[發(fā)明專利]基于2D-CNN的食用油橫向弛豫信號特征提取方法

有效

• 申請?zhí)枺?/td>: 201910164086.4
• 申請日: 2019-03-05
• 公開（公告）號: CN109902638B
• 公開（公告）日: 2021-02-23
• 發(fā)明（設(shè)計）人: 侯學(xué)文;蘇冠群;王廣利;王欣;聶生東
• 申請（專利權(quán)）人: 上海理工大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 上海伯瑞杰知識產(chǎn)權(quán)代理有限公司 31227
• 代理人: 李慶

1.一種基于2D-CNN的食用油橫向弛豫信號特征提取方法，包括步驟：

S1：讀取低場核磁共振設(shè)備采集得到的CPMG原始數(shù)據(jù)，并將所述CPMG原始數(shù)據(jù)進(jìn)行反演得到反演數(shù)據(jù)；

S2：分別對所述CPMG原始數(shù)據(jù)和所述反演數(shù)據(jù)進(jìn)行預(yù)處理；

S3：將預(yù)處理后的所述CPMG原始數(shù)據(jù)和所述反演數(shù)據(jù)分別繪制橫向弛豫衰減曲線和多組分弛豫譜；

S4：構(gòu)建二維卷積神經(jīng)網(wǎng)絡(luò)，所述二維卷積神經(jīng)網(wǎng)絡(luò)包括多個功能層，所述功能層包括：Conv2D卷積層、MaxPooling2D池化層和Dense全連接層；

S5：自所述橫向弛豫衰減曲線和多組所述分弛豫譜中提取部分?jǐn)?shù)據(jù)形成一訓(xùn)練集和一測試集；

S6：分別將所述訓(xùn)練集中的所述橫向弛豫衰減曲線和多組所述分弛豫譜輸入所述二維卷積神經(jīng)網(wǎng)絡(luò)對所述二維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得一訓(xùn)練后二維卷積神經(jīng)網(wǎng)絡(luò)；

S7：分別將所述測試集的所述橫向弛豫衰減曲線和多組所述分弛豫譜輸入所述訓(xùn)練后二維卷積神經(jīng)網(wǎng)絡(luò)，獲得一測試結(jié)果，根據(jù)所述測試結(jié)果驗證當(dāng)前訓(xùn)練后所述二維卷積神經(jīng)網(wǎng)絡(luò)的可靠性，如通過驗證繼續(xù)后續(xù)步驟，否則返回步驟S5；

S8：利用當(dāng)前訓(xùn)練后所述二維卷積神經(jīng)網(wǎng)絡(luò)對目標(biāo)食用油樣本進(jìn)行分類，獲得分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于2D-CNN的食用油橫向弛豫信號特征提取方法，其特征在于，所述S2步驟進(jìn)一步包括步驟：

S21：對所述CPMG原始數(shù)據(jù)的不同種類食用油的所述橫向弛豫衰減曲線的完全衰減時間進(jìn)行判斷，以最大完全衰減時間作為截止時間對所有所述CPMG原始數(shù)進(jìn)行截取，對于在截止時間之前完成衰減的信號，將超過衰減時間至截止時間內(nèi)時間點的信號量取其完全衰減時刻的信號幅值；

S22：對所述反演數(shù)據(jù)的時間軸進(jìn)行取對數(shù)處理，時間軸范圍為2-5000ms；

S23：分別對當(dāng)前所述CPMG原始數(shù)據(jù)和當(dāng)前所述反演數(shù)據(jù)的時間坐標(biāo)軸和信號坐標(biāo)值進(jìn)行歸一化處理。

3.根據(jù)權(quán)利要求2所述的基于2D-CNN的食用油橫向弛豫信號特征提取方法，其特征在于，所述S3步驟中：

限制一個固定大小的窗口，分別根據(jù)預(yù)處理后的所述CPMG原始數(shù)據(jù)與所述反演數(shù)據(jù)繪制所述橫向弛豫衰減曲線和多組所述分弛豫譜，并以二值圖像輸出，作為所述二維卷積神經(jīng)網(wǎng)絡(luò)的輸入。

4.根據(jù)權(quán)利要求3所述的基于2D-CNN的食用油橫向弛豫信號特征提取方法，其特征在于，所述窗口的大小為128*128像素。

5.根據(jù)權(quán)利要求4所述的基于2D-CNN的食用油橫向弛豫信號特征提取方法，其特征在于，所述S4步驟中：

所述Conv2D卷積層用于食用油二維信號特征的提取；

所述MaxPooling2D池化層用于對輸入的特征進(jìn)行壓縮，使特征變小，簡化網(wǎng)絡(luò)計算復(fù)雜度，同時進(jìn)行特征壓縮，提取主要特征；

所述Dense全連接層包括分類器，用于連接所有所述主要特征，并將所述主要特征發(fā)送給分類器。

6.根據(jù)權(quán)利要求5所述的基于2D-CNN的食用油橫向弛豫信號特征提取方法，其特征在于，所述分類器采用softmax分類器。

7.根據(jù)權(quán)利要求6所述的基于2D-CNN的食用油橫向弛豫信號特征提取方法，其特征在于，所述二維卷積神經(jīng)網(wǎng)絡(luò)中除了所述Dense全連接層，其余所述功能層均包括Relu激活函數(shù)。