CN114778457A - 一种谷物中黄曲霉毒素b1含量检测方法及装置 - Google Patents

一种谷物中黄曲霉毒素b1含量检测方法及装置 Download PDF

Info

Publication number
CN114778457A
CN114778457A CN202210209977.9A CN202210209977A CN114778457A CN 114778457 A CN114778457 A CN 114778457A CN 202210209977 A CN202210209977 A CN 202210209977A CN 114778457 A CN114778457 A CN 114778457A
Authority
CN
China
Prior art keywords
target
content
sample
aflatoxin
grains
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.)
Pending
Application number
CN202210209977.9A
Other languages
English (en)
Inventor
田喜
周全
黄文倩
李江波
樊书祥
龙园
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Intelligent Equipment Technology Research Center of Beijing Academy of Agricultural and Forestry Sciences
Original Assignee
Intelligent Equipment Technology Research Center of Beijing Academy of Agricultural and Forestry Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Intelligent Equipment Technology Research Center of Beijing Academy of Agricultural and Forestry Sciences filed Critical Intelligent Equipment Technology Research Center of Beijing Academy of Agricultural and Forestry Sciences
Priority to CN202210209977.9A priority Critical patent/CN114778457A/zh
Publication of CN114778457A publication Critical patent/CN114778457A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种谷物中黄曲霉毒素B1含量检测方法及装置，包括：获取目标谷物的目标特征波长组；将所述目标特征波长组输入至含量检测模型，获取所述含量检测模型输出的所述目标谷物中黄曲霉毒素B1的含量等级；所述含量检测模型是通过对个样本特征波长组，以及所述样本特征波长组对应的含量等级标签进行训练后得到的。本发明提供的谷物中黄曲霉毒素B1含量检测方法及装置，通过含量检测模型对待测谷物的特征波长组进行识别和检测，能够在不破坏谷物的前提下检测出待测谷物中黄曲霉毒素B1的含量，有效扩大了检测方法的适用范围。

Description

一种谷物中黄曲霉毒素B1含量检测方法及装置
技术领域
本发明涉及分析检测技术领域，尤其涉及一种谷物中黄曲霉毒素B1含量检测方法及装置。
背景技术
黄曲霉毒素B1(Aflatoxin B1，AFB1)是一种剧毒的真菌毒素，对人体具有潜在的致癌和致畸作用。玉米籽粒因其营养丰富，极易感染真菌(如黄曲霉感染)而产生二次代谢产物AFB1。
传统的对玉米籽粒中AFB1的检测主要采用的是生化方法，如质谱法、气相色谱法、薄层色谱法、高效液相色谱法等。
以上方法均对待检测样本具有破坏性。
发明内容
本发明提供一种谷物中黄曲霉毒素B1含量检测，用以解决现有技术中会破坏待检测样本的缺陷，实现谷物中黄曲霉毒素B1含量检测。
本发明提供一种谷物中黄曲霉毒素B1含量检测，包括：
获取目标谷物的目标特征波长组；
将所述目标特征波长组输入至含量检测模型，获取所述含量检测模型输出的所述目标谷物中黄曲霉毒素B1的含量等级；所述含量检测模型是通过对个样本特征波长组，以及所述样本特征波长组对应的含量等级标签进行训练后得到的。
根据本发明提供的一种谷物中黄曲霉毒素B1含量检测，所述获取目标谷物的目标特征波长组，包括：
获取所述目标谷物的目标高光谱图像；
在所述目标高光谱图像中提取预设区域内的目标光谱数据；
在所述目标光谱数据中确定目标特征波长组。
根据本发明提供的一种谷物中黄曲霉毒素B1含量检测，所述在所述目标高光谱图像中提取预设区域内的目标光谱数据，包括：
对所述目标高光谱图像进行去干扰处理，获取预设区域内的初始光谱数据；
对所述初始光谱数据进行平滑滤波和一阶求导，获取目标光谱数据。
根据本发明提供的一种谷物中黄曲霉毒素B1含量检测，所述在所述目标光谱数据中确定目标特征波长组，包括：
在所述目标光谱数据中确定交叉验证的均方根误差值最小的初选特征波长组；
在所述初选特征波长组中，根据每个波长下的所述目标谷物的灰度信息，获取每个波长对应的归一化灰度分布；
根据每个归一化灰度分布，确定所述每个波长下的灰度差异特征值；
根据所述每个波长下的灰度差异特征值，在所述目标光谱数据中确定目标特征波长组。
根据本发明提供的一种谷物中黄曲霉毒素B1含量检测，在所述将所述目标特征波长组输入至含量检测模型之前，还包括：
获取多个样本谷物的样本高光谱图像和黄曲霉毒素B1的含量等级标签；
在每个样本高光谱图像中提取预设区域内的样本光谱数据；
在每个样本光谱数据中确定样本特征波长组；
将每个样本玉米的样本特征组与所述含量等级标签的组合作为训练样本，获取多个训练样本；
利用所述训练样本对含量检测模型进行训练。
根据本发明提供的一种谷物中黄曲霉毒素B1含量检测，所述利用所述训练样本对含量检测模型进行训练，包括：
对于任意一个训练样本，将所述训练样本输入至所述含量检测模型，输出所述训练样本对应的预测含量等级；
利用预设损失函数根据所述训练样本对应的预测含量等级和所述训练样本中的含量等级标签计算损失值；
在所述损失值小于预设阈值的情况下，所述含量检测模型训练完成。
本发明还提供一种谷物中黄曲霉毒素B1含量检测装置，包括：
获取模块，用于获取目标谷物的目标特征波长组；
检测模块，用于将所述目标特征波长组输入至含量检测模型，获取所述含量检测模型输出的所述目标谷物中黄曲霉毒素B1的含量等级；所述含量检测模型是通过对个样本特征波长组，以及所述样本特征波长组对应的含量等级标签进行训练后得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述谷物中黄曲霉毒素B1含量检测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述谷物中黄曲霉毒素B1含量检测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述谷物中黄曲霉毒素B1含量检测方法。
本发明提供的谷物中黄曲霉毒素B1含量检测方法及装置，通过含量检测模型对待测谷物的特征波长组进行识别和检测，能够在不破坏谷物的前提下检测出待测谷物中黄曲霉毒素B1的含量，有效扩大了检测方法的适用范围。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的谷物中黄曲霉毒素B1含量检测方法的流程示意图；
图2是本发明提供的CARS算法中采样波长数与采样次数的关系的示意图；
图3是本发明提供的CARS算法中RMSECV值与采样次数的关系的示意图；
图4是本发明提供的CARS算法选择的特征波长的示意图；
图5是本发明提供的特征波长细选方法的流程示意图；
图6是本发明提供的GDI计算的特征值的示意图；
图7是本发明提供的GDI选择的特征波长的示意图；
图8是本发明提供的谷物中黄曲霉毒素B1含量检测装置的结构示意图；
图9是本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1至图9描述本发明的实施例所提供的谷物中黄曲霉毒素B1含量检测方法及装置。
图1是本发明提供的谷物中黄曲霉毒素B1含量检测方法的流程示意图，如图1所示，包括但不限于以下步骤：
首先，在步骤S1中，获取目标谷物的目标特征波长组。
其中，目标谷物可以是玉米籽粒、糙米、燕麦等作物，在本发明后续实施例中均以对玉米籽粒进行黄曲霉毒素含量检测为例进行说明，其不视为对本发明保护范围的限定。
目标特征波长组可以是在目标谷物的高光谱图像中选取的。
具体地，获取目标谷物的高光谱图像，对高光谱图像进行去噪处理，在高光谱图像中，选择多个各组样本的信息差异大的特征波长，作为目标特征波长组。
进一步地，在步骤S2中，将所述目标特征波长组输入至含量检测模型，获取所述含量检测模型输出的所述目标谷物中黄曲霉毒素B1的含量等级；所述含量检测模型是通过对个样本特征波长组，以及所述样本特征波长组对应的含量等级标签进行训练后得到的。
根据对多个神经网络模型的测试，线性判别分析(Linear DiscriminantAnalysis，LDA)模型的准确率最高，检测效果最好，故含量检测模型可以是基于LDA模型构建的。
黄曲霉毒素B1的含量等级可以包括：0ppb(part per million)、10ppb、20ppb、50ppb和100ppb。
具体地，将目标特征波长组输入至含量检测模型，由含量检测模型根据目标特征波长进行黄曲霉毒素B1的含量检测，输出目标谷物中黄曲霉毒素B1的含量等级。
本发明提供的谷物中黄曲霉毒素B1含量检测方法，通过含量检测模型对待测谷物的特征波长组进行识别和检测，能够在不破坏谷物的前提下检测出待测谷物中黄曲霉毒素B1的含量，有效扩大了检测方法的适用范围。
可选的，所述获取目标谷物的目标特征波长组，包括：
获取所述目标谷物的目标高光谱图像；
在所述目标高光谱图像中提取预设区域内的目标光谱数据；
在所述目标光谱数据中确定目标特征波长组。
具体地，选取外观完整、粒径大致相同的玉米种子为样本，每粒种子重约0.5克(g)。准备适量的2微克/毫升(μg/mL)的AFB1毒素和甲醇溶液，通过改变毒素与甲醇的混合比例，制备了四种浓度为0.2μg/mL、0.4μg/mL、1.0μg/mL和2.0μg/mL的稀释剂。根据单个玉米粒的重量，使用精密移液枪每次将25微升(μL)稀释剂接种到每个玉米粒的胚面，以获得具有四种不同AFB1浓度为10ppb、20ppb、50ppb和100ppb的样本；另外，制备一组不含AFB1的样本作为对照组，对照组每个样品单独用25μL甲醇处理，以尽可能消除稀释液处理的影响。
进一步地，利用光谱仪采集400纳米(nm)至1000nm波长范围的光谱，共包含778个波段，光谱的光谱间隔为0.775nm；一个14位的可见光-短波近红外(Visible-short wavenear infrared，Vis-SWNIR)电子倍增电荷耦合器(Electron-Multiplying Charge-coupled Device，EMCCD)照相机用于样本的可见光-近红外范围的高光谱成像；其中，光谱仪型号可以为ImSpector V10E、Spectral Imaging Ltd、Oulu或Finland；照相机的型号可以为Andor Luca EMCCD DL-604M、Andor Technology plc或N.Ireland。
采用光谱仪采集1000nm至2500nm波长范围的光谱，共包含256个波段，光谱的光谱间隔为6.32nm；一个14位长波近红外(Long wave near infrared，LWNIR)电荷耦合(Charge-coupled Device，CCD)器相机(Xeva-2.5-320,Xenics Ltd，Belgium)用于样本的长波近红外范围的高光谱成像，以及相关的光源和平台等其他设备。
由于获取的Vis-SWNIR高光谱图像由1000个跨度在325nm至1100nm的全等子图像组成，而LWNIR高光谱图像由256个跨度在930至2548nm的全等子图像组成。为了平衡两台光谱仪的波段间隔，使得进行光谱融合后的波长间隔基本一致，在Vis-SWNIR区域内以每八个波长间隔提取一个波长，即从原始的1000个波长中提取出125个波长用于分析。
可选地，所述在所述目标高光谱图像中提取预设区域内的目标光谱数据，包括：
对所述目标高光谱图像进行去干扰处理，获取预设区域内的初始光谱数据；
对所述初始光谱数据进行平滑滤波和一阶求导，获取目标光谱数据。
其中，去除光谱两端存在严重干扰的区域之后光谱所在的区域，可以称为预设区域。
具体地，采集到的种子高光谱信息后，提取种子全表面区域的高光谱图像，并在每个波段下将每个种子全表面区域的光谱压缩为一条光谱以减小数据运算量。由于这些光谱信息往往还包含仪器的噪声，以及由于样本自身温度、大小等生理差异而产生的基线漂移、样品表面散射及光程变化等等，因此对光谱进行预处理变得十分关键和必要。
首先去除光谱两端存在严重干扰的区域，然后采用Savitzky–Golay(SG)平滑滤波和一阶求导(First Derivation，FD)结合的预处理方法。预处理后的目标光谱数据包含500nm至2000nm的240个波段。
高光谱图像是一个包含了丰富的光谱信息和图像信息的数据立方体，虽然能够在大量不同的波段下观察到物体的灰度图像信息，巨大的数据量给数据建模带来了困难，很容易导致休斯现象(Hughes)的产生。因此，对高光谱图像进行降维是非常必要的，而选择目标信息的几个有效波长是减少计算量、提高模型性能的有效方法。高光谱成像已成为农作物及食品安全检测的一种新途径，并应用到玉米籽粒的AFB1检测中。
以往对于特征波长选择的研究主要使用光谱信息挑选特征波长，而忽视了图像信息。本发明将光谱与图像信息进行融合，用于对特征波长进行筛选，并在所选择的特征波长的基础上，建立针对玉米籽粒AFB1浓度的含量检测模型。
可选地，所述在所述目标光谱数据中确定目标特征波长组，包括：
在所述目标光谱数据中确定交叉验证的均方根误差值最小的初选特征波长组；
在所述初选特征波长组中，根据每个波长下的所述目标谷物的灰度信息，获取每个波长对应的归一化灰度分布；
根据每个归一化灰度分布，确定所述每个波长下的灰度差异特征值；
根据所述每个波长下的灰度差异特征值，在所述目标光谱数据中确定目标特征波长组。
竞争自适应加权采样(Competitive adaptive reweighted sampling，CARS)是一种优秀的变量选择算法，大量的研究表明，该算法在高光谱特征波长选择方面具有很好的效果。本发明基于该算法对高光谱关键波长进行初次选择，采样运行前，蒙特卡罗样本运行数和交叉验证数分别设置为50和10。
图2是本发明提供的CARS算法中采样波长数与采样次数的关系的示意图，如图2所示，横坐标为采样次数(Number of sampling runs)，纵坐标为被选择变量数(Number ofsampled variables)；图3是本发明提供的CARS算法中RMSECV值与采样次数的关系的示意图，如图3所示，横坐标为采样次数(Number of sampling runs)，纵坐标为RMSECV值。
图2和图3分别表示了所选波段的个数、以及交叉验证的均方根误差(RMSECV)值随采样次数的增加而变化的规律，图中的星号线表示RMSECV值达到最低点时的状态。
图4是本发明提供的CARS算法选择的特征波长的示意图，如图4所示，横坐标为波长(Wavelength)，单位为nm，纵坐标为反射系数(reflectance)，其中，线条为目标光谱数据(spectrum of a sample)，方块为选择特征波长(selected bands)。图4显示了由CARS算法所选择的所有25个特征波长，组成了初选特征波长组。
由于特征波长选择的计算过程较为消耗时间，因此在利用该算法进行波长选择前，利用CARS算法对特征波长进行粗选，以尽可能降低高光谱图像的数据维数。在利用CARS算法进行波长粗选的基础上，利用本章实验所提出的图像灰度差信息(Gray-valueDifference of Images，GDI)进行特征波长的细选。
对于粗选后的各个波长，在每个波长下的图像中样本的感兴趣区域(Region OfInterest，ROI)内，假设D(i，j，k)是某一像素点(i，j)在第k个波长处的灰度值，其中k＝1、2、…、K，K是波长总数；i＝1、2、…、I，I是相机的水平像素数；j＝1、2、…、J，J是相机的垂直像素数。
提取不同波长下样本的灰度信息。以波长k下的图像为例，对于图像的每个像素，其灰度值可视为在0至255范围内的随机变量，计算每组样本图像中各个不同灰度级的概率分布密度Pd，计算方法如下所示：
Figure BDA0003532802310000091
其中，hd是图像中灰度值为d的像素总数；r是图像中的像素总数，r＝I×J。
计算各组样本在各波长处灰度值分别为0至255的Pd值，形成归一化灰度分布。在相同的波长下，如果不同组的归一化灰度分布差异越大，则说明该波长下各组样本的信息差异越大，有利于分类模型的建立；相反，如果该波长下不同组的归一化灰度分布差异越小，说明其信息差异越小，则不利于分类模型的建立。其中，归一化灰度分布可以是各灰度值比例。
图5是本发明提供的特征波长细选方法的流程示意图，如图5所示，对于任意初选后波长第一组至第五组(Group1、Group2、Group3、Group4和Group5)的不同波长，在Group1至Group5的归一化灰度分布图中，横坐标为灰度值(Gray value)，纵坐标为比例(Proportion)，纵坐标之和等于1；定义特征值Eo来表示每个波长下不同组间归一化灰度分布图的差异，计算方法如下所示：
Figure BDA0003532802310000101
其中，d表示灰度值；m和n分别表示两个不同AFB1浓度的组。
计算出各波长下的灰度差异特征值Eo，若某一波长下的Eo值较小，说明该波长下，各个组间灰度图差异较大，则该波长下的数据有利于分类模型的建立。
为了便于观察和计算，取特征值Eo的倒数作为新的特征值，用Ex表示，计算方法如下所示：
Figure BDA0003532802310000102
由于特征值Ex的大小反映了各个组间灰度图差异大小，为了选择各组间特征差异最大的几个波长，选择最大的X个特征值Ex对应的波长即为本算法所选择的特征波长，X为选择的特征波长个数。
对于CARS算法所选取的25个特征波长，根据GDI算法计算每个波长下的特征值En，选择最大的若干个特征值En对应的波长作为GDI所选择的特征波长。
图6是本发明提供的GDI计算的特征值的示意图，如图6所示，横坐标为特性波长序列号(Serial number of characteristic wavelength)，纵坐标为特征值(Eigenvalue)；图7是本发明提供的GDI选择的特征波长的示意图，如图7所示，横坐标为波长(Wavelength)，单位为nm，纵坐标为反射系数(reflectance)，其中，线条为目标光谱数据(spectrum of a sample)，方块为选择特征波长(selected bands)。
利用CARS进行特征波长的粗选后，计算出的各波长下的GDI特征值和最终选定的10个特征波长如图6和图7所示。由于某一波长下的GDI特征值越大，则该波长作为特征波长的概率就越高，因此选出10个最大的GDI特征值对应的10个波长作为目标特征波长组，所选特征波长的顺序为1373.0nm、1366.7nm、1872.5nm、1796.1nm、1840.6nm、1815.2nm、1824.5nm、1834.3nm、1827.9nm和1216.6nm。
可选地，在所述将所述目标特征波长组输入至含量检测模型之前，还包括：
获取多个样本谷物的样本高光谱图像和黄曲霉毒素B1的含量等级标签；
在每个样本高光谱图像中提取预设区域内的样本光谱数据；
在每个样本光谱数据中确定样本特征波长组；
将每个样本玉米的样本特征组与所述含量等级标签的组合作为训练样本，获取多个训练样本；
利用所述训练样本对含量检测模型进行训练。
可选地，所述利用所述训练样本对含量检测模型进行训练，包括：
对于任意一个训练样本，将所述训练样本输入至所述含量检测模型，输出所述训练样本对应的预测含量等级；
利用预设损失函数根据所述训练样本对应的预测含量等级和所述训练样本中的含量等级标签计算损失值；
在所述损失值小于预设阈值的情况下，所述含量检测模型训练完成。
其中，预设阈值可以根据对含量检测模型的检测精度的要求灵活选取，预设阈值越小，含量检测模型的检测精度越高。
所有样本包括五个具有不同AFB1浓度的样本组，共350个样本样，即四组不同AFB1含量的样本和一组不含AFB1的对照样本，每组包含70个样本。
采用Kennard-Stone算法将所有样本划分为校正准和预测集，在每组样本中，选取40个样本作为校正样本，其余的30个样本作为预测样本。在利用CARS特征波长进行粗选的基础上，采用GDI算法对特征波长进行进一步的筛选。通过CARS-GDI进行两次特征波长选择，结合LDA分类模型，取得了理想的检测效果。
表1是AFB1含量预测结果的混淆矩阵，当选取10个特征波长时，对于校正集和预测集测试的准确率分别达到了97.00％和94.67％，其具体的测试结果如表1所示。
表1 AFB1含量预测结果的混淆矩阵
Figure BDA0003532802310000121
表1的结果表明，本章所提出方法的测试结果比较理想，对于校正集和预测集的样本均取得了较好的测试效果。在预测集中，对于未污染的样本和10ppb的样本全部被正确识别；对于20ppb样本组，有4个样本被误认为50ppb；对于50ppb组，一个样本被误认为是20ppb。对于100ppb组，三个样本被预测为50ppb。这些错误的结果主要是由于相邻浓度组样本的光谱特性非常近似所致，另外，种子样本形状的差别对于光谱反射率略有影响，也是造成错误识别的一个原因。
基于本发明提出的方法，在选取十个特征波长时，对预测集样本中AFB1浓度检测的平均准确率达到了94.67％，达到了理想的实验效果。本发明对玉米种子AFB1浓度的检测和高光谱图像特征波长选择提供了一种新途径。
本发明提供的黄曲霉毒素B1浓度判别模型建立方法，基于联合的可见短波近红外和长波近红外高光谱图像信息，首先利用竞争自适应加权采样进行第一次特征波长初选，再利用图像的灰度信息进行第二次特征波长优选，最后基于二次筛选后的特征波长数据，结合线性判别分析算法构建玉米籽粒的AFB1浓度的判别模型。该方法融合光谱和图像信息进行了特征波长选择，考虑的光谱和图像信息中黄曲霉毒素信息，且在保证检测精度的基础上，缩短了波长数量，提高了黄曲霉毒素B1浓度的判别速度。
针对现有的检测技术都需要专门的仪器，不适合在线检测，限制了其常规使用的可行性，本发明一种可选的实施例，首先制备5种不同AFB1浓度的玉米籽粒样本(0ppb、10ppb、20ppb、50ppb、100ppb)。在获取所有样本的Vis-SWNIR和LWNIR高光谱图像的基础上，提取种子预设区域的光谱数据并进行预处理，得了波长范围在500至2000nm的目标光谱数据。
预处理后的目标光谱数据利用CARS进行特征波长从初选，从240个波段中选出25个波长，作为初选特征波长组；再利用图像的灰度信息对初选特征波长组进行特征波长的二次筛选，进一步从25个波长内筛选出10个特征波长，作为目标特征波长组。
利用二次筛选后的10个波长下的数据，结合LDA模型建立玉米籽粒的AFB1浓度的判别模型，经测试，对预测集样本测试准确率达到了94.67％，可以看出，本发明提出的CARS-GDI组合的特征波长选择算法结合LDA分类模型对玉米种子的AFB1浓度区分达到了很好的效果，实现了谷物中黄曲霉毒素B1含量的在线检测，具有常规使用的可行性。
下面对本发明提供的谷物中黄曲霉毒素B1含量检测装置进行描述，下文描述的谷物中黄曲霉毒素B1含量检测装置与上文描述的谷物中黄曲霉毒素B1含量检测方法可相互对应参照。
图8是本发明提供的谷物中黄曲霉毒素B1含量检测装置的结构示意图，如图8所示，包括：
获取模块801，用于获取目标谷物的目标特征波长组；
检测模块802，用于将所述目标特征波长组输入至含量检测模型，获取所述含量检测模型输出的所述目标谷物中黄曲霉毒素B1的含量等级；所述含量检测模型是通过对个样本特征波长组，以及所述样本特征波长组对应的含量等级标签进行训练后得到的。
首先，获取模块801获取目标谷物的目标特征波长组。
其中，目标谷物可以是玉米籽粒、糙米、燕麦等作物，在本发明后续实施例中均以对玉米籽粒进行黄曲霉毒素含量检测为例进行说明，其不视为对本发明保护范围的限定。
目标特征波长组可以是在目标谷物的高光谱图像中选取的。
具体地，获取目标谷物的高光谱图像，对高光谱图像进行去噪处理，在高光谱图像中，选择多个各组样本的信息差异大的特征波长，作为目标特征波长组。
进一步地，检测模块802将所述目标特征波长组输入至含量检测模型，获取所述含量检测模型输出的所述目标谷物中黄曲霉毒素B1的含量等级；所述含量检测模型是通过对个样本特征波长组，以及所述样本特征波长组对应的含量等级标签进行训练后得到的。
根据对多个神经网络模型的测试，LDA模型的准确率最高，检测效果最好，故含量检测模型可以是基于LDA模型构建的。
黄曲霉毒素B1的含量等级可以包括：10ppb、10ppb、20ppb、50ppb和100ppb。
具体地，将目标特征波长组输入至含量检测模型，由含量检测模型根据目标特征波长进行黄曲霉毒素B1的含量检测，输出目标谷物中黄曲霉毒素B1的含量等级。
本发明提供的谷物中黄曲霉毒素B1含量检测装置，通过含量检测模型对待测谷物的特征波长组进行识别和检测，能够在不破坏谷物的前提下检测出待测谷物中黄曲霉毒素B1的含量，有效扩大了检测方法的适用范围。
图9是本发明提供的电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行谷物中黄曲霉毒素B1含量检测方法，该方法包括：获取目标谷物的目标特征波长组；将所述目标特征波长组输入至含量检测模型，获取所述含量检测模型输出的所述目标谷物中黄曲霉毒素B1的含量等级；所述含量检测模型是通过对个样本特征波长组，以及所述样本特征波长组对应的含量等级标签进行训练后得到的。
此外，上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的谷物中黄曲霉毒素B1含量检测方法，该方法包括：获取目标谷物的目标特征波长组；将所述目标特征波长组输入至含量检测模型，获取所述含量检测模型输出的所述目标谷物中黄曲霉毒素B1的含量等级；所述含量检测模型是通过对个样本特征波长组，以及所述样本特征波长组对应的含量等级标签进行训练后得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的谷物中黄曲霉毒素B1含量检测方法，该方法包括：获取目标谷物的目标特征波长组；将所述目标特征波长组输入至含量检测模型，获取所述含量检测模型输出的所述目标谷物中黄曲霉毒素B1的含量等级；所述含量检测模型是通过对个样本特征波长组，以及所述样本特征波长组对应的含量等级标签进行训练后得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种谷物中黄曲霉毒素B1含量检测方法，其特征在于，包括：
获取目标谷物的目标特征波长组；
将所述目标特征波长组输入至含量检测模型，获取所述含量检测模型输出的所述目标谷物中黄曲霉毒素B1的含量等级；所述含量检测模型是通过对个样本特征波长组，以及所述样本特征波长组对应的含量等级标签进行训练后得到的。
2.根据权利要求1所述的谷物中黄曲霉毒素B1含量检测方法，其特征在于，所述获取目标谷物的目标特征波长组，包括：
获取所述目标谷物的目标高光谱图像；
在所述目标高光谱图像中提取预设区域内的目标光谱数据；
在所述目标光谱数据中确定目标特征波长组。
3.根据权利要求2所述的谷物中黄曲霉毒素B1含量检测方法，其特征在于，所述在所述目标高光谱图像中提取预设区域内的目标光谱数据，包括：
对所述目标高光谱图像进行去干扰处理，获取预设区域内的初始光谱数据；
对所述初始光谱数据进行平滑滤波和一阶求导，获取目标光谱数据。
4.根据权利要求3所述的谷物中黄曲霉毒素B1含量检测方法，其特征在于，所述在所述目标光谱数据中确定目标特征波长组，包括：
在所述目标光谱数据中确定交叉验证的均方根误差值最小的初选特征波长组；
在所述初选特征波长组中，根据每个波长下的所述目标谷物的灰度信息，获取每个波长对应的归一化灰度分布；
根据每个归一化灰度分布，确定所述每个波长下的灰度差异特征值；
根据所述每个波长下的灰度差异特征值，在所述目标光谱数据中确定目标特征波长组。
5.根据权利要求1至4任一项所述的谷物中黄曲霉毒素B1含量检测方法，其特征在于，在所述将所述目标特征波长组输入至含量检测模型之前，还包括：
获取多个样本谷物的样本高光谱图像和黄曲霉毒素B1的含量等级标签；
在每个样本高光谱图像中提取预设区域内的样本光谱数据；
在每个样本光谱数据中确定样本特征波长组；
将每个样本玉米的样本特征组与所述含量等级标签的组合作为训练样本，获取多个训练样本；
利用所述训练样本对含量检测模型进行训练。
6.根据权利要求5所述的谷物中黄曲霉毒素B1含量检测方法，其特征在于，所述利用所述训练样本对含量检测模型进行训练，包括：
对于任意一个训练样本，将所述训练样本输入至所述含量检测模型，输出所述训练样本对应的预测含量等级；
利用预设损失函数根据所述训练样本对应的预测含量等级和所述训练样本中的含量等级标签计算损失值；
在所述损失值小于预设阈值的情况下，所述含量检测模型训练完成。
7.一种谷物中黄曲霉毒素B1含量检测装置，其特征在于，包括：
获取模块，用于获取目标谷物的目标特征波长组；
检测模块，用于将所述目标特征波长组输入至含量检测模型，获取所述含量检测模型输出的所述目标谷物中黄曲霉毒素B1的含量等级；所述含量检测模型是通过对个样本特征波长组，以及所述样本特征波长组对应的含量等级标签进行训练后得到的。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述谷物中黄曲霉毒素B1含量检测方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述谷物中黄曲霉毒素B1含量检测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述谷物中黄曲霉毒素B1含量检测方法。
CN202210209977.9A 2022-03-04 2022-03-04 一种谷物中黄曲霉毒素b1含量检测方法及装置 Pending CN114778457A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210209977.9A CN114778457A (zh) 2022-03-04 2022-03-04 一种谷物中黄曲霉毒素b1含量检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210209977.9A CN114778457A (zh) 2022-03-04 2022-03-04 一种谷物中黄曲霉毒素b1含量检测方法及装置

Publications (1)

Publication Number Publication Date
CN114778457A true CN114778457A (zh) 2022-07-22

Family

ID=82424126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210209977.9A Pending CN114778457A (zh) 2022-03-04 2022-03-04 一种谷物中黄曲霉毒素b1含量检测方法及装置

Country Status (1)

Country Link
CN (1) CN114778457A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024040292A1 (en) * 2022-08-24 2024-02-29 Surenut Pty Ltd Improved method for classification of an edible seed and a scanning device therefor

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024040292A1 (en) * 2022-08-24 2024-02-29 Surenut Pty Ltd Improved method for classification of an edible seed and a scanning device therefor

Similar Documents

Publication Publication Date Title
Azcarate et al. Data handling in data fusion: Methodologies and applications
Padarian et al. Using deep learning to predict soil properties from regional spectral data
Giraudo et al. Determination of the geographical origin of green coffee beans using NIR spectroscopy and multivariate data analysis
Zhang et al. Nondestructive measurement of soluble solids content in apple using near infrared hyperspectral imaging coupled with wavelength selection algorithm
Berrueta et al. Supervised pattern recognition in food analysis
Bauriegel et al. Early detection of Fusarium infection in wheat using hyper-spectral imaging
Ataş et al. A new approach to aflatoxin detection in chili pepper by machine vision
US20220051074A1 (en) Quantitative spectral data analysis and processing method based on deep learning
Oliveira et al. Classification of fermented cocoa beans (cut test) using computer vision
Bontemps et al. An object-based change detection method accounting for temporal dependences in time series with medium to coarse spatial resolution
Shao et al. Visible/near-infrared spectra for linear and nonlinear calibrations: a case to predict soluble solids contents and pH value in peach
Zhou et al. Non-destructive discrimination of the variety of sweet maize seeds based on hyperspectral image coupled with wavelength selection algorithm
Barbedo et al. Deoxynivalenol screening in wheat kernels using hyperspectral imaging
Zhang et al. Noise reduction in the spectral domain of hyperspectral images using denoising autoencoder methods
Kalkan et al. Detection of contaminated hazelnuts and ground red chili pepper flakes by multispectral imaging
Wang et al. Feasibility of detecting aflatoxin B1 on inoculated maize kernels surface using Vis/NIR hyperspectral imaging
Yan et al. Nondestructive phenolic compounds measurement and origin discrimination of peated barley malt using near-infrared hyperspectral imagery and machine learning
Xing et al. Bruise detection on Jonagold apples by visible and near-infrared spectroscopy
CN113030001B (zh) 一种水果糖度检测方法及系统
Chen et al. Fast detection of cumin and fennel using NIR spectroscopy combined with deep learning algorithms
US7693689B2 (en) Noise-component removing method
Yun et al. Identification of tea based on CARS‐SWR variable optimization of visible/near‐infrared spectrum
Pang et al. Detection of early bruises on apples using hyperspectral imaging combining with YOLOv3 deep learning algorithm
Yuan et al. An application to analyzing and correcting for the effects of irregular topographies on NIR hyperspectral images to improve identification of moldy peanuts
Ropelewska The application of image processing for cultivar discrimination of apples based on texture features of the skin, longitudinal section and cross-section

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