CN105973858B - 一种中药品质自动检测系统 - Google Patents
一种中药品质自动检测系统 Download PDFInfo
- Publication number
- CN105973858B CN105973858B CN201610424634.9A CN201610424634A CN105973858B CN 105973858 B CN105973858 B CN 105973858B CN 201610424634 A CN201610424634 A CN 201610424634A CN 105973858 B CN105973858 B CN 105973858B
- Authority
- CN
- China
- Prior art keywords
- parameter
- chinese medicine
- quality
- vector
- 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.)
- Expired - Fee Related
Links
- 239000003814 drug Substances 0.000 title claims abstract description 103
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 239000000126 substance Substances 0.000 claims abstract description 20
- 238000013441 quality evaluation Methods 0.000 claims abstract description 17
- 239000000284 extract Substances 0.000 claims abstract description 15
- 239000000203 mixture Substances 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000002189 fluorescence spectrum Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 99
- 239000011159 matrix material Substances 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 38
- 238000000034 method Methods 0.000 claims description 32
- 238000013459 approach Methods 0.000 claims description 14
- 230000000052 comparative effect Effects 0.000 claims description 14
- 238000004587 chromatography analysis Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 239000007787 solid Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000000843 powder Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000002798 spectrophotometry method Methods 0.000 claims description 7
- 230000004438 eyesight Effects 0.000 claims description 6
- 239000004615 ingredient Substances 0.000 claims description 6
- 230000001681 protective effect Effects 0.000 claims description 6
- 210000002105 tongue Anatomy 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 5
- 238000003321 atomic absorption spectrophotometry Methods 0.000 claims description 5
- 238000005251 capillar electrophoresis Methods 0.000 claims description 5
- 238000001035 drying Methods 0.000 claims description 5
- 238000004817 gas chromatography Methods 0.000 claims description 5
- 235000008434 ginseng Nutrition 0.000 claims description 5
- 238000004128 high performance liquid chromatography Methods 0.000 claims description 5
- 150000002500 ions Chemical class 0.000 claims description 5
- 238000000870 ultraviolet spectroscopy Methods 0.000 claims description 5
- -1 color Substances 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 229910001385 heavy metal Inorganic materials 0.000 claims description 4
- 229940126678 chinese medicines Drugs 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 3
- 238000010304 firing Methods 0.000 claims description 3
- 238000001506 fluorescence spectroscopy Methods 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 244000005700 microbiome Species 0.000 claims description 3
- 238000010298 pulverizing process Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000007873 sieving Methods 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 15
- 239000002398 materia medica Substances 0.000 abstract description 4
- 230000036541 health Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 6
- 241000238370 Sepia Species 0.000 description 5
- 235000009508 confectionery Nutrition 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 239000000796 flavoring agent Substances 0.000 description 5
- 235000019634 flavors Nutrition 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- YDQWDHRMZQUTBA-UHFFFAOYSA-N Aloe emodin Chemical compound C1=CC=C2C(=O)C3=CC(CO)=CC(O)=C3C(=O)C2=C1O YDQWDHRMZQUTBA-UHFFFAOYSA-N 0.000 description 2
- OEYQBKYISMRWQB-UHFFFAOYSA-N Santal Chemical compound C=1C(OC)=CC(O)=C(C2=O)C=1OC=C2C1=CC=C(O)C(O)=C1 OEYQBKYISMRWQB-UHFFFAOYSA-N 0.000 description 2
- 244000269722 Thea sinensis Species 0.000 description 2
- 239000010231 banlangen Substances 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- LQGUBLBATBMXHT-UHFFFAOYSA-N chrysophanol Chemical compound C1=CC=C2C(=O)C3=CC(C)=CC(O)=C3C(=O)C2=C1O LQGUBLBATBMXHT-UHFFFAOYSA-N 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000008187 granular material Substances 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 238000001000 micrograph Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000006187 pill Substances 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- WCGUUGGRBIKTOS-GPOJBZKASA-N (3beta)-3-hydroxyurs-12-en-28-oic acid Chemical compound C1C[C@H](O)C(C)(C)[C@@H]2CC[C@@]3(C)[C@]4(C)CC[C@@]5(C(O)=O)CC[C@@H](C)[C@H](C)[C@H]5C4=CC[C@@H]3[C@]21C WCGUUGGRBIKTOS-GPOJBZKASA-N 0.000 description 1
- NKDFYOWSKOHCCO-YPVLXUMRSA-N 20-hydroxyecdysone Chemical compound C1[C@@H](O)[C@@H](O)C[C@]2(C)[C@@H](CC[C@@]3([C@@H]([C@@](C)(O)[C@H](O)CCC(C)(O)C)CC[C@]33O)C)C3=CC(=O)[C@@H]21 NKDFYOWSKOHCCO-YPVLXUMRSA-N 0.000 description 1
- HXWZQRICWSADMH-SEHXZECUSA-N 20-hydroxyecdysone Natural products CC(C)(C)CC[C@@H](O)[C@@](C)(O)[C@H]1CC[C@@]2(O)C3=CC(=O)[C@@H]4C[C@@H](O)[C@@H](O)C[C@]4(C)[C@H]3CC[C@]12C HXWZQRICWSADMH-SEHXZECUSA-N 0.000 description 1
- 240000000031 Achyranthes bidentata Species 0.000 description 1
- 241000251468 Actinopterygii Species 0.000 description 1
- 244000189799 Asimina triloba Species 0.000 description 1
- 235000006264 Asimina triloba Nutrition 0.000 description 1
- 241000271566 Aves Species 0.000 description 1
- 206010004542 Bezoar Diseases 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 235000009467 Carica papaya Nutrition 0.000 description 1
- 241000207199 Citrus Species 0.000 description 1
- 244000247747 Coptis groenlandica Species 0.000 description 1
- 235000002991 Coptis groenlandica Nutrition 0.000 description 1
- 235000009917 Crataegus X brevipes Nutrition 0.000 description 1
- 235000013204 Crataegus X haemacarpa Nutrition 0.000 description 1
- 235000009685 Crataegus X maligna Nutrition 0.000 description 1
- 235000009444 Crataegus X rubrocarnea Nutrition 0.000 description 1
- 235000009486 Crataegus bullatus Nutrition 0.000 description 1
- 235000017181 Crataegus chrysocarpa Nutrition 0.000 description 1
- 235000009682 Crataegus limnophila Nutrition 0.000 description 1
- 240000000171 Crataegus monogyna Species 0.000 description 1
- 235000004423 Crataegus monogyna Nutrition 0.000 description 1
- 235000002313 Crataegus paludosa Nutrition 0.000 description 1
- 235000009840 Crataegus x incaedua Nutrition 0.000 description 1
- DCEFCUHVANGEOE-UHFFFAOYSA-N Ecdysterone Natural products CC(CC(C)(C)O)C(O)C(C)(O)C1CCC2(O)C3=CC(=O)C4CC(O)C(O)CC4(C)C3CCC12C DCEFCUHVANGEOE-UHFFFAOYSA-N 0.000 description 1
- 239000010282 Emodin Substances 0.000 description 1
- 244000153234 Hibiscus abelmoschus Species 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 240000005001 Paeonia suffruticosa Species 0.000 description 1
- 235000003889 Paeonia suffruticosa Nutrition 0.000 description 1
- 241000287531 Psittacidae Species 0.000 description 1
- 241000405911 Rehmannia glutinosa Species 0.000 description 1
- 240000004980 Rheum officinale Species 0.000 description 1
- 235000008081 Rheum officinale Nutrition 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 description 1
- 229930006000 Sucrose Natural products 0.000 description 1
- 240000006365 Vitis vinifera Species 0.000 description 1
- 235000014787 Vitis vinifera Nutrition 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 244000126002 Ziziphus vulgaris Species 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- NKDFYOWSKOHCCO-UHFFFAOYSA-N beta-ecdysone Natural products C1C(O)C(O)CC2(C)C(CCC3(C(C(C)(O)C(O)CCC(C)(O)C)CCC33O)C)C3=CC(=O)C21 NKDFYOWSKOHCCO-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000019636 bitter flavor Nutrition 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- NZPQWZZXRKZCDU-UHFFFAOYSA-N chrysophanol Natural products Cc1cc(O)c2C(=O)c3c(O)cccc3Oc2c1 NZPQWZZXRKZCDU-UHFFFAOYSA-N 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 235000020971 citrus fruits Nutrition 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- RHMXXJGYXNZAPX-UHFFFAOYSA-N emodin Chemical compound C1=C(O)C=C2C(=O)C3=CC(C)=CC(O)=C3C(=O)C2=C1O RHMXXJGYXNZAPX-UHFFFAOYSA-N 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000019688 fish Nutrition 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000001339 gustatory effect Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 235000012907 honey Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011812 mixed powder Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
- 230000014860 sensory perception of taste Effects 0.000 description 1
- 239000009877 shengmai Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000005720 sucrose Substances 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 229940096998 ursolic acid Drugs 0.000 description 1
- PLSAJKYPRJGMHO-UHFFFAOYSA-N ursolic acid Natural products CC1CCC2(CCC3(C)C(C=CC4C5(C)CCC(O)C(C)(C)C5CCC34C)C2C1C)C(=O)O PLSAJKYPRJGMHO-UHFFFAOYSA-N 0.000 description 1
- 239000000341 volatile oil Substances 0.000 description 1
- 230000008673 vomiting Effects 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
- G01N21/643—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes" non-biological material
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Optics & Photonics (AREA)
- Computing Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种中药品质自动检测系统，采集中药原始图像，分割出目标区域的轮廓，进行图像去噪，将神经网络PCNN与图像对应，将中心神经元与图像的像素点对应，分别点亮单个多波长LED灯，选择能激发显著荧光信号的几个LED轮流点亮，采集中药样本300nm‑1100nm的荧光光谱，提取各二维图像的一维时间序列信号特征并存储特征信息，提取中药显微图像空域特征，进行中药品质的检测。本发明利用电子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，有利于准确配药。
Description
技术领域
本发明属于药物学技术领域，尤其涉及一种中药品质自动检测系统。
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。
在计算机视觉(或数字视觉)领域实现的众多任务例如要求对诸如图像之类的复杂数据进行比较以得到该数据之间的相似度分数。
在生物计量认证领域，对个体的图像进行比较以确定图像是否是从同一处得到的。为了解决这类问题，已知从待比较的数据中提取特征，特征提取将待比较的数据转换为特征向量，并随后计算特征向量之间的相似度函数。计算出的相似度函数通常包括预先未知的参数。这些参数被确定并通过机器学习来逐步优化。为此，处理单元对从数据库中得到的一组数据进行数据比较操作，将由相似度函数给出的结果与实际结果进行比较，并且相应地优化相似度函数的参数以得到更加可靠的结果。然而，在数据库中将数据的质量变化考虑在内限制了机器学习所形成的比较性能水平的提升。其结果是，所确定的相似度函数表现出欠佳的性能并因此表现出欠佳的比较质量。所提出的比较方法因而并不完全可靠。
近红外光谱技术(NIRS)是一种现代高新分析测试技术，具有快速、无损检测等特点，主要包括近红外光谱仪、化学计量学软件和应用模型三部分，现已成功应用于谷物、烟草和化工等诸多行业产品的分析测定中，并在中药分析领域表现出巨大应用潜力，如可以快速测定牛膝中蜕皮甾酮含量，大黄中大黄素、大黄酚、大黄酸、芦荟大黄素等多个成分含量及六味地黄丸混合粉末样品中熊果酸的含量。对于其他分析测试技术，应用领域广，技术成熟，如紫外-可见分光光度法、原子吸收分光光度法、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，可以根据中药化学成分不同及安全性检测指标不同，进而选择适宜的检测技术。
中药品质高低直接影响临床用药的疗效。长期以来，中药品质评价的研究都以化学成分含量测定为中心，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。古人的经验鉴别是从整体上控制中药品质的方法之一。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工感观评估，即通过眼观、手握、鼻嗅、口尝等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。故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，制约了中药国际化，使中药商业价值难以提高。
综上可知，现有评价中药的品质体系存在缺点，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，未强调内在品质和外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。而且现有技术智能化程度，使用不方便，制造成本高。
发明内容
本发明的目的在于提供一种中药品质自动检测系统，旨在解决现有中药品质检测方法智能化程度低，使用成本高的问题。
本发明是这样实现的，一种中药品质自动检测系统，采用以下方法进行中药品质自动检测：
步骤一、将待进行品质鉴别的中药在<4℃下冷冻保存；若为固体，则粉碎处理所述固体样品，粉碎后的固体样品过40～120目筛，然后将过筛后的粉末在50～90℃烘干1～6h，将烘干后的粉末低温冷冻保存；若为固体提取物、液体提取物或提取物浓缩溶液，则可直接在<4℃下冷冻保存；
步骤二、采集待进行品质鉴别的中药的原始图像，对原始图像进行预处理，分割出目标区域的轮廓，进行图像去噪，将神经网络PCNN与图像对应，将中心神经元与图像的像素点对应，中心神经元的邻域与邻域像素点对应，神经元的输入为像素点的灰度值；
步骤三、分别点亮单个多波长LED灯，切换到相应的滤波片，观察不同LED激发光下中药样本的光谱信号，选择能激发显著荧光信号的几个LED轮流点亮，采集中药样本300nm-1100nm的荧光光谱；
步骤四、将待进行品质鉴别的中药的原始图像依次采用减背景、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；
步骤五、利用PCNN模型处理中药材显微图像，提取各二维图像的一维时间序列信号特征并存储特征信息，对该一维时间序列信号进行熵变换，形成熵序列信号，并作为PCNN处理的另一图像特征，并结合中药显微图像体视学要求的图像目标特征，提取中药显微图像空域特征；
步骤六、对不同波长LED照射下的所有中药样本的荧光光谱数据进行主成分分析，将主成分按方差贡献率由大到小排列，根据对累计贡献率的要求，取前T个主成分；
步骤七、对不同波长下的检测结果及中药显微图像空域特征进行比对，找到最好的评判结果，完成中药品质的检测。
进一步，利用下列公式运行PCNN模型模型：
Fij[n]＝Sij
Lij[n]＝VLΣwijklYkl[n-1]
Uij[n]＝Fij[n](1+βLij[n])
Iij[n]＝N-n
式中：Uij[n]为内部活动项，Yij[n]为PCNN脉冲输出，Iij[n]为索引值；
当n＝1时，Lij[1]＝0，则Uij[1]＝Fij[1]＝Sij，θij[1]＝LT(N-1)＝Sij_max，对应的反馈输入中值为Sij_max的神经元将自然点火；神经元点火后，输出Yij[1]＝1，θij[2]变为Vθ，点火神经元的索引值标记为Iij＝N-1。
进一步，所述中药品质自动检测系统，包括显示屏，信号灯，传感片，传感装置，信号天线，监测结构，外壳，输入端和电器元件，所述的显示屏通过电性连接设置在传感片的上部；所述的输入端安装在信号灯的下部位置；所述的信号天线设置在传感装置的上部位置；所述的外壳安装在电器元件的外部位置；所述的监测结构安装在外壳的下部位置；
所述的传感装置包括定位孔，固定边框，针孔摄像头，传感球和防护镜头；所述的定位孔设置在固定边框的外部位置，所述的针孔摄像头设置在固定边框的中间位置；
所述的监测结构包括红外接收管，电池，检测器，平面调节按键和储存卡，所述的平面调节按键通过电性连接设置在红外接收管的下部，所述的检测器通过电性连接设置在平面调节按键的左侧；
所述的检测器设置有品种选择模块，参数设定模块，参数检测模块，参数比较模块，品质计算模块；
所述选择模块为选择要检测的中药品种，确定要检测的与其品质相关的参数，各参数在品质中的权重系数；
所述参数设定模块为设定要检测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的参数；
所述参数检测模块为用电子视觉系统、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；
所述品质计算模块为根据各相对参数优劣值及权重系数计算得到品质值。
进一步，所述中药外观形、色、气、味参数中的形包括形状和规格大小，色包括颜色和光泽，所述的气为气味，所述的味为味道；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。
进一步，所述常规检测为对中药的水分、粒度、装量差异进行检查；
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。
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；
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。
进一步，参数比较模块比较方法包括：
计算待比较的数据的两个特征向量(x、y)之间的相似度函数，数据的每个特征向量被建模为三个独立的高斯变量求和μ+ω+ε，所述高斯变量为：
所述向量所属的类的平均值μ；
固有偏差ω，以及所述向量的观测噪声ε；
每个特征向量x与质量向量qx相关联，所述质量向量包括所述特征向量的所述观察噪声的信息，所述质量向量的分量根据数据类型和形成所述特征向量的特征类型来生成，并且在于，所述相似度函数根据所述特征向量(x、y)和相关联的质量向量(qx、qy)并依照所述特征向量的分量的协方差矩阵(Sμ、Sω、Sεx Sεy)来计算，并且每个特征向量的所述观测噪声的协方差矩阵(Sεx Sεy)根据相关联的质量向量来得到。
进一步，所述特征向量的分量的所述协方差矩阵分别包括被称为类间协方差矩阵(Sμ)的所述向量所属的类的平均值的协方差矩阵以及被称为类内协方差矩阵(Sω)的向量与所述类的平均值的偏差的协方差矩阵；
所述相似度函数(LR)是具有属于同一类的向量的所述特征向量的概率密度
与具有属于两个不同类的向量的所述特征向量的概率密度
之间的比率的对数。
进一步，参数比较模块比较方法还包括应用学习算法来确定所述向量所属的所述类的平均值、以及所述向量相对于所述类的平均值的偏差的协方差矩阵(Sμ、Sω)；
所述学习算法为期望最大算法；
所述相似度函数由下式给出：
其中：
并且其中，Sμ为所述类的平均值的协方差矩阵，Sω为相对于平均值的偏差的协方差矩阵，并且Sεx和Sεy分别为所述向量x和y的所述观测噪声的协方差矩阵。
进一步，待比较的数据是表示物理对象或物理量的数据而且是图像，并且通过对所述图像应用至少一个滤波器得到所述特征向量。
进一步，参数比较模块比较方法还包括将所计算的相似度函数(LR)的结果与阈值进行比较，确定所述数据是否属于公共类。
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。
本发明利用电子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，有利于准确配药，有利于推广使用，有利于商业流通。利用本发明可对中药炮制实施动态监控，得到最佳品质；利用本发明可对中药提取工艺进行评价，得到最优工艺；利用本发明可对含中药材保健品品质进行评价；
本发明的比较方法使得能够在计算数据之间的相似度函数的同时考虑到数据质量；这使得有可能在质量良好的数据与不确定性更大的数据之间使用可变的权重；当本发明的比较方法被应用于图像比较时，相似度函数对于图像的阴影或模糊区域并未被相似度函数的考虑权重并不如清晰可见、清楚辨别的区域那样大；使的数据比较性能借此得到了增强；机器学习使得能够优化相似度函数参数并因此提升比较方法的性能。
附图说明
图1是本发明实施例提供的中药品质自动检测系统示意图；
图2是本发明提供的传感装置结构示意图；
图中：1、显示屏；2、信号灯；3、传感片；4、传感装置；4-1、定位孔；4-2、固定边框；4-3、针孔摄像头；4-4、传感球；4-5、防护镜头；5、信号天线；6、监测结构；6-1、红外接收管；6-2、电池；6-3、检测器；6-4、平面调节按键；6-5储存卡；7、外壳；8、输入端；9、电器元件。
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楚明白，以下结合实施例，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。
下面结合附图对本发明的应用原理作进一步描述。
如图1和图2所示：
一种中药品质自动检测系统，采用以下方法进行中药品质自动检测：
步骤一、将待进行品质鉴别的中药在<4℃下冷冻保存；若为固体，则粉碎处理所述固体样品，粉碎后的固体样品过40～120目筛，然后将过筛后的粉末在50～90℃烘干1～6h，将烘干后的粉末低温冷冻保存；若为固体提取物、液体提取物或提取物浓缩溶液，则可直接在<4℃下冷冻保存；
步骤二、采集待进行品质鉴别的中药的原始图像，对原始图像进行预处理，分割出目标区域的轮廓，进行图像去噪，将神经网络PCNN与图像对应，将中心神经元与图像的像素点对应，中心神经元的邻域与邻域像素点对应，神经元的输入为像素点的灰度值；
步骤三、分别点亮单个多波长LED灯，切换到相应的滤波片，观察不同LED激发光下中药样本的光谱信号，选择能激发显著荧光信号的几个LED轮流点亮，采集中药样本300nm-1100nm的荧光光谱；
步骤四、将待进行品质鉴别的中药的原始图像依次采用减背景、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；
步骤五、利用PCNN模型处理中药材显微图像，提取各二维图像的一维时间序列信号特征并存储特征信息，对该一维时间序列信号进行熵变换，形成熵序列信号，并作为PCNN处理的另一图像特征，并结合中药显微图像体视学要求的图像目标特征，提取中药显微图像空域特征；
步骤六、：对不同波长LED照射下的所有中药样本的荧光光谱数据进行主成分分析，将主成分按方差贡献率由大到小排列，根据对累计贡献率的要求，取前T个主成分；
步骤七、对不同波长下的检测结果及中药显微图像空域特征进行比对，找到最好的评判结果，完成中药品质的检测。
进一步，利用下列公式运行PCNN模型模型：
Fij[n]＝Sij
Lij[n]＝VLΣwijklYkl[n-1]
Uij[n]＝Fij[n](1+βLij[n])
Iij[n]＝N-n
式中：Uij[n]为内部活动项，Yij[n]为PCNN脉冲输出，Iij[n]为索引值；
当n＝1时，Lij[1]＝0，则Uij[1]＝Fij[1]＝Sij，θij[1]＝LT(N-1)＝Sij_max，对应的反馈输入中值为Sij_max的神经元将自然点火；神经元点火后，输出Yij[1]＝1，θij[2]变为Vθ，点火神经元的索引值标记为Iij＝N-1。
一种中药品质自动检测系统，包括显示屏1，信号灯2，传感片3，传感装置4，信号天线5，监测结构6，外壳7，输入端8和电器元件9，所述的显示屏1通过电性连接设置在传感片3的上部；所述的输入端8安装在信号灯2的下部位置；所述的信号天线5设置在传感装置4的上部位置；所述的外壳7安装在电器元件9的外部位置；所述的监测结构6安装在外壳7的下部位置；所述的传感装置4包括定位孔4-1，固定边框4-2，针孔摄像头4-3，传感球4-4和防护镜头4-5，所述的定位孔4-1设置在固定边框4-2的外部位置，所述的针孔摄像头4-3设置在固定边框4-2的中间位置。
所述的监测结构6包括红外接收管6-1，电池6-2，检测器6-3，平面调节按键6-4和储存卡6-5，所述的平面调节按键通6-4过电性连接设置在红外接收管6-1的下部，所述的检测器6-3通过电性连接设置在平面调节按键6-4的左侧；
所述的检测器设置有品种选择模块，参数设定模块，参数检测模块，参数比较模块，品质计算模块，
所述选择模块为选择要检测的中药品种，确定要检测的与其品质相关的参数，各参数在品质中的权重系数；
所述参数设定模块为设定要检测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的参数；
所述参数检测模块为用电子视觉系统、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；
所述品质计算模块为根据各相对参数优劣值及权重系数计算得到品质值。
所述中药外观形、色、气、味参数中的形包括形状和规格大小，色包括颜色和光泽，所述的气为气味，所述的味为味道；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。
所述常规检测为对中药的水分、粒度、装量差异进行检查；
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。
所述的传感球4-4设置在固定边框4-2的中间位置，所述的传感球4-4具体采用光敏传感球，有利于操控方便，使用寿命长。
所述防护镜头4-5设置在传感球4-4的中间位置，所述的防护镜头4-5具体采用钢化玻璃的防护镜头，有利于安全可靠，从而完善功能多样性。
所述的电池6-2通过电性连接设置在红外接收管6-1左侧下部，所述的电池6-2具体采用锂离子电池，有利于用电方便，安全可靠。
所述的储存卡6-5通过电性连接设置在平面调节按键6-4的右侧，所述的储存卡6-5具体采用MMC微型储存卡，有利于储存方便，提高工作质量，从而完善功能多样性。
所述的显示屏1具体采用多点式电容触摸屏，有利于检测方便，提高智能化程度。
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。
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；
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。
参数比较模块比较方法包括：
计算待比较的数据的两个特征向量(x、y)之间的相似度函数，数据的每个特征向量被建模为三个独立的高斯变量求和μ+ω+ε，所述高斯变量为：
所述向量所属的类的平均值μ；
固有偏差ω，以及所述向量的观测噪声ε；
每个特征向量x与质量向量qx相关联，所述质量向量包括所述特征向量的所述观察噪声的信息，所述质量向量的分量根据数据类型和形成所述特征向量的特征类型来生成，并且在于，所述相似度函数根据所述特征向量(x、y)和相关联的质量向量(qx、qy)并依照所述特征向量的分量的协方差矩阵(Sμ、Sω、Sεx Sεy)来计算，并且每个特征向量的所述观测噪声的协方差矩阵(Sεx Sεy)根据相关联的质量向量来得到。
进一步，所述特征向量的分量的所述协方差矩阵分别包括被称为类间协方差矩阵(Sμ)的所述向量所属的类的平均值的协方差矩阵以及被称为类内协方差矩阵(Sω)的向量与所述类的平均值的偏差的协方差矩阵；
所述相似度函数(LR)是具有属于同一类的向量的所述特征向量的概率密度与具有属于两个不同类的向量的所述特征向量的概率密度之间的比率的对数。
进一步，参数比较模块比较方法还包括应用学习算法来确定所述向量所属的所述类的平均值、以及所述向量相对于所述类的平均值的偏差的协方差矩阵(Sμ、Sω)；
所述学习算法为期望最大算法；
所述相似度函数由下式给出：
其中：
并且其中，Sμ为所述类的平均值的协方差矩阵，Sω为相对于平均值的偏差的协方差矩阵，并且Sεx和Sεy分别为所述向量x和y的所述观测噪声的协方差矩阵。
进一步，待比较的数据是表示物理对象或物理量的数据而且是图像，并且通过对所述图像应用至少一个滤波器得到所述特征向量。
进一步，参数比较模块比较方法还包括将所计算的相似度函数(LR)的结果与阈值进行比较，确定所述数据是否属于公共类。
下面结合具体分析对本发明进一步说明。
该方法包括通过计算分别从数据中得到的大小相同的两个特征向量x和y之间的相似度函数，并且通过实现数据库上的相似度函数的参数的机器学习，来对两个数据项目进行比较。
在该方法中，每个特征向量被建模为三个独立的高斯变量求和：
x＝μ+ω+ε
其中：
μ为向量x所属的类的平均值；
ω为向量x与平均值的固有偏差；以及ε为观测噪声。
如相同类被认为相似的一组特征向量。如果使用相似度函数对两个特征向量的比较产生的结果高于由经验确定的阈值，则两个特征向量被认为相似。
例如，如果数据是一任图像，通过对多个数据的两个特征向量进行比较，如果数据来自同一个地方，则被认为相似。
回到之前所述的模型，属于同一类的两个特征向量因而具有相同的μ值，但是具有不同的ω和ε值。
如果特征向量属于不同的类，则三个变量完全独立。
则认为这三个变量满足中位数为0的多变量正态分布，并且各协方差矩阵被记为Sμ、Sω和Sε。Sμ被称为类间协方差矩阵，Sω为类内协方差矩阵且Sε为观测噪声协方差矩阵。
Sμ、Sω对于全部特征向量都是未知数。
另一方面，Sε是已知的，这是因为Sε是由特征提取模型从与特征向量相关量的质量向量中得到的。Sε与相关联的特征向量具有相同的大小。
例如，假定观测噪声彼此不相关，则Sε能够由对角矩阵充分近似。
与质量向量的分量的方差对应的该对角矩阵的元素能够根据该向量得到。
例如，通过向质量向量qx的分量应用f(qx)＝1/eaqx+b类型的Sigmoid函数来利用方差。能够选择系数a和b以将确定的方差水平与质量水平相联系。
例如，高质量能够与零方差相关联，极低质量能够与最大方差相关联，中间方差对应于中间质量。
通常来说，因为质量向量和特征向量取决于数据类型，所以将质量向量转换为噪声协方差矩阵的传递函数特定于相关联的质量向量和特征向量。
Sεx表示根据质量向量qx得到的向量x的背景噪声的协方差矩阵，并且Sεy为根据质量向量qy得到的向量y的背景噪声的协方差矩阵。
Hsim表示假设两个特征向量属于同一类，即认为对应的数据相似，并且Hd i s表示相反的假设，特征向量属于不同类并且认为对应的数据不相似。
已知x和y的各自背景噪声的协方差矩阵并且考虑到假设Hsim，x和y的联合生成概率被记作
该概率符合高斯律，其中位数为零并且协方差矩阵为
Ssim:
已知x和y的各自背景噪声的协方差矩阵并且考虑到假设Hdis，x和y的联合发生概率被记作该概率符合高斯律，其中位数为零并且协方差矩阵为
Sdis:
矩阵Ssim和Sdis的定义如下：
的概率密度以已知方式为
其中，|Ssim|为Ssim的行列式，且N为特征向量的维度。
相同的表达式被参照应用于的概率密度。
计算出的对与向量x和y相对应的两个数据进行比较的相似度函数是具有属于同一类的向量的特征向量的概率密度与具有属于两个不同类的向量的特征向量的概率密度之间的比率。
常数不依赖于x、y、或并因而能够忽略。
因而发现，相似度函数LR将x和y的观测噪声的协方差矩阵和考虑在内，并因此将与各特征向量相关联的质量向量考虑在内。
比较结果因而受到与特征向量相关联的质量或信度的影响，这使得被认为质量差或者不确定的特征能够具有较小的权重，并且质量良好或信度更好的特征具有较大的权重。
相似度函数还由机器学习来参数化。通过考虑与特征向量相关联的质量，质量差的数据对于函数的参数化的影响能够被降到最小。比较方法因而更加可靠。
比较结果与预定阈值进行比较。
该阈值有利地通过对数据库中的已知的特征向量(已知属于或者不属于同一类)进行大量比较来以经验方式确定。
如果应用于x和y的相似度函数的结果大于预定阈值，则认为对应的数据相似。否则，认为数据相异。
前述的相似度函数LR的表达式表示出，该函数由未知的协方差矩阵Sμ、Sω参数化。
因而，该方法包括以通过机器学习确认所述矩阵。
该方法有利地通过使用最大期望算法(expectation-maximization algorithm，EM算法)并且对存储在数据库中的一组数据来进行，该数据被称为“标签”(labelled)，即这些数据各自所属的类是已知的。
数量为mc的特征向量所属的类被记为c，并且
表示该类的特征向量的级联，且
表示各自的观测噪声的协方差矩阵。
对于每个类c定义潜在变量其中，每个μc为类平均值；因而仅有一个，并且每个ωc,i为该类中的特征向量相对于该平均值的偏差(因而对于每个特征向量存在一个)。
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。
下面结合具体实施例对本发明进一步说明：
可将中药品质自动检测系统应用在中药炮制系统中，技术方案为：包括炮制控制模块，炮制品质设定模块，品质自动检测系统，炮制品质比较模块；
所述炮制品质设定模块为设定炮制所要达到的形、色、气、味参数及化学成分含量参数；
所述炮制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。
可将中药品质自动检测系统应用在中药提取系统中，技术方案为：包括提取控制模块，提取品质设定模块，品质自动检测系统，提取品质比较模块；
所述提取品质设定模块为设定提取所要达到的色、气、味参数及化学成分含量参数；
所述提取控制模块为根据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与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，对提取工艺进行评价，控制提取工艺。
可将中药品质自动检测系统应用在含中药材保健品品质检测系统中，技术方案为：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。
上述中药品质自动检测系统也可应用于配方颗粒的品质检测。
中药材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)。
传统的中药外观品质检测大多依靠人工感观评估，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，最后对外观品质作出判定。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。
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。
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。
本发明利用电子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，有利于准确配药，有利于推广使用，有利于商业流通。利用本发明可对中药炮制实施动态监控，得到最佳品质；利用本发明可对中药提取工艺进行评价，得到最优工艺；利用本发明可对含中药材保健品品质进行评价。
以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种中药品质自动检测方法，其特征在于，该中药品质自动检测方法包括：
步骤一、将待进行品质鉴别的中药在<4℃下冷冻保存；若为固体，则粉碎处理所述固体样品，粉碎后的固体样品过40～120目筛，然后将过筛后的粉末在50～90℃烘干1～6h，将烘干后的粉末低温冷冻保存；若为固体提取物、液体提取物或提取物浓缩溶液，则可直接在<4℃下冷冻保存；
步骤二、采集待进行品质鉴别的中药的原始图像，对原始图像进行预处理，分割出目标区域的轮廓，进行图像去噪，将神经网络PCNN与图像对应，将中心神经元与图像的像素点对应，中心神经元的邻域与邻域像素点对应，神经元的输入为像素点的灰度值；
步骤三、分别点亮单个多波长LED灯，切换到相应的滤波片，观察不同LED激发光下中药样本的光谱信号，选择能激发显著荧光信号的几个LED轮流点亮，采集中药样本300nm-1100nm的荧光光谱；
步骤四、将待进行品质鉴别的中药的原始图像依次采用减背景、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；
步骤五、利用PCNN模型处理中药材显微图像，提取各二维图像的一维时间序列信号特征并存储特征信息，对该一维时间序列信号进行熵变换，形成熵序列信号，并作为PCNN处理的另一图像特征，并结合中药显微图像体视学要求的图像目标特征，提取中药显微图像空域特征；
步骤六、对不同波长LED照射下的所有中药样本的荧光光谱数据进行主成分分析，将主成分按方差贡献率由大到小排列，根据对累计贡献率的要求，取前T个主成分；
步骤七、对不同波长下的检测结果及中药显微图像空域特征进行比对，找到最好的评判结果，完成中药品质的检测。
2.如权利要求1所述中药品质自动检测方法，其特征在于，利用下列公式运行PCNN模型：
Fij[n]＝Sij
Lij[n]＝VLΣwijklYkl[n-1]
Uij[n]＝Fij[n](1+βLij[n])
Iij[n]＝N-n
式中：Uij[n]为内部活动项，Yij[n]为PCNN脉冲输出，Iij[n]为索引值；
当n＝1时，Lij[1]＝0，则Uij[1]＝Fij[1]＝Sij，θij[1]＝LT(N-1)＝Sij_max，对应的反馈输入中值为Sij_max的神经元将自然点火；神经元点火后，输出Yij[1]＝1，θij[1]变为Vθ，点火神经元的索引值标记为Iij＝N-1；Fij表示反馈输入通道；Sij表示反馈输入中值；Lij[n]表示第n次迭代次数的输入通道；V表示幅值；L表示输入通道；Ykl[n-1]表示第n-1次迭代次数的PCNN脉冲输出；β表示连接系数；θij[n]表示第n次迭代次数的幅值；V0表示初始幅值；T(Iij[n])为点火神经元的索引值。
3.一种如权利要求1所述中药品质自动检测方法的中药品质自动检测系统，其特征在于，该中药品质自动检测系统，包括显示屏，信号灯，传感片，传感装置，信号天线，监测结构，外壳，输入端和电器元件，所述的显示屏通过电性连接设置在传感片的上部；所述的输入端安装在信号灯的下部位置；所述的信号天线设置在传感装置的上部位置；所述的外壳安装在电器元件的外部位置；所述的监测结构安装在外壳的下部位置；
所述的传感装置包括定位孔，固定边框，针孔摄像头，传感球和防护镜头；所述的定位孔设置在固定边框的外部位置，所述的针孔摄像头设置在固定边框的中间位置；
所述的监测结构包括红外接收管，电池，检测器，平面调节按键和储存卡，所述的平面调节按键通过电性连接设置在红外接收管的下部，所述的检测器通过电性连接设置在平面调节按键的左侧；
所述的检测器设置有品种选择模块，参数设定模块，参数检测模块，参数比较模块，品质计算模块；
所述选择模块为选择要检测的中药品种，确定要检测的与其品质相关的参数，各参数在品质中的权重系数；
所述参数设定模块为设定要检测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的参数；
所述参数检测模块为用电子视觉系统、电子鼻、电子舌对中药的外观形、色、气、味参数进行检测，同时用分光光度法获得中药的化学成分含量参数，色谱法用于获得安全性检测参数，常规检测方法用于获得常规检测参；
所述参数比较模块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；
所述品质计算模块为根据各相对参数优劣值及权重系数计算得到品质值；
所述中药外观形、色、气、味参数中的形包括形状和规格大小，色包括颜色和光泽，所述的气为气味，所述的味为味道；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；
所述常规检测为对中药的水分、粒度、装量差异进行检查；
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。
4.如权利要求3所述的中药品质自动检测系统，其特征在于，参数比较模块比较方法包括：
计算待比较的数据的两个特征向量(x、y)之间的相似度函数，数据的每个特征向量被建模为三个独立的高斯变量求和μ+ω+ε，所述高斯变量为：
所述向量所属的类的平均值μ；固有偏差ω，以及所述向量的观测噪声ε；
每个特征向量x与质量向量qx相关联，所述质量向量包括所述特征向量的所述观察噪声的信息，所述质量向量的分量根据数据类型和形成所述特征向量的特征类型来生成，并且在于，所述相似度函数根据所述特征向量(x、y)和相关联的质量向量(qx、qy)并依照所述特征向量的分量的协方差矩阵(Sμ、Sω、Sεx Sεy)来计算，并且每个特征向量的所述观测噪声的协方差矩阵(Sεx Sεy)根据相关联的质量向量来得到。
5.如权利要求4所述的中药品质自动检测系统，其特征在于，所述特征向量的分量的所述协方差矩阵分别包括被称为类间协方差矩阵(Sμ)的所述向量所属的类的平均值的协方差矩阵以及被称为类内协方差矩阵(Sω)的向量与所述类的平均值的偏差的协方差矩阵；
所述相似度函数是具有属于同一类的向量的所述特征向量的概率密度
与具有属于两个不同类的向量的所述特征向量的概率密度之间的比率的对数。
6.如权利要求4所述的中药品质自动检测系统，其特征在于，参数比较模块比较方法还包括应用学习算法来确定所述向量所属的所述类的平均值、以及所述向量相对于所述类的平均值的偏差的协方差矩阵(Sμ、Sω)；
所述学习算法为期望最大算法；
所述相似度函数由下式给出：
其中：
并且其中，Sμ为所述类的平均值的协方差矩阵，Sω为相对于平均值的偏差的协方差矩阵，并且Sεx和Sεy分别为所述向量x和y的所述观测噪声的协方差矩阵，LR表示为相似度函数。
7.如权利要求4所述的中药品质自动检测系统，其特征在于，待比较的数据是表示物理对象或物理量的数据而且是图像，并且通过对所述图像应用至少一个滤波器得到所述特征向量。
8.如权利要求4所述的中药品质自动检测系统，其特征在于，参数比较模块比较方法还包括将所计算的相似度函数的结果与阈值进行比较，确定所述数据是否属于公共类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610424634.9A CN105973858B (zh) | 2016-06-13 | 2016-06-13 | 一种中药品质自动检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610424634.9A CN105973858B (zh) | 2016-06-13 | 2016-06-13 | 一种中药品质自动检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105973858A CN105973858A (zh) | 2016-09-28 |
| CN105973858B true CN105973858B (zh) | 2019-08-16 |
Family
ID=57021826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610424634.9A Expired - Fee Related CN105973858B (zh) | 2016-06-13 | 2016-06-13 | 一种中药品质自动检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105973858B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106908098A (zh) * | 2017-01-23 | 2017-06-30 | 宁波大学 | 一种中药材海马商品分级标准的建立方法 |
| CN106934774B (zh) * | 2017-03-07 | 2019-11-29 | 李强 | 一种利用超声波治疗肛瘘的控制系统 |
| CN107088529A (zh) * | 2017-04-21 | 2017-08-25 | 亳州市永刚饮片厂有限公司 | 中药饮片分级方法及中药存储方法 |
| CN107356594A (zh) * | 2017-05-24 | 2017-11-17 | 广东数相智能科技有限公司 | 基于细胞分析的药材切片检测方法、电子设备及存储介质 |
| CN107192700A (zh) * | 2017-07-25 | 2017-09-22 | 潍坊学院 | 一种用于中药质量控制的多光源快速荧光光谱检测装置及方法 |
| CN110244662A (zh) * | 2018-03-07 | 2019-09-17 | 谭利锋 | 固体制剂含量风险预估及调节系统 |
| CN108982788B (zh) * | 2018-06-07 | 2019-07-12 | 沈同平 | 一种基于大数据的中药材质量评估系统 |
| EP3620984B1 (en) * | 2018-09-06 | 2024-04-10 | Accenture Global Solutions Limited | Digital quality control using computer visioning with deep learning |
| CN109580892A (zh) * | 2018-11-26 | 2019-04-05 | 盛州医药包装材料科技（中国）有限公司 | 一种药材检测装置 |
| CN110403005A (zh) * | 2019-02-11 | 2019-11-05 | 权冉(银川)科技有限公司 | 草药果蔬的食材性防变质保护液及其制法 |
| CN110503003A (zh) * | 2019-07-29 | 2019-11-26 | 杭州电子科技大学 | 基于led阵列与卷积神经网络的茶叶品种鉴定装置与方法 |
| CN112036482B (zh) * | 2020-08-31 | 2023-10-24 | 重庆大学 | 一种基于电子鼻传感器数据的中药材分类方法 |
| CN112259185B (zh) * | 2020-10-22 | 2022-11-01 | 四川大学华西第二医院 | 一种基于用药安全的智能管理系统及方法 |
| CN112700168B (zh) * | 2021-01-14 | 2021-12-07 | 北京赛而生物药业有限公司 | 一种质检胶囊类药品的方法和装置 |
| CN113567587A (zh) * | 2021-07-29 | 2021-10-29 | 山东中医药大学 | 基于挥发油成分特征的中药寒热药性识别方法 |
| CN116342592B (zh) * | 2023-05-25 | 2023-07-25 | 山东沐泽中药饮片有限公司 | 用于蟾酥加工的蟾蜍腺体浆液烘干监测方法 |
| CN117250322B (zh) * | 2023-09-12 | 2024-04-12 | 新疆绿丹食品有限责任公司 | 一种基于大数据的红枣食品安全智能监测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1470876A (zh) * | 2002-07-25 | 2004-01-28 | 浙江大学 | 中药质量控制与评价方法 |
| CN101261280A (zh) * | 2007-12-29 | 2008-09-10 | 广东工业大学 | 基于仿生嗅觉的中药材气味鉴别方法及其装置 |
| CN101975845A (zh) * | 2010-09-21 | 2011-02-16 | 成都中医药大学 | 中药品质自动检测系统 |
| CN202421063U (zh) * | 2011-10-18 | 2012-09-05 | 江苏中兴药业有限公司 | 水飞蓟籽品质的检测装置 |
| CN103487422A (zh) * | 2013-09-30 | 2014-01-01 | 何赛灵 | 多波长led荧光光谱的云端中药品质检测系统及方法 |
| CN104732500A (zh) * | 2015-04-10 | 2015-06-24 | 天水师范学院 | 脉冲耦合神经网络中药材显微图像噪声滤除系统及方法 |
-
2016
- 2016-06-13 CN CN201610424634.9A patent/CN105973858B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1470876A (zh) * | 2002-07-25 | 2004-01-28 | 浙江大学 | 中药质量控制与评价方法 |
| CN101261280A (zh) * | 2007-12-29 | 2008-09-10 | 广东工业大学 | 基于仿生嗅觉的中药材气味鉴别方法及其装置 |
| CN101975845A (zh) * | 2010-09-21 | 2011-02-16 | 成都中医药大学 | 中药品质自动检测系统 |
| CN202421063U (zh) * | 2011-10-18 | 2012-09-05 | 江苏中兴药业有限公司 | 水飞蓟籽品质的检测装置 |
| CN103487422A (zh) * | 2013-09-30 | 2014-01-01 | 何赛灵 | 多波长led荧光光谱的云端中药品质检测系统及方法 |
| CN104732500A (zh) * | 2015-04-10 | 2015-06-24 | 天水师范学院 | 脉冲耦合神经网络中药材显微图像噪声滤除系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| PCNN在图像处理中的应用;王科俊 等;《哈尔滨工程大学学报》;20060731;第27卷;第21-24页 |
| 一种基于PCNN的图像去噪新方法;顾晓东 等;《电子与信息学报》;20021031;第24卷(第10期);第1304-1309页 |
| 关于PCNN应用于图像处理的研究;顾晓东 等;《电讯技术》;20031231(第3期);第182-188页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105973858A (zh) | 2016-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105973858B (zh) | 一种中药品质自动检测系统 | |
| Pang et al. | Rapid vitality estimation and prediction of corn seeds based on spectra and images using deep learning and hyperspectral imaging techniques | |
| Mendez et al. | Trends in application of NIR and hyperspectral imaging for food authentication | |
| Jahanbakhshi et al. | A novel method based on machine vision system and deep learning to detect fraud in turmeric powder | |
| CN102435713B (zh) | 中药品质自动检测系统 | |
| Sun et al. | Classification of black beans using visible and near infrared hyperspectral imaging | |
| Kiani et al. | Hyperspectral imaging, a non-destructive technique in medicinal and aromatic plant products industry: Current status and potential future applications | |
| Xu et al. | Recent trends of multi-source and non-destructive information for quality authentication of herbs and spices | |
| CN106706546A (zh) | 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 | |
| CN108960315A (zh) | 一种调理肉制品品质智能评价系统及方法 | |
| Yuan et al. | Selecting key wavelengths of hyperspectral imagine for nondestructive classification of moldy peanuts using ensemble classifier | |
| Chen et al. | Fast detection of cumin and fennel using NIR spectroscopy combined with deep learning algorithms | |
| Wang et al. | Rapid detection of quality index of postharvest fresh tea leaves using hyperspectral imaging | |
| Ke et al. | Non-destructive determination of volatile oil and moisture content and discrimination of geographical origins of Zanthoxylum bungeanum Maxim. by hyperspectral imaging | |
| Przybył et al. | Application of artificial neural network for the quality-based classification of spray-dried rhubarb juice powders | |
| Sheng et al. | Data fusion strategy for rapid prediction of moisture content during drying of black tea based on micro-NIR spectroscopy and machine vision | |
| Sun et al. | Identification of pesticide residues on black tea by fluorescence hyperspectral technology combined with machine learning | |
| Małyjurek et al. | Class-modelling of overlapping classes. A two-step authentication approach | |
| Ren et al. | Digital depiction of the quality of Dianhong black tea based on pocket-sized near infrared spectroscopy | |
| Wu et al. | Global calibration for non-targeted fraud detection in quinoa flour using portable hyperspectral imaging and chemometrics | |
| Khorramnia et al. | Oil palm leaf nutrient estimation by optical sensing techniques | |
| Yang et al. | Non-destructive detection of defective maize kernels using hyperspectral imaging and convolutional neural network with attention module | |
| Ren et al. | Description of tea quality using deep learning and multi-sensor feature fusion | |
| Yang et al. | A rapid recognition method of Auricularia auricula varieties based on near-infrared spectral characteristics | |
| Abdullah et al. | ANN Diagnostic System for Various Grades of Yellow Flesh Watermelon based on the Visible light and NIR properties |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190816 Termination date: 20200613 |