本发明涉及食品安全人工智能检测领域，更具体的说，本发明涉及一种基于多元宇宙优化的黄曲霉毒素像素级检测方法。
背景技术：
1、黄曲霉毒素是曲霉属产生的一类具有强致癌的次级代谢产物。极易容易污染花生、玉米等油料作物，进而致使花生、玉米及其加工制品中存在黄曲霉毒素残留，造成了极大地食用安全隐患。在1993年，黄曲霉毒素b1(afb1)被世界卫生组织(who)癌症研究机构(iarc)列为ⅰ类致癌物。黄曲霉毒素是一种剧毒的强致癌物，其毒性是氰化钾的10倍，是砒霜的68倍。除致癌之外，afb1还会导致疼痛、腹泻、肝毒症、癌症，甚至死亡，影响花生、玉米等相关产业的发展。
2、长期以来，对食品中的黄曲霉毒素进行检测多采用生物化学方法，如高效液相色谱法(hplc)、酶联免疫吸附法(elisa)等。但是这些方法只能在一批样本中抽取小样本进行检测。无法对每粒粮食进行检测，而且处理过程需要专业的人员和精密的仪器。除此之外，检测过程中被检测的谷物将被粉碎，无法再次利用。随着机器学习的发展，基于传统机器学习对黄曲霉毒素进行检测发展起来，但是传统机器学习方法需要对数据进行特征选择，很大程度上依赖于先验知识，具有很大的主观性。人工智能的黄曲霉毒素检测方法逐渐脱颖而出。
3、然而，现有的基于人工智能的黄曲霉毒素检测方法，多采用传统的单向神经网络，在训练时间序列时是由前向后传播训练，限制了其充分利用数据内在特征的能力，严重制约了模型的准确性，存在检测准确率不高，以及检测模型过于复杂，导致检测效率低下的缺陷。
4、因此，亟需开发一种克服上述缺陷的基于多元宇宙优化的黄曲霉毒素像素级检测方法。
技术实现思路
1、本发明提供一种基于多元宇宙优化的黄曲霉毒素像素级检测方法，以至少解决现有的黄曲霉毒素像素级检测方法准确率低且效率低的问题。
2、为达上述目的，本发明提供一种基于多元宇宙优化的黄曲霉毒素像素级检测方法，包括以下步骤：
3、数据采集处理步骤：获取样本谷物的第一历史光谱数据并进行数据预处理以获得第二历史光谱数据；
4、模型构建优化步骤：构建cnn-bilstm模型，基于多元宇宙算法优化所述cnn-bilstm模型，并通过第二历史光谱数据训练优化后的所述cnn-bilstm模型，获取mvo-cnn-bilstm模型；对mvo-cnn-bilstm模型进行微调，获取黄曲霉毒素像素级检测模型；
5、黄曲霉毒素检测步骤：将待测谷物光谱数据输入黄曲霉毒素像素级检测模型，获取黄曲霉毒素像素级检测结果。
6、进一步地，所述数据采集处理步骤包括：
7、获取样本谷物的高光谱图像数据为第一历史光谱数据，对所述第一历史光谱数据进行数据预处理以获得第二历史光谱数据；
8、所述数据预处理包括：
9、对所述第一历史光谱数据进行去噪及增强处理；
10、基于去噪及增强处理后的第一历史光谱数据获取单个籽粒的高光谱图像立方体；
11、基于所述单个籽粒的高光谱图像立方体逐像素获取单个像素光谱曲线；
12、基于所述单个籽粒的高光谱图像立方体，选取若干波段加权生成伪彩色图像，基于所述伪彩色图像获取单个像素光谱曲线的类别标签；
13、对所述单个像素光谱曲线进行归一化操作，获取归一化单个像素光谱数据为第二历史光谱数据。
14、进一步地，所述模型构建训练步骤具体包括：
15、模型初步搭建步骤：构建所述cnn-bilstm模型，定义网络层数和结构；
16、模型超参数优化步骤：将所述第二历史光谱数据及所述单个像素光谱曲线的类别标签输入所述cnn-bilstm模型，基于多元宇宙优化算法，获取最优超参数组合；
17、模型训练步骤：基于所述最优超参数组合配置所述cnn-bilstm模型参数，通过所述第二历史光谱数据及所述单个像素光谱曲线的类别标签训练所述cnn-bilstm模型，获取mvo-cnn-bilstm模型；
18、模型微调步骤：基于不同浓度的黄曲霉毒素光谱数据对所述mvo-cnn-bilstm模型进行微调，获取黄曲霉毒素像素级检测模型。
19、进一步地，所述模型初步搭建步骤包括：
20、构建固定层数的卷积模型，每一卷积层均连接批归一化层及relu激活函数，设置超参数初始值；
21、在所述卷积模型后连接一维全局平均池化和扁平层；
22、构建双向长短期记忆模型，通过所述一维全局平均池化和扁平层与所述卷积层连接；
23、在所述双向长短期记忆模型后连接随机失活层、全连接层和softmax层，完成所述cnn-bilstm模型搭建。
24、进一步地，模型超参数优化步骤包括：
25、初始化和参数设定：初始化数个宇宙，每个宇宙包含优化变量：学习率、卷积核数量及隐含层神经元数量；设定所述优化变量的搜索边界，所述卷积核数量及所述隐含层神经元数量始终设置为整数；设定最大迭代次数；
26、迭代更新：模拟宇宙膨胀和虫洞效应，动态调整虫洞存在的概率和探索距离，计算每个宇宙的适应度值，选择并更新最优宇宙；
27、终止条件与输出：迭代至满足所述最大迭代次数，获取所述最优超参数组合，包括：最优学习率、最优卷积核数量及最优隐含层神经元数量。
28、进一步地，所述模型训练步骤包括：
29、基于所述最优超参数组合，配置cnn-bilstm模型的学习率、卷积核数量及隐含层神经元数量；
30、将所述第二历史光谱数据及所述单个像素光谱曲线的类别标签输入配置后的cnn-bilstm模型，基于优化器采用权重衰减策略训练所述cnn-bilstm模型；
31、在每次迭代周期结束时进行模型准确率验证，若连续多个迭代周期模型准确率无提升，则终止训练，获取所述mvo-cnn-bilstm模型。
32、进一步地，所述模型微调步骤包括：
33、固定mvo-cnn-bilstm模型权重与偏置，导出所述mvo-cnn-bilstm模型，将最低检出限浓度的黄曲霉毒素光谱数据输入所述mvo-cnn-bilstm模型进行微调，更新权重与偏置，获取黄曲霉毒素像素级检测模型。
34、进一步地，所述模型超参数优化步骤进一步包括：
35、设定初始宇宙数值为：
36、
37、其中，u为一组大小为m×n的宇宙；n为变量维数；m为设定的宇宙数量即候选解；
38、在每次迭代中，根据宇宙的膨胀率进行排序，并通过轮盘机制选择一个白洞：
39、
40、其中，ri为[0,1]范围内的随机数；为第i个宇宙的第j个参数；ni(ui)表示第i个宇宙ui的归一化膨胀率；k是根据轮盘赌机制选出的数字；
41、为了提高特定宇宙的膨胀率，通过虫洞将宇宙与最优实体连接起来，最优域内的参数更新如下：
42、
43、其中，r2、r3及r4均为[0,1]区间内的随机数；xj为当前最优宇宙的第j个参数的值；lj和uj分别为第j个参数的最大值和最小值；r为移动的距离；pwep是虫洞存在可能性系数；tdr为旅程距离速率系数，其求解公式如下：
44、
45、其中，pwepmax和pwepmin为pwep的最大值和最小值，l为当前迭代次数，l为最大迭代次数，p为探索程度。
46、进一步地，本发明提供一种基于多元宇宙优化的黄曲霉毒素像素级检测系统，应用上述基于多元宇宙优化的黄曲霉毒素像素级检测方法，包括：
47、数据采集处理模块：用于获取样本谷物的第一历史光谱数据并进行数据预处理以获得第二历史光谱数据；
48、模型构建优化模块：用于构建cnn-bilstm模型，基于多元宇宙算法优化所述cnn-bilstm模型，并通过第二历史光谱数据训练优化后的所述cnn-bilstm模型，获取mvo-cnn-bilstm模型；对mvo-cnn-bilstm模型进行微调，获取黄曲霉毒素像素级检测模型；
49、黄曲霉毒素检测模块：用于将待测谷物光谱数据输入黄曲霉毒素像素级检测模型，获取黄曲霉毒素像素级检测结果。
50、进一步地，所述模型构建训练模块包括：
51、模型初步搭建单元：构建所述cnn-bilstm模型，定义网络层数和结构；
52、模型超参数优化单元：将所述第二历史光谱数据输入所述cnn-bilstm模型，基于多元宇宙优化算法，获取最优超参数组合；
53、模型训练单元：基于所述最优超参数组合配置所述cnn-bilstm模型，通过所述第二历史光谱数据训练所述cnn-bilstm模型，获取mvo-cnn-bilstm模型；
54、模型微调单元：基于不同浓度的黄曲霉毒素光谱数据对所述mvo-cnn-bilstm模型进行微调，获取黄曲霉毒素像素级检测模型。
55、与现有技术相比，本发明的优点和积极效果在于：
56、本发明提供了一种基于多元宇宙算法的黄曲霉毒素像素级检测方法，并且通过构建mvo-cnn-bilstm模型，大幅提高了黄曲霉毒素像素级检测的精度及效率，有利于黄曲霉毒素分选设备的研制，具有实际的工业应用价值和市场潜力；
57、本发明通过将传统的双向长短期记忆网络进行改进，应用于黄曲霉毒素像素级检测，并应用于农产品无损检测领域，解决了现有黄曲霉毒素像素级检测方法准确率不高，检测模型过于复杂的问题，提高了黄曲霉毒素像素级检测的应用水平；
58、本发明基于多元宇宙优化算法来优化模型超参数组合，从而提高模型的性能，提高模型黄曲霉毒素像素级检测的精度，同时多元宇宙优化算法通过智能搜索策略，减少了寻找最优参数所需的时间和计算资源，并增强了模型泛化能力；
59、本发明使用高浓度黄曲霉毒素光谱曲线进行模型训练，使用更低浓度的黄曲霉毒素光谱曲线进行微调，大大减少了多元宇宙优化算法寻找最优参数组合的训练时间，同时对于分类的准确率有一定的提升。
1.一种基于多元宇宙优化的黄曲霉毒素像素级检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多元宇宙优化的黄曲霉毒素像素级检测方法，其特征在于，所述数据采集处理步骤包括：
3.根据权利要求2所述的基于多元宇宙优化的黄曲霉毒素像素级检测方法，其特征在于，所述模型构建训练步骤具体包括：
4.根据权利要求3所述的基于多元宇宙优化的黄曲霉毒素像素级检测方法，其特征在于，所述模型初步搭建步骤包括：
5.根据权利要求3所述的基于多元宇宙优化的黄曲霉毒素像素级检测方法，其特征在于，模型超参数优化步骤包括：
6.根据权利要求3所述的基于多元宇宙优化的黄曲霉毒素像素级检测方法，其特征在于，所述模型训练步骤包括：
7.根据权利要求3所述的基于多元宇宙优化的黄曲霉毒素像素级检测方法，其特征在于，所述模型微调步骤包括：
8.根据权利要求1所述的基于多元宇宙优化的黄曲霉毒素像素级检测方法，其特征在于，所述模型超参数优化步骤进一步包括：
9.一种基于多元宇宙优化的黄曲霉毒素像素级检测系统，应用权利要求1-8任一项所述的基于多元宇宙优化的黄曲霉毒素像素级检测方法，其特征在于，包括：
10.根据权利要求9所述的基于多元宇宙优化的黄曲霉毒素像素级检测系统，其特征在于，所述模型构建训练模块包括：
