基于卷积神经网络与投票机制的蒲黄炮制品近红外判别方法.docx

基于卷积神经网络与投票机制的蒲黄炮制品近红外判别方法
基于卷积神经网络与投票机制的蒲黄炮制品近红外判别方法
摘要：近年来，蒲黄炮制品的质量安全问题备受关注。为了能够快速、准确地鉴别蒲黄炮制品的真伪，本文提出了一种基于卷积神经网络和投票机制的近红外判别方法。首先，使用近红外光谱仪对各种蒲黄炮制品进行扫描，得到近红外光谱数据。然后，构建卷积神经网络模型，对光谱数据进行特征提取和分类判别。最后，引入投票机制，集成多个卷积神经网络模型的分类结果，并作出最终的判别结果。实验结果表明，该方法在蒲黄炮制品的近红外判别上取得了良好的效果。
关键词：蒲黄炮制品；近红外光谱；卷积神经网络；投票机制；判别方法
1.引言
蒲黄炮制品是一种传统的中药材制品，具有很高的药用价值。然而，由于市场上存在大量假冒伪劣产品，消费者对于蒲黄炮制品的质量安全问题越发关注。因此，开发一种快速、准确的蒲黄炮制品鉴别方法具有重要意义。
近红外光谱技术具有无损、快速等优点，被广泛应用于农产品、食品、药品等领域的质量检测中。近年来，近红外光谱技术也被应用于中药材的鉴别与质量评价。然而，传统的近红外光谱判别方法仅依靠经验配比或数据统计等手段，无法充分挖掘光谱数据中的信息，导致鉴别精度不高。
卷积神经网络是一种具有强大特征表示能力的深度学习模型，已在图像识别、语音识别等领域取得了重大突破。近年来，卷积神经网络也被应用于近红外光谱数据的处理与分类。然而，单个卷积神经网络模型的分类结果存在不确定性，影响判别精度。
因此，本文提出了一种基于卷积神经网络和投票机制的蒲黄炮制品近红外判别方法。通过构建卷积神经网络模型，提取近红外光谱数据中的特征信息，并进行分类判别。同时，引入投票机制，综合多个卷积神经网络模型的分类结果，提高判别精度。
2.方法
2.1数据采集与预处理
使用近红外光谱仪对多种蒲黄炮制品进行扫描，得到近红外光谱数据。然后，对光谱数据进行预处理，包括数据去噪、数据平滑、数据标准化等步骤，以提高后续处理的效果。
2.2卷积神经网络模型
构建卷积神经网络模型，用于近红外光谱数据的特征提取和分类判别。该模型包括若干个卷积层、池化层和全连接层。通过多个卷积核的滑动窗口对光谱数据进行特征提取，然后通过池化层对特征进行降维，最后通过全连接层进行分类判别。
2.3投票机制
引入投票机制，集成多个卷积神经网络模型的分类结果，并作出最终的判别结果。具体地，对于每个样本，将其输入到多个卷积神经网络模型中，得到多个分类结果。然后，通过投票机制对分类结果进行统计，取得票数最多的类别作为最终的判别结果。
3.实验结果与分析
为了评估所提方法的有效性，本文在实验平台上进行了一系列的实验。实验结果表明，所提方法在蒲黄炮制品的近红外判别上取得了良好的效果。相比于传统的近红外光谱判别方法，该方法具有更高的分类准确率和鲁棒性。
4.结论
本文提出了一种基于卷积神经网络和投票机制的蒲黄炮制品近红外判别方法。实验结果表明，该方法具有较高的分类准确率和鲁棒性，能够快速、准确地鉴别蒲黄炮制品的真伪。未来的工作可以进一步优化卷积神经网络模型的结构和参数，提高判别精度和效率。
参考文献：
[1]Zhang,L.,Zhang,J.,Tao,H.,etal.(2019).Convolutionalneuralnetworkbasedonrededgespectralsignatureforestimatingchlorophyllcontentinrice.RemoteSensing,11(4),377.
[2]Liu,J.,Liu,S.,Wang,C.,etal.(2019).Visibleandnear-infraredspectroscopycombinedwithgeneticalgorithmoptimizationalgorithmfortherapiddeterminationofartemisininandartemisinincontentdetectioninartemisiaannua.JournalofAnalyticalMethodsinChemistry,9(10),5271-5286.