CN111624192B - 一种多源光谱融合的滇龙胆种类识别方法及系统 - Google Patents

一种多源光谱融合的滇龙胆种类识别方法及系统 Download PDF

Info

Publication number
CN111624192B
CN111624192B CN202010499625.2A CN202010499625A CN111624192B CN 111624192 B CN111624192 B CN 111624192B CN 202010499625 A CN202010499625 A CN 202010499625A CN 111624192 B CN111624192 B CN 111624192B
Authority
CN
China
Prior art keywords
identified
gentiana rigescens
libs
rigescens
gentiana
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
Application number
CN202010499625.2A
Other languages
English (en)
Other versions
CN111624192A (zh
Inventor
孙明华
孔汶汶
孙永祺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Landa Technology Co ltd
Original Assignee
Hangzhou Landa Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Landa Technology Co ltd filed Critical Hangzhou Landa Technology Co ltd
Priority to CN202010499625.2A priority Critical patent/CN111624192B/zh
Publication of CN111624192A publication Critical patent/CN111624192A/zh
Application granted granted Critical
Publication of CN111624192B publication Critical patent/CN111624192B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
    • G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Plasma & Fusion (AREA)
  • Optics & Photonics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Spectrometry And Color Measurement (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明涉及一种多源光谱融合的滇龙胆种类识别方法及系统，包括：获取待识别滇龙胆切片样本；利用LIBS光谱仪采集待识别滇龙胆切片样本不同位置的光谱数据，得待识别滇龙胆LIBS光谱数据；根据波长与元素之间的对应关系，对待识别滇龙胆LIBS光谱数据进行筛选，确定筛选待识别滇龙胆LIBS光谱数据；利用NIR光谱仪采集待识别滇龙胆切片样本的像素点光谱数据，得待识别滇龙胆近红外光谱数据；采用主成分分析方法对上述光谱数据进行降维和融合，得待识别融合光谱数据；根据待识别融合光谱数据，采用偏最小二乘判别分析方程确定待识别滇龙胆切片样本的种类。通过本发明的上述方法及系统，实现野生滇龙胆快速的实时识别，提高识别的精确性。

Description

一种多源光谱融合的滇龙胆种类识别方法及系统
技术领域
本发明涉及滇龙胆识别技术领域，特别是涉及一种多源光谱融合的滇龙胆种类识别方法及系统。
背景技术
多年生草本植物滇龙胆(Gentiana rigescens Franch)的根及根茎作为中药龙胆使用，为泻肝胆火的良药。现代植物化学与药理学研究表明，滇龙胆有保肝、消炎、镇痛、抗病毒等药理作用，龙胆苦苷、獐牙菜苦苷、马钱苷酸、当药苷等环烯醚萜苷类成分是其发挥药理作用的主要物质基础。
龙胆植物多生长在高山或高原，生长环境和生长气候等条件极端、多变。目前，滇龙胆的主要分布区域为云南、四川、贵州、广西等。由于温度、降水量、土壤有机含量等因素的差异，滇龙胆的生长代谢受到影响。
由于滇龙胆生长环境和生长年限的差异，家种和野生在某些方面都存在明显的差别：1)外观上，野生的瘦弱紧实，家种的肥硕松泡；2)野生的生长年限一般较长，成分均衡丰富，疗效较好，家种的药材存在种植技术不规范，激素滥用等问题。所以，中药材滇龙胆的野生识别显得尤为重要。
传统的野生滇龙胆识别方法主要通过化学方法来实现，即测量滇龙胆中各种营养成分的组成比例和含量值来确定滇龙胆的来源，这种方法重复性好，准确率高，但是劳动成本高，操作复杂，从采样到结果输出有很长时间，不能适应市场实时、快速检测的需求。
发明内容
本发明的目的是提供一种多源光谱融合的滇龙胆种类识别方法及系统，解决现有技术中劳动成本高、操作复杂的问题，实现野生滇龙胆快速的实时识别，提高识别的精确性。
为实现上述目的，本发明提供了如下方案：
一种多源光谱融合的滇龙胆种类识别方法，包括：
获取待识别滇龙胆切片样本；
利用LIBS光谱仪采集所述待识别滇龙胆切片样本不同位置的光谱数据，得到待识别滇龙胆LIBS光谱数据；所述待识别滇龙胆LIBS光谱数据中包括多条待识别滇龙胆LIBS光谱；
根据波长与元素之间的对应关系，对所述待识别滇龙胆LIBS光谱数据中的每条待识别滇龙胆LIBS光谱的波长进行筛选，确定筛选待识别滇龙胆LIBS光谱数据；
利用NIR光谱仪采集所述待识别滇龙胆切片样本的像素点光谱数据，得到待识别滇龙胆近红外光谱数据；所述待识别滇龙胆近红外光谱数据中包括多条待识别滇龙胆近红外光谱；
采用主成分分析方法对所述筛选待识别滇龙胆LIBS光谱数据和所述待识别滇龙胆近红外光谱数据进行降维和融合，得到待识别融合光谱数据；
根据所述待识别融合光谱数据，采用偏最小二乘判别分析方程确定待识别滇龙胆切片样本的种类；所述种类包括家种滇龙胆和野生滇龙胆。
可选的，所述采用主成分分析方法对所述筛选待识别滇龙胆LIBS光谱数据和所述待识别滇龙胆近红外光谱数据进行降维和融合，得到待识别融合光谱数据，具体包括：
根据所述筛选待识别滇龙胆LIBS光谱数据确定待识别滇龙胆LIBS光谱矩阵；
根据所述待识别滇龙胆LIBS光谱矩阵采用主成分分析方法，得到第一投影向量集合；所述第一投影向量集合中包括多个第一投影向量，每个所述第一投影向量对应不同的贡献率值；
选取所述第一投影向量集合中贡献率值最大的8个第一投影向量作为待识别滇龙胆LIBS光谱投影向量；
根据所述待识别滇龙胆LIBS光谱矩阵和所述待识别滇龙胆LIBS光谱投影向量确定待识别滇龙胆LIBS得分矩阵；
根据所述待识别滇龙胆近红外光谱数据确定待识别滇龙胆近红外光谱矩阵；
根据所述待识别滇龙胆近红外光谱矩阵采用主成分分析方法，得到第二投影向量集合；所述第二投影向量集合中包括多个第二投影向量，每个所述第二投影向量对应不同的贡献率值；
选取所述第二投影向量集合中贡献率值最大的3个第二投影向量作为待识别滇龙胆近红外光谱投影向量；
根据所述待识别滇龙胆近红外光谱矩阵和所述待识别滇龙胆近红外光谱投影向量确定待识别滇龙胆近红外得分矩阵；
将所述待识别滇龙胆LIBS得分矩阵和所述待识别滇龙胆近红外得分矩阵进行融合，得到待识别融合光谱数据。
可选的，所述根据所述待识别融合光谱数据，采用偏最小二乘判别分析方程确定待识别滇龙胆切片样本的种类，具体包括：
根据公式
Figure BDA0002524305530000031
确定判别系数；其中，Y为判别系数，p1,p2,p3,p4,p5,p6,p7,p8,p9,p10和p11均为待识别融合光谱数据；
当|Y-1|＜0.5时，确定待识别滇龙胆切片样本为家种滇龙胆；
当|Y-2|＜0.5时，确定待识别滇龙胆切片样本为野生滇龙胆。
可选的，所述采用主成分分析方法对所述筛选待识别滇龙胆LIBS光谱数据和所述待识别滇龙胆近红外光谱数据进行降维和融合，得到待识别融合光谱数据，之前还包括：
采用面积归一化方法分别对所述筛选待识别滇龙胆LIBS光谱数据和所述待识别滇龙胆近红外光谱数据进行处理，得到归一化待识别滇龙胆LIBS光谱数据和归一化待识别滇龙胆近红外光谱数据。
可选的，所述利用NIR光谱仪采集所述待识别滇龙胆切片样本的像素点光谱数据，得到待识别滇龙胆近红外光谱数据，之后还包括：
采用小波去噪方法和移动窗口方法对所述待识别滇龙胆近红外光谱数据中的每条待识别滇龙胆近红外光谱进行去噪，得到去噪待识别滇龙胆近红外光谱数据。
可选的，所述利用LIBS光谱仪采集所述待识别滇龙胆切片样本不同位置的光谱数据，得到待识别滇龙胆LIBS光谱数据，之后还包括：
采用小波去噪方法对所述待识别滇龙胆LIBS光谱数据中的每条待识别滇龙胆LIBS光谱进行去噪，得到去噪待识别滇龙胆LIBS光谱数据。
一种多源光谱融合的滇龙胆种类识别系统，包括：
切片样本获取模块，用于获取待识别滇龙胆切片样本；
待识别滇龙胆LIBS光谱数据获得模块，用于利用LIBS光谱仪采集所述待识别滇龙胆切片样本不同位置的光谱数据，得到待识别滇龙胆LIBS光谱数据；所述待识别滇龙胆LIBS光谱数据中包括多条待识别滇龙胆LIBS光谱；
筛选待识别滇龙胆LIBS光谱数据确定模块，用于根据波长与元素之间的对应关系，对所述待识别滇龙胆LIBS光谱数据中的每条待识别滇龙胆LIBS光谱的波长进行筛选，确定筛选待识别滇龙胆LIBS光谱数据；
待识别滇龙胆近红外光谱数据获得模块，利用NIR光谱仪采集所述待识别滇龙胆切片样本的像素点光谱数据，得到待识别滇龙胆近红外光谱数据；所述待识别滇龙胆近红外光谱数据中包括多条待识别滇龙胆近红外光谱；
待识别融合光谱数据获得模块，用于采用主成分分析方法对所述筛选待识别滇龙胆LIBS光谱数据和所述待识别滇龙胆近红外光谱数据进行降维和融合，得到待识别融合光谱数据；
识别模块，用于根据所述待识别融合光谱数据，采用偏最小二乘判别分析方程确定待识别滇龙胆切片样本的种类；所述种类包括家种滇龙胆和野生滇龙胆。
可选的，所述待识别融合光谱数据获得模块具体包括：
LIBS光谱矩阵确定单元，用于根据所述筛选待识别滇龙胆LIBS光谱数据确定待识别滇龙胆LIBS光谱矩阵；
第一投影向量集合获得单元，用于根据所述待识别滇龙胆LIBS光谱矩阵采用主成分分析方法，得到第一投影向量集合；所述第一投影向量集合中包括多个第一投影向量，每个所述第一投影向量对应不同的贡献率值；
LIBS光谱投影向量选取单元，用于选取所述第一投影向量集合中贡献率值最大的8个第一投影向量作为待识别滇龙胆LIBS光谱投影向量；
LIBS得分矩阵确定单元，用于根据所述待识别滇龙胆LIBS光谱矩阵和所述待识别滇龙胆LIBS光谱投影向量确定待识别滇龙胆LIBS得分矩阵；
近红外光谱矩阵确定单元，用于根据所述待识别滇龙胆近红外光谱数据确定待识别滇龙胆近红外光谱矩阵；
第二投影向量集合获得单元，用于根据所述待识别滇龙胆近红外光谱矩阵采用主成分分析方法，得到第二投影向量集合；所述第二投影向量集合中包括多个第二投影向量，每个所述第二投影向量对应不同的贡献率值；
近红外光谱投影向量选取单元，用于选取所述第二投影向量集合中贡献率值最大的3个第二投影向量作为待识别滇龙胆近红外光谱投影向量；
近红外得分矩阵确定单元，用于根据所述待识别滇龙胆近红外光谱矩阵和所述待识别滇龙胆近红外光谱投影向量确定待识别滇龙胆近红外得分矩阵；
光谱数据融合单元，用于将所述待识别滇龙胆LIBS得分矩阵和所述待识别滇龙胆近红外得分矩阵进行融合，得到待识别融合光谱数据。
可选的，所述识别模块具体包括：
判别系数确定单元，用于根据公式
Figure BDA0002524305530000051
确定判别系数；其中，Y为判别系数，p1,p2,p3,p4,p5,p6,p7,p8,p9,p10和p11均为待识别融合光谱数据；
家种滇龙胆确定单元，用于当|Y-1|＜0.5时，确定待识别滇龙胆切片样本为家种滇龙胆；
野生滇龙胆确定单元，用于当|Y-2|＜0.5时，确定待识别滇龙胆切片样本为野生滇龙胆。
可选的，所述多源光谱融合的滇龙胆种类识别系统还包括：
面积归一化处理模块，用于采用面积归一化方法分别对所述筛选待识别滇龙胆LIBS光谱数据和所述待识别滇龙胆近红外光谱数据进行处理，得到归一化待识别滇龙胆LIBS光谱数据和归一化待识别滇龙胆近红外光谱数据。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种多源光谱融合的滇龙胆种类识别方法及系统，利用LIBS光谱仪和NIR光谱仪分别对切片样本进行光谱采集，对采集到的光谱数据进行处理，然后采用主成分分析方法将处理后的光谱数据进行降维和融合，最后将融合数据输入偏最小二乘判别分析方程中，确定到待识别滇龙胆切片样本的种类。近红外波段代表了物质的分子组成和结构信息，LIBS光谱反映了物质的元素组成和含量信息，因此，本发明利用PCA方法将两种技术的光谱数据进行降维和融合，既充分结合了两种技术的优势又通过PCA方法降低了光谱变量，缩短了计算时间，大幅提高了识别的精确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例所提供的一种多源光谱融合的滇龙胆种类识别方法的流程图；
图2为本发明实施例所提供的光谱波长与元素关系示意图；
图3为本发明实施例所提供的LIBS得分矩阵三维散点图；
图4为本发明实施例所提供的近红外得分矩阵三维散点图；
图5为本发明实施例所提供的判别程度示意图；
图6为本发明实施例所提供的一种多源光谱融合的滇龙胆种类识别系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种多源光谱融合的滇龙胆种类识别方法及系统，解决现有技术中劳动成本高、操作复杂的问题，实现野生滇龙胆快速的实时识别，提高识别的精确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例所提供的一种多源光谱融合的滇龙胆种类识别方法的流程图，如图1所示，本发明多源光谱融合的滇龙胆种类识别方法，包括：
S101，获取待识别滇龙胆切片样本。具体的，收集待识别滇龙胆植株，待识别滇龙胆植株可以为一株也可以为多株，本发明实施例中以一株为例。将植株根部洗净、烘干、研磨，然后每株样本取0.15g压成一个片，制成滇龙胆切片样本。在进行切片制作时，切片表面相对平整，切片厚度一定。切片表面相对平整，在进行滇龙胆近红外光谱数据采集时，有利于减少粉末状表面不均匀带来的实验误差；压片厚度一定，在进行滇龙胆LIBS光谱数据采集时，有利于减少激光聚焦点与样本表面高度不一致带来的误差。
S102，利用LIBS光谱仪采集所述待识别滇龙胆切片样本不同位置的光谱数据，得到待识别滇龙胆LIBS光谱数据；所述待识别滇龙胆LIBS光谱数据中包括多条待识别滇龙胆LIBS光谱。
具体的，对于LIBS光谱数据，使用LIBS光谱仪对每个切片样本不同位置进行光谱采集，本发明实施例中一个切片样本选取16处不同位置进行光谱采集。每一处的光谱是激光击打累计5次后的平均结果，即一个切片样本采集16条光谱。每条光谱有22015个波长，光谱范围229.1-877.48nm，即每条光谱有22015个光谱变量。采集光谱的LIBS光谱仪参数为：激光能量60mJ，激光波长532nm，焦深为2mm，延时时间为2μs，积分时间为20μs。
S102之后还包括：采用小波去噪方法对所述待识别滇龙胆LIBS光谱数据中的每条待识别滇龙胆LIBS光谱进行去噪，得到去噪待识别滇龙胆LIBS光谱数据。具体的，对于LIBS光谱，在小波基函数为db3～db10、层数为3～10层的不同小波变换参数中寻找信噪比最高的小波参数，即最优小波参数为：基函数为db5、层数为3层。在此基础上对每一条待识别滇龙胆LIBS光谱进行小波去燥。
S103，根据波长与元素之间的对应关系，对所述待识别滇龙胆LIBS光谱数据中的每条待识别滇龙胆LIBS光谱的波长进行筛选，确定筛选待识别滇龙胆LIBS光谱数据。
参考美国国家标注与技术研究院(national institute of standards andtechnology，NIST)提供的元素对应的光谱波长，根据滇龙胆营养元素和微量元素，共有42个光谱波长与之对应，使得每一条滇龙胆LIBS光谱从22015个光谱变量降低到42个相关元素的波长对应的光谱变量，即降低到42个光谱变量。元素与波长对应关系如表1所示。
表1元素与波长对应关系
Figure BDA0002524305530000081
具体的，由LIBS光谱仪采集的每条滇龙胆LIBS光谱变量共22015个，每个光谱变量代表着元素种类和相对含量信息，但是滇龙胆草药中含有的元素种类有限，所以在22015个光谱变量中包含着大量的背景信息，具体表现为没有明显的激发峰信号，光谱相对强度极低，这些冗杂的信息对分类模型的优化有强烈的干扰作用，因此，参考美国国家标注与技术研究院提供的信息提取具体元素对应的光谱波长，使得LIBS光谱变量从22015个光谱变量降低到42个光谱变量。在滇龙胆LIBS光谱变量中，筛选出与42个光谱变量对应的光谱组成新的滇龙胆LIBS光谱变量，所以新的每条滇龙胆LIBS光谱有42个波长，即42个光谱变量。
S104，利用NIR光谱仪采集所述待识别滇龙胆切片样本的像素点光谱数据，得到待识别滇龙胆近红外光谱数据；所述待识别滇龙胆近红外光谱数据中包括多条待识别滇龙胆近红外光谱。
具体的，对于近红外光谱数据，使用NIR光谱仪采用线扫描的方式采集切片样本的像素点光谱。NIR光谱系统主要包括：成像光谱仪，其光谱仪接收光谱信号范围为874-1734nm，在光谱范围内共有256个波段，即采集出来的每条光谱有256个光谱变量，共采集上万条像素点光谱。系统配有两个150w卤钨灯线光源，可驱动载有样本的传送带的IRCP0076型电控移位平台，用来控制系统运行的计算机以及中国台湾五铃光学公司提供的高光谱成像系统采集软件。系统的光谱分辨率为5nm，图像分辨率为320x256像素点。所以共采集了上万条光谱，光谱范围874-1734nm，每条光谱有256个光谱变量。
S104之后还包括：采用小波去噪方法和移动窗口方法对所述待识别滇龙胆近红外光谱数据中的每条待识别滇龙胆近红外光谱进行去噪，得到去噪待识别滇龙胆近红外光谱数据。
具体的，对于每一条滇龙胆近红外光谱，因为光谱范围内靠近波长首段和尾端的噪声较大，稳定性较低，所以先剔除靠近首段和尾端的光谱，在874-1734nm光谱范围内共256个波段，选择31-222波段间共192个波段的光谱数据，即一条滇龙胆近红外光谱变为192个光谱变量。
因为NIR光谱仪采集的像素点光谱条数远远多于LIBS光谱仪采集的光谱条数，为了保证NIR光谱仪采集的光谱数量与LIBS光谱仪采集的光谱数量对应，需将待识别滇龙胆近红外光谱条数减少到16条。通过仪器采集出来的光谱数据形式为，
Figure BDA0002524305530000091
xj代表第j条光谱向量，j＝1,2,...n，从上到下划分成16个区间，每个区间的光谱条数大致为
Figure BDA0002524305530000092
(若N不能被整除，则将最后一个区间多放几条光谱，保证总共有16个区间)，每个区间的光谱取平均，可得到16条光谱。然后对16条光谱进行小波变换，在小波基函数为db3～db10、层数为3～10层的不同小波变换参数中寻找信噪比最高的小波参数，即最优小波参数为：基函数为db3、层数为3层。基于此小波参数对16条近红外光谱进行小波去噪，为了消除光谱图像上的毛刺噪声，再对每一条光谱进行移动窗口为7的移动平均处理。
S105之前还包括：采用面积归一化方法分别对所述筛选待识别滇龙胆LIBS光谱数据和所述待识别滇龙胆近红外光谱数据进行处理，得到归一化待识别滇龙胆LIBS光谱数据和归一化待识别滇龙胆近红外光谱数据。
S105，采用主成分分析方法对所述筛选待识别滇龙胆LIBS光谱数据和所述待识别滇龙胆近红外光谱数据进行降维和融合，得到待识别融合光谱数据。
S105具体包括：
1、待识别滇龙胆LIBS得分矩阵获取过程：1-1)根据所述筛选待识别滇龙胆LIBS光谱数据确定待识别滇龙胆LIBS光谱矩阵；1-2)根据所述待识别滇龙胆LIBS光谱矩阵采用主成分分析方法，得到第一投影向量集合；所述第一投影向量集合中包括多个第一投影向量，每个所述第一投影向量对应不同的贡献率值；1-3)选取所述第一投影向量集合中贡献率值最大的8个第一投影向量作为待识别滇龙胆LIBS光谱投影向量；1-4)根据所述待识别滇龙胆LIBS光谱矩阵和所述待识别滇龙胆LIBS光谱投影向量确定待识别滇龙胆LIBS得分矩阵。
2、待识别滇龙胆近红外得分矩阵获取过程：2-1)根据所述待识别滇龙胆近红外光谱数据确定待识别滇龙胆近红外光谱矩阵；2-2)根据所述待识别滇龙胆近红外光谱矩阵采用主成分分析方法，得到第二投影向量集合；所述第二投影向量集合中包括多个第二投影向量，每个所述第二投影向量对应不同的贡献率值；2-3)选取所述第二投影向量集合中贡献率值最大的3个第二投影向量作为待识别滇龙胆近红外光谱投影向量；2-4)根据所述待识别滇龙胆近红外光谱矩阵和所述待识别滇龙胆近红外光谱投影向量确定待识别滇龙胆近红外得分矩阵。
3、将所述待识别滇龙胆LIBS得分矩阵和所述待识别滇龙胆近红外得分矩阵进行融合，得到待识别融合光谱数据。
具体的，本发明对筛选待识别滇龙胆LIBS光谱数据和待识别滇龙胆近红外光谱数据采用主成分分析法(Principal Component Analysis，PCA)方法进行降维。首先，对滇龙胆LIBS光谱数据和滇龙胆近红外光谱数据中的每一条光谱均采用面积归一化方法进行预处理，消除实验参数与压切片表面不均匀带来的误差。然后，采用PCA方法对归一化后数据进行降维和融合处理。
每一条光谱的面积归一化处理过程如下：
根据公式
Figure BDA0002524305530000111
对每一条光谱进行面积归一化，其中，XNEWi为面积归一化光谱，xi代表一条光谱中第i个光谱变量，i＝1,2,...n，若为滇龙胆近红外光谱数据，n＝192，若为滇龙胆LIBS光谱数据，n＝42。
PCA降维和融合过程如下：
记录面积归一化后的LIBS光谱数据中每条光谱的波长为λ1,λ2,λ3...λp(p＝42)，LIBS光谱数据的一条光谱有42个波长，其对应谱线强度为Iλ1,Iλ2,……Iλp，LIBS光谱数据的一条光谱向量可表示为Xj，
Figure BDA0002524305530000112
j＝1,2,...16，j代表光谱序号，共有16条光谱，组成光谱矩阵可表示为
Figure BDA0002524305530000113
记录投影向量V＝[a1,a2 ……ap]T，则得分变量XLIBS×V的方差σ2可表示为：
Figure BDA0002524305530000114
PCA分析的目的是使σ2越大越好，通过拉格朗日求解法，求得方差不同的投影向量V，方差越大，贡献率越大，找到总贡献率值最大的8个投影向量V1,V2,V3,V4,V5,V6,V7,V8，得分矩阵SLIBS可表示为：SLIBS＝XLIBS[V1 …… V8]，SLIBS的大小是16行，8列。
同理，得到近红外的得分矩阵SNIR＝XNIR[V1,V2,V3]，SNIR的大小是16行，3列，对近红外光谱数据进行PCA分析时总贡献率值最大的3个投影向量。
两种数据SLIBS,SNIR融合成11列得分变量，即得待识别融合光谱数据，待识别融合光谱数据能综合代表滇龙胆的LIBS与近红外的光谱信息。
PCA是一种非监督方法，对光谱变量进行线性组合形成新的能有效代表滇龙胆信息的线性无关的得分变量，线性组合的方式是向量投影，目标是使得光谱变量投影后的得分向量方差最大，依据方差大小，PCA能产生贡献率(方差越大贡献率越大)不同的投影向量，取总贡献率值大于99％的投影向量对应的得分变量代表原光谱信息。
S106，根据所述待识别融合光谱数据，采用偏最小二乘判别分析方程确定待识别滇龙胆切片样本的种类；所述种类包括家种滇龙胆和野生滇龙胆。
S106具体包括：
根据公式
Figure BDA0002524305530000121
确定判别系数；其中，Y为判别系数，p1,p2,p3,p4,p5,p6,p7,p8,p9,p10和p11均为待识别融合光谱数据；
当|Y-1|＜0.5时，确定待识别滇龙胆切片样本为家种滇龙胆；
当|Y-2|＜0.5时，确定待识别滇龙胆切片样本为野生滇龙胆。
偏最小二乘判别分析方程具体确定过程为：
S201，获取滇龙胆切片样本。具体的，收集云南省内后岩山头的滇龙胆植株，家种和野生的各采集10株，然后制成20个切片样本，包括10个家种滇龙胆切片样本和10个野生滇龙胆切片样本，制作方法和S101中的一样。
S202，利用LIBS光谱仪采集每个切片样本不同位置的光谱数据，本发明实施例中一个切片样本选取16处不同位置进行光谱采集，共采集320条LIBS光谱，采集系统和采集方法同S102。
S203，采用小波去噪方法对采集的320条LIBS光谱进行去噪，然后根据波长与元素之间的对应关系，使得LIBS光谱变量从22015个光谱变量降低到42个光谱变量，光谱波长与元素关系如图2所示。
S204，将20个切片摆好放置NIR光谱系统中，利用NIR光谱仪采集像素点光谱数据，采集出来的每条光谱有256个光谱变量，共采集上万条像素点光谱，采集系统和采集方法同S104。
然后对采集的上万条像素点光谱进行去噪处理，得到160条家种NIR光谱和160条野生NIR光谱。
S205，采用与S105中方法对320条LIBS光谱和320条NIR光谱进行处理，得到LIBS得分矩阵SLIBS＝XLIBS[V1 …… V8]，SLIBS的大小是320行，8列；得到近红外得分矩阵SNIR＝XNIR[V1,V2,V3]，SNIR的大小是320行，3列。两种数据的得分三维散点图如图3和如图4所示，其中，PC1，PC2，PC3代表方差前三的得分向量。
S206，基于K-均值算法(K-Means)对PCA融合后的数据划分建模集和预测集。K-Means是一种无监督学习算法，根据标准测度函数(样本均方差)将样本聚成一类，以家种样本的得分变量为例，K-Means根据标准测度函数(样本均方差)将样本聚成一类将家种样本的得分变量分成M类，每类由多个得分向量组成，对于每类数据，随机取2/3个向量放入建模集，剩下的放入预测集，如此，建模集和预测集的比例为2:1，且保证了建模集和预测集的均匀性。
S207，建立偏最小二乘判别分析(PLS-DA，Partial Least SquaresDiscrimination Analysis)方程，该方程为Y＝α0+α1p1+α2p2+……+α11p11，其中，α为系数，Y位为野生判别程度，p代表PCA融合数据的得分变量，因为融合数据为11列，因此有11个得分变量。根据建模集数据和偏最小二乘判别分析方程确定方程中的系数，将得到的系数带去方程中，然后利用预测集对其进行验证，得到偏最小二乘判别分析方程：
Figure BDA0002524305530000131
图5中前52条光谱是家种滇龙胆的光谱，后52条光谱是野生滇龙胆的光谱，根据图5可知，判别程度Y值与1的绝对值之差小于0.5，则被鉴别为家种滇龙胆，Y值与2的绝对值之差小于0.5，则被鉴别为野生滇龙胆，其它情况既不属于家种滇龙胆也不属于野生滇龙胆。
近红外波段代表了物质的分子组成和结构信息，LIBS光谱反映了物质的元素组成和含量信息，两者都能一定程度上体现样本之间的差异性，但代表的信息有限，基于近红外数据和LIBS数据的滇龙胆野生判别率分别是85％和81％，本专发明利用PCA降维融合两种技术的光谱信息，既充分结合了两种技术的优势又通过主成分分析方法降低了光谱变量，缩短了模型训练时间并大幅提高了滇龙胆家种野生的判别准确率，准确率提高到95％，为滇龙胆的野生判别提供了一种技术手段。其中，建模集和预测集的准确率如下表：
数据来源 建模集准确率(％) 预测集准确率(％)
LIBS数据 93.06 81.73
近红外数据 95.39 85.44
基于PCA融合数据 96.76 95.19
从表格数据可以看出，数据融合后预测集准确率大幅提高。
本发明还提供了一种多源光谱融合的滇龙胆种类识别系统，如图6所示，所述系统包括：
切片样本获取模块1，用于获取待识别滇龙胆切片样本。
待识别滇龙胆LIBS光谱数据获得模块2，用于利用LIBS光谱仪采集所述待识别滇龙胆切片样本不同位置的光谱数据，得到待识别滇龙胆LIBS光谱数据；所述待识别滇龙胆LIBS光谱数据中包括多条待识别滇龙胆LIBS光谱。
筛选待识别滇龙胆LIBS光谱数据确定模块3，用于根据波长与元素之间的对应关系，对所述待识别滇龙胆LIBS光谱数据中的每条待识别滇龙胆LIBS光谱的波长进行筛选，确定筛选待识别滇龙胆LIBS光谱数据。
待识别滇龙胆近红外光谱数据获得模块4，利用NIR光谱仪采集所述待识别滇龙胆切片样本的像素点光谱数据，得到待识别滇龙胆近红外光谱数据；所述待识别滇龙胆近红外光谱数据中包括多条待识别滇龙胆近红外光谱。
待识别融合光谱数据获得模块5，用于采用主成分分析方法对所述筛选待识别滇龙胆LIBS光谱数据和所述待识别滇龙胆近红外光谱数据进行降维和融合，得到待识别融合光谱数据。
识别模块6，用于根据所述待识别融合光谱数据，采用偏最小二乘判别分析方程确定待识别滇龙胆切片样本的种类；所述种类包括家种滇龙胆和野生滇龙胆。
优选的，所述待识别融合光谱数据获得模块5具体包括：
LIBS光谱矩阵确定单元，用于根据所述筛选待识别滇龙胆LIBS光谱数据确定待识别滇龙胆LIBS光谱矩阵。
第一投影向量集合获得单元，用于根据所述待识别滇龙胆LIBS光谱矩阵采用主成分分析方法，得到第一投影向量集合；所述第一投影向量集合中包括多个第一投影向量，每个所述第一投影向量对应不同的贡献率值。
LIBS光谱投影向量选取单元，用于选取所述第一投影向量集合中贡献率值最大的8个第一投影向量作为待识别滇龙胆LIBS光谱投影向量。
LIBS得分矩阵确定单元，用于根据所述待识别滇龙胆LIBS光谱矩阵和所述待识别滇龙胆LIBS光谱投影向量确定待识别滇龙胆LIBS得分矩阵。
近红外光谱矩阵确定单元，用于根据所述待识别滇龙胆近红外光谱数据确定待识别滇龙胆近红外光谱矩阵。
第二投影向量集合获得单元，用于根据所述待识别滇龙胆近红外光谱矩阵采用主成分分析方法，得到第二投影向量集合；所述第二投影向量集合中包括多个第二投影向量，每个所述第二投影向量对应不同的贡献率值。
近红外光谱投影向量选取单元，用于选取所述第二投影向量集合中贡献率值最大的3个第二投影向量作为待识别滇龙胆近红外光谱投影向量。
近红外得分矩阵确定单元，用于根据所述待识别滇龙胆近红外光谱矩阵和所述待识别滇龙胆近红外光谱投影向量确定待识别滇龙胆近红外得分矩阵。
光谱数据融合单元，用于将所述待识别滇龙胆LIBS得分矩阵和所述待识别滇龙胆近红外得分矩阵进行融合，得到待识别融合光谱数据。
优选的，所述识别模块6具体包括：
判别系数确定单元，用于根据公式
Figure BDA0002524305530000151
确定判别系数；其中，Y为判别系数，p1,p2,p3,p4,p5,p6,p7,p8,p9,p10和p11均为待识别融合光谱数据。
家种滇龙胆确定单元，用于当|Y-1|＜0.5时，确定待识别滇龙胆切片样本为家种滇龙胆。
野生滇龙胆确定单元，用于当|Y-2|＜0.5时，确定待识别滇龙胆切片样本为野生滇龙胆。
优选的，所述多源光谱融合的滇龙胆种类识别系统还包括：
面积归一化处理模块，用于采用面积归一化方法分别对所述筛选待识别滇龙胆LIBS光谱数据和所述待识别滇龙胆近红外光谱数据进行处理，得到归一化待识别滇龙胆LIBS光谱数据和归一化待识别滇龙胆近红外光谱数据。
本发明的优点：
(1)激光诱导击穿光谱(LIBS)是一种利用激光激发等离子体，采集等离子体冷却过程中原子或离子的发射光谱，从而得到所测量物元素组成和含量信息的新型光谱测量技术。近红外光谱技术是通过采集包含了样本分子组成和结构的一段光谱间接得到物质的成分信息。两种技术的优势都是一种快速无损检测技术，对样本的形态要求不高，压片形态可以同时满足两种实验要求，并且简单、快速、高效。
(2)近红外波段代表了物质的分子组成和结构信息，LIBS光谱反映了物质的元素组成和含量信息，两者都能一定程度上体现样本之间的差异性，但代表的信息有限，本专发明利用PCA降维融合两种技术的光谱信息，既充分结合了两种技术的优势又通过主成分分析方法降低了光谱变量，缩短了偏最小二乘判别分析方程中系数确定时间，大幅提高了滇龙胆家种野生的判别准确率，为滇龙胆的野生判别提供了一种技术手段。
(3)通过融合两种数据的主成分得分向量，可建立一种结合LIBS和NIR技术的滇龙胆野生快速判别模型即偏最小二乘判别分析方程，能大幅提高模型的预测效果，预测集准确率高达95％，具有检测速度快、所需样品少、无污染、检测精度高、可靠性强，人为干扰因素低的特点。为滇龙胆的野性判别提供一种技术手段，同时满足了市场检测的快速，样本处理简单，高效准确等需求。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种多源光谱融合的滇龙胆种类识别方法，其特征在于，包括：
获取待识别滇龙胆切片样本；
利用LIBS光谱仪采集所述待识别滇龙胆切片样本不同位置的光谱数据，得到待识别滇龙胆LIBS光谱数据；所述待识别滇龙胆LIBS光谱数据中包括多条待识别滇龙胆LIBS光谱；
根据波长与元素之间的对应关系，对所述待识别滇龙胆LIBS光谱数据中的每条待识别滇龙胆LIBS光谱的波长进行筛选，确定筛选待识别滇龙胆LIBS光谱数据；
利用NIR光谱仪采集所述待识别滇龙胆切片样本的像素点光谱数据，得到待识别滇龙胆近红外光谱数据；所述待识别滇龙胆近红外光谱数据中包括多条待识别滇龙胆近红外光谱；
采用主成分分析方法对所述筛选待识别滇龙胆LIBS光谱数据和所述待识别滇龙胆近红外光谱数据进行降维和融合，得到待识别融合光谱数据；
根据所述待识别融合光谱数据，采用偏最小二乘判别分析方程确定待识别滇龙胆切片样本的种类；所述种类包括家种滇龙胆和野生滇龙胆。
2.根据权利要求1所述的多源光谱融合的滇龙胆种类识别方法，其特征在于，所述采用主成分分析方法对所述筛选待识别滇龙胆LIBS光谱数据和所述待识别滇龙胆近红外光谱数据进行降维和融合，得到待识别融合光谱数据，具体包括：
根据所述筛选待识别滇龙胆LIBS光谱数据确定待识别滇龙胆LIBS光谱矩阵；
根据所述待识别滇龙胆LIBS光谱矩阵采用主成分分析方法，得到第一投影向量集合；所述第一投影向量集合中包括多个第一投影向量，每个所述第一投影向量对应不同的贡献率值；
选取所述第一投影向量集合中贡献率值最大的8个第一投影向量作为待识别滇龙胆LIBS光谱投影向量；
根据所述待识别滇龙胆LIBS光谱矩阵和所述待识别滇龙胆LIBS光谱投影向量确定待识别滇龙胆LIBS得分矩阵；
根据所述待识别滇龙胆近红外光谱数据确定待识别滇龙胆近红外光谱矩阵；
根据所述待识别滇龙胆近红外光谱矩阵采用主成分分析方法，得到第二投影向量集合；所述第二投影向量集合中包括多个第二投影向量，每个所述第二投影向量对应不同的贡献率值；
选取所述第二投影向量集合中贡献率值最大的3个第二投影向量作为待识别滇龙胆近红外光谱投影向量；
根据所述待识别滇龙胆近红外光谱矩阵和所述待识别滇龙胆近红外光谱投影向量确定待识别滇龙胆近红外得分矩阵；
将所述待识别滇龙胆LIBS得分矩阵和所述待识别滇龙胆近红外得分矩阵进行融合，得到待识别融合光谱数据。
3.根据权利要求1所述的多源光谱融合的滇龙胆种类识别方法，其特征在于，所述根据所述待识别融合光谱数据，采用偏最小二乘判别分析方程确定待识别滇龙胆切片样本的种类，具体包括：
根据公式
Figure FDA0002524305520000021
确定判别系数；其中，Y为判别系数，p1,p2,p3,p4,p5,p6,p7,p8,p9,p10和p11均为待识别融合光谱数据；
当|Y-1|＜0.5时，确定待识别滇龙胆切片样本为家种滇龙胆；
当|Y-2|＜0.5时，确定待识别滇龙胆切片样本为野生滇龙胆。
4.根据权利要求1所述的多源光谱融合的滇龙胆种类识别方法，其特征在于，所述采用主成分分析方法对所述筛选待识别滇龙胆LIBS光谱数据和所述待识别滇龙胆近红外光谱数据进行降维和融合，得到待识别融合光谱数据，之前还包括：
采用面积归一化方法分别对所述筛选待识别滇龙胆LIBS光谱数据和所述待识别滇龙胆近红外光谱数据进行处理，得到归一化待识别滇龙胆LIBS光谱数据和归一化待识别滇龙胆近红外光谱数据。
5.根据权利要求1所述的多源光谱融合的滇龙胆种类识别方法，其特征在于，所述利用NIR光谱仪采集所述待识别滇龙胆切片样本的像素点光谱数据，得到待识别滇龙胆近红外光谱数据，之后还包括：
采用小波去噪方法和移动窗口方法对所述待识别滇龙胆近红外光谱数据中的每条待识别滇龙胆近红外光谱进行去噪，得到去噪待识别滇龙胆近红外光谱数据。
6.根据权利要求1所述的多源光谱融合的滇龙胆种类识别方法，其特征在于，所述利用LIBS光谱仪采集所述待识别滇龙胆切片样本不同位置的光谱数据，得到待识别滇龙胆LIBS光谱数据，之后还包括：
采用小波去噪方法对所述待识别滇龙胆LIBS光谱数据中的每条待识别滇龙胆LIBS光谱进行去噪，得到去噪待识别滇龙胆LIBS光谱数据。
7.一种多源光谱融合的滇龙胆种类识别系统，其特征在于，包括：
切片样本获取模块，用于获取待识别滇龙胆切片样本；
待识别滇龙胆LIBS光谱数据获得模块，用于利用LIBS光谱仪采集所述待识别滇龙胆切片样本不同位置的光谱数据，得到待识别滇龙胆LIBS光谱数据；所述待识别滇龙胆LIBS光谱数据中包括多条待识别滇龙胆LIBS光谱；
筛选待识别滇龙胆LIBS光谱数据确定模块，用于根据波长与元素之间的对应关系，对所述待识别滇龙胆LIBS光谱数据中的每条待识别滇龙胆LIBS光谱的波长进行筛选，确定筛选待识别滇龙胆LIBS光谱数据；
待识别滇龙胆近红外光谱数据获得模块，利用NIR光谱仪采集所述待识别滇龙胆切片样本的像素点光谱数据，得到待识别滇龙胆近红外光谱数据；所述待识别滇龙胆近红外光谱数据中包括多条待识别滇龙胆近红外光谱；
待识别融合光谱数据获得模块，用于采用主成分分析方法对所述筛选待识别滇龙胆LIBS光谱数据和所述待识别滇龙胆近红外光谱数据进行降维和融合，得到待识别融合光谱数据；
识别模块，用于根据所述待识别融合光谱数据，采用偏最小二乘判别分析方程确定待识别滇龙胆切片样本的种类；所述种类包括家种滇龙胆和野生滇龙胆。
8.根据权利要求7所述的多源光谱融合的滇龙胆种类识别系统，其特征在于，所述待识别融合光谱数据获得模块具体包括：
LIBS光谱矩阵确定单元，用于根据所述筛选待识别滇龙胆LIBS光谱数据确定待识别滇龙胆LIBS光谱矩阵；
第一投影向量集合获得单元，用于根据所述待识别滇龙胆LIBS光谱矩阵采用主成分分析方法，得到第一投影向量集合；所述第一投影向量集合中包括多个第一投影向量，每个所述第一投影向量对应不同的贡献率值；
LIBS光谱投影向量选取单元，用于选取所述第一投影向量集合中贡献率值最大的8个第一投影向量作为待识别滇龙胆LIBS光谱投影向量；
LIBS得分矩阵确定单元，用于根据所述待识别滇龙胆LIBS光谱矩阵和所述待识别滇龙胆LIBS光谱投影向量确定待识别滇龙胆LIBS得分矩阵；
近红外光谱矩阵确定单元，用于根据所述待识别滇龙胆近红外光谱数据确定待识别滇龙胆近红外光谱矩阵；
第二投影向量集合获得单元，用于根据所述待识别滇龙胆近红外光谱矩阵采用主成分分析方法，得到第二投影向量集合；所述第二投影向量集合中包括多个第二投影向量，每个所述第二投影向量对应不同的贡献率值；
近红外光谱投影向量选取单元，用于选取所述第二投影向量集合中贡献率值最大的3个第二投影向量作为待识别滇龙胆近红外光谱投影向量；
近红外得分矩阵确定单元，用于根据所述待识别滇龙胆近红外光谱矩阵和所述待识别滇龙胆近红外光谱投影向量确定待识别滇龙胆近红外得分矩阵；
光谱数据融合单元，用于将所述待识别滇龙胆LIBS得分矩阵和所述待识别滇龙胆近红外得分矩阵进行融合，得到待识别融合光谱数据。
9.根据权利要求7所述的多源光谱融合的滇龙胆种类识别系统，其特征在于，所述识别模块具体包括：
判别系数确定单元，用于根据公式
Figure FDA0002524305520000041
确定判别系数；其中，Y为判别系数，p1,p2,p3,p4,p5,p6,p7,p8,p9,p10和p11均为待识别融合光谱数据；
家种滇龙胆确定单元，用于当|Y-1|＜0.5时，确定待识别滇龙胆切片样本为家种滇龙胆；
野生滇龙胆确定单元，用于当|Y-2|＜0.5时，确定待识别滇龙胆切片样本为野生滇龙胆。
10.根据权利要求7所述的多源光谱融合的滇龙胆种类识别系统，其特征在于，所述多源光谱融合的滇龙胆种类识别系统还包括：
面积归一化处理模块，用于采用面积归一化方法分别对所述筛选待识别滇龙胆LIBS光谱数据和所述待识别滇龙胆近红外光谱数据进行处理，得到归一化待识别滇龙胆LIBS光谱数据和归一化待识别滇龙胆近红外光谱数据。
CN202010499625.2A 2020-06-04 2020-06-04 一种多源光谱融合的滇龙胆种类识别方法及系统 Active CN111624192B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010499625.2A CN111624192B (zh) 2020-06-04 2020-06-04 一种多源光谱融合的滇龙胆种类识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010499625.2A CN111624192B (zh) 2020-06-04 2020-06-04 一种多源光谱融合的滇龙胆种类识别方法及系统

Publications (2)

Publication Number Publication Date
CN111624192A CN111624192A (zh) 2020-09-04
CN111624192B true CN111624192B (zh) 2022-12-16

Family

ID=72272911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010499625.2A Active CN111624192B (zh) 2020-06-04 2020-06-04 一种多源光谱融合的滇龙胆种类识别方法及系统

Country Status (1)

Country Link
CN (1) CN111624192B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103913435A (zh) * 2014-04-24 2014-07-09 江西农业大学 一种基于多源信息融合的潲水油快速检测方法及装置
CN109669023A (zh) * 2018-12-05 2019-04-23 浙江大学 一种基于多传感器融合的土壤属性预测方法
CN111044503A (zh) * 2019-12-16 2020-04-21 华南理工大学 一种基于激光诱导击穿光谱和近红外光谱信息融合的煤质测量方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103913435A (zh) * 2014-04-24 2014-07-09 江西农业大学 一种基于多源信息融合的潲水油快速检测方法及装置
CN109669023A (zh) * 2018-12-05 2019-04-23 浙江大学 一种基于多传感器融合的土壤属性预测方法
CN111044503A (zh) * 2019-12-16 2020-04-21 华南理工大学 一种基于激光诱导击穿光谱和近红外光谱信息融合的煤质测量方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于数据融合和多指标定量对滇龙胆产地鉴别和质量评价;王琴琴 等;《中国中药杂志》;20180331;第43卷(第06期);第1162-1168页 *

Also Published As

Publication number Publication date
CN111624192A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
CN107796764B (zh) 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法
Wang et al. Hyperspectral indices for estimating leaf biochemical properties in temperate deciduous forests: Comparison of simulated and measured reflectance data sets
CN110763698B (zh) 一种基于特征波长的高光谱柑橘叶片病害识别方法
CN101231274B (zh) 近红外光谱快速测定山药中尿囊素含量的方法
CN109100323B (zh) 一种苹果水心病的透射光谱无损定量评价方法
Bumgarner et al. Digital image analysis to supplement direct measures of lettuce biomass
CN102519886A (zh) 一种检测农作物叶片中叶绿素a和类胡萝卜素含量的方法
CN104965973A (zh) 一种苹果霉心病多因子无损检测判别模型及其建立方法
CN112903602A (zh) 基于机器学习和高光谱成像的多种类柑橘病叶识别方法及系统
Sobhan Species discrimination from a hyperspectral perspective
Sun et al. Water content detection of potato leaves based on hyperspectral image
CN112113930B (zh) 一种杏果实品质多尺度表型方法
Liu et al. Diagnosis of citrus greening using raman spectroscopy-based pattern recognition
CN106841167A (zh) 果蔬农药残留的无损检测方法
CN113176227A (zh) 一种快速预测河南石斛掺伪霍山石斛的方法
CN114092839A (zh) 基于无人机遥感的大豆收获期成熟度的判断方法
CN111624192B (zh) 一种多源光谱融合的滇龙胆种类识别方法及系统
CN113267458A (zh) 甘薯可溶性蛋白质含量定量预测模型的建立方法
CN111426645A (zh) 一种快速测定植株不同器官氮含量的方法
Ning et al. Construction of a ginsenoside content-predicting model based on hyperspectral imaging
Liu et al. Visual discrimination of citrus HLB based on image features
CN114324215A (zh) 一种柠檬叶片叶绿素含量及其二维分布检测方法
Zhou et al. Germination prediction of sugar beet seeds based on HSI and SVM-RBF
Debnath et al. Detection of Age and Defect of Grapevine Leaves Using Hyper Spectral Imaging
Shao et al. Using reflectance and gray-level texture for water content prediction in grape vines

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant