规格大小；

所述色包括中药的颜色和光泽；

所述气为中药的气味；

所述的味为中药的味道。

根据所述的中药品质自动检测系统，所述中药的化学成分为有效成分或指标成分；或者

根据所述的中药品质自动检测系统，所述安全性检测参数包括微生物、重金属、农残、有机残留。

根据所述的中药品质自动检测系统，所述常规检测包括对中药的水分、粒度、装量差异进行检查。

根据所述的中药品质自动检测系统，所述分光光度法包括紫外-可见分光光度法、红外分光光度法及原子吸收分光光度法；

所述色谱法包括高效液相色谱法、气相色谱法、毛细管电泳法及离子色谱法。

根据所述的中药品质自动检测系统，所述参数检测模块包括：

特征参数提取子模块，用于提取需要检测的所述中药的至少一个特征参数；

所述参数比较模块包括：

分类子模块，用于根据所述特征参数提取子模块提取到的中药的至少一个特征参数以及对应的参数优劣值进行比较，得出所述中药的特征分类等级；

所述品质计算模块进一步用于根据所述中药的特征分类等级，以及各相对参数优劣值及权重系数计算得到需要检测的中药的品质值。

根据所述的中药品质自动检测系统，所述特征参数包括：形状特征参数、颜色特征参数和/或纹理特征参数。

为了实现本发明的另一发明目的，本发明还提供了一种包括上述任意一项所述的中药品质自动检测系统的中药炮制系统，所述中药炮制系统还包括：

炮制控制模块，用于为根据中药品质自动检测系统检测到的形、色、气、味参数及化学成分含量参数与炮制品质设定模块设定的形、色、气、味参数及化学成分含量参数进行比较，对炮制的温度、火力、时间进行控制

炮制品质设定模块，用于设定炮制中药所要达到的形、色、气、味参数及化学成分含量参数；

炮制品质比较模块，用于将所述炮制的中药与所述炮制品质设定模块设置的形、色、气、味参数及化学成分含量参数进行比较。

为了实现本发明的另一发明目的，本发明还提供了一种包括上述任意一项所述的中药品质自动检测系统的中药提取系统，所述中药炮制系统还包括：

提取品质设定模块，用于设定提取中药所要达到的色、气、味参数及化学成分含量参数；

提取控制模块，用于根据所述中药品质自动检测系统检测到的色、气、味参数及化学成分含量参数控制对所述中药提取的温度、火力、时间；

提取品质比较模块，用于根据所述提取品质设定模块设定的色、气、味参数及化学成分含量参数进行比较。

本发明通过将中药品质自动检测系统设置为包括品种选择模块、参数设定模块、参数检测模块、参数比较模块以及品质计算模块；通过将采集中药的外部参数，如纹理、颜色和形状等，并对这些参数进行分析，与其对应的优劣值进行比较，以确定其品质。因此，本发明利用智能感观分析技术，对中药外部参数进行综合评价，并结合中药化学成分含量参数、安全性检测参数及常规检测参数自动检测出其固有的品质，检测标准客观、统一，有利于生产规范，有利于标准制定，有利于商业流通。利用本发明可对中药材产地加工、中药饮片炮制过程实施动态监控。利用本发明提供的中药提取系统，还可以对实现对中药的提取，得到最优工艺。利用本发明可对含中药保健品品质进行评价。利用本发明可对茶叶品质进行评价。同时，本发明不只用于中药品质评价，对非法加工的样品如硫熏、染色等也能够鉴别。采用本发明提供的系统提高了中药品质的鉴定的效率。

附图说明

图1是本发明提供的中药品质自动检测系统的组成示意图；

图2是本发明一个实施例提供的中药品质自动检测系统的组成示意图；

图3是本发明一个实施例提供的中药品质自动检测系统对中药图像提取过程中的腐蚀示意图；

图4是本发明一个实施例提供的中药品质自动检测系统对中药图像提取过程中的腐蚀结果示意图；

图5是本发明一个实施例提供的中药品质自动检测系统对中药图像提取过程中的二值图像图；

图6是本发明一个实施例提供的中药品质自动检测系统对中药纹理参数提取过程中的灰度共生矩阵图；

图7是本发明一个实施例提供的中药品质自动检测系统对中药的检测流程图；

图8是本发明一个实施例提供的中药品质自动检测系统提取多种中药的特征参数的梯度直方图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清晰明了，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参见图1，本发明提供了一种中药品质自动检测系统100，包括品种选择模块10、参数设定模块11、参数检测模块12、参数比较模块13以及品质计算模块14；

所述品种选择模块10用于选择需要检测的中药品种，确定需要检测的所述中药品种与其品质相关的参数，以及各参数在品质中的权重系数；

所述参数设定模块11用于设定需要检测的中药品种的特征参数和参数优劣值，所述特征参数是其区别于其它中药品种的参数；

所述参数检测模块12用于用电子视觉系统、电子鼻、电子舌对中药的外观形、色、气、味参数进行检测，同时用分光光度法或色谱法或常规检测方法对中药的化学成分含量参数、安全性检测参数及常规检测参数进行检测；

所述参数比较模块13用于检测出的参数值与参数设定模块中的特征参数及参数优劣值进行比较，得出被测中药品种真伪及相对参数优劣值；

所述品质计算模块14用于根据各相对参数优劣值及权重系数计算得到品质值。

中药质量有关的“三品”(品质、品规、品相)，是指中药的有效成分或指标成分含量、规格等级、外观质量状况。常通过中药外观品质与内在品质结合的方式来整体评价。因此，在本发明中首先通过品种选择模块10选择要检测的中药品种，根据不同的品种选择与该品种相关的参数，以及该参数在对该中药进行评价时所占的比重。而参数设定模块11为设定要检测品种的特征参数和参数优劣值，特征参数是其区别于其它中药的参数，不同的特征参数代表不同的中药；通过该特征参数的参数优劣值可以辨别中药的优劣。参数检测模块12用电子视觉系统、电子鼻、电子舌对中药外观形、色、气、味参数进行检测，同时用分光光度法(紫外-可见分光光度法、红外分光光度法及原子吸收分光光度法等)或色谱法(高效液相色谱法、气相色谱法、毛细管电泳法及离子色谱法等)或常规检测方法对中药的化学成分含量参数、安全性检测参数(微生物、重金属、农残、有机残留等)及常规检测参数进行检测。参数比较模块13为检测出的参数值与参数设定模块中的特征参数及参数优劣值进行比较，得出被测品种真伪及相对参数优劣值，具有特征参数的为真，否则为假，越接近参数设定模块中的优值，品质越好。品质计算模块14为根据各相对参数优劣值及权重系数计算得到品质值。中药品质在外观形、色、气、味参数上的体现程度不一样，各种药性通过不同参数体现出来，因此，在衡量品质时，各种参数有权重差别，不体现品质的参数，其权重系数为零。

其中，所述中药外观的形、色、气、味参数中的形包括所述中药的形状和规格大小；所述色包括中药的颜色和光泽；所述气为中药的气味；所述的味为中药的味道。所述化学成分含量参数的化学成分为有效成分或指标成分；所述安全性检测参数包括微生物、重金属、农残、有机残留；而所述常规检测包括对中药的水分、粒度、装量差异等进行检查；所述分光光度法包括紫外-可见分光光度法、红外分光光度法及原子吸收分光光度法，所述色谱法包括高效液相色谱法、气相色谱法、毛细管电泳法及离子色谱法。

对于中药材及饮片外观性状指标主要涉及形态、大小、颜色、光泽、气味、味道等，如天麻有鹦哥嘴、凹肚脐及点状环纹特征，牛黄有乌金衣、同心层纹特征；檀香、阿魏、麝香、肉桂、牡丹皮等，各有自身独有的气味，其气味的浓郁程度和挥发油成份含量高低相关，是鉴别其真伪及品质等级的主要依据；乌梅、木瓜、山楂以味酸为好，黄连和黄柏以味越苦越好，甘草、党参以味甜为好等。又如制马钱子形如马钱子，两面均膨胀鼓起，边缘较厚，表面棕褐色或深棕色，质坚脆，平行剖面可见棕褐色或深棕色的胚乳，微有香气，味极苦；熟地黄要求“黑如漆，甜如饴”等。

中成药性状检查也涉及到外观性状指标(形状、规格大小、颜色、光泽、气味、味道等)，如六味地黄丸性状为棕黑色的水蜜丸，棕褐色至黑棕色的小蜜丸或大蜜丸，味甜而酸；生脉胶囊内容物为棕黄色至棕褐色的颗粒和粉末，气香，味酸、甜、微苦；板蓝根颗粒为前棕黄色至棕褐色的颗粒，味甜、微苦或味微苦(无蔗糖)。

目前，中药外观品质检测主要依靠人工感观评估，即通过眼观、手握、鼻嗅、口尝等到方式进行，通过对形态、规格大小、颜色、光泽以及气味和味道进行综合评价。因不同的中药品质在外观指标上的体现不尽相同，因此在评价时会各有侧重，有的重形态、大小，有的重颜色、光泽，有的重气味，还有在味道。同一品种因为人的感观评价可导致不同的评价结果。

内在品质检测依靠常规检验方法检测中药常规要求(如水分、粒度、装量差异、微生物等限度)，以及采用光谱法或色谱法检测有效成分或指标成分含量及安全性指标限度(重金属、农残、有机残留限度)，通过对各参数进行综合评价，最后对内在品质做出判定。

参见图2，在本发明的一个实施例中，所述参数检测模块12包括：

特征参数提取子模块121，用于提取需要检测的所述中药的至少一个特征参数；

所述参数比较模块13包括：

分类子模块131，用于根据所述特征参数提取子模块121提取到的中药的至少一个特征参数以及对应的参数优劣值进行比较，得出所述中药的特征分类等级；

所述品质计算模块14进一步用于根据所述中药的特征分类等级，以及各相对参数优劣值及权重系数计算得到需要检测的中药的品质值。

在本发明中，中药品质自动检测系统100需要将需要检测的中药品种在检测时，将背景与其尽可能的分离。背景去除的效果越好，越有利于简化后续的处理。所以需要对药材的背景做了选择。选择了不同颜色的背景布，在相同的条件下采集照片。利用前景和背景相减的方法来去除背景。背景相减法不仅去除了背景，还可以直观的看到目标纹理图像与整体轮廓图。所以则根据减背景这种方法得到的灰度图像的效果来选择背景。

由于本实验是为工业分拣作前期准备，寻求的算法复杂度尽可能简单。所以首先选用了颜色作为特征参数，通过参数检测模块12提取颜色特征参数。气味指纹分析技术是近十年来针对复杂介质和含协同作用的样品而发展起来的一门新技术。Alpha M.O.S.公司研发成功的传感器阵列技术，也就是俗称的电子鼻技术，是专门针对气味的分析技术而设计的，其分析原理和人类嗅觉完全类似。传感器阵列系统不是单独的分析部分气味信息，而是分析其综合的整体信息。基于传感器阵列技术和模式识别技术，电子鼻可以敏感的识别气味指纹及其变化。由于气味的变化通常与其品质的变化紧密相关，所以电子鼻成为了电子感官分析的重要工具，让风味感官检测和品控成为了客观、可靠、可行的重要手段。

工业颜色模型系统主要侧重于实际应用技术，其中包括彩色显示系统、彩色传输系统以及电视传输系统的专用表色系。这些表色系的定义，是为了便于各类不同的应用目的。多媒体技术常见的Y1IV表色系即为工业颜色模型系统中的一种。在上述表色系中，RGB彩色信号是大多数彩色摄像机最原始的信号，基本上未经过压缩与处理，所以RGB信号是彩色信号形式中分辨率最高，灰度损失最小的视频信号，它能获得最好的图像质量，是高档视觉系统中采用的信号形式。在实际应用中，应考虑自然光对草莓图像背景的影响，图像处理时也因先用与亮度无关的量。基于这些原因本实验是采用RGB模型下的彩色图像处理，分解R、G、B各灰度分量进行处理，以求在少丢失颜色信息的情况下达到简单、快捷的算法及处理速度。

当通过中药品质自动检测系统100采集到的需要检测的中药的图片进行预处理，包括以下步骤：

图像预处理定义

(1)减背景

减背景：就是通过在颜色模型下对图像前景与背景的观察发现，不管是色度、亮度还是饱和度上，前景与背景都有较大的差别，这样就可以在这三维上进行平衡分析，每一维都可以选取一个适当的域值，从而把背景色去掉只留下目标区域的方法。其中阈值选取则是它的重点。

(2)阈值分割

阈值分割是一种广泛使用的图像分割技术，它利用图像中要提取的目标物与背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域的组合，选取一个合适的阈值，以确定图像中每个象素点应该属于目标还是属于背景区域，从而得到相应的二值图像。

$f(x,y)=\left\{\begin{array}{c}1,|I^c(x,y)-I^b(x,y)|>T\\ 0,|I^c(x,y)-I^b(x,y)|\≤T\end{array}\right.$

其中f(x，y)，g(x，y)分别是处理前后的图像在(x，Y)处象素的灰度值，T是分割阈值，通过上述的阈值处理后，得到只有两个灰度值的二值图像.本课题对药材图像进行二值化处理，将背景象素点R、G、B值全设为0，即显示黑色；药材区域象素点的值不变，即显示原色。对于阈值分割算法来说，分割阈值的选取是关键。阈值选取的好坏关系到整个图像分割的成功与否，阈值的选取要根据图像本身的特点和分割的要求的不同来决定。通常阈值的选取方法包括：直方图双峰法、迭代阂值选择法，固定闶值法、P参数法、最大方差取阈值法，灰度变化率法等。为了使目标物和背景分割的错误最小，就需要取一个最佳阈值。最佳阈值的选取并不是一件很容易的事情，要根据实际问题，实际的情况来决定用何种方法或哪个阈值。

颜色是人眼对不同频率的电磁波的一种感知形式。颜色模型有许多种，目前，常用的颜色模型分两类：一类是面向诸如彩色显示器或打印机之类的硬设备，另一类面向以颜色处理为目的的应用。其中面向硬设备最常用的是RGB颜色模型，而面向颜色处理的最常用的是HIS颜色模型p”.只有选取了合适的颜色模型，才可以快速准确地表示和获取图像的颜色信息，并且符合人类视觉的生理特点和心理特点.因此，选择好颜色模型才能准确分析苹果表面颜色特性。

在多媒体计算机技术中，用得最多的是RGB模型。其采用艮G、B相加混色的原理，通过发射出三种不同强度的电子束，使屏幕内侧覆盖的红，绿、篮磷光材料发光而产生颜色。RGB是一个加色立方体模型，光源的亮度、色度、纯度混合在R、G、B三个参数中.RGB模型里面任意色光F都可以用R’G、B三色不同分量的相加混合而成：

F＝r[R】+g【G】+6【B】(4-1)

RGB模型采用物理三基色表示，因而物理意义很清楚，适合彩色显象管工作，显示器和扫描仪都采用RGB模型。然而这一体制并不适应人的视觉特点。这种模型从感知来说是不均匀的，并依赖于硬件设备。但是对于试验中实时捕获到的图像仅由背景和目标物体组成，而且背景为纯色，因此在灰度分布上反映为双峰的直方图。为了减小图像处理的数据量，本课题对RGB模式下的图像，考虑R’G、B三通道均值和方差的变化。所以本实验的阈值T的选取采用前景与背景相减的像素差值除以总的像素个数得到的平均值作为阈值T。

(3)图像二值化

对于一幅图像最主要的是从中提取到有用的信息，通过图像分割把图像分割成有意义的区域或部分。对灰度图像，若一幅图像中只含有两个灰度值，则为二值图像，为了分析图像的特征，一般通过图像的阈值分割将目标从图像中分割出来，取值为1，其它物体或背景都统称为背景，取值为0，这样就将要处理的灰度图像转化成二值图像。二值图像的优点不仅体现在它比灰度图像存储容量小，计算速度快，便于进行图像的布尔逻辑运算来组合图像等，而且更主要的是通过二值图像可计算出图像中目标物的几何特性。

(4)腐蚀

把结构元素B平移a后得到B_a，若B_a包含于X，我们记下这个a点，所有满足上述条件的a点组成的集合称做X被B腐蚀(Erosion)的结果。用公式表示为：

如图3所示。图3中X是被处理的对象，B是结构元素。不难知道，对于任意一个在阴影部分的点a，B_a包含于X，所以X被B腐蚀的结果就是那个阴影部分。阴影部分在X的范围之内，且比X小，就象X被剥掉了一层似的，这就是为什么叫腐蚀的原因。

值得注意的是，上面的B是对称的，即B的对称集B^v＝B，所以X被B腐蚀的结果和X被B^v腐蚀的结果是一样的。如果B不是对称的，让我们看看图6.9，就会发现X被B腐蚀的结果和X被B^v腐蚀的结果不同。

图3和图4都是示意图，进行腐蚀是这样运算的。在图5中，左边是被处理的图象X(二值图象，我们针对的是黑点)，中间是结构元素B，那个标有origin的点是中心点，即当前处理元素的位置，我们在介绍模板操作时也有过类似的概念。腐蚀的方法是，拿B的中心点和X上的点一个一个地对比，如果B上的所有点都在X的范围内，则该点保留，否则将该点去掉；右边是腐蚀后的结果。可以看出，它仍在原来X的范围内，且比X包含的点要少，就象X被腐蚀掉了一层。

(5)轮廓检测

二值化图像轮廓提取算法的原理是：如果原图中有一点为黑，且它的8个相邻点都是黑色时，则该点为内部点，将该点删除，即将内部点都掏空，得到图像的轮廓线。

轮廓跟踪的基本方法是：先根据“探测准则”找到目标轮廓上的像素点，然后根据这些点找出目标物体上的其它像素点。先按照从左到右、从下到上的探测准则顺序搜索图像的所有像素点，找到最左下方的边界点。然后根据如下跟踪准则：从第一个边界点开始，定义初始的搜索方向为沿左上方；如果左上方的点是黑点，则为边界点，否则顺时针旋转45。，这样一直找到第一个黑点为止；然后把这个黑点作为新的边界点，在当前搜索方向的基础上逆时针旋转90。，继续用同样的方法搜索下一个黑点，直到返回最初的边界点或直到找不到点为止。

其次要建立中药外观品质颜色模型，包括以下步骤：

(1)阈值的选取

前景与背景相减，把减背景得到的像素值除以总的像素个数把它作为阈值T。

(2)二值化

$f(x,y)=\left\{\begin{array}{c}1,|I^c(x,y)-I^b(x,y)|>T\\ 0,|I^c(x,y)-I^b(x,y)|\≤T\end{array}\right.$

根据上述公式把我们的目标与背景分割开，得到只有目标的二值化图像。

(3)轮廓检测

用canny算子做轮廓检测，把二值化图像进行边缘检测，得到的轮廓图与原图进行对比，如果原图与轮廓检测的图形不符，就要对二值化图像进行适当的腐蚀或膨胀。

(4)腐蚀

由于本实验如图所示得到的二值化图像比原图中的目标区域大，所以我们采用3×3的模板腐蚀，由实验结果就是我们腐蚀了2次，二值化图像中的目标与原图就相符了。

(5)提取颜色特征参数

在提取颜色特征参数的时候我们选的颜色模型是RGB颜色空间，参数是以在R、G、B通道下的颜色直方图，均值，方差，熵。颜色直方图所描述的是不同色彩在整幅图像中所占的比例，而并不关心每种色彩所处的空间位置。颜色直方图特别适于描述那些难以进行自动分割的图像。色彩的均值体现了颜色特征，而标准差和熵可以提供更为丰富的信息，可以表示纹理的粗糙程度。所以采用基于直方图的纹理度量，分别统计药材R、G、B三个颜色通道的像素均值，标准差，熵组合成药材的特征向量。

(6)模型训练

根据药材的特征向量进行SVM模型训练，其中SVM训练中采用RBF核函数C和gamma的值通过交叉验证获得。

(7)分类识别

对要分类的药材图片首先提取它的特征向量，然后把特征向量传入SVM模型中对需要判别的图片进行分类。

(8)结果

由于RGB模型自身的缺点：1)RGB模型用红、绿、蓝三原色的混合比例定义不同的色彩，使色彩难以用准确的数值来表示，并进行定量分析；2)在RGB模型中，由于彩色合成图像通道之间相关性很高，使合成图像的饱和度偏低，色调变化不大，图像视觉效果差；3)人眼不能直接感觉红、绿、蓝三色的比例，而只能通过感知颜色的亮度、色调以及饱和度来区分物体，而色调和饱和度与红、绿、蓝的关系是非线性的，因此，在RGB模型中对图像进行测试实验中会出现2-3％的出错记录.所以光用颜色来训练的槟榔外观品质模型不适合中药的外观品质评价。

再次，需要进行中药的纹理特征参数的提取，其方法主要是通过灰度共生矩阵；

鉴于颜色模型的失败，另外选择了其他特征参数-药材的纹理特征参数进行模型训练，选用了这几种方法灰度共生矩阵、梯度直方图、ULBP纹理特征、归一化来提取纹理特征参数。主要通过以下步骤实现：

(1)灰度共生矩阵定义

灰度共生矩阵(Gray Level Co2occurrenceMatrix)是考虑像素之间空间关系的一种检测纹理特征的统计方法[3]。灰度共生矩阵函数通过计算一幅图像中特定的像素在某一空间位置关系中出现的次数来刻画纹理特征。设图像水平和垂直方向上各有Nx×N像元，每个像元出现的灰度量化为Ng层，设Lx：{1，2，…，Nx}为水平空间域，Ly＝{1，2，…，Nr}为垂直空间域，G＝{1，2…，Ng}为量化灰度层集，集LxLy为行列编序的图像像元集，则图像函数f可表示为一个函数：指定每一个像元具有Ng个灰度层中的一个值G，即f＝Lx×Ly→G。灰度共生矩阵定义为：在图像域Lx×Ly范围内，两个相距为d，方向为θ的像元在图像中出现的概率，即：

P(i，j|d，θ)＝#{[(k，D，(m，n)]∈(L_X×L_Y}×

(L_X×XL_Y|d，θ，f(k，l)＝i，f(m，n＝j))          (1)

P(i，j|d，θ)表示矩阵第i行j列元素，其中(i，j)∈G×G，θ＝0°，45°，90°，135°。通过(d，θ)值对组合可以派生许多共生矩阵用来分析图像灰度级别的空间分布格局。

对于矩阵P中的任何一个节点，可用图6表示其具体意义：

其中：x，y为像素位置，f(^*)为观测值。

(2)灰度共生矩阵的特点

由灰度共生矩阵的定义可知，通过(d，θ)值对组合可以派生许多共生矩阵用来分析图像灰度级别的空间分布格局。在共生矩阵中，当d取值较小时，靠近对角线的元素值表示图像中灰度级别相近的像素对出现的几率，而远离对角线的元素值则表征灰度级别相差较大的像素对出现几率。因此，假设影像中某一区域由许大小σ为的灰度均匀图斑组成，那么在该区域d＜σ的共生矩阵P(i，j|d，θ)中，对角线附近的元素值较大，而在d＞σ的共生矩阵中，远离对角线元素值就较大。

(3)灰度共生矩阵的六个特征参数

图像的灰度共生矩阵反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图像的局部模式结构及其排列规则的基础。由于灰度共生矩阵不能直接用于描述图像的纹理特征，人们定义了一些统计量来提取它所反映的纹理特征，一般采用以下五个常用的参数[5]：

①角二阶矩(能量)

${|f}_1=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}P{(i,j)}^2.$

②对比度

$f_2=\underset{n=0}{\overset{L-1}{\mathrm{\Σ}}}{n}^2\left\{\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}P(i,j)\right\}.$

对比度反映了影响纹理的清晰度，纹理的沟纹越深，其对比度越大，图像的视觉清晰效果越好。

③熵

${|f}_3=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}P(i,j)\mathrm{lgP}(i,j)$

熵值是图像所具有的信息量的度量。若图像没有任何纹理，则熵接近零；若图像充满着细纹理，则图像的熵值最大；若图像中分布着较少的纹理，则该图像的熵值较小。

④相关性

$f_4=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\frac{\mathrm{ijP}(i,j)-u_1{u}_2}{{\mathrm{\σ}}_1^2{\mathrm{\σ}}_2^2}---\left(6\right)$

其中：u₁，u₂，σ₁，σ₂分别为 $u_1=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}i\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}P(i,j),$

$u_2=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}P(i,j),{\mathrm{\σ}}_1=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-u_1)}^2\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}P(i,j),$

${\mathrm{\σ}}_2=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-u_2)}^2\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}P(i,j).$

相关性度量灰度共生矩阵元素在行或列方向上的相似程度，因此，相关性大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就大；相反，则相关值小。当图像中相似的纹理区域有某种方向性时，其值较大。

⑤逆差矩

$f_5=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\frac{P(i,j)}{1+{(i-j)}^2}.$

逆差矩反映了局部同质性，当共生矩阵沿对角线集中时，其逆差矩值较大

(4)灰度共生矩阵的优缺点

灰度共生矩阵反映的是图像灰度关于方向、相邻间隔、变化幅度的综合信息。通过灰度共生矩阵可以分析图像的局部模式和排列规则等，能更直观地以灰度共生矩阵描述纹理状况。但是基于灰度共生矩阵的方法也有的缺点：它需要很大的计算量，很耗时。

在本发明的一个实施例中，中药的纹理特征参数的提取方法，还可以通过度直方图的方法；

(1)梯度直方图定义

图像的直方图是反映一幅图像中的灰度级与出现这种灰度的概率之间的关系的图形，而从图像灰度级的分布可以看出图像中灰度的分布特性。直方图统计了图像中各个灰度的分布情况，对图像旋转具有不变性，处理算法简单、容易实现。通常的边缘检测方法都是基于梯度展开的。一维曲线的边缘特征的直观响应是相邻单元之间的差分，在二维图像中则表示成梯度。梯度值越大，边缘响应愈强烈。因此结合直方图和边缘的梯度表示，进而得到具有梯度统计的一种特征表现形式，也就得到了对边缘响应的统计。边缘的直观现象是：其所处位置的响应很大，而其它区域响应很小，可以藉此进行区分；边缘本身具有长度，在一定范围内具有连续性；而且同一条边缘在很小的邻域内通常会在近似的对比情况下产生。鉴于梯度直方图已经统计出边缘特征的响应分布，我们可以应用分块得到检测弱边缘的能力。分块的意义在于，可以通过相邻块中存在的相同分布得到对边缘特征的确认和增强，而不管它是强边缘还是弱边缘。若存在一条边缘贯穿不同的相邻块中，则会在边缘响应值附近形成相同的分布曲线。

通过直方图的统计特性，以及梯度能够标示边缘的能力，结合起来形成梯度直方图，并在此基础上进行分块处理，使得边缘在相邻块上通过相同的边缘响应分布得到确认与增强。由于根据梯度的分布情况，而与强度值无关，因此本算法具有检测弱边缘的能力。

(2)梯度直方图算法

①非对称增强模板

根据边缘位置的梯度响应，在一维边缘梯度直方图中，边缘位置附近形成的直方图数目通常少于两侧形成的值，在此采用非对称高斯模板，增强左侧强、右侧稍弱的区域，而当邻域内的梯度都很近似时，则等同于普通的平滑滤波。

模板基于如下函数取值：

$M_{\mathrm{Gauss}}\left(x\right)\&Proportional;\left\{\begin{array}{c}\exp \left(\frac{x^2}{{2\mathrm{\&sigma;}}^2}\right),x\&GreaterEqual;0\\ \exp \left[\frac{{\left(2x\right)}^2}{2{\mathrm{\&sigma;}}^2}\right],x<0\end{array}\right.$

②相邻块之间的边缘特征的相互确认

通常，同一边缘的梯度值在相邻块内非常接近，并且形成的直方图分布也是很相似的，但是不可能完全相同。为了精确地定位边缘的梯度响应值，在此结合当前峰值附近的分布计算，得到加权梯度值作为最终峰值位置的边缘响应值，进而找出真正的峰值位置；同时，也能让相邻块内同一边缘形成的近似峰值更加接近。因此，S^T(^*)计算如下：

$S^T\left(h_{\mathrm{cur}}\right)=\frac{{\&Integral;}_N{\mathrm{xh}}^{\&prime;}\left(x\right)\mathrm{dx}}{{\&Integral;}_N{h}^{\&prime;}\left(x\right)\mathrm{dx}}$

其中：是当前块内的梯度值，S(h_cur)是块内梯度直方图的峰值，IV是S(hcur)在块内直方图中的邻域位置，ST(h_cur)是最终的梯度峰值位置。在相邻块之间，若存在直方图峰值近似，即在允许范围之内，则保留两块内的该梯度值，依此确认边缘特征的取值。

$F\left(S^T\left(h_{\mathrm{cur}}\right)\right)=\left\{\begin{array}{cc}1,& |S^T\left(h_{\mathrm{cur}}\right)-S^T\left(h_{N_i}\right)|<{\mathrm{TH}}_d\\ 0,& \mathrm{else}\end{array}\right.$

其中：F(^*)是用来标记边缘特征，它将记录边缘特征的梯度响应值，TH_d是相似性判断允许的范围，h_Ni是邻接块内的梯度值。THd是一个动态阈值，它跟随当前峰值变化。

TH_d＝S(h_cur)×C

Loc al Binary Pattern(LBP)特征

LBP算子是一种灰度范围内的纹理度量，它是从一种纹理局部近邻定义中衍生出来，最初是由Ojala[30]等人为了辅助性地度量图像的局部对比度而提出的。进一步研究认为，这主要是因为具有旋转不变性的LBP输出值出现的频率差异太大，并由此提出了一种称为Uniform Pattern(统一模式)的LBP描述方式：

其中 $U\left({\mathrm{LBP}}_{P,R}\right)=|s(g_{P-1}-g_c)-s(g_0-g_c)|+\underset{i=1}{\overset{P-1}{\mathrm{\&Sigma;}}}|s(g_l-g_c)-s(g_{l-1}-g_c)|,$ 通俗地描述，即如果模式对应的二进制串01变换的次数小于两次则该模式就是Uniform模式尽管Uniform模式仅仅是所有LBP输出中的小部分但是实验结果已经验证：统一化LBP算子，作为一种有效的纹理描述算子，对图像局部纹理特征有卓越的描述能力，有很强的分类能力、较高的计算效率，并且对单调的灰度变化具有不变性。

在本发明的一个实施例中，对于外观品质纹理特征提取方法的选择包括：

灰度共生矩阵是一种用来分析图像纹理特征的重要方法，它建立在估计图像的二阶组合条件概率密度函数的基础上，通过计算图像中有一定距离和一定方向的两个像素之间的灰度相关性，对图像的所有像素进行调查统计，反映图像在方向、相邻间隔、变化幅度及快慢上的综合信息。但是此方法计算复杂，耗时，而且在药材分类时出错率高。不便于成果推广后的工业应用。ULBP纹理特征：统一化LBP算子，作为一种有效的纹理描述算子，对图像局部纹理特征有卓越的描述能力，有很强的分类能力、较高的计算效率，并且对单调的灰度变化具有不变性，但是在实际应用中效果却不怎么好，旋转不变性输出的结果差异还是很大，鲁棒性也不好。然而本实验在于前两种方法作比较后，选择了梯度直方图，它不仅算法简单易懂，而且对于轮廓检测时对强弱无依赖性，使得检测具有自适应性。且对噪声的敏感性低，特征提取的质量好。

而形状特征参数的选择包括：

中药材的外型尺寸是产品分级的重要依据，形状也是外形尺寸检测的重要方面，特别是贵重药材，其形状优劣是分级的重要指标，因此，形状判别是中药材品质检测中不可缺少的内容。由于自然条件、生长环境、地域差别以及品种和采摘季节的不同等

复杂因素的影响，中药材的外部形态特征千差万别，很难用数学方法进行描述。为了理解图像及图像中的目标物，比如识别它的形状，首先要把图像中感兴趣的目标物分割出来，然后用计算机对分割的目标物进行描述，提取特征参数。在数字图像处理和机器视觉理论中，对物体形状的描述主要有以下几种方法：

(1)线图形的链码表示法。可以得到曲线(形状区域边缘)的周长、线图形的宽度、高度等形状特征参数。

(2)区域的矩特征法。可以得到区域的面积、重心、主轴方向角、当量椭圆的长轴、短轴、长短轴比(扁度)等特征参数。

(3)傅立叶描述子法。由表示封闭曲线的函数通过傅立叶变换而得到，是一种频域中的描述方法，该方法不受目标对象在图像中平移、旋转、以及大小变化的影响，在手写体数字和机械零件的形状识别中获得了成功。

(4)用Hougll变换进行形状特征提取提取的特征具有大小、位置不变性。

另外，还有圆形度、形状复杂性、凹凸性、紧凑度等根据区域面积和边界周长而得到的几个特征参数。但是对于描述生物体比如药材等形状来说，由于生物种类的复杂多样性和自然生长条件多变的影响，形状特征极不规则，一些简单的形状特征参数比如矩特征参数、圆形度、弯曲能量等都不足以全面的描述形状特征。用链码的方法把边界曲线表示成一大串数字编码，其所包含的形状信息比较全面，但无法压缩成分类所需要的特征参数。至于H0ugIl变换，只能提取出能用数学公式所能表达的几何形状，比如圆、椭圆、直线等。因此，傅立叶描述方法成为果形描述的首选方法，不少国内外学者在这方面做了一些探索工作。

计算长宽比最普遍的算法为最小外接矩形法(MER算法)，它反映了物体在主轴方向上的大致形状。实现的方法也很多，最常用的一种方法是将物体在90°内间隔的旋转，每次记录其轮廓在坐标系方向上的外接矩阵参数，通过计算外接矩形的面积求取最小外接矩形面积。一般步骤为：对二值图像进行轮廓跟踪，得到一系列封闭区域，通过计算外接矩形的面积，记录该外形下的长度和宽度、面积，然后再旋转3°，重复计算面积等参数，旋转30次后，比较外接矩形面积，取出该面积下的长度、宽度，并计算其比值。由于前面已经提取到了草莓形状开曲线，为减少运算量，提高分级速度采用了简便的外接矩形法，以过开曲线两末端点B、D的直线为一边，作一个与开曲线边界相切的矩形，以这个矩形的长宽比作为衡量果形的另一依据。

参见图7为本发明提供的中药品质自动检测系统100对中药外观品质评价工作流程图，描述如下：

步骤S701中，对中药药材表面特征分析；

步骤S702中，对获取的图像预处理；

步骤S703中，对中药药材提取形状特征；

步骤S704中，对中药药材提取颜色特征；

步骤S705中，对中药药材提取纹理特征；

步骤S706中，对中药药材的形状进行分级；

步骤S707中，对中药药材的颜色进行分级；

步骤S708中，对中药药材的纹理进行分级；

步骤S709中，综合对中药药材的分类结果；

步骤S710中，对分级实验验证。

在本发明的一个实施例中，以槟榔为例说明中药品质自动检测系统100对其的检测。

(1)药材区域提取及标记：采用背景差分法提取药材区域，将药材图片与背景图片相减，差值大于阈值T的像素点判定为药材像素点，差值小于阈值T的判定为背景像素点。阈值T的选取采用图片差值的平均值。为了避免背景的干扰，在背景选择的时候尽量选择同药材颜色差别比较大的背景。如采用深红色与槟榔颜色相对差别比较大的颜色作为背景色。然后分割出的槟榔区域-二值图像；对槟榔进行目标标记；再对前景区域三通道的均值和方差及每个目标各颜色通道的均值；最后用canny算子做轮廓检测。

(2)药材特征提取方法

①颜色直方图

颜色直方图所描述的是不同色彩在整幅图像中所占的比例，而并不关心每种色彩所处的空间位置。颜色直方图特别适于描述那些难以进行自动分割的图像。色彩的均值体现了颜色特征，而标准差可以提供更为丰富的信息，可以表示纹理的粗糙程度。所以采用基于直方图的纹理度量，分别统计药材R、G、B三个颜色通道的像素均值和标准差组合成药材的特征向量。获取二值化图像，然后进行区域标记，最后呈现R、G、B三个颜色通道的直方图。

②灰度共生矩阵

灰度共生矩阵是一种用来分析图像纹理特征的重要方法，它建立在估计图像的二阶组合条件概率密度函数的基础上，通过计算图像中有一定距离和一定方向的两个像素之间的灰度相关性，对图像的所有像素进行调查统计，反映图像在方向、相邻间隔、变化幅度及快慢上的综合信息。

常用的灰度共生矩阵的六个特征参数为：角二阶距：反映了图像灰度分布均匀程度和纹理粗细程度。对比度：反映了图像的清晰度和纹理沟纹深浅的程度。相关性：表示了图像中纹理的非均匀程度或复杂程度。熵：代表了图像信息量，表示纹理的复杂程度，是图像内容的随机性的度量。方差：反映了纹理的周期。逆差矩：反映了图像纹理的同质性，度量图像纹理局部变化的多少。

其中，获取9.0度，45度，90度，135度的16*16的灰度共生矩阵图；以及每个方向上的六个特征值。最后实验结果的获得依次通过药材特征提取界面：支持向量机模型训练界面，得到分类结果：以及分类结果界面的显示。

在本发明的一个实施例中，以贝母，山楂，槟榔，天麻，半夏的的特征参数数值为例；

(1)首先对多种中药进行目标区域标记；

(2)对多种中药进行canny检验轮廓图

(3)获得梯度直方图，如图8所示

(4)实验涉及的参数值

山楂-不合格

R均值     G均值     B均值     R方差     G方差     B方差

①0.172854  0.218256  0.351415  0.0573857  0.0832378  0.116831

②0.173616  0.213155  0.333366  0.0616884  0.0881175  0.120192

③0.176764  0.213262  0.336293  0.0641154  0.088424   0.120932

④0.179116  0.232582  0.365019  0.0613756  0.0894952  0.11695

⑤0.195175  0.225042  0.337956  0.0610485  0.084469   0.11628

⑥0.175119  0.21193   0.33546   0.0622778  0.0899528  0.122674

⑦0.163834  0.197902  0.315253  0.0532118  0.0723179  0.110659

⑧0.17063   0.211045  0.336363  0.0660233  0.0918787  0.128883

⑨0.165676  0.197374  0.315887  0.0456276  0.0639609  0.112796

⑩0.177033  0.211373  0.331984  0.0592028  0.0815754  0.112964

灰度共生矩阵

1           2           3         4

①3.07837  0.00197089  4.7975   3.99987e-05

②2.92179  0.00263948  6.87464  1.32306e-05

③2.90671  0.00272707  7.40344  3.95001e-06

④3.02033  0.00223404  5.74289  3.02322e-05

⑤2.89741  0.0028996   7.94995  -8.47892e-06

⑥2.81159  0.00322915  9.01092  -3.4509e-06

⑦2.9975   0.0021563   5.03462  8.74296e-05

⑧2.8716   0.00311117  8.63032  -2.35581e-05

⑨2.91963  0.00261721  6.77684  3.69172e-05

⑩2.8775   0.00310644  8.60597  5.09863e-09

周长

①616.16

②603.104

③578.4

④607.894

⑤585.963

⑥646.165

⑦585.995

⑧608.63

⑨611.75

⑩583.276

山楂-合格

  R均值     G均值     B均值     R方差     G方差     B方差

①0.264266  0.334421  0.613324  0.172447  0.221713  0.134874

②0.289061  0.376446  0.631461  0.178688  0.224623  0.135898

③0.281359  0.369956  0.636734  0.167244  0.214686  0.123511

④0.294762  0.371515  0.631896  0.178697  0.229143  0.125844

⑤0.313413  0.393027  0.638271  0.197099  0.241846  0.13364

⑥0.303787  0.381052  0.625204  0.189168  0.231722  0.143708

⑦0.320488  0.390672  0.649602  0.201394  0.241676  0.128259

⑧0.28517   0.362315  0.63732   0.169032  0.219723  0.127096

⑨0.318577  0.39791   0.648321  0.175832  0.223553  0.125819

⑩0.27265   0.346686  0.618373  0.161289  0.215478  0.119509

灰度共生矩阵

     1          2           3      4

①3.35641  0.00115441  3.03353  4.76369e-05

②3.26559  0.0014912   4.19581  5.86555e-05

③3.31176  0.00130456  3.57648  -1.10701e-05

④3.37714  0.0010417   2.57052  2.01151e-05

⑤3.30914  0.00137787  3.80642  5.57284e-05

⑥3.31238  0.00129204  3.45253  3.80576e-05

⑦3.33055  0.00124563  3.35463  1.71888e-05

⑧3.29586  0.00134995  3.94395  -1.53644e-05

⑨3.34445  0.0011535   3.23136  -1.11032e-05

⑩3.27477  0.00136257  3.64462  1.46073e-05

周长

①784.278

②805.422

③822.919

④949.798

⑤823.309

⑥847.221

⑦929.821

⑧769.333

⑨826.472

⑩866.278

天麻

  R均值    G均值     B均值     R方差     G方差     B方差

①0.457656  0.532029  0.741153  0.126994  0.149168  0.0484182

②0.449108  0.517549  0.738841  0.136907  0.164617  0.0522228

③0.426188  0.495377  0.724536  0.135326  0.162086  0.056151

④0.407779  0.478676  0.718527  0.140663  0.172258  0.0612519

⑤0.469523  0.54809   0.719112  0.110121  0.114514  0.0744008

⑥0.461992  0.544945  0.718556  0.100423  0.110341  0.0630989

⑦0.404837  0.47033   0.709234  0.137285  0.173224  0.0644091

⑧0.422071  0.488678  0.721581  0.146285  0.177616  0.0605344

⑨0.465137  0.540121  0.715947  0.11258   0.126635  0.0627104

⑩0.445749  0.510536  0.69074   0.13633   0.150272  0.0956516

灰度共生矩阵

     1          2          3        4

①2.21252  0.00894489  27.4046  -8.6107e-05

②2.17789  0.00966728  29.4517  -8.73042e-05

③2.18256  0.00942473  27.7126  -8.62764e-05

④2.14775  0.0102987   30.9051  -8.80984e-05

⑤2.13281  0.0109502   37.3774  -8.01414e-05

⑥2.15149  0.0104413   35.0404  -8.17786e-05

⑦2.20083  0.00906344  25.6912  -8.73208e-05

⑧2.2092   0.00892371  25.7005  -8.60997e-05

⑨2.22293  0.00867266  26.1452  -8.18375e-05

⑩2.22663  0.00856189  25.3277  -8.43471e-05

重心

①1.78555

②1.82678

③1.6143

④1.55402

⑤1.48344

⑥1.56447

⑦1.42743

⑧1.38385

⑨1.86517

⑩1.76165

槟榔炒过

   R均值    G均值    B均值     R方差     G方差     B方差

①0.202148  0.169975  0.202026  0.0349194  0.0254523  0.030285

②0.192906  0.168376  0.206413  0.0331251  0.0239506  0.0358168

③0.218481  0.179742  0.205776  0.0368084  0.0249523  0.0305106

④0.222075  0.184902  0.210134  0.0340242  0.0231746  0.0310995

⑤0.205451  0.173081  0.207485  0.0384443  0.027253   0.0369705

⑥0.208295  0.176757  0.211408  0.0381058  0.0258809  0.0337621

⑦0.199715  0.168545  0.202837  0.0389352  0.0263424  0.0393113

⑧0.197184  0.169309  0.201872  0.0355202  0.0243947  0.0371628

⑨0.216725  0.181268  0.206106  0.0387831  0.0270486  0.0322734

⑩0.185801  0.1642    0.207328  0.0349219  0.0265232  0.0439794

梯度直方图

①0.0439794  0.0477396  0.0713336  0.0942233  0.102449  0.0992640.100664  0.086914  0.0753984  0.0634812  0.051827  0.0403115  0.0321451  0.0321451  0.0247905  0.0199196  0.0152324  0.0114957  0.00910834  0.00730082  0.00577333  0.00452871  0.00377911  0.00293334  0.00240438  0.00201685  0.00158689  0.0011739  0.00094195  0.000775058  0.000678883  0.000537449  0.000347927  0.00034227  0.000280039  0.000246095  0.000138605  0.000121633  0.000104661  9.33464e-05  8.48603e-05  7.9203e-05  6.22309e-05  4.52589e-05  4.52589e-05  2.54581e-05  2.26294e-05  2.54581e-05  1.69721e-05  1.69721e-05  1.98007e-05  2.26294e-05  1.69721e-05  8.48603e-06  2.26294e-05  8.48603e-06  1.69721e-052.82868e-06  0  1.69721e-05  5.37449e-05

②0.0170385  0.0470298  0.0722981  0.0939076  0.102726  0.1001770.101859  0.0885117  0.0760959  0.0643271  0.0523578  0.040589  0.0329125  0.0247313  0.0191639  0.0146414  0.0110927  0.0087538  0.00685164  0.00512094  0.00400811  0.0031929  0.00250062  0.001983030.00163042  0.00120017  0.000931668  0.00075051  0.000562883  0.000482009  0.000381725  0.00035261  0.000278206  0.000210272  0.000158513  0.000139103  0.000100284  0.000139103  0.000106754  5.17593e-05  4.52894e-05  6.46992e-05  7.4404e-05  5.17593e-05  4.20545e-05  5.82292e-05  4.52894e-05  3.55845e-05  3.23496e-05  2.58797e-05  2.26447e-05  2.58797e-05  1.61748e-05  6.46992e-06  9.70487e-06  2.26447e-05  6.46992e-06  1.94097e-05  9.70487e-06  3.88195e-05

③0.0147367  0.0430514  0.0640658  0.0854664  0.0947536  0.093881  0.096107  0.0871143  0.0765599  0.0667808  0.0558651  0.043785  0.0367404  0.0288121  0.0227873  0.0183883  0.0144755  0.0113714  0.00907047  0.00692235  0.00580521  0.00472142  0.00385717  0.002976250.0024149  0.00191191  0.001584  0.00120884  0.000983746  0.000728083  0.000600252  0.000469641  0.000366821  0.000327915  0.0002806730.000202863  8.89262e-05  0.0001056  0.000102821  9.17051e-05  5.83578e-05  6.66946e-05  4.44631e-05  2.77894e-05  4.16842e-05  3.61263e-052.50105e-05  1.11158e-05  1.66737e-05  1.94526e-05  1.94526e-05  5.55789e-06  8.33683e-06  5.55789e-06  8.33683e-06  8.33683e-06  5.55789e-06  0  0  2.77894e-05

④0.0155229  0.0438243  0.0660229  0.087292  0.0969606  0.0960078  0.097174  0.0868536  0.076238  0.0650584  0.0547497  0.042775  0.0351787  0.0275444  0.0216842  0.0176624  0.0135354  0.0109049  0.00885897  0.00711991  0.00562637  0.0048606  0.00374117  0.00288479  0.00239376  0.00195242  0.00162215  0.00124219  0.000958675  0.0007833070.000590403  0.000479337  0.000432573  0.000306893  0.000239669  0.000201672  0.000134448  0.000108143  9.06064e-05  6.72241e-05  5.26102e-05  3.50735e-05  3.21507e-05  3.50735e-05  3.79963e-05  3.50735e-055.84558e-06  5.84558e-06  5.84558e-06  5.84558e-06  1.46139e-05  5.84558e-06  2.92279e-06  8.76837e-06  2.92279e-06  0  5.84558e-06  0  2.92279e-06  2.04595e-05

⑤0.0158263  0.0444439  0.0675218  0.089543  0.0975172  0.0954329  0.0950925  0.0848221  0.0740604  0.0632055  0.0527971  0.04227620.035182  0.0275739  0.0221401  0.0177789  0.0135429  0.011449  0.00917204  0.00741856  0.00584814  0.00495856  0.00413962  0.00326610.00267518  0.00222236  0.00172136  0.00141627  0.00120431  0.000806086  0.000712953  0.000597339  0.000587704  0.000369322  0.00038538  0.000333996  0.000285823  0.000237651  0.000176632  0.000179844  0.000147729  0.000131671  0.000118825  9.6345e-05  8.67105e-05  8.67105e-05  6.74415e-05  6.10185e-05  3.2115e-05  8.02875e-05  3.53265e-05  2.5692e-05  3.53265e-05  6.423e-06  9.6345e-06  1.2846e-056.423e-06  9.6345e-06  6.423e-06  2.24805e-05

⑥0.0166702  0.047237  0.0705379  0.0933477  0.102758  0.09933990.101419  0.0884065  0.0760193  0.0655051  0.0532587  0.0403083  0.0329736  0.0251673  0.019329  0.0148594  0.0112673  0.00894249  0.00680101  0.00509502  0.00396207  0.00321222  0.00256716  0.001814040.00156518  0.00120827  0.0010118  0.000805512  0.00055338  0.00055338  0.000487891  0.000415854  0.000297974  0.000281602  0.000219387  0.000189917  0.00017682  0.000166996  0.000160447  9.82331e-05  0.000108056  7.53121e-05  7.85865e-05  0.000111331  6.87632e-05  3.60188e-05  7.85865e-05  4.91166e-05  4.91166e-05  3.92932e-05  3.27444e-05  2.61955e-05  2.94699e-05  2.61955e-05  9.82331e-061.96466e-05  9.82331e-06  2.61955e-05  6.54887e-06  0.000127703

⑦0.0159496  0.0447717  0.0669799  0.0885346  0.0973183  0.0953198  0.096484  0.0853466  0.0736445  0.0643755  0.0535553  0.04244330.0351347  0.0275215  0.021634  0.0176752  0.0137068  0.011553  0.00931659  0.00728642  0.006081  0.00464719  0.00385733  0.003118220.00263288  0.00224905  0.00167807  0.00126569  0.0010246  0.000913578  0.000764487  0.000631257  0.000507543  0.000393346  0.000291837  0.000256944  0.000193501  0.000145919  0.000117369  0.000152263  7.93037e-05  7.29594e-05  6.02708e-05  6.97872e-05  5.70986e-053.80658e-05  3.17215e-05  1.58607e-05  1.90329e-05  0  6.34429e-06  9.51644e-06  6.34429e-06  1.26886e-05  6.34429e-06  0  3.17215e-06  9.51644e-06  3.17215e-06  2.53772e-05

⑧0.017512  0.049417  0.0742053  0.096811  0.104196  0.0999419  0.100053  0.0861148  0.0735581  0.061754  0.0498776  0.03883220.0311585  0.023843  0.018102  0.0142787  0.0114428  0.008968220.00730643  0.00572593  0.00461507  0.00400996  0.0032182  0.00252278  0.00211938  0.00177919  0.00151427  0.00128246  0.0009091650.00075563  0.0006894  0.000472645  0.000460603  0.000307069  0.000279975  0.000258901  0.000207723  0.000141493  0.000135472  0.000132461  0.000105367  9.93458e-05  7.5262e-05  0.000111388  9.63353e-05  6.32201e-05  9.33249e-05  3.91362e-05  6.32201e-05  4.21467e-05  3.61258e-05  2.10734e-05  1.20419e-05  1.20419e-05  2.40838e-05  1.50524e-05  2.70943e-05  2.40838e-05  3.01048e-06  0.00012644

⑨0.0155143  0.0439917  0.0652345  0.0867991  0.0962004  0.095799  0.0979742  0.0866852  0.0756865  0.0658011  0.0549932  0.04306930.0358574  0.0280504  0.021687  0.0175585  0.0136892  0.0107111  0.00851306  0.00667663  0.00560609  0.00443021  0.003650080.00286711  0.00222649  0.00184497  0.00155171  0.00120436  0.00100221  0.000780127  0.00068617  0.000529575  0.000466937  0.000381522  0.000344509  0.000279023  0.000264788  0.000199302  0.000136665  0.000108193  0.000133817  0.000156595  0.000119581  8.54153e-05  8.54153e-05  3.1319e-05  3.70133e-05  5.12492e-05  3.70133e-05  3.1319e-05  3.1319e-05  1.70831e-05  1.42359e-05  1.42359e-05  8.54153e-06  1.42359e-05  5.69436e-06  2.84718e-06  8.54153e-06  6.26379e-05

⑩0.01833  0.050989  0.0779389  0.10021  0.107466  0.10138  0.10134  0.0867041  0.0732408  0.0598071  0.0486928  0.0369574  0.029745  0.0228795  0.0175866  0.0136484  0.0107971  0.00838529  0.00668048  0.00529614  0.00422899  0.00321799  0.00257373  0.0022863  0.00172463  0.00138433  0.00120592  0.0010209  0.000683906  0.000637652  0.000574878  0.000386556  0.00033039  0.000274223  0.0002180570.000142068  0.000142068  0.00017841  0.000125548  8.25974e-05  8.92052e-05  5.61662e-05  3.63429e-05  6.93818e-05  2.64312e-05  2.31273e-05  4.95584e-05  3.3039e-05  2.31273e-05  2.64312e-05  6.60779e-063.3039e-06  6.60779e-06  9.91169e-06  1.32156e-05  0  0  1.32156e-05  0  1.98234e-05

面积

①30547.6

②27972.4

③32345.1

④30911.9

⑤28682.2

⑥27024.9

⑦27364.1

⑧29000.2

⑨31237.8

⑩26041.2

生半夏

R均值    G均值    B均值  R方差   G方差    B方差     R熵    G熵B熵

①0.432954  0.53378  0.494685  0.0838195  0.0722416  0.0837239  1.85398  1.76118  1.77948

②0.440925  0.535858  0.501994  0.0945081  0.0826477  0.0755377  1.92327  1.80824  1.77048

③0.435236  0.536318  0.491641  0.0786417  0.0680249  0.0905581  1.80911  1.72457  1.77516

④0.436354  0.528596  0.479051  0.0822533  0.070608  0.0930297  1.81916  1.74702  1.78593

⑤0.447322  0.542762  0.496988  0.0772178  0.0668116  0.0891437  1.80882  1.72308  1.77086

⑥0.437689  0.534589  0.489097  0.0762752  0.0667388  0.091504  1.82349  1.74796  1.79055

⑦0.44354  0.538581  0.492169  0.0848922  0.0707471  0.0935534  1.83981.7519  1.79739

⑧0.438435  0.540219  0.495816  0.0840137  0.0687308  0.0923163  1.85421  1.74659  1.76748

⑨0.431951  0.512836  0.458022  0.0895932  0.074646  0.0984573  1.89044  1.82622  1.86798

□0.445653  0.531443  0.47601  0.0783154  0.0669103  0.0988686  1.83392  1.76352  1.82576

重心

①1.13971

②1.10429

③1.12398

④1.13328

⑤1.1757

⑥120733

⑦123764

⑧1.18858

⑨120804

⑩1.18338

青贝

R均值  G均值  B均值   R方差     G方差     B方差     R熵        G熵B熵

①0.473211  0.50349  0.465547  0.123725  0.100366  0.0926416  1.98984  1.86887  1.88237

②0.478268  0.505218  0.463242  0.121682  0.098485  0.0930458  1.9868  1.86871  1.89349

③0.473876  0.504293  0.465574  0.120139  0.0995922  0.09249311.96845  1.86586  1.88182

④0.471681  0.466259  0.439025  0.117756  0.0877213  0.092416  2.03312  1.89228  1.93615

⑤0.473392  0.456481  0.426156  0.119747  0.0876069  0.09216962.04108  1.89958  1.93968

⑥0.484158  0.524135  0.486498  0.110816  0.0872552  0.08650261.92738  1.81883  1.86757

⑦0.467737  0.503781  0.459733  0.109981  0.0919348  0.09533881.90177  1.84887  1.8951

⑧0.466214  0.500487  0.462101  0.113003  0.0941484  0.09409091.92568  1.87363  1.89618

⑨0.503104  0.524136  0.484246  0.125471  0.0925986  0.08968572.0145  1.83618  1.88415

⑩0.477218  0.512712  0.478132  0.119397  0.0974227  0.09486571.95655  1.86876  1.90632

重心

①1.13017

②1.12078

③1.11625

④1.36892

⑤1.47825

⑥1.15363

⑦1.12103

⑧1.13517

⑨1.1595

⑩1.1553

松贝

R均值 G均值  B均值   R方差     G方差     B方差      R熵   G熵B熵

①0.476703  0.464844  0.364154  0.119184  0.0648973  0.07470092.03254  1.73473  1.8505

②0.551968  0.514757  0.381724  0.128609  0.0673105  0.06231151.85102  1.64658  1.75386

③0.490629  0.438563  0.311994  0.103098  0.0467121  0.063039  1.86999  1.57845  1.73956

④0.500396  0.450128  0.321278  0.104471  0.0523359  0.06846451.87808  1.584  1.76743

⑤0.496351  0.451628  0.329046  0.107256  0.0520678  0.06864941.89082  1.61047  1.77541

⑥0.515863  0.455069  0.321668  0.0991414  0.045815  0.06279711.81345  1.55004  1.73031

⑦0.489573  0.53146  0.490911  0.0741168  0.072128  0.0973271  1.80112  1.80768  1.88106

⑧0.498902  0.540979  0.502622  0.0694306  0.0702047  0.09726761.77112  1.79415  1.87218

⑨0.495839  0.536601  0.496155  0.0705164  0.0683296  0.09570261.77603  1.77798  1.85853

⑩0.475488  0.478165  0.397527  0.0723801  0.0602243  0.09631491.80662  1.745  1.84255

重心

①166893

②148461

③1.53176

④167972

⑤177032

⑥1.73337

⑦1.09345

⑧1.10664

⑨1.10705

⑩1.22302

炉贝

R均值 G均值  B均值   R方差      G方差     B方差     R熵     G熵B熵

①0.488263  0.441486  0.37695  0.253018  0.139729  0.0798398  2.07458  2.06378  1.88584

②0.447513  0.431632  0.39068  0.248192  0.146808  0.0867895  2.08612  2.05706  1.93784

③0.527511  0.42704  0.353856  0.263794  0.135045  0.0663309  1.99016  1.96319  1.80119

④0.444948  0.410136  0.36113  0.252965  0.142839  0.0869318  2.06724  2.07675  1.91512

⑤0503936  0.450936  0.383257  0.258038  0.141815  0.0795754  2.05195  2.02381  1.88125

⑥0456922  0.440323  0.401948  0.244408  0.141869  0.0825909  2.04896  2.04723  1.9009

⑦0487818  0.457074  0.410122  0.231135  0.132699  0.0846943  2.1354  2.03957  1.91954

⑧0495891  0.443698  0.380147  0.258161  0.140455  0.0800678  2.0349  2.03398  1.86705

⑨0489575  0.433945  0.370772  0.270247  0.147172  0.0775078  2.02198  2.02809  1.87494

⑩0557611  0.469461  0.390433  0.281695  0.154943  0.0830491  2.00914  2.00353  1.89223

重心

①1.48426

②1.6639

③1.73596

④1.69716

⑤1.9087

⑥1.78664

⑦1.67794

⑧1.69598

⑨1.6762

⑩1.86077

通过参数比较模块13检测出的参数值与参数设定模块中的特征参数及参数优劣值进行比较，得出被测中药品种真伪及相对参数优劣值；以及最后品质计算模块14用于根据各相对参数优劣值及权重系数计算得到品质值。品质计算模块14的评判根据综合得分＝M×相似度(形色)+N×相似度(气)+K×相似度(味)。

本系统可以通过语言是Vi suaI C++，软件开发平台是QT，函数库是OPenCV，硬件操作系统Window XP。

本发明还提供了一种包括上述任意一项中药品质自动检测系统100的中药炮制系统，所述中药炮制系统还包括：

炮制控制模块，用于为根据中药品质自动检测系统检测到的形、色、气、味参数及化学成分含量参数与炮制品质设定模块设定的形、色、气、味参数及化学成分含量参数进行比较，对炮制的温度、火力、时间进行控制

炮制品质设定模块，用于设定炮制中药所要达到的形、色、气、味参数及化学成分含量参数；

炮制品质比较模块，用于将所述炮制的中药与所述炮制品质设定模块设置的形、色、气、味参数及化学成分含量参数进行比较。

本发明还提供了一种包括上述任意一项中药品质自动检测系统100的中药提取系统，所述中药炮制系统还包括：

提取品质设定模块，用于设定提取中药所要达到的色、气、味参数及化学成分含量参数；

提取控制模块，用于根据所述中药品质自动检测系统检测到的色、气、味参数及化学成分含量参数控制对所述中药提取的温度、火力、时间；

提取品质比较模块，用于根据所述提取品质设定模块设定的色、气、味参数及化学成分含量参数进行比较。

另外，还可将中药品质自动检测系统100应用在茶叶品质检测系统中，该茶叶品质检测系统包括茶叶品质控制模块，茶叶品质设定模块，品质自动检测系统，茶叶品质比较模块。

所述茶叶品质设定模块为设定茶叶所要达到的形、色、气、味参数及化学指标参数。

所述茶叶品质控制模块为根据中药品质自动检测系统检测到的形、色、气、味参数及化学指标参数与茶叶品质设定模块设定的形、色、气、味参数及化学指标参数进行比较，对茶叶品质进行评价，控制其质量。

在本发明的一个实施例中，还可以将中药品质自动检测系统100应用在含中药材保健品品质检测系统中，中药材保健品品质检测系统包括保健品控制模块，保健品品质设定模块，品质自动检测系统，保健品品质比较模块。

所述保健品品质设定模块为设定保健品所要达到的形、色、气、味参数及化学指标参数。

所述品质控制模块为根据中药品质自动检测系统检测到的形、色、气、味参数及化学指标参数与保健品品质设定模块设定的形、色、气、味参数及化学指标参数进行比较，对保健品品质进行评价，控制其质量。

综上所述，本发明通过将中药品质自动检测系统设置为包括品种选择模块、参数设定模块、参数检测模块、参数比较模块以及品质计算模块；通过将采集中药的外部参数，如纹理、颜色和形状等，并对这些参数进行分析，与其对应的优劣值进行比较，以确定其品质。因此，本发明利用智能感观分析技术，对中药外部参数进行综合评价，并结合中药化学成分含量参数、安全性检测参数及常规检测参数自动检测出其固有的品质，检测标准客观、统一，有利于生产规范，有利于标准制定，有利于商业流通。利用本发明可对中药材产地加工、中药饮片炮制过程实施动态监控。利用本发明提供的中药提取系统，还可以对实现对中药的提取，得到最优工艺。利用本发明可对含中药保健品品质进行评价。利用本发明可对茶叶品质进行评价。同时，本发明不只用于中药品质评价，对非法加工的样品如硫熏、染色等也能够鉴别。采用本发明提供的系统提高了中药品质的鉴定的效率。

当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (1)

1. 一种中药品质自动检测系统，其特征在于，包括品种选择模块、参数设定模块、参数检测模块、参数比较模块以及品质计算模块；

所述品种选择模块用于选择需要检测的中药品种，确定需要检测的所述中药品种与其品质相关的参数，以及各参数在品质中的权重系数；

所述参数设定模块用于设定需要检测的中药品种的特征参数和参数优劣值，所述特征参数是其区别于其它中药品种的参数；

所述参数检测模块用于用电子视觉系统、电子鼻、电子舌对中药的外观形、色、气、味参数进行检测，同时用分光光度法或色谱法或常规检测方法对中药的化学成分含量参数、安全性检测参数及常规检测参数进行检测；

所述参数比较模块用于检测出的参数值与参数设定模块中的特征参数及参数优劣值进行比较，得出被测中药品种真伪及相对参数优劣值；

所述品质计算模块用于根据各相对参数优劣值及权重系数计算得到品质值；

所述参数检测模块包括：

特征参数提取子模块，用于提取需要检测的所述中药的至少一个特征参数；所述特征参数包括：形状特征参数、颜色特征参数和/或纹理特征参数；

所述形状特征参数、颜色特征参数和/或纹理特征参数的提取的步骤包括：

将需要检测的所述中药的图片依次采用减背景、阈值分割、图像二值化、腐蚀、轮廓检测方法进行预处理，采用线图形的链码表示法，得到曲线的周长、线图形的宽度、高度；采用区域的矩特征法，得到区域的面积、重心、主轴方向角、当量椭圆的长轴、短轴、长短轴比；采用傅立叶描述子法结合Hougll变换进行形状特征提取 ；

将进行预处理后的所述中药的图像建立所述中药的外观品质颜色模型，获取所述中药的颜色特征参数；

将进行预处理后的所述中药的图像进行度直方图处理，获取所述中药的纹理特征参数。

2、根据权利要求1所述的中药品质自动检测系统，其特征在于，所述中药外观的形、色、气、味参数中的形包括所述中药的形状和规格大小；

所述色包括中药的颜色和光泽；

所述气为中药的气味；

所述的味为中药的味道。

3、根据权利要求1所述的中药品质自动检测系统，其特征在于，所述中药的化学成分为有效成分或指标成分。

4、根据权利要求1所述的中药品质自动检测系统，其特征在于，所述安全性检测参数包括微生物、重金属、农残、有机残留。

5、根据权利要求1所述的中药品质自动检测系统，其特征在于，所述常规检测包括对中药的水分、粒度、装量差异进行检查。

6、根据权利要求1所述的中药品质自动检测系统，其特征在于，所述分光光度法包括紫外-可见分光光度法、红外分光光度法及原子吸收分光光度法；

所述色谱法包括高效液相色谱法、气相色谱法、毛细管电泳法及离子色谱法。

7、根据权利要求1所述的中药品质自动检测系统，其特征在于，所述参数比较模块包括：

分类子模块，用于根据所述特征参数提取子模块提取到的中药的至少一个特征参数以及对应的参数优劣值进行比较，得出所述中药的特征分类等级；

所述品质计算模块进一步用于根据所述中药的特征分类等级，以及各相对参数优劣值及权重系数计算得到需要检测的中药的品质值。

8、一种包括权利要求1~7任意一项所述的中药品质自动检测系统的中药炮制系统，其特征在于，所述中药炮制系统还包括： 

炮制控制模块，用于为根据中药品质自动检测系统检测到的形、色、气、味参数及化学成分含量参数与炮制品质设定模块设定的形、色、气、味参数及化学成分含量参数进行比较，对炮制的温度、火力、时间进行控制

炮制品质设定模块，用于设定炮制中药所要达到的形、色、气、味参数及化学成分含量参数；

炮制品质比较模块，用于将所述炮制的中药与所述炮制品质设定模块设置的形、色、气、味参数及化学成分含量参数进行比较。

9、一种包括权利要求1~7任意一项所述的中药品质自动检测系统的中药提取系统，其特征在于，所述中药提取系统还包括：

提取品质设定模块，用于设定提取中药所要达到的色、气、味参数及化学成分含量参数；

提取控制模块，用于根据所述中药品质自动检测系统检测到的色、气、味参数及化学成分含量参数控制对所述中药提取的温度、火力、时间；

提取品质比较模块，用于根据所述提取品质设定模块设定的色、气、味参数及化学成分含量参数进行比较。

Images