[发明专利]基于太赫兹成像技术的香椿中农残的定性检测方法

权利要求书

1.基于太赫兹成像技术的香椿中农残的定性检测方法，包括以下步骤：

（1）对8类香椿叶片样本进行太赫兹成像；所述的8类香椿叶片样本分别为：作为空白对照的香椿叶片，含有BNL残留的香椿叶片，含有BCM残留的香椿叶片，含有TBZ残留的香椿叶片，含有BNL和BCM残留的香椿叶片，含有BNL和TBZ残留的香椿叶片，含有BCM和TBZ的香椿叶片，含有BNL、BCM和TBZ的香椿叶片；

（2）太赫兹成像中叶片光谱数据提取

采用感兴趣区域作为移位算子在叶片样本的太赫兹图像上进行逐级扫描，提取感兴趣区域中每个像素的光谱，并取平均值作为当前感兴趣区域的光谱，在此基础上，从每个叶片样本的太赫兹图像中提取了多条吸收光谱；此外，从每类的香椿叶片的太赫兹图像中提取了多条背景光谱（BG）；由此得到9类太赫兹光谱数据；

（3）将步骤（2）得到的9类太赫兹光谱数据划分为训练数据集和测试数据集；利用所述训练数据集构建DCNN深度卷积神经网络，对所述DCNN深度卷积神经网络进行训练生成香椿叶片图像的训练模型；将所述测试数据集中的测试样本输入所述香椿叶片图像的训练模型，判断该香椿叶片上农药残留的类型，以生成测试结果；根据所述测试结果迭代更新所述香椿叶片图像的训练模型以获得香椿叶片图像的识别模型；

（4）利用步骤（3）建立的识别模型对待测香椿叶片上的农药残留进行图像可视化，从中可以显示叶片上的农药残留类型及分布情况。

2.如权利要求1所述的基于太赫兹成像技术的香椿中农残的定性检测方法，其特征在于：步骤（4）的具体操作为：待测香椿叶片按照步骤（1）的操作获得太赫兹图像，然后提取太赫兹图像每一个像素点的太赫兹吸收光谱，并输入到步骤（3）建立的识别模型中进行类别标签的预测，预测的类别标签1 ~ 9，即BG、CK、BNL、BCM、TBZ、M1、M2、M3和M4，分别用不同颜色表示，通过将每个像素点处预测得到的类别标签复原成完整像素的二维图像，能可视化显示叶片上的农药残留类型及分布情况。

3.如权利要求2所述的基于太赫兹成像技术的香椿中农残的定性检测方法，其特征在于：当步骤（4）得到的二维图像中叶片区域内显示了不止一种类别标签，以绝大多数的标签类型作为最终的判别标签。

4.如权利要求1-3之一所述的基于太赫兹成像技术的香椿中农残的定性检测方法，其特征在于：步骤（1）中，每一类香椿叶片设置25个同样的样本，使用THz-TDS系统进行香椿叶片样本的的成像扫描，采用透射成像模块逐点扫描获取0.1 ~ 3 THz范围内的叶片样本的太赫兹图像，扫描频率为15 Hz，图像数据大小为250×250像素；

步骤（2）中，采用3×3像素的感兴趣区域作为移位算子在叶片上进行逐级扫描，提取感兴趣区域中每个像素的光谱，并取平均值作为当前感兴趣区域的光谱，在此基础上，从每个叶片样本的太赫兹图像中提取了100条吸收光谱；从每个类别的太赫兹图像中共提取2500条背景光谱。

5.如权利要求1-3之一所述的基于太赫兹成像技术的香椿中农残的定性检测方法，其特征在于：步骤（3）中，所述的DCNN深度卷积神经网络结构包括两个卷积模块和5个全连接层，每个卷积模块包括卷积层和最大池化层，第一和第二卷积层中的卷积滤波器的数目分别设置为32和64，将卷积核的步长设为1，最大池层的核大小设置为1×3，并利用校正线性单元对决策映射函数的非线性性质进行归一化；在每个全连接层之前和每个卷积模块之后使用批量归一化函数；利用Softmax函数对最后一层的全连接性数据进行处理，以突出最大值，并将其它神经单元的特征值限制在最大值以下；利用分类交叉熵损失函数度量DCNN输出标签与真实类标签之间的概率分布距离；采用自适应矩估计算法对损失函数进行处理；所述训练数据集与测试数据集的比例为70%：30%，对所有连接层进行批量归一化后，采用跳出法进一步防止过拟合；将训练周期、学习速度、beta1和beta2参数分别设置为500、0.001、0.9和0.99。

6.如权利要求1-3之一所述的基于太赫兹成像技术的香椿中农残的定性检测方法，其特征在于：截取0.2 ~ 2.2 THz频率范围内的光谱用于步骤（3）建模及步骤（4）可视化分析。