[发明专利]一种七类质谱谱图自动识别系统与方法

摘要

本发明公开了一种基于云平台的世界常用农药及化学污染物七类质谱谱图自动识别系统与方法，包括云服务器平台端和用户平台端。云服务器平台端进行质谱谱图类型分类模型建立、谱图数据特征提取与卷积神经网络训练建模；用户平台端用于上传质谱谱图、实验条件与设备数据，根据质谱谱图类型分类模型或质谱谱图信息库直接筛查比对识别质谱谱图所属类别，基于云服务器平台端训练得到的神经网络模型自动对比判别农药类型与名称，将比对结果反馈给用户。本发明解决了用户购买标准品的限制，并且使用不受地点限制，可自动、快速准确地对农药残留进行鉴定。

主权项

1.一种基于云平台的世界常用农药及化学污染物七类质谱谱图自动识别系统，其特征在于，包括云服务器平台端、用户平台端；/n所述云服务器平台端包括：/n谱图获取部，用于获取质谱谱图；/n谱图参数获取部，用于获取与质谱谱图对应的实验环境、实验条件、实验参数数据；/n谱图设备获取部，用于获取与质谱谱图对应的谱图检测设备信息；/n谱图预处理部，用于对所获取的质谱谱图进行纵向拼接、预处理，并提取谱图特征；农药种类分类模型部，使用神经网络模型对所提取的质谱谱图特征、谱图检测设备信息、实验参数数据进行训练，得到能够识别农药及化学污染物种类和/或名称的分类模型；/n所述用户平台端包括：/n谱图数据上传部，用于向系统上传待检测的质谱谱图、谱图说明数据和实验参数数据；/n谱图预处理部，用于对待检测的质谱谱图进行纵向拼接、预处理，并提取谱图特征；谱图识别部，用于将所提取的质谱谱图特征、谱图说明数据和实验参数数据上传输入所述农药种类分类模型，识别出对应的农药及化学污染物种类和/或名称；/n所述农药种类分类模型部使用的神经网络模型为逐层细化卷积神经网络模型，其设计/使用方法为：/n质谱谱图经过预处理后，输入逐层细化卷积神经网络进行训练的质谱谱图的尺寸为1×1×1626×1626，各参数的含义依次为：在训练集中每次选择一个样本用来更新权值，输入图像的通道数为1，输入图像的大小为1626×1626；/n第一个卷积层Conv1使用尺寸为11×11×1的卷积核，表示每次卷积运算后，卷积核移动4个像素点，边缘补充像素p为0，表示不对图像边缘进行填充，经过Conv1层的运算后，输出特征图，该特征图反映了质谱谱图的边缘轮廓信息；使用Relu激活函数对卷积后的结果进行映射，控制数据的范围；接下来，局部响应归一化层LRN1对卷积层Conv1输出的特征数据进行归一化，对局部神经元的活动创建竞争机制，使得其中响应比较大的值变得相对更大，并抑制其他反馈较小的神经元，增强模型的泛化能力，经过该层的计算后，特征图的尺寸不变；之后，池化层Pool1使用尺寸为3×3×64的核对LRN1层输出的特征图进行最大池化，通过采样减少计算量和参数个数；/n卷积层Conv2-Conv5分别对其上一层输出的特征图进行相应的卷积运算，卷积核尺寸逐层减小，分别为9×9×64，7×7×128，5×5×256，3×3×512，其中64，128，256，512分别对应卷积层使用的卷积核数量，经过逐层的卷积运算后，低层特征被抽象成为更高维更细化的卷积激活特征，局部响应归一化层LRN2对卷积层Conv2输出的特征数据进行归一化；池化层Pool2-Pool5分别使用尺寸为3×3×128，3×3×256，3×3×512，3×3×512的核对其上一层输出的特征图进行最大池化；/n全连接层Fc6将Conv5输出的局部特征进行连接，Fc6-Fc8三个全连接层在训练过程中通过学习全部的权重来筛选在分类任务中表现好的特征，并将特征送入Softmax-loss层；Dropout层Dop6与Drop7分别用于Fc6与Fc7的计算结果中，随机禁用一部分隐藏层的节点，加快训练速度并防止过拟合；Softmax-loss层计算得到损失函数的值；/n在训练过程中，使用随机梯度下降算法更新权值并设置初始学习率为0.0001，通过最小化损失函数逐步提高分类效果，得到分类效果较好的逐层细化卷积神经网络分类模型。/n