本發(fā)明屬于中藥材加工設備技術領域，尤其涉及一種中藥材滅菌系統(tǒng)。

背景技術：

中藥是我們中華民族的瑰寶，但由于其品種繁多，藥材不同來源、產地、生長年限、采收季節(jié)、炮制加工方法尤其是人為制假、摻化學藥等都影響著中藥質量品質，使市場上流通的原藥材有著真?zhèn)?、?yōu)劣的不同；常規(guī)的質量評價方法樣品處理過程復雜、檢驗過程繁瑣、成本高、效率低，不能適應中藥制藥現(xiàn)代化發(fā)展的需要，且往往用單一指標成分來控制中藥的質量，不能體現(xiàn)中藥成分的復雜性和其整體內在質量；且現(xiàn)有檢測手段多為離線檢測，在生產中有滯后的缺點。這些都導致我國中藥制藥行業(yè)技術水平不高，生產過程缺乏可行的質量控制方法。

由于中藥材品質的退化及假冒劣質品的市場混入等因素影響了中藥材的質量和臨床療效，對中藥材識別、鑒定與控制顯得尤為重要；傳統(tǒng)中藥材識別鑒定主要依賴主觀經驗，以人的肉眼識別藥源植物的形態(tài)，顏色和藥材的顯微紋理時需要具有豐富的經驗，但由于經驗有限，圖像識別難度大，識別錯誤率高；現(xiàn)代理化鑒定要借助專門分析儀器，管理及操作復雜；因此基于現(xiàn)代信息理論技術的中藥材預處理、識別、檢測及鑒定是新的發(fā)展方向。

基于圖像信息處理的中藥材現(xiàn)代處理與分析是在進入本世紀以來才逐漸開展起來研究領域，學者們對中藥材圖像的獲取、去噪、分割、特征提取、識別、檢測與檢索等方面進行了一定的研究；一般來說先采用CCD攝像機在顯微鏡下直接對標本采樣，并將攝取的彩色顯微圖像輸入圖像分析系統(tǒng)，待顯微圖像完成格式轉化后，對獲取的圖像進行圖像增強及濾波等預處理，然后提取或分割圖像目標，再對得到的顯微圖像目標系列參數(shù)如最大直徑、最大橫切面、周長、體積、不規(guī)則參數(shù)等進行分析測定，得到各參數(shù)的像素及特性并進行下一步分析；在獲取或傳輸時中藥材顯微圖像時，因外界干擾或傳輸信道，解碼處理等因素不免會產生脈沖噪聲對中藥材顯微圖像干擾和損壞，從而導致圖像質量下降，嚴重影響特征提取及模式識別等后續(xù)圖像處理環(huán)節(jié)。

目前中藥材顯微圖像噪聲濾除方法還存在以下不足：

(1)由于我國中藥材資源豐富、來源廣泛、種類繁多、形態(tài)各異，其組織結構具有多樣性，由此形成的顯微圖像具有復雜性和特殊性，其顯微圖像目標和背景常?；旌辖化B；在顯微圖像獲取或傳輸?shù)倪^程中當有脈沖噪聲干擾混入圖像信息中時，在目標、背景與噪聲點的定位時造成了一定的難度，在被脈沖噪聲污染的中藥材圖像中如何區(qū)分出目標信息、準確地找出噪聲干擾點，這是解決濾波問題的關鍵點之一；雖然有些學者在普通圖像的濾波中先對含噪圖像的目標像素、噪點像素進行了檢測分類，再對噪聲像素進行濾波處理，在去噪性能上有所提高，但對噪聲點的定位過分依賴于閾值的選取，不利于自動噪點檢測，自適應能力差；目前在中藥材顯微圖像的濾波中也沒有相關研究方法；

(2)脈沖噪聲是一種典型的噪聲類型，當其干擾或污染到中藥材顯微圖像時，必須在濾除它的同時如何盡可能地保護復雜中藥材顯微圖像邊緣和豐富的細節(jié)等信息，目前可利用在圖像處理領域的相關技術有：傳統(tǒng)中值濾波或基于中值濾波的改進方法、維納濾波法、小波去噪方法以及數(shù)學形態(tài)濾波等方法，這些雖能達到一定的去噪效果,但會出現(xiàn)對部分噪點的誤檢，以及破壞和丟失相對于濾波窗口尺寸較小的圖像細節(jié)；另外，隨著噪聲的增加，濾波性能也會變得很差。

選用適宜的滅菌方法制備中藥制劑，一直是藥廠不斷探索的重要課題。隨著對藥品質量管理的不斷加強，對中藥的衛(wèi)生指標也提出來更好的要求。

傳統(tǒng)的殺菌多采用溫熱滅菌法，將待滅菌的中藥材置于滅菌柜內利用高壓飽和蒸汽、過熱水噴淋等手段使微生物菌體中的蛋白質，核酸發(fā)生變性而殺滅微生物的方法，是最廣泛的滅菌方法，也有一些采用遠紅外殺菌裝置。

但是現(xiàn)有的中藥材殺菌系統(tǒng)存在以下缺點：一是溫度、濕度和壓力控制不精準，導致殺菌效果差；二是能量利用率低，導致能量大部分散發(fā)；三是智能化程度低，不能進行遠程操控。中藥材綜合質量的快速檢測差，導致對不同藥材不能采取相應殺菌方法，而且目前中藥材顯微圖像噪聲濾除存在的不利于自動噪點檢測，自適應能力差，噪聲去除和濾波性能存在矛盾

技術實現(xiàn)要素：

本發(fā)明為解決現(xiàn)有的殺菌效果差、能量利用率低和智能化程度低，中藥材綜合質量的快速檢測差，導致對不同藥材不能采取相應殺菌方法，而且目前中藥材顯微圖像噪聲濾除存在的不利于自動噪點檢測，自適應能力差，噪聲去除和濾波性能存在矛盾的技術問題而提供一種中藥材滅菌系統(tǒng)。

本發(fā)明為解決公知技術中存在的技術問題所采取的技術方案是：一種中藥材滅菌系統(tǒng)，該中藥材滅菌系統(tǒng)包括：

用于對滅菌箱內中藥材成分進行檢測的紅外光譜模塊；

所述紅外光譜模塊在室溫下用紅外光譜儀對滅菌箱內中藥材進行掃描，采集所有樣本的紅外光譜，每個樣本平均分成兩份，每份重復掃描五次，取平均值為吸收值，獲得中藥材樣本集的紅外光譜，其中一大部分樣本作為校正集樣本，用于建立近紅外光譜校正模型，另一部分作為檢驗集樣本，用以檢驗模型的預測結果；

用標準分析方法測定樣本中指標性成分的含量，然后，將含量數(shù)據(jù)同樣本光譜預處理后的紅外光譜相結合，采用偏最小二乘回歸PLS方法對光譜進行分析，建立紅外光譜校正模型；

建立紅外光譜校正模型包括：先把濃度矩陣和光譜矩陣分解成載荷矩陣和得分矩陣，然后做主成分分析，濾除光譜矩陣和濃度矩陣中的噪聲，最后，利用回歸分析求出關聯(lián)系數(shù)矩陣，并將濃度矩陣信息引入光譜矩陣分解過程中，在計算一個新成分之前，將濃度得分矩陣和光譜得分矩陣進行交換，使光譜矩陣主成分和濃度矩陣關聯(lián)，其關聯(lián)式為：A＝TP+E，

其中A為光譜矩陣主成分吸收值矩陣，T為A矩陣的得分矩陣，P為A矩陣的載荷矩陣，E為系統(tǒng)模型不能解釋的隨機誤差矩陣；各樣本中各組分濃度數(shù)據(jù)構成濃度矩陣C：C＝UQ+F，其中U為C矩陣的得分矩陣，Q為C矩陣的載荷矩陣，F(xiàn)為系統(tǒng)模型不能解釋的隨機誤差矩陣；U＝TB，B為一對角矩陣：C＝TB Q+F，對于未知樣本，由未知樣本的矩陣A_未知利用A＝TP的關系及其在校正步驟中存儲的P，算出T_未知，繼而與校正步驟中存儲的B求出U，由存儲的Q，求出C_未知；

掃描檢驗集樣本的近紅外圖譜，將該圖譜輸入所建立的定量分析模型，預測出檢驗集樣本的指標性成分含量，與用標準分析方法測得之值進行比較，來評價紅外光譜校正模型，評價參數(shù)有：

1)內部交叉驗證決定系數(shù)R²：R²越接近1，表示校正模型的預測值與標準對照方法分析值之間的相關性越強；2)交叉檢驗誤差均方根為：該RMSECV值表示預測值與實際值間的偏差，RMSECV愈小，紅外光譜校正模型的預測精度愈高；3)預測誤差均方根RMSEP為：上式中：Ci為標準分析方法測量值；Ci’為通過紅外光譜校正模型的預測值；Cm為Ci均值；n為校正集樣本數(shù)；p為主成分數(shù)，即Rank值；m為檢驗集樣本數(shù)；采集未知樣本的紅外光譜，用建立的紅外光譜校正模型預測出該未知中藥材樣本中指標性成分的含量；

用于對滅菌箱內腔的溫度進行采集的溫度傳感器；

用于對滅菌箱內腔的濕度進行采集的濕度傳感器；

用于對滅菌箱內腔的壓力進行采集的壓力傳感器；

分別與溫度傳感器、濕度傳感器、壓力傳感器和紅外光譜模塊相連接，用于對接收的數(shù)據(jù)進行分析和處理的PLC控制器；

所述PLC控制器對紅外光譜模塊預測的未知中藥材樣本中指標性成分的含量的圖像采用適合處理組織類圖像信息的脈沖耦合神經網絡模型對未知中藥材顯微圖像進行檢測；未知中藥材顯微圖像受到密度較小的脈沖噪聲污染通過自適應加權濾波處理；未知中藥材微圖像受到密度較大的脈沖噪聲污染采用保持邊緣細節(jié)信息的引入雙結構元素數(shù)學形態(tài)學進行二次濾波；

適合處理組織類圖像信息的脈沖耦合神經網絡模型為：

F_ij[n]＝S_ij；U_ij[n]＝F_ij[n](1+β_ij[n]L_ij[n])；θ_ij[n]＝θ₀e^-αθ(n-1)；其中，β_ij[n]為自適應鏈接強度系數(shù)；S_ij、F_ij[n]、L_ij[n]、U_ij[n]、θ_ij[n]分別為輸入圖像信號、反饋輸入、鏈接輸入、內部活動項及動態(tài)閾值，N_w為所選待處理窗口W中的像素總數(shù)，Δ為調節(jié)系數(shù)，選取1～3；

脈沖耦合神經網絡模型對未知中藥材顯微圖像進行檢測時，利用網絡特性使灰度為S_ijmax的像素點火激活，再進行第二次脈沖耦合神經網絡迭代處理，把介于[S_ijmax/1+β_ijL_ij,S_ijmax]間的像素捕獲激活，使兩次激活的像素點對應的Y ij輸出為1；然后對原噪聲污染圖像反白處理，再對處理后的圖像S ij按前述進行迭代處理，并使對應的輸出Y_ij＝1，利用圖像噪聲像素與周圍像素相關性小，灰度差別大特性，當一個神經元的激發(fā)沒有引起所在區(qū)域附近大多數(shù)神經元的激發(fā)時，就說明該神經元對應像素可能是噪聲點；初步甄別出Y_ij＝0對應的像素點為未知中藥材顯微圖像的信號點，予以保護；對Y_ij輸出為1的像素點在3*3模板B范圍內統(tǒng)計以輸出Y_ij＝1為中心鄰域元素值為1的個數(shù)N_Y判別歸類：1≤N_Y≤8，為噪聲點，當N_Y＝9，判定為圖像像素點。

與PLC控制器相連接，用于對滅菌箱內腔的中藥材進行滅菌的遠紅外石英加熱管；

與PLC控制器相連接，用于進行操作的操作顯示屏；

與PLC控制器通過驅動控制器相連接，用于對滅菌箱進行旋轉的旋轉電機；

與PLC控制器通過驅動控制器相連接，用于對滅菌箱內部的中藥材進行攪拌的攪拌機；

與PLC控制器通過驅動控制器相連接，用于對滅菌箱進行循環(huán)風加熱的鼓風機；

與PLC控制器相連接，用于發(fā)射和接收無線信號的無線射頻收發(fā)模塊；

與無線射頻收發(fā)模塊通過GPRS無線網絡無線連接，用于進行遠程控制的外部設備。

進一步，樣本光譜預處理包括：

A、平滑處理：受各種因素的影響，紅外光譜儀所測得的光譜數(shù)據(jù)不可避免地伴隨著隨機誤差和噪聲，得到往往是一條不光滑的曲線，平滑能降低高頻隨機噪聲，方法是用平均窗口平滑方法、中位值平滑方法、Savitsky-Golay平滑方法的一種將各數(shù)據(jù)點的值按權重在自身和臨近點重新分配，得到較光滑的曲線；

B、導數(shù)處理：對中藥材樣本掃描時，由于制樣條件和儀器參數(shù)對光譜的影響，譜圖發(fā)生光譜基線的線性平移、線性傾斜，隨著波數(shù)的變小差譜值規(guī)律上升，以及圖譜的其它變形，用導數(shù)法消除信號中含有的低頻背景和常數(shù)項，降低高次項的冪次，從而使高頻信號顯現(xiàn)出來，其中，一階導數(shù)法以消除光譜基線的線性平移，二階導數(shù)法以消除光譜基線的線性傾斜；

C、散射校正法：在近紅外漫反射光譜分析中，測量對象的固體顆粒度、晶形等物理性質的不同，也會導致譜圖的差異，用多元散射校正MSC消除由于樣品表面性質差異和顆粒尺寸大小不同帶來的光譜漂移；

D、矢量歸一化法：近紅外光譜儀器的本底光譜的頻率-強度響應曲線應該為矩形曲線，即各頻率處的光強都相等，在這種情況下測得的吸收光譜將真實的反映物質的吸收特性，但實際上這是不存在的，因為受各種因素影響，光譜響應曲線遠不是一個矩形，光譜儀測得的光譜需要進行歸一化處理，使測得的各光譜帶的相對強度與真實光譜帶的相對強度一致，方法是在樣本室中不放置任何樣本，首先測定一個本底光譜M，再測定樣本的光譜N，然后N除以M，得到歸一化的樣本圖。

進一步，未知中藥材顯微圖像自適應加權濾波器噪聲濾波的實現(xiàn)方法為；

當脈沖輸出Y_ij＝1且N_Y＝1～8，N_Y是當在3*3模板B中為1個數(shù)，選取濾波窗口M，對噪聲污染圖像f_ij的自適應濾波，濾波方程為：

式中，x_rs是濾波窗口中對應像素的系數(shù)，S_rs為濾波窗口中對應像素的灰度值，f_ij為濾波后對應窗口中心位置的輸出值：

式中D_ij為方形濾波窗口M中像素灰度中值，Ω_ij濾波窗口各像素與中心灰度差絕對均值，max為求最大值符號；

選取濾波窗口M選取大小為m*m的濾波窗口M，窗口大小的選取原則

是：

雙結構元素數(shù)學形態(tài)學第二級濾波的具體方法：

殘留脈沖噪聲的中藥材顯微圖像為f，E為結構元素SE，則膨脹有如下關系式：

式中為膨脹運算符，F(xiàn)和G分別是f和E的定義域，x-z為位移參數(shù)；

上式膨脹關系是將與物體接觸的所有背景點都合并到物體中，使邊界向外部擴張的過程，填補物體中的洞孔；

上式Θ為腐蝕運算符，腐蝕是消除邊界點，邊界向內部收縮，同時在腐蝕膨脹的基礎上，再結合形態(tài)學的開閉運算：

進一步，所述PLC控制器與電源模塊相連接，用于提供電源；所述滅菌箱的前側面上安裝有蜂鳴器和警示燈，蜂鳴器和警示燈均通過導線與PLC控制器相連接。

進一步，所述操作顯示屏具體采用多點觸控的電容式觸摸屏。

進一步，所述旋轉電機和攪拌機具有不同的旋轉方向。

進一步，所述外部設備包括電腦、手機等具有網絡連接功能的電子產品。

進一步，所述滅菌箱的夾層中充填有硅酸鹽棉材料構件。

本發(fā)明具有的優(yōu)點和積極效果是：該中藥材滅菌系統(tǒng)通過溫度傳感器、濕度傳感器和壓力傳感器對滅菌箱內腔的溫度、濕度和壓力進行檢測，并實時傳輸?shù)絇LC控制器，通過PLC控制器向遠紅外石英加熱管發(fā)送命令實現(xiàn)準確殺菌，通過旋轉電機帶動滅菌箱的旋轉，加上攪拌機的旋轉，實現(xiàn)中藥材內部的攪拌，殺菌效果好，殺菌效率高；通過鼓風機的設置，使得熱量的利用率大大提高；外部設備通過無線射頻收發(fā)模塊與PLC控制器連接，可進行遠程操控。

本發(fā)明首先建立校正模型，方法是收集中藥材樣本作為校正集樣本，采集樣本的紅外(NIR)漫反射光譜，并對所得光譜進行預處理，然后用常規(guī)方法中與樣品相對應的檢測方法測得其指標性成分含量，將圖譜與指標性成分含量相結合，采用適合于中藥成分分析的化學計量學方法建立定量分析模型，將待測樣品粉碎后掃描其紅外光譜圖，將圖譜輸入定量分析模型，即可測得該中藥材中指標性成分的含量，對不同的不同藥材采取相應殺菌方法，整個過程所需時間短、速度快、準確，可在線測量，提高生產效率，大大節(jié)省了人力和物力，能產生巨大經濟和社會效益。

本發(fā)明是圖像信息處理技術對傳統(tǒng)中醫(yī)藥進行現(xiàn)代檢測識別預處理應用技術的分析，為信息時代中藥材“傳統(tǒng)”與“現(xiàn)代”分析檢測相結合提供全新的技術思路與方法，給現(xiàn)代中藥材無接觸、無損傷信息檢測分析進行有益的探索，為下一步提高中藥材質量檢測、識別、殺菌處理與鑒定奠定前期基礎；同時，對于我國中藥材檢測識別與分析具有重要的理論意義和應用價值；

本發(fā)明在中藥材顯微圖像脈沖噪聲檢測階段，本發(fā)明利用脈沖耦合神經網絡的同步脈沖發(fā)放特性區(qū)分定位脈沖噪聲點和信號像素點位置，相對傳統(tǒng)的基于中值檢測或相關改進中值檢測方法具有更高的噪點檢測性能，相對于其他閾值噪點檢測方法；本發(fā)明無需設定檢測閾值，噪聲錯檢率和漏檢率低，噪聲檢測精度較高；同時，相對于其他噪聲迭代檢測方法；本發(fā)明方法檢測時間短，自動性強；目前還沒有任何脈沖噪聲檢測方法應用在中藥材顯微圖像脈沖噪聲的檢測中；在中藥材顯微圖像脈沖噪聲濾除階段，本發(fā)明首先根據(jù)上述檢測出的噪點和信號點，對圖像像素進行分類處理；在利用第一級自適應加權濾波時只對檢出的噪聲點進行濾波處理，相對于其他中值濾波、維納濾波等方法在有效濾除噪點的同時保護了信號點信息；在第二級數(shù)學形態(tài)學濾波時是對前級濾波中漏掉的相關噪點進行補充輔助濾除，在去噪的同時不但能有效濾除噪聲干擾，而且能很好地保護圖像邊緣細節(jié)等信息；本發(fā)明具有較強的主觀視覺效果和客觀評價指標，去噪能力強、信噪比高和適應性好，特別是對受嚴重噪聲污染的中藥材顯微圖像，顯示了更大的濾波優(yōu)越性。

附圖說明

圖1是本發(fā)明實施例提供的中藥材滅菌系統(tǒng)的示意圖；

圖2是本發(fā)明實施例提供的紅外光譜模塊連接示意圖。

圖中：1、溫度傳感器；2、濕度傳感器；3、壓力傳感器；4、PLC控制器；5、遠紅外石英加熱管；6、操作顯示屏；7、驅動控制器；8、旋轉電機；9、攪拌機；10、鼓風機；11、無線射頻收發(fā)模塊；12、外部設備；13、電源模塊；14、蜂鳴器；15、警示燈；16、紅外光譜模塊。

具體實施方式

為能進一步了解本發(fā)明的發(fā)明內容、特點及功效，茲例舉以下實施例，并配合附圖詳細說明如下。

下面結合圖1和圖2對本發(fā)明的應用原理作詳細的描述。

該中藥材滅菌系統(tǒng)包括：

用于對滅菌箱內中藥材成分進行檢測的紅外光譜模塊16；

所述紅外光譜模塊在室溫下用紅外光譜儀對滅菌箱內中藥材進行掃描，采集所有樣本的紅外光譜，每個樣本平均分成兩份，每份重復掃描五次，取平均值為吸收值，獲得中藥材樣本集的紅外光譜，其中一大部分樣本作為校正集樣本，用于建立近紅外光譜校正模型，另一部分作為檢驗集樣本，用以檢驗模型的預測結果；

用標準分析方法測定樣本中指標性成分的含量，然后，將含量數(shù)據(jù)同樣本光譜預處理后的紅外光譜相結合，采用偏最小二乘回歸PLS方法對光譜進行分析，建立紅外光譜校正模型；

建立紅外光譜校正模型包括：先把濃度矩陣和光譜矩陣分解成載荷矩陣和得分矩陣，然后做主成分分析，濾除光譜矩陣和濃度矩陣中的噪聲，最后，利用回歸分析求出關聯(lián)系數(shù)矩陣，并將濃度矩陣信息引入光譜矩陣分解過程中，在計算一個新成分之前，將濃度得分矩陣和光譜得分矩陣進行交換，使光譜矩陣主成分和濃度矩陣關聯(lián)，其關聯(lián)式為：A＝TP+E，

其中A為光譜矩陣主成分吸收值矩陣，T為A矩陣的得分矩陣，P為A矩陣的載荷矩陣，E為系統(tǒng)模型不能解釋的隨機誤差矩陣；各樣本中各組分濃度數(shù)據(jù)構成濃度矩陣C：C＝UQ+F，其中U為C矩陣的得分矩陣，Q為C矩陣的載荷矩陣，F(xiàn)為系統(tǒng)模型不能解釋的隨機誤差矩陣；U＝TB，B為一對角矩陣：C＝TB Q+F，對于未知樣本，由未知樣本的矩陣A_未知利用A＝TP的關系及其在校正步驟中存儲的P，算出T_未知，繼而與校正步驟中存儲的B求出U，由存儲的Q，求出C_未知；

掃描檢驗集樣本的近紅外圖譜，將該圖譜輸入所建立的定量分析模型，預測出檢驗集樣本的指標性成分含量，與用標準分析方法測得之值進行比較，來評價紅外光譜校正模型，評價參數(shù)有：

1)內部交叉驗證決定系數(shù)R²：R²越接近1，表示校正模型的預測值與標準對照方法分析值之間的相關性越強；2)交叉檢驗誤差均方根為：該RMSECV值表示預測值與實際值間的偏差，RMSECV愈小，紅外光譜校正模型的預測精度愈高；3)預測誤差均方根RMSEP為：上式中：Ci為標準分析方法測量值；Ci’為通過紅外光譜校正模型的預測值；Cm為Ci均值；n為校正集樣本數(shù)；p為主成分數(shù)，即Rank值；m為檢驗集樣本數(shù)；采集未知樣本的紅外光譜，用建立的紅外光譜校正模型預測出該未知中藥材樣本中指標性成分的含量；

用于對滅菌箱內腔的溫度進行采集的溫度傳感器1；

用于對滅菌箱內腔的濕度進行采集的濕度傳感器2；

用于對滅菌箱內腔的壓力進行采集的壓力傳感器3；

分別與溫度傳感器1、濕度傳感器2、紅外光譜模塊16和壓力傳感器3相連接，用于對接收的數(shù)據(jù)進行分析和處理的PLC控制器4；所述PLC控制器對紅外光譜模塊預測的未知中藥材樣本中指標性成分的含量的圖像采用適合處理組織類圖像信息的脈沖耦合神經網絡模型對未知中藥材顯微圖像進行檢測；未知中藥材顯微圖像受到密度較小的脈沖噪聲污染通過自適應加權濾波處理；未知中藥材微圖像受到密度較大的脈沖噪聲污染采用保持邊緣細節(jié)信息的引入雙結構元素數(shù)學形態(tài)學進行二次濾波；

適合處理組織類圖像信息的脈沖耦合神經網絡模型為：

F_ij[n]＝S_ij；U_ij[n]＝F_ij[n](1+β_ij[n]L_ij[n])；θ_ij[n]＝θ₀e^-αθ(n-1)；其中，β_ij[n]為自適應鏈接強度系數(shù)；S_ij、F_ij[n]、L_ij[n]、U_ij[n]、θ_ij[n]分別為輸入圖像信號、反饋輸入、鏈接輸入、內部活動項及動態(tài)閾值，N_w為所選待處理窗口W中的像素總數(shù)，Δ為調節(jié)系數(shù)，選取1～3；

脈沖耦合神經網絡模型對未知中藥材顯微圖像進行檢測時，利用網絡特性使灰度為S_ijmax的像素點火激活，再進行第二次脈沖耦合神經網絡迭代處理，把介于[S_ijmax/1+β_ijL_ij,S_ijmax]間的像素捕獲激活，使兩次激活的像素點對應的Y ij輸出為1；然后對原噪聲污染圖像反白處理，再對處理后的圖像S ij按前述進行迭代處理，并使對應的輸出Y_ij＝1，利用圖像噪聲像素與周圍像素相關性小，灰度差別大特性，當一個神經元的激發(fā)沒有引起所在區(qū)域附近大多數(shù)神經元的激發(fā)時，就說明該神經元對應像素可能是噪聲點；初步甄別出Y_ij＝0對應的像素點為未知中藥材顯微圖像的信號點，予以保護；對Y_ij輸出為1的像素點在3*3模板B范圍內統(tǒng)計以輸出Y_ij＝1為中心鄰域元素值為1的個數(shù)N_Y判別歸類：1≤N_Y≤8，為噪聲點，當N_Y＝9，判定為圖像像素點。

與PLC控制器4相連接，用于對滅菌箱內腔的中藥材進行滅菌的遠紅外石英加熱管5；

與PLC控制器4相連接，用于進行操作的操作顯示屏6；

與PLC控制器4通過驅動控制器7相連接，用于對滅菌箱進行旋轉的旋轉電機8；

與PLC控制器4通過驅動控制器7相連接，用于對滅菌箱內部的中藥材進行攪拌的攪拌機9；

與PLC控制器4通過驅動控制器7相連接，用于對滅菌箱進行循環(huán)風加熱的鼓風機10；

與PLC控制器4相連接，用于發(fā)射和接收無線信號的無線射頻收發(fā)模塊11；

與無線射頻收發(fā)模塊11通過GPRS無線網絡無線連接，用于進行遠程控制的外部設備12。

進一步，所述PLC控制器4與電源模塊13相連接，用于提供電源。

進一步，所述滅菌箱的前側面上安裝有蜂鳴器14和警示燈15，蜂鳴器14和警示燈15均通過導線與PLC控制器4相連接。

樣本光譜預處理包括：

A、平滑處理：受各種因素的影響，紅外光譜儀所測得的光譜數(shù)據(jù)不可避免地伴隨著隨機誤差和噪聲，得到往往是一條不光滑的曲線，平滑能降低高頻隨機噪聲，方法是用平均窗口平滑方法、中位值平滑方法、Savitsky-Golay平滑方法的一種將各數(shù)據(jù)點的值按權重在自身和臨近點重新分配，得到較光滑的曲線；

B、導數(shù)處理：對中藥材樣本掃描時，由于制樣條件和儀器參數(shù)對光譜的影響，譜圖發(fā)生光譜基線的線性平移、線性傾斜，隨著波數(shù)的變小差譜值規(guī)律上升，以及圖譜的其它變形，用導數(shù)法消除信號中含有的低頻背景和常數(shù)項，降低高次項的冪次，從而使高頻信號顯現(xiàn)出來，其中，一階導數(shù)法以消除光譜基線的線性平移，二階導數(shù)法以消除光譜基線的線性傾斜；

C、散射校正法：在近紅外漫反射光譜分析中，測量對象的固體顆粒度、晶形等物理性質的不同，也會導致譜圖的差異，用多元散射校正MSC消除由于樣品表面性質差異和顆粒尺寸大小不同帶來的光譜漂移；

D、矢量歸一化法：近紅外光譜儀器的本底光譜的頻率-強度響應曲線應該為矩形曲線，即各頻率處的光強都相等，在這種情況下測得的吸收光譜將真實的反映物質的吸收特性，但實際上這是不存在的，因為受各種因素影響，光譜響應曲線遠不是一個矩形，光譜儀測得的光譜需要進行歸一化處理，使測得的各光譜帶的相對強度與真實光譜帶的相對強度一致，方法是在樣本室中不放置任何樣本，首先測定一個本底光譜M，再測定樣本的光譜N，然后N除以M，得到歸一化的樣本圖。

進一步，未知中藥材顯微圖像自適應加權濾波器噪聲濾波的實現(xiàn)方法為；

當脈沖輸出Y_ij＝1且N_Y＝1～8，N_Y是當在3*3模板B中為1個數(shù)，選取濾波窗口M，對噪聲污染圖像f_ij的自適應濾波，濾波方程為：

式中，x_rs是濾波窗口中對應像素的系數(shù)，S_rs為濾波窗口中對應像素的灰度值，f_ij為濾波后對應窗口中心位置的輸出值：

式中D_ij為方形濾波窗口M中像素灰度中值，Ω_ij濾波窗口各像素與中心灰度差絕對均值，max為求最大值符號；

選取濾波窗口M選取大小為m*m的濾波窗口M，窗口大小的選取原則

是：

雙結構元素數(shù)學形態(tài)學第二級濾波的具體方法：

殘留脈沖噪聲的中藥材顯微圖像為f，E為結構元素SE，則膨脹有如下關系式：

式中為膨脹運算符，F(xiàn)和G分別是f和E的定義域，x-z為位移參數(shù)；

上式膨脹關系是將與物體接觸的所有背景點都合并到物體中，使邊界向外部擴張的過程，填補物體中的洞孔；

上式Θ為腐蝕運算符，腐蝕是消除邊界點，邊界向內部收縮，同時在腐蝕膨脹的基礎上，再結合形態(tài)學的開閉運算：

進一步，所述操作顯示屏6具體采用多點觸控的電容式觸摸屏。

進一步，所述旋轉電機8和攪拌機9具有不同的旋轉方向。

進一步，所述外部設備12包括電腦、手機等具有網絡連接功能的電子產品。

進一步，所述滅菌箱的夾層中充填有硅酸鹽棉材料構件。

下面結合工作原理對本發(fā)明的結構作進一步的描述。

通過溫度傳感器1、濕度傳感器2和壓力傳感器3對滅菌箱內腔的溫度、濕度和壓力進行檢測，并實時傳輸?shù)絇LC控制器4，通過PLC控制器4向遠紅外石英加熱管5發(fā)送命令實現(xiàn)準確殺菌，通過旋轉電機8帶動滅菌箱的旋轉，加上攪拌機9的旋轉，實現(xiàn)中藥材內部的攪拌，殺菌效果好，殺菌效率高；通過鼓風機10的設置，使得熱量的利用率大大提高；外部設備12通過無線射頻收發(fā)模塊11與PLC控制器4連接，可進行遠程操控，當殺菌進程結束后，PLC控制器4通過蜂鳴器14和警示燈15發(fā)出聲光訊號，以提示中藥材殺菌進程。

下面結合具體實施例對本發(fā)明的應用原理作進一步描述。

連翹藥材浸出物定量分析模型的建立與檢驗：

1)、建模波段的選擇及預處理

通過TQ數(shù)據(jù)處理軟件，用光譜預處理的一階導數(shù)法對光譜圖進行波長優(yōu)選，確定波長區(qū)間為4516.19-7058.19cm^-1；

2)、浸出物的含量測定

采用《中國藥典》收載的冷浸法測定連翹藥材中醇溶性浸出物含量，將連翹樣本粉碎，取粉末4g，置250ml的錐形瓶中，加入質量濃度為65％乙醇100ml，密塞，冷浸，前6小時內時時振搖，再靜置18小時，用干燥濾器迅速濾過，吸取濾液20ml，置已干燥的蒸發(fā)皿中，在水浴上蒸干后，于105℃干燥3小時，移至干燥器中，冷卻30分鐘，迅速稱定重量，計算連翹樣本中醇溶性浸出物的百分數(shù)；

3)、建立連翹藥材浸出物定量分析模型：

選擇100份連翹樣本中的78份樣本作為校正集樣本，將冷浸法測得的醇溶性浸出物含量數(shù)據(jù)同其近紅外光譜數(shù)據(jù)相結合，用偏最小二乘(PLS)回歸方法建立定量分析模型，確定最佳主成份數(shù)為7，經校正樣本集進行內部交叉驗證得RMSECV＝1.78，R²＝0.96；

4)、模型的檢驗：

將100份連翹樣本中的22份樣本作為檢驗集樣本，掃描檢驗集樣本的紅外光譜，將光譜輸入所建連翹藥材浸出物定量分析模型，得到預測值，與用冷浸法測得的值相比較，來評價該定量分析模型；用檢驗集樣本進行外部驗證，得紅外光譜法預測值與冷浸法測定值之間的相關系數(shù)為0.97，RMSEP＝1.65。

本發(fā)明，經以上結果表明，通過建立多元校正模型，NIR光譜分析方法可以對中藥材中的指標性成分含量進行有效檢測，紅外光(NIR)是指波長在780～2526nm范圍內的電磁波，記錄的主要是含氫基團X-H(X＝C、N、O)振動的倍頻和合頻吸收，不同基團或同一基團在不同化學環(huán)境中的吸收波長與強度都有明顯差別，中藥材中的有效部位幾乎在此區(qū)域都有吸收，因此，NIR非常適合于中藥材的質量檢測，該方法只需要簡單的樣品處理，同標準方法相比，可以節(jié)省大量的分析時間和花費，適用于大部分中藥材指標性成分含量的快速檢測，是一種方便、快速、無損的綠色分析技術，經濟和社會效益巨大。

以上所述僅是對本發(fā)明的較佳實施例而已，并非對本發(fā)明作任何形式上的限制，凡是依據(jù)本發(fā)明的技術實質對以上實施例所做的任何簡單修改，等同變化與修飾，均屬于本發(fā)明技術方案的范圍內。