一种基于深度学习的家蚕微粒子病无损检测方法及系统

本发明涉及拉曼光谱数据分类，尤其涉及一种基于深度学习的家蚕微粒子病无损检测方法及系统。

背景技术：

1、家蚕微粒子病是一种由家蚕微孢子(nosema bombycis，nb)感染、寄生引起的蚕病，主要通过食下传染和胚种传染两种方式传播。家蚕微粒子病对蚕丝业生产具有毁灭性危害，被列为蚕种生产的唯一法定检验对象。母蛾镜检法是防止胚种传播微粒子病原的有效措施，也是目前最常用的家蚕微粒子病检测方法。然而，母蛾镜检工序复杂、检测时间长且检测结果受检测人员技术水平及经验等诸多主观因素影响，已经不能满足如今的生产需求；

2、拉曼光谱可以提供生物体内大分子的指纹图谱信息，如蛋白质、糖类和脂质，但原始的拉曼信号较弱、容易受到噪声干扰且同种物质的拉曼光谱差异极小，难以通过人为辨认，因此，在光谱分类的应用中广泛结合了传统的机器学习方法，现有的有利用近红外漫透射光谱，建立偏最小二乘判别分析(pls_da)、后向传播神经网络(bpnn)以及支持向量机分类(svm)判别模型快速无损鉴别家蚕种茧茧壳内蚕蛹的雌雄，建立了基于自荧光光谱、拉曼光谱和混合光谱的pls_da模型实现柑橘黄龙病的快速检测，进一步还有基于支持向量机的自助重加权采样(brs-svm)的特征选择方法，挑选近红外光谱的特征波长，随后使用svm建模，在挑选少量特征的情况下，brs-svm优于其他特征选择算法，但是传统机器学习方法对样本的分类效果主要取决于光谱预处理策略，且多以人为经验寻找最佳预处理策略，效率不高。

技术实现思路

1、为了解决上述技术问题，本发明的目的是提供一种基于深度学习的家蚕微粒子病无损检测方法及系统，通过构建基于r-densenet的深度学习分类模型实现对家蚕微粒子病拉曼光谱的快速、准确且无损的检测。

2、本发明所采用的第一技术方案是：一种基于深度学习的家蚕微粒子病无损检测方法，包括以下步骤：

3、采集家蚕蚕卵样品的拉曼光谱数据并进行数据预处理，构建家蚕微粒子病拉曼光谱数据集；

4、引入密集连接块与转换层，构建基于r-densenet的深度学习分类模型；

5、基于r-densenet的深度学习分类模型对家蚕微粒子病拉曼光谱数据集进行分类训练，得到家蚕微粒子病分类学习结果。

6、进一步，所述采集家蚕蚕卵样品的拉曼光谱数据并进行数据预处理，构建家蚕微粒子病拉曼光谱数据集这一步骤，其具体包括：

7、获取家蚕蚕卵样品；

8、将家蚕蚕卵样品置于玻片上，通过激光共聚焦显微拉曼光谱仪对家蚕蚕卵样品进行拉曼激光采集，得到家蚕蚕卵样品的拉曼光谱数据；

9、将经过拉曼激光采集的家蚕蚕卵样品放置于温度为25.5～26.5℃、相对湿度大于85％的人工气候箱中进行催青孵化处理，得到蚁蚕和死卵；

10、将蚁蚕和死卵放入研钵中并加入清水进行研磨处理，制备样本压片；

11、对样本压片进行显微镜检，根据镜检结果对进行家蚕蚕卵标注处理，得到家蚕蚕卵标注样本，所述家蚕蚕卵标注样本包括患家蚕微粒子病样本和健康对照样本；

12、基于家蚕蚕卵样品的拉曼光谱数据，对家蚕蚕卵标注样本进行数据增强处理，得到家蚕微粒子病拉曼光谱数据集。

13、进一步，所述基于家蚕蚕卵样品的拉曼光谱数据，对家蚕蚕卵标注样本进行数据增强处理，得到家蚕微粒子病拉曼光谱数据集这一步骤，其具体包括：

14、基于家蚕蚕卵样品的拉曼光谱数据，对家蚕蚕卵标注样本进行平移光谱增强处理，得到平移扩增家蚕微粒子病拉曼光谱数据集；

15、对家蚕蚕卵样品的拉曼光谱数据进行随机添加噪声处理，得到噪声扩增家蚕微粒子病拉曼光谱数据集；

16、使用总和为1的随机比例系数，对同类样品的多个家蚕蚕卵样品的拉曼光谱数据曲线进行线性叠加，得到叠加后的家蚕微粒子病拉曼光谱数据集，所述同类样品为患家蚕微粒子病样本或健康对照样本；

17、结合平移扩增家蚕微粒子病拉曼光谱数据集、噪声扩增家蚕微粒子病拉曼光谱数据集和叠加后的家蚕微粒子病拉曼光谱数据集，得到家蚕微粒子病拉曼光谱数据集。

18、进一步，所述引入密集连接块与转换层，构建基于r-densenet的深度学习分类模型这一步骤，其具体包括：

19、构建的基于r-densenet的深度学习分类模型包括一个初始卷积层、四个密集连接块、三个转换层、一个平均池化层和一个全连接层，所述基于r-densenet的深度学习分类模型的网络层结构依次为初始卷积层、第一密集连接块、第一转换层、第二密集连接块、第二转换层、第三密集连接块、第三转换层、第四密集连接块、平均池化层和全连接层；

20、所述初始卷积层有64个卷积核，卷积核尺寸为1×5，设置步长为2，填充策略为边缘填充；

21、在两个密集连接块之间设有一个转换层，该转换层将上一密集连接块输出的特征通道数进行压缩，接着传输到下一个密集连接块；

22、所述转换层由步长为1、尺寸为1×1的卷积层核和步长为2、尺寸为1×2的平均池化层组成；

23、所述平均池化层的尺寸为1×7，设置步长为2，填充策略为边缘填充。

24、进一步，所述密集连接块中的基本结构包括第一批量归一化层、第一relu激活函数、1×1卷积层、第二批量归一化层、第二relu激活函数和1×3卷积层，其中所述第一密集连接块由一个基本结构组成，所述第二密集连接块由两个基本结构组成，所述第三密集连接块由十个基本结构组成，所述第四密集连接块由十六个基本结构组成。

25、进一步，所述基于r-densenet的深度学习分类模型对家蚕微粒子病拉曼光谱数据集进行分类训练，得到家蚕微粒子病分类学习结果这一步骤，其具体包括：

26、将家蚕微粒子病拉曼光谱数据集输入至基于r-densenet的深度学习分类模型；

27、基于r-densenet的深度学习分类模型的初始卷积层对输入的家蚕微粒子病拉曼光谱数据集进行卷积核计算处理，得到家蚕微粒子病拉曼光谱数据的特征信息；

28、基于r-densenet的深度学习分类模型的密集连接块对家蚕微粒子病拉曼光谱数据的特征信息进行密集连接处理，输出家蚕微粒子病拉曼光谱数据的特征通道数；

29、基于r-densenet的深度学习分类模型的转换层对家蚕微粒子病拉曼光谱数据的特征通道数进行压缩处理，输出压缩后的家蚕微粒子病拉曼光谱数据特征通道数；

30、基于r-densenet的深度学习分类模型的平均池化层对压缩后的家蚕微粒子病拉曼光谱数据特征通道数的特征矩阵进行平均计算，得到压缩特征矩阵；

31、基于r-densenet的深度学习分类模型的全连接层对压缩特征矩阵的所有结点进行相连，得到综合特征信息；

32、基于softmax函数对综合特征信息进行映射处理，映射至(0，1)区间内，输出家蚕微粒子病分类学习结果。

33、进一步，所述基于r-densenet的深度学习分类模型的密集连接块对家蚕微粒子病拉曼光谱数据的特征信息进行密集连接处理，输出家蚕微粒子病拉曼光谱数据的特征通道数这一步骤，其具体包括：

34、将家蚕微粒子病拉曼光谱数据的特征信息输入至基于r-densenet的深度学习分类模型的密集连接块；

35、基于密集连接块的批量归一化层将家蚕微粒子病拉曼光谱数据的特征信息强制在统一的数据分布下；

36、基于密集连接块的relu激活函数对批量归一化层输出的数据进行映射处理；

37、基于密集连接块的卷积层对映射后的家蚕微粒子病拉曼光谱数据进行特征提取处理，输出家蚕微粒子病拉曼光谱数据的特征通道数。

38、进一步，所述密集连接块的批量归一化层采用交叉熵作为模型训练中的损失函数，其表达式具体如下所示：

39、

40、上式中，xi表示第i个光谱样本；yi表示第i个光谱样本的标签；yi,k表示将第i个样本的预测类别k；pi,k表示将第i个样本预测为类别k的概率；n表示样本个数；k表示类别个数。

41、本发明所采用的第二技术方案是：一种基于深度学习的家蚕微粒子病无损检测系统，包括：

42、采集模块，用于采集家蚕蚕卵样品的拉曼光谱数据并进行数据预处理，构建家蚕微粒子病拉曼光谱数据集；

43、构建模块，用于引入密集连接块与转换层，构建基于r-densenet的深度学习分类模型；

44、分类模块，基于r-densenet的深度学习分类模型对家蚕微粒子病拉曼光谱数据集进行分类训练，得到家蚕微粒子病分类学习结果。

45、本发明方法及系统的有益效果是：本发明通过采集家蚕蚕卵样品的拉曼光谱数据，拉曼光谱可以提供生物体内大分子的指纹图谱信息，如蛋白质、糖类和脂质，进一步通过对采集到的家蚕蚕卵样品的拉曼光谱数据进行数据增强处理，数据扩增消除了正负样本极度不平衡的情况，分类器能正确识别大部分的样本，提高了模型的泛化能力，最后通过构建r-densenet的深度学习分类模型对家蚕微粒子病拉曼光谱数据集进行分类训练，r-densenet与resnet模型准确率相当，但模型训练的参数量仅为resnet的1/3，大幅节省了计算成本，显著提升了模型的识别效率，更有利于网络的训练与部署。