CN105891430A - 一种基于神经网络的食品质量监测装置 - Google Patents
一种基于神经网络的食品质量监测装置 Download PDFInfo
- Publication number
- CN105891430A CN105891430A CN201610216174.0A CN201610216174A CN105891430A CN 105891430 A CN105891430 A CN 105891430A CN 201610216174 A CN201610216174 A CN 201610216174A CN 105891430 A CN105891430 A CN 105891430A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- display
- read
- food quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012806 monitoring device Methods 0.000 title claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 9
- 238000013500 data storage Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000005540 biological transmission Effects 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000003860 storage Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 8
- 230000007935 neutral effect Effects 0.000 claims description 64
- 238000000034 method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000008901 benefit Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000012887 quadratic function Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000003872 anastomosis Effects 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 3
- 238000012888 cubic function Methods 0.000 claims description 3
- 238000000151 deposition Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 11
- 239000000872 buffer Substances 0.000 description 6
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 4
- 229910052710 silicon Inorganic materials 0.000 description 4
- 239000010703 silicon Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004020 luminiscence type Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000012536 storage buffer Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
- G01K1/022—Means for indicating or recording specially adapted for thermometers for recording
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
- G01K1/024—Means for indicating or recording specially adapted for thermometers for remote indication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Abstract
本发明涉及一种基于神经网络的食品质量监测装置，它由数据处理驱动模块连接存储显示模块构成。所述数据处理驱动模块用于采集和处理温度接收端信号并提供驱动显示器能力，包括温度接收端、数据转换模块、数据运算模块、数据处理模块和驱动扫面显示模块。所述存储显示模块数据存储模块连接微显示器构成，将数据存储模块中当前温度数据和食品质量系数显示于显示器上。其特征在于：本发明采用神经网络实现复杂的公式运算，使用并行处理器FPGA，使用无线传输通信方式传输数据到监视模块，增加了报警提示。本发明不仅节约了硬件资源，而且运算处理速度快，实时性强，具有较好的实用价值。
Description
技术领域
本发明涉及一种基于神经网络的食品质量监测装置，包括数据处理驱动模块和存储显示模块。
背景技术
传感器技术是现代科技的前沿技术，许多国家已将传感器技术列为与通信技术和计算机技术同等重要的位置。随着现代科技技术的高速发展，传感器的应用领域越来越宽广。
目前，中国专利，其专利号为201010578698.7“温度检测系统”，该系统采集待测设备上测温位置的温度得到温度信号，并通过智能中继将所述的温度信号发送给无线网关，该系统存在的不足是没有考虑到当温度信号突变时，应该给予一个报警提示。此外，中国专利，其专利号为201410552844.7“一种冷链运输温度监测与报警的方法及系统”，该系统采用BP神经网络实时对采集的温度历史数据进行学习而建立一个预警模型，并且利用该预警模型实时监测数据的变化，该系统存在的不足是BP网络使用Sigmoid函数作为激活函数，相比于径向基函数（RBF）神经网络，存在学习收敛速度慢、容易陷入局部极小点而无法得到全局最优解等缺点。
一般对于食品质量安全监测的是使用化学的方法，通过检测分析食品中物质成分的变化来评估食品的质量安全系数。这种传统的检测流程操作起来需要的准备工作过于繁琐，在实施的过程中有时候需要庞大的样本做支撑，并且需要花费一定的额外时间等待检测结果，缺乏一定的实时性和可靠性。
发明内容
本发明的目的在于针对已有技术存在的缺陷，提供一种基于神经网络的食品质量监测装置，该系统不仅能够提高运算速率，增加可靠性，减小成本，更具有实用价值。
为达到上述目的，本发明采用的技术方案为：
一种基于神经网络的食品质量监测装置，由数据处理驱动模块和存储显示模块构成。其特征在于：数据处理驱动模块用于采集和处理温度接收端信号并且提供驱动微显示器的能力，由温度接收端经数据转换模块连接第一在线处理处理模块，或者是温度接收端经第一数据运算模块连接第二在线处理处理模块，或者是，温度接收端经第二数据运算模块连接第三在线处理处理模块,和一个驱动扫描显示模块构成。数据转换模块用于对温度接收端的数据进行码制转换，第一在线处理处理模块对数据转换模块处理后的数据进行记录缓存，第一数据运算模块依据食品安全公式，用于计算食品的安全系数，第二在线处理模块用于比较核对食品安全系数，第二数据运算模块用于筛选统计历史时刻的温度值，第三在线处理处理模块用于锁存当前及历史温度数据；所述存储显示模块由第一数据存储器、第二数据存储器和第三数据存储器连接显示器构成，数据存储模块用于存储温度信息及相关公式计算数据，显示器用于将当前温度数据和食品质量系数显示于微屏幕上。
上述的一种基于神经网络的食品质量监测装置中，所述的食品安全公式的主要参数是温度，温度值来源于温度接收端的数据，此食品安全公式中的主要参数包括当前温度Tf，历史时刻的温度Ti和在Ti温度下食品安全保质期的天数ti，此食品安全公式包括指数运算、减法运算、除法运算、加法运算和乘法运算，此食品安全公式反映了当前食品所处的安全状态，给出了食品在当前温度下可以保持食品安全的天数。
上述的一种基于神经网络的食品质量监测装置中，所述的第一数据运算模块包括乘法器、累加器、减法器，移位寄存器，乘法器用于数据的乘法运算，累加器用于求和计算，减法器用于数据的相减，移位寄存器右移实现除法器的功能；所述的第二数据运算模块包括累加器，除法器，累加器用于数据的求和，除法器用于数据的均值计算，除法器可采用移位寄存器的右移实现。
上述的一种基于神经网络的食品质量监测装置中，所述的第一在线处理模块包括微处理器和FIFO读写控制模块，微处理器可采用FPGA处理器，利用其硬件优势，FPGA采用并行处理的模式，在每个时钟周期内完成更多的处理任务，具有强大的运算能力。FIFO读写控制模块解决了不同时钟域的数据传输问题；所述的第二在线处理模块包括微处理器和E2PROM读写控制模块，微处理器同微处理器，E2PROM读写控制模块用来存放第一数据运算模块的计算数据，E2PROM存储器支持即插即用，具有断电后数据不丢失的特点；所述的第三在线处理模块包括微处理器和SRAM读写控制模块，微处理器同微处理器，SRAM读写控制模块用于接收第二数据运算模块中的数据，并将有效数据写入SRAM存储器中，还用于从SRAM读写控制模块中读出已经存储的有效数据包，包括状态寄存器、控制寄存器、时钟发生器，控制寄存器包括用于配置需要存储跟踪信息处理器的存储配置单元、以及控制SRAM控制器的启动和暂停的开关控制单元，状态寄存器包括用于标示存储至SRAM存储器中有效数据包个数的数据包个数状态控制单元。
上述的一种基于神经网络的食品质量监测装置中，所述并行处理模式可用神经网络结构实现，其中，所述的神经网络结构，包括输入模块、中间模块和输出模块；所述的输入模块由m个输入神经元组成，所述中间模块由n个中间神经元组成，完成径向基函数(RBF)运算，运算过程中均使用概率数（即一段时间内数据序列中出现0或1的概率表示一个数值）, 所述径向基函数的种类包括但不限于高斯函数、多二次函数、逆多二次函数、薄板样条函数、三次函数、线性函数；所述输出模块由k个输出神经元组成，其中m，n，k均为大于或等于1的整数。输入模块与中间模块、中间模块与输出模块之间的连接可采用全相连或者部分相连。神经网络是一个并行和分布式的信息处理网络结构，它一般由大量神经元组成，每个神经元只有一个输出，可以连接到很多其他的神经元，每个神经元输入有多个连接通道，每个连接通道对应于一个连接权系数,神经网络的连接权在网络训练中起到记忆信息的作用，调整连接权系数值，直至训练结果与目标吻合为止。
上述的一种基于神经网络的食品质量监测装置中，所述的温度接收端用于接收温度传感器采集的数据，所述的温度接收端接收的数据为数字式温度传感器接收的数字量信息。
上述的一种基于神经网络的食品质量监测装置中，所述的显示器可以是微显示器、发光二极管显示器、电子墨水屏、柔性显示器中的一种显示器。液晶显示器轻薄，辐射小，无闪烁，相比CRT显示器能耗小节约能源，并且液晶显示器完全纯平没有视觉变形。微显示器可采用硅基液晶微显示器、硅基有机发光微显示器、硅基无机发光微显示器、非硅基发光微显示器和微型CRT显示器中任一种，对角线尺寸小于3.3cm，像素分辨率不低于640×480，单个色彩分量的灰度不低于32级，支持双目3D应用，支持亮度、对比度和色彩饱和度调整，支持伽马矫正，支持单色YCbCr/RGB图像格式，支持PAL/NTSC/SMPTE图像制式，支持逐行或隔行扫描模式，支持VGA/DVI/RGB输入方式。EINK屏幕采用EINK技术，EINK技术有许多优点，包括易读性，柔性，易廉价制造和低功耗。EINK屏幕具有资料保存性，只有画面异动时才耗电，电源关闭后仍可保留数据信息，较其他显示器省电。
上述的一种基于神经网络的食品质量监测装置中，所述的数据存储模块包括第一数据存储器、第二数据存储器和第三数据存储器，第一数据存储器用来存储FIFO读写控制模块输出的数据，并输出灰度数据到微显示器模块；第二数据存储器用来存储E2PROM读写控制模块输出的数据，并输出灰度数据到微显示器模块；第三数据存储器用来存储SRAM读写控制模块输出的数据，并输出灰度数据到微显示器模块。
上述的一种基于神经网络的食品质量监测装置中，所述的FIFO读写控制模块是一种先进先出的电路，使用在需要产生数据接口的部分，用来存储、缓冲在两个异步时钟之间的数据传输。在异步电路中，由于时钟之间周期和相位完全独立，因为数据丢失的概率不为零。本发明使用FIFO可以实现在两个不同时钟域系统之间快速而方便地传输实时数据，即在第一在线处理模块和第一数据存储器之间传输温度数据。
上述的一种基于神经网络的食品质量监测装置中，所述的E2PROM读写控制模块用于接收第一数据运算模块计算的食品质量安全系数数据值。串行E2PROM是可在线电擦除和电写入的存储器，具有体积小、接口简单、数据保存可靠、可在线改写、功耗低等特点，而且为低电压写入，在微处理器领域应用广泛。本发明采用SPI总线，在微处理器FPGA控制下将第一数据运算模块的数据值写入E2PROM中，再将E2PROM数据读到第二数据存储器中。SPI总线采用全双工通信模式，数据传输速度很快。
上述的一种基于神经网络的食品质量监测装置中，所述的SRAM读写控制模块对用于接收温度接收端的数据，并将混合后的有效数据写入SRAM存储器中，还用于从SRAM读写控制模块中读出已经存储的有效数据包，包括状态寄存器、控制寄存器、时钟发生器，控制寄存器包括用于配置需要存储跟踪信息处理器的存储配置单元、以及控制SRAM控制器的启动和暂停的开关控制单元，状态寄存器包括用于标示存储至SRAM存储器中有效数据包个数的数据包个数状态控制单元。
上述的一种基于神经网络的食品质量监测装置中还可以包含时钟定时管理模块，用于控制中断，当FIFO读写控制模块、E2PROM读写控制模块、SRAM读写控制模块和驱动扫描显示模块发出有效中断信号时，所述时钟定时管理模块及时通知第一在线处理模块、第二在线处理模块和第三在线处理模块中的FPGA微处理器做出中断响应。
上述的一种基于神经网络的食品质量监测装置中还可以包含电源管理模块，用于在空闲时间切断温度接收端、FIFO读写控制模块、E2PROM读写控制模块、SRAM读写控制模块和驱动扫描显示模块的电源；所述电源管理模块还可在系统空闲时切断第一数据存储器、第二数据存储器、第三数据存储器和微显示器的电源。
上述的一种基于神经网络的食品质量监测装置中还可以有报警模块，用于在当微显示器显示第一数据存储器中的数据超过某个定值后，蜂鸣器发出警告提示。或者是，当微显示器显示第二数据存储器中的数据满足一定限值后，蜂鸣器发出警告提示。
上述的一种基于神经网络的食品质量监测装置中还可以有监视模块和无线传输模块，监视模块用于实时监视查看数据存储器中数据的变化，具有远程监测的优势。无线传输模块用于传输数据存储模块中数据至监视模块。监视模块可以是手机或可穿戴设备。
上述的一种基于神经网络的食品质量监测装置中所述的无线传输模块包含数据发送端和数据接收端，数据接收端用于接收数据存储器中的数据，经过无线传输协议，最终通过数据发送端将数据接收端的数据发送到监视模块，无线传输模块体现了无线通信的便捷性，在数据传输的领域应用广泛。
本发明提供的一种基于神经网络的食品质量监测装置与现有技术相比较，具有如下突出实质性特点和显著优点：
第一，采用神经网络作为计算模型完成复杂的指数运算、乘法运算和除法计算，充分利用了逻辑运算资源（如随机高斯函数发生器、与门、异或门等）实现神经网经的运算（如指数函数、乘法等），极大地降低硬件逻辑资源、减小电路成本。
第二，采用FPGA作为微处理器，具有强大的并行处理能力，运算速度快，节约电路资源。
第三，采用无线传输模块完成远程监控，实时性更强。
第四，使得采用中小规模电路实现超大规模的神经网络成为可能。
第五，采用微显示器显示食品质量安全系数，使得食品所处的抽象状态变得形象，方便记录食品质量的变化趋势。
附图说明
图1为本发明一个较佳实施例中的一种基于神经网络的食品质量监测装置结构示意图。
图2为本发明另一个较佳实施例中的一种基于神经网络的食品质量监测装置结构示意图。
图3为本发明另一个较佳实施例中的一种基于神经网络的食品质量监测装置结构示意图。
图4为本发明另一个较佳实施例中的一种基于神经网络的食品质量监测装置结构示意图。
图5为本发明另一个较佳实施例中的一种基于神经网络的食品质量监测装置结构示意图。
图6为本发明所述的图1中采用神经网络实现数据处理模块的结构示意图。
图7为本发明所述的图1的实现流程图。
图8为本发明所述无线传输模块数据发送端实现流程图。
图9为本发明所述无线传输模块数据接收端实现流程图。
具体实施方式
以下结合附图对本发明的优选实施例的技术方案作进一步描述：
实施例一：
参考图1，本发明的一种基于神经网络的食品质量监测装置：由一个数据处理驱动模块（1）连接存储显示模块（2）构成。其特征在于：所述数据处理驱动模块（1）用于采集和处理温度接口信号并且提供驱动显示器能力，由温度接收端（11）经数据转换模块（12）连接在线处理处理模块（13），或者是温度接收端（11）经数据运算模块（14）连接在线处理处理模块（15），或者是，温度接收端（11）经数据运算模块（16）连接在线处理处理模块（17）和一个驱动扫描显示的模块构成。数据转换模块（12）用于转化接收到温度接收端（11）的数据为数字式输出，在线处理处理模块（13）对数据转换模块（12）处理后的数据进行记录，数据运算模块（14）依据食品安全公式，用于计算食品的安全系数，在线处理处理模块（15）用于比较核对食品安全系数，数
据运算模块（16）用于筛选统计历史时刻的温度值，在线处理处理模块（17）用于锁存当前及历史温度数据；所述存储显示模块（2）由数据存储器(211)（212）（213）连接显示器(22)构成，数据存储模块(2)用于存储温度信息及相关公式计算数据到显示器（22），显示器(22)用于将当前温度数据和食品质量系数显示于微屏幕上。
实施例二：本实施例与实施例一基本相同，特别之处如下：
上述的一种基于神经网络的食品质量监测装置中，所述的数据运算模块（14）包括乘法器（141）、累加器（142）、减法器（143），移位寄存器（144），乘法器（141）用于数据的乘法运算，累加器（142）用于求和计算，减法器（143）用于数值的相减，移位寄存器（144）右移实现除法器的功能；所述的数据运算模块（16）包括累加器（161），除法器（162），累加器用于采集的数据的求和，除法器（162）用于对采集的数据的均值计算，除法器可采用移位寄存器的右移实现。
上述的一种基于神经网络的食品质量监测装置中，所述的在线处理模块（13）包括微处理器（131）和FIFO读写控制模块（132），微处理器（131）可采用FPGA处理器，利用其硬件优势，FPGA采用并行处理的模式，在每个时钟周期内完成更多的处理任务，具有强大的运算能力。FIFO读写控制模块（132）解决了不同时钟域的数据传输问题；所述的在线处理模块（15）包括微处理器（151）和E2PROM读写控制电路（152），微处理器（151）同微处理器（131），E2PROM读写控制模块（152）用来存放数据运算模块（14）的计算数据，E2PROM存储器支持即插即用，具有断电后数据不丢失的特点；所述的在线处理模块（17）包括微处理器（171）和SRAM读写控制模块（172），微处理器（171）同微处理器（131）。
上述的一种基于神经网络的食品质量监测装置中，所述的数据存储模块（21）包括第一数据存储器（211）、第二数据存储器（212）和第三数据存储器（213），第一数据存储器（211）用来存储FIFO读写控制模块（132）输出的数据，并输出灰度数据到显示器（22）模块；第一数据存储器（212）用来存储E2PROM读写控制模块（132）输出的数据，并输出灰度数据到显示器（22）模块；第三数据存储器（213）用来存储SRAM读写控制模块（132）输出的数据，并输出灰度数据到显示器（22）模块。
上述的一种基于神经网络的食品质量监测装置中，所述的FIFO读写控制模块（132）用在第一在线处理模块（13）和第一数据存储器（211）之间传输温度数据。FIFO是一种先进先出的电路，使用在需要产生数据接口的部分，用来存储、缓冲在两个异步时钟之间的数据传输。所述的E2PROM读写控制模块（152）用于接收第一数据运算模块（14）计算的食品质量安全系数值。本发明采用SPI总线，在微处理器FPGA控制下将第一数据运算模块（14）的数据值写入E2PROM中，再将E2PROM数据读到第二数据存储器（212）。SPI总线采用全双工通信模式，数据传输速度很快。
上述的一种基于神经网络的食品质量监测装置中，所述的SRAM读写控制模块（172）用于接收数据运算模块（16）中的数据，并将有效数据写入SRAM存储器中，还用于从SRAM读写控制模块中读出已经存储的有效数据包，包括状态寄存器、控制寄存器、时钟发生器，控制寄存器包括用于配置需要存储跟踪信息处理器的存储配置单元、以及控制SRAM控制器的启动和暂停的开关控制单元，状态寄存器包括用于标示存储至SRAM存储器中有效数据包个数的数据包个数状态控制单元。
上述的一种基于神经网络的食品质量监测装置中，所述的显示器（22）为所述的显示器（22）可以是微显示器、发光二极管显示器、电子墨水屏、柔性显示器中的一种显示器。
实施例三：本实施例与实施例二基本相同，特别之处如下：
参考图6，上述的一种基于神经网络的食品质量监测装置中，所述并行处理模式可用神经网络结构实现，其中，所述的神经网络结构，包括输入模块、中间模块和输出模块；所述的输入模块由m个输入神经元组成，所述中间模块由n个中间神经元组成，完成径向基函数(RBF)运算，运算过程中均使用概率数（即一段时间内数据序列中出现0或1的概率表示一个数值）, 所述径向基函数的种类包括但不限于高斯函数、多二次函数、逆多二次函数、薄板样条函数、三次函数、线性函数；所述输出模块由k个输出神经元组成，其中m，n，k均为大于或等于1的整数。输入模块与中间模块、中间模块与输出模块之间的连接可采用全相连或者部分相连。神经网络是一个并行和分布式的信息处理网络结构，它一般由大量神经元组成，每个神经元只有一个输出，可以连接到很多其他的神经元，每个神经元输入有多个连接通道，每个连接通道对应于一个连接权系数,神经网络的连接权在网络训练中起到记忆信息的作用，调整连接权系数值，直至训练结果与目标吻合为止。
实施例四：
本实施例与实施例一基本相同，特别之处如下：
参考图2，本实施例中所述的一种基于神经网络的食品质量监测装置还包括时钟定时管理模块（3），用于控制中断，当FIFO读写控制模块（132）、E2PROM读写控制模块（152）、SRAM读写控制模块（172）和驱动扫描显示模块（18）发出有效中断信号时，所述时钟定时管理模块（3）及时通知在线处理模块（13）（15）（17）中的FPGA微处理器做出中断响应。
实施例五：
本实施例与实施例一基本相同，特别之处如下：
参考图3，本实施例中所述的一种基于神经网络的食品质量监测装置还包含有电源管理模块（4），用于在空闲时间切断温度接收端（11）、FIFO读写控制模块（132）、E2PROM读写控制模块（152）、SRAM读写控制模块（172）和驱动扫描显示模块（18）的电源；所述电源管理模块（4）还可在系统空闲时切断第一数据存储器（211）、第二数据存储器（212）、第三数据存储器（213）和显示器（22）的电源。
实施例六：
参考图4，本实施例中所述的一种基于神经网络的食品质量监测装置还包含有报警模块（5），用于在当显示器（22）显示第一数据存储器（211）中的数据超过某个定值后，蜂鸣器发出警告提示。或者是，当显示器（22）显示第二数据存储器（212）中的数据满足一定限值后，蜂鸣器发出警告提示。
实施例七：
参考图5，本实施例中所述的一种基于神经网络的食品质量监测装置还包含有监视模块（6）和无线传输模块（7），监视模块（6）用于实时监视查看数据存储器（21）中数据的变化，具有远程监测的优势。无线传输模块（7）用于传输数据存储模块（21）中数据至监视模块（6）。
上述的一种基于神经网络的食品质量监测装置中无线传输模块（7）包含数据发送端（71）和数据接收端（72），数据接收端（72）用于接收数据存储器（21）中的数据，经过无线传输协议，最终通过数据发送端（71）将数据接收端（72）的数据发送到监视模块（6），无线传输模块（7）体现了无线通信的便捷性，在数据传输的领域应用广泛。
参考图8，上述的一种基于神经网络的食品质量监测装置中,所述数据发送端的实现流程,使用时,所述数据发送端（71）和数据接收端（72）进行配对和初始化,所述主控制器控制无线传输功能是否开启,如果开启,经过所述数据编码模块对数据进行编码,所述无线发送端发送数据,如果无线传输功能没有开启,则断开无线连接。
参见图9，上述的一种基于神经网络的食品质量监测装置中，所述数据接收端实现流程，使用时，数据发送端（71）与所述数据接收端（72）进行配对和初始化，所述无线接收端（72）接收所述数据发送端（71）发送的数据，并发送信号到所述数据存储控制器，所述的数据存储控制器收到命令后，发送数据写入命令到所述的数据存储缓冲器，所述数据存储缓冲器收到写命令，将所述无线接收端接收到的数据写入数据存储缓冲器。显示数据时，所述监视模块控制器发送信号到所述数据存储控制器，所述数据存储控制器收到信号后，发送数据读入命令到所述数据存储器缓冲器，所述数据存储缓冲器收到读命令后，将存储的数据读出，所述数据解码对从所述数据存储缓冲器中读出的数据进行解码，所述监视模块显示当前温度数据及食品质量系数。
实施例八：
参考图7，本实施例中所述的一种基于神经网络的食品质量监测装置中，所述的流程图为温度接收端接收的数据经过内部接口电路传输到达数据运算处理模块，将数据运算处理模块的输出数据暂存在数据存储模块，最后在驱动扫描控制下显示在显示器上。
Claims (13)
1.一种基于神经网络的食品质量监测装置，由一个数据处理驱动模块（1）连接一个存储显示模块（2）构成，其特征在于：所述数据处理驱动模块（1）用于采集和处理温度接收端信号并且提供驱动显示器能力，由温度接收端（11）经一个数据转换模块（12）连接一个第一在线处理模块（13），或者是温度接收端（11）经一个第一数据运算模块（14）连接一个第二在线处理处理模块（15），或者是，温度接收端（11）经一个第二数据运算模块（16）连接一个第三在线处理处理模块（17），还包含一个驱动扫描显示模块（18）构成；所述数据转换模块(12)用于对温度接收端(11)的数据进行码制转换，第一在线处理处理模块（13）对数据转换模块（12）处理后的数据进行记录；所述第一数据运算模块（14）依据食品安全公式，用于计算食品的安全系数，第二在线处理处理模块（15）用于比较核对食品安全系数；所述第二数据运算模块（16）用于筛选统计历史时刻的温度值，第三在线处理模块（17）用于锁存当前及历史温度数据；所述存储显示模块（2）由一个数据存储模块（21）连接一个显示器(22)构成，数据存储模块(2)用于存储温度信息及相关公式计算结果到显示器（22）；所述数据存储模块（2）包括一个第一数据存储器(211) 、一个第二数据存储器（212）和一个第三数据存储器（213）；所述第一数据存储器(211)用来保存待显示的温度，第二数据存储器（212）用来存储待显示的食品质量系数，第三数据存储器（213）用来保存历史温度值以一些中间计算值；所述显示器(22)用于将当前温度数据和食品质量系数显示于微屏幕上。
2.根据权利要求1所述的一种基于神经网络的食品质量监测装置，其特征在于：所述的食品安全公式的主要参数是温度，温度值来源于温度接收端(11)的数据，此食品安全公式中的主要参数包括当前温度Tf，历史时刻的温度Ti和在Ti温度下食品安全保质期的天数ti，此食品安全公式包括指数运算、减法运算、除法运算、加法运算和乘法运算，此食品安全公式反映了当前食品所处的安全状态，给出了食品在当前温度下可以保持食品安全的天数。
3.根据权利要求1所述的一种基于神经网络的食品质量监测装置，其特征在于：所述的第一数据运算模块（14）包括乘法器（141）、累加器（142）、减法器（143），移位寄存器（144），乘法器（141）用于数据的乘法运算，累加器（142）用于求和计算，减法器（143）用于数值的相减，移位寄存器（144）右移实现除法器的功能；所述的第二数据运算模块（16）包括累加器（161），除法器（162），累加器用于数据的求和，除法器（162）用于数据的均值计算，除法器可采用移位寄存器的右移实现。
4.根据权利要求1所述的一种基于神经网络的食品质量监测装置，其特征在于：所述的第一在线处理模块（13）包括一个微处理器（131）和一个FIFO读写控制模块（132）；所述微处理器（131）可采用FPGA处理器，利用其硬件优势，FPGA采用并行处理的模式，在每个时钟周期内完成更多的处理任务，具有强大的运算能力；所述FIFO读写控制模块（132）解决了不同时钟域的数据传输问题；所述的第二在线处理模块（15）包括一个微处理器（151）和一个E2PROM读写控制模块（152），微处理器（151）同微处理器（131），E2PROM读写控制模块（152）用来存放数据运算模块（14）的计算数据，E2PROM存储器支持即插即用，具有断电后数据不丢失的特点；所述的第三在线处理模块（17）包括一个微处理器（171）和一个SRAM读写控制模块（172），微处理器（171）同微处理器（131），SRAM读写控制模块（172）用于接收第二数据运算模块（16）中的数据；所述的FIFO读写控制模块（132）用在第一在线处理模块（13）和第一数据存储器（211）之间传输温度数据；FIFO是一种先进先出的电路，使用在需要产生数据接口的部分，用来存储、缓冲在两个异步时钟之间的数据传输；在异步电路中，由于时钟之间周期和相位完全独立，因为数据丢失的概率不为零；使用FIFO可实现在两个不同时钟域系统之间快速而方便地传输实时数据。
5.根据权利要求4所述的一种基于神经网络的食品质量监测装置，其特征在于：所述的E2PROM读写控制模块（152）采用SPI总线，在微处理器FPGA控制下将第一数据运算模块（14）的数据值写入E2PROM中，再将E2PROM数据读到第二数据存储器（212）；SPI总线采用全双工通信模式，数据传输速度很快，串行E2PROM是可在线电擦除和电写入的存储器，具有体积小、接口简单、数据保存可靠、可在线改写、功耗低等特点，而且为低电压写入，在微处理器领域应用广泛；所述的SRAM读写控制模块（172）不仅用于接收温度接收端（11）的数据，并将混合后的有效数据写入SRAM存储器中，还用于从SRAM读写控制模块中读出已经存储的有效数据包，包括状态寄存器、控制寄存器、时钟发生器，控制寄存器包括用于配置需要存储跟踪信息处理器的存储配置单元、以及控制SRAM控制器的启动和暂停的开关控制单元，状态寄存器包括用于标示存储至SRAM存储器中有效数据包个数的状态控制单元。
6.根据权利要求4所述的一种基于神经网络的食品质量监测装置，其特征在于：所述并行处理模式可用神经网络结构实现，其中，所述的神经网络结构，包括输入模块、中间模块和输出模块；所述的输入模块由m个输入神经元组成，所述中间模块由n个中间神经元组成，完成径向基函数(RBF)运算，运算过程中均使用概率数，即一段时间内数据序列中出现0或1的概率表示一个数值，所述径向基函数的种类包括但不限于高斯函数、多二次函数、逆多二次函数、薄板样条函数、三次函数、线性函数；所述输出模块由k个输出神经元组成，其中m，n，k均为大于或等于1的整数；输入模块与中间模块、中间模块与输出模块之间的连接可采用全相连或者部分相连；神经网络是一个并行和分布式的信息处理网络结构，它一般由大量神经元组成，每个神经元只有一个输出，可以连接到很多其他的神经元，每个神经元输入有多个连接通道，每个连接通道对应于一个连接权系数,神经网络的连接权在网络训练中起到记忆信息的作用，调整连接权系数值，直至训练结果与目标吻合为止。
7.根据权利要求1所述的一种基于神经网络的食品质量监测装置，其特征在于：所述温度接收端（11）用于接收温度传感器采集的数据，所述的温度接收端（11）接收的数据为数字式温度传感器接收的数字量信息。
8.根据权利要求4所述的一种基于神经网络的食品质量监测装置，其特征在于：所述的显示器（22）是微显示器、发光二极管显示器、电子墨水屏和柔性显示器中的一种显示器。
9.根据权利要求1所述的一种基于神经网络的食品质量监测装置，其特征在于：所述的数据存储模块（21）包括一个第一数据存储器（211）、第一个二数据存储器（212）和一个第三数据存储器（213），所述第一数据存储器（211）用来存储FIFO读写控制模块（132）输出的数据，并输出灰度数据到微显示器（22）模块；第二数据存储器（212）用来存储E2PROM读写控制模块（132）输出的数据，并输出灰度数据到显示器（22）模块；第三数据存储器（213）用来存储SRAM读写控制模块（132）输出的数据，并输出灰度数据到显示器（22）模块。
10.根据权利要求4所述的一种基于神经网络的食品质量监测装置，其特征在于：还包括一个时钟定时管理模块（3），用于控制中断，当FIFO读写控制模块（132）、E2PROM读写控制模块（152）、SRAM读写控制模块（172）和驱动扫描显示模块（18）发出有效中断信号时，所述时钟定时管理模块（3）及时通知第一在线处理模块（13）、第二在线处理模块（15）和第三在线处理模块（17）中的FPGA微处理器做出中断响应。
11.根据权利要求4所述的一种基于神经网络的食品质量监测装置，其特征在于：还包含有一个电源管理模块（4），用于在空闲时间切断温度接收端（11）、FIFO读写控制模块（132）、E2PROM读写控制模块（152）、SRAM读写控制模块（172）和驱动扫描显示模块（18）的电源；所述电源管理模块（4）还可在系统空闲时切断第一数据存储器（211）、第二数据存储器（212）、第三数据存储器（213）和显示器（22）的电源。
12.根据权利要求4所述的一种基于神经网络的食品质量监测装置，其特征在于：还包含有一个报警模块（5），用于在当显示器（22）显示第一数据存储器（211）中的数据超过某个定值后，蜂鸣器发出警告提示，或者是，当显示器（22）显示第二数据存储器（212）中的数据满足一定限值后，蜂鸣器发出警告提示。
13.根据权利要求1所述的一种基于神经网络的食品质量监测装置，其特征在于：还包含有一个监视模块（6）和一个无线传输模块（7），所述监视模块（6）用于实时监视查看数据存储器（21）中数据的变化，具有远程监测的优势；所述无线传输模块（7）用于传输数据存储模块（21）中数据至监视模块（6）；所述无线传输模块（7）包含一个数据发送端（71）和一个数据接收端（72），所述数据接收端（72）用于接收数据存储器（21）中的数据，经过无线传输协议，最终通过数据发送端（71）将数据接收端（72）的数据发送到监视模块（6），无线传输模块（7）体现了无线通信的便捷性，在数据传输的领域应用广泛。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610216174.0A CN105891430B (zh) | 2016-04-11 | 2016-04-11 | 一种基于神经网络的食品质量监测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610216174.0A CN105891430B (zh) | 2016-04-11 | 2016-04-11 | 一种基于神经网络的食品质量监测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105891430A true CN105891430A (zh) | 2016-08-24 |
| CN105891430B CN105891430B (zh) | 2018-06-01 |
Family
ID=57012847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610216174.0A Expired - Fee Related CN105891430B (zh) | 2016-04-11 | 2016-04-11 | 一种基于神经网络的食品质量监测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105891430B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108776833A (zh) * | 2018-06-05 | 2018-11-09 | 郑州云海信息技术有限公司 | 一种数据处理方法、系统及计算机可读存储介质 |
| CN109444360A (zh) * | 2018-10-29 | 2019-03-08 | 西南大学 | 基于细胞神经网络和电子鼻特征提取的果汁贮藏期检测算法 |
| CN109948786A (zh) * | 2019-02-21 | 2019-06-28 | 山东师范大学 | 一种仿脑的数模混合神经元电路及方法 |
| CN110458361A (zh) * | 2019-08-14 | 2019-11-15 | 中储粮成都储藏研究院有限公司 | 基于bp神经网络的粮食品质指标预测方法 |
| CN113490943A (zh) * | 2019-07-31 | 2021-10-08 | 华为技术有限公司 | 一种集成芯片以及处理传感器数据的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013513805A (ja) * | 2009-12-11 | 2013-04-22 | ウォレン サンドヴィック | 食品安全性インジケータ |
| KR20130133949A (ko) * | 2012-05-30 | 2013-12-10 | 김응수 | 가시광선과 적외선 분광센서에 의한 식품의 선도 및 유해성 측정 장치 |
| CN104330539A (zh) * | 2014-10-28 | 2015-02-04 | 浙江大学 | 基于物联网架构的冷鲜肉货架寿命预测方法 |
| CN105403676A (zh) * | 2015-11-26 | 2016-03-16 | 刘义芝 | 一种食品安全检测系统及方法 |
-
2016
- 2016-04-11 CN CN201610216174.0A patent/CN105891430B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013513805A (ja) * | 2009-12-11 | 2013-04-22 | ウォレン サンドヴィック | 食品安全性インジケータ |
| KR20130133949A (ko) * | 2012-05-30 | 2013-12-10 | 김응수 | 가시광선과 적외선 분광센서에 의한 식품의 선도 및 유해성 측정 장치 |
| CN104330539A (zh) * | 2014-10-28 | 2015-02-04 | 浙江大学 | 基于物联网架构的冷鲜肉货架寿命预测方法 |
| CN105403676A (zh) * | 2015-11-26 | 2016-03-16 | 刘义芝 | 一种食品安全检测系统及方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108776833A (zh) * | 2018-06-05 | 2018-11-09 | 郑州云海信息技术有限公司 | 一种数据处理方法、系统及计算机可读存储介质 |
| CN108776833B (zh) * | 2018-06-05 | 2021-08-31 | 郑州云海信息技术有限公司 | 一种数据处理方法、系统及计算机可读存储介质 |
| CN109444360A (zh) * | 2018-10-29 | 2019-03-08 | 西南大学 | 基于细胞神经网络和电子鼻特征提取的果汁贮藏期检测算法 |
| CN109444360B (zh) * | 2018-10-29 | 2021-05-04 | 西南大学 | 基于细胞神经网络和电子鼻特征提取的果汁贮藏期检测算法 |
| CN109948786A (zh) * | 2019-02-21 | 2019-06-28 | 山东师范大学 | 一种仿脑的数模混合神经元电路及方法 |
| CN113490943A (zh) * | 2019-07-31 | 2021-10-08 | 华为技术有限公司 | 一种集成芯片以及处理传感器数据的方法 |
| CN110458361A (zh) * | 2019-08-14 | 2019-11-15 | 中储粮成都储藏研究院有限公司 | 基于bp神经网络的粮食品质指标预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105891430B (zh) | 2018-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105891430A (zh) | 一种基于神经网络的食品质量监测装置 | |
| US10042411B2 (en) | Data compression system for liquid crystal display and related power saving method | |
| CN101178434A (zh) | 雷达数据采集系统及其采集方法 | |
| CN103269425A (zh) | 多功能智能图像转换系统 | |
| US11665313B2 (en) | Adaptive method and system for data flow control based on variable frame structure in video image processing system | |
| CN104469354A (zh) | 一种检测mipi视频信号质量的装置 | |
| CN102780910B (zh) | 一种使用fpga实现sdi视频内容分析和监测的设备及方法 | |
| CN104469349A (zh) | 一种检测视频源产生的mipi视频信号的方法 | |
| CN105404788A (zh) | 一种分布式医疗诊断系统 | |
| CN113099133A (zh) | 串行解串器链路传输高带宽相机数据的方法 | |
| US11902612B2 (en) | Video input port | |
| CN104735448B (zh) | Arinc818发送节点数据采集及控制方法 | |
| US7986920B2 (en) | Image communication apparatus | |
| CN105574810B (zh) | 用于图像系统总线带宽不足的图像实时传输容错方法 | |
| CN204231575U (zh) | 一种检测mipi视频信号质量的装置 | |
| CN100414482C (zh) | 传送单元、计算机系统及画面数据显示方法 | |
| CN204790538U (zh) | 一种用于冷链物流的监测系统 | |
| CN206650789U (zh) | 一种基于视频监视的自动节能系统 | |
| CN202094915U (zh) | 针对网络电视中网络传输速率的测试器 | |
| CN114782278A (zh) | 图像去噪方法、装置、系统及电子设备 | |
| CN202488592U (zh) | 一种实时高清视频发送器 | |
| CN109885524A (zh) | 一种基于fpga的机载显示器的串口扩展方法 | |
| CN108389168A (zh) | 一种获取固定区域无人机航拍图像的方法 | |
| CN100516990C (zh) | 液晶显示装置 | |
| JP2003134334A5 (ja) | 画像サイズ変換装置、画像サイズ変換方法、プログラム、及び記憶媒体 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180601 |