本发明涉及到差分拉曼光谱技术，特别涉及一种结合差分拉曼光谱和se-res2net的黄曲霉素检测方法。
背景技术：
1、黄曲霉素广泛存在与自然界中。谷物、乳制品以及坚果等食品在生产、加工和运输过程中容易发生黄曲霉素污染。其中黄曲霉素b1被称为毒性最强的天然致癌物，世界卫生组织将其划分为i类致癌物质。现有的黄曲霉素检测方法包括薄层层析法(thin layerchromatography，tlc)、高效液相色谱法(high performance liquid chromatography，hplc)、酶联免疫吸附法(enzyme linked immunosorbent assay,elisa)以及免疫学与仪器相结合的方法，这些方法虽然在灵敏度和准确率上都有着不错的表现，但操作复杂且耗费时间长。因此对黄曲霉素进行更加快速、高效的检测方法的研究有着重大的意义。
2、拉曼光谱技术是一种先进的非侵入性检测技术，它具有操作简单、快速以及可进行无损检测等诸多优点，可以快速实现样品的定性和定量检测分析，在农产品和食品分析以及检测方面有较多的研究。然而常规拉曼光谱在检测中通常会受到很多干扰，信号的散射强度也受环境光、荧光以及背景噪声的影响，直接从环境背景中剥离的拉曼强度并不准确，导致其在检测识别方面存在一定的局限性，特别是对微量物质的检测。
3、近年来，深度学习凭借灵活的架构和高效的算法，能够从大量的原始数据中学习到多层次的表示特征，在计算机视觉、自然语言处理和语音识别等诸多领域都取得了不错的表现。同样，深度学习也能够用于物质识别领域，结合差分拉曼光谱来对黄曲霉素进行检测。
技术实现思路
1、本发明的目的在于解决常规拉曼光谱在检测中受到很多干扰，信号的散射强度受环境光、荧光以及背景噪声的影响，导致在检测识别方面存在的局限性，并提出一种结合差分拉曼光谱和se-res2net的黄曲霉素检测方法。
2、为了达到上述目的，本发明提供的技术方案为：
3、所述结合差分拉曼光谱和se-res2net的黄曲霉素检测方法，包括：
4、测得含有黄曲霉素以及不含有黄曲霉素的待测物的差分拉曼光谱，将待测物的差分拉曼光谱作为训练集；
5、构建se-res2net神经网络模型，初始化se-res2net神经网络模型的参数；
6、将黄曲霉素的差分拉曼光谱和待测物的差分拉曼光谱分别输入se-res2net神经网络模型的两个特征提取模块提取特征图，将提取到的特征图进行拼接得到特征图x；
7、将特征图x输入se-res2net神经网络模型的res2net模块，得到特征图y5；
8、将特征图y5输入se-res2net神经网络模型的se模块，得到特征图f′；
9、通过跳跃连接的方式将特征图x连接到特征图f′上，得到特征图f；
10、特征图f经过se-res2net神经网络模型的输出模块得到待测物中是否含有黄曲霉素的概率，根据概率更新se-res2net神经网络模型的参数，完成se-res2net神经网络模型的训练；
11、配制含有黄曲霉素以及不含有黄曲霉素的混合物溶液，测得所述混合物溶液的差分拉曼光谱作为验证集，利用训练好的se-res2net神经网络模型对验证集进行识别。
12、进一步的，所述测得含有黄曲霉素以及不含有黄曲霉素的待测物的差分拉曼光谱，包括：
13、采用两个具有已知微小波长错位的激发波长，收集同一待测物的两份原始拉曼光谱数据；
14、对两份原始拉曼光谱数据进行预处理得到两份预处理光谱；
15、对两份预处理光谱进行差分处理，得到差分图像和差分图像的强度值；
16、将待重建拉曼光谱的强度值初始化为0，将差分图像的强度值与位移差为δv的待重建拉曼光谱的强度值相加，对待重建拉曼光谱进行更新，得到差分拉曼光谱。
17、进一步的，所述预处理包括去噪平滑、归一化、基线校正和剔除异常样本。
18、进一步的，所述差分处理用如下公式表示：
19、d(v)＝r1(v)-r2(v)
20、其中，r1(v)和r2(v)分别表示两张预处理光谱在波数v处的拉曼光强，d(v)表示相减之后得到的差分图像的强度值。
21、进一步的，所述将特征图x输入se-res2net神经网络模型的res2net模块，得到特征图y5，包括：
22、特征图x经过一个2d卷积层，将特征图x分割成4组，分别记作x1、x2、x3和x4；
23、对特征图x2、特征图x3和特征图x4分别进行卷积操作，将卷积操作记作ki()，得到的四个特征图yi可用如下公式表示：
24、
25、其中，yi表示对特征图x1、特征图x2、特征图x3和特征图x4进行相应处理后得到的特征图，i∈[1，4]，xi表示特征图x分割成的第i组特征图，ki(xi)表示在第i组中对特征图xi进行卷积操作，表示先将第i-1组的卷积操作的输出yi-1和门ai-1按通道相乘，然后将结果与第i组中将特征图xi相加，将相加得到的结果进行卷积操作。
26、将特征图yi拼接后输入res2net模块的输出层得到特征图y5，可用公式表示如下：
27、y5＝relu(bn(conv1(cat(y1，y2，y3，y4))))
28、其中，y5表示res2net模块的输出，cat表示拼接操作，conv1表示一维卷积操作，bn表示归一化操作，relu表示relu函数。
29、进一步的，将第2组和第3组特征图进行卷积操作后得到的特征图先通过平均池化进行关键特征的提取，再通过全连接层和sigmoid函数进行转换得到门ai-1，用公式表示如下：
30、ai-1＝sigmoid(fc(avg(yi-1)))
31、其中，i∈[3，4]，avg表示平均池化，fc表示全连接层，sigmoid表示sigmoid函数。
32、进一步的，所述将特征图y5输入se-res2net神经网络模型的se模块，得到特征图f′，包括：
33、采用全局平均池化将特征图y5进行压缩得到特征图y′5；
34、将特征图y′5依次经过全连接层、relu函数、全连接层和sigmoid激活函数，得到通道的权重向量fc；
35、将通道的权重向量fc与特征图y5进行叉乘，得到se模块的输出特征图f′。
36、进一步的，所述输出模块包括relu函数和两个全连接层，其中训练阶段采用dropout操作。
37、本发明与现有技术相比，其显著优点为：1、差分拉曼光谱能够基于物理原理和软件及算法相结合的方式，有效去除拉曼光谱中的荧光、环境光等造成的干扰，增强拉曼光谱中的特征峰，进一步提高检测准确率。2、res2net模块对特征通道进行分组，以滤波器组的形式得到分层连接，获得多个粒度的更细的感受野，提取多尺度特征。3、将se模块嵌入残差连接中，自适应地重新校准通道间的特征响应，提升res2net模块的性能。4、在res2net模块的基础上添加了门控机制，根据输入动态地选择通道特征，选择和光谱特征峰相关性较强的通道，抑制相关性较弱的通道，对特征进行精细的控制。
1.一种结合差分拉曼光谱和se-res2net的黄曲霉素检测方法，其特征在于，所述结合差分拉曼光谱和se-res2net的黄曲霉素检测方法，包括：
2.根据权利要求1所述的结合差分拉曼光谱和se-res2net的黄曲霉素检测方法，其特征在于，所述测得含有黄曲霉素以及不含有黄曲霉素的待测物的差分拉曼光谱，包括：
3.根据权利要求2所述的结合差分拉曼光谱和se-res2net的黄曲霉素检测方法，其特征在于，所述预处理包括去噪平滑、归一化、基线校正和剔除异常样本。
4.根据权利要求2所述的结合差分拉曼光谱和se-res2net的黄曲霉素检测方法，其特征在于，所述差分处理用如下公式表示：
5.根据权利要求1所述的结合差分拉曼光谱和se-res2net的黄曲霉素检测方法，其特征在于，所述将特征图x输入se-res2net神经网络模型的res2net模块，得到特征图y5，包括：
6.根据权利要求5所述的结合差分拉曼光谱和se-res2net的黄曲霉素检测方法，其特征在于，将第2组和第3组特征图进行卷积操作后得到的特征图先通过平均池化进行关键特征的提取，再通过全连接层和sigmoid函数进行转换得到门ai-1，用公式表示如下：
7.根据权利要求1所述的结合差分拉曼光谱和se-res2net的黄曲霉素检测方法，其特征在于，所述将特征图y5输入se-res2net神经网络模型的se模块，得到特征图f′，包括：
8.根据权利要求1所述的结合差分拉曼光谱和se-res2net的黄曲霉素检测方法，其特征在于，所述输出模块包括relu函数和两个全连接层，其中训练阶段采用dropout操作。
