CN112884058A - 一种基于图像结合高光谱的贝母品种鉴别方法及系统 - Google Patents

一种基于图像结合高光谱的贝母品种鉴别方法及系统 Download PDF

Info

Publication number
CN112884058A
CN112884058A CN202110254311.0A CN202110254311A CN112884058A CN 112884058 A CN112884058 A CN 112884058A CN 202110254311 A CN202110254311 A CN 202110254311A CN 112884058 A CN112884058 A CN 112884058A
Authority
CN
China
Prior art keywords
fritillaria
sample
identification
image
detected
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
Application number
CN202110254311.0A
Other languages
English (en)
Inventor
赵静
齐明辉
王海霞
李正
于洋
所同川
余河水
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.)
Tianjin University of Traditional Chinese Medicine
Original Assignee
Tianjin University of Traditional Chinese Medicine
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 Tianjin University of Traditional Chinese Medicine filed Critical Tianjin University of Traditional Chinese Medicine
Priority to CN202110254311.0A priority Critical patent/CN112884058A/zh
Publication of CN112884058A publication Critical patent/CN112884058A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种基于图像结合高光谱的贝母品种鉴别方法及系统。所述方法包括：获取待测贝母样本的图像数据；将所述图像数据输入图像鉴别模型中，得到第一鉴别结果；图像鉴别模型是采用贝母样本集的图像数据对卷积神经网络进行训练得到的；若所述第一鉴别结果为平贝，则将所述待测贝母样本确定为平贝品种；若所述第一鉴别结果为非平贝，则获取所述待测贝母样本的光谱数据；将所述光谱数据输入高光谱鉴别模型中，得到第二鉴别结果；高光谱鉴别模型是采用贝母样本集的光谱数据，基于目标检测算法构建得到的；根据所述第二鉴别结果确定所述待测贝母样本的品种。本发明能够大幅增加获取到的被测样品的信息量，提高鉴别的准确度。

Description

一种基于图像结合高光谱的贝母品种鉴别方法及系统
技术领域
本发明涉及目标检测技术领域，特别是涉及一种基于图像结合高光谱的贝母品种鉴别方法及系统。
背景技术
贝母为我国的名贵中药材，临床具有显著的清热化痰，润肺止咳的功效。然而，正品贝母资源匮乏，且不同品种间药效差异显著。其中以川贝的药效最好，市场价格也最高。其中平贝与川贝中的青贝和松贝外观形状相近，肉眼难以辨识，市场以价格较低的平贝掺入青贝和松贝中进行售卖的情况屡见不鲜。给贝母市场带来混乱，也影响了川贝母的临床使用效果。因此提供一种快速无损的贝母易混淆品种鉴别方法显得尤为必要。
目前对贝母的鉴别主要有性状鉴别、理化鉴别等方法，性状鉴别是对贝母外观形状的鉴别，受分析者主观意识大；理化鉴别是在诸如高效液相、质谱的辅助下，基于化学成分的鉴别，与性状鉴别相比提高了鉴别的准确性，但是存在分析技术耗时、费力，对工作人员的技术要求高的局限性。随着图像处理技术的发展，有学者将图像处理技术用于易混淆贝母的图像辨识中来。该方法快速简便，然而彩色图像只能够提供被测对象R、G、B三原色信息，受到信息量的限制，该方法目前获得的准确率还有待提高。
发明内容
本发明的目的是提供一种基于图像结合高光谱的贝母易混淆品种鉴别方法，能够增加获取到的被测样品的信息量，从而提高鉴别的准确度。
为实现上述目的，本发明提供了如下方案：
一种基于图像结合高光谱的贝母品种鉴别方法，包括：
获取待测贝母样本的图像数据；
将所述待测贝母样本的图像数据输入图像鉴别模型中，得到第一鉴别结果；所述图像鉴别模型是采用贝母样本集的图像数据对卷积神经网络进行训练得到的；
若所述第一鉴别结果为平贝，则将所述待测贝母样本确定为平贝品种；
若所述第一鉴别结果为非平贝，则获取所述待测贝母样本的光谱数据；
将所述待测贝母样本的光谱数据输入高光谱鉴别模型中，得到第二鉴别结果；所述高光谱鉴别模型是采用贝母样本集的光谱数据，基于目标检测算法构建得到的；
根据所述第二鉴别结果确定所述待测贝母样本的品种。
优选地，所述获取待测贝母样本的图像数据，包括：
利用数码单反相机获取所述待测贝母样本的图像数据。
优选地，所述图像鉴别模型的确定方法为：
获取贝母样本集的图像数据，并将所述贝母样本集的图像数据按照7:3的比例划分为图像训练集和图像测试集；
构建卷积神经网络；
根据所述图像训练集输入所述卷积神经网络进行训练，得到训练好的卷积神经网络；
将所述图像测试集输入所述训练好的卷积神经网络进行测试，得到所述图像鉴别模型。
优选地，所述获取所述待测贝母样本的光谱数据，包括：
利用近红外高光谱仪获得待测贝母样本的光谱数据；所述近红外高光谱仪采用卤素灯提供照明，所述近红外高光谱仪固定在暗箱中。
优选地，所述高光谱鉴别模型的确定方法为：
获取贝母样本集的光谱数据，并将所述贝母样本集的光谱数据按划分为光谱训练集和光谱测试集；
构建基于机器学习的目标检测算法模型；
根据所述光谱训练集输入所述目标检测算法模型对进行训练，得到训练好的所述目标检测算法模型；
将所述光谱测试集输入所述训练好的目标检测算法模型进行测试，得到所述高光谱鉴别模型。
优选地，所述根据所述第二鉴别结果确定所述待测贝母样本的品种，包括：
若所述第二鉴别结果为青贝，则将所述待测贝母样本确定为青贝品种；
若所述第二鉴别结果为松贝，则将所述待测贝母样本确定为松贝品种。
一种基于图像结合高光谱的贝母品种鉴别系统，包括：
获取模块，用于获取待测贝母样本的图像数据；
第一鉴别模块，用于将所述待测贝母样本的图像数据输入图像鉴别模型中，得到第一鉴别结果；所述图像鉴别模型是采用贝母样本集的图像数据对卷积神经网络进行训练得到的；
第一确定模块，用于若所述第一鉴别结果为平贝时，将所述待测贝母样本确定为平贝品种；
第二获取模块，用于若所述第一鉴别结果为非平贝时，则获取所述待测贝母样本的光谱数据；
第二鉴别模块，用于将所述待测贝母样本的光谱数据输入高光谱鉴别模型中，得到第二鉴别结果；所述高光谱鉴别模型是采用贝母样本集的光谱数据，基于目标检测算法构建得到的；
第二确定模块，用于根据所述第二鉴别结果确定所述待测贝母样本的品种。
优选地，所述获取模块包括：
第一获取单元，用于利用数码单反相机获取所述待测贝母样本的图像数据。
优选地，所述第二获取模块包括：
第二获取单元，用于利用近红外高光谱仪获得待测贝母样本的光谱数据；所述近红外高光谱仪采用卤素灯提供照明，所述近红外高光谱仪固定在暗箱中。
优选地，所述第二确定模块包括：
第一确定单元，用于若所述第二鉴别结果为青贝时，将所述待测贝母样本确定为青贝品种；
第二确定单元，用于若所述第二鉴别结果为松贝时，将所述待测贝母样本确定为松贝品种。
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：
本发明结合图像鉴别模型和高光谱鉴别模型，对待测样本进行了鉴别。图像鉴别方式利用数码相机获取图像数据，高光谱鉴别方式利用光谱技术，能够获得被测样品全波段光谱信息，且无需复杂的样品前处理，本发明能够增加获取到的被测样品的信息量，从而提高鉴别贝母品种的准确度。
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为本发明基于图像结合高光谱的贝母品种鉴别方法的流程图；
图2为本发明提供的实施例中图像鉴别模型的模型预测结果示意图；
图3为本发明提供的实施例中高光谱鉴别模型的模型预测结果示意图；
图4为本发明基于图像结合高光谱的贝母品种鉴别系统的模块连接图。
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基于图像结合高光谱的贝母易混淆品种鉴别方法，能够增加获取到的被测样品的信息量，从而提高鉴别的准确度。
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为本发明基于图像结合高光谱的贝母品种鉴别方法的流程图，如图1所示，本发明基于图像结合高光谱的贝母品种鉴别方法，包括：
步骤100：获取待测贝母样本的图像数据。
步骤200：将所述待测贝母样本的图像数据输入图像鉴别模型中，得到第一鉴别结果；所述图像鉴别模型是采用贝母样本集的图像数据对卷积神经网络进行训练得到的。
步骤301：若所述第一鉴别结果为平贝，则将所述待测贝母样本确定为平贝品种。
步骤302：若所述第一鉴别结果为非平贝，则获取所述待测贝母样本的光谱数据。
步骤402：将所述待测贝母样本的光谱数据输入高光谱鉴别模型中，得到第二鉴别结果；所述高光谱鉴别模型是采用贝母样本集的光谱数据，基于目标检测算法构建得到的。
步骤502：根据所述第二鉴别结果确定所述待测贝母样本的品种。
优选地，所述获取待测贝母样本的图像数据，包括：
利用数码单反相机获取所述待测贝母样本的图像数据。
图2为本发明提供的实施例中图像鉴别模型的模型预测结果示意图，如图2所示，方形图例代表青贝，圆形图例代表松贝，菱形图例代表平贝母，本发明图像鉴别模型的鉴别效果显著，其中，所述图像鉴别模型的确定方法为：
获取贝母样本集的图像数据，并将所述贝母样本集的图像数据按照7:3的比例划分为图像训练集和图像测试集。
利用卷积神经网络构建待训练鉴别模型。
根据所述图像训练集输入所述卷积神经网络进行训练，得到训练好的卷积神经网络。
将所述图像测试集输入所述训练好的卷积神经网络进行测试，得到所述图像鉴别模型。
具体的，在本实施例中，所述待测样本为西藏拉萨、四川甘孜的青贝、四川阿坝州的松贝以及黑龙江宜春的平贝母，上述几种贝母组成贝母样本集。
可选地，使用数码单反相机获取平贝、青贝与松贝的彩色图像，每个品种各50张，共计150张彩色图片。将这150张彩色图片作为贝母样本集的图像数据。
优选地，所述获取所述待测贝母样本的光谱数据，包括：
利用近红外高光谱仪获得待测贝母样本的光谱数据；所述近红外高光谱仪采用卤素灯提供照明，所述近红外高光谱仪固定在暗箱中。
具体的，近红外高光谱仪固定在暗箱中，以避免环境光的干扰，近红外高光谱仪的分辨率为5nm，积分时间为6.4ms。采集前，平贝、青贝和松贝依序摆开，同时获得三种贝母的高光谱数据。
图3为本发明提供的实施例中高光谱鉴别模型的模型预测结果示意图，如图3所示，本发明中高光谱鉴别模型的鉴别效果显著，其中所述高光谱鉴别模型的确定方法为：
获取贝母样本集的光谱数据，并将所述贝母样本集的光谱数据按照7:3的比例划分为光谱训练集和光谱测试集。
构建基于机器学习的目标检测算法模型。
根据所述光谱训练集输入所述目标检测算法模型对进行训练，得到训练好的所述目标检测算法模型。
将所述光谱测试集输入所述训练好的目标检测算法模型进行测试，得到所述高光谱鉴别模型。
优选地，所述根据所述第二鉴别结果确定所述待测贝母样本的品种，包括：
若所述第二鉴别结果为青贝，则将所述待测贝母样本确定为青贝品种。
若所述第二鉴别结果为松贝，则将所述待测贝母样本确定为松贝品种。
通过本发明的方法对未知易混淆贝母样品中的平贝、青贝或者松贝样本的鉴别与真实类别完全一致。因此，本发明能够对于规范川贝母药材市场保证临床使用效果提供一种新的方法。
图4为本发明基于图像结合高光谱的贝母品种鉴别系统的模块连接图，如图4所示，本发明还提供一种基于图像结合高光谱的贝母品种鉴别系统，包括：
获取模块，用于获取待测贝母样本的图像数据。
第一鉴别模块，用于将所述图像数据输入图像鉴别模型中，得到第一鉴别结果；所述图像鉴别模型是采用贝母样本集的图像数据对卷积神经网络进行训练得到的。
第一确定模块，用于若所述第一鉴别结果为平贝时，将所述待测贝母样本确定为平贝品种。
第二获取模块，用于若所述第一鉴别结果为非平贝时，则获取所述待测贝母样本的光谱数据。
第二鉴别模块，用于将所述光谱数据输入高光谱鉴别模型中，得到第二鉴别结果；所述高光谱鉴别模型是采用贝母样本集的光谱数据，基于目标检测算法构建得到的。
第二确定模块，用于根据所述第二鉴别结果确定所述待测贝母样本的品种。
优选地，所述获取模块包括：
第一获取单元，用于利用数码单反相机获取所述待测贝母样本的图像数据。
优选地，所述第二获取模块包括：
第二获取单元，用于利用近红外高光谱仪获得待测贝母样本的光谱数据；所述近红外高光谱仪采用卤素灯提供照明，所述近红外高光谱仪固定在暗箱中。
优选地，所述第二确定模块包括：
第一确定单元，用于若所述第二鉴别结果为青贝时，将所述待测贝母样本确定为青贝品种；
第二确定单元，用于若所述第二鉴别结果为松贝时，将所述待测贝母样本确定为松贝品种。
本发明的有益效果如下：
(1)本发明能够获得被测样品全波段光谱信息，提高提取到的信息量。
(2)本发明能大大缩短测定时间，不依赖于鉴定师的鉴定经验，不需要大量试剂，无需复杂的前期样本准备，节省了大量的人力和物力。
(3)通过本发明的方法对未知平贝及川贝中松贝和青贝的鉴别预测准确率为92.5％，准确率大幅提高。
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)

1.一种基于图像结合高光谱的贝母品种鉴别方法，其特征在于，包括：
获取待测贝母样本的图像数据；
将所述待测贝母样本的图像数据输入图像鉴别模型中，得到第一鉴别结果；所述图像鉴别模型是采用贝母样本集的图像数据对卷积神经网络进行训练得到的；
若所述第一鉴别结果为平贝，则将所述待测贝母样本确定为平贝品种；
若所述第一鉴别结果为非平贝，则获取所述待测贝母样本的光谱数据；
将所述待测贝母样本的光谱数据输入高光谱鉴别模型中，得到第二鉴别结果；所述高光谱鉴别模型是采用贝母样本集的光谱数据，基于目标检测算法构建得到的；
根据所述第二鉴别结果确定所述待测贝母样本的品种。
2.根据权利要求1所述的基于图像结合高光谱的贝母品种鉴别方法，其特征在于，所述获取待测贝母样本的图像数据，包括：
利用数码单反相机获取所述待测贝母样本的图像数据。
3.根据权利要求1所述的基于图像结合高光谱的贝母品种鉴别方法，其特征在于，所述图像鉴别模型的确定方法为：
获取贝母样本集的图像数据，并将所述贝母样本集的图像数据按照7:3的比例划分为图像训练集和图像测试集；
构建卷积神经网络；
根据所述图像训练集输入所述卷积神经网络进行训练，得到训练好的卷积神经网络；
将所述图像测试集输入所述训练好的卷积神经网络进行测试，得到所述图像鉴别模型。
4.根据权利要求1所述的基于图像结合高光谱的贝母品种鉴别方法，其特征在于，所述获取所述待测贝母样本的光谱数据，包括：
利用近红外高光谱仪获得待测贝母样本的光谱数据；所述近红外高光谱仪采用卤素灯提供照明，所述近红外高光谱仪固定在暗箱中。
5.根据权利要求1所述的基于图像结合高光谱的贝母品种鉴别方法，其特征在于，所述高光谱鉴别模型的确定方法为：
获取贝母样本集的光谱数据，并将所述贝母样本集的光谱数据按照7:3的比例划分为光谱训练集和光谱测试集；
构建基于机器学习的目标检测算法模型；
根据所述光谱训练集输入所述目标检测算法模型对进行训练，得到训练好的目标检测算法模型；
将所述光谱测试集输入所述训练好的目标检测算法模型进行测试，得到所述高光谱鉴别模型。
6.根据权利要求1所述的基于图像结合高光谱的贝母品种鉴别方法，其特征在于，所述根据所述第二鉴别结果确定所述待测贝母样本的品种，包括：
若所述第二鉴别结果为青贝，则将所述待测贝母样本确定为青贝品种；
若所述第二鉴别结果为松贝，则将所述待测贝母样本确定为松贝品种。
7.一种基于图像结合高光谱的贝母品种鉴别系统，其特征在于，包括：
获取模块，用于获取待测贝母样本的图像数据；
第一鉴别模块，用于将所述图像数据输入图像鉴别模型中，得到第一鉴别结果；所述图像鉴别模型是采用贝母样本集的图像数据对卷积神经网络进行训练得到的；
第一确定模块，用于若所述第一鉴别结果为平贝时，将所述待测贝母样本确定为平贝品种；
第二获取模块，用于若所述第一鉴别结果为非平贝时，则获取所述待测贝母样本的光谱数据；
第二鉴别模块，用于将所述光谱数据输入高光谱鉴别模型中，得到第二鉴别结果；所述高光谱鉴别模型是采用贝母样本集的光谱数据，基于目标检测算法构建得到的；
第二确定模块，用于根据所述第二鉴别结果确定所述待测贝母样本的品种。
8.根据权利要求7所述的基于图像结合高光谱的贝母品种鉴别系统，其特征在于，所述获取模块包括：
第一获取单元，用于利用数码单反相机获取所述待测贝母样本的图像数据。
9.根据权利要求7所述的基于图像结合高光谱的贝母品种鉴别系统，其特征在于，所述第二获取模块包括：
第二获取单元，用于利用近红外高光谱仪获得待测贝母样本的光谱数据；所述近红外高光谱仪采用卤素灯提供照明，所述近红外高光谱仪固定在暗箱中。
10.根据权利要求7所述的基于图像结合高光谱的贝母品种鉴别系统，其特征在于，所述第二确定模块包括：
第一确定单元，用于若所述第二鉴别结果为青贝时，将所述待测贝母样本确定为青贝品种；
第二确定单元，用于若所述第二鉴别结果为松贝时，将所述待测贝母样本确定为松贝品种。
CN202110254311.0A 2021-03-09 2021-03-09 一种基于图像结合高光谱的贝母品种鉴别方法及系统 Pending CN112884058A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110254311.0A CN112884058A (zh) 2021-03-09 2021-03-09 一种基于图像结合高光谱的贝母品种鉴别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110254311.0A CN112884058A (zh) 2021-03-09 2021-03-09 一种基于图像结合高光谱的贝母品种鉴别方法及系统

Publications (1)

Publication Number Publication Date
CN112884058A true CN112884058A (zh) 2021-06-01

Family

ID=76053928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110254311.0A Pending CN112884058A (zh) 2021-03-09 2021-03-09 一种基于图像结合高光谱的贝母品种鉴别方法及系统

Country Status (1)

Country Link
CN (1) CN112884058A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114112991A (zh) * 2021-12-17 2022-03-01 广西壮族自治区农业科学院 一种设施甜瓜盐害无损测定方法及系统
CN114295575A (zh) * 2021-12-27 2022-04-08 中国农业科学院果树研究所 一种利用智能移动终端鉴别梨品种的方法
CN117907247A (zh) * 2024-02-05 2024-04-19 烟台大学 一种基于多光谱鉴定大马哈鱼真伪的鉴定方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102175648A (zh) * 2011-01-04 2011-09-07 大连理工大学 近红外光谱鉴别贝母品种及检测其总生物碱含量的方法
CN108124142A (zh) * 2018-01-31 2018-06-05 西北工业大学 基于rgb景深相机和高光谱相机的图像目标识别系统及方法
CN109919224A (zh) * 2019-03-06 2019-06-21 颐保医疗科技(上海)有限公司 一种基于人工智能的真伪混杂中药材的鉴别方法
CN112044808A (zh) * 2020-08-24 2020-12-08 华侨大学 一种生活垃圾识别系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102175648A (zh) * 2011-01-04 2011-09-07 大连理工大学 近红外光谱鉴别贝母品种及检测其总生物碱含量的方法
CN108124142A (zh) * 2018-01-31 2018-06-05 西北工业大学 基于rgb景深相机和高光谱相机的图像目标识别系统及方法
CN109919224A (zh) * 2019-03-06 2019-06-21 颐保医疗科技(上海)有限公司 一种基于人工智能的真伪混杂中药材的鉴别方法
CN112044808A (zh) * 2020-08-24 2020-12-08 华侨大学 一种生活垃圾识别系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李丹: ""贝母类药材的红外光谱分析与鉴定"", 《中国优秀博硕士学位论文全文数据库（硕士）医药卫生科技辑》 *
胡科: ""基于深度学习的贝母分类算法研究与实现"", 《中国优秀博硕士学位论文全文数据库（硕士）农业科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114112991A (zh) * 2021-12-17 2022-03-01 广西壮族自治区农业科学院 一种设施甜瓜盐害无损测定方法及系统
CN114112991B (zh) * 2021-12-17 2024-01-26 广西壮族自治区农业科学院 一种设施甜瓜盐害无损测定方法及系统
CN114295575A (zh) * 2021-12-27 2022-04-08 中国农业科学院果树研究所 一种利用智能移动终端鉴别梨品种的方法
CN117907247A (zh) * 2024-02-05 2024-04-19 烟台大学 一种基于多光谱鉴定大马哈鱼真伪的鉴定方法

Similar Documents

Publication Publication Date Title
CN112884058A (zh) 一种基于图像结合高光谱的贝母品种鉴别方法及系统
CN108133313B (zh) 一种人工智能感官评价食品风味系统及其构建方法
CN101692052B (zh) 基于超光谱图像技术的名优茶真伪鉴别方法及装置
CN101419166A (zh) 基于近红外光谱和机器视觉技术的茶叶品质无损检测方法及装置
CN103076288B (zh) 一种基于计算机视觉的鱼肉自动分级装置和方法
CN104049068B (zh) 生鲜畜肉新鲜度的无损测定装置及测定方法
CN109001218A (zh) 基于高光谱成像技术的苹果表面缺陷快速无损识别方法
CN110307871B (zh) 一种采用电子感官融合快速检测中药饮片质量的方法
CN114663821A (zh) 基于视频高光谱成像技术的产品质量实时无损检测方法
CN105466921A (zh) 一种多样品同时检测的方法
CN112730326A (zh) 一种岩石薄片智能鉴定装置及方法
KR101901812B1 (ko) 전자눈 분석을 이용한 쌀 신곡과 구곡의 판별 방법
CN115115926B (zh) 基于计算机视觉的试管缺陷检测方法与设备
Portalés et al. An image-based system to preliminary assess the quality of grape harvest batches on arrival at the winery
CN108287200A (zh) 质谱参照数据库的建立方法及基于其的物质分析方法
CN105606544A (zh) 无损检测冬虫夏草虫体真伪的方法
CN105866042B (zh) 基于像素指标无偏估计法生物品质指标空间分布检测方法
CN109060802B (zh) 一种基于手机的纸基层析传感器定量分析系统、分析方法
CN113324921A (zh) 一种黄芪种子叶绿素含量测定模型的构建方法和应用
TW202238527A (zh) 基於頻譜影像之空氣汙染檢測方法
CN113138192A (zh) 一种金银花和山银花的鉴别方法及系统
CN112161968A (zh) 一种基于数据融合的阿胶品牌鉴别方法
CN105466865A (zh) 无损检测冬虫夏草子座真伪的方法
CN114112991B (zh) 一种设施甜瓜盐害无损测定方法及系统
CN215493143U (zh) 一种多光谱结合pls-da区分植物叶色细微差别的系统

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