[发明专利]一种基于深度学习的家蚕微粒子病无损检测方法及系统

权利要求书

1.一种基于深度学习的家蚕微粒子病无损检测方法，其特征在于，包括以下步骤：

采集家蚕蚕卵样品的拉曼光谱数据并进行数据预处理，构建家蚕微粒子病拉曼光谱数据集；

引入密集连接块与转换层，构建基于R-DenseNet的深度学习分类模型；

基于R-DenseNet的深度学习分类模型对家蚕微粒子病拉曼光谱数据集进行分类训练，得到家蚕微粒子病分类学习结果。

2.根据权利要求1所述一种基于深度学习的家蚕微粒子病无损检测方法，其特征在于，所述采集家蚕蚕卵样品的拉曼光谱数据并进行数据预处理，构建家蚕微粒子病拉曼光谱数据集这一步骤，其具体包括：

获取家蚕蚕卵样品；

将家蚕蚕卵样品置于玻片上，通过激光共聚焦显微拉曼光谱仪对家蚕蚕卵样品进行拉曼激光采集，得到家蚕蚕卵样品的拉曼光谱数据；

将经过拉曼激光采集的家蚕蚕卵样品放置于温度为25.5～26.5℃、相对湿度大于85％的人工气候箱中进行催青孵化处理，得到蚁蚕和死卵；

将蚁蚕和死卵放入研钵中并加入清水进行研磨处理，制备样本压片；

对样本压片进行显微镜检，根据镜检结果对进行家蚕蚕卵标注处理，得到家蚕蚕卵标注样本，所述家蚕蚕卵标注样本包括患家蚕微粒子病样本和健康对照样本；

基于家蚕蚕卵样品的拉曼光谱数据，对家蚕蚕卵标注样本进行数据增强处理，得到家蚕微粒子病拉曼光谱数据集。

3.根据权利要求2所述一种基于深度学习的家蚕微粒子病无损检测方法，其特征在于，所述基于家蚕蚕卵样品的拉曼光谱数据，对家蚕蚕卵标注样本进行数据增强处理，得到家蚕微粒子病拉曼光谱数据集这一步骤，其具体包括：

基于家蚕蚕卵样品的拉曼光谱数据，对家蚕蚕卵标注样本进行平移光谱增强处理，得到平移扩增家蚕微粒子病拉曼光谱数据集；

对家蚕蚕卵样品的拉曼光谱数据进行随机添加噪声处理，得到噪声扩增家蚕微粒子病拉曼光谱数据集；

使用总和为1的随机比例系数，对同类样品的多个家蚕蚕卵样品的拉曼光谱数据曲线进行线性叠加，得到叠加后的家蚕微粒子病拉曼光谱数据集，所述同类样品为患家蚕微粒子病样本或健康对照样本；

结合平移扩增家蚕微粒子病拉曼光谱数据集、噪声扩增家蚕微粒子病拉曼光谱数据集和叠加后的家蚕微粒子病拉曼光谱数据集，得到家蚕微粒子病拉曼光谱数据集。

4.根据权利要求3所述一种基于深度学习的家蚕微粒子病无损检测方法，其特征在于，所述引入密集连接块与转换层，构建基于R-DenseNet的深度学习分类模型这一步骤，其具体包括：

构建的基于R-DenseNet的深度学习分类模型包括一个初始卷积层、四个密集连接块、三个转换层、一个平均池化层和一个全连接层，所述基于R-DenseNet的深度学习分类模型的网络层结构依次为初始卷积层、第一密集连接块、第一转换层、第二密集连接块、第二转换层、第三密集连接块、第三转换层、第四密集连接块、平均池化层和全连接层；

所述初始卷积层有64个卷积核，卷积核尺寸为1×5，设置步长为2，填充策略为边缘填充；

在两个密集连接块之间设有一个转换层，该转换层将上一密集连接块输出的特征通道数进行压缩，接着传输到下一个密集连接块；

所述转换层由步长为1、尺寸为1×1的卷积层核和步长为2、尺寸为1×2的平均池化层组成；

所述平均池化层的尺寸为1×7，设置步长为2，填充策略为边缘填充。

5.根据权利要求4所述一种基于深度学习的家蚕微粒子病无损检测方法，其特征在于，所述密集连接块中的基本结构包括第一批量归一化层、第一ReLU激活函数、1×1卷积层、第二批量归一化层、第二ReLU激活函数和1×3卷积层，其中所述第一密集连接块由一个基本结构组成，所述第二密集连接块由两个基本结构组成，所述第三密集连接块由十个基本结构组成，所述第四密集连接块由十六个基本结构组成。