CN105527241A - 无损检测冬虫夏草原草真伪的方法 - Google Patents
无损检测冬虫夏草原草真伪的方法 Download PDFInfo
- Publication number
- CN105527241A CN105527241A CN201610020559.XA CN201610020559A CN105527241A CN 105527241 A CN105527241 A CN 105527241A CN 201610020559 A CN201610020559 A CN 201610020559A CN 105527241 A CN105527241 A CN 105527241A
- Authority
- CN
- China
- Prior art keywords
- sample
- cordyceps sinensis
- pixel
- former
- true
- 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.)
- Pending
Links
- 241001248610 Ophiocordyceps sinensis Species 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001228 spectrum Methods 0.000 claims description 77
- 244000025254 Cannabis sativa Species 0.000 claims description 40
- 230000003595 spectral effect Effects 0.000 claims description 26
- 238000009659 non-destructive testing Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 206010013786 Dry skin Diseases 0.000 claims description 6
- 238000001035 drying Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 241000190633 Cordyceps Species 0.000 claims description 4
- 241000233866 Fungi Species 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 229910000661 Mercury cadmium telluride Inorganic materials 0.000 claims description 3
- 240000001307 Myosotis scorpioides Species 0.000 claims description 3
- MCMSPRNYOJJPIZ-UHFFFAOYSA-N cadmium;mercury;tellurium Chemical compound [Cd]=[Te]=[Hg] MCMSPRNYOJJPIZ-UHFFFAOYSA-N 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 229910052736 halogen Inorganic materials 0.000 claims description 3
- 150000002367 halogens Chemical class 0.000 claims description 3
- 239000010453 quartz Substances 0.000 claims description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 3
- 241001264174 Cordyceps militaris Species 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 abstract description 15
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000001066 destructive effect Effects 0.000 abstract 2
- 241000411851 herbal medicine Species 0.000 abstract 1
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 29
- 238000012360 testing method Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000000149 argon plasma sintering Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 206010011224 Cough Diseases 0.000 description 2
- 241000130660 Hepialidae Species 0.000 description 2
- 241000330899 Hepialus Species 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000221751 Claviceps purpurea Species 0.000 description 1
- 241001480006 Clavicipitaceae Species 0.000 description 1
- 241000422920 Cordyceps gunnii Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 206010062717 Increased upper airway secretion Diseases 0.000 description 1
- 244000304222 Melaleuca cajuputi Species 0.000 description 1
- 235000001167 Melaleuca cajuputi Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 208000013116 chronic cough Diseases 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000023597 hemostasis Effects 0.000 description 1
- 201000001881 impotence Diseases 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000003147 molecular marker Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 208000026435 phlegm Diseases 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Abstract
本发明属于药材鉴别领域，其公开了一种无损检测冬虫夏草原草真伪的方法，解决传统技术中检测方式存在操作繁琐、检测成本高、需要消耗样品的问题。该方法包括：a.选取正、负样品；b.采集样品的高光谱图像；c.对高光谱图像进行处理并利用主成分分析法提取相关特征；d.建立PLS-DA预测模型；e.利用PLS-DA预测模型对待检测对象进行检测；f.根据模型输出判别待检测对象的真伪。本发明适用于对冬虫夏草原草样品进行快速、准确鉴别。
Description
技术领域
本发明属于药材鉴别领域，具体涉及无损检测冬虫夏草原草真伪的方法。
背景技术
冬虫夏草Cordycepssinensis(Berkeley)Saccardo为麦角菌科真菌冬虫夏草菌寄生在鳞翅目蝙蝠蛾科蝠蛾属(Hepialus)幼虫上形成的虫生子囊真菌，为麦角菌科虫草属真菌冬虫夏草的子座及其寄主鳞翅目蝙蝠蛾科昆虫蝙蝠蛾的幼虫尸体的复合物，性甘平，补肺益肾，止血化痰，用于久咳虚喘，劳咳咯血，阳痿遗精，腰膝酸痛，是我国传统的名贵中药材。
冬虫夏草生长环境特殊，主要分布于我国青藏高原海拔3000～5000米的高山草甸和高山灌丛。青海、西藏、四川、甘肃和云南是冬虫夏草的主要产区，青海的产量和质量居各省区之首，玉树、果洛等是青海冬虫夏草主产地。冬虫夏草目前尚不能进行人工培育，而野生冬虫夏草的分布区域狭小，自然寄生率低，对环境条件要求苛刻，加之近年来的生态破坏和掠夺式采挖，使冬虫夏草的产量逐年下降，价格不断攀升。因此，市场上存在严重的掺伪、增重等造假现象。除了冬虫夏草之外，其他虫草属真菌寄生在昆原草上形成的复合体也被称为“虫草”，其中一些常被用作冬虫夏草的伪品，性状相似而难以区分。
传统技术中的鉴定方法主要是依据中药的来源、品种形态、性状、显微特征、理化鉴别、检查、含量测定等依靠经验或者精密仪器进行检验，尤其是显微特征、理化鉴别、检查、含量测定等方法均需要消耗原材料，通过药材表面的特征很难进行鉴定。
近年来，使用DNA分子标记的检测方式进行药材的检测与鉴别也常见报道。但是，这种检测方式操作繁琐，试剂和检测费用较高，样品准备程序复杂，难以推广。
最重要的是，目前的各种检测方法都需要消耗样品，故只能抽样检测，不可能做到全部产品的检测，因此难以满足中药材产业的需要。
因此建立快速准确的无损检测冬虫夏草原草真伪的方法，对规范市场、保证药材质量具有非常重要的意义。
发明内容
本发明要解决的技术问题是：提出一种无损检测冬虫夏草原草真伪的方法，解决传统技术中检测方式存在操作繁琐、检测成本高、需要消耗样品的问题。
本发明解决上述技术问题所采用的技术方案是：无损检测冬虫夏草原草的方法，包括以下步骤：
建立冬虫夏草原草PLS-DA预测模型，在进行冬虫夏草原草鉴别时，将待检测样品放置入高光谱反射图像采集系统中，利用所述高光谱反射图像采集系统采集所述待检测样品的高光谱信息，并对采集的高光谱信息进行图像处理后输入已建立的冬虫夏草原草PLS-DA预测模型进行预测，根据预测输出值对该样品进行鉴别。
具体的，在进行冬虫夏草原草鉴别时，利用高光谱反射图像采集系统采集的高光谱信息为待检测样品的像元光谱信息。
具体的，所述建立冬虫夏草原草PLS-DA预测模型的步骤包括：
A1.选取冬虫夏草原草样品分别经预处理后作为正样品集；
A2.选取易与冬虫夏草原草混淆的样品分别经预处理后作为负样品集；
A3.分别将正样品集中的正样品和负样品集中的负样品放置入高光谱反射图像采集系统中，利用所述高光谱反射图像采集系统采集样品的高光谱信息；
A4.对采集的高光谱信息进行图像处理后提取光谱特征，将提取的光谱特征录入数据库；
A5.重复步骤A3-A4，直至完成正、负样品集中的所有样品的光谱特征的提取和录入；
A6.随机选取一定数量样品的光谱特征建立PLS-DA预测模型。
具体的，在建立某种冬虫夏草原草PLS-DA预测模型时，步骤A3和A4中，所述高光谱反射图像采集系统采集的样品高光谱信息为该样品的平均光谱信息。
具体的，步骤A1中，选取全国不同产地的冬虫夏草原草样品分别经预处理后作为正样品集；步骤A2中，选取市面上多种易与冬虫夏草原草混淆的样品分别经预处理后作为负样品集。
步骤A1中，所述选取全国不同产地的冬虫夏草原草样品具体包括：选自全国主产区青海玉树、青海果洛、青海海南、青海海东、四川、西藏、甘肃、云南八个地区冬虫夏草样品。
步骤A2中，所述易与冬虫夏草原草混淆的样品包括但不仅限于：麻脊背、蛹虫草、亚香棒，凉山虫草、新疆虫草等。
具体的，步骤A1和A2中，所述预处理是指依次经过干刷、清洗、40℃低温干燥。
具体的，步骤A4中，对采集的高光谱信息进行图像处理后按照正、负样品光谱方差最大化原则提取光谱特征。
具体的，步骤A6中，随机选取一定数量样品的光谱特征的方法是：
随机选取等比例的正、负样品的光谱特征。
具体的，所述根据预测输出值对该样品进行鉴别具体方法是：若该样品的某个像元经过PLS-DA模型预测其输出值介于-1.5～0.45之间，则判定该像元为伪冬虫夏草像元；若该样品的某个像元经过PLS-DA模型预测其输出值介于0.55～1.5之间，则判定该像元为真冬虫夏草像元；若该样品的某个像元经过PLS-DA模型预测其输出值介于0.45～0.55之间，则判定该像元为未知类别像元；
最后由系统分别自动统计真冬虫夏草像元、伪冬虫夏草像元、未知类别像元的个数并计算在该样品总像元数中的比例，根据比例分布情况鉴别该样品的真伪。
所述根据比例分布情况鉴别该样品的真伪，具体方法是：
若真冬虫夏草像元的个数在该样品总像元数中的比例≥60％，则判定该样品为真。
具体的，所述高光谱反射图像采集系统采用碲镉汞二维阵列检测器，光源为石英卤素灯；光谱采集范围为短波红外波段940–2537nm，像素为320×256，像素大小150μm×150μm，采用视场为50mm镜头；扫描方式为高速推扫式高光谱成像，推扫速度3mm/s，采集速度100fps。
具体的，利用所述高光谱反射图像采集系统采集该样品的高光谱信息，具体步骤如下：
①采集获得该样品(m×n)个像元在k个波段下的连续光谱曲线，每一波段对应的光谱信号响应值为Ik，k＝1，2…K；
②利用标准白板标定图像的光强值，计算每幅图像在第k个波段下高光谱反射图像的相对光强值其中为第k个波段下每个冬虫夏草高光谱反射图像的相对强光值；Ik为第k个波段下每个冬虫夏草高光谱反射图像的光强值；为第k个波段下标准白板高光谱反射图像的光强值；Dk为第k个波段下采集的全黑标定图像光强值；
③将计算出来的相对光强值经过A/D转换，转换为光谱曲线。
具体的，所述对采集的高光谱信息进行图像处理后提取成份相关特征，具体包括：
对采集各像元数据按光谱维分别进行均值中心化变换后，进行PCA变换，保留目标对象所在像元光谱和位置信息，扣除无用的背景单元；
以每个样品为单元，计算获得每个样品的平均光谱，并对平均光谱构成的数据集依次进行Savitsky–Golay平滑、标准正太变量校正、均值中心化处理和PCA变换，在保证累积方差≥90％的情况下，取前N个主成分的特征信息。
作为进一步优化，N＝3。
具体的，所述扣除无用的背景单元的方法是：
人机交互式选择样品在PCA得分空间中的ROI像元，计算背景像元与样本像元之间的欧式距离并显示为直方图形式，寻找能将背景和样本像元显著分离的阈值，删除无用的背景单元。
本发明的有益效果是：本发明采用冬虫夏草原草的平均光谱建立PLS-DA预测模型，预测采用待测样品的各像元光谱作为输入，在完成预测的同时，完成保留了待测样品的外形，表面结构特征等空间位置信息。准确、直观、简便、快速地对冬虫夏草原草真伪进行鉴别。具有客观量化、结果准确、操作简便、测试迅速、成本低廉等诸多优点。
附图说明
图1为无损检测冬虫夏草原草真伪的方法流程图；
图2为实施例1中的果洛冬虫夏草原草PLS-DA预测图；
图3为实施例2中的伪草亚香棒原草PLS-DA预测图。
具体实施方式
本发明旨在提出一种无损检测冬虫夏草原草真伪的方法，解决传统技术中检测方式存在操作繁琐、检测成本高、需要消耗样品的问题。
本发明中的无损检测冬虫夏草原草真伪的方法如图1所示，其包括：
a.选取正、负样品；
b.采集样品的高光谱图像；
c.对高光谱图像进行处理并利用主成分分析法提取相关特征；
d.建立PLS-DA预测模型；
e.利用PLS-DA预测模型对待检测对象进行检测；
f.根据模型输出判别待检测对象的真伪。
在具体实现上，本发明方案包括以下几个部分：
一、建立冬虫夏草原草PLS-DA预测模型的步骤：
1.样品准备：
1.1选取主产区青海玉树、青海果洛、青海海南、青海海东、四川、西藏、甘肃、云南八个地区80份冬虫夏草原草样品，分别依次经干刷、清洗、40℃低温干燥后作为正样品集。
1.2选取市售类似冬虫夏草原草(易与冬虫夏草原草混淆)的样品30份，分别依次经干刷、清洗、40℃低温干燥后作为负样品集。
2.图像采集：
本发明所采用的高光谱反射图像采集系统为芬兰SPECIM生产的SisuCHEMA实验室高光谱扫描仪，其采用碲镉汞二维阵列检测器，光源为石英卤素灯。光谱采集范围为短波红外波段(SWIR，940–2537nm)，像素为320(空间)×256(光谱)，像素大小30μm×30μm，采用视场为10mm镜头。扫描方式为高速推扫式高光谱成像，推扫速度3mm/s，采集速度100fps。
依次分别将准备的样品放置样品台上，要求每根冬虫夏草原草或伪草原草样品之间应有不低于5mm的间隙，不能有重叠或粘连；高光谱反射图像采集系统自样品进入视场开始采集样品各像元的高光谱图像信息：
①采集获得该样品(m×n)个像元在k个波段下的连续光谱曲线，每一波段对应的光谱信号响应值为Ik，k＝1，2…K；
②利用标准白板标定图像的光强值，计算每幅图像在第k个波段下高光谱反射图像的相对光强值其中为第k个波段下每个冬虫夏草原草高光谱反射图像的相对强光值；Ik为第k个波段下每个冬虫夏草原草高光谱反射图像的光强值；为第k个波段下标准白板高光谱反射图像的光强值；Dk为第k个波段下采集的全黑标定图像光强值；
③将计算出来的相对光强值经过A/D转换，转换为光谱吸收曲线。
3.图像处理：
为减小噪声干扰，可以删除含有较多噪声的940–1000nm和2469–2537nm波段下数据；然后对各像元数据按光谱维分别进行均值中心化变换后，进行PCA变换，保留目标对象所在像元光谱和位置信息，扣除无用的背景单元，获得有效像元光谱；
为了消除基线漂移、光散射、噪音、样品表面形貌差异等干扰，需对有效像元光谱进行Savitsky–Golay平滑(窗口取值11，多项式阶数为3)、标准正态变量校正(SNV)和均值中心化处理；然后对预处理后的数据进行PCA(主成分分析)变换。
4.模型建立：
在保证累积方差≥90％的情况下，取前N个主成分(一般情况下，前三个主成分即可满足累积方差≥90％)的特征信息建立PLS-DA(偏最小二乘判别分析)预测模型。为了保持模型不断完善并验证模型的可靠性，可以从准备的正负样品集中抽取2/3数量的样品构成训练集，余下1/3作为测试集，利用训练集中的样品不断完善模型，利用测试集中的样品对模型预测准确性进行验证。
二、在进行冬虫夏草原草鉴别时，将待检测样品放置入高光谱反射图像采集系统中，利用所述高光谱反射图像采集系统采集所述待检测样品的高光谱信息，并对采集的高光谱信息进行图像处理后输入至步骤A中建立的冬虫夏草原草PLS-DA预测模型进行预测，根据预测输出值对该样品进行鉴别。
具体鉴别方法为：若该样品的某个像元经过PLS-DA模型预测其输出值介于-1.5～0.45之间，则判定该像元为伪冬虫夏草原草像元；若该样品的某个像元经过PLS-DA模型预测其输出值介于0.55～1.5之间，则判定该像元为真冬虫夏草原草像元；若该样品的某个像元经过PLS-DA模型预测其输出值介于0.45～0.55之间，则判定该样品为未知类别像元；
最后由系统分别自动统计真冬虫夏草原草像元、伪冬虫夏草原草像元、未知类别像元的个数并计算在该样品总像元数中的比例，根据比例分布情况鉴别该样品的真伪。
下面以几个具体实施例对本发明中建立的PLS-DA预测模型进行验证：
实施例1：
本例以果洛冬虫夏草原草鉴别为例，包括以下实现步骤：
1.样品准备：
将采集到的果洛冬虫夏草原草截取原草部分，依次经过干刷、清洗、40℃低温干燥后，将其整齐摆放于样品板上，要求每根冬虫夏草原草样品之间应有不低于5mm的间隙，以确保每根草之间不能有重叠粘连。
2.样品高光谱数据采集：
将样品传送至高光谱相机镜头下，按设定参数(光谱采集范围为短波红外波段(SWIR，940–2537nm)，像素为320(空间)×256(光谱)，像素大小30μm×30μm，采用视场为10mm镜头。扫描方式为高速推扫式高光谱成像，推扫速度3mm/s，采集速度100fps。)进行扫描，保存样品的高光谱图像和光谱信息。图像处理由瑞典Umbio公司的Evince软件采用相机内置黑白标准物质对图像进行自动校正，然后将光强值经A/D转换为光谱吸收曲线。
3.图像处理：
首先删除含有较多噪音的940–1000nm和2469–2537nm波段下数据。对采集各像元数据按光谱维分别进行均值中心化变换后，进行PCA变换，人机交互式选择冬虫夏草原草在PCA得分空间中的ROI(RegionofInteresting感兴趣区域)像元；进一步计算背景像元与冬虫夏草原草像元之间的欧式距离，并显示为直方图形式，寻找能将背景和冬虫夏草原草像元显著分离的阈值，删除无用的背景像元。
4.PLS-DA预测：
将第3步得到每根冬虫夏草原草的各像元光谱依次进行Savitsky–Golay平滑(窗口取值11，多项式阶数为3)、标准正太变量校正(SNV)和均值中心化处理以消除基线漂移、光散射、噪音、样品表面形貌差异等干扰。
将预处理后的冬虫夏草原草各像元光谱带入建立好的PLS-DA模型进行预测计算(应保证像元空间位置不发生变化)。当某个像元的PLS模型预测值为-1.5～0.45时，判定该像元为伪冬虫夏草原草像元，为了更加直观显现，可以在该像元对应位置将该像元标记为蓝色；当某个像元的预测值为0.55～1.5时，判定该像元为真冬虫夏草原草像元，为了更加直观显现，可以在该像元对应位置将该像元标记为绿色；当某个像元的预测值为0.45～0.55时，判定为未知类别(有可能为泥沙或其他污染物)，为了更加直观显现，可以在该像元对应位置将该像元标记为红色。
完成所有像元的预测后，统计真冬虫夏草原草像元的总数、伪冬虫夏草原草像元的总数、未知类别的总数以及对应所占该样品总像元数的比例；预测结果如表1所示：
表1：果洛冬虫夏草原草高光谱像元PLS-DA预测结果
从表1可以看出，果洛冬虫夏草原草的预测中，预测为冬虫夏草原草像元的比例占到83.25％，伪草原草像元比例为11.76％。但考虑到冬虫夏草原草的整体性(不可能存在一部分为真草，一部分为伪草)，该冬虫夏草原草可判定为真草原草(红色部分可能为泥土等其他物质)。
此外，也可以从图2中的PLS-DA预测图中直观看出该样品绝大部分预测图像为绿色，较小部分预测图像为蓝色，很小部分预测图像为红色，同样基于冬虫夏草原草整体性的考虑，可以判定该样品为真草原草。
从上可以看出，该模型具有形象、直观、简单、稳定等特点，有较好的容错能力，可应用于实际生产中冬虫夏草原草真伪的自动鉴别，减小人为因素的干扰，具有客观、真实性。
实施例2：
本例以伪草亚香棒原草鉴别为例，包括以下实现步骤：
1.样品准备：
将采集到的伪草亚香棒，经过干刷、清洗、40℃低温干燥后，将其整齐摆放于样品板上，要求每根伪草亚香棒原草样品之间应有不低于5mm的间隙，以确保不能有重叠粘连。
2.样品高光谱数据采集：
将样品传送至高光谱相机镜头下，按设定参数(同实施例1中的设定)进行扫描，保存样品的高光谱图像和光谱信息。图像处理由瑞典Umbio公司的Evince软件采用相机内置黑白标准物质对图像进行自动校正，然后光强值经A/D转换为光谱吸收曲线。
3.图像处理：
首先删除含有较多噪音的940–1000nm和2469–2537nm波段下数据。对采集各像元数据按光谱维分别进行均值中心化变换后，进行PCA变换，人机交互式选择亚香棒在PCA得分空间中的ROI像元；进一步计算背景像元与亚香棒原草像元之间的欧式距离，并显示为直方图形式，寻找能将背景和亚香棒原草像元显著分离的阈值，删除无用的背景像元。
4.PLS-DA预测：
将第3步得到每根亚香棒草原草的各像元光谱依次进行Savitsky–Golay平滑(窗口取值11，多项式阶数为3)、标准正太变量校正(SNV)和均值中心化处理以消除基线漂移、光散射、噪音、样品表面形貌差异等干扰。
将预处理后的亚香棒草原草各像元光谱带入建立好的PLS-DA模型进行预测计算(应保证像元空间位置不发生变化)。当某个像元的PLS模型预测值为-1.5～0.45时，判定该像元为伪草原草像元，为了更加直观显现，可以在该像元对应位置将该像元标记为蓝色；当某个像元的预测值为0.55～1.5时，判定该像元为真草原草像元，为了更加直观显现，可以在该像元对应位置将该像元标记为绿色；当某个像元的预测值为0.45～0.55时，判定为未知类别(有可能为泥沙或其他污染物)，为了更加直观显现，可以在该像元对应位置将该像元标记为红色。
完成所有像元的预测后，统计真草原草像元的总数、伪草原草像元的总数、未知类别的总数以及对应所占该样品总像元数的比例；预测结果如表2所示：
表2：亚香棒虫草原草高光谱像元PLS-DA预测结果
从表2可以看出，预测为亚香棒原草像元的比例占到68.54％，冬虫夏草像元比例为8.99％。但考虑到亚香棒伪草原草的整体性(不可能存在一部分为真草，一部分为伪草)，该草原草可判定为伪草原草(红色部分可能为泥土等其他物质)。
此外，也可以从图3中的PLS-DA预测图中直观看出该样品绝大部分预测图像为蓝色，较小部分预测图像为红色，很小部分预测图像为绿色，同样基于原草整体性的考虑，可以判定该样品为伪草原草。
从上可以看出，该模型具有形象、直观、简单、稳定等特点，有较好的容错能力，可应用于实际生产中冬虫夏草原草真伪的自动鉴别，减小人为因素的干扰，具有客观、真实性。
Claims (10)
1.无损检测冬虫夏草原草真伪的方法，其特征在于，包括：
建立冬虫夏草原草PLS-DA预测模型，在进行冬虫夏草原草鉴别时，将待检测样品放置入高光谱反射图像采集系统中，利用所述高光谱反射图像采集系统采集所述待检测样品的高光谱信息，并对采集的高光谱信息进行图像处理后输入已建立的冬虫夏草原草PLS-DA预测模型进行预测，根据预测输出值对该样品进行鉴别；所述高光谱信息为待检测样品的像元光谱信息。
2.如权利要求1所述的无损检测冬虫夏草原草真伪的方法，其特征在于，
所述建立冬虫夏草原草PLS-DA预测模型的步骤包括：
A1.选取冬虫夏草原草样品分别经预处理后作为正样品集；
A2.选取易与冬虫夏草原草混淆的样品分别经预处理后作为负样品集；
A3.分别将正样品集中的正样品和负样品集中的负样品放置入高光谱反射图像采集系统中，利用所述高光谱反射图像采集系统采集样品的高光谱信息；
A4.对采集的高光谱信息进行图像处理后提取光谱特征，将提取的光谱特征录入数据库；
A5.重复步骤A3-A4，直至完成正、负样品集中的所有样品的光谱特征的提取和录入；
A6.随机选取等比例的正、负样品的光谱特征建立PLS-DA预测模型；
在建立冬虫夏草原草PLS-DA预测模型时，步骤A3和A4中，所述高光谱反射图像采集系统采集的样品高光谱信息为该样品的平均光谱信息。
3.如权利要求2所述的无损检测冬虫夏草原草真伪的方法，其特征在于，
步骤A1中，选取全国不同产地的冬虫夏草原草样品分别经预处理后作为正样品集；
所述选取全国不同产地的冬虫夏草样品具体包括：选自全国主产区青海玉树、青海果洛、青海海南、青海海东、四川、西藏、甘肃、云南八个地区冬虫夏草样品。
4.如权利要求2所述的无损检测冬虫夏草原草真伪的方法，其特征在于，
步骤A2中，选取市面上多种易与冬虫夏草原草混淆的样品分别经预处理后作为负样品集；所述易与冬虫夏草混淆的样品包括：麻脊背、蛹虫草、亚香棒，凉山虫草、新疆虫草。
5.如权利要求2所述的无损检测冬虫夏草原草真伪的方法，其特征在于，
步骤A1和A2中，所述预处理是指依次经过干刷、清洗、40℃低温干燥。
6.如权利要求2所述的无损检测冬虫夏草原草真伪的方法，其特征在于，
步骤A4中，对采集的高光谱信息进行图像处理后按照正、负样品光谱方差最大化原则提取光谱特征。
7.如权利要求2所述的无损检测冬虫夏草原草真伪的方法，其特征在于，所述根据预测输出值对该样品进行鉴别具体方法是：若该样品的某个像元经过PLS-DA模型预测其输出值介于-1.5～0.45之间，则判定该像元为伪冬虫夏草像元；若该样品的某个像元经过PLS-DA模型预测其输出值介于0.55～1.5之间，则判定该像元为真冬虫夏草像元；若该样品的某个像元经过PLS-DA模型预测其输出值介于0.45～0.55之间，则判定该像元为未知类别像元；
最后由系统分别自动统计真冬虫夏草像元、伪冬虫夏草像元、未知类别像元的个数并计算在该样品总像元数中的比例，根据比例分布情况鉴别该样品的真伪：若真冬虫夏草像元的个数在该样品总像元数中的比例≥60％，则判定该样品为真。
8.如权利要求2所述的无损检测冬虫夏草原草真伪的方法，其特征在于，
所述高光谱反射图像采集系统采用碲镉汞二维阵列检测器，光源为石英卤素灯；
所述高光谱反射图像采集系统的光谱采集范围为短波红外波段940–2537nm；
所述高光谱反射图像采集系统的像素为320×256，像素大小150μm×150μm，采用视场为50mm镜头；
扫描方式为高速推扫式高光谱成像，推扫速度3mm/s，采集速度100fps。
9.如权利要求2所述的无损检测冬虫夏草原草真伪的方法，其特征在于，利用所述高光谱反射图像采集系统采集该样品的高光谱信息，具体步骤如下：
①采集获得该样品(m×n)个像元在k个波段下的连续光谱曲线，每一波段对应的光谱信号响应值为Ik，k＝1，2…K；
②利用标准白板标定图像的光强值，计算每幅图像在第k个波段下高光谱反射图像的相对光强值其中为第k个波段下每个冬虫夏草高光谱反射图像的相对强光值；Ik为第k个波段下每个冬虫夏草高光谱反射图像的光强值；为第k个波段下标准白板高光谱反射图像的光强值；Dk为第k个波段下采集的全黑标定图像光强值；
③将计算出来的相对光强值经过A/D转换，转换为光谱曲线。
10.如权利要求2所述的无损检测冬虫夏草原草真伪的方法，其特征在于，步骤A4中所述对采集的高光谱信息进行图像处理后提取光谱特征，具体包括：
对采集各像元数据按光谱维分别进行均值中心化变换后，进行PCA变换，保留目标对象所在像元光谱和位置信息，扣除无用的背景单元；
以每个样品为单元，计算获得每个样品的平均光谱，并对平均光谱构成的数据集依次进行Savitsky–Golay平滑、标准正太变量校正、均值中心化处理和PCA变换，在保证累积方差≥90％的情况下，取前3个主成分的光谱特征信息；
所述扣除无用的背景单元的方法是：
人机交互式选择样品在PCA得分空间中的ROI像元，计算背景像元与样本像元之间的欧式距离并显示为直方图形式，寻找能将背景和样本像元显著分离的阈值，删除无用的背景单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610020559.XA CN105527241A (zh) | 2015-01-14 | 2016-01-13 | 无损检测冬虫夏草原草真伪的方法 |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510018020 | 2015-01-14 | ||
| CN2015100180206 | 2015-01-14 | ||
| CN201610020559.XA CN105527241A (zh) | 2015-01-14 | 2016-01-13 | 无损检测冬虫夏草原草真伪的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105527241A true CN105527241A (zh) | 2016-04-27 |
Family
ID=55769601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610020559.XA Pending CN105527241A (zh) | 2015-01-14 | 2016-01-13 | 无损检测冬虫夏草原草真伪的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105527241A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106404689A (zh) * | 2016-09-23 | 2017-02-15 | 广东食品药品职业学院 | 一种化橘红成分鉴定方法 |
| CN107255624A (zh) * | 2017-05-12 | 2017-10-17 | 华南农业大学 | 一种快速简便测定迷力菌子实体中蛋白质含量的方法 |
| CN113008815A (zh) * | 2021-02-24 | 2021-06-22 | 浙江工业大学 | 一种基于高光谱图像信息无损检测酸枣仁中总黄酮的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1702684A (zh) * | 2005-04-06 | 2005-11-30 | 北京航空航天大学 | 高噪声图像特征点自动提取方法 |
| US20060290933A1 (en) * | 2005-06-27 | 2006-12-28 | Paige Holm | System and method for monitoring plant conditions |
| CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| CN102081039A (zh) * | 2010-08-17 | 2011-06-01 | 江苏大学 | 一种环境可控的作物营养水分高光谱图像检测装置 |
| CN102495005A (zh) * | 2011-11-17 | 2012-06-13 | 江苏大学 | 高光谱图像技术诊断作物水分亏缺的方法 |
| CN103411973A (zh) * | 2013-09-03 | 2013-11-27 | 西北农林科技大学 | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 |
-
2016
- 2016-01-13 CN CN201610020559.XA patent/CN105527241A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1702684A (zh) * | 2005-04-06 | 2005-11-30 | 北京航空航天大学 | 高噪声图像特征点自动提取方法 |
| US20060290933A1 (en) * | 2005-06-27 | 2006-12-28 | Paige Holm | System and method for monitoring plant conditions |
| CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| CN102081039A (zh) * | 2010-08-17 | 2011-06-01 | 江苏大学 | 一种环境可控的作物营养水分高光谱图像检测装置 |
| CN102495005A (zh) * | 2011-11-17 | 2012-06-13 | 江苏大学 | 高光谱图像技术诊断作物水分亏缺的方法 |
| CN103411973A (zh) * | 2013-09-03 | 2013-11-27 | 西北农林科技大学 | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 双利合谱: "基于高光谱成像技术的虫草粉末无损鉴定的实验探索", 《双利合谱》 * |
| 高海龙: "基于透射和反射高光谱成像技术的马铃薯缺陷检测方法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106404689A (zh) * | 2016-09-23 | 2017-02-15 | 广东食品药品职业学院 | 一种化橘红成分鉴定方法 |
| CN107255624A (zh) * | 2017-05-12 | 2017-10-17 | 华南农业大学 | 一种快速简便测定迷力菌子实体中蛋白质含量的方法 |
| CN113008815A (zh) * | 2021-02-24 | 2021-06-22 | 浙江工业大学 | 一种基于高光谱图像信息无损检测酸枣仁中总黄酮的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102435713B (zh) | 中药品质自动检测系统 | |
| CN101881726B (zh) | 植物幼苗综合性状活体无损检测方法 | |
| CN106525732B (zh) | 基于高光谱成像技术的苹果内外品质快速无损检测方法 | |
| Luo et al. | Classification of weed seeds based on visual images and deep learning | |
| CN109765194A (zh) | 基于高光谱成像技术的枸杞子产地识别方法 | |
| Yuan et al. | Selecting key wavelengths of hyperspectral imagine for nondestructive classification of moldy peanuts using ensemble classifier | |
| Wang et al. | Landscape-level vegetation classification and fractional woody and herbaceous vegetation cover estimation over the dryland ecosystems by unmanned aerial vehicle platform | |
| CN109827957B (zh) | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 | |
| Li et al. | GIS-based detection of grain boundaries | |
| CN105628708A (zh) | 一种南疆红枣多参量品质快速无损检测方法 | |
| Li et al. | SPM-IS: An auto-algorithm to acquire a mature soybean phenotype based on instance segmentation | |
| CN105466921A (zh) | 一种多样品同时检测的方法 | |
| CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
| CN105527241A (zh) | 无损检测冬虫夏草原草真伪的方法 | |
| CN105115910A (zh) | 基于高光谱成像技术检测花生中蛋白质含量分布的方法 | |
| CN111007013A (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
| Raut et al. | Assessment of fruit maturity using digital image processing | |
| CN106845366A (zh) | 基于图像的甘蔗覆盖度自动检测方法 | |
| CN105606544A (zh) | 无损检测冬虫夏草虫体真伪的方法 | |
| Tian et al. | The detection system for greenhouse tomato disease degree based on android platform | |
| CN105548037A (zh) | 无损检测中药原药材的方法 | |
| CN105466865A (zh) | 无损检测冬虫夏草子座真伪的方法 | |
| Zhang et al. | Chlorophyll content detection of field maize using RGB-NIR camera | |
| CN116862456B (zh) | 一种基于图像处理的中药生产监视控制系统及方法 | |
| CN109308464A (zh) | 一种基于数码相机图像的水稻穗子识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160427 |
|
| RJ01 | Rejection of invention patent application after publication |