一种利用高光谱成像技术判别白芷产地的方法

1.本发明属于高光谱成像技术领域，具体涉及一种利用高光谱成像技术判别白芷产地的方法。


背景技术：

2.白芷味辛，温，具有解表散寒，祛风止痛，宣通鼻窍，燥湿止带，消肿排脓的作用,用于感冒头痛，眉棱骨痛，鼻塞流涕，鼻渊，牙痛，带下，疮疡肿痛。主要产地有安徽、浙江、四川、河南以及河北，分别为亳白芷、杭白芷、川白芷、禹白芷和祁白芷，不同产地的白芷饮片的化学成分有较大的差异。并且地道产地的白芷饮片药效与其他产地也会有较大的差距，所以对于白芷饮片的产地进行鉴别区分是十分有必要的。
3.目前，对于白芷饮片的鉴别方法主要基于色谱技术，如高效液相色谱法(hplc)和超高效液相色谱法(uplc)。此类方法前处理较为复杂，成本高，比较耗时，无法满足实际工业生产上的需求，对合格的中药材的采购和收购造成一定的困难，因此需要开发一种能够实时、快速、无损对白芷饮片产地进行区分的检测方法。高光谱成像技术作为一种快速无损的检测技术，将光谱信息与计算机技术进行结合，能够用于中药饮片的质量检测。
4.将光谱技术和成像技术集成的高光谱成像技术由于具有同时获光谱信息和空间信息的特殊特性，已经在食品质量评估领域受到研究人员的广泛青睐。关于使用高光谱成像技术的一些应用已经被有效的开发用于产地/品种区分。然而，有关食品领域的质量评估都是依赖于大量的样本并采用高光谱成像技术结合传统的机器学习或深度学习算法建立模型。虽然高光谱成像技术可以获取海量样本的高光谱三维数据，但在实际研究中，采集大量样本并进行后续数据处理是极其费时费力且低效的。为此，提高大量数据处理的效率和开发一个可以应用于小样本数据集并且具有高准确率和鲁棒性的模型迫在眉睫。相较于深度网络增加层数，“宽度”结构由于没有层与层之间的耦合而更加简洁并带来更少的计算量和更高的效率。


技术实现要素：

5.针对上述问题，本发明的目的在于提供一种利用高光谱成像技术判别白芷产地的方法。
6.具体的技术方案如下：
7.一种利用高光谱成像技术判别白芷产地的方法，包括如下步骤：
8.1)制备实验样本，采集不同产地的白芷，将采集的白芷切片；
9.2)将切片的样本放置于近红外高光谱成像仪的检测平台上，获取样本的高光谱原始数据；
10.3)从获取的光谱数据提取样品的感兴趣区域，获得感兴趣区域后，提取每个感兴趣区域中每个像素点的高光谱信息；
11.4)由于样本采集过程噪声的影响，去除前后带有噪声部分的波段再进行后续处
理；
12.5)采用不同的预处理方法对获取的信号进行处理，划分建模集和预测集，分别建立不同预处理方法的svm模型，根据建模集和预测集的准确率选择最佳预处理方法；
13.6)基于最佳预处理方法处理后的全波长反射率数据，建立svm、mlp、lr、bls判别分析模型，并对模型进行评估，选择最佳判别模型；
14.7)基于最佳预处理方法处理后的数据输入和最佳判别模型对样本预测可视化。
15.进一步地，步骤2)中在近红外高光谱成像仪在扫描采集样本前，需要采用高光谱成像系统hsianalyzer分析软件对采集仪器进行黑白校正，校正公式为
[0016][0017]
式中：r为校正后图像，i
raw
为原始图像，i
dark
为暗电流图像，i
ref
为参考板图像。
[0018]
进一步地，步骤2)中的高光谱成像仪的具体参数设置为：电控移动平台移动速度为9mm/s，工作距离为10cm，曝光时间为3ms。
[0019]
进一步地，步骤3)中的感兴趣区域为在1005nm的灰度图像上进行阈值分割，样品区域与背景之间的对比度达到最大值，然后将获得的二值掩膜应用于其他波长的灰度图像上，在获得每个白芷切片样品的感兴趣区域后，提取每个感兴趣区域中每个像素点在范围为874-1734nm的256个波长的高光谱信息，最后每个区域的像素点光谱信息取平均值代表每个白芷切片的光谱信息。
[0020]
进一步地，步骤4)中留下了975-1693nm的198个波长的高光谱信息进行分析。
[0021]
进一步地，步骤5)中所述的预处理方法为归一化、标准正态变量校正、多元散射校正、平滑算法、导数法、导数结合平滑方法。
[0022]
进一步地，步骤6)中bls判别模型的建立过程为通过对随机向量函数链接神经网络中的隐藏层进行特殊运算后，使得增强层和输入层并列到同一层，而输出层节点直接与所有映射的输入层特征节点和增强层节点相连，形成神经网络结构，具体包括如下步骤：
[0023]
1)对基于最优预处理的全波长反射率数据和标签文件进行读取，并将波长标签文件按8∶2划分为训练集和测试集；
[0024]
2)对输入的数据进行预处理：对目标标签进行编码，值在o到n-1之间，n为样本总类别数，将编码的标签转换为类似于one-hot编码的二进制类别矩阵(标准格式)，得到白芷产地高光谱判别方法的训练数据样本集；
[0025]
3)将所述的训练数据样本集
×
输入宽度学习系统模型中进行训练，其表达式为：
[0026][0027]
其中，n为数据样本总数，m为数据样本维数；所述宽度学习系统模型采用增强节点增量式宽度学习系统，包括特征节点和增强节点
[0028]
4)对所述特征节点，训练集
×
通过k组特征映射形成k组特征节点矩阵z1，z2，
…
，zn：
[0029]
zi＝φi(xw
ei
+β
ei
)∈rn×q，i＝1，2，...，n
[0030]
合并所有特征节点得到总体特征节点矩阵：
[0031]
zk＝[z1，z2，...，zn]∈rn×
nq
[0032]
其中，φi是线性或非线性的激活函数，q是每组特征对应的特征节点数，
[0033]wei
∈rn×q和β
ei
∈rn×q分别是随权重和偏差；
[0034]
5)对所述增强节点，zk经过m组增强变换，生成m组增强节点矩阵hj，合并所有增强节点得到总体增强节点矩阵hm：
[0035]hj
＝ξj(zkw
hj
+β
hj
)∈rn×r，j＝1，2，...，m
[0036]hm
＝[h1，h2，...，hn]∈rn×
mr
；
[0037]
其中，r为每组增强变换后对应的增强节点数，w
hj
∈rn×r和β
hj
∈rn×r分别是随机权重和偏差，ξj表示的是激活函数；
[0038]
6)根据特征节点矩阵和增强节点矩阵得出宽度学习系统模型的预测值函数为：
[0039]
式中，a为组合了增强分量的所有组成的扩展输入矩阵，w是隐藏层和输出层之间的输出权重；
[0040]
7)对所述的宽度学习系统，通过输入的训练数据学习合适的输出权重，宽度学习系统通过伪逆算法快速求解输出权重w，表达式为：
[0041]
w＝(a
t
a+λi)-1at
y，
[0042]
式中，a
t
为a的转置，i为单位矩阵，y为训练数据的输出，λ是正则化参数；
[0043]
8)对所述增强节点增量式宽度学习系统，将额外的增强节点添加到网络结构中，设am＝[zn|hm]，当增加了p个节点之后：
[0044][0045]
式中，和分别为的是增加的增强节点所生成的连接权重和偏置，为随机生成；
[0046]
9)对所述新矩阵的伪逆为：
[0047][0048]
其中，
[0049][0050]
10)最后，p个新增加的增强节点和输出层之间的连接权重为：
[0051][0052]
11)对所述增强节点增量式宽度学习系统，使用分类准确率分数，评价准确度，公式如下：
[0053][0054]
其中，tp表示预测正确的个数，tn表示不属于本类，但预测正确的个数，fp表示将其他类预测为本类的个数，fn表示预测为其他类的个数。
[0055]
进一步地，步骤7)中采用了目标式(object-wise method)方法，即使用样本所有像素的平均光谱数据作为每个核的光谱数据，核为对低维的输入进行计算，实现在低维下计算出高维映射后的结果。
[0056]
相对于现有技术，本发明的有益效果在于：
[0057]
1)利用高光谱技术结合模型判别系统进行不同产地白芷的鉴别，具有操作简单、成本低、快速高效等特点，克服了传统检测方法程序复杂、耗费人工、成本高和对样本破坏大等缺点；
[0058]
2)本发明经过选择的最佳预处理方法建立的宽度学习模型能获得更高的分类准确率；
[0059]
3)结果可视化，使样品区分更加快捷，最大程度发挥高光谱成像技术优势。
附图说明
[0060]
图1为本发明实现过程的流程图；
[0061]
图2为不同产地白芷饮片的平均光谱图；
[0062]
图3为bls模型在不同增量节点下的训练时长；
[0063]
图4为bls模型在不同增量节点下的测试时长；
[0064]
图5为不同产地的白芷饮片的预测图。
具体实施方式
[0065]
下面结合实施例和说明书附图对本发明做进一步地说明，但本发明的保护范围并不仅限于此。
[0066]
如图1所示，一种利用高光谱成像技术判别白芷产地的方法，包括:
[0067]
1)制备实验样本，选用5个不同产地的白芷样本，共计9个批次，详细情况见表1，总计5666个样本用于后续高光谱数据采集。为了后续进一步分析，将安徽、浙江、四川、河北、河南产地的白芷饮片分别标记为编号1、2、3、4、5。将选取的样品集以4：1的比例划分为建模集和预测集。
[0068]
表1不同产地白芷饮片信息
[0069][0070][0071]
2)将切片的样本放置于近红外高光谱仪的检测平台上，获取样本的高光谱原始数据，高光谱成像仪的具体参数设置为：电控移动平台移动速度为9mm/s，工作距离为10cm，曝
光时间3ms，
[0072]
在扫描样本之前，需要采用高光谱成像系统hsianalyzer分析软件对仪器进行黑白校正，以减少由于光线分布不均匀造成的偏置，校正公式为
[0073][0074]
式中：r为校正后的图像，i
raw
为原始图像，i
dark
为暗电流图像，i
ref
为参考板图像。
[0075]
3)从黑色背景上分割出每个白芷饮片样品的感兴趣区域(roi)，在1005nm的灰度图像上进行阈值分割，此时样品区域与背景之间的对比度达到了最大值，然后将获得的二值掩膜应用于其他波长的灰度图像上。在获得每个白芷饮片样品的roi之后，提取每个roi中每个像素点在范围为874-1734nm的256个波长高光谱信息，最后每个区域的像素点光谱信息取平均值代表每个饮片样本的光谱信息。
[0076]
4)由于在样本采集开始和结束时，高光谱成像系统具有不稳定性，并且光谱数据伴有较大的噪声，因此，去除前后带有噪声部分的波段，留下975-1639nm的198个波长下的高光谱信息进行分析，如图2所示，从平均光谱中可以得出，不同产地的光谱曲线整体趋势基本一致，均在1123nm和1308nm左右有两个峰，在1217nm和1470nm左右有两个谷。其中，1123nm和1308nm附近的峰以及1217nm附近的谷属于c-h的伸缩振动的二级倍频，1470nm附近的谷属于o-h伸缩振动的二级倍频。整体来看，河北和河南整体的反射率相对更高，这可能与两地的白芷饮片所含的化学成分高低有关，比如呋喃香豆素在河北和河南产地含量最高，其次是四川、安徽和浙江。四川与安徽产地的白芷饮片在平均光谱上较为接近，说明这两个产地的白芷饮片所含的化学成分较为类似。
[0077]
5)在数据采集过程中也可能会由于一些环境中的干扰因素而导致引入噪声，这会影响到后续的建模，为了消除噪音所带来的影响，使用适当的方法对原始光谱数据进行预处理，所使用的预处理方法分别为归一化(normalization)、标准正态变量校正(snv)、多元散射校正(msc)、平滑算法(sg)、导数法、导数结合sg平滑的方法，1
st
d为一阶导数，2
nd
d为二阶导数，最佳预处理方法为一阶导数法(1
st
d)，表2显示了不同预处理方法的svm模型判别结果。
[0078]
表2不同预处理方法的svm模型判别结果
[0079][0080]
6)bls判别模型的建立过程为通过对随机向量函数链接神经网络中的隐藏层进行特殊运算后，使得增强层和输入层并列到同一层，而输出层节点直接与所有映射的输入层特征节点和增强层节点相连，形成神经网络结构，具体包括如下步骤：
[0081]
对基于最优预处理的全波长反射率数据和标签文件进行读取，并将波长标签文件按8∶2划分为训练集和测试集；
[0082]
对输入的数据进行预处理：对目标标签进行编码，值在0到n-1之间，n为样本总类别数，将编码的标签转换为类似于one-hot编码的二进制类别矩阵(标准格式)，得到白芷产地高光谱判别方法的训练数据样本集；
[0083]
将所述的训练数据样本集x输入宽度学习系统模型中进行训练，其表达式为：
[0084][0085]
其中，n为数据样本总数，m为数据样本维数；所述宽度学习系统模型采用增强节点增量式宽度学习系统，包括特征节点和增强节点；
[0086]
对所述特征节点，训练集x通过k组特征映射形成k组特征节点矩阵z1,z2,...,zn：
[0087]
zi＝φi(xw
ei
+β
ei
)∈rn×q,i＝1,2,...,n
[0088]
合并所有特征节点得到总体特征节点矩阵：
[0089]
zk＝[z1，z2，...，zn]∈rn×
nq
[0090]
其中，φi是线性或非线性的激活函数，q是每组特征对应的特征节点数，
[0091]wei
∈rn×q和β
ei
∈rn×q分别是随权重和偏差；
[0092]
对所述增强节点，zk经过m组增强变换，生成m组增强节点矩阵hj，合并所有增强节点得到总体增强节点矩阵hm：
[0093]hj
＝ξj(zkw
hj
+β
hj
)∈rn×r，j＝1，2，...，m
[0094]hm
＝[h1，h2，...，hn]∈rn×
mr
；
[0095]
其中，r为每组增强变换后对应的增强节点数，w
hj
∈rn×r和β
hj
∈rn×r分别是随机权重和偏差，ξj表示的是激活函数；
[0096]
根据特征节点矩阵和增强节点矩阵得出宽度学习系统模型的预测值函数为：
[0097]
式中，a为组合了增强分量的所有组成的扩展输入矩阵，w是隐藏层和输出层之间
的输出权重；
[0098]
对所述的宽度学习系统，通过输入的训练数据学习合适的输出权重，宽度学习系统通过伪逆算法快速求解输出权重w，表达式为：
[0099]
w＝(a
t
a+λi)-1at
y，
[0100]
式中，a
t
为a的转置，i为单位矩阵，y为训练数据的输出，λ是正则化参数；
[0101]
对所述增强节点增量式宽度学习系统，将额外的增强节点添加到网络结构中，设am＝[zn|hm]，当增加了p个节点之后：
[0102][0103]
式中，和分别为增加的增强节点所生成的连接权重和偏置，为随机生成；
[0104]
对所述新矩阵的伪逆为：
[0105][0106]
其中，
[0107][0108]
最后，p个新增加的增强节点和输出层之间的连接权重为：
[0109][0110]
对所述增强节点增量式宽度学习系统，使用分类准确率分数评价准确度，公式如下：
[0111]
其中，tp表示预测正确的个数，tn表示不属于本类，但预测正确的个数,fp表示将其他类预测为本类的个数,fn表示预测为其他类的个数。
[0112]
确定bls模型的性能特征节点数量和增强节点数量影响，设置两组实验来尝试不同的特征节点数量和增强节点数量选择最优的模型性能参数，首先设置100个特征节点数量，然后增加增强节点，测试bls模型对白芷饮片产地区分效果，bls模型在白芷饮片产地区分的性能测试结果如表3所示。
[0113]
表3 bls增加增强节点过程中相应准确率
[0114]
特征节点数增强节点数模型准确率10015095.15％10016095.68％10015095.15％10016095.68％10017095.59％10018095.77％10019096.03％10020095.68％
10021095.77％10022095.94％10023095.50％10024095.68％10025095.33％
[0115]
从表3中可以看出，模型准确率起初随着增强节点数量的增加，在190个增强节点的时候达到最大值，此时准确率为96.03％。随后随着增强节点进一步的增加，模型准确率不再提升，相反，模型准确率随着增强节点数量增加而降低。
[0116]
从表3得到，在增强节点数量为190时，bls模型性能最佳，因此，接下来将增强节点设置为190，并不断增加特征节点数量，测试bls模型在区分白芷产地上的性能。bls模型在白芷饮片产地区分的性能测试结果如表4所示。
[0117]
表4 bls增加特征节点过程中相应准确率
[0118]
特征节点数增强节点数模型准确率10019096.03％11019096.12％12019096.12％13019097.09％14019096.74％15019096.12％16019097.09％17019096.74％18019096.83％19019095.41％20019095.24％
[0119]
如表4所示，当特征节点达到130和190时，模型均达到了最佳的性能，此时准确率为97.09％。从表3和表4可以得出，bls模型对于白芷产地区分的性能会随着特征节点数量和增强节点数量的增加而提升。当节点数量超过最佳的模型性能峰值时，由于数据过多的干扰，bls模型的性能会随之变差。
[0120]
为了更好地评估模型性能，测试了bls模型在不同增量节点下的训练时长和测试时长，如图3和图4所示，随着节点的增加，模型的训练时长和测试时长也会增加，同时特征节点增加的时间消耗要比增强节点增加的更多，这是由于增加特征节点数量，增加了特征映射的时间以及增强节点泛化和输出计算的时间；而仅增加增强节点数量时，只增加了后续两个步骤的时间。
[0121]
可以得知，特征节点数量的增加会增加模型训练和测试时间消耗，因此，最终选择特征节点数量130，增强节点数量190作为模型的最佳节点数量。
[0122]
7)基于最佳的预处理方法后的全波长，建立支持向量机(svm)、多层感知机(mlp)、逻辑回归(lr)和宽度学习系统(bls)判别分析模型，对模型进行评估，其结果如表5所示。
[0123]
表5基于全波段1
st
d预处理的四种判别模型判别结果
[0124][0125][0126]
经过一阶导数处理后的数据集，基于全波段的bls模型取得了最优的判别结果，选择该模型用于不同产地白芷饮片的可视化预测图显示，如图5所示，除浙江产地有两个样本错判为安徽产地外，其余样本均预测准确，显示了极高的判别准确率。

技术特征：
1.一种利用高光谱成像技术判别白芷产地的方法，其特征在于，包括如下步骤：1)制备实验样本，采集不同产地的白芷，将采集的白芷切片；2)将切片的样本放置于近红外高光谱成像仪的检测平台上，获取样本的高光谱原始数据；3)从获取的原始光谱数据提取样品的感兴趣区域，获得感兴趣区域后，提取每个感兴趣区域中每个像素点的高光谱信息；4)由于样本采集过程噪声的影响，去除前后带有噪声部分的波段再进行后续处理；5)采用不同的预处理方法对获取的信号进行处理，划分建模集和预测集，分别建立不同预处理方法的svm模型，根据建模集和预测集的准确率选择最佳预处理方法；6)基于最佳预处理方法处理后的全波长反射率数据，建立svm、mlp、lr、bls判别分析模型，并对模型进行评估，选择最佳判别模型；7)基于最佳预处理方法处理后的数据输入和最佳判别模型对样本预测可视化。2.如权利要求1所述的一种利用高光谱成像技术判别白芷产地的方法，其特征在于步骤2)中在近红外高光谱成像仪在扫描采集样本前，需要采用高光谱成像系统hsianalyzer分析软件对采集仪器进行黑白校正，校正公式为式中：r为校正后图像，i
raw
为原始图像，i
dark
为暗电流图像，i
ref
为参考板图像。3.如权利要求1所述的一种利用高光谱成像技术判别白芷产地的方法，其特征在于步骤2)中的高光谱成像仪的具体参数设置为：电控移动平台移动速度为9mm/s，工作距离为10cm，曝光时间为3ms。4.如权利要求1所述的一种利用高光谱成像技术判别白芷产地的方法，其特征在于步骤3)中的感兴趣区域为在1005nm的灰度图像上进行阈值分割，样品区域与背景之间的对比度达到最大值，然后将获得的二值掩膜应用于其他波长的灰度图像上，在获得每个白芷切片样品的感兴趣区域后，提取每个感兴趣区域中每个像素点在范围为874-1734nm的256个波长的高光谱信息，最后每个区域的像素点光谱信息取平均值代表每个白芷切片的光谱信息。5.如权利要求1所述的一种利用高光谱成像技术判别白芷产地的方法，其特征在于步骤4)中留下了975-1693nm的198个波长的高光谱信息进行分析。6.如权利要求1所述的一种利用高光谱成像技术判别白芷产地的方法，其特征在于步骤5)中所述的预处理方法为归一化、标准正态变量校正、多元散射校正、平滑算法、导数法、导数结合平滑方法。7.如权利要求1所述的一种利用高光谱成像技术判别白芷产地的方法，其特征在于步骤6)中bls判别模型的建立过程为通过对随机向量函数链接神经网络中的隐藏层进行特殊运算后，使得增强层和输入层并列到同一层，而输出层节点直接与所有映射的输入层特征节点和增强层节点相连，形成神经网络结构，具体包括如下步骤：1)对基于最优预处理的全波长反射率数据和标签文件进行读取，并将波长标签文件按8：2划分为训练集和测试集；
2)对输入的数据进行预处理：对目标标签进行编码，值在0到n-1之间，n为样本总类别数，将编码的标签转换为类似于one-hot编码的二进制类别矩阵，得到白芷产地高光谱判别方法的训练数据样本集；3)将所述的训练数据样本集x输入宽度学习系统模型中进行训练，其表达式为：其中，n为数据样本总数，m为数据样本维数；所述宽度学习系统模型采用增强节点增量式宽度学习系统，包括特征节点和增强节点；4)对所述特征节点，训练集x通过k组特征映射形成k组特征节点矩阵z1,z2,
…
,z
n
：z
i
＝φ
i
(xw
ei
+β
ei
)∈r
n
×
q
,i＝1,2,
…
,n合并所有特征节点得到总体特征节点矩阵：z
k
＝[z1,z2,
…
,z
n
]∈r
n
×
nq
其中，φ
i
是线性或非线性的激活函数，q是每组特征对应的特征节点数，w
ei
∈r
n
×
q
和β
ei
∈r
n
×
q
分别是随权重和偏差；5)对所述增强节点，z
k
经过m组增强变换，生成m组增强节点矩阵h
j
，合并所有增强节点得到总体增强节点矩阵h
m
：h
j
＝ξ
j
(z
k
w
hj
+β
hj
)∈r
n
×
r
,j＝1,2,
…
,mh
m
＝[h1,h2,
…
,h
n
]∈r
n
×
mr
；其中，r为每组增强变换后对应的增强节点数，wh
j
∈r
n
×
r
和βh
j
∈r
n
×
r
分别是随机权重和偏差,ξ
j
表示的是激活函数；6)根据特征节点矩阵和增强节点矩阵得出宽度学习系统模型的预测值函数为：式中，a为组合了增强分量的所有组成的扩展输入矩阵，w是隐藏层和输出层之间的输出权重；7)对所述的宽度学习系统，通过输入的训练数据学习合适的输出权重，宽度学习系统通过伪逆算法快速求解输出权重w，表达式为：w＝(a
t
a+λi)-1
a
t
y，式中，a
t
为a的转置，i为单位矩阵，y为训练数据的输出，λ是正则化参数；8)对所述增强节点增量式宽度学习系统，将额外的增强节点添加到网络结构中，设a
m
＝[z
n
|h
m
]，当增加了p个节点之后：式中，和分别为的是增加的增强节点所生成的连接权重和偏置，为随机生成；9)对所述新矩阵的伪逆为：其中，
10)最后，p个新增加的增强节点和输出层之间的连接权重为：11)对所述增强节点增量式宽度学习系统，使用分类准确率分数，评价准确度，公式如下：其中，tp表示预测正确的个数，tn表示不属于本类，但预测正确的个数,fp表示将其他类预测为本类的个数,fn表示预测为其他类的个数。8.如权利要求1所述的一种利用高光谱成像技术判别白芷产地的方法，其特征在于步骤7)中采用了目标式方法，即使用样本所有像素的平均光谱数据作为每个核的光谱数据，核为对低维的输入进行计算，实现在低维下计算出高维映射后的结果。

技术总结
本发明公开了一种利用高光谱成像技术判别白芷产地的方法，该方法应用高光谱仪器采集不同产地白芷的光谱信息，经过多种预处理方法，基于支持向量机选择最佳预处理方法，分别将最佳预处理后的全波长作为输入，白芷的产地作为输出，建立支持向量机、多层感知机、逻辑回归和宽度学习系统判别模型，模型的建模集和预测集识别准确率均在96％以上，尤其是基于全波长的BLS模型判别效果最佳，建模集和预测集识别率分别达到了97.04％和97.09％。本发明实现了不同产地白芷的快速识别，检测速度快，准确率高，操作简单。操作简单。操作简单。


技术研发人员：徐宁 吴洋洋 林纪东
受保护的技术使用者：浙江工业大学
技术研发日：2023.05.12
技术公布日：2023/8/6