CN109633106A - 一种在线农药残留快速检测方法、系统及存储介质 - Google Patents
一种在线农药残留快速检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN109633106A CN109633106A CN201811608305.5A CN201811608305A CN109633106A CN 109633106 A CN109633106 A CN 109633106A CN 201811608305 A CN201811608305 A CN 201811608305A CN 109633106 A CN109633106 A CN 109633106A
- Authority
- CN
- China
- Prior art keywords
- pesticide residue
- result
- pesticide
- food
- preliminary detection
- 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
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
- 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
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Abstract
本发明公开了一种在线农药残留快速检测方法、系统及存储介质，方法包括：通过农药速测卡获取待检测食品的初步检测结果；基于机器学习算法对初步检测结果进行深度分析；基于预设的农药残留分析库，对深度分析结果进行分类识别，生成待检测食品的农药残留识别结果。本发明仅需在厨房家电附件设置农药速测卡，就能实现农药残留实时检测，大大降低了操作复杂度，实时性强且方便操作，可广泛应用于食品安全技术领域。
Description
技术领域
本发明涉及食品安全技术领域，尤其是一种在线农药残留快速检测方法、系统及存储介质。
背景技术
食品安全问题是一个让世界各国、各地区政府和人民都高度重视的严峻的热点问题。近十几年来，快速检测方法不断发展，利用胆碱酯酶抑制法快速检测蔬菜、瓜果等农产品中农药残留成为主要的检测方法。2001年农业部农药检定所制订了蔬菜上有机磷和氨基甲酸酯类农药残毒快速检测方法(NY/T 448-2000)行业标准，2003年卫生部制定了蔬菜中有机磷和氨基甲酸酯类农药残留量的快速检测(GB/T 5009.199-2003)国家标准方法。该标准中主要有两个方法，速测卡法和酶抑制率法。其中酶抑制率法主要利用分光光度计设计配套仪器，目前比较成熟。而速测卡法主要是通过肉眼观察颜色的深浅判定结果，目前市场上配套了简单的仪器，只能进行恒温和定时，并不能实现检测结果的数字化和溯源，并对结果进行分析和追踪。
瓜果蔬菜在生长过程中，难免会喷施农药，如果农药残留量过多，会危及人们的身体健康，在食用之前最好能够对瓜果蔬菜进行安全监测。但是传统的厨房家电无法实现对食品安全进行快速检测，同时，传统的食品安全监测器体积大、操作复杂、且难以和厨房家电集成，因此无法实现对食品进行快速、实时检测。
发明内容
为解决上述技术问题，本发明的目的在于：提供一种实时性强且方便操作的在线农药残留快速检测方法、系统及存储介质。
本发明一方面所采取的技术方案为：
一种在线农药残留快速检测方法，包括以下步骤：
通过农药速测卡获取待检测食品的初步检测结果；
基于机器学习算法对初步检测结果进行深度分析；
基于预设的农药残留分析库，对深度分析结果进行分类识别，生成待检测食品的农药残留识别结果。
进一步，所述通过农药速测卡获取待检测食品的初步检测结果这一步骤，包括以下步骤：
获取粉碎均匀后的待检测食品；
对待检测食品进行净化处理；
通过农药速测卡对净化处理后的待检测食品进行初步检测，得到初步检测结果。
进一步，还包括以下步骤：
实时采集初步检测结果；
将采集到的初步检测结果发送至远程服务器或移动终端。
进一步，所述实时采集初步检测结果这一步骤，其具体为：
通过颜色感应器实时采集初步检测结果的颜色信息；
或者，通过摄像头实时采集初步检测结果的图像信息。
进一步，所述基于机器学习算法对初步检测结果进行深度分析这一步骤，包括以下步骤：
采集农药速测卡的检测结果示意图；
对采集到的检测结果示意图进行标记，并将标记后的检测结果示意图作为训练样本；
采用TensorFlow学习系统，通过Object Detection预训练模型对训练样本进行训练，得到初始模型；
采集新的农药速测卡的检测结果示意图作为测试样本；
通过测试样本对初始模型的预测准确率进行计算；
根据初始模型的预测准确率，确定最终预测模型；
通过最终预测模型对初步检测结果进行深度分析，得到农药残留预测结果。
进一步，所述根据初始模型的预测准确率，确定最终预测模型这一步骤，包括以下步骤：
判断预测准确率是否大于预设阈值，若是，则将初始模型作为最终预测模型；反之，则执行以下步骤；
采集新的农药速测卡的检测结果示意图加入训练样本；
采用TensorFlow学习系统，通过Object Detection预训练模型对更新后的训练样本进行训练，得到新的初始模型；
通过测试样本对新的初始模型的预测准确率进行计算；
判断预测准确率是否大于预设阈值，若是，则将新的初始模型作为最终预测模型；反之，则返回执行采集新的农药速测卡的检测结果示意图加入训练样本这一步骤，直至预测准确率大于预设阈值。
进一步，所述基于预设的农药残留分析库，对深度分析结果进行分类识别，生成待检测食品的农药残留识别结果这一步骤，包括以下步骤：
逐一计算农药残留预测结果与农药残留分析库中预存的农药残留结果之间的相似度；
对各个相似度进行排序；
根据相似度排序结果，选取若干个农药残留结果作为待定结果；
对待定结果进行筛选，得到待检测食品的农药残留识别结果。
本发明另一方面所采取的技术方案是：
一种在线农药残留快速检测系统，包括：
采集模块，用于通过农药速测卡获取待检测食品的初步检测结果；
深度分析模块，用于基于机器学习算法对初步检测结果进行深度分析；
识别模块，用于基于预设的农药残留分析库，对深度分析结果进行分类识别，生成待检测食品的农药残留识别结果。
本发明另一方面所采取的技术方案是：
一种在线农药残留快速检测系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的在线农药残留快速检测方法。
本发明另一方面所采取的技术方案是：
一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的在线农药残留快速检测方法。
本发明的有益效果是：本发明首先通过农药速测卡获取待检测食品的初步检测结果，然后利用了机器学习算法对初步检测结果进行深度分析，最终通过分类识别得到待检测食品的农药残留识别结果；本发明仅需在厨房家电附近设置农药速测卡，就能实现农药残留实时检测，大大降低了操作复杂度，实时性强且方便操作。
附图说明
图1为本发明实施例的步骤流程图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1，本发明实施例提供了一种在线农药残留快速检测方法，包括以下步骤：
通过农药速测卡获取待检测食品的初步检测结果；
基于机器学习算法对初步检测结果进行深度分析；
基于预设的农药残留分析库，对深度分析结果进行分类识别，生成待检测食品的农药残留识别结果。
进一步作为优选的实施方式，所述通过农药速测卡获取待检测食品的初步检测结果这一步骤，包括以下步骤：
获取粉碎均匀后的待检测食品；
对待检测食品进行净化处理；
通过农药速测卡对净化处理后的待检测食品进行初步检测，得到初步检测结果。
进一步作为优选的实施方式，还包括以下步骤：
实时采集初步检测结果；
将采集到的初步检测结果发送至远程服务器或移动终端。
进一步作为优选的实施方式，所述实时采集初步检测结果这一步骤，其具体为：
通过颜色感应器实时采集初步检测结果的颜色信息；
或者，通过摄像头实时采集初步检测结果的图像信息。
进一步作为优选的实施方式，所述基于机器学习算法对初步检测结果进行深度分析这一步骤，包括以下步骤：
采集农药速测卡的检测结果示意图；
对采集到的检测结果示意图进行标记，并将标记后的检测结果示意图作为训练样本；
采用TensorFlow学习系统，通过Object Detection预训练模型对训练样本进行训练，得到初始模型；
采集新的农药速测卡的检测结果示意图作为测试样本；
通过测试样本对初始模型的预测准确率进行计算；
根据初始模型的预测准确率，确定最终预测模型；
通过最终预测模型对初步检测结果进行深度分析，得到农药残留预测结果。
其中，TensorFlow是一个采用数据流图(data flow graphs)，用于数值计算的开源软件库。节点(Nodes)在图中表示数学操作，图中的线(edges)则表示在节点间相互联系的多维数据数组，即张量(tensor)。灵活的架构使得TensorFlow可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU(或GPU)，服务器，移动设备等等。TensorFlow最初由Google大脑小组(隶属于Google机器智能研究机构)的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。
Object Detection的目的是在目标图中将目标用一个框表示出来，并且识别出这个框中的是什么目标，现有较为通用的方法能够将图片的所有物体都框出来，以便后续进行目标识别操作。
进一步作为优选的实施方式，所述根据初始模型的预测准确率，确定最终预测模型这一步骤，包括以下步骤：
判断预测准确率是否大于预设阈值，若是，则将初始模型作为最终预测模型；反之，则执行以下步骤；
采集新的农药速测卡的检测结果示意图加入训练样本；
采用TensorFlow学习系统，通过Object Detection预训练模型对更新后的训练样本进行训练，得到新的初始模型；
通过测试样本对新的初始模型的预测准确率进行计算；
判断预测准确率是否大于预设阈值，若是，则将新的初始模型作为最终预测模型；反之，则返回执行采集新的农药速测卡的检测结果示意图加入训练样本这一步骤，直至预测准确率大于预设阈值。
进一步作为优选的实施方式，所述基于预设的农药残留分析库，对深度分析结果进行分类识别，生成待检测食品的农药残留识别结果这一步骤，包括以下步骤：
逐一计算农药残留预测结果与农药残留分析库中预存的农药残留结果之间的相似度；
对各个相似度进行排序；
根据相似度排序结果，选取若干个农药残留结果作为待定结果；
对待定结果进行筛选，得到待检测食品的农药残留识别结果。
与图1的方法相对应，本发明实施例还提供了一种在线农药残留快速检测系统，包括：
采集模块，用于通过农药速测卡获取待检测食品的初步检测结果；
深度分析模块，用于基于机器学习算法对初步检测结果进行深度分析；
识别模块，用于基于预设的农药残留分析库，对深度分析结果进行分类识别，生成待检测食品的农药残留识别结果。
与图1的方法相对应，本发明实施例还提供了一种在线农药残留快速检测系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的在线农药残留快速检测方法。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
与图1的方法相对应，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的在线农药残留快速检测方法。
下面详细描述本发明一种在线农药残留快速检测方法的具体实施步骤：
S1、通过农药速测卡获取待检测食品的初步检测结果；
具体地，所述步骤S1包括以下步骤：
S11、获取粉碎均匀后的待检测食品；本实施例将待检测食品的外表面或者部分需要检测的内部结构进行粉碎，这个步骤方便在厨房空间内实现，粉碎是为了更好地通过速测卡进行初步检测。
S12、对待检测食品进行净化处理；本实施例的净化处理可以是通过清水将待检测食品上的一些无关物资进行清除，比如泥土等，以便提高农药速测卡检测的准确度。
S13、通过农药速测卡对净化处理后的待检测食品进行初步检测，得到初步检测结果。
本实施例通过农药速测卡获得的初步检测结果，具体是得到农药残留对应的检测颜色结果。
本发明还包括以下步骤：
实时采集初步检测结果；本实施例通过颜色感应器实时采集初步检测结果的颜色信息；或者，通过摄像头实时采集初步检测结果的图像信息。
本实施例通过颜色感应器得到检测颜色结果的颜色感应信息，或者通过摄像头将检测结果拍摄，并在后续步骤中将拍摄的图像发送至远程终端，远程终端比如移动终端和远程服务器等。
将采集到的初步检测结果发送至远程服务器或移动终端。
S2、基于机器学习算法对初步检测结果进行深度分析；
S21、采集农药速测卡的检测结果示意图；
以摄像机拍摄的图像为例，本实施例从先验数据库或者通过网络爬虫采集多个农药速测卡的检测结果示意图，本实施例要求采集的农药速测卡的检测结果示意图的数量较大，需要涵盖速测卡可能出现的多种检测结果，即各种检测结果对应的颜色显示图像，都在本实施例的采集范围内。
S22、对采集到的检测结果示意图进行标记，并将标记后的检测结果示意图作为训练样本；
本实施例对示意图进行标记是为了记录每个检测结果示意图对应的具体检测结果；对于采集得到的检测结果示意图，本实施例还对所述检测结果示意图进行过滤去噪处理，以清除周围背景图像以及其他遮挡物的干扰，提高识别检测的准确性。
S23、采用TensorFlow学习系统，通过Object Detection预训练模型对训练样本进行训练，得到初始模型；
首先，本实施例对训练样本进行预处理，将图片样本随机旋转0度、90度、180度和270度并且导入训练模型，用来确定检测结果的识别位置，以提高识别精度。
本实施例采用的预训练模型包括SSD和Faster RCNN。其中，SSD的预测速度比较快，但预测准确率不高；而Faster RCNN的预测速度相对较慢，但精度高。本实施例得到了初始模型后，能实现对速测卡的颜色显示位置的识别。
S24、采集新的农药速测卡的检测结果示意图作为测试样本；
S25、通过测试样本对初始模型的预测准确率进行计算；
本实施例采用基于召回率的计算方法来对初始模型的预测准确率进行计算。具体地，所述召回率的计算公式为：召回率＝真正例/(真正例+假反例)，本实施例根据步骤S22的标记结果，将其与预测得到的结果进行比对，得到对应的真正例和假反例数量，然后计算得到召回率，本实施例中召回率越高，则代表准确率越高。
S26、根据初始模型的预测准确率，确定最终预测模型；
具体地，所述步骤S26包括以下步骤：
S261、判断预测准确率是否大于预设阈值，若是，则将初始模型作为最终预测模型；反之，则执行步骤S262；
S262、采集新的农药速测卡的检测结果示意图加入训练样本；
S263、采用TensorFlow学习系统，通过Object Detection预训练模型对更新后的训练样本进行训练，得到新的初始模型；
本实施例的步骤S263与步骤S23的实施过程一致，在此不再赘述。
S264、通过测试样本对新的初始模型的预测准确率进行计算；
S265、判断预测准确率是否大于预设阈值，若是，则将新的初始模型作为最终预测模型；反之，则返回执行采步骤S262，直至预测准确率大于预设阈值。
S27、通过最终预测模型对初步检测结果进行深度分析，得到农药残留预测结果。
本实施例在确认了最终预测模型之后，通过所述最终预测模型对待检测食品进行检测，得到对应的预测检测结果。
S3、基于预设的农药残留分析库，对深度分析结果进行分类识别，生成待检测食品的农药残留识别结果。
具体地，所述步骤S3包括以下步骤：
S31、逐一计算农药残留预测结果与农药残留分析库中预存的农药残留结果之间的相似度；
具体地，本实施例采用了余弦相似度的计算方法，因为余弦相似度用在计算文本相似度效果较好，所述余弦相似度的计算公式为：
其中，A代表农药残留预测结果；B代表农药残留分析库中预存的其中一个农药残留结果。本实施例通过计算得到A与B之间的相似度，则可以判断得到农药残留的最可能检测结果。
S32、对各个相似度进行排序；
S33、根据相似度排序结果，选取若干个农药残留结果作为待定结果；
S34、对待定结果进行筛选，得到待检测食品的农药残留识别结果。
本发明根据待检测食品的品种类别以及先验检测数据等知识，对选取的若干个待定结果进行筛选，排除明显的错误结果，比如检测结果显示待检测食品上的农药残留数据中，所述残留的农药并不属于该食品类别的施肥农药；最终得到待检测食品的农药残留识别结果，本发明的识别准确性高。
综上所述，本发明首先在后台服务器或者移动终端生成农药残留预测模型，然后当用户在实际生活中需要对食品进行实时检测时，仅需通过安装在厨房的颜色感应器或者摄像头，将相应的数据采集并发送至后台服务器或者移动终端，就能实现食品农药残留的实时检测。另外，本发明还能够将检测结果发送至用户指定的终端，比如通过显示屏进行显示，或者通过播放器进行语音播报等，应用场景丰富。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种在线农药残留快速检测方法，其特征在于：包括以下步骤：
通过农药速测卡获取待检测食品的初步检测结果；
基于机器学习算法对初步检测结果进行深度分析；
基于预设的农药残留分析库，对深度分析结果进行分类识别，生成待检测食品的农药残留识别结果。
2.根据权利要求1所述的一种在线农药残留快速检测方法，其特征在于：所述通过农药速测卡获取待检测食品的初步检测结果这一步骤，包括以下步骤：
获取粉碎均匀后的待检测食品；
对待检测食品进行净化处理；
通过农药速测卡对净化处理后的待检测食品进行初步检测，得到初步检测结果。
3.根据权利要求1所述的一种在线农药残留快速检测方法，其特征在于：还包括以下步骤：
实时采集初步检测结果；
将采集到的初步检测结果发送至远程服务器或移动终端。
4.根据权利要求3所述的一种在线农药残留快速检测方法，其特征在于：所述实时采集初步检测结果这一步骤，其具体为：
通过颜色感应器实时采集初步检测结果的颜色信息；
或者，通过摄像头实时采集初步检测结果的图像信息。
5.根据权利要求1所述的一种在线农药残留快速检测方法，其特征在于：所述基于机器学习算法对初步检测结果进行深度分析这一步骤，包括以下步骤：
采集农药速测卡的检测结果示意图；
对采集到的检测结果示意图进行标记，并将标记后的检测结果示意图作为训练样本；
采用TensorFlow学习系统，通过Object Detection预训练模型对训练样本进行训练，得到初始模型；
采集新的农药速测卡的检测结果示意图作为测试样本；
通过测试样本对初始模型的预测准确率进行计算；
根据初始模型的预测准确率，确定最终预测模型；
通过最终预测模型对初步检测结果进行深度分析，得到农药残留预测结果。
6.根据权利要求5所述的一种在线农药残留快速检测方法，其特征在于：所述根据初始模型的预测准确率，确定最终预测模型这一步骤，包括以下步骤：
判断预测准确率是否大于预设阈值，若是，则将初始模型作为最终预测模型；反之，则执行以下步骤；
采集新的农药速测卡的检测结果示意图加入训练样本；
采用TensorFlow学习系统，通过Object Detection预训练模型对更新后的训练样本进行训练，得到新的初始模型；
通过测试样本对新的初始模型的预测准确率进行计算；
判断预测准确率是否大于预设阈值，若是，则将新的初始模型作为最终预测模型；反之，则返回执行采集新的农药速测卡的检测结果示意图加入训练样本这一步骤，直至预测准确率大于预设阈值。
7.根据权利要求5所述的一种在线农药残留快速检测方法，其特征在于：所述基于预设的农药残留分析库，对深度分析结果进行分类识别，生成待检测食品的农药残留识别结果这一步骤，包括以下步骤：
逐一计算农药残留预测结果与农药残留分析库中预存的农药残留结果之间的相似度；
对各个相似度进行排序；
根据相似度排序结果，选取若干个农药残留结果作为待定结果；
对待定结果进行筛选，得到待检测食品的农药残留识别结果。
8.一种在线农药残留快速检测系统，其特征在于：包括：
采集模块，用于通过农药速测卡获取待检测食品的初步检测结果；
深度分析模块，用于基于机器学习算法对初步检测结果进行深度分析；
识别模块，用于基于预设的农药残留分析库，对深度分析结果进行分类识别，生成待检测食品的农药残留识别结果。
9.一种在线农药残留快速检测系统，其特征在于：包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7中任一项所述的在线农药残留快速检测方法。
10.一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-7中任一项所述的在线农药残留快速检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811608305.5A CN109633106B (zh) | 2018-12-27 | 2018-12-27 | 一种在线农药残留快速检测方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811608305.5A CN109633106B (zh) | 2018-12-27 | 2018-12-27 | 一种在线农药残留快速检测方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109633106A true CN109633106A (zh) | 2019-04-16 |
| CN109633106B CN109633106B (zh) | 2021-06-08 |
Family
ID=66078081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811608305.5A Active CN109633106B (zh) | 2018-12-27 | 2018-12-27 | 一种在线农药残留快速检测方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109633106B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112946105A (zh) * | 2021-01-27 | 2021-06-11 | 延吉海关综合技术服务中心 | 一种农药残留快速检测系统及检测方法 |
| CN113569962A (zh) * | 2021-07-30 | 2021-10-29 | 昆明理工大学 | 一种基于TFL-ResNet的残药智能识别方法 |
| CN115684507A (zh) * | 2022-10-26 | 2023-02-03 | 深圳市赛泰诺生物技术有限公司 | 用于农药及重金属快速检测的智能ai系统及智能ai一体机 |
| CN116026892A (zh) * | 2023-03-29 | 2023-04-28 | 河北农业大学 | 水质检测方法、控制终端、水质检测系统及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1940555A (zh) * | 2006-09-04 | 2007-04-04 | 江苏大学 | 一种农产品内外品质检测方法及装置 |
| CN101140236A (zh) * | 2006-09-08 | 2008-03-12 | 陈福生 | 一种能检测各种农产品中有机磷和氨基甲酸酯农药残留的速测卡 |
| CN101144780A (zh) * | 2006-09-14 | 2008-03-19 | 郭培源 | 猪肉新鲜度智能检测装置 |
-
2018
- 2018-12-27 CN CN201811608305.5A patent/CN109633106B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1940555A (zh) * | 2006-09-04 | 2007-04-04 | 江苏大学 | 一种农产品内外品质检测方法及装置 |
| CN101140236A (zh) * | 2006-09-08 | 2008-03-12 | 陈福生 | 一种能检测各种农产品中有机磷和氨基甲酸酯农药残留的速测卡 |
| CN101144780A (zh) * | 2006-09-14 | 2008-03-19 | 郭培源 | 猪肉新鲜度智能检测装置 |
Non-Patent Citations (3)
| Title |
|---|
| 白静: "《蔬菜有机磷农药残快速检测方法的研究》", 《中国优秀硕士论文全文数据库 工程科技Ⅰ辑》 * |
| 胡貌男 等: "基于改进卷积神经网络的图像分类方法》", 《通信技术》 * |
| 韩山杰 等: "《基于TensorFlow进行股票预测的深度学习模型的设计与实现》", 《计算机应用与软件》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112946105A (zh) * | 2021-01-27 | 2021-06-11 | 延吉海关综合技术服务中心 | 一种农药残留快速检测系统及检测方法 |
| CN113569962A (zh) * | 2021-07-30 | 2021-10-29 | 昆明理工大学 | 一种基于TFL-ResNet的残药智能识别方法 |
| CN115684507A (zh) * | 2022-10-26 | 2023-02-03 | 深圳市赛泰诺生物技术有限公司 | 用于农药及重金属快速检测的智能ai系统及智能ai一体机 |
| CN116026892A (zh) * | 2023-03-29 | 2023-04-28 | 河北农业大学 | 水质检测方法、控制终端、水质检测系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109633106B (zh) | 2021-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109633106A (zh) | 一种在线农药残留快速检测方法、系统及存储介质 | |
| Zhou et al. | Real-time kiwifruit detection in orchard using deep learning on Android™ smartphones for yield estimation | |
| CN107392091B (zh) | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 | |
| Ponnusamy et al. | Precision agriculture using advanced technology of IoT, unmanned aerial vehicle, augmented reality, and machine learning | |
| CN110210355B (zh) | 稻田杂草种类识别方法及系统、目标位置检测方法及系统 | |
| US20180197287A1 (en) | Process of using machine learning for cannabis plant health diagnostics | |
| Sahu et al. | A systematic literature review of machine learning techniques deployed in agriculture: A case study of banana crop | |
| Li et al. | Self-supervised plant phenotyping by combining domain adaptation with 3D plant model simulations: Application to wheat leaf counting at seedling stage | |
| Pérez-Porras et al. | Early and on-ground image-based detection of poppy (Papaver rhoeas) in wheat using YOLO architectures | |
| Chen et al. | Real-time defect and freshness inspection on chicken eggs using hyperspectral imaging | |
| Elhariri et al. | Strawberry-DS: Dataset of annotated strawberry fruits images with various developmental stages | |
| Ali et al. | Faster-PestNet: A Lightweight deep learning framework for crop pest detection and classification | |
| Liao et al. | A hybrid CNN-LSTM model for diagnosing rice nutrient levels at the rice panicle initiation stage | |
| Okayasu et al. | Sensing and visualization in agriculture with affordable smart devices | |
| Shah et al. | Automatically localising ROIs in hyperspectral images using background subtraction techniques | |
| Yadav et al. | Comparative analysis of visual recognition capabilities of CNN architecture enhanced with Gabor filter | |
| Navale et al. | Deep Learning based Automated Wheat Disease Diagnosis System | |
| Koprivec et al. | Crop Classification using Perceptive Sentinel | |
| Patil et al. | Pre and Post Harvesting using Deep Learning Techniques: A comprehensive study | |
| Tao et al. | Prediction of Cover Crop Adoption through Machine Learning Models using Satellite-derived Data | |
| Choudhury et al. | Structural high-throughput plant phenotyping based on image sequence analysis | |
| Safari et al. | A Review on Automated Detection and Assessment of Fruit Damage Using Machine Learning | |
| Ismail | The Smart Agriculture based on Reconstructed Thermal Image | |
| Kirongo | A review of image processing software techniques for early detection of plant drought stress | |
| Mucherino et al. | Recent Developments in Data Mining and Agriculture. |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190416 Assignee: Guangzhou Caiyun Technology Co.,Ltd. Assignor: GUANGZHOU ANSHITONG INFORMATION TECHNOLOGY CO.,LTD. Contract record no.: X2023980037203 Denomination of invention: A Method, System, and Storage Medium for Online Rapid Detection of Pesticide Residues Granted publication date: 20210608 License type: Common License Record date: 20230630 |
|
| EE01 | Entry into force of recordation of patent licensing contract |