1.一种基于卷积神经网络的松茸快速无损检测系统，其特征在于，包括深度学习卷积神经网络模型部分、控制端部分和消费者终端部分；

所述深度学习卷积神经网络模型包括样本收集、数据采集、深度学习卷积神经网络建模及优化三部分；所述样本收集部分完成对检测对象的样本筛选建立样本集，并将样本集分为训练集、验证集和测试集；所述数据采集部分包括样本化学含量测量和光谱数据采集；

所述深度学习卷积神经网络建模及优化部分利用深度学习中的卷积神经网络模型和池化处理对经过预处理的光谱数据和相应的化学含量进行建模；

所述深度学习卷积神经网络模型对松茸的检测结果存储在所述控制端；

所述消费者终端通过访问所述控制端能够得到松茸的检测数据；

所述基于卷积神经网络的松茸快速无损检测系统的无损检测方法为：步骤1：样本筛选，通过采用人工方法或者计算机识别挑选具有代表性的样本，建立样本集；并将样本集划分为训练集、验证集和测试集；

步骤2：数据采集，通过近红外光谱仪采集光谱数据和通过物化实验采集化学含量数据，具体地：

氨基酸测量采用L‑8900氨基酸分析仪；水分测量采用水分测定仪；蛋白质测量采用凯氏定氮法；微量元素测量采用火焰原子吸收光谱法；不饱和脂肪酸：采用索氏提取法提取松茸中的粗脂肪，通过甲酯化，并运用气相色谱‑质谱联用技术测定不饱和脂肪酸组成与含量；

松茸多肽测定：用生理盐水对松茸粗提取物进行溶解，用分子量为5kDa的超滤膜收集滤液，依次进行Q SepharoseR Fast Flow阴离子交换柱层析、Mono‑Q阴离子交换柱层析和FPLC凝胶过滤层析,最后将含有过滤后的液体进行冷冻干燥即得松茸多肽；

多糖含量的测定：精密称取105℃干燥指恒重的无水葡萄糖对照样品0.1g，置于1000ml容量瓶中，加入适量水进行溶解，稀释至刻度线即得对照样品溶液；采用苯酚‑硫酸法绘制以吸光度为纵坐标，浓度为横坐标的标准曲线，取待测松茸样品溶液置具塞试管中，加蒸馏水至2.0ml，按照标准曲线的制备方法测定吸光度，通过标准曲线和转化公式即可计算出多糖的含量；

步骤3：波长区间选择和样本数据预处理，选择有效的波长区间和光谱数据，剔除异常样本；

所述波长区间选择：通过相关系数、方差分析、逐步回归方法进行波长选取，剔除不相关数据；

所述剔除异常样本是指对样本光谱数据中表现异常的起始端、终止端及距离平均光谱距离远的样本进行剔除，通过肖维勒准则及Spectrum outliner检验剔除异常样本；

所述样本数据预处理采用傅里叶变换进行预处理；

步骤4：使用训练集进行建模，以样本的近红外光谱图作为卷积神经网络的输入，以相应样本的特定物质含量作为输出，通过结合具有多个隐藏层的卷积神经网络建立深度学习卷积神经网络模型；

步骤5：使用验证集进行模型验证，不断调整模型的超参数；

步骤6：使用测试集进行系统性能评价，若未满足预设要求，则返回步骤4进行重新建模，若多次返回仍未达到要求，则返回步骤1，扩大建模样本，直到系统达到预定要求；

步骤7：利用优化好的模型进行松茸检测，并将检测的结果放在控制端云服务内；

步骤8：将控制端和智能终端网络连接，建立完整的网络结构；

步骤9：消费者使用智能终端APP访问控制端实时获取松茸检测指标；同时消费者使用便携式近红外光谱仪采集松茸光谱信息，并将采集的信息发送给卷积神经网络模型进行检测，检测结果放入控制端实现实时共享；监管部门能够实时访问控制端查看松茸检测指标结果。

2.根据权利要求1所述的一种基于卷积神经网络的松茸快速无损检测系统，其特征在于，所述化学含量测量包括物化分析和数据预处理，对于不同的指标采用不同的检测方法检测蛋白质、氨基酸、松茸多糖、水分、不饱和脂肪酸、微量元素、松茸多肽7个指标，在完成物化分析后，通过杠杆值或学生t检验对异常样本进行剔除处理，确定建模样本。

3.根据权利要求1所述的一种基于卷积神经网络的松茸快速无损检测系统，其特征在于，所述光谱数据采集包括波长区间选择、异常光谱剔除和光谱数据预处理；

所述波长区间选择通过相关系数、方差分析、逐步回归方法进行波长选取，剔除不相关数据；

所述异常光谱剔除是指对样本光谱数据中表现异常的起始端、终止端及距离平均光谱距离远的样本进行剔除，通过肖维勒准则及Spectrum outliner检验剔除异常样本；

所述光谱数据预处理采用傅里叶变换进行预处理。

4.根据权利要求1所述的一种基于卷积神经网络的松茸快速无损检测系统，其特征在于，所述深度学习卷积神经网络模型包含三级：输入级、探测级和池化级。

5.根据权利要求4所述的一种基于卷积神经网络的松茸快速无损检测系统，其特征在于，所述输入级通过并行的多个卷积产生一组线性激活响应，包括稀疏交互和参数共享两部分；所述输入级通过将输入数据从原来的吸光度变为基于同一基点的光谱图，利用卷积网络的稀疏交互提取有效像素点；利用参数共享在一个模型的多个函数中使用相同的参数。

6.根据权利要求4所述的一种基于卷积神经网络的松茸快速无损检测系统，其特征在于，所述探测级是指每一个线性激活响应通过一个非线性激活函数；所述池化级是指使用池化函数进行调整输出。

7.根据权利要求1所述的一种基于卷积神经网络的松茸快速无损检测系统，其特征在于，所述深度学习卷积神经网络模型的优化：使用训练集建立模型之后，再使用验证集进行超参数优化，与此同时对第一阶段剔除的异常样本进行检测，配合不断调整的隐层深度，直到模型性能达到要求，最终以测试集样本数据验证系统性能，若未达到设定精度，则不断配合调整隐层深度和样本容量，直到达到要求。

8.根据权利要求1所述的一种基于卷积神经网络的松茸快速无损检测系统，其特征在于，所述消费者终端包括智能手机终端和便携式近红外光谱仪；所述智能手机终端装有APP，所述APP通过无线网络访问所述控制端以查看松茸的指标含量信息；所述便携式近红外光谱仪采集松茸光谱信息，并将采集的光谱信息送给深度学习卷积神经网络模型进行检测，检测结果反馈给控制端进行信息实时共享。

9.根据权利要求8所述的一种基于卷积神经网络的松茸快速无损检测系统，其特征在于，还包括监管部门机构；所述监管部门机构能够通过有线或无线的方式访问所述控制端的检测结果数据。