10.3964/j.issn.1000-0593(2020)11-00-06
高光谱成像技术结合特征波长优化对苍术颗粒剂生产厂家的可视化判别研究
为了给苍术颗粒剂基于高光谱成像的可视化区分提供理论指导,选用竞争性自适应重加权采样法(CARS)和相关性分析(CA)进行两次特征波长选择,提出了利用近红外高光谱成像技术对苍术颗粒剂产品溯源的新方法.874~1734 nm波段范围内150个来自三个生产厂家的苍术颗粒剂高光谱图像,提取感兴趣区域(ROI)的光谱反射率值作为鉴别模型的输入变量,采用邻近算法(KNN)、误差反向传输神经网络(BPNN)、偏最小二乘法判别分析(PLS-DA)、最小二乘支持向量机(LS-SVM)建立四种算法(分类器)的判别模型.通过对模型效果的评价标准(预测集总体判别率以及kappa系数)来判别三个不同厂家苍术颗粒剂的区分效果.除K N N模型外,预测集的判别率都是100%,kappa系数均为1.为了加快运算速度,研究通过CARS、随机蛙跳算法(RF)、连续投影算法(SPA)和序列前向选择(SFS)算法初步选择特征波长;采用CARS,RF,SFS和SPA结合CA算法取得了4组最优波长.分别得到4个(975,1220,1419,1476 nm)、2个(1005,1442 nm)、4个(924,1005,1419,1584 nm)和3个(948,1146,1412 nm)最优波长,并分别建立了KNN,BPNN,PLS-DA和LS-SVM判别模型.因此,在筛选三种最优算法的情况下,能够以较少的特征波长个数获得的最好建模效果为:CARS-CA-LS-SVM模型中预测集总体判别率是100%,kappa系数为1.最后,将CARS-CA筛选出波长变量的每个像素点光谱数据输入到LS-SVM模型中,将判别结果用不同颜色直观显示.该研究为快速无损进行苍术颗粒剂产品溯源提供了思路,为今后开发相关机构的快速监管提供了技术支持.
高光谱成像、苍术颗粒剂、化学计量学、特征波长
40
O657.3(分析化学)
国家自然科学基金项目;湖州市科技计划项目
2020-11-16(万方平台首次上网日期,不代表论文的发表时间)
共6页
3567-3572