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 PDF

Info

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
Application number
CN202111593705.5A
Other languages
English (en)
Other versions
CN113989525A (zh
Inventor
毛建旭
尹阿婷
王耀南
张辉
刘彩苹
朱青
刘敏
曾凯
陈煜嵘
李亚萍
赵禀睿
苏学叁
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.)
Hunan University
Original Assignee
Hunan University
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 Hunan University filed Critical Hunan University
Priority to CN202111593705.5A priority Critical patent/CN113989525B/zh
Publication of CN113989525A publication Critical patent/CN113989525A/zh
Priority to PCT/CN2022/076024 priority patent/WO2023115682A1/zh
Application granted granted Critical
Publication of CN113989525B publication Critical patent/CN113989525B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

自适应随机块卷积核网络的高光谱中药材鉴别方法
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
Figure 519871DEST_PATH_IMAGE001
，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：
Figure 559371DEST_PATH_IMAGE002
其中，
Figure 34346DEST_PATH_IMAGE003
为相似性矩阵，
Figure 376466DEST_PATH_IMAGE004
分别为中药材高光谱数据第
Figure 287790DEST_PATH_IMAGE004
个波段，
Figure 271926DEST_PATH_IMAGE005
为每个波段所在区域的截断距离；
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：
Figure 601408DEST_PATH_IMAGE006
其中，
Figure 239062DEST_PATH_IMAGE007
为相似性矩阵，
Figure 513049DEST_PATH_IMAGE008
分别为中药材高光谱数据第
Figure 907734DEST_PATH_IMAGE008
个波段，对中药材高光谱数据中局部密度最大的点k的簇内距离
Figure 950776DEST_PATH_IMAGE009
为：
Figure 24911DEST_PATH_IMAGE010
步骤S213：对簇内距离
Figure 51773DEST_PATH_IMAGE011
进行归一化，具体为：
Figure 987499DEST_PATH_IMAGE012
其中，
Figure 416207DEST_PATH_IMAGE013
为每个波段的簇内距离，
Figure 395664DEST_PATH_IMAGE014
为中药材高光谱数据中局部密度最小的点的簇内距离，
Figure 519609DEST_PATH_IMAGE015
为中药材高光谱数据中局部密度最大的点的簇内距离。
优选地，步骤S220具体为：
Figure 383660DEST_PATH_IMAGE016
其中，
Figure 791507DEST_PATH_IMAGE017
为第
Figure 817232DEST_PATH_IMAGE018
个波段的贡献值，
Figure 428473DEST_PATH_IMAGE019
为第
Figure 96215DEST_PATH_IMAGE018
个波段的局部密度，
Figure 358569DEST_PATH_IMAGE020
为第
Figure 820774DEST_PATH_IMAGE018
个波段的簇内距离。
优选地，步骤S240中波段子集
Figure 668381DEST_PATH_IMAGE021
，其中，
Figure 264447DEST_PATH_IMAGE022
为波段子集索引向量，
Figure 256674DEST_PATH_IMAGE023
，
Figure 765147DEST_PATH_IMAGE024
为第
Figure 475614DEST_PATH_IMAGE018
个波段子集的索引值。
优选地，步骤S230中F具体为：
Figure 344213DEST_PATH_IMAGE025
其中，
Figure 190946DEST_PATH_IMAGE026
为贡献值最大的波段与其他波段子集的相似性矩阵。
优选地，步骤S300包括：
步骤S310：对中药材高光谱原始数据集中的数据进行主成分分析降维加白化处理得到降维后的数据
Figure 135899DEST_PATH_IMAGE027
，其中，
Figure 68083DEST_PATH_IMAGE028
,
Figure 740373DEST_PATH_IMAGE029
为影像像元数，
Figure 316979DEST_PATH_IMAGE030
为影像的主成分个数；
步骤S320：使用随机投影方法在降维后的数据中选取
Figure 291888DEST_PATH_IMAGE031
个随机块作为卷积核
Figure 836002DEST_PATH_IMAGE032
，其中，
Figure 187349DEST_PATH_IMAGE033
，
Figure 615532DEST_PATH_IMAGE034
为第
Figure 151555DEST_PATH_IMAGE018
个随机块卷积核，
Figure 58331DEST_PATH_IMAGE035
为卷积核的大小。
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；
步骤S420：用卷积核
Figure 88735DEST_PATH_IMAGE032
在滤波后的最佳波段特征影像中选取对应空间位置、大小的块
Figure 764567DEST_PATH_IMAGE036
，其中，
Figure 205913DEST_PATH_IMAGE037
；
步骤S430：将块
Figure 599985DEST_PATH_IMAGE036
与卷积核
Figure 168501DEST_PATH_IMAGE032
点积得到自适应随机块卷积核
Figure 823473DEST_PATH_IMAGE038
，其中，
Figure 311086DEST_PATH_IMAGE039
，
Figure 67821DEST_PATH_IMAGE040
为第
Figure 564661DEST_PATH_IMAGE018
个自适应随机块卷积核。
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
Figure 339719DEST_PATH_IMAGE041
：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
Figure 263813DEST_PATH_IMAGE042
为数据集
Figure 979615DEST_PATH_IMAGE043
中第
Figure 14567DEST_PATH_IMAGE044
类中药材高光谱影像，
Figure 909711DEST_PATH_IMAGE045
，
Figure 4706DEST_PATH_IMAGE046
为影像像元数，
Figure 470453DEST_PATH_IMAGE047
为影像的波段数，
Figure 168151DEST_PATH_IMAGE048
为数据集
Figure 793167DEST_PATH_IMAGE043
中第
Figure 934430DEST_PATH_IMAGE044
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：
Figure 12107DEST_PATH_IMAGE002
其中，
Figure 513495DEST_PATH_IMAGE003
为相似性矩阵，
Figure 727439DEST_PATH_IMAGE004
分别为中药材高光谱数据第
Figure 39603DEST_PATH_IMAGE004
个波段，
Figure 604576DEST_PATH_IMAGE005
为每个波段所在区域的截断距离；
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：
Figure 175235DEST_PATH_IMAGE006
其中，
Figure 509264DEST_PATH_IMAGE007
为相似性矩阵，
Figure 989400DEST_PATH_IMAGE008
分别为中药材高光谱数据第
Figure 41669DEST_PATH_IMAGE008
个波段，对中药材高光谱数据中局部密度最大的点k的簇内距离
Figure 150440DEST_PATH_IMAGE009
为：
Figure 338976DEST_PATH_IMAGE010
步骤S213：对簇内距离
Figure 992942DEST_PATH_IMAGE011
进行归一化，具体为：
Figure 532508DEST_PATH_IMAGE012
其中，
Figure 320335DEST_PATH_IMAGE013
为每个波段的簇内距离，
Figure 753591DEST_PATH_IMAGE014
为中药材高光谱数据中局部密度最小的点的簇内距离，
Figure 703092DEST_PATH_IMAGE015
为中药材高光谱数据中局部密度最大的点的簇内距离。
具体地，
Figure 605320DEST_PATH_IMAGE049
相似性矩阵为计算每个波段间的
Figure 665680DEST_PATH_IMAGE050
范数，取
Figure 953442DEST_PATH_IMAGE051
。
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：
Figure 339424DEST_PATH_IMAGE016
其中，
Figure 463369DEST_PATH_IMAGE017
为第
Figure 327420DEST_PATH_IMAGE018
个波段的贡献值，
Figure 735267DEST_PATH_IMAGE019
为第
Figure 292150DEST_PATH_IMAGE018
个波段的局部密度，
Figure 894602DEST_PATH_IMAGE020
为第
Figure 562344DEST_PATH_IMAGE018
个波段的簇内距离。
具体地，贡献值
Figure 824698DEST_PATH_IMAGE052
，
Figure 286904DEST_PATH_IMAGE017
为第
Figure 385441DEST_PATH_IMAGE018
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：
Figure 591294DEST_PATH_IMAGE025
其中，
Figure 708155DEST_PATH_IMAGE026
为贡献值最大的波段与其他波段子集的相似性矩阵。
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。
在一个实施例中，步骤S240中波段子集
Figure 606840DEST_PATH_IMAGE021
，其中，
Figure 192674DEST_PATH_IMAGE022
为波段子集索引向量，
Figure 936639DEST_PATH_IMAGE023
，
Figure 173585DEST_PATH_IMAGE024
为第
Figure 977593DEST_PATH_IMAGE018
个波段子集的索引值。进一步地，
Figure 50722DEST_PATH_IMAGE053
，
Figure 598378DEST_PATH_IMAGE054
。
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S310：对中药材高光谱原始数据集中的数据进行主成分分析降维加白化处理得到降维后的数据
Figure 830777DEST_PATH_IMAGE027
，其中，
Figure 195899DEST_PATH_IMAGE028
,
Figure 615379DEST_PATH_IMAGE029
为影像像元数，
Figure 839162DEST_PATH_IMAGE030
为影像的主成分个数；
步骤S320：使用随机投影方法在所述降维后的数据中选取
Figure 660488DEST_PATH_IMAGE031
个随机块作为卷积核
Figure 196511DEST_PATH_IMAGE032
，其中，
Figure 103288DEST_PATH_IMAGE033
，
Figure 133692DEST_PATH_IMAGE034
为第
Figure 75103DEST_PATH_IMAGE018
个随机块卷积核，
Figure 516448DEST_PATH_IMAGE035
为卷积核的大小。
具体地，这里选取5个中药材高光谱图像的主成分个数，设置卷积核
Figure 176100DEST_PATH_IMAGE032
的个数为20个，大小为
Figure 744616DEST_PATH_IMAGE055
个像素。
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S420：用卷积核
Figure 274954DEST_PATH_IMAGE032
在滤波后的最佳波段特征影像中选取对应空间位置、大小的块
Figure 152780DEST_PATH_IMAGE036
，其中，
Figure 34149DEST_PATH_IMAGE037
；
步骤S430：将块
Figure 406355DEST_PATH_IMAGE036
与卷积核
Figure 56779DEST_PATH_IMAGE032
点积得到自适应随机块卷积核
Figure 980873DEST_PATH_IMAGE038
，其中，
Figure 474171DEST_PATH_IMAGE039
，
Figure 509123DEST_PATH_IMAGE040
为第
Figure 157929DEST_PATH_IMAGE018
个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。
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。
具体地，该步骤设置网络的层数
Figure 987345DEST_PATH_IMAGE056
。
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：
Figure 967939DEST_PATH_IMAGE057
其中，
Figure 806582DEST_PATH_IMAGE058
为第一层中药材的特征，
Figure 41386DEST_PATH_IMAGE059
为药材高光谱影像的主成分个数，
Figure 572861DEST_PATH_IMAGE060
为卷积核个数。
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
Figure 775172DEST_PATH_IMAGE061
，再结合步骤S200得到的最佳波段特征影像
Figure 417506DEST_PATH_IMAGE062
组成中药材高光谱特征数据集
Figure 772395DEST_PATH_IMAGE063
；将中药材高光谱特征数据集
Figure 209193DEST_PATH_IMAGE064
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
Figure 568127DEST_PATH_IMAGE001
，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。
4.根据权利要求3所述的方法，其特征在于，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：
Figure 954109DEST_PATH_IMAGE002
其中，
Figure 953420DEST_PATH_IMAGE003
为相似性矩阵，
Figure 817471DEST_PATH_IMAGE004
分别为中药材高光谱数据第
Figure 100685DEST_PATH_IMAGE004
个波段，
Figure 375677DEST_PATH_IMAGE005
为每个波段所在区域的截断距离；
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：
Figure 111552DEST_PATH_IMAGE006
其中，
Figure 779294DEST_PATH_IMAGE007
为相似性矩阵，
Figure 917014DEST_PATH_IMAGE008
分别为中药材高光谱数据第
Figure 957100DEST_PATH_IMAGE008
个波段，对中药材高光谱数据中局部密度最大的点k的簇内距离
Figure 180271DEST_PATH_IMAGE009
为：
Figure 386124DEST_PATH_IMAGE010
步骤S213：对簇内距离
Figure 378351DEST_PATH_IMAGE011
进行归一化，具体为：
Figure 526305DEST_PATH_IMAGE012
其中，
Figure 236772DEST_PATH_IMAGE013
为每个波段的簇内距离，
Figure 715158DEST_PATH_IMAGE014
为中药材高光谱数据中局部密度最小的点的簇内距离，
Figure 93049DEST_PATH_IMAGE015
为中药材高光谱数据中局部密度最大的点的簇内距离。
5.根据权利要求4所述的方法，其特征在于，步骤S220具体为：
Figure 647790DEST_PATH_IMAGE016
其中，
Figure 845553DEST_PATH_IMAGE017
为第
Figure 393209DEST_PATH_IMAGE018
个波段的贡献值，
Figure 94449DEST_PATH_IMAGE019
为第
Figure 584205DEST_PATH_IMAGE018
个波段的局部密度，
Figure 3685DEST_PATH_IMAGE020
为第
Figure 355031DEST_PATH_IMAGE018
个波段的簇内距离。
6.根据权利要求5所述的方法，其特征在于，步骤S240中波段子集
Figure 176357DEST_PATH_IMAGE021
，其中，
Figure 335549DEST_PATH_IMAGE022
为波段子集索引向量，
Figure 242326DEST_PATH_IMAGE023
，
Figure 866205DEST_PATH_IMAGE024
为第
Figure 56884DEST_PATH_IMAGE018
个波段子集的索引值。
7.根据权利要求6所述的方法，其特征在于，步骤S230中F具体为：
Figure 639175DEST_PATH_IMAGE026
其中，
Figure 33247DEST_PATH_IMAGE027
为贡献值最大的波段与其他波段子集的相似性矩阵。
8.根据权利要求7所述的方法，其特征在于，步骤S300包括：
步骤S310：对中药材高光谱原始数据集中的数据进行主成分分析降维加白化处理得到降维后的数据
Figure 726397DEST_PATH_IMAGE028
，其中，
Figure 7467DEST_PATH_IMAGE029
,
Figure 760660DEST_PATH_IMAGE030
为影像像元数，
Figure 642028DEST_PATH_IMAGE031
为影像的主成分个数；
步骤S320：使用随机投影方法在所述降维后的数据中选取
Figure 873289DEST_PATH_IMAGE032
个随机块作为卷积核
Figure 772981DEST_PATH_IMAGE033
，其中，
Figure 431496DEST_PATH_IMAGE034
，
Figure 800160DEST_PATH_IMAGE035
为第
Figure 323195DEST_PATH_IMAGE018
个随机块卷积核，
Figure 93705DEST_PATH_IMAGE036
为卷积核的大小。
9.根据权利要求8所述的方法，其特征在于，步骤S400包括：
步骤S410：对所述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S420：用所述卷积核
Figure 923121DEST_PATH_IMAGE033
在所述滤波后的最佳波段特征影像中选取对应空间位置、大小的块
Figure 779081DEST_PATH_IMAGE037
，其中，
Figure 866992DEST_PATH_IMAGE038
；
步骤S430：将块
Figure 226429DEST_PATH_IMAGE037
与所述卷积核
Figure 492325DEST_PATH_IMAGE033
点积得到自适应随机块卷积核
Figure 835582DEST_PATH_IMAGE039
，其中，
Figure 477916DEST_PATH_IMAGE040
，
Figure 708171DEST_PATH_IMAGE042
为第
Figure 144969DEST_PATH_IMAGE018
个自适应随机块卷积核。
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。
CN202111593705.5A 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 Active CN113989525B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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