CN107525772A - 一种海带质量检测的方法及系统 - Google Patents
一种海带质量检测的方法及系统 Download PDFInfo
- Publication number
- CN107525772A CN107525772A CN201710505300.9A CN201710505300A CN107525772A CN 107525772 A CN107525772 A CN 107525772A CN 201710505300 A CN201710505300 A CN 201710505300A CN 107525772 A CN107525772 A CN 107525772A
- Authority
- CN
- China
- Prior art keywords
- sea
- tangle
- quality
- signal
- checked
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明实施例公开了一种海带质量检测的方法,该方法包括在历史数据库中,提取一定数量的海带数据形成样本集,并将提取的样本集输入至预设的最小二乘支持向量机中进行智能学习,得到用于检测海带质量的支持向量机模型;其中,海带数据包括已知质量海带的颜色信号及其对应的气味信号;质量为合格或不合格;获取待检海带的颜色信号和气味信号,并将获取到的待检海带的颜色信号和气味信号导入至支持向量机模型中,得到待检海带的质量。本发明实施例,能实现对海带快速、有效的质量检测,同时具有检测能力强、误检率低且省时省力等特点。
Description
技术领域
本发明涉及海带质量检测技术领域,尤其涉及一种海带质量检测的方法及系统。
背景技术
目前,我国海带养殖面积约4.1万公顷,“十二五”期间海带养殖面积年平均增长率达到42.75%,年产加工品在80万吨以上,使得海带在总产量、养殖规模方面均居世界首位。海带营养价值很高,它含丰富蛋白质、氨基酸、海带多糖、维生素等,但质量差的海带会产生大量的黄曲霉毒素,对人体极为有害,因此海带的质量检测是确保海带安全饮食的关键环节,也直接决定了我国海带出口的竞争力。由此可见,设计一个智能的海带质量检测方法对提高海带饮食安全和产品国际竞争力具有重要的意义。
由于反映海带质量好坏的重要特征量是颜色和气味,因而海带质量检测方法具体应包括从颜色上辨别和从气味上辨别。总所周知,良质海带色泽深褐色或褐绿色,而海带颜色一旦变淡到黄绿色直至暗红、发白了,则说明海带的质量在逐渐变差;同理,良质海带的海鲜味道比较浓厚,差的海带有腥味。
但是,发明人发现,现有的海带质量检测方法基本上靠人工肉眼和手摸去判断,费时费力,而且无法保证大批量海带出厂的质量。因此,亟需一种海带质量检测的方法,实现对海带快速、有效的质量检测,同时检测能力强、误检率低,使大规模海带生产厂的工人从费时和费力的检测劳动中解放出来。
发明内容
本发明实施例的目的在于提供一种海带质量检测的方法及系统,能实现对海带快速、有效的质量检测,同时具有检测能力强、误检率低且省时省力等特点。
为了解决上述技术问题,本发明实施例提供了一种海带质量检测的方法,所述方法包括:
在历史数据库中,提取一定数量的海带数据形成样本集,并将所述提取的样本集输入至预设的最小二乘支持向量机中进行智能学习,得到用于检测海带质量的支持向量机模型;其中,所述海带数据包括已知质量海带的颜色信号及其对应的气味信号;所述质量为合格或不合格;
获取待检海带的颜色信号和气味信号,并将所述获取到的待检海带的颜色信号和气味信号导入至所述得到的支持向量机模型中,得到所述待检海带的质量。
其中,所述颜色信号通过色敏传感器测量并经小波去噪及归一化处理后所得。
其中,所述色敏传感器由两个光敏二极管和滤色器构成。
其中,所述气味信号通过气敏传感器测量并经小波去噪及归一化处理后所得。
其中,所述支持向量机模型是由目标函数及其对应的约束条件k=1,K,100形成;其中,
是核空间映射函数,权矢量w∈Rd,误差变量ek∈R,b是偏差量。损失函数J是SSE误差和规则化量之和,γ是控制对错分样本惩罚的程度的可调参数,且γ=0.68;Yk是输出数据用来表示质量,Yk∈(0,1);Uk是输入数据,其包括颜色信号u1k和气味信号u2k,即Uk=(u1k,u2k);k=1,K,100为所述历史数据库中海带数据提取的数量。
本发明实施例还提供了一种海带质量检测的系统,所述系统包括:
质量模型设置单元,用于在历史数据库中,提取一定数量的海带数据形成样本集,并将所述提取的样本集输入至预设的最小二乘支持向量机中进行智能学习,得到用于检测海带质量的支持向量机模型;其中,所述海带数据包括已知质量海带的颜色信号及其对应的气味信号;所述质量为合格或不合格;
质量检测单元,用于获取待检海带的颜色信号和气味信号,并将所述获取到的待检海带的颜色信号和气味信号导入至所述得到的支持向量机模型中,得到所述待检海带的质量。
其中,所述颜色信号通过色敏传感器测量并经小波去噪及归一化处理后所得。
其中,所述色敏传感器由两个光敏二极管和滤色器构成。
其中,所述气味信号通过气敏传感器测量并经小波去噪及归一化处理后所得。
实施本发明实施例,具有如下有益效果:
本发明实施例基于半导体的内光效应、光谱特性和气敏薄膜导电率原理,采用色敏传感器和气敏传感器采集待检海带颜色和气味二个质量特性量,输入到检测海带质量的支持向量机模型中,快速准确地获得待检海带质量的检测结果,从而实现了对海带快速、有效的质量检测,具有检测能力强、误检率低且省时省力等特点。
附图说明
为了更清楚地说明本发明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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的海带质量检测的方法的流程图;
图2本发明实施例提供的海带质量检测的系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
如图1所示,为本发明实施例中,提出一种海带质量检测的方法,所述方法包括:
步骤S101、在历史数据库中,提取一定数量的海带数据形成样本集,并将所述提取的样本集输入至预设的最小二乘支持向量机中进行智能学习,得到用于检测海带质量的支持向量机模型;其中,所述海带数据包括已知质量海带的颜色信号及其对应的气味信号;所述质量为合格或不合格;
具体过程为,在历史数据库中,提取质量合格与不合格各50组海带数据(共100组均由颜色信号和气味信号所形成),进行归一化后对最小二乘支持向量机进行训练和优化。
该训练支持向量机的过程如下:
定义{(Uk,Yk)|k=1,2,K,100},其中,Uk是输入数据,其包括颜色信号u1k和气味信号u2k,即Uk=(u1k,u2k);Yk是输出数据用来表示质量,Yk∈(0,1)。
因此,模型可以描述求解下面问题:
k=1,K,100
其中,是核空间映射函数,权矢量w∈Rd,误差变量ek∈R,b是偏差量。损失函数J是SSE误差和规则化量之和,γ是控制对错分样本惩罚的程度的可调参数,它控制对超出误差样本的惩罚的程度,实现在训练误差和模型复杂度之间的折衷,本发明惩罚可调参数γ=0.68。引入Lagrange函数,把有约束优化问题转化成无约束优化问题。
即:
其中,拉格朗日乘子αk∈R,αk≥0。对上式进行优化求解,根据KKT最优条件,把上式分别对w,b,ek和αk求偏微分并令它们等于0,即:
得到:
对于k=1,K,100消去w和ek,得到如下方程:
其中
即得到如下方程组:
通过样本集的学习,完成训练过程寻找到支持向量集,确定拉格朗日乘子αk和偏移因子b,从而获得了用于检测海带质量的支持向量机模型。
应当说明的是,颜色信号通过色敏传感器测量并经小波去噪及归一化处理后所得,该色敏传感器由两个光敏二极管和滤色器构成;气味信号通过气敏传感器测量并经小波去噪及归一化处理后所得。
在本发明实施例中,采集到的海带颜色信号和气味信号,不可避免会受到大量噪声信号的影响而产生杂波,必然会影响检测的准确度,因此采用小波去噪技术对采集到的二个信号进行小波去噪处理,具体算法如下:
令检测特征量为:
式中R(k)为有用信号;n(k)为噪声序列。假设n(k)是零均值且服从高斯分布的随即序列,即服从N:(0,σ2)分布。对上式两边做小波变换,有:
式中表示小波基对做时移为q,尺度因子为a的小波变换。经正交小波变换后,最大程度地去除了n(k)的相关性,其能量集中在少数的小波系数上,而这些系数即是在各个尺度下的模极大值。
同时,为了降低支持向量机模型训练的难度和降低采集信号值差异过大造成的影响,对故障特征参数集进行归一化处理后,作为支持向量机模型的输入向量。海带数据归一化处理方法如下:
其中,Uj为颜色信号或气味信号。
步骤S102、获取待检海带的颜色信号和气味信号,并将所述获取到的待检海带的颜色信号和气味信号导入至所述得到的支持向量机模型中,得到所述待检海带的质量。
具体过程为,通过色敏传感器和气敏传感器分别获取待检海带的颜色信号和气味信号,并将获取到的待检海带的颜色信号和气味信号导入至上述得到的支持向量机模型中,得到待检海带的质量。
可以理解的是,待检海带的颜色信号和气味信号均是经过放大、小波去噪及归一化处理后所得,具体过程请参见步骤S101中相关内容,在此不再一一赘述。
如图2所示,为本发明实施例中,提供的一种海带质量检测的系统,所述系统包括:
质量模型设置单元110,用于在历史数据库中,提取一定数量的海带数据形成样本集,并将所述提取的样本集输入至预设的最小二乘支持向量机中进行智能学习,得到用于检测海带质量的支持向量机模型;其中,所述海带数据包括已知质量海带的颜色信号及其对应的气味信号;所述质量为合格或不合格;
质量检测单元120,用于获取待检海带的颜色信号和气味信号,并将所述获取到的待检海带的颜色信号和气味信号导入至所述得到的支持向量机模型中,得到所述待检海带的质量。
其中,所述颜色信号通过色敏传感器测量并经小波去噪及归一化处理后所得。
其中,所述色敏传感器由两个光敏二极管和滤色器构成。
其中,所述气味信号通过气敏传感器测量并经小波去噪及归一化处理后所得。
实施本发明实施例,具有如下有益效果:
本发明实施例基于半导体的内光效应、光谱特性和气敏薄膜导电率原理,采用色敏传感器和气敏传感器采集待检海带颜色和气味二个质量特性量,输入到检测海带质量的支持向量机模型中,快速准确地获得待检海带质量的检测结果,从而实现了对海带快速、有效的质量检测,具有检测能力强、误检率低且省时省力等特点。
值得注意的是,上述系统实施例中,所包括的各个系统单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种海带质量检测的方法,其特征在于,所述方法包括:
在历史数据库中,提取一定数量的海带数据形成样本集,并将所述提取的样本集输入至预设的最小二乘支持向量机中进行智能学习,得到用于检测海带质量的支持向量机模型;其中,所述海带数据包括已知质量海带的颜色信号及其对应的气味信号;所述质量为合格或不合格;
获取待检海带的颜色信号和气味信号,并将所述获取到的待检海带的颜色信号和气味信号导入至所述得到的支持向量机模型中,得到所述待检海带的质量。
2.如权利要求1所述的方法,其特征在于,所述颜色信号通过色敏传感器测量并经小波去噪及归一化处理后所得。
3.如权利要求2所述的方法,其特征在于,所述色敏传感器由两个光敏二极管和滤色器构成。
4.如权利要求1所述的方法,其特征在于,所述气味信号通过气敏传感器测量并经小波去噪及归一化处理后所得。
5.如权利要求1所述的方法,其特征在于,所述支持向量机模型是由目标函数及其对应的约束条件k=1,K,100形成;其中,
是核空间映射函数,权矢量w∈Rd,误差变量ek∈R,b是偏差量。损失函数J是SSE误差和规则化量之和,γ是控制对错分样本惩罚的程度的可调参数,且γ=0.68;Yk是输出数据用来表示质量,Yk∈(0,1);Uk是输入数据,其包括颜色信号u1k和气味信号u2k,即Uk=(u1k,u2k);k=1,K,100为所述历史数据库中海带数据提取的数量。
6.一种海带质量检测的系统,其特征在于,所述系统包括:
质量模型设置单元,用于在历史数据库中,提取一定数量的海带数据形成样本集,并将所述提取的样本集输入至预设的最小二乘支持向量机中进行智能学习,得到用于检测海带质量的支持向量机模型;其中,所述海带数据包括已知质量海带的颜色信号及其对应的气味信号;所述质量为合格或不合格;
质量检测单元,用于获取待检海带的颜色信号和气味信号,并将所述获取到的待检海带的颜色信号和气味信号导入至所述得到的支持向量机模型中,得到所述待检海带的质量。
7.如权利要求6所述的系统,其特征在于,所述颜色信号通过色敏传感器测量并经小波去噪及归一化处理后所得。
8.如权利要求7所述的系统,其特征在于,所述色敏传感器由两个光敏二极管和滤色器构成。
9.如权利要求6所述的系统,其特征在于,所述气味信号通过气敏传感器测量并经小波去噪及归一化处理后所得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710505300.9A CN107525772A (zh) | 2017-06-28 | 2017-06-28 | 一种海带质量检测的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710505300.9A CN107525772A (zh) | 2017-06-28 | 2017-06-28 | 一种海带质量检测的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107525772A true CN107525772A (zh) | 2017-12-29 |
Family
ID=60748779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710505300.9A Pending CN107525772A (zh) | 2017-06-28 | 2017-06-28 | 一种海带质量检测的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107525772A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590135A (zh) * | 2012-03-02 | 2012-07-18 | 中国计量学院 | 一种基于最小二乘支持向量机的除草剂鉴别方法 |
CN102998316A (zh) * | 2012-12-20 | 2013-03-27 | 山东大学 | 一种透明液体杂质检测系统及其检测方法 |
CN103278464A (zh) * | 2013-04-18 | 2013-09-04 | 北京工商大学 | 鱼肉检测方法和装置 |
CN104182630A (zh) * | 2014-08-20 | 2014-12-03 | 国家电网公司 | 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法 |
CN104655761A (zh) * | 2015-02-28 | 2015-05-27 | 华南理工大学 | 一种基于多光谱成像在线测定鱼肉新鲜度指标k值的方法 |
CN105044298A (zh) * | 2015-07-13 | 2015-11-11 | 常熟理工学院 | 一种基于机器嗅觉的蟹类新鲜度等级检测方法 |
CN105844401A (zh) * | 2016-03-22 | 2016-08-10 | 北京工商大学 | 基于案例推理的湖库水华治理复杂动态关联模型与决策方法 |
CN105954202A (zh) * | 2016-04-22 | 2016-09-21 | 浙江大学 | 一种柑橘溃疡病高光谱模型传递的方法 |
-
2017
- 2017-06-28 CN CN201710505300.9A patent/CN107525772A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590135A (zh) * | 2012-03-02 | 2012-07-18 | 中国计量学院 | 一种基于最小二乘支持向量机的除草剂鉴别方法 |
CN102998316A (zh) * | 2012-12-20 | 2013-03-27 | 山东大学 | 一种透明液体杂质检测系统及其检测方法 |
CN103278464A (zh) * | 2013-04-18 | 2013-09-04 | 北京工商大学 | 鱼肉检测方法和装置 |
CN104182630A (zh) * | 2014-08-20 | 2014-12-03 | 国家电网公司 | 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法 |
CN104655761A (zh) * | 2015-02-28 | 2015-05-27 | 华南理工大学 | 一种基于多光谱成像在线测定鱼肉新鲜度指标k值的方法 |
CN105044298A (zh) * | 2015-07-13 | 2015-11-11 | 常熟理工学院 | 一种基于机器嗅觉的蟹类新鲜度等级检测方法 |
CN105844401A (zh) * | 2016-03-22 | 2016-08-10 | 北京工商大学 | 基于案例推理的湖库水华治理复杂动态关联模型与决策方法 |
CN105954202A (zh) * | 2016-04-22 | 2016-09-21 | 浙江大学 | 一种柑橘溃疡病高光谱模型传递的方法 |
Non-Patent Citations (3)
Title |
---|
姚铁军 编: "《基于ICP/IP网络的延时建模及网络先进PID控制器研究》", 30 June 2010 * |
徐海霞: "基于机器视觉和电子鼻技术的菠菜新鲜度无损检测研究", 《中国优秀硕士学位论文全文数据库》 * |
郁有文 编著: "《传感器原理及工程应用》", 31 July 2007, 西安电子科技大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109212597B (zh) | 基于深度信念网络和扫描叠加的微震源自动定位方法 | |
CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
CN104458766B (zh) | 一种基于结构纹理法的布匹表面瑕疵检测方法 | |
CN104616664B (zh) | 一种基于声谱图显著性检测的音频识别方法 | |
Wu et al. | Image analysis-based recognition and quantification of grain number per panicle in rice | |
CN109711288A (zh) | 基于特征金字塔和距离约束fcn的遥感船舶检测方法 | |
CN104990892B (zh) | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 | |
Mishra et al. | A Deep Learning-Based Novel Approach for Weed Growth Estimation. | |
CN104316491B (zh) | 基于同步‑异步二维近红外相关谱检测牛奶掺尿素的方法 | |
CN107292310A (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
CN105044298A (zh) | 一种基于机器嗅觉的蟹类新鲜度等级检测方法 | |
CN106815819B (zh) | 多策略粮虫视觉检测方法 | |
CN112699756B (zh) | 一种基于高光谱图像的茶叶原产地识别方法和系统 | |
CN110580705B (zh) | 一种基于双域图信号滤波检测建筑物边缘点的方法 | |
CN105954412A (zh) | 用于山核桃新鲜度检测的传感器阵列优化方法 | |
CN110108644A (zh) | 一种基于深度级联森林和高光谱图像的玉米品种鉴别方法 | |
CN106991428A (zh) | 基于自适应池化模型的害虫图像识别方法 | |
CN103456011A (zh) | 一种利用互补信息的改进型高光谱rx异常检测方法 | |
CN107315999A (zh) | 一种基于深度卷积神经网络的烟草植株识别方法 | |
Wu | Identification of maize leaf diseases based on convolutional neural network | |
CN107145831A (zh) | 基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法 | |
Pinto et al. | The real-time mobile application for identification of diseases in coffee leaves using the CNN model | |
CN109540814B (zh) | 一种基于多光谱成像技术的蝴蝶兰灰霉病早期检测方法 | |
Kaiyan et al. | Measurement of plant leaf area based on computer vision | |
CN104990891B (zh) | 一种种子近红外光谱和光谱图像定性分析模型建立方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171229 |