[发明专利]一种白芍的近红外在线质量检测方法

权利要求书

1.一种白芍的近红外在线质量检测方法，其特征在于，包括以下步骤：

（1）样品制备：取不同产地、不同批次的白芍饮片样品；

（2）近红外光谱数据采集：同时采集并记录白芍样品的近红外光谱图和白芍打粉后的近红外光谱图；

（3）对光谱数据进行预处理：分别采用原始光谱、一阶求导、二阶求导、多元散射校正、矢量归一化或卷积平滑滤波，对打粉前后的白芍样品的近红外光谱数据进行预处理；

（4）采用卷积神经网络（CNN）或偏最小二乘回归方法（PLSR）进行模型筛选，建立白芍定量校正模型。

2.根据权利要求1所述的一种白芍的近红外在线质量检测方法，其特征在于，步骤（4）采用卷积神经网络建立白芍定量校正模型时，卷积神经网络模型包括一层一维卷积池化层、一层二维卷积池化层和一层全连接层；一维卷积池化层将输入的一维向量转化成二维矩阵；一维卷积池化层包括一维卷积操作、激活操作与池化操作，其中一维卷积操作卷积核的数目为32个，大小为10*1，卷积的步长为6，

并由修正线性单元（RectifiedLiner Unit，ReLU）完成激活操作，使神经网络中的神经元具有稀疏激活性；池化操作使用平均池化模型，每次取10*1的池化窗口，步长设为2；之后，将经过一维卷积池化层得到的二维矩阵输入至二维卷积池化层，并经过二维卷积操作、激活操作与二维池化操作，将其转化成多个二维矩阵；二维卷积操作中卷积核数目为64个，大小为10*32；将二维卷积池化层得到的二维矩阵输入至全连接层，输出一维高阶向量；

并采用学习率衰减机制，学习率初始值设为0.03，衰减指数为1/e，在网络训练的过程中随时间逐步衰减学习率进行动态调整，每层权重初始值服从标准差为0.1的零均值高斯分布。

3.根据权利要求1所述的白芍的近红外在线质量检测方法，其特征在于，步骤（2）中近红外光谱采集的方法为：取白芍样品粉末10 g于石英样品管中，填实并压平，或直接选取较平整的白芍饮片样品，使之与近红外漫反射光纤探头充分接触；测试环境温度为25 ℃，相对湿度为45 %~60 %，以仪器内置背景为参比，扣除背景，采集方式为积分球漫反射，波数区间在12000~4000 cm^-1，分辨率为8 cm^-1，扫描次数64次，每份样品扫描2次，取其平均光谱作为样品的近红外光谱。

4.根据权利要求1所述的白芍的近红外在线质量检测方法，其特征在于，步骤（3）所述的对近红外光谱数据进行预处理的方法为卷积平滑滤波法。

5.根据权利要求1所述的白芍的近红外在线质量检测方法，其特征在于，步骤（4）中，采用偏最小二乘回归方法（PLSR）建立白芍定量校正模型。

6.根据权利要求5所述的白芍的近红外在线质量检测方法，其特征在于，偏最小二乘回归方法（PLSR）建立白芍定量校正模型的最佳参数为：

待测组分	预处理方法	-1]]>	主因子数
水分	卷积平滑滤波法	5631.99~5057.22	7
芍药苷	卷积平滑滤波法	11993.05~3996.40	7

。