CN110749566B - 中药材年份的检测方法、检测装置及终端设备 - Google Patents
中药材年份的检测方法、检测装置及终端设备 Download PDFInfo
- Publication number
- CN110749566B CN110749566B CN201911013196.7A CN201911013196A CN110749566B CN 110749566 B CN110749566 B CN 110749566B CN 201911013196 A CN201911013196 A CN 201911013196A CN 110749566 B CN110749566 B CN 110749566B
- Authority
- CN
- China
- Prior art keywords
- traditional chinese
- chinese medicine
- spectrum
- medicine sample
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 97
- 239000000463 material Substances 0.000 title claims abstract description 80
- 238000001228 spectrum Methods 0.000 claims abstract description 254
- 239000003814 drug Substances 0.000 claims abstract description 170
- 238000003062 neural network model Methods 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 62
- 230000003595 spectral effect Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 41
- 238000000862 absorption spectrum Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 21
- 238000010521 absorption reaction Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 241000411851 herbal medicine Species 0.000 claims description 11
- 238000002835 absorbance Methods 0.000 claims description 8
- 230000008033 biological extinction Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000005684 electric field Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004817 gas chromatography Methods 0.000 description 3
- 238000001871 ion mobility spectroscopy Methods 0.000 description 3
- 239000000843 powder Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000213006 Angelica dahurica Species 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 244000131316 Panax pseudoginseng Species 0.000 description 2
- 235000003181 Panax pseudoginseng Nutrition 0.000 description 2
- 239000004698 Polyethylene Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- -1 ketone compounds Chemical class 0.000 description 2
- 229920002521 macromolecule Polymers 0.000 description 2
- 229920000573 polyethylene Polymers 0.000 description 2
- 239000004480 active ingredient Substances 0.000 description 1
- 229930013930 alkaloid Natural products 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001328 terahertz time-domain spectroscopy Methods 0.000 description 1
- 229940126680 traditional chinese medicines Drugs 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition 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
- G01N21/17—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
- G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
- G01N21/3586—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation by Terahertz time domain spectroscopy [THz-TDS]
-
- 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
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Toxicology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请适用于数据处理技术领域，提供了一种中药材年份的检测方法、检测装置及终端设备，包括：获取待检测的中药材样品的太赫兹光谱信息；将所述太赫兹光谱信息输入到训练后的神经网络模型中，得到所述待检测的中药材样品的年份检测结果。通过上述方法，能够实现对中药材年份的自动检测，有效提高了中药材年份检测的效率和可靠度。
Description
技术领域
本申请属于数据处理技术领域，尤其涉及一种中药材年份的检测方法、检测装置及终端设备。
背景技术
中药材被广泛应用于中医药领域，种类繁多，质量也参差不齐。其中，中药材的年份是判别中药材质量的一个重要指标。例如，年份越久的陈皮，其药用价值越高。
传统的中药材年份的检测方法主要是人工筛选，该方法效率较低，且凭人为经验得到的检测结果可靠度较低。目前，还有一种较常用的方法为气相色谱离子迁移谱联用检测法。该方法将气相色谱技术和离子迁移谱技术相结合，不仅需要进行气相色谱检测，还需要进行离子迁移谱检测，步骤繁琐，导致测试效率较低；另外，使用该方法时，需要精密制备待检测样品，以使其满足严格的检测要求，对操作人员的专业要求较高。
发明内容
本申请实施例提供了一种中药材年份的检测方法、检测装置及终端设备，可以解决中药材年份检测的效率较低问题。
第一方面，本申请实施例提供了一种中药材年份的检测方法，包括：
获取待检测的中药材样品的太赫兹光谱信息；
将所述太赫兹光谱信息输入到训练后的神经网络模型中，得到所述待检测的中药材样品的年份检测结果。
在第一方面的一种可能的实现方式中，所述中药材样品的太赫兹光谱信息包括：所述中药材样品的时域光谱数据、所述中药材样品的频域光谱数据和所述中药材样品的检测数据；
所述获取待检测的中药材样品的太赫兹光谱信息，包括：
获取预设参考物的时域光谱数据，并将所述预设参考物的时域光谱数据转换为所述预设参考物的频域光谱数据；
获取所述中药材样品的时域光谱数据，并将所述中药材样品的时域光谱数据转换为所述中药材样品的频域光谱数据；
根据所述预设参考物的频域光谱数据和所述中药材样品的频域光谱数据，计算所述中药材样品的检测数据。
在第一方面的一种可能的实现方式中，所述检测数据包括：吸光度谱线、折射率谱线和介电常数谱线；
所述根据所述预设参考物的频域光谱数据和所述中药材样品的频域光谱数据，计算所述中药材样品的检测数据，包括：
根据所述预设参考物的频域光谱数据和所述中药材样品的频域光谱数据计算所述中药材样品的吸收谱线，并根据所述吸收谱线计算所述中药材样品的吸收光度谱线；
根据所述预设参考物的频域光谱数据计算所述预设参考物的相位谱，根据所述中药材样品的频域光谱数据计算所述中药材样品的相位谱，并根据所述预设参考物的相位谱和所述中药材样品的相位谱计算所述中药材样品的折射率谱线；
根据所述预设参考物的相位谱、所述中药材样品的相位谱和所述折射率谱线计算所述中药材样品的介电常数谱线。
在第一方面的一种可能的实现方式中，所述根据所述预设参考物的频域光谱数据和所述中药材样品的频域光谱数据计算所述中药材样品的吸收谱线，包括：
其中，Abs表示所述中药材样品的吸收谱线，Fsample表示所述中药材样品的频域光谱数据，Fref表示所述预设参考物的频域光谱数据；
所述根据所述吸收谱线计算所述中药材样品的吸收光度谱线，包括：
其中，α为吸收光度谱线，ω为角频率，c为光速，k为消光系数，d为所述中药材样品的厚度；
所述根据所述预设参考物的相位谱和所述中药材样品的相位谱计算所述中药材样品的折射率谱线，包括：
其中，n为折射率谱线，为所述中药材样品的相位谱，为所述预设参考物的相位谱；
所述根据所述预设参考物的相位谱、所述中药材样品的相位谱和所述折射率谱线计算所述中药材样品的介电常数谱线，包括：
和
其中，ε为介电常数谱线的实部，为介电常数谱线的虚部。
在第一方面的一种可能的实现方式中，所述中药材年份的检测方法还包括：
获取多组样本信息，每组样本信息对应一个训练样本，每组样本信息中包括所述训练样本的年份和所述训练样本的太赫兹光谱信息；
利用所述多组样本信息对预设的神经网络模型进行训练，得到所述训练后的神经网络模型。
在第一方面的一种可能的实现方式中，所述神经网络模型为多类别神经网络，所述神经网络模型的输出结果包括多组数据，每组数据包括一个年份以及与该年份对应的概率值；
所述将所述太赫兹光谱信息输入到训练后的神经网络模型中，得到所述待检测的中药材样品的年份检测结果，包括：
将所述太赫兹光谱信息中的各个数据按照预设顺序进行排列得到输入数组，并将所述输入数组输入到所述训练后的神经网络模型中；
在获得所述神经网络模型的输出结果后，将所述输出结果中最大的概率值对应的年份作为所述待检测的中药材样品的年份检测结果。
在第一方面的一种可能的实现方式中，所述神经网络模型为Softmax Regression神经网络模型。
第二方面，本申请实施例提供了一种中药材年份的检测装置，包括：
光谱信息获取单元，用于获取待检测的中药材样品的太赫兹光谱信息；
结果检测单元，用于将所述太赫兹光谱信息输入到训练后的神经网络模型中，得到所述待检测的中药材样品的年份检测结果。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的中药材年份的检测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的中药材年份的检测方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的中药材年份的检测方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例通过获取待检测的中药材样品的太赫兹光谱信息，将所述太赫兹光谱信息输入到训练后的神经网络模型中，得到所述待检测的中药材样品的年份检测结果，神经网络模型能够实现快速分类，因此，利用神经网络对太赫兹光谱信息进行分类识别，能够提高检测效率。另外，太赫兹光谱信息能够反映中药材样品的成分特征信息，为中药材的年份检测提供了可靠依据，有效保证了检测的可靠度。通过上述方法，能够实现对中药材年份的自动检测，有效提高了中药材年份检测的效率和可靠度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的中药材年份的检测系统的示意图；
图2是本申请一实施例提供的中药材年份的检测方法的流程示意图；
图3是本申请一实施例提供的神经网络模型的训练过程示意图；
图4是本申请一实施例提供的预设的神经网络模型的结构示意图；
图5是本申请一实施例提供的误差函数随迭代次数更新的示意图；
图6是本申请一实施例提供的学习率对检测准确率的影响曲线的示意图；
图7是本申请一实施例提供的训练样本的检测结果表；
图8是本申请一实施例提供的中药材年份的检测装置的结构框图；
图9是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
本申请实施例中介绍了一种基于太赫兹波实现的中药材年份的检测方法。太赫兹波是指频率范围为0.1THz-10THz的电磁波，相应的波长为3毫米到30微米，介于毫米波与红外之间的电磁波区域，该频域范围处于宏观电子学和微观电子学过渡的区域。太赫兹波能够对生物大分子的振动和转动能级进行有效探测、对生物有机分子的相互作用和大分子内的骨架振动进行探测，并且对于许多非极性材料具有良好的穿透性。因此，可以利用太赫兹波通过特征共振和吸收对物质进行识别。而且，太赫兹光子能量比较低，不会对生物组织与细胞造成破坏，因此可以利用太赫兹波对生物进行无损检测。另外，太赫兹时域光谱技术可以获取亚皮秒、飞秒级别的时间分辨率，能够有效抑制背景噪声干扰，因此，利用太赫兹波对物质进行识别的准确度较高。
中药的成分复杂，在其生长过程中，不同种类、不同生长条件下的中药材，其中所含有的活性成分也不同。中药材中的活性成分主要包含酮类化合物和生物碱等化合物，这些化合物记录着中药材的分子结构、反映出中药材的相关环境信息。
在中药材的成分特征提供有力依据的前提下，利用太赫兹波能够准确探测出中药材的成分特征信息，再利用神经网络对成分特征信息进行检测，有效提高了中药材年份检测的可靠性。
下面介绍本申请实施例的一个应用场景。参见图1，为本申请实施例提供的中药材年份的检测系统的示意图。如图所示，系统中可以包括太赫兹时域光谱仪101和终端设备102(终端设备可以是手机、手提电脑、台式电脑等，图中仅是终端设备的示意图，不做具体限定)，太赫兹时域光谱仪可以和终端设备通信连接(通信连接的方式可以是有线或无线的方式)。太赫兹时域光谱仪获取中药材样品的太赫兹时域光谱数据后，将上述太赫兹时域光谱数据发送给终端设备，终端设备根据本申请实施例中的中药材年份的检测方法、以及接收到的太赫兹时域光谱数据进行中药材年份的检测，并将检测结果通过显示装置展示给用户。通过无线通信的方式，用户可以远程获取时域光谱数据、远程获取检测结果，能够使本申请实施例中的中药材年份的检测方法具有更好的便利性和适用性。
参见图2，为本申请一实施例提供的中药材年份的检测方法的流程示意图，作为示例而非限定，如图2所示，所述方法可以包括以下步骤：
S201，获取待检测的中药材样品的太赫兹光谱信息。
在一个实施例中，中药材样品的太赫兹光谱信息可以包括：中药材样品的时域光谱数据、中药材样品的频域光谱数据和中药材样品的检测数据。
其中，时域光谱数据可以是通过太赫兹时域光谱仪测量所得。在实际应用中，获取中药材样品的时域光谱数据的步骤可以为，操作人员将中药材样品研磨成粉末，将磨好的粉末放入压片机中，以将粉末压制为直径为20mm、厚度为2mm的压片，然后将压片放置在太赫兹时域光谱仪的样品架中。用户可以在终端设备中通过软件控制太赫兹光谱仪测量出样品架中的样品的时域光谱数据，当太赫兹光谱仪测得时域光谱数据后，终端设备通过通信连接的方式获取太赫兹光谱仪中的中药材样品的时域光谱数据。用户还可以将太赫兹时域光谱仪测得的时域光谱数据手动输入到终端设备中。
频域光谱数据为基于时域光谱转化所得。
检测数据可以是基于频域光谱计算所得。
在一个实施例中，步骤S201中，获取待检测的中药材样品的太赫兹光谱信息的方法可以包括以下步骤：
S301，获取预设参考物的时域光谱数据，并将预设参考物的时域光谱数据转换为预设参考物的频域光谱数据。
在本申请实施例中，预设参考物可以为空气。即通过太赫兹时域光谱仪获取未放置中药材样品时空气的太赫兹时域光谱数据。
当然，预设参考物也可以是氮气等其他气体，还可以是如聚乙烯(PE)等材料。
其中，将时域光谱数据转换为频域光谱数据，可以通过快速傅里叶变换实现。
S302，获取中药材样品的时域光谱数据，并将中药材样品的时域光谱数据转换为中药材样品的频域光谱数据。
S303，根据预设参考物的频域光谱数据和中药材样品的频域光谱数据，计算中药材样品的检测数据。
在一个实施例中，检测数据又可以包括：吸光度谱线、折射率谱线和介电常数谱线。
吸收光度谱线用于表征物质的吸光度(或吸光率)。
折射率谱线用于表征光的折射率。
介电常数是指原外加电场与最终介质中电场的比值，又称诱电率，与频率相关。如果有高介电常数的材料放在电场中，电场的强度会在电介质内有可观的下降。介电常数谱线能够反映高分子材料物质的极性大小。
在一个实施例中，步骤S303中，根据预设参考物的频域光谱数据和中药材样品的频域光谱数据，计算中药材样品的检测数据，可以包括以下步骤：
S3031，根据预设参考物的频域光谱数据和中药材样品的频域光谱数据计算中药材样品的吸收谱线，并根据吸收谱线计算中药材样品的吸收光度谱线。
在一个实施例中，根据预设参考物的频域光谱数据和中药材样品的频域光谱数据计算中药材样品的吸收谱线，包括：
其中，Abs表示中药材样品的吸收谱线，Fsample表示中药材样品的频域光谱数据，Fref表示预设参考物的频域光谱数据。
在本申请实施例中，为中药材样品选择参考物，使得待检测的中药材样品具有参考基准。结合参考物的频域光谱数据和中药材样品的频域数据计算检测数据(实际是用中药材样品的频域光谱数据减去参考物的频域光谱数据)，利用上述方法，当需要对多个中药材样品进行检测时，各个中药材样品均基于同样的参考物，排除了其他环境条件造成的数据干扰，使得计算出的各中药材样品的检测数据具有可对比性，进而保证了检测的可靠性。
在一个实施例中，根据所述吸收谱线计算中药材样品的吸收光度谱线，包括：
其中，α为吸收光度谱线，ω为角频率，c为光速，k为消光系数，d为中药材样品的厚度。
S3032，根据预设参考物的频域光谱数据计算预设参考物的相位谱，根据中药材样品的频域光谱数据计算中药材样品的相位谱，并根据预设参考物的相位谱和中药材样品的相位谱计算中药材样品的折射率谱线。
因为相位谱是信号的相位随频率变化的曲线，得到频域光谱数据后，即可得到频域光谱数据对应的相位谱。
在一个实施例中，根据预设参考物的相位谱和中药材样品的相位谱计算中药材样品的折射率谱线，包括：
其中，n为折射率谱线，为中药材样品的相位谱，为预设参考物的相位谱。
S3033，根据预设参考物的相位谱、中药材样品的相位谱和折射率谱线计算中药材样品的介电常数谱线。
在一个实施例中，根据预设参考物的相位谱、中药材样品的相位谱和折射率谱线计算中药材样品的介电常数谱线，包括：
和
其中，ε为介电常数谱线的实部，为介电常数谱线的虚部。
在将太赫兹光谱信息按照预设顺序进行排列得到输入数组时，可以先排列介电常数谱线的实部，再排列介电常数谱线的虚部。例如，介电常数谱线的实部的最后一个数据的下一个数据为，介电常数谱线的虚部的第一个数据。
S202，将太赫兹光谱信息输入到训练后的神经网络模型中，得到待检测的中药材样品的年份检测结果。
在一个实施例中，神经网络模型为多类别神经网络，神经网络模型的输出结果包括多组数据，每组数据包括一个年份以及与该年份对应的概率值。
在本申请实施例中，多类别神经网络可以是二分类神经网络，也可以是类别个数大于2的多类别神经网络。
在一个实施例中，多类别神经网络可以为Softmax Regression神经网络模型。在Softmax Regression神经网络模型中，输出层为Softmax函数(Softmax函数的公式为它可以保证所有输出神经元之和为1，每个输出对应的数值为概率值。
示例性的，需要检测中药材样品的年份为A、B、C或D时(此处是4分类的示例，实际应用中不做具体限定)，Softmax Regression神经网络模型的输出结果对应的为4个概率值，即中药材样品的年份分别为A的概率、为B的概率、为C的概率和为D的概率。
当然，还可以用其他多类别神经网络，如logistic神经网络模型(二分类神经网络)等，在此不再赘述。
在一个实施例中，将太赫兹光谱信息输入到训练后的神经网络模型中，得到待检测的中药材样品的年份检测结果，包括：
S2021，将太赫兹光谱信息中的各个数据按照预设顺序进行排列得到输入数组，并将输入数组输入到训练后的神经网络模型中。
其中，预设顺序可以是首尾依次相连的顺序。
示例性的，在步骤S201中，获得的太赫兹光谱信息包括中药材样品的时域光谱数据、频域光谱数据、吸光度谱线、折射率谱线和介电常数谱线等，在本申请实施例中，将中药材样品的时域光谱数据、频域光谱数据、吸收光度谱线、折射率谱线和介电常数谱线等数据首尾相连组成一个如[I1，I2，…，In，II1，II2，…，IIm，III1，III2，…，IIIh，IV1，IV2，…，IVP，V1，V2，…，Vq]的数组，其中，I1，I2，…，In表示时域光谱数据(共n个数据)，II1，II2，…，IIm表示频域光谱数据(共m个数据)，III1，III2，…，IIIh表示吸收光度谱线的数据(共h个数据)，IV1，IV2，…，IVP表示折射率谱线的数据(共p个数据)，V1，V2，…，Vq表示介电常数谱线的数据(共q个数据)。需要说明的是，上述只是输入数组的示例，实际应用中，时域光谱数据、频域光谱数据、吸收光度谱线、折射率谱线和介电常数谱线的先后连接顺序可以颠倒，不做具体限定。另外，也不对上述数据的个数做具体限定，输入数组中数据的总个数为m+n+h+p+q。
S2022，在获得神经网络模型的输出结果后，将输出结果中最大的概率值对应的年份作为待检测的中药材样品的年份检测结果。
本申请实施例中的年份可以是具体的某一年，也可以指年数。
示例性的，当年份指具体的某一年时，假设输出结果为：1990年对应的概率值为0.65，1992年对应的概率值为0.20，2000年对应的概率值为0.10，2010年对应的概率值为0.05。那么在得到的4个概率值中最大的概率值为0.65，对应的年份为1990，表示根据输入的中药材样品的太赫兹光谱信息检测出，该中药材样品的年份最有可能为1990，即年份检测结果为该中药材样品为1990年的中药材。
当年份指年数时，假设输出结果为：3年对应的概率值为0.65，5年对应的概率值为0.20，10年对应的概率值为0.10，20年对应的概率值为0.05。那么在得到的4个概率值中最大的概率值为0.65，对应的年份为3，表示根据输入的中药材样品的太赫兹光谱信息检测出，该中药材样品的年份最有可能为3年，即年份检测结果为该中药材样品为3年的中药材。
本申请实施例通过获取待检测的中药材样品的太赫兹光谱信息，将所述太赫兹光谱信息输入到训练后的神经网络模型中，得到所述待检测的中药材样品的年份检测结果，神经网络模型能够实现快速分类，因此，利用神经网络对太赫兹光谱信息进行分类识别，能够提高检测效率。另外，太赫兹光谱信息能够反映中药材样品的成分特征信息，为中药材的年份检测提供了可靠依据，有效保证了检测的可靠度。通过上述方法，能够实现对中药材年份的自动检测，有效提高了中药材年份检测的效率和可靠度。
参见图3，为本申请实施例提供的神经网络模型的训练过程示意图。在本申请实施例提供的中药材年份的检测方法中，所述方法还可以包括神经网络模型的训练过程，如图3所示，训练过程可以包括以下步骤：
S401，获取多组样本信息，每组样本信息对应一个训练样本，每组样本信息中包括训练样本的年份和训练样本的太赫兹光谱信息。
本申请实施例中，样本信息中的太赫兹光谱信息的获取方法与步骤S301-S303中所述方法相似，在此不再赘述。
训练样本的数量要足够多、信息要足够丰富。换句话说，需要搜集尽可能多的不同年份的训练样本，且每个年份的训练样本的个数也要尽可能多。这样可以避免单一样本的偶然性，进而保证训练后的神经网络模型的检测结果的准确性。
训练样本中，可以包括多个中药材品种的样品，也可以只包括一个中药材品种的样品。
示例性的，可以将不同年份的陈皮样品、不同年份的三七样品和不同年份的白芷样品作为训练样本对神经网络模型进行训练。训练后，当需要检测时，不管是陈皮样品、三七样品还是白芷样品均可以被检测出相应的年份。这种情况下，训练后的神经网络模型可以检测出多种中药材样品的年份。
在一个实施例中，训练样本为与待检测的中药材样品的种类相同的中药材样本。即训练样本中，只包括一个中药材品种的样品。以陈皮为例，当要检测陈皮样品的年份时，可以先利用不同年份的陈皮样品对神经网络模型进行训练。例如，分别搜集3年、5年、10年、15年和20年的陈皮样品作为训练样本，其中，每个年份的训练样本个数为40个。这样就可以获得200组样本信息，即200组太赫兹光谱信息。分别将这200组太赫兹光谱信息输入预设的神经网络模型进行训练。这种情况下，训练后的神经网络模型只能检测出一种中药材样品的年份。
S402，利用多组样本信息对预设的神经网络模型进行训练，得到所述训练后的神经网络模型。
可选的，预设的神经网络模型可以定义为3层神经网络，权重矩阵的初始值设为随机数组。定义的预设的神经网络模型的结构如图4所示。图4中，A1～An为各中药材样品的太赫兹光谱信息组成的输入数组(Ai代表第i个训练样本的太赫兹光谱信息组成的输入数组)；W1为第一层权重，是m×n的矩阵，经过第一次权重计算后得到第一层输出P，P是长度为m的数组；W2为第二层权重，为n×L的矩阵，经过第二次权重计算后得到第二层输出Q，Q是长度为L的数组；W3为第三层权重，为L×h的矩阵，输出的Y为长度为h的数组，即结果分为h类。其中，m、n、L和h的数值依据实际训练样本的数量而定。
在本申请实施例中，预设的神经网络模型可以采用反向传播算法。反向传播是为了减小误差，通过迭代数据使误差最小的权重矩阵的值就是神经网络模型的权重矩阵。则误差函数可以描述为神经网络模型的检测值y(x)与输入相对应的真实值lable(x)之间的偏差，则误差函数如下所示。
loss＝Е|y(x)-lable(x)|2
其中检测值y(x)是预设的神经网络模型最后一层的输出结果，表示不同年份中药材的概率，通过计算检测的年份y(x)和真实样品的年份labe(x)的交叉熵作为误差函数，交叉熵反映出检测结果和真实结果直接的偏差，为后续训练提供依据。误差函数随迭代次数更新如图5所示，其中X轴表示函数迭代次数，Y轴表示检测值和真实值之间的误差。
可选的，本申请实施例中的反向传播算法可以采用梯度下降算法。深度学习的网络可以理解为一个循环或递归的过程，每次迭代一个数据都要执行相同的算法，每次迭代的改变数值被称为学习率α，梯度下降法的公式如下：
其中，θ是当前权重，α为学习率，loss是损失函数，θnew是经过梯度下降算法更新的权重值。
在实际应用中，由于获取的太赫兹光谱信息的数据数值偏小，这里如果学习率设置过大如α＝0.005，那么可能会错过最低点，使模型不收敛，最终结果的准确率为0.25。如果学习率过小α＝0.0001，那么会使函数收敛过程较慢，迭代1000次后才能得到较为准确的结果。因此本申请实施例中优选的将学习率设置为0.001，既能快速的迭代，又能获取较为准确的结果。参见图6，为本申请实施例提供的学习率对检测准确率的影响曲线的示意图。如图所示，其中X轴坐标为迭代次数，Y轴坐标为模型的准确率。图6(a)示出了学习率为0.005时检测准确率的影响曲线，图6(b)示出了学习率为0.0001时检测准确率的影响曲线，图6(c)示出了学习率为0.001时检测准确率的影响曲线。可以看出，当学习率为0.001时，既能快速收敛，又能得到较高的检测准确率。
当神经网络模型满足预设条件时，将当前的神经网络模型作为训练后的神经网络模型。
训练结束时，即当神经网络模型满足预设条件时，保存当前的权重，并将当前权重下的神经网络模型作为训练后的神经网络模型。
预设条件包括预设的准确率和预设的收敛速度，当神经网络模型的检测准确率达到预设的准确率，并且收敛速度达到预设的收敛速度时，即满足预设条件。
当不满足预设条件时，调整学习率和迭代次数，之后重新对预设的神经网络模型进行训练，直到神经网络模型满足预设条件。
参见图7，为本申请实施例提供的训练样本的检测结果表。图7是以陈皮样品为例的检测结果表。如图所示，有5个训练样本，分别对应的真实年份为3、5、10、15和20。从表中可以看出，利用本申请中的中药材年份的检测方法，能够得到较准确的检测结果。
本申请实施例通过获取多组样本信息，能够保证样本的多样性，避免了单一样本的偶然性；利用多组样本信息对预设的神经网络模型进行训练，当神经网络模型满足预设条件时，将当前的神经网络模型作为训练后的神经网络模型。通过上述方法，能够训练得到满足一定准确度和收敛速度的神经网络模型，利用该神经网络模型对未知年份的中药材样品进行年份检测，能够在检测效率较高的前提下，保证检测结果的准确度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的中药材年份的检测方法，图8示出了本申请实施例提供的中药材年份的检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图8，该装置包括：
光谱信息获取单元81，用于获取待检测的中药材样品的太赫兹光谱信息。
结果检测单元82，用于将太赫兹光谱信息输入到训练后的神经网络模型中，得到待检测的中药材样品的年份检测结果。
可选的，中药材样品的太赫兹光谱信息包括：中药材样品的时域光谱数据、中药材样品的频域光谱数据和中药材样品的检测数据。
可选的，光谱信息获取单元81包括：
第一转换模块，用于获取预设参考物的时域光谱数据，并将预设参考物的时域光谱数据转换为预设参考物的频域光谱数据。
第二转换模块，用于获取中药材样品的时域光谱数据，并将中药材样品的时域光谱数据转换为中药材样品的频域光谱数据。
计算模块，用于根据预设参考物的频域光谱数据和中药材样品的频域光谱数据，计算中药材样品的检测数据。
可选的，检测数据包括：吸光度谱线、折射率谱线和介电常数谱线。
可选的，计算模块包括：
吸收光度计算子模块，用于根据预设参考物的频域光谱数据和中药材样品的频域光谱数据计算中药材样品的吸收谱线，并根据吸收谱线计算中药材样品的吸收光度谱线。
折射率计算子模块，用于根据预设参考物的频域光谱数据计算预设参考物的相位谱，根据中药材样品的频域光谱数据计算中药材样品的相位谱，并根据预设参考物的相位谱和中药材样品的相位谱计算中药材样品的折射率谱线。
介电常数计算子模块，用于根据预设参考物的相位谱、中药材样品的相位谱和折射率谱线计算中药材样品的介电常数谱线。
可选的，吸收光度计算子模块还用于：
其中，Abs表示中药材样品的吸收谱线，Fsample表示中药材样品的频域光谱数据，Fref表示预设参考物的频域光谱数据。
可选的，吸收光度计算子模块还用于：
其中，α为吸收光度谱线，ω为角频率，c为光速，k为消光系数，d为中药材样品的厚度。
可选的，折射率计算子模块还用于：
其中，n为折射率谱线，为中药材样品的相位谱，为预设参考物的相位谱。
可选的，介电常数计算子模块还用于：
和
其中，ε为介电常数谱线的实部，为介电常数谱线的虚部。
可选的，装置8还包括：
样本获取单元，用于获取多组样本信息，每组样本信息对应一个训练样本，每组样本信息中包括训练样本的年份和训练样本的太赫兹光谱信息。
模型训练单元，用于利用多组样本信息对预设的神经网络模型进行训练，得到所述训练后的神经网络模型。
可选的，神经网络模型为多类别神经网络，神经网络模型的输出结果包括多组数据，每组数据包括一个年份以及与该年份对应的概率值；
可选的，结果检测单元82包括：
数组排列模块，用于将太赫兹光谱信息中的各个数据按照预设顺序进行排列得到输入数组，并将输入数组输入到训练后的神经网络模型中。
结果检测模块，用于在获得神经网络模型的输出结果后，将输出结果中最大的概率值对应的年份作为待检测的中药材样品的年份检测结果。
可选的，神经网络模型为Softmax Regression神经网络模型。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
另外，图8所示的中药材年份的检测装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图9为本申请一实施例提供的终端设备的结构示意图。如图9所示，该实施例的终端设备90包括：至少一个处理器90(图9中仅示出一个)处理器、存储器91以及存储在所述存储器91中并可在所述至少一个处理器90上运行的计算机程序92，所述处理器90执行所述计算机程序92时实现上述任意各个中药材年份的检测方法实施例中的步骤。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图9仅仅是终端设备9的举例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，该处理器90还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91在一些实施例中可以是所述终端设备9的内部存储单元，例如终端设备9的硬盘或内存。所述存储器91在另一些实施例中也可以是所述终端设备9的外部存储设备，例如所述终端设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (7)
1.一种中药材年份的检测方法，其特征在于，包括：
获取待检测的中药材样品的太赫兹光谱信息；
将所述太赫兹光谱信息输入到训练后的神经网络模型中，得到所述待检测的中药材样品的年份检测结果；
所述中药材样品的太赫兹光谱信息包括：所述中药材样品的时域光谱数据、所述中药材样品的频域光谱数据和所述中药材样品的检测数据；
所述获取待检测的中药材样品的太赫兹光谱信息，包括：
获取预设参考物的时域光谱数据，并将所述预设参考物的时域光谱数据转换为所述预设参考物的频域光谱数据；
获取所述中药材样品的时域光谱数据，并将所述中药材样品的时域光谱数据转换为所述中药材样品的频域光谱数据；
根据所述预设参考物的频域光谱数据和所述中药材样品的频域光谱数据，计算所述中药材样品的检测数据；
所述检测数据包括：吸光度谱线、折射率谱线和介电常数谱线；
所述根据所述预设参考物的频域光谱数据和所述中药材样品的频域光谱数据，计算所述中药材样品的检测数据，包括：
根据所述预设参考物的频域光谱数据和所述中药材样品的频域光谱数据计算所述中药材样品的吸收谱线，并根据所述吸收谱线计算所述中药材样品的吸收光度谱线；
根据所述预设参考物的频域光谱数据计算所述预设参考物的相位谱，根据所述中药材样品的频域光谱数据计算所述中药材样品的相位谱，并根据所述预设参考物的相位谱和所述中药材样品的相位谱计算所述中药材样品的折射率谱线；
根据所述预设参考物的相位谱、所述中药材样品的相位谱和所述折射率谱线计算所述中药材样品的介电常数谱线；
所述根据所述预设参考物的频域光谱数据和所述中药材样品的频域光谱数据计算所述中药材样品的吸收谱线，包括：
其中，Abs表示所述中药材样品的吸收谱线，Fsample表示所述中药材样品的频域光谱数据，Fref表示所述预设参考物的频域光谱数据；
所述根据所述吸收谱线计算所述中药材样品的吸收光度谱线，包括：
其中，α为吸收光度谱线，ω为角频率，c为光速，k为消光系数，d为所述中药材样品的厚度；
所述根据所述预设参考物的相位谱和所述中药材样品的相位谱计算所述中药材样品的折射率谱线，包括：
其中，n为折射率谱线，为所述中药材样品的相位谱，为所述预设参考物的相位谱；
所述根据所述预设参考物的相位谱、所述中药材样品的相位谱和所述折射率谱线计算所述中药材样品的介电常数谱线，包括：
和其中，ε为介电常数谱线的实部，为介电常数谱线的虚部。
2.如权利要求1所述的中药材年份的检测方法，其特征在于，所述方法还包括：
获取多组样本信息，每组样本信息对应一个训练样本，每组样本信息中包括所述训练样本的年份和所述训练样本的太赫兹光谱信息；
利用所述多组样本信息对预设的神经网络模型进行训练，得到所述训练后的神经网络模型。
3.如权利要求2所述的中药材年份的检测方法，其特征在于，所述神经网络模型为多类别神经网络，所述神经网络模型的输出结果包括多组数据，每组数据包括一个年份以及与该年份对应的概率值；
所述将所述太赫兹光谱信息输入到训练后的神经网络模型中，得到所述待检测的中药材样品的年份检测结果，包括：
将所述太赫兹光谱信息中的各个数据按照预设顺序进行排列得到输入数组，并将所述输入数组输入到所述训练后的神经网络模型中；
在获得所述神经网络模型的输出结果后，将所述输出结果中最大的概率值对应的年份作为所述待检测的中药材样品的年份检测结果。
4.如权利要求3所述的中药材年份的检测方法，其特征在于，所述神经网络模型为SoftmaxRegression神经网络模型。
5.一种中药材年份的检测装置，其特征在于，包括：
光谱信息获取单元，用于获取待检测的中药材样品的太赫兹光谱信息；
结果检测单元，用于将所述太赫兹光谱信息输入到训练后的神经网络模型中，得到所述待检测的中药材样品的年份检测结果；
所述中药材样品的太赫兹光谱信息包括：所述中药材样品的时域光谱数据、所述中药材样品的频域光谱数据和所述中药材样品的检测数据；
所述获取待检测的中药材样品的太赫兹光谱信息，包括：
获取预设参考物的时域光谱数据，并将所述预设参考物的时域光谱数据转换为所述预设参考物的频域光谱数据；
获取所述中药材样品的时域光谱数据，并将所述中药材样品的时域光谱数据转换为所述中药材样品的频域光谱数据；
根据所述预设参考物的频域光谱数据和所述中药材样品的频域光谱数据，计算所述中药材样品的检测数据；
所述检测数据包括：吸光度谱线、折射率谱线和介电常数谱线；
所述根据所述预设参考物的频域光谱数据和所述中药材样品的频域光谱数据，计算所述中药材样品的检测数据，包括：
根据所述预设参考物的频域光谱数据和所述中药材样品的频域光谱数据计算所述中药材样品的吸收谱线，并根据所述吸收谱线计算所述中药材样品的吸收光度谱线；
根据所述预设参考物的频域光谱数据计算所述预设参考物的相位谱，根据所述中药材样品的频域光谱数据计算所述中药材样品的相位谱，并根据所述预设参考物的相位谱和所述中药材样品的相位谱计算所述中药材样品的折射率谱线；
根据所述预设参考物的相位谱、所述中药材样品的相位谱和所述折射率谱线计算所述中药材样品的介电常数谱线；
所述根据所述预设参考物的频域光谱数据和所述中药材样品的频域光谱数据计算所述中药材样品的吸收谱线，包括：
其中，Abs表示所述中药材样品的吸收谱线，Fsample表示所述中药材样品的频域光谱数据，Fref表示所述预设参考物的频域光谱数据；
所述根据所述吸收谱线计算所述中药材样品的吸收光度谱线，包括：
其中，α为吸收光度谱线，ω为角频率，c为光速，k为消光系数，d为所述中药材样品的厚度；
所述根据所述预设参考物的相位谱和所述中药材样品的相位谱计算所述中药材样品的折射率谱线，包括：
其中，n为折射率谱线，为所述中药材样品的相位谱，为所述预设参考物的相位谱；
所述根据所述预设参考物的相位谱、所述中药材样品的相位谱和所述折射率谱线计算所述中药材样品的介电常数谱线，包括：
和
其中，ε为介电常数谱线的实部，为介电常数谱线的虚部。
6.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911013196.7A CN110749566B (zh) | 2019-10-23 | 2019-10-23 | 中药材年份的检测方法、检测装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911013196.7A CN110749566B (zh) | 2019-10-23 | 2019-10-23 | 中药材年份的检测方法、检测装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110749566A CN110749566A (zh) | 2020-02-04 |
| CN110749566B true CN110749566B (zh) | 2024-05-10 |
Family
ID=69279612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911013196.7A Active CN110749566B (zh) | 2019-10-23 | 2019-10-23 | 中药材年份的检测方法、检测装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110749566B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113125376A (zh) * | 2021-03-15 | 2021-07-16 | 中山大学 | 一种陈皮年限鉴定方法、装置、设备和介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845505A (zh) * | 2017-02-12 | 2017-06-13 | 刘俊杰 | 一种基于深度学习的陈皮检测方法 |
| CN108458989A (zh) * | 2018-04-28 | 2018-08-28 | 江苏建筑职业技术学院 | 一种基于太赫兹多参数谱的煤岩识别方法 |
| CN109580534A (zh) * | 2018-11-30 | 2019-04-05 | 深圳市太赫兹科技创新研究院有限公司 | 物质种类识别方法、太赫兹时域光谱仪系统及终端设备 |
| CN110108648A (zh) * | 2019-04-30 | 2019-08-09 | 深圳市太赫兹科技创新研究院有限公司 | 一种陈皮的鉴别方法和鉴别系统 |
-
2019
- 2019-10-23 CN CN201911013196.7A patent/CN110749566B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845505A (zh) * | 2017-02-12 | 2017-06-13 | 刘俊杰 | 一种基于深度学习的陈皮检测方法 |
| CN108458989A (zh) * | 2018-04-28 | 2018-08-28 | 江苏建筑职业技术学院 | 一种基于太赫兹多参数谱的煤岩识别方法 |
| CN109580534A (zh) * | 2018-11-30 | 2019-04-05 | 深圳市太赫兹科技创新研究院有限公司 | 物质种类识别方法、太赫兹时域光谱仪系统及终端设备 |
| CN110108648A (zh) * | 2019-04-30 | 2019-08-09 | 深圳市太赫兹科技创新研究院有限公司 | 一种陈皮的鉴别方法和鉴别系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于电子鼻与人工神经网络的陈皮鉴别研究;杨诗龙;王瑾;汪云伟;钟恋;黄勤挽;;《时珍国医国药》;第26卷(第1期);第113-114页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110749566A (zh) | 2020-02-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104897607B (zh) | 便携式近红外光谱食品建模与快速检测一体化方法和系统 | |
| CN105158200B (zh) | 一种提高近红外光谱定性分析准确度的建模方法 | |
| CN104062258B (zh) | 一种采用近红外光谱快速测定复方阿胶浆中可溶性固形物的方法 | |
| Cezario et al. | Full spectral fitting of Milky Way and M 31 globular clusters: ages and metallicities | |
| CN105784672A (zh) | 一种基于双树复小波算法的毒品检测仪标准化方法 | |
| CN105784628A (zh) | 一种利用中红外光谱检测土壤有机质化学组成的方法 | |
| CN105758819A (zh) | 一种利用近红外光谱检测土壤的有机组分的方法 | |
| CN110749566B (zh) | 中药材年份的检测方法、检测装置及终端设备 | |
| Wang et al. | Onsite nutritional diagnosis of tea plants using micro near-infrared spectrometer coupled with chemometrics | |
| CN113109780A (zh) | 基于复数密集连接神经网络的高分辨距离像目标识别方法 | |
| Lu et al. | Fluorescence hyperspectral image technique coupled with HSI method to predict solanine content of potatoes | |
| Yang et al. | Raman spectrum feature extraction and diagnosis of oil–paper insulation ageing based on kernel principal component analysis | |
| CN103115884B (zh) | 一种化妆品中对羟基苯甲酸酯的测定方法 | |
| Liang et al. | Study of sample temperature compensation in the measurement of soil moisture content | |
| Rivera González et al. | Compact exposimeter device for the characterization and recording of electromagnetic fields from 78 MHz to 6 GHz with several narrow bands (300 kHz) | |
| Wang et al. | End‐to‐end analysis modeling of vibrational spectroscopy based on deep learning approach | |
| Chen et al. | Identification of colorectal cancer using near-infrared spectroscopy and adaboost with decision stump | |
| Ma et al. | A TFA-CNN method for quantitative analysis in infrared spectroscopy | |
| You et al. | Classification of food powders with open set using portable VIS-NIR spectrometer | |
| CN105745550B (zh) | 模拟至信息转换器 | |
| Duan et al. | Prediction of Wood Moisture Content Based on THz Time-Domain Spectroscopy. | |
| CN108072628A (zh) | 一种判别药包材材质的近红外光谱法 | |
| Han et al. | A rapid identification of four medicinal chrysanthemum varieties with near infrared spectroscopy | |
| Liu et al. | An advanced variable selection method based on information gain and Fisher criterion reselection iteration for multivariate calibration | |
| Cheng et al. | Recognition of MIR Data of Semen Armeniacae Amarum and Semen Persicae Using Discrete Wavelet Transformation and BP‐Artificial Neural Network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230714 Address after: 408, Building 37, Chentian Industrial Zone, Chentian Community, Xixiang Street, Bao'an District, Shenzhen City, Guangdong Province, 518000 Applicant after: SHENZHEN INSTITUTE OF TERAHERTZ TECHNOLOGY AND INNOVATION Co.,Ltd. Applicant after: Shenzhen Huaxun ark Photoelectric Technology Co.,Ltd. Address before: 518000 East, 2nd floor, building 37, chentian Industrial Zone, Baotian 1st Road, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN INSTITUTE OF TERAHERTZ TECHNOLOGY AND INNOVATION Co.,Ltd. Applicant before: CHINA COMMUNICATION TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240828 Address after: Room 430, Building 37, Chentian Industrial Zone, Baotian 1st Road, Xixiang Street, Bao'an District, Shenzhen City, Guangdong Province 518100 Patentee after: Shenzhen Zhongtou Huaxun Terahertz Technology Co.,Ltd. Country or region after: China Address before: 408, Building 37, Chentian Industrial Zone, Chentian Community, Xixiang Street, Bao'an District, Shenzhen City, Guangdong Province, 518000 Patentee before: SHENZHEN INSTITUTE OF TERAHERTZ TECHNOLOGY AND INNOVATION Co.,Ltd. Country or region before: China Patentee before: Shenzhen Huaxun ark Photoelectric Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240929 Address after: 912-A, Building B, Shenzhen Bay Science and Technology Ecological Park, No. 10 Gaoxin South Ninth Road, High tech Zone Community, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province 518000 Patentee after: Shenzhen Yunxiang Huaxun Technology Co.,Ltd. Country or region after: China Address before: Room 430, Building 37, Chentian Industrial Zone, Baotian 1st Road, Xixiang Street, Bao'an District, Shenzhen City, Guangdong Province 518100 Patentee before: Shenzhen Zhongtou Huaxun Terahertz Technology Co.,Ltd. Country or region before: China |