[发明专利]一种食源性致病菌分类方法

说明书

本发明公开了一种食源性致病菌分类方法，包括：卷积神经网络的搭建以及用于模型评估的k折交叉验证。本发明使用基于卷积神经网络的方法，通过对卷积神经网络的结构配置及优化提高了食源性致病菌光谱分类的准确率。本发明主要解决的技术问题是通过对卷积神经网络建模实现食源性致病菌光谱数据分类的自动化，给食品安全从业者提供参考，提高食品安全检测的效率。

技术领域

本发明涉及拉曼光谱、食源性致病菌、卷积神经网络和机器学习等领域。

背景技术

到目前为止，我国食品中致病菌检测最常用的方法还是按照生物化学、微生物学理论上所建立的微生物传统检测法。最主要的有生化鉴定、肉眼形态观察、微生物分离培养以及血清学分型等鉴定方式。

这些方法操作繁琐，周期长，不能有效地起到监测、预防作用。如多重PCR检测体系，基于FTA滤膜的基因芯片检测等技术，分类的准确率并不高，识别的种类数也较少。而且相对于传统的机器学习算法，人工提取特征成本较高，往往还会存在一定的局限性。

发明内容

本发明提供一种食源性致病菌分类方法，能够解决现有的方法操作繁琐，周期长，不能有效地起到监测、预防作用、成本高的问题。

本发明提供一种食源性致病菌分类方法，所述方法包括：

S1：在Origin软件中使用Savitzky-Golay滤波器和非对称最小二乘对原始大肠杆菌O₁₅₇：H₇、布鲁氏菌S2株致病菌光谱预处理去除荧光背景，得到致病菌的光谱；

S2：在Origin软件中将去除荧光背景的光谱截断为偏移600至2000的区间内，以绘制光谱图片；

S3：构建多层卷积神经网络，所述多层卷积神经网络包括卷积层、池化层和Iception卷积模块；对所述光谱图片进行卷积后再进行BatchNormalizaton，再通过非线性激活函数，将局部的不变特性传递给深层网络；

S4：取k＝5进行交叉验证，重复5次将原始数据随机打乱后按7∶3划分训练集、测试集，分别将5组训练集用S3中的多层卷积神经网络训练得到5组不同的测试结果，最后取其平均值，获得总体性能指标。

进一步的，上述方法中，所述多层卷积神经网络为具有42个卷积层的GoogLeNet的网络结构。

进一步的，上述方法中，所述Iception卷积模块使用非对称的卷积核。

进一步的，上述方法中，对所述光谱图片进行卷积，包括：

在进行第二层卷积时，对输入的特征图进行ZeroPadding。

进一步的，上述方法中，所述池化层为最大值池化，通过选取最大值对输入的特征图进行压缩，使特征图变小，只保留大于预设阈值的最显著的特征。

本发明包括：卷积神经网络的搭建以及用于模型评估的k折交叉验证。本发明使用基于卷积神经网络的方法，通过对卷积神经网络的结构配置及优化提高了食源性致病菌光谱分类的准确率。本发明主要解决的技术问题是通过对卷积神经网络建模实现食源性致病菌光谱数据分类的自动化，给食品安全从业者提供参考，提高食品安全检测的效率。

本发明针对食源性致病菌检测周期长，分类准确率低等现象，提出了一种基于卷积神经网络的食源性致病菌分类方法，能缓解目前人工识峰出现的误判问题；比起传统的神经网络，卷积神经网络具有参数共享，稀疏链接的优势，能用更少的参数训练出更高的准确率。其中GoogLeNet网络比起先前的LeNet，AlexNet及VGG网络，具有更深的网络结构，并用全局平均池化层取代了最后的全连接层，拥有更少的网络参数，并具有更强的抽取特征的能力。

说明书附图