[发明专利]基于多信息票拟机制和DAN算法的谷物产地溯源方法

权利要求书

1.一种谷物产地溯源方法，其特征在于，所述方法包括：

获取第一数量个源域样本数据以及第二数量个目标域样本数据，每个源域样本数据包括源域谷物的多种目标光谱信息以及所述源域谷物对应的产地标签，每个目标域样本数据包括目标域谷物的多种目标光谱信息以及所述目标域谷物对应的产地标签；

根据所述第一数量个源域样本数据以及第一损失函数，对待训练神经网络模型进行训练，得到源域谷物产地识别模型，所述第一损失函数包括第一损失项、第二损失项以及第三损失项，所述第一损失项表征样本数据的预测产地以及样本数据的产地标签之间的差异，所述第二损失项表征样本数据包括的多种目标光谱信息的原始特征，所述第三损失项表征源域样本数据与目标域样本数据之间的领域分布差异；

根据所述第二数量个目标域样本数据，对所述源域谷物产地识别模型进行迁移学习，得到目标域谷物产地识别模型，所述目标域谷物产地识别模型用于对目标域谷物进行产地溯源识别。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第二数量个目标域样本数据，对所述源域谷物产地识别模型进行迁移学习，得到目标域谷物产地识别模型，包括：

根据所述第二数量个目标域样本数据以及第二损失函数，对所述源域谷物产地识别模型进行训练，得到目标域谷物产地识别模型，所述第二损失函数包括所述第一损失项以及所述第二损失项。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取每种源域谷物的多种原始光谱信息，以及每种目标域谷物的多种原始光谱信息；

采用z-score标准化方法对每种原始光谱信息进行数据预处理，得到每种原始光谱信息对应的中间光谱信息；

对每种中间光谱信息进行降维处理，得到每种目标光谱信息。

4.根据权利要求1所述的方法，其特征在于，所述第二损失项通过以下公式表示：

其中，loss2表示第二损失项，为一个正则化项，λ表示正则化参数，a、b、c分别为对应种类的目标光谱信息的票拟系数，通过模型训练得到，表示样本数据的第p种目标光谱信息，表示l²范数求解，样本数据为所述源域样本数据或者所述目标域样本数据。

5.根据权利要求1所述的方法，其特征在于，所述第三损失项通过以下公式表示：

其中，MMD(X_S,X_T)表示，X_kS表示第k个源域样本数据，X_iT表示第i个目标域样本数据，m表示源域样本数据的数量，n表示目标域样本数据的数量，表示希尔伯特空间，φ(·)表示从样本数据空间χ到希尔伯特空间的特征空间映射。

6.根据权利要求1所述的方法，其特征在于，所述源域谷物的多种目标光谱信息包括激光诱导击穿光谱信息、近红外光谱信息以及高光谱信息，所述目标域谷物的多种目标光谱信息包括激光诱导击穿光谱信息、近红外光谱信息以及高光谱信息。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述待训练神经网络模型为一维ResNet-18网络。