【技术实现步骤摘要】
本专利技术属于人工智能鉴别领域，具体涉及一种基于人工智能的三七产地鉴别方法、存储介质以及装置。
技术介绍
1、三七为五加科人参属多年生草本植物的干燥根。近年来，由于它无毒无副作用，受到医学领域的广泛关注。三七在中国具有600多年的种植历史，产自中国文山的三七被认为是“金不换”，具有价格昂贵的特点。但由于文山原产区连作障碍严重，文山三七种植不足，价格远远高于其他产地。利用其他三七作为文山三七的替代品已成为草药市场一个非常普遍的问题，而三七一旦离开产地，基本上都被贴上了文山三七的标签。因此，有必要对三七的产地进行鉴别。
2、传统的三七鉴定方法主要是性状鉴定和显微鉴定。性状鉴定是通过观察药材形状、大小、颜色、质地、气味、表面和折断面特征、水试及火试中的主要鉴别特征，来鉴别药材的真伪优劣，产地，是最简单、快速、易行的鉴定方法。但是该性状鉴定方法适用于完整的药材的鉴别，当药材加工成饮片或者粉末时，失去必要的性状特征，性状鉴定方法的鉴定能力有限。显微鉴定是利用显微技术对中药组织构造、细胞形态及内含物等进行分析鉴定，适用于外形不易鉴定的完整药材、破碎或粉末状药材，及中成药的鉴别。显微鉴定尤其适用于粉末状药材的鉴定。显微鉴定与理化鉴定和分子鉴定等方法相比，仪器要求简单、试剂用量少，鉴定速度快，但也存在一些不足，同属药材的显微特征相似，很难鉴定开。例如申请号为201910168812.x的《一种基于人工智能的真伪混杂中药材的鉴别方法》公开有将正品和伪品中药材颗粒进行拍照得到数据集，然后将图片数据集的多维特征输入svm模型进行训练，最终
3、上述现有技术中由于中药材的形态、颜色、质地等特征受多种因素影响，且存在较大的变异性，图像的质量和拍摄条件会影响图像识别的准确性。例如，光照不均匀、阴影、反光等因素都会使得图像的特征提取变得困难，从而影响鉴定结果；以上专利中采用的数据预处理方法和机器学习模型均为成熟方法和模型，且方案给出的识别准确率并不高，因而说明现有成熟的方法和模型难以直接应用于中药材产地鉴别和质量控制中。
技术实现思路
1、为解决以上现有技术存在的问题，本专利技术提出了一种基于人工智能的三七产地鉴别方法，该方法包括：获取待识别的三七样本；构建三七近红外光谱数据集；对三七近红外光谱数据集中的数据进行降维处理；将降维后的数据集划分为训练集和测试集；计算测试集中的样本与训练集中的样本相似度；统计最高相似度的k个样本所在类别的贡献度；将k个样本中贡献度最高的类别作为预测分类。
2、为实现上述目的，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一上述基于人工智能的三七产地鉴别方法。
3、为实现上述目的，本专利技术还提供一种基于人工智能的三七产地鉴别装置，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种基于人工智能的三七产地鉴别装置执行任一上述基于人工智能的三七产地鉴别方法。
4、本专利技术的有益效果：
5、本专利技术在现有技术设备的基础下，仅需构建不同产地的三七近红外光谱数据集，然后通过软件实现对三七中药材进行绿色、无损、智能化的产地识别，无需增加硬件成本；本专利技术既考虑了样本之间的线性关系，也考虑了样本之间的非线性关系；当样本之间的综合相关性越强，则计算得到的相似度数值越大，这就表明两个样本为同一类别的可能性越大；本专利技术以样本相似度之和作为类别的贡献度，这样充分考虑了样本非均匀分布的问题。
本文档来自技高网...【技术保护点】
1.一种基于人工智能的三七产地鉴别方法，其特征在于，包括：获取待识别的三七样本；构建三七近红外光谱数据集；对三七近红外光谱数据集中的数据进行降维处理；将降维后的数据集划分为训练集和测试集；计算测试集中的样本与训练集中的样本相似度；统计最高相似度的K个样本所在类别的贡献度；将K个样本中贡献度最高的类别作为预测分类。
2.根据权利要求1所述的一种基于人工智能的三七产地鉴别方法，其特征在于，构建三七近红外光谱数据集包括：采集不同产地的三七中药材样品；对三七样品进行清洗、干燥以及研磨处理；取2克样品粉末，采用傅里叶变换近红外光谱仪采集三七粉末的近红外光谱数据；将所有的近红外光谱数据进行存储，并对每个样本按行存储；对每个样本的产地进行标记，得到三七近红外光谱数据集。
3.根据权利要求1所述的一种基于人工智能的三七产地鉴别方法，其特征在于，对数据进行降维处理包括：计算三七近红外光谱数据集中每个特征的均值，并将所有样本减去对应特征的均值，得到中心化后的数据矩阵；根据中心化数据矩阵计算协方差矩阵；对协方差矩阵进行特征值分解，得到特征值和特征向量；根据特征值的大小对特征向量
4.根据权利要求1所述的一种基于人工智能的三七产地鉴别方法，其特征在于，计算测试集中的样本与训练集中的样本相似度包括：将测试集中第i个待识别样本与训练集中第j个样本进行相似度计算，得到两个样本的相似度值；将所有样本计算出的相似度值进行集合，得到相似度数组；对相似度数组中的相似度值进行从大到小排序，得到新的相似度数组。
5.根据权利要求4所述的一种基于人工智能的三七产地鉴别方法，其特征在于，计算测试集中第i个待识别样本与训练集中第j个样本的相似度为：
6.根据权利要求1所述的一种基于人工智能的三七产地鉴别方法，其特征在于，统计最高相似度的K个样本所在类别的贡献度为：
7.根据权利要求1所述的一种基于人工智能的三七产地鉴别方法，其特征在于，将K个样本中贡献度最高的类别作为预测分类包括：统计得到的K个样本所在类别的贡献度数组weighted_votes，返回贡献度最高的类别作为测试集Xp_test第i个待识别样本xi_test的预测分类；计算预测分类结果与样本实际类别ytest预测准确率，根据预测准确率得到最终的预测分类结果；其表达式为：
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行如权利要求1～7中任一项所述的基于人工智能的三七产地鉴别方法。
9.一种基于人工智能的三七产地鉴别装置，其特征在于，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种基于人工智能的三七产地鉴别装置执行权利要求1～7中任一项所述的基于人工智能的三七产地鉴别方法。
...【技术特征摘要】
1.一种基于人工智能的三七产地鉴别方法，其特征在于，包括：获取待识别的三七样本；构建三七近红外光谱数据集；对三七近红外光谱数据集中的数据进行降维处理；将降维后的数据集划分为训练集和测试集；计算测试集中的样本与训练集中的样本相似度；统计最高相似度的k个样本所在类别的贡献度；将k个样本中贡献度最高的类别作为预测分类。
2.根据权利要求1所述的一种基于人工智能的三七产地鉴别方法，其特征在于，构建三七近红外光谱数据集包括：采集不同产地的三七中药材样品；对三七样品进行清洗、干燥以及研磨处理；取2克样品粉末，采用傅里叶变换近红外光谱仪采集三七粉末的近红外光谱数据；将所有的近红外光谱数据进行存储，并对每个样本按行存储；对每个样本的产地进行标记，得到三七近红外光谱数据集。
3.根据权利要求1所述的一种基于人工智能的三七产地鉴别方法，其特征在于，对数据进行降维处理包括：计算三七近红外光谱数据集中每个特征的均值，并将所有样本减去对应特征的均值，得到中心化后的数据矩阵；根据中心化数据矩阵计算协方差矩阵；对协方差矩阵进行特征值分解，得到特征值和特征向量；根据特征值的大小对特征向量进行降序排列，并选取前p个特征向量作为新的特征空间；对新特征空间进行投影，得到投影矩阵；将投影矩阵与中心化后的数据矩阵相乘，得到降维后的数据矩阵。
4.根据权利要求1所述的一种基于人工智能的三七产地鉴别方法，其特征在于，计算测试集中的样本与训练集中的样本相似度包括：将测试集中第i个待识别样本与训...
【专利技术属性】
技术研发人员：程雪峰，刘娟，刘恋，尹舒冉，朱红梅，周玮，
申请(专利权)人：重庆城市管理职业学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。