[發明專利]一種基于卷積神經網絡的拉曼光譜智能分類方法

在審

• 申請號: 202210183783.6
• 申請日: 2022-02-28
• 公開（公告）號: CN114544592A
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 曾萬聃;黃忠民
• 申請（專利權）人: 上海應用技術大學
• 主分類號: G01N21/65
• 分類號: G01N21/65;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 黃超宇;胡晶

本發明公開了一種基于卷積神經網絡的拉曼光譜智能分類方法，包括步驟S1，利用硅片對LabRAM HR Evolution拉曼光譜儀進行校正，進行拉曼實驗；步驟S2，對收集到的拉曼光譜實驗數據進行預處理；步驟S3，構建基于卷積神經網絡的分類模型，用于不同預處理方式的拉曼光譜數據進行分類；步驟S4，數據分類：模型構建完成后，將三份拉曼光譜數據各自都按5：1的比例隨機分為訓練集和測試集，放入卷積網絡中進行訓練，待訓練完成后進行數據分析；步驟S5，數據分析：進行對比實驗，分析數據預處理方式的優劣，判斷預處理是否可以提高模型準確率，是否可以保留更多有效特征，以及對比分析卷積神經網絡模型與傳統機器學習算法的優劣。

技術領域

本發明涉及拉曼光譜技術領域，特別涉及一種基于卷積神經網絡的拉曼光譜智能分類方法。

背景技術

目前，國內外對食源性致病菌的檢測方法有免疫學檢測技術，分子生物學技術以及PCR技術等方法，免疫學方法存在靈敏度較低、分子生物學技術需要大量數據支撐且適應性不強、PCR技術價格昂貴且穩定性和精密性略低，而食品衛生需要對食源性致病菌的檢測需要保證檢測的特異性，靈敏度以及高效性。拉曼光譜是一種新型分子檢測方法，基于光和材料內化學鍵的相互作用進行鑒別，分析得到分子振動及轉動方面的信息，進而得到物質的組成成分，并能夠對物質成分進行判定，具有快速、無損、抗干擾性強等特點。

目前拉曼光譜分析中大部分利用傳統的機器學習算法，深度學習通過訓練大量數據，在拉曼光譜數據的多分類問題中具有更優秀的泛化能力。卷積神經網絡(CNN)是一種具有深度監督學習特性的多層神經網絡，能自動提取低、中和高層特征。卷積神經網絡進行特征提取實現了特征提取的封裝，能夠更好解決拉曼光譜數據特征提取困難的問題。

發明內容

針對三種拉曼峰相似的食源性致病菌——大腸桿菌、粘質沙雷氏菌和枯草桿菌，本發明提供一種基于卷積神經網絡的拉曼光譜智能分類方法，來進行對食源性致病菌分類檢測的高效性和精確性。

為了達到上述發明目的，解決其技術問題所采用的技術方案如下：

一種基于卷積神經網絡的拉曼光譜智能分類方法，包括以下步驟：

步驟S1，利用硅片對LabRAM HR Evolution拉曼光譜儀進行校正，測量的拉曼光譜偏移值范圍為0～1800，光源設定為632mm的氦氖激光，強度設置為14mW，積分時間為4s，在拉曼偏移范圍內得到800個特征數，總計3*30＝90個拉曼光譜數據；

步驟S2，對收集到的拉曼光譜實驗數據進行三種不同的預處理；

步驟S3，構建深度學習模型，即基于卷積神經網絡的分類模型，用于不同預處理方式的拉曼光譜數據進行分類；

步驟S4，數據分類：模型構建完成后，將三份拉曼光譜數據各自都按5：1的比例隨機分為訓練集和測試集，放入卷積網絡中進行訓練，待訓練完成后進行數據分析；

步驟S5，數據分析：進行對比實驗，分析數據預處理方式的優劣，判斷預處理是否可以提高模型準確率，是否可以保留更多有效特征，以及對比分析卷積神經網絡模型與傳統機器學習算法的優劣。

進一步的，步驟S2，對收集到的拉曼光譜實驗數據進行三種不同的預處理方式：

步驟S21：將拉曼光譜數據直接進行數據增強，樣本擴充，通常有旋轉、移位、平移、縮放操作；通過向拉曼光譜數據中從左至右隨機添加適量高斯噪聲，將總樣本數據擴充到1000條樣本，以便后續投入神經網絡中進行訓練；

步驟S22：對光譜進行預處理：包括去噪，歸一化，S-G平滑，并進行PCA和LDA不同降維方式提取特征，再通過數據增強的方式擴充樣本；

步驟S23：將拉曼光譜數據先進行預處理，再對預處理后的拉曼光譜數據進行數據增強，得到預處理后的增強數據，并將數據投入神經網絡中進行訓練。