一种基于深度学习的多光谱融合中药质量分级方法和系统技术方案

本发明专利技术公开一种基于深度学习的多光谱融合中药质量分级方法和系统，包括采集待测样品的

【技术实现步骤摘要】
一种基于深度学习的多光谱融合中药质量分级方法和系统


[0001]本专利技术涉及中药识别领域，尤其涉及一种基于深度学习的多光谱融合中药质量分级方法和系统
。

技术介绍

[0002]中药饮片是中药材按照中医药理论
、
中药炮制方法，经过加工可直接用于临床的中药，中药饮片的质量直接影响治疗效果，中药来源广泛，含有的杂质对质量影响较大，因此通过定位技术以及多谱融合技术在传送带定位杂质，从而便于在后续工序剔除杂质
。
[0003]X
射线图像灰度值的差异与
X
射线衰减程度有关，
X
射线透过中药发生衰减，衰减程度取决于中药的厚度和密度，
X
射线图像能快速无损获得物体内部结构信息
。
[0004]近红外高光谱图像是一个三维立体数据，近红外高光谱图像数据包括近红外波段下每一波长所对应的空间关系，是将成像技术和光谱检测技术相结合，在对分析目标的空间特征成像的同时，通过色散对每个像元形成几十乃至几百个窄波段以进行连续的光谱覆盖，图像信息可以反映样品大小
、
形状
、
缺陷等外部品质特征，而光谱信息能充分反映样品分子组成
、
品质组分等内部结构
。
[0005]为了能够快速分辨和定位样品中杂质，将杂质剔除从而进一步进行中药质量分级，本专利技术结合
X
射线图像
、
可见光图像以及近红外高光谱图像对样品进行分析，提出一种基于深度学习的多光谱融合中药质量分级方法
。

技术实现思路

[0006]本专利技术提供一种基于深度学习的多光谱融合中药质量分级方法和系统，通过将
X
射线图像输入
X
射线图像模型中计算计算待测样品的中药和杂质信息
、
带有时间戳标记的可见光图像结合
X
射线图像模型的输出结果对杂质进行定位，随后通过对近红外高光谱图像的深度学习进行质量分级，从而实现对待测样品的杂质剔除和质量分级
。
[0007]根据本专利技术的第一个方面，提供一种基于深度学习的多光谱融合中药质量分级方法，采集待测样品的
X
射线图像，将所述待测样品的
X
射线图像输入第一模型计算得到所述待测样品中的中药和杂质信息；采集待测样品的可见光图像，对所述待测样品的可见光图像进行时间戳标记，基于标记后的所述待测样品的可见光图像与所述待测样品中的中药和杂质信息计算得到所述待测样品中中药和杂质的位置数据；基于所述待测样品中中药和杂质的位置数据剔除所述待测样品中的杂质；采集待测样品的近红外高光谱图像，将待测样品的近红外高光谱图像输入第二模型计算得到所述待测样品的质量分级，所述第二模型为输入近红外高光谱图像及其对应的人工标记质量分级训练而成的深度学习模型；该通过带有时间戳标记的可见光图像结合
X
射线图像模型的输出结果对待测样品中中药和杂质的辨别并进行定位，后续根据杂质定位信息进行剔除，随后通过对近红外高光谱图像的深度学习对待测样品中的中药进行质量分级，后续根据中药位置以及质量分级结果对中药进行分类，需要说明的是，在深度学习的领域中，模型有很多，如常用的深度学习模型与架构包括
CNN、DBN、RNN、RNTN、
自动编码器
、GAN
等，而本专利技术只需择一可实现输入带质量分级标记的训练集，通过训练以后输出质量分级结果的深度学习模型即可，深度学习模型与架构的训练过程在此不多做赘述
。
[0008]在一些实施方式中，近红外高光谱图像的深度学习模型除了可以根据人工标记质量实现质量分级以外，还可以根据人工标记的中药和杂质进行训练实现进一步的中药和杂质的辨别
。
[0009]在一些实施方式中，所述第一模型为
X
射线图像模型，所述
X
射线图像模型包括卷积层
、
激活函数
、
批标准化层
、
池化层和舍弃层
。
[0010]在一些实施方式中，整流线性单元
(ReLU)
用作
X
射线图像模型中的激活函数，采用
Softmax
激活函数来解决二进制分类问题，稀疏分类交叉熵损失函数用于训练网络，相比于传统的激活函数，整流线性单元更加有效率的梯度下降以及反向传播：避免了梯度爆炸和梯度消失问题，另外还简化计算过程：没有了其他复杂激活函数中诸如指数函数的影响；同时活跃度的分散性使得神经网络整体计算成本下降
。
[0011]在一些实施方式中，所述
X
射线图像模型用如下方法训练：采集若干训练样品的
X
射线图像，若干所述训练样品包括中药样品和杂质样品，对若干训练样品的
X
射线图像进行几何变换处理获得
X
射线图像数据集，将所述
X
射线图像数据集输入
X
射线图像模型进行训练迭代，其中，所述几何变换可以是将
X
射线图像平移
、
缩放
、
旋转
、
仿射变换和透视变换，目的在于基于一定量的训练样品下扩大
X
摄像图像的数据集，需要说明的是，数据集的大小会影响训练准确性和训练时长，本领域技术人员可以根据复杂度
、
训练时长以及精准度的要求选择训练样品的数量
。
[0012]在一些实施方式中，所述
X
射线图像数据集按预定比例分为训练集
、
验证集和测试集
。
[0013]在一些实施方式中，将
X
射线图像数据集输入
X
射线图像模型进行训练迭代还包括，将
X
射线图像数据集中的
X
射线图像在卷积层中进行三次卷积得到卷积特征图，具体的：将
X
射线图像经过第一卷积层卷积得到第一卷积特征图；将第一卷积特征图经过第二卷积层卷积得到第二卷积特征图；将第二卷积特征图经过第三卷积层得到第三卷积特征图，
X
射线图像的卷积过程是通过使用一组可学习的滤波器
(
也称为卷积核
)
对输入图像进行卷积操作，从而提取图像的局部特征，每个滤波器会在整个图像上进行滑动，并对局部区域进行卷积运算，得到一个特征图，通过使用不同的滤波器，三次卷积主要考虑了待测样品
X
射线图像的宽度
、
高度和深度，因此针对中药药材来说，
X
射线图像经过三次卷积，足以提取出待测样品的
X
射线图像的用于表达特征信息的特征图
。
[0014]在一些实施方式中，通过以下方法获取待测样品中中药和杂质的位置数据：记传输待测样品的传输带速度为
v
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的多光谱融合中药质量分级方法，其特征在于，
。
采集待测样品的
X
射线图像，将所述待测样品的
X
射线图像输入第一模型计算得到所述待测样品中的中药和杂质信息；采集待测样品的可见光图像，对所述待测样品的可见光图像进行时间戳标记，基于标记后的所述待测样品的可见光图像与所述待测样品中的中药和杂质信息计算得到所述待测样品中中药和杂质的位置数据；基于所述待测样品中中药和杂质的位置数据剔除所述待测样品中的杂质；采集待测样品的近红外高光谱图像，将待测样品的近红外高光谱图像输入第二模型计算得到所述待测样品的质量分级，所述第二模型为输入近红外高光谱图像及其对应的人工标记质量分级训练而成的深度学习模型
。2.
根据权利要求1所述的基于深度学习的多光谱融合中药质量分级方法，其特征在于，所述第一模型为
X
射线图像模型，所述
X
射线图像模型包括卷积层
、
激活函数
、
批标准化层
、
池化层和舍弃层
。3.
根据权利要求2所述的基于深度学习的多光谱融合中药质量分级方法，其特征在于，所述第一模型用如下方法训练：采集若干训练样品的
X
射线图像，若干所述训练样品包括中药样品和杂质样品，对若干训练样品的
X
射线图像进行几何变换处理获得
X
射线图像数据集，将所述
X
射线图像数据集输入
X
射线图像模型进行训练迭代
。4.
根据权利要求3所述的基于深度学习的多光谱融合中药质量分级方法，其特征在于，将所述
X
射线图像数据集按预定比例分为训练集
、
验证集和测试集
。5.
根据权利要求3所述的基于深度学习的多光谱融合中药质量分级方法，其特征在于，将
X
射线图像数据集输入
X
射线图像模型进行训练迭代还包括，将
X
射线图像数据集中的
X
射线图像在卷积层中进行三次卷积得到卷积特征图
。6.
根据权利要求1所述的基于深度学习的多光谱融合中药质量分级方法，其特征在于，通过以下方法获取待测样品中中药和杂质的位置数据：记传输待测样品的传输带速度为
v
，记待测样品抵达
X
射线图...

【专利技术属性】
技术研发人员：李正，于洋，
申请(专利权)人：广东省新黄埔中医药联合创新研究院，
类型：发明
国别省市：