[發(fā)明專利]一種基于深度學(xué)習(xí)的黃曲霉毒素智能檢測方法

有效

• 申請?zhí)枺?/td>: 202011433931.2
• 申請日: 2020-12-10
• 公開（公告）號: CN112730269B
• 公開（公告）日: 2022-09-13
• 發(fā)明（設(shè)計(jì)）人: 韓仲志;高霽月;吳薇
• 申請（專利權(quán)）人: 青島農(nóng)業(yè)大學(xué);青島大谷農(nóng)業(yè)信息有限公司;青島青農(nóng)智能技術(shù)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

本發(fā)明涉及一種基于深度學(xué)習(xí)的黃曲霉毒素智能檢測方法，首先，獲取單粒霉變谷物高光譜數(shù)據(jù)，用液相色譜法對每粒谷物進(jìn)行毒素含量標(biāo)定，然后，搭建一維深度學(xué)習(xí)網(wǎng)絡(luò)，定義網(wǎng)絡(luò)層數(shù)和結(jié)構(gòu)，導(dǎo)入每粒谷物的平均光譜，不斷調(diào)整網(wǎng)絡(luò)超參數(shù)，選擇準(zhǔn)確率最高的超參數(shù)作為分類模型，本發(fā)明與現(xiàn)有的黃曲霉毒素識別模型相比，具有準(zhǔn)確率高、靈活度大的優(yōu)點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明公開了一種基于深度學(xué)習(xí)的黃曲霉毒素智能檢測方法，屬于食品安全人工智能檢測領(lǐng)域。

背景技術(shù)

黃曲霉被世界衛(wèi)生組織（WHO）癌癥研究機(jī)構(gòu)劃定為一類天然存在的致癌物，其檢測方法從最初以生物化學(xué)方法如薄層層析法為主，發(fā)展到高效液相色譜法、微柱法、酶聯(lián)免疫吸附法等多種方法普遍應(yīng)用，但這些方法需要專業(yè)人員進(jìn)行長時(shí)間的實(shí)驗(yàn)。

深度學(xué)習(xí)是一種基于卷積運(yùn)算的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，具有強(qiáng)大的算力和自學(xué)習(xí)能力，其準(zhǔn)確率高計(jì)算速度快，最初在數(shù)字圖像處理領(lǐng)域被人所熟知，可以很好地處理二維圖像數(shù)據(jù)分類任務(wù)。根據(jù)不同的分類目標(biāo)和其數(shù)據(jù)特征可以構(gòu)建合適的網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)的超參數(shù)需要根據(jù)目標(biāo)數(shù)據(jù)集調(diào)整。

高光譜成像技術(shù)可以采集一個(gè)物體的上百個(gè)波段的圖像，不同物質(zhì)在不同波段光譜信號下的不同表現(xiàn)，每個(gè)像素可以繪制成一條關(guān)于光譜波段和光譜值之間的曲線，根據(jù)曲線的差異，對于每個(gè)像素進(jìn)行分類，可以通過一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）實(shí)現(xiàn)，通過分析高光譜圖像中單個(gè)像素有無黃曲霉毒素的光譜特征來進(jìn)行毒素識別，再通過累加可計(jì)算出毒素含量，由于黃曲霉毒素具有表層和淺表層分布特征，所以將深度學(xué)習(xí)和高光譜配合，可以克服傳統(tǒng)方法操作復(fù)雜，時(shí)間久，檢測成本高的缺點(diǎn)。

發(fā)明內(nèi)容

本發(fā)明的目的主要是針對上述問題的不足，公開了一種基于1D-CNN深度學(xué)習(xí)的黃曲霉毒素智能方法。

本發(fā)明的技術(shù)方案是一種基于深度學(xué)習(xí)的黃曲霉毒素智能檢測方法，該方法包括以下步驟：

步驟1：獲取單粒霉變谷物的正反兩面高光譜數(shù)據(jù)；

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(jì)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(shù)據(jù)相加，取平均值，作為單粒谷物的光譜數(shù)據(jù)；

步驟4：用液相色譜法對步驟1中的單粒谷物進(jìn)行毒素含量標(biāo)定，獲得單粒谷物的黃曲霉毒素是否超標(biāo)的標(biāo)簽；

步驟5：對輸入數(shù)據(jù)進(jìn)行歸一化；

步驟6：搭建一維深度學(xué)習(xí)網(wǎng)絡(luò)，定義網(wǎng)絡(luò)層數(shù)和結(jié)構(gòu)；

步驟7：導(dǎo)入每粒谷物的平均光譜和毒素含量，不斷調(diào)整網(wǎng)絡(luò)超參數(shù)，記錄每種訓(xùn)練網(wǎng)絡(luò)模型的準(zhǔn)確率；

步驟8：選取各個(gè)超參數(shù)的最優(yōu)參數(shù)，配置為最終的高光譜黃曲霉分選網(wǎng)絡(luò)。

其中：

（1）步驟2的具體步驟為：

步驟2-1：將整個(gè)高光譜立方使用高斯聚類法，設(shè)置聚類數(shù)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(qū)域代表籽粒，黑色區(qū)域代表背景；

步驟2-3：取白色區(qū)域的平均光譜作為單面籽粒的高光譜數(shù)據(jù)。

（2）步驟6的具體步驟為：

步驟6-1：建立一個(gè)7層的一維信息卷積模型：前四層每一層都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(wǎng)絡(luò)結(jié)構(gòu)不變，設(shè)置迭代次數(shù)、學(xué)習(xí)速率、激活函數(shù)這三個(gè)超參數(shù)的初始值。迭代次數(shù)設(shè)置為30、學(xué)習(xí)速率設(shè)置為0.005、激活函數(shù)設(shè)置為relu。

（3）步驟7的具體步驟為：