一种金银花和山银花的鉴别方法及系统

技术领域

本发明涉及金银花和山银花的鉴别技术领域，特别是涉及一种金银花和山银花的鉴别方法及系统。

背景技术

金银花(LJF，忍冬的干燥花芽或新开的花)具有清热解毒的作用。山银花(Lonicerae Flos)，为忍冬科植物灰毡毛忍冬(Lonicera macranthoides Hand.-Mazz)、红腺忍冬(Lonicera hypoglauca Mip)、华南忍冬(Lonicera confuse DC)或黄褐毛忍冬(Lonicera fulvotomentosa Hsu et S.C.Cheng)的干燥花蕾或带初开的花。金银花和山银花同科同属，外观性状接近。目前对金银花的鉴别方法主要有经验鉴别、显微鉴定、理化鉴别等传统方法和GC、MS等现代检测技术。经验鉴别主要依赖于鉴别人的鉴别经验，需常年积累。显微鉴定和理化鉴别对操作者技能熟练度有较高要求。GC、MS等检测技术需要进行复杂的前处理，而且分析技术耗时、费力，对工作人员的技术要求高，不适用于市场快速、高效的实际检测需求。

而可见-近红外光谱技术具有无损、快速、便捷的特点，在中医药领域得到广泛的应用。有研究者也将可见-近红外光谱技术用于金银花与山银花的鉴别研究中。然而单点光谱只能够对样品某一部分进行检测，无法实现样品整体检测。不能满足市场采购环节的现场检验以及大批量检验。

发明内容

本发明的目的是提供一种金银花和山银花的鉴别方法及系统，以准确、快速地实现金银花和山银花的鉴别。

为实现上述目的，本发明提供了如下方案：

一种金银花和山银花的鉴别方法，包括：

获取金银花和山银花的历史高光谱数据；

利用竞争性自适应重加权算法和光谱算法从所述历史高光谱数据中提取特征波长；

对所述特征波长处的光强度进行增强，得到增强后的高光谱数据；

根据所述增强后的高光谱数据训练支撑向量机，得到鉴别模型；

利用训练好的鉴别模型对金银花和山银花进行鉴别。

可选地，所述历史高光谱数据的波段范围为370-1060nm。

可选地，所述特征波长的波段范围为650-700nm。

可选地，所述对所述特征波长处的光强度进行增强，具体为：

利用窄波段光源对所述特征波长处的光强度进行增强。

一种金银花和山银花的鉴别系统，包括：

获取模块，用于获取金银花和山银花的历史高光谱数据；

提取模块，用于利用竞争性自适应重加权算法和光谱算法从所述历史高光谱数据中提取特征波长；

增强模块，用于对所述特征波长处的光强度进行增强，得到增强后的高光谱数据；

训练模块，用于根据所述增强后的高光谱数据训练支撑向量机，得到鉴别模型；

鉴别模块，用于利用训练好的鉴别模型对金银花和山银花进行鉴别。

可选地，所述历史高光谱数据的波段范围为370-1060nm。

可选地，所述特征波长的波段范围为650-700nm。

可选地，所述增强模块具体包括：

增强单元，用于利用窄波段光源对所述特征波长处的光强度进行增强。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开了一种金银花和山银花的鉴别方法及系统，方法包括：获取金银花和山银花的历史高光谱数据；利用竞争性自适应重加权算法和光谱算法从所述历史高光谱数据中提取特征波长；对所述特征波长处的光强度进行增强，得到增强后的高光谱数据；根据所述增强后的高光谱数据训练支撑向量机，得到鉴别模型；利用训练好的鉴别模型对金银花和山银花进行鉴别。由于高光谱数据具有被测样品整体的光谱信息，包含的信息量极多；并且本发明还对特征波长处的光强度进行增强，增大了有用信号，提高了信噪比，使得训练出的鉴别模型更精准，实现准确、快速地鉴别金银花和山银花。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为金银花和山银花的鉴别方法流程图；

图2为金银花和山银花的光谱图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种金银花和山银花的鉴别方法及系统，以准确、快速地实现金银花和山银花的鉴别。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，金银花和山银花的鉴别方法包括：

步骤101：获取金银花和山银花的历史高光谱数据。其中，历史高光谱数据的波段范围为370-1060nm。

步骤102：利用竞争性自适应重加权算法和光谱算法从历史高光谱数据中提取特征波长。其中，特征波长的波段范围为650-700nm。

步骤103：对特征波长处的光强度进行增强，得到增强后的高光谱数据。具体为利用窄波段光源对特征波长处的光强度进行增强。

步骤104：根据增强后的高光谱数据训练支撑向量机，得到鉴别模型。

步骤105：利用训练好的鉴别模型对金银花和山银花进行鉴别。

本实施例还提供了一个具体示例：

分别获取不同产地不同批次金银花与山银花各20个批次样本的高光谱数据，高光谱数据波段为370-1060nm。结合竞争性自适应重加权协同光谱算法，获得特征波长范围为650-700nm。

然后采用二极管等窄波段光源对650-700nm波段光信号进行增强，利用高光谱仪获取金银花与山银花光信号增强后的高光谱数据，得到样本集。图2为金银花和山银花的光谱图。

将样本集按照7:3的比例划分为训练集和测试集，结合支持向量机建立鉴别模型。再将测试集输入鉴别模型，将鉴别模型的输出结果与实际分类结果比较，发现鉴别模型的鉴别准确率为95.24％。

本实施例还提供了一种金银花和山银花的鉴别系统，包括：

获取模块，用于获取金银花和山银花的历史高光谱数据。其中，历史高光谱数据的波段范围为370-1060nm。

提取模块，用于利用竞争性自适应重加权算法和光谱算法从历史高光谱数据中提取特征波长。其中，特征波长的波段范围为650-700nm。

增强模块，用于对特征波长处的光强度进行增强，得到增强后的高光谱数据。

训练模块，用于根据增强后的高光谱数据训练支撑向量机，得到鉴别模型。

鉴别模块，用于利用训练好的鉴别模型对金银花和山银花进行鉴别。

在本实施例中，增强模块具体包括：

增强单元，用于利用窄波段光源对特征波长处的光强度进行增强。

本发明不需要对样本进行任何预处理，可快速无损的进行鉴别。另外由于高光谱数据具有被测样品整体的光谱信息，包含的信息量极多；并且本发明还对特征波长处的光强度进行增强，增大了有用信号，提高了信噪比，使得训练出的鉴别模型更精准，实现准确、快速地鉴别金银花和山银花。

本发明不依赖于鉴定师的鉴定经验，不需要任何试剂。节省了大量人力和物力，实现了快速、无损、高效的鉴别。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。