开云优惠体育网页版入口

专利名称：一种红曲素含量检测的快速分析方法及系统

专利类型：实用新型专利

专利申请号：CN202410445908.7

专利申请（专利权）人：西藏红曲生物股份有限公司
权利人地址：西藏自治区拉萨市拉萨经济技术开发区维色路9号

专利发明（设计）人：胡学民,伏雪,伍七林

专利摘要：本申请公开了一种红曲素含量检测的快速分析方法及系统。所述方法包括：采集红曲产品的光谱数据，所述光谱数据用于进行噪声去除，以得到目标样本；将目标样本转换为嵌入特征，所述嵌入特征用于输入特征编码器，以进行编码处理；利用目标编码器对所述嵌入特征进行混合并行注意力计算，所述计算的结果用于与所述嵌入特征的残差融合，以得到高频特征；以及将所述高频特征输入卷积前馈网络，所述卷积前馈网络用于进行数据降维，以得到所述红曲产品的红曲素含量数值。通过本申请方案能够提高检测速度，降低检测成本。

主权利要求：
1.一种红曲素含量检测的快速分析方法，其特征在于，包括：
采集红曲产品的光谱数据，所述光谱数据用于进行噪声去除，以得到目标样本；其中所述噪声去除的方法包括：其中， 表示目标样本，(x,y)表示光谱数据坐标，IDWT{}表示二维小波逆变换操作，DWT{}表示二维小波变换操作，Iλ(x,y)表示光谱数据，sign()表示符号函数，τ表示噪声阈值；
将目标样本转换为嵌入特征，所述嵌入特征用于输入特征编码器，以进行编码处理；其中包括：将位置信息嵌入在所述目标样本上，以得到所述嵌入特征；所述嵌入的方法包括：其中，F(u,v)表示频率域中对应于空间域
中(u,v)位置的复数值，f(x,y)表示空间域中坐标为(x,y)处的目标样本强度，M表示目标样本第一方向长度，N表示目标样本第二方向长度；以及将所述嵌入特征输入所述特征编码器；
利用目标编码器对所述嵌入特征进行混合并行注意力计算，所述计算的结果用于与所述嵌入特征的残差融合，以得到高频特征；其中包括：利用目标编码器对所述嵌入特征进行分组，以将所述嵌入特征在通道维度拆分为多组子特征；对所述多组子特征同时进行混合并行注意力计算，以得到混合注意特征；以及将所述混合注意特征与所述嵌入特征的残差融合，以得到高频特征；
其中对所述多组子特征同时进行混合并行注意力计算，以得到混合注意特征包括：对每一组子特征单独进行通道注意力计算，以得到第一特征；对每一组子特征单独进行空域注意力计算，以得到第二特征；对所述多组子特征的同一组子特征的第一特征与第二特征进行拼接集成，以得到混合特征；以及对所述混合特征进行通道置换操作，所述操作用于进行组间通讯，以得到混合注意特征；
将所述高频特征输入卷积前馈网络，所述卷积前馈网络用于进行数据降维，以得到所述红曲产品的红曲素含量数值。
2.根据权利要求1所述的方法，其特征在于，其中对每一组子特征单独进行通道注意力计算，以得到第一特征包括：CA(F)＝F·σ(MLP(AvgPool(F)))，
其中，CA(F)表示通道注意力计算，F表示输入特征，σ()表示sigmoid激活函数，MLP()表示多层感知机，AvgPool()表示全局平均池化。
3.根据权利要求1所述的方法，其特征在于，其中对每一组子特征单独进行空域注意力计算，以得到第二特征包括：T
SA(F)＝σ(f([AvgPool(F)∪MaxPool(F)])*W)，T
其中，SA(F)表示空域注意力计算，F表示输入特征，σ()表示sigmoid激活函数，f表示转置卷积操作，AvgPool()表示平均池化，MaxPool()表示最大池化，W表示空域注意力权重，∪表示拼接操作。
4.根据权利要求1所述的方法，其特征在于，其中将所述混合注意特征与所述嵌入特征的残差融合，以得到高频特征包括：Output＝Activation(A(x)+x)，
其中，Output表示高频特征，A()表示注意力变换，x表示嵌入特征，Activation()表示激活函数。
5.根据权利要求1所述的方法，其特征在于，在将目标样本转换为嵌入特征，所述嵌入特征用于输入特征编码器，以进行编码处理之前，还包括：采集红曲产品的光谱数据与所述光谱数据对应的红曲素含量数值，以生成训练样本；
基于目标损失函数对所述特征编码器与所述卷积前馈网络进行反向传播，以更新模型参数；以及当所述第一特征与所述第二特征在所述卷积前馈网络的隐藏层的推土机距离低于目标阈值时，停止所述反向传播，以得到训练完成的模型。
6.一种应用如权利要求1?5任一项所述方法的红曲素含量检测的快速分析系统，其特征在于，包括：采样模块，用于采集红曲产品的光谱数据，所述光谱数据用于进行噪声去除，以得到目标样本；
特征嵌入模块，用于将目标样本转换为嵌入特征，所述嵌入特征用于输入特征编码器，以进行编码处理；其中包括：将位置信息嵌入在所述目标样本上，以得到所述嵌入特征；所述嵌入的方法包括： 其中，F(u,v)表示频率域中对应于空间域中(u,v)位置的复数值，f(x,y)表示空间域中坐标为(x,y)处的目标样本强度，M表示目标样本第一方向长度，N表示目标样本第二方向长度；以及将所述嵌入特征输入所述特征编码器；
注意力模块，用于利用目标编码器对所述嵌入特征进行混合并行注意力计算，所述计算的结果用于与所述嵌入特征的残差融合，以得到高频特征；其中包括：利用目标编码器对所述嵌入特征进行分组，以将所述嵌入特征在通道维度拆分为多组子特征；对所述多组子特征同时进行混合并行注意力计算，以得到混合注意特征；以及将所述混合注意特征与所述嵌入特征的残差融合，以得到高频特征；
其中对所述多组子特征同时进行混合并行注意力计算，以得到混合注意特征包括：对每一组子特征单独进行通道注意力计算，以得到第一特征；对每一组子特征单独进行空域注意力计算，以得到第二特征；对所述多组子特征的同一组子特征的第一特征与第二特征进行拼接集成，以得到混合特征；以及对所述混合特征进行通道置换操作，所述操作用于进行组间通讯，以得到混合注意特征；以及数值分析模块，用于将所述高频特征输入卷积前馈网络，所述卷积前馈网络用于进行数据降维，以得到所述红曲产品的红曲素含量数值。 说明书 : 一种红曲素含量检测的快速分析方法及系统技术领域[0001] 本申请涉及人工智能领域，尤其涉及一种红曲素含量检测的快速分析方法及系统。背景技术[0002] 红曲素含量检测是指对食品或饮料中红曲素的含量进行定量或定性分析的过程。红曲素是一种由红曲霉产生的天然色素，常用于食品加工中的发酵过程中，例如在米酒、黄酒和酱油的生产中。红曲素含量检测的重要性在于确保食品安全和质量，以及监测生产过程中的合规性。在现代开云优惠体育网页版入口发展中，红曲素含量检测有助于保障消费者的健康、促进食品行业的可持续发展，并为食品安全监管提供科学依据。[0003] 目前广泛应用的红曲素含量检测方法包括色谱法、光谱法和免疫学方法。色谱法(如高效液相色谱法)通过分离红曲素并利用化学特性进行定量分析；光谱法(如紫外?可见吸收光谱法)则通过测量红曲素的吸光特性来进行定量分析；免疫学方法则利用抗体与红曲素结合来定量分析。这些方法的主要挑战包括需要专业设备和操作人员、分析周期较长、成本较高以及在样品预处理和准确性方面存在一定的限制。[0004] 因此，亟需一种技术方案，从而能够提高检测速度，降低检测成本。发明内容[0005] 为了解决现有技术的不足，本申请实施例提供了一种红曲素含量检测的快速分析方法及系统。本申请解决了现有检测方法的检测速度慢，检测成本高等技术问题。[0006] 一种红曲素含量检测的快速分析方法，包括：采集红曲产品的光谱数据，所述光谱数据用于进行噪声去除，以得到目标样本；其中所述噪声去除的方法包括：其中，表示目标样本，(x,y)表示光谱数据坐标，IDWT{}表示二维小波逆变换操作，DWT{}表示二维小波变换操作，Iλ(x,y)表示光谱数据，sign()表示符号函数，τ表示噪声阈值；将目标样本转换为嵌入特征，所述嵌入特征用于输入特征编码器，以进行编码处理；利用目标编码器对所述嵌入特征进行混合并行注意力计算，所述计算的结果用于与所述嵌入特征的残差融合，以得到高频特征；以及将所述高频特征输入卷积前馈网络，所述卷积前馈网络用于进行数据降维，以得到所述红曲产品的红曲素含量数值。[0007] 一种可能的实现方式中，其中将目标样本转换为嵌入特征，所述嵌入特征用于输入特征编码器，以进行编码处理包括：将位置信息嵌入在所述目标样本上，以得到所述嵌入特征；所述嵌入的方法包括： 其中，F(u,v)表示频率域中对应于空间域中(u,v)位置的复数值，f(x,y)表示空间域中坐标为(x,y)处的目标样本强度，M表示目标样本第一方向长度，N表示目标样本第二方向长度；以及将所述嵌入特征输入所述特征编码器。[0008] 一种可能的实现方式中，其中利用目标编码器对所述嵌入特征进行混合并行注意力计算，所述计算的结果用于与所述嵌入特征的残差融合，以得到高频特征包括：利用目标编码器对所述嵌入特征进行分组，以将所述嵌入特征在通道维度拆分为多组子特征；对所述多组子特征同时进行混合并行注意力计算，以得到混合注意特征；以及将所述混合注意特征与所述嵌入特征的残差融合，以得到高频特征。[0009] 一种可能的实现方式中，其中对所述多组子特征同时进行混合并行注意力计算，以得到混合注意特征包括：对每一组子特征单独进行通道注意力计算，以得到第一特征；对每一组子特征单独进行空域注意力计算，以得到第二特征；对所述多组子特征的同一组子特征的第一特征与第二特征进行拼接集成，以得到混合特征；以及对所述混合特征进行通道置换操作，所述操作用于进行组间通讯，以得到混合注意特征。[0010] 一种可能的实现方式中，其中对每一组子特征单独进行通道注意力计算，以得到第一特征包括：CA(F)＝F·σ(MLP(AvgPool(F)))，其中，CA(F)表示通道注意力计算，F表示输入特征，σ()表示sigmoid激活函数，MLP()表示多层感知机，AvgPool()表示全局平均池化。[0011] 一种可能的实现方式中，其中对每一组子特征单独进行空域注意力计算，以得到T第二特征包括：SA(F)＝σ(f ([AvgPool(F)∪MaxPool(F)])*W)，其中，SA(F)表示空域注意T力计算，F表示输入特征，σ()表示sigmoid激活函数，f 表示转置卷积操作，AvgPool()表示平均池化，MaxPool()表示最大池化，W表示空域注意力权重，∪表示拼接操作。[0012] 一种可能的实现方式中，其中将所述混合注意特征与所述嵌入特征的残差融合，以得到高频特征包括：Output＝Activation(A(x)+x)，其中，Output表示高频特征，A()表示注意力变换，x表示嵌入特征，Activation()表示激活函数。[0013] 一种可能的实现方式中，在将目标样本转换为嵌入特征，所述嵌入特征用于输入特征编码器，以进行编码处理之前，还包括：采集红曲产品的光谱数据与所述光谱数据对应的红曲素含量数值，以生成训练样本；基于目标损失函数对所述特征编码器与所述卷积前馈网络进行反向传播，以更新模型参数；以及当所述第一特征与所述第二特征在所述卷积前馈网络的隐藏层的推土机距离低于目标阈值时，停止所述反向传播，以得到训练完成的模型。[0014] 本申请实施例还提供了一种红曲素含量检测的快速分析系统，包括：采样模块，用于采集红曲产品的光谱数据，所述光谱数据用于进行噪声去除，以得到目标样本；特征嵌入模块，用于将目标样本转换为嵌入特征，所述嵌入特征用于输入特征编码器，以进行编码处理；注意力模块，用于利用目标编码器对所述嵌入特征进行混合并行注意力计算，所述计算的结果用于与所述嵌入特征的残差融合，以得到高频特征；以及数值分析模块，用于将所述高频特征输入卷积前馈网络，所述卷积前馈网络用于进行数据降维，以得到所述红曲产品的红曲素含量数值。[0015] 本申请实施例还提供了一种用于红曲素含量检测的快速分析的装置，包括：处理器、存储器、系统总线；其中，所述处理器以及所述存储器通过所述系统总线相连；所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述任意一项所述的系统或方法。[0016] 通过如上所提供的一种用于红曲素含量检测的快速分析及系统，本申请实施例通过结合深度学习算法，能够提高检测速度，降低检测成本。附图说明[0017] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0018] 图1为本申请实施例提供的一种红曲素含量检测的快速分析方法的示意图；[0019] 图2为本申请实施例提供的一种使用目标编码器获取高频特征的示例性流程图。具体实施方式[0020] 现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。[0021] 本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。[0022] 同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。[0023] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。[0024] 图1为本申请实施例提供的一种红曲素含量检测的快速分析方法的示意图。如图1所示，在步骤S101处，采集红曲产品的光谱数据，所述光谱数据用于进行噪声去除，以得到目标样本；其中所述噪声去除的方法包括：[0025][0026] 其中， 表示目标样本，(x,y)表示光谱数据坐标，IDWT{}表示二维小波逆变换操作，DWT{}表示二维小波变换操作，Iλ(x,y)表示光谱数据，sign()表示符号函数，τ表示噪声阈值。需要理解的是，光谱数据是指在不同波长或频率下测量的能量或辐射强度值。光谱数据通常用于分析物质的特性、成分和结构。噪声去旨在消除干扰信号，提取出目标样本的有效信息。[0027] 在一个实施例中，首先，光谱数据通过二维小波变换(DWT)操作转换为频域表示。然后，对其应用符号函数，以获取其正负号信息。接下来，计算绝对值与阈值之差的最大值。将符号函数的结果与上一步骤中得到的最大值相乘，得到的结果再通过二维小波逆变换(IDWT)操作，从频域转换回时域，得到目标样本。[0028] 在步骤S102处，将目标样本转换为嵌入特征，所述嵌入特征用于输入特征编码器，以进行编码处理。嵌入特征通常用于捕获样本的抽象表示，以便进行后续的编码、处理和分析。在这个过程中，输入特征编码器扮演着至关重要的角色，它负责将原始的目标样本数据映射到一个低维度的嵌入空间中，以便更好地表示和理解数据的内在结构。[0029] 通常情况下，输入特征编码器可以采用各种深度神经网络结构，如卷积神经网络(CNN)、循环神经网络(RNN)或者变换器网络(Transformer)。这些网络结构在学习数据表示和特征提取方面具有良好的性能，能够有效地捕捉数据中的非线性关系和高阶特征。[0030] 为了实现有效的编码处理，需要在训练过程中定义适当的损失函数，用于衡量目标样本与其对应嵌入特征之间的差异。一种常见的损失函数是欧氏距离或者余弦相似度，它们可以在嵌入空间中度量样本之间的相似性和差异性。通过最小化损失函数，可以有效地优化编码器的参数，从而提高嵌入特征的表征能力和推广性能。[0031] 在一个实施例中，将位置信息嵌入在所述目标样本上，以得到所述嵌入特征。所述嵌入的方法包括：[0032][0033] 其中，F(u,v)表示频率域中对应于空间域中(u,v)位置的复数值，f(x,y)表示空间域中坐标为(x,y)处的目标样本强度，M表示目标样本第一方向长度，N表示目标样本第二方向长度。在这个公式中，F(u,v)可以被视为表示了目标样本在频率域中的表征，其中包含了位置信息的嵌入。通过对目标样本在空间域中的强度进行二维离散傅里叶变换，可以将位置信息编码到频率域中。这种方式下，可以利用频率域中的复数值来隐含地携带目标样本的位置相关信息。通过这种嵌入方法，可以在目标样本中保留位置信息的同时获得相应的嵌入特征。然后，将所述嵌入特征输入所述特征编码器。[0034] 需要说明的是，在将目标样本转换为嵌入特征，所述嵌入特征用于输入特征编码器，以进行编码处理之前，还包括：采集红曲产品的光谱数据与所述光谱数据对应的红曲素含量数值，以生成训练样本；基于目标损失函数对所述特征编码器与所述卷积前馈网络进行反向传播，以更新模型参数；以及当所述第一特征与所述第二特征在所述卷积前馈网络的隐藏层的推土机距离低于目标阈值时，停止所述反向传播，以得到训练完成的模型。[0035] 具体而言，在将目标样本转换为嵌入特征的过程中，首先需要采集红曲产品的光谱数据，并记录这些数据对应的红曲素含量数值，以生成训练样本。这些光谱数据可以通过光谱仪等设备进行测量和采集，它们反映了红曲产品在不同波长下的光学特性，有助于描述和区分不同样本之间的差异。[0036] 接下来，定义一个目标损失函数，用于衡量嵌入特征与红曲素含量数值之间的关系。在训练过程中，通过对特征编码器和卷积前馈网络进行反向传播，并根据目标损失函数的梯度信息更新模型参数，以使得模型能够逐渐学习到合适的特征表示。具体地，特征编码器可以采用各种深度学习模型，如卷积神经网络(CNN)或循环神经网络(RNN)，用于将输入样本转换为高级的特征表示，这些表示包含了样本的抽象信息和特征。[0037] 在训练过程中，还需要监控所述第一特征与所述第二特征在卷积前馈网络的隐藏层的推土机距离，这可以通过计算它们之间的差异度来实现。如果这个距离低于设定的目标阈值，就停止反向传播，以得到训练完成的模型。[0038] 在步骤S103处，利用目标编码器对所述嵌入特征进行混合并行注意力计算，所述计算的结果用于与所述嵌入特征的残差融合，以得到高频特征[0039] 需要理解的是，目标编码器是一种神经网络结构，常用于处理序列数据的编码和解码任务。在本发明中，目标编码器用于对输入的嵌入特征进行处理和转换。嵌入特征通常是指将输入数据映射到低维空间的表示，以便于神经网络的学习和处理。这些嵌入特征可能是通过预训练的嵌入层或其他特征提取器获得的，用于表征输入数据的重要信息。[0040] 所述混合并行注意力计算(如图2所示，具体方法将在图2处展开说明)是指一种注意力机制，用于捕捉输入序列中不同位置之间的依赖关系和重要性。在目标编码器中，通过并行计算多个注意力头，每个头都能够关注输入序列中不同位置的信息。这种并行计算可以提高模型对输入数据的表征能力，使得模型更好地理解和利用输入序列的信息。[0041] 在本发明中，计算的结果用于与嵌入特征的残差进行融合。残差指的是目标编码器对输入的嵌入特征进行处理后，与原始输入的差异。这种残差融合的过程可以通过残差连接(residualconnection)来实现，即将计算结果与原始输入进行相加操作。[0042] 因此，将上述过程组合起来，利用目标编码器对嵌入特征进行混合并行注意力计算，并将计算结果与嵌入特征的残差进行融合，可以得到高频特征。这些高频特征包含了输入数据中的重要信息，并且经过了注意力机制的加工，使得模型能够更好地理解和利用这些特征。[0043] 在这个过程中，目标编码器的参数和结构起到关键作用，它们决定了如何对输入的嵌入特征进行处理和转换。同时，混合并行注意力计算的实现方式和参数设置也需要经过精心设计，以确保模型能够有效地学习到输入数据的重要信息，并产生高质量的特征表示。[0044] 在步骤S104处，将所述高频特征输入卷积前馈网络，所述卷积前馈网络用于进行数据降维，以得到所述红曲产品的红曲素含量数值。[0045] 图2为本申请实施例提供的一种使用目标编码器获取高频特征的示例性流程图。需要理解的是，图中所示系统是示例性而非限制性的。这意味着所涉及的模块架构并不受限于特定的形式或设计，而是作为示例来呈现。换言之，图中展示的架构可以被视为一种表达方式，用以清晰地描述相关概念和关系，并不排斥其他形式的架构。因此，在解释所述图片中架构时，应当理解该模块具有灵活性和多样性，其目的在于提供一种示例性描述，而非对特定形式的限制性规定。[0046] 如图2所示，在步骤S201处，利用目标编码器对所述嵌入特征进行分组，以将所述嵌入特征在通道维度拆分为多组子特征。[0047] 在步骤S202处，对所述多组子特征同时进行混合并行注意力计算，以得到混合注意特征。首先，对每一组子特征单独进行通道注意力计算，以得到第一特征。其包括：[0048] CA(F)＝F·σ(MLP(AvgPool(F)))，[0049] 其中，CA(F)表示通道注意力计算，F表示输入特征，σ()表示sigmoid激活函数，MLP()表示多层感知机，AvgPool()表示全局平均池化。[0050] 具体而言，关于该公式的计算过程，首先，对输入特征进行全局平均池化操作，将特征图的每个通道的特征值进行平均汇总，得到一个包含每个通道平均值的向量。然后，利用多层感知机对平均池化后的特征向量进行处理，以捕捉通道间的复杂关系和非线性特征。多层感知机通常由多个全连接层组成，每个全连接层包含多个神经元，并通过激活函数引入非线性。最后，利用sigmoid激活函数将MLP输出的特征进行映射，将其限制在[0,1]范围内，以表示每个通道的重要性或注意力权重。最终，将原始输入特征与经过sigmoid激活函数处理后的结果相乘，得到加权后的特征，即通道注意力加权后的特征，用于后续的特征提取和处理。[0051] 接下来，对每一组子特征单独进行空域注意力计算，以得到第二特征。其包括：[0052] SA(F)＝σ(fT([AvgPool(F)∪MaxPool(F)])*W)，[0053] 其中，SA(F)表示空域注意力计算，F表示输入特征，σ()表示sigmoid激活函数，fT表示转置卷积操作，AvgPool()表示平均池化，MaxPool()表示最大池化，W表示空域注意力权重，∪表示拼接操作。在这里，空域注意力计算是通过对输入特征进行平均池化和最大池化后的结果进行拼接，并与权重相乘，并经过sigmoid激活函数处理得到的。这一过程能够帮助模型聚焦于输入特征中的关键信息，并生成第二特征以供后续的处理和分析。空域注意力权重的选择将直接影响到空域注意力计算的效果，因此在实际应用中需要根据具体情况进行调整和优化。[0054] 然后，对所述多组子特征的同一组子特征的第一特征与第二特征进行拼接集成，以得到混合特征；以及对所述混合特征进行通道置换操作，所述操作用于进行组间通讯，以得到混合注意特征。[0055] 在一个实施例中，为了实现对多组子特征的集成和通道置换操作，可以采用一种深度学习模型，例如Transformer模型。在得到混合特征之后，可以引入通道置换操作，以促进不同组间的信息传递和融合。通道置换操作旨在增强混合特征之间的交互与通讯，从而使得最终的混合注意特征更具代表性和信息丰富度。通道置换操作可以通过变换矩阵对混合特征进行线性变换来实现。[0056] 在步骤S203处，将所述混合注意特征与所述嵌入特征的残差融合，以得到高频特征。具体而言，包括：[0057] Output＝Activation(A(x)+x)，[0058] 其中，Output表示高频特征，A()表示注意力变换，x表示嵌入特征，Activation()表示激活函数。在上述公式中，注意力变换可以被视为一个映射函数，它能够对输入的嵌入特征进行加权处理，突出其中的关键信息。通过残差连接的方式，将原始的嵌入特征与经过注意力变换后的特征进行相加，有助于在保留原始信息的基础上引入更多的上下文相关信息，从而提升最终的特征表示的表达能力。[0059] 这种融合混合注意特征和嵌入特征的残差方法，可以在深度神经网络中应用，用于提取输入特征中的高频信息，进而改善模型在复杂任务上的表现。该方法结合了注意力机制和残差学习的优势，旨在实现更有效的特征表示学习，从而提升神经网络的性能和泛化能力。[0060] 进一步地，本申请实施例还提供了一种用于红曲素含量检测的快速分析的装置，包括：处理器、存储器、系统总线；所述处理器以及所述存储器通过所述系统总线相连；所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述的处理方法的任一种实现方法。[0061] 进一步地，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述处理方法的任一种实现方法。[0062] 通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。[0063] 需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。[0064] 还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。[0065] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

专利地区：西藏

专利申请日期：2024-04-15

专利公开日期：2024-11-22

专利公告号：CN118298954B