CN108489927A - 鱼类产地溯源方法、电子设备、存储介质及装置 - Google Patents
鱼类产地溯源方法、电子设备、存储介质及装置 Download PDFInfo
- Publication number
- CN108489927A CN108489927A CN201810067761.7A CN201810067761A CN108489927A CN 108489927 A CN108489927 A CN 108489927A CN 201810067761 A CN201810067761 A CN 201810067761A CN 108489927 A CN108489927 A CN 108489927A
- Authority
- CN
- China
- Prior art keywords
- fish
- production
- place
- characteristic value
- rbm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 241000251468 Actinopterygii Species 0.000 claims abstract description 92
- 238000004519 manufacturing process Methods 0.000 claims abstract description 73
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 235000013372 meat Nutrition 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000004611 spectroscopical analysis Methods 0.000 claims description 30
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 229910052736 halogen Inorganic materials 0.000 claims description 6
- 150000002367 halogens Chemical class 0.000 claims description 6
- 229920001343 polytetrafluoroethylene Polymers 0.000 claims description 6
- 239000004810 polytetrafluoroethylene Substances 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- -1 polytetrafluoroethylene Polymers 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 239000011248 coating agent Substances 0.000 claims description 3
- 238000000576 coating method Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims 1
- 230000003595 spectral effect Effects 0.000 abstract description 8
- 238000005457 optimization Methods 0.000 abstract 1
- 235000019688 fish Nutrition 0.000 description 68
- 238000005516 engineering process Methods 0.000 description 7
- 238000010238 partial least squares regression Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 241000269841 Thunnus albacares Species 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 235000021393 food security Nutrition 0.000 description 3
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000034189 Sclerosis Diseases 0.000 description 1
- 241000269821 Scombridae Species 0.000 description 1
- 241000269849 Thunnus Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 235000020640 mackerel Nutrition 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 235000021122 unsaturated fatty acids Nutrition 0.000 description 1
- 150000004670 unsaturated fatty acids Chemical class 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了鱼类产地溯源方法,包括以下步骤:通过红外光谱仪采集鱼肉样本的光谱数据;将光谱数据导入到训练好的特征值训练模型,提取鱼肉产地的特征值;特征值作为BP神经网络的输入,BP神经网络对特征值进行分类,预测出鱼肉样本的产地;本发明还公开了一种电子设备、计算机可读存储介质及鱼类产地溯源装置;本发明使用DBN算法对鱼类的光谱数据进行学习,消除不相关和无效的光谱信息,将学习后的特征值作为BP神经网络的输入来匹配鱼类识别模型,具有较高的去噪能力,同时能够避免BP神经网络的初值随机选定和参数选取不合适导致的局部最优等问题;整体上,本发明所提供的鱼类产地溯源方法能进一步提高鱼类产地识别的准确性。
Description
技术领域
本发明涉及一种物种产地溯源技术领域,尤其涉及鱼类产地溯源方法、电子设备、存储介质及装置。
背景技术
黄鳍金枪鱼属于鲭科金枪鱼属,是海洋暖水性鱼类,为金枪鱼的主要品种之一,黄鳍金枪鱼肉质鲜美,营养价值高,其蛋白质中包含人类所必需的氨基酸,其脂肪中含有DHA和EPA等不饱和脂肪酸,能够降低人类胆固醇、防止脑血管硬化;因此是一种高经济价值鱼类。
黄鳍金枪鱼作为大洋性洄游鱼类,广泛分布于太平洋、印度洋和大西洋的中、低纬度海洋区域。据FAO统计,2010年,黄鳍金枪鱼占金枪鱼八大品种的27.1%,其中太平洋海域占金枪鱼品种总捕捞量的70.5%,印度洋占捕捞量的19.5%,大西洋产量小于10.0%。金枪鱼等名贵鱼类在中国消费者中越来越受欢迎的同时,人们对鱼肉的产地也非常感兴趣,因为不同产地的鱼肉往往意味着价格和质量的不同。在食品安全越来越受重视的今天,溯源技术是目前解决食品安全的有力手段,建立完善的溯源系统,有利于消费者和监管者对购得食品进行全面的了解,如发生食品安全事故,可快速追溯到相关食品生产产地,责任人等重要信息。其中产地的确认是溯源技术的关键点之一,但在溯源过程中,如果在生产捕捞环节没有做信息记录的话,对后续的信息追踪将产生巨大的负面影响。以金枪鱼等高附加价值海鱼为例,如何对其进行产地溯源还存在不少难题,由于中国市场存在大批量不同产地金枪鱼,超市和售卖市场对其产地标注不准确,或存在故意标错产地来低价高卖将严重侵害消费者的利益,然而却没有太好的检测手段进行鉴别。因此目前必须采用其他的技术方法来进行产地的识别。
光谱检测技术作为一种无损、高效检测技术,其通过检测不同生长环境的肉类的蛋白质,脂肪等物质的细微差异所引起的官能团倍频、合频的吸收光谱不同,可对肉类进行产地识别。在猪肉、牛肉、马肉等相关肉类的掺假过程中,光谱技术均可取得不错的识别效果。传统的光谱识别方法主要有PLSR、SVM、BP神经网络等方法,也能取得不错的效果,但是PLSR、SVM方法一般经过光谱预处理后得到的效果较好,而BP神经网络效果的好坏跟初始值选取、参数设定有较大关系,容易陷入局部最优造成预测准确率下降。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供鱼类产地溯源方法,采用DBN和BP神经网络的结合,提高鱼类产地识别的准确性。
本发明的目的之二在于提供一种电子设备,采用DBN和BP神经网络的结合,提高鱼类产地识别的准确性。
本发明的目的之三在于提供一种计算机可读存储介质,采用DBN和BP神经网络的结合,提高鱼类产地识别的准确性。
本发明的目的之四在于提供鱼类产地溯源装置,采用DBN和BP神经网络的结合,提高鱼类产地识别的准确性。
本发明的目的之一采用如下技术方案实现:
鱼类产地溯源方法,包括以下步骤:
采集样本数据,通过红外光谱仪采集鱼肉样本的光谱数据;
特征值提取,将所述光谱数据导入到训练好的特征值训练模型,提取所述鱼肉产地的特征值;
产地溯源,所述特征值作为BP神经网络的输入,所述BP神经网络对所述特征值进行分类,预测出所述鱼肉样本的产地。
进一步地,所述特征值训练模型具体步骤如下:使用三层RBM构建DBN基本训练模型,随机选取若干样本的光谱数据作为学习集,导入所述DBN基本训练模型中进行网络模型训练,训练出网络模型的权值,建立鱼肉的特征值训练模型。
进一步地,所述三层RBM为第一RBM、第二RBM、第三RBM,所述光谱数据作为所述第一RBM的输入,所述第一RBM的输出作为所述第二RBM的输入,所述第二RBM的输出作为所述第三RBM的输入,所述第三RBM输出特征值。
进一步地,所述BP神经网络包括三层神经网络,三层所述神经网络的神经元格式分别为100、10、1,三层所述神经网络的训练算法依次为logsig、logsig、purelin,三层所述神经网络的设置训练参数均为10000,三层所述神经网络的目标误差均为10-3。
进一步地,所述步骤采集样本数据具体包括以下步骤:
样本准备,取出待识别产地的鱼肉片;
仪器预热与校准,打开卤素灯和光谱仪预热半小时,待稳定后采用标准白板和环境光进行光谱仪校准;
数据采集,将所述鱼肉片依次放置在积分球上进行光谱采集,采集三次求平均值作为所述鱼肉片的光谱,得到光谱数据,所述光谱采集时的工作温度为25℃,工作湿度为40±5%RH。
进一步地,还包括步骤如下:
主成分分析,使用PCA算法对所述光谱数据进行降维处理,获得方差贡献率合计超过90%的主成分。
本发明的目的之二采用如下技术方案实现:
一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行上述的鱼类产地溯源方法。
本发明的目的之三采用如下技术方案实现:
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行上述的鱼类产地溯源方法。
本发明的目的之四采用如下技术方案实现:
鱼类产地溯源装置,包括卤素灯、光谱仪、标准白板、DBN模块、BP模块,所述光谱仪包括积分球;所述光谱仪用于采集鱼肉片的光谱数据,所述DBN模块对所述光谱数据进行提取,将提取后的特征值作为BP模块的输入,所述BP模块用于对所述特征值进行分类,得到所述鱼肉片的产地。
进一步地,所述积分球具体为38mm积分球,所述38mm积分球包括由聚四氟乙烯制成的内壁涂层。
相比现有技术,本发明的有益效果在于:
本发明提供了鱼类产地溯源方法,还公开了一种电子设备、一种计算机可读存储介质及鱼类产地溯源装置,用DBN算法对鱼类的光谱数据进行学习,消除不相关和无效的光谱信息,将学习后的特征值作为BP神经网络的输入来匹配鱼类识别模型,具有较高的去噪能力,同时能够避免BP神经网络的初值随机选定和参数选取不合适导致的局部最优等问题;整体上,本发明所提供的鱼类产地溯源方法在交叉验证准确率、外部预测准确率、校正集均方根误差、预测集均方根误差上较现有技术来说都是最好的,从而提高鱼类产地识别的准确性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的鱼类产地溯源方法的流程示意图;
图2为本发明涉及的西太平洋金枪鱼的曲线示意图;
图3为本发明涉及的大西洋金枪鱼的曲线示意图;
图4为本发明涉及的印度洋金枪鱼的曲线示意图;
图5为本发明涉及的主成分进行加权载荷后的曲线示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
鱼类产地溯源方法,如图1所示,包括以下步骤:
采集样本数据,通过红外光谱仪采集鱼肉样本的光谱数据;
特征值提取,将光谱数据导入到训练好的特征值训练模型,提取鱼肉产地的特征值;
产地溯源,特征值作为BP神经网络的输入,BP神经网络对特征值进行分类,预测出鱼肉样本的产地。
如图2-图4所示,本实施例中的鱼类为金枪鱼,其中金枪鱼鱼肉片的三种产地分别为印度洋、西太平洋和大西洋,即BP神经网络中对于印度洋金枪鱼、西太平洋金枪鱼、大西洋金枪鱼的特征值范围有所不同;当待识别产地的鱼肉样本进行光谱数据采集后,提取该光谱数据的特征值,将该特征值与BP神经网络中的特征值范围进行比对,即可预测出金枪鱼鱼肉片的产地,比如假设该特征值中印度洋金枪鱼的特征值范围为0-16,西太平洋金枪鱼的特征值范围为16-32,大西洋金枪鱼的特征值范围为32-48,若待识别产地的鱼肉样本的特征值为24,落入西太平洋金枪鱼的特征值范围,则认为待识别产地的鱼肉样本的产地为西太平洋
对于上述的特征值训练模型来说,取出三种产地的金枪鱼鱼肉片若干,然后执行步骤光谱数据仪器预热与校准、步骤数据采集、步骤特征值提取之后执行如下步骤:使用三层RBM构建DBN基本训练模型,随机选取若干金枪鱼鱼肉样本的光谱数据作为学习集,导入DBN基本训练模型中进行网络模型训练,训练出网络模型的权值,建立鱼肉的特征值训练模型。
在本实施例中,深度信念网络DBN包括三个受限波尔兹曼机RBM(RestrictedBoltzmann Machine),从下往上依次为第一RBM、第二RBM、第三RBM,RBM可以提取更抽象的特征,明显提高神经网络泛化能力;每个RBM都是只包含一个隐层的两层模型,每一个RBM的训练输出作为下一个RBM的输入;三个主成分作为第一RBM的输入,第一RBM的输出作为第二RBM的输入,第二RBM的输出作为第三RBM的输入,第三RBM输出特征值,即使用DBN算法对待识别产地的金枪鱼鱼肉片的光谱数据进行学习,消除不相关和无效的光谱信息。
BP(Back Propagation)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小,对于本实施例来说,BP神经网络将输入的特征值与三种金枪鱼的特征值范围进行一一匹配对比,得到匹配度最高的金枪鱼识别模型,获取匹配度最高的金枪鱼识别模型所对应的产地,即识别出该金枪鱼鱼肉片的产地。
其中,还包括步骤如下:
主成分分析,使用PCA算法对光谱数据进行降维处理,获得方差贡献率合计超过90%的主成分。
其中印度洋金枪鱼、印度洋金枪鱼和印度洋金枪鱼在波长为520nm、560nm、608nm时均有弱小吸收峰;在对待识别产地的金枪鱼鱼肉片的光谱数据做主成分分析PCA(principal component analysis),得知第一主成分贡献88%的方差、第二主成分贡献8%的方差、第三主成分贡献2%的方差,前三个主成分加起来占98%的贡献率,如图5所示,在前三个主成分的加权载荷图中,在496nm、538nm、570nm和630nm四个波段时有较大影响;使用PCA算法对光谱数据降维,能减少后续不必要的计算。
在本实施例中,BP神经网络包括三层神经网络,其中三层神经网络的神经元格式分别为100、10、1;三层神经网络的训练算法依次为logsig、logsig、purelin;三层神经网络的设置训练参数均为10000;三层神经网络的目标误差均为10-3。
其中,步骤采集样本数据具体包括以下步骤:
样本准备,取出待识别产地的鱼肉片;
仪器预热与校准,打开卤素灯和光谱仪预热半小时,待稳定后采用标准白板和环境光进行光谱仪校准;
数据采集,将鱼肉片依次放置在积分球上进行光谱采集,采集三次求平均值作为鱼肉片的光谱,得到光谱数据,其中,光谱采集时的工作温度为25℃,工作湿度为40±5%RH,以保证采集光谱的准确性。
对于本发明所提供的鱼类产地溯源方法,建立的模型简称为DBN-BP,与现有技术的支持向量机SVM(support vector machine)、偏最小二乘回归PLSR(partial leastsquares regression)、BP(Back Propagation)神经网络来说,如表一所示,在交叉验证准确率、外部预测准确率、校正集均方根误差RMSEC(calibration sets root mean squareerror)、预测集均方根误差RMSEP(Prediction sets root mean square error)上均为最好,从而提高鱼类产地识别的准确性
表一:SVM、PLSR、BP神经网络和DBN-BP模型的性能
建模方法 | SVM | PLSR | BP | DBN-BP |
校正集准确率/% | 100 | 100 | 100 | 100 |
交叉验证准确率/% | 76 | 95 | 96 | 98 |
外部预测准确率/% | 73 | 95 | 95 | 97.5 |
RMSEC | 0.28 | 0.16 | 0.04 | 0.01 |
RMSEP | 0.4 | 0.21 | 0.22 | 0.19 |
一种电子设备,包括:处理器;存储器;以及程序,其中程序被存储在存储器中,并且被配置成由处理器执行,程序包括用于执行上述的鱼类产地溯源方法;一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行上述的鱼类产地溯源方法。
鱼类产地溯源装置,包括卤素灯、光谱仪、标准白板、PCA模块、DBN模块、BP模块,光谱仪包括积分球;光谱仪用于采集鱼肉样本的光谱数据,DBN模块对光谱数据进行学习,将学习后的特征值作为BP模块的输入,BP模块用于对特征值进行分类,得到鱼肉样本的产地。
其中,积分球具体为38mm积分球,38mm积分球包括由聚四氟乙烯制成的内壁涂层,使其具备95%以上的高反射率在400-800nm波段时为99%,其光谱范围可覆盖250-2500nm。
本发明提供了鱼类产地溯源方法,还公开了一种电子设备、一种计算机可读存储介质及鱼类产地溯源装置,用DBN算法对鱼类的光谱数据进行学习,消除不相关和无效的光谱信息,将学习后的特征值作为BP神经网络的输入来匹配鱼类识别模型,具有较高的去噪能力,同时能够避免BP神经网络的初值随机选定和参数选取不合适导致的局部最优等问题;整体上,本发明所提供的鱼类产地溯源方法在交叉验证准确率、外部预测准确率、校正集均方根误差、预测集均方根误差上较现有技术来说都是最好的,从而提高鱼类产地识别的准确性。
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.鱼类产地溯源方法,其特征在于包括以下步骤:
采集样本数据,通过红外光谱仪采集鱼肉样本的光谱数据;
特征值提取,将所述光谱数据导入到训练好的特征值训练模型,提取所述鱼肉产地的特征值;
产地溯源,所述特征值作为BP神经网络的输入,所述BP神经网络对所述特征值进行分类,预测出所述鱼肉样本的产地。
2.如权利要求1所述的鱼类产地溯源方法,其特征在于所述特征值训练模型具体步骤如下:使用三层RBM构建DBN基本训练模型,随机选取若干样本的光谱数据作为学习集,导入所述DBN基本训练模型中进行网络模型训练,训练出网络模型的权值,建立鱼肉的特征值训练模型。
3.如权利要求2所述的鱼类产地溯源方法,其特征在于:所述三层RBM为第一RBM、第二RBM、第三RBM,所述光谱数据作为所述第一RBM的输入,所述第一RBM的输出作为所述第二RBM的输入,所述第二RBM的输出作为所述第三RBM的输入,所述第三RBM输出特征值。
4.如权利要求3所述的鱼类产地溯源方法,其特征在于:所述BP神经网络包括三层神经网络,三层所述神经网络的神经元格式分别为100、10、1,三层所述神经网络的训练算法依次为logsig、logsig、purelin,三层所述神经网络的设置训练参数均为10000,三层所述神经网络的目标误差均为10-3。
5.如权利要求1所述的鱼类产地溯源方法,其特征在于所述步骤采集样本数据具体包括以下步骤:
样本准备,取出待识别产地的鱼肉片;
仪器预热与校准,打开卤素灯和光谱仪预热半小时,待稳定后采用标准白板和环境光进行光谱仪校准;
数据采集,将所述鱼肉片依次放置在积分球上进行光谱采集,采集三次求平均值作为所述鱼肉片的光谱,得到光谱数据,所述光谱采集时的工作温度为25℃,工作湿度为40±5%RH。
6.如权利要求1所述的鱼类产地溯源方法,其特征在于还包括步骤如下:
主成分分析,使用PCA算法对所述光谱数据进行降维处理,获得方差贡献率合计超过90%的主成分。
7.一种电子设备,其特征在于包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行权利要求1-4任意一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行如权利要求1-4任意一项所述的方法。
9.鱼类产地溯源装置,其特征在于:包括卤素灯、光谱仪、标准白板、DBN模块、BP模块,所述光谱仪包括积分球;
所述光谱仪用于采集鱼肉样本的光谱数据,所述DBN模块对所述光谱数据进行提取,将提取后的特征值作为BP模块的输入,所述BP模块用于对所述特征值进行分类,得到所述鱼肉样本的产地。
10.如权利要求9所述的鱼类产地溯源装置,其特征在于:所述积分球具体为38mm积分球,所述38mm积分球包括由聚四氟乙烯制成的内壁涂层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810067761.7A CN108489927A (zh) | 2018-01-24 | 2018-01-24 | 鱼类产地溯源方法、电子设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810067761.7A CN108489927A (zh) | 2018-01-24 | 2018-01-24 | 鱼类产地溯源方法、电子设备、存储介质及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108489927A true CN108489927A (zh) | 2018-09-04 |
Family
ID=63343709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810067761.7A Pending CN108489927A (zh) | 2018-01-24 | 2018-01-24 | 鱼类产地溯源方法、电子设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108489927A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214834A (zh) * | 2018-09-10 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 基于区块链的产品溯源方法和装置 |
CN109239527A (zh) * | 2018-09-07 | 2019-01-18 | 福州大学 | 基于深度置信网络的配电网故障识别方法 |
CN109669403A (zh) * | 2018-10-18 | 2019-04-23 | 仲恺农业工程学院 | 一种基于dbn-softmax的涉危农业投入品智能监测系统 |
CN113361610A (zh) * | 2021-06-10 | 2021-09-07 | 北方民族大学 | 葡萄酒产地智能识别方法及系统 |
CN117890311A (zh) * | 2024-02-05 | 2024-04-16 | 烟台大学 | 一种基于光谱学鉴定小眼绿鳍鱼的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003270139A (ja) * | 2002-03-20 | 2003-09-25 | Kanetomo Co Ltd | まぐろの脂肪量非破壊測定方法及びその装置の検出ヘッド |
CN102749361A (zh) * | 2012-07-02 | 2012-10-24 | 宁波大学 | 金枪鱼食品中鱼肉品种的快速鉴别方法 |
CN105190261A (zh) * | 2013-03-21 | 2015-12-23 | Viavi科技有限公司 | 海产品的光谱法表征 |
-
2018
- 2018-01-24 CN CN201810067761.7A patent/CN108489927A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003270139A (ja) * | 2002-03-20 | 2003-09-25 | Kanetomo Co Ltd | まぐろの脂肪量非破壊測定方法及びその装置の検出ヘッド |
CN102749361A (zh) * | 2012-07-02 | 2012-10-24 | 宁波大学 | 金枪鱼食品中鱼肉品种的快速鉴别方法 |
CN105190261A (zh) * | 2013-03-21 | 2015-12-23 | Viavi科技有限公司 | 海产品的光谱法表征 |
Non-Patent Citations (3)
Title |
---|
G. XICCATO,ET.AL: "Prediction of chemical composition and origin identification of European sea bass (Dicentrarchus labrax L.) by near infrared reflectance spectroscopy (NIRS)", 《FOOD CHEMISTRY》 * |
张宁: "羊肉产地近红外光谱溯源模型的建立与机理初探", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
陆永帅等: "深度置信网络模型的机载多光谱数据罂粟识别", 《遥感信息》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109239527A (zh) * | 2018-09-07 | 2019-01-18 | 福州大学 | 基于深度置信网络的配电网故障识别方法 |
CN109214834A (zh) * | 2018-09-10 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 基于区块链的产品溯源方法和装置 |
CN109669403A (zh) * | 2018-10-18 | 2019-04-23 | 仲恺农业工程学院 | 一种基于dbn-softmax的涉危农业投入品智能监测系统 |
CN113361610A (zh) * | 2021-06-10 | 2021-09-07 | 北方民族大学 | 葡萄酒产地智能识别方法及系统 |
CN117890311A (zh) * | 2024-02-05 | 2024-04-16 | 烟台大学 | 一种基于光谱学鉴定小眼绿鳍鱼的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jahanbakhshi et al. | Classification of sour lemons based on apparent defects using stochastic pooling mechanism in deep convolutional neural networks | |
CN108489927A (zh) | 鱼类产地溯源方法、电子设备、存储介质及装置 | |
CN107578060B (zh) | 一种基于可判别区域的深度神经网络用于菜品图像分类的方法 | |
Cinar et al. | Identification of rice varieties using machine learning algorithms | |
Gururaj et al. | Deep grading of mangoes using convolutional neural network and computer vision | |
Saranya et al. | Deep learning techniques in tomato plant–a review | |
Valenzuela et al. | Quality assessment of lettuce using artificial neural network | |
Dai et al. | A deep learning-based object detection scheme by improving YOLOv5 for sprouted potatoes datasets | |
Rodriguez et al. | Classification of fruit ripeness grades using a convolutional neural network and data augmentation | |
Arunachalaeshwaran et al. | Freshness classification of hog plum fruit using deep learning | |
Sulistyowati et al. | Vgg16 deep learning architecture using imbalance data methods for the detection of apple leaf diseases | |
Antony et al. | A comparative study on predicting food quality using machine learning techniques | |
Younis et al. | Robust optimization of mobilenet for plant disease classification with fine tuned parameters | |
Zhou et al. | Green plums surface defect detection based on deep learning methods | |
Dubey | Automatic recognition of fruits and vegetables and detection of fruit diseases | |
Al-Shalout et al. | Detecting date palm diseases using convolutional neural networks | |
Chu et al. | A Vis/NIR spectra-based approach for identifying bananas infected with Colletotrichum musae | |
Jia et al. | Apple surface pesticide residue detection method based on hyperspectral imaging | |
Shakil et al. | Addressing agricultural challenges: An identification of best feature selection technique for dragon fruit disease recognition | |
Yu et al. | Identification of Nanguo pear maturity based on information fusion | |
Lakshmi et al. | Rice Classification and Quality Analysis using Deep Neural Network | |
Li et al. | Fine-grained classification of grape leaves via a pyramid residual convolution neural network | |
Tao et al. | Broiler sound signal filtering method based on improved wavelet denoising and effective pulse extraction | |
Kılıçarslan et al. | Identification of apple varieties using hybrid transfer learning and multi-level feature extraction | |
Samant et al. | Potato Leaf Disease Detection Using Deep Learning |
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 |
Application publication date: 20180904 |
|
RJ01 | Rejection of invention patent application after publication |