CN203572772U - 基于多波长led荧光光谱的云端中药品质检测*** - Google Patents

Abstract

本实用新型涉及一种多波长LED荧光光谱的云端中药品质检测***。本实用新型由检测终端，数据采集与控制***，以及处理数据的云服务器三大部分组成。检测终端采集中药的荧光光谱信号，数据采集与控制***对检测过程进行控制，云服务器完成对中药的主成分分析和品质因数分析，并生成中药质量信息。本实用新型是基于荧光光谱的无损、准确检测，成本低，检测效率高。

Description

基于多波长LED荧光光谱的云端中药品质检测***

技术领域

本发明涉及一种基于多波长发光二极管（Light Emitting Diode，LED）诱导荧光光谱和云端计算的检测***，可实现对不同中药的品质检测，属光学传感技术领域以及分析检验仪器技术领域。 

背景技术

中药是中国传统中医特有药物，它按加工工艺可分为中成药和中药材，是中国劳动人民几千年来与疾病斗争所积累的医药学智慧结晶。即使在西医盛行的当代，中国的农村和城市居民依然对中药有很大的依赖和需求。有数据显示，我国有80%以上的城市居民自行购买过中成药。另一方面，人们还试图将中药引入国际市场。 

我国的中药研究也已取得了一定的成果，中药产业亟待进一步发展，但还存在一些问题。其中，药材质量的鉴别和测试就是十分重要的一个方面。目前，人们主要依靠专家的评审，或者借助一些尖端的仪器，来对中药材或中药产品的质量进行检测。普通大众则往往难以区分中药的品种、真假和等级。这就限制了人们对中药材的合理使用。因此，快速、有效地评估中药种类和等级，以保证药材质量可靠、用药安全，是一个重要的课题。 

近年来，人们已经提出了一些对中药品质的检测装置和方法。如专利号为CN102621144A的显微鉴别法，能对中药雄黄粉末进行鉴别。又如专利CN101850070A采用色谱法对中药唐草片进行质量检测。还有学者提出傅里叶变换红外光谱法进行中药砂仁真伪的鉴别。但这些方法都存在缺陷，或者需要较为复杂的预处理过程，或者需要特定的较为昂贵的仪器。此外，这些方法只针对某一种特定的中药进行检测。 

发明内容

本发明针对现有技术的不足，本发明提出了一种基于多波长LED诱导荧光和云计算分析技术的中药品质检测***。 

本发明采用的技术方案是： 

本实用新型由检测终端，数据采集与控制***，以及处理数据的云服 务器三大部分组成。 

所述的检测终端包括多波长LED检测探头和滤光片轮；所述的多波长LED荧光检测探头，用于固定六个LED和一根大芯径光纤，同时提供放置滤光片轮的空端口。所述的滤光片轮用于固定六个不同波段的滤光片，实现在滤光片间快速进行切换，与对应的LED配合使用。 

所述的数据采集与控制***由微处理器，驱动电路，光谱探测器，显示模块和网络传输端口组成；微处理器通过驱动电路控制六个LED的通断和发光强度。由检测终端收集的荧光信号通过光纤传输到光谱探测器，再经过微处理器的预处理后一方面由显示模块显示，另一方面通过网络传输端口传输到云端服务器。 

本发明具有的有益效果是： 

1.是基于荧光光谱的无损、准确的检测。 

2.采用了集成LED的廉价、便携的终端。 

3.云端服务器能实现快速处理海量数据，且能实时升级数据库以扩大检测终端的应用范围。 

附图说明

图1是云端中药检测***数据传递流程图。 

图2是多波长LED荧光检测探头。 

图3是能放置六个滤光片的转轮盘 

图4是中药质量检测***图。 

图5是四种咖啡样本的归一化荧光光谱。 

图6(a)、6(b)、6(c)、6(d)是四种咖啡样品的分类结果。 

图7是九个等级西湖龙井的检测结果。 

具体实施方式

下面结合附图对本发明做进一步详述： 

以下以具体的两个实例对本发明做进一步的说明，但并不限定本发明的保护范围。 

如图2、图3和图4所示，在进行样品的具体检测时，样品4放在无荧光信号的黑色铝板3上。微处理器9控制驱动电路7，驱动电路7为探头上的LED提供可调的恒定电流，从而控制各个LED的亮暗和强度。通过 转轮盘2切换滤波片配合不同的LED工作。LED出射的激发光1照射到待测中药样品4后，激发出中药样品的荧光信号5，荧光信号5通过转轮盘2上的滤光片，滤除强度较大的激发光（LED本身发出的光）后，经探头上的大芯径光纤6，传输到光谱探测模块8。光谱探测模块8采集到的荧光光谱经微处理器9发送至显示模块10，并同时通过网络接口模块11发送至云端服务器15。云服务器的接口模块12将接收到数据推送至数据管理模块14进行数据存储、管理，数据最终由云检测模块13进行分析和处理，并将处理后得到的中药成分信息和品质因数由云接口模块12传送至检测终端显示检测结果。 

结合图1以为给出以上述装置为基础的检测方法步骤。 

实例一：四种咖啡样品的分类 

咖啡样本：市场上购买了四种不同种类的咖啡豆，并研磨成粉末样品。它们分别是巴西咖啡（Brazilian Coffee），曼特林咖啡（Mandheling Coffee），蓝山咖啡（Bluemoutain Coffee）和牙买加咖啡（Jamaican Coffee）。 

1.采集LED（400nm）诱导下的咖啡样品的荧光光谱。 

LED诱导下的荧光经过450nm的长通滤光片后，对于每种咖啡样品用光谱仪（Ocean Optics USB2000）采集八组光谱数据，同时测量八组背景信号。去除背景信号共得到32组光谱数据，每组分别进行归一化处理后再按种类进行平均和平滑处理可获得如图5所示的四种咖啡的归一化荧光光谱图。 

2.对荧光光谱数据进行主成分分析。 

对测得的32组300nm-1100nm的荧光光谱进行主成分分析，将主成分按方差贡献率由大到小排列，根据累计贡献率的要求，取前T个主成分。本案例取前T=9个主成分。 

3.采用留一法建立回归模型。 

四种咖啡样本，每种测量八次，共有N=32组光谱数据，咖啡种类标定位m=1,2,3,4，分别表示咖啡样本巴西（Brazilian），曼特林（Mandheling），蓝山（Bluemoutain）和牙买加（Jamaican）咖啡。 

Y_{k＝1,2...N,k≠i;1...M}＝Φ_{k＝1,2...N,k≠i;0...tr}θ_0...tr;1...M     （1） 

${\mathrm{\Φ}}_{k,j}=\left\{\begin{array}{cc}1& j=0;\\ U_{k,j}& j=\mathrm{1,2}...\mathrm{tr};\mathrm{}\end{array}\right.k=\mathrm{1,2}...N,k\≠i---\left(2\right)$

Y_{k＝1,2...N,k≠i;1...M}表示专家给定的咖啡品质的预处理矩阵；U_k,j表示表示第j个主成分对第k个样本的贡献；θ_0...tr;1...M表示通过线性回归方程（1）得到的线性系数矩阵；N表示总的光谱样本数；i表示被剔除的样本；M表示光谱中变量的数目；T表示前T个主成分。 

通过线性回归模型获得的被剔除的样本的咖啡品质因数可以表示为： 

${\hat{Y}}_{1...M}={\mathrm{\Φ}}_{i;0...\mathrm{tr}}{\mathrm{\θ}}_{0...\mathrm{tr};1...M}---\left(3\right)$

对于本案例，预处理咖啡品质矩阵： 

$Y_{n,m}=\left\{\begin{array}{cc}1& n\∈m\\ 0& n\∉m\end{array}\right.n=\mathrm{1,2},...N---\left(4\right)$

引用回归索引参数Q来描述等级分类的质量。 

$Q_m=\frac{|{\mathrm{\μ}}_{{\hat{Y}}_{n\∈m}}-{\mathrm{\μ}}_{{\hat{Y}}_{n\∉m}}|}{\sqrt{{\mathrm{\σ}}_{{\hat{Y}}_{n\∈m}}^2-{\mathrm{\σ}}_{{\hat{Y}}_{n\∉m}}^2}}---\left(5\right)$

表示对于种类m从回归算法获得的平均预测种类值。 

表示

的标准差。 

4.结果分析。 

采用Q值表示最终的分类结果，如图6所示。Q值越大，表示该种咖啡与其他组咖啡区分度越高。 

5.多波长补充法。 

在单波长分类不明显的情况下，可以采用多波长进行补充，最终选定最好的分类结果，或者结合某两个或某些波长进行分类。本案例下单波长已能把四种咖啡样品明显区分。 

实例二：九种西湖龙井茶的等级区分 

茶叶样本：九个等级的西湖龙井由差到好依次标定为1、2、3、4、5、6、7、8、9。 

1.如实例一中的步骤1和2进行光谱采集和主成分分析。 

Y_{k＝1,2...N,k≠i;1...M}＝Φ_{k＝1,2...N,k≠i;0...tr}θ_0...tr;1...M      （1） 

${\mathrm{\Φ}}_{k,j}=\left\{\begin{array}{cc}1& j=0;\\ U_{k,j}& j=\mathrm{1,2}...\mathrm{tr};\mathrm{}\end{array}\right.k=\mathrm{1,2}...N,k\≠i---\left(2\right)$

Y_{k＝1,2...N,k≠i;1...M}表示专家给定的茶叶品质的预处理矩阵；U_k,j表示第j个主成分对第k个样本的贡献；θ_0...tr;1...M表示通过线性回归方程（1）得到的线性系数矩阵；N表示总的光谱样本数；i表示被剔除的样本；M表示光谱中变量的数目；T表示前T个主成分。 

通过线性回归模型获得的被剔除的样本的茶叶品质因数可以表示为： 

${\hat{Y}}_{1...M}={\mathrm{\Φ}}_{i;0...\mathrm{tr}}{\mathrm{\θ}}_{0...\mathrm{tr};1...M}---\left(3\right)$

预处理矩阵可以表示为： 

$Y_{n_t}=n,n=\mathrm{1,2},...,9,t=\mathrm{1,2},...,5---\left(4\right)$

n表示茶叶等级，t表示测量次数。 

3.结果分析。 

等级区分结果如图7所示，线性度R=0.992。 

Claims (1)

1. 基于多波长LED荧光光谱的云端中药品质检测***，由检测终端，数据采集与控制***，以及处理数据的云服务器三大部分组成，其特征在于：

所述的检测终端包括多波长LED检测探头和滤光片轮；所述的多波长LED荧光检测探头，用于固定六个LED和一根大芯径光纤，同时提供放置滤光片轮的空端口；所述的滤光片轮用于固定六个不同波段的滤光片，实现在滤光片间快速进行切换，与对应的LED配合使用；

所述的数据采集与控制***由微处理器，驱动电路，光谱探测器，显示模块和网络传输端口组成；微处理器通过驱动电路控制六个LED的通断和发光强度；由检测终端收集的荧光信号通过光纤传输到光谱探测器，再经过微处理器的预处理后一方面由显示模块显示，另一方面通过网络传输端口传输到云端服务器。

Images