[发明专利]一种医药异物高光谱分类检测方法

说明书

本发明公开了一种医药异物高光谱分类检测方法，首先输入医药异物高光谱图像；其次提出多项式平滑滤波的异物高光谱去噪方法，抑制光谱噪声干扰；再次提出异物光谱波段聚类分组PCA降维与半监督LDA结合的特征提取方法，先采用波段聚类分组PCA降维对预处理后图像进行降维处理，并通过半监督LDA提取光谱特征，随后利用二维Gabor滤波器提取空间特征，将上述特征联合作为图像的分类特征；最后采用支持向量机实现医药异物检测并输出异物类别。本发明提出了PCA和LDA二次降维的方法，以便提取出更有利于后续分类操作的光谱特征；同时，引入半监督LDA降低对标签数据的依赖，实现少量标签数据样本下异物的高准确率检测。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种医药异物高光谱分类检测方法。

背景技术

近年来我国医药市场发展迅速，市场规模由2015年的12207亿元增加至2019年的16330亿元，年复合增长率为7.5%，预期2020年至2021年将进一步以6.8%的年复合增长率保持增长，并且2021年达到13057亿元。与此同时，医药安全作为医药工业发展的基石和人民群众健康的重要保障，也越发受到行业内外的关注。在医药生产过程中，常出现玻璃、屑石块、毛发、橡胶屑等种类多样且微弱的异物，为医药安全带来了潜在危险，因此医药异物检测成为制药过程中不可避免的一项工作。传统的人工检测法难以保证检测的可靠性和效率，愈发无法满足日益严格的检测标准。由于高光谱技术可以根据每种物质在同一光学环境下出现的独特的光谱信息快捷地实现对物质地检测和分类问题，其已被应用到真伪鉴定、药材鉴别、产地溯源、含量测定等多种医药检测用途中。目前高光谱检测主要存在以下问题：

（1）高光谱数据包含成百上千个波段，直接使用高维数据不但存储、传输成本很高，数据挖掘效率低，而且随着数据维数的增加，数据计算过程中运算量会呈指数倍增长，在实际应用中产生“维数灾难”问题。数据降维以牺牲一部分信息为代价，通过寻找有效、简单的数据表示方式，在保留高维数据的有效信息、保持数据的分类结果不变的前提下，降低数据表示复杂度，实现对数据由高维空间到低维空间的转换，能够有效解决“维数灾难”问题。PCA（Principal Component Analysis，主成分分析）作为应用最广泛的无监督降维方法之一，主要是选择样本点投影具有最大方差的方向，以保存尽可能多的原始信息为目的，导致所提取的光谱特征可能存在可区分性不强而不利于后续的分类操作的问题；LDA（LatentDirichlet Allocation，隐含狄利克雷分布）作为一种有监督降维方式则通过寻求投影后不同类别之间数据点距离更大化以及同一类别数据点距离最小化来选择分类性能最好的方向，但存在数据可能过渡拟合的问题。