CN112730384B - 一种基于激光诱导击穿光谱技术的川贝母鉴定方法及系统 - Google Patents
一种基于激光诱导击穿光谱技术的川贝母鉴定方法及系统 Download PDFInfo
- Publication number
- CN112730384B CN112730384B CN202110091023.8A CN202110091023A CN112730384B CN 112730384 B CN112730384 B CN 112730384B CN 202110091023 A CN202110091023 A CN 202110091023A CN 112730384 B CN112730384 B CN 112730384B
- Authority
- CN
- China
- Prior art keywords
- sample
- fritillary
- spectrum
- standard product
- laser
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 title claims abstract description 42
- 238000005516 engineering process Methods 0.000 title abstract description 24
- 238000001228 spectrum Methods 0.000 claims abstract description 123
- 238000013145 classification model Methods 0.000 claims abstract description 55
- 241000605372 Fritillaria Species 0.000 claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 33
- 230000003595 spectral effect Effects 0.000 claims abstract description 24
- 241000935235 Fritillaria meleagris Species 0.000 claims description 76
- 238000012360 testing method Methods 0.000 claims description 43
- 210000002569 neuron Anatomy 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 16
- 239000000843 powder Substances 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 10
- 241001644295 Fritillaria przewalskii Species 0.000 claims description 8
- 239000011521 glass Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 239000003814 drug Substances 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000004026 adhesive bonding Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 2
- 238000013139 quantization Methods 0.000 abstract description 14
- 239000000463 material Substances 0.000 abstract description 5
- 239000000523 sample Substances 0.000 abstract 6
- 239000013068 control sample Substances 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 6
- 108020004414 DNA Proteins 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 108091060211 Expressed sequence tag Proteins 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 2
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 1
- 241000283070 Equus zebra Species 0.000 description 1
- 206010062717 Increased upper airway secretion Diseases 0.000 description 1
- 241001465805 Nymphalidae Species 0.000 description 1
- 241000143952 Speyeria atlantis Species 0.000 description 1
- 239000002390 adhesive tape Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 208000026435 phlegm Diseases 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000008961 swelling Effects 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
- G01N21/62—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
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明实施例涉及药材鉴定技术领域，公开了一种基于激光诱导击穿光谱技术的川贝母鉴定方法及系统，该方法包括：对川贝母标准品、浙贝母标准品及伊贝母标准品进行前处理，制得第一样本、第二样本及第三样本；采用激光诱导击穿光谱法检测上述样本得到第一光谱、第二光谱及第三光谱；基于上述光谱中的若干峰值谱线的积分强度进行有监督学习矢量量化，构造得到分类模型对待定贝母进行鉴定。可见，基于激光诱导击穿光谱法测得川贝母及对照样本的特征光谱，并结合学习矢量量化对特征光谱进行学习，可构造得到分类模型，从而通过特征光谱高效准确地分析待定样本的成分，进而根据成分差异对待定样本进行分类鉴别，可大规模应用于川贝母高效鉴定。
Description
技术领域
本发明涉及药材鉴定技术领域，尤其涉及一种基于激光诱导击穿光谱技术的川贝母鉴定方法及系统。
背景技术
贝母是一种植物性药材，具有润肺、止咳、消肿、化痰等疗效，而不同产地的贝母在疗效上存在差异，其中，四川所出产的川贝母是贝母中的珍品。由于川贝母价格昂贵，市场上存在不少以非川贝母冒充川贝母的行为，这催生了针对川贝母的鉴定需求。
目前针对药材的鉴定方法主要有：随机扩增多态性DNA标记(RAPD)技术、扩增片段长度多态性(AFLP)技术、DNA条形码技术与表达序列标签(ESTs)技术等。而在实践中，由于不同随机引物的鉴定结果不具有可比性，难以通过RAPD进行标准化鉴定；AFLP需要制备高纯度的DNA，不适用于大规模分析及鉴定；DNA条形码技术难以鉴定同为贝母属的近缘物种；ESTs操作难度高，同样不适用于日常鉴定。可见，现有的鉴定方法难以高效便捷地对川贝母进行大规模鉴定。
发明内容
本发明实施例公开一种基于激光诱导击穿光谱技术的川贝母鉴定方法及系统，基于激光诱导击穿光谱法测得川贝母及对照样本的特征光谱，并结合学习矢量量化对特征光谱进行学习，可构造得到分类模型，从而通过特征光谱高效准确地分析待定样本的成分，进而根据成分差异对待定样本进行分类鉴别，可大规模应用于川贝母高效鉴定。
本发明实施例第一方面公开一种基于激光诱导击穿光谱技术的川贝母鉴定方法，所述方法包括：
对川贝母标准品、浙贝母标准品及伊贝母标准品进行前处理，制备得到对应的第一样本、第二样本及第三样本；
采用激光诱导击穿光谱法检测所述第一样本、所述第二样本及所述第三样本，分别得到第一光谱、第二光谱及第三光谱；
基于所述第一光谱、所述第二光谱及所述第三光谱中的若干峰值谱线的积分强度进行有监督学习矢量量化，构造得到分类模型；
采用所述分类模型对待定贝母进行鉴定。
作为一种可选的实施方式，所述对川贝母标准品、浙贝母标准品及伊贝母标准品进行前处理，制备得到对应的第一样本、第二样本及第三样本，包括：
采用中药粉碎机将所述川贝母标准品研磨粉碎成川贝母粉末，在载玻片上通过双面胶粘黏铺设所述川贝母粉末，得到所述第一样本；
同理，处理所述浙贝母标准品得到所述第二样本；
以及，处理所述伊贝母标准品得到所述第三样本。
作为一种可选的实施方式，所述采用激光诱导击穿光谱法检测所述第一样本、所述第二样本及所述第三样本，分别得到第一光谱、第二光谱及第三光谱，包括：
在所述第一样本的表面进行分划，得到140个检测区域
采用激光器发出激光脉冲，所述激光脉冲经由三面平面镜反射及一面平凸透镜聚焦后，逐一照射在所述第一样本表面的140个所述检测区域，所述第一样本产生等离子体辐射；
采用收光器逐一收集所述第一样本表面140个所述检测区域的等离子体辐射并传输至光谱仪，所述光谱仪输出对应于所述第一样本表面140个所述检测区域的140条所述第一光谱；
同理，检测所述第二样本得到140条所述第二光谱；
以及，检测所述第三样本得到140条所述第三光谱。
作为一种可选的实施方式，所述激光器的运行参数为波长1064nm，重复频率1Hz，脉冲持续时间10ns，脉冲能量50mJ；
所述光谱仪的运行参数为光谱范围190～1100nm，分辨率0.20～0.30nm；
所述光谱仪中集成有电荷耦合器及延迟发生器，所述延迟发生器用于控制所述电荷耦合器的门延迟；
所述电荷耦合器的积分时间为1.05ms，所述延迟发生器的最佳门延迟时间为1.28μs。
作为一种可选的实施方式，所述基于所述第一光谱、所述第二光谱及所述第三光谱中的若干峰值谱线的积分强度进行有监督学习矢量量化，构造得到分类模型，包括：
分别选取100条所述第一光谱、所述第二光谱及所述第三光谱，将其中若干峰值谱线的积分强度作为输入向量输入到输入层；
初始化学习速率与最大迭代次数，将输入层与隐含层之间的权重设为所述输入向量的中点；
计算所述输入层中的输入向量与所述隐含层中神经元的权重向量之间的距离，选取距离最小的神经元作为获胜神经元；
调整所述获胜神经元的权重，对所述隐含层进行迭代；
在迭代达到所述最大迭代次数时，构造得到所述分类模型。
作为一种可选的实施方式，在所述基于所述第一光谱、所述第二光谱及所述第三光谱中的若干峰值谱线的积分强度进行有监督学习矢量量化，构造得到分类模型之后，所述方法还包括：
将对应于所述第一样本、所述第二样本及所述第三样本中未用于构造所述分类模型的各40条第一光谱、第二光谱及第三光谱设为验证光谱；
将所述验证光谱输入所述分类模型，得到分类结果；
采用随机森林算法对所述测试光谱进行对照测试，得到对照结果；
计算所述分类结果与所述对照结果相对所述第一样本、所述第二样本及所述第三样本的分类准确率；
若所述分类结果的分类准确率低于所述对照结果的分类准确率，对所述分类模型进行加量迭代。
作为一种可选的实施方式，选取川贝母标准品、浙贝母标准品及伊贝母标准品进行前处理，制备得到测试样本；
采用激光诱导击穿光谱法检测所述测试样本，得到测试光谱；
采用所述分类模型对所述测试光谱进行分类测试，得到测试结果；
分析所述测试结果在鉴定所述川贝母标准品、所述浙贝母标准品及所述伊贝母标准品时的分类准确率，得到鲁棒性测试结果。
本发明实施例第二方面公开一种基于激光诱导击穿光谱技术的川贝母鉴定系统，所述系统包括：
前处理单元，用于对川贝母标准品、浙贝母标准品及伊贝母标准品进行前处理，制备得到对应的第一样本、第二样本及第三样本；
光谱检测单元，用于采用激光诱导击穿光谱法检测所述第一样本、所述第二样本及所述第三样本，分别得到第一光谱、第二光谱及第三光谱；
模型构造单元，用于基于所述第一光谱、所述第二光谱及所述第三光谱中的若干峰值谱线的积分强度进行有监督学习矢量量化，构造得到分类模型；
鉴定单元，用于采用所述分类模型对待定贝母进行鉴定。
本发明实施例第三方面公开一种基于激光诱导击穿光谱技术的川贝母鉴定系统，包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的一种基于激光诱导击穿光谱技术的川贝母鉴定方法。
本发明实施例第四方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本发明实施例第一方面公开的一种基于激光诱导击穿光谱技术的川贝母鉴定方法。
本发明实施例第五方面公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行第一方面的任意一种方法的部分或全部步骤。
本发明实施例第六方面公开一种应用发布平台，所述应用发布平台用于发布计算机程序产品，其中，当所述计算机程序产品在计算机上运行时，使得所述计算机执行第一方面的任意一种方法的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，对川贝母标准品、浙贝母标准品及伊贝母标准品进行前处理，制备得到对应的第一样本、第二样本及第三样本；采用激光诱导击穿光谱法检测第一样本、第二样本及第三样本，分别得到第一光谱、第二光谱及第三光谱；基于第一光谱、第二光谱及第三光谱中的若干峰值谱线的积分强度进行有监督学习矢量量化，构造得到分类模型；采用分类模型对待定贝母进行鉴定。可见，基于激光诱导击穿光谱法测得川贝母及对照样本的特征光谱，并结合学习矢量量化对特征光谱进行学习，构造得到分类模型，通过分类模型可高效准确地确定待定样本的成分，进而根据成分差异对待定样本进行分类鉴别，从而可应用于高效鉴定川贝母与非川贝母。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于激光诱导击穿光谱技术的川贝母鉴定方法的流程示意图；
图2是本发明实施例公开的一种基于激光诱导击穿光谱技术的川贝母鉴定系统的结构示意图；
图3是本发明实施例公开的另一种基于激光诱导击穿光谱技术的川贝母鉴定系统的结构示意图；
图4是本发明实施例公开的采用激光诱导击穿光谱技术测得的川贝母标准品、浙贝母标准品、伊贝母标准品及双面胶的特征谱线。
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。
需要说明的是，本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例公开了一种基于激光诱导击穿光谱技术的川贝母鉴定方法及系统，基于激光诱导击穿光谱法测得川贝母及对照样本的特征光谱，并结合学习矢量量化对特征光谱进行学习，构造得到分类模型，通过分类模型可高效准确地确定待定样本的成分，进而根据成分差异对待定样本进行分类鉴别，从而可大规模应用于川贝母高效鉴定。
实施例一
请参阅图1及图4，图1是本发明实施例公开的一种基于激光诱导击穿光谱技术的川贝母鉴定方法的流程示意图。如图1所示，该基于激光诱导击穿光谱技术的川贝母鉴定方法可以包括以下步骤。
101、对川贝母标准品、浙贝母标准品及伊贝母标准品进行前处理，制备得到对应的第一样本、第二样本及第三样本。
本发明实施例中，通过在中药材交易市场购入产地明确、品质优良的川贝母、浙贝母及伊贝母作为川贝母标准品、浙贝母标准品及伊贝母标准品，进行前处理制得对应的第一样本、第二样本及第三样本。
作为一种可选的实施方式，采用中药粉碎机将川贝母标准品研磨粉碎成川贝母粉末，在载玻片上通过双面胶粘黏铺设川贝母粉末，得到第一样本；同理，处理浙贝母标准品得到第二样本；以及，处理伊贝母标准品得到第三样本。具体地，中药粉碎机将川贝母标准品研磨为细致均匀的川贝母粉末，在载玻片上粘有双面胶，并将川贝母粉末粘黏铺设于载玻片上的双面胶得到川贝母粉末薄层，作为第一样本；同理，处理浙贝母标准品得到第二样本；以及，处理伊贝母标准品得到第三样本。
102、采用激光诱导击穿光谱法检测第一样本、第二样本及第三样本，分别得到第一光谱、第二光谱及第三光谱。
请参阅图4，本发明实施例中，激光诱导击穿光谱(LIBS)可快速地对样本中的多元素同时进行分析，得到样本的特征谱线，特征谱线中每一元素具有对应的元素谱线，通过分析样本中各元素谱线可对样本进行成分分析与鉴定。为了对川贝母进行鉴定，在此需要对川贝母、浙贝母及伊贝母的特征谱线进行测定，以进行对比。
作为一种可选的实施方式，在第一样本的表面进行分划，得到140个检测区域；采用激光器发出激光脉冲，激光脉冲经由三面平面镜反射及一面平凸透镜聚焦后，逐一照射在第一样本表面的140个检测区域，第一样本产生等离子体辐射；采用收光器逐一收集第一样本表面140个检测区域的等离子体辐射并传输至光谱仪，光谱仪输出对应于第一样本表面140个检测区域的140条第一光谱；同理，检测第二样本得到140条第二光谱；以及，检测第三样本得到140条第三光谱。在此，选用运行参数为波长1064nm，重复频率1Hz，脉冲持续时间10ns，脉冲能量50mJ的激光器，以及光谱范围190～1100nm，分辨率0.20～0.30nm的光谱仪对样本进行测定，其中，光谱仪中集成有电荷耦合器及延迟发生器，延迟发生器用于控制电荷耦合器的门延迟，电荷耦合器的积分时间为1.05ms，延迟发生器的最佳门延迟时间为1.28μs。在承载第一样本的载玻片表面划分出140个检测区域，激光器发出的激光脉冲经由三面平面镜反射及一面平凸透镜聚焦后，逐一照射到每一检测区域上，每一检测区域上第一样本所产生的等离子体辐射被收光器逐一收集，经由光纤传输至光谱仪中进行分析，从而光谱仪输出对应于第一样本的140条第一光谱；同理，检测第二样本得到140条第二光谱；以及，检测第三样本得到140条第三光谱。
103、基于第一光谱、第二光谱及第三光谱中的若干峰值谱线的积分强度进行有监督学习矢量量化，构造得到分类模型。
本发明实施例中，基于不同样本特征谱线上各元素谱线的差异，构造分类模型。
作为一种可选的实施方式，分别选取100条第一光谱、第二光谱及第三光谱，将其中若干峰值谱线的积分强度作为输入向量输入到输入层；初始化学习速率与最大迭代次数，将输入层与隐含层之间的权重设为输入向量的中点；计算输入层中的输入向量与隐含层中神经元的权重向量之间的距离，选取距离最小的神经元作为获胜神经元；调整获胜神经元的权重，对隐含层进行迭代；当迭代达到最大迭代次数时，构造得到分类模型。具体地，在140条第一光谱中选取100条，将其中Ca、Na及K的7条元素谱线的积分强度作为输入向量x，通过以下格式输入到输入层中：
x＝[x1,……,x7]T；
在此初始化学习速率为η(η>0)与最大迭代次数Y为1000，将输入层与隐含层之间的权重ωij设为输入向量的中点；
进而，计算输入层中输入向量与隐含层中神经元的权重向量之间的距离dj：
其中，ωij用于表示第i个输入层神经元与第j个隐含层神经元之间的权重，选取距离最小的神经元作为获胜神经元，记为
对获胜神经元
的权重进行调整，调整公式如下：
其它非获胜神经元的权重保持不变；
在完成权重调整后，对分类模型的迭代次数进行判断，若未达到最大迭代次数，则依据调整完成的权重
重新计算权重向量之间的距离进行迭代，直至达到最大迭代次数，则迭代过程结束，训练得到分类模型。
本发明实施例中，在构建完成分类模型之后，还将采用用于构建分类模型的同批特征谱线对分类模型进行测试，检验分类模型在对同质化样本进行分类时，相比其它分类方法的分类效果。
作为一种可选的实施方式，将对应于第一样本、第二样本及第三样本中未用于构造分类模型的各40条第一光谱、第二光谱及第三光谱设为验证光谱；将验证光谱输入分类模型，得到分类结果；采用随机森林算法对测试光谱进行对照测试，得到对照结果；计算分类结果与对照结果相对第一样本、第二样本及第三样本的分类准确率；若分类结果的分类准确率低于对照结果的分类准确率，对分类模型进行加量迭代。具体地，选取未用于构造分类模型的各40条第一光谱、第二光谱及第三光谱设为验证光谱，采用分类模型对验证光谱进行分类，得到分类结果；同时，采用随机森林算法(RF)对测试光谱进行分类对照测试，得到对照结果。
在此，以P对应川贝母，以N对应非川贝母；二值分类器存在四种结果，若分类输出为川贝母，而样本输入为川贝母或非川贝母，则记录结果为真阳性(TP)或假阳性(FP)；若分类输出为非川贝母，而样本输入为非川贝母或川贝母，则记录结果为真负性(TN)或假负性(FN)，分类准确率CCR的计算公式如下：
记录得到基于学习矢量量化(LVQ)的分类模型的分类准确率为99.17％，随机森林算法的分类准确率为98.33％。
作为又一种可选的实施方式，还采用支持向量机(SVM)、人工神经网络(ANN)、线性判别分析(LDA)、偏最小二乘判别分析(PLS-DA)、极限学习机(ELM)及决策树(DT)对验证光谱进行分类测试，并分别得到以下分类准确率数据：
| 分类器 | CCR | 分类器 | CCR |
| LVQ | 99.17％ | LDA | 97.50％ |
| SVM | 98.33％ | PLS-DA | 97.50％ |
| ANN | 98.33％ | ELM | 97.50％ |
| RF | 98.33％ | DT | 97.50％ |
可以看出，采用激光诱导击穿光谱法结合学习矢量量化，可对川贝母粉末及非川贝母粉末进行精准的分类，其分类准确率高，可对样本进行远程分析，适合对川贝母进行普遍性的、大规模的鉴定，应用前景广阔。
104、采用分类模型对待定贝母进行鉴定。
本发明实施例中，还将采用未知样本对分类模型的实际分类效果进行测试。
作为一种可选的实施方式，选取川贝母标准品、浙贝母标准品及伊贝母标准品进行前处理，制备得到测试样本；采用激光诱导击穿光谱法检测测试样本，得到测试光谱；采用分类模型对测试光谱进行分类测试，得到测试结果；分析测试结果在鉴定川贝母标准品、浙贝母标准品及伊贝母标准品时的分类准确率，得到鲁棒性测试结果。具体地，在制备测试样本并获得测试样本的测试光谱后，以100条川贝母的特征光谱及100条浙贝母的特征光谱建立测试模型I，以100条川贝母的特征光谱及100条伊贝母的特征光谱建立测试模型II；再以其中40条川贝母的特征光谱、40条浙贝母的特征光谱及40条伊贝母的特征光谱作为测试模型I与测试模型II的测试集，测得以下鲁棒性测试结果：
可见，测试得到的最优模型参数如上表，其分类准确率均为99.17％；且在测试数据中未包含训练集的情况下，基于学习矢量量化的分类结果与包含训练集的分类结果一致。可见，分类模型具有良好的鲁棒性，适用于各类分类场景。
可见，实施图1所描述的基于激光诱导击穿光谱技术的川贝母鉴定方法，基于激光诱导击穿光谱法测得川贝母及对照样本的特征光谱，并结合学习矢量量化对特征光谱进行学习，构造得到分类模型，通过分类模型可高效准确地确定待定样本的成分，进而根据成分差异对待定样本进行分类鉴别，从而可应用于高效鉴定川贝母与非川贝母。
实施例二
请参阅图2，图2本发明实施例公开的一种基于激光诱导击穿光谱技术的川贝母鉴定系统的结构示意图。如图2所示，该基于激光诱导击穿光谱技术的川贝母鉴定系统可以包括：
前处理单元201，用于对川贝母标准品、浙贝母标准品及伊贝母标准品进行前处理，制备得到对应的第一样本、第二样本及第三样本。
光谱检测单元202，用于采用激光诱导击穿光谱法检测第一样本、第二样本及第三样本，分别得到第一光谱、第二光谱及第三光谱。
模型构造单元203，用于基于第一光谱、第二光谱及第三光谱中的若干峰值谱线的积分强度进行有监督学习矢量量化，构造得到分类模型。
鉴定单元204，用于采用分类模型对待定贝母进行鉴定。
本发明实施例中，前处理单元201制备得到细致均匀的川贝母粉末，并将其粘黏铺设于载玻片上得到第一样本、第二样本及第三样本，光谱检测单元202对第一样本、第二样本及第三样本进行检测得到对应的第一光谱、第二光谱及第三光谱，模型构造单元203基于第一光谱、第二光谱及第三光谱中的若干峰值谱线的积分强度进行有监督学习矢量量化，构造得到分类模型，鉴定单元204采用分类模型对待定贝母进行鉴定分类。
可见，实施图2所描述的基于激光诱导击穿光谱技术的川贝母鉴定系统，基于激光诱导击穿光谱法测得川贝母及对照样本的特征光谱，并结合学习矢量量化对特征光谱进行学习，构造得到分类模型，通过分类模型可高效准确地确定待定样本的成分，进而根据成分差异对待定样本进行分类鉴别，从而可应用于高效鉴定川贝母与非川贝母。
实施例三
请参阅图3，图3是本发明实施例公开的另一种基于激光诱导击穿光谱技术的川贝母鉴定系统的结构示意图。如图3所示，该基于激光诱导击穿光谱技术的川贝母鉴定系统可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
其中，处理器302调用存储器301中存储的可执行程序代码，执行图1的一种基于激光诱导击穿光谱技术的川贝母鉴定方法。
本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行图1的一种基于激光诱导击穿光谱技术的川贝母鉴定方法。
本发明实施例还公开一种计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行如以上各方法实施例中的方法的部分或全部步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的一种基于激光诱导击穿光谱技术的川贝母鉴定方法及系统进行了详细介绍，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 (5)
1.一种基于激光诱导击穿光谱技术的川贝母鉴定方法，其特征在于，所述方法包括：
对川贝母标准品、浙贝母标准品及伊贝母标准品进行前处理，制备得到对应的第一样本、第二样本及第三样本；
在所述第一样本的表面进行分划，得到140个检测区域，采用激光器发出激光脉冲，所述激光脉冲经由三面平面镜反射及一面平凸透镜聚焦后，逐一照射在所述第一样本表面的140个检测区域，所述第一样本产生等离子体辐射，采用收光器逐一收集所述第一样本表面140个检测区域的等离子体辐射并通过光纤传输至光谱仪，所述光谱仪输出对应于所述第一样本表面140个检测区域的140条第一光谱；
同理，检测所述第二样本得到140条第二光谱；
以及，检测所述第三样本得到140条第三光谱；
分别选取100条所述第一光谱、所述第二光谱及所述第三光谱，将其中若干峰值谱线的积分强度作为输入向量输入到输入层；
初始化学习速率与最大迭代次数，将输入层与隐含层之间的权重设为所述输入向量的中点；
计算所述输入层中的输入向量与所述隐含层中神经元的权重向量之间的距离，选取距离最小的神经元作为获胜神经元；
调整所述获胜神经元的权重，对所述隐含层进行迭代；
当迭代达到最大迭代次数时，构造得到分类模型；
采用所述分类模型对待定贝母进行鉴定。
2.根据权利要求1所述的方法，其特征在于，所述对川贝母标准品、浙贝母标准品及伊贝母标准品进行前处理，制备得到对应的第一样本、第二样本及第三样本，包括：
采用中药粉碎机将所述川贝母标准品研磨粉碎成川贝母粉末，在载玻片上通过双面胶粘黏铺设所述川贝母粉末，得到所述第一样本；
同理，处理所述浙贝母标准品得到所述第二样本；
以及，处理所述伊贝母标准品得到所述第三样本。
3.根据权利要求1所述的方法，其特征在于，包括：
所述激光器的运行参数为波长1064nm，重复频率1Hz，脉冲持续时间10ns，脉冲能量50mJ；
所述光谱仪的运行参数为光谱范围190～1100nm，分辨率0.20～0.30nm；
所述光谱仪中集成有电荷耦合器及延迟发生器，所述延迟发生器用于控制所述电荷耦合器的门延迟；
所述电荷耦合器的积分时间为1.05ms，所述延迟发生器的最佳门延迟时间为1.28μs。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将对应于所述第一样本、所述第二样本及所述第三样本中未用于构造所述分类模型的各40条第一光谱、第二光谱及第三光谱设为验证光谱；
将所述验证光谱输入所述分类模型，得到分类结果；
采用随机森林算法对所述验证光谱进行对照测试，得到对照结果；
计算所述分类结果与所述对照结果相对所述第一样本、所述第二样本及所述第三样本的分类准确率；
若所述分类结果的分类准确率低于所述对照结果的分类准确率，对所述分类模型进行加量迭代。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
选取川贝母标准品、浙贝母标准品及伊贝母标准品进行前处理，制备得到测试样本；
采用激光诱导击穿光谱法检测所述测试样本，得到测试光谱；
采用所述分类模型对所述测试光谱进行分类测试，得到测试结果；
分析所述测试结果在鉴定所述川贝母标准品、所述浙贝母标准品及所述伊贝母标准品时的分类准确率，得到鲁棒性测试结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110091023.8A CN112730384B (zh) | 2021-01-22 | 2021-01-22 | 一种基于激光诱导击穿光谱技术的川贝母鉴定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110091023.8A CN112730384B (zh) | 2021-01-22 | 2021-01-22 | 一种基于激光诱导击穿光谱技术的川贝母鉴定方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112730384A CN112730384A (zh) | 2021-04-30 |
| CN112730384B true CN112730384B (zh) | 2022-09-23 |
Family
ID=75593769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110091023.8A Active CN112730384B (zh) | 2021-01-22 | 2021-01-22 | 一种基于激光诱导击穿光谱技术的川贝母鉴定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112730384B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115629056A (zh) * | 2022-06-14 | 2023-01-20 | 北京理工大学 | 一种发炎血清libs光谱诊断模型的建立方法 |
| CN115791638A (zh) * | 2022-11-11 | 2023-03-14 | 郑州大学 | 一种基于机器学习的天然钻石和合成钻石的鉴定方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101831494B (zh) * | 2010-04-27 | 2013-04-10 | 中国药科大学 | 一种含贝母的中成药中川贝母的分子生物学鉴定方法 |
| CN103646252B (zh) * | 2013-12-05 | 2017-01-11 | 江苏大学 | 一种基于优化的模糊学习矢量量化的苹果分类方法 |
| 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 |
| CN108051395A (zh) * | 2017-11-28 | 2018-05-18 | 北京工商大学 | 一种基于THz-ATR光谱技术的玉米品种鉴别方法 |
-
2021
- 2021-01-22 CN CN202110091023.8A patent/CN112730384B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112730384A (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104677875B (zh) | 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法 | |
| Zhang et al. | Wood defect detection method with PCA feature fusion and compressed sensing | |
| CN109253985B (zh) | 基于神经网络的近红外光谱识别古筝面板用木材等级的方法 | |
| CN112730384B (zh) | 一种基于激光诱导击穿光谱技术的川贝母鉴定方法及系统 | |
| CN107677647A (zh) | 基于主成分分析和bp神经网络的中药材产地鉴别方法 | |
| CN105158200B (zh) | 一种提高近红外光谱定性分析准确度的建模方法 | |
| CN109540831B (zh) | 基于高光谱成像技术的枸杞子品种识别方法 | |
| CN103134765A (zh) | 一种基于太赫兹时域光谱的中药样品真伪初筛方法 | |
| CN104251846A (zh) | 一种结合判别分析的激光诱导击穿光谱定量分析方法 | |
| CN110849828A (zh) | 一种基于高光谱图像技术的藏红花分类方法 | |
| CN112782148B (zh) | 阿拉比卡和罗伯斯塔两种咖啡豆的快速鉴别方法 | |
| CN110517160A (zh) | 一种农产品的质量分级方法及质量分级系统 | |
| CN116030310A (zh) | 一种基于激光诱导击穿光谱技术的样品分类方法及系统 | |
| Yun et al. | Identification of tea based on CARS‐SWR variable optimization of visible/near‐infrared spectrum | |
| CN110186871A (zh) | 一种茶鲜叶产地的判别方法 | |
| CN103499552A (zh) | 一种快速、智能的废旧塑料分类方法 | |
| CN107478599A (zh) | 一种饲料原料中非法添加物三聚氰胺甲醛树脂的检测方法 | |
| Wang et al. | Wood species identification using terahertz time-domain spectroscopy | |
| Taylor et al. | A methodology for sorting haploid and diploid corn seed using terahertz time domain spectroscopy and machine learning | |
| CN110095436A (zh) | 苹果轻微损伤分类方法 | |
| CN105223140A (zh) | 同源物质的快速识别方法 | |
| Cai et al. | Deep metric learning framework combined with Gramian angular difference field image generation for Raman spectra classification based on a handheld Raman spectrometer | |
| Zhou et al. | Terahertz signal classification based on geometric algebra | |
| CN112485238A (zh) | 一种基于拉曼光谱技术鉴别姜黄精油产地的方法 | |
| CN110186870A (zh) | 一种极限学习机光谱模型判别恩施玉露茶鲜叶产地的方法 |
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 |