CN115758888A - 一种基于多机器学习算法融合的农产品安全风险评估方法 - Google Patents
一种基于多机器学习算法融合的农产品安全风险评估方法 Download PDFInfo
- Publication number
- CN115758888A CN115758888A CN202211462377.XA CN202211462377A CN115758888A CN 115758888 A CN115758888 A CN 115758888A CN 202211462377 A CN202211462377 A CN 202211462377A CN 115758888 A CN115758888 A CN 115758888A
- Authority
- CN
- China
- Prior art keywords
- detection result
- agricultural product
- content
- determining
- detection
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 113
- 238000010801 machine learning Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012502 risk assessment Methods 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims description 397
- 239000000126 substance Substances 0.000 claims description 74
- 239000000654 additive Substances 0.000 claims description 64
- 230000000996 additive effect Effects 0.000 claims description 60
- 239000003344 environmental pollutant Substances 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 51
- 239000000447 pesticide residue Substances 0.000 claims description 43
- 231100000719 pollutant Toxicity 0.000 claims description 27
- 238000011109 contamination Methods 0.000 claims description 14
- 238000003912 environmental pollution Methods 0.000 claims description 12
- 239000002131 composite material Substances 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 208000034809 Product contamination Diseases 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 235000013601 eggs Nutrition 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Abstract
本申请公开了一种基于多机器学习算法融合的农产品安全风险评估方法，该方法通过多种机器学习算法的融合，不同的机器学习算法被配置为基于不同的输入数据获得对应的检测结果，进而，结合多个检测结果，获得最终的农产品质量检测结果，实现农产品安全风险的准确且有效的评估。当应用于鸡蛋产品行业时，能够从不同的维度对鸡蛋的质量实现更准确且更科学的评估。因此，该技术方案能够实现农产品安全风险的准确、有效且科学的评估，从而保证农产品的质量，保证农产品的使用以及食用的安全性和可靠性。
Description
技术领域
本申请是关于农产品检测技术领域，特别是关于一种基于多机器学习算法融合的农产品安全风险评估方法。
背景技术
随着智能农业化的发展，农产品的生产也向着智能化的方向发展。例如，鸡蛋产业逐渐引入的智能化生产，但是，由于智能化生产，可能会导致农产品（例如鸡蛋）出现各种安全风险，这些安全风险如果不及时检测和处理，可能会影响农产品的质量，进而导致更多的由于农产品质量带来的问题。
相关技术中，仅考虑到对智能农产品的生产过程的监测，而没有考虑到对智能农产品进行安全风险评估，例如：评估生产问题、环境问题、质量问题等，从而无可避免农产品的使用以及食用风险。
发明内容
本申请的目的在于提供一种多机器学习算法融合的农产品安全风险评估方法，其能够准确且有效的实现农产品的安全风险评估，从而保证农产品的使用和食用的可靠性和安全性。
为实现上述目的，本申请的实施例提供了一种基于多机器学习算法融合的农产品安全风险评估方法，包括：根据农产品检测数据和第一检测模型确定第一检测结果；所述第一检测模型为基于第一机器学习算法的模型，所述第一检测结果中包括：农药残留检测结果和化学添加剂检测结果；根据所述农产品检测数据和第二检测模型确定第二检测结果；所述第二检测模型为基于第二机器学习算法的模型，所述第二检测结果中包括：农产品污染检测结果；根据农产品环境检测数据和第三检测模型确定第三检测结果；所述第三检测模型为基于第三机器学习算法的模型，所述第三检测结果中包括：农产品环境污染检测结果；基于所述第一检测结果、所述第二检测结果和所述第三检测结果确定农产品质量检测结果；其中，所述第一机器学习算法和/或所述第二机器学习算法为监督学习算法，所述第三机器学习算法为非监督学习算法。
在一种可能的实施方式中，所述基于所述第一检测结果、所述第二检测结果和所述第三检测结果确定农产品质量检测结果，包括：根据所述第二检测结果、所述第三检测结果和第四检测模型确定第四检测结果；所述第四检测结果包括：综合污染检测结果；所述第四检测模型为基于第一机器学习算法、第二机器学习算法以及第三机器学习算法中的任意一种机器学习算法的模型；根据所述第一检测结果和所述第四检测结果确定所述农产品质量检测结果。
在一种可能的实施方式中，所述农产品污染检测结果中包括农产品污染物含量和第一污染范围，所述农产品环境污染检测结果包括农产品环境污染物含量和第二污染范围；所述根据所述第二检测结果、所述第三检测结果和第四检测模型确定第四检测结果，包括：判断所述农产品污染物含量和所述农产品环境污染物含量之间的差值绝对值是否在预设差值绝对值内；若是，则比较所述第一污染范围和所述第二污染范围的范围大小；基于比较结果，根据所述第二检测结果、所述第三检测结果和所述第四检测模型确定第四检测结果。
在一种可能的实施方式中，所述根据比较结果、所述第二检测结果、所述第三检测结果和所述第四检测模型确定第四检测结果，包括：若所述第一污染范围大于所述第二污染范围，根据所述农产品污染物含量、所述农产品环境污染物含量和所述第四检测模型确定第四检测结果；若所述第一污染范围小于所述第二污染范围，根据预设增益和所述农产品环境污染物含量确定调整的农产品环境污染物含量；根据所述农产品污染物含量、所述调整的农产品环境污染物含量和所述第四检测模型确定第四检测结果。
在一种可能的实施方式中，所述基于多机器学习算法融合的农产品安全风险评估方法还包括：若否，则根据第一预设增益和所述农产品污染含量确定调整的农产品污染含量；以及根据第二预设增益和所述农产品环境污染物含量确定调整的农产品环境污染物含量；根据所述调整的农产品污染物含量、所述调整的农产品环境污染物含量和所述第四检测模型确定第四检测结果。
在一种可能的实施方式中，所述农药残留检测结果中包括农药残留含量，所述化学添加剂检测结果中包括化学添加剂含量和化学添加剂类别，所述综合污染检测结果包括：综合污染类别和综合污染等级，所述根据所述第一检测结果和所述第四检测结果确定所述农产品质量检测结果，包括：判断所述农药残留含量与所述化学添加剂含量的和是否小于预设含量；若是，则确定所述化学添加剂类别和所述综合污染类别是否符合预设的类别关系；若符合预设的类别关系，根据所述综合污染等级确定所述农产品质量检测结果；若不符合预设的类别关系，根据所述农药残留含量和所述化学添加剂含量的和、所述综合污染等级确定农产品质量检测结果。
在一种可能的实施方式中，所述根据所述农药残留含量与所述化学添加剂含量的和、所述综合污染等级确定农产品质量检测结果，包括：确定所述农药残留含量与所述化学添加剂含量的和对应的含量等级；根据所述含量等级和所述综合污染等级确定农产品质量等级；根据所述农产品质量等级确定农产品质量检测结果。
在一种可能的实施方式中，所述基于多机器学习算法融合的农产品安全风险评估方法还包括：若否，确定所述农药残留含量对应的第一含量等级；确定所述化学添加剂含量对应的第二含量等级；确定所述农药残留含量与所述化学添加剂含量的和对应的第三含量等级；确定所述化学添加剂类别对应的化学污染等级；根据所述第一含量等级、所述第二含量等级、所述第三含量等级、所述化学污染等级和所述综合污染等级确定农产品质量等级；根据所述农产品质量等级确定农产品质量检测结果。
在一种可能的实施方式中，所述基于多机器学习算法融合的农产品安全风险评估方法还包括：基于所述第一检测结果、所述第二检测结果、所述第三检测结果和所述农产品质量检测结果生成训练样本；将所述训练样本加入预设的训练样本集中；响应于检测到所述预设的训练样本集中的训练样本数量达到预设数量，基于所述预设的训练样本集对初始的农产品质量检测模型进行训练，获得训练好的农产品质量检测模型。
在一种可能的实施方式中，所述基于多机器学习算法融合的农产品安全风险评估方法还包括：将所述第一检测模型、所述第二检测模型、所述第三检测模型和所述农产品质量检测模型进行整合，获得综合检测模型；所述综合检测模型用于基于农产品检测数据和农产品环境检测数据确定农产品质量检测结果。
本申请的实施例提供了一种基于多机器学习算法融合的农产品安全风险评估装置，包括：用于实现前述的多机器学习算法融合的农产品安全风险评估方法以及对应的一个或者多个实施方式的各个功能模块。
本申请的实施例还提供一种电子设备，包括：处理器和存储器，所述处理器和所述存储器通信连接；其中，所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，以使所述处理器能够执行上述的任意一种实施方式中所述的基于多机器学习算法融合的农产品安全风险评估方法。
本申请的实施例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计算机程序，所述计算机程序被计算机运行时，执行上述的任意一种实施方式中所述的基于多机器学习算法融合的农产品安全风险评估方法。
与现有技术相比，根据本申请实施方式的基于多机器学习算法融合的农产品安全风险评估方法、装置、计算机可读存储介质和电子设备，通过多种机器学习算法的融合，不同的机器学习算法被配置为基于不同的输入数据获得对应的检测结果，进而，结合多个检测结果，获得最终的农产品质量检测结果，实现农产品安全风险的准确且有效的评估。并且，多个检测结果中，包括：农药残留检测结果、化学添加剂检测结果、农产品污染检测结果和农产品环境污染检测结果，从不同的维度对农产品的质量实现更准确且更科学的评估。因此，该技术方案能够实现农产品安全风险的准确、有效且科学的评估，从而保证农产品的质量，保证农产品的使用以及食用的安全性和可靠性。
附图说明
图1是根据本申请一实施方式的基于多机器学习算法融合的农产品安全风险评估方法的流程图；
图2是根据本申请一实施方式的基于多机器学习算法融合的农产品安全风险评估装置的结构示意图；
图3是根据本申请一实施方式的电子设备的结构示意图。
具体实施方式
下面结合附图，对本申请的具体实施方式进行详细描述，但应当理解本申请的保护范围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
本申请实施例提供的技术方案可以应用于各种需要对农产品进行安全风险评估的应用场景中，其中，农产品可以是智慧农业场景中的农产品，或者其他农业场景中的农产品，只要保证能够获取到农产品的相关检测数据即可。
应用场景例如：农产品种植机构对农产品的安全风险进行监控，所以需要对农产品进行安全风险评估。农产品销售机构需要检测农产品的安全风险，所以需要对农产品进行安全风险评估。农产品使用机构需要保证农产品的安全风险，所以需要对农产品进行安全风险评估。
因此，本申请实施例提供的技术方案，可以应用于各个具有农产品安全风险评估需求的机构或者单位等。对应的，该技术方案的硬件实施环境可以是，这些机构或者单位的服务器、客户端、浏览器等单一或者组合的硬件形式，在此不作限定。
基于上述应用场景的介绍，接下来请参照图1，为本申请实施例提供的基于多机器学习算法融合的农产品安全风险评估方法的流程图，该方法包括：
步骤101，根据农产品检测数据和第一检测模型确定第一检测结果。
其中，第一检测模型为基于第一机器学习算法的模型，第一检测结果中包括：农药残留检测结果和化学添加剂检测结果。
在本申请实施例中，农产品检测数据可以是来自外部的检测数据，例如：通过专用的农产品检测设备或者检测仪检测到的数据，该检测数据可以检测农产品的成分、各成分的含量以及其他农产品的相关信息。
在一些实施例中，农药残留结果用于表征农产品中的农药残留情况，还可以表征农药残留类别等。
在一些实施例中，化学添加剂检测结果用于表征农产品中包含的化学添加剂情况，例如：化学添加剂类别和化学添加剂含量等。
步骤102，根据农产品检测数据和第二检测模型确定第二检测结果。
其中，第二检测模型为基于第二机器学习算法的模型，第二检测结果中包括：农产品污染检测结果。
在一些实施例中，农产品污染检测结果用于表征农产品上的污染情况。
步骤103，根据农产品环境检测数据和第三检测模型确定第三检测结果。
其中，第三检测模型为基于第三机器学习算法的模型，第三检测结果中包括：农产品环境污染检测结果。
在一些实施例中，农产品环境检测数据可以是来自外部的检测数据，例如：通过专用的农产品环境检测设备或者检测仪检测到的数据，该检测数据可以检测农产品环境的成分、各成分的含量以及其他农产品环境的相关信息。
在本申请实施例中，机器学习算法分为两大类，一类是监督学习算法，另一类是非监督学习算法。
监督学习算法 (Supervised Algorithms）：在监督学习训练过程中，可以由训练数据集学到或建立一个模式（函数/learning model），并依此模式推测新的实例。该算法要求特定的输入/输出，首先需要决定使用哪种数据作为范例。例如，文字识别应用中一个手写的字符，或一行手写文字。主要算法包括神经网络、支持向量机、最近邻居法、朴素贝叶斯法、决策树等。
无监督学习算法 (Unsupervised Algorithms)：这类算法没有特定的目标输出，算法将数据集分为不同的组。
在一些实施例中，第一机器学习算法和/或第二机器学习算法为监督学习算法，第三机器学习算法为非监督学习算法。
在一些实施例中，不管是哪种机器学习算法，对于对应的检测模型来说，采用该机器学习算法对应的模型训练方式对检测模型进行训练，训练好的检测模型即可用于对应数据的检测。
例如，针对第一检测模型，可基于由农产品检测数据构成的训练数据集进行训练；针对第二检测模型，也可以基于由农产品检测数据构成的训练数据集进行训练；针对第三检测模型，可基于由农产品环境检测数据构成的训练数据集进行训练；并且，在训练数据集中，还标注有各个农产品检测数据对应的检测结果，或者农产品环境检测数据对应的检测结果。
在一些实施例中，在第一检测模型、第二检测模型以及第三检测模型训练的过程中，还可以利用一些可以提高模型精度的实施方式，保证最终训练好的模型的精度。例如：预设训练次数，进行多次迭代训练；预设测试数据集，基于测试数据集的测试结果，不断优化模型等，在此不作限定。
在一些实施例中，第一机器学习算法、第二机器学习算法以及第三机器学习算法可以是例如：线性回归算法；支持向量机算法 ；最近邻居/k-近邻算法；逻辑回归算法；决策树算法；k-平均算法；随机森林算法；朴素贝叶斯算法；降维算法；梯度增强算法等，在此不作限定。
步骤104，基于第一检测结果、第二检测结果和第三检测结果确定农产品质量检测结果。
在该步骤中，通过对三个检测结果进行整合，可得到最终的农产品质量检测结果。
基于多种机器学习算法，在本申请实施例中，可采用不同的检测结果整合方式，接下来对这些实施方式进行介绍。
作为一种可选的实施方式，步骤104包括：根据第二检测结果、第三检测结果和第四检测模型确定第四检测结果；第四检测结果包括：综合污染检测结果；第四检测模型为基于第一机器学习算法、第二机器学习算法以及第三机器学习算法中的任意一种机器学习算法的模型；根据第一检测结果和第四检测结果确定农产品质量检测结果。
在这种实施方式中，由于第二检测结果和第三检测结果分别为不同维度的污染情况，所以，可以先对第二检测结果和第三检测结果进行整合，再利用整合后的综合污染检测结果和第一检测结果确定农产品质量检测结果。
以及，用于对第二检测结果和第三检测结果进行整合的第四检测模型，可采用第一机器学习算法、第二机器学习算法和第三机器学习算法中的任意一种机器学习算法。
在一些实施例中，在对第四检测模型进行训练时，可以将农产品污染检测结果和农产品环境污染检测结果作为训练数据集。以及，第四检测模型的训练实施方式可参照其他的检测模型的训练实施方式，在此不作重复介绍。
作为一种可选的实施方式，农产品污染检测结果中包括农产品污染物含量和第一污染范围，农产品环境污染检测结果包括农产品环境污染物含量和第二污染范围；根据第二检测结果、第三检测结果和第四检测模型确定第四检测结果，包括：判断农产品污染物含量和农产品环境污染物含量之间的差值绝对值是否在预设差值绝对值内；若是，则比较第一污染范围和第二污染范围的范围大小；基于比较结果，根据第二检测结果、第三检测结果和第四检测模型确定第四检测结果。
在一些实施例中，根据比较结果、第二检测结果、第三检测结果和第四检测模型确定第四检测结果，包括：若第一污染范围大于第二污染范围，根据农产品污染物含量、农产品环境污染物含量和第四检测模型确定第四检测结果；若第一污染范围小于所述第二污染范围，根据预设增益和农产品环境污染物含量确定调整的农产品环境污染物含量；根据农产品污染物含量、调整的农产品环境污染物含量和第四检测模型确定第四检测结果。
在一些实施例中，将农产品污染物含量和农产品环境污染物含量输入到第四检测模型中，第四检测模型即可输出第四检测结果。
在一些实施例中，预设增益可结合不同的应用场景进行设置，设置依据可以是农产品环境污染物检测设备的检测误差等。
在一些实施例中，将农产品污染物含量和调整的农产品环境污染物含量输入到第四检测模型中，第四检测模型即可输出第四检测结果。
作为另一种可选的实施方式，该方法还包括：若否，则根据第一预设增益和农产品污染含量确定调整的农产品污染含量；以及根据第二预设增益和农产品环境污染物含量确定调整的农产品环境污染物含量；根据调整的农产品污染物含量、调整的农产品环境污染物含量和第四检测模型确定第四检测结果。
在一些实施例中，第一预设增益可结合不同的应用场景进行设置，设置依据可以是农产品检测设备的检测误差；以及第二预设增益可结合不同的应用场景进行设置，设置依据可以是农产品环境检测设备的检测误差。
在一些实施例中，将调整的农产品污染物含量和调整的农产品环境污染物含量输入第四检测模型中，可获得第四检测模型输出的第四检测结果。
进一步地，在第四检测结果中，包括用于表征综合污染情况的综合污染检测结果。
作为一种可选的实施方式，农药残留检测结果中包括农药残留含量，化学添加剂检测结果中包括化学添加剂含量和化学添加剂类别，综合污染检测结果包括：综合污染类别和综合污染等级。
从而，根据第一检测结果和第四检测结果确定农产品质量检测结果，包括：判断农药残留含量与化学添加剂含量的和是否小于预设含量；若是，则确定化学添加剂类别和综合污染类别是否符合预设的类别关系；若符合预设的类别关系，根据综合污染等级确定农产品质量检测结果；若不符合预设的类别关系，根据农药残留含量和化学添加剂含量的和、综合污染等级确定农产品质量检测结果。
在一些实施例中，综合污染类别可以结合不同的应用场景，有不同的实施方式，例如：重金属污染、化学污染、生物污染等。综合污染等级，也可以结合不同的应用场景进行配置，例如：重度污染、中度污染、轻度污染等。
在一些实施例中，化学添加剂类别也可以结合不同的应用场景进行配置，例如：金属类化学添加剂、氧化物类化学添加剂等。
在一些实施例中，预设含量可以结合不同的应用场景进行配置，在此不对值作限定。
在一些实施例中，预设的类别关系可以包括：多个化学添加剂类别和综合污染类别之间的对应关系，例如：化学添加剂类别A与综合污染类别A对应，化学添加剂类别B与综合污染类别B对应等。其中，一个化学添加剂类别可以对应多个综合污染类别，同样的，一个综合污染类别也可以对应多个化学添加剂类别，在此不作限定。
在一些实施例中，预设不同的综合污染等级对应的农产品质量检测结果，在确定综合污染等级之后，结合预设的对应关系，可确定对应的农产品质量检测结果。
在一些实施例中，对农药残留含量、化学添加剂含量的和进行加权平均，或者加权求和，得到加权含量值；然后利用该加权含量值对综合污染等级进行调整，从而基于调整的综合污染等级确定农产品质量检测结果。其中，预设不同的加权含量值对应的综合污染等级调整方式，在确定加权含量值之后，基于预设的对应关系可对综合污染等级进行调整。
在另一些实施例中，根据农药残留含量与化学添加剂含量的和、综合污染等级确定农产品质量检测结果，包括：确定农药残留含量与化学添加剂含量的和对应的含量等级；根据含量等级和综合污染等级确定农产品质量等级；根据农产品质量等级确定农产品质量检测结果。
在这种实施方式中，基于不同的含量，预设对应的含量等级，在确定含量之后，基于该对应关系可确定对应的含量等级。从而，基于含量等级和综合污染等级，进行加权平均或者加权求和，可获得农产品质量等级。进而，基于农产品质量等级确定农产品质量检测结果。
在一些实施例中，农产品质量检测结果为农产品质量等级；在另一些实施例中，农产品质量检测结果包括农产品质量等级和农产品质量等级对应的质量分析结果。在一些实施例中，可以预设不同的农产品质量等级对应的质量分析结果，在确定农产品质量等级之后，基于该对应关系可确定对应的质量分析结果。
在一些实施例中，该方法还包括：若否，确定农药残留含量对应的第一含量等级；确定化学添加剂含量对应的第二含量等级；确定农药残留含量与化学添加剂含量的和对应的第三含量等级；确定化学添加剂类别对应的化学污染等级；根据第一含量等级、第二含量等级、第三含量等级、化学污染等级和综合污染等级确定农产品质量等级；根据农产品质量等级确定农产品质量检测结果。
在这种实施方式中，针对农药残留含量、化学添加剂含量以及农药残留含量与化学添加剂含量的和均可以预设对应的含量等级，在确定实际的含量值之后，根据预设对应关系可确定对应的含量等级，从而确定第一含量等级、第二含量等级和第三含量等级。
在确定第一含量等级、第二含量等级和第三含量等级之后，可将其与化学污染等级和综合污染等级进行整合，将整合的等级确定为农产品质量等级。
在一些实施例中，整合方式包括但不限于：加权平均、加权求和等。
进而，基于农产品质量等级，参照前述实施例的实施方式，可确定对应的农产品质量检测结果。
在一些实施例中，农产品质量检测结果中，还可以包括农产品安全风险等级，该农产品安全风险等级与农产品质量等级之间可具有对应关系。通常来说，农产品质量越高，农产品安全风险越低。
作为一种可选的实施方式，该方法还包括：基于第一检测结果、第二检测结果、第三检测结果和农产品质量检测结果生成训练样本；将训练样本加入预设的训练样本集中；响应于检测到预设的训练样本集中的训练样本数量达到预设数量，基于预设的训练样本集对初始的农产品质量检测模型进行训练，获得训练好的农产品质量检测模型。
在这种实施方式中，在基于第一检测结果、第二检测结果、第三检测结果确定农产品质量检测结果之后，还可以将第一检测结果、第二检测结果、第三检测结果和农产品质量检测结果作为训练样本，将其加入到训练样本集中。
当训练样本集中的样本数量足够之后，可利用训练样本集直接训练农产品质量检测模型，以使训练好的农产品质量检测模型可直接用于农产品质量的检测。
进一步地，作为一种可选的实施方式，该方法还包括：将第一检测模型、第二检测模型、第三检测模型和农产品质量检测模型进行整合，获得综合检测模型；综合检测模型用于基于农产品检测数据和农产品环境检测数据确定农产品质量检测结果。
在一些实施例中，利用输入数据和输出数据之间的相应关系进行整合即可。例如：第一检测模型、第二检测模型和第三检测模型的输出均连接到农产品质量检测模型的输入。
从而，综合检测模型可直接基于农产品检测数据和农产品环境检测数据确定农产品质量检测结果。
与现有技术相比，本申请实施例通过多种机器学习算法的融合，不同的机器学习算法被配置为基于不同的输入数据获得对应的检测结果，进而，结合多个检测结果，获得最终的农产品质量检测结果，实现农产品安全风险的准确且有效的评估。并且，多个检测结果中，包括：农药残留检测结果、化学添加剂检测结果、农产品污染检测结果和农产品环境污染检测结果，从不同的维度对农产品的质量实现更准确且更科学的评估。因此，该技术方案能够实现农产品安全风险的准确、有效且科学的评估，从而保证农产品的质量，保证农产品的使用以及食用的安全性和可靠性。
请参照图2，本申请实施例还提供一种基于多机器学习算法融合的农产品安全风险评估装置，包括：
第一确定模块201，用于根据农产品检测数据和第一检测模型确定第一检测结果；所述第一检测模型为基于第一机器学习算法的模型，所述第一检测结果中包括：农药残留检测结果和化学添加剂检测结果。
第二确定模块202，用于根据所述农产品检测数据和第二检测模型确定第二检测结果；所述第二检测模型为基于第二机器学习算法的模型，所述第二检测结果中包括：农产品污染检测结果。
第三确定模块203，用于根据农产品环境检测数据和第三检测模型确定第三检测结果；所述第三检测模型为基于第三机器学习算法的模型，所述第三检测结果中包括：农产品环境污染检测结果。
第四确定模块204，用于基于所述第一检测结果、所述第二检测结果和所述第三检测结果确定农产品质量检测结果；其中，所述第一机器学习算法和/或所述第二机器学习算法为监督学习算法，所述第三机器学习算法为非监督学习算法。
在一些实施例中，第四确定模块204进一步用于：根据所述第二检测结果、所述第三检测结果和第四检测模型确定第四检测结果；所述第四检测结果包括：综合污染检测结果；所述第四检测模型为基于第一机器学习算法、第二机器学习算法以及第三机器学习算法中的任意一种机器学习算法的模型；根据所述第一检测结果和所述第四检测结果确定所述农产品质量检测结果。
在一些实施例中，所述农产品污染检测结果中包括农产品污染物含量和第一污染范围，第四确定模块204进一步用于：判断所述农产品污染物含量和所述农产品环境污染物含量之间的差值绝对值是否在预设差值绝对值内；若是，则比较所述第一污染范围和所述第二污染范围的范围大小；基于比较结果，根据所述第二检测结果、所述第三检测结果和所述第四检测模型确定第四检测结果。
在一些实施例中，第四确定模块204进一步用于：若所述第一污染范围大于所述第二污染范围，根据所述农产品污染物含量、所述农产品环境污染物含量和所述第四检测模型确定第四检测结果；若所述第一污染范围小于所述第二污染范围，根据预设增益和所述农产品环境污染物含量确定调整的农产品环境污染物含量；根据所述农产品污染物含量、所述调整的农产品环境污染物含量和所述第四检测模型确定第四检测结果。
在一些实施例中，第四确定模块204还用于：若否，则根据第一预设增益和所述农产品污染含量确定调整的农产品污染含量；以及根据第二预设增益和所述农产品环境污染物含量确定调整的农产品环境污染物含量；根据所述调整的农产品污染物含量、所述调整的农产品环境污染物含量和所述第四检测模型确定第四检测结果。
在一些实施例中，所述农药残留检测结果中包括农药残留含量，所述化学添加剂检测结果中包括化学添加剂含量和化学添加剂类别，所述综合污染检测结果包括：综合污染类别和综合污染等级，第四确定模块204进一步用于：判断所述农药残留含量与所述化学添加剂含量的和是否小于预设含量；若是，则确定所述化学添加剂类别和所述综合污染类别是否符合预设的类别关系；若符合预设的类别关系，根据所述综合污染等级确定所述农产品质量检测结果；若不符合预设的类别关系，根据所述农药残留含量和所述化学添加剂含量的和、所述综合污染等级确定农产品质量检测结果。
在一些实施例中，第四确定模块204进一步用于：确定所述农药残留含量与所述化学添加剂含量的和对应的含量等级；根据所述含量等级和所述综合污染等级确定农产品质量等级；根据所述农产品质量等级确定农产品质量检测结果。
在一些实施例中，第四确定模块204还用于：若否，确定所述农药残留含量对应的第一含量等级；确定所述化学添加剂含量对应的第二含量等级；确定所述农药残留含量与所述化学添加剂含量的和对应的第三含量等级；确定所述化学添加剂类别对应的化学污染等级；根据所述第一含量等级、所述第二含量等级、所述第三含量等级、所述化学污染等级和所述综合污染等级确定农产品质量等级；根据所述农产品质量等级确定农产品质量检测结果。
在一些实施例中，该装置还包括：训练模块，用于基于所述第一检测结果、所述第二检测结果、所述第三检测结果和所述农产品质量检测结果生成训练样本；将所述训练样本加入预设的训练样本集中；响应于检测到所述预设的训练样本集中的训练样本数量达到预设数量，基于所述预设的训练样本集对初始的农产品质量检测模型进行训练，获得训练好的农产品质量检测模型。
在一些实施例中，训练模块还用于：将所述第一检测模型、所述第二检测模型、所述第三检测模型和所述农产品质量检测模型进行整合，获得综合检测模型；所述综合检测模型用于基于农产品检测数据和农产品环境检测数据确定农产品质量检测结果。
可以理解，该装置与前述的方法对应，因此，各个功能模块的实施方式参照前述实施例，在此不作重复介绍。
请参照图3，本申请实施例还提供一种电子设备，包括：处理器301和存储器302，处理器301和存储器302通信连接。该电子设备可作为前述的基于多机器学习算法融合的农产品安全风险评估方法的执行主体。
其中，存储器302中存储有可被处理器301执行的指令，所述指令被处理器301执行，以使处理器301能够执行前述实施例中所述的基于多机器学习算法融合的农产品安全风险评估方法。
在一些实施例中，处理器301和存储器302之间通过通信总线实现通信连接。
可以理解，电子设备还可以包括更多所需的通用模块，在本申请实施例不作一一介绍。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
前述对本申请的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本申请限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本申请的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本申请的各种不同的示例性实施方案以及各种不同的选择和改变。本申请的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种基于多机器学习算法融合的农产品安全风险评估方法，其特征在于，包括：
根据农产品检测数据和第一检测模型确定第一检测结果；所述第一检测模型为基于第一机器学习算法的模型，所述第一检测结果中包括：农药残留检测结果和化学添加剂检测结果；
根据所述农产品检测数据和第二检测模型确定第二检测结果；所述第二检测模型为基于第二机器学习算法的模型，所述第二检测结果中包括：农产品污染检测结果；
根据农产品环境检测数据和第三检测模型确定第三检测结果；所述第三检测模型为基于第三机器学习算法的模型，所述第三检测结果中包括：农产品环境污染检测结果；
基于所述第一检测结果、所述第二检测结果和所述第三检测结果确定农产品质量检测结果；
其中，所述第一机器学习算法和/或所述第二机器学习算法为监督学习算法，所述第三机器学习算法为非监督学习算法。
2.根据权利要求1所述的基于多机器学习算法融合的农产品安全风险评估方法，其特征在于，所述基于所述第一检测结果、所述第二检测结果和所述第三检测结果确定农产品质量检测结果，包括：
根据所述第二检测结果、所述第三检测结果和第四检测模型确定第四检测结果；所述第四检测结果包括：综合污染检测结果；所述第四检测模型为基于第一机器学习算法、第二机器学习算法以及第三机器学习算法中的任意一种机器学习算法的模型；
根据所述第一检测结果和所述第四检测结果确定所述农产品质量检测结果。
3.根据权利要求2所述的基于多机器学习算法融合的农产品安全风险评估方法，其特征在于，所述农产品污染检测结果中包括农产品污染物含量和第一污染范围，所述农产品环境污染检测结果包括农产品环境污染物含量和第二污染范围；所述根据所述第二检测结果、所述第三检测结果和第四检测模型确定第四检测结果，包括：
判断所述农产品污染物含量和所述农产品环境污染物含量之间的差值绝对值是否在预设差值绝对值内；
若是，则比较所述第一污染范围和所述第二污染范围的范围大小；基于比较结果，根据所述第二检测结果、所述第三检测结果和所述第四检测模型确定第四检测结果。
4.根据权利要求3所述的基于多机器学习算法融合的农产品安全风险评估方法，其特征在于，所述根据比较结果、所述第二检测结果、所述第三检测结果和所述第四检测模型确定第四检测结果，包括：
若所述第一污染范围大于所述第二污染范围，根据所述农产品污染物含量、所述农产品环境污染物含量和所述第四检测模型确定第四检测结果；
若所述第一污染范围小于所述第二污染范围，根据预设增益和所述农产品环境污染物含量确定调整的农产品环境污染物含量；根据所述农产品污染物含量、所述调整的农产品环境污染物含量和所述第四检测模型确定第四检测结果。
5.根据权利要求3所述的基于多机器学习算法融合的农产品安全风险评估方法，其特征在于，所述基于多机器学习算法融合的农产品安全风险评估方法还包括：
若否，则根据第一预设增益和所述农产品污染含量确定调整的农产品污染含量；以及根据第二预设增益和所述农产品环境污染物含量确定调整的农产品环境污染物含量；根据所述调整的农产品污染物含量、所述调整的农产品环境污染物含量和所述第四检测模型确定第四检测结果。
6.根据权利要求2所述的基于多机器学习算法融合的农产品安全风险评估方法，其特征在于，所述农药残留检测结果中包括农药残留含量，所述化学添加剂检测结果中包括化学添加剂含量和化学添加剂类别，所述综合污染检测结果包括：综合污染类别和综合污染等级，所述根据所述第一检测结果和所述第四检测结果确定所述农产品质量检测结果，包括：
判断所述农药残留含量与所述化学添加剂含量的和是否小于预设含量；
若是，则确定所述化学添加剂类别和所述综合污染类别是否符合预设的类别关系；若符合预设的类别关系，根据所述综合污染等级确定所述农产品质量检测结果；若不符合预设的类别关系，根据所述农药残留含量和所述化学添加剂含量的和、所述综合污染等级确定农产品质量检测结果。
7.根据权利要求6所述的基于多机器学习算法融合的农产品安全风险评估方法，其特征在于，所述根据所述农药残留含量与所述化学添加剂含量的和、所述综合污染等级确定农产品质量检测结果，包括：
确定所述农药残留含量与所述化学添加剂含量的和对应的含量等级；
根据所述含量等级和所述综合污染等级确定农产品质量等级；
根据所述农产品质量等级确定农产品质量检测结果。
8.根据权利要求6所述的基于多机器学习算法融合的农产品安全风险评估方法，其特征在于，所述基于多机器学习算法融合的农产品安全风险评估方法还包括：
若否，确定所述农药残留含量对应的第一含量等级；
确定所述化学添加剂含量对应的第二含量等级；
确定所述农药残留含量与所述化学添加剂含量的和对应的第三含量等级；
确定所述化学添加剂类别对应的化学污染等级；
根据所述第一含量等级、所述第二含量等级、所述第三含量等级、所述化学污染等级和所述综合污染等级确定农产品质量等级；
根据所述农产品质量等级确定农产品质量检测结果。
9.根据权利要求1所述的基于多机器学习算法融合的农产品安全风险评估方法，其特征在于，所述基于多机器学习算法融合的农产品安全风险评估方法还包括：
基于所述第一检测结果、所述第二检测结果、所述第三检测结果和所述农产品质量检测结果生成训练样本；
将所述训练样本加入预设的训练样本集中；
响应于检测到所述预设的训练样本集中的训练样本数量达到预设数量，基于所述预设的训练样本集对初始的农产品质量检测模型进行训练，获得训练好的农产品质量检测模型。
10.根据权利要求9所述的基于多机器学习算法融合的农产品安全风险评估方法，其特征在于，所述基于多机器学习算法融合的农产品安全风险评估方法还包括：
将所述第一检测模型、所述第二检测模型、所述第三检测模型和所述农产品质量检测模型进行整合，获得综合检测模型；所述综合检测模型用于基于农产品检测数据和农产品环境检测数据确定农产品质量检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211462377.XA CN115758888B (zh) | 2022-11-17 | 2022-11-17 | 一种基于多机器学习算法融合的农产品安全风险评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211462377.XA CN115758888B (zh) | 2022-11-17 | 2022-11-17 | 一种基于多机器学习算法融合的农产品安全风险评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115758888A true CN115758888A (zh) | 2023-03-07 |
| CN115758888B CN115758888B (zh) | 2024-04-23 |
Family
ID=85334548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211462377.XA Active CN115758888B (zh) | 2022-11-17 | 2022-11-17 | 一种基于多机器学习算法融合的农产品安全风险评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115758888B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
| CN106920044A (zh) * | 2017-03-07 | 2017-07-04 | 北京工商大学 | 基于模糊综合评价模型的农药残留风险评估方法 |
| CN110514245A (zh) * | 2019-09-05 | 2019-11-29 | 广州图测智能科技有限公司 | 一种基于时空大数据的智慧农业质量安全监管系统及方法 |
| CN111461576A (zh) * | 2020-04-27 | 2020-07-28 | 宁波市食品检验检测研究院 | 一种食品中化学危害物安全风险模糊综合评价方法 |
| CN111667122A (zh) * | 2020-06-16 | 2020-09-15 | 国研软件股份有限公司 | 一种农产品品种农药残留的风险评估方法 |
| CN111738745A (zh) * | 2020-06-23 | 2020-10-02 | 湖南华乐食品有限公司 | 农产品供应链品质检测与质量追溯系统 |
| CN112665656A (zh) * | 2021-01-13 | 2021-04-16 | 淮阴工学院 | 一种农产品生长环境大数据检测系统 |
| CN112974303A (zh) * | 2021-04-26 | 2021-06-18 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的果品品质检测方法、设备及介质 |
| CN113820280A (zh) * | 2021-09-16 | 2021-12-21 | 江苏迈鼎科技(集团)有限公司 | 一种农产品农残检测方法及系统 |
| CN114066132A (zh) * | 2021-07-20 | 2022-02-18 | 杭州领见数字农业科技有限公司 | 一种农产品的质量评估方法及评估装置 |
| CN114252565A (zh) * | 2022-01-24 | 2022-03-29 | 深圳市中腾生物技术有限公司 | 一种农畜产品安全检测智慧岗亭及农畜产品安全检测方法 |
| CN114417954A (zh) * | 2021-12-01 | 2022-04-29 | 江苏权正检验检测有限公司 | 一种提升食品检测效果的信息处理方法及系统 |
| US20220222798A1 (en) * | 2021-01-12 | 2022-07-14 | Wipro Limited | Method and system for detecting infestation in agricultural products |
| CN114764682A (zh) * | 2022-03-25 | 2022-07-19 | 北京工商大学 | 一种基于多机器学习算法融合的大米安全风险评估方法 |
| CN115148304A (zh) * | 2022-07-06 | 2022-10-04 | 农业农村部环境保护科研监测所 | 一种农产品污染诊断及措施选取方法 |
| CN115170164A (zh) * | 2022-07-29 | 2022-10-11 | 深圳市天然农业数字技术有限公司 | 一种农产品安全溯源方法、装置、电子设备及存储介质 |
-
2022
- 2022-11-17 CN CN202211462377.XA patent/CN115758888B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
| CN106920044A (zh) * | 2017-03-07 | 2017-07-04 | 北京工商大学 | 基于模糊综合评价模型的农药残留风险评估方法 |
| CN110514245A (zh) * | 2019-09-05 | 2019-11-29 | 广州图测智能科技有限公司 | 一种基于时空大数据的智慧农业质量安全监管系统及方法 |
| CN111461576A (zh) * | 2020-04-27 | 2020-07-28 | 宁波市食品检验检测研究院 | 一种食品中化学危害物安全风险模糊综合评价方法 |
| CN111667122A (zh) * | 2020-06-16 | 2020-09-15 | 国研软件股份有限公司 | 一种农产品品种农药残留的风险评估方法 |
| CN111738745A (zh) * | 2020-06-23 | 2020-10-02 | 湖南华乐食品有限公司 | 农产品供应链品质检测与质量追溯系统 |
| US20220222798A1 (en) * | 2021-01-12 | 2022-07-14 | Wipro Limited | Method and system for detecting infestation in agricultural products |
| CN112665656A (zh) * | 2021-01-13 | 2021-04-16 | 淮阴工学院 | 一种农产品生长环境大数据检测系统 |
| CN112974303A (zh) * | 2021-04-26 | 2021-06-18 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的果品品质检测方法、设备及介质 |
| CN114066132A (zh) * | 2021-07-20 | 2022-02-18 | 杭州领见数字农业科技有限公司 | 一种农产品的质量评估方法及评估装置 |
| CN113820280A (zh) * | 2021-09-16 | 2021-12-21 | 江苏迈鼎科技(集团)有限公司 | 一种农产品农残检测方法及系统 |
| CN114417954A (zh) * | 2021-12-01 | 2022-04-29 | 江苏权正检验检测有限公司 | 一种提升食品检测效果的信息处理方法及系统 |
| CN114252565A (zh) * | 2022-01-24 | 2022-03-29 | 深圳市中腾生物技术有限公司 | 一种农畜产品安全检测智慧岗亭及农畜产品安全检测方法 |
| CN114764682A (zh) * | 2022-03-25 | 2022-07-19 | 北京工商大学 | 一种基于多机器学习算法融合的大米安全风险评估方法 |
| CN115148304A (zh) * | 2022-07-06 | 2022-10-04 | 农业农村部环境保护科研监测所 | 一种农产品污染诊断及措施选取方法 |
| CN115170164A (zh) * | 2022-07-29 | 2022-10-11 | 深圳市天然农业数字技术有限公司 | 一种农产品安全溯源方法、装置、电子设备及存储介质 |
Non-Patent Citations (9)
| Title |
|---|
| 张亚莉, 颜康婷, 王林琳等: "基于荧光光谱分析的农药残留检测研究进展", 光谱学与光谱分析, vol. 41, no. 08, 31 August 2021 (2021-08-31), pages 2364 - 2371 * |
| 张星联;张慧媛;唐晓纯;钱永忠;李笑曼;: "基于神经网络的蔬菜农药残留风险预警模型研究", 中国农业大学学报, no. 02, 15 April 2015 (2015-04-15), pages 259 - 267 * |
| 徐笠;陆安祥;王纪华;: "土壤重金属污染评价方法研究进展及其在禁产区划分工作中的比较应用", 食品安全质量检测学报, no. 03, 25 March 2016 (2016-03-25), pages 1145 - 1151 * |
| 方孝荣;: "基于深度学习BP人工神经网络的农产品质量检测", 金华职业技术学院学报, no. 03, 1 May 2016 (2016-05-01), pages 73 - 76 * |
| 潘立刚;张缙;陆安祥;马智宏;韩平;: "农产品质量无损检测技术研究进展与应用", 农业工程学报, no. 2, 30 September 2008 (2008-09-30), pages 335 - 340 * |
| 王茂森: "计算机视觉技术在农产品质量检测中的运用探究", 数字通信世界, no. 2022, 30 June 2022 (2022-06-30), pages 129 - 131 * |
| 罗印斌;蔡艳丽;兰菡;崔东琦;赫珊;王燕霞;刘洋;: "农产品无损检测方法应用现状", 食品工业科技, no. 15, 1 August 2018 (2018-08-01), pages 340 - 344 * |
| 金芬;郑床木;钱永忠;: "我国农产品质量安全科技创新及突破方向", 农产品质量与安全, no. 03, 10 June 2017 (2017-06-10), pages 3 - 8 * |
| 靳冠;: "农产品质量检测体系现状及应用探析", 农业科技与信息, no. 28, 5 October 2016 (2016-10-05), pages 42 - 43 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115758888B (zh) | 2024-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112153002B (zh) | 告警信息分析方法、装置、计算机设备和存储介质 | |
| US20040205037A1 (en) | Method for training neural networks | |
| CN110991474A (zh) | 一种机器学习建模平台 | |
| CN109145030B (zh) | 一种异常数据访问的检测方法和装置 | |
| CN112668809A (zh) | 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统 | |
| CN115907279A (zh) | 基于物联网的工业生产产品用质量检测系统及方法 | |
| CN111160667B (zh) | 一种提高食品安全预测模型鲁棒性的方法及装置 | |
| CN111192121A (zh) | 一种基于ann的风险纳税人自动预警方法及系统 | |
| CN115952081A (zh) | 一种软件测试方法、装置、存储介质及设备 | |
| CN115758888B (zh) | 一种基于多机器学习算法融合的农产品安全风险评估方法 | |
| CN116305103A (zh) | 一种基于置信度差异的神经网络模型后门检测方法 | |
| CN111612624A (zh) | 一种数据特征重要性的分析方法及系统 | |
| CN110808947A (zh) | 一种自动化的脆弱性量化评估方法及系统 | |
| CN113239909B (zh) | 一种题目处理方法、装置、设备及介质 | |
| CN115358348A (zh) | 一种车辆直通率影响特征确定方法、装置、设备及介质 | |
| CN115170007A (zh) | 企业关联风险识别方法、装置、设备及存储介质 | |
| CN110956209B (zh) | 模型训练和预测方法、装置、电子设备及存储介质 | |
| CN110399803B (zh) | 一种车辆检测方法及装置 | |
| CN110309285B (zh) | 自动问答方法、装置、电子设备和存储介质 | |
| CN109444360B (zh) | 基于细胞神经网络和电子鼻特征提取的果汁贮藏期检测算法 | |
| CN111754103A (zh) | 企业风险画像方法、装置、计算机设备和可读存储介质 | |
| CN114880637B (zh) | 账户风险的验证方法、装置、计算机设备和存储介质 | |
| CN111582446B (zh) | 用于神经网络剪枝的系统和神经网络的剪枝处理方法 | |
| CN109359133B (zh) | 基于大数据和深度学习的个性化认定方法和机器人系统 | |
| Xie et al. | Secondary Modeling of Air Quality Based on LSTM Cycle Neural Network |
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 |