【技术实现步骤摘要】
本专利技术涉及到拉曼光谱技术，特别涉及一种利用拉曼光谱和深度学习快速进行物质识别的方法和装置。
技术介绍
1、食品添加剂虽然可以用来增加膳食营养(食品营养强化剂)，延长食物的保质期，以及改善食品的感官性状，满足人们的感官需求，但其带来的负面影响也是不可忽视的。一些研究人员表明，食品添加剂的过度使用可能会引发过敏、糖尿病、肥胖和代谢紊乱等多种疾病。因此，对工业过程中使用或生产的食品添加剂进行应该鉴定和量化。除此之外，一些厂家还会使用对人体具有极大危害的非法食品添加剂，也需要仔细监测。
2、而现有的常用检测方法往往存在一定的缺点，例如需要具有专业素养的人员、样品制备过程复杂且耗时、需要在实验室进行以及缺乏大规模筛选的适用性。而拉曼光谱技术是一种先进的非侵入性检测技术，它具有操作简单、快速以及可进行无损检测等诸多优点，可用于对食品添加剂进行检测。当对食品添加剂进行检测时，拉曼光谱可以用来确定添加剂的化学组成、结构和纯度，每种添加剂都具有独特的分子振动模式，因此其拉曼光谱图也具有特征性的峰位和强度。通过与已知的标准样品进行比对，可以根据拉曼光谱的特征峰进行食品添加剂的鉴定甚至定量分析。
3、近年来，深度学习凭借灵活的架构和高效的算法，能够从大量的原始数据中学习到多层次的表示特征，在计算机视觉、自然语言处理和语音识别等诸多领域都取得了不错的表现。同样，深度学习也能够用于物质识别领域，结合拉曼光谱来对食品添加剂进行检测。
4、针对这种情况，本专利提出了一种基于改进的resnext模型结合拉曼光谱对食品添加
技术实现思路
1、为了解决食品添加剂检测的问题，本专利技术提出了一种基于改进型resnext模型的食品添加剂拉曼光谱检测方法和装置，结合了resnet独特的残差结构和inception的分组卷积，采用子模块拓扑结构，不仅减少了模型超参数的数量，更便于模型的可移植性。
2、为了实现上述目的，本专利技术采用的技术方案为：
3、基于改进的resnext模型结合拉曼光谱的食品添加剂检测方法，包括如下步骤：
4、1)构建改进的resnext模块用于特征提取；
5、2)构建改进的resnext神经网络模型，设定参数，进行训练；
6、3)利用训练好的改进的resnext神经网络，对含有食品添加剂的混合物拉曼光谱进行识别。
7、进一步，所述步骤1)包括如下步骤：
8、(11)将resnext模型进行改进，改进后的神经网络模块为：将拼接得到的二维特征图送入输出通道为32的残差块提取特征，接着将提取得到的32种特征由inception块进行分组卷积，融合不同尺度的特征得到32种新特征；
9、(12)用改进后的resnext模块替换掉普通的卷积模块，增强网络的特征提取能力。
10、进一步，所述步骤2)包括如下步骤：
11、(21)整个基于改进的resnext拉曼光谱识别网络分为三个部分：第一部分由两个一维卷积网络和特征拼接层组成，一维卷积网络的大小为7*1*16，输入数据分别为纯净物和待测物拉曼光谱，大小为1753*1，经由一维卷积网络提取特征，接着将提取到的两个16种特征进行concat，得到32种特征。第二部分则是改进的resnext模块用于特征提取，该部分由一个残差块和一个inception块组成。第一部分的特征输出x首先经过一个残差块，该残差块首先是一个卷积核大小为3*3的2d卷积层，然后通过批量归一化和非线性激活函数relu，重复上述操作，得到输出y1可表示为：
12、y1＝relu(bn(conv3(x1))) (1)
13、其中x1表示：
14、x1＝relu(bn(conv3(x))) (2)
15、在残差块的跳跃连接中，使用卷积核大小为1*1的2d卷积网络对输入特征x进行处理，得到输出特征y2：
16、y2＝conv1(x) (3)
17、然后将y1和y2进行累加，并经过批量归一化和非线性激活函数relu，最大池化后得到输出特征y3，
18、y3＝mp(relu(bn(y1+y2))) (4)
19、接着残差块的输出特征进入inception结构，分组经过降维之后，进入卷积核大小不同的卷积网络，经过concat之后得到最终的输出特征：
20、y＝cat(y4,y5,y6,y7) (5)
21、其中y4，y5，y6，y7分别表示为：
22、y4＝conv1(y3) (6)
23、y5＝conv3(conv1(y3)) (7)
24、y6＝conv5(conv1(y3)) (8)
25、y7＝conv1(mp(y3)) (9)
26、第三部分为输出网络，第二部分的输出特征经过relu函数之后进入全连接层，并经过dropout操作增加模型的鲁棒性，之后进入第二个全连接层，得到最终的输出，包含两个概率值，分别表示该待测物是否含有该纯净物的概率。
27、(22)采集多种不同纯净物的拉曼光谱，并进行去噪、基线校正等预处理操作。对于每种纯净物，以随机比例分别生成多个模拟混合物光谱，其中正光谱(含该特定纯净物)和负光谱(不含该特定纯净物)各占一半。
28、(23)确定模型参数，将训练集中的一维拉曼光谱数据载入模型进行训练。
29、再进一步，所述步骤3)的过程如下：配置不同比例的含有食品添加剂的混合物溶液，采用实验室自研的拉曼光谱采集系统采集待测混合物的拉曼光谱并进行预处理，之后将待测数据输入到训练好的网络中，最后输出待测混合物中可能含有的物质，完成食品添加剂检测的目标。
30、本专利技术的第二个方面涉及基于改进的resnext模型结合拉曼光谱的食品添加剂检测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现本专利技术的一种基于改进的resnext模型结合拉曼光谱的食品添加剂检测方法。
31、本专利技术的第三个方面涉及一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现本专利技术的一种基于改进的resnext模型结合拉曼光谱的食品添加剂检测方法。
32、该网络的主体采用残差结构和inception结构进行特征提取，残差结构中引入了跳跃连接，允许信息在网络中直接进行传递，使得网络在训练时更容易获得有效的梯度，减轻了梯度消失的问题，并且残差结构通常比传统的卷积网络结构收敛速度更快；而inception结构使用不同大小的卷积核，能够在一定程度上减少参数数量，并且在一定程度上提高了网络的参数效率，减小了过拟合的风险。
33、与现有的技术本文档来自技高网...
【技术保护点】
1.基于改进的ResNext模型结合拉曼光谱的食品添加剂检测方法，包括如下步骤：
2.如权利要求1所述的基于改进的ResNext模型结合拉曼光谱的食品添加剂检测方法，其特征在于：所述步骤1)包括如下步骤：
3.如权利要求1所述的基于改进的ResNext模型结合拉曼光谱的食品添加剂检测方法，其特征在于：所述步骤2)包括如下步骤：
4.如权利要求1所述的基于改进的ResNext模型结合拉曼光谱的食品添加剂检测方法，其特征在于：所述步骤3)的过程如下：配置不同比例的含有食品添加剂的混合物溶液，采用实验室自研的拉曼光谱采集系统采集待测混合物的拉曼光谱并进行预处理，之后将待测数据输入到训练好的网络中，最后输出待测混合物中可能含有的物质，完成食品添加剂检测的目标。
5.基于改进的ResNext模型结合拉曼光谱的食品添加剂检测装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-4中任一项所述的基于改进的ResNext模型结合拉曼光谱的食品添加剂检测方法。>
6.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-4中任一项所述基于改进的ResNext模型结合拉曼光谱的食品添加剂检测方法。
...【技术特征摘要】
1.基于改进的resnext模型结合拉曼光谱的食品添加剂检测方法，包括如下步骤：
2.如权利要求1所述的基于改进的resnext模型结合拉曼光谱的食品添加剂检测方法，其特征在于：所述步骤1)包括如下步骤：
3.如权利要求1所述的基于改进的resnext模型结合拉曼光谱的食品添加剂检测方法，其特征在于：所述步骤2)包括如下步骤：
4.如权利要求1所述的基于改进的resnext模型结合拉曼光谱的食品添加剂检测方法，其特征在于：所述步骤3)的过程如下：配置不同比例的含有食品添加剂的混合物溶液，采用实验室自研的拉曼光谱采集系统采集待测混合物的拉曼光谱并...
【专利技术属性】
技术研发人员：浦世亮，杜康，张怡龙，毛慧，陈朋，王海霞，蔡宏，朱镇峰，张世峰，梁荣华，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：
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。