CN114419366B - 基于深度学习的花椒粉掺假快速识别方法及系统 - Google Patents
基于深度学习的花椒粉掺假快速识别方法及系统 Download PDFInfo
- Publication number
- CN114419366B CN114419366B CN202111641245.9A CN202111641245A CN114419366B CN 114419366 B CN114419366 B CN 114419366B CN 202111641245 A CN202111641245 A CN 202111641245A CN 114419366 B CN114419366 B CN 114419366B
- Authority
- CN
- China
- Prior art keywords
- adulteration
- powder
- pricklyash
- deep learning
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000843 powder Substances 0.000 title claims abstract description 68
- 235000007650 Aralia spinosa Nutrition 0.000 title claims abstract description 52
- 241000949456 Zanthoxylum Species 0.000 title claims abstract description 52
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000013145 classification model Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 14
- 244000089698 Zanthoxylum simulans Species 0.000 claims description 11
- 240000008042 Zea mays Species 0.000 claims description 4
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 4
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 235000005822 corn Nutrition 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 235000002566 Capsicum Nutrition 0.000 abstract description 2
- 239000006002 Pepper Substances 0.000 abstract description 2
- 235000016761 Piper aduncum Nutrition 0.000 abstract description 2
- 235000017804 Piper guineense Nutrition 0.000 abstract description 2
- 244000203593 Piper nigrum Species 0.000 abstract description 2
- 235000008184 Piper nigrum Nutrition 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013312 flour Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习的花椒粉掺假快速识别方法，其特征在于，包括以下步骤：步骤S1：制作不同掺假比例的花椒粉样品，并获取不同掺假比例花椒粉样品的原始图像数据；步骤S2:截取原始图像预设区域，将背景与目标分离，获取花椒粉样本图像;步骤S3：基于SqueezeNet深度学习分类模型，构建用于预测不同掺假比例的花椒粉掺假的深度学习分类模型，并根据花椒粉样本图像训练；步骤S4:将待识别花椒粉样本输入训练后的深度学习分类模型，得到待识别花椒粉掺假情况。本发明能够快速有效的检测出花椒粉掺假情况。
Description
技术领域
本发明涉及食品检测领域，具体涉及一种基于深度学习的花椒粉掺假快速识别方法集系统。
背景技术
当前，虽然相关行业市场发展良好，但仍然存在较多问题：由于花椒粉的价格普遍不低，有许多不良商家存在以假充真、以其他廉价相似物例如中药渣粉、面粉等进行代替的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于深度学习的花椒粉掺假快速识别方法，能够快速有效的检测出花椒粉掺假情况。
为实现上述目的，本发明采用如下技术方案：
一种基于深度学习的花椒粉掺假快速识别方法，包括以下步骤：
步骤S1：制作不同掺假比例的花椒粉样品，并获取不同掺假比例花椒粉样品的原始图像数据；
步骤S2:截取原始图像预设区域，将背景与目标分离，获取花椒粉样本图像;
步骤S3：基于SqueezeNet深度学习分类模型，构建用于预测不同掺假比例的花椒粉掺假的深度学习分类模型，并根据花椒粉样本图像训练；
步骤S4:将待识别花椒粉样本输入训练后的深度学习分类模型，得到待识别花椒粉掺假情况。
进一步的，所述制作不同掺假比例的花椒粉样品，具体为：将纯花椒粉样品为空白组，掺假样品为玉米粉，选取10%、20%、30%、40%、50%5种不同原始掺假比例即掺假率；依次计算好每个掺假率下的花椒粉及掺杂粉的质量，置于振荡器中混匀后备用。
进一步的，所述SqueezeNet深度学习分类模型，具体为：以卷积层开始，接着使用8个Fire modules，最后以卷积层结束。
进一步的，所述Fire modules由Squeeze部分和Expand部分组成，其中Squeeze部分是一组连续的 1×1卷积组成，Expand部分则是由一组连续的1×1 卷积和一组连续的3×3卷积Cancatnate组成。
进一步的，基于SqueezeNet深度学习分类模型训练，具体为：
删去原始预训练模型结构中最后一层卷积层与分类层，重新添加新的卷积层与分类层，将新的卷积层中的卷积核大小修改为1×1，卷积核数量修改为6，步长修改为1，“padding”参数修改为“same”，新的分类层中分类数量参数将自动匹配新添加卷积层中卷积核数量作为模型分类数；
使用Adam作为优化器，损失函数为categorical_crossentropy，在经过N次迭代后将学习率降低至预设值。
一种基于深度学习的花椒粉掺假快速识别系统，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如权利要求1-5任一项所述的花椒粉掺假快速识别方法中的步骤。
本发明与现有技术相比具有以下有益效果：
本发明有效提高检测效率，降低检测成本，为简化掺假花椒粉的识别提供了新的方法，具有很强的实用性和广阔的应用前景。
附图说明
图1是本发明实施例的方法实现流程图。
图2是本发明实施例中不同掺假比例花椒粉掺假样本的原始图像。
图3是本发明实施例中不同掺假比例花椒粉掺假样本的截取图像。
图4是本发明实施例中不同掺假比例花椒粉掺假样本的二次截取图像。
图5是本发明实施例中建立模型的准确度曲线图。
图6是本发明实施例中建立模型的损失曲线图。
图7是本发明实施例中建立的SqueezeNet模型。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于深度学习的花椒粉掺假快速识别方法，包括以下步骤：
步骤S1：制作不同掺假比例的花椒粉样品，并获取不同掺假比例花椒粉样品的原始图像数据；
步骤S2:截取原始图像预设区域，将背景与目标分离，获取花椒粉样本图像;
步骤S3：基于SqueezeNet深度学习分类模型，构建用于预测不同掺假比例的花椒粉掺假的深度学习分类模型，并根据花椒粉样本图像训练；
步骤S4:将待识别花椒粉样本输入训练后的深度学习分类模型，得到待识别花椒粉掺假情况。
在本实施例中，花椒粉的制备按照GB/T 12729.3-2020中规定的工艺流程进行。将纯花椒粉样品为空白组，掺假样品为玉米粉，选取10%、20%、30%、40%、50%5种不同原始掺假比例即掺假率；依次计算好每个掺假率下的花椒粉及掺杂粉的质量，总质量为8 g，于振荡器中混匀后备用；
令，掺假率为p，纯花椒粉质量为M，掺杂粉质量为m，样品总质量为5 g，则 m=8×p,M=8×(1-p)。
在本实施例中，SqueezeNet深度学习分类模型，具体为：以卷积层开始，接着使用8个Fire modules，最后以卷积层结束。Fire modules由Squeeze部分和Expand部分组成，其中Squeeze部分是一组连续的 1×1卷积组成，Expand部分则是由一组连续的1×1 卷积和一组连续的3×3卷积Cancatnate组成。
基于SqueezeNet深度学习分类模型训练，具体为：
删去原始预训练模型结构中最后一层卷积层与分类层，重新添加新的卷积层与分类层，将新的卷积层中的卷积核大小修改为1×1，卷积核数量修改为6，步长修改为1，“padding”参数修改为“same”，新的分类层中分类数量参数将自动匹配新添加卷积层中卷积核数量作为模型分类数；
使用Adam作为优化器，损失函数为categorical_crossentropy，在经过N次迭代后将学习率降低至预设值。
实施例1：
在本实施例中，如图2所示为纯花椒粉、纯玉米粉以及10%、20%、30%、40%、50%等7种不同掺假比例和掺假物的原始图像，每个类别拍摄120张图像，总样本量为120×6=720张，拍摄完成后及时将照片导入计算机，运用python和matlab2020a编写程序进行后续的建模分析。
将原始图像中间区域600×600像素图像截取出来，截取效果如图3所示。
再将截取得到的600×600像素图像再平均分割成4张300×300像素图像，用以将数据集扩充至4×720=2880张，分割效果如图4所示。
将数据集（2880张图像）按照75%，15%，10%随机划分为训练集、验证集和测试集，2160张用于训练模型，432张用于验证模型，288张用于评估模型。
如图5、图6所示，模型在经过1340次的迭代后，模型在训练集和验证集上都逐渐收敛，在训练集和验证集上达到了较高的识别率，同时损失曲线没有表现出较为明显的过拟合情况。所建立的模型在测试集上达到了98.64%的识别结果。
如图7所示为SqueezeNet模型的混淆矩阵图，横坐标为预测标签，纵坐标为真实标签。从图中可以看出，0%类别：没有误判；10%类别：1个样本误判成0%类别；20%类别：没有误判；30%类别：没有误判；40%类别：2个样本误判成50%类别；50%类别：没有误判。
最后，将得到的深度学习分类模型对未知花椒粉掺假图像进行预测了。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (4)
1.一种基于深度学习的花椒粉掺假快速识别方法，其特征在于，包括以下步骤：
步骤S1：制作不同掺假比例的花椒粉样品，并获取不同掺假比例花椒粉样品的原始图像数据；
步骤S2:截取原始图像预设区域，将背景与目标分离，获取花椒粉样本图像；
步骤S3：基于SqueezeNet深度学习分类模型，构建用于预测不同掺假比例的花椒粉掺假的深度学习分类模型，并根据花椒粉样本图像训练；
步骤S4:将待识别花椒粉样本输入训练后的深度学习分类模型，得到待识别花椒粉掺假情况；
所述SqueezeNet深度学习分类模型，具体为：以卷积层开始，接着使用8个Firemodules，最后以卷积层结束；
所述基于SqueezeNet深度学习分类模型训练，具体为：
删去原始预训练模型结构中最后一层卷积层与分类层，重新添加新的卷积层与分类层，将新的卷积层中的卷积核大小修改为1×1，卷积核数量修改为6，步长修改为1，“padding”参数修改为“same”，新的分类层中分类数量参数将自动匹配新添加卷积层中卷积核数量作为模型分类数；
使用Adam作为优化器，损失函数为categorical_crossentropy，在经过N次迭代后将学习率降低至预设值。
2.根据权利要求1所述的基于深度学习的花椒粉掺假快速识别方法，其特征在于，所述制作不同掺假比例的花椒粉样品，具体为：将纯花椒粉样品为空白组，掺假样品为玉米粉，选取10％、20％、30％、40％、50％5种不同原始掺假比例即掺假率；依次计算好每个掺假率下的花椒粉及掺杂粉的质量，置于振荡器中混匀后备用。
3.根据权利要求1所述的基于深度学习的花椒粉掺假快速识别方法，其特征在于，所述Fire modules由Squeeze部分和Expand部分组成，其中Squeeze部分是一组连续的1×1卷积组成，Expand部分则是由一组连续的1×1卷积和一组连续的3×3卷积Cancatnate组成。
4.一种基于深度学习的花椒粉掺假快速识别系统，其特征在于，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如权利要求1-3任一项所述的基于深度学习的花椒粉掺假快速识别方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111641245.9A CN114419366B (zh) | 2021-12-30 | 2021-12-30 | 基于深度学习的花椒粉掺假快速识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111641245.9A CN114419366B (zh) | 2021-12-30 | 2021-12-30 | 基于深度学习的花椒粉掺假快速识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114419366A CN114419366A (zh) | 2022-04-29 |
| CN114419366B true CN114419366B (zh) | 2024-07-26 |
Family
ID=81269310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111641245.9A Active CN114419366B (zh) | 2021-12-30 | 2021-12-30 | 基于深度学习的花椒粉掺假快速识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114419366B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118334649B (zh) * | 2024-06-13 | 2024-11-01 | 四川轻化工大学 | 一种鉴别藕粉掺假的方法、系统和存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200795A (zh) * | 2020-10-23 | 2021-01-08 | 苏州慧维智能医疗科技有限公司 | 一种基于深度卷积网络的大肠内窥镜息肉检测方法 |
| CN113239816A (zh) * | 2021-05-17 | 2021-08-10 | 华中农业大学 | 一种基于显微图像的鱼粉掺假识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020248416A1 (en) * | 2019-03-26 | 2021-10-07 | Tempus Ai, Inc. | Determining biomarkers from histopathology slide images |
| CN113610163B (zh) * | 2021-08-09 | 2024-08-09 | 安徽工业大学 | 一种基于知识蒸馏的轻量级苹果叶片病害识别方法 |
-
2021
- 2021-12-30 CN CN202111641245.9A patent/CN114419366B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200795A (zh) * | 2020-10-23 | 2021-01-08 | 苏州慧维智能医疗科技有限公司 | 一种基于深度卷积网络的大肠内窥镜息肉检测方法 |
| CN113239816A (zh) * | 2021-05-17 | 2021-08-10 | 华中农业大学 | 一种基于显微图像的鱼粉掺假识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114419366A (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | DeepFood: food image analysis and dietary assessment via deep model | |
| CN107688808B (zh) | 一种快速的自然场景文本检测方法 | |
| CN111178120B (zh) | 一种基于作物识别级联技术的害虫图像检测方法 | |
| WO2015180622A1 (zh) | 一种确定搜索查询词类别属性的方法和装置 | |
| CN110210294B (zh) | 优化模型的评价方法、装置、存储介质及计算机设备 | |
| CN110472082B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN102722713B (zh) | 一种基于李群结构数据的手写体数字识别方法及系统 | |
| CN110111902B (zh) | 急性传染病的发病周期预测方法、装置及存储介质 | |
| CN113723157B (zh) | 一种农作物病害识别方法、装置、电子设备及存储介质 | |
| CN107590460A (zh) | 人脸分类方法、装置及智能终端 | |
| CN114419366B (zh) | 基于深度学习的花椒粉掺假快速识别方法及系统 | |
| CN118094118B (zh) | 数据集质量评估方法、系统、电子设备及存储介质 | |
| CN110717806B (zh) | 产品信息推送方法、装置、设备及存储介质 | |
| Abrahantes et al. | A solution to separation for clustered binary data | |
| CN113780423A (zh) | 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型 | |
| CN105447566A (zh) | 训练装置、训练方法以及检测装置 | |
| CN110059212A (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
| CN110189799B (zh) | 基于变量重要性评分和奈曼皮尔逊检验的宏基因组特征选择方法 | |
| CN113255749A (zh) | 基于机器学习的大米品种快速识别方法 | |
| CN115272692A (zh) | 基于特征金字塔和特征融合的小样本图像分类方法及系统 | |
| CN112836754A (zh) | 一种面向图像描述模型泛化能力评估方法 | |
| CN112232288A (zh) | 一种基于深度学习的卫星图目标识别方法及系统 | |
| CN113780335B (zh) | 一种小样本商品图像分类方法、装置、设备及存储介质 | |
| Shifat et al. | A Real-time Junk Food Recognition System based on Machine Learning | |
| US20240012852A1 (en) | Image data bias detection with explainability in machine learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |