[发明专利]一种基于迁移学习的黄曲霉毒素智能检测方法

说明书

本发明公开了一种基于迁移学习的黄曲霉毒素智能检测方法，该方法包括4个步骤：（1）首先使用公用遥感高光谱数据集训练深度学习网络，（2）然后采用标记好的黄曲霉毒素标准样高光谱对网络进行微调，（3）然后微调好的网络对待检测黄曲霉毒素籽粒高光谱图像逐像素进行识别，（4）籽粒污染区域可视化及黄曲霉毒素含量反演。本发明将深度迁移学习和高光谱成像相结合，通过遥感数据向黄曲霉毒素检测数据进行迁移，逐像素进行检测，实现了籽粒黄曲霉毒素的定量检测，具有巨大应用价值。

技术领域

本发明公开了一种基于迁移学习的黄曲霉毒素智能检测方法，具体地说，涉及一种结合迁移学习和高光谱成像的像素级黄曲霉毒素籽粒定量反演方法。

背景技术

黄曲霉毒素（Aflatoxin）是一种剧毒、强致癌物，其毒性为砒霜的68倍，是目前发现的最强（I类）化学致癌物质，是恶性肿瘤（特别是肝癌）的最大诱因，广泛存在于花生、玉米及其制品中。以液相色谱为代表的生化抽检方法虽然检测精度很高，但检测速度慢，无法实现在线检测。黄曲霉毒素具有紫外荧光特性和表层浅表层分布特征。光谱是物质的直接反应，由于高光谱图像具有图谱合一的能力，使的黄曲霉毒素在线检测成为可能。

然而传统的方法由于硬件和算法的限制，只采集少数关键波长、使用籽粒平均光谱进行检测，检测准确率低，随着GPU硬件和深度学习算法的巨大突破，使用深度学习的全光谱检测方法成为可能。本发明提出了通过高光谱图像进行迁移学习，从而得到逐个像素的检测模型，实现了基于全光谱的黄曲霉毒素定量反演方法。

发明内容

本发明的目的主要是针对上述问题的不足，本发明公开了一种基于迁移学习的黄曲霉毒素智能检测方法。

上述目的通过如下技术方案实现：

该方法包括4个步骤：1）首先使用公用遥感高光谱数据集训练深度学习网络，2）然后采用标记好的黄曲霉毒素标准样高光谱对网络进行微调，3）然后微调好的网络对待检测黄曲霉毒素籽粒高光谱图像逐像素进行识别，4）籽粒污染区域可视化及黄曲霉毒素含量反演。

其中：

（1）使用公用遥感高光谱数据集训练深度学习网络，是首先从公用数据集下载遥感高光谱图像，特别的如Botswana、Pavia、Pavia University高光谱数据集，然后逐个像素使用Reshape变换将光谱转换为单个像素光谱重构的图像，作为训练样本集输入主流神经网络架构进行训练，特别的如VGGNet、GoogleNet框架等，从而自主搭建具有光谱识别功能的神经网络构架，优选出准确率最高的网络作为原始网络。

（2）采用标记好的黄曲霉毒素标准样高光谱对网络进行微调，是指首先制备黄曲霉毒素污染标样，然后对黄曲霉毒素标养采集高光谱图像，并逐个像素使用Reshape变换将光谱转换为单个像素光谱重构的图像，作为训练样本集输入原始网络，将原始神经网络的第1到第N-3层的网络权重迁移到新网络，倒数1-3层重新训练，更改激活函数以及全连接层的层数，得出一个目标网络，优化目标网络，使得目标网络能够识别出不同浓度的黄曲霉毒素区域。

（3）微调好的网络对待检测黄曲霉毒素籽粒高光谱图像逐像素进行识别，是指将污染黄曲霉毒素的农产品籽粒进行高光谱成像，特别的农产品籽粒如花生、玉米籽粒等，同样适用Reshape变换将每个像素的转换为像素图像输入到目标网络进行识别，判断该像素是否被黄曲霉毒素污染和污染程度。

（4）籽粒污染区域可视化及黄曲霉毒素含量反演，是指首先使用热度图像将不同程度的黄曲霉毒素污染区域原位标记在籽粒区域图像上，然后根据每个点的污染程度累加和与化学测量籽粒黄曲霉毒素含量进行反演，得到籽粒的黄曲霉毒素含量，特别的化学测量过程可采用液相色谱法。

（5）标制作过程为，首先在特氟龙板上使用双面胶粘贴一层籽粒种皮，特别的如花生红衣，然后在上方使用无荧光材料粘贴一个栅格网状结构黑色橡胶层，最后在不同栅格内滴入不同浓度的黄曲霉毒素乙腈溶液，待乙腈挥发后即可使用。