[發明專利]一種基于深度學習的黃曲霉毒素智能檢測方法

有效

• 申請號: 202011433931.2
• 申請日: 2020-12-10
• 公開（公告）號: CN112730269B
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 韓仲志;高霽月;吳薇
• 申請（專利權）人: 青島農業大學;青島大谷農業信息有限公司;青島青農智能技術研究院有限公司
• 主分類號: G01N21/25
• 分類號: G01N21/25;G06V10/762;G06V10/764;G06V10/82;G06V10/28;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的黃曲霉毒素智能檢測方法，其特征在于步驟如下：

步驟1：獲取單粒霉變谷物的正反兩面高光譜數據；

步驟2：利用步驟1得到的光譜，利用高斯聚類得到谷物和背景的二值圖，計算出單面籽粒的平均光譜；

步驟3：將步驟2得到的單粒谷物的正反兩面高光譜數據相加，取平均值，作為單粒谷物的光譜數據；

步驟4：用液相色譜法對步驟1中的單粒谷物進行毒素含量標定，獲得單粒谷物的黃曲霉毒素是否超標的標簽；

步驟5：對輸入數據進行歸一化；

步驟6：搭建一維深度學習網絡，定義網絡層數和結構；

步驟7：導入步驟3中每粒谷物的平均光譜和毒素含量，不斷調整網絡超參數，記錄每種訓練網絡模型的準確率；

步驟8：選取各個超參數的最優參數，配置為最終的高光譜黃曲霉分選網絡。

2.如權利要求1所述的一種基于深度學習的黃曲霉毒素智能檢測方法，其特征在于步驟2的具體步驟為：

步驟2-1：將整個高光譜立方使用高斯聚類法，設置聚類數為2，將背景和籽粒精確分類；

步驟2-2：將籽粒圖片用二值圖像表示，白色區域代表籽粒，黑色區域代表背景；

步驟2-3：取白色區域的平均光譜作為單面籽粒的高光譜數據。

3.如權利要求1所述的一種基于深度學習的黃曲霉毒素智能檢測方法，其特征在于步驟6的具體步驟為：

步驟6-1：建立固定層數的一維信息卷積模型：前N-1層為帶有最大池化層的卷積層，后三層為全連接層；

步驟6-2：保持步驟6-1所述的基本網絡結構不變，設置迭代次數、學習速率、激活函數這三個超參數的初始值。

4.如權利要求1所述的一種基于深度學習的黃曲霉毒素智能檢測方法，其特征在于步驟7的具體步驟為：

步驟7-1：固定迭代次數為、學習速率初始值不變，將激活函數替換，導入數據訓練網絡并記錄驗證集準確率，記錄不同激活函數的準確率；

步驟7-2：固定學習速率初始值不變、激活函數不變，將迭代次數替換為導入數據訓練網絡并記錄驗證集準確率；

步驟7-3：固定迭代次數初始值不變、激活函數不變，將學習速率替換，導入數據訓練網絡并記錄驗證集準確率，記錄不同學習速率下的準確率；

步驟7-4：將迭代次數、學習速率、激活函數中準確率最高的參數，目標識別準確率最高的模型用于該類谷物的黃曲霉毒素分類。

5.如權利要求1所述的一種基于深度學習的黃曲霉毒素智能檢測方法，其特征在于，所述的深度學習模型，可以是Alexnet、VGG-16模型中的一種。