CN113447084A - 预估食品货架期的检测装置、系统、方法和存储介质 - Google Patents
预估食品货架期的检测装置、系统、方法和存储介质 Download PDFInfo
- Publication number
- CN113447084A CN113447084A CN202111015301.8A CN202111015301A CN113447084A CN 113447084 A CN113447084 A CN 113447084A CN 202111015301 A CN202111015301 A CN 202111015301A CN 113447084 A CN113447084 A CN 113447084A
- Authority
- CN
- China
- Prior art keywords
- food
- information
- acquiring
- environment
- control mechanism
- 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 177
- 238000001514 detection method Methods 0.000 title claims abstract description 108
- 238000003860 storage Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 123
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 238000001237 Raman spectrum Methods 0.000 claims abstract description 32
- 235000012041 food component Nutrition 0.000 claims abstract description 18
- 239000005428 food component Substances 0.000 claims abstract description 18
- 239000000306 component Substances 0.000 claims abstract description 15
- 235000019601 food appearance Nutrition 0.000 claims abstract description 10
- 238000001069 Raman spectroscopy Methods 0.000 claims description 47
- 230000007613 environmental effect Effects 0.000 claims description 26
- 238000013136 deep learning model Methods 0.000 claims description 20
- 238000007405 data analysis Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 9
- 230000001954 sterilising effect Effects 0.000 claims description 5
- 239000012774 insulation material Substances 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 8
- 230000010259 detection of temperature stimulus Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 239000000203 mixture Substances 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011810 insulating material Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000002864 food coloring agent Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002070 germicidal effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及食品检测技术领域,尤其涉及一种预估食品货架期的检测装置、系统、方法和存储介质,检测装置包括箱体、控制机构、环境检测机构、图像检测机构、拉曼光谱分析机构和环境控制机构,环境检测机构用于获取食品所处环境信息;图像检测机构用于获取食品外观信息;拉曼光谱分析机构用于获取食品成分信息;控制机构根据所述环境信息、食品外观信息和食品成分信息对食品货架期进行预估。本发明通过环境检测机构实现对环境中的温度、湿度、光强、光照颜色的检测,通过图像检测机构实时获取食品的外观,通过拉曼光谱分析机构获取食品的组分信息,综合外界条件和食品本身的外观、成分实现对食品货架期的预估,使得货架期预估的时间更为精准和智能。
Description
技术领域
本发明涉及食品检测技术领域,尤其涉及一种预估食品货架期的检测装置、系统、方法和存储介质。
背景技术
随着人民生活水平的提高,消费者对食品的品质提出了越来越高的要求,人们希望所购买的食品在购买后至消费前这段时间内能够维持一个较好的品质。而食品货架期指食品在合理的储存条件下,能够保持安全健康的品质、良好的口感、正常的理化微生物特性的一段时间。货架期也是消费者了解食品品质的重要依据之一,对保障食品安全具有重要意义。
货架期包含生产地存储、运输、销售地存储等阶段。在这些过程中,环境条件控制复杂且重要,对食品的影响因素有温度、湿度、不同强弱的光照、不同波段的光照等。传统货架期可能存在两方面问题,一是如果食品处于良好的贮存条件下,其实际可流通期限可能远滞后于标志的保质期,但却因达到标注的保质期而被提前销毁,造成巨大的浪费和经济损失;另一方面,如果食品处于恶劣的贮运条件下,可能造成在架销售的保质期内实际已经变质,存在着严重的质量风险与隐患。因此对食品贮运环境的影响分析,对食品品质检测,进而预估货架期是目前食品储存的重要研究问题。
目前市场上的食品货架期的检测方法侧重于温度湿度等环境影响因素,最多再通过图像检测分析食品储存过程中食品的变质,从食品颜色等外观变化进行分析,判断货架期长度不够准确,预测精度较差。
发明内容
本发明的目的在于提供一种预估食品货架期的检测装置,旨在解决现有食品货架期预估时间不准确,预估精度差的问题。
为了实现上述目的,本发明提供的技术方案为:
一种预估食品货架期的检测装置,所述检测装置包括箱体、控制机构、环境检测机构、图像检测机构、拉曼光谱分析机构和环境控制机构;
所述箱体用于放置食品,以及用于所述控制机构、环境检测机构、图像检测机构和拉曼光谱分析机构的安装和支撑;
所述环境检测机构用于获取食品所处环境信息;
所述图像检测机构用于获取食品外观信息;
所述拉曼光谱分析机构用于获取食品成分信息;
所述环境控制机构用于箱体内环境的控制;
所述控制机构用于根据所述环境信息、食品外观信息和食品成分信息对食品货架期进行预估。
进一步地,所述箱体包括存储区和设备区,所述存储区用于放置食品,所述设备区用于安装所述环境控制机构和与所述控制机构运行相关的电路。
进一步地,所述环境检测机构包括温度传感器、湿度传感器和光强传感器,所述温度传感器、湿度传感器和光强传感器设于所述存储区;所述温度传感器用于获取存储区的温度信息,所述温度传感器将获取的温度信息发送至所述控制机构;所述湿度传感器用于获取存储区的湿度信息,所述湿度传感器将获取的湿度信息发送至所述控制机构;所述光强传感器用于获取存储区的光强变化量,所述光强传感器将获取的光强变化量发送至所述控制机构。
进一步地,所述图像检测机构包括摄像头;所述摄像头设于所述存储区内,用于获取存储区中的图像信息,并将图像信息发送至所述控制机构,所述摄像头通过行走机构在所述存储区内移动或固定。
进一步地,所述存储区包括第一区域和第二区域,所述第一区域和第二区域通过保温隔热材料分隔;所述拉曼光谱分析机构设于所述第二区域,所述拉曼光谱分析机构用于获取所述第二区域的食品成分信息,并将食品成分信息发送至所述控制机构。
进一步地,所述拉曼光谱分析机构包括收集光路,所述收集光路中依次设有滤光片、二向色镜和透镜组。
进一步地,所述存储区内设有LED灯带,所述LED灯带与所述控制机构相连。
进一步地,所述存储区内设有通气孔。
进一步地,所述存储区内设有紫外灭菌灯。
进一步地,所述存储区包括门,所述门上设有观察窗口。
进一步地,所述箱体底部设有滑轮,所述滑轮用于移动所述箱体。
进一步地,所述环境控制机构包括温度控制机构、湿度控制机构和空气内循环机构,所述控制机构对所述温度控制机构、湿度控制机构和空气内循环机构进行控制。
相应地,还提供一种预估食品货架期的检测系统,所述检测系统包括数据分析系统,以及与数据分析系统相连的环境检测系统、图像检测系统、拉曼光谱分析系统;
所述环境检测系统用于获取食品所处环境信息;
所述图像检测系统用于获取食品外观信息;
所述拉曼光谱分析系统用于获取食品成分信息;
所述数据分析系统用于根据所述环境信息、所述食品外观信息和所述食品成分信息,对食品货架期进行预估。
进一步地,所述拉曼光谱分析系统包括光谱仪,所述光谱仪用于获取食品中化学成分的拉曼光谱数据并发送至所述数据分析系统。
相应地,还提供一种预估食品货架期的检测方法,所述检测方法包括以下步骤:
第一信息获取步骤:根据食品所处环境信息,获取食品的第一预估信息;
第二信息获取步骤:根据食品外观,获取食品的第二预估信息;
第三信息获取步骤:根据食品成分,获取食品的第三预估信息;
预估步骤:根据所述第一预估信息、所述第二预估信息和所述第三预估信息获取食品的第四预估信息。
进一步地,所述第二信息获取步骤具体包括以下步骤:
获取食品从新鲜到变质期间的图像外观信息;
通过深度学习模型对获取的图像外观信息进行训练,得到训练后的深度学习模型;
将待检测食品的图像外观信息输入到训练后的深度学习模型中,得到待检测食品的第二预估信息。
进一步地,所述第三信息获取步骤具体包括以下步骤:
获取食品从新鲜到变质期间的拉曼信息,所述拉曼信息为:不同品质阶段食品通过拉曼光谱分析法获得的拉曼光谱;
通过深度学习模型对获取的拉曼信息进行训练,得到训练后的深度学习模型;
将待检测食品的拉曼信息输入到训练后的深度学习模型中,得到待检测食品的第三预估信息。
进一步地,所述预估步骤具体包括以下步骤:
分配所述第一预估信息、所述第二预估信息和所述第三预估信息的权重比例;
根据所述第一预估信息、所述第二预估信息和所述第三预估信息的权重比例计算得到第四预估信息。
相应地,还提供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预估食品货架期的检测程序,所述预估食品货架期的检测程序可被一个或者多个处理器执行,以实现上述的预估食品货架期的检测方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明提供的检测装置通过环境检测机构实现对环境中的温度、湿度、光强、光照颜色的检测,通过图像检测机构实时获取食品的外观,通过拉曼光谱分析机构获取食品的组分信息,综合外界条件和食品本身的外观、成分实现对食品货架期的预估,使得货架期预估的时间更为精准和智能。
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示出的结构获得其他的附图。
图1是本发明实施例预估食品货架期的检测装置示意图;
图2是本发明实施例预估食品货架期的检测装置正视图;
图3是本发明实施例预估食品货架期的检测装置内部结构图;
图4是本发明实施例预估食品货架期的检测系统示意图;
图5是本发明实施例预估食品货架期的方法流程图;
图6是本发明实施例深度学习流程示意图。
附图标记:
100-箱体;110-存储区;111-门;112-观察窗口;113-第一区域;114-第二区域;115-标准隔板;116-LED灯带;117-通气孔;118-紫外灭菌灯;119-滑轮;120-设备区;200-环境检测机构;210-温度传感器;220-湿度传感器;230-光强传感器;300-图像检测机构;400-拉曼光谱分析机构;410-收集管路;420-滤光片;430-二向色镜;440-透镜组;500-控制机构;600-光路通孔。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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的一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
还需要说明的是,当元件被称为“固定于”或“设置于”另一个元件上时,它可以直接在另一个元件上或者可能同时存在居中元件。当一个元件被称为是“连接”另一个元件,它可以是直接连接另一个元件或者可能同时存在居中元件。
另外,在本发明中涉及“第一”“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
图1-3为本发明提供的预估食品货架期的检测装置实施例的示意图。
请参考图1-3,该检测装置用于食品货架期的预估,具体包括箱体100、环境检测机构200、图像检测机构300、拉曼光谱分析机构400、控制机构500和环境控制机构(未示出)。
本实施例中,箱体100用于放置食品以及用于环境检测机构200、图像检测机构300、拉曼光谱分析机构400和控制机构500的安装和支撑。箱体100的功能包括实际食品存储、环境模拟、环境检测、图像检测以及拉曼光谱分析。箱体100的上部设有控制机构500,控制机构500包括显示屏,可以显示温度、湿度、光照等条件的控制选项以及检测结果。具体地,箱体100包括存储区110和设备区120,其中存储区110位于箱体中部,用于放置食品。存储区110通过门111形成密闭空间,在门111上设有观察窗口112,具体可以为玻璃观察窗,观察窗口112用于观察存储区110内的食品情况,门111的右侧还装有旋转门把手,用于门111的开启和关闭。围成存储区110的门111和箱体材质为隔热保温材料,尽可能的减少外部环境对存储区110的环境影响。设备区120位于箱体100的下部,用于安装大部分的环境控制机构和电路,例如:电路包括环境检测机构200中的温度检测、湿度检测、光强检测相应的电路,环境控制机构包括温度控制系统、湿度控制系统以及箱体内空气循环系统等设备。
本实施例中,存储区110分为第一区域113和第二区域114,第一区域113位于第二区域114的上方。第一区域113为无光路通孔600的食品放置区域,根据放置区域内空间大小与待测样品食品的大小,可以通过标准隔板115对第一区域113的空间进行分隔,第一区域113主要用于检测环境数据以及食品图像的检测。
第二区域114是有光路通孔600的样品放置区域,拉曼光谱分析机构400设于第二区域114中,拉曼光谱分析机构400在该区域内获取待测样本的成分信息并发送至控制机构500进行处理分析。具体地,拉曼光谱分析机构400包括收集光路410,收集光路410中依次设有滤光片420、二向色镜430和透镜组440。在第二区域114的左侧有收集光路410,将食品样品置于收集光路前方,在箱体100外侧的激光通过光纤耦合器进入收集光路410,经过激光纯化片减少其他波段干扰,然后经二向色镜430反射,再经透镜组440聚焦与准直打在食品样品上,根据不同的样品可选择合适的聚焦深度,在聚焦点处激发出拉曼信号,拉曼信号通过透镜组440收集,透过二向色镜430,再经过滤光片420滤去杂散光,最后经透镜聚焦于光谱仪中,光谱仪将获得的光谱数据传输给控制机构500中的处理器。
第一区域113和第二区域114通过使用保温隔热材料隔开,由于第二区域114存在连接外界的光路通孔600,并且存在透镜组等装置,因此第二区域114的封闭效果较差,第二区域114的温度湿度等环境因素易受影响,所以通过保温隔热材料与第一区域113分隔,避免第二区域114的环境因素对第一区域113的环境因素造成影响。并且,由于第二区域114的密封性差,因此第二区域114不作为获取环境参数的主要参考依据。
进一步地,在箱体100内部的左侧贴有LED灯带116,LED灯带116在整个存储区110中均有设置,即第一区域113和第二区域114中都设有LED灯带116,LED灯带116可以按照控制机构500设定的光强变化曲线进行相应的光照变化。除此之外,第一区域113和第二区域114的底部分别设有通气孔117,通气孔117用于湿度控制以及箱体内空气循环,便于及时循环通风和控制湿度,降低湿度变化程度。第一区域113和第二区域114的最上方分别设有紫外灭菌灯118,紫外灭菌灯118用于箱体内部的清洁灭菌工作。并且在箱体100的底部还设有供箱体100移动的滑轮119。
环境检测机构200用于获取食品所处环境信息并发送至控制机构500进行处理。在本实施例中,环境检测机构200用于获取存储区110的环境信息,具体包括环境温度、湿度和光照强度等信息。环境检测机构200包括温度传感器210、湿度传感器220和光强传感器230。温度传感器210数量为两个,分别安装于第一区域113和第二区域114的右上角,用于收集存储区110中温度数据并反馈给环境控制机构中的温度控制器,进行闭环温度调整,以尽可能减小温度波动,同时精确控制温度达到预定的温度范围。湿度传感器220数量为两个,分别安装于第一区域113和第二区域114中,用于存储区110的湿度检测,并且及时将测得的湿度结果反馈至环境控制机构中的湿度控制器,进行闭环湿度调整,减小湿度波动,精确控制湿度到达预定的湿度范围。光强传感器230分布于第一区域113和第二区域114中,用于检测存储区110内的光强数值,并将数值反馈给环境控制机构中的光照控制系统,以控制LED灯带随程序调整光强和发光颜色。温度传感器210、湿度传感器220和光强传感器230分别将获取的环境信息发送至控制机构500中进行处理。
本实施例中,图像检测机构300包括摄像头,在存储区110的各个分层的右上角均设有摄像头,用于获取存储区110中的图像信息,并将图像信息发送至控制机构500中进行处理。具体地,摄像头安置于一根竖直的导轨上,这样可自由移动到合适的位置并锁死,来获取不同位置和不同角度的图像信息。除此之外,还可以配合标准隔板115分隔区域后安排不同数量的摄像头进行图像采集,便于收集每一层样品在培养过程中可能发生的外观变化等图像信息,或者是及时发现泄漏、变质等情况。
该检测装置实施例的工作流程如下:
通过控制机构输入温度、湿度、光照等环境参数,控制器开始进行环境调整,箱体下部设备区压缩机、加湿器(温度控制机构、湿度控制机构和空气内循环机构)等开始工作,环境模拟完成。环境稳定后,箱体内部传感器开始收集检测箱体中的环境参数,摄像头开始采集食品样品的外观图像数据,并传输到控制机构的处理器中,通过分析食品样品外观信息判断食品货架期。激光通过光路入射到食品样品表面,箱体外的光谱仪通过收集光路开始采集食品样品返回的拉曼信号,并将数据传输给处理器,通过拉曼信号判断食品存在的化学成分,进而判断食品质量情况。最终根据食品环境参数、外观图像、拉曼信息三者的分析,在显示屏显示最终的食品样品货架期的预估时间。
本发明实施例在一个箱体中控制温度、湿度、光照等多种环境条件,便于食品样品检测观测,具有环境条件控制综合性能优越的优点。并且,在食品货架期预估中添加拉曼信号的检测分析,通过食品拉曼信号分析获得食品化学性质、组成成分数据,对食品化学性质及组成成分的分析可以判断食品品质变化,使食品货架期预估方式更加完善。本实施例综合考虑环境因素、图像外观、食品样品组成成分,这种内外兼备的检测手段使得货架期预估时间更为精准、智能。
图4为本发明提供的预估食品货架期的检测系统实施例的示意图。
请参考图4,本发明系统实施例用于食品货架期的预估,具体包括环境检测系统、图像检测系统、拉曼光谱分析系统和数据分析系统。其中,环境检测系统和数据分析系统之间进行信号传输,环境监测系统用于获取食品所处环境的信息,并将环境信息发送至数据分析系统中进行处理,对食品所处的外界环境进行分析。环境信息包括环境温度、湿度、光强和光照颜色等外界条件。图像检测系统和数据分析系统之间进行信号传输,图像检测系统用于获取食品的外观信息,并将外观信息发送至数据分析系统中进行处理,对食品的外观进行分析。拉曼光谱分析系统用于获取食品的成分信息,并将成分信息发送至数据分析通信进行处理,对食品组成成分进行分析。数据分析系统根据环境信息、外观信息和成分信息对食品的货架期进行预估。
具体地,本实施例中,环境检测系统主要包括温度检测传感器、湿度检测传感器、光强检测传感器、电路等设备,其中电路包括温度检测传感器的电路、湿度检测传感器的电路、光强检测传感器的电路以及环境检测系统与数据分析系统之间的通信电路等。图像检测系统包括摄像头、处理器、电路等设备,其中电路包括摄像头的电路、处理器的电路以及图像检测系统和数据分析系统之间的通信电路等。拉曼光谱分析系统包括光路传输结构、光谱仪等设备。
环境检测系统主要是各种环境因素的传感器,具体为温度传感器、湿度传感器、光强传感器及其相应信号传输电路,传感器将收集到的温度、湿度、光强变化量等数据传输给数据分析系统中。
拉曼光谱分析系统利用激光聚焦照射食品样品以及不透明样品检测样品表面,而透明样品可聚焦在食品样品的不同深度,然后收集聚焦点处的食品拉曼散射光信号。拉曼散射是光散射现象的一种,单色光束的入射光光子与分子相互作用时可发生弹性碰撞和非弹性碰撞,在弹性碰撞过程中,光子与分子间没有能量交换,光子只改变运动方向而不改变频率,这种散射过程称为瑞利散射。而在非弹性碰撞过程中,光子与分子之间发生能量交换,光子不仅仅改变运动方向,同时光子的一部分能量传递给分子,或者分子的振动和转动能量传递给光子,从而改变了光子的频率,这种即为拉曼散射。拉曼谱线的数目、位移值的大小和谱带的强度等都与物质分子的振动和转动有关,这些信息就反映了分子的构像及其所处的环境。通过分析拉曼峰位等信息判断食品样品中的化学组成成分,进而判断食品是否发生了化学反应,是否变质等。
综上所述,环境检测系统检测食品所处的实时外界环境因素,图像检测系统检测食品本身的外观是否发生变化,拉曼光谱分析系统检测食品组成成分、品质是否发生变化,综合三方面数据准确、智能地预估食品货架期。
图5为本发明提供的预估食品货架期的检测方法实施例的流程图。
请参考图5,该方法实施例用于实现食品货架期的预估,具体包括以下步骤:
S1.第一信息获取步骤
根据食品所处环境信息获取食品的第一预估信息。
S2.第二信息获取步骤
根据食品外观获取食品的第二预估信息,具体包括以下内容:获取食品从新鲜到变质期间的图像外观信息;通过深度学习模型对获取的图像外观信息进行训练,得到训练后的深度学习模型,将待检测食品的图像外观信息输入到训练后的深度学习模型中,得到待检测食品的第二预估信息。
图像检测系统也主要基于深度学习,包括利用摄像头拍摄样品图像,一直获取样品图像外观数据直到样品货架期结束,可获得食品样品从新鲜到变质的所有图像外观信息。收集此类信息,使用深度学习模型来进行训练,自动判断不同图像外观对应的食品品质。
S3.第三信息获取步骤
根据食品成分获取食品的第三预估信息,具体包括以下内容:获取食品从新鲜到变质期间的拉曼信息;通过深度学习模型对获取的拉曼信息进行训练,得到训练后的深度学习模型,将待检测食品的拉曼信息输入到训练后的深度学习模型中,得到待检测食品的第三预估信息。
拉曼光谱分析系统通过食品中化学成分,预估货架期长度,主要应用深度学习方法,过程分为两个阶段,第一阶段通过拉曼光谱分析系统对食品样品从新出厂到变质这段期间的拉曼信号采集,获取大量食品拉曼数据,将这部分数据作为训练数据,利用分类算法将不同食品品质条件下的样品拉曼数据分成不同的类,并确定每个类的范围,并且随着拉曼光谱分析实验次数增多,进行学习的样本就越完善,能够通过机器学习的方法分析出的结果也越准确。分类是指将不同时间段的食品拉曼数据根据不同食品的品质将拉曼数据分成保质期内食品的拉曼数据、接近保质期食品的拉曼数据以及过保质期食品的拉曼数据等。通过机器学习的方法筛选拉曼数据之间的不同,先通过样本学习强化筛选方法,随着样本数量的增多,可以分析新的拉曼数据判断其对应的食品品质位于哪个类中,即判断对应食品所处时间段,从而预估食品货架期。第二阶段利用经过训练后的深度学习模型检验新的食品样品拉曼结果,通过将该数据代入训练后模型,判断新的食品样品的货架期长度。甚至可以更进一步,在深度学习之前的数据训练中,准备保质期内不同天数的食品拉曼数据或者过保质期不同天数的食品拉曼数据进行学习,在后续判断时不仅可以判断是否在保质期内,还可以大致判断出天数。
S4.预估步骤
分配第一预估信息、第二预估信息和第三预估信息的权重比例;根据第一预估信息、第二预估信息和第三预估信息的权重比例计算得到第四预估信息。
数据分析系统基于化学动力学预测方法,理论基础为食品品质变化规律通常符合零级或一级反应。品质指标的变化可描述为:
式中Q代表t时刻品质指标值,k代表变化速率常数,n代表反应级数。建模过程为定期检测相关指标,选择零级或一级反应描述其变化规律,如果拟合效果良好,则可通过对试验数据的回归分析获得不同条件下的品质变化模型。最终数据分析系统综合三种检测数据,根据三种检测方式的检测精度及判断能力,给出相应的权重分配,并根据三者给出的食品货架期预估时间计算出最终的食品样品货架期预估时间。同时可以扩展根据该预测模型推测其他成分相近的食品货架期长度。
上述步骤中的深度学习流程如图6所示,首先将训练数据输入到选择的模型架构中,依次加载数据,判断误差范围是否在预定范围内,若误差在范围内则将误差传回并更新数据继续加载,若误差不在范围内,则对训练模型进行评估,之后检测是否遗漏模型,若存在遗漏模型,则重复加载数据判断误差评估训练模型的步骤,当所有模型都训练完后选用最佳模型。
对应地提供一种计算机可读存储介质实施例,计算机可读存储介质上存储有预估食品货架期的检测程序,预估食品货架期的检测程序可被一个或者多个处理器执行,以实现预估食品货架期的检测方法的步骤。处理器通常包括单片机,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。
综上所述,本发明以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (19)
1.一种预估食品货架期的检测装置,其特征在于,所述检测装置包括箱体、控制机构、环境检测机构、图像检测机构、拉曼光谱分析机构和环境控制机构;
所述箱体用于放置食品以及用于所述控制机构、环境检测机构、图像检测机构和拉曼光谱分析机构的安装和支撑;
所述环境检测机构用于获取食品所处环境信息;
所述图像检测机构用于获取食品外观信息;
所述拉曼光谱分析机构用于获取食品成分信息;
所述环境控制机构用于箱体内环境的控制;
所述控制机构用于根据所述环境信息、食品外观信息和食品成分信息对食品货架期进行预估。
2.根据权利要求1所述的一种预估食品货架期的检测装置,其特征在于,所述箱体包括存储区和设备区,所述存储区用于放置食品,所述设备区用于安装所述环境控制机构和与所述环境控制机构运行相关的电路。
3.根据权利要求2所述的一种预估食品货架期的检测装置,其特征在于,所述环境检测机构包括温度传感器、湿度传感器和光强传感器,所述温度传感器、湿度传感器和光强传感器设于所述存储区;所述温度传感器用于获取存储区的温度信息,所述温度传感器将获取的温度信息发送至所述控制机构;所述湿度传感器用于获取存储区的湿度信息,所述湿度传感器将获取的湿度信息发送至所述控制机构;所述光强传感器用于获取存储区的光强变化量,所述光强传感器将获取的光强变化量发送至所述控制机构。
4.根据权利要求2所述的一种预估食品货架期的检测装置,其特征在于,所述图像检测机构包括摄像头;所述摄像头设于所述存储区内,用于获取存储区中的图像信息,并将图像信息发送至所述控制机构,所述摄像头通过行走机构在所述存储区内移动或固定。
5.根据权利要求2所述的一种预估食品货架期的检测装置,其特征在于,所述存储区包括第一区域和第二区域,所述第一区域和第二区域通过保温隔热材料分隔;所述拉曼光谱分析机构设于所述第二区域,所述拉曼光谱分析机构用于获取所述第二区域的食品成分信息,并将食品成分信息发送至所述控制机构。
6.根据权利要求1或5所述的一种预估食品货架期的检测装置,其特征在于,所述拉曼光谱分析机构包括收集光路,所述收集光路中依次设有滤光片、二向色镜和透镜组。
7.根据权利要求2所述的一种预估食品货架期的检测装置,其特征在于,所述存储区内设有LED灯带,所述LED灯带与所述控制机构相连。
8.根据权利要求2所述的一种预估食品货架期的检测装置,其特征在于,所述存储区内设有通气孔。
9.根据权利要求2所述的一种预估食品货架期的检测装置,其特征在于,所述存储区内设有紫外灭菌灯。
10.根据权利要求2所述的一种预估食品货架期的检测装置,其特征在于,所述存储区包括门,所述门上设有观察窗口。
11.根据权利要求1所述的一种预估食品货架期的检测装置,其特征在于,所述箱体底部设有滑轮,所述滑轮用于移动所述箱体。
12.根据权利要求1或2所述的一种预估食品货架期的检测装置,其特征在于,所述环境控制机构包括温度控制机构、湿度控制机构和空气内循环机构,所述控制机构对所述温度控制机构、湿度控制机构和空气内循环机构进行控制。
13.一种预估食品货架期的检测系统,其特征在于,所述检测系统包括数据分析系统以及与数据分析系统相连的环境检测系统、图像检测系统、拉曼光谱分析系统;
所述环境检测系统用于获取食品所处环境信息;
所述图像检测系统用于获取食品外观信息;
所述拉曼光谱分析系统用于获取食品成分信息;
所述数据分析系统用于根据所述环境信息、所述食品外观信息和所述食品成分信息,对食品货架期进行预估。
14.根据权利要求13所述的一种预估食品货架期的检测系统,其特征在于,所述拉曼光谱分析系统包括光谱仪,所述光谱仪用于获取食品中化学成分的拉曼光谱数据并发送至所述数据分析系统。
15.一种预估食品货架期的检测方法,其特征在于,所述检测方法包括以下步骤:
第一信息获取步骤:根据食品所处环境信息,获取食品的第一预估信息;
第二信息获取步骤:根据食品外观,获取食品的第二预估信息;
第三信息获取步骤:根据食品成分,获取食品的第三预估信息;
预估步骤:根据所述第一预估信息、所述第二预估信息和所述第三预估信息,获取食品的第四预估信息。
16.根据权利要求15所述的一种预估食品货架期的检测方法,其特征在于,所述第二信息获取步骤具体包括以下步骤:
获取食品从新鲜到变质期间的图像外观信息;
通过深度学习模型对获取的图像外观信息进行训练,得到训练后的深度学习模型;
将待检测食品的图像外观信息输入到训练后的深度学习模型中,得到待检测食品的第二预估信息。
17.根据权利要求15所述的一种预估食品货架期的检测方法,其特征在于,所述第三信息获取步骤具体包括以下步骤:
获取食品从新鲜到变质期间的拉曼信息,所述拉曼信息为:不同品质阶段食品通过拉曼光谱分析法获得的拉曼光谱;
通过深度学习模型对获取的拉曼信息进行训练,得到训练后的深度学习模型;
将待检测食品的拉曼信息输入到训练后的深度学习模型中,得到待检测食品的第三预估信息。
18.根据权利要求15所述的一种预估食品货架期的检测方法,其特征在于,所述预估步骤具体包括以下步骤:
分配所述第一预估信息、所述第二预估信息和所述第三预估信息的权重比例;
根据所述第一预估信息、所述第二预估信息和所述第三预估信息的权重比例,计算得到第四预估信息。
19.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有预估食品货架期的检测程序,所述预估食品货架期的检测程序可被一个或者多个处理器执行,以实现如权利要求15-18中任一项所述的预估食品货架期的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111015301.8A CN113447084A (zh) | 2021-08-31 | 2021-08-31 | 预估食品货架期的检测装置、系统、方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111015301.8A CN113447084A (zh) | 2021-08-31 | 2021-08-31 | 预估食品货架期的检测装置、系统、方法和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113447084A true CN113447084A (zh) | 2021-09-28 |
Family
ID=77819351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111015301.8A Pending CN113447084A (zh) | 2021-08-31 | 2021-08-31 | 预估食品货架期的检测装置、系统、方法和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113447084A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962638A (zh) * | 2021-12-22 | 2022-01-21 | 广州骏天科技有限公司 | 一种智能折扣估计与智能推广方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251526A (zh) * | 2008-02-26 | 2008-08-27 | 浙江大学 | 食品综合品质无损检测方法与装置 |
CN202209835U (zh) * | 2011-07-29 | 2012-05-02 | 合肥美菱股份有限公司 | 智能保鲜冰箱 |
CN105651727A (zh) * | 2015-12-28 | 2016-06-08 | 中国计量学院 | 基于jade和elm的近红外光谱分析鉴别苹果货架期的方法 |
CN109816150A (zh) * | 2018-12-29 | 2019-05-28 | 中国农业大学 | 一种采后鲜食葡萄货架期预测方法及装置 |
CN110261342A (zh) * | 2019-06-11 | 2019-09-20 | 华东交通大学 | 水果货架期的监测装置及方法 |
CN110648069A (zh) * | 2019-09-26 | 2020-01-03 | 张信信 | 一种基于运输车的蔬菜质量分析系统 |
CN209911240U (zh) * | 2019-04-10 | 2020-01-07 | 北京农业信息技术研究中心 | 一种生鲜产品剩余货架期预测设备及系统 |
CN110675400A (zh) * | 2019-11-15 | 2020-01-10 | 石河子大学 | 一种基于手机app的羊肉品质指标快速智能检测方法 |
CN111442592A (zh) * | 2020-04-08 | 2020-07-24 | 陈树贤 | 一种基于大数据的蔬菜存放智能管理系统 |
US20210192369A1 (en) * | 2019-11-08 | 2021-06-24 | South China Botanical Garden, Chinese Academy Of Sciences | Method for predicting shelf life and quality of fruits or vegetables |
-
2021
- 2021-08-31 CN CN202111015301.8A patent/CN113447084A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251526A (zh) * | 2008-02-26 | 2008-08-27 | 浙江大学 | 食品综合品质无损检测方法与装置 |
CN202209835U (zh) * | 2011-07-29 | 2012-05-02 | 合肥美菱股份有限公司 | 智能保鲜冰箱 |
CN105651727A (zh) * | 2015-12-28 | 2016-06-08 | 中国计量学院 | 基于jade和elm的近红外光谱分析鉴别苹果货架期的方法 |
CN109816150A (zh) * | 2018-12-29 | 2019-05-28 | 中国农业大学 | 一种采后鲜食葡萄货架期预测方法及装置 |
CN209911240U (zh) * | 2019-04-10 | 2020-01-07 | 北京农业信息技术研究中心 | 一种生鲜产品剩余货架期预测设备及系统 |
CN110261342A (zh) * | 2019-06-11 | 2019-09-20 | 华东交通大学 | 水果货架期的监测装置及方法 |
CN110648069A (zh) * | 2019-09-26 | 2020-01-03 | 张信信 | 一种基于运输车的蔬菜质量分析系统 |
US20210192369A1 (en) * | 2019-11-08 | 2021-06-24 | South China Botanical Garden, Chinese Academy Of Sciences | Method for predicting shelf life and quality of fruits or vegetables |
CN110675400A (zh) * | 2019-11-15 | 2020-01-10 | 石河子大学 | 一种基于手机app的羊肉品质指标快速智能检测方法 |
CN111442592A (zh) * | 2020-04-08 | 2020-07-24 | 陈树贤 | 一种基于大数据的蔬菜存放智能管理系统 |
Non-Patent Citations (2)
Title |
---|
刘婧等: "猕猴桃货架期间品质动力学及寿命预测模型", 《包装工程》 * |
陈晓宇等: "食品货架期预测研究进展与趋势", 《农业机械学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962638A (zh) * | 2021-12-22 | 2022-01-21 | 广州骏天科技有限公司 | 一种智能折扣估计与智能推广方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2607086C (en) | System for rapid analysis of microbiological materials in liquid samples | |
US8373861B2 (en) | System for rapid analysis of microbiological materials in liquid samples | |
CN112074725B (zh) | 基于精确比色法的检测试纸读取器系统 | |
US9225915B2 (en) | Calibration and quantification method for gas imaging camera | |
KR101342625B1 (ko) | 분광 광도계 분석 장치 및 방법 | |
US7967968B2 (en) | Method and system for monitoring material separation process such as electrophoresis process in a sample | |
CN113447084A (zh) | 预估食品货架期的检测装置、系统、方法和存储介质 | |
US8946618B2 (en) | System for detecting one or more predetermined optically derivable characteristics of a sample | |
DE102018103509B3 (de) | Mobiles Inhaltsstoffanalysesystem sowie Verfahren zur probenrichtigen Messung und Nutzerführung mit diesem | |
JP2009122083A (ja) | 近赤外ledを使用した計量器 | |
CN108535199A (zh) | 一种户外多尺度枣园高光谱偏振探测方法 | |
US20210102889A1 (en) | Apparatus and method for performing calibration of a dissolved gas analysis system using optical absorption spectroscopy and use thereof in an apparatus and method for performing dissolved gas analysis (dga) on a piece of electrical equipment | |
US20050279924A1 (en) | Method and a spectrometer for quantitative determination of a constituent in a sample | |
CN111220796A (zh) | 模拟现场环境的混凝土凝结时间自动测定装置及其使用方法 | |
JP7150373B2 (ja) | 可視近赤外分光分析装置及び可視近赤外分光分析方法 | |
CN102428358B (zh) | 用于复杂介质的流变学表征方法 | |
JP4068256B2 (ja) | フーリエ変換ラマン分光測定による樹木組織構造の定量方法、定量装置及びコンピュータ読取り可能な記録媒体 | |
KR100643816B1 (ko) | 색 측정 장치 | |
CN110456010A (zh) | 一种无损快速检测鸡蛋新鲜度的方法 | |
CN207798674U (zh) | 用于漫反射光在农产品中辐射深度的测量系统 | |
JP2012122680A (ja) | 冷却管理装置および方法 | |
JPH0843299A (ja) | 成分分析計の光学的測定装置 | |
US20150260644A1 (en) | Foodstuff analysis device | |
RU2819131C1 (ru) | Мобильный съемный комплекс и способ для автоматического определения наличия гемолиза и/или хилеза в образцах крови | |
CN107290378A (zh) | 基于x荧光快速判断物料掺假的方法及其系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210928 |
|
RJ01 | Rejection of invention patent application after publication |