一种基于深度学习识别新会陈皮年份及产地的方法
本发明属于农产品检测领域,涉及一种基于深度学习识别新会陈皮年份及产地的方法。
背景技术:
1、新会陈皮,作为中国传统道地中药材及药食同源的特色产品,以其独特的药理活性与陈化风味享誉海内外。现代药理学研究表明,新会陈皮中的黄酮类、挥发油及生物碱等活性成分随陈化年限延长而发生复杂的动态转化,赋予其“陈久者良”的独特品质。然而,新会陈皮的品质与市场价值高度依赖于其陈化年份及核心产区(如茶坑、大泽、南坦、三江、双水等)的独特地理标志属性,不同年份及产区的陈皮在外观性状、化学成分及药理功效上均存在显著差异。因此,建立一种快速、准确、无损的新会陈皮年份与产地鉴别方法,对于保障消费者权益、规范市场秩序以及推动中药材产业的高质量发展具有重要的现实意义。
2、传统的新会陈皮鉴别主要依赖于人工感官鉴定和理化分析技术。人工感官鉴定高度依赖于鉴定人员的个人经验与专业素养,主观性强,重复性差,难以形成标准化、量化的判别依据。理化分析技术如hplc、lc-ms以及电子舌、电子鼻等人工仿生传感器虽然具有较高的准确性和灵敏度,然而普遍存在操作繁琐、样品前处理复杂、检测周期长、设备昂贵且依赖专业操作人员等固有缺陷,难以实现产地现场或流通环节的快速筛查与实时检测,限制了其在大规模样本检测及基层应用中的推广。
3、近年来,近红外光谱(nir)、拉曼光谱及高光谱成像等无损检测技术被逐步应用于中药材的品质评价。这类方法通过采集样品的光谱或空间信息,结合化学计量学模型进行定性或定量分析,具有非破坏性、分析速度快等优点。然而,光谱技术易受环境温度、湿度及样品形态等因素干扰,且光谱仪器成本较高,模型在不同批次或不同仪器间的传递性较差。在图像分析方面,传统机器视觉方法试图通过提取人工设计的颜色、纹理等浅层特征来区分不同年份或产地的农产品,但该类方法依赖手工特征工程,对复杂背景、光照变化及样品表面多样性缺乏足够的鲁棒性,识别精度和泛化能力有限。
4、随着人工智能技术的迅猛发展,尤其是深度学习在计算机视觉领域取得的突破性进展,为农产品和中药材的智能鉴别开辟了新途径。深度学习模型,特别是卷积神经网络(cnn),能够通过端到端的训练方式自动从图像数据中学习层次化的特征表征,从浅层的边缘、颜色、纹理到深层的语义信息,有效克服了传统手工特征设计的主观性和局限性。已有研究尝试将深度学习应用于中药材的品种识别、产地溯源及年份预测等领域,初步验证了该技术路线的可行性。
5、然而,将深度学习技术直接应用于新会陈皮的年份与产地检测仍面临若干关键技术挑战。第一,新会陈皮的图像特征表现为细微的、渐进式的品质差异,不同年份间的视觉变化较为连续(如颜色由鲜转暗、纹理由清晰变细腻),不同核心产区间的外观差异亦十分微妙,这对模型的细粒度特征提取能力提出了极高要求。第二,在实际图像采集过程中,光照条件、拍摄角度、背景干扰及设备参数差异等因素均会引入与目标属性无关的噪声信息,导致模型在训练中可能错误地学习到背景相关特征而非陈皮本征特征,从而严重影响模型的泛化性能。第三,现有深度学习模型在训练过程中往往忽视了陈皮特有的先验知识(如颜色特征与活性成分含量的强相关性、纹理特征随年份的线性变化规律等),未能将化学分析与图像特征进行有效融合指导模型训练,限制了模型性能的提升。第四,公开的陈皮图像数据集稀缺,样本量有限,直接训练深层卷积网络容易产生过拟合,导致模型在实际应用中的稳定性不足。
技术实现思路
1、本发明的目的是提供一种基于深度学习识别新会陈皮年份及产地的方法,为新会陈皮的鉴别提供一种高效、准确、智能化、便携化的新型技术手段。
2、为实现上述目的,采集广东省江门市新会区茶坑、大泽、南坦、三江、双水五个核心产区共90份陈皮样品(涵盖1年、3年、5年、10年四个陈化等级),在标准化图像采集环境下获取360张表面图像。经图像预处理后,采用九宫局部特征采样策略提取rgb颜色增强特征向量;同时构建以resnet18为主干网络的cnn-pcrc卷积神经网络模型,提取深度语义特征;将3维颜色增强特征与512维深度特征进行通道拼接,形成融合特征向量并输入分类层完成识别。针对不同产地陈皮陈化规律差异显著的特点,采用分产地独立建模策略,并引入imagenet迁移学习及分阶段微调训练以应对小样本过拟合问题。
3、相关性分析表明,不同产地陈皮的rgb颜色特征与总多酚、总黄酮含量之间存在显著的产地特异性相关模式,验证了颜色特征用于品质识别的化学基础。纹理分析显示,二值化比率与陈化年份呈强线性关系(r²≥0.936),为纹理特征的有效性提供了形态学依据。cnn-pcrc模型在五个产地的独立测试集上取得了85.0%~93.3%的年份分类准确率,auc值介于0.914~0.985之间;产地分类整体准确率达95.24%,优于电子舌(88.45%)、电子鼻(91.67%)及专家感官评价(92.15%),接近lc-ms金标准(99.60%),且具备快速、便携、现场检测的独特优势。
4、因此,本发明提出的cnn-pcrc模型通过颜色-深度特征融合与分产地独立建模策略,有效解决了陈皮图像背景干扰、细粒度差异捕捉及小样本泛化等关键技术难题,实现了对新会陈皮年份与产地的准确、快速、无损识别,为新会陈皮的品质控制、产地溯源及市场监管提供了智能化技术支撑。
5、基于此,本发明提供一种基于深度学习识别新会陈皮年份及产地的方法,包括以下步骤:
6、s1、获取待测新会陈皮的表面图像;
7、s2、对所述表面图像进行预处理,所述预处理至少包括尺寸归一化;
8、s3、对预处理后的图像进行九宫局部特征采样,得到颜色增强特征向量;
9、s4、将预处理后的图像输入至预先构建并训练好的cnn-pcrc卷积神经网络模型,通过所述模型的主干网络提取深度特征向量;
10、s5、将所述颜色增强特征向量与所述深度特征向量进行通道拼接,得到融合特征向量;
11、s6、将所述融合特征向量输入至所述模型的分类层,输出所述待测新会陈皮的年份和/或产地识别结果。
12、其中,所述九宫局部特征采样具体包括:
13、(1)在预处理后的图像的中心区域内随机选取3个局部采样位置,每个位置提取一个3×3像素子区域;
14、(2)分别计算每个3×3像素子区域内9个像素点的rgb通道平均值,得到3组rgb均值向量;
15、(3)对所述3组rgb均值向量进行整体平均,得到所述颜色增强特征向量。
16、其中,所述主干网络为卷积神经网络,所述cnn-pcrc卷积神经网络模型以resnet18作为主干网络,并加载imagenet预训练权重作为初始化参数。
17、其中,所述cnn-pcrc卷积神经网络模型包括输入层、特征提取层、特征融合层及分类输出层;所述特征提取层基于残差结构,通过多层卷积、非线性激活和池化操作,逐级提取图像中的颜色梯度、边缘轮廓、局部纹理、油室形态分布及表面结构特征,并经由全局平均池化层输出所述深度特征向量。
18、其中,所述分类层为全连接分类层,其输出节点数量根据分类任务设定:
19、当执行年份分类任务时,输出节点数设置为4,分别对应1年、3年、5年及10年;
20、当执行产地分类任务时,输出节点数设置为5,分别对应茶坑、大泽、南坦、三江及双水五个核心产区。
21、其中,所述cnn-pcrc卷积神经网络模型的训练过程采用分阶段迁移学习策略:
22、第一阶段,冻结主干网络中除最后一个残差模块及分类层外的所有参数,对高层特征层及分类层进行训练;
23、第二阶段,解冻全部网络参数,降低学习率后对整个网络进行全局微调。
24、其中,所述预处理还包括:采用双线性插值将图像缩放至256×256像素,随后进行中心裁剪得到224×224像素的图像补丁,再随机采集一个25×25像素的图像补丁以聚焦于样品主体区域。
25、其中,所述表面图像通过便携式图像采集系统获取,所述图像采集系统安置于封闭箱体内,内置标准化led照明光源,并使用智能手机在统一拍摄参数下进行采集。
26、其中,所述cnn-pcrc卷积神经网络模型针对不同产地分别构建独立的年份分类模型,每个产地的年份分类模型均基于该产地的样本数据独立训练和优化。
27、其中,在模型训练阶段,在线实施数据增强策略,所述数据增强包括随机旋转、随机水平翻转和随机垂直翻转;并在训练过程中采用早停机制,当验证集损失值连续15个训练轮次未下降时,停止训练并保存验证集准确率最高的模型参数。
28、本发明的有益效果是:
29、第一,检测准确率高、速度快,满足现场检测需求。本发明在独立测试集上的产地分类整体准确率达95.24%,显著优于电子舌(88.45%)、电子鼻(91.67%)及专家感官评价(92.15%),接近lc-ms金标准方法(99.60%)。同时,本发明采用智能手机作为图像采集终端,配合便携式封闭箱体与云端cnn-pcrc模型,无需复杂样品前处理,即可实现"拍摄即识别"的现场快速检测,是一种在高准确率、快速检测、现场便携三个维度上达到优异水平的方法。
30、第二,抗干扰能力强、细粒度特征提取精准。本发明通过在采样阶段对背景和光照进行标准化控制,从源头消除环境干扰;同时提出九宫局部特征采样策略,将3维rgb颜色增强特征与512维深度特征通道拼接,显式地注入了"颜色-活性成分强相关"的先验知识,有效引导网络关注与年份、产地判别强相关的颜色、纹理及油室分布等细粒度视觉线索,显著提升了模型对渐进式品质差异的捕捉能力和对噪声的鲁棒性。
31、第三,小样本条件下泛化性能优异。本发明针对不同产地陈化规律差异显著的特点,采用分产地独立建模策略,避免不同产地间陈化模式的相互干扰;同时引入imagenet迁移学习与分阶段微调训练,有效克服了中药材领域标注样本稀缺的共性难题,五个产地独立测试集上的auc值均达到0.914以上,证明了模型具有良好的泛化能力与稳定性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com