【技术实现步骤摘要】
本专利技术涉及中药材检测，尤其涉及一种芳香类中药材检测方法、系统、设备及介质。
技术介绍
1、以挥发油为主要成分的中药材被分类为芳香类中药材，如广佛手、广藿香、广陈皮、沉香等。然而，随着质量要求的进一步完善，芳香类中药材在质量控制上面临着一系列关键性问题，包括道地性、合格与否、真伪以及传统炮制工艺的区分等，这些问题实质上为芳香类中药材的分类检测问题。
2、对于芳香类中药材，气味特征在其分类和质量评估中起着至关重要的作用。然而，传统的识别方法主要依赖于人工或仪器对不同药材图谱中的特征进行鉴别分析，人工分析方法需要分析人员具备丰富的经验，而且随着药材种类的增多，需要耗费大量的时间和精力。
3、常用的仪器分析方法包括色谱法、质谱法和光谱法。色谱法可有效地将药材中的成分进行分离，并通过对比不同药材成分的差异，达到分类的目的。质谱法多与色谱法进行联用，以获得更丰富的化学指纹特征，并进一步用于分类。但色谱法和质谱法大多需要大型仪器，且样本需要经过一系列的前处理后才能进样，存在检测成本高、效率低等弊端。光谱法则着重从药材整体特征出发，并结合不同的化学计量学方法构建数学模型用于药材分类。但中药材成分复杂，光谱法无法将目标物和基质分开，且受基质干扰影响大。
4、对于芳香中药材,“气味”是药材的重要特征，与中药材的其他性状特征，如颜色、外形轮廓等相比较，“气味”不易发生改变或被替换。故也可用gc-ims技术对芳香类中药材进行检测，具有分辨率高、速度快等优点。但gc-ims技术的数据复杂，随着药材类别增多和药材状态
5、由此可见，如何解决芳香类中药材检测中存在的检测成本高、以及无法对大批量、状态复杂的芳香类中药材进行快速、准确检测已经成为本领域技术人员所要亟待解决的技术问题。
技术实现思路
1、本专利技术提供了一种芳香类中药材检测方法、系统、设备及介质，以解决芳香类中药材检测中存在的检测成本高、以及无法对大批量、状态复杂的芳香类中药材进行快速、准确检测的技术问题，实现低成本对各种状态芳香类中药材的大批量快速检测的效果。
2、第一方面，本专利技术提供了一种芳香类中药材方法，所述方法包括：
3、获取芳香类中药材样本的标签，并通过gc-ims技术获取所述芳香类中药材样本所散发气味的离子迁移图谱；
4、根据所述标签和所述离子迁移图谱构建样本数据集；
5、基于神经网络技术和所述样本数据集，得到训练后的芳香类中药材多分类模型；
6、将待检测芳香类中药材对应的离子迁移图谱输入所述芳香类中药材多分类模型，分别得到所述待检测芳香类中药材对应的特征向量集和预测标签；
7、基于所述特征向量集、所述预测标签和预先构建的特征向量库，对所述待检测芳香类中药材进行检测，确定所述待检测芳香类中药材所属的标签。
8、优选的，所述芳香类中药材多分类模型采用efficientnet-b0算法构建。
9、优选的，所述芳香类中药材多分类模型包括输入层、卷积层、若干个移动翻转瓶颈卷积块、池化层、全连接层和输出层；
10、所述移动翻转瓶颈卷积块至少包括se模块；
11、所述芳香类中药材多分类模型的损失函数为arcface函数；
12、所述芳香类中药材多分类模型的激励函数为swish函数。
13、优选的，所述基于神经网络技术和所述样本数据集，得到训练后的芳香类中药材多分类模型，包括：
14、采用加权随机采样法从所述样本数据集中选取样本数据；
15、采用所述样本数据对构建完成的神经网络模型进行训练，得到训练完成的芳香类中药材多分类模型。
16、优选的，所述基于所述特征向量集、所述预测标签和预先构建的特征向量库，对所述待检测芳香类中药材进行检测，确定所述待检测芳香类中药材所属的标签，包括：
17、将所述样本数据集包含的所述离子迁移图谱输入所述芳香类中药材多分类模型，得到样本特征向量集，将所述样本特征向量集和对应的所述标签映射，以构建特征向量库；
18、基于所述特征向量库和所述预测标签，对所述待检测芳香类中药材对应的特征向量集进行相似度计算，得到所述待检测芳香类中药材的特征相似度指；
19、基于所述特征相似度值，确定所述待检测芳香类中药材所属的标签。
20、优选的，所述基于所述特征向量库和所述预测标签，对所述待检测芳香类中药材对应的特征向量集进行相似度计算，包括：
21、根据所述预测标签从所述特征向量库中确认相似度计算范围：
22、计算所述待检测芳香类中药材对应的特征向量集与所述相似度计算范围中所有所述样本特征向量集的余弦相似度。
23、优选的，所述离子迁移图谱为png格式。
24、第二方面，本专利技术还提供了一种芳香类中药材检测系统，所述控制系统包括：样本数据采集单元、样本数据集构建单元、模型构建单元、模型预测单元和标签确定单元；
25、所述样本数据采集单元，用于获取芳香类中药材样本的标签，并通过gc-ims技术获取所述芳香类中药材样本所散发气味的离子迁移图谱；
26、所述样本数据集构建单元，用于根据所述标签和所述离子迁移图谱构建样本数据集；
27、所述模型构建单元，用于基于神经网络技术和所述样本数据集，得到训练后的芳香类中药材多分类模型；
28、所述模型预测单元，用于将待检测芳香类中药材对应的离子迁移图谱输入所述芳香类中药材多分类模型，分别得到所述待检测芳香类中药材对应的特征向量集和预测标签；
29、所述标签确定单元，用于基于所述特征向量集、所述预测标签和预先构建的特征向量库，对所述待检测芳香类中药材进行检测，确定所述待检测芳香类中药材所属的标签。
30、第三方面，本专利技术还提供一种计算机设备，所述计算机设备包括存储器、处理器和收发器，它们之间通过总线连接；存储器用于存储一组计算机程序指令和数据，并将存储的数据传输给处理器，处理器执行存储器存储的程序指令，以执行上述所述的芳香类中药材检测方法。
31、第四方面，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被运行时，实现上述所述的芳香类中药材检测方法。
32、本专利技术提供了一种芳香类中药材检测方法、系统、设备及介质，相比于现有技术，本专利技术实施例的有益效果在于以下所述中的至少一点：
33、(1)检测速度快，检测准确性高，适用于大批量的芳香类的中药材检测。通过gc-ims技术获取芳香类中药材样本所散发气味的离子迁移图谱，以构建样本数据集，采用efficientnet-b0算法构建多分类模型，并以为arcface函数作为多分类模型的损失函数，将gc-ims技术和深度学习算法结合，本文档来自技高网...
【技术保护点】
1.一种芳香类中药材检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的芳香类中药材检测方法，其特征在于，所述芳香类中药材多分类模型采用EfficientNet-B0算法构建。
3.如权利要求2所述的芳香类中药材检测方法，其特征在于，所述芳香类中药材多分类模型包括输入层、卷积层、若干个移动翻转瓶颈卷积块、池化层、全连接层和输出层；
4.如权利要求1所述的芳香类中药材检测方法，其特征在于，所述基于神经网络技术和所述样本数据集，得到训练后的芳香类中药材多分类模型，包括：
5.如权利要求1所述的芳香类中药材检测方法，其特征在于，所述基于所述特征向量集、所述预测标签和预先构建的特征向量库，对所述待检测芳香类中药材进行检测，确定所述待检测芳香类中药材所属的标签，包括：
6.如权利要求5所述的芳香类中药材检测方法，其特征在于，所述基于所述特征向量库和所述预测标签，对所述待检测芳香类中药材对应的特征向量集进行相似度计算，包括：
7.如权利要求1所述的芳香类中药材检测方法，其特征在于，所述离子迁移图谱为PNG格式。<...
【技术特征摘要】
1.一种芳香类中药材检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的芳香类中药材检测方法，其特征在于，所述芳香类中药材多分类模型采用efficientnet-b0算法构建。
3.如权利要求2所述的芳香类中药材检测方法，其特征在于，所述芳香类中药材多分类模型包括输入层、卷积层、若干个移动翻转瓶颈卷积块、池化层、全连接层和输出层；
4.如权利要求1所述的芳香类中药材检测方法，其特征在于，所述基于神经网络技术和所述样本数据集，得到训练后的芳香类中药材多分类模型，包括：
5.如权利要求1所述的芳香类中药材检测方法，其特征在于，所述基于所述特征向量集、所述预测标签和预先构建的特征向量库，对所述待检测芳香类中药材进行检测，确定所述待检测芳香类中药材所属的标签，包括：
6.如权利要求5所述的芳香类中药材检测方法，其特征在于...
【专利技术属性】
技术研发人员：刘亚雄，张旋，李华，罗卓雅，杨志业，
申请(专利权)人：广东省药品检验所广东省药品质量研究所，广东省口岸药品检验所，
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。