CN113959980A

CN113959980A - 物料质量快速检测分选设备和中药物料生产系统

Info

Publication number: CN113959980A
Application number: CN202111403123.6A
Authority: CN
Inventors: 王雅琪; 伍振峰; 杨明; 王学成; 臧振中; 黄小英; 郑琴; 邱婷
Original assignee: Jiangxi University of Traditional Chinese Medicine
Current assignee: Jiangxi University of Traditional Chinese Medicine
Priority date: 2021-11-24
Filing date: 2021-11-24
Publication date: 2022-01-21

Abstract

本发明的实施例提供了一种物料质量快速检测分选设备和中药物料生产系统，涉及物料分选设备领域。该物料质量快速检测分选设备包括机体、光谱仪和剔除器，机体设置有进料口和出料口，机体内设置有位于进料口和出料口之间用于传输物料的传送带，光谱仪安装于机体内且位于传送带的上方，剔除器安装于机体内且位于传送带的末端，光谱仪与剔除器通讯连接，出料口包括第一出口和第二出口，剔除器选择性地开启第一出口或第二出口。其可根据质量优劣进行基于药材品质的分选，大大降低人工检测的不确定性和耗时性。弥补目前只针对大小、重量等单一分选标准的缺陷，为中药物料分选提供更有力的质量保证。

Description

物料质量快速检测分选设备和中药物料生产系统

技术领域

本发明涉及物料分选设备领域，具体而言，涉及一种物料质量快速检测分选设备和中药物料生产系统。

背景技术

目前，在中药物料生产线上主要依靠人工进行中药物料真伪优劣的分选，通过肉眼、凭经验来分级。这种分选方法劳动强度大，生产效率低，而且易受主观因素等影响，导致中药物料品质稳定性差。因此需要采用分选机进行物料分选，提高生产效率，加快中药现代化发展。

中药市场“以假乱真”的现象层出不穷，难以用肉眼分辨真伪，无法确保中药质量。此外，中药的质量不仅体现在外观，更重要的是内部物质组成，结合有效组分含量指标对中药优劣进行分选具有重要意义。现有的中药物料分选技术，通常采用鼓风机，振动筛网等设备，集中在大小、重量的分类，分类标准单一，尚无采用光谱技术对中药物料真伪优劣的评价及分选。

鉴于此，特提出本申请。

发明内容

本发明的目的包括，例如，提供了一种物料质量快速检测分选设备和中药物料生产系统，其能够快速、有效、实时对中药物料真伪优劣进行评价及分选。

本发明的实施例可以这样实现：

第一方面，本发明提供一种物料质量快速检测分选设备，其包括机体、光谱仪和剔除器，所述机体设置有进料口和出料口，所述机体内设置有位于所述进料口和所述出料口之间用于传输物料的传送带，所述光谱仪安装于所述机体内且位于所述传送带的上方，所述剔除器安装于所述机体内且位于所述传送带的末端，所述光谱仪与所述剔除器通讯连接，所述出料口包括第一出口和第二出口，所述剔除器选择性地开启所述第一出口或所述第二出口。

在可选的实施方式中，所述物料质量快速检测分选设备还包括显示器，所述显示器安装于所述机体外部，所述显示器同时与所述光谱仪和所述剔除器连接。

在可选的实施方式中，所述光谱仪为便携式近红外光谱仪、便携式紫外光谱仪或高光谱成像仪。

在可选的实施方式中，所述光谱仪与所述机体可拆卸连接。

在可选的实施方式中，所述光谱仪内导入有掺伪筛选定性模型或药材含量定量模型。

在可选的实施方式中，所述掺伪筛选定性模型的构建方法包括：将真样品和假样品的宏观和微观特征分别进行鉴定，随后将所述真样品和所述假样品粉碎后制备所述真样品不同含量的掺假样品；采集多个所述掺假样品的近红外光谱，连续记录多次，并计算平均光谱；将所述平均光谱应用PCA可视化样本分布，并采用Kennard-Stone法将多个所述掺假样品分成用于模型校准的训练集和用于外部验证的测试集以筛选样本；采用PLS-DA分析法对筛选后的样本进行真样品和假样品的分类；采用PLS或LS-SVM对所述掺假样品进行量化以预测掺伪率。

在可选的实施方式中，所述药材含量定量模型的构建方法包括：采用高光谱成像仪采集药材样本的光谱，每批样本采集8-12次光谱，求平均值作为所述药材样本的高光谱数据；对所述高光谱数据进行优化并结合偏最小二乘法建立所述药材含量定量模型；

其中，对所述高光谱数据进行优化包括：采用RHM、MCCV方法剔除原始光谱与已知指标成分含量数据中存在的异常样本，确定有效样本以建立各指标成分定量预测模型；采用1^st D、SNV、PSNV或1^st D﹢PSNV方法对光谱反射率数据分别进行预处理以提高光谱的信噪比；分析预处理后光谱与已知指标成分含量的相关系数；采用SPA分析法、相关系数法或全谱分析法对波长进行筛选；

优选地，采用1^st D﹢PSNV方法对光谱反射率数据进行预处理；

优选地，采用SPA分析法对波长进行筛选。

在可选的实施方式中，所述传送带包括多根传送带；

优选地，所述传送带的传输速度为0.1-0.5m/s。

在可选的实施方式中，所述物料质量快速检测分选设备还包括进料机构，所述进料机构包括进料斗、螺旋送料器和电机，所述进料斗安装于所述机体的所述进料口处，所述螺旋送料器竖直安装于所述进料斗内，所述螺旋送料器的一端与所述电机连接，另一端伸入所述进料斗的底部。

第二方面，本发明提供一种中药物料生产系统，其包括如前述实施方式任一项所述的物料质量快速检测分选设备。

本发明实施例的有益效果包括，例如：

本申请提供的物料质量快速检测分选设备通过在机体内安装光谱仪，光谱仪可以根据实际需求进行选择，剔除器根据采集的光谱数据对传送带上的物料进行识别真伪优劣，进而进行分选，可根据质量优劣进行基于药材品质的分选，大大降低人工检测的不确定性和耗时性。弥补目前只针对大小、重量等单一分选标准的缺陷，为中药物料分选提供更有力的质量保证。本申请提供的中药物料生产系统，其包括上述物料质量快速检测分选设备，通过在中药物料生产系统引入述物料质量快速检测分选设备，可以使中药物料生产系统生产的中药物料品控更佳。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请提供的物料质量快速检测分选设备的结构示意图；

图2为本申请提供的构建药材含量定量模型中采集贯叶金丝桃冠层光谱的采集示意图；

图3为本申请提供的构建药材含量定量模型中采用RHM法剔除原始光谱中的异常样本的示意图；

图4为本申请提供的构建药材含量定量模型中采用MCCV法判断芦丁(a)、异槲皮苷(b)、金丝桃苷(c)、槲皮素(d)与金丝桃素(e)含量中的异常样本的示意图；

图5为本申请提供的构建药材含量定量模型中154批贯叶金丝桃原始冠层高光谱图；

图6为本申请提供的构建药材含量定量模型中经1st D﹢PSNV预处理后的高光谱图；

图7为本申请提供的构建药材含量定量模型中原始光谱与芦丁(a)含量及预处理后光谱与芦丁(b)、异槲皮苷(c)、金丝桃苷(d)、槲皮素(e)与金丝桃素(f)含量的相关系数图；

图8为本申请提供的构建药材含量定量模型中芦丁(a)、异槲皮苷(b)、金丝桃苷(c)、槲皮素(d)与金丝桃素(e)定量模型真实值与预测值关系图；

图9为本申请提供的构建药材含量定量模型中葛藤和葛根样品的平均光谱图；

图10为本申请提供的构建药材含量定量模型中1^st D处理后的平均光谱图；

图11为本申请提供的构建药材含量定量模型中葛根和葛藤样品的PCA可视化分布图；

图12为本申请提供的构建药材含量定量模型中葛根和葛藤的预测响应值，其中，(a)为葛根组预测响应值，(b)为葛藤组预测响应值；

图13为本申请提供的构建药材含量定量模型中葛根和葛藤的响应系数，其中，(a)为葛根组响应系数，(b)为葛藤组响应系数；

图14为本申请提供的构建药材含量定量模型中pls模型预测值与实测值的散点图；

图15为本申请提供的构建药材含量定量模型中LS-SVR模型预测值与实测值的散点图。

图标：100-物料质量快速检测分选设备；110-机体；111-进料口；112-出料口；1121-第一出口；1122-第二出口；113-传送带；1131-第一传送带；1132-第二传送带；1133-第三传送带；114-调速旋钮；115-高品级物料仓；116-低品级物料仓；120-进料机构；121-进料斗；122-螺旋送料器；123-电机；130-光谱仪；140-剔除器；150-显示器。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。

请参考图1，本实施例提供了一种物料质量快速检测分选设备100，其包括机体110、进料机构120、光谱仪130、剔除器140和显示器150。

机体110设置有进料口111和出料口112，机体110内设置有位于进料口111和出料口112之间用于传输物料的传送带113，传送带113能够控制物料的传输进程，不同物料的性状不同，不同光谱仪130检测所需时间存在差异，因此，本申请中的传送带113的数量可以为1-5个，且排布方式有多种，具体到本实施例中，传送带113的数量为3个，分别为第一传送带1131、第二传送带1132和第三传送带1133，第一传送带1131、第二传送带1132和第三传送带1133从上至下进行相反方向传输的排布，可有效延长物料的传输的路径，为剔除器140的数据传输提供缓冲的时间间隔。传送带113的传输速度、传输方向可分别调节或关闭，整体设备所占空间较小，利于存放。优选地，传送带113的传输速度为0.1-0.5m/s。

进一步地，为了更方便调节传送带113的传送速度，本申请在机体110内还设置有调速旋钮114，调速旋钮114能够同时控制三条传送带113的传送速度。

进料机构120包括进料斗121、螺旋送料器122和电机123，进料斗121安装于机体110的进料口111处，螺旋送料器122竖直安装于进料斗121内，螺旋送料器122的一端与电机123连接，另一端伸入进料斗121的底部。电机123开启，螺旋送料器122在进料斗121内转动，搅拌物料从而将粘连在一起药材打散，且螺旋送料器122利于中药物料的均匀传输，便于后续的分选，避免药材团聚在一起，控制物料的传输的均匀度。同时进料斗121底部管道较窄，能够实现缓慢送料，避免药材过多的进入到传送带113上。

光谱仪130安装于机体110内且位于传送带113的上方，光谱仪130与机体110可拆卸连接。可以根据需求进行替换，例如光谱仪130可以为便携式近红外光谱仪130、便携式紫外光谱仪130或高光谱成像仪。

剔除器140安装于机体110内且位于传送带113的末端，光谱仪130与剔除器140通讯连接，出料口112包括第一出口1121和第二出口1122，剔除器140选择性地开启第一出口1121或第二出口1122。本申请中剔除器140与机体110可拆卸连接，剔除器140的选择有多种，其可以根据物料的性状进行替换，例如，可以为吹气杆、脱料架等。

第一出口1121和第二出口1122可以根据物料的优劣或真伪等级进行区分，例如分为高品级的第一出口1121和低品级的第二出口1122。剔除器140配置信号接收装置，能够快速、有效接收光谱仪130识别结果和命令，对相应药材进行优劣分选。若质量优，则打开第一出口1121，进入高品级物料仓115，若质量较劣，则打开第二出口1122，进入低品级物料仓116，实现对中药物料真伪优劣的分选。

本申请中，第一出口1121的倾斜导向位置与机体110外部的高品级物料仓115的预设位置相互对应吻合，内部第二出口1122的倾斜导向位置与机体110外部的低品级物料仓116的预设位置相互对应吻合。

显示器150安装于机体110外部，显示器150同时与光谱仪130和剔除器140连接，显示器150可以实时反映物料质量信息，实现物料质量快速检测及分选，有效判别分离真伪优劣药材。

需要注意的是，本申请的光谱仪130内导入有掺伪筛选定性模型或药材含量定量模型，从而可以根据需要对不同物料进行定性或定量的分析。

其中，药材含量定量模型的构建方法包括：采用高光谱成像仪采集药材样本的光谱，每批样本采集8-12次光谱，求平均值作为药材样本的高光谱数据；对高光谱数据进行优化并结合偏最小二乘法建立药材含量定量模型；其中，对高光谱数据进行优化包括：采用RHM、MCCV方法剔除原始光谱与已知指标成分含量数据中存在的异常样本，确定有效样本以建立各指标成分定量预测模型；采用1^st D、SNV、PSNV或1^st D﹢PSNV方法对光谱反射率数据分别进行预处理以提高光谱的信噪比；分析预处理后光谱与已知指标成分含量的相关系数；采用SPA分析法、相关系数法或全谱分析法对波长进行筛选。

具体以贯叶金丝桃为例构建药材含量定量模型，其包括如下步骤：

S101、材料

154批贯叶金丝桃实地样品来自中国甘肃礼县示范基地，为藤黄科多年生草本植物贯叶金丝桃Hypericum perforatum L.。

S102、贯叶金丝桃高光谱采集

便携式高光谱仪采集贯叶金丝桃冠层光谱，采样间隔为1.4nm(350nm-1000nm)和1.1nm(1001nm-2500nm)，仪器视场角为25°，视场范围为半径15cm的圆，光纤探头离冠层高度为32cm(如图2)。测量前需对标准参考板进行定标，当反射率数值为1.00的平直线时，探头竖直向下进行测量，每批样本采集10次光谱，求平均值作为该样本的光谱反射率。

S103、结果与分析

(1)剔除异常样本

分别采用RHM、MCCV方法剔除原始光谱与5种指标成分含量数据中存在的异常样本，结果如图3、图4所示。筛选出原始光谱数据中的异常样本9批，芦丁、异槲皮苷、金丝桃苷、槲皮素与金丝桃素含量中的异常样本数量分别为13、13、12、6与13批，最终确定有效样本数依次为132、132、133、139与132批来建立各指标成分定量预测模型。

(2)光谱预处理

154批贯叶金丝桃原始冠层高光谱曲线如图5中(a)所示，从图中可以看出开始和结束波段信噪比较低，因此在建模之前将350nm-409nm和2441nm-2500nm的波长变量去除，得到的光谱如图5中(b)所示。

采用1^st D、SNV、PSNV及1^st D﹢PSNV方法对光谱数据分别进行预处理，比较结果见表1。从表中得知，对于5种指标成分含量预测，所有模型均取得较理想的结果，Rc与Rp值均高于0.80。其中经1^st D﹢PSNV预处理光谱后模型的效果最佳，所建立的芦丁(RMSEP＝0.0922，Rp＝0.9564)，异槲皮苷(RMSEP＝0.0597，Rp＝0.9914)，金丝桃苷(RMSEP＝0.0588，Rp＝0.9710)，槲皮素(RMSEP＝0.0191，Rp＝0.8619)和金丝桃素(RMSEP＝0.0092，Rp＝0.9929)的含量预测模型均获得最小的RMSEP与最大的Rp。预处理后的光谱如图6所示，发现预处理后光谱与原始光谱具有显著差异，其光谱重合度更高，并显著消除了基线漂移的影响。为了更直观的呈现1^st D﹢PSNV方法对高光谱数据处理的有效性，分析了预处理后光谱与各指标成分含量的相关系数，结果见图7，图7中a的原始光谱与芦丁含量相关系数的最大绝对值小于0.2，而预处理后的相关系数显著增大，最大绝对值超过0.5(图7中b)，表明经过光谱预处理可以提高光谱的信噪比。异槲皮苷、金丝桃苷、槲皮素和金丝桃素与预处理后的光谱相关系数见图7中c-f，均显示出较大的相关性。

表1.不同预处理方法对5种指标成分PLS定量模型的影响

(3)波长变量选择

为降低高光谱数据的冗余性和共线性，简化计算复杂度并提高模型运行效率，表2总结了两种变量选择方法分别为芦丁、异槲皮苷、金丝桃苷、槲皮素和金丝桃素含量预测模型选择合适的波长变量。其中SPA对五种指标成分建立的PLS预测模型性能较好，均获得最小的RMSEP与最大的Rp，且与全光谱的波长数量相比，芦丁、异槲皮苷、金丝桃苷、槲皮素和金丝桃素的波长数分别减少了96.45％，96.11％，96.75％，96.36％和96.36％。SPA筛选的波长显示出良好的潜力，使建立的定量分析模型具有极高的准确性且大幅简化模型的复杂度。

表2.不同波长变量选择方法对比

(4)5种指标成分定量模型的构建

综上优化过程，建立了芦丁、异槲皮苷、金丝桃苷、槲皮素和金丝桃素含量的定量检测模型，各校正模型回归结果见表3与图8，可以看出，芦丁、异槲皮苷、金丝桃苷、槲皮素和金丝桃素含量等质量指标的预测值与参考值一致性好，各模型的RMSEC和RMSEP较低，Rc和Rp较高，表明5个模型均具有良好的预测和泛化性能。

表3.5种指标成分PLS定量模型结果

序号	指标成分	RMSEC	Rc	RMSEP	Rp
						1	芦丁	0.0812	0.9466	0.0922	0.9564
2	异槲皮苷	0.1160	0.9433	0.0597	0.9914
						3	金丝桃苷	0.0561	0.9288	0.0588	0.9710
4	槲皮素	0.0191	0.8625	0.0191	0.8619
						5	金丝桃素	0.0280	0.9054	0.0092	0.9929

采用贯叶金丝桃高光谱数据结合偏最小二乘法建立芦丁、异槲皮苷、金丝桃苷、槲皮素和金丝桃素的定量检测模型，经过1^st D﹢PSNV最优预处理及SPA光谱变量选择等方法后，5个定量模型均具有良好的预测准确性。与传统质量检测方法和现代近红外光谱技术相比，高光谱技术不仅在无损、快速、实时检测中展现强大优势，而且能够有效结合样品内在品质属性与外部空间属性，充分准确评价样品质量，更好的保证原药材质量，对中药产业智能化发展具有重要意义。

其中，掺伪筛选定性模型的构建方法包括：将真样品和假样品的宏观和微观特征分别进行鉴定，随后将真样品和假样品粉碎后制备真样品不同含量的掺假样品；采集多个掺假样品的近红外光谱，连续记录多次，并计算平均光谱；将平均光谱应用PCA可视化样本分布，并采用Kennard-Stone法将多个掺假样品分成用于模型校准的训练集和用于外部验证的测试集以筛选样本；采用PLS-DA分析法对筛选后的样本进行真样品和假样品的分类；采用PLS或LS-SVM对掺假样品进行量化以预测掺伪率。

具体以葛根葛藤掺伪快速筛选为例构建掺伪筛选定性模型，其包括如下步骤：

具体构建方法包括：

S201、样品的制备

葛根(n＝20个样本)和葛藤(n＝20个样本)来自中国四川省。通过比较宏观和微观特征，对所有植物材料进行了鉴定和鉴定。将所有新鲜材料切成1cm³的立方体，在60℃的干燥箱中干燥12小时，使其恒重。将干燥后的样品粉碎，过50目筛，使样品粉末分布均匀，在室温下储存在干燥器中。为进行掺假水平预测分析，随机选择6个不同批次的葛根和葛藤制备掺假样品。葛根和葛藤的混合比如表4所示，共获得126个样品，包括114个混合样品，6个纯葛根和6个纯葛藤试验样品。

表4. 2个掺伪葛根数据集信息

S202、NIR光谱采集

在常温条件下，开机预热1h后；取约2g粉末样品装入旋转石英杯中，摇匀，样品厚度不得低于10mm。仪器的主要工作条件为：环境温度为20～25℃，相对湿度40％～50％；测样方式：积分球漫反射，以空气为参比，分辨率8cm^-1，扫描波长范围4000～10000cm^-1。为了提高测量精度，通过扫描64次连续记录每次测量的光谱，每个样品重复3次，计算平均光谱用于进一步分析。

S203、光谱分析

从葛藤和葛根样品中获得的平均光谱如图9所示。在8370cm^-1处的吸光度为C-H拉伸的第二泛音，6310cm^-1和6850cm^-1与O-H拉伸的第一泛音有关。5400-6000cm^-1为CH和CH₂的C-H拉伸第一泛音区。在5160cm^-1处的峰值来源于O-H的拉伸和变形振动。4760cm^-1处的峰值来源于O-H变形和C-H拉伸的组合。

在4000cm^-1附近观察到的最强吸收带受C-H拉伸和变形组合CH(4020cm^-1)和CH2(4319cm^-1)的影响。然而，观测葛藤和葛根之间的明显差异具有挑战性。应用1^st D处理后的光谱如图10所示，样品之间的差异被识别，特别是在峰值强度方面。这些图在7500cm^-1以上范围显示了一个非常相似的形状。对于6000cm^-1以下的波数，差异变得明显，这可以作为源识别的基础。在大约5100cm^-1和5260cm^-1处的差异被认为是微量水O-H拉伸的组合，因为样品之间的水分含量可能几乎没有任何差异。

干燥物料的主要成分是碳水化合物，包括淀粉、水溶性碳水化合物和纤维素。据报道，根的淀粉积累量比藤高。此外，在5700-6000cm^-1和4200-4400cm^-1区域的广泛吸收差异可能是由淀粉中C-H基团引起的。

S204、葛根与葛藤的快速鉴别

PCA

如上所述，研究的第一部分是关于开发适合于区分葛根和葛藤的快速方法。为了获得更清晰的数据集概览，应用PCA可视化样本分布。从图11可以看出，这两个类别几乎是分开的，但有一些重叠。第一和第二主成分占总方差的90％，通过包含第三主成分，解释方差达到98.7％。

PLS-DA

采用Kennard-Stone算法将40个样本分成一个训练集，一个测试集，训练集用于模型校准，测试集仅用于外部验证。对于PLS-DA，通过留一交叉验证(LOOCV)方法对校正样品确定的最佳潜变量数仅为3。采用错误率、分类特异性和敏感性等参数评价分类效果。如表5所示，PLS-DA模型为葛根和葛藤类提供了100％的预测精度。结果也以图形方式显示在图12中，其中绘制了每个类别与所有样本的预测响应。红色虚线表示判别阈值。从图中可以看出，葛根和葛藤样本可以明显分离，没有样本分离错误。

表5 葛根、葛藤的分类评价效果

为了了解哪些光谱变量对分类的贡献最大，计算和研究了每个类别的变量回归系数。具有高绝对值的系数与阶级区分的重要变量相关，具有正系数的变量有助于阶级计算反应的增加。如图13所示，得出如下结论：感兴趣的光谱范围(具有高绝对值)：

①4250cm^-1和4400cm^-1附近的区域(C–H组合)

②以5150cm^-1为中心的大范围(O-H组合)

C–H和O–H基团属于淀粉、黄酮、纤维素和其他水溶性碳水化合物。这两个范围分别对葛根类行为表现出负贡献和正贡献。与葛根类相关的后一个范围如预期给予了反应最重要的权重，这与葛根化学相容，因为葛根富含淀粉和黄酮。通过图13中(a)和(b)的比较，可以假设与正系数相关的变量在1类(葛根)样本中较高，而与负系数相对应的预测值在2类(葛藤)个体中较高。

S205、葛根与葛藤掺伪率的鉴别

PLS

应用了四种不同的信号预处理，模型性能如表6所示。通过10倍交叉验证确定每个PLS模型的潜变量数，并选择交叉验证的最小均方根误差(RMSECV)来优化预测模型，以避免过度拟合和欠拟合。因此，如表6所示，与SG平滑相结合的1^stD得到最低的RMSECV值，优于其他预处理，同时提供了良好的预测性能，获得0.9933的高Rp值和3.3754的低RMSEP值。

表6 4种不同预处理方式对葛根、葛藤模型的预测性能

LS-SVM

选择高斯径向基函数(RBF)作为LS-SVM的核函数。因此，LS-SVM模型的性能取决于两个参数：正则化参数γ和核参数σ。正则化参数γ决定了最小化训练误差和最小化模型复杂度之间的权衡。核参数σ是用于拟合训练数据的ε-不敏感区的带宽。为选择LS-SVM模型的最优参数，采用LOOCV网格搜索技术，避免了盲目性和随机性。γ和σ²的最佳组合为1.0796×10⁶和7.4206×10⁴。预测结果如表7所示。

表7 不同定量模型预测结果的比较

	R<sub>c</sub>	RMSEC	R<sub>p</sub>	RMSEP	Bias	RPD
							PLS	0.9914	4.0308	0.9933	3.3754	-0.1026	8.7130
LS-SVM	0.9991	1.3065	0.9973	2.1339	0.2611	13.6818

用于校正和验证集的LS-SVM模型的R为0.9990和0.9972，均高于PLS模型。此外，LS-SVM的校正集和验证集均方根(RMSE)值低于PLS的数据集。高R值和低RMSE值表明LS-SVM模型具有良好的预测和泛化性能。

PLS和LS-SVM模型的校正集和验证集的预测值与实际值的散点图如图14和图15所示。与PLS模型相比，LS-SVM预测的样本更接近回归线，表明LS-SVM回归模型在预测葛根和葛藤之间的掺伪率方面比PLS模型有更好的能力。

本申请中，采用近红外光谱结合机器学习算法提供了一种快速有效的工具来区分和量化葛根掺伪样品。结果表明，采用PLS-DA方法对葛根的廉价相似物葛藤进行分类，分类准确率为100％。此外，掺杂的葛根样品可以通过PLS和LS-SVM进行量化，而LS-SVM与PLS相比表现出更好的性能，并且显示出较高的Rp值0.9972，且低RMSEP值2.1724，首次通过机器学习方法区分和量化掺伪葛根的研究，能够为葛根的综合质量评估提供新的选择。

下面结合具体实施例进行详细说明。

实施例1

采用便携式近红外光谱技术实现对葛根及其伪品的快速分选

(一)准备阶段：葛根药材真伪判别模型的构建：1.样品制备：随机选择6个不同批次的葛根和葛藤制备掺假样品。按质量百分比(10、20、30、40、50、60、70、80、90％；w/w)的葛根与葛藤混合，共得到102个混合样品；2.光谱采集：利用便携性近红外光谱仪采集葛根及其伪品(葛藤)的平均光谱用于进一步分析；3.模型构建：采用一阶导数(1st D)进行光谱预处理；偏最小二乘判别分析(PLS-DA)构造判别模型；应用LS-SVM算法构建葛根与葛藤定量掺假率预测模型。

(二)安装便携式近红外光谱仪，将构建的葛根葛藤判别模型导入分选设备的电脑端。

(三)进料斗121投料，设置传送带113的传输速度0.2～0.5m/s，设定葛根纯度值范围(90％-100％)，若获取值低于90％则爆红，指示为低级物料，若获取值高于90％则显示绿色，指示为高级物料。当物料传送带113运动经过近红外光谱仪器下方时，近红外光谱仪对所经过的物料采集光谱信息，随即显示器150显示该物料质量信息(是否掺伪，掺伪率等)，判断出葛根药材是否达标，若不达标，信息传送至剔除器140，计算物料传输速度，如10s后，掺伪比例不合格的样品经过时，打开第二出口1122，进入低品级物料仓116。若达标，则第二出口1122不打开，物料进入高品级物料仓115。实现物料真伪分选。

实施例2

采用高光谱成像技术对贯叶金丝桃的含量高低快速质量分选

(一)准备阶段：1.样品制备：随机选择100批贯叶金丝桃样品。2.光谱采集：利用高光谱成像光谱仪采集贯叶金丝桃高光谱图像，对采集到的高光谱图像进行校准，取所有像素的平均光谱用于进一步分析。3.模型构建：采用一阶导数结合分段标准正态变量变换(1st D﹢SG)进行光谱预处理；SPXY方法将样本集划分为校正集和验证集；连续投影算法(SPA)筛选波长变量；最后应用偏最小二乘回归法(PLS)建立贯叶金丝桃有效组分芦丁、异槲皮苷、金丝桃苷、槲皮素与金丝桃素的定量模型。

(二)安装高光谱成像光谱仪，将构建的贯叶金丝桃有效组分芦丁、金丝桃苷与金丝桃素的定量模型导入分选设备的电脑端。

(三)进料斗121投料，设置传送带113的传输速度0.1～0.3m/s，设定各有效组分含量范围(芦丁≥0.45％，金丝桃苷≥0.30％，金丝桃素≥0.03％)，若各含量值小于设定范围则爆红，指示为低级物料，若各含量值大于设定范围则显示绿色，指示为高级物料。当物料传送带113运动经过高光谱成像仪器下方时，高光谱成像仪对所经过的物料采集图像信息，随即显示器150显示该物料有效组分芦丁、金丝桃苷与金丝桃素的含量，判断出贯叶金丝桃药材是否达标，若不达标，信息传送至剔除器140，计算物料传输速度，如5s后，药材含量不合格(芦丁≤0.45％，金丝桃苷≤0.30％，金丝桃素≤0.03％)的样品经过时，打开第二出口1122，进入低品级物料仓116。若达标(芦丁≥0.45％，金丝桃苷≥0.30％，金丝桃素≥0.03％)，则第二出口1122不打开，物料进入高品级物料仓115。实现物料质量优劣分选。

综上所述，本申请提供的物料质量快速检测分选设备100通过在传送带113上安装可拆卸的光谱仪130，光谱仪130可以根据实际需求进行选择，剔除器140根据采集的光谱数据对传送带113上的物料进行识别真伪优劣，进而进行分选，可根据质量优劣进行基于药材品质的分选，大大降低人工检测的不确定性和耗时性。弥补目前只针对大小、重量等单一分选标准的缺陷，为中药物料分选提供更有力的质量保证。本申请提供的中药物料生产系统，其包括上述物料质量快速检测分选设备100，通过在中药物料生产系统引入述物料质量快速检测分选设备100，可以使中药物料生产系统生产的中药物料品控更佳。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims

1.一种物料质量快速检测分选设备，其特征在于，其包括机体、光谱仪和剔除器，所述机体设置有进料口和出料口，所述机体内设置有位于所述进料口和所述出料口之间用于传输物料的传送带，所述光谱仪安装于所述机体内且位于所述传送带的上方，所述剔除器安装于所述机体内且位于所述传送带的末端，所述光谱仪与所述剔除器通讯连接，所述出料口包括第一出口和第二出口，所述剔除器选择性地开启所述第一出口或所述第二出口。

2.根据权利要求1所述的物料质量快速检测分选设备，其特征在于，所述物料质量快速检测分选设备还包括显示器，所述显示器安装于所述机体外部，所述显示器同时与所述光谱仪和所述剔除器连接。

3.根据权利要求1所述的物料质量快速检测分选设备，其特征在于，所述光谱仪为便携式近红外光谱仪、便携式紫外光谱仪或高光谱成像仪。

4.根据权利要求1所述的物料质量快速检测分选设备，其特征在于，所述光谱仪与所述机体可拆卸连接。

5.根据权利要求1所述的物料质量快速检测分选设备，其特征在于，所述光谱仪内导入有掺伪筛选定性模型或药材含量定量模型。

6.根据权利要求5所述的物料质量快速检测分选设备，其特征在于，所述掺伪筛选定性模型的构建方法包括：将真样品和假样品的宏观和微观特征分别进行鉴定，随后将所述真样品和所述假样品粉碎后制备所述真样品不同含量的掺假样品；采集多个所述掺假样品的近红外光谱，连续记录多次，并计算平均光谱；将所述平均光谱应用PCA可视化样本分布，并采用Kennard-Stone法将多个所述掺假样品分成用于模型校准的训练集和用于外部验证的测试集以筛选样本；采用PLS-DA分析法对筛选后的样本进行真样品和假样品的分类；采用PLS或LS-SVM对所述掺假样品进行量化以预测掺伪率。

7.根据权利要求5所述的物料质量快速检测分选设备，其特征在于，所述药材含量定量模型的构建方法包括：采用高光谱成像仪采集药材样本的光谱，每批样本采集8-12次光谱，求平均值作为所述药材样本的高光谱数据；对所述高光谱数据进行优化并结合偏最小二乘法建立所述药材含量定量模型；

其中，对所述高光谱数据进行优化包括：采用RHM、MCCV方法剔除原始光谱与已知指标成分含量数据中存在的异常样本，确定有效样本以建立各指标成分定量预测模型；采用1^stD、SNV、PSNV或1^st D﹢PSNV方法对光谱反射率数据分别进行预处理以提高光谱的信噪比；分析预处理后光谱与已知指标成分含量的相关系数；采用SPA分析法、相关系数法或全谱分析法对波长进行筛选；

优选地，采用1^st D﹢PSNV方法对光谱反射率数据进行预处理；

优选地，采用SPA分析法对波长进行筛选。

8.根据权利要求1所述的物料质量快速检测分选设备，其特征在于，所述传送带包括多根传送带；

优选地，所述传送带的传输速度为0.1-0.5m/s。

9.根据权利要求1所述的物料质量快速检测分选设备，其特征在于，所述物料质量快速检测分选设备还包括进料机构，所述进料机构包括进料斗、螺旋送料器和电机，所述进料斗安装于所述机体的所述进料口处，所述螺旋送料器竖直安装于所述进料斗内，所述螺旋送料器的一端与所述电机连接，另一端伸入所述进料斗的底部。

10.一种中药物料生产系统，其特征在于，其包括如权利要求1-9任一项所述的物料质量快速检测分选设备。