CN113989525B - 自适应随机块卷积核网络的高光谱中药材鉴别方法 - Google Patents
自适应随机块卷积核网络的高光谱中药材鉴别方法 Download PDFInfo
- Publication number
- CN113989525B CN113989525B CN202111593705.5A CN202111593705A CN113989525B CN 113989525 B CN113989525 B CN 113989525B CN 202111593705 A CN202111593705 A CN 202111593705A CN 113989525 B CN113989525 B CN 113989525B
- Authority
- CN
- China
- Prior art keywords
- traditional chinese
- chinese medicinal
- hyperspectral
- wave band
- medicinal materials
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了自适应随机块卷积核网络的高光谱中药材鉴别方法,基于最优聚类框架,获得中药材高光谱图像最优波段子集,再采用集群排序方法有效地从最优波段子集中选出最佳特征波段;使用随机投影方法将从中药材高光谱图像中提取的随机块作为卷积核;然后使用像素自适应方法修改卷积核,并基于中药材特征波段图像进行特征提取;再次,使用分层网络提取中药材的特征,并结合中药材高光谱最佳波段影像数据,构建中药材高光谱训练集与测试集;最后使用SVM对训练集进行训练得到分类预测模型,基于该模型对中药材测试集进行预测,大幅度提高了中药材的鉴别分类精度,解决了中药材种类多样、成分复杂的鉴别难题,可适用于各类中药材的快速无损鉴别。
Description
技术领域
本发明属于医药高光谱智能检测分析领域,特别是涉及一种自适应随机块卷积核网络的高光谱中药材鉴别方法。
背景技术
中医药是中华民族流传千年的瑰宝,中药材作为中医药最基础的部分,其质量安全影响着中医药的疗效,甚至关系到人民的生命安全。因此,对中药材的鉴别是中医药采集、加工以及过程质量监控极为关键的一环。
传统的中药材鉴定方法有性状鉴别、理化鉴别、显微鉴别和高效液相色谱、高效液相色谱-质谱联用鉴别等方法,但这些化学分析方法检测的周期长、价格昂贵,需要大量的有机溶剂,操作复杂,且对中药材具有破坏性,不能在现场进行快速检测。近年来,近红外光谱分析技术发展迅速,已经成为世界各国药物、化合物鉴别常用手段,但中药材属于混合物体系,其组成成分多样且复杂、图谱解析难度大,无法充分鉴别各类中药材,目前仍以中药材专家的人工定性鉴别为主,因此,急需开发一种快速鉴别中药材的方法。高光谱成像技术可以同时获取被测中药材的光谱信息和空间信息,准确反映中药材的理化性质,且获取的数据信息量十分丰富,可以实现中药材的无损鉴别。
目前已有采用高光谱成像技术结合化学计量学相关算法在中药材鉴别领域的相关研究,其处理流程首先采用降噪、散射校正等方法对获取的高光谱图像进行预处理;然后采用主成分分析(PCA)、偏最小二乘判别分析(PLS-DA)等机器学习算法对高光谱数据进行建模从而鉴别中药材。但此类处理流程无法准确建立鉴别模型,且模型也不具备普适性,高光谱数据量又十分庞大,难以提取中药材的有效特征信息,被测中药材鉴别精度不高,因此需针对种类多样、成分复杂的中药材鉴别难题,开发一种能够有效提取中药材的空-谱特征信息、可适用于各类中药材的快速无损检测方法。
发明内容
针对以上技术问题,本发明提供一种自适应随机块卷积核网络的高光谱中药材鉴别方法。
本发明解决其技术问题采用的技术方案是:
自适应随机块卷积核网络的高光谱中药材鉴别方法,方法包括以下步骤:
步骤S100:拍摄中药材高光谱图像,构建中药材高光谱原始数据集;
步骤S200:采用最优聚类框架获得中药材高光谱数据集的最优波段子集,基于集群排序策略在最优波段子集中选出中药材高光谱数据集的最佳特征波段,组成最佳波段特征影像;
步骤S300:使用主成分分析对中药材高光谱原始数据集中的数据进行降维,使用随机投影方法从降维后的中药材高光谱数据中获取随机块作为卷积核;
步骤S400:采用像素自适应方法修改卷积核,得到自适应随机块卷积核;
步骤S500:采用分层网络使用自适应随机块卷积核与最佳波段特征影像卷积提取中药材特征;
步骤S600:结合分层网络所提取的中药材特征、最佳波段特征影像数据构建中药材高光谱训练集与测试集;
步骤S700:使用SVM对训练集进行训练得到分类预测模型,基于分类预测模型对中药材高光谱测试集进行预测,实现中药材的鉴别分类。
优选地,步骤S100包括:
步骤S110:采用高光谱分选仪获取中药材的高光谱图像,并对采集的中药材高光谱图像进行反射率校正;
步骤S120:将校正后的图像作为中药材高光谱数据集的样本,构建中药材高光谱原始数据集。
优选地,步骤S200包括:
步骤S210:计算中药材高光谱数据的每个波段的局部密度和簇内距离,并对簇内距离进行归一化;
步骤S220:将局部密度与簇内距离加权计算得到中药材高光谱图像每个波段的贡献值;
步骤S230:通过K-means++聚类方法将中药材高光谱图像划分为预设数量个波段子集,选取预设数量个波段子集中每个波段子集贡献值最大的波段,分别计算该波段与其他波段子集的相似性矩阵并求和,将求和得到的值记为,最小化F得到预设数量个最优波段子集;
步骤S240:在每个最优波段子集中重新选取贡献值最大的波段,得到最佳特征波段,组成最佳波段特征影像。
优选地,步骤S210包括:
步骤S211:计算中药材高光谱数据的每个波段的局部密度,具体为:
步骤S212:计算中药材高光谱数据的每个波段的簇内距离,具体为:
优选地,步骤S220具体为:
优选地,步骤S230中F具体为:
优选地,步骤S300包括:
优选地,步骤S400包括:
步骤S410:对最佳波段特征影像进行双边滤波得到滤波后的最佳波段特征影像;
优选地,步骤S500包括:
步骤S510:设定分层网络的层数为n;
步骤S520:根据自适应随机块卷积核和最佳波段特征影像卷积提取第一层中药材的特征;
步骤S530:对第一层中药材的特征重复步骤S300和步骤S400,得到第二层的自适应随机块卷积核,根据第二层的自适应随机块卷积核和第一层中药材的特征进行卷积提取得到第二层中药材的特征;
步骤S540:重复步骤S530直至提取得到第n层中药材的特征
上述自适应随机块卷积核网络的高光谱中药材鉴别方法,首先基于最优聚类框架,获得中药材高光谱图像最优波段子集,再采用集群排序方法有效地从最优波段子集中选出最佳特征波段;接着使用随机投影方法将从中药材高光谱图像中提取的随机块作为卷积核;然后使用像素自适应方法修改卷积核,并基于中药材特征波段图像进行特征提取;再次,使用分层网络提取中药材的特征,并结合中药材高光谱最佳波段影像数据,构建中药材高光谱训练集与测试集;最后使用SVM对训练集进行训练得到分类预测模型,基于该模型对中药材测试集进行预测,实现中药材的鉴别分类,大幅度提高了中药材的鉴别精度,解决了中药材种类多样、成分复杂的鉴别难题,可适用于各类中药材的快速无损鉴别。
附图说明
图1为本发明一实施例提供的自适应随机块卷积核网络的高光谱中药材鉴别方法得流程图;
图2为本发明一实施例的高光谱中药材数据集部分样本示意图;
图3为本发明一实施例的自适应随机块卷积核网络模型的结构框架示意图;
图4为本发明一实施例的自适应随机块卷积核模块的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案,下面结合附图对本发明作进一步的详细说明。
在一个实施例中,如图1所示,自适应随机块卷积核网络的高光谱中药材鉴别方法,方法包括以下步骤:
步骤S100:拍摄中药材高光谱图像,构建中药材高光谱原始数据集。
具体地,准备多种不同的中药材样品,需要说明的是,该实施例中以山药、白术、枳实、茯苓、陈皮五种中药材样品进行实验,但中药材的数量和种类并不局限于此。图2即为山药、白术、枳实、茯苓、陈皮的中药材高光谱数据集部分样本图,图2中(a)表示山药的样本图,(b)表示白术的样本图,(c)表示枳实的样本图,(d)表示茯苓的样本图,(e)表示陈皮的样本图。
在一个实施例中,步骤S100包括:
步骤S110:采用高光谱分选仪获取中药材的高光谱图像,并对采集的中药材高光谱图像进行反射率校正;
步骤S120:将校正后的图像作为中药材高光谱数据集的样本,构建中药材高光谱原始数据集。
具体地,获取中药材高光谱图像,构建中药材高光谱原始数据集:采用高光谱分选仪获取中药材的高光谱图像,并对采集的中药材高光谱图像进行反射率校正,将校正后的图像作为中药材高光谱数据集的样本。其中为数据集中第类中药材高光谱影像,,为影像像元数,为影像的波段数,为数据集中第个样本对应的药材类别标签;需要说明的是,上述过程中高光谱分选仪优选采用四川双利合谱高光谱分选仪( V10E、N25E - SWIR),光谱范围分别为400-1000nm,1000-2500nm。
步骤S200:采用最优聚类框架获得中药材高光谱数据集的最优波段子集,基于集群排序策略在最优波段子集中选出中药材高光谱数据集的最佳特征波段,组成最佳波段特征影像。
具体地,基于最优聚类框架,获得中药材高光谱图像最优波段子集,再采用集群排序方法有效地从最优波段子集中选出最佳特征波段,极大程度降低了数据量和波段间的高度冗余性。
在一个实施例中,步骤S200包括:
步骤S210:计算中药材高光谱数据的每个波段的局部密度和簇内距离,并对簇内距离进行归一化。
在一个实施例中,步骤S210包括:
步骤S211:计算中药材高光谱数据的每个波段的局部密度,具体为:
步骤S212:计算中药材高光谱数据的每个波段的簇内距离,具体为:
步骤S220:将局部密度与簇内距离加权计算得到中药材高光谱图像每个波段的贡献值。
在一个实施例中,步骤S220具体为:
步骤S230:通过K-means++聚类方法将中药材高光谱图像划分为预设数量个波段子集,选取预设数量个波段子集中每个波段子集贡献值最大的波段,分别计算该波段与其他波段子集的相似性矩阵并求和,将求和得到的值记为F,最小化F得到预设数量个最优波段子集。
在一个实施例中,步骤S230中F具体为:
步骤S240:在每个最优波段子集中重新选取贡献值最大的波段,得到最佳特征波段,组成最佳波段特征影像。
步骤S300:使用主成分分析对中药材高光谱原始数据集中的数据进行降维,使用随机投影方法从降维后的中药材高光谱数据中获取随机块作为卷积核。
在一个实施例中,步骤S300包括:
步骤S400:采用像素自适应方法修改卷积核,得到自适应随机块卷积核。
在一个实施例中,步骤S400包括:
步骤S410:对最佳波段特征影像进行双边滤波得到滤波后的最佳波段特征影像;
步骤S500:采用分层网络使用自适应随机块卷积核与最佳波段特征影像卷积提取中药材特征。
在一个实施例中,步骤S500包括:
步骤S510:设定分层网络的层数为n。
步骤S520:根据自适应随机块卷积核和最佳波段特征影像卷积提取第一层中药材的特征。
具体地,第一层中药材的特征具体为:
步骤S530:对第一层中药材的特征重复步骤S300和步骤S400,得到第二层的自适应随机块卷积核,根据第二层的自适应随机块卷积核和第一层中药材的特征进行卷积提取得到第二层中药材的特征;
步骤S540:重复步骤S530直至提取得到第n层中药材的特征。
具体地,使用分层网络,以PCA降维后的图像数据作为卷积核并使用自适应方法修改卷积核,与特征波段子集卷积,使网络具有多尺度的优点,有效的提取了中药材的几何与纹理特征并保持了各类中药材的边缘信息。
步骤S600:结合分层网络所提取的中药材特征、最佳波段特征影像数据构建中药材高光谱训练集与测试集。
具体地,将步骤500中得到的特征,再结合步骤S200得到的最佳波段特征影像组成中药材高光谱特征数据集;将中药材高光谱特征数据集随机排序后,构建训练集与测试集,每类药材划分20%作为训练集,其余作为测试集。
步骤S700:使用SVM对训练集进行训练得到分类预测模型,基于分类预测模型对中药材测试集进行预测,实现中药材的鉴别分类。
具体地,结合中药材的浅层与深层特征,基于SVM对训练集进行训练,得到分类预测模型,可以准确鉴别各类中药材,实现对中药材的无损、快速分类。
上述自适应随机块卷积核网络的高光谱中药材鉴别方法,如图3、图4所示,首先基于最优聚类框架,获得中药材高光谱图像最优波段子集,再采用集群排序方法有效地从最优波段子集中选出最佳特征波段;接着使用随机投影方法将从中药材高光谱图像中提取的随机块作为卷积核;然后使用像素自适应方法修改卷积核,并基于中药材特征波段图像进行特征提取;再次,使用分层网络提取中药材的特征,并结合中药材高光谱最佳波段影像数据,构建中药材高光谱训练集与测试集;最后使用SVM对训练集进行训练得到分类预测模型,基于该模型对中药材测试集进行预测,实现中药材的鉴别分类。
与现有技术相比,本发明其一,选出中药材高光谱图像数据最佳特征波段,在充分保留了中药材高光谱图像原始信息的同时大幅度减少了数据量;其二,使用中药材高光谱图像特征层中的随机块作为卷积核,充分学习了中药材的纹理与几何特征;其三,采用像素自适应方法修改卷积核,解决了特征在高维空间中非常稀疏和不规则的痛点,且有很好的保边效果;其四采用分层结构,结合中药材高光谱图像浅层与深层的特征,使网络具有多尺度等特点,有效提取中药材的特征信息,大幅度提高了中药材的鉴别精度,解决了中药材种类多样、成分复杂的鉴别难题,可适用于各类中药材的快速无损鉴别。
以上对本发明所提供的一种自适应随机块卷积核网络的高光谱中药材鉴别方法进行了详细介绍。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核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.自适应随机块卷积核网络的高光谱中药材鉴别方法,其特征在于,所述方法包括以下步骤:
步骤S100:拍摄中药材高光谱图像,构建中药材高光谱原始数据集;
步骤S200:采用最优聚类框架获得所述中药材高光谱原始数据集的最优波段子集,基于集群排序策略在所述最优波段子集中选出所述中药材高光谱原始数据集的最佳特征波段,组成最佳波段特征影像;
步骤S300:使用主成分分析对所述中药材高光谱原始数据集中的数据进行降维,使用随机投影方法从降维后的中药材高光谱数据中获取随机块作为卷积核;
步骤S400:采用像素自适应方法修改所述卷积核,得到自适应随机块卷积核;
步骤S500:采用分层网络使用所述自适应随机块卷积核与所述最佳波段特征影像卷积提取中药材特征;
步骤S600:结合分层网络所提取的中药材特征、所述最佳波段特征影像数据构建中药材高光谱训练集与测试集;
步骤S700:使用SVM对训练集进行训练得到分类预测模型,基于所述分类预测模型对中药材高光谱测试集进行预测,实现中药材的鉴别分类。
2.根据权利要求1所述的方法,其特征在于,步骤S100包括:
步骤S110:采用高光谱分选仪获取中药材的高光谱图像,并对采集的中药材高光谱图像进行反射率校正;
步骤S120:将校正后的图像作为中药材高光谱数据集的样本,构建中药材高光谱原始数据集。
3.根据权利要求2所述的方法,其特征在于,步骤S200包括:
步骤S210:计算中药材高光谱数据的每个波段的局部密度和簇内距离,并对所述簇内距离进行归一化;
步骤S220:将所述局部密度与所述簇内距离加权计算得到所述中药材高光谱图像每个波段的贡献值;
步骤S230:通过K-means++聚类方法将所述中药材高光谱图像划分为预设数量个波段子集,选取所述预设数量个波段子集中每个波段子集贡献值最大的波段,分别计算该波段与其他波段子集的相似性矩阵并求和,将求和得到的值记为,最小化F得到预设数量个最优波段子集;
步骤S240:在每个最优波段子集中重新选取贡献值最大的波段,得到最佳特征波段,组成最佳波段特征影像。
10.根据权利要求4所述的方法,其特征在于,步骤S500包括:
步骤S510:设定分层网络的层数为n;
步骤S520:根据所述自适应随机块卷积核和所述最佳波段特征影像卷积提取第一层中药材的特征;
步骤S530:对所述第一层中药材的特征重复步骤S300和步骤S400,得到第二层的自适应随机块卷积核,根据所述第二层的自适应随机块卷积核和所述第一层中药材的特征进行卷积提取得到第二层中药材的特征;
步骤S540:重复步骤S530直至提取得到第n层中药材的特征。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111593705.5A CN113989525B (zh) | 2021-12-24 | 2021-12-24 | 自适应随机块卷积核网络的高光谱中药材鉴别方法 |
PCT/CN2022/076024 WO2023115682A1 (zh) | 2021-12-24 | 2022-02-11 | 自适应随机块卷积核网络的高光谱中药材鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111593705.5A CN113989525B (zh) | 2021-12-24 | 2021-12-24 | 自适应随机块卷积核网络的高光谱中药材鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113989525A CN113989525A (zh) | 2022-01-28 |
CN113989525B true CN113989525B (zh) | 2022-03-29 |
Family
ID=79734180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111593705.5A Active CN113989525B (zh) | 2021-12-24 | 2021-12-24 | 自适应随机块卷积核网络的高光谱中药材鉴别方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113989525B (zh) |
WO (1) | WO2023115682A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989525B (zh) * | 2021-12-24 | 2022-03-29 | 湖南大学 | 自适应随机块卷积核网络的高光谱中药材鉴别方法 |
CN115979973B (zh) * | 2023-03-20 | 2023-06-16 | 湖南大学 | 一种基于双通道压缩注意力网络的高光谱中药材鉴别方法 |
CN116597227A (zh) * | 2023-05-29 | 2023-08-15 | 广东省麦思科学仪器创新研究院 | 质谱图解析方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013099451A1 (ja) * | 2011-12-28 | 2013-07-04 | オオクマ電子株式会社 | 医療材料コスト算出システム |
CN105138861A (zh) * | 2015-05-31 | 2015-12-09 | 青岛市食品药品检验研究院 | 一种大黄药材真伪及基源种属类别预测模型的构建方法 |
CN107092906A (zh) * | 2017-05-01 | 2017-08-25 | 刘至键 | 一种基于深度学习的中药材识别装置 |
CN113269196A (zh) * | 2021-07-19 | 2021-08-17 | 湖南大学 | 一种图卷积神经网络高光谱医药成分分析的实现方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469316B (zh) * | 2016-09-07 | 2020-02-21 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
CN108734205A (zh) * | 2018-04-28 | 2018-11-02 | 东北电力大学 | 一种针对不同品种小麦种子的单粒定点识别技术 |
CN109344698B (zh) * | 2018-08-17 | 2021-09-03 | 西安电子科技大学 | 基于可分离卷积和硬阈值函数的高光谱波段选择方法 |
CN109374573B (zh) * | 2018-10-12 | 2021-07-16 | 乐山师范学院 | 基于近红外光谱分析的黄瓜表皮农药残留识别方法 |
CN113008817A (zh) * | 2021-02-24 | 2021-06-22 | 浙江工业大学 | 一种基于高光谱成像技术快速鉴别苦杏仁真伪优劣的方法 |
CN113989525B (zh) * | 2021-12-24 | 2022-03-29 | 湖南大学 | 自适应随机块卷积核网络的高光谱中药材鉴别方法 |
-
2021
- 2021-12-24 CN CN202111593705.5A patent/CN113989525B/zh active Active
-
2022
- 2022-02-11 WO PCT/CN2022/076024 patent/WO2023115682A1/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013099451A1 (ja) * | 2011-12-28 | 2013-07-04 | オオクマ電子株式会社 | 医療材料コスト算出システム |
CN105138861A (zh) * | 2015-05-31 | 2015-12-09 | 青岛市食品药品检验研究院 | 一种大黄药材真伪及基源种属类别预测模型的构建方法 |
CN107092906A (zh) * | 2017-05-01 | 2017-08-25 | 刘至键 | 一种基于深度学习的中药材识别装置 |
CN113269196A (zh) * | 2021-07-19 | 2021-08-17 | 湖南大学 | 一种图卷积神经网络高光谱医药成分分析的实现方法 |
Non-Patent Citations (3)
Title |
---|
Projected Sliced Wasserstein Autoencoder-based Hyperspectral Images Anomaly Detection;Yurong Chen 等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20211222;全文 * |
中药材蜈蚣及其混伪品DNA条形码鉴别研究;张红印 等;《中国中药杂志》;20141231;第39卷(第12期);全文 * |
基于近红外光谱法对温郁金源3种药材的快速鉴别;赵金凯等;《中华中医药学刊》;20200910(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2023115682A1 (zh) | 2023-06-29 |
CN113989525A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113989525B (zh) | 自适应随机块卷积核网络的高光谱中药材鉴别方法 | |
CN111860612B (zh) | 无监督高光谱图像隐低秩投影学习特征提取方法 | |
CN107292343B (zh) | 一种基于六层卷积神经网络和光谱-空间信息联合的高光谱遥感图像分类方法 | |
US11651229B2 (en) | Methods and systems for face recognition | |
Reale et al. | Seeing the forest from the trees: A holistic approach to near-infrared heterogeneous face recognition | |
Zhang et al. | Classification modeling method for near‐infrared spectroscopy of tobacco based on multimodal convolution neural networks | |
CN109241813B (zh) | 基于判别稀疏保持嵌入的非约束人脸图像降维方法 | |
CN112270666A (zh) | 基于深度卷积神经网络的非小细胞肺癌病理切片识别方法 | |
CN113139512B (zh) | 基于残差和注意力的深度网络高光谱影像分类方法 | |
CN110427997B (zh) | 面向复杂遥感影像背景的改进cva变化检测方法 | |
CN108932501B (zh) | 一种基于多核关联集成降维的人脸识别方法 | |
CN113239983A (zh) | 基于高阶关联保持的缺失多视图子空间聚类方法及系统 | |
Lin et al. | Determination of the varieties of rice kernels based on machine vision and deep learning technology | |
CN111242056B (zh) | 一种最大-最小距离嵌入的无监督高光谱图像分类方法 | |
Jain et al. | Comparison between different classification methods with application to skin cancer | |
CN110852304B (zh) | 基于深度学习方法的高光谱数据处理方法 | |
Mavaddati | Rice classification and quality detection based on sparse coding technique | |
CN116778339A (zh) | 局部视图辅助判别高光谱波段选择方法及系统 | |
CN111259913A (zh) | 一种基于词袋模型和纹理特征的细胞光谱图像分类方法 | |
CN113469084B (zh) | 基于对比生成对抗网络的高光谱图像分类方法 | |
CN110188821B (zh) | 多参数边缘保持滤波和多特征学习的高光谱图像分类方法 | |
Luque et al. | GA-based feature selection approach in biometric hand systems | |
CN111723838A (zh) | 一种多核机器学习融合多尺度特征的高光谱地物分类方法 | |
Paciencia | Improving non-linear approaches to anomaly detection, class separation, and visualization | |
Fernandez-Delgado et al. | Improved classification of pollen texture images using SVM and MLP |
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 |