基于高光谱成像技术与异构集成学习的龟甲药材生长年限鉴别

龟甲是常见的集药、食两用的中药之一,富含维生素、氨基酸、胶原蛋白及大量矿物质成分,被广泛应用于贫血、骨质疏松、免疫力低下等临床症状的医疗与日常饮片炮制。研究表明,龟甲的生长年限越长,其滋阴有效部位及微量元素含量越充足。由于对生长规律认识不足、培育不规范等因素,市场上普遍存在以次充好的现象。目前对龟甲生长年限的鉴别主要通过经验法与理化手段。经验法具有较强的主观性,不利于推广应用;理化技术操作周期长,会破坏样本的完整性。考虑到传统经验、理化检验等鉴别方法的局限性,该研究构建了一种基于高光谱成像技术的龟甲年限鉴别模型。以不同生长年限的龟甲药材为研究对象,采用高光谱成像系统采集原始龟甲药材在可见近红外(VNIR)与短波红外(SWIR)透镜下的高光谱图像,并建立基于支持向量机(SVM)、逻辑回归(LR)与K近邻(KNN)分类策略的异构集成学习模型。结果表明,基于VNIR与SWIR融合波段下的高光谱图像包含更丰富的光谱信息,采用异构集成学习模型可以有效地对龟甲年限实现精确鉴别。模型在龟甲背甲与腹甲样本的测试集准确率分别达到96.14%与93.82%,表明龟甲背甲对其生长年限的鉴别更有优势。考虑到快速性检测的因素,采用波段选择方法剔除冗余特征,降低龟甲药材图像的复杂度,并采用特征波段表征龟甲药材的光谱信息,进一步提升模型分类性能。结果表明,模型在波段数目为32时的背甲样本可以达到96.35%的分类准确率,超过了全波段光谱数据的鉴别精度,表明波段选择策略对提取有效光谱信息的可行性。基于高光谱成像技术的异构集成学习模型可以快速、准确地鉴别龟甲药材的生长年限,为龟甲及其他药材属性的检测提供新的技术参考。