[发明专利]一种基于CNN的食品高光谱信息分析系统与方法

说明书

本发明公布了一种基于卷积神经网络(Convolutional Neural Networks，CNN)模型的食品高光谱信息分析系统与方法。其中，该系统改进了现有商用高光谱仪配套的数据处理平台，除了增加用于加速CNN运算的GPU阵列以外，还集成了数据管理模块、预处理模块、模型建立模块和模型优化模块。一种基于CNN的食品高光谱信息分析方法,包括以下步骤：高光谱数据数据采集，预处理，构建训练与测试集，调用CNN模型，根据需要检测类型获得待测样本缺陷类型，调整模型参数。利用本发明提供的技术方案，用户能够实现对食品高光谱样本缺陷的无损检测与分类，可以在短时间内对TB甚至PB级别的数据进行分析后输出结果，满足了食品安全大数据快速、实时分析的需求，具有十分重要的现实意义。

技术领域

本发明涉及食品无损检测和数据处理，尤其涉及一种基于卷积神经网络(Convolutional Neural Networks，CNN)模型的食品高光谱信息分析系统与方法。

背景技术

高光谱成像技术同时采集样本的图像与光谱信息，是近年来应用于食品无损检测领域的一项新兴技术。图像信息可以反映样本的大小、形状、缺陷等外部品质特征，由于成分不同对光谱吸收也不同，在某个特定波长下图像对某个缺陷会有较显著的反映。

CN200610097857公布了一种通过对农畜产品的高光谱图像进行特征提取，然后与专家库中的数据相对照进行综合判别的方法；CN201310409795公布了一种对桃果实高光谱图像进行独立主成分ICA分析，建立基于Fisher的反射和半反射高光谱模型的检测桃果实冷害的装置和方法；CN201310463530公布了一种基于高光谱图像的过熟蓝靛果果实识别方法，依次采用逐步向前变量选择法和线性判别分析法建立判别过熟果与适熟果像素的函数模型；CN201310141349 公布了一种通过建立鱼肉嫩度与特征波长的多元线性回归模型的高光谱检测方法。

以上高光谱分析中常用到模型均是针对小样本，从统计学习理论(SLT) 的基础上发展起来的，需要人为提取光谱图像的特征图。然而，这种模型在大样本下的泛化性表现并不理想。近年来，深度学习算法和大数据运算平台的发展为高光谱分析的研究开辟了一种新的思路。CNN通过卷积操作将光谱特征转变成为更高层次的描述。经过足够多的转换组合和足够大的样本训练，非常复杂的非线性模型也可以被学习。CNN模型可以很好的解决传统的化学计量学方法不擅长建立大样本下食品高光谱非线性模型的难题。

发明内容

为了克服现有技术的不足，本发明提供了一种基于CNN的食品高光谱信息分析系统与方法，实现了对食品高光谱样本缺陷的无损检测与分类

所述系统改进了现有商用高光谱仪配套的数据处理平台，除了已有的CPU、内存、存储器等标准配置以外，增加了用于加速CNN运算的GPU阵列。具体的，一种基于CNN的食品高光谱信息分析系统，包括：

预处理模块，提供图像增强工具和阈值分割工具，用于对食品样本的高光谱数据进行预处理，去除采集过程中产生的背景噪声。具体为，对原始数据进行Gamma校正，采用非线性函数(指数函数)对图像的灰度值进行变换，并且选择合适的阈值，对增强后的灰度图像进行阈值分割，得到食品高光谱的二值图像。将二值图像与原始图像相乘，可以得到去除背景后的食品高光谱图像。

数据管理模块，提供数据存储及检索工具和数据集构建工具。所述数据存储工具将预处理后的高光谱数据保存到指定路径下的分类文件夹中，并以链表形式在数据库中记录设备信息和采集信息，包括：仪器设备型号，扫描速度，扫描时间，分辨率，灵敏度，样本批次，波长，缺陷类型以及采集时间。同时，将以上信息作为高光谱图像数据的属性添加到数据库中。所述数据检索工具，包含以下三种检索方式：(1)可选定波长范围或某一特定波长；(2)可设定间隔波段数；(3)可按属性信息检索。所述数据集构建工具可以按照检索信息和设定比例，将数据随机分为训练集和测试集，同时根据缺陷类型为样本设定标签值。