CN113049509A - 一种基于光谱技术的农产品检测管理系统 - Google Patents

一种基于光谱技术的农产品检测管理系统 Download PDF

Info

Publication number
CN113049509A
CN113049509A CN202110285557.4A CN202110285557A CN113049509A CN 113049509 A CN113049509 A CN 113049509A CN 202110285557 A CN202110285557 A CN 202110285557A CN 113049509 A CN113049509 A CN 113049509A
Authority
CN
China
Prior art keywords
data
module
detection
agricultural product
quality
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110285557.4A
Other languages
English (en)
Other versions
CN113049509B (zh
Inventor
朱成云
沈法华
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.)
Yancheng Teachers University
Original Assignee
Yancheng Teachers University
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 Yancheng Teachers University filed Critical Yancheng Teachers University
Priority to CN202110285557.4A priority Critical patent/CN113049509B/zh
Publication of CN113049509A publication Critical patent/CN113049509A/zh
Application granted granted Critical
Publication of CN113049509B publication Critical patent/CN113049509B/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
    • G01N21/17—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
    • 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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
    • 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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
    • G01N21/643—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes" non-biological material
    • 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
    • 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
    • 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
    • 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
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Optics & Photonics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开了一种基于光谱技术的农产品检测管理系统，属于农产品检测领域，涉及荧光光谱技术；本发明设置了安全检测模块，该设置利用误差逆向反馈神经网络的优势对农产品的农药残留进行检测并生成安全标签，能够保证农药检测的精度，为农产品的质量检测提供数据支持；本发明设置了数据分析模块，该设置根据农场品图像数据和元素光谱检测数据分别对农产品的质量和元素含量进行评价，保证了农产品的外观质量，为农产品的评级奠定了基础；本发明设置了产品评级模块，该设置通过支持向量机模型对农产品的质量级别进行评价，实现了智能分类，提高了农产品的分级效率，同时能够保证评级结果客观。

Description

一种基于光谱技术的农产品检测管理系统
技术领域
本发明属于农产品检测领域，涉及光谱技术，具体是一种基于光谱技术的农产品检测管理系统。
背景技术
滩涂农业是以经济盐生植物和盐生作物为生产对象，以土地为载体运用海水进行浇灌或以海水无土栽培方式进行生产的种植业，以及相关的林业、牧业、产品加工业等，滩涂农业产出农产品的数量近年来有着明显的提高，滩涂农产品的检测方式多种多样，但是效果均不够理想。
公开号为CN102788752A的发明专利提供了一种基于光谱技术的农作物内部信息无损检测装置和方法，该方法包括以下步骤：建立知识数据库，对所需测定的农作物，建立与各农作物样本相关的知识数据库；采集农作物冠层图像数据、光谱数据到计算机中；计算机将采集到的图像数据进行预处理，提取与训练样本同样的图像特征；计算机将采集得到的光谱数据进行与训练样本同样的波段特征提取：计算机对所提取的图像特征、波段特征与知识数据库进行融合，利用测试样本进行检测试验，给出当前测试作物样本的氮素水分含量，检测结果通过计算机显示出来。
上述方案可以凭借光谱信息自动判断出农作物处于哪个生育期，氮素含量有多少，更加便于使用者使用；但是，上述方案只对完成了对农作物的初步判断，没有充分利用光谱数据完成品质筛选；因此，上述方案仍需进一步改进。
发明内容
为了解决上述方案存在的问题，本发明提供了一种基于光谱技术的农产品检测管理系统。
本发明的目的可以通过以下技术方案实现：一种基于光谱技术的农产品检测管理系统，包括处理器、安全监测模块、数据采集模块、数据分析模块、产品评级模块、全局监控模块和数据存储模块；
所述数据采集模块与至少一组检测设备通信连接；所述数据采集模块用于获取农药光谱检测数据、农产品图像数据和元素光谱检测数据，将农药光谱检测数据分别发送至安全检测模块，将农场品图像数据和元素光谱检测数据分别发送至数据分析模块和数据存储模块；
所述数据分析模块包括质量分析单元和元素分析单元；所述元素分析单元根据元素光谱数据生成元素评价标签，包括：
根据元素光谱数据和元素分析仪获取农产品中的元素含量；所述元素含量包括常规元素含量和污染元素含量，其中常规元素包括常量元素和微量元素，污染元素包括汞、镉、铅、铬、砷、锌、铜、钴、镍和锡；
通过数据存储模块获取农产品对应元素的标准含量；
当元素含量中任一项超出标准含量时，则判定对应的农产品元素含量不合格；否则，将元素含量中的元素标记为j，j＝1，2，……，n；将元素j的元素含量标记为YHj；
建立元素矩阵；所述元素矩阵具体为
Figure BDA0002980312640000021
通过处理器将元素矩阵分别发送至数据存储模块和产品评级模块；
所述产品评级模块用于对农产品进行质量级别评定，包括：
当产品评级模块接收到安全标签、质量评级标签和元素矩阵，将安全标签、质量评级标签和元素矩阵整合并标记为输入数据；
通过数据存储模块获取级别评定模型；
将输入数据输入至级别评定模型获取输出结果；所述输出结果为输入数据对应的级别标签；
通过处理器将级别标签分别发送至数据存储模块和全局监控模块。
优选的，所述级别评定模型的获取具体包括以下步骤：
通过数据存储模块获取训练数据集；所述训练数据集包括若干组产品训练数据，若干组所述产品训练数据包括安全标签、质量评级标签和元素矩阵；
为训练数据集中的每组产品训练数据设置级别标签；所述级别标签的取值为1、2和3，当级别标签为1时，表示农产品级别优良，当级别标签为2时，表示农产品合格，当级别标签为3时，表示农产品不合格；
将产品训练数据和级别标签按照设定比例划分为训练集、测试集和校验集；
构建支持向量机模型；
通过训练集、测试集和校验集对支持向量机模型进行训练、测试和校验；将训练完成的支持向量机模型标记为级别评定模型；
通过处理器将级别评定模型发送至数据存储模块进行存储。
优选的，所述质量分析单元根据农产品图像数据对农产品的质量进行分析获取质量评价标签，包括：
当质量分析单元接收到农产品图像数据之后对图像数据进行图像预处理并标记为初筛图像；所述图像预处理包括图像分割、图像去噪和灰度变换；
以灰度范围为自变量，以初筛图像中像素点在灰度范围中对应的灰度值数量为因变量，结合多项式拟合法建立灰度变化曲线；所述灰度范围为[0，255]，且灰度范围为整数；
获取灰度变化曲线的驻点，将驻点标记为ZDi，i表示灰度变化曲线的第i个驻点，根据灰度变化曲线获取驻点ZDi对应的数值并标记为ZZi；
根据驻点ZDi和数值ZZi建立矩阵，并将矩阵标记为验证矩阵；所述验证矩阵具体为
Figure BDA0002980312640000041
通过数据存储模块获取标准矩阵；所述标准矩阵为质量合格农产品的验证矩阵；
根据验证矩阵和标准矩阵生成质量标签；所述质量标签的取值为0和1，当质量标签为0时，表示验证矩阵和标准矩阵不相似，当质量标签为1时，表示验证矩阵和标准矩阵相似；
生成质量评价标签；所述质量评价标签包括质量标签和验证矩阵；
通过处理器将质量评价标签分别发送至数据存储模块和产品评级模块。
优选的，所述安全检测模块根据农业光谱检测数据获取安全标签，包括：
通过荧光光谱仪获取滩涂农产品样本的三维荧光表观光谱数据，经过光谱预处理之后标记为验证数据；所述光谱预处理包括激发-发射校正和数据预处理；
通过数据存储模块获取农药检测模型；
将验证数据经过数据归一化之后输入至农药检测模型获取输出结果，将输出结果经过数据反归一化之后标记为农药检测数据NCS；所述农药检测数据为验证数据对应的农药残留浓度；
生成农产品的安全标签；所述安全标签的取值为00、10和11，当安全标签为11时，表示农产品的农药检测数据NCS满足0≤NCS＜L1，安全标签对应的农产品安全性高，当安全标签为10时，表示农产品的农药检测数据NCS满足L1≤NCS＜L2，安全标签对应的农产品安全性合格，当安全标签为00时，表示农产品的农药检测数据NCS满足L2≤NCS，安全标签对应的农产品安全性未达标；其中L1和L2为农药残留阈值，且L1和L2均通过大量数据模拟获取；
通过处理器将安全标签分别发送至产品评级模块和数据存储模块。
优选的，所述农药检测模型的获取具体包括以下步骤：
通过数据存储模块获取N组滩涂农产品农药残留样本的三维荧光表观光谱数据及对应的农药残留浓度，对三维荧光表观光谱数据进行仪器激发-发射校正之后得到样本的真实光谱，利用多项式平滑法对真实光谱进行数据预处理并将数据预处理之后的数据标记为训练数据；其中N为设定阈值，且N为大于等于10的整数；
构建误差逆向传播神经网络模型；所述误差逆向传播神经网络模型至少为三层结构；
将训练数据按照设定比例划分为训练集、测试集和校验集；所述设定比例包括2∶1∶1、3∶1∶1和3∶2∶1；
将训练集、测试集和校验集经过数据归一化之后对误差逆向传播神经网络模型进行训练、测试和校验；当误差逆向传播神经网络模型的训练精度达到目标精度时，则判定误差逆向传播神经网络模型训练完成，将训练完成的误差逆向传播神经网络模型标记为农药检测模型；
通过处理器将农药检测模型发送至数据存储模块进行存储。
优选的，每组所述检测设备均包括荧光光谱仪、元素分析仪和高清摄像头。
与现有技术相比，本发明的有益效果是：
1、本发明设置了安全检测模块，该设置根据农业光谱检测数据获取安全标签；通过荧光光谱仪获取滩涂农产品样本的三维荧光表观光谱数据，经过光谱预处理之后标记为验证数据；通过数据存储模块获取农药检测模型；将验证数据经过数据归一化之后输入至农药检测模型获取输出结果，将输出结果经过数据反归一化之后标记为农药检测数据NCS；农药检测数据为验证数据对应的农药残留浓度；生成农产品的安全标签；通过处理器将安全标签分别发送至产品评级模块和数据存储模块；安全监测模块利用误差逆向反馈神经网络的优势对农产品的农药残留进行检测并生成安全标签，能够保证农药检测的精度，为农产品的质量检测提供数据支持；
2、本发明设置了数据分析模块，该设置包括质量分析单元和元素分析单元；数据分析模块根据农场品图像数据和元素光谱检测数据分别对农产品的质量和元素含量进行评价，保证了农产品的外观质量，为农产品的评级奠定了基础；
3、本发明设置了产品评级模块，该设置用于对农产品进行质量级别评定；当产品评级模块接收到安全标签、质量评级标签和元素矩阵，将安全标签、质量评级标签和元素矩阵整合并标记为输入数据；通过数据存储模块获取级别评定模型；将输入数据输入至级别评定模型获取输出结果；输出结果为输入数据对应的级别标签；通过处理器将级别标签分别发送至数据存储模块和全局监控模块；产品评级模块通过支持向量机模型对农产品的质量级别进行评价，实现了智能分类，提高了农产品的分级效率，同时能够保证评级结果客观。
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简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明的原理示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，一种基于光谱技术的农产品检测管理系统，包括处理器、安全监测模块、数据采集模块、数据分析模块、产品评级模块、全局监控模块和数据存储模块；
数据采集模块与至少一组检测设备通信连接；数据采集模块用于获取农药光谱检测数据、农产品图像数据和元素光谱检测数据，将农药光谱检测数据分别发送至安全检测模块，将农场品图像数据和元素光谱检测数据分别发送至数据分析模块和数据存储模块；
数据分析模块包括质量分析单元和元素分析单元；元素分析单元根据元素光谱数据生成元素评价标签，包括：
根据元素光谱数据和元素分析仪获取农产品中的元素含量；元素含量包括常规元素含量和污染元素含量，其中常规元素包括常量元素和微量元素，污染元素包括汞、镉、铅、铬、砷、锌、铜、钴、镍和锡；
通过数据存储模块获取农产品对应元素的标准含量；
当元素含量中任一项超出标准含量时，则判定对应的农产品元素含量不合格；否则，将元素含量中的元素标记为j，j＝1，2，……，n；将元素j的元素含量标记为YHj；
建立元素矩阵；元素矩阵具体为
Figure BDA0002980312640000081
通过处理器将元素矩阵分别发送至数据存储模块和产品评级模块；
产品评级模块用于对农产品进行质量级别评定，包括：
当产品评级模块接收到安全标签、质量评级标签和元素矩阵，将安全标签、质量评级标签和元素矩阵整合并标记为输入数据；
通过数据存储模块获取级别评定模型；
将输入数据输入至级别评定模型获取输出结果；输出结果为输入数据对应的级别标签；
通过处理器将级别标签分别发送至数据存储模块和全局监控模块。
进一步地，级别评定模型的获取具体包括以下步骤：
通过数据存储模块获取训练数据集；训练数据集包括若干组产品训练数据，若干组产品训练数据包括安全标签、质量评级标签和元素矩阵；
为训练数据集中的每组产品训练数据设置级别标签；级别标签的取值为1、2和3，当级别标签为1时，表示农产品级别优良，当级别标签为2时，表示农产品合格，当级别标签为3时，表示农产品不合格；
将产品训练数据和级别标签按照设定比例划分为训练集、测试集和校验集；
构建支持向量机模型；
通过训练集、测试集和校验集对支持向量机模型进行训练、测试和校验；将训练完成的支持向量机模型标记为级别评定模型；
通过处理器将级别评定模型发送至数据存储模块进行存储。
进一步地，质量分析单元根据农产品图像数据对农产品的质量进行分析获取质量评价标签，包括：
当质量分析单元接收到农产品图像数据之后对图像数据进行图像预处理并标记为初筛图像；图像预处理包括图像分割、图像去噪和灰度变换；
以灰度范围为自变量，以初筛图像中像素点在灰度范围中对应的灰度值数量为因变量，结合多项式拟合法建立灰度变化曲线；灰度范围为[0，255]，且灰度范围为整数；
获取灰度变化曲线的驻点，将驻点标记为ZDi，i表示灰度变化曲线的第i个驻点，根据灰度变化曲线获取驻点ZDi对应的数值并标记为ZZi；
根据驻点ZDi和数值ZZi建立矩阵，并将矩阵标记为验证矩阵；验证矩阵具体为
Figure BDA0002980312640000091
通过数据存储模块获取标准矩阵；标准矩阵为质量合格农产品的验证矩阵；
根据验证矩阵和标准矩阵生成质量标签；质量标签的取值为0和1，当质量标签为0时，表示验证矩阵和标准矩阵不相似，当质量标签为1时，表示验证矩阵和标准矩阵相似；
生成质量评价标签；质量评价标签包括质量标签和验证矩阵；
通过处理器将质量评价标签分别发送至数据存储模块和产品评级模块。
进一步地，安全检测模块根据农业光谱检测数据获取安全标签，包括：
通过荧光光谱仪获取滩涂农产品样本的三维荧光表观光谱数据，经过光谱预处理之后标记为验证数据；光谱预处理包括激发-发射校正和数据预处理；
通过数据存储模块获取农药检测模型；
将验证数据经过数据归一化之后输入至农药检测模型获取输出结果，将输出结果经过数据反归一化之后标记为农药检测数据NCS；农药检测数据为验证数据对应的农药残留浓度；
生成农产品的安全标签；安全标签的取值为00、10和11，当安全标签为11时，表示农产品的农药检测数据NCS满足0≤NCS＜L1，安全标签对应的农产品安全性高，当安全标签为10时，表示农产品的农药检测数据NCS满足L1≤NCS＜L2，安全标签对应的农产品安全性合格，当安全标签为00时，表示农产品的农药检测数据NCS满足L2≤NCS，安全标签对应的农产品安全性未达标；其中L1和L2为农药残留阈值，且L1和L2均通过大量数据模拟获取；
通过处理器将安全标签分别发送至产品评级模块和数据存储模块。
进一步地，农药检测模型的获取具体包括以下步骤：
通过数据存储模块获取N组滩涂农产品农药残留样本的三维荧光表观光谱数据及对应的农药残留浓度，对三维荧光表观光谱数据进行仪器激发-发射校正之后得到样本的真实光谱，利用多项式平滑法对真实光谱进行数据预处理并将数据预处理之后的数据标记为训练数据；其中N为设定阈值，且N为大于等于10的整数；
构建误差逆向传播神经网络模型；误差逆向传播神经网络模型至少为三层结构；
将训练数据按照设定比例划分为训练集、测试集和校验集；设定比例包括2∶1∶1、3∶1∶1和3∶2∶1；
将训练集、测试集和校验集经过数据归一化之后对误差逆向传播神经网络模型进行训练、测试和校验；当误差逆向传播神经网络模型的训练精度达到目标精度时，则判定误差逆向传播神经网络模型训练完成，将训练完成的误差逆向传播神经网络模型标记为农药检测模型；
通过处理器将农药检测模型发送至数据存储模块进行存储。
进一步地，每组检测设备均包括荧光光谱仪、元素分析仪和高清摄像头。
进一步地，处理器分别与安全监测模块、数据采集模块、数据分析模块、产品评级模块、全局监控模块和数据存储模块通信连接；全局监控模块分别与数据存储模块和产品评级模块通信连接，数据采集模块分别与安全检测模块和数据分析模块通信连接，产品评级模块和数据分析模块通信连接。
进一步地，全局监控模块用于对检测设备的运行状态进行监测；全局监控模块还用于对农产品的检测结果进行统计。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理：
数据采集模块用于获取农药光谱检测数据、农产品图像数据和元素光谱检测数据，将农药光谱检测数据分别发送至安全检测模块，将农场品图像数据和元素光谱检测数据分别发送至数据分析模块和数据存储模块；
通过荧光光谱仪获取滩涂农产品样本的三维荧光表观光谱数据，经过光谱预处理之后标记为验证数据；通过数据存储模块获取农药检测模型；将验证数据经过数据归一化之后输入至农药检测模型获取输出结果，将输出结果经过数据反归一化之后标记为农药检测数据NCS；农药检测数据为验证数据对应的农药残留浓度；生成农产品的安全标签；通过处理器将安全标签分别发送至产品评级模块和数据存储模块；
当质量分析单元接收到农产品图像数据之后对图像数据进行图像预处理并标记为初筛图像；以灰度范围为自变量，以初筛图像中像素点在灰度范围中对应的灰度值数量为因变量，结合多项式拟合法建立灰度变化曲线；获取灰度变化曲线的驻点，将驻点标记为ZDi，根据灰度变化曲线获取驻点ZDi对应的数值并标记为ZZi；根据驻点ZDi和数值ZZi建立矩阵，并将矩阵标记为验证矩阵；通过数据存储模块获取标准矩阵；根据验证矩阵和标准矩阵生成质量标签；生成质量评价标签；质量评价标签包括质量标签和验证矩阵；通过处理器将质量评价标签分别发送至数据存储模块和产品评级模块；
根据元素光谱数据和元素分析仪获取农产品中的元素含量；通过数据存储模块获取农产品对应元素的标准含量；当元素含量中任一项超出标准含量时，则判定对应的农产品元素含量不合格；否则，将元素含量中的元素标记为j，j＝1，2，……，n；将元素j的元素含量标记为YHj；建立元素矩阵；通过处理器将元素矩阵分别发送至数据存储模块和产品评级模块；
当产品评级模块接收到安全标签、质量评级标签和元素矩阵，将安全标签、质量评级标签和元素矩阵整合并标记为输入数据；通过数据存储模块获取级别评定模型；将输入数据输入至级别评定模型获取输出结果；输出结果为输入数据对应的级别标签；通过处理器将级别标签分别发送至数据存储模块和全局监控模块。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (6)

1.一种基于光谱技术的农产品检测管理系统，其特征在于，包括处理器、安全监测模块、数据采集模块、数据分析模块、产品评级模块、全局监控模块和数据存储模块；
所述数据采集模块与至少一组检测设备通信连接；所述数据采集模块用于获取农药光谱检测数据、农产品图像数据和元素光谱检测数据，将农药光谱检测数据分别发送至安全检测模块，将农场品图像数据和元素光谱检测数据分别发送至数据分析模块和数据存储模块；
所述数据分析模块包括质量分析单元和元素分析单元；所述元素分析单元根据元素光谱数据生成元素评价标签，包括：
根据元素光谱数据和元素分析仪获取农产品中的元素含量；所述元素含量包括常规元素含量和污染元素含量，其中常规元素包括常量元素和微量元素，污染元素包括汞、镉、铅、铬、砷、锌、铜、钴、镍和锡；
通过数据存储模块获取农产品对应元素的标准含量；
当元素含量中任一项超出标准含量时，则判定对应的农产品元素含量不合格；否则，将元素含量中的元素标记为j，j＝1，2，……，n；将元素j的元素含量标记为YHj；
建立元素矩阵；所述元素矩阵具体为
Figure FDA0002980312630000011
通过处理器将元素矩阵分别发送至数据存储模块和产品评级模块；
所述产品评级模块用于对农产品进行质量级别评定，包括：
当产品评级模块接收到安全标签、质量评级标签和元素矩阵，将安全标签、质量评级标签和元素矩阵整合并标记为输入数据；
通过数据存储模块获取级别评定模型；
将输入数据输入至级别评定模型获取输出结果；所述输出结果为输入数据对应的级别标签；
通过处理器将级别标签分别发送至数据存储模块和全局监控模块。
2.根据权利要求1所述的一种基于光谱技术的农产品检测管理系统，其特征在于，所述级别评定模型的获取具体包括以下步骤：
通过数据存储模块获取训练数据集；所述训练数据集包括若干组产品训练数据，若干组所述产品训练数据包括安全标签、质量评级标签和元素矩阵；
为训练数据集中的每组产品训练数据设置级别标签；所述级别标签的取值为1、2和3；
将产品训练数据和级别标签按照设定比例划分为训练集、测试集和校验集；
构建支持向量机模型；
通过训练集、测试集和校验集对支持向量机模型进行训练、测试和校验；将训练完成的支持向量机模型标记为级别评定模型；
通过处理器将级别评定模型发送至数据存储模块进行存储。
3.根据权利要求1所述的一种基于光谱技术的农产品检测管理系统，其特征在于，所述质量分析单元根据农产品图像数据对农产品的质量进行分析获取质量评价标签，包括：
当质量分析单元接收到农产品图像数据之后对图像数据进行图像预处理并标记为初筛图像；所述图像预处理包括图像分割、图像去噪和灰度变换；
以灰度范围为自变量，以初筛图像中像素点在灰度范围中对应的灰度值数量为因变量，结合多项式拟合法建立灰度变化曲线；所述灰度范围为[0，255]，且灰度范围为整数；
获取灰度变化曲线的驻点，将驻点标记为ZDi，i表示灰度变化曲线的第i个驻点，根据灰度变化曲线获取驻点ZDi对应的数值并标记为ZZi；
根据驻点ZDi和数值ZZi建立矩阵，并将矩阵标记为验证矩阵；所述验证矩阵具体为
Figure FDA0002980312630000031
通过数据存储模块获取标准矩阵；所述标准矩阵为质量合格农产品的验证矩阵；
根据验证矩阵和标准矩阵生成质量标签；所述质量标签的取值为0和1，当质量标签为0时，表示验证矩阵和标准矩阵不相似，当质量标签为1时，表示验证矩阵和标准矩阵相似；
生成质量评价标签；所述质量评价标签包括质量标签和验证矩阵；
通过处理器将质量评价标签分别发送至数据存储模块和产品评级模块。
4.根据权利要求1所述的一种基于光谱技术的农产品检测管理系统，其特征在于，所述安全检测模块根据农业光谱检测数据获取安全标签，包括：
通过荧光光谱仪获取滩涂农产品样本的三维荧光表观光谱数据，经过光谱预处理之后标记为验证数据；所述光谱预处理包括激发-发射校正和数据预处理；
通过数据存储模块获取农药检测模型；
将验证数据经过数据归一化之后输入至农药检测模型获取输出结果，将输出结果经过数据反归一化之后标记为农药检测数据NCS；所述农药检测数据为验证数据对应的农药残留浓度；
生成农产品的安全标签；所述安全标签的取值为00、10和11，当安全标签为11时，表示农产品的农药检测数据NCS满足0≤NCS＜L1，安全标签对应的农产品安全性高，当安全标签为10时，表示农产品的农药检测数据NCS满足L1≤NCS＜L2，安全标签对应的农产品安全性合格，当安全标签为00时，表示农产品的农药检测数据NCS满足L2≤NCS，安全标签对应的农产品安全性未达标；其中L1和L2为农药残留阈值，且L1和L2均通过大量数据模拟获取；
通过处理器将安全标签分别发送至产品评级模块和数据存储模块。
5.根据权利要求4所述的一种基于光谱技术的农产品检测管理系统，其特征在于，所述农药检测模型的获取具体包括以下步骤：
通过数据存储模块获取N组滩涂农产品农药残留样本的三维荧光表观光谱数据及对应的农药残留浓度，对三维荧光表观光谱数据进行仪器激发-发射校正之后得到样本的真实光谱，利用多项式平滑法对真实光谱进行数据预处理并将数据预处理之后的数据标记为训练数据；其中N为设定阈值，且N为大于等于10的整数；
构建误差逆向传播神经网络模型；所述误差逆向传播神经网络模型至少为三层结构；
将训练数据按照设定比例划分为训练集、测试集和校验集；所述设定比例包括2∶1∶1、3∶1∶1和3∶2∶1；
将训练集、测试集和校验集经过数据归一化之后对误差逆向传播神经网络模型进行训练、测试和校验；当误差逆向传播神经网络模型的训练精度达到目标精度时，则判定误差逆向传播神经网络模型训练完成，将训练完成的误差逆向传播神经网络模型标记为农药检测模型；
通过处理器将农药检测模型发送至数据存储模块进行存储。
6.根据权利要求1所述的一种基于光谱技术的农产品检测管理系统，其特征在于，所述处理器分别与安全监测模块、数据采集模块、数据分析模块、产品评级模块、全局监控模块和数据存储模块通信连接；所述全局监控模块分别与数据存储模块和产品评级模块通信连接，所述数据采集模块分别与安全检测模块和数据分析模块通信连接，所述产品评级模块和数据分析模块通信连接。
CN202110285557.4A 2021-03-17 2021-03-17 一种基于光谱技术的农产品检测管理系统 Active CN113049509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110285557.4A CN113049509B (zh) 2021-03-17 2021-03-17 一种基于光谱技术的农产品检测管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110285557.4A CN113049509B (zh) 2021-03-17 2021-03-17 一种基于光谱技术的农产品检测管理系统

Publications (2)

Publication Number Publication Date
CN113049509A true CN113049509A (zh) 2021-06-29
CN113049509B CN113049509B (zh) 2022-04-22

Family

ID=76513081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110285557.4A Active CN113049509B (zh) 2021-03-17 2021-03-17 一种基于光谱技术的农产品检测管理系统

Country Status (1)

Country Link
CN (1) CN113049509B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113607732A (zh) * 2021-08-09 2021-11-05 深圳市航科量子科技有限公司 一种农产品质量监测抽样处理系统
CN114112958A (zh) * 2021-12-02 2022-03-01 中国石油大学胜利学院 一种基于大数据的农产品检测系统及检测方法
CN114371149A (zh) * 2022-01-20 2022-04-19 池州市农产品质量安全监测中心 一种农产品质量安全检测系统
CN114112958B (zh) * 2021-12-02 2024-05-28 山东石油化工学院 一种基于大数据的农产品检测系统及检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520421A (zh) * 2009-04-08 2009-09-02 北京农产品质量检测与农田环境监测技术研究中心 一种土壤重金属含量检测模型的建模方法及其应用
CN103310383A (zh) * 2013-06-25 2013-09-18 莘县农业局 农产品质量安全全程监控与追溯系统及方法
CN107330581A (zh) * 2017-06-08 2017-11-07 上海交通大学 基于区块链的农产品质量信息系统
CN109839358A (zh) * 2019-01-22 2019-06-04 北京农业质量标准与检测技术研究中心 农产品品质分析方法及装置
CN110264050A (zh) * 2019-06-06 2019-09-20 北京农业质量标准与检测技术研究中心 农产品品质分析方法及分析仪
CN112258069A (zh) * 2020-10-30 2021-01-22 中国农业科学院农业质量标准与检测技术研究所 一种基于风险熵的农产品安全评价方法与系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520421A (zh) * 2009-04-08 2009-09-02 北京农产品质量检测与农田环境监测技术研究中心 一种土壤重金属含量检测模型的建模方法及其应用
CN103310383A (zh) * 2013-06-25 2013-09-18 莘县农业局 农产品质量安全全程监控与追溯系统及方法
CN107330581A (zh) * 2017-06-08 2017-11-07 上海交通大学 基于区块链的农产品质量信息系统
CN109839358A (zh) * 2019-01-22 2019-06-04 北京农业质量标准与检测技术研究中心 农产品品质分析方法及装置
CN110264050A (zh) * 2019-06-06 2019-09-20 北京农业质量标准与检测技术研究中心 农产品品质分析方法及分析仪
CN112258069A (zh) * 2020-10-30 2021-01-22 中国农业科学院农业质量标准与检测技术研究所 一种基于风险熵的农产品安全评价方法与系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113607732A (zh) * 2021-08-09 2021-11-05 深圳市航科量子科技有限公司 一种农产品质量监测抽样处理系统
CN114112958A (zh) * 2021-12-02 2022-03-01 中国石油大学胜利学院 一种基于大数据的农产品检测系统及检测方法
CN114112958B (zh) * 2021-12-02 2024-05-28 山东石油化工学院 一种基于大数据的农产品检测系统及检测方法
CN114371149A (zh) * 2022-01-20 2022-04-19 池州市农产品质量安全监测中心 一种农产品质量安全检测系统
CN114371149B (zh) * 2022-01-20 2024-02-23 池州市农产品质量安全监测中心 一种农产品质量安全检测系统

Also Published As

Publication number Publication date
CN113049509B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
Araujo et al. Impacts of drought on grape yields in Western Cape, South Africa
Muchoney et al. Application of the MODIS global supervised classification model to vegetation and land cover mapping of Central America
CN113049509B (zh) 一种基于光谱技术的农产品检测管理系统
Popescu et al. Remote sensing in the analysis and characterization of spatial variability of the territory. a study case in Timis County, Romania.
CN112749627A (zh) 一种基于多源遥感影像的烟草动态监测的方法和装置
CN107764976B (zh) 土壤氮素快速诊断方法及在线监测系统
CN110348490A (zh) 一种基于支持向量机算法的土壤质量预测方法及装置
CN112613454A (zh) 一种电力基建施工现场违章识别方法及系统
Islam et al. An image processing technique to calculate percentage of disease affected pixels of paddy leaf
CN103440494A (zh) 一种基于视觉显著性分析的恐怖图像识别方法及系统
CN115239209B (zh) 用于垃圾填埋场筛除含重金属腐殖土的方法、设备和系统
CN107862433A (zh) 一种特高压直流输电线路带电作业安全评估方法和系统
CN110188657A (zh) 基于卷曲叶片检测的玉米干旱识别方法
Salim et al. Urban farming activities in southeast asia: A review and future research direction
Fischer et al. Use of unmanned aircraft systems (UAS) and multispectral imagery for quantifying agricultural areas damaged by wild pigs
Xiong et al. Long time-series urban heat island monitoring and driving factors analysis using remote sensing and geodetector
CN113485218B (zh) 一种基于5g的智慧物联监管平台
Jahan et al. Predicting fertilizer treatment of maize using decision tree algorithm
CN116257792B (zh) 一种智慧城市碳中和数据分析系统
CN116310842B (zh) 基于遥感图像的土壤盐碱区域识别划分方法
CN113139717A (zh) 作物苗情分级遥感监测方法及装置
CN116310771A (zh) 一种耦合遥感的面源污染源识别方法
CN115345488A (zh) 一种湿地生态系统服务评估方法、装置、服务器及介质
Murray et al. Using fractal analysis of crown images to measure the structural condition of trees
Mucharam et al. Development of sustainable agricultural indicators at provincial levels in Indonesia: A Case study of rice

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