【技术实现步骤摘要】
本专利技术属于中药智能生产，尤其是涉及一种基于近红外高光谱图像识别和libs数据融合的红花质量生产调配方法及系统。
技术介绍
1、红花是菊科、红花属一年生草本植物。红花的花入药，通经、活血，主治妇女病。据《开宝本草》记载，红花，辛，温，无毒，主产后血运口噤，腹内恶血不尽、绞痛，胎死腹中，并酒煮服。亦主蛊毒下血。红花作为常用药，其质量检测已经成为研究重点。
2、目前，由于红花主要来源于种植，中药材红花饮片在同一生产批次内不同的包装袋间也会存在有机组分和无机组分浓度的差异，对药材的药效产生了不确定的影响。因此，就需要从药材的在线检测数据和质量评价指标数据出发，采用人工智能技术实现同一批次不同包装袋内中药材的智能调配，提升中药材药效的批间一致性，提升中药材的使用效果。
技术实现思路
1、本专利技术提出一种基于近红外高光谱图像识别和libs数据融合的红花质量生产调配方法及系统，有效的降低中药材批次内的质量波动，提升产品的质量一致性。
2、为达到上述目的，本专利技术的技术方案是这样实现的：
3、一种基于近红外高光谱图像识别和libs数据融合的红花质量生产调配方法，包括：
4、s1、采集红花的近红外高光谱图像数据，并对完成采集的红花进行羟基红花黄色素a浓度检测，将所述近红外高光谱图像数据与对应的羟基红花黄色素a浓度数据作为训练样本集，训练得到红花的图像-羟基红花黄色素a浓度识别模型；
5、s2、对同一批次不同包装的红花分别进行近红外高
6、s3、通过激光诱导击穿光谱仪libs对步骤s2中所述同一批次不同包装的红花进行检测得到无机离子浓度；
7、s4、将所述同一批次不同包装的红花的羟基红花黄色素a浓度和无机离子浓度通过深度强化学习模型dqn进行调配决策，得到调配方案。
8、进一步的，步骤s1所述图像-羟基红花黄色素a浓度识别模型是通过卷积神经网络提取得到各个近红外波长条件下的图像特征与所述羟基红花黄色素a浓度进行匹配，以此来考察羟基红花黄色素a浓度与其近红外高光谱图像特征的对应关系，构建二者的识别模型。
9、进一步的，步骤s3中，所述无机离子浓度是综合钙，镁，钠，钾各离子分别的浓度数据得到的平均浓度数据，通过代数平均计算得到。
10、进一步的，步骤s4中，所述调配决策的方法包括：
11、深度强化学习模型dqn的核心采用马尔科夫决策过程，由五个元素组成；m＝(s,a,p,r,γ)，其中m表示马尔科夫决策过程；状态集s包括各个样本的羟基红花黄色素a浓度数据以及无机离子浓度数据；动作集a表示根据状态集s的浓度数据进行样品调配、并预测调配后的新的浓度数据更新到状态集s的一组动作；p表示转移概率，γ是折扣因子；r表示回报函数，所述回报函数根据动作集中的样品调配动作结果予以反馈；最终得到同一批次不同包装的红花的调配方案。
12、本专利技术另一方面还提供了一种基于近红外高光谱图像识别和libs数据融合的红花质量生产调配系统，包括：
13、识别模型模块：采集红花的近红外高光谱图像数据，并对完成采集的红花进行羟基红花黄色素a浓度检测，将所述近红外高光谱图像数据与对应的羟基红花黄色素a浓度数据作为训练样本集，训练得到红花的图像-羟基红花黄色素a浓度识别模型；
14、在线黄色素检测模块：对同一批次不同包装的红花分别进行近红外高光谱图像数据采集，并通过红花的图像-羟基红花黄色素a浓度识别模型得到各自的羟基红花黄色素a浓度；
15、在线无机离子检测模块：通过激光诱导击穿光谱仪libs对在线光谱数据模块中所述同一批次不同包装的红花进行检测得到无机离子浓度；
16、在线调配模块：将所述同一批次不同包装的红花的羟基红花黄色素a浓度和无机离子浓度通过深度强化学习模型dqn进行调配决策，得到调配方案。
17、进一步的，识别模型模块中所述图像-羟基红花黄色素a浓度识别模型是通过卷积神经网络提取得到各个近红外波长条件下的图像特征与所述羟基红花黄色素a浓度进行匹配，以此来考察羟基红花黄色素a浓度与其近红外高光谱图像特征的对应关系，构建二者的识别模型。
18、进一步的，在线无机离子数据模块中，所述无机离子浓度是综合钙，镁，钠，钾各离子分别的浓度数据得到的平均浓度数据，通过代数平均计算得到。
19、进一步的，调配模块包括：深度强化学习模型dqn的核心采用马尔科夫决策过程，由五个元素组成；m＝(s,a,p,r,γ)，其中m表示马尔科夫决策过程；状态集s包括各个样本的羟基红花黄色素a浓度数据以及无机离子浓度数据；动作集a表示根据状态集s的浓度数据进行样品调配、并预测调配后的新的浓度数据更新到状态集s的一组动作；p表示转移概率，γ是折扣因子；r表示回报函数，所述回报函数根据动作集中的样品调配动作结果予以反馈；最终得到同一批次不同包装的红花的调配方案。
20、与现有技术相比，本专利技术具有如下的有益效果：
21、1、本专利技术提出基于近红外高光谱图像分析技术和libs金属含量检测技术对红花进行生产调配的方法和系统，实现了对于红花中有机物质浓度和无机物质浓度的快速在线检测，提升了检测速度和检测范围，避免了现有的实验室抽查造成的样品对于产品的代表性低的缺陷；
22、2、本专利技术实现了红花在同一生产批次内不同包装袋间的质量一致性，避免了同一生产批次内的质量差异，实现了产品质量的稳定，提升了最终产品的质量一致性。
本文档来自技高网...【技术保护点】
1.一种基于近红外高光谱图像识别和LIBS数据融合的红花质量生产调配方法，其特征在于，包括：
2.根据权利要求1所述的基于近红外高光谱图像识别和LIBS数据融合的红花质量生产调配方法，其特征在于，步骤S1所述图像-羟基红花黄色素A浓度识别模型是通过卷积神经网络提取得到各个近红外波长条件下的图像特征与所述羟基红花黄色素A浓度进行匹配，以此来考察羟基红花黄色素A浓度与其近红外高光谱图像特征的对应关系，构建二者的识别模型。
3.根据权利要求1所述的基于近红外高光谱图像识别和LIBS数据融合的红花质量生产调配方法，其特征在于，步骤S3中，所述无机离子浓度是综合钙，镁，钠，钾各离子分别的浓度数据得到的平均浓度数据，通过代数平均计算得到。
4.根据权利要求1所述的基于近红外高光谱图像识别和LIBS数据融合的红花质量生产调配方法，其特征在于，步骤S4中，所述调配决策的方法包括：
5.一种基于近红外高光谱图像识别和LIBS数据融合的红花质量生产调配系统，其特征在于，包括：
6.根据权利要求5所述的基于近红外高光谱图像识别和LIBS数据融
7.根据权利要求5所述的基于近红外高光谱图像识别和LIBS数据融合的红花质量生产调配系统，其特征在于，在线无机离子数据模块中，所述无机离子浓度是综合钙，镁，钠，钾各离子分别的浓度数据得到的平均浓度数据，通过代数平均计算得到。
8.根据权利要求5所述的基于近红外高光谱图像识别和LIBS数据融合的红花质量生产调配系统，其特征在于，调配模块包括：深度强化学习模型DQN的核心采用马尔科夫决策过程，由五个元素组成；M＝(S,A,P,R,γ)，其中M表示马尔科夫决策过程；状态集S包括各个样本的羟基红花黄色素A浓度数据以及无机离子浓度数据；动作集A表示根据状态集S的浓度数据进行样品调配、并预测调配后的新的浓度数据更新到状态集S的一组动作；P表示转移概率，γ是折扣因子；R表示回报函数，所述回报函数根据动作集中的样品调配动作结果予以反馈；最终得到同一批次不同包装的红花的调配方案。
...【技术特征摘要】
1.一种基于近红外高光谱图像识别和libs数据融合的红花质量生产调配方法，其特征在于，包括：
2.根据权利要求1所述的基于近红外高光谱图像识别和libs数据融合的红花质量生产调配方法，其特征在于，步骤s1所述图像-羟基红花黄色素a浓度识别模型是通过卷积神经网络提取得到各个近红外波长条件下的图像特征与所述羟基红花黄色素a浓度进行匹配，以此来考察羟基红花黄色素a浓度与其近红外高光谱图像特征的对应关系，构建二者的识别模型。
3.根据权利要求1所述的基于近红外高光谱图像识别和libs数据融合的红花质量生产调配方法，其特征在于，步骤s3中，所述无机离子浓度是综合钙，镁，钠，钾各离子分别的浓度数据得到的平均浓度数据，通过代数平均计算得到。
4.根据权利要求1所述的基于近红外高光谱图像识别和libs数据融合的红花质量生产调配方法，其特征在于，步骤s4中，所述调配决策的方法包括：
5.一种基于近红外高光谱图像识别和libs数据融合的红花质量生产调配系统，其特征在于，包括：
6.根据权利要求5所述的基于近红外高光谱图像识别和libs数据融合的红花质量生产调配系统，其特征在于...
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。