[发明专利]基于2D-CNN的食用油横向弛豫信号特征提取方法

摘要

本发明提供一种基于2D‑CNN的食用油横向弛豫信号特征提取方法，包括步骤：S1：读取CPMG原始数据并进行反演得到反演数据；S2：分别对CPMG原始数据和反演数据进行预处理；S3：绘制横向弛豫衰减曲线和多组分弛豫谱；S4：构建二维卷积神经网络；S5：自横向弛豫衰减曲线和多组分弛豫谱中提取数据形成训练集和测试集；S6：将训练集输入二维卷积神经网络；S7：将测试集输入训练后二维卷积神经网络；S8：获得分类结果。本发明的一种基于2D‑CNN的食用油横向弛豫信号特征提取方法，通过二维卷积神经网络模型直接对食用油横向弛豫进行特征提取并实现分类，可有效防止无效特征的产生，保证了分类结果的精确性。

主权项

1.一种基于2D‑CNN的食用油横向弛豫信号特征提取方法，包括步骤：S1：读取低场核磁共振设备采集得到的CPMG原始数据，并将所述CPMG原始数据进行反演得到反演数据；S2：分别对所述CPMG原始数据和所述反演数据进行预处理；S3：将预处理后的所述CPMG原始数据和所述反演数据分别绘制横向弛豫衰减曲线和多组分弛豫谱；S4：构建二维卷积神经网络，利用所述二维卷积神经网络提取食用油信号特征，所述二维卷积神经网络包括多个功能层，所述功能层包括：Conv2D卷积层、MaxPooling2D池化层和Dense全连接层；S5：自所述横向弛豫衰减曲线和多组所述分弛豫谱中提取部分数据形成一训练集和一测试集；S6：分别将所述训练集中的所述横向弛豫衰减曲线和多组所述分弛豫谱输入所述二维卷积神经网络对所述二维卷积神经网络进行训练，获得一训练后二维卷积神经网络；S7：分别将所述测试集的所述横向弛豫衰减曲线和多组所述分弛豫谱输入所述训练后二维卷积神经网络，获得一测试结果，根据所述测试结果验证当前训练后所述二维卷积神经网络的可靠性，如通过验证继续后续步骤，否则返回步骤S5；S8：利用当前训练后所述二维卷积神经网络对目标食用油样本进行分类，获得分类结果。