一种基于深度学习卷积神经网络的食用菌快速识别系统及方法与流程

本发明属于人工智能技术领域，具体涉及一种基于深度学习卷积神经网络的食用菌快速识别系统及方法。

背景技术：

食用菌富含蛋白质、多糖、维生素、膳食纤维、矿物质等营养物质，食药用价值较高。研究发现，食用菌具有促进调和人体新陈代谢、提高免疫力、延年益寿、保健美颜等功效，能够用于预防和治疗肿瘤、糖尿病等疾病。随着我国生活水平不断提高，消费者对于生活品质和产品质量愈加关注，食用菌因其独特口味深受消费者青睐，市场需求量日益增加，相应产品质量要求也日趋严格。食用菌是一个庞大的生物类群，仅我国命名的菌种就有上千种，每年发生多起因误食有毒食用菌导致的中毒事件，并且随着我国贸易市场不断扩大，因食用菌掺假而导致的外贸纠纷严重影响我国食用菌产业的国际化进程。随着我国菌类资源开发和贸易的不断增加，菌类产品质量安全备受关注，因此亟需开发快速、可靠的质量检测方法为我国菌类产品生产安全及国际市场地位提供保障。

专利cn106226524a公开了“一种食用菌dsrna病毒的检测方法”，通过斑点杂交检测食用菌dsrna病毒的方法，该方法利用基于dsrna单克隆抗体j2的斑点杂交检测方法完成对香菇、草菇等食用菌的病毒检测；但是该方法需要培育专门的抗体和在专业操作人员指导下才能完成，耗时费力，成本高，而且在进行病毒检验中容易受操作熟练度和环境变化的影响，无法保证检测精度和推广使用范围。

目前国内对于食用菌识别存在诸多缺点，其一，食用菌识别方法主要通过对照法、触摸法等经验方法进行分析，检测人员所能识别的食用菌种类有限，且检测效率、精度较低；其二，采用传统的检测识别方法耗时费力、成本高，而且部分方法通过破坏食用菌实体来完成识别。然而食用菌对于保鲜方式十分敏感，人为触摸及费时的检测运输过程，降低了食用菌的保存周期，直接影响食用菌食用口感的同时也降低了市场竞争力；其三，随着食用菌市场的不断扩大，相关标准已经从掺假检测上升为品种、产地、等级等全方位、多指标同时鉴别，然而传统检测方法无法实现上述指标，只能实现对极少数高值产品简单的等级检测，限制了我国食用菌的全面发展，无法推广多品种食用菌市场化发展，直接影响了我国食用菌生产区的地方经济；其四，现有检测机构体系主要建立于检测机构和生产商之间，局限于对食用菌的识别能力，传统方法存在一定的不透明性，未能有效地保障消费者的权益。消费者未能及时或有效地了解市场上食用菌的具体信息，譬如种类、等级等，存在着盲目消费和误导消费等现象，不利于市场公平竞争和长期发展；最后，我国对于食用菌知识的普及程度较低，消费者仅能识别少数食用菌，对于外形相近的食用菌存在较大的盲区，无法有效分辨食用菌种类和生长状态，导致误食食用菌中毒事件经常发生。

因此，有必要针对进入市场的食用菌进行快速、准确的识别，建立对食用菌种类、等级、真伪等特征信息分析的完整体系，以最大限度地保障市场公平和食品安全，同时提高信息共享，完善和保障消费者权利体系。

技术实现要素：

针对目前现有技术存在的不足，本发明旨在解决所述问题之一；本发明提出一种基于深度学习卷积神经网络的食用菌快速识别系统及方法，能够实现食用菌快速、准确、多种类的无损识别。

一种基于深度学习卷积神经网络的食用菌快速识别系统主要包含深度学习卷积神经网络模块、消费者终端模块和控制端模块；所述深度学习卷积神经网络模块采集和分析信息传送至控制端模块，控制端模块用于存储数据信息，还具备整理分析的功能，再次将数据信息分享至消费者终端模块；

所述深度学习卷积神经网络模块包括样本收集中心、数据采集中心及深度学习卷积网络模型构建及优化中心；

所述样本收集中心是指对食用菌进行筛选，建立样本集；所述数据采集中心包括食用菌样本图片的采集和检测数据的获取；

所述控制端模块用于存储食用菌数的据信息；

所述消费者终端模块是指消费者直接接触的app访问控制端；消费者通过app访问控制端获取食用菌的相关信息。

所述样本收集中心的食用菌筛选是以产地、海拔为依据，通过人工或计算机识别进行样本采集，并将所筛选样本按7:1.5:1.5的数量比例划分为训练集、验证集和测试集。

所述食用菌样本图片的采集是指采用ccd相机获取食用菌样本的图片，通过获取食用菌样本不同角度的图片信息增加样本的代表性和完整性，构建食用菌ccd图片数据库。

所述检测数据的获取是指通过现有对照和咨询的方式获取对应食用菌样本的品种、产地、成熟度及该食用菌生物特征信息，建立食用菌样本的检测信息库，进而建立某一地区或者某一属目的食用菌数据库。

所述深度学习卷积神经网络建模及优化中心包括构建卷积神经网络模型和池化处理单元；卷积神经网络模型和池化处理单元对训练集食用菌ccd图片数据库和检测信息数据库之间的数据信息进行建模，得到即基于食用菌ccd图片的卷积神经网络模型。

所述基于食用菌ccd图片的卷积神经网络模型是基于训练集建立的模型，需要使用验证集进行超参数优化，同时对构建食用菌数据库时剔除的异常样本进行检测，配合不断调整的隐层深度，直至达到预期要求，最后以测试集样本对数据进行验证；若未达到设定精度，需再次调整隐层深度和样本容量，直至达到预定性能指标，即实现基于食用菌ccd图片的卷积神经网络模型的构建。

所述基于食用菌ccd图片的卷积神经网络模型包括三级，分别为输入级、探测级和池化级；

所述输入级是通过并行的多个卷积产生一组线性激活响应，包括稀疏交互与参数共享；首先将食用菌的图片信息作为输入数据进行分析，再利用卷积网络的稀疏交互提取有效像素点；参数共享是指在一个模型的多个函数中使用相同的参数，在含有多个隐层的神经网络中，参数共享是指权重共享，权重共享使得对于学习一组参数集合而言，只需学习一个参数即可，这降低了计算量和存储需求；

所述探测级是指每一个线性激活响应通过一个非线性激活函数；

所述池化级是指使用池化函数进行调整输出。

同时，消费者通过使用与基于食用菌ccd图片的卷积神经网络模型相配套的手机app拍摄或扫描市场所售食用菌，将所采集的信息发送给卷积神经网络模型进行检测，检测结果会及时发送至客户端，并同步反馈给控制端进行存储，同时通过控制端分享至消费者终端，实现信息实时共享；消费者能够及时了解所售食用菌的种类、成熟度、注意事项等相关信息，并且监管部门能够更好的了解市场消费情况，及时做出预测和判断，从根本上有效的保障消费者权益和食品安全。

本发明的构建的系统使用后期，能够根据消费者或市场对检测对象指标及检测精度的要求变化后对深度学习模型进行的相应调整；根据消费者对食用菌种类属目及识别指标的不同要求，需要结合市场消费现状进行检测指标和检测精度调整，通过设置控制端进行直接或远程调整。

基于上述系统，本发明还提供一种基于深度学习卷积神经网络的食用菌快速识别方法，包括如下步骤：

步骤1：样本筛选，通过采用人工或计算机识别挑选不同品种以及对应产地的待测样本，建立样本集；

步骤2：样本处理及划分，根据步骤1得到的样本集，按7:1.5:1.5的比例划分为训练集、验证集和预测集；

步骤3：数据采集，使用ccd相机获取步骤2中训练集、验证集和预测集的食用菌ccd图片和相应食用菌产地、成熟、种类及生物特征的指标信息；

步骤4：使用步骤3中训练集的数据进行建模，以食用菌ccd图片作为卷积神经网络的输入，以相应样本的种类、产地、成熟度及生物特征指标作为输出，通过结合具有多个隐藏层的卷积神经网络及池化处理单元建立基于食用菌ccd图片的卷积神经网络模型；

步骤5：使用步骤3验证集数据对步骤4所建基于食用菌ccd图片的卷积神经网络模型进行验证，同时根据验证结果不断调整模型的超参数，实现对步骤4建立的基于食用菌ccd图片的卷积神经网络模型进行参数优化；

步骤6：使用步骤3测试集数据对在步骤5经过参数优化的基于食用菌ccd图片的卷积神经网络模型进行性能评价，若未满足预设预测精度要求，则返回步骤4进行重新建模，若多次返回重新建模仍未达到要求，则返回步骤1，扩大建模的样本，直至达到预设精度要求；

步骤7：利用步骤6得到的模型进行食用菌识别，并将检测结果存储于控制端；

步骤8：将控制端和智能终端网络连接，建立完整的网络结构；

步骤9：消费者通过消费者终端模块上的app获取食用菌图片信息，同时卷积神经网络模型对图片信息采用快速卷积和池化处理的方式进行数据分析，检测结果存储在控制端；并同时通过控制端分享至消费者终端，实现食用菌信息的实时共享；监管部门也可以实时访问控制端查看食用菌检测指标结果以及市场食用菌消费情况。

本发明的有益效果：

本发明通过使用卷积神经网络，建立食用菌图片信息和种类指标之间的模型，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)本发明采用图片信息作为输入，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)本发明采用图片信息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，降低了系统精度。

(3)本发明采用卷积神经网络，能够完成多变量同时测量，实现成倍地缩减检测时间，对于食用菌这种对保鲜时间和存储方式有严格要求的食材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，对松茸等名贵食用菌而言，在确保检测精度的同时需要考虑检测成本，以样本图片为输入，样本种类及成熟度等指标为输出，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)手持终端和控制端确保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。

附图说明

图1是本发明总体架构图；

图2是图1中卷积神经网络数据处理流程图；

图中：110-待检测样品、120-ccd相机、130-食用菌代表样本、140-市场监管部门、150-深度学习模型、160-手机终端app、170-市场监管终端控制器、180-消费者、190-pc控制端、200-无线传输网络。

具体实施方式

下面结合附图对本发明作进一步说明。

本发明将深度学习卷积神经网络和食用菌识别技术相结合，根据国内居民消费和国家进出口贸易现状，提出一种针对食用菌种类、产地等指标的快速无损识别方法，图1为本发明总体架构图，图中体现了深度学习模型150、控制端170、手持终端160、消费者180和监管部门140之间的关系，在深度学习模型150建立食用菌识别模型后，将经过该模型分析的检测结果存放在控制端的云服务器，消费者180通过手持终端160安装的app访问云服务器以获得检测结果；同时监管部门140也可以访问云服务器获得检测结果。

本发明包含样本收集、数据采集及预处理、网络模型建立及优化三部分，各环节采用的检测方法能够最大程度地剔除无用信息，采用食用菌图片作为系统输入能够增加有效输入变量，卷积神经网络150则有效地减少计算量和存储空间，使用训练集完成建模后，需要使用验证集和测试集对深度学习模型150系统的超参数进行调整。

步骤具体如下：

步骤1：样本筛选，采集食用菌样本110，通过人工或者计算机识别挑选不同品种及相应产地的食用菌样本130，建立样本集，并按照7:1.5:1.5的数量比例划分为训练集、验证集和测试集，同时剔除异常样本；

步骤2：数据采集，通过ccd相机120采集食用菌图片数据和采集检测样本的指标数据，指标数据包括产地、种类、成熟度和食用方式等；

步骤3：使用训练集进行建模，以食用菌照片作为卷积神经网络150的输入，以相应食用菌的种类、产地、成熟度及生物特征指标作为输出，通过结合具有多个隐藏层的卷积神经网络及池化处理单元建立基于食用菌ccd图片的卷积神经网络模型150；

步骤4：使用步骤2中的验证集数据对步骤3所建基于食用菌ccd图片的卷积神经网络模型150进行验证，同时根据验证结果不断调整模型的超参数，实现对步骤3建立的基于食用菌ccd图片的卷积神经网络模型150进行参数优化；

步骤5：使用步骤2测试集数据对在步骤4经过参数优化的基于食用菌ccd图片的卷积神经网络模型150进行性能评价，若未满足预设预测精度要求，则返回步骤3进行重新建模，若多次返回重新建模仍未达到要求，则返回步骤1，扩大食用菌的样本，直至达到预设精度要求；

步骤6：进行控制端170、消费端180、手持终端160和监管部门140之间的无线网络200连接，建立完整的网络结构；

步骤7：消费者通过消费者终端模块上的app获取食用菌图片信息，同时卷积神经网络模型对图片信息采用快速卷积和池化处理的方式进行数据分析，检测结果存储在控制端；并同时通过控制端分享至消费者终端。

附图2说明卷积神经网络150在本发明中的处理过程，主要包含输入层、卷积层、采样层、链接层和输出层，其中输入层是检测对象32x32大小的食用菌图片，输出是包含种类、成熟度、产地等在内的10个测量指标，复合的多个卷积层和采样层采用参数共享和稀疏交互进行逐层稀疏特征提取，层的数目决定了卷积神经网络的深度，在具体实施过程中结合不同的检测对象110进行调整，连接层是将随后一层包含输出特征的卷积层和输出层进行连接。在检测过程中，根据输出层变量的不同选择不同的输出层函数，本发明中第一层卷积层是6个特征映射，每一个特征映射为28x28的神经阵列，第二层为一个含有6个14x14特征映射的采样层，第三层为含有16个特征映射的卷积层，每一个卷积层为10x10的神经矩阵，第四层为含有16个5x5特征映射的采样层，第五层是120维特征向量，第六层是由84个神经元组成的链接层，最后一层是由10个检测指标相对应向量组成的输出层，整个网络在计算过程中步长均设为1。

说明：以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但是本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换；而一切不脱离本发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围内。