CN117110211A - 一种基于高光谱图谱信息融合无损检测栀子中西红花苷ⅰ的方法 - Google Patents
一种基于高光谱图谱信息融合无损检测栀子中西红花苷ⅰ的方法 Download PDFInfo
- Publication number
- CN117110211A CN117110211A CN202311073535.7A CN202311073535A CN117110211A CN 117110211 A CN117110211 A CN 117110211A CN 202311073535 A CN202311073535 A CN 202311073535A CN 117110211 A CN117110211 A CN 117110211A
- Authority
- CN
- China
- Prior art keywords
- gardenia
- hyperspectral
- crocin
- image
- spectrum information
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 54
- SEBIKDIMAPSUBY-RTJKDTQDSA-N crocin-1 Chemical compound C([C@H]1O[C@H]([C@@H]([C@@H](O)[C@@H]1O)O)OC(=O)C(/C)=C/C=C/C(/C)=C/C=C/C=C(\C)/C=C/C=C(\C)C(=O)O[C@H]1[C@@H]([C@@H](O)[C@H](O)[C@@H](CO[C@H]2[C@@H]([C@@H](O)[C@H](O)[C@@H](CO)O2)O)O1)O)O[C@@H]1O[C@H](CO)[C@@H](O)[C@H](O)[C@H]1O SEBIKDIMAPSUBY-RTJKDTQDSA-N 0.000 title claims abstract description 48
- 230000004927 fusion Effects 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 240000001972 Gardenia jasminoides Species 0.000 title description 4
- 241000157835 Gardenia Species 0.000 claims abstract description 74
- 239000000463 material Substances 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 28
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000009659 non-destructive testing Methods 0.000 claims 9
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 2
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 12
- SEBIKDIMAPSUBY-ARYZWOCPSA-N Crocin Chemical compound C([C@H]1O[C@H]([C@@H]([C@@H](O)[C@@H]1O)O)OC(=O)C(C)=CC=CC(C)=C\C=C\C=C(/C)\C=C\C=C(C)C(=O)O[C@H]1[C@@H]([C@@H](O)[C@H](O)[C@@H](CO[C@H]2[C@@H]([C@@H](O)[C@H](O)[C@@H](CO)O2)O)O1)O)O[C@@H]1O[C@H](CO)[C@@H](O)[C@H](O)[C@H]1O SEBIKDIMAPSUBY-ARYZWOCPSA-N 0.000 description 8
- SEBIKDIMAPSUBY-JAUCNNNOSA-N Crocin Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C(=O)OC1OC(COC2OC(CO)C(O)C(O)C2O)C(O)C(O)C1O)C=CC=C(/C)C(=O)OC3OC(COC4OC(CO)C(O)C(O)C4O)C(O)C(O)C3O SEBIKDIMAPSUBY-JAUCNNNOSA-N 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- WEVYAHXRMPXWCK-UHFFFAOYSA-N Acetonitrile Chemical group CC#N WEVYAHXRMPXWCK-UHFFFAOYSA-N 0.000 description 3
- 235000018958 Gardenia augusta Nutrition 0.000 description 3
- 238000000701 chemical imaging Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000010828 elution Methods 0.000 description 2
- -1 ester compounds Chemical class 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000009627 gardenia yellow Substances 0.000 description 2
- 238000004128 high performance liquid chromatography Methods 0.000 description 2
- 239000000049 pigment Substances 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 235000015655 Crocus sativus Nutrition 0.000 description 1
- 244000124209 Crocus sativus Species 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- AYRXSINWFIIFAE-UHFFFAOYSA-N O6-alpha-D-Galactopyranosyl-D-galactose Natural products OCC1OC(OCC(O)C(O)C(O)C(O)C=O)C(O)C(O)C1O AYRXSINWFIIFAE-UHFFFAOYSA-N 0.000 description 1
- 241001107098 Rubiaceae Species 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000004480 active ingredient Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 235000012970 cakes Nutrition 0.000 description 1
- 235000021466 carotenoid Nutrition 0.000 description 1
- 150000001747 carotenoids Chemical class 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- PANKHBYNKQNAHN-MQQNZMFNSA-N crocetin Chemical class OC(=O)C(/C)=C/C=C/C(/C)=C/C=C/C=C(\C)/C=C/C=C(\C)C(O)=O PANKHBYNKQNAHN-MQQNZMFNSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 150000004141 diterpene derivatives Chemical class 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- DLRVVLDZNNYCBX-CQUJWQHSSA-N gentiobiose Chemical compound O[C@@H]1[C@@H](O)[C@H](O)[C@@H](CO)O[C@H]1OC[C@@H]1[C@@H](O)[C@H](O)[C@@H](O)C(O)O1 DLRVVLDZNNYCBX-CQUJWQHSSA-N 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000012982 microporous membrane Substances 0.000 description 1
- 231100000956 nontoxicity Toxicity 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 235000013974 saffron Nutrition 0.000 description 1
- 239000004248 saffron Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000011550 stock solution Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 235000014101 wine Nutrition 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/121—Correction signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Immunology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及栀子中西红花苷I含量无损检测技术领域,尤其涉及一种基于高光谱图谱信息融合无损检测栀子中西红花苷Ⅰ的方法。本发明提供的一种基于高光谱图谱信息融合无损检测栀子中西红花苷Ⅰ的方法,解决了现有技术中栀子中西红花苷I含量不易检测的技术问题。一种基于高光谱图谱信息融合无损检测栀子中西红花苷Ⅰ的方法,包括以下步骤:获取待检测栀子药材的光谱信息、图像信息,所述预测模型根据获取的待检测栀子药材的光谱信息、图像信息融合获取待检测栀子中西红花苷Ⅰ的含量。本发明与目前常用的理化检测方法相比,无需复杂的样品前处理过程,且不需要消耗有机试剂,检测方法绿色环保。
Description
技术领域
本发明涉及栀子中西红花苷I含量无损检测技术领域,尤其涉及一种基于高光谱图谱信息融合无损检测栀子中西红花苷Ⅰ的方法。
背景技术
栀子是茜草科植物栀子的干燥果实,作为我国“药食两用”药材已有千年历史。栀子中二萜类成分,属于西红花酸衍生物。其中西红花苷类是一类天然水溶性类胡萝卜素,是由西红花酸与龙胆二糖或葡萄糖形成的一系列酯类化合物,是构成栀子黄色素的主要化合物。栀子黄色素作为天然的着色剂具有无毒、安全性高,并有一定的营养价值和保健作用,广泛用于糕点、饮料、酒类等食品的着色。与西红花相比,栀子在价格和资源上都更容易获得。栀子作为西红花苷来源,是西红花经济的替代品。据研究报道,西红花苷I约占西红花总苷含量的75%以上。因此,需要一种简单鉴别的方法预测栀子中西红花苷I化合物的含量。
发明内容
本发明提供的一种基于高光谱图谱信息融合无损检测栀子中西红花苷Ⅰ的方法,解决了现有技术中栀子中西红花苷I含量不易检测的技术问题。
解决上述技术问题采用的一些实施方案包括:
一种基于高光谱图谱信息融合无损检测栀子中西红花苷Ⅰ的方法,包括以下步骤:
获取不同批次、不同产地的栀子药材样本高光谱图像数据;
获取每份栀子药材样本的待提取图像数据:其中,通过对所述高光谱图像信息进行黑白校正获得光谱信息;
提取高光谱信息中的图像信息,其中,所述图像信息包括纹理特征和颜色特征;
获取每份栀子药材样本的中西红花苷Ⅰ含量的实测值;
建立预测模型:其中,将每份栀子花药材样本的纹理信息、每份栀子药材样本的光谱信息融合后与每份栀子花药材样本的实测值一一对应建立预测模型;
获取待检测栀子花药材的光谱信息、纹理信息,所述预测模型根据获取的待检测栀子花药材的光谱信息、图像信息融合获取待检测栀子中西红花苷Ⅰ的含量。
作为优选:所述通过对所述高光谱图像数据进行黑白校正获得光谱信息,包括采集标准白色标定板得到白色校正图像,遮盖相机镜头图像,收集多个暗电流噪声得到黑色校正图像,校正公式如下:
式中,R为校正后的反射率图像,IO为原始光谱图像,IW为白板校正图像,IB为黑板校正图像。
作为优选:所述通过对所述高光谱图像信息进行黑白校正获得光谱信息,包括对黑白校正后的高光谱图像进行掩膜操作生成新的灰度图像,对应用掩膜进行二进制阈值分割和背景去除得到二进制图像,获得每个样本的平均光谱值,所述平均光谱值为光谱信息。
作为优选:所述提取高光谱信息中的图像信息包括:提取R、G、B三个波段下的灰度图像,然后生成与样品相似的彩色图像,通过GLCM方法分别提取R、G、B三通道不同角度的纹理特征。
作为优选:所述图像信息还包括R、G、B三个通道的一阶矩、二阶矩和三阶矩,作为颜色特征;
所述光谱信息、图像信息均经过数据预处理和特征信息选择。
作为优选:所述建立预测模型包括:分别对光谱信息和纹理信息依次进行数据预处理和特征信息选择后进行偏最小二乘分析,分别获取光谱信息和图像信息的得分矩阵,依次融合光谱信息和图像信息得分矩阵中的前20个潜在变量建立回归模型。
作为优选:所述获取不同批次、不同产地的栀子药材样本高光谱图像数据中,所述高光谱图像数据采集通过高光谱相机在暗室环境中获取。
作为优选:所述高光谱图像数据采集通过高光谱相机在暗室环境中获取中,所述高光谱相机在获取高光谱图像前先预热。
作为优选:所述高光谱相机的预热时间不少于20分钟。
作为优选:所述获取每份栀子药材样本的中西红花苷Ⅰ含量的实测值中,通过理化检测法获取每份栀子药材样本的中西红花苷Ⅰ含量的实测值。
相对于现有技术,本发明具有如下有益效果:
1、该方法相比采用单一特征建模,能够充分考虑不同特征对西红花苷I含量的影响,在一定程度提升模型的预测性能和泛化能力,具有精度高、成本低、可靠性高等优势。
2、本发明与目前常用的理化检测方法相比,无需复杂的样品前处理过程,且不需要消耗有机试剂,检测方法绿色环保。
3、本发明所用的方法简便快捷,检测迅速,可短时间检测大量样本。
附图说明
出于解释的目的,在以下附图中阐述了本发明技术的若干实施方案。以下附图被并入本文本并且构成具体实施方案的一部分。在一些情况下,以框图形式示出了熟知的结构和部件,以便避免使本发明主题技术的概念模糊。
图1为样本高光谱原始光谱曲线示意图。
图2为经标准正态变换预处理后的光谱曲线示意图。
图3为CARS波长信息选择图。
图4为VCPA-IRIV迭代图。
图5为栀子中西红花苷I实测值与预测值的对比图。
具体实施方式
下面示出的具体实施方案旨在作为本发明主题技术的各种配置的描述,并且,不旨在表示本发明主题技术可被实践的唯一配置。具体实施方案包括具体的细节旨在提供对本发明主题技术的透彻理解。然而,对于本领域的技术人员来说将清楚和显而易见的是,本发明主题技术不限于本文示出的具体细节,并且,可在没有这些具体细节的情况下被实践。
高光谱成像技术将光谱信息和传统的计算机视觉集成在一个系统中可以很好的满足这一要求。近年来,高光谱作为一种新兴的分析技术被用于预测中药材有效成分的含量。高光谱成像技术是光谱技术和图像技术的结合体,能够同时获取目标物的图像和光谱信息,进而实现对目标物外部性状特征的表征以及内部有效成分变化的检测。在以往的研究中,大多数都集中对中药材内部特征光谱数据的研究,缺少对图像信息的分析,而单一的光谱特征无法描述纹理与颜色特征,降低了预测模型的准确性和鲁棒性。将中药材光谱特征和图像特征进行融合,能够有效缓解近红外光谱技术灵敏度低的缺点,并且改善了以往研究仅针对单一光谱信息存在的“同物异谱,同谱异物”的现象,提高了模型的精度和泛化能力。
为此,本发明提供一种基于高光谱图谱信息融合无损检测栀子中西红花苷Ⅰ含量的方法:
参照图1所示:一种基于高光谱图谱信息融合无损检测栀子中西红花苷Ⅰ的方法,包括以下步骤:
获取不同批次、不同产地的栀子药材样本高光谱图像数据;
获取每份栀子药材样本的待提取图像信息:其中,通过对所述高光谱图像信息进行黑白校正获得光谱信息;
提取高光谱信息中的图像信息,其中,所述图像信息包括纹理特征和颜色特征;
获取每份栀子药材样本的中西红花苷Ⅰ含量的实测值;
建立预测模型:其中,将每份栀子药材样本的图像信息、每份栀子药材样本的光谱信息融合后与每份栀子药材样本的实测值一一对应建立预测模型;
获取待检测栀子药材的光谱信息、图像信息,所述预测模型根据获取的待检测栀子花药材的光谱信息、图像信息融合获取待检测栀子中西红花苷Ⅰ的含量。
作为优选:所述通过对所述高光谱图像数据进行黑白校正获得光谱信息,包括采集标准白色标定板得到白色校正图像,遮盖相机镜头图像,收集多个暗电流噪声得到黑色校正图像,校正公式如下:
式中,R为校正后的反射率图像,IO为原始光谱图像,IW为白板校正图像,IB为黑板校正图像。
作为优选:所述通过对所述高光谱图像数据进行黑白校正获得光谱信息,包括对黑白校正后的高光谱图像进行掩膜操作生成新的灰度图像,对应用掩膜进行二进制阈值分割和背景去除得到二进制图像,获得每个样本的平均光谱值,所述平均光谱值为高光谱信息。
在一些实施例中:所述提取高光谱信息中的图像信息包括:提取R、G、B三个波段下的灰度图像,然后生成与样品相似的彩色图像,通过GLCM方法分别提取R、G、B三通道不同角度的纹理特征。
所述图像信息还包括R、G、B三个通道的一阶矩、二阶矩和三阶矩,作为颜色特征;
所述光谱信息、图像信息均经过数据预处理和特征信息选择。
在一些实施例中:所述建立预测模型包括:分别对光谱信息和图像信息依次进行数据预处理和特征信息选择后进行偏最小二乘分析,分别获取光谱信息和图像信息的得分矩阵,依次融合光谱信息和图像信息得分矩阵中的前20个潜在变量建立回归模型。
在一些实施例中:所述获取不同批次、不同产地的栀子药材样本高光谱图像信息中,所述高光谱图像数据采集通过高光谱相机在暗室环境中获取。
所述高光谱图像数据采集通过高光谱相机在暗室环境中获取中,所述高光谱相机在获取高光谱图像前先预热。
所述高光谱相机的预热时间不少于20分钟。
在一些实施例中:所述获取每份栀子药材样本的中西红花苷Ⅰ含量的实测值中,通过理化检测法获取每份栀子药材样本的中西红花苷Ⅰ含量的实测值。
下面详细介绍上述方案的具体操作过程:
一种基于高光谱图谱信息融合无损检测栀子中西红花苷I的方法,具体按照以下步骤进行:
(1)样本高光谱图像数据采集过程
实验环境在暗室中进行,使用前将高光谱相机、卤素灯预热20min。高光谱图像采集操作参数设置如下:高光谱成像镜头与栀子样品的距离为30cm,CCD相机曝光时间为6.3ms;获得高光谱图像像素大小为960*1101,以3.18nm的间隔从392-1000nm获得176个波长。
(2)理化检测西红花苷I含量
a.高效液相色谱法测定具体方案:
取栀子样品约0.3g精密称定,置50ml容量瓶中,精密加入80%甲醇50ml,超声处理20min,放冷,加80%甲醇至刻度,摇匀,过0.22μm微孔滤膜,即得。采用Shim-pack VP-ODS(250mm×4.6mm,5μm)色谱柱,流动相为乙腈(A)-水(B),洗脱方式为梯度洗脱0~8min,15%-17%A;8~10min,17%-25%A;10~15min,25%-27%A;15~20min,27%-28%A;20~25min,28%-15%A。后运行时间为5min。进样量:10μL;检测波长:440nm;流速:1.0mL/min;柱温:30℃。
b.标准曲线绘制:
称取西红花苷I标准品适量,溶于80%甲醇,定容至10ml容量瓶,配置成储备液。分别取0.1ml、0.2ml、0.4ml、0.8ml、1.0ml、1.2ml,加80%甲醇,定容至10ml,以浓度为自变量,峰面积为因变量,建立线性方程。
c.西红花苷I含量测定。经高效液相色谱法测得栀子供试品中西红花苷Ⅰ的峰面积,并按照标准曲线计算每个样品中的西红花苷Ⅰ含量的
(3)样本高光谱图像黑白校正
在样品采集条件相同的情况下,通过采集标准白色标定板得到白色校正图像IW,遮盖相机镜头图像,收集多个暗电流噪声得到黑色校正图像IB。其中校正公式为:
(4)光谱信息提取
为了节省手动提取感兴趣区域平均光谱所耗费的时间和劳力,本发明基于Malab程序快速提取平均光谱。本方法对黑白校正后的高光谱图像进行掩膜操作生成新的灰度图像,将二进制阈值分割应用于灰度图像以去除背景并获得二进制掩膜图像。该方法可以快速获得每批次栀子样本的平均光谱值,用于后续数据处理分析。
(5)图像信息提取
为了节省手动合成图像耗费的时间和劳力,本发明基于Malab程序快速提取图像信息。提取R、G、B三个波段下的灰度图像,然后生成与样品相似的彩色图像。通过GLCM方法分别提取R、G、B三通道不同角度的纹理特征(θ=0°、45°、90°或135°),包括对比度、相关性、能量和同质性四个纹理特征;提取R、G、B三个通道颜色的一阶矩、二阶矩和三阶矩,作为颜色特征。
(6)数据预处理
数据预处理前将光谱信息和图像信息归一化到0—1范围内,并使其满足正态分布。样本通过Kennard-Stone算法以2:1的比例划分校正集与预测集。其中校正集98个样本,预测集48个样本;由于样本表面存在不平整的情况并且仪器本身的不稳定,在采集样本时会产生噪声和基线漂移的现象,从而对采集到的高光谱数据产生干扰,影响了预测模型的准确性。分别采用一阶导数、卷积平滑、标准正态变量、二阶导数进行预处理,筛选出最优的预处理结果并应用于下一步的特征信息选择。预处理结果见表1,由表可知光谱数据的最佳预处理结果为标准正态变换、图像数据最佳预处理结果为一阶导数。以这两者结果进行二者有效信息的选择。
表1:
(7)特征信息选择
不同的有效信息选择方法应用到最优预处理方法后的光谱和图像信息后,建立西红花苷-Ⅰ定量模型,得到的模型评价指标。本发明应用两种有效信息选择方法分别为竞争自适应重加权采样法(CARS)和变量组合群体分析结合迭代保留信息变量法(VCPA-IRIV)两种方法的结果分别为:CARS共选出64个波长、43个图像数据;64个波长分别为424.20nm、430.60nm、433.80nm、440.30nm、443.50nm、450.00nm、456.46nm、462.96nm、466.20nm'、472.70nm、482.50nm、492.34nm、495.61nm、498.90nm、508.78nm、518.66nm、525.27nm、551.85nm、555.19nm、561.86nm、565.23nm、575.26nm、581.99nm、602.21nm、608.97nm、612.36m、619.15nm、622.55nm、629.35nm、687.69nm、694.59nm、698.05nm、701.51nm、708.48nm、725.89nm、732.88nm、746.88nm、753.90nm、757.42nm、771.53nm、782.13nm、803.41nm、810.55nm、814.10nm、824.81nm、835.55nm、864.35nm、875.20nm、878.80nm、882.44nm、886.05nm、889.70nm、896.96nm、900.60nm、907.89nm、926.16nm、944.51nm、948.19nm、951.88nm、955.55nm、959.25nm、970.32nm、988.86nm、996.30nm,占全波长的39.4%。mVCPA-IRIV共筛选出14个波长、8个图像数据;21个波长分别为456.46nm、459.70nm、512.06nm、515.36nm、538.55nm、541.86nm、545.19nm、551.85nm、555.19nm、558.54nm、771.53nm、871.56nm、926.16nm、929.82nm,占全波长的7.9%。
(8)光谱与图像信息的潜在变量融合模型(LVF)
通过将光谱信息和图像信息进行偏最小二乘分析,分别获取光谱信息和图像信息的得分矩阵,依次融合光谱信息和图像信息得分矩阵中的前20个潜在变量建立回归模型,以Rp作为评价指标。结果见表2。
表2:
(9)模型建立与评价
为了实现对栀子中西红花苷含量的快速定量,对栀子样品进行PLSR预测模型的建立。根据对比表2的所有结果,LVF-VCPA-IRIV-PLSR预测模型的结果较优,其对应的Rc与Rp分别为0.882与0.902,RMSEC为1.229mg/g,RMSEP为0.996mg/g,预测集的相关系数Rp大于0.9,说明模型的预测性能较好。图5为栀子中西红花苷I含量实测值与预测值的散点图,如图5所示,散点均集中于对角线周围,显示出实测值与预测值非常接近,说明本研究所建模型定量准确度高,可以用于预测栀子中的西红花苷I含量。
以上对本发明主题技术方案以及相应的细节进行了介绍,可以理解的是,以上介绍仅是本发明主题技术方案的一些实施方案,其具体实施时也可以省去部分细节。
另外,在以上发明的一些实施方案中,多个实施方案存在组合实施的可能,各种组合方案限于篇幅不再一一列举。本领域技术人员在具体实施时可以根据需求自由结合实施上述实施方案,以获得更佳的应用体验。
本领域技术人员在实施本发明主题技术方案时,可以根据本发明的主题技术方案以及附图获得其它细节配置或附图,显而易见地,这些细节在不脱离本发明主题技术方案的前提下,这些细节仍属于本发明主题技术方案涵盖的范围。
Claims (10)
1.一种基于高光谱图谱信息融合无损检测栀子中西红花苷Ⅰ的方法,其特征在于,包括以下步骤:
获取不同批次、不同产地的栀子药材样本高光谱图像数据;
获取每份栀子药材样本的待提取图像数据:其中,通过对所述高光谱图像数据进行黑白校正获得光谱信息;
提取高光谱数据中的图像信息,其中,所述图像信息包括纹理特征和颜色特征;
获取每份栀子药材样本的中西红花苷Ⅰ含量的实测值;
建立预测模型:其中,将每份栀子药材样本的图像信息、每份栀子药材样本的光谱信息融合后与每份栀子药材样本的实测值一一对应建立预测模型;
获取待检测栀子药材的光谱信息、图像信息,所述预测模型根据获取的待检测栀子药材的光谱信息、图像信息融合获取待检测栀子中西红花苷Ⅰ的含量。
2.根据权利要求1所述的基于高光谱图谱信息融合无损检测栀子中西红花苷Ⅰ的方法,其特征在于:所述通过对所述高光谱图像数据进行黑白校正获得光谱信息,包括采集标准白色标定板得到白色校正图像,遮盖相机镜头图像,收集多个暗电流噪声得到黑色校正图像,校正公式如下:
式中,R为校正后的反射率图像,IO为原始光谱图像,IW为白板校正图像,IB为黑板校正图像。
3.根据权利要求2所述的基于高光谱图谱信息融合无损检测栀子中西红花苷Ⅰ的方法,其特征在于:所述通过对所述高光谱图像数据进行黑白校正获得光谱信息,包括对黑白校正后的高光谱图像进行掩膜操作生成新的灰度图像,对应用掩膜进行二进制阈值分割和背景去除得到二进制图像,获得每个样本的平均光谱值,所述平均光谱值为光谱信息。
4.根据权利要求1所述的基于高光谱图谱信息融合无损检测栀子中西红花苷Ⅰ的方法,其特征在于:所述提取高光谱信息中的图像信息包括:提取R、G、B三个波段下的灰度图像,然后生成与样品相似的彩色图像,通过GLCM方法分别提取R、G、B三通道不同角度的纹理特征。
5.根据权利要求4所述的基于高光谱图谱信息融合无损检测栀子中西红花苷Ⅰ的方法,其特征在于:所述图像信息还包括R、G、B三个通道的一阶矩、二阶矩和三阶矩,作为颜色特征;
所述光谱信息、图像信息均经过数据预处理和特征信息选择。
6.根据权利要求1所述的基于高光谱图谱信息融合无损检测栀子中西红花苷Ⅰ的方法,其特征在于:所述建立预测模型包括:分别对光谱信息和图像信息进行偏最小二乘分析,分别获取光谱信息和图形信息的得分矩阵,依次融合光谱信息和图像信息得分矩阵中的前20个潜在变量建立回归模型。
7.根据权利要求1所述的基于高光谱图谱信息融合无损检测栀子中西红花苷Ⅰ的方法,其特征在于:所述获取不同批次、不同产地的栀子药材样本高光谱图像数据中,所述高光谱图像数据采集通过高光谱相机在暗室环境中获取。
8.根据权利要求7所述的基于高光谱图谱信息融合无损检测栀子中西红花苷Ⅰ的方法,其特征在于:所述高光谱图像数据采集通过高光谱相机在暗室环境中获取中,所述高光谱相机在获取高光谱图像前先预热。
9.根据权利要求8所述的基于高光谱图谱信息融合无损检测栀子中西红花苷Ⅰ的方法,其特征在于:所述高光谱相机的预热时间不少于20分钟。
10.根据权利要求1所述的基于高光谱图谱信息融合无损检测栀子中西红花苷Ⅰ的方法,其特征在于:所述获取每份栀子药材样本的中西红花苷Ⅰ含量的实测值中,通过理化检测法获取每份栀子药材样本的中西红花苷Ⅰ含量的实测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311073535.7A CN117110211A (zh) | 2023-08-24 | 2023-08-24 | 一种基于高光谱图谱信息融合无损检测栀子中西红花苷ⅰ的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311073535.7A CN117110211A (zh) | 2023-08-24 | 2023-08-24 | 一种基于高光谱图谱信息融合无损检测栀子中西红花苷ⅰ的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117110211A true CN117110211A (zh) | 2023-11-24 |
Family
ID=88803404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311073535.7A Pending CN117110211A (zh) | 2023-08-24 | 2023-08-24 | 一种基于高光谱图谱信息融合无损检测栀子中西红花苷ⅰ的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117110211A (zh) |
-
2023
- 2023-08-24 CN CN202311073535.7A patent/CN117110211A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kalinowska et al. | Smartphones as tools for equitable food quality assessment | |
Wu et al. | Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet | |
Li et al. | Application of long-wave near infrared hyperspectral imaging for measurement of soluble solid content (SSC) in pear | |
Huang et al. | Rapid and nondestructive prediction of amylose and amylopectin contents in sorghum based on hyperspectral imaging | |
CN105954252B (zh) | 一种饲料原料中非法添加物苏丹红的定性检测方法 | |
Zhu et al. | Evaluation of the non-enzymatic browning in thermally processed apple juice by front-face fluorescence spectroscopy | |
Tschannerl et al. | Potential of UV and SWIR hyperspectral imaging for determination of levels of phenolic flavour compounds in peated barley malt | |
Huang et al. | Identification of additive components in powdered milk by NIR imaging methods | |
Yu et al. | Rapid and visual measurement of fat content in peanuts by using the hyperspectral imaging technique with chemometrics | |
CN105181606B (zh) | 基于高光谱成像技术检测花生中蔗糖含量分布的方法 | |
CN106872370A (zh) | 一种基于高光谱的杨梅中花色苷含量测定的方法 | |
CN113008815A (zh) | 一种基于高光谱图像信息无损检测酸枣仁中总黄酮的方法 | |
Chen et al. | Identification of various food residuals on denim based on hyperspectral imaging system and combination optimal strategy | |
Zhao et al. | Hyperspectral imaging coupled with random frog and calibration models for assessment of total soluble solids in mulberries | |
Sheng et al. | Data fusion strategy for rapid prediction of moisture content during drying of black tea based on micro-NIR spectroscopy and machine vision | |
CN117783012B (zh) | 一种化妆品色素快速测定方法及装置 | |
Huang et al. | Multigranularity cascade forest algorithm based on hyperspectral imaging to detect moisture content in Daqu | |
Zhang et al. | Development of a hyperspectral imaging system for the early detection of apple rottenness caused by P enicillium | |
CN117110211A (zh) | 一种基于高光谱图谱信息融合无损检测栀子中西红花苷ⅰ的方法 | |
Portalés et al. | An image-based system to preliminary assess the quality of grape harvest batches on arrival at the winery | |
CN115575345A (zh) | 一种基于高光谱结合数据融合的罗非鱼片新鲜度测定方法 | |
Tosin et al. | Precision maturation assessment of grape tissues: Hyperspectral bi-directional reconstruction using tomography-like based on multi-block hierarchical principal component analysis | |
CN117288692B (zh) | 一种酿酒粮食中单宁含量的检测方法 | |
Zelger et al. | Deep learning analysis of mid‐infrared microscopic imaging data for the diagnosis and classification of human lymphomas | |
Liu et al. | Measurement method of the width of the strands of cut tobacco based on digital image processing |
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 |