1.一种基于多模态图谱融合的大黄年限鉴别方法,其特征在于:包括以下步骤:S1,收集同一产地不同年限的大黄样品,使用高光谱成像设备采集所述大黄样品的高光谱数据;所述高光谱数据由HySpex系列高光谱成像光谱仪,在距离大黄样品20-30cm处拍摄获得;且放置所述大黄样品的平台移动速度为1.5mm/s;高光谱数据的波段范围为948.7188-2512.9722nm,积分时间为4500μs,帧时间为46928s,波段数为288;
S2,使用ENVI软件对所述高光谱数据进行黑白矫正,获得校正高光谱数据;
S3,提取所述校正高光谱数据的ROI区域,计算所述ROI区域的平均光谱反射率,建立大黄样品的光谱数据集;
S4,搭建一维注意力机制卷积神经网络对所述光谱数据集进行学习,获得大黄年限的光谱识别模型;
S5,对所述ROI区域进行PCA降维处理,建立大黄样品的图像数据集;具体包括:S5.1,将所述校正高光谱数据中每个像素点的288维光谱通道,展开成一个1*288的特征矩阵A;
S5.2,对所述特征矩阵A中的元素按列求平均值,用特征矩阵A中的每个元素分别减去特征矩阵A中对应列的平均值,得到特征矩阵B;
S5.3,对特征矩阵B中每两列元素求协方差,构造特征矩阵的协方差矩阵C;
S5.4, 利用所述协方差矩阵C的特征方程,求与特征向量一一对应的所有协方差矩阵的特征值;
S5.5,将所有特征值按照从大到小排序,选择前20个特征值;将所述20个特征值对应的特征向量,按列组成特征向量矩阵D;
S5.6,将所述校正高光谱数据投影到所述特征向量矩阵D上,得到大小64*64*20的图像数据集;
S6,搭建二维卷积神经网络对所述图像数据集进行学习,获得大黄年限的图像识别模型;所述一维注意力机制卷积神经网络包括通道注意力机制模块和光谱注意力机制模块,且网络层数大于等于5;
S7,利用全局平均池化提取所述光谱识别模型和所述图像识别模型的特征,进行多模态特征融合训练,获得大黄年限的多模态图谱融合识别模型;
S8,利用所述多模态图谱融合识别模型鉴别大黄的年限。
2.根据权利要求1所述的基于多模态图谱融合的大黄年限鉴别方法,其特征在于:所述黑白矫正计算公式为:其中R为相对反射率,IR为原始反射率,IB为黑板反射率,IW为白板反射率。
3.根据权利要求1所述的基于多模态图谱融合的大黄年限鉴别方法,其特征在于:S3步中,所述ROI区域大小为64*64像素;所述ROI区域的平均光谱为1*1*288的光谱数据。
4.根据权利要求1所述的基于多模态图谱融合的大黄年限鉴别方法,其特征在于:S6步中,所述二维卷积神经网络为DenseNet网络。