一种基于卷积神经网络的大米识别检测方法技术

本发明专利技术涉及大米识别技术领域，且公开了一种基于卷积神经网络的大米识别检测方法，包括如下步骤：步骤一：通过便携式拉曼光谱仪采集待测大米样品的数据；步骤二：采用了平滑和基线校正两种光谱预处理方法对原始拉曼光谱数据进行了处理分析绘图；步骤三：制备的光谱数据集为后续基于深度学习的实验提供数据支持；步骤四：通过深度学习搭建卷积神经网络模型对不同地区的大米进行识别分类，以一维数据为输入的卷积神经网络，来提取多种光谱信号特征，生成一维特征图谱。该方法通过卷积神经网络模型能达到更加好的分类效果，并且不需要对数据集进行特征提取，可以直接将数据集输入卷积神经网络，保证了光谱信息的完整性。保证了光谱信息的完整性。保证了光谱信息的完整性。

【技术实现步骤摘要】
一种基于卷积神经网络的大米识别检测方法


[0001]本专利技术涉及大米识别
，具体为一种基于卷积神经网络的大米识别检测方法。

技术介绍

[0002]大米产地的检测分析对于粮食品质安全和维护粮食市场秩序都尤为重要。传统的大米检测方法主要是化学检测和感官检测，存在着操作繁琐和主观性较强等缺点，难以达到快速、无损、便携的检测要求。拉曼光谱具有指纹特征，通过分析物质拉曼光谱数据，可以分析物质的结构组成和化学成分。其操作简单、高灵敏度、无需标记等诸多特点，为不同产地大米的分类识别检测提供了可能。卷积神经网络是一种基于卷积运算的深度神经网络，通过端对端的特征提取过程代替了原来人为的特征提取过程，能直接从预处理后数据中提取具有多个抽象级别的复杂隐藏特征。由于卷积神经网络能够充分利用拉曼光谱特点，并具有处理复杂光谱数据、提高分类和识别准确率等方面的优势，可用于拉曼光谱分析。
[0003]使用拉曼光谱仪采集了南北方两个不同产地的大米拉曼光谱信息，并对采集到的拉曼光谱信号进行光谱预处理、特征峰分析以及不同维度的数据集制备。通过光谱分析可知，由于不同产地大米光谱信息特征的相似度极高，无法通过传统的主成分分析法对大米进行检测分类。

技术实现思路

[0004](一)解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了一种基于卷积神经网络的大米识别检测方法，通过深度学习结合拉曼光谱建立高准确率分类模型的研究方法，根据拉曼光谱信号是一维数据的特征，本文提出了基于深度学习，结合拉曼光谱特征建立了一维数据输入的卷积神经网络模型R
‑
S
‑
1D大米分类模型。
[0006](二)技术方案
[0007]为实现上述目的，本专利技术提供如下技术方案：
[0008]一种基于卷积神经网络的大米识别检测方法，包括如下步骤：
[0009]步骤一：通过便携式拉曼光谱仪采集待测大米样品的数据；
[0010]步骤二：采用了平滑和基线校正两种光谱预处理方法对原始拉曼光谱数据进行了处理分析绘图，并将处理前后的数据图进行对比；
[0011]步骤三：制备的光谱数据集为后续基于深度学习的实验提供数据支持；
[0012]步骤四：通过深度学习搭建卷积神经网络模型对不同地区的大米进行识别分类，以一维数据为输入的卷积神经网络，来提取多种光谱信号特征，生成一维特征图谱。
[0013]优选的，所述搭建卷积神经网络模型的步骤如下：
[0014]第一，搭建卷积神经网络模型结构，通过不断训练确定主要结构各个参数的最佳数值；
[0015]第二，模型优化，选择适当的优化方法对模型进行优化处理，提高模型的准确率；
[0016]第三，模型评估，通过模型评估指标对模型性能进行评估；
[0017]第四，验证卷积神经网络模型性能，通过建立传统机器学习模型与卷积神经网络模型进行对比，分析其性能。
[0018]优选的，所述一维卷积神经网络在卷积层的计算公式为：
[0019][0020]其中，*为卷积运算，y
n
为第n个输出特征图，x
m
为第m个输入特征图，k
mn
为该层卷积运算使用的卷积核，bn为第n个特征图位置。
[0021]优选的，在卷积神经网络中选择最大池化法作为池化层的池化方法；最大池化法公式如下所示：
[0022]x
m
(l)＝max{x
m
(2l
‑
1),x
m
(2l)}
[0023]其中，x
m
为该层第m个卷积核，l为卷积核的大小，max{}为最大值函数。
[0024](三)有益效果
[0025]与现有技术相比，本专利技术提供了一种基于卷积神经网络的大米识别检测方法，具备以下有益效果：
[0026]该基于卷积神经网络的大米识别检测方法，通过卷积神经网络模型能达到更加好的分类效果，并且不需要对数据集进行特征提取，可以直接将数据集输入卷积神经网络，保证了光谱信息的完整性。即使在拉曼光谱数据相似度较高的情况下，卷积神经网络模型仍能达到较高的准确率，高效、简洁、无损地完成对不同产地大米进行分类检测的任务。
附图说明
[0027]图1为本专利技术的检测方法的流程图；
[0028]图2为拉曼光谱采集原理图；
[0029]图3为某一品种大米的拉曼光谱图；
[0030]图4为某一品种大米拉曼光谱预处理前后的对比图；
[0031]图5为大米拉曼光谱airPLS处理后对比图；
[0032]图6为卷积神经网络训练过程流程图；
[0033]图7为R
‑
S
‑
1D模型结构示意图；
[0034]图8为R
‑
S
‑
1D在训练集和测试集上损失值和准确率的变化趋势图；
[0035]图9为为R
‑
S
‑
1D模型ROC曲线与AUC值；
[0036]图10为机器学习模型和卷积神经网络模型光谱分类的对比；(a)机器学习分类流程(b)卷积神经网络分类流程。
具体实施方式
[0037]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。
[0038]实施例
[0039]请参阅图1，一种基于卷积神经网络的大米识别检测方法，包括如下步骤：
[0040]步骤一：通过便携式拉曼光谱仪采集待测大米样品的数据；
[0041]步骤二：采用了平滑和基线校正两种光谱预处理方法对原始拉曼光谱数据进行了处理分析绘图，并将处理前后的数据图进行对比；
[0042]步骤三：制备的光谱数据集为后续基于深度学习的实验提供数据支持；
[0043]步骤四：通过深度学习搭建卷积神经网络模型对不同地区的大米进行识别分类，以一维数据为输入的卷积神经网络，来提取多种光谱信号特征，生成一维特征图谱。
[0044]具体实验如下：
[0045]实验材料
[0046]实验选用南北方2个产地8个品种的大米，分别为4种北方产地大米和4种南方产地大米，然后从8种大米中选取样本，共制备960份大米样本。具体的大米样本信息见表1。所有的大米样本均为完整的大米颗粒，从而减少外界环境对实验结果的干扰。
[0047]表1不同产地大米采样信息
[0048][0049][0050]实验仪器
[0051]实验使用一种便携式拉曼光谱仪，采用785纳米半导体激光器(MiniRam，B&WTEK光学电子公司，美国)，其扫描范围为0～2000cm
‑1。仪器配有可升降的样品放置台，通过调节仪器的扫描光强、扫描时间和待测样本在放置台上所在位置以及离镜头的距离，结合BWSpec4软件获取最佳拉曼光谱数据信息。
[0052]实验步骤
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的大米识别检测方法，其特征在于，包括如下步骤：步骤一：通过便携式拉曼光谱仪采集待测大米样品的数据；步骤二：采用了平滑和基线校正两种光谱预处理方法对原始拉曼光谱数据进行了处理分析绘图，并将处理前后的数据图进行对比；步骤三：制备的光谱数据集为后续基于深度学习的实验提供数据支持；步骤四：通过深度学习搭建卷积神经网络模型对不同地区的大米进行识别分类，以一维数据为输入的卷积神经网络，来提取多种光谱信号特征，生成一维特征图谱。2.根据权利要求1所述的一种基于卷积神经网络的大米识别检测方法，其特征在于：所述搭建卷积神经网络模型的步骤如下：第一，搭建卷积神经网络模型结构，通过不断训练确定主要结构各个参数的最佳数值；第二，模型优化，选择适当的优化方法对模型进行优化处理，提高模型的准确率；第三，模型评估，通过模型评估指标对模型性能进行评估；验证卷积神经网络模型性能，通过建立传统机器学习...

【专利技术属性】
技术研发人员：杨兴华，申禹，高帅，强成文，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：