[发明专利]基于主成分分析的艾草年限鉴别方法

说明书

本发明公开了一种基于主成分分析的艾草年限鉴别方法，通过高光谱成像设备采集N组不同年限的艾绒高光谱数据；对N组所述高光谱数据进行多元散射校正，得到N组样本数据；采用主成分分析法提取N组所述样本数据的主成分；将所述主成分输入SVM分类器训练，经验证优化后得到最优的艾绒年限鉴别分类模型；使用所述艾绒年限鉴别分类模型对艾绒年限进行鉴别。本发明的优点在于利用高光谱成像技术结合主成分分析和SVM方法，能够方便快速的获取被测药材的光谱信息，在不会损坏药材本身的情况下，准确的确定艾绒的年份，保证艾草原料的质量。

技术领域

本发明涉及高光谱鉴别领域，尤其是涉及基于主成分分析的艾草年限鉴别方法。

背景技术

中药材的药效和质量与其种植产地和年限息息相关。不同产地、生长年份和贮藏年份的药材药效存在极大的区别，对疗效有很大的影响。由干燥艾叶粉碎过筛后制得的艾绒作为一种植物性药材也受这些因素影响。有研究表明，随着储存时间的延长，三年陈艾绒中的总黄酮含量达到峰值，总多糖含量还未剧烈下降，药用价值最好，价格也最高。

目前艾绒年限的鉴别主要依赖专家经验或送往专业机构使用化学药剂进行鉴别。这种鉴别方法主观性强、耗时长、不环保，还存在大量的药材损耗问题。

发明内容

本发明目的在于提供一种基于主成分分析的艾草年限鉴别方法，采用高光谱成像技术结合机器学习相关算法鉴别艾绒年限。

为实现上述目的，本发明采取下述技术方案：

本发明所述的基于主成分分析的艾草年限鉴别方法，包括以下步骤：

S1，通过高光谱成像设备采集N组不同年限的艾绒高光谱数据；

S2，对N组所述高光谱数据进行多元散射校正，得到N组样本数据；

S3，采用主成分分析法提取N组所述样本数据的主成分；

S4，将所述主成分输入SVM分类器训练，经验证优化后得到最优的艾绒年限鉴别分类模型；

S5，使用所述艾绒年限鉴别分类模型对艾绒年限进行鉴别。

进一步地，每组所述高光谱数据包括在410.45~990.10nm，波段间隔为5.37nm的108个波段的反射率。

进一步地，所述多元散射校正包括计算N组所述高光谱数据的平均光谱；通过一元线性回归确定每组高光谱数据相对于所述平均光谱的相对偏移系数和平移量，校正该组高光谱数据。

进一步地，所述主成分提取包括将N组所述光谱数据排列为N*108维光谱数据矩阵A，对所述矩阵A的每一行进行零均值化；求矩阵A的协方差矩阵D，确定所述矩阵D的特征值及所述特征值对应的特征向量；按照特征向量对应的特征值大小从上到下按行排列成矩阵，取前 d 行组成矩阵 P；所述矩阵P与矩阵A的乘积即为所述主成分。

本发明的优点在于利用高光谱成像技术结合主成分分析和SVM方法，能够方便快速的获取被测药材的光谱信息，在不会损坏药材本身的情况下，准确的确定艾绒的年份，保证艾草原料的质量。

附图说明

图1是本发明所述方法流程图。

图2是本发明实施例2中3个年份的南阳艾绒平均反射率图。

图3是本发明实施例2中采集的高光谱数据经预处理后的光谱反射率图。

图4是本发明实施例2中方差解释度图。

图5是本发明实施例2中实际分类和预测分类图。

具体实施方式

下面将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的一部分实施例，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做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。