为建立一种快速无损的黄芪药材产地和产出模式识别方法,利用高光谱成像系统(光谱范围:400~1 000、 900~1 700 nm,检测时间15 s),对80份不同产地、不同产出模式的黄芪药材进行检验。采集的高光谱数据集高度相关且数量较大,需要建立稳定可靠的数据降维和分类模型,首先使用归一化、高斯平滑和构建掩模等方法对原始光谱进行预处理,再分别采用主成分分析(PCA)、偏最小二乘法判别分析(PLS-DA)和竞争自适应重加权采样(CARS)构建高光谱降维数据集,对降维后的光谱图像和光谱曲线分别使用支持向量机(SVM)、多层神经网络模型(FFNN)和卷积神经网络(CNN)进行训练。结果显示,在对黄芪高光谱图像数据集进行PLS-DA之前,应用CARS作为变量选择方法,该降维算法在CNN测试集中的准确率、精确度和召回率均达到100%,F_(1)值(F_(1)-score)和ROC曲线下的面积值(area under the curve of ROC,AUC)均达到1。该方法方便快捷,样品用量少且无损样品,为黄芪药材产地和产出模式的快速识别提供技术支持。
暂无评论