首页 > 分享 > 基于高光谱成像的龟甲年限鉴别方法、鉴别模型

基于高光谱成像的龟甲年限鉴别方法、鉴别模型

萌宠菠菠乐园
2025-02-19 08:28

本发明属于数据处理，具体涉及基于高光谱成像的龟甲年限鉴别方法、鉴别模型。

背景技术：

1、龟甲为龟科动物乌龟的背甲及腹甲。史载于《神农本草经》，在中国龟甲入药和食疗已经有1700年的历史，是中国传统名贵药材之一。龟甲的药理作用为调节能量代谢、增强免疫、补血、健骨、保护神经系统、促进生长，从而达到滋阴潜阳、益肾强骨、养血补心的功效。主要适应于阴虚阳亢、骨蒸潮热、头晕目眩、虚风内动、手足蠕动、筋骨不健、腰膝痿弱、小儿囟门不合、惊悸失眠、健忘等症状的治疗。龟甲的成分十分复杂，目前研究已发现龟甲中含有，矿质元素、脂肪酸、磷、肽类、酶和多种氨基酸，还含有锌、锰、铜、钙、镁、铁等多种人体必需微量元素。

2、现代医疗保健对龟甲的需求日益增加，但是市场上龟甲质量参差不齐，以次充好现象时有发生，龟甲用药的安全性和有效性无法得到保证。而且有文献研究生长三年以上的乌龟的龟甲才能入药，随着龟甲年龄的增大，锌、锰、铜元素的含量以及滋阴有效部位逐渐增大，龟甲疗效更好。因此，准确地鉴别龟甲年限具有重要意义。

3、然而不同年份的龟甲在形态纹理等外观特征上差异小，依靠传统的目视检查直接鉴别十分困难。随着检测技术的进步，现代化学检测技术以及dna序列检测也可用于龟甲年限鉴别，但是操作复杂、耗时长，需要训练有素的专业人员掌握复杂的技术，而且通常都需要对样本结构造成破坏，鉴别成本太高。

技术实现思路

1、有鉴于此，一方面，一些实施例公开了基于高光谱成像的龟甲年限鉴别方法，包括步骤：

2、s1、采集不同年限的龟甲样品的高光谱数据；

3、s2、处理得到的高光谱数据；

4、s3、将处理后的高光谱数据按照设定尺寸划分为多个图像块，形成龟甲样本数据集；

5、s4、建立三维卷积神经网络模型；

6、s5、利用龟甲样本数据集训练三维卷积神经网络，得到龟甲年限鉴别模型。

7、进一步，一些实施例公开的基于高光谱成像的龟甲年限鉴别方法，步骤s2处理得到的高光谱数据包括：

8、s2-1、采用黑白校正减少光源强度分布不均对图像数据的影响；

9、s2-2、对校正后的高光谱图像数据进行主成分分析降维。

10、进一步，一些实施例公开的基于高光谱成像的龟甲年限鉴别方法，步骤s2-1中黑白校正的计算公式为：

11、

12、其中，rraw代表原始高光谱图像，rcal代表最终校正后的高光谱图像，rdark代表黑色参考图像，rwhite代表白色参考图像。

13、一些实施例公开的基于高光谱成像的龟甲年限鉴别方法，步骤s3中，将龟甲样本数据集按照8:2比例分为训练集和测试集。

14、一些实施例公开的基于高光谱成像的龟甲年限鉴别方法，步骤s4中，三维卷积神经网络包括输入层、光谱-空间注意力模块、三维卷积层、全连接层和softmax层。

15、一些实施例公开的基于高光谱成像的龟甲年限鉴别方法，三维卷积层包括三维卷积运算、批量归一化层以及激活函数层；

16、三维卷积运算的公式为：

17、

18、其中，m代表与当前第j个特征图相连的第i-1层的特征图，hi和wi分别是卷积核在空间的高度和宽度，ri是卷积核在光谱维度上的深度，是与第m个特征图相连的(h,w,r)处的权重，φ()是激活函数，bij是第i层的第j个特征图的偏置，表示第i层的第j个特征图在位置(x,y,z)处的图像块；表示第i-1层的第j个特征图在位置(x+h,y+w,z+r)处的图像块。

19、一些实施例公开的基于高光谱成像的龟甲年限鉴别方法，光谱-空间注意力模块包括光谱注意力机制和空间注意力机制，对于输入特征图l∈rh×w×c，整体计算公式为：

20、

21、

22、其中，mse(l)为经过光谱注意力机制生成的光谱注意力图，l′为光谱注意力机制输出特征图；msa(l′)为经过空间注意力机制生成的空间注意力图；l″为空间注意力机制输出特征图。输入特征图通常为龟甲样本数据集中的龟甲样本图像数据。

23、一些实施例公开的基于高光谱成像的龟甲年限鉴别方法，光谱注意力机制将输入特征图经过全局最大池化和全局平均池化映射到一个谱权重向量，谱权重向量计算公式为：

24、

25、进一步，利用谱权重向量得到光谱注意力图，光谱注意力图的计算公式为：

26、mse(l)＝σ(ms′e(l))

27、其中，ms′e(l)为谱权重向量；为光谱上的平均池化特征，由全局平均池化生成；为光谱上的最大池化特征，由全局最大池化生成；w0为第一个全连接层的降维参数；w1为第二个全连接层的增维参数；frelu为relu激活函数；σ为sigmoid函数；mse(l)为经过光谱注意力机制生成的光谱注意力图。

28、一些实施例公开的基于高光谱成像的龟甲年限鉴别方法，空间注意力机制在通道维度上进行最大值和平均值的汇聚，通过带有空间注意力权重的卷积生成空间特征图；计算公式为：

29、

30、msa(l)＝σ(ms′a(l))

31、其中，为通道上的平均池化特征，为通道上的最大池化特征，*是滤波器大小为7×7的卷积运算，σ为sigmoid函数，ms′a(l)为空间注意力权重，w2为空间注意力机制卷积参数，msa(l)为空间特征图。

32、另一方面，一些实施例公开了基于高光谱成像的龟甲年限鉴别模型，由基于高光谱成像的龟甲年限鉴别方法得到。

33、本发明实施例公开的基于高光谱成像的龟甲年限鉴别方法，利用高光谱成像技术，能够同时获得多波段光谱变量和龟甲的空间位置信息，提取龟甲的高光谱信息并进一步预处理，将预处理后的光谱信息进一步经过通过三维卷积神经网络训练，得到训练厚度龟甲年限鉴定模型；基于高光谱成像的龟甲年限鉴定方法，利用了高光谱数据的光谱信息和图像的空间信息，进一步结合三维卷积神经网络的深度学习能力，根据高光谱图像的三维特性，选取三维卷积神经网络搭建模型，模型中光谱-空间注意力机制结合三维卷积运算，能够充分挖掘高光谱图像特征，同时获取空间信息和光谱信息，最终实现快速、无损的龟甲年限鉴别，为工业生产中龟甲的年份鉴别提供了理论依据和数据支撑，在龟甲年限准确鉴定等中医药材鉴定领域中有良好应用前景。

技术特征：

1.基于高光谱成像的龟甲年限鉴别方法，其特征在于，包括步骤：

2.根据权利要求1所述的基于高光谱成像的龟甲年限鉴别方法，其特征在于，步骤s2处理得到的高光谱数据包括：

3.根据权利要求2所述的基于高光谱成像的龟甲年限鉴别方法，其特征在于，步骤s2-1中黑白校正的计算公式为：

4.根据权利要求1所述的基于高光谱成像的龟甲年限鉴别方法，其特征在于，步骤s3中，将所述龟甲样本数据集按照8:2比例分为训练集和测试集。

5.根据权利要求1所述的基于高光谱成像的龟甲年限鉴别方法，其特征在于，步骤s4中，所述三维卷积神经网络包括输入层、光谱-空间注意力模块、三维卷积层、全连接层和softmax层。

6.根据权利要求5所述的基于高光谱成像的龟甲年限鉴别方法，其特征在于，所述三维卷积层包括三维卷积运算、批量归一化层以及激活函数层；

7.根据权利要求5所述的基于高光谱成像的龟甲年限鉴别方法，其特征在于，所述光谱-空间注意力模块包括光谱注意力机制和空间注意力机制，对于输入特征图l∈rh×w×c，整体计算公式为：

8.根据权利要求7所述的基于高光谱成像的龟甲年限鉴别方法，其特征在于，所述光谱注意力机制将输入特征图经过全局最大池化和全局平均池化映射到一个谱权重向量，所述谱权重向量计算公式为：

9.根据权利要求7所述的基于高光谱成像的龟甲年限鉴别方法，其特征在于，所述空间注意力机制在通道维度上进行最大值和平均值的汇聚，通过带有空间注意力权重的卷积生成空间特征图；计算公式为：

10.基于高光谱成像的龟甲年限鉴别模型，其特征在于，由权利要求1～9任一项所述的基于高光谱成像的龟甲年限鉴别方法得到。

技术总结
本发明实施例公开了基于高光谱成像的龟甲年限鉴别方法、鉴别模型；鉴别方法包括步骤：(1)、采集不同年限的龟甲样品的高光谱数据；(2)、处理得到的高光谱数据；(3)、将处理后的高光谱数据按照设定尺寸划分为多个图像块，形成龟甲样本数据集；(4)、建立三维卷积神经网络模型；(5)、利用龟甲样本数据集训练三维卷积神经网络，得到龟甲年限鉴别模型。基于高光谱成像的龟甲年限鉴定方法，利用高光谱图像数据的光谱信息和图像的空间信息，根据高光谱图像的三维特性，搭建三维卷积神经网络模型，并利用光谱‑空间注意力机制结合三维卷积运算，能够充分挖掘高光谱图像特征，同时获取空间信息和光谱信息，实现快速、无损的龟甲年限鉴别。

技术研发人员：王婷婷,毛晓波,徐华兴,胡会强,徐振宇
受保护的技术使用者：郑州大学
技术研发日：
技术公布日：2024/1/13