[发明专利]基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法

权利要求书

1.一种基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法，用于获取多种食用油的种类标签，其特征在于，包括如下步骤：

步骤1，采用低场核磁共振设备与CPMG序列采集多个种类已知的食用油原始信号数据文件，而后分别读取CPMG原始信号数据文件作为训练集的第一原始信号数据与测试集的第二原始信号数据；

步骤2，将所述第一原始信号数据与所述第二原始信号数据绘制成横向弛豫衰减曲线并对该衰减曲线进行衰减截止点的判断，并根据所得的衰减截止点对所述所述第一原始信号数据所述第二原始信号数据进行信号截取，得到不包含噪声的所述训练集的第一去噪信号数据与所述测试集的第二去噪信号数据；

步骤3，将所述第一去噪信号数据与所述第二去噪信号数据进行归一化处理，得到所述训练集的第一归一化信号数据与所述测试集的第二归一化信号数据；

步骤4，将所述第一归一化信号数据用于构建一维卷积神经网络模型即CNN模型；

步骤5，将所述第二归一化信号数据输入CNN模型进行测试，得到所述测试集中的食用油的种类标签。

2.根据权利要求1所述的基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法，其特征在于：

其中，所述步骤2中，衰减截止点的判断包括如下子步骤：

步骤2-1，选取所述横向弛豫衰减曲线最后100个坐标对应信号数据的平均值作为信号截止信号；

步骤2-2，设置信号值与衰减截止值的误差为0.5，并取每一种类食用油的第一个满足截止条件的坐标值作为所述衰减截止点；

步骤2-3，选择所有种类食用油中最大的衰减截止点作为边界点，对所述第一去噪信号数据与所述第二去噪信号数据进行截取得到所述第一去噪信号数据与所述第二去噪信号数据。

3.根据权利要求1所述的基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法，其特征在于：

其中，所述步骤3中进行归一化的范围为[0，1]。

4.根据权利要求1所述的基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法，其特征在于：

其中，所述步骤4中，CNN模型包括Conv1D卷积层、AveragePooling1D池化层以及Dense全连接层，

所述步骤4包括如下子步骤：

步骤4-1，在所述Conv1D卷积层采用Relu激活函数提取食用油一维信号特征；

步骤4-2，在所述AveragePooling1D池化层采用Relu激活函数对所述食用油一维信号特征进行压缩，提取主要特征；

步骤4-3，在所述Dense全连接层连接所有的所述主要特征，得到特征值，而后将所述特征值输入softmax分类器对其进行分类，得到所述测试集中的食用油的种类标签。