有不低于5mm的间隙，以确保不能有重叠粘连。
[0096] 2.样品高光谱数据采集：
[0097] 将样品传送至高光谱相机镜头下，按设定参数（同实施例1中的设定)进行扫描，保 存样品的高光谱图像和光谱信息。图像处理由瑞典Umbio公司的Evince软件采用相机内置 黑白标准物质对图像进行自动校正，然后光强值经A/D转换为光谱吸收曲线。
[0098] 3.图像处理：
[0099]首先删除含有较多噪音的940-1000nm和2469-2537nm波段下数据。对采集各像元 数据按光谱维分别进行均值中心化变换后，进行PCA变换，人机交互式选择亚香棒在PCA得 分空间中的R0I像元;进一步计算背景像元与亚香棒像元之间的欧式距离，并显示为直方图 形式，寻找能将背景和亚香棒像元显著分离的阈值，删除无用的背景像元。
[0100] 4 .PLS-DA预测：
[0101 ]将第3步得到每根亚香棒草的各像元光谱依次进行Savitsky-Golay平滑(窗口取 值11，多项式阶数为3)、标准正太变量校正(SNV)和均值中心化处理以消除基线漂移、光散 射、噪音、样品表面形貌差异等干扰。
[0102] 将预处理后的亚香棒草各像元光谱带入建立好的PLS-DA模型进行预测计算(应保 证像元空间位置不发生变化）。当某个像元的PLS模型预测值为-1.5~0.45时，判定该像元 为伪草像元，为了更加直观显现，可以在该像元对应位置将该像元标记为蓝色；当某个像元 的预测值为〇. 55~1.5时，判定该像元为真草像元，为了更加直观显现，可以在该像元对应 位置将该像元标记为绿色；当某个像元的预测值为〇. 45~0.55时，判定为未知类别(有可能 为泥沙或其他污染物），为了更加直观显现，可以在该像元对应位置将该像元标记为红色。
[0103] 完成所有像元的预测后，统计真草像元的总数、伪草像元的总数、未知类别的总数 以及对应所占该样品总像元数的比例;预测结果如表2所示：
[0104] 表2:亚香棒虫草高光谱像元PLS-DA预测结果
[0105]
[0106]从表2可以看出，预测为亚香棒像元的比例占到68.54%，冬虫夏草像元比例为 8.99 %。但考虑到亚香棒伪草的整体性(不可能存在一部分为真草，一部分为伪草），该草可 判定为伪原草(红色部分可能为泥土等其他物质）。
[0107] 此外，也可以从图3中的PLS-DA预测图中直观看出该样品绝大部分预测图像为蓝 色，较小部分预测图像为红色，很小部分预测图像为绿色，同样基于整体性的考虑，可以判 定该样品为伪草。
[0108] 从上可以看出，该模型具有形象、直观、简单、稳定等特点，有较好的容错能力，可 应用于实际生产中冬虫夏草原料真伪的自动鉴别，减小人为因素的干扰，具有客观、真实 性。
【主权项】
1. 无损检测中药原药材的方法，其特征在于，包括： 建立某种中药原药材化S-DA预测模型，在进行该种类中药原药材鉴别时，将待检测样 品放置入高光谱反射图像采集系统中，利用所述高光谱反射图像采集系统采集所述待检测 样品的高光谱信息，并对采集的高光谱信息进行图像处理后输入已建立的该种类中药原药 材化S-DA预测模型进行预测，根据预测输出值对该样品进行鉴别；高光谱信息为待检测样 品的像元光谱信息。2. 如权利要求1所述的无损检测中药原药材的方法，其特征在于， 所述建立某种中药原药材化S-DA预测模型的步骤包括： A1.选取该种类原药材样品分别经预处理后作为正样品集； A2.选取易与该种类原药材混淆的样品分别经预处理后作为负样品集； A3.分别将正样品集中的正样品和负样品集中的负样品放置入高光谱反射图像采集系 统中，利用所述高光谱反射图像采集系统采集样品的高光谱信息； A4.对采集的高光谱信息进行图像处理后提取光谱特征，将提取的光谱特征录入数据 库； A5.重复步骤A3-A4,直至完成正、负样品集中的所有样品的光谱特征的提取和录入； A6.随机选取等比例的正、负样品的光谱特征建立化S-DA预测模型； 步骤A3和A4中，所述高光谱反射图像采集系统采集的样品高光谱信息为该样品的平均 光谱信息。3. 如权利要求2所述的无损检测中药原药材的方法，其特征在于， 所述中药原药材为冬虫夏草原草。4. 如权利要求3所述的无损检测中药原药材的方法，其特征在于， 步骤A1中，选取全国不同产地的该种类原药材样品分别经预处理后作为正样品集;所 述选取全国不同产地的该种类原药材样品具体包括:选自全国主产区青海玉树、青海果洛、 青海海南、青海海东、四川、西藏、甘肃、云南八个地区冬虫夏草样品； 步骤A2中，选取市面上多种易与该种类原药材混淆的样品分别经预处理后作为负样品 集，包括:麻脊背、蛹虫草、亚香棒，凉山虫草和新疆虫草。5. 如权利要求3所述的无损检测中药原药材的方法，其特征在于， 步骤A1和A2中，所述预处理是指依次经过干刷、清洗、40°C低溫干燥。6. 如权利要求3所述的无损检测中药原药材的方法，其特征在于， 步骤A4中，对采集的高光谱信息进行图像处理后按照正、负样品光谱方差最大化原则 提取光谱特征。7. 如权利要求3所述的无损检测中药原药材的方法，其特征在于，所述根据预测输出值 对该样品进行鉴别具体方法是:若该样品的某个像元经过化S-DA模型预测其输出值介于- 1.5~0.45之间，则判定该像元为伪药材像元;若该样品的某个像元经过化S-DA模型预测其 输出值介于0.55~1.5之间，则判定该像元为真药材像元;若该样品的某个像元经过化S-DA 模型预测其输出值介于0.45~0.55之间，则判定该像元为未知类别像元； 最后由系统分别自动统计真药材像元、伪药材像元、未知类别像元的个数并计算在该 样品总像元数中的比例，根据比例分布情况鉴别该样品的真伪:若真药材像元的个数在该 样品总像元数中的比例^ 60%，则判定该样品为真。8. 如权利要求3所述的无损检测中药原药材的方法，其特征在于， 所述高光谱反射图像采集系统采用蹄儒隶二维阵列检测器，光源为石英面素灯； 所述高光谱反射图像采集系统的光谱采集范围为短波红外波段940-2537nm; 所述高光谱反射图像采集系统的像素为320X256,像素大小150μπιΧ150μπι，采用视场 为50mm镜头； 扫描方式为高速推扫式高光谱成像，推扫速度3mm/s，采集速度lOOfps。9. 如权利要求3所述的无损检测中药原药材的方法，其特征在于，利用所述高光谱反射 图像采集系统采集该样品的高光谱信息，具体步骤如下： ① 采集获得该样品(mXn)个像元在k个波段下的连续光谱曲线，每一波段对应的光谱 信号响应值为Ik，k=l，2...K; ② 利用标准白板标定图像的光强值，计算每幅图像在第k个波段下高光谱反射图像的 相对光强值其中4为第k个波段下每个冬虫夏草高光谱反射图像的相对强光 值;Ik为第k个波段下每个冬虫夏草高光谱反射图像的光强值；/f为第k个波段下标准白板 高光谱反射图像的光强值;Dk为第k个波段下采集的全黑标定图像光强值； ③ 将计算出来的相对光强值经过A/D转换，转换为光谱曲线。10. 如权利要求3所述的无损检测中药原药材的方法，其特征在于，步骤A4中所述对采 集的高光谱信息进行图像处理后提取光谱特征，具体包括： 对采集各像元数据按光谱维分别进行均值中屯、化变换后，进行PCA变换，保留目标对象 所在像元光谱和位置信息，扣除无用的背景单元； W每个样品为单元，计算获得每个样品的平均光谱，并对平均光谱构成的数据集依次 进行Savi tsky-Golay平滑、标准正太变量校正、均值中屯、化处理和PCA变换，在保证累积方 差> 90%的情况下，取前3个主成分的光谱特征信息； 所述扣除无用的背景单元的方法是： 人机交互式选择样品在PCA得分空间中的R0I像元，计算背景像元与样本像元之间的欧 式距离并显示为直方图形式，寻找能将背景和样本像元显著分离的阔值，删除无用的背景 单元。
【专利摘要】本发明属于药材鉴别领域，其公开了一种无损检测中药原药材真伪的方法，解决传统技术中检测方式存在操作繁琐、检测成本高、需要消耗样品的问题。该方法包括：a.选取正、负样品；b.采集样品的高光谱图像；c.对高光谱图像进行处理并利用主成分分析法提取相关特征；d.建立PLS-DA预测模型；e.利用PLS-DA预测模型对待检测对象进行检测；f.根据模型输出判别待检测对象的真伪。本发明适用于对中药原药材进行快速、准确鉴别。
【IPC分类】G01N21/27
【公开号】CN105548037
【申请号】CN201610020565
【发明人】张雪峰, 谭福元
【申请人】青海春天药用资源科技利用有限公司
【公开日】2016年5月4日
【申请日】2016年1月13日