[发明专利]一种基于卷积神经网络的拉曼光谱智能分类方法

说明书

本发明公开了一种基于卷积神经网络的拉曼光谱智能分类方法，包括步骤S1，利用硅片对LabRAM HR Evolution拉曼光谱仪进行校正，进行拉曼实验；步骤S2，对收集到的拉曼光谱实验数据进行预处理；步骤S3，构建基于卷积神经网络的分类模型，用于不同预处理方式的拉曼光谱数据进行分类；步骤S4，数据分类：模型构建完成后，将三份拉曼光谱数据各自都按5：1的比例随机分为训练集和测试集，放入卷积网络中进行训练，待训练完成后进行数据分析；步骤S5，数据分析：进行对比实验，分析数据预处理方式的优劣，判断预处理是否可以提高模型准确率，是否可以保留更多有效特征，以及对比分析卷积神经网络模型与传统机器学习算法的优劣。

技术领域

本发明涉及拉曼光谱技术领域，特别涉及一种基于卷积神经网络的拉曼光谱智能分类方法。

背景技术

目前，国内外对食源性致病菌的检测方法有免疫学检测技术，分子生物学技术以及PCR技术等方法，免疫学方法存在灵敏度较低、分子生物学技术需要大量数据支撑且适应性不强、PCR技术价格昂贵且稳定性和精密性略低，而食品卫生需要对食源性致病菌的检测需要保证检测的特异性，灵敏度以及高效性。拉曼光谱是一种新型分子检测方法，基于光和材料内化学键的相互作用进行鉴别，分析得到分子振动及转动方面的信息，进而得到物质的组成成分，并能够对物质成分进行判定，具有快速、无损、抗干扰性强等特点。

目前拉曼光谱分析中大部分利用传统的机器学习算法，深度学习通过训练大量数据，在拉曼光谱数据的多分类问题中具有更优秀的泛化能力。卷积神经网络(CNN)是一种具有深度监督学习特性的多层神经网络，能自动提取低、中和高层特征。卷积神经网络进行特征提取实现了特征提取的封装，能够更好解决拉曼光谱数据特征提取困难的问题。

发明内容

针对三种拉曼峰相似的食源性致病菌——大肠杆菌、粘质沙雷氏菌和枯草杆菌，本发明提供一种基于卷积神经网络的拉曼光谱智能分类方法，来进行对食源性致病菌分类检测的高效性和精确性。

为了达到上述发明目的，解决其技术问题所采用的技术方案如下：

一种基于卷积神经网络的拉曼光谱智能分类方法，包括以下步骤：

步骤S1，利用硅片对LabRAM HR Evolution拉曼光谱仪进行校正，测量的拉曼光谱偏移值范围为0～1800，光源设定为632mm的氦氖激光，强度设置为14mW，积分时间为4s，在拉曼偏移范围内得到800个特征数，总计3*30＝90个拉曼光谱数据；

步骤S2，对收集到的拉曼光谱实验数据进行三种不同的预处理；

步骤S3，构建深度学习模型，即基于卷积神经网络的分类模型，用于不同预处理方式的拉曼光谱数据进行分类；

步骤S4，数据分类：模型构建完成后，将三份拉曼光谱数据各自都按5：1的比例随机分为训练集和测试集，放入卷积网络中进行训练，待训练完成后进行数据分析；

步骤S5，数据分析：进行对比实验，分析数据预处理方式的优劣，判断预处理是否可以提高模型准确率，是否可以保留更多有效特征，以及对比分析卷积神经网络模型与传统机器学习算法的优劣。

进一步的，步骤S2，对收集到的拉曼光谱实验数据进行三种不同的预处理方式：

步骤S21：将拉曼光谱数据直接进行数据增强，样本扩充，通常有旋转、移位、平移、缩放操作；通过向拉曼光谱数据中从左至右随机添加适量高斯噪声，将总样本数据扩充到1000条样本，以便后续投入神经网络中进行训练；

步骤S22：对光谱进行预处理：包括去噪，归一化，S-G平滑，并进行PCA和LDA不同降维方式提取特征，再通过数据增强的方式扩充样本；

步骤S23：将拉曼光谱数据先进行预处理，再对预处理后的拉曼光谱数据进行数据增强，得到预处理后的增强数据，并将数据投入神经网络中进行训练。