科创中国

本发明公开了一种基于卷积神经网络的松茸快速无损检测系统及方法，包括深度学习卷积神经网络模型、控制端和消费者终端；深度学习卷积神经网络模型包括样本收集、数据采集、深度学习卷积神经网络建模及优化；样本收集完成对检测对象的样本筛选建立样本集，并将样本集分为训练集、验证集和测试集；数据采集包括样本化学含量测量和光谱数据采集；深度学习卷积神经网络建模及优化利用深度学习中的卷积神经网络模型和池化处理对经过预处理的光谱数据和相应的化学含量进行建模；深度学习卷积神经网络模型对松茸的检测结果存储在所述控制端；消费者终端通过访问控制端能够得到松茸的检测数据。本发明能够有效降低检测成本，并有利于监管部门监管市场。

本发明的目的在于解决目前无损检测存在的主要问题，提出一种基于深度学习和近红外光谱分析的松茸快速无损检测方法，能够实现对松茸等食用菌快速、准确、多变量的快速无损检测，整个系统主要包含深度学习卷积神经网络模型部分、消费者终端部分和控制端部分。所述深度学习卷积神经网络模型部分包括样本收集、数据采集、深度学习卷积网络建模及优化三部分。所述样本收集部分是指完成对检测对象的样本筛选，需要建立具有完整性、代表性的样本集，才能确保样本的代表性和预测模型的准确性。对于特定的检测对象，以产地、海拔等为依据通过常规选择或计算机识别进行样本采集，并将样本按比例分为训练集、验证集和测试集。

现代近红外光谱分析技术是利用化学物质在NIR光谱区内的光学特性，快速测定样品中一种或多种化学成分含量和特性的新物理测定技术，具有样品用量少，样品无损失，分析速度快，同时测定多指标，无废物污染以及成本低，利用率高等常规方法无法比拟的优点，已被广泛应用于食品质检、石油化工、农业生产、临床制药等领域。

深度学习是一种采用多层非线性变换的信息提取方法，通过无监督训练或有监督训练训练一组能够提取数据丰富内涵的网络参数，最终用于信息提取或转换以及模式分类等任务。它所具有的这种多层特征表示结果使其能够对数据间的复杂关系进行拟合，其中高层特征受底层驱动得以挖掘更深层的信息，这样把多层叠加起来，从而构建一个层次化的特征提取体系。

此技术是江苏大学潘天红研发，江苏大学，位于江苏省镇江市，宗旨和业务范围是“培养高等学历人才，促进科技文化发展。经济学类、法学类、教育学类、文学类、理学类、工学类、医学类、管理学类、艺术学类学科本科、硕士研究生学历教育历史学类、农学类学科本科学历教育哲学类学科硕士研究生学历教育工学类、医学类、管理学类学科博士研究生学历教育博士后培养科学研究继续教育专业培训学术交流”。

与现有技术相比，本发明的有益效果：

本发明通过使用卷积神经网络，建立近红外光谱图和化学组分含量之间的模型，同时结合控制端和手持终端建立完整的网络架构，相比于已有检测方法，本方法所具有的优势和特点为：

1.采用近红外光谱图为输入，结合深度学习对于大数据的处理能力，极大地提高了有效的输入变量，虽然增大了输入变量，但是卷积神经网络的参数共享和稀疏交互又有效地降低了计算量和存储要求，有效地提高了系统的快速性。

2.采用谱图输入提高了样本的有效信息，提高了系统的准确性，现有检测方法只是提取部分特征值，减少了部分有效输入，降级了系统精度。

3.采用卷积神经网络，能够完成多变量同时测量，实现成倍地缩减检测时间，对于松茸这种对保鲜时间有严格要求的食用菌而言有利于进一步开拓市场。

4.多变量同步测量降低了检测成本，对松茸等名贵物质检测而言，在确保检测精度的同时需要考虑检测成本，以光谱图为输入，多变量组分含量为输出，实现一个检测物体的多变量同时检测，有效降低检测成本。

5.手持终端和控制端保障了消费者对食品信息的实时了解，避免了市场误导消费和盲目消费等现象，保障了消费者基本权益，同时有利于政府监管部门有效地监管市场，促进市场良好有序发展。

技术转让，许可，合作所需资金需双方协商，此项技术想尽快落地保定，希望具备此项技术研发的技术方，能够尽快承接此项目。