基于机器视觉的多花黄精品质检测方法研究

1. 引言

中药材作为中国传统医学的瑰宝，其品质的优劣直接关系到临床疗效与患者的安全。然而，传统的中药材品质检测方法多依赖于人工鉴别和经验判断，存在主观性强、效率低下等问题。随着科技的进步，机器视觉技术为中药材品质检测提供了新的解决方案。黄精是百合科黄精属常用中药，其分布范围广泛，植物来源多样，《中华人民共和国药典》中记载滇黄精、黄精、多花黄精为黄精药材的主要植物来源。黄精其名取自仙家土地之精华，具有补益脾胃、补肾涩精、润肺止咳的功效，自古被当作药食同源的补益佳品 [1]。现代研究表明黄精活性成分具有抗炎、抗氧化、保护肝肾功能、提高免疫力等作用 [2]。且黄精具有气香味甘、药性平和、无毒等优势，多作为保健品，受众人群极为广泛。目前黄精保健品的功能主要集中在缓解疲乏、提高免疫力、抗衰老、降血糖等方面 [3]。传统黄精品质评价主要依赖经验丰富的药师通过" 眼看、手摸、鼻闻、口尝" 等主观方法进行，存在评价标准不统一、结果可重复性差等问题。随着计算机视觉技术的发展，基于图像分析的客观评价方法为中药材品质检测提供了新的解决方案。综上所述，本研究以块茎呈长条状而略弯曲的多花黄精为例，探讨基于机器视觉的中药材品质检测方法。本研究选取河南、四川及湖南三省主产区的黄精样本，利用机器视觉技术建立科学的品质评价体系，旨在解决以下问题：(1) 如何通过视觉特征客观评价黄精品质；(2) 三省黄精是否存在显著品质差异；(3) 哪些视觉特征与黄精品质相关性最强。研究结果将为黄精品质评价提供新的技术手段，并为消费者选购和产地优化种植提供科学依据。

2. 材料与方法

3.2.1 实验材料

本研究从市场上采购了河南、四川和湖南各地区 50 份三年生多花黄精样本，所有样本均在秋季采挖，经专业药师初步鉴定为同一品种。样本采集后立即清洗、干燥，并置于标准条件下保存。

2.2 实验设备

该实验系统主要由四大核心模块协同构成：图像采集系统以 Canon EOS 5D MarkIV 数码相机为主体，并配备 100mm 微距镜头，满足高精度微距拍摄需求；照明系统采用标准 D65 光源箱，其光源色温严格控制在 6500K、照度达 2000lux ，为图像采集提供均匀且符合国际标准的照明环境；图像处理平台搭载高性能硬件组合——Intel Core i9-10900K 处理器与NVIDIA RTX 3090 显卡，确保图像数据的高速处理与高质量输出；此外，系统还配备了电子天平（精度0.01g）与游标卡尺（精度 ）作为辅助设备，分别用于精确称量与尺寸测量，共同支撑整个系统的精准性与可靠性。

2.3 机器视觉检测方法

2.3.1 图像采集与预处理

本研究以每份多花黄精样本从五个角度( 正面、背面、侧面及两端) 进行图像采集，原始图像分辨率为 6720×4480 像素。图像采集前进行白平衡校准，确保色彩还原准确。预处理步骤包括：（1）图像去噪：采用非局部均值去噪算法（2）背景分割：基于HSV 色彩空间的阈值分割法（3）尺寸归一化：将所有样本图像缩放至相同像素尺寸。

2.3.2 特征提取

经过预处理后，研究从预处理后的图像中提取三类多花黄精的特征分析，主要涵盖形态学特征、颜色特征及纹理特征三个维度，具体如下：

形态学特征主要用于量化其横截面的形状属性，具体包括：面积（即横截面的像素面积）、周长（轮廓长度）、长宽比（形状的比例关系）；颜色特征从不同色彩空间和均匀性角度描述外观特性，具体涉及：平均RGB 值、Lab 色彩空间中的亮度（L）、红绿轴（a）和黄蓝轴（b）值；其中，颜色均匀性通过图像分块后的颜色标准差衡量，以反映颜色分布的一致性；纹理特征则通过多类纹理分析方法提取，包括：基于灰度共生矩阵（GLCM）的对比度、相关性、能量和同质性（反映灰度空间分布的规律性）；局部二值模式（LBP）特征（捕捉局部纹理的明暗变化模式）；以及Gabor 滤波器响应（分析纹理在不同方向和频率上的特征）。上述特征从形状、颜色、纹理多维度为黄精的形态识别与分类提供了全面的量化依据。

2.3.3 品质评价模型构建

为系统评价多花黄精品质，本研究首先采用层次分析法（AHP）构建多维度评价体系，该体系包含三个层次：目标层为“黄精综合品质”，准则层设定为外观品质（权重0.4）、颜色品质（权重0.3）、纹理品质（权重0.3），指标层则涵盖各具体特征指标；在此基础上，通过专家打分法确定各指标权重，进一步建立综合评价函数 Q=0.4 *Qappearance+0.3*Qcolor +0.3 *Qtexture，其中各项子品质得分由对应特征指标线性加权计算得出。

2.3.4 深度学习辅助分类

为验证视觉特征的区分能力，研究进一步引入深度学习辅助分类方法，构建ResNet-50 卷积神经网络模型，针对三省黄精样本开展分类识别；实验中，150 份样本按7:2:1 比例划分为训练集、验证集和测试集，并采用迁移学习策略，在 ImageNet 预训练模型基础上进行微调，以提升模型对黄精特征的适应性。

3. 结果与分析

3.1 视觉特征分析结果

为系统解析多花黄精的地域特征差异及其品质关联，研究从形态学、颜色学及纹理学多维度展开分析，并结合机器视觉评价与深度学习验证。

形态学特征方面，三省黄精横截面面积存在显著差异：湖南（1687±187） 河南 四川（1456±198）mm²；其中，湖南黄精圆形度最高 (0.82±0.05) ），表明其形态更为饱满；值得注意的是，三省样本在紧密度指标上差异极显著 (p<0.01) ，进一步反映了形态结构的紧凑性差异。

颜色特征进一步凸显地域特色，湖南黄精黄色指数（YI）最高（56. 3±3.2) ，显著高于四川（48. 7±4.1) ）与河南（ (45.2±3.8) ） (p⟨0.001) ；颜色均匀性上，湖南以标准差2.3 表现最佳，河南则最差（标准差3.7）；此外，Lab 色彩空间中，湖南黄精b 值（黄蓝轴）显著高于其他两地，进一步强化了其“偏黄”的色彩倾向。

纹理特征层面，基于灰度共生矩阵（GLCM）的分析显示，湖南黄精纹理对比度(0.35±0.04) ）和能量 (0,28±0,03) ）最优，表明其纹理分布更均匀、对比更鲜明；而局部二值模式（LBP）特征直方图则显示，三省样本纹理模式存在明显差异，为后续分类提供了有效依据。

3.2 品质评价结果

基于机器视觉的综合品质评分结果印证了上述特征的区分能力：湖南黄精以86. 7±3.2 分居首，河南 (78.3±4.1) 、四川 (72.5±3.8) 依次递减；方差分析（F=187.32,p0.001| ）与事后检验（LSD）进一步验证，三省评分差异极显著，任意两省间差异均显著（ (p⟨0.01⟩ 。

4. 结论

本研究建立了基于机器视觉的黄精品质检测方法，并对河南、四川及湖南三省的黄精样本进行了系统评价。研究结果表明：

（1） 三省黄精在形态、颜色和纹理等视觉特征上存在显著差异。

（2）湖南黄精在多项品质指标上表现最优，综合评分显著高于河南和四川样

（3）黄色指数、纹理能量和圆形度是评价多花黄精品质的关键视觉指标。

参考文献：

[1] 国家药典委员会. 中华人民共和国药典：一部[S]. 北京：中国医药科技出版社，2020.

[2] ZHAO X，PATIL S，QIAN A R，et al. Bioactive com － pounds of Polygonatum sibiricum -therapeutic effect andbiological activity[J]. Endocr Metab Immune Disord DrugTargets，2022，22(1)：26-37.

[3] 谢果珍，刘浩，王智，等 . 黄精属药食两用中药玉竹与黄精的比较 [J]. 中国现代中药，2020，22(9)：1447-1452.

项目基金： 2024 年度校级科研项目《基于机器视觉中药材品质检测方法研究》，项目编号：SMXY202460