[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

说明书

本发明公开了一种基于深度学习的家蚕微粒子病无损检测方法及系统，该方法包括：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。该系统包括：采集模块、构建模块和分类模块。通过使用本发明，通过构建基于R‑DenseNet的深度学习分类模型实现对家蚕微粒子病拉曼光谱的快速、准确且无损的检测。本发明作为一种基于深度学习的家蚕微粒子病无损检测方法及系统，可广泛应用于拉曼光谱数据分类技术领域。

技术领域

本发明涉及拉曼光谱数据分类技术领域，尤其涉及一种基于深度学习的家蚕微粒子病无损检测方法及系统。

背景技术

家蚕微粒子病是一种由家蚕微孢子(Nosema Bombycis，Nb)感染、寄生引起的蚕病，主要通过食下传染和胚种传染两种方式传播。家蚕微粒子病对蚕丝业生产具有毁灭性危害，被列为蚕种生产的唯一法定检验对象。母蛾镜检法是防止胚种传播微粒子病原的有效措施，也是目前最常用的家蚕微粒子病检测方法。然而，母蛾镜检工序复杂、检测时间长且检测结果受检测人员技术水平及经验等诸多主观因素影响，已经不能满足如今的生产需求；

拉曼光谱可以提供生物体内大分子的指纹图谱信息，如蛋白质、糖类和脂质，但原始的拉曼信号较弱、容易受到噪声干扰且同种物质的拉曼光谱差异极小，难以通过人为辨认，因此，在光谱分类的应用中广泛结合了传统的机器学习方法，现有的有利用近红外漫透射光谱，建立偏最小二乘判别分析(PLS_DA)、后向传播神经网络(BPNN)以及支持向量机分类(SVM)判别模型快速无损鉴别家蚕种茧茧壳内蚕蛹的雌雄，建立了基于自荧光光谱、拉曼光谱和混合光谱的PLS_DA模型实现柑橘黄龙病的快速检测，进一步还有基于支持向量机的自助重加权采样(BRS-SVM)的特征选择方法，挑选近红外光谱的特征波长，随后使用SVM建模，在挑选少量特征的情况下，BRS-SVM优于其他特征选择算法，但是传统机器学习方法对样本的分类效果主要取决于光谱预处理策略，且多以人为经验寻找最佳预处理策略，效率不高。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于深度学习的家蚕微粒子病无损检测方法及系统，通过构建基于R-DenseNet的深度学习分类模型实现对家蚕微粒子病拉曼光谱的快速、准确且无损的检测。

本发明所采用的第一技术方案是：一种基于深度学习的家蚕微粒子病无损检测方法，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。

进一步，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；