(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210637425.8 (22)申请日 2022.06.08 (71)申请人 福建江夏学院 地址 350108 福建省福州市闽侯县福州地 区大学新校区溪 源宫路2号 (72)发明人 陈冬英　张子龙　张昊　黄淑燕　 魏建崇　俞达　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 陈鼎桂　蔡学俊 (51)Int.Cl. G01N 21/359(2014.01) G01N 21/01(2006.01) (54)发明名称 基于近红外光谱特征和1D-VD-CNN的金银花 产地溯源方法 (57)摘要 本发明涉及一种基于近红外光谱特征和1D ‑ VD‑CNN的金银花产地溯源方法， 包括以下步骤： 步骤S1:获取金银花近红外光谱数据， 并预处理； 步骤S2构建改进的1D ‑VD‑CNN模型,并基于预处 理后的金银花近红外光谱数据进行训练； 步骤 S3:根据训练后的1D ‑VD‑CNN模型,对待测金银花 进行产地溯源。 本发明能够快速高精度的鉴别金 银花产地。 权利要求书2页 说明书5页 附图3页 CN 115184300 A 2022.10.14 CN 115184300 A 1.一种基于近红外光谱特征和1D ‑VD‑CNN的金银花产地溯源方法， 其特征在于， 包括以 下步骤： 步骤S1:获取 金银花近红外光谱数据， 并预处 理； 步骤S2构建改进的1D ‑VD‑CNN模型,并基于预处理后的金银花近红外光谱数据进行训 练； 步骤S3:根据训练后的1D ‑VD‑CNN模型,对待测金 银花进行产地溯源。 2.根据权利 要求1所述的基于近红外光谱特征和1D ‑VD‑CNN的金银花产地溯源方法， 其 特征在于， 所述 步骤S1中预处 理方法具体为： 在matlab软件中采用KS方法对样本数据集进行划分， 按预设比例分为训练数据集和测 试数据集； 将所有样本根据光谱吸收率数值从低到高排序， 均分为N组， 分别计算N组的实际各个 产地好的样本数、 坏的样本数， 累计各地好的样本数、 坏的样本数， 各地累计的好的样本数 和坏的样本数占比、 差值； 其中， 实际某个产地好坏样本数分别为该数据内的好坏样本数， 产地累积的好坏样本 数为该组累积的好坏样本数， 累积好坏样本数占比为累积好坏样本数占总好坏样本数的比 值， 差值为累积坏样本数占比减去累计好样本数占比； KS 指标为差值 绝对值的比值； 随机选取预设比例的样本数据作为模型的测试集， 剩下的样本数据为模型的训练集， 其中训练集再随机切分出预设比例的验证集作为模型选择的验证依据， 训练集中剩下作为 模型的训练数据。 3.根据权利 要求2所述的基于近红外光谱特征和1D ‑VD‑CNN的金银花产地溯源方法， 其 特征在于， 所述构建改进的1D ‑VD‑CNN模型， 具体为： (1)将传统1D ‑CNN的隐含层分为两个部分 ‑‑特征层和分类层； (2)对特征层的设计转换为约束优化设计； (3)分类层的设计， 去掉全连接层， 用多个卷积层替代。 4.根据权利 要求3所述的基于近红外光谱特征和1D ‑VD‑CNN的金银花产地溯源方法， 其 特征在于， 所述约束优化设计包括学习能力设计和学习必要性设计， 具体为： (1)学习能力设计 引入一个值C： 其中， nconc为实际的卷积核大小， nfield为感受野大小， 即特征图大小， 且每个卷积层 的C值都应该 大等于1/ 6； (2)学习的必要性设计 根据第一个约束条件设计， 加入若干维的卷积层， 并与下采样结合， 且顶层的感受野大 小应该等于数据向量的大小。 5.根据权利 要求1所述的基于近红外光谱特征和1D ‑VD‑CNN的金银花产地溯源方法， 其 特征在于， 所述改进的1D ‑VD‑CNN模型训练， 具体为： 1)设定CNN的结构， 给定 输入， 然后初始化相应的权值和设置超参数； 2)训练过程中， 通过前向传播计算模型误差， 判断是否达到设定的训练的迭代次数， 若权　利　要　求　书 1/2 页 2 CN 115184300 A 2没有达到， 则将误差反向传播， 计算和更新每一层的参数； 当达到训练迭代 次数时， 结束训 练， 固化CN N各层的模型参数， 保存 模型。 6.根据权利 要求1所述的基于近红外光谱特征和1D ‑VD‑CNN的金银花产地溯源方法， 其 特征在于， 所述改进的1D ‑VD‑CNN模型测试， 具体为： 首先读取训练阶段所保存的模 型文件， 初始化模型 结构， 恢复模型参数， 输入测试 数据， 最终输出 型分类结果。权　利　要　求　书 2/2 页 3 CN 115184300 A 3