深度卷积网络的多品种多厂商药品近红外光谱分类

摘要：

近红外光谱(NIR)分析具有分析高效、样品无损、环境无污染以及可现场检测等优点,特别适合药品的快速建模分析.但NIR存在吸收强度弱以及谱带重叠等缺点,需要建立稳健可靠的化学计量学模型对其进行分析.深度卷积神经网络是深度学习方法中一个重要分支,它通过逐层抽取数据特征并进行组合、转换,形成更高层的语义特征,具有极强的建模能力,广泛应用于计算机视觉、语音识别等领域,而在药品NIR分析方面尚未见报道.基于深度卷积网络模型,对药品NIR多分类建模进行研究.针对药品NIR数据的特点,设计若干个面向多品种、多厂商药品NIR分类的一维深度卷积网络模型.模型中卷积层和池化层交叠排列用于逐层抽取NIR数据特征,输出层连接softmax分类器,对药品NIR数据进行分类概率预测.在输出层之前采用全局最大池化层,将特征图进行整体池化,形成一个特征点,用于解决全连接层存在的限制输入维度大小,参数过多的问题.同时,在网络模型中引入批处理操作和dropout机制,以防止梯度消失和减小网络过拟合的风险.在网络模型的设计过程中,通过设计不同的卷积网络层数以及不同的卷积核尺寸大小,分析其对建模效果的影响,同时分析五种经典数据预处理方法对NIR分析的影响.以我国7个厂商生产的头孢克肟片和11个厂商生产的苯妥英钠片样本NIR为实验对象,建立药品的多品种、多厂商分类模型,该模型在二分类、多分类实验中取得了良好的分类效果.在十八分类实验中,当训练集与测试集比例为7∶3时,分类准确率为99.37±0.45,比SVM,BP,AE和ELM算法取得更优的分类性能.同时,深度卷积神经网络模型推理速度较快,优于SVM和ELM算法,但训练速度慢于二者.大量实验结果表明,深度卷积神经网络可对多品种、多厂商药品NIR数据准确、可靠地判别分类,且模型具有良好的鲁棒性和可扩展性.该方法也可推广到烟草、石化等其他领域的NIR数据分类应用中.

关键词：深度卷积神经网络、近红外光谱、药品鉴别、多分类

所属期刊栏目：39

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金项目21365008,61562013

在线出版日期：2020-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：3606-3613