【技术实现步骤摘要】
本专利技术涉及鱼类鉴定，具体涉及一种基于光谱学鉴定小眼绿鳍鱼的方法。
技术介绍
1、小眼绿鳍鱼(chelidonichthysspinosus)，又称棘绿鳍鱼、绿翅鱼、绿姑等，系鲉形目(scorpaeniformes)、鲂鮄科(triglidae)，绿鳍鱼属(chelidonnichthy)，是一种分布于西北太平洋、印度洋、印度尼西亚、朝鲜和中国，在我国沿海均有分布。小眼绿鳍鱼为暖温性近海泥沙质海底的底层性鱼类，在中国分布于渤海、黄海、东海和南海。目前，对于小眼绿鳍鱼的鉴定主要包括形态学鉴定等，鉴定过程较为复杂。
2、文献，dna条形码和edna技术在鱼类分类鉴定中的应用，赵新宁，上海海洋大学中公开了一种使用dna条形码技术和edna技术对鱼类进行快速的鉴定，主要包括以下步骤：(1)样本dna的提取，使用基因组dna提取试剂盒对鱼肉样本进行提取；(2)dna条形码序列扩增与测序，采用鱼类coi基因通用引物进行扩增，进行pcr反应，pcr产物经琼脂糖凝胶电泳检测，再进行测序；(3)数据分析和物种鉴定，对测序结果进行校正拼接，获得完整准确的dna条形码序列，构建分子系统关系树，采用kimura-2-parameter模型初步确定样品种类，再在数据库中进行比对分析，进行准确的物种鉴定。
3、文献，青岛海域小眼绿鳍鱼耳石形态的初步研究，张晓霞，叶振江等，中国海洋大学学报，2009,39(4)中公开了通过分析鱼类耳石形态鉴定小眼绿鳍鱼，具体为以耳石长、耳石宽、周长、面积、矩形趋近率、充实度为形态学参数，结合傅里叶变
4、文献，中国及邻近地区常见的鲉形目鱼类dna条形码研究，杨喜书，中测定了采集于中国近海常见鲉形目鱼类coi基因序列，并结合genbank中下载的鲉形目鱼类同源序列共计6亚目15科57属118种，探讨常见鲉形目鱼类的物种有效性，旨在丰富中国鲉形目鱼类dna条形码数据库，为今后鲉形目鱼类准确快速地鉴定提供参考依据。但上述的dna条形码对于高阶分类水平不能进行很好的区分。
5、目前亟需一种能够快速、准确的鉴定小眼绿鳍鱼的鉴定方法。
技术实现思路
1、本专利技术的目的是提供一种小眼绿鳍鱼的鉴定方法，简单易操作，鉴定结果准确性高。
2、为实现上述专利技术目的，本专利技术的技术方案如下：
3、一方面，本专利技术提供了一种小眼绿鳍鱼的鉴定方法，包括以下步骤：
4、(1)将鱼肉样本的光谱数据带入1d-cnn模型，使用模型的创建工具；
5、(2)通过模型的函数导入训练数据，模型载入，进行训练，得到数据库模型；
6、(3)将待测样本的光谱数据带入数据库模型，比对具体品种。
7、优选地，步骤(1)中所述的模型的创建工具为anaconda-jupyter。
8、具体地，所述的步骤(1)中鱼肉样本的光谱数据的提取包括：提取鱼肉样本，利用多光谱成像仪对鱼肉样本进行拍照，得到鱼肉样本的多光谱图像，使用多光谱成像系统提取鱼肉样本的光谱数据。
9、进一步具体地，所述的使用多光谱成像系统提取鱼肉的光谱数据包括以下步骤：
10、(1)打开videometerlab软件，导入上述的鱼肉样本的多光谱图像；
11、(2)去除图像背景，进行图像分割或进行图层标注；
12、(3)使用videometerlab软件对所选区域进行光谱信息提取，光谱信息采集的波长范围由可见光到近红外光共19个波段，分别为365nm，405nm，430nm，450nm，470nm，490nm，515nm，540nm，570nm，590nm，630nm，645nm，660nm，690nm，780nm，850nm，880nm，940nm，970nm。
13、步骤(3)在videometerlab软件中的操作为依次选取image tools→measurement→statistics，即可得到样本的光谱信息。
14、具体地，所述的光谱信息为所选区域的平均光谱反射值。
15、具体地，所述的小眼绿鳍鱼的各光谱处的数据范围：365nm为14.44-20.46，405nm为11.22-19.99，430nm为12.72-21.61，450nm为21.94-28.87，470nm为23.31-30.17，490nm为23.47-30.46，515nm为22.76-29.90，540nm为22.53-29.52，570nm为21.72-28.74，590nm为23.05-30.25，630nm为24.11-31.80，645nm为24.35-32.20，660nm为24.56-32.57，690nm为24.64-32.86，780nm为24.84-33.29，850nm为31.69-39.00，880nm为34.41-41.14，940nm为40.70-45.69，970nm为41.62-46.06。
16、进一步具体地，步骤(2)所述的1d-cnn模型的训练包括以下步骤：
17、将小眼绿鳍鱼的光谱数据带入sequential模型，使用该模型的创建工具为anaconda-jupyter，通过模型自带的函数导入训练数据，模型载入及网络构建，进行训练，得训练结果。
18、模型训练过程如下：
19、①加载光谱数据；
20、②光谱数据拆分，光谱数据的70％为训练集，光谱数据的30％为测试集，seed＝34；
21、③载入keras中的sequential模型并进行网络构建；
22、④模型的训练，训练的次数为500次。
23、⑤使用混淆矩阵反应训练后的结果。
24、步骤②中，seed：为随机取样设置的种子数值。
25、1d-cnn训练代码：history＝model.fit(x_train,y_train，epochs＝500，batch_size＝64，validation_data＝(x_test，ytest))。
26、具体地，所述的步骤③中的网络构建：初始权重为(-0.5，0.5)的随机取值，seed＝34，cnn是用python(版本3.9.12)完成的，使用anaconda navigator中的jupyter笔记本程序。采用了keras库中的sequential模型。
27、具体地，所述的步骤⑤中训练结果测试方式为使用混淆矩阵进行准确率(accuracy)、召回率(macro-r)、精确率(macro-p)和调和平均值(macro-f1)的计算。
28、计本文档来自技高网...
【技术保护点】
1.一种小眼绿鳍鱼的鉴定方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的鉴定方法，其特征在于，所述的模型的创建工具为Anaconda-Jupyter。
3.根据权利要求1所述的鉴定方法，其特征在于，所述的步骤(1)中光谱数据的提取包括以下步骤：
4.根据权利要求3所述的鉴定方法，其特征在于，所述的步骤S3中的光谱信息采集的波长为365nm、405nm、430nm、450nm、470nm、490nm、515nm、540nm、570nm、590nm、630nm、645nm、660nm、690nm、780nm、850nm、880nm、940nm、970nm。
5.根据权利要求4所述的鉴定方法，其特征在于，所述的光谱信息为平均光谱反射值。
6.根据权利要求4所述的鉴定方法，其特征在于，所述的小眼绿鳍鱼的各光谱处的数据范围：365nm为14.44-20.46，405nm为11.22-19.99，430nm为12.72-21.61，450nm为21.94-28.87，470nm为23.31-30.17，490nm为23.4
7.根据权利要求1所述的鉴定方法，其特征在于，所述的1D-CNN模型的神经网络构建使用Keras中的Sequential模型。
8.根据权利要求1所述的鉴定方法，其特征在于，所述的使用1D-CNN模型比对具体品种时使用的函数为python中predict函数。
9.根据权利要求1所述的鉴定方法，其特征在于，所述的1D-CNN模型是通过python中keras.models模块载入模型后，调用predict方法进行预测。
10.根据权利要求1所述的鉴定方法，其特征在于，所述的步骤(3)中比对具体品种为将待测样本数据带入数据库模型，得出预测品种及概率值，对比predict中class结果和标签是否匹配，若匹配则预测正确，若不匹配则为预测错误。
...【技术特征摘要】
1.一种小眼绿鳍鱼的鉴定方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的鉴定方法，其特征在于，所述的模型的创建工具为anaconda-jupyter。
3.根据权利要求1所述的鉴定方法，其特征在于，所述的步骤(1)中光谱数据的提取包括以下步骤：
4.根据权利要求3所述的鉴定方法，其特征在于，所述的步骤s3中的光谱信息采集的波长为365nm、405nm、430nm、450nm、470nm、490nm、515nm、540nm、570nm、590nm、630nm、645nm、660nm、690nm、780nm、850nm、880nm、940nm、970nm。
5.根据权利要求4所述的鉴定方法，其特征在于，所述的光谱信息为平均光谱反射值。
6.根据权利要求4所述的鉴定方法，其特征在于，所述的小眼绿鳍鱼的各光谱处的数据范围：365nm为14.44-20.46，405nm为11.22-19.99，430nm为12.72-21.61，450nm为21.94-28.87，470nm为23.31-30.17，490nm为23.47-30.46，515nm为22.76-29.90，540nm为22.53-29.52，570...
【专利技术属性】
技术研发人员：王丽君，寻卓然，王绪敏，曲江勇，邢志凯，王爽，刘传林，张伟华，
申请(专利权)人：烟台大学，
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。