CN113176215A - 果蔬残留农药的检测方法、系统、设备及存储介质 - Google Patents
果蔬残留农药的检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113176215A CN113176215A CN202110448861.6A CN202110448861A CN113176215A CN 113176215 A CN113176215 A CN 113176215A CN 202110448861 A CN202110448861 A CN 202110448861A CN 113176215 A CN113176215 A CN 113176215A
- Authority
- CN
- China
- Prior art keywords
- data
- pesticide
- vegetables
- fruits
- preset
- 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
- 235000012055 fruits and vegetables Nutrition 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000000575 pesticide Substances 0.000 title claims abstract description 49
- 239000000447 pesticide residue Substances 0.000 claims abstract description 94
- 230000003595 spectral effect Effects 0.000 claims abstract description 84
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000001228 spectrum Methods 0.000 claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 41
- 238000001914 filtration Methods 0.000 claims description 33
- 238000005286 illumination Methods 0.000 claims description 26
- 238000009499 grossing Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 235000013399 edible fruits Nutrition 0.000 claims description 7
- 235000013311 vegetables Nutrition 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 2
- 238000012360 testing method Methods 0.000 claims 2
- 230000008569 process Effects 0.000 description 12
- 238000005259 measurement Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 101100127891 Caenorhabditis elegans let-4 gene Proteins 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000005428 wave function Effects 0.000 description 1
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
-
- 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
Abstract
本发明涉及光谱比对领域,公开了一种果蔬残留农药的检测方法、系统、设备及存储介质。该方法包括:所述管理监控系统发送检测指令值所述光影采集系统中;所述光影采集系统接收所述检测指令,获取待分析果蔬的光谱数据,并将所述光谱数据发送至所述数据处理系统;所述数据处理系统接收所述光谱数据,根据预置光谱分析算法,对所述光谱数据进行农药判定处理,得到农药残存结果,将所述农药残存结果发送至所述管理监控系统;所述管理监控系统接收所述农药残存结果,并将所述农药残存结果输出于预置显示端口处。
Description
技术领域
本发明涉及光谱比对领域,尤其涉及一种果蔬残留农药的检测方法、系统、设备及存储介质。
背景技术
在检测果蔬的残留农药技术上,需要检测人员基于分析化学的原则,取样、过滤、滴定、计算、反向推算,在计算上存在各种取近似值消耗各类指示剂与化学试剂,既不环保还存在各种繁琐的样品预处理,并且精确检测过程中设备仪器大,不便于携带。
光谱检测技术在检测果蔬的残留农药技术上,采集的光谱数据存在噪声、大量冗余信息,使得在检测果蔬的残留农药时,准确度不如分析化学测量,目前需要一种测量精度更加准确的残余农药测量技术。
发明内容
本发明的主要目的在于解决光谱检测农药残留时,准确度不足的技术问题。
本发明第一方面提供了一种果蔬残留农药的检测方法,所述果蔬残留农药的检测方法应用于果蔬残留农药的检测系统,所述果蔬残留农药的检测系统包括:管理监控系统、光影采集系统、数据处理系统,所述果蔬残留农药的检测方法包括:
所述管理监控系统发送检测指令值所述光影采集系统中;
所述光影采集系统接收所述检测指令,获取待分析果蔬的光谱数据,并将所述光谱数据发送至所述数据处理系统;
所述数据处理系统接收所述光谱数据,根据预置光谱分析算法,对所述光谱数据进行农药判定处理,得到农药残存结果,将所述农药残存结果发送至所述管理监控系统;
所述管理监控系统接收所述农药残存结果,并将所述农药残存结果输出于预置显示端口处。
可选的,在本发明第一方面的第一种实现方式中,所述获取待分析果蔬的光谱数据包括:
基于初始的光照强度,激活预置拍摄光源;
抓取待分析果蔬的分析图像,读取所述分析图像的亮度值与饱和值;
判断所述亮度值是否大于所述饱和值的70%;
若不大于所述饱和值的70%,则提高所述拍摄光源的光照强度,重新抓取待分析果蔬的分析图像;
若大于所述饱和度值的70%,则判断所述亮度值是否小于所述饱和度值的80%;
若小于所述饱和度值的80%,则抓取待分析果蔬的光谱数据;
若不小于所述饱和度值的80%,则降低所述拍摄光源的光照强度,重新抓取待分析果蔬的分析图像。
可选的,在本发明第一方面的第二种实现方式中,所述根据预置光谱分析算法,对所述光谱数据进行农药判定处理,得到农药残存结果包括:
对所述光谱数据进行平滑处理,得到预处理数据;
根据预置滤波函数,对所述预处理数据进行滤波处理,得到基本滤波数据;
根据预置分析光谱数据集,将所述基本滤波数据进行比对分析处理,得到农药残存结果。
可选的,在本发明第一方面的第三种实现方式中,所述对所述光谱数据进行平滑处理,得到预处理数据包括:
基于波长间隔长度将所述光谱数据平分为N段,根据预置平滑区间长和修改步长,对所述光谱数据进行平滑调整,得到第一平滑数据,其中,N为正整数;
调用预置detrend()函数,对所述第一平滑数据进行趋势修正处理,得到第二平滑数据;
根据预置正态化算法,对所述第二平滑数据进行映射处理,得到预处理数据。
可选的,在本发明第一方面的第四种实现方式中,所述根据预置正态化算法,对所述第二平滑数据进行映射处理,得到预处理数据包括:
可选的,在本发明第一方面的第五种实现方式中,所述根据预置分析光谱数据集,将所述基本滤波数据进行比对分析处理,得到农药残存结果包括:
读取预置分析光谱数据集中的光谱标准数据;
根据预置波长间隔长度,将所述光谱标准数据均分为Y份,得到第一均分集,按照所述波长间隔长度,将所述基本滤波数据均分为Y份,得到第二均分集,其中,Y为正整数;
根据均分顺序,将所述第一均分集与所述第二均分集中的Y份数据进行匹配,得到匹配结果,基于所述匹配结果,生成农药残存结果。
可选的,在本发明第一方面的第六种实现方式中,所述根据均分顺序,将所述第一均分集与所述第二均分集中的数据进行匹配,得到匹配结果,基于所述匹配结果,生成农药残存结果包括:
根据均分的顺序,将所述第一均分集与所述第二均分集中的Y份数据对应进行交叉熵分析,得到Y个匹配值;
依次将Y个所述匹配值与预置第一匹配阈值进行比较,统计所述匹配值小于所述第一匹配阈值的匹配数量;
判断所述匹配数量是否大于预置第二匹配阈值;
若大于,则将所述光谱标准数据确定为与所述基本滤波数据匹配,将所述光谱标准数据对应的分析结果确定为农药残存结果;
若不大于,则读取预置分析光谱数据集中新的光谱标准数据。
本发明第二方面提供了一种果蔬残留农药的检测系统,所述果蔬残留农药的检测系统包括:
管理监控系统、光影采集系统、数据处理系统;
所述管理监控系统用于发送检测指令值所述光影采集系统中;
所述光影采集系统用于接收所述检测指令,获取待分析果蔬的光谱数据,并将所述光谱数据发送至所述数据处理系统;
所述数据处理系统用于接收所述光谱数据,根据预置光谱分析算法,对所述光谱数据进行农药判定处理,得到农药残存结果,将所述农药残存结果发送至所述管理监控系统;
所述管理监控系统用于接收所述农药残存结果,并将所述农药残存结果输出于预置显示端口处。
本发明第三方面提供了一种果蔬残留农药的检测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述果蔬残留农药的检测设备执行上述的果蔬残留农药的检测方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的果蔬残留农药的检测方法。
附图说明
图1为本发明实施例中果蔬残留农药的检测方法的第一个实施例示意图;
图2为本发明实施例中果蔬残留农药的检测方法的第二个实施例示意图;
图3为本发明实施例中果蔬残留农药的检测方法的第三个实施例示意图;
图4为本发明实施例中果蔬残留农药的检测系统的一个实施例示意图;
图5为本发明实施例中果蔬残留农药的检测系统的另一个实施例示意图;
图6为本发明实施例中果蔬残留农药的检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种果蔬残留农药的检测方法、系统、设备及存储介质。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中果蔬残留农药的检测方法的第一个实施例包括:
101、管理监控系统发送检测指令值光影采集系统中;
在本实施例中,管理监控系统可以是智能手机、电脑设备、电子设备,通过用户的操作指令,激活管理监控系统发送检测指令到光影采集系统,光影采集系统是具有拍照摄影功能的设备。
102、光影采集系统接收检测指令,获取待分析果蔬的光谱数据,并将光谱数据发送至数据处理系统;
在本实施例中,采集系统接收到检测指令,则先进行光照强度的预处理工作,调整本身激发光照强度的大小,拍照获取图像。分析图像的亮度是否为饱和值的70-80%,如果在饱和值的70-80%,则认为光照强度是合格的,可以获取光谱数据。如果亮度不在饱和值的70-80%的范围内,则认为光照强度是不合格,需要重新调整光照强度,低于70%则需要加强光照强度,若高于80%则需要降低光照强度,直至亮度满足在饱和值的70-80%的范围内。获取到图像,则调用传感器直接获取光谱数据,并将光谱数据发送至数据处理系统。这里的光谱数据是可以图像的光影数据,也可以直接待测果蔬的反射光谱的各个频率光强的反射频率数据。
103、数据处理系统接收光谱数据,根据预置光谱分析算法,对光谱数据进行农药判定处理,得到农药残存结果,将农药残存结果发送至管理监控系统;
在本实施例中,在接收到光谱数据时,对光谱数据进行平滑处理,detrend趋势处理,SNV正态化处理,数据处理系统接收光谱数据,数据处理系统本身自带有标准光谱数据,,标准光谱数据是不低于10000个光谱样例,大于5000个有残留农药样例,大于5000个无农药样例进行训练机器学习,学习的模型是现有CNN、RNN模型,最后使用向量机(SVM)得出是否匹配的结果,根据匹配结果可以得出残留10%、20%、30%、40%、50%、60%、70%、80%的不同类型比例,基于机器学习模型现有技术,主要是用样本训练调整至少2个映射矩阵的参数,并调整激活矩阵的参数,使得测量准确率趋近于稳定,一般为99%以上,在此不做赘述。得到结果后将农药残存结果发回管理监控系统。
104、管理监控系统接收农药残存结果,并将农药残存结果输出于预置显示端口处。
在本实施例中,手机、电脑、电子设备接收到农药残存结果,农药残存结果传输至显示端口,显示端口连接至显示屏幕,用于传递农药残存结果至用户。
本发明实施例中,调整拍摄光照强度,机器学习生成判定农药残留状态的模型,并基于该状态生成标准的光谱数据,对获取光谱数据进行预处理和匹配判断处理,提高了对农药残存测量的准确性。
请参阅图2,本发明实施例中果蔬残留农药的检测方法的第二个实施例包括:
201、管理监控系统发送检测指令值光影采集系统中;
本实施例描述的方法实施例与第一个实施例类似,可以参考前述方法实施例中的对应过程,在此不再赘述。
202、光影采集系统接收检测指令,基于初始的光照强度,激活预置拍摄光源;
本发明实施例中,初始光照强度为系统设置的,激活为150勒克斯。
203、抓取待分析果蔬的分析图像,读取分析图像的亮度值与饱和值;
本发明实施例中,150勒克斯光照强度,抓取果蔬的图像。
204、判断亮度值是否大于饱和值的70%;
本发明实施例中,直接分析图像亮度值的范围,先判断是否大于饱和值70%。
205、若不大于饱和值的70%,则提高拍摄光源的光照强度,重新抓取待分析果蔬的分析图像;
本发明实施例中,如果不大于则提高光源的输入频率再次判断。
206、若大于饱和度值的70%,则判断亮度值是否小于饱和度值的80%;
本发明实施例中,如果大于,则判断是否小于80%。
207、若小于饱和度值的80%,则抓取待分析果蔬的光谱数据;
本发明实施例中,如果小于80%,则说明光照强度满足要求,抓取光谱数据。
208、若不小于饱和度值的80%,则降低拍摄光源的光照强度,重新抓取待分析果蔬的分析图像;
本发明实施例中,如果大于80%,则减少光源的频率输入,重新获取分析图像。
209、将光谱数据发送至数据处理系统;
210、数据处理系统接收光谱数据;
210和209实施例描述的方法实施例与第一个实施例类似,可以参考前述方法实施例中的对应过程,在此不再赘述。
211、基于波长间隔长度将光谱数据平分为N段,根据预置平滑区间长和修改步长,对光谱数据进行平滑调整,得到第一平滑数据,其中,N为正整数;
本发明实施例中,进行平滑处理,按照波长间隔为5nm的平滑窗口,依次对整个光谱数据进行参数平滑处理,得到第一平滑数据。
212、调用预置detrend()函数,对第一平滑数据进行趋势修正处理,得到第二平滑数据;
本发明实施例中,引用现有的detrend(),对第一平滑数据进行修正处理,得到第二平滑数据。
214、根据预置滤波函数,对预处理数据进行滤波处理,得到基本滤波数据;
本发明实施例中,滤波函数用于去噪,使用SymletsA(symN,N=5)系小波,sym5为具体为:|m(x)|2为z=ejx的函数W,可以使用不同方法分解为W(z)=U(z)U(1/z),其中,N=5,x为波频率,m(x)为波长。基于sym5波函数对预处理数据进行去噪处理。
215、根据预置分析光谱数据集,将基本滤波数据进行比对分析处理,得到农药残存结果;
本发明实施例中,基于机器学习生成的标准光谱数据集含有标准光谱,去噪后的光谱与标准光谱进行比对,得到农药残存结果。
216、将农药残存结果发送至管理监控系统;
217、管理监控系统接收农药残存结果,并将农药残存结果输出于预置显示端口处。
216和217实施例描述的方法实施例与第一个实施例类似,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例中,调整拍摄光照强度,机器学习生成判定农药残留状态的模型,并基于该状态生成标准的光谱数据,对获取光谱数据进行预处理和匹配判断处理,提高了对农药残存测量的准确性。
请参阅图3,本发明实施例中果蔬残留农药的检测方法的第三个实施例包括:
301、管理监控系统发送检测指令值光影采集系统中;
302、光影采集系统接收检测指令,获取待分析果蔬的光谱数据,并将光谱数据发送至数据处理系统;
303、数据处理系统接收光谱数据,对光谱数据进行平滑处理,得到预处理数据;
304、根据预置滤波函数,对预处理数据进行滤波处理,得到基本滤波数据;
305、读取预置分析光谱数据集中的光谱标准数据;
301-305实施例描述的方法实施例与第二个实施例类似,可以参考前述方法实施例中的对应过程,在此不再赘述。
306、根据预置波长间隔长度,将光谱标准数据均分为Y份,得到第一均分集,按照波长间隔长度,将基本滤波数据均分为Y份,得到第二均分集,其中,Y为正整数;
本发明实施例中,将光谱数据的曲线分成Y份,基本滤波数据也均分为Y份,依次对比均分的数据。
307、根据均分的顺序,将第一均分集与第二均分集中的Y份数据对应进行交叉熵分析,得到Y个匹配值;
本发明实施例中,认定p为两个数据之间为匹配的概率,q为两个数据之间为不匹配的概率,基于公式:H(p,q)=-∑P(x)logq(x),其中,x为光谱波长。
308、依次将Y个匹配值与预置第一匹配阈值进行比较,统计匹配值小于第一匹配阈值的匹配数量;
本发明实施例中,H(p,q)的数值小于小于0.0001,则认为两者相似,统计匹配的数量。
309、判断匹配数量是否大于预置第二匹配阈值;
本发明实施例中,当Y取10时,设定匹配数量超过9时,则认为基本滤波数据匹配。
310、若大于,则将光谱标准数据确定为与基本滤波数据匹配,将光谱标准数据对应的分析结果确定为农药残存结果;
本发明实施例中,如果大于则确定相互匹配,将光谱标准数据对应为50%农药残留确认为农药残存结果。
311、若不大于,则读取预置分析光谱数据集中新的光谱标准数据;
本发明实施例中,认为不匹配,重新寻找标准光谱进行比对,直至生成匹配结果。
312、将农药残存结果发送至管理监控系统;
313、管理监控系统接收农药残存结果,并将农药残存结果输出于预置显示端口处。
312和313描述的方法实施例与第二个实施例类似,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例中,调整拍摄光照强度,机器学习生成判定农药残留状态的模型,并基于该状态生成标准的光谱数据,对获取光谱数据进行预处理和匹配判断处理,提高了对农药残存测量的准确性。
上面对本发明实施例中果蔬残留农药的检测方法进行了描述,下面对本发明实施例中果蔬残留农药的检测系统进行描述,请参阅图4,本发明实施例中果蔬残留农药的检测系统一个实施例包括:
所述果蔬残留农药的检测系统包括:管理监控系统401、光影采集系统402、数据处理系统403;
所述管理监控系统401用于发送检测指令值所述光影采集系统中;
所述光影采集系统402用于接收所述检测指令,获取待分析果蔬的光谱数据,并将所述光谱数据发送至所述数据处理系统;
所述数据处理系统403用于接收所述光谱数据,根据预置光谱分析算法,对所述光谱数据进行农药判定处理,得到农药残存结果,将所述农药残存结果发送至所述管理监控系统;
所述管理监控系统401用于接收所述农药残存结果,并将所述农药残存结果输出于预置显示端口处。
本发明实施例中,调整拍摄光照强度,机器学习生成判定农药残留状态的模型,并基于该状态生成标准的光谱数据,对获取光谱数据进行预处理和匹配判断处理,提高了对农药残存测量的准确性。
请参阅图4,本发明实施例中果蔬残留农药的检测系统的另一个实施例包括:
所述果蔬残留农药的检测系统包括:管理监控系统401、光影采集系统402、数据处理系统403;
所述管理监控系统401用于发送检测指令值所述光影采集系统中;
所述光影采集系统402用于接收所述检测指令,获取待分析果蔬的光谱数据,并将所述光谱数据发送至所述数据处理系统;
所述数据处理系统403用于接收所述光谱数据,根据预置光谱分析算法,对所述光谱数据进行农药判定处理,得到农药残存结果,将所述农药残存结果发送至所述管理监控系统;
所述管理监控系统401用于接收所述农药残存结果,并将所述农药残存结果输出于预置显示端口处。
其中,所述光影采集系统402具体用于:
基于初始的光照强度,激活预置拍摄光源;
抓取待分析果蔬的分析图像,读取所述分析图像的亮度值与饱和值;
判断所述亮度值是否大于所述饱和值的70%;
若不大于所述饱和值的70%,则提高所述拍摄光源的光照强度,重新抓取待分析果蔬的分析图像;
若大于所述饱和度值的70%,则判断所述亮度值是否小于所述饱和度值的80%;
若小于所述饱和度值的80%,则抓取待分析果蔬的光谱数据;
若不小于所述饱和度值的80%,则降低所述拍摄光源的光照强度,重新抓取待分析果蔬的分析图像。
其中,所述数据处理系统403包括:
平滑单元4031,用于对所述光谱数据进行平滑处理,得到预处理数据;
滤波处理单元4032,用于根据预置滤波函数,对所述预处理数据进行滤波处理,得到基本滤波数据;
分析处理单元4033,用于根据预置分析光谱数据集,将所述基本滤波数据进行比对分析处理,得到农药残存结果。
其中,所述平滑单元4031具体用于:
基于波长间隔长度将所述光谱数据平分为N段,根据预置平滑区间长和修改步长,对所述光谱数据进行平滑调整,得到第一平滑数据,其中,N为正整数;
调用预置detrend()函数,对所述第一平滑数据进行趋势修正处理,得到第二平滑数据;
根据预置正态化算法,对所述第二平滑数据进行映射处理,得到预处理数据。
其中,所述平滑单元4031还具体用于:
其中,所述滤波处理单元4032具体用于:
读取预置分析光谱数据集中的光谱标准数据;
根据预置波长间隔长度,将所述光谱标准数据均分为Y份,得到第一均分集,按照所述波长间隔长度,将所述基本滤波数据均分为Y份,得到第二均分集,其中,Y为正整数;
根据均分顺序,将所述第一均分集与所述第二均分集中的Y份数据进行匹配,得到匹配结果,基于所述匹配结果,生成农药残存结果。
其中,所述滤波处理单元4032还可以具体用于:
根据均分的顺序,将所述第一均分集与所述第二均分集中的Y份数据对应进行交叉熵分析,得到Y个匹配值;
依次将Y个所述匹配值与预置第一匹配阈值进行比较,统计所述匹配值小于所述第一匹配阈值的匹配数量;
判断所述匹配数量是否大于预置第二匹配阈值;
若大于,则将所述光谱标准数据确定为与所述基本滤波数据匹配,将所述光谱标准数据对应的分析结果确定为农药残存结果;
若不大于,则读取预置分析光谱数据集中新的光谱标准数据。
本发明实施例中,调整拍摄光照强度,机器学习生成判定农药残留状态的模型,并基于该状态生成标准的光谱数据,对获取光谱数据进行预处理和匹配判断处理,提高了对农药残存测量的准确性。
上面图4和图5从模块化功能实体的角度对本发明实施例中的果蔬残留农药的检测系统进行详细描述,下面从硬件处理的角度对本发明实施例中果蔬残留农药的检测设备进行详细描述。
图6是本发明实施例提供的一种果蔬残留农药的检测设备的结构示意图,该果蔬残留农药的检测设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对果蔬残留农药的检测设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在果蔬残留农药的检测设备600上执行存储介质630中的一系列指令操作。
基于果蔬残留农药的检测设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的果蔬残留农药的检测设备结构并不构成对基于果蔬残留农药的检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述果蔬残留农药的检测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统或系统、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种果蔬残留农药的检测方法,其特征在于,所述果蔬残留农药的检测方法应用于果蔬残留农药的检测系统,所述果蔬残留农药的检测系统包括:管理监控系统、光影采集系统、数据处理系统,所述果蔬残留农药的检测方法包括:
所述管理监控系统发送检测指令值所述光影采集系统中;
所述光影采集系统接收所述检测指令,获取待分析果蔬的光谱数据,并将所述光谱数据发送至所述数据处理系统;
所述数据处理系统接收所述光谱数据,根据预置光谱分析算法,对所述光谱数据进行农药判定处理,得到农药残存结果,将所述农药残存结果发送至所述管理监控系统;
所述管理监控系统接收所述农药残存结果,并将所述农药残存结果输出于预置显示端口处。
2.根据权利要求1所述的果蔬残留农药的检测方法,其特征在于,所述获取待分析果蔬的光谱数据包括:
基于初始的光照强度,激活预置拍摄光源;
抓取待分析果蔬的分析图像,读取所述分析图像的亮度值与饱和值;
判断所述亮度值是否大于所述饱和值的70%;
若不大于所述饱和值的70%,则提高所述拍摄光源的光照强度,重新抓取待分析果蔬的分析图像;
若大于所述饱和度值的70%,则判断所述亮度值是否小于所述饱和度值的80%;
若小于所述饱和度值的80%,则抓取待分析果蔬的光谱数据;
若不小于所述饱和度值的80%,则降低所述拍摄光源的光照强度,重新抓取待分析果蔬的分析图像。
3.根据权利要求1所述的果蔬残留农药的检测方法,其特征在于,所述根据预置光谱分析算法,对所述光谱数据进行农药判定处理,得到农药残存结果包括:
对所述光谱数据进行平滑处理,得到预处理数据;
根据预置滤波函数,对所述预处理数据进行滤波处理,得到基本滤波数据;
根据预置分析光谱数据集,将所述基本滤波数据进行比对分析处理,得到农药残存结果。
4.根据权利要求3所述的果蔬残留农药的检测方法,其特征在于,所述对所述光谱数据进行平滑处理,得到预处理数据包括:
基于波长间隔长度将所述光谱数据平分为N段,根据预置平滑区间长和修改步长,对所述光谱数据进行平滑调整,得到第一平滑数据,其中,N为正整数;
调用预置detrend()函数,对所述第一平滑数据进行趋势修正处理,得到第二平滑数据;
根据预置正态化算法,对所述第二平滑数据进行映射处理,得到预处理数据。
6.根据权利要求3所述的果蔬残留农药的检测方法,其特征在于,所述根据预置分析光谱数据集,将所述基本滤波数据进行比对分析处理,得到农药残存结果包括:
读取预置分析光谱数据集中的光谱标准数据;
根据预置波长间隔长度,将所述光谱标准数据均分为Y份,得到第一均分集,按照所述波长间隔长度,将所述基本滤波数据均分为Y份,得到第二均分集,其中,Y为正整数;
根据均分顺序,将所述第一均分集与所述第二均分集中的Y份数据进行匹配,得到匹配结果,基于所述匹配结果,生成农药残存结果。
7.根据权利要求6所述的果蔬残留农药的检测方法,其特征在于,所述根据均分顺序,将所述第一均分集与所述第二均分集中的数据进行匹配,得到匹配结果,基于所述匹配结果,生成农药残存结果包括:
根据均分的顺序,将所述第一均分集与所述第二均分集中的Y份数据对应进行交叉熵分析,得到Y个匹配值;
依次将Y个所述匹配值与预置第一匹配阈值进行比较,统计所述匹配值小于所述第一匹配阈值的匹配数量;
判断所述匹配数量是否大于预置第二匹配阈值;
若大于,则将所述光谱标准数据确定为与所述基本滤波数据匹配,将所述光谱标准数据对应的分析结果确定为农药残存结果;
若不大于,则读取预置分析光谱数据集中新的光谱标准数据。
8.一种果蔬残留农药的检测系统,其特征在于,所述果蔬残留农药的检测系统包括:
管理监控系统、光影采集系统、数据处理系统;
所述管理监控系统用于发送检测指令值所述光影采集系统中;
所述光影采集系统用于接收所述检测指令,获取待分析果蔬的光谱数据,并将所述光谱数据发送至所述数据处理系统;
所述数据处理系统用于接收所述光谱数据,根据预置光谱分析算法,对所述光谱数据进行农药判定处理,得到农药残存结果,将所述农药残存结果发送至所述管理监控系统;
所述管理监控系统用于接收所述农药残存结果,并将所述农药残存结果输出于预置显示端口处。
9.一种果蔬残留农药的检测设备,其特征在于,所述果蔬残留农药的检测设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述果蔬残留农药的检测设备执行如权利要求1-7中任一项所述的果蔬残留农药的检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的果蔬残留农药的检测方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021100141211 | 2021-01-06 | ||
CN202110014121 | 2021-01-06 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113176215A true CN113176215A (zh) | 2021-07-27 |
Family
ID=76925574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110448861.6A Pending CN113176215A (zh) | 2021-01-06 | 2021-04-25 | 果蔬残留农药的检测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113176215A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103868857A (zh) * | 2014-02-18 | 2014-06-18 | 成都理工大学 | 一种农药残留的检测方法、装置及系统 |
CN104398231A (zh) * | 2014-12-04 | 2015-03-11 | 中国科学院深圳先进技术研究院 | 立体内窥镜光源亮度调节系统及方法 |
CN104931470A (zh) * | 2015-06-02 | 2015-09-23 | 江苏大学 | 一种基于荧光高光谱技术的农药残留检测装置及检测方法 |
CN205352932U (zh) * | 2015-12-14 | 2016-06-29 | 高安来 | 一种便携式农药残留检测系统 |
CN106469301A (zh) * | 2016-08-31 | 2017-03-01 | 北京天诚盛业科技有限公司 | 自适应可调节的人脸识别方法和装置 |
CN107290303A (zh) * | 2017-05-03 | 2017-10-24 | 崔哲 | 农药残留检测设备及农药残留检测方法 |
CN107290285A (zh) * | 2016-04-01 | 2017-10-24 | 王方明 | 光谱快速检测农药残留装置以及检测方法 |
CN107478586A (zh) * | 2017-10-09 | 2017-12-15 | 西安明松电子科技有限公司 | 一种可集成化便携式农药残留浓度检测装置及方法 |
CN107703081A (zh) * | 2017-11-10 | 2018-02-16 | 三锋集团有限公司 | 一种果蔬表面农药残留的无损速测方法 |
-
2021
- 2021-04-25 CN CN202110448861.6A patent/CN113176215A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103868857A (zh) * | 2014-02-18 | 2014-06-18 | 成都理工大学 | 一种农药残留的检测方法、装置及系统 |
CN104398231A (zh) * | 2014-12-04 | 2015-03-11 | 中国科学院深圳先进技术研究院 | 立体内窥镜光源亮度调节系统及方法 |
CN104931470A (zh) * | 2015-06-02 | 2015-09-23 | 江苏大学 | 一种基于荧光高光谱技术的农药残留检测装置及检测方法 |
CN205352932U (zh) * | 2015-12-14 | 2016-06-29 | 高安来 | 一种便携式农药残留检测系统 |
CN107290285A (zh) * | 2016-04-01 | 2017-10-24 | 王方明 | 光谱快速检测农药残留装置以及检测方法 |
CN106469301A (zh) * | 2016-08-31 | 2017-03-01 | 北京天诚盛业科技有限公司 | 自适应可调节的人脸识别方法和装置 |
CN107290303A (zh) * | 2017-05-03 | 2017-10-24 | 崔哲 | 农药残留检测设备及农药残留检测方法 |
CN107478586A (zh) * | 2017-10-09 | 2017-12-15 | 西安明松电子科技有限公司 | 一种可集成化便携式农药残留浓度检测装置及方法 |
CN107703081A (zh) * | 2017-11-10 | 2018-02-16 | 三锋集团有限公司 | 一种果蔬表面农药残留的无损速测方法 |
Non-Patent Citations (3)
Title |
---|
张津源: "基于近红外光谱的小麦蛋白质检测模型研究", 《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》 * |
方勇华 等: "应用小波变换实现光谱的噪声去除和基线校正", 《光学精密工程》 * |
朱春艳 等: "小波变换对敌百虫红外光谱去噪分析", 《黑龙江八一农垦大学学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6487523B2 (en) | Model for spectral and chromatographic data | |
EP2511680A2 (en) | Optimized orthonormal system and method for reducing dimensionality of hyperspectral Images | |
Wang et al. | SeeFruits: Design and evaluation of a cloud-based ultra-portable NIRS system for sweet cherry quality detection | |
US20070203674A1 (en) | System and method for analyzing data streams | |
EP2870586B1 (en) | System and method for residual analysis of images | |
CN111751318A (zh) | 使用光谱测量进行织物验证 | |
CN109580534A (zh) | 物质种类识别方法、太赫兹时域光谱仪系统及终端设备 | |
CN108090883A (zh) | 高光谱图像预处理方法、装置及电子设备 | |
US11709254B2 (en) | SAR image analysis system, image processing apparatus, image processing method, and image processing program | |
CN107222682A (zh) | 农作物生长状况检测方法及装置 | |
US20160109295A1 (en) | Portable electronic apparatus, spectrometer combined therewith, and method for detecting quality of test object by using the same | |
Sinno et al. | Towards a closed form second-order natural scene statistics model | |
CN112951342A (zh) | 数据解析系统以及数据解析方法 | |
WO2018103541A1 (zh) | 用于去除溶剂干扰的拉曼光谱检测方法和电子设备 | |
Grivel et al. | Kullback-Leibler and Rényi divergence rate for Gaussian stationary ARMA processes comparison | |
CN113176215A (zh) | 果蔬残留农药的检测方法、系统、设备及存储介质 | |
US20220323030A1 (en) | Probabilistic image analysis | |
CN115952398B (zh) | 基于物联网的数据上传统计计算方法、系统和存储介质 | |
JP2019190927A (ja) | 解析システム、撮像装置、および、プログラム | |
CN108152213A (zh) | 一种诊断水稻冠层氮素营养状况的系统 | |
CN207908379U (zh) | 基于机器视觉和光谱的马铃薯病害检测装置 | |
CN115601712A (zh) | 适用于现场安全措施的图像数据处理方法及系统 | |
US20210365796A1 (en) | Method and system for detecting anomalies in a spectrogram, spectrum or signal | |
Daskalov et al. | Comparative study on the application of visible and near infrared hyperspectral imaging for Fusarium disease assessment of corn seeds | |
Groß et al. | Phas-maFOOD-A miniaturized multi-sensor solution for rapid, non-destructive food quality assessment |
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: 20210727 |
|
RJ01 | Rejection of invention patent application after publication |