【技术实现步骤摘要】
本专利技术属于食品检测领域，特别涉及一种基于高光谱与深度学习的大米石蜡污染检测方法及系统。
技术介绍
1、大米的工业石蜡污染是严重的食品安全问题，会对人类健康造成不利影响，因此，对大米工业石蜡污染水平进行检测的能力变得至关重要。目前鉴别大米工业石蜡污染主要人工经验对大米颜色、手感等进行判别，或使用气相色谱法及微柱层析法等理化试验方式进行鉴定。然而前者具有较强的主观性，依赖于鉴定人员的食品安全培训；后者检测精度虽高，但操作步骤复杂、时间长，难以满足大规模大米样品检测的需求。
2、与上述传统方法相比，光谱技术具有非破坏性，可提供不同化学成分的丰富光谱信息，实现样本的快速检测。但传统光谱技术获取的数据缺乏空间信息，不适用多目标的同步检测。高光谱技术可结合样本的光谱信息和空间图像信息，快速获取大米样本的表面结构信息和内部特征信息，满足大规模大米样品的快速检测需求。然而，由于高光谱波段数高，相关性强，传统依赖光谱特征的机器学习分类方法容易出现分类精度不高，对噪声、数据缺失等鲁棒性不强等问题，亟需突破新的检测方法。
技术实现思路
1、针对上述问题，本专利技术的目的是提供一种基于高光谱和深度学习的大米石蜡污染检测方法及系统；通过获取不同种类、不同工业石蜡含量污染大米的高光谱图像，构建构建多个工业石蜡污染数据集；根据所构建的多个工业石蜡污染数据集是否单独训练、训练集与测试集划分比例为依据，设定单一情景、多源情景与小样本情景；在不同情景下对基于hybridsn深度学习架构的sc-hybr
2、为实现上述目的，本专利技术提供了如下技术方案：
3、一种基于高光谱和深度学习的大米工业石蜡污染检测方法，包括以下步骤：
4、s1、制备不同产区、不同工业石蜡种类与含量的污染大米样本，分别采集全部不同污染大米样本的高光谱图像；
5、s2、对全部污染大米样本的高光谱图像进行预处理，按照制备时大米不同产区、不同工业石蜡种类对样本高光谱图像进行标记，构建多个工业石蜡污染数据集；
6、s3、对所构建的多个工业石蜡污染数据集进行组合、划分，设定单一情景、多源情景、小样本情景等三种建模策略；
7、s4、使用步骤s2获取的多个工业石蜡污染数据集，以及步骤s3设定的单一情景、多源情景与小样本情景三种建模策略，对基于hybridsn深度学习架构的sc-hybridsn模型进行训练与效果验证，得到用于大米工业石蜡污染水平判别的sc-hybridsn深度学习模型；
8、s5、获取待检测大米样本的高光谱图像，将待检测高光谱图像输入步骤s4获得的大米工业石蜡污染水平判别模型中，得到大米工业石蜡污染判别结果
9、所述步骤s3中三种建模策略的设定依据为，根据所构建的多个工业石蜡污染数据集是否单独训练、训练集与测试集划分比例为依据，设定单一情景、多源情景与小样本情景；
10、所述单一情景是指将任一工业石蜡污染数据集按照一定比例将数据集内的样本高光谱图像划分为训练集与测试集；
11、所述多源情景是指两个以上工业石蜡污染数据集进行混合形成新的多源数据集，然后按照一定比例将多源数据集内的样本高光谱图像划分为训练集与测试集；
12、所述小样本情境是指将单一情景与多源情景下，将训练集与数据集之比设置为小于0.1的小样本数据集；
13、所述步骤s4中的sc-hybridsn模型是在hybridsn深度学习架构的基础上对模型输入模块与特征提取模块进行改造，利用superpca无监督特征提取模块与cbam空谱信息增强特征模块；所述sc-hybridsn模型包括superpca无监督特征提取模块、cbam通道-空间信息增强特征模块、hybridsn网络架构；
14、所述superpca无监督特征提取模块的具体操作为：将尺度为的样本高光谱图像 i输入superpca无监督特征提取模块，superpca无监督特征提取模块对样本高光谱图像利用超像素分割与pca进行特征提取从而实现数据降维，输出简约数据立方体 x，并将简约数据立方体 x输入hybridsn网络架构和cbam通道-空间信息增强特征模块，简约数据立方体 x的尺度为。
15、基于高光谱和深度学习的大米石蜡污染检测方法的步骤s1的具体操作包括：
16、s1.1、选取多种不同产地的大米样本，与多种不同的工业石蜡；将每种不同种类大米与每种工业石蜡液体以多种不同的梯度混合制作多个污染大米样本，并对每种污染大米样本进行标记。
17、s1.2、每种污染大米样本选取60粒，将大米按五行六列排列在黑色塑料板上，使用高光谱相机捕捉污染大米样本的高光谱图像，并将其传输到计算机进行存储。
18、基于高光谱和深度学习的大米石蜡污染检测方法的步骤s1中，获取污染大米样本的样本高光谱图像的条件为：光谱特征波长范围397~978nm，光谱频带数 d为196个。
19、一种基于高光谱和深度学习的大米石蜡污染检测方法的大米石蜡污染检测系统，包括高光谱信息获取模块、工业石蜡污染检测模块与输出模块；
20、所述获取模块利用高光谱相机捕捉待检测大米的高光谱图像，并将待测大米高光谱图像进行预处理后输入到pc机内置的工业石蜡污染检测模块；
21、所述工业石蜡污染检测模块内置用于大米工业石蜡污染水平判别的sc-hybridsn深度学习模型，对输入的待测大米高光谱图像进行检测处理，获取对待测大米高光谱图像的石蜡污染检测结果；
22、所述输出模块根据待测大米高光谱图像的石蜡污染检测结果，输出为“污染”或“无污染”标记，完成大米的工业石蜡污染检测。
23、本专利技术与现有技术相比有益效果在于：
24、（1）针对实际生活中大米的工业石蜡污染存在大米品种多元化、可用样本少的问题，本专利技术所提出的基于高光谱和深度学习的大米工业石蜡污染检测方法在样本制备过程中选用了多种产地不同的大米、多种工业石蜡与不同石蜡含量，制备了多种不同的污染大米样本；在模型训练过程中设置了单一情景、多源情景与小样本情景，分别为：依据任一工业石蜡污染数据集按照一定比例将数据集内的样本高光谱图像划分为训练集与测试集的单一情景；将两个以上工业石蜡污染数据集进行混合形成新的多源数据集，然后按照一定比例将多源数据集内的样本高光谱图像划分为训练集与测试集的多源情景；将单一情景与多源情景下，将训练集与数据集之比设置为小于0.1的小样本数据集的小样本情景；通过该在不同情境下对基于hybridsn深度学习架构的sc-hybridsn模型进行训练与效果验证，得到用于大米工业石蜡污染水平判别的sc-hybridsn深度学习模型，以本文档来自技高网...
【技术保护点】
1.一种基于高光谱和深度学习的大米工业石蜡污染检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于高光谱和深度学习的大米石蜡污染检测方法，其特征在于，所述步骤S1的具体操作包括：
3.根据权利要求2所述的基于高光谱和深度学习的大米石蜡污染检测方法，其特征在于，所述步骤S1中获取污染大米样本的样本高光谱图像的条件为：光谱特征波长范围397~978nm，光谱频带数D为196个。
4.一种基于权利要求1-3任一项所述的基于高光谱和深度学习的大米石蜡污染检测方法的大米石蜡污染检测系统，其特征在于，所述检测系统包括高光谱信息获取模块、工业石蜡污染检测模块与输出模块；
【技术特征摘要】
1.一种基于高光谱和深度学习的大米工业石蜡污染检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于高光谱和深度学习的大米石蜡污染检测方法，其特征在于，所述步骤s1的具体操作包括：
3.根据权利要求2所述的基于高光谱和深度学习的大米石蜡污染检测方法，其特征在于，所述步骤...
【专利技术属性】
技术研发人员：王金峰，赵敏义，王震涛，陈国庆，林腾辉，王瑞东，蒋蕊，吕振阳，马思源，初宇航，
申请(专利权)人：东北农业大学，
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。