一种快速鉴别铁皮石斛产地的方法与流程

1.本发明涉及铁皮石斛鉴别技术领域，具体为一种快速鉴别铁皮石斛产地的方法。


背景技术：

2.随着经济的蓬勃发展，人们的生活水平也在不断提高，铁皮石斛作为一种优质的保健药品已经进入普通老百姓的生活，铁皮石斛的主要产地有浙江、安徽、云南、广西等地，铁皮石斛品质和温差成正比，温差越大，四季分明，生长期就短，积累有效成份的时间长，由于不同地区的气候条件、光照时间不同，所培育出的铁皮石斛的营养价值不同，这影响着铁皮石斛在市场上的价格，随着铁皮石斛市场的不断扩大，越来越多的铁皮石斛种植户以及消费者开始注重其品牌建设和原产地保护，具有地域特色的优质铁皮石斛取得了良好的经济效益，产地真实信息与其内部生物活性物质在中间起着关键性的作用，如今的中药材市场需要一种快速实时的检测方法来对铁皮石斛产地进行有效的鉴别。
3.传统的产地鉴别方法例如理化鉴别法、dna分子标记方法、色谱鉴别法等均存在着检测时间较长，操作复杂，需要对所鉴别铁皮石斛材料进行破坏等局限，现迫切需要一种能对铁皮石斛进行快速、准确、实时产地鉴别的检测手段。


技术实现要素：

4.针对现有技术的不足，本发明提供了一种快速鉴别铁皮石斛产地的方法，解决了上述背景技术中提出的问题。
5.为实现以上目的，本发明通过以下技术方案予以实现：一种快速鉴别铁皮石斛产地的方法，所述方法包括下述操作步骤：
6.s1、分类铁皮石斛干品：
7.采集不同产地的铁皮石斛干品，并对不同产地的铁皮石斛进行分类标号，并均通过粉碎机粉碎后过六号筛而放入采样袋中；
8.s2、采集拉曼光谱数据：
9.使用拉曼光谱采集设备采集各采样袋内不同产地的铁皮石斛粉末一周的拉曼光谱数据；
10.s3、拉曼光谱预处理：
11.因存在荧光干扰，采集的拉曼数据中含有冗余信息，因此需运用基线校正对拉曼数据进行处理来减少干扰，为减少拉曼光谱数字信号之间量纲的影响首先将数据进行归一化，再利用标准正态变量变换(snv)、多元散射校正(msc)、sg平滑预处理方式对拉曼信号进一步处理，以提高拉曼光谱信号信噪比，之后在建立cnn-lstm铁皮石斛产地判别模型；
12.s4、模型判别结果：
13.cnn-lstm模型对采集到的铁皮石斛原始拉曼光谱进行预处理，对该模型进行性能训练，在完成铁皮石斛的产地判别模型(cnn-lstm)训练后，将训练好的模型保存用于对测试集铁皮石斛拉曼光谱信号的判别。
14.进一步的，所述s2步骤中，拉曼光谱采集设备的激光功率：350mw；积分次数：2次；积分时间：2000ms。
15.进一步的，所述s3步骤中，cnn-lstm铁皮石斛产地判别模型即为卷积神经网络-长短期记忆人工神经网络模型。
16.进一步的，所述s4步骤中，cnn-lstm模型中设置模型隐藏单元数目：200，最大训练周期数：100，分块尺寸：20。
17.进一步的，所述s4步骤中，预处理方式包括snv，snv即标准正态变量用来消除固体颗粒大小，表面散射以及光程变化对漫散射光谱的影响，去趋势算法常用在snv处理后的光谱，用来消除南反射光谱de基线漂移。
18.进一步的，所述s4步骤中，预处理方式还包括msc，msc即多元散射校正，用于消除颗粒分布不均匀及颗粒大小产生的散射影响。
19.进一步的，所述s4步骤中，预处理方式还包括sg+snv。
20.进一步的，所述s4步骤中，预处理方式还包括sg+msc。
21.进一步的，所述s4步骤中，预处理方式还包括snv+msc。
22.进一步的，所述s4步骤中，预处理方式还包括sg+snv+msc。
23.本发明提供了一种快速鉴别铁皮石斛产地的方法，具备以下有益效果：
24.该快速鉴别铁皮石斛产地的方法，通过采集不同产地的铁皮石斛的拉曼光谱数据，结合深度学习算法(cnn-lstm)构建了铁皮石斛产地鉴别模型，并研究了不同预处理方法对模型鉴别能力的影响，结果表明采用sg+snv的预处理方法模型的鉴别效果最好，深度学习鉴别模型能以较好的性能实现对不同产地铁皮石斛的产地溯源，对人工智能在产地溯源方面的应用进行了探索，为产地溯源技术的发展提供了一种新的思路。
附图说明
25.图1为本发明一种快速鉴别铁皮石斛产地的方法的不同产地铁皮石斛拉曼光谱图；
26.图2为本发明一种快速鉴别铁皮石斛产地的方法的铁皮石斛原始拉曼指纹图谱；
27.图3为本发明一种快速鉴别铁皮石斛产地的方法的不同预处理后的铁皮石斛拉曼光谱图；
28.图4为本发明一种快速鉴别铁皮石斛产地的方法的cnn-lstm深度学习网络结构图；
29.图5为本发明一种快速鉴别铁皮石斛产地的方法的判别模型训练过程示意图；
30.图6为本发明一种快速鉴别铁皮石斛产地的方法的不同预处理方法对cnn-lstm模型的铁皮石斛产地判别准确率的影响示意图；
31.图7为本发明一种快速鉴别铁皮石斛产地的方法的模型测试集判别结果混淆矩阵图。
具体实施方式
32.本发明提供一种技术方案：一种快速鉴别铁皮石斛产地的方法，所述方法包括下述操作步骤：
33.s1、分类铁皮石斛干品：
34.采集不同产地的铁皮石斛干品，并对不同产地的铁皮石斛进行分类标号，并均通过粉碎机粉碎后过六号筛而放入采样袋中；
35.s2、采集拉曼光谱数据：
36.使用拉曼光谱采集设备采集各采样袋内不同产地的铁皮石斛粉末一周的拉曼光谱数据；
37.s3、拉曼光谱预处理：
38.因存在荧光干扰，采集的拉曼数据中含有冗余信息，因此需运用基线校正对拉曼数据进行处理来减少干扰，为减少拉曼光谱数字信号之间量纲的影响首先将数据进行归一化，再利用标准正态变量变换(snv)、多元散射校正(msc)、sg平滑预处理方式对拉曼信号进一步处理，以提高拉曼光谱信号信噪比，之后在建立cnn-lstm铁皮石斛产地判别模型；
39.s4、模型判别结果：
40.cnn-lstm模型对采集到的铁皮石斛原始拉曼光谱进行预处理，对该模型进行性能训练，在完成铁皮石斛的产地判别模型(cnn-lstm)训练后，将训练好的模型保存用于对测试集铁皮石斛拉曼光谱信号的判别。
41.s2步骤中，拉曼光谱采集设备的激光功率：350mw；积分次数：2次；积分时间：2000ms。
42.s3步骤中，cnn-lstm铁皮石斛产地判别模型即为卷积神经网络-长短期记忆人工神经网络模型。
43.s4步骤中，cnn-lstm模型中设置模型隐藏单元数目：200，最大训练周期数：100，分块尺寸：20。
44.s4步骤中，预处理方式包括snv，snv即标准正态变量用来消除固体颗粒大小，表面散射以及光程变化对漫散射光谱的影响，去趋势算法常用在snv处理后的光谱，用来消除南反射光谱de基线漂移。
45.s4步骤中，预处理方式还包括msc，msc即多元散射校正，用于消除颗粒分布不均匀及颗粒大小产生的散射影响。
46.s4步骤中，预处理方式还包括sg+snv。
47.s4步骤中，预处理方式还包括sg+msc。
48.s4步骤中，预处理方式还包括snv+msc。
49.s4步骤中，预处理方式还包括sg+snv+msc。
50.综上，该快速鉴别铁皮石斛产地的方法，具体实施例如下：
51.采集不同产地(安徽霍山、广西金秀、云南文山、浙江台州)的铁皮石斛干品，用粉碎机粉碎后过6号筛放入采样袋中，然后后用自行组装的拉曼光谱采集设备，采集每个产地铁皮石斛粉末采样袋一周的拉曼光谱数据，光谱采集设备参数设置为：激光功率：350mw；积分次数：2次；积分时间：2000ms；采集的不同产地铁皮石斛拉曼光谱图如图1所示，实验共采集400组拉曼光谱数据，安徽、广西、云南、浙江四个产地各100组，每组数据光谱范围为200-2870cm-1；
52.因存在荧光等干扰，采集的拉曼数据中含有大量冗余信息，因此需运用基线校正对拉曼数据进行处理来减少干扰，为减少拉曼光谱数字信号之间量纲的影响首先将数据进
行归一化，再利用标准正态变量变换(snv)、多元散射校正(msc)、sg平滑等预处理方式对拉曼信号进一步处理，以提高拉曼光谱信号信噪比，之后在建立cnn-lstm铁皮石斛产地判别模型，如图2为铁皮石斛原始拉曼指纹图谱，图3为不同预处理后的铁皮石斛拉曼光谱图，本次光谱数据共400组(每个产地各100组)，将数据按照8:2的比例划分成训练集和测试集，训练集做模型的训练，测试集用于考察模型的判别效果；
53.建模前处理部分将一维cnn网络应用于数据流的空间特征提取，lstm模型是时间循环神经网络中的一种，lstm是在传统的循环神经网络(recurrent neural network，rnn)基础上引入输入门、遗忘门、输入门，解决了rnn网络存在的长期依赖问题，本课题从cnn网络中获得到的特征向量输入到lstm网络中，利用matlab r2020b所建立的深度学习网络结构(共15层)如图4所示；
54.cnn-lstm的对采集到的铁皮石斛原始拉曼光谱进行不同的预处理，对该模型进行性能训练，设置模型隐藏单元数目：200，最大训练周期数：100，分块尺寸：20，如图5所示为判别模型训练过程图，在完成铁皮石斛的产地判别模型(cnn-lstm)训练后，其训练集判别结果如图6所示，再将训练好的模型保存用于对测试集铁皮石斛拉曼光谱信号的判别；
55.图6中，表示在不同预处理方法下cnn-lstm模型准确率对比，由图6可知，6种预处理方法均能改善所建模型的准确率，其中后四种预处理后的数据所建模型的平均准确率一样，达99.38％，后续预测模型中我们采用sg+snv预处理方法，
56.如图7为模型测试集判别结果混淆矩阵图，如图“1”、“2”、“3”、“4”标签分别表示产地为安徽霍山、广西金秀、云南文山、浙江台州的铁皮石斛，由图7可知，训练的cnn-lstm产地判别模型对不同产地的铁皮石斛(测试集)有很好的鉴别效果，判别准确率达到了98.8％。