(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 202211152644.3 (22)申请日 2022.09.21 (71)申请人 同济大学 地址 200092 上海市杨 浦区四平路1239号 (72)发明人 关佶红　李辉　李文根　张毅超　 (74)专利代理 机构 上海德昭知识产权代理有限 公司 31204 专利代理师 陈龙梅 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/00(2019.01) G01N 33/02(2006.01) (54)发明名称 一种双编码半监督非靶向食品污染物检测 方法 (57)摘要 本发明提供一种双编码半监督非靶向食品 污染物检测方法， 包括： 利用食品特征成分数据 集， 以半监督学习形式训练双编码半监督异常检 测模型； 该模型采用编码器 ‑解码器‑编码器结 构， 其中两个编码器结构相同， 但网络参数不同， 如此， 训练过程中将产生两个隐含嵌入层； 将两 个隐含嵌入层特征之间的差异引入目标损失函 数； 对双编码半监督异常检测模型完成训练后， 对待检测食品数据进行非靶向污染物检测。 本发 明可以学习到表示正常食品样本的稳定流形分 布空间， 放大食品正常样本和异常样本之间的异 常得分差距， 进而有效提高非靶向污染物检测性 能。 相比其他机器学习方法， 本发明提高了对非 靶向食品污染物检测的准确性。 权利要求书2页 说明书8页 附图4页 CN 115545096 A 2022.12.30 CN 115545096 A 1.一种双编码半监 督非靶向食品污染物检测方法， 其特 征在于， 包括以下步骤： 步骤1， 获取食品特 征成分数据集作为训练数据； 步骤2， 构建双编码半监督异常检测模型， 该模型包括两个结构相同、 网络参数不同的 编码器和一个解码器； 步骤3， 利用所述训练数据以半监督学习形式对所述双编码半监督异常检测模型进行 训练， 并构建目标损失函数； 步骤4， 将待检测食品数据输入至训练好的双编码半监督异常检测模型进行非靶向污 染物检测， 从而获取对应的检测结果。 2.根据权利要求1所述的一种双编码半监 督非靶向食品污染物检测方法， 其特 征在于： 其中， 所述训练数据包括无 标签输入数据XU和有标签输入数据XL。 3.根据权利要求2所述的一种双编码半监 督非靶向食品污染物检测方法， 其特 征在于： 其中， 所述双编码半监 督异常检测模型采用编码器1 ‑解码器‑编码器2的结构， 所述编码器1用于将输入的训练数据x映射到低维流形空间， 得到其嵌入层特征z； 所述 解码器则用于将嵌入层特 征z映射回原来的特 征空间， 生成其重构特 征 编码器2与编码器 1结构相同， 用于再次将重构特 征 映射到低维流形空间， 生成 嵌入层特 征 4.根据权利要求3所述的一种双编码半监 督非靶向食品污染物检测方法， 其特 征在于： 其中， 在训练过程中， 将两个编码层对应产生的两个隐含嵌入层特征之间的差异引入 所述目标损失函数， 从而使所述双编 码半监督异常检测模型学习到稳定的正常数据低维流 形分布表示， 两个隐含嵌入层特 征之间的差异计算如下： 式中， ψd(·)表示解码器， wd为解码器网络参数。 5.根据权利要求3所述的一种双编码半监 督非靶向食品污染物检测方法， 其特 征在于： 其中， 所述无 标签输入数据重构的损失函数为： 所述有标签输入数据重构的损失函数为： 式中， φe(·)表示编码器1， ψd(·)表示解码器， θe和wd为对应的网络参数。 6.根据权利要求5所述的一种双编码半监 督非靶向食品污染物检测方法， 其特 征在于： 其中， 所述目标损失函数为 式中， 为无标签输入数据重构的损失函数： 为有标签输入数据重构的损失函数：权　利　要　求　书 1/2 页 2 CN 115545096 A 2为两个隐含嵌入层特 征之间的差异构成的损失函数： 为全局网络 权重衰减正则项： 其中， zi＝φe(xi； θe) 式中， φe(·)、 ψd(·)和φ’e(·)分别表示编码器1、 解码器和编码器2， xi为无标签输入 样本， M为无标签输入样本的数量， xj为有标签输入样本， N为有标签输入样本的数量， 为有标签输入样本的标签， W 为全局隐含层网络 权重参数， | |·||F表示F范数。 7.根据权利要求6所述的一种双编码半监 督非靶向食品污染物检测方法， 其特 征在于： 其中， 所述训练好的双编码边监督异常检测模型首先获取所述待检测食 品数据的异常 函数得分， 然后基于预定的异常程度阈值划分所述待检测食品数据为正常或者含食品污染 物， 所述异常函数得分为输入数据与其重构输出的平方差， 即sx＝||x‑ψd(φe(x； θe)； wd)| |2。权　利　要　求　书 2/2 页 3 CN 115545096 A 3