CN113218878A - 冰箱的食材新鲜度的判断方法、冰箱及存储介质 - Google Patents
冰箱的食材新鲜度的判断方法、冰箱及存储介质 Download PDFInfo
- Publication number
- CN113218878A CN113218878A CN202010070096.4A CN202010070096A CN113218878A CN 113218878 A CN113218878 A CN 113218878A CN 202010070096 A CN202010070096 A CN 202010070096A CN 113218878 A CN113218878 A CN 113218878A
- Authority
- CN
- China
- Prior art keywords
- freshness
- refrigerator
- food
- spectral data
- model
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 158
- 239000000463 material Substances 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000001228 spectrum Methods 0.000 claims abstract description 18
- 230000003595 spectral effect Effects 0.000 claims description 71
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012628 principal component regression Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000004615 ingredient Substances 0.000 claims 1
- 238000010183 spectrum analysis Methods 0.000 abstract description 19
- 230000019771 cognition Effects 0.000 abstract description 7
- 230000006872 improvement Effects 0.000 description 8
- 239000000126 substance Substances 0.000 description 4
- 235000013311 vegetables Nutrition 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 244000269722 Thea sinensis Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 244000298697 Actinidia deliciosa Species 0.000 description 1
- 235000009436 Actinidia deliciosa Nutrition 0.000 description 1
- 241000234282 Allium Species 0.000 description 1
- 235000002732 Allium cepa var. cepa Nutrition 0.000 description 1
- 240000002234 Allium sativum Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 108010068370 Glutens Proteins 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 229960001948 caffeine Drugs 0.000 description 1
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000004611 garlic Nutrition 0.000 description 1
- 235000021312 gluten Nutrition 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- -1 moisture Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 150000008442 polyphenolic compounds Chemical class 0.000 description 1
- 235000013824 polyphenols Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 235000018102 proteins Nutrition 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 239000002699 waste material Substances 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D29/00—Arrangement or mounting of control or safety devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2500/00—Problems to be solved
- F25D2500/06—Stock management
Abstract
本发明揭示了一种冰箱的食材新鲜度的判断方法、冰箱及存储介质,通过光谱分析检测食物的新鲜度,并建立新鲜度模型,使新鲜度的检测结果更加准确;确定了食物‑新鲜度‑光谱数据之间的关系,使得该新鲜度模型与食物的新鲜度的关系吻合好,且能根据用户的使用作出实时的调整,使其新鲜度的判断通过多次迭代后更准确以及符合使用者对新鲜度的认知,解决了新鲜度这一偏主观的标准因不同客户认知不同而无法判断的问题,实现了冰箱更高的智能化。
Description
技术领域
本发明涉及制冷设备领域,尤其涉及一种冰箱的食材新鲜度的判断方法、冰箱及存储介质。
背景技术
冰箱用于储存食物提供保鲜功能,但冰箱的保鲜不是无限制的,长期储存后也会出现不新鲜甚至变质的情况,而客户往往无法及时感知食物在冰箱内的变化情况,当有些食材忘记食用后,经过一段时间准备食用时发现已变质只能丢弃,造成了浪费以及使用的不便。
现有通过检测气味判断新鲜度的专利,但存在诸多缺陷,例如有些食物的变质是没有明显气味变化的,例如气味不大的青菜逐渐变黄,或者气味大的葱蒜逐渐边干或变烂,气味本身不一定有明显变化,就造成了新鲜度检测不准确的问题。
另外新鲜度是一个偏主观的概念,不同人对于新鲜度的认知不同,冰箱对新鲜度的判断如果不能因人而异,会产生冰箱判断新鲜,或者对大多数人来说觉得新鲜的食物,对小部分人来说不新鲜;甚至有些不同的食物,不同人的新鲜度认知恰好相反,使得无法实现拿一个新鲜度的标准完成冰箱对新鲜度判断的问题,制约了冰箱的智能化,不满足智能家庭的需求。
发明内容
为解决现有技术中的问题,本发明的目的在于提供一种冰箱的食材新鲜度的判断方法、冰箱及存储介质。
为实现上述发明目的之一,本发明一实施例提供了一种冰箱的食材新鲜度的判断方法,包括如下步骤:
扫描冰箱内的同一种类的食材在不同新鲜度的光谱数据;
根据所述光谱数据建立新鲜度模型,所述新鲜度模型包括所述食材的多个新鲜度级别;
扫描所述冰箱内新的同一种类的食材的光谱数据验证所述新鲜度模型,根据所述新鲜度模型判断所述新的食材的测得新鲜度级别;
判断新的食材的实际新鲜度级别与所述测得新鲜度级别是否相符;
若符合,增加该光谱数据判断为所述测得新鲜度级别的权重,若不符合,增加该光谱数据判断为所述实际新鲜度的权重;
重复在冰箱内放入同一种类的多种新鲜度的食材,扫描光谱数据,判断实际新鲜度与测得新鲜度是否相符并根据结果增加对应的权重;
按权重最高的光谱数据与新鲜度级别的对应关系调整所述新鲜度模型。
作为本发明一实施例的进一步改进,所述步骤“根据所述光谱数据建立新鲜度模型”包括:
获取用户判断的新鲜度信息;
将所述光谱数据与用户判断的新鲜度信息对应;
根据同一种类的多种不同新鲜度信息与所述光谱数据的对应关系,建立新鲜度模型。
作为本发明一实施例的进一步改进,所述步骤“根据同一种类的多种不同新鲜度信息与所述光谱数据的对应关系,建立新鲜度模型”包括:
将所述食材始终放置于所述冰箱内,间隔相等时间段多次扫描所述食材的光谱数据并判断所述食材的新鲜度,建立新鲜度模型。
作为本发明一实施例的进一步改进,所述步骤“根据所述光谱数据建立新鲜度模型”包括:
根据所述食材的种类信息和所述光谱数据分析所述食材的多个指定检测指标的参数值;
根据所述指定检测指标和所述参数值建立新鲜度模型。
作为本发明一实施例的进一步改进,所述步骤“根据所述指定检测指标和所述参数值建立新鲜度模型”包括:
比较同一种类的多种不同新鲜度的所述参数值,筛选所述参数值与新鲜度的变化的相关系数大于设定值的所述指定检测指标设为有效检测指标;
根据所述有效检测指标、以及与所述有效检测指标对应的所述参数值建立新鲜度模型。
作为本发明一实施例的进一步改进,所述指定检测指标包括水分含量、成分含量组成、大小、硬度、密度和颜色。
作为本发明一实施例的进一步改进,所述步骤“根据所述光谱数据建立新鲜度模型”还包括:
采集背景光谱信息;
根据所述背景光谱信息和降噪算法将所述光谱数据内的异常值剔除;
选择合适的光谱区域;
根据所述食材的种类信息选择建立新鲜度模型的模型算法;
根据所述所述光谱区域内的数据和所述模型算法建立所述食材的新鲜度模型。
作为本发明一实施例的进一步改进,所述降噪算法包括平滑算法、导数算法、多元散射矫正、数据增强算法。
作为本发明一实施例的进一步改进,所述模型算法包括偏最小二乘法、逐步回归分析、主成分回归分析算法。
为实现上述发明目的之一,本发明一实施例提供了一种冰箱,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,包括:
光谱仪,扫描食材得到光谱数据;
分析模块,分析所述光谱数据;
所述处理器执行所述计算机程序时可实现上述的冰箱内的食材新鲜度的判断方法中的步骤。
为实现上述发明目的之一,本发明一实施例提供了一种存储介质,其存储有计算机程序,该计算机程序被处理器执行时可实现上述的冰箱的食材新鲜度的判断方法中的步骤。
与现有技术相比,本发明具有以下有益效果:通过光谱分析检测食物的新鲜度,并建立新鲜度模型,使新鲜度的检测结果更加准确;确定了食物-新鲜度-光谱数据之间的关系,使得该新鲜度模型与食物的新鲜度的关系吻合好,且能根据用户的使用作出实时的调整,使其新鲜度的判断通过多次迭代后更准确以及符合使用者对新鲜度的认知,解决了新鲜度这一偏主观的标准因不同客户认知不同而无法判断的问题,实现了智能保鲜,使冰箱的智能化程度更高,满足智能家庭的需求。
附图说明
图1是本发明冰箱的食材新鲜度的判断方法一实施例的流程图;
图2是本发明一实施例冰箱的结构示意图;
其中,1、光谱仪;2、分析模块;3、处理器;4、存储器。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限制本发明,本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
本发明一实施例提供一种冰箱的食材新鲜度的判断方法、冰箱及存储介质,能实现冰箱对食材新鲜度的准确判断,也能避免新鲜度这一主观概念因人而异导致识别困难的问题,实现了智能保鲜,使冰箱的智能化程度更高,满足智能家庭的需求。
应用光谱分析对食材的新鲜度进行分析,方便了对食材的管理,当某一食材的新鲜度不高,或者已经很不新鲜时,将结果告知客户,由客户判断是否仍使用该不新鲜的食材,例如有的食材部分不新鲜,在去除表面的菜叶后,内部的食物仍可食用的情况下,用户可以选择食用,将去除不新鲜部分后的食材放回冰箱再由冰箱判断。一些极度不新鲜的食材,可以发出提醒让用户尽快移出。
具体地,本实施例的冰箱的食材新鲜度的判断方法,包括如下步骤:
扫描冰箱内的同一种类的食材在不同新鲜度的光谱数据;
根据所述光谱数据建立新鲜度模型,所述新鲜度模型包括所述食材的多个新鲜度级别;
扫描所述冰箱内新的同一种类的食材的光谱数据验证所述新鲜度模型,根据所述新鲜度模型判断所述新的食材的测得新鲜度级别;
判断新的食材的实际新鲜度级别与所述测得新鲜度级别是否相符;
若符合,增加该光谱数据判断为所述测得新鲜度级别的权重,若不符合,增加该光谱数据判断为所述实际新鲜度的权重;
重复在冰箱内放入同一种类的多种新鲜度的食材,扫描光谱数据,判断实际新鲜度与测得新鲜度是否相符并根据结果增加对应的权重;
按权重最高的光谱数据与新鲜度级别的对应关系调整所述新鲜度模型。
第二步,完善新鲜度模型。
在系统建立初步的新鲜度模型后,将该新鲜度模型与该食物对应进行保存。由于新鲜度是一个部分客观、部分主观的情况,不同用户对新鲜度的认知不同,存在对一个客户来说不新鲜的食物,对另一用户来说还算新鲜食用没问题的情况,对所有人用一套新鲜度的标准存在部分用户不适应的问题。对于后期放入的食材的新鲜度判断与已保存的新鲜度模型不匹配的情况,按下述步骤执行:
用户反馈实际的产品的新鲜度,可参考新鲜-未熟、新鲜-成熟、新鲜-临期、不新鲜-慎用、不新鲜-变质中的衡量标准,例如为不新鲜-慎用,而新鲜度模型判断结果为新鲜-临期时进行调整。
具体地:食物通过光谱仪扫描并经过软件处理分析后,将其光谱分析值与已有的新鲜度模型进行比较,若检测到的新的食物的新鲜度模型与已有某种食物的新鲜度模型判定结果为相同或近似时,则初步预判出食物的新鲜度,例如是新鲜-临期。
询问客户是否是新鲜-临期,若用户选择识别不准确,提示输入或选择该新的食物的信息,例如用户选择该食物的新鲜度为不新鲜-慎用,系统建立该食物的新鲜度模型,并将该光谱数据同时标记初步预判的食物信息和新的食物信息,例如原新鲜度模型为桔子-新鲜-临期,新的模型为桔子-新鲜-临期-不新鲜-慎用-副本;若用户选择识别准确,则将该光谱数据继续标记为对应的食物信息,例如桔子-新鲜-临期,并增加新鲜-临期的权重。
待下次客户放入该新鲜度判断不准确的食物后,若光谱分析仍识别为第一次检测的桔子对应的新鲜度模型,咨询用户是初始新鲜度模型的食物信息,还是新录入的新鲜度模型的信息,例如在仍为桔子时,咨询用户是新鲜-临期还是不新鲜-慎用,若用户确认是新鲜-临期,对该模型判断为桔子的权重增加,若用户判断为不新鲜-慎用,对该模型判断为不新鲜-慎用的权重增加,若用户判断都不是,重复提示用户输入该新的食物的信息的步骤,并在下次检测时对新的食物提示用户判断,并对新的新鲜度进行判断。
重复上述步骤多次后,同一食物的某一类新鲜度的权重最高,则判断该新鲜度模型对应的食物的信息的新鲜度模型最接近真实情况,该新鲜度模型的建立确认基本完成。
新鲜度模型的初步建立可以通过两种方式实现,途径1如下:
进一步地,所述步骤“根据所述光谱数据建立新鲜度模型”包括:
获取用户判断的新鲜度信息;
将所述光谱数据与用户判断的新鲜度信息对应;
根据同一种类的多种不同新鲜度信息与所述光谱数据的对应关系,建立新鲜度模型。
系统主要通过人工输入和光谱分析识别,对照食物录入的信息,通过主观感知的方式进行新鲜度模型的初步建立。新鲜度可以划分为新鲜-未熟、新鲜-成熟、新鲜-临期、不新鲜-慎用、不新鲜-变质等多个维度,对食物主观评判处于哪个阶段,同一类食物的光谱分析值与新鲜度的评判对应。例如放入了猕猴桃,主观评判认为新鲜度为新鲜-未熟,光谱仪扫描出该食物的光谱信息,分析处理器将光谱信息与客户输入的信息进行匹配,再通过分析软件进行数据的处理,得到当前新鲜度与当前光谱分析数值的匹配关系。
进一步地,所述步骤“根据同一种类的多种不同新鲜度信息与所述光谱数据的对应关系,建立新鲜度模型”包括:
将所述食材始终放置于所述冰箱内,间隔相等时间段多次扫描所述食材的光谱数据并判断所述食材的新鲜度,建立新鲜度模型。
在冰箱内每隔一段时间重复进行上述判断,如每16小时检测一次,即模拟过了一夜后食物的变化情况,再次检测,进行主观评价新鲜度的情况,并与光谱分析值对应,直到结束整个周期,建立食物种类-新鲜度-光谱分析值之间的对应关系。
途径2如下:
进一步地,所述步骤“根据所述光谱数据建立新鲜度模型”包括:
根据所述食材的种类信息和所述光谱数据分析所述食材的多个指定检测指标的参数值;
根据所述指定检测指标和所述参数值建立新鲜度模型。
食材的新鲜程度,可以通过光谱分析仪检测食材的水分含量、成分含量组成、大小、硬度、密度、颜色等物理量进行识别,通过对相同食材的不同新鲜度的以上多个维度的参数进行识别,得到同一食材在不同新鲜度下的参数情况,对冰箱内的食材进行以上参数检测后,再在新鲜度的维度中进行匹配,该新鲜度的参数标准可以设定为一段范围值,不同种类的蔬菜的新鲜度的参数选取的维度存在差异,在光谱分析判断出食物的种类后,根据对应的种类查阅该种类的植物的新鲜度的衡量参数指标,并对对应指标与新鲜度的对照值对比,判断出食物当下的新鲜度。
对于种类不同、品种不同的食材而言,选取参数的维度有所区别,选取其中不同新鲜度下差异较为明显的值,作为主要的判断指标,例如某品种的水果的不同阶段的颜色无变化,或者密度变化很小,而含糖量和硬度的变化很大,则主要选取含糖量和硬度作为主要的特定指标。多种食材的新鲜度和光谱分析后得到的参数信息之间的对应关系,可以通过大样本的多次试验得出。
进一步地,所述步骤“根据所述指定检测指标和所述参数值建立新鲜度模型”包括:
比较同一种类的多种不同新鲜度的所述参数值,筛选所述参数值与新鲜度的变化的相关系数大于设定值的所述指定检测指标设为有效检测指标;
根据所述有效检测指标、以及与所述有效检测指标对应的所述参数值建立新鲜度模型。
上述的途径1和途径2可以通过用户在完成,也可以在冰箱内预设主要类型的食物的新鲜度模型的数据,该数据可以在出厂时预先存储,也可以在冰箱上设置连接服务器的接口,在服务器内存储主要的食物的新鲜度模型,再将其传输到冰箱中,这样该新鲜度模型的数据可以获得更新。对于处于同一区域的用户,日常购买到的相同的食材通常产地相同,光谱数据通常是较为接近的,服务器可以根据用户的所在地信息,传输对应区域的新鲜度模型的数据给用户,以帮助该冰箱建立更精确的新鲜度模型。
光谱分析针对当前食物的种类,进行该种类的特定的成分或性质的分析,不同种类的食物需要检测的内容分析的参数可以系统预先存储或从服务器获取,例如对于面包类的烘焙食品,主要检测指标包括脂肪、蛋白质、水分、淀粉、面筋等,例如对于水果类的食品,主要检测指标包括糖分、酸度、维生素、水分、纤维素、品质分级、成熟度、硬度等,例如放置的是茶叶,主要检测指标包括老嫩度、茶多酚、氨基酸、咖啡碱、品质分级、总氮、水分、品种鉴定、真假识别等。
光谱分析可以采用近红外光谱分析或高光谱分析,这些分析技术较为成熟,记录了含氢基团,如C-O、O-H、N-H、S-H、P-H等信息,对不同基团的检测都很准确,非常适合应用于有机物的检测,能对食物进行定性和定量的识别。
进一步地,在新鲜度建模的过程中,包括扫描识别采集数据、识别出食物所在的背景信息、测定食物中各物质和成分的化学值、去除异常值、选择合适的光谱区域、选择合适的算法和参数进行建模、检验校准模型等多个阶段。
所述步骤“根据所述光谱数据建立新鲜度模型”还包括:
采集背景光谱信息;
根据所述背景光谱信息和降噪算法将所述光谱数据内的异常值剔除;
选择合适的光谱区域;
根据所述食材的种类信息选择建立新鲜度模型的模型算法;
根据所述所述光谱区域内的数据和所述模型算法建立所述食材的新鲜度模型。
为了减少不同次识别出现的随机误差,将冰箱中的某一区域设定为专门用于光谱分析的区域,例如选取在保鲜抽屉的范围专门进行光谱分析,这样的好处是使得整个光谱检测空间不会做得过大,每次检测食物光谱到食物的距离相近,且该区域内温度、湿度通常稳定,不易因直冷冰箱的冷热不均、风冷冰箱的空气流通导致湿度不均产生过大的波动,在该区域内布设光谱分析仪,对食物进行光谱扫描分析。
对于保鲜抽屉内的具体空间,食物的背景大多一致,光谱分析针对该背景扫描到得到背景的光谱信息,在后期对食物的扫描过程中,每次也都包括相同的背景信息,即可通过算法将该类背景信息识别并针对性的去除该背景信息分析食物本身,防止不同位置的背景不同导致检测结果的差异。
通过检测到的食物光谱,进行食物种类的分析,或者在被告知具体食物信息后,对该类型的食物进行对应的分析,获得该待测定的食物的各物质和成分的化学值的数据。
剔除异常值,当某个食物录入的信息与光谱检测到的信息有巨大差异,例如由于随机的原因产生严重的失真时,该检测值称为异常值。对于检测本身产生的异常值,可以称为噪音的部分,可以通过数学方法进行去除,常用的方法包括平滑算法、导数算法、多元散射矫正、数据增强算法等,平滑算法可以通过包括卷积平滑算法、移动平滑算法等,导数算法运用一阶和二阶导数进行校正处理,多元散射矫正消除分布不均产生的影响,数据增强算法包括均值中心化、标准化和归一化等,将上述噪音去除,得到更符合食物本身的真实特性的光谱数据。
选择合适的光谱区域,若光谱数据越多,真实性越好,但误差也会变多,所以选择合适的能体现食物特性部分的光谱区域进行保留,能减少其他误差大的或失真的数据的分析,减小了工作量,也提高了检测精度。
根据得到的参数,选择合适的算法,常用的算法包括偏最小二乘法、逐步回归分析、主成分回归分析等,利用光谱的数据,消除背景的噪声,可以利用滤波、求导、傅里叶变换等方式降低光谱的背景噪音,建立更准确的新鲜度模型。针对不同的食物类型建立各自合适的新鲜度模型,有的食物也可以同时建立多套模型。
在新鲜度模型建立后,即可对后期放入的食物进行分析,若该新鲜度模型分析得到的信息用户判断为不一致,则做出调整,对于多套模型,则对不同模型得到的结果进行评价,迭代多次后得出吻合最好的模型。
为实现上述发明目的之一,本发明一实施例提供了一种冰箱,包括存储器4和处理器3,所述存储器4存储有可在处理器3上运行的计算机程序,包括:
光谱仪1,扫描食材得到光谱数据;
分析模块2,分析所述光谱数据;
所述处理器3执行所述计算机程序时可实现上述的冰箱内的食材新鲜度的判断方法中的任意一个步骤,也就是说,实现上述冰箱的食材新鲜度的判断方法中的任意一个技术方案中的步骤。
为实现上述发明目的之一,本发明一实施例提供了一种存储介质,其存储有计算机程序,该计算机程序被处理器3执行时可实现上述的冰箱的食材新鲜度的判断方法中的任意一个步骤,也就是说,实现上述冰箱的食材新鲜度的判断方法中的任意一个技术方案中的步骤。
与现有技术相比,本实施例具有以下有益效果:通过光谱分析检测食物的新鲜度,并建立新鲜度模型,使新鲜度的检测结果更加准确;确定了食物-新鲜度-光谱数据之间的关系,使得该新鲜度模型与食物的新鲜度的关系吻合好,且能根据用户的使用作出实时的调整,使其新鲜度的判断通过多次迭代后更准确以及符合使用者对新鲜度的认知,解决了新鲜度这一偏主观的标准因不同客户认知不同而无法判断的问题,实现了智能保鲜,使冰箱的智能化程度更高,满足智能家庭的需求。
上文所列出的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (11)
1.一种冰箱的食材新鲜度的判断方法,其特征在于,包括如下步骤:
扫描冰箱内的同一种类的食材在不同新鲜度的光谱数据;
根据所述光谱数据建立新鲜度模型,所述新鲜度模型包括所述食材的多个新鲜度级别;
扫描所述冰箱内新的同一种类的食材的光谱数据,通过所述新鲜度模型,得出测得新鲜度级别;
判断新的食材的实际新鲜度级别与测得新鲜度级别是否相符;
若符合,增加该光谱数据判断为所述测得新鲜度级别的权重,若不符合,增加该光谱数据判断为所述实际新鲜度的权重;
重复在冰箱内放入同一种类的多种新鲜度的食材,扫描光谱数据,判断实际新鲜度与测得新鲜度是否相符并根据结果增加对应的权重;
按权重最高的光谱数据与新鲜度级别的对应关系调整所述新鲜度模型。
2.根据权利要求1所述的冰箱的食材新鲜度的判断方法,其特征在于,所述步骤“根据所述光谱数据建立新鲜度模型”包括:
获取用户判断的新鲜度信息;
将所述光谱数据与用户判断的新鲜度信息对应;
根据同一种类的多种不同新鲜度信息与所述光谱数据的对应关系,建立新鲜度模型。
3.根据权利要求2所述的冰箱的食材新鲜度的判断方法,其特征在于,所述步骤“根据同一种类的多种不同新鲜度信息与所述光谱数据的对应关系,建立新鲜度模型”包括:
将所述食材始终放置于所述冰箱内,间隔相等时间段多次扫描所述食材的光谱数据并判断所述食材的新鲜度,建立新鲜度模型。
4.根据权利要求1所述的冰箱的食材新鲜度的判断方法,其特征在于,所述步骤“根据所述光谱数据建立新鲜度模型”包括:
根据所述食材的种类信息和所述光谱数据分析所述食材的多个指定检测指标的参数值;
根据所述指定检测指标和所述参数值建立新鲜度模型。
5.根据权利要求4所述的冰箱的食材新鲜度的判断方法,其特征在于,所述步骤“根据所述指定检测指标和所述参数值建立新鲜度模型”包括:
比较同一种类的多种不同新鲜度的所述参数值,筛选所述参数值与新鲜度的变化的相关系数大于设定值的所述指定检测指标设为有效检测指标;
根据所述有效检测指标、以及与所述有效检测指标对应的所述参数值建立新鲜度模型。
6.根据权利要求4所述的冰箱的食材新鲜度的判断方法,其特征在于,所述指定检测指标包括水分含量、成分含量组成、大小、硬度、密度和颜色。
7.根据权利要求1所述的冰箱的食材新鲜度的判断方法,其特征在于,所述步骤“根据所述光谱数据建立新鲜度模型”还包括:
采集背景光谱信息;
根据所述背景光谱信息和降噪算法将所述光谱数据内的异常值剔除;
选择合适的光谱区域;
根据所述食材的种类信息选择建立新鲜度模型的模型算法;
根据所述所述光谱区域内的数据和所述模型算法建立所述食材的新鲜度模型。
8.根据权利要求7所述的冰箱的食材新鲜度的判断方法,其特征在于,所述降噪算法包括平滑算法、导数算法、多元散射矫正、数据增强算法。
9.根据权利要求7所述的冰箱的食材新鲜度的判断方法,其特征在于,所述模型算法包括偏最小二乘法、逐步回归分析、主成分回归分析算法。
10.一种冰箱,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,包括:
光谱仪,扫描食材得到光谱数据;
分析模块,分析所述光谱数据;
所述处理器执行所述计算机程序时可实现权利要求1至9中任意一项所述的冰箱的食材新鲜度的判断方法中的步骤。
11.一种存储介质,其存储有计算机程序,其特征在于,该计算机程序被处理器执行时可实现权利要求1至9中任意一项所述的冰箱的食材新鲜度的判断方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010070096.4A CN113218878A (zh) | 2020-01-21 | 2020-01-21 | 冰箱的食材新鲜度的判断方法、冰箱及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010070096.4A CN113218878A (zh) | 2020-01-21 | 2020-01-21 | 冰箱的食材新鲜度的判断方法、冰箱及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113218878A true CN113218878A (zh) | 2021-08-06 |
Family
ID=77085184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010070096.4A Pending CN113218878A (zh) | 2020-01-21 | 2020-01-21 | 冰箱的食材新鲜度的判断方法、冰箱及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113218878A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439270A (zh) * | 2013-09-11 | 2013-12-11 | 南京农业大学 | 一种高光谱图像检测桃果实冷害的装置和方法 |
CN106960091A (zh) * | 2017-03-20 | 2017-07-18 | 南京林业大学 | 一种鲜肉新鲜度K值的THz光谱快速无损检测方法 |
CN108662842A (zh) * | 2017-03-27 | 2018-10-16 | 青岛海尔智能技术研发有限公司 | 冰箱内食物的检测系统与冰箱 |
CN109145685A (zh) * | 2017-06-19 | 2019-01-04 | 南京农业大学 | 基于集成学习的果蔬高光谱品质检测方法 |
-
2020
- 2020-01-21 CN CN202010070096.4A patent/CN113218878A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439270A (zh) * | 2013-09-11 | 2013-12-11 | 南京农业大学 | 一种高光谱图像检测桃果实冷害的装置和方法 |
CN106960091A (zh) * | 2017-03-20 | 2017-07-18 | 南京林业大学 | 一种鲜肉新鲜度K值的THz光谱快速无损检测方法 |
CN108662842A (zh) * | 2017-03-27 | 2018-10-16 | 青岛海尔智能技术研发有限公司 | 冰箱内食物的检测系统与冰箱 |
CN109145685A (zh) * | 2017-06-19 | 2019-01-04 | 南京农业大学 | 基于集成学习的果蔬高光谱品质检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
CN109100323B (zh) | 一种苹果水心病的透射光谱无损定量评价方法 | |
CN108680515B (zh) | 一种单粒水稻直链淀粉定量分析模型构建及其检测方法 | |
CN109470648B (zh) | 一种单籽粒作物不完善粒快速无损判定方法 | |
Huang et al. | Evaluating quality of tomato during storage using fusion information of computer vision and electronic nose | |
US7244902B2 (en) | Method for classifying wine and coffee | |
CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
CN110987865A (zh) | 一种基于近红外光谱检测无花果品质的方法 | |
CN110308111B (zh) | 一种应用近红外光谱技术快速预测远安黄茶闷黄时间的方法 | |
CN110887809B (zh) | 一种基于近红外光谱技术测定烟丝中梗含量的方法 | |
CN112213281A (zh) | 一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法 | |
CN113218878A (zh) | 冰箱的食材新鲜度的判断方法、冰箱及存储介质 | |
CN110231306A (zh) | 一种无损、快速测定奇亚籽蛋白质含量的方法 | |
CN113218141B (zh) | 冰箱的食材检测方法、冰箱及存储介质 | |
CN113220658B (zh) | 冰箱的食材检测方法、冰箱及存储介质 | |
CN110320174B (zh) | 应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法 | |
Wang et al. | Rapid detection of quality of Japanese fermented soy sauce using near-infrared spectroscopy | |
CN113218880B (zh) | 冰箱的食材检测方法、冰箱及存储介质 | |
Feng et al. | Comparison between an acoustic firmness sensor and a near-infrared spectrometer in segregation of kiwifruit for storage potential | |
CN113324941A (zh) | 原料牛奶保存时间的快速鉴定方法 | |
CN113310933A (zh) | 原料水牛奶保存天数的光谱鉴定方法 | |
CN110646371A (zh) | 一种烟用香精香料含水量的测定方法 | |
CN110231303A (zh) | 一种快速测定奇亚籽灰分含量的方法 | |
CN110308110B (zh) | 基于最小二乘支持向量机的远安黄茶闷黄时间的无损预测方法 | |
CN115060663B (zh) | 一种基于机器学习定量测试香蕉品质的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210806 |