[发明专利]一种蒲黄炭炮制品的近红外在线质量检测方法

说明书

本发明公开了一种蒲黄炭炮制品的近红外在线质量检测方法，包括以下步骤：（1）样品制备和采集样本的近红外光谱数据；(2)对光谱数据进行预处理；（3）采用卷积神经网络（Convolutional Neural Network,CNN）与投票机制建立蒲黄炭炮制品鉴别模型。本发明首次采用基于卷积神经网络与投票机制的近红外分析方法对蒲黄炭炮制品质进行客观，快速，高效识别，为市场蒲黄炭炮制品的质量监管提供科学依据。

技术领域

本发明属于药材检测技术领域；具体涉及一种基于卷积神经网络与投票机制的蒲黄炭炮制品的近红外质量检测方法。

背景技术

蒲黄系香蒲科香蒲属，为东方香蒲或同属植物的干燥花粉。蒲黄是一味著名的中药，具有止血、化瘀及通淋等多种功效。制炭是将净选或切制后的药材经高温处理，使药材外部炭化、内部保留固有性能的一种中药炮制方法。生蒲黄经过炭化制成的蒲黄炭具有明显的抗出血作用，被广泛应用于临床抗血栓，创面和出血。然而炒炭程度对其止血作用具有重要影响。

蒲黄炒炭过程极难掌握，炭化过程中容易出现“不及”或“太过”现象，从而产生轻度炭化、标准炭化与重度炭化三种不同的蒲黄炭药品。这三种蒲黄炭化程度不同，凝血效果优劣不等。当前判别蒲黄炭的方法多为凭借人工经验进行肉眼观测或通过HPLC指纹图谱法对蒲黄炭进行质量评价。人工判别的方法，判别效率低，受主观影响大，判别结果不稳定；需要使用各种仪器和化学试剂对药物材料进行破坏性的预处理，昂贵耗时的问题且以上各方法均为终端检测，不能实时监测炮制的进程。因此，亟需提出一种高效、客观且准确的蒲黄炭判别方法。

近红外光谱是介于可见光和中红外之间，波长范围为700-2500nm的电磁辐射波。通过扫描样品的近红外光谱，可以得到样品中有机分子含氢基团的特征信息。近红外光谱分析技术具有快速、无损与无污染等优点，被广泛应用于食品、鲜花与药物分析等领域。当前近红外的判别方法大多使用传统的机器学习方法。传统的一般采用手工特征。而手工特征耗时费力，且需要研究人员熟悉特定应用领域。

深度学习是机器学习的进一步发展，通过模拟人脑进行分析学习并建立神经网络，模仿人脑的机制解释数据。深度学习是一种使计算机自动学习并提取模式特征的方法，能够降低人为设计特征产生的不完备性。因此，如何通过深度学习方法抽取近红外光谱的深度特征并进行学习，得到基于深度学习方法的蒲黄炭炮制品识别模型是当前需要解决的关键问题。

发明内容

为解决以上技术问题，本发明提供了一种基于卷积神经网络与投票机制在线检测蒲黄炭炮制的近红外质量检测方法，该方法的准确率较高。与传统鉴别方法相比，这种实时在线检测方法能客观、迅速、高效、数字化评价中药质量。

为实现以上目的，本发明提供的技术方案如下：

一种蒲黄炭炮制品的近红外在线质量检测方法。包括以下步骤：

(1)样品制备：根据中国药典炒炭要求，控制火候，炒制不同炒炭程度的蒲黄炭样品，制得蒲黄标准炭样品、蒲黄炒炭不及样品和蒲黄炒过炭样品；

(2)近红外光谱数据采集：以积分球漫反射法采集三种蒲黄炭样品的近红外光谱数据；

(3)对光谱数据进行预处理：分别采用原始光谱，矢量归一化(SNV)，一阶差分以及Min_Max标准化四种方法对三种蒲黄炭样品的近红外光谱数据进行预处理；

(4)采用卷积神经网络与投票机制建立蒲黄炭炮制品鉴别模型，具体步骤为：

A：使用卷积神经网络进行模型训练：将经四种预处理方法处理后的数据集分别记为：S_tr1，S_tr2，S_tr3与S_tr4，分别输入至CNN深度学习网络进行CNN模型训练与预测，以对不同预处理方法的性能进行评判；