基于深度学习机器视觉模型的水生蔬菜中4种有害元素提示系统研究.pdf

专题论著543JiangsuJ PrevMedV01:34.No.5江苏预防医学2 0 2 3年9 月第34卷第5期基于深度学习机器视觉模型的水生蔬菜中4种有害元素提示系统研究张昊，刘德哗，吉文亮江苏省疾病预防控制中心，江苏南京2 10 0 0 9摘要：目的建立一种基于机器视觉技术的水生蔬菜中4种有害元素含量水平提示系统，为食品风险监测采样过程中的风险提示提供技术支持。方法利用残差网络（ResNet）和稠密连接网络（DenseNet）机器视觉模型，对菱白、慈姑、荸荠、菱角、藕等5种水生蔬菜图片图像进行训练，结合本省水生蔬菜中铬、砷、铅、镉等4种有害元素风险监测数据，构建5种水生蔬菜的图像识别及其有害元素含量水平的风险提示系统。结果利用现有Vegfru数据集中与之相关蔬菜图片总计150 0 多张，用两个模型进行12 0 轮训练后，训练集和验证集识别准确度均 8 3%。从训练时间的角度考虑，最终选择Resnet-152模型用于预测。利用该模型对市面上购买的5种水生蔬菜进行识别，同时给出对应的铬、铅、镉等4种有害元素含量范围，验证结果表明，4种有害元素含量均在提示范围内。结论利用深度学习模型建立了对特定水生蔬菜有高辨识度的识别系统，结合已有食品风险监测数据，形成了4种有害元素污染浓度范围提示功能，可用于食品安全风险监测工作。关键词：残差神经网络；稠密连接网络；水生蔬菜；有害元素；风险提示中图分类号：R113文献标识码：A文章编号：10 0 6-90 7 0（2 0 2 3）0 5-0 543-0 4Study on an alert system for four harmful elements in aquatic vegetablesbased on a deep learning-enabled machine vision modelZHANG Hao,LIU De-ye,JI Wen-liangJiangsu Provincial Center for Disease Control and Prevention,Nanjing,Jiangsu 210009,ChinaAbstract:Objective To develop an alert system for four harmful elements in aquatic vegetables based on a machine vision mod-el,so as to provide technical supports for risk indication during the monitoring of food security.Methods The images of five types ofaquatic vegetables were trained,including Zizania aquatica,Sagittaria sagitifolia,Eleocharis dulcis,water chestnut and lotus root usingthe residual neural network and densely connected network,and the risk monitoring data for four harmful elements(chromium,arsenic,lead and cadmium)in aquatic vegetables were captured in Jiangsu Province,to create a system for image recognition of five types of a-quatic vegetables and risk indication for harmful element contents.ResultsA total of 1 500 images captured from the currently availa-ble Vegfru dataset and associated vegetable images were subjected to 120 rounds of traning with the residual neural network and denselyconnected network,and the accuracy of the training and test datasets were both 83%for image recognition.Based on training time,theResNet-152 model was finally selected for prediction,and such as model was employed for recognition of market-purchased five types ofaquatic vegetables,which yielded the ranges of chromium,arsenic,lead and cadmium concentrations.In addition,the validation testsshowed that the levels of four harmful elements were all within the alert range.Conclusions A high-accuracy recognition system hasbeen developed for specific aquatic vegetations based on deep learning models,and the alert functions are generated for contaminationconcentration ranges of four types of harmful elements based on currently available food risk monitoring data,which may be feasible formonitoring of food security risk.Keywords:Residual neural network;Densely connected network;Aquatic vegetable;Harmful element;Risk indication水生蔬菜是一类生长在淡水环境中可食用的维管束植物，主要包括菱白、茨、荸荠、菱角、莲藕等。水生蔬菜主要分布在长江、珠江流域等我国南方地区，易通过自身根茎富集水系中有害金属。对这类产品中的重金属或有害非金属监测一直是食品安全监测重点2 4，但对蔬菜中有害金属及采样过程中的风险提示报道较少。：卷积神经网络（convolutionalneuralnetworks,CNN）是计算机视觉技术中最具代表D0I:10.13668/j.issn.1006-9070.2023.05.009作者简介：张昊（198 7 一），男，江苏无锡人，副主任技师，主要从事理化检验方法研究工作通信作者：吉文亮，主任技师，E-mail：6 418 2 7 8 7 2 q q.c o m544JiangsuJPrevMed,Vol.34,No.5江苏预防医学2 0 2 3年9 月第34卷第5期性的算法之一5,是一个具有卷积计算和深度结构的神经网络，基本组件有输人层、卷积层、池化层、激活层和输出层。具体运行流程：当原始数据如1张彩色图片通过输人层接收，随后在隐藏层中的卷积层对输入图像进行卷积操作，提取出图像的特征；随后池化层对上一层输出进行降维操作，减少计算量的同时保留重要的特征信息，避免过拟合现象的发生；接着利用激活函数用于引人非线性因素，增强模型的表达能力；最后在全连接层将前面的卷积层和池化层的输出映射到最终的输出结果上。全连接层通常由多个神经元组成，每个神经元与前一层的所有神经元相连，最终全连接层的输出结果可以是分类结果、回归结果等。通过模仿生物体的视觉产生机制，利用隐藏层中的卷积核、卷积层和池化层等层间网络结构对图像进行特征提取，将图像转变为特征数据；利用全连接层的区分函数完成不同特征数据分类，从而实现不同种类图片的区分，进而实现智能识别、分类功能。CNN已在食品快速识别方面取得了一定的研究成果6-8 。本文通过提取多种水生蔬菜特征，以经典的CNN模型为骨干模型，建立一种基于机器视觉技术的菱白、慈姑、荸荠、菱角和藕等5种水生蔬菜识别方式，根据现有风险监测数据，建立铬、铅、镉等4种有害元素物质含量水平提示系统，为食品风险监测工作提示提供技术支持。1材料与方法1.1材料图像采集：智能手机华为P40；计算机硬件配置:Intel I9 core CPU,64G RAM,NvidiaRTX4090;软件配置：Windows11,Python3.9.4,CUDA11.8,py-torch2.1。实验样品为从市场采购的5种水生蔬菜（菱白、慈姑、荸荠、菱角、藕）各3份1.2模型训练集和验证集利用现有Vegfru数据集9中与之相关蔬菜（菱白、慈姑、荸荠、菱角和藕）总计150 0 多张图片，保存格式为JPG格式，分辨率为224像素2 2 4像素，同一蔬菜图片数不少于30 0 张。为保证图像识别准确性，部分图片在-45+45间随机旋转，水平翻转选择一个翻转概率，垂直翻转；概率转换为灰度率。对市场采购蔬菜在采购时进行图像采集并进行预处理，尺寸调整为2 2 4像素2 2 4像素。将现有蔬菜图片数据库按4：1比例随机划分为训练集与验证集，将采集现场图片为测试集。1.3模型选择择虽然CNN是一种在计算机视觉和图像处理领域广泛使用的深度学习模型，但也面临着许多挑战，如梯度消失和梯度爆炸等问题，为此，研究人员提出了ResNet和Densenet两种模型。ResNet在解卷积层之间引人了残差模块（ResidualBlock），即通过建立前一个卷积层（如图1中F1）与后一个卷积层（如图1中F2）之间的 短路连接”（shortcuts，s k i p c o n-nection）,帮助在训练过程中目标函数梯度的反向传播，解决了传统CNN模型中因增加卷积层数造成误差率上升的现象，进而能训练出更有深度卷积神经网络模型。DenseNet则通过引人密集连接（dense connec-tion）和分解卷积（deconvolutionalconvolution）等技术，提高了网络参数量和特征表达能力。其中密集连接（d e n s e c o n n e c t i o n）是以前馈的方式将每一卷积层链接到后面每一个卷积层，形成卷积层间的连接，这种设计可以缓解梯度消失问题，利用其稠密链接的正则化作用有效降低在少量训练集训练过程中的过拟合问题。具体模型单元示例见图1。ResNetXFFF,X2DenseNetXFF图1ResNet和DenseNet的基本骨架构成本次采用CNN算法模型中具有代表性的残差网络-152(residual network,ResNet-152）10)）、稠密连接网络-2 0 1(denselyyconnected convolutional network,DenseNet-201）等经典骨干模型进行训练测试。在分类器模块由两个维度为50 0 的全连接层组成，同时在全连接层间穿插个1个ReLU（Re c t i f i e d Li n e a r U n i t）函数。每个网络训练学习率设定为固定学习率（0.0 0 0 1），在模型优化方法方面使用自适应据估计（a d a p t i v e mo me n t e s t i ma t i o n，A d a m）进行优化，利用交叉熵损失（cross entropyloss）作为损失函数。选择Resnet-152、D e n s e n e t-2 0 1模型分别利用训练集进行120轮训练尝试。1.4数据分析及风险提示系统构建采用 SPSS对2016年江苏省风险监测数据中水生蔬菜中有害元素的测定结果进行四分位分析，获得4种有害元素在5种水生蔬菜中的分布情况。2结果2.1#算法模型筛选本实验利用现有5种水生蔬菜的150 0 多张图片，分别在准确度、损失、训练消耗时间等方面采用ResNet-201和Densenet-152两种模型进行评估，选择出最为合适本实验目的模型。2.1.1不同模型在训练集和验证集比较使用两种模型进行训练，结果显示，在前2 0 轮训练中两个模型损失迅速下降，准确率显著提升，ResNet-152模型训练JiangsuJ PrevMedVol.34,No.5545江苏预防医学2 0 2 3年9月第34卷第5期集、验证集准确率在10 0 轮时开始收敛，相对DenseNet-201模型在8 0 轮开始收敛，完成训练后，两个模型对验证集最高准确率均为8 4.6%（ResNet：114轮；DenseNet:113轮）。见表1、表2。表1DenseNet-201,ResNet-152模型在训练集上的损失及准确率DenseNet-201ResNet-152训练轮数损失准确率（%）损失准确率（%）14.5937.14.2673.9101.02071.51.07770.4200.47185.60.44986.4300.26691.60.23692.5400.17994.30.15795.0600.11796.30.09896.9800.08397.40.07297.81000.06897.90.06198.1表2 DenseNet-201,ResNet-152模型在验证集上的损失及准确率DenseNet-201ResNet-152训练轮数损失准确率(%)损失准确率(%）14.51516.17.3147.5101.02072.51.26171.6200.77980.20.75680.4300.81181.21.86181.3400.81082.50.79383.0600.93482.95.12183.9800.95083.00.89683.61000.94983.90.91684.02.1.2不同模型训练时长比较虽然DenseNet模型在训练集和验证集的准确率收敛速度快于ResNet模型，但在相同处理数据量情况平均单轮训练时长（35mi n）较ResNet(31min）长12%，主要是其自身原因导致的。DenseNet模型在结构上存在密集的层与层链接（图1），虽能将前几层的特征传人后面隐藏层中，但也导致了前几层的数据会传人后面隐藏层，使其面对滚雪球般不断壮大的特征数据，需要更多的内存和显卡算力去处理，造成DenseNet模型训练耗时高。考虑两个模型对验证集的最高准确率接近，同时DenseNet模型训练时长较长，从节约时间资源角度考虑，最终选择ResNet-152模型用于预测2.2风险提示系统构建2016年江苏省5种水生蔬菜中4种有害元素监测数据见表3。将该分析结果以标签模式赋予建好模型中不同的蔬菜，当图像识别完成对水生蔬菜分类时，在其名称后列出对有害元素含量范围作为风险提示。2.3实际样品中的应用从市场上采购5种水生蔬菜各3份，使用食品安全风险监测手册方法进行检测，结果显示4种有害元素含量均在提示范围内，见表4。采样过程中，拍摄相应的蔬菜照片，利用已训练完成的ResNet-152模型进行识别，识别准确率达10 0%，在识别完成的同时，提示相关蔬菜中有害元素的含量范围。表32 0 16 年江苏省5种水生蔬菜中4种有害元素分布情况（mg/kg）蔬菜种类有害元素均值范围P50P15葵白铬0.025 80.000 2*0.014 80.001 00.001 5砷0.006 80.0005*0.00800.00230.0050铅0.02000.000 5*0.026 20.001 80.01000.001 60.000 1*0.00150.001 00.001 5慈姑铬0.05380.0010*0.06100.01100.0220砷0.038 00.002 0*0.034 00.017 00.023 0铅0.04380.0020*0.039.50.004 50.0080镉0.00510.0001*0.00550.0015 0.0030掌荞铬0.03330.000 5*0.04180.001.50.006 0砷0.10500.0005*0.12500.01200.063 7铅0.02700.001.8*0.042 60.0025 0.02730.009 80.0001*0.014 00.001.50.005 0菱角0.038 80.0002*0.03700.00150.01400.01880.0023*0.024 00.00500.0165铅0.02920.0018*0.05170.001 80.001 8镉0.00410.0001*0.00700.001 00.0015藕0.021 00.000 1*0.024 00.0020.005 0盘0.02400.001*0.03000.0020.0120铅0.03400.001*0.048 00.0020.01100.00800.0001*0.009 00.0030.005 0注：*检出数据低于不同基质对应方法检出限，按方法检出限1/2 统计。表4市场上购买的5种水生蔬菜中4种有害元素检测结果（mg/kg）蔬菜种类铬砷铅葵白0.007 0.0200.0050.0080.006 0.0470.001 0.002慈姑0.0030.0380.0050.0690.0020.025 0.0040.010掌荞0.0020.0220.0020.0150.0020.0210.0020.005菱角0.001 0.0320.0190.0260.0020.0240.005 0.007藕0.0010.0050.0070.0150.0020.0110.0020.0053讨论本文建立了1种利用CNN模型进行5种常见水生蔬菜（菱白、慈姑、荸荠、菱角和藕）的视觉识别技术。通过比较CNN算法模型中具有代表性的Resnet-152、D e n s e n e t-2 0 1两种模型在水生蔬菜图片的识别效率及准确率,最终选择Resnet-152模型进行水生蔬菜识别，在识别的同时可提示相应的水生蔬菜中有害元素浓度范围。（下转第553页）编辑：张熳上接第545页）编辑：张熳553JiangsuJPrevMedVol.34,No.5江苏预防医学2 0 2 3年9 月第34卷第5期可能对样品造成污染。微波消解加热快、升温高、消解能力强，能瞬间提升样液消解温度，可使样品消解彻底，节约样品处理时间，大大缩短了防晒霜样品消解的时间。由于微波对样品溶液的直接加热和罐内迅速形成的高温高压，可在不到1h内完成大多数样品的消化。同时，在密闭容器内微波消解，使二氧化钛无耗散损失，且样品彻底分解，降低了样品测定的空白值，减少了试剂带入的杂质元素的干扰。从结果可以看出，采用微波消解法处理防晒霜效果良好。本文以钛-变色酸络合物法测定防晒霜中二氧化钛，方法灵敏度高，检出限较低且线性范围宽，稳定性好,结果准确，分析周期短，能够获得较好的分析结果。同时，实验过程中对仪器要求不高，适用于防晒霜中过量添加二氧化钛的检测，与相关文献结果113-14一致。尽管本次尚未发现市售防晒霜超范围使用二氧化钛防晒霜，但是，1项来自法国的研究发现，将大鼠置于高浓度的二氧化钛环境中会导致肺部出现癌变15-16 。本方法可为打击过量添加二氧化钛行为、保护化妆品行业健康发展提供技术支撑参考文献1徐磊，耿嘉阳，苏源，等.浅谈化妆品用纳米二氧化钛的研究进展J.黑龙江科学,2 0 16,7（12）：2 6-2 7.2黄湘鹭，罗飞亚，邢书霞，等.二氧化钛及其纳米颗粒在食品、药品和化妆品领域安全风险研究进展J中国药理学与毒理学杂志，2023,37(1):63-73.3樊星，邢俊波，靳守东，等.防晒霜优白中纳米二氧化钛含量测定方法研究J.解放军药学学报2 0 16,32（4）：32 6-32 8.本次构建的风险提示系统采集样品拍照验证本模型识别成功率可达10 0%。检测从市场上所采5种水生蔬菜的4种有害元素含量后，均在提示风险范围内。本方法在采样拍照留档的同时，对样品种类进行识别，给出风险的提示。后期进行软件匹配后，可用于食品安全风险监测采样和检测工作中，提高食品风险监测工作效率。参考文献1冯凯，赵书平，吴鹏，等.水生蔬菜种业发展现状及建议J.江苏农业科学，2 0 2 2,50（18）：2 45-2 49.2姜健，王晓玮，刘柏林，等.安徽省四种市售水生蔬菜中铅、镉、总铬和总砷污染状况J.环境卫生学杂志，2 0 2 3，13（6）：46 9-47 3.3龙珠，徐金玲，王方园，等.浙中地区水生蔬菜及其生长环境重金属风险评价J】.浙江农业科学，2 0 16,57（10）：158 0-158 5.4张萌，张银烽，赵晓慧，等.云南省水生蔬菜中5种典型重金属含量特征及健康风险评估J.食品安全质量检测学报，2 0 2 2，13(11):3710-3718.5翟俊海，张素芳，郝璞。卷积神经网络及其研究进展【J.河北大4王璇，金涛，王浩伟，等紫外分光光度法测定聚硫密封胶中二氧化钛J】.化学分析计量2 0 17,2 6（4）：2 4-2 7.5袁金华，闻捷，陈辉.干法消化-原子荧光法同时测定化妆品中砷和锑J.中国卫生检验杂志，2 0 14,2 4（11）：1540-1542.6廖文榕，王悦.湿法快速消解-ICP-MS法同时测定化妆品中的37种元素J.福建分析测试，2 0 2 1,30（3）：2 6-33,38.7潘小红，赵薇，涂晓琴，等.超级微波消解-电感耦合等离子体质谱法测定化妆品中40 种元素J.广东化工，2 0 2 2,55（14：10 9-112,12 5.8董喆，李梦怡，潘炜娟，等.电感耦合等离子体质谱法测定化妆品中的37 种元素J.日用化学品科学，2 0 15,38（6）：2 0-2 5.9蔚亦沛，别振英，罗旭，等.湿法消解-ICP-MS法测定烟用接装纸中的二氧化钛J.中国烟草科学，2 0 15,36（1）：10-13.【10】刘志祥，刘佳乐，黄亮，等.微波消解-电感耦合等离子体发射光谱法测定化妆品中的钛含量J.日用化学品科学，2 0 16,39（5）：15-17.11刘建波，张萍，范广，等.微波消解样品-火焰原子吸收光谱法测定美白化妆品中铅和铜J.理化检验（化学分册），2 0 11，47（5）：520-522.【12 刘满满，杨目才，梁爱勇.微波消解一石墨炉原子吸收光谱法测定化妆品中痕量的铅J.理化检验（化学分册），2 0 18,54（9）：1066-1067.13 徐勤科，孙莺，张东，等.超级微波消解-电感耦合等离子体质谱法测定化妆品中4种微量元素J1.分析测试技术与仪器，2 0 2 1，2 7(2):144-148.14戴骐，林晓娜，吴艳燕，等.ICP-AES法测定化妆品中铅、镉、砷、汞、锑、铬、镍、钡、锶等禁限用元素含量J.分析试验室，2 0 12,31(6):54-58.15邢书霞，苏哲，左甜甜，等.欧盟化妆品法规最新修订内容及其启示J.中国卫生检验杂志，2 0 15，2 5（18）：32 14-32 16.16 黄湘鹭，刘敏，邢书霞，等.2 0 2 0 年欧盟化妆品法规修订及启示J.环境卫生学杂志，2 0 2 1,11（6）：555-559.收稿日期：2 0 2 3-0 6-30学学报（自然科学版），2 0 17,37（6）：6 40-6 51.6陈志维，唐珂辑，易智彪，等.基于不同卷积神经网络模型的陈皮、广陈皮图像的智能识别研究J.按摩与康复医学,2 0 2 3，14(6：48-51.7王博，刘俊康，陆逢贵，等.基于卷积神经网络的食品图像识别J.食品安全质量检测学报，2 0 19,10（18）：6 2 41-6 2 47.8廖恩红，李会芳，王华，等.基于卷积神经网络的食品图像识别J.华南师范大学学报（自然科学版），2 0 19,51（4）：113-119.9Hou S,Feng Y,Wang Z.VegFru:A Domain-Specific Dataset for FineGrained Visual Categorization C/2017 IEEE International Confer-ence on Computer Vision（I CCV).Ve n i c e,I t a l y:I EEE,2 0 17:541-549.10 He KM,Zhang XY,Ren SQ et al.Deep residual learning for image rec-ognition C/IEEE Conference on Computer Vision and Pattern Rec-ognition(CVPR).Las Vegas,NV,USA:IEEE,2016:770-778.11 Huang G,Liu Z,Van Der MatenL,et al.Densely Connected Convolu-tional Networks C/2017 IEEE Conference on Computer Vision andPattern Recognition（CVPR).H o n o l u l u,H I,U SA:I EEE,2 0 17:2261-2269.收稿日期：2 0 2 3-0 7-10