CN109959765B - 三文鱼新鲜度检测系统及方法 - Google Patents
三文鱼新鲜度检测系统及方法 Download PDFInfo
- Publication number
- CN109959765B CN109959765B CN201910257216.9A CN201910257216A CN109959765B CN 109959765 B CN109959765 B CN 109959765B CN 201910257216 A CN201910257216 A CN 201910257216A CN 109959765 B CN109959765 B CN 109959765B
- Authority
- CN
- China
- Prior art keywords
- salmon
- sample
- gas sensor
- freshness
- detected
- 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.)
- Active
Links
- 241000972773 Aulopiformes Species 0.000 title claims abstract description 128
- 235000019515 salmon Nutrition 0.000 title claims abstract description 128
- 238000001514 detection method Methods 0.000 title claims abstract description 83
- 238000010801 machine learning Methods 0.000 claims abstract description 37
- 238000005057 refrigeration Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000003909 pattern recognition Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 239000007789 gas Substances 0.000 claims description 87
- 230000004044 response Effects 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 7
- 239000004743 Polypropylene Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- -1 polypropylene Polymers 0.000 claims description 4
- 229920001155 polypropylene Polymers 0.000 claims description 4
- 238000004321 preservation Methods 0.000 claims description 4
- 238000007789 sealing Methods 0.000 claims description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 3
- 229910052782 aluminium Inorganic materials 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 239000011888 foil Substances 0.000 claims description 3
- 239000003292 glue Substances 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 3
- 229910001220 stainless steel Inorganic materials 0.000 claims description 3
- 239000010935 stainless steel Substances 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 239000002912 waste gas Substances 0.000 claims description 2
- 210000001503 joint Anatomy 0.000 claims 2
- 230000003993 interaction Effects 0.000 abstract description 4
- 235000013305 food Nutrition 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 239000003755 preservative agent Substances 0.000 description 4
- 230000002335 preservative effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 231100000252 nontoxic Toxicity 0.000 description 1
- 230000003000 nontoxic effect Effects 0.000 description 1
- 230000008689 nuclear function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009967 tasteless effect Effects 0.000 description 1
Images
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
- G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means
-
- 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
- G01N33/12—Meat; Fish
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Food Science & Technology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Devices That Are Associated With Refrigeration Equipment (AREA)
Abstract
本发明实施例提供一种三文鱼新鲜度检测系统及方法,属于食品检测技术领域。包括:密闭检测气室、气体传感器阵列、数据采集模块、模式识别模块和显示界面;其中,密闭检测气室用于放置待检测三文鱼样本;数据采集模块,用于收集气体传感器阵列采集到的待检测三文鱼样本的气味信息,并对气味信息进行预处理和特征量提取;模式识别模块,用于根据气味信息,通过训练好的核机器学习模型确定待检测三文鱼样本的新鲜度;显示界面,用于实现人机交互。本发明实施例提供的系统,可以实现从气体传感器阵列采集三文鱼样本气味到模式识别模块识别不同冷藏温度的三文鱼新鲜度的智能检测与辨识。
Description
技术领域
本发明实施例涉及食品检测技术领域,尤其涉及一种三文鱼新鲜度检测系统及方法。
背景技术
冷藏保鲜方法(0-4℃)将三文鱼的温度降低到冰点却又不使其冻结产生冰晶,从而使其能够较好地保持其品质。但是受运输条件、销售或采购后贮藏环境的限制,水产品冷藏温度常不能控制在0-4℃内,导致其新鲜度下降很快,极易发生变质腐败。电子鼻是一种现代仿生技术,可以通过对气味进行分析达到种类区分、新鲜度判定和品质预测等目的,广泛应用在农产品及食品领域。传统的电子鼻模式识别方法多采用线性识别方法,该方法相对简单。当研究对象类别增多、复杂性增大,尤其是像对不同冷藏温度的三文鱼新鲜度识别这种既涉及温度识别又涉及新鲜度判定的问题,传统模式下的线性识别方法将不再能满足要求,新鲜度检测精度较低。
模式识别方法的建立是电子鼻研究的重要内容,相较于传统线性模式识别方法,如Fisher判别分析法、主成分分析法,核方法可以通过核函数来解决低维线性不可分问题,保障更快速的学习和更高效率的研究,为模式识别提供重要的解算思路。引入了核方法的机器学习则称作核机器学习,在模式识别中,核机器学习模型由两部分组成,一部分是核函数,另一部分是通用的线性学习机。在众多学习机中,支持向量机(SVM)是目前应用最广泛的一种,非常适合高维度和小样本数据量训练。近年来支持向量机的研究与应用飞速发展,以支持向量机为学习机的核方法已成为流行且强大的模式识别工具。
发明内容
为了解决上述问题,本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的三文鱼新鲜度检测系统及方法。
根据本发明实施例的第一方面,提供了一种三文鱼新鲜度检测系统,包括:密闭检测气室、气体传感器阵列、数据采集模块、模式识别模块和显示界面;其中,密闭检测气室用于放置待检测三文鱼样本;数据采集模块,用于收集气体传感器阵列采集到的待检测三文鱼样本的气味信息,并对气味信息进行预处理和特征量提取;模式识别模块,用于根据气味信息,通过训练好的核机器学习模型确定待检测三文鱼样本的新鲜度;显示界面,用于实现人机交互。
根据本发明实施例的第二方面,提供了一种三文鱼新鲜度检测方法,该方法包括:获取气体传感器阵列采集到的待检测三文鱼样本的气味信息,待检测三文鱼样本被置于密闭检测气室的样本槽内;根据气味信息,通过训练好的核机器学习模型确定待检测三文鱼样本的新鲜度。
本发明实施例提供的三文鱼新鲜度检测系统及方法,可以实现从气体传感器阵列采集三文鱼样本气味到模式识别模块识别不同冷藏温度的三文鱼新鲜度的智能检测与辨识。
应当理解的是,以上的一般描述和后文的细节描述是示例性和解释性的,并不能限制本发明实施例。
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一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种三文鱼新鲜度检测系统的结构示意图;
图2为本发明实施例提供的一种三文鱼新鲜度检测方法的流程示意图;
图3为本发明实施例提供的一种三文鱼挥发性气味电压响应曲线图;
图4为本发明实施例提供的一种三文鱼新鲜度检测系统的框架示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
基于上述内容,针对上述情形,本发明实施例提供了一种三文鱼新鲜度检测系统。参见图1,该系统包括:密闭检测气室101、气体传感器阵列102、数据采集模块103、模式识别模块104和显示界面105;其中,密闭检测气室101用于放置待检测三文鱼样本;数据采集模块103,用于收集气体传感器阵列102采集到的待检测三文鱼样本的气味信息,并对气味信息进行预处理和特征量提取;模式识别模块104,用于根据气味信息,通过训练好的核机器学习模型确定待检测三文鱼样本的新鲜度;显示界面105,用于实现人机交互。
其中,气体传感器阵列102可以集中排列在密闭检测气室101的底部,本发明实施例对此不作具体限定。密闭检测气室101可具有严格的气密性,并可便于气体清洗。需要说明的是,密闭检测气室101内部体积过大或过小,均会影响三文鱼样本挥发性气体在气室内达到平衡、与传感器充分接触的时间,从而密闭检测气室101的体积应适中。还需要说明的是,气体传感器正常工作时,气体传感器内的敏感元件部位温度可高达200~300℃,气体传感器内敏感元件的外部可加有滤网防护罩。密闭检测气室101的材料可选择耐热、无挥发性气味且不会与三文鱼挥发性气体产生反应的材料,本发明实施例对此不作具体限定。
本发明实施例提供的三文鱼新鲜度检测系统,该系统主要由密闭检测气室101、气体传感器阵列102、数据采集模块103、模式识别模块104和显示界面105组成,可以实现从气体传感器阵列采集三文鱼样本气味到模式识别模块104识别不同冷藏温度的三文鱼新鲜度的智能检测与辨识。
基于上述实施例的内容,作为一种可选实施例,密闭检测气室101的顶部上设置有开孔,开孔内设置有样本槽;样本槽用于放置待检测三文鱼样本。其中,密闭检测气室101可以为高9cm、直径15cm的圆柱体,并可由微波加热的聚丙烯保鲜盒改装、由铝箔胶密封而成,本发明实施例对此不作具体限定。需要说明的是,聚丙烯材料无毒、无味,具有较高的耐热性,连续使用温度可达110~120摄氏度,与绝大多数化学药品不发生化学反应。样本槽上还可以通过保鲜膜进行密封,另外,样本槽还可以选用不锈钢大孔滤网制成,从而由保鲜膜密封且更换方便。
基于上述实施例的内容,作为一种可选实施例,密闭检测气室101的外壁设置有进气口及出气口;其中,进气口连接空气净化器,出气口连接真空泵;进气口,用于通过空气净化器对吸入检测气室的气体进行过滤;出气口,用于通过真空泵排出检测气室内的废气。具体地,密闭检测气室101开有进气口及出气口,可对密闭检测气室101进行洗气,进气口连接活性炭空气净化器对吸入空气进行过滤,出气口连接真空泵将气室内废弃抽出并排到室外。将6个传感器呈圆形集中排列于气室底部,可以通过气体传感器阵列102方便检测到敏感气体。待测三文鱼样本则可置于检测气室101顶部中央的三文鱼样本槽内。基于上述实施例的内容,作为一种可选实施例,气体传感器阵列102包含6个传感器,6个传感器呈圆形排列集中放置在密闭检测气室101的底部。其中,该6个传感器的型号选择,以及针对的具体敏感气体,可参考如下表1:
表1
基于上述实施例的内容,作为一种可选实施例,气味信息为6个传感器采集到的电压响应值。
基于上述实施例的内容,作为一种可选实施例,数据采集模块103,具体用于采集6个传感器的电压响应值,并对电压响应值进行预处理及响应特征值的提取。
基于上述实施例的内容,作为一种可选实施例,模式识别模块104,具体用于将待检测三文鱼样本的冷藏温度及6个传感器响应特征值输入至训练好的核机器学习模型,输出待检测三文鱼样本的新鲜度。其中,模式识别模型可以选择核机器学习模型,以支持向量机作为学习机,基于三文鱼样本数据,对SVM核机器学习模型进行训练、测试和选择后得到。
另外,上述实施例涉及到的新鲜度检测系统数据采集模块和模式识别模块可以采用如下软件设计,具体地:可包含串口数据采集模块和模式识别模块两个核心模块,并在计算机MyEclipse平台上基于Java语言开发。其中,串口数据采集模块可采用开源的RXTX串口通信api对接下位机,实现实时采集串口数据的功能,并将采集到的数据按照一定的特征量提取规则进行数据预处理,获取样本的特征值。模式识别模块,可采用开源的LibSVM forJAVA API库开发并构建出适用于三文鱼新鲜度检测的核机器学习模型,从而最终实现利用串口数据采集模块提取的特征值对三文鱼新鲜度进行智能识别。需要说明的是,在检测出三文鱼的新鲜度也即冷藏天数后,可以通过人机交互显示界面显示出待检测三文鱼的冷藏天数。
结合上述实施例的内容,本发明实施例还提供了一种三文鱼新鲜度检测方法。参见图2,该方法包括:201、获取气体传感器阵列采集到的待检测三文鱼样本的气味信息,待检测三文鱼样本被置于密闭检测气室的样本槽内;202、根据气味信息,通过训练好的核机器学习模型确定待检测三文鱼样本的新鲜度。
其中,本发明实施例提供的方法可以结合上述实施例提供的三文鱼新鲜度检测系统实施,也可以独立实施,本发明实施例对此不作具体限定。为了便于描述,本发明实施例以三文鱼新鲜度检测为例,对本发明实施例提供的新鲜度检测方法进行说明。
本发明实施例提供的方法,可以实现从气体传感器阵列采集三文鱼样本气味到模式识别模块识别不同冷藏温度的三文鱼新鲜度的智能检测与辨识。
基于上述实施例的内容,作为一种可选实施例,在根据气味信息,通过训练好的核机器学习模型确定待检测三文鱼样本的新鲜度之前,还包括:基于用于训练的三文鱼样本数据,对不同核函数及不同参数的核机器学习模型进行训练及测试,三文鱼样本数据至少包括用于训练的三文鱼样本的气味信息;获取每一模型的测试结果,将测试结果满足预设条件的核机器模型作为训练好的核机器学习模型。
基于上述实施例的内容,作为一种可选实施例,三文鱼样本数据还包括用于训练的三文鱼样本的冷藏温度及新鲜度。
基于上述实施例的内容,作为一种可选实施例,气味信息为气体传感器阵列的响应特征值,述新鲜度为三文鱼冷藏天数。
基于上述实施例的内容,作为一种可选实施例,考虑三文鱼冷藏保鲜的温度要求和实际情况,可以设计0、4及6℃冷藏温度下的三文鱼气味检测实验,以实验中气体传感器阵列采集的样本气味信息以及被检测三文鱼样本的冷藏温度作为模式识别的输入量,冷藏天数作为判断三文鱼新鲜度的输出量,对不同核函数及其参数的核机器学习模型进行训练与测试,通过分析评价,从而得到适用于该电子鼻系统预测三文鱼新鲜度的最佳核机器模型,也即最终确定的模式识别模型。
为了便于理解,现在结合实际应用场景,对三文鱼样本气味检测实验的过程进行说明。该实验可安排在空气质量良好的实验室环境内进行。首先,可以先对实验材料进行处理。具体地,可先获取新鲜的三文鱼肉实验材料。将三文鱼切成30mm×30mm的片状样本,每个样本大概30g分别放入保鲜袋内,并随机分成A、B、C三组,分别放入0、4和6℃的恒温箱中冷藏。制样当天起,每过24小时分别从A、B、C三组剩余样本中随机取用3个样本进行检测,对A、B、C三组分别连续检测14、9、8天。
每次实验前,可以对气体传感器进行20分钟预热,以使得气体传感器进入正常的工作状态。检测样本前首先向检测气室内通入洁净的空气进行洗气,待5分钟后传感器基线趋于稳定,即可进行样本气味检测。具体地,可将待测三文鱼样本放入检测气室顶部开孔内的样本槽内,迅速用保鲜膜密封,开始气味信息采集,采集频率设置为1Hz。连续采集10分钟后结束采样。检测结束后,取出三文鱼样本和样本槽。对气室进行洗气以使得气体传感器恢复到初始的基线稳定状态,并进入下一个样本的气味采样。
通过实验,可获取三文鱼在3个冷藏温度下,冷藏过程中气味指纹变化情况,共得到93组数据。采取简单随机抽样的方法,从每3组平行实验数据中抽取1组,共抽取31组数据作为测试集,剩余62组作为训练集对核机器学习模型进行训练。根据前期实验,可建立气体传感器阵列对三文鱼挥发性气味随时间变化的电压响应曲线图,示意图如图3所示。各曲线与坐标轴纵轴的交点为相应气体传感器的基线值V0(即气体传感器在纯净空气中的稳定电压值),每个气体传感器对应不同的基线值。随着时间的积累,挥发性气体不断扩散至完全充满检测气室,气体传感器阵列电压响应值也不断增大最终趋于稳定。根据电压响应曲线图,可确定放入三文鱼样本后全部气体传感器响应值已基本趋于稳定的时间x。为了尽量减小气体传感器信号波动造成误差以及实验环境的干扰,可选择传感器特征量为:
其中,Vn为气体传感器在第n秒的电压值,V0为气体传感器的基线值。基于上述公式,则可得到对应于气体传感器阵列的6个特征量。其中,三文鱼新鲜度随冷藏天数延长而变的越来越低,在不同冷藏温度下冷藏的三文鱼新鲜度及气味种类、浓度变化速度也存在明显差异。因此,需要通过辨识冷藏天数来对三文鱼新鲜度进行判断,冷藏温度必然是一个重要的依据。本发明实施例以冷藏温度作为1个特征量与气体传感器阵列的响应特征值共同组成包含7个特征量的特征矩阵,对三文鱼样本冷藏天数的进行模式识别,以为三文鱼新鲜度的判断提供依据。
需要说明的是,模型采用的核函数及其核参数的选取同样是核机器学习研究中的重点和难点问题,也是构建出良好核机器学习模型的关键。针对不同问题的复杂性,可以在实际实验中不断地比较和调整,以找到适用于解决特定问题的最佳核函数及核参数,从而构建出适用于特定问题的具有良好性能的核机器学习模型。目前,在核机器学习研究中可供选择的核函数有很多种,不同核函数还有其对应的不确定参数,基于LibSVM库选择了以下几种常用核函数:
(1)线性核函数(Liner):
K(x,y)=xTy
线性核函数主要用于线性可分的问题,对于线性核函数而言,其参数少、速度快,无特定参数需要设置。
(2)径向基核函数(或称高斯函数,RBF核函数),在SVM研究中较常用的形式为:
K(x,y)=exp(-γ||x-y||2),γ>0
径向基核函数是一种局部性强的核函数,无论大样本还是小样本都有比较好的性能,且其需要调整的核参数少,仅有γ一个可调参数。
(3)Sigmoid核函数:
K(x,y)=tanh(γxTy+c),γ>0,c≥0
采用Sigmoid核函数的核机器模型实现的是一种多层神经网络。对于Sigmoid核函数而言,有γ和c两个参数需要设置。
(4)多项式核函数(Polynomial):
K(x,y)=(γxTy+c)q,q∈N,c≥0
多项式核函数适用于非线性特征映射,可以实现将低维的输入空间映射到高维的特征空间,多项式核函数中有q、γ、c三个参数需要设置。
基于上述内容在确定模型使用的核函数及核参数后,可以将电子鼻采集到的6路传感器响应特征值和冷藏温度作为输入,三文鱼实际冷藏天数作为期望输出,对训练集和测试集数据进行格式化处理。针对三文鱼新鲜度辨识问题,采用有监督学习方法分别对不同核函数、不同参数情况下的模型进行训练,并对不同情况下的SVM模型进行仿真测试,通过以上步骤对核函数及其参数进行反复调整,最终建立不同核函数及不同核参数的多个模型,判断不同模型的辨识效果,从中选择综合效果最优的核机器学习模型作为本系统的模式识别模型。具体的评价方法可以为平均偏差值、最大偏差值、无偏差预测正确率、允许偏差1天预测正确率作为评价标准进行结果评价。
其中,平均偏差值为所有测试数据中仿真结果与期望输出结果偏差天数的平均值,最大偏差值为所有测试数据中仿真结果与期望输出结果偏差天数的最大值,无偏差预测正确率为仿真结果与期望输出结果完全一致的组数占测试数据总组数的比率,允许偏差1天预测正确率为仿真结果与期望输出结果最多偏差1天的组数占测试数据总组数的比率。
结合上述实验流程,现对三文鱼实际新鲜度检测的工作流程进行说明:在工作前,可对气体传感器进行20分钟预热使传感器进入正常的工作状态。首先,可以向检测气室内通入洁净的空气进行洗气,待5分钟后传感器基线趋于稳定,即可进行样本气味检测。将待测三文鱼样本放入检测气室顶部开孔内的样本槽内,迅速用保鲜膜密封,开始气味信息采集,采集频率可设置为1Hz,连续采集6分钟后结束采样。检测结束后,取出三文鱼样本和样本槽,对气室进行洗气使传感器恢复到初始的基线稳定状态,方便下次样本的气味采样。
采集与预测流程为:在显示界面输入特征量提取的时间限制(默认为300s)、三文鱼冷藏温度,点击“开始检测”按钮开始采集。多个半导体气敏传感器固定于密闭气室内,对气室内气体浓度进行实时监测并通过信号调理电路向单片机传输电压信号。STC12C5A60S2单片机自带A/D转换功能,将模拟信号转换为能够代表气体浓度大小的数字信号经串口上传到上位机,数字信号在上位机经过预先设定好的数据处理方法进行特征值提取,随后进行基于核机器学习模型的模式识别,最终将冷藏天数的预测结果输出在显示界面。结合上述内容,本发明实施例提供的新鲜度检测系统,其总体框架可参考图4。
以上所描述的系统实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (3)
1.一种三文鱼新鲜度检测系统,其特征在于,包括:密闭检测气室、气体传感器阵列、数据采集模块、模式识别模块和显示界面;其中,所述密闭检测气室用于放置待检测三文鱼样本;所述数据采集模块,用于收集所述气体传感器阵列采集到的所述待检测三文鱼样本的气味信息,并对所述气味信息进行预处理和特征量提取;所述模式识别模块,用于根据所述气味信息,通过训练好的核机器学习模型确定所述待检测三文鱼样本的新鲜度;通过训练好的核机器学习模型确定所述待检测三文鱼样本的新鲜度之前,还包括:
基于用于训练的三文鱼样本数据,对不同核函数及不同参数的核机器学习模型进行训练及测试,所述三文鱼样本数据至少包括用于训练的三文鱼样本的气味信息;
获取每一模型的测试结果,将测试结果满足预设条件的核机器模型作为所述训练好的核机器学习模型;
所述三文鱼样本数据还包括用于训练的三文鱼样本的冷藏温度及新鲜度;
所述新鲜度为三文鱼冷藏天数;
将冷藏温度作为1个特征量与气体传感器阵列的响应特征值共同组成包含7个特征量的特征矩阵,利用所述核机器学习模型对三文鱼样本冷藏天数的进行模式识别;
在所述气体传感器阵列的敏感元件的外部设置有滤网防护罩;
所述密闭检测气室的选用耐热、无挥发性气味且不会与三文鱼挥发性气体产生反应的材料制成;
所述密闭检测气室的顶部上设置有开孔,所述开孔内设置有样本槽;所述样本槽用于放置所述待检测三文鱼样本;所述样本槽选用不锈钢大孔滤网制成;
所述密闭检测气室为高9cm、直径15cm的圆柱体,并由微波加热的聚丙烯保鲜盒改装、由铝箔胶密封而成;
所述气体传感器阵列包含6个传感器,所述6个传感器呈圆形排列集中放置在所述检测气室的底部;
所述6个传感器的型号分别为MQ136、MQ137、MQ138、TGS2612、TGS822和TGS2600;
所述气味信息为所述6个传感器采集到的电压响应值;
所述数据采集模块,具体用于采集所述6个传感器的电压响应值,并对所述电压响应值进行预处理及响应特征值的提取;所述模式识别模块,具体用于将所述待检测三文鱼样本的冷藏温度及所述6个传感器响应特征值输入至训练好的核机器学习模型,输出所述待检测三文鱼样本的新鲜度,具体包括:
所述数据采集模块采用开源的RXTX串口通信api对接下位机,以实现实时采集串口数据的功能,并将采集到的电压响应值按照预设特征量提取规则进行数据预处理后,结合所述冷藏温度对应的特征量,获取所述包含7个特征量的特征矩阵;
所述模式识别模块采用开源的LibSVM for JAVA API库开发并构建所述核机器学习模型,用于根据所述特征矩阵,分析获取所述待检测三文鱼样本的新鲜度;
所述将采集到的电压响应值按照预设特征量提取规则进行数据预处理后,结合所述冷藏温度对应的特征量,获取所述包含7个特征量的特征矩阵,包括:
建立气体传感器阵列对三文鱼挥发性气味随时间变化的电压响应曲线图,将各曲线与坐标轴纵轴的交点设置为相应气体传感器的基线值V0,每个气体传感器对应不同的基线值;
待所述气体传感器阵列电压响应值稳定后,根据所述电压响应曲线图,确定放入三文鱼样本后所有所述气体传感器的响应值趋于稳定的时间x,并计算各气体传感器的特征量V为:
其中,Vn为气体传感器在第n秒的电压值,V0为气体传感器的基线值。
2.根据权利要求1所述的新鲜度检测系统,其特征在于,所述密闭检测气室的外壁设置有进气口及出气口;其中,所述进气口连接空气净化器,所述出气口连接真空泵;所述进气口,用于通过所述空气净化器对吸入所述检测气室的气体进行过滤;所述出气口,用于通过所述真空泵排出所述检测气室内的废气。
3.一种三文鱼新鲜度检测方法,其特征在于,包括:
利用数据采集模块获取气体传感器阵列采集到的待检测三文鱼样本的气味信息,所述待检测三文鱼样本被置于密闭检测气室的样本槽内;在所述气体传感器阵列的敏感元件的外部设置有滤网防护罩;所述密闭检测气室的选用耐热、无挥发性气味且不会与三文鱼挥发性气体产生反应的材料制成;所述密闭检测气室的顶部上设置有开孔,所述开孔内设置有样本槽;所述样本槽用于放置所述待检测三文鱼样本;所述样本槽选用不锈钢大孔滤网制成;
利用模式识别模块根据所述气味信息,通过训练好的核机器学习模型确定所述待检测三文鱼样本的新鲜度;
通过训练好的核机器学习模型确定所述待检测三文鱼样本的新鲜度之前,还包括:
基于用于训练的三文鱼样本数据,对不同核函数及不同参数的核机器学习模型进行训练及测试,所述三文鱼样本数据至少包括用于训练的三文鱼样本的气味信息;
获取每一模型的测试结果,将测试结果满足预设条件的核机器模型作为所述训练好的核机器学习模型;
所述三文鱼样本数据还包括用于训练的三文鱼样本的冷藏温度及新鲜度;所述新鲜度为三文鱼冷藏天数;
具体包括,将冷藏温度作为1个特征量与气体传感器阵列的响应特征值共同组成包含7个特征量的特征矩阵,利用所述核机器学习模型对三文鱼样本冷藏天数的进行模式识别;
所述密闭检测气室为高9cm、直径15cm的圆柱体,并由微波加热的聚丙烯保鲜盒改装、由铝箔胶密封而成;
所述气体传感器阵列包含6个传感器,所述6个传感器呈圆形排列集中放置在所述检测气室的底部;
所述6个传感器的型号分别为MQ136、MQ137、MQ138、TGS2612、TGS822和TGS2600;
所述气味信息为所述6个传感器采集到的电压响应值;
所述数据采集模块,具体用于采集所述6个传感器的电压响应值,并对所述电压响应值进行预处理及响应特征值的提取;所述模式识别模块,具体用于将所述待检测三文鱼样本的冷藏温度及所述6个传感器响应特征值输入至训练好的核机器学习模型,输出所述待检测三文鱼样本的新鲜度,具体包括:
所述数据采集模块采用开源的RXTX串口通信api对接下位机,以实现实时采集串口数据的功能,并将采集到的电压响应值按照预设特征量提取规则进行数据预处理后,结合所述冷藏温度对应的特征量,获取所述包含7个特征量的特征矩阵;
所述模式识别模块采用开源的LibSVM for JAVA API库开发并构建所述核机器学习模型,用于根据所述特征矩阵,分析获取所述待检测三文鱼样本的新鲜度;
所述将采集到的电压响应值按照预设特征量提取规则进行数据预处理后,结合所述冷藏温度对应的特征量,获取所述包含7个特征量的特征矩阵,包括:
建立气体传感器阵列对三文鱼挥发性气味随时间变化的电压响应曲线图,将各曲线与坐标轴纵轴的交点设置为相应气体传感器的基线值V0,每个气体传感器对应不同的基线值;
待所述气体传感器阵列电压响应值稳定后,根据所述电压响应曲线图,确定放入三文鱼样本后所有所述气体传感器的响应值趋于稳定的时间x,并计算各气体传感器的特征量V为:
其中,Vn为气体传感器在第n秒的电压值,V0为气体传感器的基线值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910257216.9A CN109959765B (zh) | 2019-04-01 | 2019-04-01 | 三文鱼新鲜度检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910257216.9A CN109959765B (zh) | 2019-04-01 | 2019-04-01 | 三文鱼新鲜度检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109959765A CN109959765A (zh) | 2019-07-02 |
CN109959765B true CN109959765B (zh) | 2021-06-01 |
Family
ID=67025417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910257216.9A Active CN109959765B (zh) | 2019-04-01 | 2019-04-01 | 三文鱼新鲜度检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109959765B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443262B (zh) * | 2019-08-22 | 2022-11-11 | 上海海洋大学 | 基于计算机视觉的鱼体新鲜度快速无损检测方法及其装置 |
CN110850028A (zh) * | 2019-10-09 | 2020-02-28 | 南京所云人工智能科技有限公司 | 一种基于机器学习的水果品质检测方法 |
CN111308027B (zh) * | 2020-01-22 | 2021-03-16 | 中国农业大学 | 生食品质的确定方法、装置、系统和计算机可读存储介质 |
CN112183611A (zh) * | 2020-09-23 | 2021-01-05 | 中国农业大学 | 一种气敏传感器信号融合优化系统及方法 |
CN112986508A (zh) * | 2021-02-22 | 2021-06-18 | 上海应用技术大学 | 海鲜新鲜度检测方法及系统 |
CN114113471A (zh) * | 2021-11-08 | 2022-03-01 | 滁州怡然传感技术研究院有限公司 | 一种基于机器学习的人工鼻冰箱食品新鲜度检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4913722B2 (ja) * | 2004-03-12 | 2012-04-11 | ウィンターラブ リミテッド | 魚の切り身の鮮度評価方法 |
CN103063813A (zh) * | 2012-12-26 | 2013-04-24 | 江苏大学 | 一种鱼类新鲜度的快速无损在线检测方法和装置 |
CN106650291A (zh) * | 2017-01-03 | 2017-05-10 | 上海海洋大学 | 一种预测三文鱼货架期的模型 |
CN106840781A (zh) * | 2017-03-09 | 2017-06-13 | 中国农业大学 | 一种电子鼻的气体采集和净化系统 |
CN107121482A (zh) * | 2017-04-13 | 2017-09-01 | 中国农业大学 | 一种嵌入式伏安电子舌检测系统及方法 |
CN109298134A (zh) * | 2018-07-26 | 2019-02-01 | 中国农业大学 | 一种嵌入式电子鼻检测系统及检测方法 |
-
2019
- 2019-04-01 CN CN201910257216.9A patent/CN109959765B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4913722B2 (ja) * | 2004-03-12 | 2012-04-11 | ウィンターラブ リミテッド | 魚の切り身の鮮度評価方法 |
CN103063813A (zh) * | 2012-12-26 | 2013-04-24 | 江苏大学 | 一种鱼类新鲜度的快速无损在线检测方法和装置 |
CN106650291A (zh) * | 2017-01-03 | 2017-05-10 | 上海海洋大学 | 一种预测三文鱼货架期的模型 |
CN106840781A (zh) * | 2017-03-09 | 2017-06-13 | 中国农业大学 | 一种电子鼻的气体采集和净化系统 |
CN107121482A (zh) * | 2017-04-13 | 2017-09-01 | 中国农业大学 | 一种嵌入式伏安电子舌检测系统及方法 |
CN109298134A (zh) * | 2018-07-26 | 2019-02-01 | 中国农业大学 | 一种嵌入式电子鼻检测系统及检测方法 |
Non-Patent Citations (2)
Title |
---|
Monitoring the Freshness of Moroccan Sardines with a Neural-Network Based Electronic Nose;Aziz Amari等;《Sensors》;20061005;第6卷(第10期);摘要、第1-3节 * |
不同贮藏温度下美国红鱼风味的电子鼻检测研究;杨华等;《食品科技》;20110420;第36卷(第4期);摘要、第1-2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109959765A (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109959765B (zh) | 三文鱼新鲜度检测系统及方法 | |
Wang et al. | Pulsed vacuum drying of Thompson seedless grape: Effects of berry ripeness on physicochemical properties and drying characteristic | |
CN106324011B (zh) | 一种确定调理水产品低温货架期的鲜度联合检测方法 | |
CN105044298B (zh) | 一种基于机器嗅觉的蟹类新鲜度等级检测方法 | |
Zhu et al. | Evaluation of green tea sensory quality via process characteristics and image information | |
CN105181912B (zh) | 一种大米储藏过程中的新鲜度检测方法 | |
CN102749370B (zh) | 壳类农产品品质指标无损快速检测的方法 | |
CN108037256B (zh) | 稻米食味品质的快速测定方法 | |
CN109472798A (zh) | 生猪脂肪含量检测模型训练方法及生猪脂肪含量检测方法 | |
CN108663367A (zh) | 一种基于鸡蛋容重的鸡蛋品质无损检测方法 | |
CN112949984B (zh) | 一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法 | |
CN108254513A (zh) | 一种鱼类货架期的判断方法及装置 | |
Escuderos et al. | Edible and non-edible olive oils discrimination by the application of a sensory olfactory system based on tin dioxide sensors | |
CN104849321A (zh) | 一种基于嗅觉指纹图谱快速检测柑橘品质的方法 | |
CN105738581B (zh) | 一种基于电子鼻的不同新鲜度山核桃的快速鉴别方法 | |
CN106556680A (zh) | 一种基于电子鼻技术快速预测肉及其制品脂肪氧化程度的方法 | |
Devi et al. | IoT-deep learning based prediction of amount of pesticides and diseases in fruits | |
CN105738422A (zh) | 一种基于电子鼻检测山核桃储藏时间的方法 | |
Wang et al. | Quantitative analysis and early detection of postharvest soft rot in kiwifruit using E-nose and chemometrics | |
CN109447045A (zh) | 一种基于深度学习卷积神经网络的食用菌快速识别系统及方法 | |
CN111122635B (zh) | 一种食用菌干燥状态在线评估方法及系统 | |
Schotsmans et al. | Factors affecting skin resistance measurements in pipfruit | |
CN113324928B (zh) | 一种基于图谱数据智能化无损检测菜肴食品营养含量方法 | |
Anticuando et al. | Electronic Nose and Deep Learning Approach in Identifying Ripe Lycopersicum esculentum L. TomatoFruit | |
CN110118735A (zh) | 一种检测香梨公母的高光谱成像检测方法及装置 |
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 |