CN111879772B - 一种基于大数据的食品安全智慧管理方法与系统 - Google Patents

一种基于大数据的食品安全智慧管理方法与系统 Download PDF

Info

Publication number
CN111879772B
CN111879772B CN202010739318.7A CN202010739318A CN111879772B CN 111879772 B CN111879772 B CN 111879772B CN 202010739318 A CN202010739318 A CN 202010739318A CN 111879772 B CN111879772 B CN 111879772B
Authority
CN
China
Prior art keywords
food
information
image
identified
image information
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
Application number
CN202010739318.7A
Other languages
English (en)
Other versions
CN111879772A (zh
Inventor
翁裕贤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shi Anhui Shenzhen Technology Co ltd
Original Assignee
Shi Anhui Shenzhen Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shi Anhui Shenzhen Technology Co ltd filed Critical Shi Anhui Shenzhen Technology Co ltd
Priority to CN202010739318.7A priority Critical patent/CN111879772B/zh
Publication of CN111879772A publication Critical patent/CN111879772A/zh
Application granted granted Critical
Publication of CN111879772B publication Critical patent/CN111879772B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明适用计算机技术领域，提供基于大数据的食品安全智慧管理方法与系统，包括：获取待识别食品的理化检测参数信息、图像信息、气味信息及所处环境信息；在图像信息中提取表观特征信息；根据表观特征信息以及预设的基于卷积神经网络建立的表观特征‑食品变质图像识别模型，生成变质识别结果；根据理化检测参数信息、变质识别结果、气味信息以及所处环境信息，确定待识别食品的安全性。基于表观特征‑食品变质图像识别模型表述食品表观特征信息与食品变质信息的隐含关系，有利用户无需对食品掌握充足理化知识及生活经验，可直观快速获得食品安全性问题；本发明基于大数据分析，安全可靠、且识别精度以及效果更高，能够对食品安全性进行有效验证。

Description

一种基于大数据的食品安全智慧管理方法与系统
技术领域
本发明属于计算机技术领域，尤其涉及一种基于大数据的食品安全智慧管理方法与系统。
背景技术
食品安全是指食品无毒、无害，符合应当有的营养要求，对人体健康不造成任何急性、亚急性或者慢性危害；同时，食品安全也是一门跨学科领域，专门探讨在食品处理、存储以及销售等过程中，各方如何保障食品卫生与食用安全、降低疾病隐患及防范食物中毒。以食品安全措施来排除或减低对于消费者生命、健康的风险，是食品安全的核心。
但是目前餐饮管理对于食品安全的措施还是有限，并不能实时的监控食品安全，也无法多角度的关注食品安全，大部分用户都是通过自身生活经验对食品的安全性如是否变质、异常进行目测判断，无法提供安全可靠的方法能够对食品质量进行有效验证。
发明内容
本发明实施例的目的在于提供一种基于大数据的食品安全智慧管理方法，旨在解决现有餐饮管理对于食品安全的措施有限，存在不能实时的监控食品安全，无法多角度的关注食品安全，以及无法提供安全可靠的方法对食品安全性进行有效验证的问题。
本发明实施例是这样实现的，一种基于大数据的食品安全智慧管理方法，其特征在于，所述食品安全智慧管理方法包括：
获取待识别食品的理化检测参数信息、图像信息、气味信息以及所处环境信息；
在所述图像信息中提取表观特征信息；
根据所述表观特征信息以及预设的基于卷积神经网络建立的表观特征-食品变质图像识别模型，生成变质识别结果；所述预设的表观特征-食品变质图像识别模型为通过预先采集的多个食品图像样本经卷积神经网络训练生成；
根据所述理化检测参数信息、变质识别结果、气味信息以及所处环境信息，确定所述待识别食品的安全性。
本发明实施例的另一目的在于一种基于大数据的食品安全智慧管理系统，所述食品安全智慧管理系统包括：
信息获取单元，用于获取待识别食品的理化检测参数信息、图像信息、气味信息以及所处环境信息；
特征信息提取单元，用于在所述图像信息中提取表观特征信息；
识别结果生成单元，用于根据所述表观特征信息以及预设的基于卷积神经网络建立的表观特征-食品变质图像识别模型，生成变质识别结果；所述预设的表观特征-食品变质图像识别模型为通过预先采集的多个食品图像样本经卷积神经网络训练生成；以及
食品安全性确定单元，用于根据所述理化检测参数信息、变质识别结果、气味信息以及所处环境信息，确定所述待识别食品的安全性。
本发明实施例提供的一种基于大数据的食品安全智慧管理方法，通过获取待识别食品的理化检测参数信息、图像信息、气味信息以及所处环境信息；在所述图像信息中提取表观特征信息；根据所述表观特征信息以及预设的基于卷积神经网络建立的表观特征-食品变质图像识别模型，生成变质识别结果；根据所述理化检测参数信息、变质识别结果、气味信息以及所处环境信息，确定所述待识别食品的安全性。由于预设的表观特征-食品变质图像识别模型为通过预先采集的多个食品图像样本经卷积神经网络训练生成，可以用于表述食品表观特征信息与食品变质信息的一种隐含关系，而根据对待识别食品的图像信息进行表观特征信息的提取，再利用表观特征-食品变质图像识别模型，生成变质识别结果，有利于用户无需对该食品掌握详细的理化知识以及生活经验，即可直观快速获得食品安全性问题；另外，本发明食品安全管理方法基于大数据分析，安全可靠、且识别精度以及效果更高，能够对食品安全性进行有效验证，满足使用需求。
附图说明
图1为本发明实施例提供的一种基于大数据的食品安全智慧管理方法的应用环境图；
图2为本发明实施例提供的一种基于大数据的食品安全智慧管理方法的实现流程图；
图3为本发明实施例提供的另一种基于大数据的食品安全智慧管理方法的实现流程图；
图4为本发明实施例提供的建立表观特征-食品变质图像识别模型的实现流程图；
图5为本发明实施例提供的又一种基于大数据的食品安全智慧管理方法的实现流程图；
图6为本发明实施例提供的再一种基于大数据的食品安全智慧管理方法的实现流程图；
图7为本发明实施例提供的一种基于大数据的食品安全智慧管理系统的结构示意图；
图8为本发明实施例提供的另一种基于大数据的食品安全智慧管理系统的结构示意图；
图9为本发明实施例提供的又一种基于大数据的食品安全智慧管理系统的结构示意图；
图10为本发明实施例提供的再一种基于大数据的食品安全智慧管理系统的结构示意图；
图11为一个实施例中计算机设备的内部结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。
本发明实施例为解决现有餐饮管理对于食品安全的措施有限，存在不能实时的监控食品安全，无法多角度的关注食品安全，以及无法提供安全可靠的方法对食品安全性进行有效验证的问题，提供了一种基于大数据的食品安全智慧管理方法，通过获取待识别食品的理化检测参数信息、图像信息、气味信息以及所处环境信息；在所述图像信息中提取表观特征信息；根据所述表观特征信息以及预设的基于卷积神经网络建立的表观特征-食品变质图像识别模型，生成变质识别结果；根据所述理化检测参数信息、变质识别结果、气味信息以及所处环境信息，确定所述待识别食品的安全性。由于预设的表观特征-食品变质图像识别模型为通过预先采集的多个食品图像样本经卷积神经网络训练生成，可以用于表述食品表观特征信息与食品变质信息的一种隐含关系，而根据对待识别食品的图像信息进行表观特征信息的提取，再利用表观特征-食品变质图像识别模型，生成变质识别结果，有利于用户无需对该食品掌握详细的理化知识以及生活经验，即可直观快速获得食品安全性问题；另外，本发明食品安全管理方法基于大数据分析，安全可靠、且识别精度以及效果更高，能够对食品安全性进行有效验证，满足使用需求。
为了进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下。
图1为本发明实施例提供的基于大数据的食品安全智慧管理方法的应用环境图，如图1所示，在该应用环境中，包括数据采集终端110以及计算机设备120。
计算机设备120可以是独立的物理服务器或终端，也可以是多个物理服务器构成的服务器集群，可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器。
数据采集终端110可以是智能手机、平板电脑、笔记本电脑、台式计算机、摄影机、照相机、气味传感器、各类环境传感器如温度传感器、湿度传感器、光纤氧传感器、食品理化性质测试仪器等，但并不局限于此。数据采集终端110以及计算机设备120可以通过网络进行连接，可以通过数据采集终端110采集待识别食品的理化检测参数信息、图像信息、气味信息以及所处环境信息等，并将上述数据传输至计算机设备120，本发明在此不做限制。
如图2所示，在一个实施例中，提出了一种基于大数据的食品安全智慧管理方法，本发明实施例主要以该方法应用于上述图1中的服务器120来举例说明。一种基于大数据的食品安全智慧管理方法，具体可以包括以下步骤：
步骤S201，获取待识别食品的理化检测参数信息、图像信息、气味信息以及所处环境信息。
在本发明实施例中，所述待识别食品的理化检测参数信息是指食品检验机构依据《中华人民共和国食品卫生法》规定的卫生标准，对食品质量所进行的检验，包括对食品的外包装、内包装、标志、唛头和商品体外观的特性、理化指标以及微生物指标、食品添加剂所进行的检验所获得的参数信息，其中，食品检测中的理化指标主要包含颜色、气味、pH值、水分、灰分、酸值、过氧化值、碘值、密度、灼烧残渣、干燥失重、蒸发残渣、高锰酸钾消耗量、重金属含量等，微生物指标主要包含菌落总数、大肠菌群、致病菌、霉菌、酵母、商业无菌等；一般可通过食品的理化检测参数信息来获知该食品的基本安全信息。
在本发明实施例中，待识别食品的所处环境信息是指其在当前存储环境下的温度、湿度、含氧量等信息。
步骤S202，在所述图像信息中提取表观特征信息。
在本发明实施例中，所述图像信息为至少包括一种待识别食品的区域图像信息，具体地，如图3所示，所述步骤S202，包括以下步骤：
步骤S301，对所述区域图像信息进行灰度处理，并获取所述区域图像信息中各像素点的灰度值。
在本发明实施例中，采用边缘检测的方式，根据图像中物体的边缘的灰度不连续的特征，利用梯度进行处理，通过获取待识别食品的图像的边缘，从而进一步确定待识别食品的图像，例如使用Roberts边缘算子、Sobel边缘检测算子、Prewitt边缘算子、Laplacan边缘算子或者Canny边缘检测算子等方式，相比于前述采用图像色差的方式，采用边缘检测的方式对待识别食品的图像的要求更低。
在本发明实施例中，根据所述区域图像中各像素点的RGB值可以直接映射到范围在0～255的灰度值；作为一种可行的灰度值计算方法，以区域图像中一像素的RGB值为(x，y，z)为例，则该像素点的灰度值Gray＝0.3x+0.59y+0.11z。
步骤S302，根据所述区域图像信息中各像素点的灰度值来确定所述待识别食品的边缘像素点。
在本发明实施例中，利用图像中物体的边缘的灰度具有不连续的特征，通过处理可以确定所述区域图像中的待识别食品的边缘像素点。具体地，根据第一像素点的灰度值以及与所述第一像素点的距离在预设值之内的像素点的灰度值计算第一像素点的梯度，并计算第一像素点的梯度的幅值，如所述区域图像可表示为二元函数f(x,y)，其中所述二元函数f(x,y)中(x,y)分别为像素点的横纵坐标，二元函数f(x,y)的取值为相应的像素点的灰度值，则梯度可表示为一个向量：
Figure GDA0002631365450000071
其中，所述Gx、Gy表示区域模板，通过对所述区域模板卷积来近似计算偏导数，而预设值不同，则所述Gx、Gy不同，所述梯度的幅度即为所述向量的幅度。
进一步，判断所述第一像素点的梯度的幅值是否超过预设的阈值。当判断所述第一像素点的梯度的幅值超过预设的阈值时，说明所述第一像素点满足灰度不连续的特征，即可能为所述区域图像中的边缘像素点；当判断所述第一像素点的梯度的幅值不超过预设的阈值时，说明所述第一像素点不满足灰度不连续的特征，即可能为所述区域图像中的非边缘像素点。
步骤S303，根据所述待识别食品的边缘像素点确定所述待识别食品的图像信息。
在本发明实施例中，所述边缘像素点组成的连线即为所述区域图像中待识别食品的边缘。
步骤S304，将所述图像信息与对应的预存标准食品的图像信息进行比对，在所述待识别食品的图像信息中确定出所述待识别食品异常的表观特征信息。
在本发明实施例中，所述待识别食品异常的表观特征信息包括异常颜色信息、异常纹理信息以及异常形状信息。一般而言，食品在发生变质时是产生了新的物质，表观上通常会出现大面积或者局部细微的颜色变化、或者纹理变化、或者形状变化；如皂角米本身颜色为淡黄色，经时间推移变质后会颜色越来越黄，花胶放置一定时间后会出现局部纹理霉变，通常很容易被肉眼忽视，如干墨鱼鱿鱼表面的霜一般为白色物质，当发霉后会长出淡绿色霉菌混合在霜之间，由于颜色接近，肉眼无法及时辨别出是否发生霉变，因此借助于将所述图像信息与对应的预存标准食品的图像信息进行比对，在所述待识别食品的图像信息中确定出所述待识别食品异常的表观特征信息，相较比人眼观测，准确性更有保障。
在本发明实施例中，先将所述图像信息与对应的预存标准食品的图像信息进行比对，在所述待识别食品的图像信息中确定出所述待识别食品异常的表观特征信息，将存在异常的表观特征信息的食品再进行后续的模型识别，以确定其是否发生变质，双重保障使结果更加精确。
步骤S203，根据所述表观特征信息以及预设的基于卷积神经网络建立的表观特征-食品变质图像识别模型，生成变质识别结果。
在本发明实施例中，如上所述，表观特征信息可以是将待识别食品图像与预存标准食品的图像进行表观特征计算，获取待识别食品图像中异常信息，该异常信息确定为需提取的表观特征信息，另外，所述生物特征信息包括但不限于颜色特征、纹理特征、有形物质特征、动态变化特征等。
在本发明实施例中，所述预设的表观特征-食品变质图像识别模型为通过预先采集的多个食品图像样本经卷积神经网络训练生成；具体为，预先获取大量食品图像，基于表观特征计算技术将食品图像中涉及的颜色特征、纹理特征、有形物质特征、动态变化特征等进行提取，将所得颜色特征、纹理特征、有形物质特征、动态变化特征等进行数字化以及多特征融合，以确定所有食品图像中异常信息，以及结合实际标准食品知识数据库进行变质分析，即该大量食品图像为预先确定了目标表观特征信息，并将其作为训练图像样本进行表观特征-食品变质图像识别模型训练。
在本发明实施例中，如图4所示，所述预设的表观特征-食品变质图像识别模型的建立步骤，具体包括：
步骤S401，获取多个食品图像样本。
在本发明实施例中，所述食品图像样本可以是通过食品检测中心采集获得或者是食品相关数据库中获得，而当采集的图像样本数量偏少的时候，可以将所采集的图像样本进行随机水平镜像、灰度拉伸，从而提高样本数量。
步骤S402，获取所述多个食品图像样本的表观特征信息以及对应的目标变质图像。
步骤S403，根据所述第一食品图像样本的表观特征信息以及含有可变参数的卷积神经网络模型确定所述第一食品图像样本的第一变质图像。
在本发明实施例中，所述卷积神经网络模型的结构包括一个输入层、多个卷积层、多个池化层、至少一个全连接层以及一个输出层，其中所述多个卷积层、多个全连接层中存在可变参数；当所述多个卷积层、多个全连接层中的可变参数改变时，则对于同样的图像样本输入，输出的变质信息不同。
步骤S404，计算所述第一变质图像以及与所述第一食品图像样本对应的第一目标变质图像之间的第一损失差异。
在本发明实施例中，损失差异可通过损失函数计算，如常用的损失函数有平均绝对误差(MAE)与均方误差(MSE)。
步骤S405，判断多个食品图像样本的损失差异是否满足预设的条件；若否，则返回至所述步骤S403；若是，则进入步骤S406。
在本发明实施例中，可以根据随机梯度下降法、或者动量梯度下降法、或者动量随机梯度下降法、或者反向传播算法，调整所述卷积神经网络模型中的可变参数，但调整所述可变参数后，返回至所述根据所述步骤S403，重新计算损失差异。
步骤S406，当判断所述多个食品图像样本的损失差异满足预设的条件时，将当前所述含有可变参数的卷积神经网络模型确定为预设的基于卷积神经网络建立的表观特征-食品变质图像识别模型。
步骤S204，根据所述理化检测参数信息、变质识别结果、气味信息以及所处环境信息，确定所述待识别食品的安全性。
在实际情况中，大部分食品出现变质时普遍会存在表观出现变化，或者气味发生变化，现有采用人为目测或者用鼻子闻气味以结合生活经验来判断食品是否变质，该方式存在误判现象严重，尤其部分食品出现变质时产生的细微变化仅从目测观察，未必能准确获取信息，而气味更是与鼻子灵敏性相关，更容易出现误判的情况，因此本发明通过表观特征-食品变质图像识别模型从食品表观上精确获知食品是否变质，进而还结合食品气味信息以及理化检测参数对食品是否变质做进一步判断，同时还结合食品所处环境信息来确定食品在环境条件下存储是否易发生腐坏，以从全方位角度来食品安全性进行分析。
本发明实施例提供的一种基于大数据的食品安全智慧管理方法，通过获取待识别食品的理化检测参数信息、图像信息、气味信息以及所处环境信息；在所述图像信息中提取表观特征信息；根据所述表观特征信息以及预设的基于卷积神经网络建立的表观特征-食品变质图像识别模型，生成变质识别结果；根据所述理化检测参数信息、变质识别结果、气味信息以及所处环境信息，确定所述待识别食品的安全性。由于预设的表观特征-食品变质图像识别模型为通过预先采集的多个食品图像样本经卷积神经网络训练生成，可以用于表述食品表观特征信息与食品变质信息的一种隐含关系，而根据对待识别食品的图像信息进行表观特征信息的提取，再利用表观特征-食品变质图像识别模型，生成变质识别结果，有利于用户无需对该食品掌握详细的理化知识以及生活经验，即可直观快速获得食品安全性问题；另外，本发明食品安全管理方法基于大数据分析，安全可靠、且识别精度以及效果更高，能够对食品安全性进行有效验证，满足使用需求。
在一个实施例中，如图5所示，一种基于大数据的食品安全智慧管理方法，其与图2所示的方法相比，区别在于，还包括：
步骤S501，根据所述待识别食品的图像信息，确定食品种类信息。
在本发明实施例中，待识别食品的图像信息中至少包括两种食材种类，通过结合食品大数据库进行分析，确定在待识别食品的图像信息中所包含的食品种类。
步骤S502，根据所述食品种类信息以及预设食品配方标准，生成食品分析报告；所述预设食品配方标准是基于中国标准、国际标准、历史食品安全事故数据的相关性分析而生成。
在本发明实施例中，所述预设食品配方标准是指食品搭配禁忌数据库，其基于中国标准、国际标准、历史食品安全事故数据的相关性分析而生成。由于各种食材之间所包含的成本性质有所不同，导致个别食材之间不得同时食用，如猪肉与菱角同时食用会引起肚子痛，白酒与柿子同时食用会引起中毒，牛肉与板栗同时食用会引起呕吐，马铃薯与香蕉同时食用会引起面部生斑等。因此根据获取的食品种类信息以及食品搭配禁忌数据库来生成食品分析报告，以根据食品分析报告来规避食材之间禁忌搭配，避免发生食用安全事故。
本发明实施例提供的一种基于大数据的食品安全智慧管理方法，通过根据所述待识别食品的图像信息，确定食品种类信息；根据所述食品种类信息以及预设食品配方标准，生成食品分析报告；所述预设食品配方标准是基于中国标准、国际标准、历史食品安全事故数据的相关性分析而生成，有利于用户无需对该食品掌握详细的理化知识以及生活经验，根据食品分析报告来规避食材之间禁忌搭配，避免发生食用安全事故。
在一个实施例中，如图6所示，一种基于大数据的食品安全智慧管理方法，其与图5所示的方法相比，区别在于，还包括：
步骤S601，根据所述食品种类信息，生成营养分析结果；所述营养分析结果携带有营养成分偏离指标。
在本发明实施例中，营养分析结果可以以任何形式呈现，如可以是营养成分列表，也可以是一个营养分析曲线，呈现的内容包括各个营养成分以及各个营养成分所占的比例，如果营养不均衡，营养分析结果中还可以包括欠缺营养成分及其所占的比例，也就是营养成分偏离指标。
步骤S602，当所述营养成分偏离指标超过预设偏离风险阈值时，则存在营养成分偏离风险，并发送携带有营养成分摄入建议的风险警示。
本发明实施例提供的一种基于大数据的食品安全智慧管理方法，通过根据所述食品种类信息，生成营养分析结果；所述营养分析结果携带有营养成分偏离指标；当所述营养成分偏离指标超过预设偏离风险阈值时，则存在营养成分偏离风险，并发送携带有营养成分摄入建议的风险警示，有利于用户无需对该食品掌握详细的理化知识以及生活经验，根据营养分析结果以及携带有营养成分摄入建议的风险警示来调整自身饮食，打造健康身体。
如图7所示，在一个实施例中，提供了一种基于大数据的食品安全智慧管理系统，该基于大数据的食品安全智慧管理系统可以集成于上述的计算机设备120中，具体可以包括：
信息获取单元710，用于获取待识别食品的理化检测参数信息、图像信息、气味信息以及所处环境信息。
在本发明实施例中，所述待识别食品的理化检测参数信息是指食品检验机构依据《中华人民共和国食品卫生法》规定的卫生标准，对食品质量所进行的检验，包括对食品的外包装、内包装、标志、唛头和商品体外观的特性、理化指标以及微生物指标、食品添加剂所进行的检验所获得的参数信息，其中，食品检测中的理化指标主要包含颜色、气味、pH值、水分、灰分、酸值、过氧化值、碘值、密度、灼烧残渣、干燥失重、蒸发残渣、高锰酸钾消耗量、重金属含量等，微生物指标主要包含菌落总数、大肠菌群、致病菌、霉菌、酵母、商业无菌等；一般可通过食品的理化检测参数信息来获知该食品的基本安全信息。
在本发明实施例中，待识别食品的所处环境信息是指其在当前存储环境下的温度、湿度、含氧量等信息。
特征信息提取单元720，用于在所述图像信息中提取表观特征信息。
在本发明实施例中，所述图像信息为至少包括一种待识别食品的区域图像信息，具体地，对所述区域图像信息进行灰度处理，并获取所述区域图像信息中各像素点的灰度值；根据所述区域图像信息中各像素点的灰度值来确定所述待识别食品的边缘像素点；根据所述待识别食品的边缘像素点确定所述待识别食品的图像信息；将所述图像信息与对应的预存标准食品的图像信息进行比对，在所述待识别食品的图像信息中确定出所述待识别食品异常的表观特征信息。
在本发明实施例中，所述待识别食品异常的表观特征信息包括异常颜色信息、异常纹理信息以及异常形状信息。一般而言，食品在发生变质时是产生了新的物质，表观上通常会出现大面积或者局部细微的颜色变化、或者纹理变化、或者形状变化；如皂角米本身颜色为淡黄色，经时间推移变质后会颜色越来越黄，花胶放置一定时间后会出现局部纹理霉变，通常很容易被肉眼忽视，如干墨鱼鱿鱼表面的霜一般为白色物质，当发霉后会长出淡绿色霉菌混合在霜之间，由于颜色接近，肉眼无法及时辨别出是否发生霉变，因此借助于将所述图像信息与对应的预存标准食品的图像信息进行比对，在所述待识别食品的图像信息中确定出所述待识别食品异常的表观特征信息，相较比人眼观测，准确性更有保障。
识别结果生成单元730，用于根据所述表观特征信息以及预设的基于卷积神经网络建立的表观特征-食品变质图像识别模型，生成变质识别结果；所述预设的表观特征-食品变质图像识别模型为通过预先采集的多个食品图像样本经卷积神经网络训练生成。
在本发明实施例中，如上所述，表观特征信息可以是将待识别食品图像与预存标准食品的图像进行表观特征计算，获取待识别食品图像中异常信息，该异常信息确定为需提取的表观特征信息，另外，所述生物特征信息包括但不限于颜色特征、纹理特征、有形物质特征、动态变化特征等。
在本发明实施例中，所述预设的表观特征-食品变质图像识别模型为通过预先采集的多个食品图像样本经卷积神经网络训练生成；具体为，预先获取大量食品图像，基于表观特征计算技术将食品图像中涉及的颜色特征、纹理特征、有形物质特征、动态变化特征等进行提取，将所得颜色特征、纹理特征、有形物质特征、动态变化特征等进行数字化以及多特征融合，以确定所有食品图像中异常信息，以及结合实际标准食品知识数据库进行变质分析，即该大量食品图像为预先确定了目标表观特征信息，并将其作为训练图像样本进行表观特征-食品变质图像识别模型训练。
食品安全性确定单元740，用于根据所述理化检测参数信息、变质识别结果、气味信息以及所处环境信息，确定所述待识别食品的安全性。
在实际情况中，大部分食品出现变质时普遍会存在表观出现变化，或者气味发生变化，现有采用人为目测或者用鼻子闻气味以结合生活经验来判断食品是否变质，该方式存在误判现象严重，尤其部分食品出现变质时产生的细微变化仅从目测观察，未必能准确获取信息，而气味更是与鼻子灵敏性相关，更容易出现误判的情况，因此本发明通过表观特征-食品变质图像识别模型从食品表观上精确获知食品是否变质，进而还结合食品气味信息以及理化检测参数对食品是否变质做进一步判断，同时还结合食品所处环境信息来确定食品在环境条件下存储是否易发生腐坏，以从全方位角度来食品安全性进行分析。
本发明实施例提供的一种基于大数据的食品安全智慧管理系统，通过获取待识别食品的理化检测参数信息、图像信息、气味信息以及所处环境信息；在所述图像信息中提取表观特征信息；根据所述表观特征信息以及预设的基于卷积神经网络建立的表观特征-食品变质图像识别模型，生成变质识别结果；根据所述理化检测参数信息、变质识别结果、气味信息以及所处环境信息，确定所述待识别食品的安全性。由于预设的表观特征-食品变质图像识别模型为通过预先采集的多个食品图像样本经卷积神经网络训练生成，可以用于表述食品表观特征信息与食品变质信息的一种隐含关系，而根据对待识别食品的图像信息进行表观特征信息的提取，再利用表观特征-食品变质图像识别模型，生成变质识别结果，有利于用户无需对该食品掌握详细的理化知识以及生活经验，即可直观快速获得食品安全性问题；另外，本发明食品安全管理方法基于大数据分析，安全可靠、且识别精度以及效果更高，能够对食品安全性进行有效验证，满足使用需求。
如图8所示，在一个实施例中，提供了一种基于大数据的食品安全智慧管理系统，其与图7所示的系统的区别在于，还包括：
种类信息确定单元810，用于根据所述待识别食品的图像信息，确定食品种类信息。
在本发明实施例中，待识别食品的图像信息中至少包括两种食材种类，通过结合食品大数据库进行分析，确定在待识别食品的图像信息中所包含的食品种类。
分析报告生成单元820，用于根据所述食品种类信息以及预设食品配方标准，生成食品分析报告；所述预设食品配方标准是基于中国标准、国际标准、历史食品安全事故数据的相关性分析而生成。
在本发明实施例中，所述预设食品配方标准是指食品搭配禁忌数据库，其基于中国标准、国际标准、历史食品安全事故数据的相关性分析而生成。由于各种食材之间所包含的成本性质有所不同，导致个别食材之间不得同时食用，如猪肉与菱角同时食用会引起肚子痛，白酒与柿子同时食用会引起中毒，牛肉与板栗同时食用会引起呕吐，马铃薯与香蕉同时食用会引起面部生斑等。因此根据获取的食品种类信息以及食品搭配禁忌数据库来生成食品分析报告，以根据食品分析报告来规避食材之间禁忌搭配，避免发生食用安全事故。
本发明实施例提供的一种基于大数据的食品安全智慧管理系统，通过根据所述待识别食品的图像信息，确定食品种类信息；根据所述食品种类信息以及预设食品配方标准，生成食品分析报告；所述预设食品配方标准是基于中国标准、国际标准、历史食品安全事故数据的相关性分析而生成，有利于用户无需对该食品掌握详细的理化知识以及生活经验，根据食品分析报告来规避食材之间禁忌搭配，避免发生食用安全事故。
如图9所示，在一个实施例中，提供了一种基于大数据的食品安全智慧管理系统，其与图8所示的系统的区别在于，还包括：
营养分析结果生成单元910，用于根据所述食品种类信息，生成营养分析结果；所述营养分析结果携带有营养成分偏离指标。
在本发明实施例中，营养分析结果可以以任何形式呈现，如可以是营养成分列表，也可以是一个营养分析曲线，呈现的内容包括各个营养成分以及各个营养成分所占的比例，如果营养不均衡，营养分析结果中还可以包括欠缺营养成分及其所占的比例，也就是营养成分偏离指标。
风险确定单元920，当所述营养成分偏离指标超过预设偏离风险阈值时，则确定存在营养成分偏离风险，并发送携带有营养成分摄入建议的风险警示。
本发明实施例提供的一种基于大数据的食品安全智慧管理系统，通过根据所述食品种类信息，生成营养分析结果；所述营养分析结果携带有营养成分偏离指标；当所述营养成分偏离指标超过预设偏离风险阈值时，则存在营养成分偏离风险，并发送携带有营养成分摄入建议的风险警示，有利于用户无需对该食品掌握详细的理化知识以及生活经验，根据营养分析结果以及携带有营养成分摄入建议的风险警示来调整自身饮食，打造健康身体。
如图10所示，在一个实施例中，提供了一种基于大数据的食品安全智慧管理系统，其与图8所示的系统的区别在于，还包括：
模型训练单元1010，用于生成预设的基于卷积神经网络建立的表观特征-食品变质图像识别模型。
在本发明实施例中，所述预设的表观特征-食品变质图像识别模型的建立步骤，具体包括：获取多个食品图像样本；获取所述多个食品图像样本的表观特征信息以及对应的目标变质图像；根据所述第一食品图像样本的表观特征信息以及含有可变参数的卷积神经网络模型确定所述第一食品图像样本的第一变质图像；计算所述第一变质图像以及与所述第一食品图像样本对应的第一目标变质图像之间的第一损失差异；判断多个食品图像样本的损失差异是否满足预设的条件；当判断所述多个食品图像样本的损失差异不满足预设的条件时，调整所述卷积神经网络模型中的可变参数，并返回至所述根据所述第一食品图像样本的表观特征信息以及含有可变参数的卷积神经网络模型确定所述第一食品图像样本的第一变质图像的步骤；当判断所述多个食品图像样本的损失差异满足预设的条件时，将当前所述含有可变参数的卷积神经网络模型确定为预设的基于卷积神经网络建立的表观特征-食品变质图像识别模型。
图11示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的服务器120。如图11所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现基于大数据的食品安全智慧管理方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行基于大数据的食品安全智慧管理方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的基于大数据的食品安全智慧管理系统可以实现为一种计算机程序的形式，计算机程序可在如图11所示的计算机设备上运行。计算机设备的存储器中可存储组成该基于大数据的食品安全智慧管理系统的各个程序模块，比如，图7所示的信息获取单元710、特征信息提取单元720、识别结果生成单元730以及食品安全性确定单元740。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的xx方法中的步骤。
例如，图11所示的计算机设备可以通过如图7所示的基于大数据的食品安全智慧管理系统中的信息获取单元710执行步骤S201。计算机设备可通过特征信息提取单元720执行步骤S202。计算机设备可通过识别结果生成单元730执行步骤S203。计算机设备可通过食品安全性确定单元740执行步骤S204。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待识别食品的理化检测参数信息、图像信息、气味信息以及所处环境信息；
在所述图像信息中提取表观特征信息；
根据所述表观特征信息以及预设的基于卷积神经网络建立的表观特征-食品变质图像识别模型，生成变质识别结果；所述预设的表观特征-食品变质图像识别模型为通过预先采集的多个食品图像样本经卷积神经网络训练生成；
根据所述理化检测参数信息、变质识别结果、气味信息以及所处环境信息，确定所述待识别食品的安全性。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
获取待识别食品的理化检测参数信息、图像信息、气味信息以及所处环境信息；
在所述图像信息中提取表观特征信息；
根据所述表观特征信息以及预设的基于卷积神经网络建立的表观特征-食品变质图像识别模型，生成变质识别结果；所述预设的表观特征-食品变质图像识别模型为通过预先采集的多个食品图像样本经卷积神经网络训练生成；
根据所述理化检测参数信息、变质识别结果、气味信息以及所处环境信息，确定所述待识别食品的安全性。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于大数据的食品安全智慧管理方法，其特征在于，所述食品安全智慧管理方法包括：
获取待识别食品的理化检测参数信息、图像信息、气味信息以及所处环境信息；
在所述图像信息中提取表观特征信息；
根据所述表观特征信息以及预设的基于卷积神经网络建立的表观特征-食品变质图像识别模型，生成变质识别结果；所述预设的表观特征-食品变质图像识别模型为通过预先采集的多个食品图像样本经卷积神经网络训练生成；
根据所述理化检测参数信息、变质识别结果、气味信息以及所处环境信息，确定所述待识别食品的安全性；
根据所述食品种类信息，生成营养分析结果；所述营养分析结果携带有营养成分偏离指标；
当所述营养成分偏离指标超过预设偏离风险阈值时，则存在营养成分偏离风险，并发送携带有营养成分摄入建议的风险警示；
所述图像信息为至少包括一种待识别食品的区域图像信息；
所述在所述图像信息中提取表观特征信息的步骤，具体包括：
对所述区域图像信息进行灰度处理，并获取所述区域图像信息中各像素点的灰度值；
根据所述区域图像信息中各像素点的灰度值来确定所述待识别食品的边缘像素点；
根据所述待识别食品的边缘像素点确定所述待识别食品的图像信息；
将所述图像信息与对应的预存标准食品的图像信息进行比对，在所述待识别食品的图像信息中确定出所述待识别食品异常的表观特征信息；
所述边缘像素点包括利用图像中物体的边缘的灰度具有不连续的特征，通过处理可以确定所述区域图像中的待识别食品的边缘像素点；
该边缘像素点计算方法为：根据第一像素点的灰度值以及与所述第一像素点的距离在预设值之内的像素点的灰度值计算第一像素点的梯度，并计算第一像素点的梯度的幅值，如所述区域图像可表示为二元函数f(x,y)，其中所述二元函数f(x,y)中(x,y)分别为像素点的横纵坐标，二元函数f(x,y)的取值为相应的像素点的灰度值，则梯度可表示为一个向量：
Figure FDA0003176105970000021
其中，所述Gx、Gy表示区域模板，通过对所述区域模板卷积来近似计算偏导数，而预设值不同，则所述Gx、Gy不同，所述梯度的幅度即为所述向量的幅度。
2.根据权利要求1所述的基于大数据的食品安全智慧管理方法，其特征在于，所述食品安全智慧管理方法还包括：
根据所述待识别食品的图像信息，确定食品种类信息；
根据所述食品种类信息以及预设食品配方标准，生成食品分析报告；所述预设食品配方标准是基于中国标准、国际标准、历史食品安全事故数据的相关性分析而生成；
所述图像信息为至少包括一种待识别食品的区域图像信息；
所述在所述图像信息中提取表观特征信息的步骤，具体包括：
对所述区域图像信息进行灰度处理，并获取所述区域图像信息中各像素点的灰度值；
根据所述区域图像信息中各像素点的灰度值来确定所述待识别食品的边缘像素点；
根据所述待识别食品的边缘像素点确定所述待识别食品的图像信息；
将所述图像信息与对应的预存标准食品的图像信息进行比对，在所述待识别食品的图像信息中确定出所述待识别食品异常的表观特征信息。
3.根据权利要求1所述的基于大数据的食品安全智慧管理方法，其特征在于，所述待识别食品异常的表观特征信息包括异常颜色信息、异常纹理信息以及异常形状信息。
4.根据权利要求1所述的基于大数据的食品安全智慧管理方法，其特征在于，所述预设的表观特征-食品变质图像识别模型的建立步骤，具体包括：
获取多个食品图像样本；
获取所述多个食品图像样本的表观特征信息以及对应的目标变质图像；
根据所述食品图像样本的表观特征信息以及含有可变参数的卷积神经网络模型确定所述食品图像样本的第一变质图像；
计算所述第一变质图像以及与所述食品图像样本对应的第一目标变质图像之间的第一损失差异；
判断多个食品图像样本的损失差异是否满足预设的条件；
当判断所述多个食品图像样本的损失差异不满足预设的条件时，调整所述卷积神经网络模型中的可变参数，并返回至所述根据所述食品图像样本的表观特征信息以及含有可变参数的卷积神经网络模型确定所述食品图像样本的第一变质图像的步骤；
当判断所述多个食品图像样本的损失差异满足预设的条件时，将当前所述含有可变参数的卷积神经网络模型确定为预设的基于卷积神经网络建立的表观特征-食品变质图像识别模型。
5.一种基于大数据的食品安全智慧管理系统，其特征在于，所述食品安全智慧管理系统包括：
信息获取单元，用于获取待识别食品的理化检测参数信息、图像信息、气味信息以及所处环境信息；
特征信息提取单元，用于在所述图像信息中提取表观特征信息；
所述图像信息包括区域图像信息；
所述图像信息中提取表观特征信息包括对所述区域图像信息进行灰度处理，并获取所述区域图像信息中各像素点的灰度值；
根据所述区域图像信息中各像素点的灰度值来确定所述待识别食品的边缘像素点；
根据所述待识别食品的边缘像素点确定所述待识别食品的图像信息；
将所述图像信息与对应的预存标准食品的图像信息进行比对，在所述待识别食品的图像信息中确定出所述待识别食品异常的表观特征信息；
所述边缘像素点包括利用图像中物体的边缘的灰度具有不连续的特征，通过处理可以确定所述区域图像中的待识别食品的边缘像素点；
识别结果生成单元，用于根据所述表观特征信息以及预设的基于卷积神经网络建立的表观特征-食品变质图像识别模型，生成变质识别结果；所述预设的表观特征-食品变质图像识别模型为通过预先采集的多个食品图像样本经卷积神经网络训练生成；以及
食品安全性确定单元，用于根据所述理化检测参数信息、变质识别结果、气味信息以及所处环境信息，确定所述待识别食品的安全性；
种类信息确定单元，用于根据所述待识别食品的图像信息，确定食品种类信息；
营养分析结果生成单元，用于根据所述食品种类信息，生成营养分析结果；所述营养分析结果携带有营养成分偏离指标；以及
风险确定单元，当所述营养成分偏离指标超过预设偏离风险阈值时，则确定存在营养成分偏离风险，并发送携带有营养成分摄入建议的风险警示。
6.根据权利要求5所述的基于大数据的食品安全智慧管理系统，其特征在于，所述食品安全智慧管理系统还包括：
模型训练单元，用于生成预设的基于卷积神经网络建立的表观特征-食品变质图像识别模型。
7.根据权利要求5所述的基于大数据的食品安全智慧管理系统，其特征在于，所述食品安全智慧管理系统还包括：
分析报告生成单元，用于根据所述食品种类信息以及预设食品配方标准，生成食品分析报告；所述预设食品配方标准是基于中国标准、国际标准、历史食品安全事故数据的相关性分析而生成。
CN202010739318.7A 2020-07-28 2020-07-28 一种基于大数据的食品安全智慧管理方法与系统 Active CN111879772B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010739318.7A CN111879772B (zh) 2020-07-28 2020-07-28 一种基于大数据的食品安全智慧管理方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010739318.7A CN111879772B (zh) 2020-07-28 2020-07-28 一种基于大数据的食品安全智慧管理方法与系统

Publications (2)

Publication Number Publication Date
CN111879772A CN111879772A (zh) 2020-11-03
CN111879772B true CN111879772B (zh) 2021-11-05

Family

ID=73200872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010739318.7A Active CN111879772B (zh) 2020-07-28 2020-07-28 一种基于大数据的食品安全智慧管理方法与系统

Country Status (1)

Country Link
CN (1) CN111879772B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112802008B (zh) * 2021-02-23 2023-04-18 武汉探针科技有限公司 一种食品安全检测方法及装置
CN113406929B (zh) * 2021-05-02 2023-03-10 华中农业大学 食品安全大数据智能采集与应用系统
CN114140456B (zh) * 2021-12-08 2024-04-26 湛江海关技术中心 一种基于图像识别的智能食品检测方法及系统
CN117745658A (zh) * 2022-05-20 2024-03-22 连云港银丰食用菌科技有限公司 一种食用菌品质检测及分拣方法和系统
CN114971933B (zh) * 2022-05-25 2024-01-16 连云港银丰食用菌科技有限公司 一种食用菌的保存方法和系统
CN116227897A (zh) * 2023-05-09 2023-06-06 天津温阳生物技术有限公司 一种食品样本检测数据处理方法及系统
CN116805239A (zh) * 2023-06-30 2023-09-26 昆明黑马软件股份有限公司 一种基于大数据的生鲜商品安全智能检测管理方法及系统
CN117273550B (zh) * 2023-11-20 2024-03-29 深圳海关食品检验检疫技术中心 一种食品检测智能实验室的信息管理方法
CN117952857A (zh) * 2024-03-22 2024-04-30 汉中神灯生物科技有限公司 一种天然食品添加剂的光谱图像智能分析方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570803A (zh) * 2016-11-09 2017-04-19 赵鹏 一种基于app平台的饮食摄录管理系统及管理方法
CN106680441A (zh) * 2016-11-29 2017-05-17 北京无线电计量测试研究所 一种便携式肉质检测器、系统和方法
CN208007189U (zh) * 2018-02-09 2018-10-26 广州瀚宇信息科技有限公司 轻便大容量多接口箱包行李车
CN109509535A (zh) * 2018-10-08 2019-03-22 北京健康有益科技有限公司 食物体积的获取方法、食物热量的获取方法、电子设备
CN109543605A (zh) * 2018-11-21 2019-03-29 珠海格力电器股份有限公司 基于卷积神经网络的食物变质管理方法、系统、贮藏设备
CN109886926A (zh) * 2019-01-22 2019-06-14 东喜和仪(珠海市)数据科技有限公司 基于图像识别的生鲜食品质量检测方法和装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106384080A (zh) * 2016-08-31 2017-02-08 广州精点计算机科技有限公司 一种基于卷积神经网络的表观年龄估计方法及装置
CN106778583B (zh) * 2016-12-07 2019-12-17 北京理工大学 基于卷积神经网络的车辆属性识别方法与装置
US20200397313A1 (en) * 2017-10-06 2020-12-24 Mayo Foundation For Medical Education And Research Ecg-based cardiac ejection-fraction screening
US11842491B2 (en) * 2018-06-14 2023-12-12 Thomas Jefferson University Novel, quantitative framework for the diagnostic, prognostic, and therapeutic evaluation of spinal cord diseases
CN111292318A (zh) * 2020-03-12 2020-06-16 深圳智信生物医疗科技有限公司 内窥镜系统及内窥镜图像识别方法、设备、可存储介质
CN111397299B (zh) * 2020-04-20 2021-05-18 珠海格力电器股份有限公司 室内食品储存监控方法以及冰箱

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570803A (zh) * 2016-11-09 2017-04-19 赵鹏 一种基于app平台的饮食摄录管理系统及管理方法
CN106680441A (zh) * 2016-11-29 2017-05-17 北京无线电计量测试研究所 一种便携式肉质检测器、系统和方法
CN208007189U (zh) * 2018-02-09 2018-10-26 广州瀚宇信息科技有限公司 轻便大容量多接口箱包行李车
CN109509535A (zh) * 2018-10-08 2019-03-22 北京健康有益科技有限公司 食物体积的获取方法、食物热量的获取方法、电子设备
CN109543605A (zh) * 2018-11-21 2019-03-29 珠海格力电器股份有限公司 基于卷积神经网络的食物变质管理方法、系统、贮藏设备
CN109886926A (zh) * 2019-01-22 2019-06-14 东喜和仪(珠海市)数据科技有限公司 基于图像识别的生鲜食品质量检测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吕晨晨.基于大数据环境下的食品企业食品安全管理.《食品安全管理》.2017, *

Also Published As

Publication number Publication date
CN111879772A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN111879772B (zh) 一种基于大数据的食品安全智慧管理方法与系统
Mazen et al. Ripeness classification of bananas using an artificial neural network
Li et al. Nondestructive detection of total volatile basic nitrogen (TVB-N) content in pork meat by integrating hyperspectral imaging and colorimetric sensor combined with a nonlinear data fusion
CN106568907B (zh) 一种基于半监督鉴别投影的大闸蟹新鲜度无损检测方法
CN108447061B (zh) 商品信息处理方法、装置、计算机设备和存储介质
Pan et al. Regression algorithms in hyperspectral data analysis for meat quality detection and evaluation
Taheri‐Garavand et al. A nondestructive intelligent approach to real‐time evaluation of chicken meat freshness based on computer vision technique
CN104655586A (zh) 基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法
Banwari et al. Computer vision technique for freshness estimation from segmented eye of fish image
CN108197636A (zh) 一种基于深度多视点特征的稻谷检测和分类方法
CN115131783B (zh) 基于机器视觉的用户饮食营养成分信息自主感知方法
Vo et al. An application of Convolutional Neural Network to lobster grading in the Southern Rock Lobster supply chain
CN112396131A (zh) 一种木瓜丝质量监控方法和装置
Nyalala et al. Weight and volume estimation of single and occluded tomatoes using machine vision
Yudhana et al. Fish Freshness Identification Using Machine Learning: Performance Comparison of k-NN and Naïve Bayes Classifier.
CN115272234A (zh) 瓶盖质量检测方法、装置、计算机设备及存储介质
CN115760724A (zh) 食品质量检测方法和系统
CN115660292A (zh) 基于餐饮消费数据处理的碳排放监测方法及设备
Zuñiga et al. Grape maturity estimation based on seed images and neural networks
Zhang et al. Detection of adulteration in mutton using digital images in time domain combined with deep learning algorithm
CN108362652B (zh) 一种基于证据理论的物体新鲜度无损检测方法
Elbassuoni et al. DeepNOVA: A Deep learning NOVA classifier for food images
Shi et al. Artificial neural network-based shelf life prediction approach in the food storage process: A review
Wang et al. A new approach for unqualified salted sea cucumber identification: integration of image texture and machine learning under the pressure contact
CN103868821B (zh) 采用基于超声波的便携式鱼肉质新鲜度检测装置的评价方法

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
CB02 Change of applicant information

Address after: 518110 floor 7, Fumin Building, No. 44, Renmin Road, Xinhe community, Fucheng street, Longhua District, Shenzhen, Guangdong

Applicant after: Shi Anhui (Shenzhen) Technology Co.,Ltd.

Address before: 518110 406, 408, 409, 410, 4th floor, rongqun building, Longguan East Road, Yucui community, Longhua street, Longhua District, Shenzhen, Guangdong

Applicant before: Shenzhen rundexian Food Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant