基于深度学习的中药材薄层图谱识别鉴别方法与流程
本发明涉及图像数据处理,尤其涉及基于深度学习的中药材薄层图谱识别鉴别方法。
背景技术:
1、中药材的真伪与基原鉴别是保障中药质量与临床疗效的关键环节。薄层色谱法是一种经典的理化鉴别手段,其基本原理是将中药材提取物在薄层板上展开显色后,形成由多个斑点组成的色谱图谱,通过比对各斑点的位置、颜色和形态特征来实现不同属种药材的区分。传统鉴别主要依赖专家人工判读,存在主观性强、可重复性差和难以批量化处理等问题。近年来,随着深度学习技术的快速发展,出现了基于深度学习模型的自动鉴别方法,该类方法直接采集薄层色谱数字图像,利用深度神经网络提取图像特征并输出属种分类信息,显著提升了检测效率和客观性。
2、然而,中药材的实际检测场景远比实验室验证条件复杂。在鉴别中成药、保健食品添加剂或含有大量辅料的复杂提取物时,薄层板上除反映药材化学组成的目标色谱斑点之外,常伴随由糖分、油脂、增稠剂等非目标成分所导致的无定形晕圈、条带状拖尾和弥散背景。这些基质冲击干扰与有效斑点区域在空间上相互混叠,且不具备固定的形态或纹理模式。现有的深度学习方法大多直接以原始薄层色谱图像作为输入,模型在训练过程中容易捕获基质背景中的虚假纹理与分类标签之间的统计关联,从而产生过拟合,造成错误鉴别。
技术实现思路
1、为解决背景技术中存在的技术问题,本发明提出基于深度学习的中药材薄层图谱识别鉴别方法。
2、本发明提出的基于深度学习的中药材薄层图谱识别鉴别方法,包括以下步骤:
3、s1、获取多个已鉴别中药材薄层色谱图像和各已鉴别中药材薄层色谱图像对应的属种标签;
4、s2、分别对各已鉴别中药材薄层色谱图像进行分解处理,得到各已鉴别中药材薄层色谱图像对应的若干个本征模态图像和一个残差趋势图像;
5、s3、根据各已鉴别中药材薄层色谱图像对应的若干个本征模态图像和一个残差趋势图像,生成各已鉴别中药材薄层色谱图像对应的基质压制图像;
6、s4、获取各已鉴别中药材薄层色谱图像对应的基质压制图像;
7、以各已鉴别中药材薄层色谱图像对应的基质压制图像作为输入样本,以各已鉴别中药材薄层色谱图像对应的属种标签作为监督标签,采用深度学习算法生成深度学习分类网络;深度学习分类网络用于根据输入的基质压制图像输出各属种标签对应的分类输出值;
8、s5、获取待鉴别中药材薄层色谱图像,生成待鉴别中药材的基质压制图像,根据深度学习分类网络得到待鉴别中药材的属种分类信息。
9、优选地,s2中,分别对各已鉴别中药材薄层色谱图像进行分解处理,得到各已鉴别中药材薄层色谱图像对应的若干个本征模态图像和一个残差趋势图像,如下:
10、s21、将每个已鉴别中药材薄层色谱图像均转换为灰度图像,得到每个已鉴别中药材薄层色谱图像对应的灰度初始图像;
11、获取所有灰度初始图像,将所有灰度初始图像缩放为同一图像尺寸,得到每个已鉴别中药材薄层色谱图像对应的灰度训练图像;
12、作为说明,将所有灰度初始图像缩放为同一图像尺寸,可以使全部灰度初始图像具有相同数量的行像素点和列像素点;
13、s22、分别对各已鉴别中药材薄层色谱图像对应的灰度训练图像进行分解处理,得到各已鉴别中药材薄层色谱图像对应的若干个本征模态图像和一个残差趋势图像。
14、优选地,s22中,分别对各已鉴别中药材薄层色谱图像对应的灰度训练图像进行分解处理,得到各已鉴别中药材薄层色谱图像对应的若干个本征模态图像和一个残差趋势图像,如下:
15、s221、对任一已鉴别中药材薄层色谱图像对应的灰度训练图像,将该灰度训练图像作为当前图像;
16、s222、将当前图像划分为多个尺寸一致的局部分析区域;
17、对每个局部分析区域,分别获取局部分析区域内各像素点对应的灰度值;将每个局部分析区域内灰度值数值最大的像素点作为区域极大值点,将每个局部分析区域内灰度值最小的像素点作为区域极小值点;
18、获取当前图像中所有区域极大值点的空间坐标和各区域极大值点对应的灰度值;
19、获取当前图像中所有区域极小值点的空间坐标和各区域极小值点对应的灰度值;
20、s223、根据当前图像中所有区域极大值点的空间坐标和各区域极大值点对应的灰度值,采用薄板样条插值生成上包络曲面;
21、根据当前图像中所有区域极小值点的空间坐标和各区域极小值点对应的灰度值,采用薄板样条插值生成下包络曲面;
22、s224、获取当前图像中各像素点对应的空间坐标位置;
23、对当前图像中任一像素点对应的空间坐标位置,获取该空间坐标位置在上包络曲面上对应的灰度值,作为上包络灰度值;获取该空间坐标位置在下包络曲面上对应的灰度值,作为下包络灰度值;获取上包络灰度值和下包络灰度值的平均值,作为该空间坐标位置对应的包络平均灰度值;
24、获取所有空间坐标位置对应的包络平均灰度值,形成均值曲面;
25、作为说明,将全部空间坐标位置对应的包络平均灰度值按照所在的空间坐标位置组合,即可生成均值曲面;
26、s225、对当前图像中任一像素点对应的空间坐标位置,将该空间坐标位置在当前图像中对应的灰度值,减去该空间坐标位置在均值曲面中对应的包络平均灰度值,得到该空间坐标位置对应的差分灰度值;
27、获取所有空间坐标位置对应的差分灰度值,形成更新后的当前图像;
28、s226、获取当前图像中各像素点对应的空间坐标位置的总数,作为空间坐标位置总数;
29、将均值曲面中各空间坐标位置对应的包络平均灰度值转换为绝对值,将全部绝对值相加后除以空间坐标位置总数,生成包络平均残余值;
30、s227、当包络平均残余值不大于一个灰度级时,将更新后的当前图像作为一个本征模态图像;
31、当包络平均残余值大于一个灰度级时,将更新后的当前图像作为当前图像,并重复执行步骤s222至步骤s226,直至生成本征模态图像;
32、作为说明,灰度级指的是:灰度训练图像中各像素点的灰度值为零至二百五十五的整数;将相邻两个整数灰度值之间的差值作为一个灰度级;
33、s228、从本轮迭代的输入当前图像中减去本征模态图像,得到残差图像;
34、s229、将残差图像划分为多个尺寸一致的分析子区域;
35、获取每个分析子区域内各像素点对应的灰度值;
36、对于任一分析子区域,根据该分析子区域内各像素点对应的灰度值,将数值最大的灰度值作为第一灰度值,将数值最小的灰度值作为第二灰度值;
37、将第一灰度值减去第二灰度值,得到该分析子区域对应的灰度差值;
38、获取所有分析子区域对应的灰度差值;
39、当全部分析子区域对应的灰度差值均不大于一个灰度级时,将残差图像作为残差趋势图像;将步骤s227中生成的本征模态图像作为该已鉴别中药材薄层色谱图像对应的若干个本征模态图像;
40、当全部分析子区域对应的灰度差值中存在灰度差值大于一个灰度级的分析子区域时,将残差图像作为新的当前图像,返回执行步骤s222,直至得到残差趋势图像,并将每次执行步骤s227时生成的本征模态图像提取,作为该已鉴别中药材薄层色谱图像对应的若干个本征模态图像。
41、优选地,s222中,当同一局部分析区域内存在多个灰度值数值最大的像素点时,获取多个灰度值数值最大的像素点各自对应的行坐标,从中选取行坐标数值最小对应的一个或多个像素点作为候选区域极大像素点;当候选区域极大像素点的数量等于1时,将该候选区域极大像素点作为区域极大值点;当候选区域极大像素点的数量大于1时,获取各候选区域极大像素点对应的列坐标,选取列坐标数值最小对应的候选区域极大像素点作为区域极大值点;
42、当同一局部分析区域内存在多个灰度值数值最小的像素点时,获取多个灰度值数值最小的像素点各自对应的行坐标,从中选取行坐标数值最小对应的一个或多个像素点作为候选区域极小像素点;当候选区域极小像素点的数量等于1时,将该候选区域极小像素点作为区域极小值点;当候选区域极小像素点的数量大于1时,获取各候选区域极小像素点对应的列坐标,选取列坐标数值最小对应的候选区域极小像素点作为区域极小值点。
43、优选地,s3中,根据各已鉴别中药材薄层色谱图像对应的若干个本征模态图像和一个残差趋势图像,生成各已鉴别中药材薄层色谱图像对应的基质压制图像,如下:
44、s31、对任一已鉴别中药材薄层色谱图像,获取该已鉴别中药材薄层色谱图像对应的若干个本征模态图像,形成该已鉴别中药材薄层色谱图像对应的本征模态图像集合;对该本征模态图像集合中的任一本征模态图像,进行特征提取处理,生成该本征模态图像对应的模态频率贡献参数、模态纹理贡献参数和模态基质残留参数;
45、s32、获取该本征模态图像集合中各本征模态图像对应的模态频率贡献参数、模态纹理贡献参数和模态基质残留参数,生成该已鉴别中药材薄层色谱图像对应的若干个目标本征模态图像;
46、s33、将该已鉴别中药材薄层色谱图像对应的若干个目标本征模态图像进行叠加,生成模态叠加图像;
47、作为说明,将该已鉴别中药材薄层色谱图像对应的若干个目标本征模态图像进行叠加,指的是将该已鉴别中药材薄层色谱图像对应的若干个目标本征模态图像中,具有相同空间坐标位置的像素点的灰度值相加。
48、获取模态叠加图像中各像素点对应的灰度值,采用灰度拉伸技术,对模态叠加图像中各像素点对应的灰度值进行映射,生成该已鉴别中药材薄层色谱图像对应的基质压制图像;
49、优选地,s31中,该本征模态图像对应的模态频率贡献参数采用如下方式生成:
50、对该本征模态图像执行二维离散傅里叶变换,生成该本征模态图像对应的模态频率图;模态频率图中的每个像素点均具有一个频率幅值;
51、获取模态频率图中的频谱中心点;
52、对模态频率图中的任一像素点,获取该像素点与频谱中心点的欧几里得距离,作为该像素点对应的空间频率距离值;
53、获取模态频率图中各像素点对应的空间频率距离值;在模态频率图中各像素点对应的空间频率距离值中,提取数值最大的空间频率距离值作为最大空间频率距离值;
54、根据最大空间频率距离值将模态频率图划分为低频区域、中频区域以及高频区域,其中:
55、将空间频率距离值不大于最大空间频率距离值三分之一的像素点划分至低频区域;将空间频率距离值大于最大空间频率距离值三分之一且不大于最大空间频率距离值三分之二的像素点划分至中频区域;将空间频率距离值大于最大空间频率距离值三分之二的像素点划分至高频区域;
56、获取模态频率图中全部像素点对应的频率幅值,对模态频率图中全部像素点对应的频率幅值求和得到全图频率幅值总和;
57、获取高频区域内各像素点对应的频率幅值,对高频区域内各像素点对应的频率幅值进行求和得到高频频率幅值总和;
58、获取中频区域内各像素点对应的频率幅值,对中频区域内各像素点对应的频率幅值进行求和得到中频频率幅值总和;
59、将高频频率幅值总和与中频频率幅值总和相加,得到高频和中频频率幅值总和;将高频和中频频率幅值总和除以全图频率幅值总和,得到该本征模态图像对应的模态频率贡献参数。
60、优选地,s31中,该本征模态图像对应的模态纹理贡献参数采用如下方式生成:
61、获取该本征模态图像中各像素点对应的灰度值;对本征模态图像中各像素点对应的灰度值采用灰度共生矩阵法,生成该本征模态图像对应的灰度共生矩阵;从灰度共生矩阵中提取纹理对比度参数,对纹理对比度参数进行归一化处理,得到该本征模态图像对应的模态纹理贡献参数。
62、优选地,s31中,该本征模态图像对应的模态基质残留参数,采用如下方式生成:
63、将该本征模态图像中各像素点对应的灰度值,作为本征模态灰度值;
64、获取该本征模态图像中各像素点在残差趋势图像中对应位置处的灰度值,作为残差趋势灰度值;
65、获取所有本征模态灰度值和所有残差趋势灰度值,对所有本征模态灰度值和所有残差趋势灰度值采用皮尔逊相关系数法,得到本征模态图像与残差趋势图像之间的皮尔逊相关系数,将该皮尔逊相关系数的绝对值作为该本征模态图像对应的模态基质残留参数。
66、优选地,s32中,获取各本征模态图像对应的模态频率贡献参数、模态纹理贡献参数和模态基质残留参数,生成目标本征模态图像,如下:
67、获取各本征模态图像对应的模态频率贡献参数,形成模态频率贡献参数集合;获取模态频率贡献参数集合中所有模态频率贡献参数的平均值;
68、获取各本征模态图像对应的模态纹理贡献参数,形成模态纹理贡献参数集合;获取模态纹理贡献参数集合中所有模态纹理贡献参数的平均值;
69、获取各本征模态图像对应的模态基质残留参数,形成模态基质残留参数集合;获取模态基质残留参数集合中所有模态基质残留参数的平均值;
70、对任一本征模态图像:当该本征模态图像对应的模态频率贡献参数不小于模态频率贡献参数的平均值、该本征模态图像对应的模态纹理贡献参数不小于模态纹理贡献参数的平均值,且该本征模态图像对应的模态基质残留参数不大于模态基质残留参数的平均值时,将该本征模态图像作为目标本征模态图像;
71、当不存在目标本征模态图像时,对任一本征模态图像:该本征模态图像对应的模态频率贡献参数、模态纹理贡献参数和一减去模态基质残留参数得到的数值相加,生成该本征模态图像对应的综合筛选数值;
72、获取各本征模态图像对应的综合筛选数值,形成综合筛选数值集合,获取综合筛选数值集合中所有综合筛选数值的平均值,作为综合筛选平均值;将综合筛选数值不小于综合筛选平均值的本征模态图像作为目标本征模态图像;
73、获取所有目标本征模态图像,得到该已鉴别中药材薄层色谱图像对应的若干个目标本征模态图像。
74、优选地,s5中,获取待鉴别中药材薄层色谱图像,生成待鉴别中药材的基质压制图像,根据深度学习分类网络得到待鉴别中药材的属种分类信息,如下:
75、将待鉴别中药材薄层色谱图像替换已鉴别中药材薄层色谱图像,重复步骤s2-s3,生成待鉴别中药材薄层色谱图像对应的基质压制图像,将该基质压制图像输入深度学习分类网络,深度学习分类网络输出待鉴别中药材薄层色谱图像对应的各属种标签对应的分类输出值;
76、待鉴别中药材薄层色谱图像对应的各属种标签对应的分类输出值中,将数值最大的分类输出值对应的属种标签作为待鉴别中药材的属种分类信息。
77、本发明中,所提出的基于深度学习的中药材薄层图谱识别鉴别方法,具有如下有益的技术效果:
78、本技术通过先对各已鉴别中药材薄层色谱图像进行分解处理,得到若干个本征模态图像和一个残差趋势图像,再对各本征模态图像生成模态频率贡献参数、模态纹理贡献参数和模态基质残留参数,并依据上述三个参数从若干个本征模态图像中筛选目标本征模态图像,将目标本征模态图像进行叠加生成基质压制图像,以基质压制图像作为输入样本训练深度学习分类网络,使得深度学习分类网络在训练过程中所捕获的图像特征集中于反映药材属种差异的色谱斑点纹理,减少了深度学习分类网络在训练过程中对由糖分、油脂、增稠剂等非目标成分所导致的无定形晕圈、条带状拖尾和弥散背景的响应,从而缓解了因基质冲击干扰造成模型在复杂基质样本上出现错误鉴别的问题。
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