一种基于卷积神经网络的哈密瓜农药残留鉴别方法
技术领域
本发明涉及深度学习和水果安全检测领域，具体涉及一种基于卷积神经网络的哈密瓜农药残留鉴别方法。
背景技术
近年来，水果农药残留问题已成为社会关注的焦点，“无公害”、“绿色”等已成为消费者选择水果产品的重要标准。哈密瓜是新疆特色水果，种植期间易遭受各类病虫害的侵染，所以瓜农常使用百菌清和吡虫啉等杀菌剂和杀虫剂进行防治。农药的合理使用可以有效防控病虫害，但使用过度会造成农药在果实中富集，使得农药残留问题日益严重。由于哈密瓜体积大，表面网纹多，所以雨水很难将附着于瓜皮表面的残留农药冲刷干净，残留农药会从哈密瓜表面渗入内部，持续污染果实。哈密瓜农药残留问题不仅威胁人体健康，同时也是限制新疆哈密瓜市场竞争力的重要因素。因此解决哈密瓜表面农药残留的快速无损检测问题刻不容缓。
农药残留的化学检测方法主要包括气/液相色谱法、气/液相色谱联用质谱法和气/液相色谱串联质谱法。化学检测方法虽然精确度和灵敏度较高，但是检测成本较高，操作复杂且具有破坏性。可见/近红外光谱技术作为一种现代无损检测技术，可以获取样品的点源光谱信息，通过分析谱线特征与待测成分的相关性评估样品品质及安全，在水果可溶性固形物、水分和营养成分含量、成熟度等内部品质检测领域的应用较为广泛，同时在水果农药残留无损检测领域具有较大潜力。
原始光谱信息中通常含有大量无关信息，光谱有效特征需通过特定的预处理和变量筛选方法获取，然后通过多元建模方法构建近红外光谱与样本属性之间的联系，这种光谱解析过程对模型的计算复杂度及泛化能力带来了挑战。近年来深度学习的发展表明，卷积神经网络模型减少了数据预处理和变量筛选的需要，并且提供精确识别和预测的能力在逐步提高，已成为最受欢迎且应用最广的深度学习方法之一。
根据目前关于水果农药残留无损检测研究的报道，应用可见/近红外光谱技术和卷积神经网络模型对大型水果农药残留进行鉴别的研究鲜有报道。因此，开发一种基于卷积神经网络的哈密瓜农药残留鉴别方法对实现农药残留的快速无损检测具有重要意义，同时为其他同类大型水果农药残留检测研究提供参考。
发明内容
有鉴于此，本发明的目的在于提出一种基于卷积神经网络的哈密瓜农药残留鉴别方法，实现哈密瓜有无农药残留、百菌清和吡虫啉残留的无损鉴别。
为实现上述目的，本发明采用以下技术方案。
本发明提出一种基于卷积神经网络的哈密瓜农药残留鉴别方法，包括以下步骤。
S1，采集哈密瓜农药残留的可见/近红外光谱信息。
S2，对光谱数据进行预处理。
S3，将光谱数据按照一定比例划分为训练集和测试集。
S4，构建非对称性多尺度一维卷积神经网络模型。
S5，输出哈密瓜农药残留鉴别结果。
优选地，所述步骤S1中，利用可见/近红外光谱仪分别采集哈密瓜无残留、百菌清和吡虫啉残留的光谱信息。
优选地，所述可见/近红外光谱仪的仪器和采集参数包括：QE Pro微型光纤光谱仪，光谱分辨率为0.69 nm，波段范围为380~1100 nm；QP600-2-VIS-NIROOS-00-5172-11光纤探针，距离哈密瓜表面3 cm；光谱采集模式为漫反射，积分时间为100 ms，平均扫描次数为10次。
优选地，所述步骤S2中，利用Savitzky-Golay一阶导数和标准差归一化算法对采集的光谱信息进行预处理。
优选地，所述步骤S3中，训练集与测试集比例为8:2。
优选地，所述步骤S4中，非对称性多尺度一维卷积神经网络模型包括1层输入层、3条卷积通道、1层融合层、1层平坦层、1层全连接层和1层输出层。
优选地，所述3条卷积通道包括的卷积和池化模块类型如下。
卷积通道1采用1个卷积模块，其中卷积核的数量为16，尺寸为1×1，步幅为2，激活函数为ReLU。
卷积通道2采用1个池化模块和1个卷积模块，其中池化方式为最大池化，卷积核的数量为16，尺寸为1×1，步幅均为2，激活函数为ReLU。
卷积通道3采用3个卷积模块，其中卷积核的数量均为16，尺寸分别为1×1、3×1和5×1，步幅均为2，激活函数为ReLU。
优选地，所述融合层的融合方式为级联，即将提取深度特征沿长度方向拼接，其计算公式为：
；
其中表示融合后的特征向量，v 1、v 2和v 3分别表示经3条卷积通道特征提取后的特征向量。
优选地，所述全连接层包括128个神经元，激活函数为ReLU。
优选地，所述输出层的损失函数为交叉熵函数，优化算法为随机梯度下降，分类激活函数为softmax函数，神经元个数为3个。
优选地，利用步骤S3中的训练集数据训练模型，利用测试集数据测试模型性能。
本发明具有有益效果。本发明提出一种基于卷积神经网络的哈密瓜农药残留鉴别方法，对实现哈密瓜农药残留的快速无损检测具有重要意义，同时为其他同类大型水果农药残留检测研究提供参考，具体有益效果如下。
（1）采用可见/近红外光谱技术进行哈密瓜农药残留鉴别，无需对样品进行前处理，与化学检测方法相比步骤简洁且耗时短，为水果农药残留的快速无损检测提供技术参考。
（2）采用非对称性多尺度一维卷积神经网络构建模型，能够自动提取并融合光谱的深度特征，避免了传统化学计量学建模方法对特征筛选的需要，有效提高了建模速度和模型精度，可实现哈密瓜有无农药残留、百菌清和吡虫啉残留的准确鉴别。
附图说明
图1为本发明实施例中的基于卷积神经网络的哈密瓜农药残留鉴别方法的流程图。
图2为本发明实施例中的非对称性多尺度一维卷积神经网络模型的结构图。
图3为本发明实施例中的模型测试结果归一化混淆矩阵图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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详细地描述。本发明不仅限于所描述的实施例，本领域的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，均包含于本发明保护的范围。
图1为本发明实施例中的基于卷积神经网络的哈密瓜农药残留鉴别方法的流程图，如图1所示，本发明提出一种基于卷积神经网络的哈密瓜农药残留鉴别方法，包括以下步骤。
S1，采集哈密瓜农药残留的可见/近红外光谱信息。
本实施例中的哈密瓜样本共90个，品种均为西州蜜25号，来源于石河子市农产品交易中心；将哈密瓜表面擦拭干净后置于室内避光通风干燥处（25℃、30%RH）24小时后平均分为3组。农药选择百菌清和吡虫啉，来源于石河子市农本农资市场；百菌清和吡虫啉根据有效成分含量与清水按照质量比为1:1000配置农药溶液。3组哈密瓜样本分别均匀喷洒清水、百菌清和吡虫啉农药溶液：1组为无农药残留；2组为百菌清残留；3组为吡虫啉残留。将制备好的样本置于室内干燥通风处10小时后，采集哈密瓜农药残留的可见/近红外光谱信息。
具体地，每个哈密瓜样本的光谱采集位置均为赤道部位，沿赤道部位每间隔90°采集一次光谱，本实施例中共采集360条光谱。
S2，为消除基线的平移和漂移，提高光谱灵敏度，首先对原始光谱采用Savitzky-Golay一阶导数算法进行光谱预处理，多项式阶数为2，滤波器窗口大小为5；为加快模型收敛速度，对预处理后的光谱数据进行标准差归一化处理。
S3，将预处理后的光谱数据按照8:2的比例划分为训练集和测试集，即训练集包含288条光谱，测试集包含72条光谱。
S4，构建非对称性多尺度一维卷积神经网络模型，包括1层输入层、3条卷积通道、1层融合层、1层平坦层、1层全连接层和1层输出层，其结构如图2所示。
具体地，卷积模块1的卷积核尺寸为1×1；最大池化模块的滤波器尺寸为2×1；卷积模块2的卷积核尺寸为1×1；卷积模块3的卷积核尺寸为1×1；卷积模块4的卷积核尺寸为3×1；卷积模块5的卷积核尺寸为5×1。
特别地，卷积模块中卷积核数量均为16，填充方式均为same，激活函数均为ReLU；卷积和池化步幅均为2。
级联融合层将3条卷积通道提取的深度特征沿长度方向进行拼接。
平坦层将级联融合后的多维特征一维化。
全连接层包括128个神经元，激活函数为ReLU。
输出层包括3个神经元，激活函数为softmax。
模型训练时的参数更新采用牛顿动量优化的随机梯度下降法，学习率为0.01，学习率衰减值为1e-6，动量值为0.8。
S5，输出哈密瓜农药残留鉴别结果，利用测试集对模型进行测试，结果如图3所示；无残留、百菌清和吡虫啉残留的鉴别准确率分别为100%、96%和92%，综合鉴别准确率达到95.83%。
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，本领域的技术人员应当理解，其依然可以对前述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同等替换；而这些修改或者替换，并不使相应的技术方案的本质脱离本发明实施例技术方案的精神与范围。
