一种基于纤维素酶的燕麦种抗氧化活性检测方法和装置

1.本发明涉及深度学习技术领域，尤其涉及一种基于纤维素酶的燕麦种抗氧化活性检测方法和装置。


背景技术：

2.随着经济的发展与生活水平的提高，越来越多人的保健意识也与之俱增，为了提高身体能力，人们开始将食用具有抗氧化活性的食品作为一种潮流，而燕麦种被认为是一种重要的天然抗氧化剂的来源，为了提高燕麦种的经济价值，需要对燕麦种的抗氧化活性进行检测分析。
3.现有的燕麦种的抗氧化活性进行检测技术多为基于生物化学的抗氧化活性检测方法，通过检测燕麦种样本与各种化学物质之间的氧化效率从而测定燕麦种的抗氧化能力，实际应用中，在针对多种实验样本的抗氧化活性检测时，基于生物化学的抗氧化活性检测方法需要大量的重复性化学反应以及多种复杂的实验数据测定，而重复且复杂的实验数据测定可能会导致进行燕麦种抗氧化活性检测时的效率较低。


技术实现要素：

4.本发明提供一种基于纤维素酶的燕麦种抗氧化活性检测方法和装置，其主要目的在于解决进行燕麦种抗氧化活性检测时的效率较低的问题。
5.为实现上述目的，本发明提供的一种基于纤维素酶的燕麦种抗氧化活性检测方法，包括：
6.将不同种类的多个燕麦种粉碎成燕麦粉集，利用纤维素酶对所述燕麦粉集中的各燕麦粉进行纤维素水解，得到燕麦水解物集，对所述燕麦水解物集进行光谱成像，得到燕麦光谱图集；
7.对所述燕麦水解物集中的各个燕麦水解物进行糖酮酚检测，得到燕麦成分参数组集，利用自由基清除法对所述燕麦水解物集进行抗氧化检测，得到抗氧化数据集；
8.逐个选取所述燕麦光谱图集中的燕麦光谱图片作为目标燕麦光谱图片，选取所述燕麦成分参数组集中与所述目标燕麦光谱图片对应的燕麦成分参数组作为目标成分参数组，依次对所述目标燕麦光谱图片进行图像去噪、波长校准以及图像增强操作，得到目标标准光谱图片；
9.将所述目标成分参数组向量化成目标成分特征，根据所述目标成分特征将所述目标标准光谱图片下采样成目标光谱特征，将所述目标成分特征和所述目标光谱特征融合成目标燕麦特征，利用所有的目标燕麦特征和所述抗氧化数据集对预设的抗氧化活性模型进行训练，得到抗氧化分析模型，其中，所述将所述目标成分特征和所述目标光谱特征融合成目标燕麦特征，包括：对所述目标成分特征进行全局池化操作，得到降维成分特征；对所述目标光谱特征进行全局池化操作，得到降维光谱特征；利用如下的多维燕麦特征融合算法对所述降维成分特征和所述降维光谱特征进行特征融合，得到目标燕麦特征：
[0010][0011]
其中，z是指所述目标燕麦特征，i是指特征维度序号，e是指所述降维成分特征的特征向量总维度，且所述降维成分特征的特征向量总维度与所述降维光谱特征的特征向量总维度相同，softmax是归一化函数，qi是所述降维成分特征中的第i维特征的特征向量，α、β、γ是所述多维燕麦特征融合算法预设的融合系数矩阵，w()是维度函数，是指qiβ向量的维度，是指riβ向量的维度，t是转置符号；
[0012]
将待测燕麦种水解成待测水解物，分别生成所述待测水解物的待测光谱图片以及待测成分参数组，根据所述待测光谱图片以及所述待测成分参数组生成待测燕麦特征，利用所述抗氧化分析模型分析出所述待测燕麦特征的分析抗氧化数据，将所述分析抗氧化数据作为所述待测燕麦种的抗氧化活性。
[0013]
可选地，所述将不同种类的多个燕麦种粉碎成燕麦粉集，包括：
[0014]
将不同种类的多个燕麦种汇集成燕麦种集，逐个选取所述燕麦种集中的一粒燕麦种作为目标燕麦种；
[0015]
依次对所述目标燕麦种进行清洗和干燥操作，得到目标清洁燕麦种；
[0016]
依次对所述目标清洁燕麦种进行粉碎和过筛操作，得到目标初级燕麦粉；
[0017]
从所述目标初级燕麦粉中筛选出预设质量的燕麦粉作为目标燕麦粉，并将所有的目标燕麦粉汇集成燕麦粉集。
[0018]
可选地，所述利用纤维素酶对所述燕麦粉集中的各燕麦粉进行纤维素水解，得到燕麦水解物集，包括：
[0019]
逐个选取所述燕麦粉集中的燕麦粉作为目标燕麦粉，对所述目标燕麦粉进行搅拌溶解，得到燕麦粉溶液；
[0020]
从所述燕麦粉溶液中过滤出标准燕麦液，利用纤维素酶对所述标准燕麦液进行纤维水解反应，得到水解反应液；
[0021]
从所述水解反应液中过滤沉淀出初级水解物，对所述初级水解物进行烘干操作，得到燕麦水解物，并将所有的燕麦水解物汇集成燕麦水解物集。
[0022]
可选地，所述对所述燕麦水解物集中的各个燕麦水解物进行糖酮酚检测，得到燕麦成分参数组集，包括：
[0023]
逐个选取所述燕麦水解物集中的燕麦水解物作为目标燕麦水解物，利用沉淀酸反法从所述目标燕麦水解物中检测出总多糖含量；
[0024]
利用铝盐比色法从所述目标燕麦水解物中检测出总黄酮含量；
[0025]
利用酚硫酸法从所述目标燕麦水解物中检测出还原糖含量；
[0026]
利用钠盐比色法从所述目标燕麦水解物中检测出总酚含量；
[0027]
将所述总多糖含量、所述总黄酮含量、所述还原糖含量以及所述总酚含量汇集成所述目标燕麦水解物的燕麦成分参数组，并将所有的燕麦成分参数组汇集成燕麦成分参数组集。
[0028]
可选地，所述利用自由基清除法对所述燕麦水解物集进行抗氧化检测，得到抗氧
化数据集，包括：
[0029]
逐个选取所述燕麦水解物集中的燕麦水解物作为目标燕麦水解物，将所述目标燕麦水解物溶解成不同浓度的目标燕麦溶剂组；
[0030]
利用预先制备的自由基溶液分别与所述目标燕麦溶剂组中的各目标燕麦溶剂进行反应，得到目标燕麦反应溶剂组；
[0031]
利用分光光度计分别检测出所述目标燕麦反应溶剂组对应的目标吸光度组；
[0032]
根据所述目标吸光度组和预设的阳性对照组计算出所述目标燕麦水解物的自由基清除率；
[0033]
将所述自由基清除率作为所述目标燕麦水解物的抗氧化数据，并将所有的抗氧化数据汇集成抗氧化数据集。
[0034]
可选地，所述依次对所述目标燕麦光谱图片进行图像去噪、波长校准以及图像增强操作，得到目标标准光谱图片，包括：
[0035]
利用分解重构法对所述目标燕麦光谱图片进行阈值去噪，得到目标去噪光谱图片；
[0036]
对所述目标去噪光谱图片进行基线校正，得到目标基线光谱图片；
[0037]
根据预先获取的样品光谱图片对所述目标基线光谱图片进行波长校准，得到目标校准光谱图片；
[0038]
生成所述目标校准光谱图片的灰度直方图，根据所述灰度直方图对所述目标校准光谱图片进行灰度均衡操作，得到目标标准光谱图片。
[0039]
可选地，所述利用分解重构法对所述目标燕麦光谱图片进行阈值去噪，得到目标去噪光谱图片，包括：
[0040]
利用如下的多层分解算法对所述目标燕麦光谱图片进行滤波分解，得到光谱分解层次集以及所述光谱分解层次集对应的分解系数集：
[0041][0042]
其中，x
j,k
是指在所述光谱分解层次集中第j层光谱分解层次的第k个分解系数，sj是指第j层光谱分解层次的尺度系数，n是指所述目标燕麦光谱图片的信号尺度序号，n是指所述目标燕麦光谱图片的信号尺度大小，hn是指所述目标燕麦光谱图片在第n个信号尺度上的第一滤波系数，dj是指第j层光谱分解层次的细节系数，gn是指是指所述目标燕麦光谱图片在第n个信号尺度上的第二滤波系数；
[0043]
逐个选取所述光谱分解层次集中的光谱分解层次作为目标光谱分解层次，将所述分解系数集中所述目标光谱分解层次对应的分解系数作为目标分解系数，依次从所述目标光谱分解层次中提取出层次噪声特征和层次信号特征；
[0044]
将所述层次噪声特征和所述层次信号特征融合成层次特征，根据所述层次特征生成层次阈值；
[0045]
判断所述层次阈值是否小于所述目标分解系数；
[0046]
若否，则返回逐个选取所述光谱分解层次集中的光谱分解层次作为目标光谱分解层次的步骤；
[0047]
若是，则将所述目标光谱分解层次添加至预设的重构层次集中，直至所述目标光谱分解层次为所述光谱分解层次集中的最后一个层次时，得到标准重构层次集；
[0048]
利用如下的多层重构算法对所述标准重构层次集进行重构，得到目标去噪光谱图片：
[0049][0050]
其中，x
j+1,k
是指在所述光谱分解层次集中第j+1层光谱分解层次的第k个分解系数，sj是指第j层光谱分解层次的尺度系数，n是指所述目标燕麦光谱图片的信号尺度序号，n是指所述目标燕麦光谱图片的信号尺度大小，h
k-2n
是指所述目标燕麦光谱图片在第k-2n个信号尺度上的第一滤波系数，dj是指第j层光谱分解层次的细节系数，g
k-2n
是指是指所述目标燕麦光谱图片在第k-2n个信号尺度上的第二滤波系数。
[0051]
可选地，所述根据所述目标成分特征将所述目标标准光谱图片下采样成目标光谱特征，包括：
[0052]
从所述目标成分特征中提取出特征向量总维度；
[0053]
利用多级卷积层从所述目标标准光谱图片中提取出多种光谱空间特征；
[0054]
对所述目标标准光谱图片进行频域转化，得到目标光谱频域，从所述目标光谱频域中提取出多种光谱频域特征；
[0055]
将所有的光谱空间特征和所有的光谱频域特征汇集成初级光谱特征集；
[0056]
将所述特征向量总维度作为聚类簇数对所述初级光谱特征集进行聚类操作，得到光谱特征类集；
[0057]
对所述光谱特征类集中的各个光谱特征类进行下采样操作，得到多个加权光谱中心特征，并将所有的加权光谱中心特征汇集成目标光谱特征。
[0058]
可选地，所述利用所有的目标燕麦特征和所述抗氧化数据集对预设的抗氧化活性模型进行训练，得到抗氧化分析模型，包括：
[0059]
逐个利用预设的抗氧化活性模型分析出所述目标燕麦特征对应的初级抗氧化数据，并将所有的初级抗氧化数据汇集成初级抗氧化数据集；
[0060]
根据所述初级抗氧化数据集和所述抗氧化数据集计算出所述抗氧化活性模型的损失值；
[0061]
判断所述损失值是否大于预设的损失值阈值；
[0062]
若是，则根据所述损失值对所述抗氧化活性模型的模型参数进行更新，并返回所述逐个利用预设的抗氧化活性模型分析出所述目标燕麦特征对应的初级抗氧化数据的步骤；
[0063]
若否，则将更新后的所述抗氧化活性模型作为抗氧化分析模型。
[0064]
为了解决上述问题，本发明还提供一种基于纤维素酶的燕麦种抗氧化活性检测装置，所述装置包括：
[0065]
光谱成像模块，用于将不同种类的多个燕麦种粉碎成燕麦粉集，利用纤维素酶对所述燕麦粉集中的各燕麦粉进行纤维素水解，得到燕麦水解物集，对所述燕麦水解物集进行光谱成像，得到燕麦光谱图集；
[0066]
参数检测模块，用于对所述燕麦水解物集中的各个燕麦水解物进行糖酮酚检测，得到燕麦成分参数组集，利用自由基清除法对所述燕麦水解物集进行抗氧化检测，得到抗氧化数据集；
[0067]
图像增强模块，用于逐个选取所述燕麦光谱图集中的燕麦光谱图片作为目标燕麦光谱图片，选取所述燕麦成分参数组集中与所述目标燕麦光谱图片对应的燕麦成分参数组作为目标成分参数组，依次对所述目标燕麦光谱图片进行图像去噪、波长校准以及图像增强操作，得到目标标准光谱图片；
[0068]
模型训练模块，用于将所述目标成分参数组向量化成目标成分特征，根据所述目标成分特征将所述目标标准光谱图片下采样成目标光谱特征，将所述目标成分特征和所述目标光谱特征融合成目标燕麦特征，利用所有的目标燕麦特征和所述抗氧化数据集对预设的抗氧化活性模型进行训练，得到抗氧化分析模型，其中，所述将所述目标成分特征和所述目标光谱特征融合成目标燕麦特征，包括：对所述目标成分特征进行全局池化操作，得到降维成分特征；对所述目标光谱特征进行全局池化操作，得到降维光谱特征；利用如下的多维燕麦特征融合算法对所述降维成分特征和所述降维光谱特征进行特征融合，得到目标燕麦特征：
[0069][0070]
其中，z是指所述目标燕麦特征，i是指特征维度序号，e是指所述降维成分特征的特征向量总维度，且所述降维成分特征的特征向量总维度与所述降维光谱特征的特征向量总维度相同，softmax是归一化函数，qi是所述降维成分特征中的第i维特征的特征向量，α、β、γ是所述多维燕麦特征融合算法预设的融合系数矩阵，w()是维度函数，是指qiβ向量的维度，是指riβ向量的维度，t是转置符号；
[0071]
活性检测模块，用于将待测燕麦种水解成待测水解物，分别生成所述待测水解物的待测光谱图片以及待测成分参数组，根据所述待测光谱图片以及所述待测成分参数组生成待测燕麦特征，利用所述抗氧化分析模型分析出所述待测燕麦特征的分析抗氧化数据，将所述分析抗氧化数据作为所述待测燕麦种的抗氧化活性。
[0072]
本发明实施例通过将不同种类的多个燕麦种粉碎成燕麦粉集，利用纤维素酶对所述燕麦粉集中的各燕麦粉进行纤维素水解，得到燕麦水解物集，可以利用纤维素酶溶解燕麦种的纤维素，从而提高燕麦的抗氧化活性数值，使得实验数据更加清晰且更便于观察，通过对所述燕麦水解物集进行光谱成像，得到燕麦光谱图集，可以获取所述燕麦水解物集中的各个燕麦水解物的物质成像，从而得到更加准确的抗氧化活性的测量数据，通过对所述燕麦水解物集中的各个燕麦水解物进行糖酮酚检测，得到燕麦成分参数组集，可以获取与抗氧化相关的糖类、酮类、酚类等物质的参数信息，通过利用自由基清除法对所述燕麦水解物集进行抗氧化检测，得到抗氧化数据集，可以按照统一尺度分析燕麦水解物集对应的真实测定抗氧化数据集，从而方便后续的模型训练，通过依次对所述目标燕麦光谱图片进行图像去噪、波长校准以及图像增强操作，得到目标标准光谱图片，可以使得目标燕麦光谱图片更加清晰，细节更加明显，同时保留更多的光谱细节，从而增强后续目标光谱特征的覆盖
范围。
[0073]
通过根据所述目标成分特征将所述目标标准光谱图片下采样成目标光谱特征，可以确保所述目标成分特征和所述目标光谱特征的特征维度相同，方便后续按照结构进行的特征融合，通过将所述目标成分特征和所述目标光谱特征融合成目标燕麦特征，可以减少特征的维度，减少计算的量级，提高计算的效率，通过利用所有的目标燕麦特征和所述抗氧化数据集对预设的抗氧化活性模型进行训练，得到抗氧化分析模型，可以提高抗氧化活性分析的准确性，通过利用所述抗氧化分析模型分析出所述待测燕麦特征的分析抗氧化数据，将所述分析抗氧化数据作为所述待测燕麦种的抗氧化活性，可以根据所述待测燕麦种的纤维素酶化后的光谱特征以及糖酮酚等物质的特征结合深度学习算法分析出抗氧化数据，提高了抗氧化数据分析的效率。因此本发明提出的基于纤维素酶的燕麦种抗氧化活性检测方法和装置，可以解决进行燕麦种抗氧化活性检测时的效率较低的问题。
附图说明
[0074]
图1为本发明一实施例提供的基于纤维素酶的燕麦种抗氧化活性检测方法的流程示意图；
[0075]
图2为本发明一实施例提供的进行糖酮酚检测的流程示意图；
[0076]
图3为本发明一实施例提供的生成目标光谱特征的流程示意图；
[0077]
图4为本发明一实施例提供的基于纤维素酶的燕麦种抗氧化活性检测装置的功能模块图；
[0078]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0079]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0080]
本技术实施例提供一种基于纤维素酶的燕麦种抗氧化活性检测方法。所述基于纤维素酶的燕麦种抗氧化活性检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于纤维素酶的燕麦种抗氧化活性检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0081]
参照图1所示，为本发明一实施例提供的基于纤维素酶的燕麦种抗氧化活性检测方法的流程示意图。在本实施例中，所述基于纤维素酶的燕麦种抗氧化活性检测方法包括：
[0082]
s1、将不同种类的多个燕麦种粉碎成燕麦粉集，利用纤维素酶对所述燕麦粉集中的各燕麦粉进行纤维素水解，得到燕麦水解物集，对所述燕麦水解物集进行光谱成像，得到燕麦光谱图集。
[0083]
本发明实施例中，所述不同种类的多个燕麦种是指来自不同地区不同种类的多个燕麦种样本，所述燕麦种可以是短燕麦、沙漠燕麦、砂燕麦、小粒裸燕麦、不完全燕麦、长毛
燕麦、长颖燕麦、偏肥燕麦、加拿大燕麦、大马士革燕麦以及匍匐燕麦等品种的燕麦。
[0084]
本发明实施例中，所述将不同种类的多个燕麦种粉碎成燕麦粉集，包括：
[0085]
将不同种类的多个燕麦种汇集成燕麦种集，逐个选取所述燕麦种集中的一粒燕麦种作为目标燕麦种；
[0086]
依次对所述目标燕麦种进行清洗和干燥操作，得到目标清洁燕麦种；
[0087]
依次对所述目标清洁燕麦种进行粉碎和过筛操作，得到目标初级燕麦粉；
[0088]
从所述目标初级燕麦粉中筛选出预设质量的燕麦粉作为目标燕麦粉，并将所有的目标燕麦粉汇集成燕麦粉集。
[0089]
详细地，可以利用纯净水对所述目标燕麦种进行清洗操作，可以利用减压干燥或喷雾干燥等方法对清洗后的所述目标燕麦种进行干燥，得到目标清洁燕麦种。
[0090]
本发明实施例中，可以利用研钵研磨法、超声波破碎法或球磨机研磨法对所述目标清洁燕麦种进行粉碎，可以利用筛分法或梳齿法对所述目标清洁燕麦种进行过筛操作，得到目标初级燕麦粉。
[0091]
具体地，所述利用纤维素酶对所述燕麦粉集中的各燕麦粉进行纤维素水解，得到燕麦水解物集，包括：
[0092]
逐个选取所述燕麦粉集中的燕麦粉作为目标燕麦粉，对所述目标燕麦粉进行搅拌溶解，得到燕麦粉溶液；
[0093]
从所述燕麦粉溶液中过滤出标准燕麦液，利用纤维素酶对所述标准燕麦液进行纤维水解反应，得到水解反应液；
[0094]
从所述水解反应液中过滤沉淀出初级水解物，对所述初级水解物进行烘干操作，得到燕麦水解物，并将所有的燕麦水解物汇集成燕麦水解物集。
[0095]
详细地，可以在恒温摇床上利用蒸馏水对所述目标燕麦粉进行搅拌溶解，得到燕麦粉溶液，所述利用纤维素酶对所述标准燕麦液进行纤维水解反应，得到水解反应液是指在温度50-60摄氏度、ph值在4.5-5.5的环境中，将定量的纤维素酶加入定量的标准燕麦液中反应24小时，得到水解反应液。
[0096]
详细地，可以利用滤纸或滤波对所述燕麦粉溶液和所述水解反应液进行过滤，可以利用无水乙醇沉淀出初级水解物。
[0097]
具体地，可以利用利用原子力显微镜(atomic force microscope，简称afm)和扫描电子显微镜(scanning electron microscope，简称sem)等方法对所述燕麦水解物集进行光谱成像，得到燕麦光谱图集。
[0098]
本发明实施例中，通过将不同种类的多个燕麦种粉碎成燕麦粉集，利用纤维素酶对所述燕麦粉集中的各燕麦粉进行纤维素水解，得到燕麦水解物集，可以利用纤维素酶溶解燕麦种的纤维素，从而提高燕麦的抗氧化活性数值，使得实验数据更加清晰且更便于观察，通过对所述燕麦水解物集进行光谱成像，得到燕麦光谱图集，可以获取所述燕麦水解物集中的各个燕麦水解物的物质成像，从而得到更加准确的抗氧化活性的测量数据。
[0099]
s2、对所述燕麦水解物集中的各个燕麦水解物进行糖酮酚检测，得到燕麦成分参数组集，利用自由基清除法对所述燕麦水解物集进行抗氧化检测，得到抗氧化数据集。
[0100]
本发明实施例中，所述燕麦成分参数组集是由多个燕麦成分参数组组成的集合，所述燕麦成分参数组中包含一个燕麦水解物对应的总多糖含量、总黄酮含量、还原糖含量
以及总酚含量等参数。
[0101]
本发明实施例中，参照图2所示，所述对所述燕麦水解物集中的各个燕麦水解物进行糖酮酚检测，得到燕麦成分参数组集，包括：
[0102]
s21、逐个选取所述燕麦水解物集中的燕麦水解物作为目标燕麦水解物，利用沉淀酸反法从所述目标燕麦水解物中检测出总多糖含量；
[0103]
s22、利用铝盐比色法从所述目标燕麦水解物中检测出总黄酮含量；
[0104]
s23、利用酚硫酸法从所述目标燕麦水解物中检测出还原糖含量；
[0105]
s24、利用钠盐比色法从所述目标燕麦水解物中检测出总酚含量；
[0106]
s25、将所述总多糖含量、所述总黄酮含量、所述还原糖含量以及所述总酚含量汇集成所述目标燕麦水解物的燕麦成分参数组，并将所有的燕麦成分参数组汇集成燕麦成分参数组集。
[0107]
详细地，所述沉淀酸法可以是国家标准gb/t22416-2008的总多糖含量测定法，所述利用铝盐比色法从所述目标燕麦水解物中检测出总黄酮含量是指将所述目标燕麦水解物和乙醇共沉淀后，用2％铝酸钾溶液作为反应剂，经过系列反应后用紫外分光光度计测量吸光度值，并与标准曲线对照计算总黄酮含量。
[0108]
具体地，所述利用酚硫酸法从所述目标燕麦水解物中检测出还原糖含量是指将所述目标燕麦水解物和酚硫酸混合，经过固定时间加入硫酸，反应后用紫外分光光度计测量吸光度值，并与标准曲线对照计算还原糖含量。
[0109]
详细地，所述利用钠盐比色法从所述目标燕麦水解物中检测出总酚含量可以是folin
–
ciocalteu法，即将所述目标燕麦水解物与folin
–
ciocalteu试剂和碳酸钠溶液混合，反应后用紫外分光光度计测量吸光度值，并与标准曲线对照计算总酚含量。
[0110]
具体地，所述利用自由基清除法对所述燕麦水解物集进行抗氧化检测，得到抗氧化数据集，包括：
[0111]
逐个选取所述燕麦水解物集中的燕麦水解物作为目标燕麦水解物，将所述目标燕麦水解物溶解成不同浓度的目标燕麦溶剂组；
[0112]
利用预先制备的自由基溶液分别与所述目标燕麦溶剂组中的各目标燕麦溶剂进行反应，得到目标燕麦反应溶剂组；
[0113]
利用分光光度计分别检测出所述目标燕麦反应溶剂组对应的目标吸光度组；
[0114]
根据所述目标吸光度组和预设的阳性对照组计算出所述目标燕麦水解物的自由基清除率；
[0115]
将所述自由基清除率作为所述目标燕麦水解物的抗氧化数据，并将所有的抗氧化数据汇集成抗氧化数据集。
[0116]
详细地，可以利用甲醇溶液将所述目标燕麦水解物溶解成不同浓度的目标燕麦溶剂组；所述自由基溶液可以是dpph自由基溶液或abts自由基。
[0117]
具体地，所述阳性对照组是指与所述目标燕麦溶剂组相同浓度的维生素c、山楂粉等阳性样本溶剂的自由基溶液反应后的吸光度组，所述根据所述目标吸光度组和预设的阳性对照组计算出所述目标燕麦水解物的自由基清除率是指将目标吸光组中各吸光度与空白吸光度的比值与1的差值作为初始清除率，并根据所述目标吸光度组和预设的阳性对照组之间的比值关系对所述初始清除率进行倍率缩放，得到自由基清除率。
[0118]
本发明实施例中，通过对所述燕麦水解物集中的各个燕麦水解物进行糖酮酚检测，得到燕麦成分参数组集，可以获取与抗氧化相关的糖类、酮类、酚类等物质的参数信息，通过利用自由基清除法对所述燕麦水解物集进行抗氧化检测，得到抗氧化数据集，可以按照统一尺度分析燕麦水解物集对应的真实测定抗氧化数据集，从而方便后续的模型训练。
[0119]
s3、逐个选取所述燕麦光谱图集中的燕麦光谱图片作为目标燕麦光谱图片，选取所述燕麦成分参数组集中与所述目标燕麦光谱图片对应的燕麦成分参数组作为目标成分参数组，依次对所述目标燕麦光谱图片进行图像去噪、波长校准以及图像增强操作，得到目标标准光谱图片。
[0120]
本发明实施例中，所述选取所述燕麦成分参数组集中与所述目标燕麦光谱图片对应的燕麦成分参数组作为目标成分参数组是指将所述目标燕麦光谱图片对应的燕麦水解物作为目标燕麦水解物，将所述燕麦成分参数组集中所述目标燕麦水解物对应的燕麦成分参数组作为目标成分参数组。
[0121]
本发明实施例中，所述依次对所述目标燕麦光谱图片进行图像去噪、波长校准以及图像增强操作，得到目标标准光谱图片，包括：
[0122]
利用分解重构法对所述目标燕麦光谱图片进行阈值去噪，得到目标去噪光谱图片；
[0123]
对所述目标去噪光谱图片进行基线校正，得到目标基线光谱图片；
[0124]
根据预先获取的样品光谱图片对所述目标基线光谱图片进行波长校准，得到目标校准光谱图片；
[0125]
生成所述目标校准光谱图片的灰度直方图，根据所述灰度直方图对所述目标校准光谱图片进行灰度均衡操作，得到目标标准光谱图片。
[0126]
详细地，可以利用多项式拟合法对所述目标去噪光谱图片进行基线校正，得到目标基线光谱图片，可以将所述样品光谱图片和所述目标基线光谱图片进行交叉相关对齐法进行光谱波长对齐，得到目标校准光谱图片。
[0127]
本发明实施例中，所述利用分解重构法对所述目标燕麦光谱图片进行阈值去噪，得到目标去噪光谱图片，包括：
[0128]
利用如下的多层分解算法对所述目标燕麦光谱图片进行滤波分解，得到光谱分解层次集以及所述光谱分解层次集对应的分解系数集：
[0129][0130]
其中，x
j,k
是指在所述光谱分解层次集中第j层光谱分解层次的第k个分解系数，sj是指第j层光谱分解层次的尺度系数，n是指所述目标燕麦光谱图片的信号尺度序号，n是指所述目标燕麦光谱图片的信号尺度大小，hn是指所述目标燕麦光谱图片在第n个信号尺度上的第一滤波系数，dj是指第j层光谱分解层次的细节系数，gn是指是指所述目标燕麦光谱图片在第n个信号尺度上的第二滤波系数；
[0131]
逐个选取所述光谱分解层次集中的光谱分解层次作为目标光谱分解层次，将所述分解系数集中所述目标光谱分解层次对应的分解系数作为目标分解系数，依次从所述目标光谱分解层次中提取出层次噪声特征和层次信号特征；
[0132]
将所述层次噪声特征和所述层次信号特征融合成层次特征，根据所述层次特征生成层次阈值；
[0133]
判断所述层次阈值是否小于所述目标分解系数；
[0134]
若否，则返回逐个选取所述光谱分解层次集中的光谱分解层次作为目标光谱分解层次的步骤；
[0135]
若是，则将所述目标光谱分解层次添加至预设的重构层次集中，直至所述目标光谱分解层次为所述光谱分解层次集中的最后一个层次时，得到标准重构层次集；
[0136]
利用如下的多层重构算法对所述标准重构层次集进行重构，得到目标去噪光谱图片：
[0137][0138]
其中，x
j+1,k
是指在所述光谱分解层次集中第j+1层光谱分解层次的第k个分解系数，sj是指第j层光谱分解层次的尺度系数，n是指所述目标燕麦光谱图片的信号尺度序号，n是指所述目标燕麦光谱图片的信号尺度大小，h
k-2n
是指所述目标燕麦光谱图片在第k-2n个信号尺度上的第一滤波系数，dj是指第j层光谱分解层次的细节系数，g
k-2n
是指是指所述目标燕麦光谱图片在第k-2n个信号尺度上的第二滤波系数。
[0139]
本发明实施例中，通过利用所述多层分解算法对所述目标燕麦光谱图片进行滤波分解，得到光谱分解层次集以及所述光谱分解层次集对应的分解系数集，且利用如下的多层重构算法对所述标准重构层次集进行重构，得到目标去噪光谱图片可以将噪声信号与原始信号分离，从而方便噪声的过滤。
[0140]
详细地，所述依次从所述目标光谱分解层次中提取出层次噪声特征和层次信号特征是指选取所述目标光谱分解层次中处于噪声层次区间的层次作为层次噪声特征，将所述目标光谱分解层次的整体信号幅值作为层次信号特征。
[0141]
具体地，可以利用加权融合算法将所述层次噪声特征和所述层次信号特征融合成层次特征，可以利用软阈值算法或硬阈值算法等算法根据所述层次特征生成层次阈值。
[0142]
本发明实施例中，通过依次对所述目标燕麦光谱图片进行图像去噪、波长校准以及图像增强操作，得到目标标准光谱图片，可以使得目标燕麦光谱图片更加清晰，细节更加明显，同时保留更多的光谱细节，从而增强后续目标光谱特征的覆盖范围。
[0143]
s4、将所述目标成分参数组向量化成目标成分特征，根据所述目标成分特征将所述目标标准光谱图片下采样成目标光谱特征，将所述目标成分特征和所述目标光谱特征融合成目标燕麦特征，利用所有的目标燕麦特征和所述抗氧化数据集对预设的抗氧化活性模型进行训练，得到抗氧化分析模型。
[0144]
本发明实施例中，所述将所述目标成分参数组向量化成目标成分特征是指对所述目标成分参数组中的各成分参数进行归一化操作，得到目标标准参数组，并将所述目标标准参数组中的标准参数逐一向量化后拼接成目标成分特征。
[0145]
本发明实施例中，参照图3所示，所述根据所述目标成分特征将所述目标标准光谱图片下采样成目标光谱特征，包括：
[0146]
s31、从所述目标成分特征中提取出特征向量总维度；
[0147]
s32、利用多级卷积层从所述目标标准光谱图片中提取出多种光谱空间特征；
[0148]
s33、对所述目标标准光谱图片进行频域转化，得到目标光谱频域，从所述目标光谱频域中提取出多种光谱频域特征；
[0149]
s34、将所有的光谱空间特征和所有的光谱频域特征汇集成初级光谱特征集；
[0150]
s35、将所述特征向量总维度作为聚类簇数对所述初级光谱特征集进行聚类操作，得到光谱特征类集；
[0151]
s36、对所述光谱特征类集中的各个光谱特征类进行下采样操作，得到多个加权光谱中心特征，并将所有的加权光谱中心特征汇集成目标光谱特征。
[0152]
具体地，所述特征向量总维度是指所述目标成分特征的组成特征的总数，例如，当所述目标成分特征是由所述总多糖含量、所述总黄酮含量、所述还原糖含量以及所述总酚含量的特征向量组成时，所述特征向量总维度为4。
[0153]
详细地，所述光谱空间特征可以是目标标准光谱图片的纹理特征、形状特征以及边缘特征等特征，所述光谱频域特征可以是目标标准光谱图片的功率谱、频率分布以及吸收位峰等特征。
[0154]
具体地，可以利用快速傅里叶变换算法对所述目标标准光谱图片进行频域转化，得到目标光谱频域，可以利用k均值算法或噪声密度聚类算法(density-based spatial clustering of applications with noise，简称dbscan)将所述特征向量总维度作为聚类簇数对所述初级光谱特征集进行聚类操作，得到光谱特征类集。
[0155]
具体地，所述将所述目标成分特征和所述目标光谱特征融合成目标燕麦特征，包括：
[0156]
对所述目标成分特征进行全局池化操作，得到降维成分特征；
[0157]
对所述目标光谱特征进行全局池化操作，得到降维光谱特征；
[0158]
利用如下的多维燕麦特征融合算法对所述降维成分特征和所述降维光谱特征进行特征融合，得到目标燕麦特征：
[0159][0160]
其中，z是指所述目标燕麦特征，i是指特征维度序号，e是指所述降维成分特征的特征向量总维度，且所述降维成分特征的特征向量总维度与所述降维光谱特征的特征向量总维度相同，softmax是归一化函数，qi是所述降维成分特征中的第i维特征的特征向量，α、β、γ是所述多维燕麦特征融合算法预设的融合系数矩阵，w()是维度函数，是指qiβ向量的维度，是指riβ向量的维度，t是转置符号。
[0161]
详细地，所述对所述目标成分特征进行全局池化操作，得到降维成分特征是指对所述目标成分特征的每个维度的特征进行归一化降维操作，所述融合系数矩阵为自注意机制的融合系数矩阵。
[0162]
具体地，通过利用所述多维燕麦特征融合算法对所述降维成分特征和所述降维光谱特征进行特征融合，得到目标燕麦特征，可以利用自注意力机制实现特征的融合，在保留特征之间的结构关联度的同时实现特征融合，提高目标燕麦特征的表征度。
[0163]
详细地，所述抗氧化活性模型可以是输入是燕麦特征，输出是抗氧化数据的卷积神经网络、自注意力模型或深度残差网络等模型。
[0164]
本发明实施例中，所述利用所有的目标燕麦特征和所述抗氧化数据集对预设的抗氧化活性模型进行训练，得到抗氧化分析模型，包括：
[0165]
逐个利用预设的抗氧化活性模型分析出所述目标燕麦特征对应的初级抗氧化数据，并将所有的初级抗氧化数据汇集成初级抗氧化数据集；
[0166]
根据所述初级抗氧化数据集和所述抗氧化数据集计算出所述抗氧化活性模型的损失值；
[0167]
判断所述损失值是否大于预设的损失值阈值；
[0168]
若是，则根据所述损失值对所述抗氧化活性模型的模型参数进行更新，并返回所述逐个利用预设的抗氧化活性模型分析出所述目标燕麦特征对应的初级抗氧化数据的步骤；
[0169]
若否，则将更新后的所述抗氧化活性模型作为抗氧化分析模型。
[0170]
具体地，可以利用平方损失值或对数损失值等全局损失值函数根据所述初级抗氧化数据集和所述抗氧化数据集计算出所述抗氧化活性模型的损失值，可以利用批量梯度下降算法、全梯度下降算法等反向传播算法根据所述损失值对所述抗氧化活性模型的模型参数进行更新。
[0171]
本发明实施例中，通过根据所述目标成分特征将所述目标标准光谱图片下采样成目标光谱特征，可以确保所述目标成分特征和所述目标光谱特征的特征维度相同，方便后续按照结构进行的特征融合，通过将所述目标成分特征和所述目标光谱特征融合成目标燕麦特征，可以减少特征的维度，减少计算的量级，提高计算的效率，通过利用所有的目标燕麦特征和所述抗氧化数据集对预设的抗氧化活性模型进行训练，得到抗氧化分析模型，可以提高抗氧化活性分析的准确性。
[0172]
s5、将待测燕麦种水解成待测水解物，分别生成所述待测水解物的待测光谱图片以及待测成分参数组，根据所述待测光谱图片以及所述待测成分参数组生成待测燕麦特征，利用所述抗氧化分析模型分析出所述待测燕麦特征的分析抗氧化数据，将所述分析抗氧化数据作为所述待测燕麦种的抗氧化活性。
[0173]
本发明实施例中，所述将待测燕麦种水解成待测水解物的方法与上述步骤s1中的所述将不同种类的多个燕麦种粉碎成燕麦粉集，利用纤维素酶对所述燕麦粉集中的各燕麦粉进行纤维素水解，得到燕麦水解物集的方法一致，这里不再赘述。
[0174]
详细地，所述分别生成所述待测水解物的待测光谱图片以及待测成分参数组包括生成所述待测水解物的待测光谱图片以及生成所述待测水解物的待测成分参数组，其中，所述生成所述待测水解物的待测光谱图片的方法与上述步骤s1中的所述对所述燕麦水解物集进行光谱成像，得到燕麦光谱图集的方法一致，所述生成所述待测水解物的待测成分参数组的方法与上述步骤s2中的所述对所述燕麦水解物集中的各个燕麦水解物进行糖酮酚检测，得到燕麦成分参数组集的方法一致，这里不再赘述。
[0175]
具体地，所述根据所述待测光谱图片以及所述待测成分参数组生成待测燕麦特征的方法与上述步骤s3中的所述逐个选取所述燕麦光谱图集中的燕麦光谱图片作为目标燕麦光谱图片，选取所述燕麦成分参数组集中与所述目标燕麦光谱图片对应的燕麦成分参数
组作为目标成分参数组，依次对所述目标燕麦光谱图片进行图像去噪、波长校准以及图像增强操作，得到目标标准光谱图片以及上述步骤s4中的所述将所述目标成分参数组向量化成目标成分特征，根据所述目标成分特征将所述目标标准光谱图片下采样成目标光谱特征，将所述目标成分特征和所述目标光谱特征融合成目标燕麦特征的方法一致，这里不再赘述。
[0176]
本发明实施例中，通过利用所述抗氧化分析模型分析出所述待测燕麦特征的分析抗氧化数据，将所述分析抗氧化数据作为所述待测燕麦种的抗氧化活性，可以根据所述待测燕麦种的纤维素酶化后的光谱特征以及糖酮酚等物质的特征结合深度学习算法分析出抗氧化数据，提高了抗氧化数据分析的效率。
[0177]
本发明实施例通过将不同种类的多个燕麦种粉碎成燕麦粉集，利用纤维素酶对所述燕麦粉集中的各燕麦粉进行纤维素水解，得到燕麦水解物集，可以利用纤维素酶溶解燕麦种的纤维素，从而提高燕麦的抗氧化活性数值，使得实验数据更加清晰且更便于观察，通过对所述燕麦水解物集进行光谱成像，得到燕麦光谱图集，可以获取所述燕麦水解物集中的各个燕麦水解物的物质成像，从而得到更加准确的抗氧化活性的测量数据，通过对所述燕麦水解物集中的各个燕麦水解物进行糖酮酚检测，得到燕麦成分参数组集，可以获取与抗氧化相关的糖类、酮类、酚类等物质的参数信息，通过利用自由基清除法对所述燕麦水解物集进行抗氧化检测，得到抗氧化数据集，可以按照统一尺度分析燕麦水解物集对应的真实测定抗氧化数据集，从而方便后续的模型训练，通过依次对所述目标燕麦光谱图片进行图像去噪、波长校准以及图像增强操作，得到目标标准光谱图片，可以使得目标燕麦光谱图片更加清晰，细节更加明显，同时保留更多的光谱细节，从而增强后续目标光谱特征的覆盖范围。
[0178]
通过根据所述目标成分特征将所述目标标准光谱图片下采样成目标光谱特征，可以确保所述目标成分特征和所述目标光谱特征的特征维度相同，方便后续按照结构进行的特征融合，通过将所述目标成分特征和所述目标光谱特征融合成目标燕麦特征，可以减少特征的维度，减少计算的量级，提高计算的效率，通过利用所有的目标燕麦特征和所述抗氧化数据集对预设的抗氧化活性模型进行训练，得到抗氧化分析模型，可以提高抗氧化活性分析的准确性，通过利用所述抗氧化分析模型分析出所述待测燕麦特征的分析抗氧化数据，将所述分析抗氧化数据作为所述待测燕麦种的抗氧化活性，可以根据所述待测燕麦种的纤维素酶化后的光谱特征以及糖酮酚等物质的特征结合深度学习算法分析出抗氧化数据，提高了抗氧化数据分析的效率。因此本发明提出的基于纤维素酶的燕麦种抗氧化活性检测方法，可以解决进行燕麦种抗氧化活性检测时的效率较低的问题。
[0179]
如图4所示，是本发明一实施例提供的基于纤维素酶的燕麦种抗氧化活性检测装置的功能模块图。
[0180]
本发明所述基于纤维素酶的燕麦种抗氧化活性检测装置100可以安装于电子设备中。根据实现的功能，所述基于纤维素酶的燕麦种抗氧化活性检测装置100可以包括光谱成像模块101、参数检测模块102、图像增强模块103、模型训练模块104及活性检测模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0181]
在本实施例中，关于各模块/单元的功能如下：
[0182]
所述光谱成像模块101，用于将不同种类的多个燕麦种粉碎成燕麦粉集，利用纤维素酶对所述燕麦粉集中的各燕麦粉进行纤维素水解，得到燕麦水解物集，对所述燕麦水解物集进行光谱成像，得到燕麦光谱图集；
[0183]
所述参数检测模块102，用于对所述燕麦水解物集中的各个燕麦水解物进行糖酮酚检测，得到燕麦成分参数组集，利用自由基清除法对所述燕麦水解物集进行抗氧化检测，得到抗氧化数据集；
[0184]
所述图像增强模块103，用于逐个选取所述燕麦光谱图集中的燕麦光谱图片作为目标燕麦光谱图片，选取所述燕麦成分参数组集中与所述目标燕麦光谱图片对应的燕麦成分参数组作为目标成分参数组，依次对所述目标燕麦光谱图片进行图像去噪、波长校准以及图像增强操作，得到目标标准光谱图片；
[0185]
所述模型训练模块104，用于将所述目标成分参数组向量化成目标成分特征，根据所述目标成分特征将所述目标标准光谱图片下采样成目标光谱特征，将所述目标成分特征和所述目标光谱特征融合成目标燕麦特征，利用所有的目标燕麦特征和所述抗氧化数据集对预设的抗氧化活性模型进行训练，得到抗氧化分析模型，其中，所述将所述目标成分特征和所述目标光谱特征融合成目标燕麦特征，包括：对所述目标成分特征进行全局池化操作，得到降维成分特征；对所述目标光谱特征进行全局池化操作，得到降维光谱特征；利用如下的多维燕麦特征融合算法对所述降维成分特征和所述降维光谱特征进行特征融合，得到目标燕麦特征：
[0186][0187]
其中，z是指所述目标燕麦特征，i是指特征维度序号，e是指所述降维成分特征的特征向量总维度，且所述降维成分特征的特征向量总维度与所述降维光谱特征的特征向量总维度相同，softmax是归一化函数，qi是所述降维成分特征中的第i维特征的特征向量，α、β、γ是所述多维燕麦特征融合算法预设的融合系数矩阵，w()是维度函数，是指qiβ向量的维度，是指riβ向量的维度，t是转置符号；
[0188]
所述活性检测模块105，用于将待测燕麦种水解成待测水解物，分别生成所述待测水解物的待测光谱图片以及待测成分参数组，根据所述待测光谱图片以及所述待测成分参数组生成待测燕麦特征，利用所述抗氧化分析模型分析出所述待测燕麦特征的分析抗氧化数据，将所述分析抗氧化数据作为所述待测燕麦种的抗氧化活性。
[0189]
详细地，本发明实施例中所述基于纤维素酶的燕麦种抗氧化活性检测装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于纤维素酶的燕麦种抗氧化活性检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0190]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0191]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个
网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0192]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0193]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0194]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0195]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0196]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统实施例中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0197]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种基于纤维素酶的燕麦种抗氧化活性检测方法，其特征在于，所述方法包括：s1：将不同种类的多个燕麦种粉碎成燕麦粉集，利用纤维素酶对所述燕麦粉集中的各燕麦粉进行纤维素水解，得到燕麦水解物集，对所述燕麦水解物集进行光谱成像，得到燕麦光谱图集；s2：对所述燕麦水解物集中的各个燕麦水解物进行糖酮酚检测，得到燕麦成分参数组集，利用自由基清除法对所述燕麦水解物集进行抗氧化检测，得到抗氧化数据集；s3：逐个选取所述燕麦光谱图集中的燕麦光谱图片作为目标燕麦光谱图片，选取所述燕麦成分参数组集中与所述目标燕麦光谱图片对应的燕麦成分参数组作为目标成分参数组，依次对所述目标燕麦光谱图片进行图像去噪、波长校准以及图像增强操作，得到目标标准光谱图片；s4：将所述目标成分参数组向量化成目标成分特征，根据所述目标成分特征将所述目标标准光谱图片下采样成目标光谱特征，将所述目标成分特征和所述目标光谱特征融合成目标燕麦特征，利用所有的目标燕麦特征和所述抗氧化数据集对预设的抗氧化活性模型进行训练，得到抗氧化分析模型，其中，所述将所述目标成分特征和所述目标光谱特征融合成目标燕麦特征，包括：s41：对所述目标成分特征进行全局池化操作，得到降维成分特征；s42：对所述目标光谱特征进行全局池化操作，得到降维光谱特征；s43：利用如下的多维燕麦特征融合算法对所述降维成分特征和所述降维光谱特征进行特征融合，得到目标燕麦特征：其中，z是指所述目标燕麦特征，i是指特征维度序号，e是指所述降维成分特征的特征向量总维度，且所述降维成分特征的特征向量总维度与所述降维光谱特征的特征向量总维度相同，softmax是归一化函数，q
i
是所述降维成分特征中的第i维特征的特征向量，α、β、γ是所述多维燕麦特征融合算法预设的融合系数矩阵，w()是维度函数，是指q
i
β向量的维度，是指r
i
β向量的维度，t是转置符号；s5：将待测燕麦种水解成待测水解物，分别生成所述待测水解物的待测光谱图片以及待测成分参数组，根据所述待测光谱图片以及所述待测成分参数组生成待测燕麦特征，利用所述抗氧化分析模型分析出所述待测燕麦特征的分析抗氧化数据，将所述分析抗氧化数据作为所述待测燕麦种的抗氧化活性。2.如权利要求1所述的基于纤维素酶的燕麦种抗氧化活性检测方法，其特征在于，所述将不同种类的多个燕麦种粉碎成燕麦粉集，包括：将不同种类的多个燕麦种汇集成燕麦种集，逐个选取所述燕麦种集中的一粒燕麦种作为目标燕麦种；依次对所述目标燕麦种进行清洗和干燥操作，得到目标清洁燕麦种；依次对所述目标清洁燕麦种进行粉碎和过筛操作，得到目标初级燕麦粉；从所述目标初级燕麦粉中筛选出预设质量的燕麦粉作为目标燕麦粉，并将所有的目标
燕麦粉汇集成燕麦粉集。3.如权利要求1所述的基于纤维素酶的燕麦种抗氧化活性检测方法，其特征在于，所述利用纤维素酶对所述燕麦粉集中的各燕麦粉进行纤维素水解，得到燕麦水解物集，包括：逐个选取所述燕麦粉集中的燕麦粉作为目标燕麦粉，对所述目标燕麦粉进行搅拌溶解，得到燕麦粉溶液；从所述燕麦粉溶液中过滤出标准燕麦液，利用纤维素酶对所述标准燕麦液进行纤维水解反应，得到水解反应液；从所述水解反应液中过滤沉淀出初级水解物，对所述初级水解物进行烘干操作，得到燕麦水解物，并将所有的燕麦水解物汇集成燕麦水解物集。4.如权利要求1所述的基于纤维素酶的燕麦种抗氧化活性检测方法，其特征在于，所述对所述燕麦水解物集中的各个燕麦水解物进行糖酮酚检测，得到燕麦成分参数组集，包括：逐个选取所述燕麦水解物集中的燕麦水解物作为目标燕麦水解物，利用沉淀酸反法从所述目标燕麦水解物中检测出总多糖含量；利用铝盐比色法从所述目标燕麦水解物中检测出总黄酮含量；利用酚硫酸法从所述目标燕麦水解物中检测出还原糖含量；利用钠盐比色法从所述目标燕麦水解物中检测出总酚含量；将所述总多糖含量、所述总黄酮含量、所述还原糖含量以及所述总酚含量汇集成所述目标燕麦水解物的燕麦成分参数组，并将所有的燕麦成分参数组汇集成燕麦成分参数组集。5.如权利要求1所述的基于纤维素酶的燕麦种抗氧化活性检测方法，其特征在于，所述利用自由基清除法对所述燕麦水解物集进行抗氧化检测，得到抗氧化数据集，包括：逐个选取所述燕麦水解物集中的燕麦水解物作为目标燕麦水解物，将所述目标燕麦水解物溶解成不同浓度的目标燕麦溶剂组；利用预先制备的自由基溶液分别与所述目标燕麦溶剂组中的各目标燕麦溶剂进行反应，得到目标燕麦反应溶剂组；利用分光光度计分别检测出所述目标燕麦反应溶剂组对应的目标吸光度组；根据所述目标吸光度组和预设的阳性对照组计算出所述目标燕麦水解物的自由基清除率；将所述自由基清除率作为所述目标燕麦水解物的抗氧化数据，并将所有的抗氧化数据汇集成抗氧化数据集。6.如权利要求1所述的基于纤维素酶的燕麦种抗氧化活性检测方法，其特征在于，所述依次对所述目标燕麦光谱图片进行图像去噪、波长校准以及图像增强操作，得到目标标准光谱图片，包括：利用分解重构法对所述目标燕麦光谱图片进行阈值去噪，得到目标去噪光谱图片；对所述目标去噪光谱图片进行基线校正，得到目标基线光谱图片；根据预先获取的样品光谱图片对所述目标基线光谱图片进行波长校准，得到目标校准光谱图片；生成所述目标校准光谱图片的灰度直方图，根据所述灰度直方图对所述目标校准光谱图片进行灰度均衡操作，得到目标标准光谱图片。
7.如权利要求6所述的基于纤维素酶的燕麦种抗氧化活性检测方法，其特征在于，所述利用分解重构法对所述目标燕麦光谱图片进行阈值去噪，得到目标去噪光谱图片，包括：利用如下的多层分解算法对所述目标燕麦光谱图片进行滤波分解，得到光谱分解层次集以及所述光谱分解层次集对应的分解系数集：其中，x
j,k
是指在所述光谱分解层次集中第j层光谱分解层次的第k个分解系数，s
j
是指第j层光谱分解层次的尺度系数，n是指所述目标燕麦光谱图片的信号尺度序号，n是指所述目标燕麦光谱图片的信号尺度大小，h
n
是指所述目标燕麦光谱图片在第n个信号尺度上的第一滤波系数，d
j
是指第j层光谱分解层次的细节系数，g
n
是指是指所述目标燕麦光谱图片在第n个信号尺度上的第二滤波系数；逐个选取所述光谱分解层次集中的光谱分解层次作为目标光谱分解层次，将所述分解系数集中所述目标光谱分解层次对应的分解系数作为目标分解系数，依次从所述目标光谱分解层次中提取出层次噪声特征和层次信号特征；将所述层次噪声特征和所述层次信号特征融合成层次特征，根据所述层次特征生成层次阈值；判断所述层次阈值是否小于所述目标分解系数；若否，则返回逐个选取所述光谱分解层次集中的光谱分解层次作为目标光谱分解层次的步骤；若是，则将所述目标光谱分解层次添加至预设的重构层次集中，直至所述目标光谱分解层次为所述光谱分解层次集中的最后一个层次时，得到标准重构层次集；利用如下的多层重构算法对所述标准重构层次集进行重构，得到目标去噪光谱图片：其中，x
j+1,k
是指在所述光谱分解层次集中第j+1层光谱分解层次的第k个分解系数，s
j
是指第j层光谱分解层次的尺度系数，n是指所述目标燕麦光谱图片的信号尺度序号，n是指所述目标燕麦光谱图片的信号尺度大小，h
k-2n
是指所述目标燕麦光谱图片在第k-2n个信号尺度上的第一滤波系数，d
j
是指第j层光谱分解层次的细节系数，g
k-2n
是指是指所述目标燕麦光谱图片在第k-2n个信号尺度上的第二滤波系数。8.如权利要求1所述的基于纤维素酶的燕麦种抗氧化活性检测方法，其特征在于，所述根据所述目标成分特征将所述目标标准光谱图片下采样成目标光谱特征，包括：从所述目标成分特征中提取出特征向量总维度；利用多级卷积层从所述目标标准光谱图片中提取出多种光谱空间特征；对所述目标标准光谱图片进行频域转化，得到目标光谱频域，从所述目标光谱频域中提取出多种光谱频域特征；将所有的光谱空间特征和所有的光谱频域特征汇集成初级光谱特征集；将所述特征向量总维度作为聚类簇数对所述初级光谱特征集进行聚类操作，得到光谱
特征类集；对所述光谱特征类集中的各个光谱特征类进行下采样操作，得到多个加权光谱中心特征，并将所有的加权光谱中心特征汇集成目标光谱特征。9.如权利要求1所述的基于纤维素酶的燕麦种抗氧化活性检测方法，其特征在于，所述利用所有的目标燕麦特征和所述抗氧化数据集对预设的抗氧化活性模型进行训练，得到抗氧化分析模型，包括：逐个利用预设的抗氧化活性模型分析出所述目标燕麦特征对应的初级抗氧化数据，并将所有的初级抗氧化数据汇集成初级抗氧化数据集；根据所述初级抗氧化数据集和所述抗氧化数据集计算出所述抗氧化活性模型的损失值；判断所述损失值是否大于预设的损失值阈值；若是，则根据所述损失值对所述抗氧化活性模型的模型参数进行更新，并返回所述逐个利用预设的抗氧化活性模型分析出所述目标燕麦特征对应的初级抗氧化数据的步骤；若否，则将更新后的所述抗氧化活性模型作为抗氧化分析模型。10.一种基于纤维素酶的燕麦种抗氧化活性检测装置，其特征在于，所述装置包括：光谱成像模块，用于将不同种类的多个燕麦种粉碎成燕麦粉集，利用纤维素酶对所述燕麦粉集中的各燕麦粉进行纤维素水解，得到燕麦水解物集，对所述燕麦水解物集进行光谱成像，得到燕麦光谱图集；参数检测模块，用于对所述燕麦水解物集中的各个燕麦水解物进行糖酮酚检测，得到燕麦成分参数组集，利用自由基清除法对所述燕麦水解物集进行抗氧化检测，得到抗氧化数据集；图像增强模块，用于逐个选取所述燕麦光谱图集中的燕麦光谱图片作为目标燕麦光谱图片，选取所述燕麦成分参数组集中与所述目标燕麦光谱图片对应的燕麦成分参数组作为目标成分参数组，依次对所述目标燕麦光谱图片进行图像去噪、波长校准以及图像增强操作，得到目标标准光谱图片；模型训练模块，用于将所述目标成分参数组向量化成目标成分特征，根据所述目标成分特征将所述目标标准光谱图片下采样成目标光谱特征，将所述目标成分特征和所述目标光谱特征融合成目标燕麦特征，利用所有的目标燕麦特征和所述抗氧化数据集对预设的抗氧化活性模型进行训练，得到抗氧化分析模型，其中，所述将所述目标成分特征和所述目标光谱特征融合成目标燕麦特征，包括：对所述目标成分特征进行全局池化操作，得到降维成分特征；对所述目标光谱特征进行全局池化操作，得到降维光谱特征；利用如下的多维燕麦特征融合算法对所述降维成分特征和所述降维光谱特征进行特征融合，得到目标燕麦特征：其中，z是指所述目标燕麦特征，i是指特征维度序号，e是指所述降维成分特征的特征向量总维度，且所述降维成分特征的特征向量总维度与所述降维光谱特征的特征向量总维度相同，softmax是归一化函数，q
i
是所述降维成分特征中的第i维特征的特征向量，α、β、γ
是所述多维燕麦特征融合算法预设的融合系数矩阵，w()是维度函数，是指q
i
β向量的维度，是指r
i
β向量的维度，t是转置符号；活性检测模块，用于将待测燕麦种水解成待测水解物，分别生成所述待测水解物的待测光谱图片以及待测成分参数组，根据所述待测光谱图片以及所述待测成分参数组生成待测燕麦特征，利用所述抗氧化分析模型分析出所述待测燕麦特征的分析抗氧化数据，将所述分析抗氧化数据作为所述待测燕麦种的抗氧化活性。

技术总结
本发明涉及深度学习技术领域，揭露了一种基于纤维素酶的燕麦种抗氧化活性检测方法，包括：将不同种类的多个燕麦种粉碎成燕麦粉集，利用纤维素酶对燕麦粉集中的各燕麦粉进行纤维素水解，得到燕麦水解物集，对燕麦水解物集进行光谱成像，得到燕麦光谱图集；对燕麦水解物集中的各个燕麦水解物进行糖酮酚检测，得到燕麦成分参数组集，利用自由基清除法对燕麦水解物集进行抗氧化检测，得到抗氧化数据集；利用燕麦光谱图集和燕麦成分参数组集对抗氧化活性模型进行训练，得到抗氧化分析模型；利用抗氧化分析模型分析出待测燕麦种的抗氧化活性。本发明还提出一种基于纤维素酶的燕麦种抗氧化活性检测装置。本发明可以提高燕麦种抗氧化活性分析的效率。化活性分析的效率。化活性分析的效率。


技术研发人员：孔令琪 李志勇 焦巍 王照兰 云颖 王海 赵金梅
受保护的技术使用者：中国农业科学院草原研究所
技术研发日：2023.04.20
技术公布日：2023/7/18