[发明专利]一种基于卷积神经网络的哈密瓜农药残留鉴别方法

说明书

本发明提供一种基于卷积神经网络的哈密瓜农药残留鉴别方法，包括以下步骤：（1）哈密瓜农药残留的可见/近红外漫反射光谱采集；（2）光谱预处理及数据集划分；（3）基于多尺度一维卷积神经网络的哈密瓜农药残留鉴别模型构建；（4）哈密瓜农药残留鉴别。本发明利用可见/近红外光谱技术和卷积神经网络算法构建哈密瓜农药残留无损鉴别模型，提出一种非对称性多尺度卷积结构提取不同层次和尺度的光谱深度特征，无需人工提取特征，可以有效丰富特征的多样性，提高模型鉴别能力。哈密瓜有无农药残留和农药残留种类的综合鉴别准确率达到95.83%。

技术领域

本发明涉及深度学习和水果安全检测领域，具体涉及一种基于卷积神经网络的哈密瓜农药残留鉴别方法。

背景技术

近年来，水果农药残留问题已成为社会关注的焦点，“无公害”、“绿色”等已成为消费者选择水果产品的重要标准。哈密瓜是新疆特色水果，种植期间易遭受各类病虫害的侵染，所以瓜农常使用百菌清和吡虫啉等杀菌剂和杀虫剂进行防治。农药的合理使用可以有效防控病虫害，但使用过度会造成农药在果实中富集，使得农药残留问题日益严重。由于哈密瓜体积大，表面网纹多，所以雨水很难将附着于瓜皮表面的残留农药冲刷干净，残留农药会从哈密瓜表面渗入内部，持续污染果实。哈密瓜农药残留问题不仅威胁人体健康，同时也是限制新疆哈密瓜市场竞争力的重要因素。因此解决哈密瓜表面农药残留的快速无损检测问题刻不容缓。

农药残留的化学检测方法主要包括气/液相色谱法、气/液相色谱联用质谱法和气/液相色谱串联质谱法。化学检测方法虽然精确度和灵敏度较高，但是检测成本较高，操作复杂且具有破坏性。可见/近红外光谱技术作为一种现代无损检测技术，可以获取样品的点源光谱信息，通过分析谱线特征与待测成分的相关性评估样品品质及安全，在水果可溶性固形物、水分和营养成分含量、成熟度等内部品质检测领域的应用较为广泛，同时在水果农药残留无损检测领域具有较大潜力。

原始光谱信息中通常含有大量无关信息，光谱有效特征需通过特定的预处理和变量筛选方法获取，然后通过多元建模方法构建近红外光谱与样本属性之间的联系，这种光谱解析过程对模型的计算复杂度及泛化能力带来了挑战。近年来深度学习的发展表明，卷积神经网络模型减少了数据预处理和变量筛选的需要，并且提供精确识别和预测的能力在逐步提高，已成为最受欢迎且应用最广的深度学习方法之一。

根据目前关于水果农药残留无损检测研究的报道，应用可见/近红外光谱技术和卷积神经网络模型对大型水果农药残留进行鉴别的研究鲜有报道。因此，开发一种基于卷积神经网络的哈密瓜农药残留鉴别方法对实现农药残留的快速无损检测具有重要意义，同时为其他同类大型水果农药残留检测研究提供参考。

发明内容

有鉴于此，本发明的目的在于提出一种基于卷积神经网络的哈密瓜农药残留鉴别方法，实现哈密瓜有无农药残留、百菌清和吡虫啉残留的无损鉴别。

为实现上述目的，本发明采用以下技术方案。

本发明提出一种基于卷积神经网络的哈密瓜农药残留鉴别方法，包括以下步骤。

S1，采集哈密瓜农药残留的可见/近红外光谱信息。

S2，对光谱数据进行预处理。

S3，将光谱数据按照一定比例划分为训练集和测试集。

S4，构建非对称性多尺度一维卷积神经网络模型。

S5，输出哈密瓜农药残留鉴别结果。

优选地，所述步骤S1中，利用可见/近红外光谱仪分别采集哈密瓜无残留、百菌清和吡虫啉残留的光谱信息。

优选地，所述可见/近红外光谱仪的仪器和采集参数包括：QE Pro微型光纤光谱仪，光谱分辨率为0.69 nm，波段范围为380~1100 nm；QP600-2-VIS-NIROOS-00-5172-11光纤探针，距离哈密瓜表面3 cm；光谱采集模式为漫反射，积分时间为100 ms，平均扫描次数为10次。