CN109884282A - 基于grnn神经网络的新型地沟油检测方法及其检测系统 - Google Patents
基于grnn神经网络的新型地沟油检测方法及其检测系统 Download PDFInfo
- Publication number
- CN109884282A CN109884282A CN201910084359.4A CN201910084359A CN109884282A CN 109884282 A CN109884282 A CN 109884282A CN 201910084359 A CN201910084359 A CN 201910084359A CN 109884282 A CN109884282 A CN 109884282A
- Authority
- CN
- China
- Prior art keywords
- oil
- neural network
- grnn
- sample
- oil sample
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 19
- 239000002253 acid Substances 0.000 claims description 17
- 230000000153 supplemental effect Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 2
- 230000001010 compromised effect Effects 0.000 claims 1
- 239000003921 oil Substances 0.000 abstract description 100
- 239000008157 edible vegetable oil Substances 0.000 abstract description 8
- 235000019198 oils Nutrition 0.000 description 94
- 230000006870 function Effects 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000007480 spreading Effects 0.000 description 6
- 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 4
- 230000004069 differentiation Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000000053 physical method Methods 0.000 description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 2
- 235000019483 Peanut oil Nutrition 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002189 fluorescence spectrum Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000312 peanut oil Substances 0.000 description 2
- 239000003549 soybean oil Substances 0.000 description 2
- 235000012424 soybean oil Nutrition 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 235000019482 Palm oil Nutrition 0.000 description 1
- 235000019484 Rapeseed oil Nutrition 0.000 description 1
- 235000019774 Rice Bran oil Nutrition 0.000 description 1
- 235000019486 Sunflower oil Nutrition 0.000 description 1
- 150000001491 aromatic compounds Chemical class 0.000 description 1
- 239000010495 camellia oil Substances 0.000 description 1
- 239000000828 canola oil Substances 0.000 description 1
- 235000019519 canola oil Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 235000005687 corn oil Nutrition 0.000 description 1
- 239000002285 corn oil Substances 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000004006 olive oil Substances 0.000 description 1
- 235000008390 olive oil Nutrition 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 239000002540 palm oil Substances 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000008165 rice bran oil Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
- 239000008159 sesame oil Substances 0.000 description 1
- 235000011803 sesame oil Nutrition 0.000 description 1
- 239000002600 sunflower oil Substances 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Fats And Perfumes (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种基于GRNN神经网络的新型地沟油检测方法及其检测系统，包括数据采集器、单片机控制器和上位机，所述单片机控制器通过接收数据采集器采集到的信息并将其打包处理发送给上位机，所述上位机基于GRNN神经网络对获得的信息进行分析判别，得出此未知油样是正常食用油还是有害的地沟油；所述GRNN神经网络为由样本集训练完成并通过测试集进行调整的GRNN神经网络，所述样本集和测试集包括已知各参数的正常油样和地沟油油样。
Description
技术领域
本发明涉及一种基于神经网络的地沟油检测与判断技术领域，特别是涉及一种能通过GRNN神经网络对未知的油样进行快速检测的测量装置及其判断方法。
背景技术
地沟油的快速检测和判别是我国食品安全领域的重要问题之一。目前我国所常用的地沟油检测技术其主要的测量参数包括电导率值，酸价值，氯离子浓度，胆固醇含量，折光率等。
在实际检测过程中，快速而又准确的鉴别地沟油是十分困难的。目前最常用的地沟油检测方法主要分为化学方法和物理方法。化学方法主要有酸性检测、重金属元素检测、胆固醇检测等，但是随着技术的发展，一些无良商家通过各种手段改变了油样中的酸性物质含量，铁元素浓度，氯离子含量等，使其符合正常油样的检测标准，导致化学检测的精度有所下降，甚至某些方法已不再适用于检测地沟油。
物理方法主要有电导率检测、色谱法、荧光光谱检测法等。在当前的地沟油检测中，电导率仍然是作为地沟油检测的关键参数，电导率单位的大小反映了地沟油中所含有的金属物质和导电离子的多少，而色谱法、荧光光谱检测法由于那些经过精炼的地沟油中D-甘油酸含量和芳烃化合物含量减少使得检测效果不明显，已不再适用。
综上所述，已有的化学方法和物理方法大多是独立进行检测相应的指标参数，且有些参数的检测必须依赖特殊环境如实验室环境才能进行，在一定程度上降低了效率。且目前市场上虽已出现相应的地沟油检测装置，但这些装置使用条件单一仅对某一特定参数进行分析和判别，且当特定参数只有细微差距时便无法对油样做出快速的判别。
发明内容
本发明的目的是为了解决上述问题，针对地沟油检测过程中快速、准确和高精度的要求，提出一种基于GRNN的神经网络的地沟油检测方法，其特点是测量过程简单、检测速度快、准确率高，同时又能对一些拥有着细微差距的油样进行分析和判别。
本发明公开了一种基于GRNN神经网络的新型地沟油检测方法，包括以下步骤：
S1：通过采集若干正常油样参数数据和地沟油油样参数数据构成样本集，将样本集分为训练集和测试集；
S2：创建GRNN神经网络模型，通过输入训练集进行训练和输入测试集进行模型精度调整，采用交叉验证和重复采样进行重复训练和测试；将测试后的输出进行互相对比并折中取优选，建立最优GRNN网络模型；
S3：采集未知油样参数数据，将该未知油样参数数据输入至最优GRNN网络模型进行正常油样和地沟油油样的判断。
进一步的，所述正常油样参数数据和地沟油油样参数数据均包括油样的电导率、酸价值和折光率值。
进一步的，所述GRNN神经网络通过训练集进行训练时，通过改变各参数数据所占的权重比，将GRNN神经网络中所要进行分析和判别的各参数数据所占的比重进行相应的增大或减小并通过梯度下降法进行迭代求解，得到最小化的损失函数和模型参数值，建立最优GRNN神经网络。
进一步的，S2中对训练集和测试集中的各参数数据进行权重比调整包括降低折光率值在神经网络中所占的权重，提高电导率值和酸价值在神经网络中所占的权重。
本发明还公开了一种基于GRNN神经网络的地沟油检测装置，包括数据采集器、单片机控制器和上位机，所述单片机控制器通过接收数据采集器采集到的信息并将其打包处理发送给上位机，所述上位机基于GRNN神经网络对获得的信息进行分析判别，得出未知油样是正常油样还是地沟油油样。
进一步的，所述数据采集器电导率检测器、酸价值检测器和折光率检测器。
有益效果：本发明与现有技术相比，本发明具有以下优点：
1.在使用此仪器检测地沟油时，避免了传统检测判断方法复杂、时效慢，准确率低的情况，能够对未知油样进行快速的判别，并拥有着极高的精确度。
2.此检测装置便于携带，同时能够在各种场合进行使用，不局限于单一环境的油样，确保了对未知油样进行快速鉴别的效率。
附图说明
图1不同种类油样的电导率值；
图2不同种类油样的折光率；
图3含不同比例地沟油成分油样的酸值；
图4神经网络结构图；
图5 GRNN的神经网络的函数运算过程；
图6 GRNN网络训练流程；
图7基于GRNN神经网络的地沟油检测系统装置示意图。
具体实施方式
下面结合附图和实施例一步阐述本发明。
如图7所示的一种基于GRNN神经网络的地沟油检测装置，检测装置包括2个主要部分：硬件部分和软件部分。硬件部分主要由数据采集器和单片机主控制器构成；软件部分主要由上位机数据处理分析部分构成。数据采集器通过传感器获得当前油样的电导率、酸价值和折光率参数，单片机主控制器将数据采集器采集到的数据传递到上位机，再由GRNN神经网络进行相应的分析和判别，得出此未知油样是正常食用油还是有害的地沟油。
本发明所设计的上位机算法处理部分，实际中采用GRNN神经网络算法来实现。GRNN 神经网络算法是一种全局处理效果较好的算法，且较为适合处理不稳定数据，应用起来简单、效率高，对地沟油的检测判别拥有着较高的准确率。基于GRNN神经网络的地沟油检测方法主要是利用部分已知油样的电导率、酸价值、折光率参数对网络进行不断的训练，当其训练所需的样本数值一旦确定，则相应的网络结构和各神经元之间的权值也随之确定，网络的训练实际上只是确定扩展系数的过程，选出最佳扩展系数值即可确定最优GRNN网络，通过对训练好的网络进行测试，可以验证其准确率。在训练和测试结束后，训练好的网络可通过单片机主控制器接收从数据采集器采集过来的未知油样数据，对未知油样进行快速的分析和判别，从而得到最佳判别结果。
GRNN神经网络算法与BP神经网络算法比较：
GRNN神经网络是一种全局处理的算法，在训练过程中不需要误差反向计算来修正权值，而只需要进行不断的调整扩展系数，这不仅减少了训练时间，同时也加快了网络学习的速度，同时GRNN神经网络模型具有很强的非线性映射能力和柔性网络结构，具有高度的容错性和鲁棒性，通常可用来实现函数逼近，适用于处理不稳定数据；BP神经网络是一种局部极小化问题处理的算法，同时在其训练过程中需要考虑多方面问题，同时容易出现权值误差改变很小的情况，另外，BP神经网络对样本依赖性非常强，对一些非常规的数据无法做到快速的分析和判别，只适用于处理一些特定数据。
①相比于BP神经网络对样本的严重依赖，GRNN神经网络只需要在确定好最佳扩展系数值后，便可对未知的数据进行快速的分析和判别。
②在地沟油检测过程中，大多数情况下油样数据集数量较少，采用BP网络算法容易出现收敛速度慢的情况，无法对未知油样进行快速的分析和判别，容易产生误差。而GRNN神经网络算法能够通过预先建立的最优模型，快速的对未知数据进行分析和判别，拥有着极高的精度。
如图1、图2和图3所述，在图1和图2中普通油样1,2,3,4分别代表合格食用菜籽油、花生油、玉米油、大豆油，5,6,7则分别代表着煎炸老油、提纯地沟油、地沟油三种有害油样，合格食用油的电导率值在10μS/cm以下，而有害油样的电导率值均在10μS/cm以上，可见不同油样的电导率值是不一样的。在图二中合格食用油的折光率均在1.46-1.48N之间，而有害油样的电导率均在1.46N以下，可清晰地发现不同油样的折光率存在着细微的不同。在图3中普通食用油中地沟油含量的不同，它们的酸值出现了非常明显的变化，地沟油掺杂含量越高，酸值越大。
如图4所示，GRNN神经网络在结构上主要由四层结构来构成，分别为输入层、模式层、求和层、输出层。输入层仅将样本变量送入模式层，并不参与真正的运算。模式层神经元数目等于学习样本的数目n，各神经元对应不同的样本，模式层神经元传递函数为：
其中，σ为扩展系数即SPREAD值；X＝[X1，X2，…，Xn]T，其中X表示GRNN神经网络结构网络中，所输入的所有数据：X1，X2…Xn所组成的一行多列矩阵的转置。
求和层主要是对神经元进行求合，它有两种方式，分别为对Pi进行求合，以及对i*Pi进行求合，前者指的是对神经元的输出进行求和，后者指的是对神经元进行加权求和。
输出层中的神经元数目和输出向量的维数K相同，其主要是将各神经元的求和层输出相除，神经元的每一个输出都对应着估计结果所对应的数值。
GRNN的神经网络的函数运算如图5所示，当有数据矩阵P输入时，权值IW1,1-P 得到向量积lldistll，将所得结果传给下一步得数值乘积a1＝lldistll*b，其中b为偏差。再通过传递函数径向基函数radbas得a2后进入下一步与权值LW2,1相乘得a3＝a2*LW2,1，最后经线性函数purelin得最后输出值即Y＝purelin(a3)，输出最终结果Y。其中权值 IW1，1为输入集的转置矩阵即IW1,1＝pT，LW2，1为训练集输出矩阵。传递函数径向基函数常用高斯函数作为网络的传递函数其表达式为：
其中偏差b为：
b＝[b1,b2,...,bn]T (3)
其中
式中，SPREAD为扩展系数。
本发明中最重要的是GRNN神经网络的训练，从而建立最优GRNN网络，如图6 所示。
步骤1、准备油样，分为合格油和非合格油。合格油采用粟米油、花生油、火麻油、玉米油、橄榄油、山茶油、棕榈油、芥花子油、葵花子油、大豆油等市面上标准食用油；非合格油则采用合格油使用后的废弃油作为纯地沟油类，其中再将地沟油按10％、20％、 30％、40％、50％、60％、70％、80％、90％的含量掺入合格食用油中作为非合格油中的掺杂油。将分好的油使用相关检测仪测量其电导率、酸价值和折光率。
步骤2、利用Matlab自带的神经网络工具函数创建GRNN网络并通过训练集进行训练，建立初步模型。同时由于所测油样的折光率参数波动范围相差非常小，直接运用训练集进行训练时无法使神经网络得到最优的初步模型，特在建立初步模型时通过改变各参数值所占的权重比并通过梯度下降法对数据进行进一步的处理以此来达到网络的最优结果，其主要为降低折光率数值在神经网络中所占的权重比，提高电导率值和酸价值在神经网络中所占的权重。
步骤3、模型建立后，将测试集的输入变量送入模型，根据模型的输出来进行性能评价得出预测精度，同时，由于所测油样的折光率参数波动范围很小，差别不大，根据阿贝折射仪检测的数据显示：地沟油的折光率普遍小于等于1.455，合格食用油的折光率普遍大于等于1.465。两者划分差距仅为0.01个折光率单位，且其受温度影响。在这种细微差距的情况下，本方法采用GRNN神经网络来分析和判别地沟油，在进行网络训练时虽已降低其所占权重但只进行单一次的训练时容易产生较大误差，在进行测试时对最终结果无法做出正确的判断。特在训练时通过10次的交叉验证和Bootstrap可重复采样来进行重复的训练和测试，并对各网络的扩展系数SPREAD进行不断的调整以此来达到局部最优。重复采样是指从训练样本中有放回的随机抽取数据集，每个数据集的容量都与原数据集相同。以此对最后的性能进行互相对比再折中取优选取建立最优 GRNN网络，并选出最佳的SPREAD值。
步骤4、神经网络多次重复训练测试后，将未知的油用该装置进行检测，得到未知油是否为地沟油。
如图7所示的是一种基于GRNN神经网络的地沟油检测装置系统示意图，其主要由数据采集器、单片机控制器7、上位机8构成。该数据采集器包括电导率检测器1、4，酸价值检测器2、5，折光率检测器3、6，数据采集器与单片机控制器7相连，单片机控制器7与上位机相连。单片机控制器接收数据采集器采集过来的信息进行打包处理发送给上位机，由上位机进行分析和判别。
其中，单片机控制器7采用MSP430单片机，在保证超低功耗的前提下有较高的处理能力及运算速度。系统上电后，单片机控制器7便会执行数据采集和发送，以及控制初始化程序，单片机会给数据采集器发送指令启动，初始化程序执行完毕后，单片机控制器进入主程序开始执行，将数据采集器采集到的信息进行打包和处理并发送给上位机 8进行最终处理。
其中，上位机8主要是用于接收单片机控制器7传输过来的未知油样的电导率，酸价值和折光率参数，并对其进行分析和处理，判断此油样是否为合格食用油还是地沟油。
Claims (6)
1.一种基于GRNN神经网络的新型地沟油检测方法，其特征在于：包括以下步骤：
S1：通过采集若干正常油样参数数据和地沟油油样参数数据构成样本集，将样本集分为训练集和测试集；
S2：创建GRNN神经网络模型，通过输入训练集进行训练和输入测试集进行模型精度调整，采用交叉验证和重复采样进行重复训练和测试；将测试后的输出进行互相对比并折中取优选，建立最优GRNN网络模型；
S3：采集未知油样参数数据，将该未知油样参数数据输入至最优GRNN网络模型进行正常油样和地沟油油样的判断。
2.根据权利要求1所述的一种基于GRNN神经网络的新型地沟油检测方法，其特征在于：所述正常油样参数数据和地沟油油样参数数据均包括油样的电导率、酸价值和折光率值。
3.根据权利要求2所述的一种基于GRNN神经网络的新型地沟油检测方法，其特征在于：所述GRNN神经网络通过训练集进行训练时，通过改变各参数数据所占的权重比，将GRNN神经网络中所要进行分析和判别的各参数数据所占的比重进行相应的增大或减小并通过梯度下降法进行迭代求解，得到最小化的损失函数和模型参数值，建立最优GRNN神经网络。
4.根据权利要求3所述的一种基于GRNN神经网络的新型地沟油检测方法，其特征在于：S2中对训练集和测试集中的各参数数据进行权重比调整包括降低折光率值在神经网络中所占的权重，提高电导率值和酸价值在神经网络中所占的权重。
5.一种基于GRNN神经网络的地沟油检测装置，其特征在于：包括数据采集器、单片机控制器和上位机，所述单片机控制器通过接收数据采集器采集到的信息并将其打包处理发送给上位机，所述上位机基于GRNN神经网络对获得的信息进行分析判别，得出未知油样是正常油样还是地沟油油样。
6.根据权利要求1所述的一种基于GRNN神经网络的地沟油检测装置，其特征在于：所述数据采集器电导率检测器、酸价值检测器和折光率检测器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910084359.4A CN109884282B (zh) | 2019-01-29 | 2019-01-29 | 基于grnn神经网络的新型地沟油检测方法及其检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910084359.4A CN109884282B (zh) | 2019-01-29 | 2019-01-29 | 基于grnn神经网络的新型地沟油检测方法及其检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109884282A true CN109884282A (zh) | 2019-06-14 |
| CN109884282B CN109884282B (zh) | 2022-01-28 |
Family
ID=66927220
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910084359.4A Active CN109884282B (zh) | 2019-01-29 | 2019-01-29 | 基于grnn神经网络的新型地沟油检测方法及其检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109884282B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112924652A (zh) * | 2021-02-02 | 2021-06-08 | 南京仁面集成电路技术有限公司 | 一种基于fpga加速的低功耗便携式多特征地沟油检测器 |
| CN115081553A (zh) * | 2022-08-16 | 2022-09-20 | 安徽节源环保科技有限公司 | 一种环保数据监测与处理方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102998350A (zh) * | 2012-12-10 | 2013-03-27 | 西南大学 | 利用电化学指纹图谱鉴别食用油和地沟油的方法 |
| CN103616449A (zh) * | 2013-11-29 | 2014-03-05 | 广东省食品工业研究所 | 一种鉴别餐厨废油脂的方法 |
| CN103913435A (zh) * | 2014-04-24 | 2014-07-09 | 江西农业大学 | 一种基于多源信息融合的潲水油快速检测方法及装置 |
| CN104297205A (zh) * | 2014-11-04 | 2015-01-21 | 天津工业大学 | 一种快速、无损的食用油鉴别方法 |
| CN108169169A (zh) * | 2018-02-12 | 2018-06-15 | 北京理工大学珠海学院 | 一种基于近红外光谱技术的山茶油掺伪的快速检测方法 |
| CN108827925A (zh) * | 2018-08-01 | 2018-11-16 | 滁州学院 | 基于光纤式荧光光谱技术的食用植物油真伪快速检测方法和检测装置 |
| CN108845045A (zh) * | 2018-05-03 | 2018-11-20 | 北京工商大学 | 一种气相指纹图谱结合主成分分析方法判别炸油质量的方法 |
-
2019
- 2019-01-29 CN CN201910084359.4A patent/CN109884282B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102998350A (zh) * | 2012-12-10 | 2013-03-27 | 西南大学 | 利用电化学指纹图谱鉴别食用油和地沟油的方法 |
| CN103616449A (zh) * | 2013-11-29 | 2014-03-05 | 广东省食品工业研究所 | 一种鉴别餐厨废油脂的方法 |
| CN103913435A (zh) * | 2014-04-24 | 2014-07-09 | 江西农业大学 | 一种基于多源信息融合的潲水油快速检测方法及装置 |
| CN104297205A (zh) * | 2014-11-04 | 2015-01-21 | 天津工业大学 | 一种快速、无损的食用油鉴别方法 |
| CN108169169A (zh) * | 2018-02-12 | 2018-06-15 | 北京理工大学珠海学院 | 一种基于近红外光谱技术的山茶油掺伪的快速检测方法 |
| CN108845045A (zh) * | 2018-05-03 | 2018-11-20 | 北京工商大学 | 一种气相指纹图谱结合主成分分析方法判别炸油质量的方法 |
| CN108827925A (zh) * | 2018-08-01 | 2018-11-16 | 滁州学院 | 基于光纤式荧光光谱技术的食用植物油真伪快速检测方法和检测装置 |
Non-Patent Citations (2)
| Title |
|---|
| 何东平: "《食品安全与营养健康科普系列》", 31 August 2012, 中国轻工业出版社 * |
| 黄东卫: "《非线性数学基础引论》", 30 September 2018, 天津大学出版社 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112924652A (zh) * | 2021-02-02 | 2021-06-08 | 南京仁面集成电路技术有限公司 | 一种基于fpga加速的低功耗便携式多特征地沟油检测器 |
| CN112924652B (zh) * | 2021-02-02 | 2022-04-15 | 南京仁面集成电路技术有限公司 | 一种基于fpga加速的低功耗便携式多特征地沟油检测器 |
| CN115081553A (zh) * | 2022-08-16 | 2022-09-20 | 安徽节源环保科技有限公司 | 一种环保数据监测与处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109884282B (zh) | 2022-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101609042A (zh) | 基于近红外光谱的手持式土壤养分无损测量系统 | |
| CN102735642B (zh) | 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法 | |
| CN104700153A (zh) | 基于模拟退火优化BP神经网络的pH值预测方法 | |
| CN104807775B (zh) | 一种用于鉴别煎炸油质量的nir光谱分析模型及方法 | |
| CN101799411B (zh) | 一种润滑油在用油质量光谱快速检测法 | |
| CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
| CN102636510A (zh) | 核磁共振氢谱检测食用油品质的方法 | |
| CN109165504A (zh) | 一种基于对抗生成网络的电力系统虚假数据攻击识别方法 | |
| CN102636454A (zh) | 近红外光谱快速测定食用油中低碳数脂肪酸含量的方法 | |
| CN105699616A (zh) | 多参数水质检测与评级系统及其水质评级方法 | |
| CN109884282A (zh) | 基于grnn神经网络的新型地沟油检测方法及其检测系统 | |
| CN201503392U (zh) | 基于近红外光谱的手持式土壤养分无损测量装置 | |
| CN103293118A (zh) | 一种基于近红外光谱分析技术的潲水油鉴别方法 | |
| CN107703097A (zh) | 利用衰减全反射探头与近红外光谱仪构建快速预测原油性质的模型的方法及其应用 | |
| CN107240089A (zh) | 一种分析物的浓度检测方法 | |
| CN110309609A (zh) | 一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法 | |
| CN109886314A (zh) | 一种基于pnn神经网络的餐厨废弃油检测方法及其装置 | |
| CN103487398B (zh) | 一种赖氨酸发酵液的分析方法 | |
| CN107462607B (zh) | 一种基于电特性参数的红茶发酵适度的检测方法 | |
| CN103308507A (zh) | 一种快速测定聚氨酯中游离-nco的分析方法 | |
| CN109032094A (zh) | 一种基于核磁共振分析仪的原油快速评价建模云平台 | |
| CN112651622A (zh) | 一种电能量质量评估方法和系统 | |
| CN209247678U (zh) | 电池电解液状态检测装置 | |
| CN205720196U (zh) | 多参数水质检测系统 | |
| CN108982390B (zh) | 一种基于原子吸收光谱信息的水体农药残留检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190614 Assignee: Shanghai Yanqiao Information Technology Co.,Ltd. Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY Contract record no.: X2022980020273 Denomination of invention: A New Method and Detection System of Trench Oil Based on GRNN Neural Network Granted publication date: 20220128 License type: Common License Record date: 20221108 |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240428 Address after: Building 1, No. 3 Gutan Avenue, Economic Development Zone, Gaochun District, Nanjing City, Jiangsu Province, 211302 Patentee after: NANJING YUANKONG HEALTH TECHNOLOGY CO.,LTD. Country or region after: China Address before: 223005 A12-2, high tech Industrial Park, three East seven street, Hongze District, Huaian, Jiangsu (Hongze technology transfer center Hongze sub center) Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY Country or region before: China |