差分拉曼结合vgg16和dcgan检验食品包装

目的提出基于具有16层的视觉几何组网络（VGG16）和聚类分析的差分拉曼食品包装检验方法。为了给分类模型提供充足的训练数据，对深度卷积生成对抗网络（DCGAN）的训练策略、生成谱图的质量对VGG16特征提取的影响进行探究。方法对食品包装的差分拉曼数据采用Python作成71张谱图后，使用VGG16提取谱图特征，用主成分分析(PCA)对特征降维,使用降维后的特征进行聚类分析。对不同的训练集、不同迭代次数训练出来的DCGAN生成的谱图质量进行比较，并使用VGG16-PCA得到谱图二维特征并可视化。结果VGG16-PCA-K均值聚类算法和VGG16-PCA-高斯混合模型的聚类准确率分别达到91.5%和88.7%。用同一个类别的谱图作训练集训练的DCGAN，和用全部类别的谱图作训练集训练的DCGAN相比，可以生成谱线更连续、清晰度更高、形状与真实谱图更相似的谱图。将5张生成谱图和25张生成谱图分别与71张真实谱图一起进行VGG16-PCA分析，生成谱图数量占比越大，聚类结果中真实谱图分布变化越大、生成谱图与同类谱图距离越远。将同一个DCGAN模型生成的5张谱图和71张真实谱图一起进行VGG16-PCA分析，针对不同迭代次数的DCGAN的对比研究表明，DCGAN迭代次数越多，生成的谱图越拟真，在可视化图中与同一类别真实谱图距离越近。结论使用VGG16提取特征可以在免去人工筛选和统计特征峰的工作的同时让聚类结果准确率较高；DCGAN可以生成较为拟真的差分拉曼谱图，生成谱图越拟真则VGG16提取特征越准确。