基于太赫茲及含Inception 塊殘差網(wǎng)絡(luò)的北柴胡鑒別

葉華清，蔡圣杰，鄭成勇

（五邑大學(xué) 數(shù)學(xué)與計(jì)算科學(xué)學(xué)院，廣東 江門 529020）

北柴胡由傘形科植物柴胡的根組織干燥形成，是現(xiàn)代臨床常用中藥之一[1].藏柴胡和錐葉柴胡都是北柴胡的偽品，它們的性狀特征比較相似，給采集和使用過程中的鑒別工作帶來了一定的困難.目前市場上時(shí)常發(fā)生一些用藏柴胡[2]或者錐葉柴胡[3]替代北柴胡的事件，對消費(fèi)者的利益造成損害.因此，建立有效的北柴胡鑒別方法是必要的[4].傳統(tǒng)的柴胡鑒別使用的方法通常是性狀鑒別[5]、薄層色譜（TLC）[6]或者是高效液相色譜（HPLC）[7].性狀鑒別法容易受主觀因素的影響，TLC 及HPLC等方法則通常分析成本較高，分析時(shí)間較長.

太赫茲（Terahertz，THz）是一種新興技術(shù)，具有無損檢測、穿透性強(qiáng)、光子能量低等優(yōu)點(diǎn)[8]，已被廣泛地應(yīng)用于藥材的檢測.但經(jīng)搜索文獻(xiàn)發(fā)現(xiàn)，近年來將太赫茲技術(shù)應(yīng)用于柴胡鑒別的研究較少，本文提出利用太赫茲技術(shù)鑒別北柴胡.

在深度學(xué)習(xí)領(lǐng)域中[9-10]，殘差連接解決了深度網(wǎng)絡(luò)梯度消失的問題.多尺度融合技術(shù)則是計(jì)算機(jī)視覺領(lǐng)域中常被使用且不會損害精度的技術(shù)，GoogLeNet 中的單元結(jié)構(gòu)——Inception 塊就是其中之一，通過不同尺度提取的信息往往比單一尺度提取的信息更豐富.為了將深度學(xué)習(xí)方法應(yīng)用于北柴胡鑒別，并充分利用太赫茲光譜數(shù)據(jù)的多尺度信息，本文依據(jù)太赫茲光譜數(shù)據(jù)的特點(diǎn)，將Inception塊中的二維卷積核收縮為一維卷積核，以此構(gòu)建一維Inception（1D Inception，1DIn）塊結(jié)構(gòu)，然后通過殘差連接，構(gòu)建含1DIn 的殘差網(wǎng)絡(luò)，用于北柴胡鑒別，并將其與傳統(tǒng)的機(jī)器學(xué)習(xí)方法作對比.

1 太赫茲光譜技術(shù)

太赫茲（THz）是波動頻率單位之一，又稱太赫，或太拉赫茲，等于1012Hz，通常用于表示電磁波頻率.太赫茲輻射是一種頻率為0.1～10 THz 的電磁輻射，從頻率上看，在無線電波和光波，毫米波和紅外線之間；從能量上看，在電子和光子之間.

太赫茲輻射具有以下顯著特征[11]：1）指紋圖譜.太赫茲輻射的光子能量與分子中旋轉(zhuǎn)躍遷的激發(fā)能量相似，因此分子振動和旋轉(zhuǎn)等信息包含在太赫茲光譜中.這就是太赫茲光譜的指紋特征，也是它能夠應(yīng)用于物質(zhì)檢測和識別的重要原因.2）良好的生物安全性.與X 射線相比，太赫茲波在1 THz 下具有約4 meV 的非常低的光子能量，并且是非電離的.因此，太赫茲波不會對生物組織等樣品造成電離損傷.3）相干測量.太赫茲波通常是由相干激光脈沖利用非線性光學(xué)效應(yīng)或相干電流驅(qū)動的偶極振蕩產(chǎn)生的，因此太赫茲波是相干的，可以直接測量電場的振幅和相位信息.4）高空間、時(shí)間分辨率.與微波和毫米波相比，太赫茲波具有更短的波長，可以實(shí)現(xiàn)更高的分辨率.太赫茲脈沖具有良好的時(shí)間分辨率，脈沖寬度在亞皮秒到皮秒的時(shí)間尺度上，可以分析分子、電子等的瞬態(tài)變化.因此，可以將太赫茲時(shí)間分辨光譜用于物質(zhì)的檢測和識別.5）滲透性好.太赫茲波具有良好的穿透性，可以穿透包括塑料、服裝和陶瓷在內(nèi)的一般介電材料.這使得太赫茲光譜法有可能探測危險(xiǎn)物品.盡管太赫茲波很容易被水等極性分子吸收和損失，但此時(shí)的吸收光譜也可以用來評估樣品的含水量.

本文所用的太赫茲光譜數(shù)據(jù)由江門華訊方舟科技有限公司利用其太赫茲時(shí)域光譜儀（型號為CCT-1800）采集而來.由于水對太赫茲波具有較強(qiáng)的吸收力，因此在太赫茲數(shù)據(jù)采集過程中，需對樣品倉持續(xù)吹掃氮?dú)?，避免空氣中的水汽對?shí)驗(yàn)造成干擾[12].

2 1D Inception 塊網(wǎng)絡(luò)模型構(gòu)建

Inception 塊是GoogLeNet 中的單元塊，它的出現(xiàn)是卷積神經(jīng)網(wǎng)絡(luò)（CNN）發(fā)展歷程中的一個(gè)里程碑[13].在此之前，大部分流行的網(wǎng)絡(luò)架構(gòu)主要采取不斷堆疊卷積層來獲得更深的網(wǎng)絡(luò)，以獲得更好的性能.然而增大網(wǎng)絡(luò)深度往往會讓網(wǎng)絡(luò)模型顯得愈加沉重冗余.針對該問題，谷歌團(tuán)隊(duì)提出了Incepetion 塊，目前其版本已歷經(jīng)了從v1 到v4[14]的重大飛躍.Inception 網(wǎng)絡(luò)最大的優(yōu)點(diǎn)是使用了大量的Inception 塊.因?yàn)橛辛诉@些Inception 塊，Inception 網(wǎng)絡(luò)能夠?qū)斎氲膱D像數(shù)據(jù)并行執(zhí)行多個(gè)卷積運(yùn)算以及多個(gè)池化操作運(yùn)算，同時(shí)該網(wǎng)絡(luò)可以將所有運(yùn)算的輸出結(jié)果拼接為一個(gè)特別深的特征圖，以提取并融合圖像的多尺度特征，獲得更好的圖像表征[15].

本文構(gòu)建的是含Inception 塊的殘差網(wǎng)絡(luò)架構(gòu)，它融合了殘差網(wǎng)絡(luò)和Inception 塊的優(yōu)點(diǎn).無論是Inception 塊，還是GoogLeNet，都是面向圖像的網(wǎng)絡(luò)架構(gòu)，但太赫茲光譜數(shù)據(jù)只有一維，并不能直接輸入其中.為此，本文構(gòu)建了一種可直接接受太赫茲光譜數(shù)據(jù)輸入的僅含一維卷積核的一維Inception（1D Inception，1DIn）塊結(jié)構(gòu).圖1展示了所構(gòu)建的 1DIn 塊結(jié)構(gòu)圖.它由輸入層、一維卷積層、拼接層、輸出層構(gòu)成，其中的一維卷積層由上至下分別包含32 個(gè)尺寸為1、2n+1、4n+1、8n+1（n為正整數(shù)）的一維卷積核.輸入數(shù)據(jù)通過 4 個(gè)不同尺寸的卷積層后得到4 個(gè)通道數(shù)為32 的輸出，將其在通道維度拼接，然后作為1DIn 塊的輸出.

圖1 1D Inception 塊結(jié)構(gòu)圖

通過1DIn 塊堆疊及殘差連接而成的網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示.整個(gè)結(jié)構(gòu)可以分為7 個(gè)部分.前6 個(gè)部分各是一個(gè)1DIn 塊，最后1 個(gè)部分是輸出塊.輸出塊包含一個(gè)全局平均池化（GAP）層、一個(gè)全連接（FC）層和一個(gè)Softmax 層.除了1DIn 塊和輸出塊以外，殘差連接也必不可少.每3 個(gè)1DIn塊，進(jìn)行一次殘差連接，以保證梯度更新的效率.在殘差連接中，輸入一個(gè)尺寸為1 的卷積層調(diào)整通道數(shù)與深層特征通道數(shù)保持一致，最后與深層特征相加后輸出.

圖2 基于1D Inception 塊的網(wǎng)絡(luò)結(jié)構(gòu)圖

3 材料與方法

3.1 材料與儀器

實(shí)驗(yàn)所用數(shù)據(jù)集由北柴胡、藏柴胡、錐葉柴胡的太赫茲光譜數(shù)據(jù)構(gòu)成.3 種柴胡的批次數(shù)及樣本數(shù)如表1 所示.所有實(shí)驗(yàn)均采用批次留一法[16].

表1 數(shù)據(jù)集概況統(tǒng)計(jì)

圖3 給出了3 種柴胡的吸收系數(shù)譜的均值曲線.圖3 表明，在1.2～1.8 THz 范圍內(nèi)，3 種柴胡的吸收系數(shù)譜均值曲線區(qū)分明顯.

圖3 3 種柴胡的吸收系數(shù)譜與頻率的對應(yīng)關(guān)系圖

3.2 光譜數(shù)據(jù)的采集

將柴胡樣品連同特制模具放于已充滿氮?dú)獾奶掌潤z測儀（為保證光譜測量的準(zhǔn)確性，樣本重復(fù)測量100 次，取平均值作為該樣品的原始光譜）中獲取太赫茲光譜數(shù)據(jù).

本太赫茲時(shí)域光譜儀的測量范圍為0.004 6～10.0021 THz，由于0.004 6～0.100 0 THz 和1.800 0～10.002 1 THz 波段的信噪比較低，故實(shí)驗(yàn)使用頻率在0.100 0～1.800 0 THz 范圍內(nèi)的吸收系數(shù)譜數(shù)據(jù)作分析.

4 實(shí)驗(yàn)對比

為驗(yàn)證殘差網(wǎng)絡(luò)鑒別北柴胡的有效性，首先對殘差網(wǎng)絡(luò)的卷積核尺寸進(jìn)行消融實(shí)驗(yàn)，搜索適合的卷積核尺寸；然后將其與支持向量機(jī)（線性核）、邏輯回歸（LR）、K 近鄰（KNN）、隨機(jī)森林（RF）、ExtraTree[17]、ExtraTrees[18]、AdaBoost[19]、GBoost[20]、XGBoost[21]等進(jìn)行對比.網(wǎng)絡(luò)訓(xùn)練所用損失函數(shù)為交叉熵函數(shù)，優(yōu)化器為ADAM.模型的評估指標(biāo)為總體精度.

4.1 卷積核尺寸對比實(shí)驗(yàn)

為了給殘差網(wǎng)絡(luò)中的1DIn 塊中4 個(gè)卷積核設(shè)置合適的尺寸，我們進(jìn)行了大量的消融實(shí)驗(yàn).實(shí)驗(yàn)結(jié)果如表2 所示.為了避免實(shí)驗(yàn)結(jié)果的偶然性，對卷積核的每種組合均進(jìn)行5 次隨機(jī)實(shí)驗(yàn).表2 最后一列是5 次實(shí)驗(yàn)精度的均值和標(biāo)準(zhǔn)差.

從平均精度可以看出，隨著卷積核增大，精度大體是先下降然后上升；當(dāng)卷積核組合為1、13、25、49 時(shí)，5 次實(shí)驗(yàn)平均精度最高，達(dá)到了88.77%；此后再下降.原因可能是因?yàn)樵诰矸e核尺寸較小時(shí)，每個(gè)Inception 塊的感受野也較小，當(dāng)6 層Inception 塊疊加后，模型最后一層中每個(gè)特征點(diǎn)僅是附近相鄰特征信息的提取結(jié)果，并未看到整條光譜的全部信息；而隨著卷積核尺寸的增大，模型最后一層中每個(gè)特征點(diǎn)的感受野也隨之增大，并逐漸覆蓋整個(gè)光譜，但隨之而來的背景噪音也更多，在卷積核組合為1、13、25、49 時(shí)剛好達(dá)到最佳平衡.

4.2 模型對比實(shí)驗(yàn)結(jié)果

表3 給出了本文方法與支持向量機(jī)（線性核）、LR、KNN、RF、XGBoost、AdaBoost 等分類方法的實(shí)驗(yàn)對比結(jié)果.所有對比方法均經(jīng)過了參數(shù)優(yōu)化.表3 表明，本文方法顯著優(yōu)于其他9 種方法.分析其原因可能是 Inception 塊中并行的不同大小的卷積層構(gòu)成了一個(gè)感受野各不相同的特征提取器，使得原本特征提取較單一的結(jié)構(gòu)變?yōu)榱艘粋€(gè)多尺度特征提取結(jié)構(gòu)，該結(jié)構(gòu)不僅有偏向注意微小局部信息的卷積層，也有偏向注意較大范圍局部信息的卷積層，使得模型的學(xué)習(xí)能力更全面.

表3 不同模型在柴胡數(shù)據(jù)集上的實(shí)驗(yàn)精度

5 結(jié)論

本文針對太赫茲光譜數(shù)據(jù)構(gòu)建了一種含一維 Inception 塊的殘差網(wǎng)絡(luò)，用于北柴胡鑒別.對比實(shí)驗(yàn)結(jié)果表明，本文方法顯著優(yōu)于9 種非深度學(xué)習(xí)方法.所提模型結(jié)構(gòu)相對簡單，層數(shù)較少，其突出的分類性能表明了基于深度學(xué)習(xí)的太赫茲光譜數(shù)據(jù)分類潛力巨大.基于 transformer 架構(gòu)的太赫茲光譜數(shù)據(jù)分析將是下一步值得探索的課題.