申请/专利权人：北京工商大学

申请日：2022-10-21

公开（公告）日：2022-12-23

公开（公告）号：CN115510284A

主分类号：G06F16/901

分类号：G06F16/901;G06F16/906;G06F16/951;G06N3/04;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.01.10#实质审查的生效;2022.12.23#公开

摘要：本发明涉及一种基于深度学习的农产品中农药MRL标准分类预估方法，属于计算机学科下的深度学习领域。实现步骤为：首先针对已有对应MRL值的农药，农产品组合收集其属性特征，并对属性特征进行数值化、拼接、归一化、上采样等处理，获取用于模型训练和验证的训练集与测试集；然后构建农产品中农药MRL标准分类预估模型，该模型的主要特色是使用多个融合注意力机制的Inception结构来提取和识别特征；通过训练集数据对模型进行训练，使用测试集数据验证模型的有效性；最后使用满足准确性要求的模型来实现农产品中农药MRL的分类预估，并输出对应的MRL值；通过本方法，能够基于农产品属性和农药属性预估农产品、农药组合对应的MRL值。

主权项：1.基于深度学习的农产品中农药MRL标准分类预估方法，其特征在于，包括以下步骤：步骤一、获取“农产品中农药MRL标准”数据集，具体方法为：通过网络爬虫程序从目标网站中获取“农产品中农药MRL标准”数据；获取的所有“农产品中农药MRL标准”数据保存为“MRL标准数据表”；“MRL标准数据表”的每一条数据记录形式为农产品名，农药名，MRL值；步骤二、针对步骤一获得的“MRL标准数据表”中的所有农产品获取其属性，具体方法为：通过百度百科等网站搜索农产品属性，将农产品属性进行数值化转换，保存至“农产品属性表”；步骤三、针对步骤一获得的“MRL标准数据表”中所有农药获取其属性，具体方法为：通过百度百科等网站搜索农药属性，将农药属性进行数值化转换，保存至“农药属性表”；步骤四、基于步骤一获得的“MRL标准数据表”，结合步骤二获得的“农产品属性表”、步骤三获得的“农药属性表”，构建“MRL属性数据表”，具体方法为：步骤4.1、读取“MRL标准数据表”中的第一条记录，执行步骤4.2；步骤4.2、根据当前记录中的“农产品名”查询“农产品属性表”，如果该农产品存在，则继续执行步骤4.3；如果该农产品不存在，则舍弃该条记录，执行步骤4.6；步骤4.3、根据当前记录中的“农药名”查询“农药属性表”，如果该农药存在，则继续执行步骤4.5；如果该农药不存在，则舍弃该条记录，执行步骤4.6；步骤4.4、将步骤4.2查询到的农产品属性、步骤4.3查询到的农药属性，以及当前记录中的MRL值拼接为一条记录，命名为记录A；记录A中包含农产品属性、农药属性、MRL值，该条记录有60个农产品属性、22个农药属性、1个MRL值，共83个数据；步骤4.5、将步骤4.4得到的记录A，存入“MRL属性数据表”；步骤4.6、如当前记录是“MRL标准数据表”中的最后一条记录，则所有记录处理完毕，执行步骤五；否则，读取“MRL标准数据表”中的下一条记录，执行步骤4.2；步骤五、对“MRL属性数据表”中的60个农产品属性和22个农药属性数据进行归一化；针对每一列农产品属性或农药属性，归一化的具体方法为：步骤5.1、获取当前列的数据最小值，命名为xmin；获取当前列的数据最大值，命名为xmax；步骤5.2、将所有记录中的当前列的属性值进行归一化，归一化函数如公式1所示： 其中x为属性值，xmin和xmax为步骤5.1中获取的最小值和最大值，xnorm为归一化结果；步骤六、在“MRL属性数据表”中增加1列，命名为“MRL标签”；MRL标签的设置方法如下：步骤6.1、对“MRL属性数据表”中所有记录，统计每一种MRL值对应的记录数；步骤6.2、对记录数最多的10种MRL值，根据记录数由多到少依次设置“MRL值”对应的“MRL标签”为1、2、3、4、5、6、7、8、9、10；步骤6.3、将“步骤6.2”中未设置“MRL标签”的“MRL值”，设置其对应的“MRL标签”为11，即将所有未设置“MRL标签”的“MRL值”归为一类；步骤七、对“MRL属性数据表”中每一种MRL标签对应的记录进行上采样，以解决各类别样本数目的不平衡问题，提高模型的训练效果；上采样采用朴素随机上采样算法，针对设定的每种MRL标签对应的记录上限数H，具体步骤为：步骤7.1、根据当前MRL标签对应的记录数L，计算上采样倍率；上采样倍率为上限数H与记录数L的比值；命名上采样倍率的整数部分为N；步骤7.2、将当前MRL标签对应的所有记录，复制N-1次；步骤7.3、在当前MRL标签对应的所有记录中，随机采样H-N*L条记录；经过上采样处理后，当前MRL标签对应的记录数将达到上限数H条；步骤八、将上采样处理后的“MRL属性数据表”中的所有记录，通过随机采样划分为训练集和测试集；训练集的记录数可以设定为所有记录的80％，训练集之外的记录为测试集；步骤九、搭建“农产品中农药MRL标准分类预估模型”的网络结构；该模型的主要特色是使用多个融合注意力机制的Inception结构来提取和识别特征，具体的构建步骤如下：步骤9.1、网络结构中的第一个部分由3*3的卷积层和2*2的最大池化层组成；该部分的输入为10*10*1的特征图，经过该部分的计算后，可得到一个5*5*64的特征图；步骤9.2、网络结构的第二个部分由两个串联的“融合通道注意力机制的Inception结构”、一个2*2的最大池化层和一个“融合通道注意力机制的Inception结构”构成；其中，“融合通道注意力机制的Inception结构”的构建包含“构建Inception结构”和“为Inception结构添加通道注意力机制”两个实现步骤；“构建Inception结构”的具体方法如“步骤9.3”，“为Inception结构添加通道注意力机制”的具体方法如“步骤9.4”；步骤9.3、构建Inception结构；Inception结构是GoogLeNet提出的瓶颈网络结构，它能够在增加网络深度和宽度的同时减少参数，并使得网络具有结构的稀疏性；Inception结构由一个1*1的卷积层，其后并联1*1卷积层、3*3卷积层、5*5卷积层和3*3最大池化层四个模块，并对这四个并联的模块输出进行拼接构成；其中，首先使用的1*1的卷积层可将特征图的深度调整到256，得到大小为5*5*256的特征图；其后四个并联的模块采用不同大小的卷积层，使较小的卷积层能够提取局部的特征，较大的卷积层能够提取全局特征，增加输出特征图的多样性，四个并联模块均输出5*5*256的特征图；最后对四个模块产生的特征图在通道方向上进行拼接，拼接后的输出为5*5*1024的特征图，命名该5*5*1024的特征图为“组合特征图”；步骤9.4、为Inception结构添加通道注意力机制；SEblock模块被用来为Inception结构添加通道注意力机制，该模块共包含两个分支；第一个分支是由一层全局池化层和两层全连接网络层构成；该分支首先对“步骤9.3”产生的“组合特征图”进行全局池化，得到长度为1024的特征向量；然后使用评分网络将该特征向量处理为长度为1024的通道权重向量，来表示通道之间的相关性；第二个分支，对“步骤9.3”产生的“组合特征图”与第一个分支得到的“通道权重向量”相乘，利用权重对“组合特征图”的不同通道的重要性加以区分；步骤9.5、网络的第三部分由1*1的最大池化层和分类器组成；其中，1*1的最大池化层用于调整特征图的大小得到长度为1024的特征向量；将该特征向量输入到全连接层和Softmax构成的分类器中，输出模型预测的结果；步骤十、选择Focalloss函数作为“农产品中农药MRL标准分类预估模型”网络结构的损失函数，损失函数的形式如公式2所示：F＝-1-α*1-ptγ*logpt2其中pt为模型输出的各类别的概率，α为平衡因子，根据样本原始的数目设定，用来平衡样本本身的比例不均，其值于样本的数量成正比；当γ因子大于0时，能够减少易分类样本的损失，使训练过程更关注于易错分的样本；步骤十一、设定“农产品中农药MRL标准分类预估模型”的训练参数；步骤十二、基于“步骤八”中获得的训练集，以训练集数据中的“农产品属性部分”和“农药属性部分”作为模型输入，以训练集数据的“MRL标签”数据作为模型输出，训练“农产品中农药MRL标准分类预估模型”；当模型在训练集上的准确率在“连续15到20个epoch”内的变化幅度在1％以内时停止训练，保存训练好的模型，命名为模型M；步骤十三、以“农产品中农药MRL标准分类预估模型”在测试集上的准确率来评价模型的有效性；当模型在测试集上的准确率高于0.7时，则可认定该模型可用，则“农产品中农药MRL标准分类预估模型”制作完成，可执行步骤十四；否则可认定该模型不可用，退出；步骤十四、基于“步骤十二”获得的模型M，实现农产品中农药MRL的分类预估，具体方法为：步骤14.1、基于输入的“农产品名”查询“农产品属性表”，基于输入的“农药名”查询“农药属性表”，将查询得到的农产品属性、农药属性拼接为一条记录，命名为记录B；步骤14.2、将记录B中的数据，通过“步骤五”所描述的方法，进行数据归一化；步骤14.3、以数据归一化后的记录B作为模型M的输入，输出其分类预估得到的“MRL标签”；步骤14.4、根据“步骤六”中的映射方法，获得“MRL标签”对应的“MRL值”；至此，“基于多尺度注意力机制的部分遮挡面部的表情识别方法”执行完毕。

全文数据：

权利要求：

百度查询： 北京工商大学 基于深度学习的农产品中农药MRL标准分类预估方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD