CN115630329A - 一种基于卷积神经网络的食用香精分类方法 - Google Patents
一种基于卷积神经网络的食用香精分类方法 Download PDFInfo
- Publication number
- CN115630329A CN115630329A CN202210666316.9A CN202210666316A CN115630329A CN 115630329 A CN115630329 A CN 115630329A CN 202210666316 A CN202210666316 A CN 202210666316A CN 115630329 A CN115630329 A CN 115630329A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- method based
- spectral data
- classification method
- 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
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于卷积神经网络的食用香精分类方法,包括以下步骤:步骤一,采集;步骤二,得到训练样本;步骤三,得出结果;其中在上述步骤一中,使用手持拉曼光谱仪采集三种食用香精光谱数据;其中在上述步骤二中,采用左右平移、线性叠加、加入强度不等的白噪声三种方法对光谱数据增强,得到足够数量的训练样本;该发明,选择以拉曼光谱法采集到的样本作为检测数据,摒弃传统的机器学习分类方法,选用基于LeNet‑5卷积神经网络改进的1‑DLeNet‑5网络对样本进行训练和分类;此方法不需要对光谱数据进行预处理,可大大缩短检测时间,提高检测效率,且卷积神经网络可自动学习和提取特征,降低了人工成本和时间成本,同时能够得到更准确的分类结果。
Description
技术领域
本发明涉及食用香精分类技术领域,具体为一种基于卷积神经网络的食用香精分类方法。
背景技术
由于食用香精中含有大量混合物成分,通常需要精密的检测设备和较长时间的样本处理流程,对于食用香精主成分分类的准确率也难达到较高水平。目前,食用香精检测主要分为光谱法和色谱-质谱法。在光谱分类方法上,传统的机器学习算法通常包括三部分,分别为光谱预处理、特征提取和建模分析,数据量庞大,需要耗费大量人工成本和时间成本。食用香精检测的具体方法包括:
(1)原子光谱法
优点:选择性强;精密度高;灵敏度高;
缺点:不可进行多元素同时分析;标准工作曲线线性范围窄,抗干扰能力弱;
(2)红外光谱法
优点:分析速度快、成本低、无污染;
缺点:灵敏度低;对于分散性样品有较大局限性;
(3)拉曼光谱法
优点:不损伤样品;分类速度快;耐高低温、耐高压;
缺点:操作复杂;人工提取特征;检测时间长;
(4)气相色谱-质谱法
优点:分离效率高,分析速度快;应用范围广;灵敏度高;
缺点:设备成本和后期维护成本都很高;定量和定性分析时,都需要已知样本对输出信号进行校正;
(5)液相色谱-质谱法
其优缺点与气相色谱-质谱法相似;
基于上述,设计一种基于卷积神经网络的食用香精分类方法是很有必要的。
发明内容
本发明的目的在于提供一种基于卷积神经网络的食用香精分类方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于卷积神经网络的食用香精分类方法,包括以下步骤:步骤一,采集;步骤二,得到训练样本;步骤三,得出结果;
其中在上述步骤一中,使用手持拉曼光谱仪采集三种食用香精光谱数据;
其中在上述步骤二中,采用左右平移、线性叠加、加入强度不等的白噪声三种方法对光谱数据增强,得到足够数量的训练样本;
其中在上述步骤三中,将样本数据输入到一维卷积神经网络,得到分类准确率结果。
优选的,所述步骤一中,三种食用香精光谱数据分别为香兰素、甲基香兰素和乙基香兰素。
优选的,所述步骤一中,使用Origin软件对采集到的拉曼光谱信号进行特征峰分析。
优选的,所述步骤三中,样本数据包括70%作为训练集,20%作为测试集,10%作为验证集。
优选的,所述步骤三中,卷积神经网络设计流程为:
1)模块设计:1-D LeNet-5模型包含2个卷积层,2个池化层,2个全连接层和一个Softmax分类输出层,一维卷积核尺寸为(10×1)和(5×1),每条拉曼光谱以一维张量形式输入到神经网络中,卷积层使用线性修正单元变体LeakyReLU作为激活函数;
2)性能优化:为避免过拟合,提高泛化性能,在每层神经网络后加入批标准化层BN,使用Dropout方法在全连接层对神经元随机失活,随机失活比例为0.5;全连接层的神经元个数设置为128个,避免欠拟合;
3)参数设计:使用交叉熵损失函数,损失函数下降采用Adam优化算法,参数设置为β1=0.9,β2=0.999,ε=10-8,η=0.001为实现一维卷积神经网络模型有序参数更新和快速收敛,批处理样本数目设置为50。
与现有技术相比,本发明的有益效果是:该一种基于卷积神经网络的食用香精分类方法,首先本发明基于现有方法存在的缺陷,优化了一种食用香精拉曼光谱检测算法,不需要人工提取特征,也无需对光谱数据预处理,操作简单、检测时间短、灵敏度高;其次,卷积神经网络处理拉曼光谱仍处在起步阶段,网络结构和参数设计对准确率的影响方面没有统一的结论,本设计开发的一维卷积神经网络在保证光谱完整性的同时,对分类准确率有较高提升,今后可作为食用香精分类的一种方法直接使用。
附图说明
图1为本发明的方法流程图;
图2为本发明的方法原理流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
请参阅图1-2,本发明提供的一种实施例:一种基于卷积神经网络的食用香精分类方法,包括以下步骤:步骤一,采集;步骤二,得到训练样本;步骤三,得出结果;
其中在上述步骤一中,使用手持拉曼光谱仪采集三种食用香精光谱数据,三种食用香精光谱数据分别为香兰素、甲基香兰素和乙基香兰素,使用Origin软件对采集到的拉曼光谱信号进行特征峰分析;
其中在上述步骤二中,采用左右平移、线性叠加、加入强度不等的白噪声三种方法对光谱数据增强,得到足够数量的训练样本;
其中在上述步骤三中,将样本数据输入到一维卷积神经网络,得到分类准确率结果,样本数据包括70%作为训练集,20%作为测试集,10%作为验证集;卷积神经网络设计流程为:
1)模块设计:1-D LeNet-5模型包含2个卷积层,2个池化层,2个全连接层和一个Softmax分类输出层,一维卷积核尺寸为(10×1)和(5×1),每条拉曼光谱以一维张量形式输入到神经网络中,卷积层使用线性修正单元变体LeakyReLU作为激活函数;
2)性能优化:为避免过拟合,提高泛化性能,在每层神经网络后加入批标准化层BN,使用Dropout方法在全连接层对神经元随机失活,随机失活比例为0.5;全连接层的神经元个数设置为128个,避免欠拟合;
3)参数设计:使用交叉熵损失函数,损失函数下降采用Adam优化算法,参数设置为β1=0.9,β2=0.999,ε=10-8,η=0.001为实现一维卷积神经网络模型有序参数更新和快速收敛,批处理样本数目设置为50。
基于上述,本发明的优点在于,该发明,选择以拉曼光谱法采集到的样本作为检测数据,摒弃传统的机器学习分类方法,选用基于LeNet-5卷积神经网络改进的1-D LeNet-5网络对样本进行训练和分类;不需要人工提取特征,也无需对光谱数据预处理,操作简单、检测时间短、灵敏度高;同时在保证光谱完整性的同时,对分类准确率有较高提升,今后可作为食用香精分类的一种方法直接使用。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (5)
1.一种基于卷积神经网络的食用香精分类方法,包括以下步骤:
步骤一,采集;步骤二,得到训练样本;步骤三,得出结果;其特征在于:
其中在上述步骤一中,使用手持拉曼光谱仪采集三种食用香精光谱数据;
其中在上述步骤二中,采用左右平移、线性叠加、加入强度不等的白噪声三种方法对光谱数据增强,得到足够数量的训练样本;
其中在上述步骤三中,将样本数据输入到一维卷积神经网络,得到分类准确率结果。
2.根据权利要求1所述的一种基于卷积神经网络的食用香精分类方法,其特征在于:所述步骤一中,三种食用香精光谱数据分别为香兰素、甲基香兰素和乙基香兰素。
3.根据权利要求1所述的一种基于卷积神经网络的食用香精分类方法,其特征在于:所述步骤一中,使用Origin软件对采集到的拉曼光谱信号进行特征峰分析。
4.根据权利要求1所述的一种基于卷积神经网络的食用香精分类方法,其特征在于:所述步骤三中,样本数据包括70%作为训练集,20%作为测试集,10%作为验证集。
5.根据权利要求1所述的一种基于卷积神经网络的食用香精分类方法,其特征在于:所述步骤三中,卷积神经网络设计流程为:
1)模块设计:1-D LeNet-5模型包含2个卷积层,2个池化层,2个全连接层和一个Softmax分类输出层,一维卷积核尺寸为(10×1)和(5×1),每条拉曼光谱以一维张量形式输入到神经网络中,卷积层使用线性修正单元变体LeakyReLU作为激活函数;
2)性能优化:为避免过拟合,提高泛化性能,在每层神经网络后加入批标准化层BN,使用Dropout方法在全连接层对神经元随机失活,随机失活比例为0.5;全连接层的神经元个数设置为128个,避免欠拟合;
3)参数设计:使用交叉熵损失函数,损失函数下降采用Adam优化算法,参数设置为β1=0.9,β2=0.999,ε=10-8,η=0.001为实现一维卷积神经网络模型有序参数更新和快速收敛,批处理样本数目设置为50。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210666316.9A CN115630329A (zh) | 2022-08-23 | 2022-08-23 | 一种基于卷积神经网络的食用香精分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210666316.9A CN115630329A (zh) | 2022-08-23 | 2022-08-23 | 一种基于卷积神经网络的食用香精分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115630329A true CN115630329A (zh) | 2023-01-20 |
Family
ID=84902298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210666316.9A Pending CN115630329A (zh) | 2022-08-23 | 2022-08-23 | 一种基于卷积神经网络的食用香精分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115630329A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117054396A (zh) * | 2023-10-11 | 2023-11-14 | 天津大学 | 基于双路径无乘法神经网络的拉曼光谱检测方法及装置 |
-
2022
- 2022-08-23 CN CN202210666316.9A patent/CN115630329A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117054396A (zh) * | 2023-10-11 | 2023-11-14 | 天津大学 | 基于双路径无乘法神经网络的拉曼光谱检测方法及装置 |
CN117054396B (zh) * | 2023-10-11 | 2024-01-05 | 天津大学 | 基于双路径无乘法神经网络的拉曼光谱检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133313B (zh) | 一种人工智能感官评价食品风味系统及其构建方法 | |
CN105630743B (zh) | 一种光谱波数的选择方法 | |
CN104677875B (zh) | 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法 | |
CN104502320B (zh) | 一种三维荧光光谱结合pca‑svm鉴别浓香型白酒的方法 | |
CN109597968B (zh) | 基于smt大数据的锡膏印刷性能影响因素分析方法 | |
CN107121407A (zh) | 基于pso‑ricaelm的近红外光谱分析鉴别翠冠梨成熟度的方法 | |
Äijälä et al. | Resolving anthropogenic aerosol pollution types–deconvolution and exploratory classification of pollution events | |
CN115630329A (zh) | 一种基于卷积神经网络的食用香精分类方法 | |
Saleh et al. | Palm oil classification using deep learning | |
CN112098361A (zh) | 一种基于近红外光谱的玉米种子鉴别方法 | |
CN103743705A (zh) | 一种假高粱及其近似物种的快速检测方法 | |
CN111259929A (zh) | 基于随机森林的食源性致病菌的分类模型训练方法 | |
CN105223140A (zh) | 同源物质的快速识别方法 | |
CN117541095A (zh) | 一种农用地土壤环境质量类别划分的方法 | |
CN116858822A (zh) | 一种基于机器学习和拉曼光谱的水体中磺胺嘧啶定量分析方法 | |
CN112926625A (zh) | 一种卫星辐射数据的偏差影响因子分析方法 | |
CN114062305B (zh) | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统 | |
CN111929285A (zh) | 一种激光诱导荧光红酒掺杂酒精的光谱识别方法 | |
CN110726813A (zh) | 基于双层集成神经网络的电子鼻预测方法 | |
CN114863286B (zh) | 一种基于多算法协同选优的混合废塑料分类方法 | |
CN113310943A (zh) | 一种基于机器学习的藕粉掺假鉴别方法 | |
CN111289451B (zh) | 复杂光谱组分浓度定量计算的方法 | |
CN114549485A (zh) | 一种基于x射线视觉的梗签检测方法 | |
CN112697745A (zh) | 一种白酒酒精含量测定方法 | |
CN111122532A (zh) | 一种蜂蜜掺杂糖浆的光谱检测方法 |
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 |