CN113740463A - 中药鉴别方法 - Google Patents
中药鉴别方法 Download PDFInfo
- Publication number
- CN113740463A CN113740463A CN202111085494.4A CN202111085494A CN113740463A CN 113740463 A CN113740463 A CN 113740463A CN 202111085494 A CN202111085494 A CN 202111085494A CN 113740463 A CN113740463 A CN 113740463A
- Authority
- CN
- China
- Prior art keywords
- chinese medicine
- traditional chinese
- mass spectrum
- sample
- neural network
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 282
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001819 mass spectrum Methods 0.000 claims abstract description 247
- 229940126680 traditional chinese medicines Drugs 0.000 claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 54
- 238000011208 chromatographic data Methods 0.000 claims description 26
- 230000014759 maintenance of location Effects 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000004949 mass spectrometry Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000004587 chromatography analysis Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 229940126678 chinese medicines Drugs 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000003332 Raman imaging Methods 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229940126673 western medicines Drugs 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/62—Detectors specially adapted therefor
- G01N30/72—Mass spectrometers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种中药鉴别方法，包括：建立中药质谱数据库；中药质谱数据库中存储有一种或者多种中药的质谱信息；获取待鉴别中药的质谱信息；利用获取的中药组合物的质谱信息与中药质谱数据库中存储的质谱信息进行分析对比，判断中药组合物的成分及类别，生成中药组合物的鉴别结果。本发明提供了一种快速准确的鉴定中药的技术方案，该方案简便、易行、可靠且通用性好，为中药成分及类别的鉴定提供有效的技术数据支持。
Description
技术领域
本发明涉及药物鉴别技术领域，特别涉及一种中药鉴别方法。
背景技术
中药在中国有着悠久的历史，蕴含着中国几千年的文化。近年来，中药的发展逐渐得到人们的重视，利用中药的调理能够解决一些西药不能解决的问题，另外，中药对人们的身体伤害也比较小。但是，一些不法商人为了获取利益，利用药材的相似性对一些名贵药材进行处理，使得药材的药效下降，而且可能会对人们的身体产生不利的影响，最终对消费者造成损失。因此，相似中药的鉴别方法是我国中医药行业急需解决的问题。人们经常通过眼睛识别的方法采集药材，这对大部分药材确实适用。但是中药药材种类繁多，而且有些药材的外观极其相似，用肉眼根本无法鉴别。现有技术中多种现代仪器分析方法被用于中药鉴定，例如，近红外光谱、拉曼光谱及成像、核磁共振成像和超声波成像等技术。
然而，发明人经研究发现，现有技术中应用最为广泛的近红外光谱技术，虽然具有快速、准确、无损以及信息量丰富等特点，并逐渐取代了传统的中药分析方法，在中药的研究中取得了举足轻重的作用，但是由于近红外光谱区存在信号较弱，重叠严重的问题无法解决，给中药鉴别分析带来了极大的不便。
发明内容
基于此，为解决现有技术中的技术问题，特提出了一种中药鉴别方法，包括：
建立中药质谱数据库；其中，所述中药质谱数据库中存储有一种或者多种中药的质谱信息；
获取待鉴别中药的质谱信息；
利用获取的中药组合物的质谱信息与中药质谱数据库中存储的质谱信息进行分析对比，判断中药组合物的成分及类别，生成中药组合物的鉴别结果。
在一种实施例中，建立中药质谱数据库，具体包括：
采集一种或多种中药样品；利用质谱仪对中药样品进行色谱分析及质谱分析，获取中药样品的色谱数据、质谱数据；其中，所述色谱数据包括色谱保留值，所述质谱数据包括质荷比、质谱信号强度值；
利用获取的中药样品的色谱数据及质谱数据构建生成中药样品的质谱图像；以质荷比和色谱保留值分别作为纵坐标及横坐标构建中药样品的质谱图像，质谱信号强度值用质谱图像中点的色度值表示；
其中，色谱数据及质谱数据、质谱图像构成中药样品的质谱信息；将中药样品的色谱数据及质谱数据、质谱图像与对应中药样品的类别关联存储至中药质谱数据库中。
在一种实施例中，获取待鉴别中药的质谱信息，具体包括：
利用质谱仪对待鉴别中药进行色谱分析及质谱分析，获取中药组合物的色谱数据、质谱数据；其中，所述色谱数据包括色谱保留值，所述质谱数据包括质荷比、质谱信号强度值；
利用获取的中药组合物的色谱数据及质谱数据构建生成中药组合物的质谱图像；以质荷比和色谱保留值分别作为纵坐标及横坐标构建中药组合物的质谱图像，质谱信号强度值用质谱图像中点的色度值表示。
在一种实施例中，不同种类的中药样品对应不同的质谱图像，从中药样品的质谱图像中提取该中药样品的质谱图像信息；
所述质谱图像信息包括轮廓、纹理、色度；所述质谱图像信息包括全局质谱图像信息、局部质谱图像信息；全局质谱图像信息包括全局轮廓、全局纹理、全局色度；局部质谱图像信息包括局部轮廓、局部纹理、局部色度；
将所述质谱图像信息与对应中药样品的类别关联存储至中药质谱数据库中。
在一种实施例中，利用获取的中药组合物的质谱信息与中药质谱数据库中存储的质谱信息进行分析对比，判断中药组合物的成分及类别，具体包括：
将中药组合物的质谱图像信息与中药质谱数据库中对应的质谱图像信息进行进行距离计算；根据计算得到的距离大小在中药质谱数据库中检索得到待鉴别中药最大可能归属的中药类别范围；
将待鉴别中药的质谱图像分别与最大可能归属的中药类别范围内的每种类别的中药样品的质谱图像进行对比，计算获取中药组合物与每类别的中药样品之间的相似度值；将相似度值最大的中药样品的中药类别作为待鉴别中药的鉴别结果。
在一种实施例中，以最大可能归属的中药类别范围内的每种中药样品的质谱图像为基础构建模板图像；以每个模板图像为模板在待鉴别中药的质谱图像中进行逐像素移动，计算归一化零均值互相关系数值并记录其最大值；构造局部二值模式算子，分别计算每个参数模板图像与待鉴别中药的质谱图像的局部二值模式值，计算两者之间的距离即局部二值模式距离值；
将归一化零均值互相关系数值和局部二值模式距离值综合为相似度值，分别计算待鉴别中药的质谱图像与最可能归属的中药类别范围内所有的中药样品的质谱图像的相似度值；根据相似度值最大所对应的中药样品的中药类别判定待鉴别中药的成分及类别。
在一种实施例中，将标记了类别的中药样品的质谱图像作为训练数据，利用卷积神经网络对中药样品的质谱图像进行训练，得到中药样品的卷积神经网络模型，所述卷积神经网络模型用于鉴别中药组合物；
将中药样品的卷积神经网络模型存储至中药质谱数据库。
在一种实施例中，利用卷积神经网络对中药样品的质谱图像进行训练，得到中药样品的卷积神经网络模型，具体包括：
所述卷积神经网络包括卷积层、池化层和全连接层；
将中药样品的质谱图像输入至卷积神经网络的卷积层中；
利用卷积神经网络的卷积层分别对中药样品的质谱图像进行卷积操作，得到中药样品的特征图像；
利用卷积神经网络的池化层对中药样品的特征图像进行特征压缩，得到中药样品的质谱特征；
利用卷积神经网络的全连接层连接相同质谱特征所对应的所有特征图像的质谱特征，通过卷积神经网络的分类器确定所述中药样品的种类及质谱特征；
利用中药样品的种类和质谱特征构建卷积神经网络模型；将中药样品的卷积神经网络模型存储至中药质谱数据库。
在一种实施例中，利用卷积神经网络模型对中药组合物的质谱图像进行质谱特征的特征匹配处理，以鉴别中药组合物的成分及种类，具体包括：
将待鉴别中药的质谱图像输入至卷积神经网络模型的卷积层中；
利用卷积神经网络模型的卷积层对中药组合物的质谱图像进行卷积操作，得到中药组合物的特征图像；
利用卷积神经网络模型的池化层对中药组合物的特征图像进行特征压缩，得到中药组合物的质谱特征；
利用卷积神经网络模型的全连接层连接相同质谱特征所对应的所有特征图像的质谱特征；利用卷积神经网络模型将该待鉴别中药的质谱图像的质谱特征与中药质谱数据库中的质谱特征进行特征匹配，根据卷积神经网络模型的分类器所划分的成分及种类确定中药组合物的成分及种类。
实施本发明实施例，将具有如下有益效果：
本发明提供了一种快速准确的鉴定中药的技术方案，该方案简便、易行、可靠且通用性好，为中药成分及类别的鉴定提供技术数据支持。
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。
其中：
图1为本发明中的中药鉴别方法的流程示意图。
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作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。
本发明公开了一种中药鉴别方法，包括：
建立中药质谱数据库；其中，所述中药质谱数据库中存储有一种或者多种中药的质谱信息；
其中，建立中药质谱数据库，具体包括：
采集一种或多种中药样品；利用质谱仪对中药样品进行色谱分析及质谱分析，获取中药样品的色谱数据、质谱数据；
其中，所述色谱数据包括色谱保留值，所述质谱数据包括质荷比、质谱信号强度值；
利用获取的中药样品的色谱数据及质谱数据构建生成中药样品的质谱图像；以质荷比和色谱保留值分别作为纵坐标及横坐标构建中药样品的质谱图像，质谱信号强度值用质谱图像中点的色度值表示；
其中，色谱数据及质谱数据、质谱图像构成中药样品的质谱信息；将中药样品的色谱数据及质谱数据、质谱图像与对应中药样品的类别关联存储至中药质谱数据库中；
特别地，不同种类的中药样品对应不同的质谱图像，从中药样品的质谱图像中提取该中药样品的质谱图像信息；
所述质谱图像信息包括轮廓、纹理、色度；所述质谱图像信息包括全局质谱图像信息、局部质谱图像信息；全局质谱图像信息包括全局轮廓、全局纹理、全局色度；局部质谱图像信息包括局部轮廓、局部纹理、局部色度；
特别地，色谱数据及质谱数据、质谱图像及质谱图像信息构成中药样品的质谱信息；
将所述质谱图像信息与对应中药样品的类别关联存储至中药质谱数据库中；
特别地，将标记了类别的中药样品的质谱图像作为训练数据，利用卷积神经网络对中药样品的质谱图像进行训练，得到中药样品的卷积神经网络模型，所述卷积神经网络模型用于鉴别中药组合物；
特别地，色谱数据及质谱数据、质谱图像及质谱图像信息、卷积神经网络模型构成中药样品的质谱信息；
将中药样品的卷积神经网络模型存储至中药质谱数据库；
特别地，利用卷积神经网络对中药样品的质谱图像进行训练，得到中药样品的卷积神经网络模型，具体包括：
所述卷积神经网络包括卷积层、池化层和全连接层；
将中药样品的质谱图像输入至卷积神经网络的卷积层中；
利用卷积神经网络的卷积层分别对中药样品的质谱图像进行卷积操作，得到中药样品的特征图像；
利用卷积神经网络的池化层对中药样品的特征图像进行特征压缩，得到中药样品的质谱特征；
利用卷积神经网络的全连接层连接相同质谱特征所对应的所有特征图像的质谱特征，通过卷积神经网络的分类器确定所述中药样品的种类及质谱特征；
利用中药样品的种类和质谱特征构建卷积神经网络模型；
获取待鉴别中药的质谱信息；利用获取的中药组合物的质谱信息与中药质谱数据库中存储的质谱信息进行分析对比，判断中药组合物的成分及类别，生成中药组合物的鉴别结果；
其中，获取待鉴别中药的质谱信息，具体包括：
利用质谱仪对待鉴别中药进行色谱分析及质谱分析，获取中药组合物的色谱数据、质谱数据；
其中，所述色谱数据包括色谱保留值，所述质谱数据包括质荷比、质谱信号强度值；
利用获取的中药组合物的色谱数据及质谱数据构建生成中药组合物的质谱图像；以质荷比和色谱保留值分别作为纵坐标及横坐标构建中药组合物的质谱图像，质谱信号强度值用质谱图像中点的色度值表示；
特别地，从中药组合物的质谱图像中提取该中药组合物的质谱图像信息作为质谱分析特征；所述质谱图像信息包括轮廓、纹理、色度；
其中，所述质谱图像信息包括全局质谱图像信息、局部质谱图像信息；全局质谱图像信息包括全局轮廓、全局纹理、全局色度；局部质谱图像信息包括局部轮廓、局部纹理、局部色度；
特别地，利用获取的中药组合物的质谱信息与中药质谱数据库中存储的质谱信息进行分析对比，判断中药组合物的成分及类别，具体包括：
将中药组合物的质谱图像信息与中药质谱数据库中对应的质谱图像信息进行进行距离计算；根据计算得到的距离大小在中药质谱数据库中检索得到待鉴别中药最大可能归属的中药类别范围；
将待鉴别中药的质谱图像分别与最大可能归属的中药类别范围内的每种类别的中药样品的质谱图像进行对比，计算获取中药组合物与每类别的中药样品之间的相似度值；将相似度值最大的中药样品的中药类别作为待鉴别中药的鉴别结果；
特别地，以最大可能归属的中药类别范围内的每种中药样品的质谱图像为基础构建模板图像；以每个模板图像为模板在待鉴别中药的质谱图像中进行逐像素移动，计算归一化零均值互相关系数值并记录其最大值；构造局部二值模式算子，分别计算每个参数模板图像与待鉴别中药的质谱图像的局部二值模式值，计算两者之间的距离即局部二值模式距离值；
将归一化零均值互相关系数值和局部二值模式距离值综合为相似度值，分别计算待鉴别中药的质谱图像与最可能归属的中药类别范围内所有的中药样品的质谱图像的相似度值；根据相似度值最大所对应的中药样品的中药类别判定待鉴别中药的成分及类别；
特别地，利用卷积神经网络模型对中药组合物的质谱图像进行质谱特征的特征匹配处理，以鉴别中药组合物的成分及种类，具体包括：
将待鉴别中药的质谱图像输入至卷积神经网络模型的卷积层中；
利用卷积神经网络模型的卷积层对中药组合物的质谱图像进行卷积操作，得到中药组合物的特征图像；
利用卷积神经网络模型的池化层对中药组合物的特征图像进行特征压缩，得到中药组合物的质谱特征；
利用卷积神经网络模型的全连接层连接相同质谱特征所对应的所有特征图像的质谱特征；利用卷积神经网络模型将该待鉴别中药的质谱图像的质谱特征与中药质谱数据库中的质谱特征进行特征匹配，根据卷积神经网络模型的分类器所划分的成分及种类确定中药组合物的成分及种类。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种中药鉴别方法，其特征在于，包括：
建立中药质谱数据库；其中，所述中药质谱数据库中存储有一种或者多种中药的质谱信息；
获取待鉴别中药的质谱信息；
利用获取的中药组合物的质谱信息与中药质谱数据库中存储的质谱信息进行分析对比，判断中药组合物的成分及类别，生成中药组合物的鉴别结果。
2.根据权利要求1所述的中药鉴别方法，其特征在于，
其中，建立中药质谱数据库，具体包括：
采集一种或多种中药样品；利用质谱仪对中药样品进行色谱分析及质谱分析，获取中药样品的色谱数据、质谱数据；其中，所述色谱数据包括色谱保留值，所述质谱数据包括质荷比、质谱信号强度值；
利用获取的中药样品的色谱数据及质谱数据构建生成中药样品的质谱图像；以质荷比和色谱保留值分别作为纵坐标及横坐标构建中药样品的质谱图像，质谱信号强度值用质谱图像中点的色度值表示；
其中，色谱数据及质谱数据、质谱图像构成中药样品的质谱信息；将中药样品的色谱数据及质谱数据、质谱图像与对应中药样品的类别关联存储至中药质谱数据库中。
3.根据权利要求2所述的中药鉴别方法，其特征在于，
其中，获取待鉴别中药的质谱信息，具体包括：
利用质谱仪对待鉴别中药进行色谱分析及质谱分析，获取中药组合物的色谱数据、质谱数据；其中，所述色谱数据包括色谱保留值，所述质谱数据包括质荷比、质谱信号强度值；
利用获取的中药组合物的色谱数据及质谱数据构建生成中药组合物的质谱图像；以质荷比和色谱保留值分别作为纵坐标及横坐标构建中药组合物的质谱图像，质谱信号强度值用质谱图像中点的色度值表示。
4.根据权利要求3所述的中药鉴别方法，其特征在于，
其中，不同种类的中药样品对应不同的质谱图像，从中药样品的质谱图像中提取该中药样品的质谱图像信息；
所述质谱图像信息包括轮廓、纹理、色度；所述质谱图像信息包括全局质谱图像信息、局部质谱图像信息；全局质谱图像信息包括全局轮廓、全局纹理、全局色度；局部质谱图像信息包括局部轮廓、局部纹理、局部色度；
将所述质谱图像信息与对应中药样品的类别关联存储至中药质谱数据库中。
5.根据权利要求4所述的中药鉴别方法，其特征在于，
其中，利用获取的中药组合物的质谱信息与中药质谱数据库中存储的质谱信息进行分析对比，判断中药组合物的成分及类别，具体包括：
将中药组合物的质谱图像信息与中药质谱数据库中对应的质谱图像信息进行进行距离计算；根据计算得到的距离大小在中药质谱数据库中检索得到待鉴别中药最大可能归属的中药类别范围；
将待鉴别中药的质谱图像分别与最大可能归属的中药类别范围内的每种类别的中药样品的质谱图像进行对比，计算获取中药组合物与每类别的中药样品之间的相似度值；将相似度值最大的中药样品的中药类别作为待鉴别中药的鉴别结果。
6.根据权利要求5所述的中药鉴别方法，其特征在于，
其中，以最大可能归属的中药类别范围内的每种中药样品的质谱图像为基础构建模板图像；以每个模板图像为模板在待鉴别中药的质谱图像中进行逐像素移动，计算归一化零均值互相关系数值并记录其最大值；构造局部二值模式算子，分别计算每个参数模板图像与待鉴别中药的质谱图像的局部二值模式值，计算两者之间的距离即局部二值模式距离值；
将归一化零均值互相关系数值和局部二值模式距离值综合为相似度值，分别计算待鉴别中药的质谱图像与最可能归属的中药类别范围内所有的中药样品的质谱图像的相似度值；根据相似度值最大所对应的中药样品的中药类别判定待鉴别中药的成分及类别。
7.根据权利要求3所述的中药鉴别方法，其特征在于，
其中，将标记了类别的中药样品的质谱图像作为训练数据，利用卷积神经网络对中药样品的质谱图像进行训练，得到中药样品的卷积神经网络模型，所述卷积神经网络模型用于鉴别中药组合物；
将中药样品的卷积神经网络模型存储至中药质谱数据库。
8.根据权利要求7所述的中药鉴别方法，其特征在于，
其中，利用卷积神经网络对中药样品的质谱图像进行训练，得到中药样品的卷积神经网络模型，具体包括：
所述卷积神经网络包括卷积层、池化层和全连接层；
将中药样品的质谱图像输入至卷积神经网络的卷积层中；
利用卷积神经网络的卷积层分别对中药样品的质谱图像进行卷积操作，得到中药样品的特征图像；
利用卷积神经网络的池化层对中药样品的特征图像进行特征压缩，得到中药样品的质谱特征；
利用卷积神经网络的全连接层连接相同质谱特征所对应的所有特征图像的质谱特征，通过卷积神经网络的分类器确定所述中药样品的种类及质谱特征；
利用中药样品的种类和质谱特征构建卷积神经网络模型；将中药样品的卷积神经网络模型存储至中药质谱数据库。
9.根据权利要求8所述的中药鉴别方法，其特征在于，
其中，利用卷积神经网络模型对中药组合物的质谱图像进行质谱特征的特征匹配处理，以鉴别中药组合物的成分及种类，具体包括：
将待鉴别中药的质谱图像输入至卷积神经网络模型的卷积层中；
利用卷积神经网络模型的卷积层对中药组合物的质谱图像进行卷积操作，得到中药组合物的特征图像；
利用卷积神经网络模型的池化层对中药组合物的特征图像进行特征压缩，得到中药组合物的质谱特征；
利用卷积神经网络模型的全连接层连接相同质谱特征所对应的所有特征图像的质谱特征；利用卷积神经网络模型将该待鉴别中药的质谱图像的质谱特征与中药质谱数据库中的质谱特征进行特征匹配，根据卷积神经网络模型的分类器所划分的成分及种类确定中药组合物的成分及种类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111085494.4A CN113740463A (zh) | 2021-09-16 | 2021-09-16 | 中药鉴别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111085494.4A CN113740463A (zh) | 2021-09-16 | 2021-09-16 | 中药鉴别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113740463A true CN113740463A (zh) | 2021-12-03 |
Family
ID=78739234
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111085494.4A Pending CN113740463A (zh) | 2021-09-16 | 2021-09-16 | 中药鉴别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113740463A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345617A (zh) * | 2013-06-19 | 2013-10-09 | 成都中医药大学 | 中药识别的方法及其系统 |
| CN109870533A (zh) * | 2017-12-01 | 2019-06-11 | 中国科学院大连化学物理研究所 | 一种基于分子地图的生物样本快速智能识别方法 |
| CN109870515A (zh) * | 2017-12-01 | 2019-06-11 | 中国科学院大连化学物理研究所 | 一种基于中药色谱-质谱高维图像数据库的中药识别方法 |
| CN111220750A (zh) * | 2018-11-26 | 2020-06-02 | 中国科学院大连化学物理研究所 | 一种中药识别平台和利用该平台的中药识别方法 |
-
2021
- 2021-09-16 CN CN202111085494.4A patent/CN113740463A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345617A (zh) * | 2013-06-19 | 2013-10-09 | 成都中医药大学 | 中药识别的方法及其系统 |
| CN109870533A (zh) * | 2017-12-01 | 2019-06-11 | 中国科学院大连化学物理研究所 | 一种基于分子地图的生物样本快速智能识别方法 |
| CN109870515A (zh) * | 2017-12-01 | 2019-06-11 | 中国科学院大连化学物理研究所 | 一种基于中药色谱-质谱高维图像数据库的中药识别方法 |
| CN111220750A (zh) * | 2018-11-26 | 2020-06-02 | 中国科学院大连化学物理研究所 | 一种中药识别平台和利用该平台的中药识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王露露 等: "模式识别及其在中药质量评价中的应用", 《中草药》 * |
| 王露露 等: "模式识别及其在中药质量评价中的应用", 《中草药》, vol. 47, no. 23, 31 December 2016 (2016-12-31), pages 4282 - 4288 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103034838B (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
| CN109145745B (zh) | 一种遮挡情况下的人脸识别方法 | |
| CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
| CN111639629B (zh) | 一种基于图像处理的猪只体重测量方法、装置及存储介质 | |
| CN112699756B (zh) | 一种基于高光谱图像的茶叶原产地识别方法和系统 | |
| CN110286139B (zh) | 古漆器漆膜大数据复合特征判别方法 | |
| CN115331119B (zh) | 一种固体废弃物识别方法 | |
| CN101692052A (zh) | 基于超光谱图像技术的名优茶真伪鉴别方法及装置 | |
| CN109580497B (zh) | 一种基于奇异性理论的高光谱矿物异常信息提取方法 | |
| CN110836878A (zh) | 一种卷积插值耦合高斯混合模型快速三维荧光寻峰方法 | |
| CN118045773B (zh) | 一种基于机器视觉的中药饮片质量检测分析系统及方法 | |
| CN113109240A (zh) | 一种计算机实施的粮食不完善粒测定方法和系统 | |
| 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 | |
| CN117237310B (zh) | 一种基于图像识别的钢结构件缺陷检测方法及系统 | |
| CN113570538A (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
| CN110987856B (zh) | 基于配方体系和指纹图谱的化妆品质量快速鉴定方法 | |
| CN113740463A (zh) | 中药鉴别方法 | |
| CN112699901A (zh) | 一种基于物联网的植物种类识别系统 | |
| CN116091818B (zh) | 基于多神经网络级联模型的指针式仪表读数识别方法 | |
| US7436999B2 (en) | Data analysis device and data recognition device | |
| CN106023166B (zh) | 微波图像中人体隐藏危险物体的检测方法和装置 | |
| CN111523605A (zh) | 一种图像识别方法、装置、电子设备及介质 | |
| CN111814727B (zh) | 一种基于高光谱的潜在指纹检测方法 | |
| CN115356297A (zh) | 一种烤烟烟叶微青的鉴别方法及装置 | |
| Sun et al. | SRPAIS: Spectral matching algorithm based on Raman peak alignment and intensity selection |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211203 |