CN111504927A - 用于食品检测的高效稳定的原子吸收光谱仪及其控制方法 - Google Patents
用于食品检测的高效稳定的原子吸收光谱仪及其控制方法 Download PDFInfo
- Publication number
- CN111504927A CN111504927A CN202010442487.4A CN202010442487A CN111504927A CN 111504927 A CN111504927 A CN 111504927A CN 202010442487 A CN202010442487 A CN 202010442487A CN 111504927 A CN111504927 A CN 111504927A
- Authority
- CN
- China
- Prior art keywords
- food
- detection
- module
- data
- image
- 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
Images
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
- G01N21/3103—Atomic absorption analysis
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
Abstract
本发明属于食品检测技术领域,公开了一种用于食品检测的高效稳定的原子吸收光谱仪及其控制方法,所述用于食品检测的高效稳定的原子吸收光谱仪包括:食品光谱采集模块、光谱图像增强模块、食品特征提取模块、中央控制模块、食品检测模块、食品质量评价模块、预警模块、数据存储模块、显示模块。本发明通过食品检测模块实现了更为准确、全面的食品质量判断分析;加权相似度算法为量化方法,使得结果输出更为具体,有利于直观的数字判断;通过预警模块根据所述检测区域内的检测项目类型和检测数值确定所述检测区域对应的检测结果,实现检测数据的远程上传,在云端对大数据进行处理、分析,基于大数据分析结果判断异常,并及时发出预警的目的。
Description
技术领域
本发明属于食品检测技术领域,尤其涉及一种用于食品检测的高效稳定的原子吸收光谱仪及其控制方法。
背景技术
食品检验是指研究和评定食品质量及其变化的一门学科,它依据物理、化学、生物化学的一些基本理论和各种技术,按照制订的技术标准,如国际、国家食品卫生/安全标准,对食品原料、辅助材料、半成品、成品及副产品的质量进行检验,以确保产品质量合格。食品检验的内容包括对食品的感官检测,食品中营养成分、添加剂、有害物质的检测等。然而,现有用于食品检测的高效稳定的原子吸收光谱仪对食品质量判断不准确;同时,不能及时对食品安全进预警。
综上所述,现有技术存在的问题是:现有用于食品检测的高效稳定的原子吸收光谱仪对食品质量判断不准确;同时,不能及时对食品安全进预警。
发明内容
针对现有技术存在的问题,本发明提供了一种用于食品检测的高效稳定的原子吸收光谱仪及其控制方法。
本发明是这样实现的,一种用于食品检测的高效稳定的原子吸收光谱仪的控制方法,所述用于食品检测的高效稳定的原子吸收光谱仪的控制方法包括以下步骤:
步骤一,通过食品光谱采集模块利用光谱探头采集食品光谱图像;通过光谱图像增强模块利用图像增强程序对采集的食品光谱图像进行增强处理。
步骤二,通过食品特征提取模块利用特征提取程序利用机器学习算法对所述卷积神经网络进行网络训练,获得预设的卷积神经网络。
步骤三,通过预设的卷积神经网络获取所述食品光谱图像样本集中每个图像样本的相似样本,并分别对每个图像样本及其对应的相似样本进行图像变换。
步骤四,通过所述卷积神经网络并且根据图像变换结果获取相应的增强处理后的食品光谱图像的特征。
步骤五,通过中央控制模块利用主控机控制所述用于食品检测的高效稳定的原子吸收光谱仪各个模块的正常工作。
步骤六,通过食品检测模块利用食品检测程序分别对步骤二获取的食品图像特征的静态数据及动态数据进行获取。
步骤七,采用加权相似度算法对步骤获取的静态数据及动态数据进行融合,得到相关系数,从而对食品质量进行检测,并生成检测报告。
步骤八,通过食品质量评价模块利用评价程序根据检测报告对食品质量进行综合评价;通过预警模块利用摄像设备对目标食品检测条进行拍照获得图像。
步骤九,通过预警程序对所述图像进行识别获得文字信息和图片信息;根据所述文字信息获得所述目标食品检测条对应的检测项目类型。
步骤十,根据所述图片信息获得所述目标食品检测条对应的检测数值,并获取采集目标食品检测条时的现场位置信息。
步骤十一,将所述检测项目类型、检测数值和现场位置信息作为目标数据上传给服务端,服务端确定检测结果并上传至云端进行处理、分析后发出预警。
步骤十二,通过数据存储模块利用存储器存储采集的食品光谱图像、图像特征、检测报告、综合评价结果及预警信息。
步骤十三,通过显示模块利用显示器显示采集的食品光谱图像、图像特征、检测报告、综合评价结果及预警信息的实时数据。
进一步,步骤二中,所述对所述卷积神经网络进行网络训练的方法,包括:
根据所述目标函数、所述图像样本及其对应的相似样本的图像特征并利用所述机器学习算法对所述卷积神经网络进行网络训练;
所述相似样本取决于所述图像样本是否包含类别信息,所述目标函数是能够使所述图像样本及其对应的相似样本的图像特征之间的相似度最大,以及使所述图像样本及其对应的非相似样本的图像特征之间的相似度最小的函数。
进一步,步骤六中,所述静态数据是指食品在某一特定条件下被测量所获得的表征数据;
所述动态数据是指食品体系变化状态下的表征数据,即在特定扰动条件下(如时间、温度、浓度及化学反应),食品体系变化序列谱图数据。
进一步,步骤七中,所述采用加权相似度算法对获取的静态数据及动态数据进行融合的方法,包括:
对静态数据计算食品测试样品数据与食品标准样品数据之间的相似度,对动态数据计算食品测试样品数据矩阵与食品标准样品数据矩阵之间的相似度,此处食品标准样品数据是指食品的标准品的测试数据,食品标准样品数据也可以用多批次食品样品测试数据的平均值作为其估计值,以相关系数表征相似度。
进一步,所述静态数据相关系数的计算公式如下:
其中,Rj表示静态数据相关系数,cov表示协方差运算,Yaj表示测试样品的静态数据,Ybj表示食品标准样品数据;
所述动态数据相关系数的计算公式如下:
其中,Rd表示动态数据相关系数,cov表示协方差运算,Yad表示测试样品的动态数据矩阵,Ybd表示食品标准样品数据矩阵;
所述总相关系数的计算公式如下:
Rz=αRj+βRd;
其中,Rz表示总相关系数,α表示静态数据所占权重,β表示动态数据所占权重,(Rz,Rj,Rd)∈[-1,1],(α,β)∈[0,1],β=1-α;判断分析原则是Rz越接近于1,表明测试样品与标准样品越正相关,为真的概率越大,Rz越接近于0,表明测试样品与标准样品越远离,为假的概率越大。
进一步,步骤十中,所述根据所述图片信息获得所述目标食品检测条对应的检测数值的方法,包括:
对所述图片信息进行识别获得检测标记像素;
根据所述检测数值对应的检查项目类型调用对应的标记像素对应表;
根据获得的检测标记像素与标记像素对应表进行匹配确定检测数值。
进一步,步骤十一中,所述服务端确定检测结果并上传至云端进行处理、分析后发出预警的方法,包括:
所述服务端在接收到预设数目个目标数据后,根据预设数目个现场位置信息划分检测区域,根据所述检测区域内的检测项目类型和检测数值确定所述检测区域对应的检测结果,并对检测数据进行远程上传;
在云端对大数据进行处理、分析,基于大数据分析结果判断异常,并发出预警的目的。
本发明的另一目的在于提供一种应用所述的用于食品检测的高效稳定的原子吸收光谱仪的控制方法的用于食品检测的高效稳定的原子吸收光谱仪,所述用于食品检测的高效稳定的原子吸收光谱仪包括:
食品光谱采集模块、光谱图像增强模块、食品特征提取模块、中央控制模块、食品检测模块、食品质量评价模块、预警模块、数据存储模块、显示模块。
食品光谱采集模块,与中央控制模块连接,用于通过光谱探头采集食品光谱图像;
光谱图像增强模块,与中央控制模块连接,用于通过图像增强程序对采集的食品光谱图像进行增强处理;
食品特征提取模块,与中央控制模块连接,用于通过特征提取程序对增强处理后的食品光谱图像的特征进行提取;
中央控制模块,与食品光谱采集模块、光谱图像增强模块、食品特征提取模块、食品检测模块、食品质量评价模块、预警模块、数据存储模块、显示模块连接,用于通过主控机控制各个模块正常工作;
食品检测模块,与中央控制模块连接,用于通过食品检测程序根据获取的食品图像特征对食品进行检测,并生成检测报告;
食品质量评价模块,与中央控制模块连接,用于通过评价程序根据检测报告对食品质量进行综合评价;
预警模块,与中央控制模块连接,用于通过预警程序对食品安全异常信息进行预警通知;
数据存储模块,与中央控制模块连接,用于通过存储器存储采集的食品光谱图像、图像特征、检测报告、综合评价结果及预警信息;
显示模块,与中央控制模块连接,用于通过显示器显示采集的食品光谱图像、图像特征、检测报告、综合评价结果及预警信息的实时数据。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施所述的用于食品检测的高效稳定的原子吸收光谱仪的控制方法。
本发明的另一目的在于提供一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行所述的用于食品检测的高效稳定的原子吸收光谱仪的控制方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明通过食品特征提取模块基于预设的图像样本集与预设的目标函数并利用机器学习算法对卷积神经网络进行网络训练获得图像特征,无需将图像特征存入GPU,既可以保证图像特征的学习效果,又可以降低对硬件条件要求;通过食品检测模块将食品质量检测过程中获取的静态数据与动态数据联合使用,克服了传统单纯的利用静态数据或动态数据的片面性,信息利用率大大提升,达到100%,实现了更为准确、全面的食品质量判断分析;加权相似度算法为量化方法,使得结果输出更为具体,有利于直观的数字判断;
同时,本发明通过预警模块采集目标试剂检测条的图像,并对所述图像进行识别获得文字信息和图片信息;根据所述文字信息和图片信息分别获得所述目标试剂检测条对应的检测项目类型和检测数值,并获取采集目标试剂检测条时的现场位置信息,将所述检测项目类型、检测数值和现场位置信息作为目标数据上传给服务端,以使所述服务端在接收到预设数目个目标数据后,根据预设数目个现场位置信息划分检测区域,根据所述检测区域内的检测项目类型和检测数值确定所述检测区域对应的检测结果,实现检测数据的远程上传,在云端对大数据进行处理、分析,基于大数据分析结果判断异常,并及时发出预警的目的。
附图说明
图1是本发明实施例提供的用于食品检测的高效稳定的原子吸收光谱仪的控制方法流程图。
图2是本发明实施例提供的用于食品检测的高效稳定的原子吸收光谱仪的结构框图;
图中:1、食品光谱采集模块;2、光谱图像增强模块;3、食品特征提取模块;4、中央控制模块;5、食品检测模块;6、食品质量评价模块;7、预警模块;8、数据存储模块;9、显示模块。
图3是本发明实施例提供的通过特征提取程序对增强处理后的食品光谱图像的特征进行提取的方法流程图。
图4是本发明实施例提供的通过食品检测程序根据获取的食品图像特征对食品进行检测,并生成检测报告的方法流程图。
图5是本发明实施例提供的通过预警程序对食品安全异常信息进行预警通知的方法流程图。
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用于食品检测的高效稳定的原子吸收光谱仪的控制方法包括以下步骤:
S101,通过食品光谱采集模块利用光谱探头采集食品光谱图像;通过光谱图像增强模块利用图像增强程序对采集的食品光谱图像进行增强处理。
S102,通过食品特征提取模块利用特征提取程序对增强处理后的食品光谱图像的特征进行提取。
S103,通过中央控制模块利用主控机控制所述用于食品检测的高效稳定的原子吸收光谱仪各个模块的正常工作。
S104,通过食品检测模块利用食品检测程序根据获取的食品图像特征对食品进行检测,并生成检测报告。
S105,通过食品质量评价模块利用评价程序根据检测报告对食品质量进行综合评价。
S106,通过预警模块利用预警程序对食品安全异常信息进行预警通知;通过数据存储模块利用存储器存储采集的食品光谱图像、图像特征、检测报告、综合评价结果及预警信息。
S107,通过显示模块利用显示器显示采集的食品光谱图像、图像特征、检测报告、综合评价结果及预警信息的实时数据。
如图2所示,本发明实施例提供的用于食品检测的高效稳定的原子吸收光谱仪包括:食品光谱采集模块1、光谱图像增强模块2、食品特征提取模块3、中央控制模块4、食品检测模块5、食品质量评价模块6、预警模块7、数据存储模块8、显示模块9。
食品光谱采集模块1,与中央控制模块4连接,用于通过光谱探头采集食品光谱图像;
光谱图像增强模块2,与中央控制模块4连接,用于通过图像增强程序对采集的食品光谱图像进行增强处理;
食品特征提取模块3,与中央控制模块4连接,用于通过特征提取程序对增强处理后的食品光谱图像的特征进行提取;
中央控制模块4,与食品光谱采集模块1、光谱图像增强模块2、食品特征提取模块3、食品检测模块5、食品质量评价模块6、预警模块7、数据存储模块8、显示模块9连接,用于通过主控机控制各个模块正常工作;
食品检测模块5,与中央控制模块4连接,用于通过食品检测程序根据获取的食品图像特征对食品进行检测,并生成检测报告;
食品质量评价模块6,与中央控制模块4连接,用于通过评价程序根据检测报告对食品质量进行综合评价;
预警模块7,与中央控制模块4连接,用于通过预警程序对食品安全异常信息进行预警通知;
数据存储模块8,与中央控制模块4连接,用于通过存储器存储采集的食品光谱图像、图像特征、检测报告、综合评价结果及预警信息;
显示模块9,与中央控制模块4连接,用于通过显示器显示采集的食品光谱图像、图像特征、检测报告、综合评价结果及预警信息的实时数据。
下面结合具体实施例对本发明作进一步描述。
实施例1
本发明实施例提供的用于食品检测的高效稳定的原子吸收光谱仪的控制方法如图1所示,作为优选实施例,如图3所示,本发明实施例提供的通过特征提取程序对增强处理后的食品光谱图像的特征进行提取的方法包括:
S201,通过食品特征提取模块利用特征提取程序利用机器学习算法对所述卷积神经网络进行网络训练,获得预设的卷积神经网络。
S202,通过预设的卷积神经网络获取所述食品光谱图像样本集中每个图像样本的相似样本,并分别对每个图像样本及其对应的相似样本进行图像变换。
S203,通过所述卷积神经网络并且根据图像变换结果获取相应的增强处理后的食品光谱图像的特征。
本发明实施例提供的对所述卷积神经网络进行网络训练的方法,包括:
根据所述目标函数、所述图像样本及其对应的相似样本的图像特征并利用所述机器学习算法对所述卷积神经网络进行网络训练;
所述相似样本取决于所述图像样本是否包含类别信息,所述目标函数是能够使所述图像样本及其对应的相似样本的图像特征之间的相似度最大,以及使所述图像样本及其对应的非相似样本的图像特征之间的相似度最小的函数。
实施例2
本发明实施例提供的用于食品检测的高效稳定的原子吸收光谱仪的控制方法如图1所示,作为优选实施例,如图4所示,本发明实施例提供的通过食品检测程序根据获取的食品图像特征对食品进行检测,并生成检测报告的方法包括:
S301,通过食品检测模块利用食品检测程序分别对步骤二获取的食品图像特征的静态数据及动态数据进行获取。
S302,采用加权相似度算法对步骤获取的静态数据及动态数据进行融合,得到相关系数,从而对食品质量进行检测,并生成检测报告。
本发明实施例提供的静态数据是指食品在某一特定条件下被测量所获得的表征数据;所述动态数据是指食品体系变化状态下的表征数据,即在特定扰动条件下(如时间、温度、浓度及化学反应),食品体系变化序列谱图数据。
本发明实施例提供的采用加权相似度算法对获取的静态数据及动态数据进行融合的方法,包括:
对静态数据计算食品测试样品数据与食品标准样品数据之间的相似度,对动态数据计算食品测试样品数据矩阵与食品标准样品数据矩阵之间的相似度,此处食品标准样品数据是指食品的标准品的测试数据,食品标准样品数据也可以用多批次食品样品测试数据的平均值作为其估计值,以相关系数表征相似度。
本发明实施例提供的静态数据相关系数的计算公式如下:
其中,Rj表示静态数据相关系数,cov表示协方差运算,Yaj表示测试样品的静态数据,Ybj表示食品标准样品数据。
本发明实施例提供的动态数据相关系数的计算公式如下:
其中,Rd表示动态数据相关系数,cov表示协方差运算,Yad表示测试样品的动态数据矩阵,Ybd表示食品标准样品数据矩阵;
本发明实施例提供的总相关系数的计算公式如下:
Rz=αRj+βRd;
其中,Rz表示总相关系数,α表示静态数据所占权重,β表示动态数据所占权重,(Rz,Rj,Rd)∈[-1,1],(α,β)∈[0,1],β=1-α;判断分析原则是Rz越接近于1,表明测试样品与标准样品越正相关,为真的概率越大,Rz越接近于0,表明测试样品与标准样品越远离,为假的概率越大。
本发明实施例提供的根据所述图片信息获得所述目标食品检测条对应的检测数值的方法,包括:
对所述图片信息进行识别获得检测标记像素;
根据所述检测数值对应的检查项目类型调用对应的标记像素对应表;
根据获得的检测标记像素与标记像素对应表进行匹配确定检测数值。
实施例3
本发明实施例提供的用于食品检测的高效稳定的原子吸收光谱仪的控制方法如图1所示,作为优选实施例,如图5所示,本发明实施例提供的通过预警程序对食品安全异常信息进行预警通知的方法包括:
S401,通过预警模块利用摄像设备对目标食品检测条进行拍照获得图像;通过预警程序对所述图像进行识别获得文字信息和图片信息。
S402,根据所述文字信息获得所述目标食品检测条对应的检测项目类型。
S403,根据所述图片信息获得所述目标食品检测条对应的检测数值,并获取采集目标食品检测条时的现场位置信息。
S404,将所述检测项目类型、检测数值和现场位置信息作为目标数据上传给服务端,服务端确定检测结果并上传至云端进行处理、分析后发出预警。
本发明实施例提供的服务端确定检测结果并上传至云端进行处理、分析后发出预警的方法,包括:
所述服务端在接收到预设数目个目标数据后,根据预设数目个现场位置信息划分检测区域,根据所述检测区域内的检测项目类型和检测数值确定所述检测区域对应的检测结果,并对检测数据进行远程上传;在云端对大数据进行处理、分析,基于大数据分析结果判断异常,并发出预警的目的。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种用于食品检测的高效稳定的原子吸收光谱仪的控制方法,其特征在于,所述用于食品检测的高效稳定的原子吸收光谱仪的控制方法包括以下步骤:
步骤一,通过食品光谱采集模块利用光谱探头采集食品光谱图像;通过光谱图像增强模块利用图像增强程序对采集的食品光谱图像进行增强处理;
步骤二,通过食品特征提取模块利用特征提取程序利用机器学习算法对所述卷积神经网络进行网络训练,获得预设的卷积神经网络;
步骤三,通过预设的卷积神经网络获取所述食品光谱图像样本集中每个图像样本的相似样本,并分别对每个图像样本及其对应的相似样本进行图像变换;
步骤四,通过所述卷积神经网络并且根据图像变换结果获取相应的增强处理后的食品光谱图像的特征;
步骤五,通过中央控制模块利用主控机控制所述用于食品检测的高效稳定的原子吸收光谱仪各个模块的正常工作;
步骤六,通过食品检测模块利用食品检测程序分别对步骤二获取的食品图像特征的静态数据及动态数据进行获取;
步骤七,采用加权相似度算法对步骤获取的静态数据及动态数据进行融合,得到相关系数,从而对食品质量进行检测,并生成检测报告;
步骤八,通过食品质量评价模块利用评价程序根据检测报告对食品质量进行综合评价;通过预警模块利用摄像设备对目标食品检测条进行拍照获得图像;
步骤九,通过预警程序对所述图像进行识别获得文字信息和图片信息;根据所述文字信息获得所述目标食品检测条对应的检测项目类型;
步骤十,根据所述图片信息获得所述目标食品检测条对应的检测数值,并获取采集目标食品检测条时的现场位置信息;
步骤十一,将所述检测项目类型、检测数值和现场位置信息作为目标数据上传给服务端,服务端确定检测结果并上传至云端进行处理、分析后发出预警;
步骤十二,通过数据存储模块利用存储器存储采集的食品光谱图像、图像特征、检测报告、综合评价结果及预警信息;
步骤十三,通过显示模块利用显示器显示采集的食品光谱图像、图像特征、检测报告、综合评价结果及预警信息的实时数据。
2.如权利要求1所述的用于食品检测的高效稳定的原子吸收光谱仪的控制方法,其特征在于,步骤二中,所述对所述卷积神经网络进行网络训练的方法,包括:
根据所述目标函数、所述图像样本及其对应的相似样本的图像特征并利用所述机器学习算法对所述卷积神经网络进行网络训练;
所述相似样本取决于所述图像样本是否包含类别信息,所述目标函数是能够使所述图像样本及其对应的相似样本的图像特征之间的相似度最大,以及使所述图像样本及其对应的非相似样本的图像特征之间的相似度最小的函数。
3.如权利要求1所述的用于食品检测的高效稳定的原子吸收光谱仪的控制方法,其特征在于,步骤六中,所述静态数据是指食品在某一特定条件下被测量所获得的表征数据;
所述动态数据是指食品体系变化状态下的表征数据,即在特定扰动条件下(如时间、温度、浓度及化学反应),食品体系变化序列谱图数据。
4.如权利要求1所述的用于食品检测的高效稳定的原子吸收光谱仪的控制方法,其特征在于,步骤七中,所述采用加权相似度算法对获取的静态数据及动态数据进行融合的方法,包括:
对静态数据计算食品测试样品数据与食品标准样品数据之间的相似度,对动态数据计算食品测试样品数据矩阵与食品标准样品数据矩阵之间的相似度,此处食品标准样品数据是指食品的标准品的测试数据,食品标准样品数据也可以用多批次食品样品测试数据的平均值作为其估计值,以相关系数表征相似度。
5.如权利要求4所述的用于食品检测的高效稳定的原子吸收光谱仪的控制方法,其特征在于,所述静态数据相关系数的计算公式如下:
其中,Rj表示静态数据相关系数,cov表示协方差运算,Yaj表示测试样品的静态数据,Ybj表示食品标准样品数据;
所述动态数据相关系数的计算公式如下:
其中,Rd表示动态数据相关系数,cov表示协方差运算,Yad表示测试样品的动态数据矩阵,Ybd表示食品标准样品数据矩阵;
所述总相关系数的计算公式如下:
Rz=αRj+βRd;
其中,Rz表示总相关系数,α表示静态数据所占权重,β表示动态数据所占权重,(Rz,Rj,Rd)∈[-1,1],(α,β)∈[0,1],β=1-α;判断分析原则是Rz越接近于1,表明测试样品与标准样品越正相关,为真的概率越大,Rz越接近于0,表明测试样品与标准样品越远离,为假的概率越大。
6.如权利要求1所述的用于食品检测的高效稳定的原子吸收光谱仪的控制方法,其特征在于,步骤十中,所述根据所述图片信息获得所述目标食品检测条对应的检测数值的方法,包括:
对所述图片信息进行识别获得检测标记像素;
根据所述检测数值对应的检查项目类型调用对应的标记像素对应表;
根据获得的检测标记像素与标记像素对应表进行匹配确定检测数值。
7.如权利要求1所述的用于食品检测的高效稳定的原子吸收光谱仪的控制方法,其特征在于,步骤十一中,所述服务端确定检测结果并上传至云端进行处理、分析后发出预警的方法,包括:
所述服务端在接收到预设数目个目标数据后,根据预设数目个现场位置信息划分检测区域,根据所述检测区域内的检测项目类型和检测数值确定所述检测区域对应的检测结果,并对检测数据进行远程上传;
在云端对大数据进行处理、分析,基于大数据分析结果判断异常,并发出预警的目的。
8.一种应用如权利要求1~7任意一项所述的用于食品检测的高效稳定的原子吸收光谱仪的控制方法的用于食品检测的高效稳定的原子吸收光谱仪,其特征在于,所述用于食品检测的高效稳定的原子吸收光谱仪包括:
食品光谱采集模块,与中央控制模块连接,用于通过光谱探头采集食品光谱图像;
光谱图像增强模块,与中央控制模块连接,用于通过图像增强程序对采集的食品光谱图像进行增强处理;
食品特征提取模块,与中央控制模块连接,用于通过特征提取程序对增强处理后的食品光谱图像的特征进行提取;
中央控制模块,与食品光谱采集模块、光谱图像增强模块、食品特征提取模块、食品检测模块、食品质量评价模块、预警模块、数据存储模块、显示模块连接,用于通过主控机控制各个模块正常工作;
食品检测模块,与中央控制模块连接,用于通过食品检测程序根据获取的食品图像特征对食品进行检测,并生成检测报告;
食品质量评价模块,与中央控制模块连接,用于通过评价程序根据检测报告对食品质量进行综合评价;
预警模块,与中央控制模块连接,用于通过预警程序对食品安全异常信息进行预警通知;
数据存储模块,与中央控制模块连接,用于通过存储器存储采集的食品光谱图像、图像特征、检测报告、综合评价结果及预警信息;
显示模块,与中央控制模块连接,用于通过显示器显示采集的食品光谱图像、图像特征、检测报告、综合评价结果及预警信息的实时数据。
9.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求1~7任意一项所述的用于食品检测的高效稳定的原子吸收光谱仪的控制方法。
10.一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1~7任意一项所述的用于食品检测的高效稳定的原子吸收光谱仪的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010442487.4A CN111504927A (zh) | 2020-05-22 | 2020-05-22 | 用于食品检测的高效稳定的原子吸收光谱仪及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010442487.4A CN111504927A (zh) | 2020-05-22 | 2020-05-22 | 用于食品检测的高效稳定的原子吸收光谱仪及其控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111504927A true CN111504927A (zh) | 2020-08-07 |
Family
ID=71876956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010442487.4A Pending CN111504927A (zh) | 2020-05-22 | 2020-05-22 | 用于食品检测的高效稳定的原子吸收光谱仪及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111504927A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112067761A (zh) * | 2020-09-02 | 2020-12-11 | 江苏经贸职业技术学院 | 食品检测集成系统及其方法 |
CN112180056A (zh) * | 2020-10-27 | 2021-01-05 | 黄家岭 | 一种基于稀土元素检测的酱香型白酒溯源方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875913A (zh) * | 2018-05-30 | 2018-11-23 | 江苏大学 | 一种基于卷积神经网络的松茸快速无损检测系统及方法 |
CN108960242A (zh) * | 2018-06-21 | 2018-12-07 | 西安纸贵互联网科技有限公司 | 适用于食品安全的数据处理方法及装置 |
CN109934239A (zh) * | 2019-03-07 | 2019-06-25 | 上海皓桦科技股份有限公司 | 图像特征提取方法 |
CN110186854A (zh) * | 2019-06-12 | 2019-08-30 | 六盘水市食品药品检验检测所 | 一种食品安全性信息检测方法 |
WO2020087040A1 (en) * | 2018-10-26 | 2020-04-30 | Pataigin, Llc | Method for analyzing samples |
-
2020
- 2020-05-22 CN CN202010442487.4A patent/CN111504927A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875913A (zh) * | 2018-05-30 | 2018-11-23 | 江苏大学 | 一种基于卷积神经网络的松茸快速无损检测系统及方法 |
CN108960242A (zh) * | 2018-06-21 | 2018-12-07 | 西安纸贵互联网科技有限公司 | 适用于食品安全的数据处理方法及装置 |
WO2020087040A1 (en) * | 2018-10-26 | 2020-04-30 | Pataigin, Llc | Method for analyzing samples |
CN109934239A (zh) * | 2019-03-07 | 2019-06-25 | 上海皓桦科技股份有限公司 | 图像特征提取方法 |
CN110186854A (zh) * | 2019-06-12 | 2019-08-30 | 六盘水市食品药品检验检测所 | 一种食品安全性信息检测方法 |
Non-Patent Citations (1)
Title |
---|
质量技术监督行业职业技能鉴定指导中心: "《化学基础与分析检验 第2版》", 31 March 2013, 中国质检出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112067761A (zh) * | 2020-09-02 | 2020-12-11 | 江苏经贸职业技术学院 | 食品检测集成系统及其方法 |
CN112180056A (zh) * | 2020-10-27 | 2021-01-05 | 黄家岭 | 一种基于稀土元素检测的酱香型白酒溯源方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103439342B (zh) | 基于热图时序特征的红外无损检测方法 | |
CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN111798407A (zh) | 一种基于神经网络模型的带电设备故障诊断方法 | |
CN108156452B (zh) | 一种检测传感器的方法、装置、设备及存储介质 | |
CN111504927A (zh) | 用于食品检测的高效稳定的原子吸收光谱仪及其控制方法 | |
CN112070134A (zh) | 电力设备图像分类方法、装置、电力设备及存储介质 | |
CN111220556A (zh) | 一种食品安全性信息检测方法 | |
US20200082297A1 (en) | Inspection apparatus and machine learning method | |
CN110186854A (zh) | 一种食品安全性信息检测方法 | |
CN110703215A (zh) | 一种基于支持向量机的机载sar成像质量评估方法 | |
CN111879709A (zh) | 湖泊水体光谱反射率检验方法及装置 | |
CN113990477B (zh) | 一种基于云平台的大数据智能健康监护系统 | |
CN110134913B (zh) | 数据分析方法、数据分析装置以及记录介质 | |
Li et al. | Research on glass surface quality inspection based on machine vision | |
CN111898314B (zh) | 湖泊水体参数检验方法、装置、电子设备及存储介质 | |
CN115496706A (zh) | 一种基于数字图像处理的表面腐蚀比率测量方法 | |
CN115035481A (zh) | 一种图像物距融合方法、装置、设备及存储介质 | |
CN111061206B (zh) | 一种质检操作远程监控预警系统 | |
CN113538411A (zh) | 一种绝缘子缺陷检测方法及装置 | |
CN112257017A (zh) | 标准化残差检验法一元线性逐点分析方法及系统和装置 | |
CN117370871B (zh) | 一种特种钢材的质量分析方法与系统 | |
CN117873007B (zh) | 基于工业物联网的制造流程管理方法、系统、设备及介质 | |
CN108388965B (zh) | 油脂掺伪含量检测方法、终端设备及计算机可读存储介质 | |
CN117808411A (zh) | 一种航空传感器精益分析装置及方法 | |
CN106294061A (zh) | 能量强度可变性分析 |
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 |