本发明涉及高光谱图像处理领域，具体涉及一种基于高光谱图像处理的中药材鉴别模型构建方法及系统。
背景技术：
1、目前，传统的中药材鉴别分析方法，如液相色谱法和近红外光谱技术，能够对中药材的有效成分进行分析，但它们在处理高光谱图像数据时面临诸多问题，特别是光谱维度波长的共线性、冗余信息和数据维度过大问题。这些问题可能导致模型过拟合，影响鉴定的准确性，且对存储器的需求较高。
2、现有的中药材鉴定方法未能充分考虑光谱波长之间的非线性和全局相互作用，导致在波长选择上过于依赖相邻波长，结果保留了过多的冗余信息。这一局限性使得提升中药材鉴定的实时性和准确率成为该领域亟待解决的技术难题。
技术实现思路
1、本发明提供了一种基于高光谱图像处理的中药材鉴别模型构建方法及系统，通过高光谱图像处理技术和深度学习算法应用，在减少数据冗余和提高中药材鉴别准确率的同时，也降低对存储器的需求。
2、本发明的技术方案是：
3、根据本发明的第一方面，提供了一种基于高光谱图像处理的中药材鉴别模型构建方法，包括：获取不同类别中药材的高光谱图像，对所述高光谱图像进行处理，获得包含光谱维度的全波长光谱数据集；将所述全波长光谱数据集输入至卷积神经网络模型进行训练，获得训练好的全波长光谱中药材鉴别的卷积神经网络模型；基于所述全波长光谱中药材鉴别的卷积神经网络模型，生成反映不同类别中药材的波长重要性曲线；基于所述波长重要性曲线选择关键光谱特征波长；根据所述关键光谱特征波长构建特征波长数据集；基于所述特征波长数据集输入至卷积神经网络模型进行训练，获得训练好的特征波长光谱中药材鉴别模型。
4、还包括：采集待测中药材的高光谱图像，将所述待测中药材的高光谱图像输入所述特征波长光谱中药材鉴别模型，获得鉴别结果。
5、对所述高光谱图像进行处理，具体为：依次对所述高光谱图像进行校正、阈值分割、数据扩充和预处理。
6、所述全波长光谱中药材鉴别的卷积神经网络模型、特征波长光谱中药材鉴别模型的网络结构相同，均包括：1个输入层、4个rep-block卷积层、全局最大池化层、平均池化层、全连接层、softmax层以及1个输出层；其中，每层rep-block模块将输入分成两个分支，第一分支依次采用1×3的一维卷积核、批量归一化，第二分支依次采用1×1卷积核、批量归一化，两个分支元素相加操作后经relu激活函数获得输出。
7、基于所述全波长光谱中药材鉴别的卷积神经网络模型，采用多层梯度加权类激活映射方法，生成反映不同类别中药材的波长重要性曲线。
8、所述基于所述全波长光谱中药材鉴别的卷积神经网络模型，采用多层梯度加权类激活映射方法，生成反映不同类别中药材的波长重要性曲线，包括：使用梯度加权类激活映射方法分别获取全波长光谱中药材鉴别的卷积神经网络模型中每个rep-block层在当前类别标签下不同类别的激活曲线；对每个rep-block层在当前类别标签下的不同类别的激活曲线进行均值化处理，得到当前类别标签在该rep-block层的均值化后激活曲线；对均值化后激活曲线进行线性插值方法处理，获得综合激活曲线；当前类别标签的各rep-block层输出的综合激活曲线进行加权平均计算，根据rep-block层的深度顺序，分别赋予不同的权重，以得到当前类别标签的波长重要性曲线；通过上述过程，获得不同当前类别标签下生成的相应的波长重要性曲线。
9、基于所述波长重要性曲线，采用寻峰方法在原始光谱波长中选择关键光谱特征波长；寻峰方法在选择关键特征波长时，确保间隔不超过预定的最大值。
10、根据本发明的第二方面，提供了一种基于高光谱图像处理的中药材鉴别模型构建系统，包括：第一获得模块，用于获取不同类别中药材的高光谱图像，对所述高光谱图像进行处理，获得包含光谱维度的全波长光谱数据集；第二获得模块，用于将所述全波长光谱数据集输入至卷积神经网络模型进行训练，获得训练好的全波长光谱中药材鉴别的卷积神经网络模型；生成模块，用于基于所述全波长光谱中药材鉴别的卷积神经网络模型，生成反映不同类别中药材的波长重要性曲线；构建模块，用于基于所述波长重要性曲线选择关键光谱特征波长；根据所述关键光谱特征波长构建特征波长数据集；第三获得模块，用于基于所述特征波长数据集输入至卷积神经网络模型进行训练，获得训练好的特征波长光谱中药材鉴别模型。
11、根据本发明的第三方面，提供了一种终端，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器被配置为执行上述中任一项所述的基于高光谱图像处理的中药材鉴别模型构建方法。
12、根据本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，该程序被处理器执行时使处理器实现上述中任一项所述的基于高光谱图像处理的中药材鉴别模型构建方法。
13、本发明的有益效果是：
14、1、高效的特征波长提取：通过对获取不同类别中药材样本的高光谱图像进行分析，本发明有效提取分辨不同类别中药材的关键波长信息。该过程提高了中药材鉴别的准确性，且通过提取关键特征波长，降低对存储器的资源消耗。
15、2、多层梯度加权类激活映射方法的应用优势：与传统的机器学习波长选择方法相比，使用多层梯度加权类激活映射方法在特征波长的提取上展现出明显的优势。通过该方法能够高效地提取关键的共性特征波长，减少了所需的数据量，同时提升鉴别模型的通用性、鲁棒性和准确率。
16、通过分析可知，本发明在很大程度上节约了资源与时间，为中药材分类提供了一种高效和可靠的技术途径，具有广阔的应用潜力和实践价值。
1.一种基于高光谱图像处理的中药材鉴别模型构建方法，其特征在于，包括：
2.根据权利要求1所述的基于高光谱图像处理的中药材鉴别模型构建方法，其特征在于，还包括：采集待测中药材的高光谱图像，将所述待测中药材的高光谱图像输入所述特征波长光谱中药材鉴别模型，获得鉴别结果。
3.根据权利要求1所述的基于高光谱图像处理的中药材鉴别模型构建方法，其特征在于，对所述高光谱图像进行处理，具体为：依次对所述高光谱图像进行校正、阈值分割、数据扩充和预处理。
4.根据权利要求1所述的基于高光谱图像处理的中药材鉴别模型构建方法，其特征在于，所述全波长光谱中药材鉴别的卷积神经网络模型、特征波长光谱中药材鉴别模型的网络结构相同，均包括：1个输入层、4个rep-block卷积层、全局最大池化层、平均池化层、全连接层、softmax层以及1个输出层；其中，每层rep-block模块将输入分成两个分支，第一分支依次采用1×3的一维卷积核、批量归一化，第二分支依次采用1×1卷积核、批量归一化，两个分支元素相加操作后经relu激活函数获得输出。
5.根据权利要求1所述的基于高光谱图像处理的中药材鉴别模型构建方法，其特征在于，基于所述全波长光谱中药材鉴别的卷积神经网络模型，采用多层梯度加权类激活映射方法，生成反映不同类别中药材的波长重要性曲线。
6.根据权利要求5所述的基于高光谱图像处理的中药材鉴别模型构建方法，其特征在于，所述基于所述全波长光谱中药材鉴别的卷积神经网络模型，采用多层梯度加权类激活映射方法，生成反映不同类别中药材的波长重要性曲线，包括：
7.根据权利要求1所述的基于高光谱图像处理的中药材鉴别模型构建方法，其特征在于，基于所述波长重要性曲线，采用寻峰方法在原始光谱波长中选择关键光谱特征波长；寻峰方法在选择关键特征波长时，确保间隔不超过预定的最大值。
8.一种基于高光谱图像处理的中药材鉴别模型构建系统，其特征在于，包括：
9.一种终端，其特征在于：包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器被配置为执行权利要求1-7中任一项所述的基于高光谱图像处理的中药材鉴别模型构建方法。
10.一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其特征在于：该程序被处理器执行时使处理器实现权利要求1-7中任一项所述的基于高光谱图像处理的中药材鉴别模型构建方法。
