(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 202211283844.2 (22)申请日 2022.10.21 (71)申请人 北京工商大 学 地址 100048 北京市海淀区阜成路1 1号北 京工商大 学 (72)发明人 陈红倩　李宗润　王馨怡　 (51)Int.Cl. G06F 16/901(2019.01) G06F 16/906(2019.01) G06F 16/951(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的农产品中农药MRL标准分类 预估方法 (57)摘要 本发明涉及一种基于深度学习的农产品中 农药MRL标准分类预估方法， 属于计算机学科下 的深度学习领域。 实现步骤为： 首先针对已有对 应MRL值的<农药， 农产品>组合收集其属性特征， 并对属性特征进行数值化、 拼接、 归一化、 上采样 等处理， 获取用于模型训练和验证的训练集与测 试集； 然后构建农产品中农药MRL标准分类预估 模型， 该模 型的主要特色是使用多个融合注意力 机制的Inception结构来提取和识别特征； 通过 训练集数据对模 型进行训练， 使用测试集数据验 证模型的有效性； 最后使用满足准确性要求的模 型来实现农产品中农药MRL的分类预估， 并输出 对应的MRL值； 通过本方法， 能够基于农产品属性 和农药属性预估<农产品、 农药>组合对应的MRL 值。 权利要求书3页 说明书17页 附图3页 CN 115510284 A 2022.12.23 CN 115510284 A 1.基于深度学习的农产品中农药MRL标准分类预估方法， 其特 征在于， 包括以下步骤： 步骤一、 获取 “农产品中农药MRL标准 ”数据集， 具体方法为： 通过网络爬虫程序从目标 网站中获取 “农产品中农药MRL标准 ”数据； 获取的所有 “农产品中农药MRL标准 ”数据保存为 “MRL标准数据表 ”；“MRL标准数据表 ”的每一条 数据记录形式为<农产品名， 农药名， MRL 值>； 步骤二、 针对步骤一获得的 “MRL标准数据表 ”中的所有农产品获取其属性， 具体方法 为： 通过百度百科等网站搜索农产品属性， 将农产品属 性进行数值化转换， 保存至 “农产品 属性表”； 步骤三、 针对步骤一获得的 “MRL标准数据表 ”中所有农药获取其属性， 具体方法为： 通 过百度百科等网站搜索 农药属性， 将农药属性进行 数值化转换， 保存至 “农药属性表 ”； 步骤四、 基于步骤一获得的 “MRL标准数据表 ”， 结合步骤二获得的 “农产品属性表 ”、 步 骤三获得的 “农药属性表 ”， 构建“MRL属性数据表 ”， 具体方法为： 步骤4.1、 读取 “MRL标准数据表 ”中的第一条记录， 执 行步骤4.2； 步骤4.2、 根据当前记录中的 “农产品名 ”查询“农产品属性表 ”， 如果该农产品存在， 则 继续执行步骤4.3； 如果该农产品不存在， 则舍弃 该条记录， 执 行步骤4.6； 步骤4.3、 根据当前记录中的 “农药名”查询“农药属性表 ”， 如果该农药存在， 则继续执 行步骤4.5； 如果该农药不存在， 则舍弃 该条记录， 执 行步骤4.6； 步骤4.4、 将步骤4.2查询到的农产品属性、 步骤4.3查询到的农药属性， 以及当前记录 中的MRL值拼接为一条记录， 命名为记录A； 记录A中包含农产品属性、 农药属性、 MRL值， 该条记录有60个农产品属性、 22个农药属 性、 1个MRL 值， 共83个数据； 步骤4.5、 将步骤4.4得到的记录A， 存 入“MRL属性数据表 ”； 步骤4.6、 如当前记录是 “MRL标准数据表 ”中的最后一条记录， 则所有记录处理完毕， 执 行步骤五； 否则， 读取 “MRL标准数据表 ”中的下一条记录， 执 行步骤4.2； 步骤五、 对 “MRL属性数据表 ”中的60个农产品属性和22个农 药属性数据进行归一化； 针 对每一列农产品属性或农药属性， 归一 化的具体方法为： 步骤5.1、 获取当前列的数据最小值， 命名为xmin； 获取当前列的数据最大值， 命名为 xmax； 步骤5.2、 将所有记录中的当前列的属性 值进行归一 化， 归一化函数如公式1所示： 其中x为属性 值， xmin和xmax为步骤5.1中获取的最小值和最大值， xnorm为归一化结果； 步骤六、 在 “MRL属性数据表 ”中增加1列， 命名为 “MRL标签”； MRL标签的设置方法如下： 步骤6.1、 对 “MRL属性数据表 ”中所有记录， 统计 每一种MRL 值对应的记录数； 步骤6.2、 对记录数最多的10种MRL值， 根据记录数由多到少依次设置 “MRL值”对应的 “MRL标签”为1、 2、 3、 4、 5、 6、 7、 8、 9、 10； 步骤6.3、 将 “步骤6.2”中未设置“MRL标签”的“MRL值”， 设置其对应的 “MRL标签”为11， 即将所有未设置 “MRL标签”的“MRL值”归为一类； 步骤七、 对 “MRL属性数据表 ”中每一种MRL标签对应的记录进行上采样， 以解决各类别 样本数目的不平衡问题， 提高模型的训练效果；权　利　要　求　书 1/3 页 2 CN 115510284 A 2上采样采用朴素随机上采样算法， 针对设定的每种MRL标签对应的记录上限数H， 具体 步骤为： 步骤7.1、 根据当前MRL标签对应的记录数L， 计算上采样倍率； 上采样倍率为上限数H与 记录数L的比值； 命名上采样倍 率的整数部分为 N； 步骤7.2、 将当前MRL标签对应的所有记录， 复制(N ‑1)次； 步骤7.3、 在当前MRL标签对应的所有记录中， 随机采样(H ‑N*L)条记录； 经过上采样处 理后， 当前MRL标签对应的记录数将达 到上限数H条； 步骤八、 将上采样处理后的 “MRL属性数据表 ”中的所有记录， 通过随机采样划分为训练 集和测试集； 训练集的记录数 可以设定为所有记录的80％， 训练集之外的记录为测试集； 步骤九、 搭建 “农产品中农药MRL标准分类预估模型 ”的网络结构； 该模型的主要特色是 使用多个融合注意力机制的I nception结构来提取和识别特 征， 具体的构建步骤如下： 步骤9.1、 网络结构中的第一个部分由3*3的卷积层和2*2的最大池化层组成； 该部分的 输入为10 *10*1的特征图， 经过该部分的计算后， 可 得到一个5 *5*64的特征图； 步骤9.2、 网络结构的第二个部分由两个串联的 “融合通道注意力机制的Inception结 构”、 一个2*2的最大池化层和一个 “融合通道注意力机制的I nception结构”构成； 其中，“融合通道注意力机制的Inception结构 ”的构建包含 “构建Inception结构 ”和 “为Inception结构添加通道注意力机制 ”两个实现步骤； “构建Inception结构 ”的具体方法 如“步骤9.3”，“为Inception结构添加通道 注意力机制 ”的具体方法如 “步骤9.4”； 步骤9.3、 构建I nception结构； Inception结构是Goo gLeNet提出的瓶颈网络结构， 它能够在增加网络深度和宽度的同 时减少参数， 并使得网络具有结构的稀疏性； Inception结构由一个1*1的卷积层， 其后并联1*1卷积层、 3*3卷积层、 5*5卷积层和3*3 最大池化层四个模块， 并对这四个并联的模块输出进行拼接构成； 其中， 首先使用的1*1的卷积层 可将特征图的深度调整到256， 得到大小为5*5*256的特 征图； 其后四个并联的模块采用不同大小的卷积层， 使较小的卷积层能够提取局部的特征， 较大的卷积层能够提取全局特征， 增加输出特征图的多样性， 四个并联模块均输出5*5*256 的特征图； 最后对四个模块产生的特征图在通道方向上进行拼接， 拼接后的输出为5*5* 1024的特 征图， 命名该5 *5*1024的特 征图为“组合特征图”； 步骤9.4、 为 Inception结构添加通道 注意力机制； SE block模块被用来 为Inception结构添加通道 注意力机制， 该模块共 包含两个分支； 第一个分支是由一层全局池化层和两层全连接网络层构成； 该分支首先对 “步骤9.3” 产生的“组合特征图 ”进行全局池化， 得到长度为1024的特征向量； 然后使用评分网络将该 特征向量处 理为长度为1024的通道权 重向量， 来表示 通道之间的相关性； 第二个分支， 对 “步骤9.3”产生的“组合特征图 ”与第一个分支得到的 “通道权重向量 ” 相乘， 利用权 重对“组合特征图”的不同通道的重要性加以区分； 步骤9.5、 网络的第三部分由1*1的最大池化层和分类 器组成； 其中， 1*1的最大池化层用于调整特征图的大小得到长度为1024的特征向量； 将该特征 向量输入到全连接层和Softmax构成的分类 器中， 输出模型 预测的结果；权　利　要　求　书 2/3 页 3 CN 115510284 A 3