基于高光谱技术的半夏伪品鉴别以及产地检测研究

摘要：高光谱技术目前在无损检测领域具有检测速度快、精度高等特点，尤其是在中药材检测领域发挥了重要的作用。 半夏是天南星科植物半夏的干燥块茎，同时也被称为守田、蝎子草等，其中富含生物碱、多糖、有机酸、挥发油等多种 有效药用成分，具有降逆止呕、祛湿化痰、消痞散结等功效，在临床上被广泛使用，是一种及具价值的药用植物，售卖 价格较高。因此，一些商家为了谋取暴利，使用与半夏外观及其相似的水半夏和南星进行冒充，严重危害了药材质量和 人们的生命健康。另外中药向来讲究地道，不同产地的半夏由于环境的影响会导致其中含有的有效药用成分不一致，影 响临床上的使用效果。目前使用的半夏鉴别方法主要分为两类，分别为化学检测法以及近红外光谱法，化学检测法检测 速度慢且操作步骤繁琐，对检测条件要求严格；近红外光谱法只能获取到样本上某个点的光谱信息，无法完全反映整个 样本的有效信息，因此无法反映样品的整体质量。而高光谱技术采集的是整个样本的高光谱数据信息，也可以同时采集 大批量的样本数据，所以使用高光谱技术结合适合的机器学习算法能够实现大批量无损检测功能。根据上述问题，为了 实现半夏的真伪检测以及产地检测，本文使用高光谱技术结合机器学习算法对半夏伪品以及不同产地的半夏进行检测。 主要的研究内容和研究结果如下： （（1）基于高光谱技术的半夏样本数据集研究与制备。首先，分别制备了半夏、水半夏、南星样本以及分别来自河南、 四川、甘肃的半夏样本。接着采用高光谱图像采集系统采集了各类样本的高光谱图像，对图像进行阈值分割将目标样本 从背景中分离出来，再将整个样本设定为感兴趣区域，将感兴趣区域的平均光谱作为该样本的光谱数据。结合光谱曲线 的变化，分析验证了通过高光谱技术结合机器学习算法对半夏进行鉴别的可行性。 （（2）基于高光谱技术的半夏伪品鉴别。首先使用光谱理化值共生距离法（（SPXY）方法划分样本集为训练集和预测集， 引入小波变换（WT）方法对原始光谱进行预处理，去除原始光谱中存在的噪声，并且还与多元散射校正（MSC）、标准 正态变换（（ SNV）预处理方法进行了对比，发现WT预处理的效果最好。接着使用竞争性自适应重加权采样（（ CARS）对 经过预处理后的数据进行特征波长的筛选，再基于筛选出的特征波长建立了鉴别模型，并且与主成分分析（（ PCA）、连续 投影算法（SPA）提取的特征波长建立的鉴别模型进行了对比，结果发现 CARS 的特征波长挑选效果最好。最后，在基 于上述提取的特征波长，建立基于K近邻算法（（ KNN）、BP神经网络（（ BP）、支持向量机（（ SVM）的半夏伪品鉴别模型， 发现SVM的鉴别效果最好。同时对比了各个模型的运行时间，发现基于CARS-SVM的鉴别模型在保证了鉴别精度的情 况下保持了较快的运行速度。最终得出半夏伪品的最优鉴别模型为SPXY-WT-CARS-SVM，最终鉴别准确率达到98.92%， 可以有效的鉴别半夏以及半夏伪品。 （（3）基于高光谱技术的半夏产地检测。使用SPXY划分样本集之后，采用WT对原始光谱数据进行预处理，接着使 用PCA、SPA、CARS对原始数据进行波长筛选，发现SPA的效果最好，分别建立基于KNN、BP、SVM的半夏产地检 测模型，发现SVM效果最佳，鉴别准确率达到了95.55%，但是仍然存在精度不足的问题。于是使用鲸鱼优化算法（（WOA） 与黏菌算法（SMA）来优化SVM模型，优化后的SPXY-WT-SPA-SMA-SVM的模型准确率达到了97.90%，有效提升了 半夏产地的鉴别准确率。 （（4）半夏伪品和产地检测系统设计与开发。系统包含两种检测功能，分别为半夏伪品检测和半夏产地检测，可根据 具体需求选择具体的检测功能。主要操作步骤为导入数据、数据预处理、提取特征波长、显示检测结果、保存检测结果， 用户可以根据自己的需求在各个步骤选择不同的处理方法，若用户不做要求则根据得出的最优鉴别模型进行鉴别。同时 对设计完成的系统进行了性能测试，结果显示运行过程流畅、运行速度快，半夏伪品的鉴别准确率达到97.66%，半夏产 地检测的准确率达到97.33%。

关键词：半夏；高光谱技术；判别模型；无损检测系统；机器学习

期刊：延安大学

设备：GaiaField