基于深度学习机器视觉模型的水生蔬菜中4种有害元素提示系统研究.pdf
《基于深度学习机器视觉模型的水生蔬菜中4种有害元素提示系统研究.pdf》由会员分享,可在线阅读,更多相关《基于深度学习机器视觉模型的水生蔬菜中4种有害元素提示系统研究.pdf(4页珍藏版)》请在咨信网上搜索。
1、专题论著543JiangsuJ PrevMedV01:34.No.5江苏预防医学2 0 2 3年9 月第34卷第5期基于深度学习机器视觉模型的水生蔬菜中4种有害元素提示系统研究张昊,刘德哗,吉文亮江苏省疾病预防控制中心,江苏南京2 10 0 0 9摘要:目的建立一种基于机器视觉技术的水生蔬菜中4种有害元素含量水平提示系统,为食品风险监测采样过程中的风险提示提供技术支持。方法利用残差网络(ResNet)和稠密连接网络(DenseNet)机器视觉模型,对菱白、慈姑、荸荠、菱角、藕等5种水生蔬菜图片图像进行训练,结合本省水生蔬菜中铬、砷、铅、镉等4种有害元素风险监测数据,构建5种水生蔬菜的图像识别及
2、其有害元素含量水平的风险提示系统。结果利用现有Vegfru数据集中与之相关蔬菜图片总计150 0 多张,用两个模型进行12 0 轮训练后,训练集和验证集识别准确度均 8 3%。从训练时间的角度考虑,最终选择Resnet-152模型用于预测。利用该模型对市面上购买的5种水生蔬菜进行识别,同时给出对应的铬、铅、镉等4种有害元素含量范围,验证结果表明,4种有害元素含量均在提示范围内。结论利用深度学习模型建立了对特定水生蔬菜有高辨识度的识别系统,结合已有食品风险监测数据,形成了4种有害元素污染浓度范围提示功能,可用于食品安全风险监测工作。关键词:残差神经网络;稠密连接网络;水生蔬菜;有害元素;风险提示
3、中图分类号:R113文献标识码:A文章编号:10 0 6-90 7 0(2 0 2 3)0 5-0 543-0 4Study on an alert system for four harmful elements in aquatic vegetablesbased on a deep learning-enabled machine vision modelZHANG Hao,LIU De-ye,JI Wen-liangJiangsu Provincial Center for Disease Control and Prevention,Nanjing,Jiangsu 210009,Ch
4、inaAbstract:Objective To develop an alert system for four harmful elements in aquatic vegetables based on a machine vision mod-el,so as to provide technical supports for risk indication during the monitoring of food security.Methods The images of five types ofaquatic vegetables were trained,includin
5、g Zizania aquatica,Sagittaria sagitifolia,Eleocharis dulcis,water chestnut and lotus root usingthe residual neural network and densely connected network,and the risk monitoring data for four harmful elements(chromium,arsenic,lead and cadmium)in aquatic vegetables were captured in Jiangsu Province,to
6、 create a system for image recognition of five types of a-quatic vegetables and risk indication for harmful element contents.ResultsA total of 1 500 images captured from the currently availa-ble Vegfru dataset and associated vegetable images were subjected to 120 rounds of traning with the residual
7、neural network and denselyconnected network,and the accuracy of the training and test datasets were both 83%for image recognition.Based on training time,theResNet-152 model was finally selected for prediction,and such as model was employed for recognition of market-purchased five types ofaquatic veg
8、etables,which yielded the ranges of chromium,arsenic,lead and cadmium concentrations.In addition,the validation testsshowed that the levels of four harmful elements were all within the alert range.Conclusions A high-accuracy recognition system hasbeen developed for specific aquatic vegetations based
9、 on deep learning models,and the alert functions are generated for contaminationconcentration ranges of four types of harmful elements based on currently available food risk monitoring data,which may be feasible formonitoring of food security risk.Keywords:Residual neural network;Densely connected n
10、etwork;Aquatic vegetable;Harmful element;Risk indication水生蔬菜是一类生长在淡水环境中可食用的维管束植物,主要包括菱白、茨、荸荠、菱角、莲藕等。水生蔬菜主要分布在长江、珠江流域等我国南方地区,易通过自身根茎富集水系中有害金属。对这类产品中的重金属或有害非金属监测一直是食品安全监测重点2 4,但对蔬菜中有害金属及采样过程中的风险提示报道较少。:卷积神经网络(convolutionalneuralnetworks,CNN)是计算机视觉技术中最具代表D0I:10.13668/j.issn.1006-9070.2023.05.009作者简介:张昊
11、(198 7 一),男,江苏无锡人,副主任技师,主要从事理化检验方法研究工作通信作者:吉文亮,主任技师,E-mail:6 418 2 7 8 7 2 q q.c o m544JiangsuJPrevMed,Vol.34,No.5江苏预防医学2 0 2 3年9 月第34卷第5期性的算法之一5,是一个具有卷积计算和深度结构的神经网络,基本组件有输人层、卷积层、池化层、激活层和输出层。具体运行流程:当原始数据如1张彩色图片通过输人层接收,随后在隐藏层中的卷积层对输入图像进行卷积操作,提取出图像的特征;随后池化层对上一层输出进行降维操作,减少计算量的同时保留重要的特征信息,避免过拟合现象的发生;接着利
12、用激活函数用于引人非线性因素,增强模型的表达能力;最后在全连接层将前面的卷积层和池化层的输出映射到最终的输出结果上。全连接层通常由多个神经元组成,每个神经元与前一层的所有神经元相连,最终全连接层的输出结果可以是分类结果、回归结果等。通过模仿生物体的视觉产生机制,利用隐藏层中的卷积核、卷积层和池化层等层间网络结构对图像进行特征提取,将图像转变为特征数据;利用全连接层的区分函数完成不同特征数据分类,从而实现不同种类图片的区分,进而实现智能识别、分类功能。CNN已在食品快速识别方面取得了一定的研究成果6-8 。本文通过提取多种水生蔬菜特征,以经典的CNN模型为骨干模型,建立一种基于机器视觉技术的菱白
13、、慈姑、荸荠、菱角和藕等5种水生蔬菜识别方式,根据现有风险监测数据,建立铬、铅、镉等4种有害元素物质含量水平提示系统,为食品风险监测工作提示提供技术支持。1材料与方法1.1材料图像采集:智能手机华为P40;计算机硬件配置:Intel I9 core CPU,64G RAM,NvidiaRTX4090;软件配置:Windows11,Python3.9.4,CUDA11.8,py-torch2.1。实验样品为从市场采购的5种水生蔬菜(菱白、慈姑、荸荠、菱角、藕)各3份1.2模型训练集和验证集利用现有Vegfru数据集9中与之相关蔬菜(菱白、慈姑、荸荠、菱角和藕)总计150 0 多张图片,保存格式为
14、JPG格式,分辨率为224像素2 2 4像素,同一蔬菜图片数不少于30 0 张。为保证图像识别准确性,部分图片在-45+45间随机旋转,水平翻转选择一个翻转概率,垂直翻转;概率转换为灰度率。对市场采购蔬菜在采购时进行图像采集并进行预处理,尺寸调整为2 2 4像素2 2 4像素。将现有蔬菜图片数据库按4:1比例随机划分为训练集与验证集,将采集现场图片为测试集。1.3模型选择择虽然CNN是一种在计算机视觉和图像处理领域广泛使用的深度学习模型,但也面临着许多挑战,如梯度消失和梯度爆炸等问题,为此,研究人员提出了ResNet和Densenet两种模型。ResNet在解卷积层之间引人了残差模块(Resi
15、dualBlock),即通过建立前一个卷积层(如图1中F1)与后一个卷积层(如图1中F2)之间的 短路连接”(shortcuts,s k i p c o n-nection),帮助在训练过程中目标函数梯度的反向传播,解决了传统CNN模型中因增加卷积层数造成误差率上升的现象,进而能训练出更有深度卷积神经网络模型。DenseNet则通过引人密集连接(dense connec-tion)和分解卷积(deconvolutionalconvolution)等技术,提高了网络参数量和特征表达能力。其中密集连接(d e n s e c o n n e c t i o n)是以前馈的方式将每一卷积层链接到后面
16、每一个卷积层,形成卷积层间的连接,这种设计可以缓解梯度消失问题,利用其稠密链接的正则化作用有效降低在少量训练集训练过程中的过拟合问题。具体模型单元示例见图1。ResNetXFFF,X2DenseNetXFF图1ResNet和DenseNet的基本骨架构成本次采用CNN算法模型中具有代表性的残差网络-152(residual network,ResNet-152)10))、稠密连接网络-2 0 1(denselyyconnected convolutional network,DenseNet-201)等经典骨干模型进行训练测试。在分类器模块由两个维度为50 0 的全连接层组成,同时在全连接层间
17、穿插个1个ReLU(Re c t i f i e d Li n e a r U n i t)函数。每个网络训练学习率设定为固定学习率(0.0 0 0 1),在模型优化方法方面使用自适应据估计(a d a p t i v e mo me n t e s t i ma t i o n,A d a m)进行优化,利用交叉熵损失(cross entropyloss)作为损失函数。选择Resnet-152、D e n s e n e t-2 0 1模型分别利用训练集进行120轮训练尝试。1.4数据分析及风险提示系统构建采用 SPSS对2016年江苏省风险监测数据中水生蔬菜中有害元素的测定结果进行四分位分
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 学习 机器 视觉 模型 水生 蔬菜 有害 元素 提示 系统 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。