CN112113922A - 基于高光谱成像技术的人参年限识别方法 - Google Patents
基于高光谱成像技术的人参年限识别方法 Download PDFInfo
- Publication number
- CN112113922A CN112113922A CN202010971534.4A CN202010971534A CN112113922A CN 112113922 A CN112113922 A CN 112113922A CN 202010971534 A CN202010971534 A CN 202010971534A CN 112113922 A CN112113922 A CN 112113922A
- Authority
- CN
- China
- Prior art keywords
- sample
- ginseng
- data
- hyperspectral imaging
- hyperspectral
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000208340 Araliaceae Species 0.000 title claims abstract description 110
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 title claims abstract description 109
- 235000003140 Panax quinquefolius Nutrition 0.000 title claims abstract description 109
- 235000008434 ginseng Nutrition 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 35
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 230000003595 spectral effect Effects 0.000 claims abstract description 36
- 238000001228 spectrum Methods 0.000 claims abstract description 29
- 238000012937 correction Methods 0.000 claims abstract description 22
- 238000002310 reflectometry Methods 0.000 claims abstract description 16
- 239000000463 material Substances 0.000 claims abstract description 13
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 238000003672 processing method Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims 4
- 238000012545 processing Methods 0.000 abstract description 9
- 239000003814 drug Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 108090000790 Enzymes Proteins 0.000 description 3
- 102000004190 Enzymes Human genes 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003705 background correction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- GZCWLCBFPRFLKL-UHFFFAOYSA-N 1-prop-2-ynoxypropan-2-ol Chemical compound CC(O)COCC#C GZCWLCBFPRFLKL-UHFFFAOYSA-N 0.000 description 1
- 108010051457 Acid Phosphatase Proteins 0.000 description 1
- 102000013563 Acid Phosphatase Human genes 0.000 description 1
- 239000004382 Amylase Substances 0.000 description 1
- 108010065511 Amylases Proteins 0.000 description 1
- 102000013142 Amylases Human genes 0.000 description 1
- 108090000371 Esterases Proteins 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 235000019418 amylase Nutrition 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 229930182490 saponin Natural products 0.000 description 1
- 150000007949 saponins Chemical class 0.000 description 1
- 235000017709 saponins Nutrition 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
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
- G01N21/17—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (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)
Abstract
本发明公开了一种基于高光谱成像技术识别人参年限的模型建立方法及识别模型。该方法包括如下步骤:1)对样本用高光谱成像系统进行光谱扫描,收集1000到2400nm的高光谱数据;2)将原始的高光谱数据依次进行RAD校正、采用平场域处理方法转换为相对反射率数据、多元散射校正预处理;3)将预处理后的高光谱数据利用matlab软件偏最小二乘回归代码进行建模,得到人参年限识别模型;4)将待测样品按照上述1)—2)的步骤处理,将得到的光谱数据输入识别模型,得到待测样品的预测年限。本发明将高光谱成像技术应用于中药材年限识别领域,可降低人工识别的成本,提高鉴别的准确性与科学性,在中药材生产实践中具有较好的应用前景。
Description
技术领域
本发明属于中药材鉴定领域,具体涉及基于高光谱成像技术的人参年限识别方法。
背景技术
人参为五加科植物人参PanaxginsengC.A.Mey.的干燥根和根茎,主产于我国东北地区,是中国传统珍贵中药材,有着悠久的应用历史,具有大补元气、安神生津、增强免疫力等作用,广泛应用于医药领域,在保健、康复等领域也发挥重要作用。不同年限的人参在生长状况和物质代谢上存在很大的差距,近年来科研人员通过相关实验来研究测定不同年限的人参中相关成分与指标间的差异,发现不同年限人参样品中,4年生人参中8种皂苷含量最高;通过测定淀粉酶、酯酶、酸性磷酸酯酶的活力,发现不同产地的酶活力差异较大,而各产地4年与5年生人参的酶活力无明显差异,同一种酶在不同产地人参中含量明显不同,活力存在很大差异;不同年限人参中水溶性蛋白含量存在差异,以4年生含量最低,5~7年生没有明显差异;不同年限人参中淀粉含量也存在不同程度的差异。
近年来高光谱成像技术取得了飞速的发展,从最早仅仅应用于航空航天领域。再发展至地质勘探,矿石识别。紧随其后又步入农业领域,对农作物的品质进行识别,种类进行区分。具有高分辨率、多波段、检测速度快、破坏性小、污染少等优点。如此一来,高光谱成像技术已深入生活的方方面面,但在中医药领域仍研究较少。
发明内容
本发明的目的是提供一种基于高光谱成像技术的人参年限识别方法,本发明技术操作流程,有利于道地药材的质量控制和市场流通监控;还降低了人工识别的成本,提高了鉴别的效率、准确性与科学性。
本发明所提供的基于高光谱成像技术识别或辅助识别人参年限的模型建立方法,包括如下步骤:
(1)样本光谱建立:
收集不同年限、同一品种、同一产地的人参药材作为样本集;对所述样本集中的样本用高光谱成像系统进行光谱扫描,收集1000~2400nm的高光谱数据,得到样本集光谱;
(2)样本集光谱预处理:
a1)将所述样本集光谱中样本原始的高光谱数据进行RAD(Radiometriccalibration辐射校准)校正;
a2)将RAD校正后的数据采用平场域处理方法进行黑白校正,转换为初始相对反射率数据;
a3)将所述初始相对反射率数据利用ENVI软件圈选出人参不同样本的感兴趣区域,导出平均光谱值,用多元散射校正法(MSC)进行预处理;
a4)采用matlab软件导入步骤a3)预处理后的样本平均光谱值数据,采用随机无放回的方式抽取光谱,生成1到mT随机数集R,将校正后的相对反射率数据对应随机数集R,按照比例将光谱数据集中的mT条光谱数据分成训练集和测试集;所述训练集是用来训练模型,所述测试集是用来测试模型性能;
(3)建立识别模型:
将由训练集光谱得到的光谱数据与样本人参年限信息利用偏最小二乘回归进行建模,得到识别人参年限的模型。
上述方法步骤(1)中,所述样本集中的样本数量大于等于100个。
上述方法步骤(1)中,所述高光谱成像系统具体为HySpex系列高光谱成像光谱仪。
所述光谱扫描的条件如下:所述高光谱成像光谱仪的镜头与所述人参的距离为20-30cm,平台移动速度为1.5mm/s;所收集的光谱范围在1000-2400nm时积分时间为3600μs,帧时间为49535。
上述方法步骤(2)中,所述a1)中RAD校正为Radiometric calibration辐射校准,为HySpex系列高光谱成像光谱仪自带校准软件。
上述方法步骤(2)中,所述a2)中黑白校正公式如下:
式中R表示经过校正后的图像,IR表示原始图像,IW表示白板图像,IB表示黑板图像。
上述方法步骤(2)中,所述a3)中对初始相对反射率数据利用ENVI软件圈选出人参不同样本的感兴趣区域,导出各个样本感兴趣区域的平均光谱值,用多元散射校正法(MSC)对感兴趣区域平均光谱值进行预处理,得到预处理后的样本平均光谱值数据。
上述方法步骤(2)中,所述a4)中采用随机采样进行数据分割,具体方法为每个年限中按5:1的比例随机采样,选取训练集与测试集。
上述方法步骤(3)中,采用matlab软件进行所述偏最小二乘回归模型的建立。偏最小二乘回归作为多元线性回归、典型相关分析和主成分分析的集合与演化,其思路如下:从自变量集合X中提取成分th(h=1,2,…),各成分间相互独立。随后建立提取成分th与因变量Y间的回归方程。
上述的方法中,所述不同年限、同一品种、同一产地的人参年限可为一年生、三年生、七年生的至少一种;所述人参的品种可为园参。
上述方法制备得到的基于高光谱成像技术识别或辅助识别人参年限的模型也属于本发明的保护范围。
本发明的另一个目的是提供一种基于高光谱成像技术识别人参年限的方法。
本发明所提供的基于高光谱成像技术识别或辅助识别人参年限的方法,包括如下步骤:
A)待测样本光谱建立:
对待测人参样本用高光谱成像系统进行光谱扫描,收集1000到2400nm的高光谱数据,得到待测人参样本的光谱;
B)待测样本光谱预处理:
b1)将所述待测人参样本的光谱中样本原始的高光谱数据进行RAD(Radiometriccalibration辐射校准)校正;
b2)将RAD校正后的数据采用平场域处理方法进行黑白校正,转换为初始相对反射率数据;
b3)将所述初始相对反射率数据提取样本感兴趣区域,并用多元散射校正法(MSC)预处理,得到预处理后的样本平均光谱值数据;
C)将所述预处理后的样本平均光谱值数据输入上述识别人参年限的模型,得到待测人参样品的年限。
优选的,所述待测人参样本与上述建模中所用的人参样本的品种和产地相同。
本发明具有以下优点:
本发明采用高光谱成像技术,将其应用于中药材年限识别领域,不仅有利于道地药材的质量控制和市场流通监控,还可降低人工识别的成本,提高鉴别的准确性与科学性,在中药材生产实践中具有较好的应用前景。本发明将高光谱应用于中药材年限鉴别,关键所在是找出了高光谱曲线与药材年限、本身性状、特征成分之间的关系。
附图说明
图1为本发明基于高光谱成像光谱仪对不同年限人参药材进行鉴别的流程图。
图2为本发明所用整体装置,其中,1-金属架,2-400-1000nm镜头,3-1000-2400nm镜头,4-卤钨灯,5-移动平台,6-仪器自带电脑。
图3为人参药材摆放原图。
图4为感兴趣区域提取。
图5为一年生、七年生人参样品年限识别模型结果,图a为原始数据识别模型,图b为S-G平滑处理数据识别模型,图c为MSC处理数据识别模型,上图中左侧蓝色为一年生人参识别结果、右侧红色为七年生人参识别结果。
图6为一年生、三年生、七年生人参样品年限识别模型结果,图a为原始数据识别模型,图b为S-G平滑处理数据识别模型,图c为MSC处理数据识别模型;上图中左侧蓝色为一年生人参识别结果、中间红色为三年生人参识别结果,右侧绿色为七年生人参识别结果。
具体实施方式
下面通过具体实施例对本发明的方法进行说明,但本发明并不局限于此,凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
下述实施例中所使用的实验方法如无特殊说明,均为常规方法。
下述实施例中所用的材料、试剂等,如无特殊说明,均可从商业途径得到。
下述实施例中所采用的人参为产自吉林通化地区的一年生、三年生、七年生园参。
下述实施例中使用的高光谱成像仪系统为HySpex系列高光谱成像光谱仪。
实施例1、
本实施例提供一种基于高光谱成像技术识别相同品种相同产地人参年限的模型建立方法,包括下述步骤:
1、取同一产地同一品种不同年限(一年生、三年生、七年生)的人参样品各12份,每份分3次扫描,每次扫描时尽量不要超出镜头范围。摆放人参时,突出每一份人参样品的特征,没有重叠摆放,将用于黑白校正的白板摆放在样品后方10cm处。等待仪器连接、自检。设置高光谱成像仪扫描参数,镜头距离30cm,平台移动速度1.5mm/s;1000-2400nm镜头积分时间为3600μs,帧时间49535。人参药材摆放见图3。其中积分时间为单位时间内进入镜头的光子数,在不产生过曝点的情况下,积分时间越长,图像的质量越高。帧时间反应的是图像的长宽比,数值越大,则被扫描物体在水平方向上的比例被拉大,需要进行反复调试,找到最佳比例,进行数据记录。对上述样品用高光谱成像系统进行光谱扫描,收集1000到2400nm的高光谱数据,得到样本集光谱。
2、将扫描后的结果利用光谱仪自带的RAD校正软件进行校正。
3、将RAD校正后的数据采用ENVI软件中的平场域(Flat Field Correction)功能,将图像原始数据处理为初始相对反射率数据。此校正可消除因扫描时外界环境不稳定而引起的条带与噪声,使图像质量更好。
4、对上述初始相对反射率数据利用ENVI软件选出人参的感兴趣区域。将高光谱图像中属于人参样品的部分圈选出来作为研究区域,在每份人参样品表面提取20个相似大小的区域分别作为不同样本的感兴趣区域(ROI),再计算不同感兴趣区域的平均光谱值并进行导出,保存为txt格式。采用matlab软件,调取对应代码,对样本感兴趣区域的平均光谱值分别进行多元散射校正法(MSC)或S-G平滑(Savitzky-Golay)方法进行预处理。
5、采用matlab软件导入通过多元散射校正或S-G平滑预处理后的样本平均光谱值数据。采用随机无放回的方式抽取光谱,生成1到mT随机数集R,将光谱数据对应随机数集,按照比例将光谱数据集中的mT条光谱数据分成训练集和测试集。训练集是用来训练模型,测试集是用来测试模型性能。具体方法即每个年限的人参,有12份样品,每份样品选择20个样本ROI,即每个年限的人参有240个样本数据。将每个年限人参240个样本数据,按5:1的比例随机采样,选取训练集与测试集。得到200个训练集数据和40个测试集数据。
6、利用训练集样本建立PLS-DA判别模型;利用测试集检验结果;
将存成txt格式的训练集及测试集人参高光谱平均光谱数据,用excel打开数据进行存储,之后用matlab软件打开excel数据,调取PLS-DA判别模型对应的代码,将预处理完的训练集和预测集平均光谱数据放入代码中,进行运算,得到模型识别结果。训练集识别平均准确率达到100%,测试集识别准确率为90.8%~97.5%。
(1)1年限与7年限结果对比
采用PLS-DA建立不同品种的人参年限识别模型,结果如表1所示。
表1全波段下PLS-DA模型的判别结果
图5为一年生、七年生人参样品年限识别模型结果,横坐标为不同年限人参的测试集数,纵坐标为各年限测试集的识别类别,如横坐标1-40号对应的是一年生人参测试集数据,其纵坐标若为1则代表识别为一年生人参,即识别正确,若识别为2即视为识别错误。41-80号对应的是七年生人参测试集数据,其纵坐标若为2则代表识别为七年生人参,即识别正确,若识别为1即视为识别错误。其中图a为原始数据识别模型结果,图b为S-G平滑处理数据识别模型结果,图c为MSC处理数据识别模型结果。由图5a可知,一年生人参40个测试集有3个识别为7年生人参,7年限人参40个测试集有3个识别为一年限人参,整体识别正确率为92.5%。由图5b可知,一年生人参40个测试集有3个识别为7年生人参,7年生人参40个测试集有1个识别为一年限人参,整体识别正确率为95%。由图5c可知,一年生人参40个测试集有2个识别为7年生人参,7年生人参40个测试集全部识别正确,整体识别正确率为97.5%。
(2)1年限、3年限与7年限结果对比
采用PLS-DA建立不同品种的人参年限识别模型,结果如表2所示。
表2全波段下PLS-DA模型的判别结果
图6为一年生、三年生、七年生人参样品年限识别模型结果,横坐标为不同年限人参的测试集数,纵坐标为各年限测试集的识别类别,如横坐标1-40号对应的是一年生人参测试集数据,其纵坐标若为1则代表识别为一年生人参,即识别正确,若识别为2或3即视为识别错误。41-80号对应的是三年生人参测试集数据,其纵坐标若为2则代表识别为三年生人参,即识别正确,若识别为1或3即视为识别错误。81-120号对应的是七年生人参测试集数据,其纵坐标若为3则代表识别为三年生人参,即识别正确,若识别为1或2即视为识别错误。图a为原始数据识别模型,图b为S-G平滑处理数据识别模型,图c为MSC处理数据识别模型。由图6a可知,一年生人参40个测试集有2个识别正确在第一类别,3年生人参仅有4个识别正确在第二类别,7年生人参40个测试集有24个识别正确在第三类别,整体识别正确率为25%。由图6b可知,一年生人参40个测试集有20个识别正确在第一类别,3年生人参仅有6个识别正确在第二类别,7年生人参40个测试集有17个识别正确在第三类别,整体识别正确率为35.8%。由图c可知,一年生人参40个测试集有36个识别正确在第一类别,3年生人参有36个识别正确在第二类别,7年生人参40个测试集有37个识别正确在第三类别,整体识别正确率为90.8%。
Claims (10)
1.一种基于高光谱成像技术识别或辅助识别人参年限的模型建立方法,包括如下步骤:
(1)样本光谱建立:
收集不同年限、同一品种、同一产地的人参药材作为样本集;对所述样本集中的样本用高光谱成像系统进行光谱扫描,收集1000~2400nm的高光谱数据,得到样本集光谱;
(2)样本集光谱预处理:
a1)将所述样本集光谱中样本原始的高光谱数据进行辐射校准;
a2)将辐射校准后的数据采用平场域处理方法进行黑白校正,转换为初始相对反射率数据;
a3)将所述初始相对反射率数据进行样本感兴趣区域选择,导出的平均光谱值数据用多元散射校正法进行预处理;
(3)建立识别模型:
将预处理后的样本平均光谱值数据与样本人参年限信息利用偏最小二乘回归进行建模,得到识别人参年限的模型。
2.根据权利要求1所述的方法,其特征在于:所述步骤(1)中,所述样本集中的样本数量大于等于100个;
所述高光谱成像系统为HySpex系列高光谱成像光谱仪。
3.根据权利要求1或2所述的方法,其特征在于:所述步骤(1)中,所述光谱扫描的条件如下:所述高光谱成像光谱仪的镜头与所述人参的距离为20-30cm,平台移动速度为1.5mm/s;所收集的光谱范围在1000-2400nm时,积分时间为3600μs,帧时间为49535。
5.根据权利要求1-4中任一项所述的方法,其特征在于:所述步骤(3)前步骤a3)后还包括下述步骤a4):采用matlab软件导入步骤a3)预处理后的样本平均光谱值数据,采用随机无放回的方式抽取光谱,生成1到mT随机数集R,将预处理后的样本平均光谱值数据对应随机数集R,按照比例将光谱数据集中的mT条光谱数据分成训练集和测试集;所述训练集是用来训练模型,所述测试集是用来测试模型性能;
优选的,每个年限人参的总样本数据按5:1的比例随机采样,选取训练集与测试集。
6.权利要求1-5中任一项所述方法得到的识别或辅助识别人参年限的模型。
7.一种包括权利要求1所述的基于高光谱成像技术识别或辅助识别人参年限的模型建立方法识别或辅助识别人参年限的方法,包括如下步骤:
A)待测样品光谱建立:
对待测人参样品用高光谱成像系统进行光谱扫描,收集1000到2400nm的高光谱数据,得到待测人参样品的光谱;
B)待测样品光谱预处理:
b1)将所述待测人参样品的原始的高光谱数据进行辐射校准;
b2)将辐射校准后的数据采用平场域处理方法进行黑白校正,转换为初始相对反射率数据;
b3)将所述初始相对反射率数据提取样本感兴趣区域,并用多元散射校正法(MSC)预处理,得到预处理后的样本平均光谱值数据;
C)将所述预处理后的样本平均光谱值数据输入权利要求1得到的识别或辅助识别人参年限的模型,得到待测人参样品的年限。
9.根据权利要求7或8所述的方法,其特征在于:所述步骤B)中,所述b3)中具体方法如下:将待测样品的初始相对反射率利用ENVI选出人参的感兴趣区域,再计算不同感兴趣区域的平均光谱值并进行导出,进行多元散射校正法预处理,得到校正后的相对反射率数据。
10.根据权利要求7-9中任一项所述的方法,其特征在于:所述步骤A)中,所述待测人参样品与权利要求1中所述人参的品种和产地相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010971534.4A CN112113922A (zh) | 2020-09-16 | 2020-09-16 | 基于高光谱成像技术的人参年限识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010971534.4A CN112113922A (zh) | 2020-09-16 | 2020-09-16 | 基于高光谱成像技术的人参年限识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112113922A true CN112113922A (zh) | 2020-12-22 |
Family
ID=73803424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010971534.4A Pending CN112113922A (zh) | 2020-09-16 | 2020-09-16 | 基于高光谱成像技术的人参年限识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112113922A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114720420A (zh) * | 2022-03-24 | 2022-07-08 | 中国中医科学院中药研究所 | 一种基于高光谱成像技术的花椒产地识别方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040222136A1 (en) * | 2001-05-28 | 2004-11-11 | Popp Michael A. | Method for classifying wine and coffee |
CN106290238A (zh) * | 2016-08-09 | 2017-01-04 | 西北农林科技大学 | 一种基于高光谱成像的苹果品种快速鉴别方法 |
CN106546541A (zh) * | 2016-10-31 | 2017-03-29 | 浙江大学 | 一种基于高光谱转基因玉米籽粒的识别装置与方法 |
CN108956604A (zh) * | 2018-05-29 | 2018-12-07 | 江苏大学 | 一种基于高光谱图像技术识别中华绒螯蟹品质的方法 |
CN109406413A (zh) * | 2018-10-31 | 2019-03-01 | 中国中医科学院中药研究所 | 基于高光谱成像技术预测枸杞子中圣草酚含量的方法 |
CN109540831A (zh) * | 2019-01-25 | 2019-03-29 | 中国中医科学院中药研究所 | 基于高光谱成像技术的枸杞子品种识别方法 |
KR102099164B1 (ko) * | 2018-12-28 | 2020-04-09 | 충남대학교산학협력단 | 초분광 nir 영상을 이용한 인삼의 내부 내백 등급 판정시스템 및 판정방법 |
CN110987857A (zh) * | 2019-12-23 | 2020-04-10 | 辽宁上药好护士药业(集团)有限公司 | 林下山参属性的近红外检测鉴别方法 |
-
2020
- 2020-09-16 CN CN202010971534.4A patent/CN112113922A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040222136A1 (en) * | 2001-05-28 | 2004-11-11 | Popp Michael A. | Method for classifying wine and coffee |
CN106290238A (zh) * | 2016-08-09 | 2017-01-04 | 西北农林科技大学 | 一种基于高光谱成像的苹果品种快速鉴别方法 |
CN106546541A (zh) * | 2016-10-31 | 2017-03-29 | 浙江大学 | 一种基于高光谱转基因玉米籽粒的识别装置与方法 |
CN108956604A (zh) * | 2018-05-29 | 2018-12-07 | 江苏大学 | 一种基于高光谱图像技术识别中华绒螯蟹品质的方法 |
CN109406413A (zh) * | 2018-10-31 | 2019-03-01 | 中国中医科学院中药研究所 | 基于高光谱成像技术预测枸杞子中圣草酚含量的方法 |
KR102099164B1 (ko) * | 2018-12-28 | 2020-04-09 | 충남대학교산학협력단 | 초분광 nir 영상을 이용한 인삼의 내부 내백 등급 판정시스템 및 판정방법 |
CN109540831A (zh) * | 2019-01-25 | 2019-03-29 | 中国中医科学院中药研究所 | 基于高光谱成像技术的枸杞子品种识别方法 |
CN110987857A (zh) * | 2019-12-23 | 2020-04-10 | 辽宁上药好护士药业(集团)有限公司 | 林下山参属性的近红外检测鉴别方法 |
Non-Patent Citations (4)
Title |
---|
YONG-KOOK KWON等: "Discrimination of cultivation ages and cultivars of ginseng leaves using Fourier transform infrared spectroscopy combined with multivariate analysis", vol. 38, no. 1, pages 52 - 58, XP053029004, DOI: 10.1016/j.jgr.2013.11.006 * |
汪静静: "不同产地和年限人参样品皂苷类成分的比较研究", no. 3, pages 74 - 75 * |
沈焕峰 等: "《ENVI遥感影像处理方法》", vol. 1, 31 October 2009, 武汉大学出版社, pages: 561 * |
韩士冬等: "野山参生长年限与近红外光谱的相关性研究", no. 3, pages 30 - 32 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114720420A (zh) * | 2022-03-24 | 2022-07-08 | 中国中医科学院中药研究所 | 一种基于高光谱成像技术的花椒产地识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859203B (zh) | 基于深度学习的缺陷牙齿图像识别方法 | |
CN109540831B (zh) | 基于高光谱成像技术的枸杞子品种识别方法 | |
Chen et al. | Discrimination of Ganoderma lucidum according to geographical origin with near infrared diffuse reflectance spectroscopy and pattern recognition techniques | |
CN104374738B (zh) | 一种基于近红外提高鉴别结果的定性分析方法 | |
Corkidi et al. | Assessing mango anthracnose using a new three‐dimensional image‐analysis technique to quantify lesions on fruit | |
CN106596416A (zh) | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 | |
CN106446882A (zh) | 一种基于8字码的智能留痕阅卷方法 | |
US20080172386A1 (en) | Automated dental identification system | |
CN109765194B (zh) | 基于高光谱成像技术的枸杞子产地识别方法 | |
Dong et al. | Deep learning for geographical discrimination of Panax notoginseng with directly near-infrared spectra image | |
CN108511056A (zh) | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 | |
CN113989623A (zh) | 一种中药饮片图像的自动识别方法 | |
CN111833330B (zh) | 基于影像与机器嗅觉融合的肺癌智能检测方法及系统 | |
Chen et al. | Fast detection of cumin and fennel using NIR spectroscopy combined with deep learning algorithms | |
CN115937670A (zh) | 一种基于高光谱成像的麝香智能鉴别方法及应用 | |
CN114324549B (zh) | 基于呼出气质谱检测的肺结核风险评估方法及系统 | |
CN112113922A (zh) | 基于高光谱成像技术的人参年限识别方法 | |
CN108511064A (zh) | 基于深度学习自动分析人体健康数据的系统 | |
CN101799920A (zh) | 基于颜色特征的舌象分析方法及其应用 | |
CN114235539A (zh) | 基于深度学习的pd-l1病理切片自动判读方法及系统 | |
CN107255624A (zh) | 一种快速简便测定迷力菌子实体中蛋白质含量的方法 | |
CN116504392A (zh) | 一种基于数据分析的智能辅助诊断提示系统 | |
CN110658157A (zh) | 近红外分析发酵虫草菌粉生产过程总多糖的质量控制方法 | |
CN110265140A (zh) | 足畸形检测模型、足畸形检测系统及足畸形检测方法 | |
CN114689539A (zh) | 基于近红外高光谱图像的大豆种子病变粒识别方法及系统 |
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 |