一种基于紫外光谱和卷积神经网络的黄芪产地鉴别方法

摘要

本发明公开了一种基于紫外光谱和一维卷积神经网络的黄芪产地鉴别方法。本发明的具体检测方法为：获取待检测不同产地黄芪紫外光谱数据，采集不同产地黄芪对应的拉曼数据用于训练；设计一维卷积神经网络并完成检测模型训练，保存训练好的网络连接权重矩阵M；将待检测不同产地黄芪紫外光谱数据送进已经训练好的一维卷积神经网络进行检测，完成不同产地黄芪检测。本发明能准确有效识别不同产地黄芪，方便工程快速检测应用，具有较大的应用价值。

说明书

技术领域

本发明涉及检测分析领域，具体涉及一种基于紫外光谱和一维卷积神经网络的黄芪产地鉴别方法。

背景技术

黄芪营养丰富，因其富含微量元素、维生素等营养成分，具有中药治疗用途和滋补食用价值，不同产地的黄芪治疗效果和药方使用方法不一样。黄芪产地检测是黄芪用于中药炮制的安全的重要保障之一，不同产地的黄芪药效不同、价格也不同。黄芪产地造假和质量保障缺失，不仅对病人治疗效果产生伤害，也会造成中药生产厂商因为质量保障问题而产生经济损失。目前市场黄芪产地缺少快速检测方法，人工化学实验方式识别检测耗时耗力，且工作效率难以保障，难以快速有效进行黄芪产地识别检测。

发明内容

本发明解决的问题是，如何提升黄芪的产地识别检测效率的问题，本发明提供了基于一种基于紫外光谱和一维卷积神经网络的黄芪产地鉴别方法，识别方法简单，方便工程应用集成，具有较好的实用性和扩展性。

如图1所示，本发明的的实施过程如下：

步骤一：采集用于不同产地黄芪的紫外光谱数据，黄芪紫外光谱曲线图如图2所示，并进行分类汇总形成训练数据。

步骤二：将步骤1）中所涉及的采集用于不同产地黄芪的紫外光谱数据指用紫外光谱仪进行数据采集，然后把所有紫外光谱数据按照不同产地进行人工分类，并构建训练数据用于训练一维卷积神经网络，所述训练数据为黄芪紫外光谱数据和其对应的产地类型标号；具体过程为：

2.1）将步骤1）中用于不同产地黄芪的紫外光谱数据指用紫外光谱仪进行数据采集，然后把所有紫外光谱数据按照不同产地进行人工分类；

2.2）构建不同产地黄芪的紫外光谱数据和其对应类型标号的集合，从而组成包含不同产地黄芪的训练数据；

2.3）将步骤2.2中的训练数据随机分批，采用70%的训练数据作为训练集，采用30%的训练数据作为测试集，训练集中采用20%的训练数据作为验证集。.

步骤三：设计如图3所示的用于黄芪产地检测的一维卷积神经网络，进行训练，训练结束后获取分类网络连接权重矩阵M，用于后续识别检测步骤；具体过程为：

3.1）设计一个具有五层一维卷积层、五层平均池化层、五层归一化层、一层Dropout层、一层Softmax层的卷积神经网络；

3.2）卷积神经网络具体主要由五个子单元构成，紫外光谱数据传输到第一个子单元，五个子单元依次连接传递，第五个子单元输出黄芪产地判断结果；

其中，第一个子单元中包括以数据传递顺序依次连接的3个25长度一维卷积核的卷积层1、平均池化层1、归一化层1，第二个子单元中包括以数据传递顺序依次连接的40个25长度一维卷积核的卷积层2、平均池化层2、归一化层2，第三个子单元中包括以数据传递顺序依次连接的40个25长度一维卷积核的卷积层3、平均池化层3、归一化层3，第四个子单元中包括以数据传递顺序依次连接的40个5长度一维卷积核的卷积层4、平均池化层4、归一化层4，第五个子单元包括以数据传递顺序依次连接的Dropout层1、3个1长度一维卷积核的卷积层5、平均池化层5、Softmax层1；

归一化层1作为第一个子单元的输出传递到第二个子单元的卷积层2，归一化层2作为第二个子单元的输出传递到第三个子单元的卷积层3，归一化层3作为第三个子单元的输出传递到第四个子单元的卷积层4，归一化层4作为第四个子单元的输出传递到第五个子单元的Dropout层1，Softmax层1输出黄芪产地判断结果；

3.3）将步骤2）的训练数据输入到一维卷积神经网络，采用RMSprop优化算法训练一维卷积神经网络，直到一维卷积神经网络的误差达到最小值完成收敛，并获得完成训练后的一维卷积神经网络中各个参数组建的网络连接权重矩阵M，其中损失计算采用三分类对数损失函数。

步骤四：采集待检测的黄芪紫外光谱数据输入步骤三中已载入连接权重矩阵M的一维卷积神经网络，完成黄芪产地识别检测。

本发明的有益效果是：1）本发明特殊构建的卷积神经网络结构通过其中多层传递信息使得紫外光谱细节特征提取更丰富，提高分类效果，增强黄芪产地的识别能力；

2）本发明方法应用对象较广，方法简便易于应用，检测效率高，识别检测模型维护无需工作人员具有化学先验知识经验，在现场黄芪质量快速检测方面具有较大的应用潜力。

附图说明

图1是本发明的流程图。

图2是本发明的黄芪紫外光谱曲线图。

图3是本发明的针对黄芪紫外光谱的一维卷积神经网络图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例，仅用于说明本发明而不用于限制本发明的范围，在阅读本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，本发明的的实施过程如下：

步骤一：采集用于不同产地黄芪的紫外光谱数据，黄芪紫外光谱曲线图如图2所示，并进行分类汇总形成训练数据。

步骤二：将步骤1）中所涉及的采集用于不同产地黄芪的紫外光谱数据指用紫外光谱仪进行数据采集，然后把所有紫外光谱数据按照不同产地进行人工分类，并构建训练数据用于训练一维卷积神经网络，所述训练数据为黄芪紫外光谱数据和其对应的产地类型标号；具体过程为：

2.1）将步骤1）中用于不同产地黄芪的紫外光谱数据指用紫外光谱仪进行数据采集，然后把所有紫外光谱数据按照不同产地进行人工分类；

2.2）构建不同产地黄芪的紫外光谱数据和其对应类型标号的集合，从而组成包含不同产地黄芪的训练数据；

2.3）将步骤2.2中的训练数据随机分批，采用70%的训练数据作为训练集，采用20%的训练数据作为验证集，采用30%的训练数据作为测试集。

步骤三：设计如图3所示的用于黄芪产地检测的一维卷积神经网络，进行训练，训练结束后获取分类网络连接权重矩阵M，用于后续识别检测步骤；具体过程为：

3.1）设计一个具有五层一维卷积层、五层平均池化层、五层归一化层、一层Dropout层、一层Softmax层的卷积神经网络；

3.2）卷积神经网络具体主要由五个子单元构成，紫外光谱数据传输到第一个子单元，五个子单元依次连接传递，第五个子单元输出黄芪产地判断结果；

其中，第一个子单元中包括以数据传递顺序依次连接的3个25长度一维卷积核的卷积层1、平均池化层1、归一化层1，第二个子单元中包括以数据传递顺序依次连接的40个25长度一维卷积核的卷积层2、平均池化层2、归一化层2，第三个子单元中包括以数据传递顺序依次连接的40个25长度一维卷积核的卷积层3、平均池化层3、归一化层3，第四个子单元中包括以数据传递顺序依次连接的40个5长度一维卷积核的卷积层4、平均池化层4、归一化层4，第五个子单元包括以数据传递顺序依次连接的Dropout层1、3个1长度一维卷积核的卷积层5、平均池化层5、Softmax层1；

归一化层1作为第一个子单元的输出传递到第二个子单元的卷积层2，归一化层2作为第二个子单元的输出传递到第三个子单元的卷积层3，归一化层3作为第三个子单元的输出传递到第四个子单元的卷积层4，归一化层4作为第四个子单元的输出传递到第五个子单元的Dropout层1，Softmax层1输出黄芪产地判断结果；

3.3）将步骤2）的训练数据输入到一维卷积神经网络，采用RMSprop优化算法训练一维卷积神经网络，直到一维卷积神经网络的误差达到最小值完成收敛，并获得完成训练后的一维卷积神经网络中各个参数组建的网络连接权重矩阵M，其中损失计算采用三分类对数损失函数。

步骤四：采集待检测的黄芪紫外光谱数据输入步骤三中已载入连接权重矩阵M的一维卷积神经网络，完成黄芪产地识别检测。

具体实施效果：

本发明分别采用三个产地的黄芪75袋，其中有25袋是四川产地黄芪、25袋是贵州产地黄芪、25袋是云南产地黄芪。如表1所示，完成了黄芪产地的识别检测。

表1 检测结果

本实施例采用验证集进行了验证，测试结果准确率是93.3%，采用测试集进行了测试，测试结果准确率是93.3%。

由上述各个实施例检测结果可见，本发明方法的检测具有很好的准确性和实用性，在黄芪产地检测方面具有较大的应用潜力。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明的原理的前提下，还可以作数若干改进和润饰，这些改进和润饰也应当视为本发明的保护范围。