CN117825560A - 食品用纸的安全检测方法及其系统 - Google Patents
食品用纸的安全检测方法及其系统 Download PDFInfo
- Publication number
- CN117825560A CN117825560A CN202410016688.6A CN202410016688A CN117825560A CN 117825560 A CN117825560 A CN 117825560A CN 202410016688 A CN202410016688 A CN 202410016688A CN 117825560 A CN117825560 A CN 117825560A
- Authority
- CN
- China
- Prior art keywords
- food paper
- feature map
- food
- channel
- liquid chromatogram
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 141
- 239000007788 liquid Substances 0.000 claims description 113
- 238000004811 liquid chromatography Methods 0.000 claims description 66
- 230000009467 reduction Effects 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000007246 mechanism Effects 0.000 claims description 38
- 238000010586 diagram Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 26
- 239000003638 chemical reducing agent Substances 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 230000002829 reductive effect Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 239000007791 liquid phase Substances 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 description 19
- 238000013135 deep learning Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013375 chromatographic separation Methods 0.000 description 2
- 230000002939 deleterious effect Effects 0.000 description 2
- 239000005003 food packaging material Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000005526 G1 to G0 transition Effects 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- General Preparation And Processing Of Foods (AREA)
Abstract
本申请涉及智能检测领域,其具体地公开了一种食品用纸的安全检测方法及其系统,其采用基于深度学习的人工智能检测技术,通过对食品用纸的液相色谱图进行特征提取从而得出食品用纸中化合物的相关信息,进而来判断食品用纸是否安全。这样,可以更准确地评估食品用纸的安全性,减少潜在的风险。
Description
技术领域
本申请涉及智能检测领域,且更为具体地,涉及一种食品用纸的安全检测方法及其系统。
背景技术
食品用纸的安全检测是确保食品包装材料不会对食品造成污染从而危害人体健康的过程。
现有的食品用纸安全检测方法通常只关注特定的有害化合物,这容易导致其他潜在的有害物质被忽略,从而无法评估食品用纸的安全性;某些有害化合物在现有的检测方法中具有较低的灵敏度,导致无法准确检测或定量这些化合物,掩盖了潜在的风险。
因此,需要一种优化的食品用纸的安全检测方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种食品用纸的安全检测方法及其系统,其采用基于深度学习的人工智能检测技术,通过对食品用纸的液相色谱图进行特征提取从而得出食品用纸中化合物的相关信息,进而来判断食品用纸是否安全。这样,可以更准确地评估食品用纸的安全性,减少潜在的风险。
根据本申请的一个方面,提供了一种食品用纸的安全检测方法,其包括:
获取待检测食品用纸的液相色谱图;
将所述液相色谱图通过基于自动编解码器的图像降噪器以得到食品用纸降噪液相色谱图;
将所述食品用纸降噪液相色谱图通过基于空间注意力机制的色谱图特征提取器以得到食品用纸液相色谱空间特征图;
将所述食品用纸降噪液相色谱图通过基于通道注意力机制的特征强调选择器以得到食品用纸液相色谱通道特征图;
融合所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图以得到食品用纸检测特征图;
对所述食品用纸检测特征图进行低维空间概率稀疏化以得到概率稀疏化食品用纸检测特征图;
将所述概率稀疏化食品用纸检测特征图通过分类器以获得分类结果,所述分类结果用于表示所述待检测食品用纸是否安全。
在上述食品用纸的安全检测方法中,所述将所述液相色谱图通过基于自动编解码器的图像降噪器以得到食品用纸降噪液相色谱图,包括:将所述液相色谱图输入所述基于自动编解码器的图像降噪器的编码器,其中,所述编码器使用卷积层对所述液相色谱图进行显式空间编码以得到图像特征;将所述图像特征图输入所述基于自动编解码器的图像降噪器的解码器,其中,所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述食品用纸降噪液相色谱图。
在上述食品用纸的安全检测方法中,所述将所述食品用纸降噪液相色谱图通过基于空间注意力机制的色谱图特征提取器以得到食品用纸液相色谱空间特征图,用于:所述基于空间注意力机制的色谱图特征提取器的各层在层的正向传递中对输入数据分别进行:基于卷积核对所述输入数据进行卷积处理以得到卷积特征图;将所述卷积特征图通过空间注意力模块以得到空间注意力得分矩阵;将所述空间注意力得分矩阵与所述食品用纸降噪液相色谱图沿通道维度的各个特征矩阵进行按位置点乘以得到空间注意力特征图;对所述空间注意力特征图进行沿通道维度的池化处理以得到池化特征图;对所述池化特征图进行非线性激活以得到激活特征图;其中,所述色谱图特征提取器的第一层的输入为所述食品用纸降噪液相色谱图,所述色谱图特征提取器的最后一层的输出为所述食品用纸液相色谱空间特征图。
在上述食品用纸的安全检测方法中,所述将所述食品用纸降噪液相色谱图通过基于通道注意力机制的特征强调选择器以得到食品用纸液相色谱通道特征图,包括:所述基于通道注意力机制的特征强调选择器的各层在层的正向传递中对输入数据分别进行:基于二维卷积核对所述输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;计算所述激活特征图中各个通道对应的特征矩阵的特征值均值与所有通道对应的特征矩阵的特征值均值之和的商作为所述各个通道对应的特征矩阵的加权系数;以所述激活特征图中各个通道的加权系数对所述各个通道的特征矩阵进行加权以生成通道注意力特征图;其中,所述特征强调选择器的第一层的输入为所述食品用纸降噪液相色谱图,所述特征强调选择器的最后一层的输出为所述食品用纸液相色谱通道特征图。
在上述食品用纸的安全检测方法中,所述融合所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图以得到食品用纸检测特征图,包括:以如下融合公式计算所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图之间的交互节点的后验隐特征注意力以得到所述食品用纸检测特征图;其中,所述融合公式为:
其中f1和f2分别是所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图的相应位置的特征值,fc是所述食品用纸检测特征图的特征值。
在上述食品用纸的安全检测方法中,所述对所述食品用纸检测特征图进行低维空间概率稀疏化以得到概率稀疏化食品用纸检测特征图,包括:将所述食品用纸检测特征图输入Softmax激活函数以将所述食品用纸检测特征图中各个位置的特征值映射到概率空间内以得到概率化食品用纸检测特征图;通过最小二乘拟合来计算所述概率化食品用纸检测特征图的沿通道维度的各个特征矩阵的仿射变换矩阵;通过所述概率化食品用纸检测特征图的沿通道维度的各个特征矩阵的仿射变换矩阵和所述概率化食品用纸检测特征图的各个位置的特征值,计算所述概率化食品用纸检测特征图的沿通道维度的各个特征矩阵在目标空间的仿射概率密度分布以得到所述概率稀疏化食品用纸检测特征图。
在上述食品用纸的安全检测方法中,所述将所述概率稀疏化食品用纸检测特征图通过分类器以获得分类结果,所述分类结果用于表示所述待检测食品用纸是否安全,包括:使用所述分类器以如下分类公式对所述概率稀疏化食品用纸检测特征图进行处理以生成所述分类结果;其中,所述分类公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|Project(F)}
其中O为所述分类结果,Project(F)表示将所述概率稀疏化食品用纸检测特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量,softmax为归一化指数函数。
根据本申请的另一方面,提供了一种食品用纸的安全检测系统,其包括:
图像数据获取模块,用于获取待检测食品用纸的液相色谱图;
图像降噪模块,用于将所述液相色谱图通过基于自动编解码器的图像降噪器以得到食品用纸降噪液相色谱图;
图像空间特征提取模块,用于将所述食品用纸降噪液相色谱图通过基于空间注意力机制的色谱图特征提取器以得到食品用纸液相色谱空间特征图;
图像通道特征提取模块,用于将所述食品用纸降噪液相色谱图通过基于通道注意力机制的特征强调选择器以得到食品用纸液相色谱通道特征图;
融合模块,用于融合所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图以得到食品用纸检测特征图;
优化模块,用于对所述食品用纸检测特征图进行低维空间概率稀疏化以得到概率稀疏化食品用纸检测特征图;
检测结果生成模块,用于将所述概率稀疏化食品用纸检测特征图通过分类器以获得分类结果,所述分类结果用于表示所述待检测食品用纸是否安全。
与现有技术相比,本申请提供的食品用纸的安全检测方法及其系统,其采用基于深度学习的人工智能检测技术,通过对食品用纸的液相色谱图进行特征提取从而得出食品用纸中化合物的相关信息,进而来判断食品用纸是否安全。这样,可以更准确地评估食品用纸的安全性,减少潜在的风险。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的食品用纸的安全检测方法的流程图。
图2为根据本申请实施例的食品用纸的安全检测方法的架构图。
图3为根据本申请实施例的食品用纸的安全检测方法中将所述液相色谱图通过基于自动编解码器的图像降噪器以得到食品用纸降噪液相色谱图的流程图。
图4为根据本申请实施例的食品用纸的安全检测方法中对所述食品用纸检测特征图进行低维空间概率稀疏化以得到概率稀疏化食品用纸检测特征图的流程图。
图5为根据本申请实施例的食品用纸的安全检测系统的系统框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如上述背景技术所言,确保食品包装材料不会对食品造成污染从而危害人体健康是食品用纸安全检测的目标。然而,现有的方法通常只注重特定有害化合物的检测,这可能导致其他潜在的有害物质被忽略,进而无法全面评估食品用纸的安全性。此外,一些有害化合物在现有的检测方法中的灵敏度较低,导致无法准确检测或定量这些化合物,从而掩盖了潜在的风险。因此,期待一种优化的食品用纸的安全检测方案。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为食品用纸的安全检测提供了新的解决思路和方案。
图1为根据本申请实施例的食品用纸的安全检测方法的流程图。图2为根据本申请实施例的食品用纸的安全检测方法的架构图。如图1和图2所示,根据本申请实施例的食品用纸的安全检测方法,包括:S110,获取待检测食品用纸的液相色谱图;S120,将所述液相色谱图通过基于自动编解码器的图像降噪器以得到食品用纸降噪液相色谱图;S130,将所述食品用纸降噪液相色谱图通过基于空间注意力机制的色谱图特征提取器以得到食品用纸液相色谱空间特征图;S140,将所述食品用纸降噪液相色谱图通过基于通道注意力机制的特征强调选择器以得到食品用纸液相色谱通道特征图;S150,融合所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图以得到食品用纸检测特征图;S160,对所述食品用纸检测特征图进行低维空间概率稀疏化以得到概率稀疏化食品用纸检测特征图;S170,将所述概率稀疏化食品用纸检测特征图通过分类器以获得分类结果,所述分类结果用于表示所述待检测食品用纸是否安全。
在步骤S110中,获取待检测食品用纸的液相色谱图。应可以理解,液相色谱是一种常用的分析技术,可以用于检测食品用纸中的化合物成分。液相色谱法通过将待检测样品溶解在溶剂中,通过与固定相相互作用的方式,将样品中的化合物分离出来,在分离过程中,不同的化合物会以不同的速率通过色谱柱,形成不同的峰。每个峰的形状、峰面积和峰高等特征可以提供有关样品中化合物的信息。这里,可以由色谱分析仪来获取待检测食品用纸的液相色谱图。
在步骤S120中,将所述液相色谱图通过基于自动编解码器的图像降噪器以得到食品用纸降噪液相色谱图。应可以理解,液相色谱图可能受到多种因素的影响,如仪器噪声、环境干扰或样品准备过程中的误差等,这些因素都可能导致液相色谱图中存在噪声。自动编解码器是一种由编码器和解码器组成的神经网络结构,编码器将输入的高维(如图像)映射到低维的潜在表示空间,而解码器则将潜在表示映射回原始的高维空间。在训练过程中,自动编解码器通过最小化重构误差来学习如何将输入数据压缩并重构回原始数据。通过应用基于自动编解码器的图像降噪器,可以对液相色谱图进行降噪处理,它可以过滤掉噪声的同时保留液相色谱中的关键特征信息。食品用纸降噪液相色谱图具有更好的质量和清晰度,可以提高后续模型的稳定性和鲁棒性。
图3为根据本申请实施例的食品用纸的安全检测方法中将所述液相色谱图通过基于自动编解码器的图像降噪器以得到食品用纸降噪液相色谱图的流程图。如图3所示,所述将所述液相色谱图通过基于自动编解码器的图像降噪器以得到食品用纸降噪液相色谱图,包括:S121,将所述液相色谱图输入所述基于自动编解码器的图像降噪器的编码器,其中,所述编码器使用卷积层对所述液相色谱图进行显式空间编码以得到图像特征;S122,将所述图像特征输入所述基于自动编解码器的图像降噪器的解码器,其中,所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述食品用纸降噪液相色谱图。
在步骤S130中,将所述食品用纸降噪液相色谱图通过基于空间注意力机制的色谱图特征提取器以得到食品用纸液相色谱空间特征图。在液相色谱图中,不同的化合物通常以不同的峰形式呈现,而这些峰的形状和位置与化合物的特征有关。基于空间注意力机制的色谱图特征提取器本质上就是使用空间注意力机制的卷积神经网络。本领域普通技术人员应该知晓,卷积神经网络在图像特征提取领域方面表现优异。通过使用卷积神经网络,可以学习到液相色谱图中的局部特征和空间关系,进而提取出液相色谱图中的重要特征。空间注意力机制是一种用于加强和调节特定区域的注意力机制。通过引入空间注意力机制,可以使网络更加关注图像中重要的局部区域,并且对这些区域进行更强的特征提取。这有助于突出液相色谱图中的重要特征峰,并减少对噪声和无关特征的敏感度,从而提高安全性评估的准确性。
具体地,所述将所述食品用纸降噪液相色谱图通过基于空间注意力机制的色谱图特征提取器以得到食品用纸液相色谱空间特征图,用于:所述基于空间注意力机制的色谱图特征提取器的各层在层的正向传递中对输入数据分别进行:基于卷积核对所述输入数据进行卷积处理以得到卷积特征图;将所述卷积特征图通过空间注意力模块以得到空间注意力得分矩阵;将所述空间注意力得分矩阵与所述食品用纸降噪液相色谱图沿通道维度的各个特征矩阵进行按位置点乘以得到空间注意力特征图;对所述空间注意力特征图进行沿通道维度的池化处理以得到池化特征图;对所述池化特征图进行非线性激活以得到激活特征图;其中,所述色谱图特征提取器的第一层的输入为所述食品用纸降噪液相色谱图,所述色谱图特征提取器的最后一层的输出为所述食品用纸液相色谱空间特征图。
在步骤S140中,将所述食品用纸降噪液相色谱图通过基于通道注意力机制的特征强调选择器以得到食品用纸液相色谱通道特征图。基于通道注意力机制的特征强调选择器本质上是使用通道注意力机制的卷积神经网络模型。应可以理解,液相色谱图通常由多个通道组成,每个通道对应着不同的特征。然而,不同通道的重要性可能不同,有些通道信息包含了更关键的信息,而其他通道可能包含了噪声或者不太重要的信息,通过使用通道注意力机制,可以对每个通道的重要性进行调整。它通过学习通道权重,可以自动选择那些对于食品用纸安全检测最重要的通道,抑制噪声或不重要的通道,这样可以提高特征图的质量和表达能力。
具体地,所述将所述食品用纸降噪液相色谱图通过基于通道注意力机制的特征强调选择器以得到食品用纸液相色谱通道特征图,包括:所述基于通道注意力机制的特征强调选择器的各层在层的正向传递中对输入数据分别进行:基于二维卷积核对所述输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;计算所述激活特征图中各个通道对应的特征矩阵的特征值均值与所有通道对应的特征矩阵的特征值均值之和的商作为所述各个通道对应的特征矩阵的加权系数;以所述激活特征图中各个通道的加权系数对所述各个通道的特征矩阵进行加权以生成通道注意力特征图;其中,所述特征强调选择器的第一层的输入为所述食品用纸降噪液相色谱图,所述特征强调选择器的最后一层的输出为所述食品用纸液相色谱通道特征图。
在步骤S150中,融合所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图以得到食品用纸检测特征图。应可以理解,食品用纸液相色谱空间特征图通过空间注意力机制突出了重要的空间信息,而食品用纸液相色谱通道特征图通过通道注意力机制强调了重要的通道信息,这两个特征图分别从不同的角度提取了液相色谱图的关键特征,融合这两个特征图可以综合利用它们的优势,进一步提高特征的表达能力。
特别地,在本申请技术方案中,考虑到食品用纸液相色谱空间特征图是通过基于空间注意力机制的色谱图特征提取器对食品用纸降噪液相色谱图进行特征提取得到的。它主要描述了液相色谱图中不同位置的空间特征,例如峰值形状、峰值位置等。食品用纸液相色谱空间特征图的每个位置代表了相应位置的空间特征。食品用纸液相色谱通道特征图是通过基于通道注意力机制的特征强调选择器对食品用纸降噪液相色谱图进行特征提取得到的。它主要描述了液相色谱图中不同通道的重要性和相关性。食品用纸液相色谱通道特征图的每个位置代表了相应通道的特征。由于食品用纸液相色谱空间特征图和食品用纸液相色谱通道特征图的表示方式和语义含义不同,它们之间存在局部特征结构性失配。按位置加权的方式融合这两种特征图会导致不合理的结果,因为每个位置的特征含义和重要性不同。例如,食品用纸液相色谱空间特征图的一个位置可能代表液相色谱图中某个位置的空间特征,而食品用纸液相色谱通道特征图的一个位置可能代表液相色谱图中某个通道的特征。将它们简单地按位置加权融合,会导致局部特征的混淆和信息的丢失。基于此,为了解决所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图之间存在局部特征结构性失配的问题,在本申请的技术方案中,计算所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图之间的交互节点的后验隐特征注意力,从而可以提高融合结果的分类性能。
具体地,以如下融合公式计算所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图之间的交互节点的后验隐特征注意力以得到所述食品用纸检测特征图;
其中,所述融合公式为:
其中f1和f2分别是所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图的相应位置的特征值,fc是所述食品用纸检测特征图的特征值。
也就是,由于所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图之间存在局部特征结构性失配,即它们在某些区域上的特征表示不一致,因此不适宜以按位置加权和的方式来融合所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图。针对此技术问题,在本申请的技术方案中,计算所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图之间的交互节点的后验隐特征注意力以得到食品用纸检测特征图,这样通过计算食品用纸液相色谱空间特征图和食品用纸液相色谱通道特征图之间的相应位置的几何逼近来模仿特征图之间的互表达的物理性,从而以特征图间的按位置逐点回归来增强跨图位置的非线性依赖,以提高融合后的特征图的小尺度局部非线性表达。这样,有效地利用所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图之间的相互关系,提取出更有意义的特征表示,从而提升所述食品用纸检测特征图的分类性能。
在步骤S160中,对所述食品用纸检测特征图进行低维空间概率稀疏化以得到概率稀疏化食品用纸检测特征图。考虑到在进行食品用纸的液相色谱分析时,液相色谱图包含了食品中的多种化合物的峰值信息。这些峰值代表了不同化合物在液相色谱分离过程中的出现和浓度变化,因此液相色谱图中会包含多个特征。然而,由于样品的复杂性和色谱分离的限制,食品用纸检测特征图中可能存在一些冗余或不相关的特征。这些特征可能是由于噪声、仪器漂移、样品制备过程中的扰动或其他因素引起的。此外,液相色谱图中可能存在一些不相关的峰值,这些峰值可能是由于杂质、溶剂残留或其他无关化合物引起的。这些冗余或不相关的特征会增加特征空间的维度,并引入噪声和干扰,对分类任务造成困扰。同时,冗余或不相关的特征可能会干扰分类模型对关键特征的识别和利用,降低分类任务的准确性。因此,在进行特征提取和特征融合时,需要对食品用纸检测特征图进行特征稀疏化,去除冗余或不相关的特征,提取出最具有区分度和相关性的特征。这样可以减少特征空间的维度,提高分类模型的泛化能力,并降低计算和存储的成本。
图4为根据本申请实施例的食品用纸的安全检测方法中对所述食品用纸检测特征图进行低维空间概率稀疏化以得到概率稀疏化食品用纸检测特征图的流程图。如图4所示,所述对所述食品用纸检测特征图进行低维空间概率稀疏化以得到概率稀疏化食品用纸检测特征图,包括:S161,将所述食品用纸检测特征图输入Softmax激活函数以将所述食品用纸检测特征图中各个位置的特征值映射到概率空间内以得到概率化食品用纸检测特征图;S162,通过最小二乘拟合来计算所述概率化食品用纸检测特征图的沿通道维度的各个特征矩阵的仿射变换矩阵;S163,通过所述概率化食品用纸检测特征图的沿通道维度的各个特征矩阵的仿射变换矩阵和所述概率化食品用纸检测特征图的各个位置的特征值,计算所述概率化食品用纸检测特征图的沿通道维度的各个特征矩阵在目标空间的仿射概率密度分布以得到所述概率稀疏化食品用纸检测特征图。
在本申请的一个实施例中,对所述概率化食品用纸检测特征图的沿通道维度的各个特征矩阵,计算其仿射变换矩阵,即将该所述概率化食品用纸检测特征图的沿通道维度的各个特征矩阵从原始空间映射到目标空间的线性变换矩阵,可以通过对所述概率化食品用纸检测特征图的沿通道维度的各个特征矩阵的坐标进行最小二乘拟合实现,即求解以下方程式:
其中,(xi,yi)是所述概率化食品用纸检测特征图的沿通道维度的各个特征矩阵的原始坐标,(xi,yi)是目标空间的坐标,aij是仿射变换矩阵的旋转和缩放系数,tx和ty是仿射变换矩阵的平移系数。
应可以理解,通过概率化仿射变换将所述食品用纸检测特征图的高维特征图转换为低维的概率密度空间以降低计算复杂度和存储开销。并且,通过概率化仿射变换可以将所述食品用纸检测特征图映射到一个公共的目标空间,从而消除所述食品用纸检测特征图的沿通道维度的各个局部之间的几何变换,这样相似的局部特征在空间中聚集,不同的局部会分散,从而增强了分类器的判别能力。
在步骤S170中,将所述概率稀疏化食品用纸检测特征图通过分类器以获得分类结果,所述分类结果用于表示所述待检测食品用纸是否安全。分类器是一个机器学习模型,可以根据输入数据进行分析和判断,将其映射到不同的类别上。在食品用纸的安全检测中,分类器根据训练的数据建立了一个分类模型,将概率稀疏化食品用纸检测特征图输入到分类器中,通过模型的推理过程,可以得到分类结果。基于分类结果,可以直接知道待检测食品用纸的安全性。
具体地,所述将所述概率稀疏化食品用纸检测特征图通过分类器以获得分类结果,所述分类结果用于表示所述待检测食品用纸是否安全,包括:使用所述分类器以如下分类公式对所述概率稀疏化食品用纸检测特征图进行处理以生成所述分类结果;其中,所述分类公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|Project(F)}
其中O为所述分类结果,Project(F)表示将所述概率稀疏化食品用纸检测特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量,softmax为归一化指数函数。
综上所述,基于本申请实施例的食品用纸的安全检测方法被阐明,其采用基于深度学习的人工智能检测技术,通过对食品用纸的液相色谱图进行特征提取从而得出食品用纸中化合物的相关信息,进而来判断食品用纸是否安全。这样,可以更准确地评估食品用纸的安全性,减少潜在的风险。
图5为根据本申请实施例的食品用纸的安全检测系统的系统框图。如图5所示,根据本申请实施例的食品用纸的安全检测系统100,包括:图像数据获取模块110,用于获取待检测食品用纸的液相色谱图;图像降噪模块120,用于将所述液相色谱图通过基于自动编解码器的图像降噪器以得到食品用纸降噪液相色谱图;图像空间特征提取模块130,用于将所述食品用纸降噪液相色谱图通过基于空间注意力机制的色谱图特征提取器以得到食品用纸液相色谱空间特征图;图像通道特征提取模块140,用于将所述食品用纸降噪液相色谱图通过基于通道注意力机制的特征强调选择器以得到食品用纸液相色谱通道特征图;融合模块150,用于融合所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图以得到食品用纸检测特征图;优化模块160,用于对所述食品用纸检测特征图进行低维空间概率稀疏化以得到概率稀疏化食品用纸检测特征图;检测结果生成模块170,用于将所述概率稀疏化食品用纸检测特征图通过分类器以获得分类结果,所述分类结果用于表示所述待检测食品用纸是否安全。
这里,本领域技术人员可以理解,上述食品用纸的安全检测方法中的各个步骤的具体操作已经在上面参考图1到图4的食品用纸的安全检测系统的描述中得到了详细介绍,并因此,将省略其重复描述。
综上所述,基于本申请实施例的食品用纸的安全检测系统100被阐明,其采用基于深度学习的人工智能检测技术,通过对食品用纸的液相色谱图进行特征提取从而得出食品用纸中化合物的相关信息,进而来判断食品用纸是否安全。这样,可以更准确地评估食品用纸的安全性,减少潜在的风险。
如上所述,根据本申请实施例的食品用纸的安全检测系统100可以实现在各种无线终端中,例如用于食品用纸的安全检测的服务器等。在一个示例中,根据本申请实施例的食品用纸的安全检测系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该食品用纸的安全检测系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该食品用纸的安全检测系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该食品用纸的安全检测系统100与该无线终端也可以是分立的设备,并且该食品用纸的安全检测系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、方法或装置,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请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申请。
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,本申请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涵括在本申请内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神。
Claims (10)
1.一种食品用纸的安全检测方法,其特征在于,包括:
获取待检测食品用纸的液相色谱图;
将所述液相色谱图通过基于自动编解码器的图像降噪器以得到食品用纸降噪液相色谱图;
将所述食品用纸降噪液相色谱图通过基于空间注意力机制的色谱图特征提取器以得到食品用纸液相色谱空间特征图;
将所述食品用纸降噪液相色谱图通过基于通道注意力机制的特征强调选择器以得到食品用纸液相色谱通道特征图;
融合所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图以得到食品用纸检测特征图;
对所述食品用纸检测特征图进行低维空间概率稀疏化以得到概率稀疏化食品用纸检测特征图;
将所述概率稀疏化食品用纸检测特征图通过分类器以获得分类结果,所述分类结果用于表示所述待检测食品用纸是否安全。
2.根据权利要求1所述的食品用纸的安全检测方法,其特征在于,将所述液相色谱图通过基于自动编解码器的图像降噪器以得到食品用纸降噪液相色谱图,包括:
将所述液相色谱图输入所述基于自动编解码器的图像降噪器的编码器,其中,所述编码器使用卷积层对所述液相色谱图进行显式空间编码以得到图像特征;
将所述图像特征输入所述基于自动编解码器的图像降噪器的解码器,其中,所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述食品用纸降噪液相色谱图。
3.根据权利要求2所述的食品用纸的安全检测方法,其特征在于,将所述食品用纸降噪液相色谱图通过基于空间注意力机制的色谱图特征提取器以得到食品用纸液相色谱空间特征图,用于:
所述基于空间注意力机制的色谱图特征提取器的各层在层的正向传递中对输入数据分别进行:
基于卷积核对所述输入数据进行卷积处理以得到卷积特征图;
将所述卷积特征图通过空间注意力模块以得到空间注意力得分矩阵;
将所述空间注意力得分矩阵与所述食品用纸降噪液相色谱图沿通道维度的各个特征矩阵进行按位置点乘以得到空间注意力特征图;
对所述空间注意力特征图进行沿通道维度的池化处理以得到池化特征图;
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述色谱图特征提取器的第一层的输入为所述食品用纸降噪液相色谱图,所述色谱图特征提取器的最后一层的输出为所述食品用纸液相色谱空间特征图。
4.根据权利要求3所述的食品用纸的安全检测方法,其特征在于,将所述食品用纸降噪液相色谱图通过基于通道注意力机制的特征强调选择器以得到食品用纸液相色谱通道特征图,包括:
所述基于通道注意力机制的特征强调选择器的各层在层的正向传递中对输入数据分别进行:
基于二维卷积核对所述输入数据进行卷积处理以生成卷积特征图;
对所述卷积特征图进行池化处理以生成池化特征图;
对所述池化特征图进行激活处理以生成激活特征图;
计算所述激活特征图中各个通道对应的特征矩阵的特征值均值与所有通道对应的特征矩阵的特征值均值之和的商作为所述各个通道对应的特征矩阵的加权系数;
以所述激活特征图中各个通道的加权系数对所述各个通道的特征矩阵进行加权以生成通道注意力特征图;
其中,所述特征强调选择器的第一层的输入为所述食品用纸降噪液相色谱图,所述特征强调选择器的最后一层的输出为所述食品用纸液相色谱通道特征图。
5.根据权利要求4所述的食品用纸的安全检测方法,其特征在于,融合所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图以得到食品用纸检测特征图,包括:以如下融合公式计算所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图之间的交互节点的后验隐特征注意力以得到所述食品用纸检测特征图;
其中,所述融合公式为:
其中f1和f2分别是所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图的相应位置的特征值,fc是所述食品用纸检测特征图的特征值。
6.根据权利要求5所述的食品用纸的安全检测方法,其特征在于,对所述食品用纸检测特征图进行低维空间概率稀疏化以得到概率稀疏化食品用纸检测特征图,包括:
将所述食品用纸检测特征图输入Softmax激活函数以将所述食品用纸检测特征图中各个位置的特征值映射到概率空间内以得到概率化食品用纸检测特征图;
通过最小二乘拟合来计算所述概率化食品用纸检测特征图的沿通道维度的各个特征矩阵的仿射变换矩阵;
通过所述概率化食品用纸检测特征图的沿通道维度的各个特征矩阵的仿射变换矩阵和所述概率化食品用纸检测特征图的各个位置的特征值,计算所述概率化食品用纸检测特征图的沿通道维度的各个特征矩阵在目标空间的仿射概率密度分布以得到所述概率稀疏化食品用纸检测特征图。
7.根据权利要求6所述的食品用纸的安全检测方法,其特征在于,将所述概率稀疏化食品用纸检测特征图通过分类器以获得分类结果,所述分类结果用于表示所述待检测食品用纸是否安全,包括:使用所述分类器以如下分类公式对所述概率稀疏化食品用纸检测特征图进行处理以生成所述分类结果;
其中,所述分类公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|Project(F)}
其中O为所述分类结果,Project(F)表示将所述概率稀疏化食品用纸检测特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量,softmax为归一化指数函数。
8.一种食品用纸的安全检测系统,其特征在于,包括:
图像数据获取模块,用于获取待检测食品用纸的液相色谱图;
图像降噪模块,用于将所述液相色谱图通过基于自动编解码器的图像降噪器以得到食品用纸降噪液相色谱图;
图像空间特征提取模块,用于将所述食品用纸降噪液相色谱图通过基于空间注意力机制的色谱图特征提取器以得到食品用纸液相色谱空间特征图;
图像通道特征提取模块,用于将所述食品用纸降噪液相色谱图通过基于通道注意力机制的特征强调选择器以得到食品用纸液相色谱通道特征图;
融合模块,用于融合所述食品用纸液相色谱空间特征图和所述食品用纸液相色谱通道特征图以得到食品用纸检测特征图;
优化模块,用于对所述食品用纸检测特征图进行低维空间概率稀疏化以得到概率稀疏化食品用纸检测特征图;
检测结果生成模块,用于将所述概率稀疏化食品用纸检测特征图通过分类器以获得分类结果,所述分类结果用于表示所述待检测食品用纸是否安全。
9.根据权利要求8所述的食品用纸的安全检测系统,其特征在于,所述图像降噪模块,包括:
图像编码单元,用于将所述液相色谱图输入所述基于自动编解码器的图像降噪器的编码器,其中,所述编码器使用卷积层对所述液相色谱图进行显式空间编码以得到图像特征;
图像解码单元,用于将所述图像特征图输入所述基于自动编解码器的图像降噪器的解码器,其中,所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述食品用纸降噪液相色谱图。
10.根据权利要求9所述的食品用纸的安全检测系统,其特征在于,所述检测结果生成模块,用于:使用所述分类器以如下分类公式对所述概率稀疏化食品用纸检测特征图进行处理以生成所述分类结果;
其中,所述分类公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|Project(F)}
其中O为所述分类结果,Project(F)表示将所述概率稀疏化食品用纸检测特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量,softmax为归一化指数函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410016688.6A CN117825560A (zh) | 2024-01-04 | 2024-01-04 | 食品用纸的安全检测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410016688.6A CN117825560A (zh) | 2024-01-04 | 2024-01-04 | 食品用纸的安全检测方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117825560A true CN117825560A (zh) | 2024-04-05 |
Family
ID=90522650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410016688.6A Pending CN117825560A (zh) | 2024-01-04 | 2024-01-04 | 食品用纸的安全检测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117825560A (zh) |
-
2024
- 2024-01-04 CN CN202410016688.6A patent/CN117825560A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
CN115511890B (zh) | 异型网络接口大流量数据的分析系统 | |
CN116343301B (zh) | 基于人脸识别的人员信息智能校验系统 | |
CN112418351A (zh) | 基于全局与局部上下文感知的零样本学习图像分类方法 | |
CN111462184B (zh) | 基于孪生神经网络线性表示模型的在线稀疏原型跟踪方法 | |
Gong et al. | Dark-channel based attention and classifier retraining for smoke detection in foggy environments | |
Li et al. | IST-TransNet: Infrared small target detection based on transformer network | |
CN117173147A (zh) | 钢带加工用表面处理设备及其方法 | |
CN112766810A (zh) | 用于智能综合性整体质量评价的神经网络的训练方法 | |
CN115408351B (zh) | 军工科研生产数据管理方法及系统 | |
CN116894831A (zh) | 聚氨酯材料的检测方法及其系统 | |
CN117825560A (zh) | 食品用纸的安全检测方法及其系统 | |
CN116467485A (zh) | 一种视频图像检索构建系统及其方法 | |
CN116858789A (zh) | 食品安全检测系统及其方法 | |
CN116955991A (zh) | 智能室内环境检测系统及其方法 | |
Liu et al. | An anomaly detection method based on double encoder–decoder generative adversarial networks | |
CN115982573A (zh) | 多功能送料机及其控制方法 | |
CN116452793A (zh) | 一种基于多视角和多层级的绿色编解码显著目标检测方法 | |
CN110689510A (zh) | 一种引入字典信息基于稀疏表示的图像融合方法 | |
CN116503314A (zh) | 用于门制造的质量检测系统及方法 | |
CN115510900A (zh) | 电路故障自动诊断方法及其诊断系统 | |
CN112800995A (zh) | 使用多尺度特征加权的智能颗粒大小检测方法 | |
Ma et al. | S2G2HAD: A Graph-Guided Siamese Reconstruction Network for Hyperspectral Anomaly Detection | |
Ying et al. | DGMA 2-Net: A Difference-Guided Multiscale Aggregation Attention Network for Remote Sensing Change Detection | |
CN117250521B (zh) | 充电桩电池容量监测系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |