基于高光谱成像技术和深度学习算法识别Puerariae Thomsonii Radix的生长年数
Lei Zhang1,2, Yu Guan3, Ni Wang4
1China Academy of Chinese Medical Sciences, No.16, Nanxiao Street, Dongzhimen, Dongcheng District, Beijing, 100700, People's Republic of China.
Scientific reports
|August 31, 2023
概括
识别Puerariae Thomsonii Radix (PTR) 的生长年份对于质量控制至关重要. 卷积神经网络 (CNN) 与高光谱成像 (HSI) 结合,提供了一种快速,非破坏性的方法,达到90%以上的准确性.
科学领域:
- 农业科学 农业科学
- 分析化学 分析化学
- 计算机科学 计算机科学
背景情况:
- 普埃拉里亚 (Puerariae Thomsonii Radix) (PTR) 的质量与其生长年限有关,因此需要准确的鉴定以进行质量控制.
- 传统中医药 (TCM) 需要可靠的方法来验证真实性和质量属性,如生长时间.
研究的目的:
- 开发一种快速,非破坏性的方法来识别Puerariae Thomsonii Radix.的生长年份.
- 为了评估卷积神经网络 (CNN) 与高光谱成像 (HSI) 结合用于此识别任务的有效性.
主要方法:
- 使用高光谱成像 (HSI) 来捕获Puerariae Thomsonii Radix样本的光谱数据.
- 开发了一个卷积神经网络 (CNN) 分类框架,并与传统的化学测量方法和机器学习算法进行了比较.
主要成果:
- 基于CNN的模型,利用来自PTR外表面的超光谱数据,实现F1得分超过90%.
- 这种深度学习方法在识别PTR增长年时显著优于基线模型,包括随机森林和eXtreme梯度提升.
结论:
- 深度学习算法与HSI技术相结合,为快速,非破坏性识别Puerariae Thomsonii Radix生长年提供了可行和有效的解决方案.
- 这种方法有可能用于其他传统中国草药的质量控制,包括来源和生长时间的识别.
