(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211184020.X (22)申请日 2022.09.27 (71)申请人 盐城工学院 地址 224000 江苏省盐城市 盐南高新区新 河街道办事处新怡社区新园路20号1 幢401室 申请人 盐城工学院技 术转移中心有限公司 (72)发明人 黄清乾　远野　丁成　张璐璐　 王爱杰　张麓岩　李璇　陈天明　 (74)专利代理 机构 南京业腾知识产权代理事务 所(特殊普通 合伙) 32321 专利代理师 缪友益 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/82(2022.01)G06V 10/44(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 基于senet的多环芳烃三维荧光图像分类方 法 (57)摘要 本发明公开了基于senet的多环 芳烃三维荧 光图像分类方法， 包括如下步骤： S1、 获取多环芳 烃三维荧光图像， 将其转化为二维灰度图， 并进 行图像预处理； S2、 随机分为训练组和测试组， 并 放到相应的数据库中； S3、 对分类模型进行训练， 首先对训练组的图像数据进行张量转换和归一 化的预处理； S4、 将处理后的图像数据输入到 senet网络进行训练， 保存模型； S5、 加载模型， 输 入测试组图像， 对测试组图像进行与训练组相同 的预处理， 通过模型中的权重得到输出结果， 输 出张量最大值的索引即最终的分类结果。 本发明 采用senet的设计可以尽量减少噪声channel的 影响， 填补了现有CNN分类网络在多环芳烃三维 荧光图像分类上的空白。 权利要求书1页 说明书4页 附图2页 CN 115496949 A 2022.12.20 CN 115496949 A 1.基于senet的多环芳烃三维荧 光图像分类方法， 其特 征在于： 包括如下步骤： S1、 获取多环芳烃三维荧 光图像， 将其 转化为二维灰度图， 并进行图像预处 理； S2、 分类后随机分为训练 组和测试组， 并放到相应的数据库中； S3、 对分类模型进行训练， 首先对训练组的图像数据用Tensorflow进行张量转换和归 一化的预处 理， 归一化公式： S4、 将处理后的图像数据输入到senet网络进行训练， 保存 模型； S5、 加载模型， 输入测试组图像， 对测试组图像进行与训练组相同的预处理， 通过模型 中的权重得到输出结果， 输出张量 最大值的索引即最终的分类结果。 2.根据权利要求1所述的基于senet的多环芳烃三维荧光图像分类方法， 其特征在于： 所述步骤S1中多环芳烃三 维荧光图像分为4类， 分别是菲的三 维荧光图像、 蒽的三 维荧光图 像、 芘的三维荧 光图像、 荧 蒽的三维荧 光图像。 3.根据权利要求1所述的基于senet的多环芳烃三维荧光图像分类方法， 其特征在于： 所述步骤S1中多环芳烃三 维荧光图像中每类多环芳烃类化合物按照 8:2的比例随机 分为训 练组和测试组。 4.根据权利要求1所述的基于senet的多环芳烃三维荧光图像分类方法， 其特征在于： 所述步骤S1中多环芳烃三 维荧光图像的二 维灰度图经上下翻转和左右翻转， 将图像数量翻 倍后再分类。 5.根据权利要求1所述的基于senet的多环芳烃三维荧光图像分类方法， 其特征在于： 所述步骤S2中senet的网络学习率 为0.001， BatchSize值为4。 6.根据权利要求1所述的基于senet的多环芳烃三维荧光图像分类方法， 其特征在于： 所述步骤S2中将张量输入到senet网络进行训练， 输出尺寸为4， 训练800个epoch， 保存模 型。权　利　要　求　书 1/1 页 2 CN 115496949 A 2基于senet的多环 芳烃三维荧光图像分类方 法 技术领域 [0001]本本发明涉及光谱分析技术领域， 尤其涉及基于senet的多环芳烃三维荧光图像 分类方法。 背景技术 [0002]多环芳烃的检测对于环境保护具有重大意义， 非常有必要对于多环芳烃的三维荧 光图像进 行快速且准确的识别， 但目前基于卷积神经网络的三维荧光图像处理尚处于起步 阶段， 所以有必要开发一个成本较低、 识别速度快并且准确率高的筛查方法。 [0003]多环芳烃是指含两个或两个以上苯环和芳烃随着其环数增加、 化学结构的变化和 疏水性的增强， 其电化学稳定性、 持久性、 抗生物降解能力和致癌性会增大， 挥发性也会随 着其分子量的增加而降低。 多环芳烃在自然界许多生物链都存在生物积累效应， 其在自然 界中的含量相当惊人， 因此也被认定为影响人类健康的主要的有机污染物。 多环芳烃对人 体的呼吸系统、 循环系统、 神经系统损伤， 对肝脏、 肾脏等也会造成损害。 现有的多环芳烃检 测方法包括： 索氏萃 取法、 超临界流体萃 取、 超声萃 取、 固相萃 取等。 多环芳烃在水中一般以 痕量形式存在， 其标准液的配制： (1)用电子秤(型号： FA1004， 实际分度值： 0.1mg)取四种多 环芳烃样品各0.01 g， 用乙醇溶剂溶解并分别于四个10mL的容量瓶中进行定容， 得到浓度为 1g/L的一级储 备液并在4℃条件下避光保存。 (2)分别取0.1mL的一级储 备液， 用超 纯水稀释 并分别于  10mL的容量瓶中进行定容， 震荡5分钟， 得到10mg/L的二级储备液。 (3)  分别取 0.1mL的二级储 备液， 用超 纯水稀释并分别于10 mL的容量瓶中进行定容， 震荡5 分钟， 配制成 100 μg/L的标准液。 技术人员使用三维荧光光谱仪对4种多环芳烃样 品扫描， 得到菲的三维 荧光图像、 蒽的三维荧 光图像、 芘的三维荧 光图像、 荧 蒽的三维荧 光图像。 [0004]相较于传统PARAFAC检测方法， 需要扫描大量的多环芳烃三维荧光图像样本， CNN 分类网络 中， 较为常见的为VGG， ResNet， Inception， DenseNet  等模型， 它们的效果已经被 充分验证， 并被广泛应用在各类计算机视觉任务上。 但是， 在多环芳烃三 维荧光图像分类上 的研究为之甚少， 并且不同于传 统PARAFAC分析方法需要大量三维荧光图像样本。 为此， 我 们提出一种基于  senet的多环芳烃三维荧 光图像的快速分类方法。 发明内容 [0005]基于背景技术存在的技术问题， 本发明提出了基于senet的多环芳烃三维荧光图 像分类方法， 具有提高多环芳烃三 维荧光图像分类速度的特点， 解决了 现有CNN分类网络在 多环芳烃三维荧 光图像分类上识别检测速度慢的问题。 [0006]本发明提供如下技术方案： 基于senet的多环芳烃三维荧光图像分类方法， 包括如 下步骤： [0007]S1、 获取多环芳烃三维荧 光图像， 将其 转化为二维灰度图， 并进行图像预处 理； [0008]S2、 分类后随机分为训练 组和测试组， 并放到相应的数据库中； [0009]S3、 对分类模型进行训练， 首先对训练组的图像数据用Tensorflow进行张量转换说　明　书 1/4 页 3 CN 115496949 A 3