本发明涉及数据处理领域，尤其涉及中药材质量评定方法、设备及介质。
背景技术
中药材b2b目前已在行业内有影响的，现有的b2b交易方式中对于中药材的品质标准不一，验货流程繁琐。通常都是通过人工结合药材本身的数据进行质量的评定，使得中药材的质量无法得到统一的认证管理，影响中药材的交易速度，不利于中药材的推广。且现有的平台对于中药材的质量评定都是基于人工的方式，不但浪费人力，效率低，且很难实现一个公平公正的评价。使中药材的评定没有可信度。
因此，现有技术中的缺陷是：对于中药材的质量评定，没有统一快速有效的评价标准，通常通过人工的方式进行评定，主观因素大，导致评定结果不准确。
技术实现要素：
针对上述技术问题，本发明提供一种中药材质量评定方法、设备及介质，通过对中药材数据进行系统整理、归纳、分析,通过品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评定类指标信息四位一体对药材质量进行综合评定，可直观判断出中药材质量等级，评价更加准确，更加公正。
为了解决上述问题，第一方面，本发明提供一种中药材质量评定方法，包括：
步骤s1，获取中药材数据，包括中药材的种植环境信息；
步骤s2，根据所述中药材的种植环境信息进行分类，得到分类结果，所述分类结果包括家种药材数据和野生药材数据；
步骤s3，根据所述分类结果，根据预设规则对所述中药材的质量进行评定，得到评定结果，所述预设规则包括第一预设规则和第二预设规则：
当所述分类结果为家种药材数据，根据所述第一预设规则对所述家种药材的质量进行评定，得到评定结果，所述第一预设规则根据家种药材的品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评定类指标信息获得；
当所述分类结果为野生药材数据，根据所述第二预设规则对所述野生药材的质量进行评定，得到评定结果，所述第二预设规则根据野生药材的品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评定类指标信息获得；
步骤s4，基于中药材的显微图像特征进行辨别，以得到图像评定结果；
步骤s5，将评定结果与图像质量评定结果进行权重的重新分配，得到对所述中药材的质量评价分数。
本发明提供的中药材质量评定方法，通过对中药材数据进行系统整理、归纳、分析,通过品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评定类指标信息四位一体对中药材质量进行综合评定，并进一步地结合对中药材的显微图像特征进行辨别得到的图像评定结果，对中药材质量进行更准确的评定，可直观判断出中药材质量等级，评价更加准确，更加公正。
进一步地，所述步骤s4，具体包括：
步骤s41，通过多个图像采集设备采集中药材的显微图像，对所述中药材的显微图像进行预处理，分割出目标区域的轮廓，进行图像去噪，将神经网络pcnn与显微图像对应，将中心神经元与显微图像的像素点对应，中心神经元的邻域与邻域像素点对应，中心神经元的输入为像素点的灰度值；
步骤s42，建立从空间图像处理信息到时间信息的pcnn赋时矩阵，将赋时矩阵视为不变直方图矢量重心，经pcnn迭代处理所述显微图像并提取直方图矢量小变特征；
步骤s43，把pcnn神经元模型与最大模糊熵或超模糊熵判据相结合对图像进行自动分割，提取中药材二值图像目标，建立引入交叉熵分割判据的pcnn显微图像分割算法；
步骤s44，以最大互信息优化多值图像分割并进行图像去噪，建立相邻分割图像互信息熵差最小分类判据，选取所述显微图像建立基于最小互信息熵差的pcnn自动多值目标分割算法，得到完善的多值目标图像；
步骤s45，利用所述pcnn神经元模型处理所述显微图像，提取各二维图像的一维时间序列信号特征并存储特征信息，对该一维时间序列信号进行熵变换，形成熵序列信号，并作为pcnn处理的另一图像特征，并结合所述显微图像体视学要求的图像目标特征，提取所述显微图像的空域特征信息；
步骤s46，将pcnn模型与图像傅里叶变换小数幂指数滤波相结合，提取图像变换域特征信息；
步骤s47，分析pcnn迭代图像处理图像的形状、颜色、纹理及原图像目标形状、结构分布的归一化转动惯量混合特征，引入马氏距离结合pearson积矩相关法的综合相似性度量方法，提取所述显微图像pcnn的特征信息；
步骤s48，提取同一图像的步骤s41、步骤s45、步骤s46、步骤s47所述的特征信息，建立中药材显微图像特征信息库，搭建中药材显微图像的主辅特征识别与检索的智能系统，进行中药材的质量评定，得到中药材图像质量评定结果。
进一步地，通过多个图像采集设备采集中药材的显微图像，具体包括：
对各图像采集设备采集的图像进行目标识别；
根据目标识别的结果，确定采集到目标的图像采集设备，将图像采集设备作为当前图像采集设备；
关闭除当前图像采集设备外的其它图像采集设备；
确定目标在图像中的位置以及目标的运动方向；
将位置和预设阈值进行比较，确定目标所在的图像区域，其中图像区域包括第一区域、第三区域以及位于第一区域和第三区域之间的第二区域；
若目标在第一区域或第三区域，根据第一区域或第三区域在图像上的方位，开启当前图像采集设备相应方向的图像采集设备；
若目标在第二区域，开启当前图像采集设备相应方向的图像采集设备，并关闭当前图像采集设备。
进一步地，所述确定目标在图像中的位置以及目标的运动方向，具体包括：
对当前图像采集设备采集的当前图像以及当前图像的下一个图像进行边缘提取，获取当前图像的第一目标边缘信息和当前图像的下一个图像的第二目标边缘信息；
将第二目标边缘信息与第一目标边缘信息相减，得到黑点和白点；
根据黑点和白点的痕迹确定目标的运动方向以及目标在图像中的位置。
进一步地，预设阈值包括第一阈值和第二阈值，其中第一阈值小于第二阈值；所述将位置和预设阈值进行比较，确定目标所在的图像区域，包括：
若位置小于第一阈值，确定目标位于第一区域；
若位置大于等于第一阈值、小于等于第二阈值，确定目标位于第二区域；
若位置大于第二阈值，确定目标位于第三区域。
进一步地，所述方法还包括权重分配，，具体包括：
将多个质量评定指标作为训练样本；
调入训练样本集合x＝{x1，x2，...，xn}，各个训练样本xk，n均用m个特征属性和1个类别属性进行描述；
对所述训练样本的各个特征属性值进行归一化处理，得到归一化后的特征值；
根据所述归一化处理后的训练样本，确定样本的权重系数；
计算所述归一化处理后的特征属性与类别属性之间的相关性衡量指标rei，以及与其他特征属性之间的相关性衡量指标rii，并根据rei与rii计算各特征的综合性能衡量指标ri；
根据所述各特征的综合性能衡量指标ri，确定特征权重ωi；
根据特征权重ωi，对所述多个质量评定指标进行权重分配。
进一步地，当所述m个特征属性包括标称型、二元型或序数型特征时，将所述标称型、二元型或序数型特征转化为数值型特征。
进一步地，对于标称型特征，采用数值0表示该特征的第一种取值，数值1表示第二种取值，以此类推，直至该特征的所有可能取值均用离散型数值对应表示；
对于二元型特征，采用数值0表示该特征的第一种取值，数值1表示第二种取值；
对于序数型特征，采用数值0表示该特征的第一种取值，数值1表示第二种取值，以此类推，直至该特征的所有可能取值均用离散型数值对应表示。
第二方面，本发明提供一种中药材质量评定设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其特征在于，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如第一方面中所述的方法。
第三方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如第一方面中所述的方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1示出了本发明实施例所提供的一种中药材质量评定方法的流程图；
图2示出了本发明实施例所提供的一种中药材质量评定设备的硬件结构示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。
实施例一
参见图1，第一方面，为了解决上述问题，本发明提供一种中药材质量评定方法，包括：
步骤s1，获取中药材数据，包括中药材的种植环境信息；
步骤s2，根据中药材的种植环境信息进行分类，得到分类结果，分类结果包括家种药材数据和野生药材数据；
步骤s3，根据分类结果，根据预设规则对中药材的质量进行评定，得到评定结果，预设规则包括第一预设规则和第二预设规则：
当分类结果为家种药材数据，根据第一预设规则对家种药材的质量进行评定，得到评定结果，第一预设规则根据家种药材的品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评定类指标信息获得；
当分类结果为野生药材数据，根据第二预设规则对野生药材的质量进行评定，得到评定结果，第二预设规则根据野生药材的品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评定类指标信息获得；
步骤s4，基于中药材的显微图像特征进行辨别，以得到图像评定结果；
步骤s5，将评定结果与图像质量评定结果进行权重的重新分配，得到对所述中药材的质量评价分数。
本发明提供的中药材质量评定方法，通过对中药材数据进行系统整理、归纳、分析，通过品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评定类指标信息四位一体对中药材质量进行综合评定，并进一步地结合对中药材的显微图像特征进行辨别得到的图像评定结果，对中药材质量进行更准确的评定，可直观判断出中药材质量等级，评价更加准确，更加公正。
通过本发明中的评定方法，通过系统整理、归纳、分析需适用于绝大多数大宗中药材品种，对于每个品种个性化不同可以灵活调整其不同的评价指标；着重研究常用大宗200个中药材品种。
需要说明的是，本实施例可根据步骤s3中的评定结果，得到对中药材的质量评价分数，具体方案如下：
根据预设权重分配规则对评定结果进行权重分配，得到分配结果，评定结果中包括品牌类指标评定结果、物理规格类指标评定结果、药典类指标评定结果和专家综合评定类指标评定结果；
根据分配结果，得到对中药材的质量评价分数。
其中，本实施中品牌类指标评定结果的权重比例为10％，物理规格类指标评定结果的权重比例为30％，药典类指标评定结果的权重比例为50％，专家综合评定类指标评定结果的权重比例为10％。
根据权重分配比例，得到中药材的质量评价分数，采用百分制计算，分数越高则表示质量越好，分数越低则质量越差。
下面，对品牌类指标、物理规格类指标、药典类指标和专家综合评定类指标进行分别的说明。
1、品牌类指标
中药材是在特定自然条件、生态环境的地域内所产的药材，因生产较为集中，栽培技术、采收加工也都有一定的讲究，以致较同种药材在其他地区所产者品质佳、疗效好。由于其所处的地理环境，水土、气候、日照、生物分布不同，其药材本身的质量，即其治疗作用有着显著的差异。因此中药材产地及所处环境是评价中药材质量标准的一个重要指标。
品牌类指标主要从中药材产地道地性、地理标志性等方面评价中药材。
其评价范围包含：包含野生产地、家种主产地和其他产地通过其特定生长环境、栽培技术、采收方式等维度给中药材做出标准评价。
2、物理规格类指标
中药材由于其形状特征、大小尺寸、炮制方法、干湿度、碎屑、虫蛀霉变等不同从而影响其药材质量、疗效，物理类指标即从中药材形状特征、大小尺寸、炮制方法、干湿度、碎屑、虫蛀霉变等；规格(统、选、精选)是指对中药材质量评估的统一作评价，故物理规格类指标以利于交易用户能直观判断其物理性质。
可从国家药监局的检测结果中获得中药材的物理规格类指标。
3、药典类指标
药典，即2015年《中华人民共和国药典》，是现行唯一国家级中药材质量标准的依据，其主要从农残、重金属、有效成分含量、黄曲霉素、水分、灰分、浸出物等方面规定中药材必须达到的最低质量标准，是中药材质量判定的重要依据，也是中药材质量的评价依据。
4.专家综合评定类指标
专家综合评定即依靠行业内对某一中药材有多年种植、炮制、经营经验资深人士对专业内中药材质量依据其多年经验对中药材的认知、感官及以上三个指标等方面做出综合判断并给出一个合理的分值，专家综合评定为保证评定的合理性、科学性、可取性至少需要五名及以上专家采用加权平均法的方式判断中药材质量等级。
评定专家的资格：具有丰富的种植、炮制、经营经验的专业人士。
基于上述方法，对于家种环境下得到的家种药材数据根据第一预设规则进行质量评定，具体为：
品牌类指标分为三个等级，道地产地设定为10分，主产地设定为9分，其他产地设定为8分。
物理规格类指标包括三部分，规格、干度和净度各占10分；其中规格分为5个等级，分别为特选10分、精选9分、统货8分、小统7分、下料6分；干度分为4个等级，分别为95成干10分、9成干9分、8成干8分和7成干7分；净度分为5个等级，分别为98％以上净度10分、95％-98％净度9分、90％-95％净度8分、85％-90％净度7分、80％-85％净度6分。
药典类指标包括9个等级，分别为水分1-3分：达到标准1分；低于标准2％-4％，2分；低于标准4％，3分；总灰分1-3分：达到标准1分；低于标准2％-4％，2分；低于标准4％，3分。酸不溶性灰分1-3分：达到标准1分，低于标准2％-4％，2分，低于标准4％，3分。浸出物7-10分：达到标准7分，高于标准1％，8分；高于标准1％-2％，9分；高于标准2％以上，10分。挥发油7-10分：达到标准7分；高于标准1％，8分；高于标准1％-2％，9分；高于标准2％以上，10分。含量7-10分：达到标准7分；高于标准1％，8分；高于标准1％-2％，9分；高于标准2％以上，10分。二氧化硫1-3分：达到标准1分；低于标准1％-2％，2分；低于标准2％，3分。重金属3-5分：达到标准3分；低于标准1％-2％，4分；低于标准2％，5分。黄曲霉素1-3分：达到标准1分，低于标准1％-2％，2分；低于标准2％，3分。
基于上述方法，对于野生环境下得到的野生药材数据根据第二预设规则进行质量评定，具体为：
品牌类指标分为6个等级，道地产地野生设定为10分，道地产地家种设定为9分，主产地野生设定为9分，主产地家种设定为8分其他产地野生设定为8分，其他产地家种设定为7分。
物理规格类指标包括三部分，规格、干度和净度各占10分；其中规格分为5个等级，分别为特选10分、精选9分、统货8分、小统7分、下料6分；干度分为4个等级，分别为95成干10分、9成干9分、8成干8分和7成干7分；净度分为5个等级，分别为98％以上净度10分、95％-98％净度9分、90％-95％净度8分、85％-90％净度7分、80％-85％净度6分。
药典类指标包括9个等级，分别为水分1-3分：达到标准1分；低于标准2％-4％，2分；低于标准4％，3分；总灰分1-3分：达到标准1分；低于标准2％-4％，2分；低于标准4％，3分。酸不溶性灰分1-3分：达到标准1分，低于标准2％-4％，2分，低于标准4％，3分。浸出物7-10分：达到标准7分，高于标准1％，8分；高于标准1％-2％，9分；高于标准2％以上，10分。挥发油7-10分：达到标准7分；高于标准1％，8分；高于标准1％-2％，9分；高于标准2％以上，10分。含量7-10分：达到标准7分；高于标准1％，8分；高于标准1％-2％，9分；高于标准2％以上，10分。二氧化硫1-3分：达到标准1分；低于标准1％-2％，2分；低于标准2％，3分。重金属3-5分：达到标准3分；低于标准1％-2％，4分；低于标准2％，5分。黄曲霉素1-3分：达到标准1分，低于标准1％-2％，2分；低于标准2％，3分。
作为一种示例，为合理判断中药材分数高低，建议评分方法分为:正向指标和反向指标，正向指标即要求判断值越大质量越好的指标如：有效成分含量、浸出物比例等，反向指标即判断值越小质量越好的指标(如：黄曲霉素、灰分、农残、重金属等)。
基于步骤s3中的评定结果进行中药材质量评定，是基于中药材数据的四个方面的指标进行质量的评定，为了使中药材的指令评定结果更准确，更公正，还可基于中药材的显微图像特征进行进一步的辨别(即步骤s4)。下面就在步骤s1至s3的基础上新增步骤s4及s5进行中药材质量评定，以基于评定结果和图像评定结果对中药材质量做出更精准的评定。
具体方案如下：
步骤一、通过显微镜采集中药材显微图像，对中药材显微图像进行预处理，分割出目标区域的轮廓，进行图像去噪，将神经网络pcnn与图像对应，将中心神经元与图像的像素点对应，中心神经元的邻域与邻域像素点对应，神经元的输入为像素点的灰度值；
步骤二、建立从空间图像处理信息到时间信息的pcnn赋时矩阵，将赋时矩阵视为不变直方图矢量重心，经pcnn迭代处理中药材显微图像并提取直方图矢量小变特征；
步骤三、把pcnn神经元模型与最大模糊熵或超模糊熵判据相结合对图像进行自动分割，提取中药材二值图像目标，建立引入交叉熵分割判据的pcnn中药材显微图像分割算法；
步骤四、以最大互信息优化多值图像分割并进行图像去噪，建立相邻分割图像互信息熵差最小分类判据，选取中药材显微图像建立基于最小互信息熵差的pcnn自动多值目标分割算法，得到完善的多值目标图像；
步骤五、利用pcnn模型处理中药材显微图像，提取各二维图像的一维时间序列信号特征并存储特征信息，对该一维时间序列信号进行熵变换，形成熵序列信号，并作为pcnn处理的另一图像特征，并结合中药材显微图像体视学要求的图像目标特征，提取中药材显微图像空域特征；
步骤六、将pcnn模型与图像傅里叶变换小数幂指数滤波相结合，提取图像变换域特征信息；
步骤七、分析pcnn迭代图像处理图像的形状、颜色、纹理及原图像目标形状、结构分布的归一化转动惯量混合特征，引入马氏距离结合pearson积矩相关法的综合相似性度量方法，提取中药材显微图像pcnn的特征信息；
步骤八、提取同一图像的步骤二、步骤五、步骤六、步骤七所述的特征信息，建立中药材显微图像特征信息库，搭建中药材显微图像的主辅特征识别与检索的智能专家系统,进行中药材的质量评定，得到中药材图像质量评定结果；
步骤九、将评定结果与图像质量评定结果进行权重的重新分配，得到对所述中药材的质量评价分数。
通过对中药材的图像识别，进一步对评定结果进行优化，使得中药材的质量评定更加准确，更加智能，更加公正。
优选地，中药材显微图像的特征提取具体包括:
步骤一、图像信号的采集、上传及分辨率调整：采集图像信号并将其实时所采集的图像信号通过图像信号传输装置上传，调用分辨率差值调整模块将其所接收到的图像信号的分辨率调整为一定值，得到图像f0(x,y)；
步骤二、图像特征提取：通过对所得到的图像f0(x,y)进行分析处理，得出图像的特征p，其分析处理过程如下:
二维小波变换：调用二维小波变换模块对图像f0(x,y)进行二维小波变换，得到:
其中，
对数变换：将经二维小波变换后的低频分量变换到对数空间，得到：
卷积计算：并使用k种不同的高斯滤波系数与对数空间中的低频小波系数i(x,y)进行卷积计算，得到:
加权平均计算：对卷积计算所得结果gk(x,y)与对数空间中的低频小波系数i(x,y)的偏差进行加权平均计算，得到:
均值方差归一化处理：对上述加权平均结果r(x,y)进行灰度值线性拉伸，得到:r'(x,y)＝g×r(x,y)+offset，
二维小波反变换：将所得到的小波域中的三种高频分量和与上述所得到的用来显示的灰度值r"(x,y)作二维小波反变换，得到分辨率为m×n的图像f1(x,y)，其中m和h均为自然数；
对l个图像信号进行采集、处理，调用定点独立分量分析模块，对l个经过所得到的图像信号进行特征提取，得出l个图像的特征p，其中，l为自然数；
步骤三、处理结果同步输出：步骤二中进行图像特征提取过程中，对步骤二中的图像信号处理过程及图像特征提取结果进行同步显示；
调用定点独立分量分析：对所得到的图像信号进行特征提取的步骤如下:
将l个经过处理后的图像分别按行展开后再进行组合，形成一个l行、m×n列的矩阵x＝(x1,x2,x3,λ,xl)t；
对矩阵x进行均值化，使得e(x)＝0；
对矩阵x进行白化处理，使得e(xtx)＝i；
初始化独立分量的个数，使得n＝1，其中，n为独立分量的个数；
初始化wn，随机选取wn＝wn/||wn||；
根据公式
根据公式
判断得到的wn+1是否收敛，如果wn+1不收敛，返回求取wn；
取n＝n+l，在n<m的情况下，逐一提取出所有的独立分量:
将各个独立分量构成矩阵s＝(s1,s2,λ,sp)t，根据公式p＝fs-1计算出l个图像的特征p。
通过上述方法提取的特征，特征点准确，使得评定结果也更加准确。
本实施例中，采用多个图像采集设备采集中药材的显微图像，具体包括：对各图像采集设备采集的图像进行目标识别；
根据目标识别的结果，确定采集到目标的图像采集设备，将图像采集设备作为当前图像采集设备；
关闭除当前图像采集设备外的其它图像采集设备；
确定目标在图像中的位置；
将位置和预设阈值进行比较，确定目标所在的图像区域，其中图像区域包括第一区域、第三区域以及位于第一区域和第三区域之间的第二区域；
若目标在第一区域或第三区域，根据第一区域或第三区域在图像上的方位，开启当前图像采集设备相应方向的图像采集设备；
若目标在第二区域，开启当前图像采集设备相应方向的图像采集设备，并关闭当前图像采集设备。
其中，确定目标在图像中的位置，包括:
对当前图像采集设备采集的当前图像以及当前图像的下一个图像进行边缘提取，获取当前图像的第一目标边缘信息和当前图像的下一个图像的第二目标边缘信息；
将第二目标边缘信息与第一目标边缘信息相减，得到黑点和白点；
根据黑点和白点的痕迹确定目标的运动方向以及目标在图像中的位置；
预设阈值包括第一阈值和第二阈值，其中第一阈值小于第二阈值。
其中，将位置和预设阈值进行比较，确定目标所在的图像区域，包括:
若位置小于第一阈值，确定目标位于第一区域；
若位置大于等于第一阈值、小于等于第二阈值，确定目标位于第二区域；
若位置大于第二阈值，确定目标位于第三区域。
本发明引入pcnn赋时矩阵信息处理方法，结合pcnn与图像傅里叶变换和小数幂指数滤波相，提取变换域中图像特征信息，以马氏距离结合pearson积矩相关法的综合相似性度量为依据，提出中药材显微图像信息快速存储、识别检索算法，构建中药材显微组织图像、花粉图像特征提取与识别检索系统，进一步提高中药材质量评价的客观性、准确性、可重复性和智能化程度，为中药材检测与分析的现代化提供一种新的途径。
实施例二
基于实施例一中的中药材质量评定方法，需要对四个评定指标进行权重的分配，根据权重进行质量的评定，因此，权重分配的合理性，准确性直接影响质量评定的结果，基于此，本实施例在上述实施例的基础上，新增质量评定指标的权重分配步骤。本实施例通过大量的样本(标准质量的中药材指标数据)进行训练，提供一种权重分配的方法，具体为：：
步骤1，将多个质量评定指标作为训练样本；
步骤2，调入训练样本集合x＝{x1，x2，...，xn}，各个训练样本xk，k＝1，2，...，n均用m个特征属性和1个类别属性进行描述，即xk＝(xk1，xk2，...，xkm，xkc)，k＝1，2，...，n，其中xki，i＝1，...，m为样本xk的特征属性；xkc为样本xk的类别属性，该属性定义了样本xk的归属类别，共n类，若样本的描述特征中包含标称型、二元型或序数型特征时，需将其转化为数值型特征；
对于标称型特征，采用数值0表示该特征的第一种取值，数值1表示第二种取值，以此类推，直至该特征的所有可能取值均用离散型数值对应表示；
对于二元型特征，采用数值0表示该特征的第一种取值，数值1表示第二种取值；
对于序数型特征，采用数值0表示该特征的第一种取值，数值1表示第二种取值，以此类推，直至该特征的所有可能取值均用离散型数值对应表示。
步骤3，对训练样本xk，k＝1，2，...，n的各个特征属性值进行归一化处理，得到归一化后的特征值归一化公式为：其中为归一化后的特征值，xki为原始特征值，ximax，ximin分别表示归一化前所有训练样本的第i个特征的最大值与最小值，即ximax＝max{xki，k＝1，2，...，n}，ximin＝min{xki，k＝1，2，...，n}；经过归一化处理后训练样本xk表示为
步骤4，对于经上述归一化处理后的训练样本
显然，属于多数类的样本其对应权重系数ck较小，属于少数类的样本其对应权重系数ck较大，属于同一类的样本具有相同的权重系数。
步骤5，计算经上述归一化处理后的特征属性
步骤6，根据上述步骤5得到的各特征的综合性能衡量指标ri，i＝1，2，...，m确定特征权重ωi，i＝1,2,...,m，使用的公式为
其中，本实施例中特征属性指物理规格类指标信息、药典类指标信息和专家综合评定类指标信息。
其中，本实施例中类别属性指家种药材数据和野生药材数据。
其中，本实施例中其他属性指品牌类指标信息。
实质上，训练样本集合x为n×(m+1)的矩阵，其中行向量对应于样本向量，记为xk＝(xk1，xk2，...，xkm，xkc)，k＝1，2，...，n，前m列向量对应于特征向量，记为xi＝[x1i，x2i，...，xni]'，i＝1，2，...，m，最后一列为类别属性向量，记为xc＝[x1c，x2c，...，xnc]'。
其中，计算各个特征的综合性能衡量指标，计算方法如下：
计算特征属性
其中
rei通过衡量特征属性xi与类别属性xc间相关性的方式来判定特征属性xi是否为不相关特征或无效特征，不相关特征或无效特征对应于小的rei值，而有效特征对应于大的rei值。另外，上述计算公式充分考虑了类别分布不平衡现象的影响：对少数类样本赋予大的权重(对应于大的ck值)，增大了少数类样本对计算结果的影响；对多数类样本赋予小的权重(对应于小的ck值)，降低了多数类样本的影响。通过这种处理方式避免了现有技术存在的计算结果倾向多数类的缺陷。
其中，计算特征属性
其中
rii通过衡量特征属性xi与其他属性xj间相关性的方式来判定特征属性xi是否为冗余特征，冗余特征将获得大的rii值，同时，上述计算公式充分考虑了类别分布不平衡现象的影响，通过少数类样本赋予大的权重(对应于大的ck值)，对多数类样本赋予小的权重(对应于小的ck值)，提高了少数类样本的影响，避免了现有技术存在的计算结果倾向多数类的缺陷。
根据rei和rii计算得到各特征的综合性能衡量指标ri，计算公式为：
可以看出，不相关特征因其rei值小、冗余特征因其rii值大，均将获得小的ri值。对于有效且非冗余的特征，其特点是rei值大、冗余特征rii值小，因而将获得最大的ri值。
本发明提供的中药材质量评定方法，通过对中药材数据进行系统整理、归纳、分析,通过品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评定类指标信息四位一体对中药材质量进行综合评定，并进一步地结合对中药材的显微图像特征进行辨别得到的图像评定结果，对中药材质量进行更准确的评定，可直观判断出中药材质量等级，评价更加准确，更加公正。
第二方面，在上述实施例提供的中药材质量评定方法的基础上，本发明提供了一种中药材质量评定设备。如图2所示，该设备可以包括：一个或多个处理器101、一个或多个输入设备102、一个或多个输出设备103和存储器104，上述处理器101、输入设备102、输出设备103和存储器104通过总线105相互连接。存储器104用于存储计算机程序，所述计算机程序包括程序指令，所述处理器101被配置用于调用所述程序指令执行上述实施例一及实施例二所述的中药材质量评定方法。
应当理解，在本发明实施例中，所称处理器101可以是中央处理单元(centralprocessingunit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备102可以包括键盘等，输出设备103可以包括显示器(lcd等)、扬声器等。
该存储器104可以包括只读存储器和随机存取存储器，并向处理器101提供指令和数据。存储器104的一部分还可以包括非易失性随机存取存储器。例如，存储器104还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器101、输入设备102、输出设备103可执行本发明实施例提供的中药材质量评定方法的实施例中所描述的实现方式，在此不再赘述。
实施本发明实施例，通过对中药材数据进行系统整理、归纳、分析,通过品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评定类指标信息四位一体对中药材质量进行综合评定，并进一步地结合对中药材的显微图像特征进行辨别得到的图像评定结果，对中药材质量进行更准确的评定，可直观判断出中药材质量等级，评价更加准确，更加公正。
相应地，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现：上述实施例一及实施例二所述的中药材质量评定方法。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。