中藥材甘草高光譜數(shù)據(jù)采集與分析

（目的：高光譜識別真假甘草）

一、檢測目的和依據(jù)

• 使用高光譜技術，采集中藥材中真甘草與假甘草光譜數(shù)據(jù)，通過建模分析實現(xiàn)高光譜技術無損檢測甘草真假。

二、樣品類別及數(shù)量

甘草樣本：

1. 中藥材真甘草若干條；

2. 假甘草若干條；

三、檢測設備和方法

檢測設備

1. 400-1000nm高光譜相機

2. 高光譜采集暗箱

3. 黑色托盤（低反射率背景）

4. 輔助材料：標簽（用于標記真假甘草）

采集方式

1、訓練集樣品擺放規(guī)則：

中藥材甘草：將樣品中藥材甘草按如圖所示擺放，使用標簽標記好甘草的真假。

2、驗證集數(shù)據(jù)采集方式

將真假甘草擺放在托盤，標記真假的標簽放在了甘草樣品下面放著

四、采集與分析結果

1. 數(shù)據(jù)提供

提供數(shù)據(jù)格式，每個樣品數(shù)據(jù)包含如下6個格式文件：

• 樣本400-1000nm原始數(shù)據(jù)（包含 .dat、.hdr格式）

• 樣本400-1000nm反射率數(shù)據(jù)（包含 .dat、.hdr格式）

• 樣本400-1000nm高光譜圖像（.png格式）

2. 數(shù)據(jù)預處理

1、使用打標工具，甘草樣本進行打標，結果圖如下 訓練集： 驗證集：
3.光譜反射率提取 真甘草（C1）和假甘草（C2）的反射率平均光譜圖 根據(jù)反射率曲線可以看出，真假甘草反射率存在較大差異
數(shù)據(jù)預處理

為了進一步消除噪聲, 消除位置影響, 提升特征顯著性, 我們實驗了多種預處理方法的組合, 最終選用預處理方式 SGD1 + SNV 對原始進行處理.預處理后的 C1 和 C2 數(shù)據(jù)如下圖所示:

特征分析

根據(jù)波段和分組的相關性分析, 獲得分組相關性前 50 個波段位于下圖中紅色矩形區(qū)域

相關性最高的前 50 個 波段的 PCA 圖像

依據(jù)以上條件我們可以認為：真甘草(C1)和假甘草(C2) 光譜數(shù)據(jù)在 628.02nm 到 731.77nm 之間存在較為明顯的差異

模型訓練

模型采用我們自有的針對高光譜數(shù)據(jù)研發(fā)的深度學習模型架構，更容易捕獲特征與標簽之間的非線性關系。

訓練數(shù)據(jù)使用上文中的 訓練集01，訓練 20 個 Epoch，每個 Epoch 結束后使用驗證集進行一次評估

訓練過程中損失下降情況如下圖所示：

訓練后在訓練集上的推理結果:

對比基線模型(KNN)準確率

驗證集01評價結果

驗證集02評價結果

結果評價：

• 對比訓練集, 模型能力有所下降, 但準確率依然高于基線模型 10% ~ 20%

• 模型能力下降的主要原因是訓練樣本不夠, 使用更多樣本進行訓練可以有效提升模型泛化能力

• 經過后處理, 即: 在空間維度對標簽做平滑處理 + 對單個樣本使用置信度 (樣本中標記為真的光譜數(shù)量 / 樣本中所有光譜的數(shù)量) > 0.8 可以實現(xiàn)對驗證集中樣本識別做到 100% 準確率