基于高光谱成像的当归与独活分类

中药材是中医药的核心组成部分。近年来，中药材在生产与流通环节出现了掺杂、掺假和混淆等情况。中药材当归与独活在外观上较为相似，经验不丰富的检测人员较难区分。当归具有补血活血、调经止痛、润肠通便等功效；独活具有止痛、解表等功效。若误将当归与独活混淆，不仅减弱治疗效果，还可能引发副作用或药物反应。

随着高光谱图像的光谱分辨率不断提高，数据处理能力不断增强，高光谱成像技术广泛应用于中药材分选、食品安全、药物检测和饲料营养成分鉴别等领域。

1、高光谱图像采集与处理

利用高光谱实验平台采集当归与独活样本的高光谱图像。

图1 当归与独活样本

2、高光谱图像预处理

为降低光源强度分布不均匀和相机暗电流对高光谱图像的干扰，对采集的当归与独活样本高光谱图像进行黑白校正，校正公式为 

式中：为Rλ校正后的高光谱图像，Iλ为采集的高光谱图像，Bλ为反射率为99%标准白板图像，Hλ为镜头遮挡采集的暗场图像。

为了获取当归与独活样本的平均光谱数据，利用图像掩模逐个提取当归与独活样本的感兴趣区域（regionofinterest,ROI），并将每个样本所有像素点的平均光谱反射值作为一条光谱曲线，共有963条平均光谱曲线。

 

图2 平均光谱数据提取过程

利用高光谱相机采集当归与独活样本的三通道彩图；然后，通过阈值处理将高光谱相机采集的1364nm波段的灰度图作为掩模图像；最后，根据掩模图像中单个样本的掩模坐标，从高光谱图像中提取去除背景的部分高光谱图像作为感兴趣区域，并计算其平均光谱。

当归与独活样本的平均光谱曲线如图：

图3 当归与独活样本的平均光谱曲线

由图4可知，当归与独活样本的平均光谱曲线在两端边缘处光谱反射值波动较剧烈，受干扰较大，数据失真严重，影响后期的分类效果，需进行噪声裁剪，即剔除噪声较大的936~1012nm和1652~1720nm边缘波段，保留1016~1648nm中间波段（对应224波段中的23~204，共计181个波段）进行建模分析。

3、分类流程

3.1一维卷积

卷积神经网络是一种端到端的深度神经网络，主要包括输入层、卷积层、池化层、全连接层和输出层。本文基于LeNet-5卷积神经网络建立当归与独活一维卷积神经网络（1D-CNN）分类模型，主要包括3个卷积层、3个平均池化层和1个全连接层，模型框架如图5所示。

图4 当归与独活1D-CNN分类模型框架

表1 当归与独活1D-CNN分类模型参数

3.2分类流程

当归与独活分类流程图如图所示。

图5 当归与独活分类流程图

首先，采用高光谱相机获取当归与独活样本的高光谱图像，确定高光谱图像预处理的最佳方法并计算其平均光谱；然后，分别利用当归与独活1D-CNN分类模型和SVM分类模型对当归与独活进行分类；接着，通过显著图选择当归与独活的特征波段，减少数据计算量；最后，在当归与独活数据集上基于所选的特征波段，分别采用1D-CNN分类模型和SVM分类模型实现当归与独活的分类。

4、高光谱数据

全部当归与独活样本的平均光谱如图：

图6 全部当归与独活样本的平均光谱

由图 7 可知，当归与独活光谱曲线相似性高，不 易区分，但在某些波段存在细微的差异。

图7 输入光谱数据的显著波段

由上图可知，波段贡献度较大的区域分别集中在 1 120 nm、1 262 nm 和 1 548 nm 波长附近，因此选择 1 108 ~1 136 nm、1 260 ~1 284 nm 和 1 542 ~1 560 nm 共 20 个波段作为特征波段。

推荐：

便携式高光谱成像系统 iSpecHyper-VS1000

专门用于公安刑侦、物证鉴定、医学医疗、精准农业、矿物地质勘探等领域的最新产品，主要优势具有体积小、帧率高、高光谱分辨率高、高像质等性价比特点采用了透射光栅内推扫原理高光谱成像，系统集成高性能数据采集与分析处理系统，高速USB3.0接口传输，全靶面高成像质量光学设计，物镜接口为标准C-Mount，可根据用户需求更换物镜。

审核编辑 黄宇