一种基于图像亮度信息和投票机制的硫熏干姜鉴别方法

摘要

本发明公开了一种基于图像亮度信息和投票机制的硫熏干姜鉴定方法，它包括以下步骤：(1)样品制备和图像数据采集；(2)提取图像特征；(3)分别使用采用支持向量机(SVM)、BP神经网络(BPNN)与随机森林算法(RF)建立硫熏干姜鉴别模型；(4)根据三种模型的结果，建立一套基于投票机制的识别模型。本发明首次采用基于图像亮度信息与投票机制的硫熏干姜鉴别方法，能够准确预测干姜硫熏程度，具有快速无损、识别准确率高以及稳定性强的优势。

说明书

技术领域

本发明属于药材检测技术领域；具体涉及一种基于图像亮度信息和投票机制的硫熏干姜鉴别方法。

背景技术

干姜(Zingiber officinale Roscoe)，是姜科姜属的多年生草本植物姜的干燥根茎，具有温中散寒、回阳通脉、温肺化饮的功效。干姜的市场需求量巨大，全世界尤其是亚洲、非洲和欧洲的庞大人群日常有使用干姜(包括生姜鲜食)的习惯。采用硫磺熏蒸生姜能够起到防腐、防霉、防虫蛀的效果，并有利于干燥和增色等。虽然硫磺熏蒸对中药材的加工贮藏起到了一定的积极作用，但现代研究证明硫磺熏蒸后中药材的化学性质多有改变乃至影响药材的性味和功效，还会残留硫化物、砷、汞等重金属，长期大量服用此类中药会对人体造成损害。

目前存在的硫磺熏蒸药材的检测技术有超高效液相色谱法，近红外光谱检测法等。但是现有的方法需要昂贵的设备来收集信息。因此，利用现有的方法对无硫干姜和含硫干姜进行识别并不便捷。随着机器学习算法的发展，图像识别技术日趋成熟。基于图像的硫熏干姜鉴别方法具有快速、无污染、无损材料等优点。因此，如何通过图像信息快速对硫熏干姜进行识别，是当前需要解决的关键问题。

发明内容

发明目的：为解决以上技术问题，本发明提供了一种基于图像亮度信息和投票机制的硫熏干姜鉴别方法。与传统鉴别方法相比，该方法能对干姜的硫熏程度进行准确预测，具有成本小、快速无损、识别准确率高以及稳定性强的优势。

技术方案：为实现以上目的，本发明提供的技术方案如下：一种基于图像亮度信息和投票机制的硫熏干姜鉴定方法，包括以下步骤：

(1)样本采集：选用不同硫含量的干姜；

(2)样本分类：使用二氧化硫检测试剂对样品的硫熏程度进行标记；

(3)图像数据的采集：分别使用图像采集设备采集干姜的图像信息，并对每张图像的硫熏程度(高硫、低硫、无硫)进行标记；

(4)LBP特征提取：设图像第i行第j列个像素点(i,j)的RGB值为(R

(5)建立模型：将干姜图像样本划分为训练集与验证集，使用支持向量机、BP神经网络、随机森林算法学习不同硫熏程度干姜训练集样本的特征。采用LibSVM软件包和RF软件包和BPNN软件包进行模型训练，构建3种不同的干姜硫熏程度预测模型；

(6)建立投票机制：设SVM算法所占的权重为w

v

与现有技术比，本发明的有益效果在于：

1、相较于传统经验鉴别，如高效液相色谱以及傅里叶变换近红外光谱方法等，本发明具有快速、无损、便捷以及成本低廉的优势。

2、本发明为干姜的硫熏程度提供了新的识别方法，对市场上的干姜的硫熏程度评估提供科学依据，具有广阔的应用前景。

附图说明

图1：本发明实施例1所使用的北京智云达科技股份有限公司的二氧化硫检测试剂盒；

图2：本发明实施例1华为P30 ELEAL00手机采集的无硫、低硫、高硫干姜照片；

图3：本发明实施例1苹果XRA2108手机采集的无硫、低硫、高硫干姜照片；

图4：本发明实施例1的Lab三通道图像：(a)L通道(b)a通道(c)b通道；

图5：本发明实施例1的Lab各通道关系图：(a)L通道亮度关系图(b)a通道值关系图(c)b通道值关系图；

图6：本发明实施例1的Lab三通道直方图：(a)L通道直方图(b)a通道值直方图(c)b通道值直方图；

图7：本发明实施例1的鉴别方法在不同手机上不同训练集占比下的预测准确率；

图8为本发明提供的一种基于图像亮度信息和投票机制的硫熏干姜鉴别方法的流程图。

具体实施方式

下面通过具体实施例对本发明进行说明，以使本发明技术方案更易于理解、掌握，但本发明并不局限于此。下述实施例中所述实验方法，如无特殊说明，均为常规方法；所述试剂和材料，如无特殊说明，均可从商业途径获得。

本发明所使用仪器：华为P30 ELEAL00与苹果XRA2108，北京智云达科技股份有限公司的二氧化硫检测试剂盒。

实施例1

一种基于图像亮度信息和投票机制的硫熏干姜鉴别方法，其它包括以下步骤：

1、药材样品收集：从市场上购入123批次不同含硫量的干姜，使用二氧化硫快速检测试剂盒分别测取不同批次干姜。根据不同批次干姜硫熏程度的不同可将其划分为3类，分别为低硫干姜、高硫干姜、无硫干姜。其中低硫干姜共27批，高硫干姜共66批，无硫干姜共30批。三种类别划分的标准是低硫干姜的二氧化硫含量为50-150mg/kg、高硫干姜的二氧化硫含量大于150mg/kg、无硫干姜的二氧化硫含量为0mg/kg。图1展示不同二氧化含量的干姜得到的比色卡结果。最终分类见表1，其中NS表示无硫、LS表示低硫、HS表示高硫。

表1

2、采集样品的图像数据：通过图像采集设备采集不同产地的干姜高清图像，并对每张图像的硫熏程度信息进行标记。为确保干姜形态细节信息的完整性，图像的数据采集分别采用华为P30 ELEAL00手机与苹果XRA2108手机在同一条件下拍摄。每块干姜采集正反两幅图像。低硫干姜，高硫干姜与无硫干姜的图像数目分别为54，132与60。图2(a)、(b)与(c)为华为P30 ELEAL00手机所拍摄的无硫、低硫、高硫干姜图像数据。图3(a)、(b)与(c)为苹果XRA2108手机所拍摄的无硫、低硫、高硫干姜图像数据。

3、LBP特征提取：设图像第i行第j列个像素点(i,j)的RGB值为(R

4、建立投票机制：设SVM算法所占的权重为w

v

5、建立硫含量鉴别模型：为避免因随机抽样导致的实验误差，每次预测的train-test过程重复200次。每次以代表特征值为特征向量，使用支持向量机学习样本类型，采用LibSVM软件包、BPNN软件包、RF软件包进行模型训练。根据每种算法的正确率设置投票机制中每种算法的权值由步骤(5)所示不同方法得到的准确率，据表2可得SVM算法的准确率大于BPNN算法大于RF算法。因此我们将三种权值分别设置为w

表2华为P30ELEAL00手机与苹果XRA2108手机拍摄图像的平均预测准确率

6、模型训练准确性与稳定性：训练集的规模会影响最终预测的准确性，训练集占比从[0.1-0.9]之间递增获取，每次增加0.1。用train-test程序重复训练200次。实验结果如表3与表4所示，在9种不同训练集占比的预测准确率中，基于投票机制的准确率最高，苹果XR拍摄图像的准确率到达93.44％。华为P30拍摄图像的准确率82.98％。综上所述，本专利提出的思想具有高准确性和高实用性。

表3苹果XRA2108手机拍摄图像的准确率

表4华为P30 ELE AL00手机拍摄图像的准确率

上述详细说明是针对本发明其中之一可行实施例的具体说明，该实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本发明技术方案的范围内。