CN111693658A - 基于多种智能感官数据融合的食品品质鉴定方法 - Google Patents
基于多种智能感官数据融合的食品品质鉴定方法 Download PDFInfo
- Publication number
- CN111693658A CN111693658A CN202010529229.XA CN202010529229A CN111693658A CN 111693658 A CN111693658 A CN 111693658A CN 202010529229 A CN202010529229 A CN 202010529229A CN 111693658 A CN111693658 A CN 111693658A
- Authority
- CN
- China
- Prior art keywords
- quality
- intelligent
- sample
- value
- intelligent sensory
- 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
- 230000001953 sensory effect Effects 0.000 title claims abstract description 103
- 235000013305 food Nutrition 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000004927 fusion Effects 0.000 title claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000004044 response Effects 0.000 claims description 33
- 230000005484 gravity Effects 0.000 claims description 32
- 210000001331 nose Anatomy 0.000 claims description 25
- 210000002105 tongue Anatomy 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 210000000697 sensory organ Anatomy 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000001303 quality assessment method Methods 0.000 claims 1
- 238000011002 quantification Methods 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 4
- 235000019640 taste Nutrition 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 101100394230 Caenorhabditis elegans ham-1 gene Proteins 0.000 description 2
- 101100045395 Mus musculus Tap1 gene Proteins 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 239000008367 deionised water Substances 0.000 description 2
- 229910021641 deionized water Inorganic materials 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000005526 G1 to G0 transition Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000706 filtrate Substances 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000037152 sensory function Effects 0.000 description 1
- 239000006228 supernatant Substances 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 235000021404 traditional food Nutrition 0.000 description 1
- 235000019583 umami taste Nutrition 0.000 description 1
- 238000005303 weighing Methods 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
- G01N33/02—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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了基于多种智能感官数据融合的食品品质鉴定方法,属于食品品质检测领域。该鉴定方法包括:通过电子鼻、电子舌和机器视觉多种智能感官技术分别检测不同品质类别的食品,构建智能感官数据库并提取特征值,对提取的特征值进行标准化处理、数据结构量化、获取归类概率,基于以上步骤中计算的结果综合多种智能感官技术对未知品质样本进行归类。本发明可实现对食品品质品别的快速准确预测,操作方便、效率高、正确率高,具有较高的应用价值,值得广泛推广。
Description
技术领域
本发明涉及食品品质检测领域,尤其涉及一种基于多种智能感官数据融合的食品品质鉴定方法。
背景技术
食品在加工和储藏过程中受到温度、湿度、光照等因素的影响,其内部品质会产生变化。这些品质差异性直接决定了食品的产品等级和价格等,同时市场在利益的驱使使得以次充好、以假乱真的现象时有发生,未达到等级或品质要求的食品在没有得到较好的管制情况下流入市场,严重影响市场秩序。对于市场而言,能否快速准确的鉴别出食品品质成为了亟待解决的问题。目前,食品的传统评价方法多依靠理化指标检测和人工感官评定方法,然而这两种方法均存在一些问题,如理化指标检测需要复杂的样品前处理和昂贵的检测仪器等,且在检测过程中所用有机溶剂对操作人员的健康产生威胁,人工感官评价方法则具有主观性强、重复性差、影响因素复杂、花费时间长等缺点。由于这些缺点,导致以上两种传统评价方法在市场上推广困难重重,因此,在食品检测领域,新型的快速检测新方法成为了日益重要的研究内容。
食品品质可由多种指标进行评价,其中较为重要的为色、香、味等宏观品质,这些指标是消费者较为关注的品质指标。智能感官技术是一种模拟生物感官功能的新型检测方法,包括电子鼻、电子舌和机器视觉等,能够将食品的香味、滋味和外观等信息转化为响应信号,再基于数据融合方法从这些响应信号中提取出有用信息,从而实现对食品品质的直接表征,不同于人工感官评价方法,智能感官技术能够更加客观地、高效地评价食品的品质特性。
发明内容
针对现有技术对食品检测的不足,本发明提供了一种基于多种智能感官数据融合的食品品质鉴定方法,结合多种智能感官数据快速准确地鉴定食品品质,高效地实现食品品质的快速评价,具有较高的实际应用价值。
为了达到上述目的,本发明所采用的技术方案如下:
基于多种智能感官数据融合的食品品质鉴定方法,具体地,包括如下步骤:
(1)食品智能感官数据获取:将已知品质的食品样本作为检测样品,按照品质不同分为若干批次,对不同批次食品样品进行智能感官检测,构建智能感官原始数据库;其中:
所述智能感官包括但不限于电子鼻、电子舌和机器视觉响应信号,且所述电子鼻、电子舌传感器个数分别不低于三根,所述机器视觉检测时获取的图片分辨率不低于600×600;
(2)特征提取和特征选择:分别提取步骤(1)获得的各种智能感官数据中至少三种特征值;其中:
机器视觉数据提取的特征值包括但不限于RGB色彩模式下的红值平均值、绿值平均值、蓝值平均值和其数学变化后的红值标准偏差、绿值标准偏差、蓝值标准偏差,及经图像前处理算法小波变换后各通道的平均值(m)、标准差(s)和平均能量(e);
电子鼻数据和电子舌数据提取的特征值包括但不限于传感器响应信号的最大值、最小值、稳定阶段响应值、响应信号的平均值、响应信号的积分值和响应信号的微分值;
(3)智能感官数据标准化:对步骤(2)提取的特征值进行标准化处理;
(4)数据结构量化:通过步骤(3)获得标准化后的各种智能感官数据特征值,将这些特征值作为样本点的坐标值,求出各个已知品质样本种类的重心坐标和各个未知品质样本点到各个种类重心的距离;
(5)得到单一智能感官对未知品质样本的归类概率:由步骤(4)得到的未知品质样本点到各已知品质样本种类的重心的距离获得单一智能感官对未知品质样本的归类概率;其中,距离越小,该重心代表种类的概率越大;
(6)得到综合多种智能感官对未知品质样本的归类概率:由步骤(5)得到基于单一智能感官对未知品质样本的归类概率,通过加权计算方式将多种智能感官的归类概率进行综合处理,获得未知品质样本的归类概率;
(7)未知品质样本的品质归类:由步骤(6)获得的综合多种智能感官对未知品质样本归类概率,根据最终归类概率大小对未知品质样本的品质进行归类,最终归类概率最大的类别即为该未知品质样本的归属类别。
根据本发明的一些实施方式,步骤(1)中,每个批次的食品样本至少有5组不同检测样品。
根据本发明的一些实施方式,步骤(2)中,所述平均值(m)、标准差(s)和平均能量(e)的计算公式如下式(2-1)、(2-2)和(2-3)所示:
其中,m为机器视觉图片的各通道下的平均值;
s为机器视觉图片的各通道下的标准差;
e为机器视觉图片的各通道下的平均能量;
X为机器视觉图片的各个子集图片的横轴像素点数量;
Y为机器视觉图片的各个子集图片的纵轴像素点数量;
p(x,y)为机器视觉图片的各个子集图片中第(x,y)个像素点的数值。
根据本发明的一些实施方式,步骤(3)中,所述数据标准化公式如下式(3-1)所示:
其中,Ni为第i维标准化后的智能感官数据特征值;
Mi为第i维未标准化的智能感官数据特征值;
n为步骤(2)中从各智能感官技术响应信号中提取的特征值个数。
根据本发明的一些实施方式,步骤(4)中,所述重心坐标计算公式如下式(4-1)所示:
其中,Cj代表第j维中重心的坐标;
Ci,j代表第j维中类别已知样本点的坐标值;
j的范围为1~n,其中n为步骤(2)中从各智能感官技术响应信号中提取的特征值个数;
m代表类别已知样本的个数。
根据本发明的一些实施方式,步骤(4)中,所述各个未知品质样本点到各个种类重心的距离计算公式如下式(4-2)所示:
其中,M为未知品质样本点到各个种类重心的距离;
Xj为未知品质样本点第j维智能感官数据特征值;
Cj为已知品质样本种类重心的第j维坐标值;
n为步骤(2)中从各智能感官技术响应信号中提取的特征值个数。
根据本发明的一些实施方式,步骤(5)中,所述归类概率计算公式如下式(5-1)所示:
其中,Pi是基于单一智能感官技术特征值将样品归类为第i类的概率;
ai是基于指定的智能感官技术特征值计算得到的该未知品质样本点到第i类的重心的距离;
n是拟对食品品质归类的类别个数。
根据本发明的一些实施方式,步骤(6)中,所述加权计算公式如下式(6-1)所示:
其中,Pi(final)是基于多种智能感官技术特征值将样品归类为第i类的最终概率;
Pij是基于第j种智能感官技术对未知品质样本归类为第i类的概率;
n是采用的智能感官技术的个数。
本发明的有益效果是:采用多种智能感官技术检测食品,借助多智能感官数据融合以及数理统计方法实现对食品品质的快速鉴别,操作方便快捷,不需要复杂的样品前处理和昂贵的仪器,具有较高的应用和推广价值。
附图说明
图1是实施例中不同储藏年份干腌火腿机器视觉的原始图像:(a)1年,(b)2年,(c)3年。
图2是实施例中基于各智能感官数据和融合数据的PCA分析结果。
图3是实施例中各智能感官数据之间的皮尔逊相关性分析。
具体实施方式
下面结合说明书附图和实施例对本发明做进一步的说明。
食品品质可由多种指标进行评价,其中较为重要的为色、香、味等宏观品质,这些指标是消费者较为关注的品质指标。本发明涉及一种基于多种智能感官数据融合的食品品质鉴定方法,具体步骤为:
(1)食品智能感官数据获取:将已知品质的食品样本作为检测样品,按照品质不同分为若干批次,每个批次的食品样本至少有5组不同检测样品;对不同批次食品样品进行多种智能感官技术检测,构建智能感官原始数据库;其中:
智能感官技术可以为电子鼻、电子舌和机器视觉响应信号;
电子鼻、电子舌传感器个数分别不低于3根;
机器视觉检测时获取的图片分辨率不低于600×600;
(2)特征提取和特征选择:分别提取步骤(1)获得的各智能感官数据中至少三种特征值,其中,机器视觉数据提取的特征值包括但不限于RGB色彩模式下的红值平均值、绿值平均值、蓝值平均值和其数学变化后的红值标准偏差、绿值标准偏差、蓝值标准偏差,及经图像前处理算法小波变换后各通道的平均值(m)、标准差(s)和平均能量(e);电子鼻数据和电子舌数据提取的特征值包括但不限于传感器响应信号的最大值、最小值、稳定阶段响应值、响应信号的平均值、响应信号的积分值和响应信号的微分值,且平均值(m)、标准差(s)和平均能量(e)的计算公式如下:
其中,m为机器视觉图片的各通道下的平均值;s为机器视觉图片的各通道下的标准差;e为机器视觉图片的各通道下的平均能量;X为机器视觉图片的各个子集图片的横轴像素点数量;Y为机器视觉图片的各个子集图片的纵轴像素点数量;p(x,y)为机器视觉图片的各个子集图片中第(x,y)个像素点的数值。
(3)智能感官数据标准化:对步骤(2)提取的特征值进行标准化处理,数据标准化公式如下:
其中,Ni为第i维标准化后的智能感官数据特征值;Mi为第i维未标准化的智能感官数据特征值;n为步骤(2)中从各智能感官技术响应信号中提取的特征值个数。
(4)数据结构量化:通过步骤(3)获得标准化后的各智能感官数据特征值,将这些特征值作为样本点的坐标值,求出各个已知品质样本种类的重心坐标,求出各个未知品质样本点到各个种类重心的距离,重心坐标计算公式如下:
其中,Cj代表第j维中重心的坐标,Ci,j代表第j维中类别已知样本点的坐标值,j的范围为1~n,其中n为步骤(2)中从各智能感官技术响应信号中提取的特征值个数;m代表类别已知样本的个数。
各个未知品质样本点到各个种类重心的距离计算公式如下:
其中,M为未知品质样本点到各个种类重心的距离;Xj为未知品质样本点第j维智能感官数据特征值;Cj为已知品质样本种类重心的第j维坐标值;n为步骤(2)中从各智能感官技术响应信号中提取的特征值个数。
(5)得到单一智能感官技术对未知品质样本归类概率:由步骤(4)得到的未知品质样本点到各已知品质样本种类的重心的距离对未知品质样本点的品质进行归类,其中,距离越小,该重心代表种类的概率越大,归类概率计算公式如下:
其中,Pi是基于单一智能感官技术特征值将样品归类为第i类的概率;ai是基于指定的智能感官技术特征值计算得到的该未知品质样本点到第i类的重心的距离;n是拟对食品品质归类的类别个数。
(6)得到综合多种智能感官技术对未知品质样本归类概率:由步骤(5)得到基于单一智能感官技术对未知品质样本的归类概率,根据加权计算方法将多种智能感官技术的归类概率进行综合处理,获得未知品质样本归类概率,加权计算公式如下:
其中,Pi(final)是基于多种智能感官技术特征值将样品归类为第i类的最终概率;Pij是基于第j种智能感官技术对未知品质样本归类为第i类的概率;wij是基于第j种智能感官技术对未知品质样本归类为第i类的概率的加权值,且wij∈[0,1],n是采用的智能感官技术的个数。
(7)未知品质样本点的品质归类:由步骤(5)获得基于多种智能感官技术特征值对样品归类的最终概率,根据最终概率大小对未知品质样本点的品质进行最终归类,最终概率最大的类别即为该未知品质样本点的最终归属类别。
以下将采用具体实施例来进一步说明本发明的技术方案。
实施例
将本发明提出的方法应用于金华干腌火腿品质的鉴别,所用干腌火腿为购于浙江省金华市金字股份有限公司的金华火腿,储藏年份1、2、3年各6条,共计18条。根据发明专利中步骤(1)中的方法将干腌火腿的肌肉部分进行加工和处理。在实验开始前将储藏在-18℃的干腌火腿样品取出置于4℃冰箱中解冻4h。进一步将解冻后的火腿样品切成1.00cm×1.00cm×1.00cm的立方体块状,用于机器视觉检测;将立方体块状干腌火腿在液氮环境中进行冷却,并立即移入研磨机研磨3次,每次研磨时间为3s,研磨后的粉末状干腌火腿用于电子鼻检测;进一步称取5g粉末状干腌火腿样品加入到20mL去离子水中,静置2.00h后对样品进行9500r/min离心30min操作,取上清液过水相微孔滤膜,滤液按照1:15的比例进行稀释,获得待检溶液用于电子舌检测。
采用的机器视觉系统来自深圳精拓优诚科技有限公司,视觉信息采集系统由松下COMS图像传感器(CW-126-5MP),定焦12mm,LED自然光源,图像采集采用的是E-eye图像采集软件。
机器视觉数据库构建:取立方体块状干腌火腿放置于图像传感器下方,打开LED自然光源,逐一对每个年份的样品进行拍照,然后将保存后的图片进行预处理,调整为300×300的分辨率后获得机器视觉的数据库。本实施例中,不同储藏年份的干腌火腿机器视觉结果示意图如图1所示。可以发现,随着年份的增加,干腌火腿的颜色和表面纹理都发生了相应的变化。
采用的电子鼻为美国Isensor公司的SuperNose,该电子鼻由14根气敏传感器组成,具体型号和特征如表1所示。
表1:SuperNose电子鼻传感器型号及其主要特性
电子鼻数据库构建步骤:取10.0g粉末状干腌火腿放于100mL的烧杯中,采用封口膜进行封口,在室温下静置30min,使得待检测样品的挥发性成分散发到顶空中并达到饱和。在使用电子鼻进行检测前,使用干燥洁净空气对系统进行清洗,设置空气流速为3.00L/min,清洗时间为100s。用50mL一次性注射器取密闭烧杯中顶空气体20mL,立刻注入电子鼻进样口,设定检测流速为1.00L/min,检测时间为60s。各电子鼻传感器响应信号由系统自带的软件进行记录,记录频率为10次/s。每个年份的干腌火腿重复以上操作,共获得90个数据点(30个×3个年份)。
采用的电子舌系统为法国Alpha MOS公司的AstreeII型电子舌。该电子舌系统包括7个传感器,SRS(酸味)、GPS(复合传感器)、STS(咸味)、UMS(鲜味)、SPS(复合传感器)、SWS(甜味)、BRS(苦味)。
电子舌数据库构建:取干腌火腿水溶性成分的待检测溶液80mL放置于100mL电子舌检测专用烧杯中;电子舌检测开始前,采用去离子水进行清洗,清洗时间为120s;清晰完成后,对待检溶液进行检测,检测时间为120s;采用系统自带软件(AlphaSoft version7.2.1)记录传感器响应信号;每个年份的干腌火腿重复以上操作,共获得90个数据点(30个×3个年份),构建电子舌数据库。
从机器视觉数据库中提取了各个图片中RGB色彩模式下的红值(R)、绿值(G)、蓝值(B)的平均值,以及各个色彩值的标准偏差值作为特征值。具体的计算公式如下所示:
其中,m为机器视觉图片的RGB色彩模式下红值(R)、绿值(G)、蓝值(B)的平均值;s为机器视觉图片的RGB色彩模式下红值(R)、绿值(G)、蓝值(B)的标准偏差;X为机器视觉图片的横轴像素点数量(本实施例为300);Y为机器视觉图片的纵轴像素点数量(本实施例为300);p(x,y)为机器视觉图片中第(x,y)个像素点对应的数值。
本实施例中,提取电子舌的传感器平稳阶段的响应值作为特征值用于后续多数据融合;提取电子鼻的传感器响应信号的峰值作为特征值用于后续多数据融合。
本实施例中,采用皮尔逊相关性分析方法对各智能感官数据的相关性进行评价,通过热图将相关性矩阵进行可视化,结果如图2所示。其中,颜色越深说明相关性越大,颜色越浅说明相关性越小。从图中可知,大部分数据之间的相关性不大,且相关性强弱呈现出明显的区域性,即来自同一种智能感官数据的特征值相关性较高,而来自不同智能感官数据的特征值相关性较低。因此,本实施例中所选取的外观、气味和滋味信息之间的相关性不大,能够提供不同储藏年份干腌火腿相对应的属性特征。以上分析表明,本实施例中所提取的特征值能够为多数据融合提供丰富的有用信息。
采用主成分分析(principle component analysis,PCA)方法对电子鼻、电子舌和机器视觉数据以及融合后的数据进行降维处理,PCA结果如图3所示。由图可知,3个储藏年份的干腌火腿的样本点呈现团簇现象,且各个团簇之间能够较好地区分开来。
对智能感官数据进行标准化处理,具体的标准化公式如下:
其中,Ni为第i维标准化后的智能感官数据特征值;Mi为第i维未标准化的智能感官数据特征值;n为步骤(2)中从各智能感官技术响应信号中提取的特征值个数。
通过步骤(3)获得标准化后的各智能感官数据特征值,将这些特征值作为样本点的坐标值,求出各个已知品质样本种类的重心坐标,求出各个未知品质样本点到各个种类重心的距离,重心坐标计算公式如下:
其中,Cj代表第j维中重心的坐标,Ci,j代表第j维中类别已知样本点的坐标值,j的范围为1~n,其中n为步骤(2)中从各智能感官技术响应信号中提取的特征值个数;m代表类别已知样本的个数。
经标准化后计算获得的机器视觉特征值,计算获得的金华火腿1年份(J1)、2年份(J2)、3年份)(J3)类别的重心坐标,如表2所示。
表2:基于标准化后机器视觉特征值的各种类的重心坐标
Sample | R | G | B | SDR | SDG | SDB |
J1 | 0.5138 | 0.1774 | 0.1640 | 0.0344 | 0.0606 | 0.0498 |
J2 | 0.4890 | 0.1795 | 0.1539 | 0.0406 | 0.0744 | 0.0625 |
J3 | 0.4377 | 0.2006 | 0.1809 | 0.0555 | 0.0687 | 0.0566 |
经标准化后计算获得的电子舌特征值,计算获得的金华火腿1年份(J1)、2年份(J2)、3年份)(J3)类别的重心坐标,如表3所示。
表3:基于标准化后电子舌特征值的各种类的重心坐标
Sample | SRS | GPS | STS | UMS | SPS | SWS | BRS |
J1 | 0.1315 | 0.3235 | 0.1104 | 0.0820 | 0.0977 | 0.0618 | 0.1931 |
J2 | 0.1549 | 0.1853 | 0.1310 | 0.0980 | 0.1123 | 0.0956 | 0.2228 |
J3 | 0.1523 | 0.1927 | 0.1250 | 0.0953 | 0.1127 | 0.1025 | 0.2196 |
经标准化后计算获得的电子鼻特征值,计算获得的金华火腿1年份(J1)、2年份(J2)、3年份)(J3)类别的重心坐标,如表4所示。
表4:基于标准化后电子鼻特征值的各种类的重心坐标
Sample | S1 | S2 | S3 | S4 | S5 | S6 | S7 | S8 | S9 | S10 | S11 | S12 | S13 | S14 |
J1 | 0.0242 | 0.1631 | 0.0236 | 0.0404 | 0.1716 | 0.2095 | 0.0442 | 0.0392 | 0.1166 | 0.0309 | 0.0718 | 0.0246 | 0.0197 | 0.0208 |
J2 | 0.0180 | 0.1684 | 0.0181 | 0.0757 | 0.1815 | 0.1744 | 0.0401 | 0.0347 | 0.1131 | 0.0378 | 0.0781 | 0.0276 | 0.0141 | 0.0184 |
J3 | 0.0197 | 0.1722 | 0.0198 | 0.0556 | 0.1817 | 0.1917 | 0.0422 | 0.0410 | 0.1180 | 0.0278 | 0.0732 | 0.0255 | 0.0158 | 0.0158 |
各个未知品质样本点到各个种类重心的距离计算公式如下:
其中,M为未知品质样本点到各个种类重心的距离;Xj为未知品质样本点第j维智能感官数据特征值;Cj为已知品质样本种类重心的第j维坐标值;n为从各智能感官技术响应信号中提取的特征值个数。计算获得的未知品质样本点分别到1年份、2年份和3年份重心坐标的距离为D1、D2、D3。基于机器视觉、电子舌和电子鼻数据的未知品质样本到各类别重心的距离结果如表5、表6、表7所示。
进一步计算单一智能感官技术对未知品质样本归类概率。分别计算各未知品质样本点到各已知品质样本种类的重心的距离,根据距离越小被判定为该重心代表种类的概率越大的原则对未知品质样本点的品质进行归类,归类概率计算公式如下:
其中,Pi是基于单一智能感官技术特征值将样品归类为第i类的概率;ai是基于指定的智能感官技术特征值计算得到的该未知品质样本点到第i类的重心的距离;n是拟对食品品质归类的类别个数。基于单一智能感官技术对未知品质样本的归类概率计算结果分别如表5、表6、表7所示。
表5:机器视觉数据中未知品质样本到各类别重心的距离及相应分配的概率
Sample | D1 | D2 | D3 | P1 | P2 | P3 |
1 | 0.0446 | 0.0762 | 0.1273 | 51.63% | 30.26% | 18.10% |
2 | 0.1009 | 0.1283 | 0.1839 | 42.83% | 33.68% | 23.49% |
3 | 0.0480 | 0.0287 | 0.0456 | 26.86% | 44.85% | 28.29% |
4 | 0.0123 | 0.0358 | 0.0931 | 67.72% | 23.32% | 8.96% |
5 | 0.0920 | 0.1203 | 0.1744 | 43.62% | 33.36% | 23.02% |
6 | 0.0940 | 0.1228 | 0.1771 | 43.54% | 33.35% | 23.11% |
7 | 0.0156 | 0.0447 | 0.0996 | 66.47% | 23.14% | 10.39% |
8 | 0.0290 | 0.0606 | 0.1108 | 57.50% | 27.47% | 15.03% |
9 | 0.0530 | 0.0728 | 0.1326 | 47.03% | 34.19% | 18.78% |
10 | 0.0742 | 0.1045 | 0.1576 | 45.85% | 32.57% | 21.58% |
11 | 0.0904 | 0.0586 | 0.0446 | 21.87% | 33.78% | 44.36% |
12 | 0.1015 | 0.0681 | 0.0712 | 25.53% | 38.04% | 36.43% |
13 | 0.0926 | 0.0596 | 0.0704 | 25.86% | 40.15% | 33.99% |
14 | 0.0500 | 0.0233 | 0.0620 | 25.33% | 54.25% | 20.41% |
15 | 0.0620 | 0.0455 | 0.0299 | 22.53% | 30.69% | 46.78% |
16 | 0.0635 | 0.0674 | 0.1283 | 41.04% | 38.65% | 20.31% |
17 | 0.0750 | 0.0531 | 0.0973 | 31.43% | 44.35% | 24.21% |
18 | 0.0380 | 0.0285 | 0.0879 | 36.15% | 48.24% | 15.61% |
19 | 0.0901 | 0.1129 | 0.1691 | 42.88% | 34.26% | 22.86% |
20 | 0.0389 | 0.0235 | 0.0501 | 29.12% | 48.26% | 22.62% |
21 | 0.1276 | 0.1066 | 0.0438 | 19.58% | 23.44% | 56.98% |
22 | 0.0302 | 0.0572 | 0.1034 | 54.92% | 29.03% | 16.05% |
23 | 0.0791 | 0.0576 | 0.0094 | 9.23% | 12.68% | 78.09% |
24 | 0.0171 | 0.0203 | 0.0751 | 48.24% | 40.77% | 11.00% |
25 | 0.0160 | 0.0262 | 0.0768 | 54.99% | 33.56% | 11.45% |
26 | 0.0712 | 0.0385 | 0.0613 | 24.94% | 46.08% | 28.98% |
27 | 0.0625 | 0.0337 | 0.0363 | 21.83% | 40.56% | 37.61% |
28 | 0.1429 | 0.1122 | 0.0748 | 23.90% | 30.43% | 45.67% |
29 | 0.0879 | 0.0608 | 0.0280 | 17.91% | 25.88% | 56.21% |
30 | 0.1289 | 0.0984 | 0.0603 | 22.49% | 29.46% | 48.05% |
表6:电子舌数据中未知品质样本到各类别重心的距离及相应分配的概率
表7:电子鼻数据中未知品质样本到各类别重心的距离及相应分配的概率
综合多种智能感官技术对未知品质样本归类概率进行计算。根据加权计算方法将多种智能感官技术的归类概率进行综合计算,最终获得未知品质样本归类概率,加权计算公式如下:
其中,Pi(final)是基于多种智能感官技术特征值将样品归类为第i类的最终概率;Pij是基于第j种智能感官技术对未知品质样本归类为第i类的概率;wij是基于第j种智能感官技术对未知品质样本归类为第i类的概率的加权值,且wij∈[0,1],n是采用的智能感官技术的个数。
本实施例中,采用的智能感官技术为机器视觉、电子鼻、电子舌,故n为3,假设三种智能感官技术对鉴别的贡献率相等,即wi1=wi2=wi3=1/3,计算得到的各未知品质样本点被归为1年份、2年份、3年份的概率P1final、P2final、P3final,结果如表8所示。
表8:知品质样本的最终归属类别概率结果及结果归属
根据表8中计算获得的各未知品质样本的最终归属类别概率,最终概率最大的类别即为该未知品质样本点的最终归属类别,最后预测的归属类别如表8所示,结果可知各未知品质样本被正确归类的正确率为100%。
通过上述实施例,证明本发明基于多种智能感官数据融合的食品品质鉴定方法具有较强的可行性,能够实现对食品品质快速而准确鉴定,预测正确率高,值得广泛推广。
上述对实施例的描述是为了便于该技术领域的普通技术人员能理解和使用本发明。熟悉本领域技术人员显然可以容易的对这些实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中,而不必经过创造性的劳动。因此,本发明不限于上述实施例。本领域技术人员根据本发明的原理,不脱离本发明的范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (7)
1.基于多种智能感官数据融合的食品品质鉴定方法,其特征在于,包括如下步骤:
(1)食品智能感官数据获取:将已知品质的食品样本作为检测样品,按照品质不同分为若干批次,对不同批次食品样品进行智能感官检测,构建智能感官原始数据库;其中:
所述智能感官包括但不限于电子鼻、电子舌和机器视觉响应信号,且所述电子鼻、电子舌传感器个数分别不低于三根,所述机器视觉检测时获取的图片分辨率不低于600×600;
(2)特征提取和特征选择:分别提取步骤(1)获得的各种智能感官数据中至少三种特征值;其中:
机器视觉数据提取的特征值包括但不限于RGB色彩模式下的红值平均值、绿值平均值、蓝值平均值和其数学变化后的红值标准偏差、绿值标准偏差、蓝值标准偏差,及经图像前处理算法小波变换后各通道的平均值(m)、标准差(s)和平均能量(e);
电子鼻数据和电子舌数据提取的特征值包括但不限于传感器响应信号的最大值、最小值、稳定阶段响应值、响应信号的平均值、响应信号的积分值和响应信号的微分值;
(3)智能感官数据标准化:对步骤(2)提取的特征值进行标准化处理;
(4)数据结构量化:通过步骤(3)获得标准化后的各种智能感官数据特征值,将这些特征值作为样本点的坐标值,求出各个已知品质样本种类的重心坐标和各个未知品质样本点到各个种类重心的距离;
(5)得到单一智能感官对未知品质样本的归类概率:由步骤(4)得到的未知品质样本点到各已知品质样本种类的重心的距离获得单一智能感官对未知品质样本的归类概率;其中,距离越小,该重心代表种类的概率越大;
(6)得到综合多种智能感官对未知品质样本的归类概率:由步骤(5)得到基于单一智能感官对未知品质样本的归类概率,通过加权计算方式将多种智能感官的归类概率进行综合处理,获得未知品质样本的归类概率;
(7)未知品质样本的品质归类:由步骤(6)获得的综合多种智能感官对未知品质样本归类概率,根据最终归类概率大小对未知品质样本的品质进行归类,最终归类概率最大的类别即为该未知品质样本的归属类别。
2.根据权利要求1所述的食品品质鉴定方法,其特征在于,步骤(1)中,每个批次的食品样本至少有5组不同检测样品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010529229.XA CN111693658A (zh) | 2020-06-11 | 2020-06-11 | 基于多种智能感官数据融合的食品品质鉴定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010529229.XA CN111693658A (zh) | 2020-06-11 | 2020-06-11 | 基于多种智能感官数据融合的食品品质鉴定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111693658A true CN111693658A (zh) | 2020-09-22 |
Family
ID=72480303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010529229.XA Pending CN111693658A (zh) | 2020-06-11 | 2020-06-11 | 基于多种智能感官数据融合的食品品质鉴定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111693658A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102210250B1 (ko) * | 2020-10-13 | 2021-02-01 | 주식회사 웨이센 | Ai 예측 모델을 이용한 예측 결과의 시각화 방법 |
CN114019100A (zh) * | 2021-10-29 | 2022-02-08 | 中国农业科学院茶叶研究所 | 基于多源信息融合技术的滇红工夫茶汤综合品质客观量化评价方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080114564A1 (en) * | 2004-11-25 | 2008-05-15 | Masayoshi Ihara | Information Classifying Device, Information Classifying Method, Information Classifying Program, Information Classifying System |
CN101692053A (zh) * | 2009-10-09 | 2010-04-07 | 江苏大学 | 基于多传感信息融合的名优茶品质仪器智能化审评方法 |
CN102222164A (zh) * | 2011-05-30 | 2011-10-19 | 中国标准化研究院 | 一种食品感官质量评价方法及系统 |
CN103110962A (zh) * | 2012-03-05 | 2013-05-22 | 成都中医药大学 | 中药安慰剂及制备工艺和评价方法 |
CN105738581A (zh) * | 2016-02-01 | 2016-07-06 | 浙江大学 | 一种基于电子鼻的不同新鲜度山核桃的快速鉴别方法 |
CN106501470A (zh) * | 2016-11-23 | 2017-03-15 | 广东嘉豪食品有限公司 | 利用味觉系统与电子鼻联合评价芥辣酱风味等级的方法 |
CN108921197A (zh) * | 2018-06-01 | 2018-11-30 | 杭州电子科技大学 | 一种基于特征选择和集成算法的分类方法 |
CN109214423A (zh) * | 2018-08-02 | 2019-01-15 | 南京财经大学 | 一种基于动静态数据融合的食品质量判别分析方法 |
CN110133049A (zh) * | 2019-04-10 | 2019-08-16 | 浙江大学 | 基于电子鼻和机器视觉的茶叶等级快速无损检测方法 |
-
2020
- 2020-06-11 CN CN202010529229.XA patent/CN111693658A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080114564A1 (en) * | 2004-11-25 | 2008-05-15 | Masayoshi Ihara | Information Classifying Device, Information Classifying Method, Information Classifying Program, Information Classifying System |
CN101692053A (zh) * | 2009-10-09 | 2010-04-07 | 江苏大学 | 基于多传感信息融合的名优茶品质仪器智能化审评方法 |
CN102222164A (zh) * | 2011-05-30 | 2011-10-19 | 中国标准化研究院 | 一种食品感官质量评价方法及系统 |
CN103110962A (zh) * | 2012-03-05 | 2013-05-22 | 成都中医药大学 | 中药安慰剂及制备工艺和评价方法 |
CN105738581A (zh) * | 2016-02-01 | 2016-07-06 | 浙江大学 | 一种基于电子鼻的不同新鲜度山核桃的快速鉴别方法 |
CN106501470A (zh) * | 2016-11-23 | 2017-03-15 | 广东嘉豪食品有限公司 | 利用味觉系统与电子鼻联合评价芥辣酱风味等级的方法 |
CN108921197A (zh) * | 2018-06-01 | 2018-11-30 | 杭州电子科技大学 | 一种基于特征选择和集成算法的分类方法 |
CN109214423A (zh) * | 2018-08-02 | 2019-01-15 | 南京财经大学 | 一种基于动静态数据融合的食品质量判别分析方法 |
CN110133049A (zh) * | 2019-04-10 | 2019-08-16 | 浙江大学 | 基于电子鼻和机器视觉的茶叶等级快速无损检测方法 |
Non-Patent Citations (5)
Title |
---|
丁兴林等: "电子鼻/舌在酒类品质检测中的应用研究进展", 《中国酿造》 * |
刘源 等: "食品风味研究动态", 《食品安全质量检测学报》 * |
田晓静等: "电子鼻和电子舌信号联用方法分析及其在食品品质检测中的应用", 《食品工业科技》 * |
罗丹: "中药颗粒剂的安慰剂评价及制备工艺研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
郭美娟等: "食品工业中电子鼻模式识别算法及其应用", 《食品工业》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102210250B1 (ko) * | 2020-10-13 | 2021-02-01 | 주식회사 웨이센 | Ai 예측 모델을 이용한 예측 결과의 시각화 방법 |
CN114019100A (zh) * | 2021-10-29 | 2022-02-08 | 中国农业科学院茶叶研究所 | 基于多源信息融合技术的滇红工夫茶汤综合品质客观量化评价方法 |
CN114019100B (zh) * | 2021-10-29 | 2024-03-26 | 中国农业科学院茶叶研究所 | 基于多源信息融合技术的滇红工夫茶汤综合品质客观量化评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mei et al. | Hyperspectral image classification using group-aware hierarchical transformer | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN108734184B (zh) | 一种对敏感图像进行分析的方法及装置 | |
CN103034838B (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN107657271B (zh) | 基于长短时记忆网络的高光谱图像分类方法 | |
CN108229458A (zh) | 一种基于运动检测和多特征提取的火焰智能识别方法 | |
CN111178120B (zh) | 一种基于作物识别级联技术的害虫图像检测方法 | |
CN111693658A (zh) | 基于多种智能感官数据融合的食品品质鉴定方法 | |
CN116363440B (zh) | 基于深度学习的土壤中有色微塑料的识别检测方法及系统 | |
CN106529568A (zh) | 一种基于bp神经网络的珍珠多分类方法 | |
CN108197650A (zh) | 局部相似性保持的高光谱图像极限学习机聚类方法 | |
CN106033443B (zh) | 一种车辆检索中的扩展查询方法及装置 | |
CN109492534A (zh) | 一种基于Faster RCNN的跨场景多姿态的行人检测方法 | |
CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN110188828A (zh) | 一种基于虚拟样本集成学习的图像来源鉴别方法 | |
CN111931700A (zh) | 一种基于多分类器的玉米品种真伪鉴别方法和鉴别系统 | |
CN113505810A (zh) | 基于池化视觉Transformer杂草生长周期检测方法 | |
CN114926725A (zh) | 一种基于图像分析的线上金融团伙欺诈识别方法 | |
CN113837154B (zh) | 一种基于多任务辅助的开放集过滤系统及方法 | |
CN114596509A (zh) | 一种基于机器视觉的水稻秧苗叶龄期识别方法 | |
Ji et al. | Apple color automatic grading method based on machine vision | |
CN111693662A (zh) | 基于多数据融合的干腌火腿储藏年份预测方法 | |
CN114022782B (zh) | 一种基于modis卫星数据的海雾探测方法 | |
Andono et al. | Texture feature extraction in grape image classification using k-nearest neighbor | |
CN109993071A (zh) | 基于遥感影像的变色林木自动识别及调查的方法和系统 |
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 |
Application publication date: 20200922 |
|
RJ01 | Rejection of invention patent application after publication |