【技术实现步骤摘要】
一种基于云平台的世界常用农药及化学污染物七类质谱谱图自动识别系统与方法
本专利技术属于农药检测领域，涉及一种农药及化学污染物谱图自动比对识别系统与方法，尤其是一种基于云平台的农药及化学污染物质谱谱图的智能比对识别系统与方法。
技术介绍
农药残留检测技术是保障食品安全方面至关重要的研究内容。世界各国的科学家长期致力于食品中农药残留检测技术的研究。较早的农残检测是基于气相色谱进行的，农药种类相对较少通常为几种或十几种，而气相色谱-质谱(GC-MS)技术的应用，使待测农药的种类增加到了几十种以上。气相色谱-串联质谱(GC-MS/MS)技术的应用，则使食品中农药残留的检测上升到新的台阶，待测农药的种类在200种左右。与此同时，液相色谱-串联质谱(LC-MS/MS)技术由于在检测极性较强和热不稳定性农药方面具有优于GC-MS和GC-MS/MS技术的优势也得到了广泛的应用。作为互补技术，研究人员也常将两者同时用于农药残留的检测。自2001年之后，与GC和LC相关的质谱检测技术已然成为农药多残留检测的主导技术。据报道，目前世界常用的农药已经超过1000种，而且还在不断增加。面对...
【技术保护点】
1.一种基于云平台的世界常用农药及化学污染物七类质谱谱图自动识别系统，其特征在于，包括云服务器平台端、用户平台端；所述云服务器平台端包括：谱图获取部，用于获取质谱谱图；谱图参数获取部，用于获取与质谱谱图对应的实验环境、实验条件、实验参数数据；谱图设备获取部，用于获取与质谱谱图对应的谱图检测设备信息；谱图预处理部，用于对所获取的质谱谱图进行纵向拼接、预处理，并提取谱图特征；农药种类分类模型部，使用神经网络模型对所提取的质谱谱图特征、谱图检测设备信息、实验参数数据进行训练，得到能够识别农药及化学污染物种类和/或名称的分类模型；所述用户平台端包括：谱图数据上传部，用于向系统上传待...
【技术特征摘要】
1.一种基于云平台的世界常用农药及化学污染物七类质谱谱图自动识别系统，其特征在于，包括云服务器平台端、用户平台端；所述云服务器平台端包括：谱图获取部，用于获取质谱谱图；谱图参数获取部，用于获取与质谱谱图对应的实验环境、实验条件、实验参数数据；谱图设备获取部，用于获取与质谱谱图对应的谱图检测设备信息；谱图预处理部，用于对所获取的质谱谱图进行纵向拼接、预处理，并提取谱图特征；农药种类分类模型部，使用神经网络模型对所提取的质谱谱图特征、谱图检测设备信息、实验参数数据进行训练，得到能够识别农药及化学污染物种类和/或名称的分类模型；所述用户平台端包括：谱图数据上传部，用于向系统上传待检测的质谱谱图、谱图说明数据和实验参数数据；谱图预处理部，用于对待检测的质谱谱图进行纵向拼接、预处理，并提取谱图特征；谱图识别部，用于将所提取的质谱谱图特征、谱图说明数据和实验参数数据上传输入所述农药种类分类模型，识别出对应的农药及化学污染物种类和/或名称。2.根据权利要求1所述的一种基于云平台的世界常用农药及化学污染物七类质谱谱图自动识别系统，其特征在于，所述云平台服务器端还包括：质谱谱图分类模型部，根据获取质谱谱图内部最高峰值所在像素点处的拟合角度变化值，建立质谱谱图分类模型；所述用户平台端还包括：质谱谱图类型识别部，根据所述质谱谱图分类模型计算的质谱谱图内部最高峰值所在像素点处的拟合角度变化值，获取对质谱谱图进行分类的结果。3.根据权利要求2所述的一种基于云平台的世界常用农药及化学污染物七类质谱谱图自动识别系统，其特征在于，所述云平台服务器端还包括质谱谱图信息库，所述用户平台端还包括用户检索部；所述质谱谱图类型识别部在将待检测谱图输入到所述质谱谱图分类模型前，利用所述用户检索部对所述质谱谱图说明数据、实验参数和质谱谱图的数量从所述质谱谱图信息库中筛选出可能与待检测质谱谱图类别相同的质谱谱图数据，对每幅待检测质谱谱图提取其Fc7层特征，并与从库中筛选出的所有类别预处理后的质谱谱图的Fc7层特征进行余弦相似度计算，找到与当前待检测质谱谱图相似程度最高的质谱谱图，并判断其相似度是否高于50％，若相似度高于50％，则成功识别出用户输入的质谱谱图。4.根据权利要求1所述的一种基于云平台的世界常用农药及化学污染物七类质谱谱图自动识别系统，其特征在于，所述农药种类分类模型部使用的神经网络模型为逐层细化卷积神经网络模型，其设计/使用方法为：质谱谱图经过预处理后，输入逐层细化卷积神经网络进行训练的质谱谱图的尺寸为1×1×1626×1626，各参数的含义依次为：在训练集中每次选择一个样本用来更新权值，输入图像的通道数为1，输入图像的大小为1626×1626；第一个卷积层Conv1使用尺寸为11×11×1的卷积核，表示每次卷积运算后，卷积核移动4个像素点，边缘补充像素p为0，表示不对图像边缘进行填充，经过Conv1层的运算后，输出特征图，该特征图反映了质谱谱图的边缘轮廓等信息；使用Relu激活函数对卷积后的结果进行映射，控制数据的范围；接下来，局部响应归一化层LRN1对卷积层conv1输出的特征数据进行归一化，对局部神经元的活动创建竞争机制，使得其中响应比较大的值变得相对更大，并抑制其他反馈较小的神经元，增强模型的泛化能力，经过该层的计算后，特征图的尺寸不变；之后，池化层Pool1使用尺寸为3×3×64的核对LRN1层输出的特征图进行最大池化，通过采样减少计算量和参数个数；卷积层Conv2-Conv5分别对其上一层输出的特征图进行相应的卷积运算，卷积核尺寸逐层减小，分别为9×9×64，7×7×128，5×5×256，3×3×512，其中64，128，256，512分别对应卷积层使用的卷积核数量，经过逐层的卷积运算后，低层特征被抽象成为更高维更细化的卷积激活特征，局部响应归一化层LRN2对卷积层Conv2输出的特征数据进行归一化；池化层Pool2-Pool5分别使用尺寸为3×3×128，3×3×256，3×3×512，3×3×512的核对其上一层输出的特征图进行最大池化；全连接层Fc6将Conv5输出的局部特征进行连接，Fc6-Fc8三个全连接层在训练过程中通过学习全部的权重来筛选在分类任务中表现好的特征，并将特征送入Softmax-loss层；Dropout层Dop6与Drop7分别用于Fc6与Fc7的计算结果中，随机禁用一部分隐藏层的节点，加快训练速度并防止过拟合；Softmax-loss层计算得到损失函数的值；在训练过程中，使用随机梯度下降算法更新权值并设置初始学习率为0.0001，通过最小化损失函数逐步提高分类效果，得到分类效果较好的逐层细化卷积神经网络分类模型。5.根据权利要求2所述的一种基于云平台的世界常用农药及化学污染物七类质谱谱图自动识别系统，其特征在于，所述质谱谱图分类模型部根据质谱谱图内部最高峰值所在像素点处的角度变化值进行分类时：液相色谱-串联质谱图中的离子流色谱图的拟合角度变化值范围为x11-x12，四个碰撞能量下离子质谱图的拟合角度变化值范围为x13-x14；液相色谱-四极杆-飞行时间质谱中的离子流色谱图的拟合角度变化值范围为x21-x22，四个碰撞能量下离子质谱图的拟合角度值均为x23；线性离子阱-电场回旋共振轨道阱组合质谱图中的离子色谱图的拟合角度变化值为x31-x32，电离模式全扫描质谱图的拟合角度值均为x33；气相色谱-串联质谱图一级质谱图拟合角度变化值为x41，四个碰撞能量下离子质谱图的拟合角度值为x43；液相色谱-四极杆-静电场轨道阱质谱中的离子流色谱图的拟合角度变化值为x51，碎片离子质谱图的拟合角度值为x53；气相色谱-四极杆-飞行时间质谱图中的质谱图的拟合角度值为x61；气相色谱-四极杆-静电场轨道阱质谱总离子色谱图的拟合角度变化值为x71-x72，电离模式全扫描质谱图的拟合角度值均为x73；其中，x11-x73的取值范围为0°-40°。6.根据权利要求2所述的一种基于云平台的世界常用农药及化学污染物七类质谱谱图自动识别系统，其特征在于，所述质谱谱图分类模型部获取质谱谱图内部最高峰值所在像素点处的拟合角度变化值通过梯度矢量计算得到：在直线或曲线附近，梯度矢量垂直于该直线或曲线，角度由梯度矢量的方位变化计算得到；曲线上某点的梯度矢量是过该点的曲线片段的垂直线，用该点附近的一小段线段来代替曲线片段，计算出该线段的垂直线作为梯度矢量，该点附近的线段用邻域链长来确定，梯度矢量的方位就是其角度大小。7.根据权利要求6所述的一种基于云平台的世界常用农药及化学污染物七类质谱谱图自动识别系统，其特征在于，所述质谱谱图内部最高峰值所在像素点处的拟合角度变化值的计算方法包括如下：设Pn＝{p1，...，pn}是曲线或直线上的有序点集，Ln＝{l1，...，ln}是直线或曲线上有序点附近的一小段线段，li(i＝1，...，n)表示以点pi为中心，邻域链长为m，即连接点pi-m和pi+m之间的线段，Sn＝{s1，...，sn}表示线段li的垂直线的斜率的集合，An＝{a1，...，an}表示点pi附近li的垂直线的角度集，ai范围在[0，360°]；点pi(xi，yi)附近线段li(连接点pi-m(xi-m，yi-m)和点pi+m(xi+m，yi+m))的斜率为：gi＝(yi+m-yi-m)/(xi+m-xi-m)线段li的垂直线的斜率为(-1/gi)，即si＝(xi+m-xi-m)/(yi+m-yi-m)；ai的计算方式：在斜率不存在时，ai＝π/2，在...
【专利技术属性】
技术研发人员：庞国芳，常巧英，范春林，陈辉，吴兴强，白若镔，
申请(专利权)人：中国检验检疫科学研究院，北京合众恒星检测科技有限公司，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。