中药材甘草高光谱数据采集与分析

中药材甘草高光谱数据采集与分析

（目的：高光谱识别真假甘草）

一、检测目的和依据

• 使用高光谱技术，采集中药材中真甘草与假甘草光谱数据，通过建模分析实现高光谱技术无损检测甘草真假。

二、样品类别及数量

甘草样本：

1. 中药材真甘草若干条；

2. 假甘草若干条；

三、检测设备和方法

检测设备

1. 400-1000nm高光谱相机

2. 高光谱采集暗箱

3. 黑色托盘（低反射率背景）

4. 辅助材料：标签（用于标记真假甘草）

采集方式

1、训练集样品摆放规则：

中药材甘草：将样品中药材甘草按如图所示摆放，使用标签标记好甘草的真假。

2、验证集数据采集方式

将真假甘草摆放在托盘，标记真假的标签放在了甘草样品下面放着

四、采集与分析结果

1. 数据提供

提供数据格式，每个样品数据包含如下6个格式文件：

• 样本400-1000nm原始数据（包含 .dat、.hdr格式）

• 样本400-1000nm反射率数据（包含 .dat、.hdr格式）

• 样本400-1000nm高光谱图像（.png格式）

2. 数据预处理

1、使用打标工具，甘草样本进行打标，结果图如下 训练集： 验证集：
3.光谱反射率提取 真甘草（C1）和假甘草（C2）的反射率平均光谱图 根据反射率曲线可以看出，真假甘草反射率存在较大差异
数据预处理

为了进一步消除噪声, 消除位置影响, 提升特征显著性, 我们实验了多种预处理方法的组合, 最终选用效果最好的预处理方式 SGD1 + SNV 对原始进行处理.预处理后的 C1 和 C2 数据如下图所示:

特征分析

根据波段和分组的相关性分析, 获得分组相关性最高的前 50 个波段位于下图中红色矩形区域

相关性最高的前 50 个 波段的 PCA 图像

依据以上条件我们可以认为：真甘草(C1)和假甘草(C2) 光谱数据在 628.02nm 到 731.77nm 之间存在较为明显的差异

模型训练

模型采用我们自有的针对高光谱数据研发的深度学习模型架构，更容易捕获特征与标签之间的非线性关系。

训练数据使用上文中的 训练集01，训练 20 个 Epoch，每个 Epoch 结束后使用验证集进行一次评估

训练过程中损失下降情况如下图所示：

训练后在训练集上的推理结果:

对比基线模型(KNN)准确率

验证集01评价结果

验证集02评价结果

结果评价：

• 对比训练集, 模型能力有所下降, 但准确率依然高于基线模型 10% ~ 20%

• 模型能力下降的主要原因是训练样本不够, 使用更多样本进行训练可以有效提升模型泛化能力

• 经过后处理, 即: 在空间维度对标签做平滑处理 + 对单个样本使用置信度 (样本中标记为真的光谱数量 / 样本中所有光谱的数量) > 0.8 可以实现对验证集中样本识别做到 100% 准确率

中药材甘草高光谱数据采集与分析信息由高光谱数据采集分析服务商为您提供，如您想了解更多关于中药材甘草高光谱数据采集与分析报价、项目、资质、周期、参考标准等信息，欢迎来电或留言咨询。

1. 数据提供

    我们根据事先与客户商量好的需求，根据客户需要的数据格式与内容进行提供。如客户对数据有疑问我们会有专业的技术人员直接与客户对接解答。

2. 售后服务

    用户数据对任何第三方保密，绝不外泄敏感数据；

    用户数据会在我们服务器保存至少一个月，在一个月时间内，客户如有数据需要，我们会及时发送给客户，如果客户有数据提取，处理的需要，我们也可以及时帮助处理。

    因作业内容属服务性质，如产生退款情况，所有工作一旦产生服务工作量，将不支持全额退款，需要扣除一定的工作费用；另外，如果服务商按照客户要求完成了其需要的工作内容，则服务款完全不退。

3. 权责界定与注意事项

明确双方责任，避免后续纠纷，尤其需注意 “客户配合义务” 与 “售后限制”。

• 客户权责：

• 需详细描述并确认自己的需求，服务上会根据需求评估工作量进行报价；

• 如果在签订协议后，客户有提出新的补充需求，则需要再次评估工作量并报价；

• 售后过程中需配合提供补充信息。

• 我方权责：

• 严格按约定流程时限处理，若超时将主动告知延误原因（如 因天气，设备等不足导致服务延迟，需提前告知）；

• 保证售后质量（客户问题随时提问，技术人员会及时）；

• 保护客户隐私（如 “售后过程中收集的个人信息、商品数据仅用于售后处理，不泄露给第三方”）。