本发明涉及农业检测，尤其涉及一种基于增强拉曼光谱的农药残留定量检测方法。
背景技术：
1、光谱检测技术是近几十年内发展快速且具有广阔应用前景的技术。在快速检测领域，以近红外光谱、拉曼光谱和荧光光谱为代表的光谱技术在理论和应用层面都有着显著的突破。表面增强拉曼光谱是普通拉曼信号的增强谱图，在继承了拉曼光谱相比于其他光谱优点的同时，也突破了传统拉曼光谱信号弱、检测限低的关键瓶颈。因此，表面增强拉曼光谱应用于农药残留中安全质量的快速检测领域，是该技术的一个十分具有价值的研究方向。当前，已有一些技术利用光谱数据进行农药残留的分析和检测，但这些技术的效果并不好。
技术实现思路
1、鉴于以上现有技术的缺陷，本发明提供一种基于增强拉曼光谱的农药残留定量检测方法，以解决农残检测不准确的技术问题。
2、为实现上述目的及其它相关目的，本发明提供了一种基于增强拉曼光谱的农药残留定量检测方法，包括如下步骤：获取待测溶液的光谱数据；输入所述光谱数据至农残检测模型的stem模块中，以对输入特征进行下采样，得到第一特征；输入所述第一特征至所述农残检测模型的顺序堆叠的多个gcir模块中，以将所述第一特征变换成第二特征，所述堆叠的多个gcir模块分为三个阶段且每阶段堆叠数量的比例为1:3:1；输入所述第二特征至所述农残检测模型的全连接层中，以将所述第二特征映射到农药浓度并输出。
3、于本发明一实施例中，所述stem模块对输入特征input1执行如下操作得到输出特征output1：output1=act(bn(dwconv(act(bn(dwconv(act(bn(conv(input1)))))))))，其中conv()为卷积操作，dwconv()为深度可分离卷积操作，bn()表示批归一化操作，act()表示gelu激活函数。
4、于本发明一实施例中，所述stem模块中的卷积操作的卷积核大小为3×1、步长为3，所述stem模块中的深度可分离卷积操作的卷积核大小为1×1、步长为1。
5、于本发明一实施例中，所述顺序堆叠的多个gcir模块对输入特征input2执行如下操作得到输出特征output2：
6、output2=dwconv(stage3(bn(conv(stage2(bn(conv(stage1(input2))))))))，其中，stage1()、stage2()、stage3()均由gcir模块堆叠而成，且堆叠数量分别为3、9、3，conv()为卷积操作，bn()表示批归一化操作，dwconv()为深度可分离卷积操作。
7、于本发明一实施例中，所述stage1()和stage2()后面的卷积操作的卷积核大小为3×1、步长为3，所述stage3()后面的深度可分离卷积操作的卷积核大小为3×3、步长为3。
8、于本发明一实施例中，所述gcir模块对输入特征input3执行如下操作得到输出特征output3：output3=input3+drop(conv4d→d(act(convd→4d(bn(mdca(dwconv(input3)))))))，其中dwconv()为深度可分离卷积操作，mdca()为利用具有多维通道注意机制的mdca模块进行的操作，bn()表示批归一化操作，convd→4d()用于将维度从d上升到4d，act()表示gelu激活函数，conv4d→d()用于将维度从4d下降到d，drop()操作将根据概率随机使模型的多分支结构失效。
9、于本发明一实施例中，所述gcir模块中的深度可分离卷积、上升四维卷积以及下降四维卷积的卷积核大小均为1×1。
10、于本发明一实施例中，所述mdca()模块对输入特征input4执行如下操作得到输出特征output4：output4=input4×(ac+ah+aw)，式中：ac=sigmoid(bn(z_poolc(input4)))，ah=sigmoid(bn(conv(z_poolh(permute(input4)))))，
11、aw=sigmoid(bn(conv(z_poolw(permute(input4)))))，z_pooli(x)=gap(x)+gmp(x)，i=c,h,w；其中，permute()为置换操作，gap()为全局平均池化操作，gmp()为全局最大池化操作，bn()为归一化操作，sigmoid()为非线性激活操作。
12、于本发明一实施例中，所述输入所述第二特征至所述农残检测模型的全连接层中，以将所述第二特征映射到农药浓度并输出的步骤包括：输入所述第二特征至所述农残检测模型的eca模块中，以使所述农残检测模型聚焦于有用特征；将所述eca模块的输出特征输入至全连接层中，以得到农药浓度并输出。
13、于本发明一实施例中，所述将所述eca模块的输出特征输入至全连接层中，以得到农药浓度并输出的步骤包括：将所述eca模块的输出特征输入至flatten层，以输出展平的一维向量；将所述flatten层输出的一维向量输入至dropout层，用于随机将一部分神经元的输出置为0；将所述dropout层输出的特征输入至全连接层，以得到农药浓度并输出。
14、本发明的有益效果：本发明提出的一种基于增强拉曼光谱的农药残留定量检测方法，该方法通过构建一个轻量级的卷积神经网络模型，其由stem模块、3个堆叠的gcir模块以及全连接层构成，gcir模块采用残差结构、深度可分卷积和倒瓶颈结构提取局部特征信息，大大减少了参数的数量，同时，还可以在gcir模块嵌入多维通道注意机制，以增强通道特征感知和全局关系捕获能力，提高最后获得的农残检测的准确率。
1.一种基于增强拉曼光谱的农药残留定量检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于增强拉曼光谱的农药残留定量检测方法，其特征在于，所述stem模块对输入特征input1执行如下操作得到输出特征output1：output1=act(bn(dwconv(act(bn(dwconv(act(bn(conv(input1)))))))))，其中conv()为卷积操作，dwconv()为深度可分离卷积操作，bn()表示批归一化操作，act()表示gelu激活函数。
3.根据权利要求2所述的基于增强拉曼光谱的农药残留定量检测方法，其特征在于，所述stem模块中的卷积操作的卷积核大小为3×1、步长为3，所述stem模块中的深度可分离卷积操作的卷积核大小为1×1、步长为1。
4.根据权利要求1所述的基于增强拉曼光谱的农药残留定量检测方法，其特征在于，所述顺序堆叠的多个gcir模块对输入特征input2执行如下操作得到输出特征output2：output2=dwconv(stage3(bn(conv(stage2(bn(conv(stage1(input2))))))))，其中，stage1()、stage2()、stage3()均由gcir模块堆叠而成，且堆叠数量分别为3、9、3，conv()为卷积操作，bn()表示批归一化操作，dwconv()为深度可分离卷积操作。
5.根据权利要求4所述的基于增强拉曼光谱的农药残留定量检测方法，其特征在于，所述stage1()和stage2()后面的卷积操作的卷积核大小为3×1、步长为3，所述stage3()后面的深度可分离卷积操作的卷积核大小为3×3、步长为3。
6.根据权利要求1所述的基于增强拉曼光谱的农药残留定量检测方法，其特征在于，所述gcir模块对输入特征input3执行如下操作得到输出特征output3：output3=input3+drop(conv4d→d(act(convd→4d(bn(mdca(dwconv(input3)))))))，其中dwconv()为深度可分离卷积操作，mdca()为利用具有多维通道注意机制的mdca模块进行的操作，bn()表示批归一化操作，convd→4d()用于将维度从d上升到4d，act()表示gelu激活函数，conv4d→d()用于将维度从4d下降到d，drop()操作将根据概率随机使模型的多分支结构失效。
7.根据权利要求6所述的基于增强拉曼光谱的农药残留定量检测方法，其特征在于，所述gcir模块中的深度可分离卷积、上升四维卷积以及下降四维卷积的卷积核大小均为1×1。
8.根据权利要求6所述的基于增强拉曼光谱的农药残留定量检测方法，其特征在于，所述mdca()模块对输入特征input4执行如下操作得到输出特征output4：output4=input4×(ac+ah+aw)，式中：
9.根据权利要求1所述的基于增强拉曼光谱的农药残留定量检测方法，其特征在于，所述输入所述第二特征至所述农残检测模型的全连接层中，以将所述第二特征映射到农药浓度并输出的步骤包括：
10.根据权利要求9所述的基于增强拉曼光谱的农药残留定量检测方法，其特征在于，所述将所述eca模块的输出特征输入至全连接层中，以得到农药浓度并输出的步骤包括：
