一种基于1D-CNN电子舌的酒检测方法及系统技术方案

本发明专利技术公开了一种基于1D

【技术实现步骤摘要】
一种基于1D
‑
CNN电子舌的酒检测方法及系统


[0001]本专利技术涉及电子舌领域，特别涉及一种基于1D
‑
CNN电子舌的酒检测方法及系统。

技术介绍

[0002]市场上品牌金种子酒价格维持在一个较高的水平，尤其是高端酒的利润空间很大。尽 管有规定，在产品的制造过程中使用的原材料必须在产品的标签上注明，但是食品造假问 题呈典型上升趋势，为了降低成本提高利润，会通过劣中掺优的方法来制造，售卖假酒， 从中谋取暴利。因此开发一种简单、快速、高效的酒掺假程度检测方法具有重大意义。目 前，传统的机器学习通过手动提取特征,过程复杂且耗费时间，且很少用到电子舌测得的全 时域信息，在一些小数据量的情况下测试的准确率不高，不能得到很好的分类效果；在深 度学习领域中，卷积神经网络(CNN)在对高维数据的特征选择与提取上具有强大的功能，但 目前还没有出现利用一维卷积神经网络对通过电子舌测得的酒数据进行检测的方法。

技术实现思路

[0003]为了解决上述问题，本专利技术提出一种基于1D
‑
CNN电子舌的酒检测方法及系统，利用电 子舌中的集成电极采集酒样品信息，结合1D
‑
CNN的检测方法对数据进行分析，达到对酒样 本检测的目的，具有自动采集、处理并上传数据的功能，一方面大大减少了电子舌的尺寸， 另一方面提高了酒成份分析的效率及正确率。
[0004]为了实现以上目的，本专利技术采取的一种技术方案是：
[0005]一种基于1D
‑<br/>CNN电子舌的酒检测方法，包括以下步骤：
[0006]S1：利用集成电极获得酒的原始响应数据矩阵X；
[0007]S2：将原始响应数据矩阵X进行零均值化处理得到响应数据矩阵X
z
‑
core
；
[0008]S3：生成和响应数据矩阵X
z
‑
core
响应维度相同的随机噪声数据矩阵N，并将随机噪声数 据矩阵N添加至响应数据矩阵X
z
‑
core
中形成样本集E；
[0009]S4：将样本集E分为训练样本及测试样本，利用训练样本训练1D
‑
CNN神经网络，利用训 练好的1D
‑
CNN神经网络模型对测试集进行分类检测；
[0010]其中，1D
‑
CNN神经网络模型中倒数第一个池化层后进行Flatten，最后通过Softmax分 类器产生最终标签，模型选用交叉熵作为损失函数，使用Adam梯度下降优化算法，确保损 失函数迅速收敛至全局最小。
[0011]进一步地，步骤S4中训练1D
‑
CNN神经网络中引入L2正则化，同时利用dropout方法 随机舍去全连接层中的部分神经元，通过引入L2正则化及dropout方法解决了1D
‑
CNN神 经网络训练时过拟合造成训练出模型泛化能力差的问题，从而提高了D
‑
CNN神经网络模 型的准确性。
[0012]进一步地，步骤S1具体为：将集成电极的多个电极测量酒的单次数据点进行横向 拼接，将所述单次数据点根据测量次数进行竖向拼接形成原始响应数据矩阵X：
[0013][0014]其中，[x
i,1
,x
i,2
,
…
,x
i,j
,
…
,x
i,n
]为多个电极测量酒的单次数据点进行横向拼接构成 的一个样本数据，m为多个电极测量样本的次数。
[0015]进一步地，步骤S2中将原始响应数据矩阵X进行零均值化处理采用如下公式(1)：
[0016][0017]X
z
‑
core
为零均值化处理后数据，为原始响应数据矩阵的均值，σ为原始响应数据矩阵的标 准差，X为原始响应数据矩阵。
[0018]进一步地，步骤S4中，1D
‑
CNN卷积神经网络包括五个卷积层、四个最大池化层，其中 卷积核使用1维卷积核，大小分别为(1*16*32，1*8*64，1*4*128，1*2*256，1*2*512)； 卷积过程中将padding设置为“SAME”，步幅都为2，并选用Relu激活函数增加网络的非线性； 池化过程中所有最大池化的池大小m设置为2，padding设置为“SAME”，步幅大小为1，整 个一维卷积以及最大池化的过程可用如下公式(2)及(3)表示：
[0019][0020][0021]其中，N1为卷积输出维度，N2为池化输出维度，n为输入维度，P为padding大小，f为 卷积核大小，s为步幅，m为池大小。
[0022]本专利技术还提供一种基于1D
‑
CNN电子舌的酒检测系统，所述酒检测系统包含电子舌设备 及上位机，所述电子舌设备包含集成电极、控制器、采集模块及无线模块，所述控制器通 过采集模块连接集成电极，所述控制器利用无线模块将集成电极采集酒样本得到的响应数 据X发送至上位机；
[0023]上位机中设有1D
‑
CNN算法程序实现对酒样本的检测，所述程序包含以下执行步骤：
[0024]S1：利用集成电极获得酒的原始响应数据矩阵X；
[0025]S2：将原始响应数据矩阵X进行零均值化处理得到响应数据矩阵X
z
‑
core
；
[0026]S3：生成和响应数据矩阵X
z
‑
core
响应维度相同的随机噪声数据矩阵N，并将随机噪声数 据矩阵N添加至响应数据矩阵X
z
‑
core
中形成样本集E；
[0027]S4：将样本集E分为训练样本及测试样本，利用训练样本训练1D
‑
CNN神经网络，利用训 练好的1D
‑
CNN神经网络模型对测试集进行分类检测；其中，1D
‑
CNN神经网络模型中倒数第 一个池化层后进行Flatten，最后通过Softmax分类器产生最终标签，模型选用交叉熵作为 损失函数，使用Adam梯度下降优化算法，确保损失函数迅速收敛至全局最小。
[0028]进一步地，所述电子舌装置还包括显示模块，所述上位机将酒样本的检测结果发送至 电子舌装置，所述控制器还和显示模块连接用于显示酒样本的检测结果。
[0029]本专利技术的有益效果在于：利用电子舌中的集成电极采集酒样品信息，在上位机中利用 1D
‑
CNN神经网络对酒样本进行检测，解决了手工提取特征过程复杂、耗费时间，且很
少用 到电子舌测得的全时域信息，在一些小数据量的情况下测试的准确率不高的技术问题； 本专利技术提供的检测系统具有自动采集、处理并上传数据的功能，一方面大大减少了电子舌 的尺寸，另一方面提高了酒成份分析的效率及正确率。
附图说明
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于1D
‑
CNN电子舌的酒检测方法，其特征在于，包括以下步骤：S1：利用集成电极获得酒的原始响应数据矩阵X；S2：将原始响应数据矩阵X进行零均值化处理得到响应数据矩阵X
z
‑
core
；S3：生成和响应数据矩阵X
z
‑
core
响应维度相同的随机噪声数据矩阵N，并将随机噪声数据矩阵N添加至响应数据矩阵X
z
‑
core
中形成样本集E；S4：将样本集E分为训练样本及测试样本，利用训练样本训练1D
‑
CNN神经网络，利用训练好的1D
‑
CNN神经网络模型对测试集进行分类检测；其中，1D
‑
CNN神经网络模型中倒数第一个池化层后进行Flatten，最后通过Softmax分类器产生最终标签，模型选用交叉熵作为损失函数，使用Adam梯度下降优化算法，确保损失函数迅速收敛至全局最小。2.根据权利要求1中的一种基于1D
‑
CNN电子舌的酒检测方法，其特征在于，步骤S4中训练1D
‑
CNN神经网络中引入L2正则化，同时利用dropout方法随机舍去全连接层中的部分神经元。3.根据权利要求2中的一种基于1D
‑
CNN电子舌的酒检测方法，其特征在于，步骤S1具体为：将集成电极的多个电极测量酒的单次数据点进行横向拼接，将所述单次数据点根据测量次数进行竖向拼接形成原始响应数据矩阵X：其中，[x
i,1
,x
i,2
,
…
,x
i,j
,
…
,x
i,n
]为多个电极测量酒的单次数据点进行横向拼接构成的一个样本数据，m为多个电极测量样本的数量。4.根据权利要求3中的一种基于1D
‑
CNN电子舌的酒检测方法，其特征在于，步骤S2中将原始响应数据矩阵X进行零均值化处理采用如下公式(1)：X
z
‑
core
为零均值化处理后数据，为原始响应数据矩阵的均值，σ为原始响应数据矩阵的标准差，X为原始响应数据矩阵。5.根据权利要求4中的一种基于1D
‑
CNN电子舌的酒检测方法...

【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：南京益得冠电子科技有限公司，
类型：发明
国别省市：