CN108627621A - 一种智能食品质量快速检测系统 - Google Patents
一种智能食品质量快速检测系统 Download PDFInfo
- Publication number
- CN108627621A CN108627621A CN201810380512.3A CN201810380512A CN108627621A CN 108627621 A CN108627621 A CN 108627621A CN 201810380512 A CN201810380512 A CN 201810380512A CN 108627621 A CN108627621 A CN 108627621A
- Authority
- CN
- China
- Prior art keywords
- food
- category signal
- component
- food category
- detection module
- 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
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
Landscapes
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Preparation And Processing Of Foods (AREA)
Abstract
本发明属于食品安全技术领域,公开了一种智能食品质量快速检测系统,设置有食品安全系统控制端,食品安全系统控制端通过数据线与智能食品分类仪相连接,智能食品分类仪与水产品检测模块、肉食检测模块、果蔬检测模块以及其他食品监测模块相连接,水产品检测模块、肉食检测模块、果蔬检测模块以及其他食品监测模块与酶联免疫检测模块相连接,酶联免疫检测模块通过数据线与农残化合物检测模块、农残化合物检测模块、微生物模块、荧光定量PCR模块以及食品归属模块相连接。本发明将食品分类,从而使食品质量检测更加的快速,酶联免疫检测模块,让抗体与酶复合物结合,通过显色来检测食品是否是转基因食品,保证食品的健康安全,使消费者更加放心。
Description
技术领域
本发明属于食品检测技术领域,尤其涉及一种智能食品质量快速检测系统。
背景技术
目前,食品品质属性的分类有食品安全属性、营养属性、价值属性、包装属性。食品安全指食品中可能对人体造成损害的属性,是食品质量的一个重要组成部分。食品安全涉及食品安全检测技术与相关设备、食品安全评价与溯源技术、食品安全标准技术、食品生产与流通过程中的控制技术等方面,食品安全不仅仅是个技术问题,已经上升为经济与管理的范畴。
近年来,食品安全问题所引发的灾难性事件层出不穷,已经成为了关系到国计民生的社会问题,对国家的经济发展、社会稳定造成了极大的影响。加强食品安全检测工作、完善食品安全检测行业供应链、提高技术保障手段已经迫在眉睫
综上所述,现有技术存在的问题是:食品检测速度太慢,对于一些转基因等食品无法检测,功能不够齐全。
发明内容
针对现有技术存在的问题,本发明提供了一种能食品质量快速检测系统。
本发明是这样实现的,一种能食品质量快速检测系统设置有:
所述智能食品分类仪对食品分类信号的处理方法包括:
S1对接收到的食品分类信号的观测向量x做分数低阶快速独立成分分析,将接收到的食品分类信号分离为发送食品分类信号和Alpha稳定分布噪声;所述接收食品分类信号的观测向量x的分数低阶快速独立成分分析按以下进行:
1)将观测向量x减去均值进行中心化,利用主要分量分析对中心化后的观测向量进行分数低阶预白化处理,得到白化矩阵v,其中,独立成分分析(PCA) 中用到的分数低阶相关矩阵定义为
其中,xi(n)和xj(n)分别为第i路和第j路观测食品分类信号,且1≤i,j≤2, *代表取共轭,对分数低阶相关矩阵进行特征值分解可以得到特征值矩阵D与特征向量矩阵V,由特征值矩阵和特征向量矩阵可得预白化矩阵M=D-1/2VT,利用预白化矩阵将观测数据x向食品分类信号子空间投影,得到白化矩阵 v=Mx;
2)对权向量w0进行随机初始化,同时初始化序列号k使k=1;
3)进行权值向量迭代
其中,和为一阶统计量,g(·)是对比函数,η=E[wTxg(wTx)],且在权值的迭代过程中参数λ是可变的,且λ<1;
4)利用范数归一化权值向量wk,wk=wk/||wk||;
5)若充分接近于1,算法得到收敛,wk就是最终的解混矩阵,执行 6),否则重复步骤3)与步骤4);
6)Y=wkx,其中x为观测食品分类信号,Y为分离后的二维食品分类信号;
S2对分离出的发送食品分类信号s(n)做基于插值的总体平均局部均值分解(LMD),将发送食品分类信号分解成多个分量;所述分离出的发送食品分类信号s(n)的基于插值的总体平均LMD按以下进行:
1)给发送食品分类信号s(n)加上一组白噪声v(n),得到一个总体S(n):
S(n)=s(n)+v(n)
2)确定总体S(n)所有的局部极值点ni,计算相邻两个极值点ni和ni+1的平均值mi,即
利用三次样条插值确定局部均值函数m11(n);
3)采用局部极值点ni计算包络估计值ai
利用三次样条插值确定包络估计函数a11(n);
4)从总体S(n)中分离分离出局部均值函数m11(n),得到
h11(n)=S(n)-m11(n)
5)用h11(n)除以包络估计函数a11(n),以对h11(n)进行解调,得到
其中,
h11(n)=S(n)-m11(n)
h12(n)=s11(n)-m12(n)
h1n(n)=s1(n-1)(n)-m1n(n)
式中:
迭代终止的条件为:
1-Δ≤a1n(n)≤1+Δ
其中,Δ为大于0的任意实数;
6)把迭代过程中产生的所有包络估计函数相乘便可以得到包络食品分类信号,其包括,
7)将包络食品分类信号a1(n)和纯调频食品分类信号s1n(n)相乘便可以得到原始食品分类信号的第1个分量
PF1(n)=a1(n)s1n(n)
它包含了原始食品分类信号中最高的频率成分,是一个单分量的调幅-调频食品分类信号,其瞬时幅值就是包络食品分类信号a1(n),其瞬时频率f1(n)则可由纯调频食品分类信号s1n(n)求出,即:
8)将第1个PF分量PF1从发送食品分类信号s(n)中分离出来,得到一个新的食品分类信号u1(n),将u1(n)作为原始数据重复步骤1)至步骤7),并循环k次,直到uk(n)为一个单调函数;
u1(n)=s(n)-PF1(n)
u2(n)=u1(n)-PF2(n)
uk(n)=uk-1(n)-PFk(n)
至此,将食品分类信号s(n)分解为k个PF分量和一个单调函数uk(n)之和,即
9)给发送食品分类信号s(n)加入不同的白噪声ni(n),重复步骤1)-8):
Si(n)=s(n)+ni(n)
分解后得到的各个总体的PF分量组为PFip
10)取各个组PF的均值作为最终的PF组:
其中,N表示表示添加噪声的次数,最后发送食品分类信号的LMD分解可表示为:
S3提取第一个分类特征:分量的分段瞬时频率标准差σf和设定相应的门限δ1;所述分量的分段瞬时频率标准差σf和设定相应的门限δ1按以下进行:
分量的分段频率标准差σf定义为:对于食品分类信号的分量中的纯调频食品分类信号s1n(n),计算其瞬时频率f1(n),将得到的瞬时频率序列分成M 段,每段n个点,然后计算每段的瞬时频率的均值,最后求M段频率的标准差,即
其中,为第i段瞬时频率的均值,f1i(j)为分量的第i段数据的第j个点的瞬时频率值;为分量的瞬时频率的均值;
门限设定如下:
其中min(σf-MSK)表示MSK食品分类信号的特征值σf的最小值, max(σf-2ASK,σf-QPSK,σf-16QAM)为2ASK、QPSK和16QAM食品分类信号的特征值σf的最大值;
S4提取第二个分类特征:分量的分段瞬时幅值标准差σa和设定相应的门限δ2和δ3;所述分量的分段瞬时幅值标准差σa和设定相应的门限δ2和δ3按以下进行:
的分段瞬时幅值标准差σa定义为:对于食品分类信号的PF1分量,将其 a1(n)分成M段,每段n个点,然后计算每段的瞬时幅值的均值,最后求M段幅值的标准差,即
其中,为第i段瞬时幅值的均值,a1i(j)为分量的第i段数据的第j个点的瞬时幅值;为PF1分量的瞬时幅值的均值;
门限设定如下:
其中min(σa-ASK)表示2ASK食品分类信号的特征值σa的最小值, max(σa-16QAM)和min(σa-QPSK)分别为16QAM食品分类信号的特征值σa的最大值和最小值,max(σa-QPSK)为QPSK食品分类信号的特征值σa的最大值;
S5利用门限δ1将食品分类信号集{MSK、2ASK、QPSK、16QAM}分为 {MSK}和{2ASK、QPSK、16QAM}两类,利用门限δ2和δ3将食品分类信号集 {2ASK、QPSK、16QAM}中的食品分类信号识别出来。
进一步所述智能食品分类仪,将食品分类,从而使食品质量检测更加的快速。
进一步所述酶联免疫检测模块,是让抗体与酶复合物结合,然后通过显色来检测食品是否是转基因食品,从而保证食品的健康安全。
进一步所述荧光定量PCR模块,能实现多重反应、自动化程度高、无污染、实时和准确等食品检查特点,双重的保证了食品的安全。
本发明的优点及积极效果为:本发明采用智能食品分类仪,将食品分类,从而使食品质量检测更加的快速,而且酶联免疫检测模块,是让抗体与酶复合物结合,然后通过显色来检测食品是否是转基因食品,从而保证食品的健康安全,另外还有荧光定量PCR模块,荧光定量PCR不仅实现真正实现了对食品检测的绝对定量,能实现多重反应、自动化程度高、无污染、实时和准确等食品检查特点,双重的保证了食品的安全,使消费者更加放心。
附图说明
图1是本发明例提供的智能食品质量快速检测系统的结构示意图。
图中:1、食品安全系统控制端;2、智能食品分类仪;3、水产品检测模块; 4、肉食检测模块;5、水果检测模块;6、其他食品检测模块;7、酶联免疫检测模块;8、农残化合物检测模块;9、微生物模块;10、荧光定量PCR模块; 11、食品归属模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明实施例提供的智能食品质量快速检测系统具体包括:食品安全系统控制端1、智能食品分类仪2、水产品检测模块3、肉食检测模块 4、水果检测模块5、其他食品检测模块6、酶联免疫检测模块7、农残化合物检测模块8、微生物模块9、荧光定量PCR模块10、食品归属模块11。
所述食品安全系统控制端1通过数据线与智能食品分类仪2相连接,智能食品分类仪2通过导线与水产品检测模块3、肉食检测模块4、果蔬检测模块5 以及其他食品监测模块6相连接,水产品检测模块3、肉食检测模块4、果蔬检测模块5以及其他食品监测模块6通过导线与酶联免疫检测模块7相连接,酶联免疫检测模块7通过数据线与农残化合物检测模块8、农残化合物检测模块8、微生物模块9、荧光定量PCR模块10以及食品归属模块11相连接。
所述智能食品分类仪对食品分类信号的处理方法包括:
S1对接收到的食品分类信号的观测向量x做分数低阶快速独立成分分析,将接收到的食品分类信号分离为发送食品分类信号和Alpha稳定分布噪声;所述接收食品分类信号的观测向量x的分数低阶快速独立成分分析按以下进行:
1)将观测向量x减去均值进行中心化,利用主要分量分析对中心化后的观测向量进行分数低阶预白化处理,得到白化矩阵v,其中,独立成分分析(PCA) 中用到的分数低阶相关矩阵定义为
其中,xi(n)和xj(n)分别为第i路和第j路观测食品分类信号,且1≤i,j≤2, *代表取共轭,对分数低阶相关矩阵进行特征值分解可以得到特征值矩阵D与特征向量矩阵V,由特征值矩阵和特征向量矩阵可得预白化矩阵M=D-1/2VT,利用预白化矩阵将观测数据x向食品分类信号子空间投影,得到白化矩阵 v=Mx;
2)对权向量w0进行随机初始化,同时初始化序列号k使k=1;
3)进行权值向量迭代
其中,和为一阶统计量,g(·)是对比函数,η=E[wTxg(wTx)],且在权值的迭代过程中参数λ是可变的,且λ<1;
4)利用范数归一化权值向量wk,wk=wk/||wk||;
5)若充分接近于1,算法得到收敛,wk就是最终的解混矩阵,执行6),否则重复步骤3)与步骤4);
6)Y=wkx,其中x为观测食品分类信号,Y为分离后的二维食品分类信号;
S2对分离出的发送食品分类信号s(n)做基于插值的总体平均局部均值分解(LMD),将发送食品分类信号分解成多个分量;所述分离出的发送食品分类信号s(n)的基于插值的总体平均LMD按以下进行:
1)给发送食品分类信号s(n)加上一组白噪声v(n),得到一个总体S(n):
S(n)=s(n)+v(n)
2)确定总体S(n)所有的局部极值点ni,计算相邻两个极值点ni和ni+1的平均值mi,即
利用三次样条插值确定局部均值函数m11(n);
3)采用局部极值点ni计算包络估计值ai
利用三次样条插值确定包络估计函数a11(n);
4)从总体S(n)中分离分离出局部均值函数m11(n),得到
h11(n)=S(n)-m11(n)
5)用h11(n)除以包络估计函数a11(n),以对h11(n)进行解调,得到
其中,
h11(n)=S(n)-m11(n)
h12(n)=s11(n)-m12(n)
h1n(n)=s1(n-1)(n)-m1n(n)
式中:
迭代终止的条件为:
1-Δ≤a1n(n)≤1+Δ
其中,Δ为大于0的任意实数;
6)把迭代过程中产生的所有包络估计函数相乘便可以得到包络食品分类信号,其包括,
7)将包络食品分类信号a1(n)和纯调频食品分类信号s1n(n)相乘便可以得到原始食品分类信号的第1个分量
PF1(n)=a1(n)s1n(n)
它包含了原始食品分类信号中最高的频率成分,是一个单分量的调幅-调频食品分类信号,其瞬时幅值就是包络食品分类信号a1(n),其瞬时频率f1(n)则可由纯调频食品分类信号s1n(n)求出,即:
8)将第1个PF分量PF1从发送食品分类信号s(n)中分离出来,得到一个新的食品分类信号u1(n),将u1(n)作为原始数据重复步骤1)至步骤7),并循环k次,直到uk(n)为一个单调函数;
u1(n)=s(n)-PF1(n)
u2(n)=u1(n)-PF2(n)
uk(n)=uk-1(n)-PFk(n)
至此,将食品分类信号s(n)分解为k个PF分量和一个单调函数uk(n)之和,即
9)给发送食品分类信号s(n)加入不同的白噪声ni(n),重复步骤1)-8):
Si(n)=s(n)+ni(n)
分解后得到的各个总体的PF分量组为PFip
10)取各个组PF的均值作为最终的PF组:
其中,N表示表示添加噪声的次数,最后发送食品分类信号的LMD分解可表示为:
S3提取第一个分类特征:分量的分段瞬时频率标准差σf和设定相应的门限δ1;所述分量的分段瞬时频率标准差σf和设定相应的门限δ1按以下进行:
分量的分段频率标准差σf定义为:对于食品分类信号的分量中的纯调频食品分类信号s1n(n),计算其瞬时频率f1(n),将得到的瞬时频率序列分成M 段,每段n个点,然后计算每段的瞬时频率的均值,最后求M段频率的标准差,即
其中,为第i段瞬时频率的均值,f1i(j)为分量的第i段数据的第j个点的瞬时频率值;为分量的瞬时频率的均值;
门限设定如下:
其中min(σf-MSK)表示MSK食品分类信号的特征值σf的最小值, max(σf-2ASK,σf-QPSK,σf-16QAM)为2ASK、QPSK和16QAM食品分类信号的特征值σf的最大值;
S4提取第二个分类特征:分量的分段瞬时幅值标准差σa和设定相应的门限δ2和δ3;所述分量的分段瞬时幅值标准差σa和设定相应的门限δ2和δ3按以下进行:
的分段瞬时幅值标准差σa定义为:对于食品分类信号的PF1分量,将其 a1(n)分成M段,每段n个点,然后计算每段的瞬时幅值的均值,最后求M段幅值的标准差,即
其中,为第i段瞬时幅值的均值,a1i(j)为分量的第i段数据的第j个点的瞬时幅值;为PF1分量的瞬时幅值的均值;
门限设定如下:
其中min(σa-ASK)表示2ASK食品分类信号的特征值σa的最小值,max(σa-16QAM)和min(σa-QPSK)分别为16QAM食品分类信号的特征值σa的最大值和最小值,max(σa-QPSK)为QPSK食品分类信号的特征值σa的最大值;
S5利用门限δ1将食品分类信号集{MSK、2ASK、QPSK、16QAM}分为 {MSK}和{2ASK、QPSK、16QAM}两类,利用门限δ2和δ3将食品分类信号集 {2ASK、QPSK、16QAM}中的食品分类信号识别出来。
本发明的工作原理:食品安全系统控制端1为本食品质量快速检测系统的核心,将所需要检测的食品放入智能食品分类仪2后,智能食品分类仪2可以快速的将食品分至水产品检测模块3、肉食检测模块4、果蔬检测模块5以及其他食品监测模块6;然后逐一将各类食品进行快速检测,首先是酶联免疫检测模块7,是让抗体与酶复合物结合,然后通过显色来检测食品是否是转基因食品,从而保证食品的健康安全;农残化合物检测模块8可以检测水果蔬菜上残留的农药以及化和物质;微生物模块9可以检测食品是否过期或者变质;荧光定量 PCR模块10,能实现多重反应、自动化程度高、无污染、实时和准确等食品检查特点,双重的保证了食品的安全;最后检测出的物质分为合格品以及不合格品,分别从食品归属模块11导出。
本发明采用智能食品分类仪,将食品分类,从而使食品质量检测更加的快速,而且酶联免疫检测模块,是让抗体与酶复合物结合,然后通过显色来检测食品是否是转基因食品,从而保证食品的健康安全,另外还有荧光定量PCR模块,荧光定量PCR不仅实现真正实现了对食品检测的绝对定量,能实现多重反应、自动化程度高、无污染、实时和准确等食品检查特点,双重的保证了食品的安全,使消费者更加放心。
以上所述仅是对本发明型的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (4)
1.一种智能食品质量快速检测系统,其特征在于,所述智能食品质量快速检测系统设置有:
食品安全系统控制端;
所述食品安全系统控制端通过数据线与智能食品分类仪相连接,智能食品分类仪通过导线与水产品检测模块、肉食检测模块、果蔬检测模块以及其他食品监测模块相连接,水产品检测模块、肉食检测模块、果蔬检测模块以及其他食品监测模块通过导线与酶联免疫检测模块相连接,酶联免疫检测模块通过数据线与农残化合物检测模块、农残化合物检测模块、微生物模块、荧光定量PCR模块以及食品归属模块相连接;
所述智能食品分类仪对食品分类信号的处理方法包括:
S1对接收到的食品分类信号的观测向量x做分数低阶快速独立成分分析,将接收到的食品分类信号分离为发送食品分类信号和Alpha稳定分布噪声;所述接收食品分类信号的观测向量x的分数低阶快速独立成分分析按以下进行:
1)将观测向量x减去均值进行中心化,利用主要分量分析对中心化后的观测向量进行分数低阶预白化处理,得到白化矩阵v,其中,独立成分分析(PCA)中用到的分数低阶相关矩阵定义为
其中,xi(n)和xj(n)分别为第i路和第j路观测食品分类信号,且1≤i,j≤2,*代表取共轭,对分数低阶相关矩阵进行特征值分解可以得到特征值矩阵D与特征向量矩阵V,由特征值矩阵和特征向量矩阵可得预白化矩阵M=D-1/2VT,利用预白化矩阵将观测数据x向食品分类信号子空间投影,得到白化矩阵v=Mx;
2)对权向量w0进行随机初始化,同时初始化序列号k使k=1;
3)进行权值向量迭代
其中,和为一阶统计量,g(·)是对比函数,η=Ε[wTxg(wTx)],且在权值的迭代过程中参数λ是可变的,且λ<1;
4)利用范数归一化权值向量wk,wk=wk/||wk||;
5)若充分接近于1,算法得到收敛,wk就是最终的解混矩阵,执行6),否则重复步骤3)与步骤4);
6)Y=wkx,其中x为观测食品分类信号,Y为分离后的二维食品分类信号;
S2对分离出的发送食品分类信号s(n)做基于插值的总体平均局部均值分解(LMD),将发送食品分类信号分解成多个分量;所述分离出的发送食品分类信号s(n)的基于插值的总体平均LMD按以下进行:
1)给发送食品分类信号s(n)加上一组白噪声v(n),得到一个总体S(n):
S(n)=s(n)+v(n)
2)确定总体S(n)所有的局部极值点ni,计算相邻两个极值点ni和ni+1的平均值mi,即
利用三次样条插值确定局部均值函数m11(n);
3)采用局部极值点ni计算包络估计值ai
利用三次样条插值确定包络估计函数a11(n);
4)从总体S(n)中分离分离出局部均值函数m11(n),得到
h11(n)=S(n)-m11(n)
5)用h11(n)除以包络估计函数a11(n),以对h11(n)进行解调,得到
其中,
h11(n)=S(n)-m11(n)
h12(n)=s11(n)-m12(n)
h1n(n)=s1(n-1)(n)-m1n(n)
式中:
迭代终止的条件为:
1-Δ≤a1n(n)≤1+Δ
其中,Δ为大于0的任意实数;
6)把迭代过程中产生的所有包络估计函数相乘便可以得到包络食品分类信号,其包括,
7)将包络食品分类信号a1(n)和纯调频食品分类信号s1n(n)相乘便可以得到原始食品分类信号的第1个分量
PF1(n)=a1(n)s1n(n)
它包含了原始食品分类信号中最高的频率成分,是一个单分量的调幅-调频食品分类信号,其瞬时幅值就是包络食品分类信号a1(n),其瞬时频率f1(n)则可由纯调频食品分类信号s1n(n)求出,即:
8)将第1个PF分量PF1从发送食品分类信号s(n)中分离出来,得到一个新的食品分类信号u1(n),将u1(n)作为原始数据重复步骤1)至步骤7),并循环k次,直到uk(n)为一个单调函数;
u1(n)=s(n)-PF1(n)
u2(n)=u1(n)-PF2(n)
uk(n)=uk-1(n)-PFk(n)
至此,将食品分类信号s(n)分解为k个PF分量和一个单调函数uk(n)之和,即
9)给发送食品分类信号s(n)加入不同的白噪声ni(n),重复步骤1)-8):
Si(n)=s(n)+ni(n)
分解后得到的各个总体的PF分量组为PFip
10)取各个组PF的均值作为最终的PF组:
其中,N表示表示添加噪声的次数,最后发送食品分类信号的LMD分解可表示为:
S3提取第一个分类特征:分量的分段瞬时频率标准差σf和设定相应的门限δ1;所述分量的分段瞬时频率标准差σf和设定相应的门限δ1按以下进行:
分量的分段频率标准差σf定义为:对于食品分类信号的分量中的纯调频食品分类信号s1n(n),计算其瞬时频率f1(n),将得到的瞬时频率序列分成M段,每段n个点,然后计算每段的瞬时频率的均值,最后求M段频率的标准差,即
其中,为第i段瞬时频率的均值,f1i(j)为分量的第i段数据的第j个点的瞬时频率值;为分量的瞬时频率的均值;
门限设定如下:
其中min(σf-MSK)表示MSK食品分类信号的特征值σf的最小值,max(σf-2ASK,σf-QPSK,σf-16QAM)为2ASK、QPSK和16QAM食品分类信号的特征值σf的最大值;
S4提取第二个分类特征:分量的分段瞬时幅值标准差σa和设定相应的门限δ2和δ3;所述分量的分段瞬时幅值标准差σa和设定相应的门限δ2和δ3按以下进行:
的分段瞬时幅值标准差σa定义为:对于食品分类信号的PF1分量,将其a1(n)分成M段,每段n个点,然后计算每段的瞬时幅值的均值,最后求M段幅值的标准差,即
其中,为第i段瞬时幅值的均值,a1i(j)为分量的第i段数据的第j个点的瞬时幅值;为PF1分量的瞬时幅值的均值;
门限设定如下:
其中min(σa-ASK)表示2ASK食品分类信号的特征值σa的最小值,max(σa-16QAM)和min(σa-QPSK)分别为16QAM食品分类信号的特征值σa的最大值和最小值,max(σa-QPSK)为QPSK食品分类信号的特征值σa的最大值;
S5利用门限δ1将食品分类信号集{MSK、2ASK、QPSK、16QAM}分为{MSK}和{2ASK、QPSK、16QAM}两类,利用门限δ2和δ3将食品分类信号集{2ASK、QPSK、16QAM}中的食品分类信号识别出来。
2.如权利要求1所述的智能食品质量快速检测系统,其特征在于,所述智能食品分类仪,将食品分类。
3.如权利要求1所述的智能食品质量快速检测系统,其特征在于,所述酶联免疫检测模块,让抗体与酶复合物结合,通过显色来检测食品是否是转基因食品。
4.如权利要求1所述的智能食品质量快速检测系统,其特征在于,所述荧光定量PCR模块,能实现多重反应、自动化程度高、无污染、实时和准确的食品检查。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810380512.3A CN108627621A (zh) | 2018-04-25 | 2018-04-25 | 一种智能食品质量快速检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810380512.3A CN108627621A (zh) | 2018-04-25 | 2018-04-25 | 一种智能食品质量快速检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108627621A true CN108627621A (zh) | 2018-10-09 |
Family
ID=63694524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810380512.3A Pending CN108627621A (zh) | 2018-04-25 | 2018-04-25 | 一种智能食品质量快速检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108627621A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856344A (zh) * | 2019-02-14 | 2019-06-07 | 江门出入境检验检疫局检验检疫技术中心 | 一种食品安全抽样检测设备 |
CN111274538A (zh) * | 2020-01-21 | 2020-06-12 | 中国农业大学 | 一种生食水产品储运过程中质量状态判别方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN200989906Y (zh) * | 2006-06-08 | 2007-12-12 | 上海农业信息有限公司 | 基于网络的农产品质量安全快速监测系统 |
CN203259523U (zh) * | 2012-08-15 | 2013-10-30 | 北京倍肯恒业科技发展有限责任公司 | 一种数字化食品安全快速检测车 |
CN104052702A (zh) * | 2014-06-20 | 2014-09-17 | 西安电子科技大学 | 一种复杂噪声下数字调制信号的识别方法 |
CN104391095A (zh) * | 2014-11-25 | 2015-03-04 | 太仓市同维电子有限公司 | 移动智能的食品辨别测量终端设备的测试方法 |
CN204989158U (zh) * | 2015-10-10 | 2016-01-20 | 西安科技大学 | 一种农产品质量检测装置 |
CN105814597A (zh) * | 2013-10-09 | 2016-07-27 | 索夫特梅特技术股份有限公司 | 对食物产品进行分类的系统和方法 |
CN106018712A (zh) * | 2016-05-03 | 2016-10-12 | 成都亿信标准认证集团有限公司 | 食品添加剂自动检测系统 |
CN205844311U (zh) * | 2016-07-11 | 2016-12-28 | 刘江海 | 一种食品安全智能检测一体机装置 |
CN107095069A (zh) * | 2017-05-16 | 2017-08-29 | 高莉彬 | 一种兔子常用饲料的真伪鉴别方法 |
-
2018
- 2018-04-25 CN CN201810380512.3A patent/CN108627621A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN200989906Y (zh) * | 2006-06-08 | 2007-12-12 | 上海农业信息有限公司 | 基于网络的农产品质量安全快速监测系统 |
CN203259523U (zh) * | 2012-08-15 | 2013-10-30 | 北京倍肯恒业科技发展有限责任公司 | 一种数字化食品安全快速检测车 |
CN105814597A (zh) * | 2013-10-09 | 2016-07-27 | 索夫特梅特技术股份有限公司 | 对食物产品进行分类的系统和方法 |
CN104052702A (zh) * | 2014-06-20 | 2014-09-17 | 西安电子科技大学 | 一种复杂噪声下数字调制信号的识别方法 |
CN104391095A (zh) * | 2014-11-25 | 2015-03-04 | 太仓市同维电子有限公司 | 移动智能的食品辨别测量终端设备的测试方法 |
CN204989158U (zh) * | 2015-10-10 | 2016-01-20 | 西安科技大学 | 一种农产品质量检测装置 |
CN106018712A (zh) * | 2016-05-03 | 2016-10-12 | 成都亿信标准认证集团有限公司 | 食品添加剂自动检测系统 |
CN205844311U (zh) * | 2016-07-11 | 2016-12-28 | 刘江海 | 一种食品安全智能检测一体机装置 |
CN107095069A (zh) * | 2017-05-16 | 2017-08-29 | 高莉彬 | 一种兔子常用饲料的真伪鉴别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856344A (zh) * | 2019-02-14 | 2019-06-07 | 江门出入境检验检疫局检验检疫技术中心 | 一种食品安全抽样检测设备 |
CN111274538A (zh) * | 2020-01-21 | 2020-06-12 | 中国农业大学 | 一种生食水产品储运过程中质量状态判别方法及系统 |
CN111274538B (zh) * | 2020-01-21 | 2021-10-26 | 中国农业大学 | 一种生食水产品储运过程中质量状态判别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107894408B (zh) | 一种基于近红外光谱仪的食用油多元掺伪鉴别方法 | |
Iqbal et al. | Classification of selected citrus fruits based on color using machine vision system | |
CN104374738A (zh) | 一种基于近红外提高鉴别结果的定性分析方法 | |
CN107682109B (zh) | 一种适用于无人机通信系统的干扰信号分类识别方法 | |
CN108566253B (zh) | 一种基于对信号功率谱拟合特征提取的信号识别方法 | |
Villaseñor-Aguilar et al. | Fuzzy classification of the maturity of the tomato using a vision system | |
CN107219184A (zh) | 一种应用于产地溯源的肉类鉴别方法及装置 | |
Kaur et al. | Computer vision-based tomato grading and sorting | |
CN107729916A (zh) | 一种基于isodata的干扰源分类识别算法及装置 | |
CN108627621A (zh) | 一种智能食品质量快速检测系统 | |
US20210063322A1 (en) | Grain mildew detection method and device based on wifi apparatus | |
Thinh et al. | Mango classification system based on machine vision and artificial intelligence | |
CN111274911B (zh) | 基于无线微波衰减特征迁移学习的浓雾监测方法 | |
Gnanavel et al. | Quality detection of fresh fruits and vegetables to improve horticulture and agro-industries | |
Hu et al. | MiFi: Device-free wheat mildew detection using off-the-shelf WiFi devices | |
CN102735340B (zh) | 一种基于压缩传感的水果颜色分级方法 | |
CN113408616A (zh) | 基于pca-uve-elm的光谱分类方法 | |
CN103076595B (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
CN112528690A (zh) | 非接触式物品材质和形状识别方法、存储介质及计算设备 | |
CN111983569A (zh) | 基于神经网络的雷达干扰抑制方法 | |
CN102750547A (zh) | 一种基于压缩传感的水果大小分级方法 | |
CN107884744B (zh) | 无源被动式室内定位方法及装置 | |
CN112505798B (zh) | 基于太赫兹的物体检测方法 | |
Fatima et al. | Hybrid color feature image categorization using machine learning | |
CN110443301B (zh) | 一种基于双层特征分类的液态危险品识别方法 |
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: 20181009 |