CN117250322B - 一种基于大数据的红枣食品安全智能监测方法及系统 - Google Patents
一种基于大数据的红枣食品安全智能监测方法及系统 Download PDFInfo
- Publication number
- CN117250322B CN117250322B CN202311171807.7A CN202311171807A CN117250322B CN 117250322 B CN117250322 B CN 117250322B CN 202311171807 A CN202311171807 A CN 202311171807A CN 117250322 B CN117250322 B CN 117250322B
- Authority
- CN
- China
- Prior art keywords
- food safety
- red date
- sample
- residue
- red
- 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.)
- Active
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 137
- 238000012544 monitoring process Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 165
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000037303 wrinkles Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims description 66
- 238000012549 training Methods 0.000 claims description 32
- 238000013507 mapping Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000013215 result calculation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000000447 pesticide residue Substances 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001256 tonic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/025—Fruits or vegetables
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Quality & Reliability (AREA)
- Medicinal Chemistry (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种基于大数据的红枣食品安全智能监测方法及系统，涉及食品安全监测技术，方法包括：采集批次红枣图像，采用动态阈值，提取包括多个红枣轮廓图像的总轮廓图像；计算最小包含矩形的面积和长宽比，获得多个特征信息集；分析多个红枣的皱缩程度信息，获得综合残留隐藏系数；对批次红枣进行随机样本抽取，并进行残留物检测，获得综合残留物检测结果；进行残留物补偿计算，获得红枣残留物检测结果；根据红枣残留物检测结果和缩皱程度信息，获取红枣的食品安全监测结果。能够解决现有的红枣食品安全监测方法由于检测精度较低导致安全评估的准确性较低的技术问题，可以提高红枣食品安全评估的准确性和效率，从而提高安全监测质量。
Description
技术领域
本公开涉及食品安全监测技术，并且更具体地，涉及一种基于大数据的红枣食品安全智能监测方法及系统。
背景技术
新疆红枣是新疆的一种特产，属李科枣属水果，现代药理研究发现，红枣能使血中含氧量增强、滋养全身细胞，是一种药效缓和的强壮剂。现有的红枣食品安全监测方法主要是通过仪器对新鲜红枣的水分含量和残留物进行抽样检测，这种方法检测精度较低且花费时间较长。
现有的红枣食品安全监测方法存在的不足之处在于：由于检测精度较低导致安全评估的准确性较低。
发明内容
因此，为了解决上述技术问题，本公开的实施例采用的技术方案如下：
一种基于大数据的红枣食品安全智能监测方法，所述方法应用于一基于大数据的红枣食品安全智能监测装置，所述装置包括外观检测工站、残留检测工站和补偿分析工站，所述方法包括：通过外观检测工站，采集待进行食品安全检测的批次红枣的图像，并采用动态阈值，提取获得包括多个红枣轮廓图像的总轮廓图像；在总轮廓图像内的多个红枣轮廓图像内，计算最小包含矩形的面积和长宽比，获得多个特征信息集；根据所述多个特征信息集，分析多个红枣的皱缩程度信息，并映射匹配获得综合残留隐藏系数；通过残留检测工站，对批次红枣进行随机样本抽取，获得多个样本红枣并进行残留物检测，获得多个残留物检测结果，并计算获得综合残留物检测结果；将综合残留物检测结果和综合残留隐藏系数传输至补偿分析工站，进行残留物补偿计算，获得红枣残留物检测结果；根据所述红枣残留物检测结果和缩皱程度信息，评估获取红枣的食品安全监测结果。
一种基于大数据的红枣食品安全智能监测系统，包括：总轮廓图像提取模块，所述总轮廓图像提取模块用于通过外观检测工站，采集待进行食品安全检测的批次红枣的图像，并采用动态阈值，提取获得包括多个红枣轮廓图像的总轮廓图像；特征信息集获得模块，所述特征信息集获得模块用于在总轮廓图像内的多个红枣轮廓图像内，计算最小包含矩形的面积和长宽比，获得多个特征信息集；综合残留隐藏系数获得模块，所述综合残留隐藏系数获得模块用于根据所述多个特征信息集，分析多个红枣的皱缩程度信息，并映射匹配获得综合残留隐藏系数；综合残留物检测结果计算模块，所述综合残留物检测结果计算模块用于通过残留检测工站，对批次红枣进行随机样本抽取，获得多个样本红枣并进行残留物检测，获得多个残留物检测结果，并计算获得综合残留物检测结果；红枣残留物检测结果获得模块，所述红枣残留物检测结果获得模块用于将综合残留物检测结果和综合残留隐藏系数传输至补偿分析工站，进行残留物补偿计算，获得红枣残留物检测结果；食品安全监测结果评估模块，所述食品安全监测结果评估模块用于根据所述红枣残留物检测结果和缩皱程度信息，评估获取红枣的食品安全监测结果。
由于采用了上述技术方法，本公开相对于现有技术来说，取得的技术进步有如下几点：
可以解决现有的红枣食品安全监测方法由于检测精度较低导致安全评估的准确性较低的技术问题，首先，获取批次红枣的图像信息，并对批次红枣图像进行二值化处理，获得包括多个红枣轮廓图像的总轮廓图像；然后对总轮廓图像内的多个红枣轮廓图像进行图像比对分析，获得多个红枣的皱缩程度信息，通过图像比对进行皱缩程度分析，可以提高红枣皱缩程度分析的效率；并根据多个红枣的皱缩程度信息进行残留隐藏系数匹配，获得综合残留隐藏系数；对批次红枣进行抽样残留物检测，获得综合残留物检测结果；然后根据综合残留隐藏系数对综合残留物检测结果进行残留物补偿计算，获得红枣残留物检测结果，可以提高红枣残留物检测结果获得的准确率；最后根据红枣残留物检测结果和缩皱程度信息对红枣食品安全进行评估，获得红枣的食品安全监测结果。从而可以提高红枣食品安全的监测质量。
附图说明
为了更清楚地说明本公开的实施例的技术方案，下面将对实施例的描述中所需要使用的附图作简单的介绍。
图1为本申请提供了一种基于大数据的红枣食品安全智能监测方法的流程示意图；
图2为本申请提供了一种基于大数据的红枣食品安全智能监测方法中获得总轮廓图像的流程示意图；
图3为本申请提供了一种基于大数据的红枣食品安全智能监测系统的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整的描述。基于本公开中的实施例，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，都属于本公开保护的范围。
基于上述描述，如图1所示，本公开提供了一种基于大数据的红枣食品安全智能监测方法，所述方法应用于一基于大数据的红枣食品安全智能监测装置，所述装置包括外观检测工站、残留检测工站和补偿分析工站，包括：
本申请提供的方法通过基于大数据技术对红枣食品安全进行智能监测，来提高红枣食品安全的监测质量，所述方法具体实施于一基于大数据的红枣食品安全智能监测装置，其中红枣食品安全智能监测装置是指对红枣食品安全进行监测的一体化智能监测设备，包括外观检测工站、残留检测工站和补偿分析工站，其中外观检测工站用于对红枣进行图像采集，并根据红枣图像采集结果进行红枣的皱缩程度分析；残留检测工站用于对红枣的残留物进行检测；补偿分析工站用于根据红枣的皱缩程度对残留物检测结果进行补偿，从而提高红枣残留物检测结果获得的准确率。
通过外观检测工站，采集待进行食品安全检测的批次红枣的图像，并采用动态阈值，提取获得包括多个红枣轮廓图像的总轮廓图像；
如图2所示，在一个实施例中，所述方法还包括：
采集待进行食品安全检测的批次红枣的图像，作为批次图像；
对批次图像进行灰度化处理；
根据环境内的亮度，设置动态阈值，对灰度化的批次图像内的全部像素点进行判别，获得二值化图像；
根据二值化图像，提取获得包括多个红枣轮廓图像的总轮廓图像。
通过外观检测工站内的CCD图像传感器对待进行食品安全检测的批次红枣进行图像采集，其中CCD图像传感器具有视角范围广、成像质量高等优点，可以提高批次红枣图像采集的质量和准确性，获得待进行食品安全检测的批次红枣的图像采集结果，并标记为批次图像。
然后对所述批次图像进行灰度化处理，其中灰度化处理是指将批次图像从彩色图像转化为灰度图像的过程，通过灰度化处理可以提高批次图像中各区域的对比度。常用的图像灰度化处理方法包括分量法、最大值法、平均值法和加权平均法，本领域技术人员可根据批次图像的实际情况选择合适的图像灰度化处理方法，所述批次图像的灰度图像。
获取图像采集环境内的光照亮度信息，并根据环境光照亮度信息设置动态阈值，例如：当光线亮度比较暗时，由于整体环境较暗，则动态阈值的灰度值设定较小，比如设置动态阈值灰度值为50；当光线亮度比较亮时，由于整体环境亮度较高，则动态阈值的灰度值设定较大，比如设置动态阈值灰度值为180；通过根据环境亮度设置动态阈值，可以提高图像二值化处理的精准度，从而提高图像轮廓提取的准确率。
然后根据所述动态阈值对灰度化的批次图像内的全部像素点的灰度值进行判断，将大于所述动态阈值的像素点的灰度值设置为255，将小于等于所述动态阈值的像素点的灰度值设置为0；完成对灰度化的批次图像的二值化处理，获得批次图像的二值化图像。
然后对所述二值化图像中的多个红枣图像轮廓进行提取，其中红枣图像轮廓是指二值化图像中的多个黑白间隔线条，获得包括多个红枣轮廓图像的总轮廓图像。通过获得包括多个红枣轮廓图像的总轮廓图像，为下一步进行批次红枣的特征信息计算提供了图像支持。
在总轮廓图像内的多个红枣轮廓图像内，计算最小包含矩形的面积和长宽比，获得多个特征信息集；
在一个实施例中，所述方法还包括：
在总轮廓图像的多个红枣轮廓图像内，对多个红枣轮廓图像进行最小包含矩形框选拟合，获得多个最小包含矩形；
计算多个最小包含矩形的面积和长宽比，获得所述多个特征信息集。
在总轮廓图像的多个红枣轮廓图像内，对多个红枣轮廓图像进行最小包含矩形框选拟合，其中最小包含矩形框选拟合是指获取与红枣轮廓图像边缘相切的直线，并根据多个边缘相切直线构建包含红枣轮廓图像的最小矩形，其中最小矩形的边与红枣轮廓的边缘相切，获得多个最小包含矩形，其中最小包含矩形和红枣轮廓图像具有一一对应的关系。
然后对多个最小包含矩形进行面积计算和长宽比计算，其中长宽比是指最小包含矩形的长边和短边的比值，获得多个最小包含矩形的面积和长宽比，并将最小包含矩形的面积和长宽比作为特征信息集，获得多个特征信息集。通过获得多个特征信息集，为下一步进行红枣的皱缩程度分析提供了数据支持。
根据所述多个特征信息集，分析多个红枣的皱缩程度信息，并映射匹配获得综合残留隐藏系数；
在一个实施例中，所述方法还包括：
根据红枣质量的检测数据记录，调取获得历史时间内红枣进行质量检测的多个历史特征信息集，并获取合格红枣轮廓图像的标准最小包含矩形的标准面积和标准长宽比；
根据多个历史特征信息集，以标准面积和标准长宽比为基准，计算获取多个样本皱缩程度信息；
以矩形面积和长宽比为决策特征，采用多个历史特征信息集和多个样本皱缩程度信息作为构建数据，基于决策树，构建皱缩识别通道，嵌入所述外观检测工站；
将所述多个特征信息集分别输入所述皱缩识别通道，获得多个皱缩程度信息。
根据所述多个特征信息集，对多个红枣的皱缩程度进行分析，首先，调用红枣质量的检测数据记录，其中检测数据记录包含红枣的历史质量检测数据。然后根据所述检测数据记录，调取历史时间内的多个红枣检测图像信息，然后对多个红枣检测图像信息进行最小包含矩形框选拟合，并根据多个红枣检测图像信息的最小包含矩形进行面积和长宽比计算，生成多个历史特征信息集。
获取合格红枣轮廓图像，其中合格红枣轮廓图像是指符合质量要求的标准红枣轮廓图像，并对合格红枣轮廓图像进行最小包含矩形框选拟合，获得合格红枣轮廓图像的标准最小包含矩形的标准面积和标准长宽比。
然后将合格红枣轮廓图像的标准面积和标准长宽比作为比对基准，与多个历史特征信息集中对应的历史特征信息集进行比对，获得多个特征偏差集，其中特征偏差集包括面积偏差和长宽比偏差，所述面积偏差是指历史特征信息集的面积与标准面积的偏差比例；所述长宽比偏差是指历史特征信息集的长宽比与标准长宽比的偏差比例。
通过人工对多个历史特征信息集对应的红枣检测图像信息依次进行皱缩程度判断，并设置皱缩级别；其中皱缩级别可根据实际情况进行设置，例如设置皱缩级别总共为九级。然后建立皱缩级别和面积偏差比例、长宽比偏差比例的映射关系；其中面积偏差比例越大、长宽比偏差比例越大，则表征红枣质量越低，则皱缩级别越大；面积偏差比例越小、长宽比偏差比例越小，则表征红枣质量越好，则皱缩级别越小。获取多个样本皱缩程度信息，其中样本皱缩程度信息包括皱缩级别、面积偏差比例和长宽比偏差比例。
基于决策树算法的原理，将矩形面积和长宽比作为决策特征，即将矩形面积和长宽比作为判断依据，将多个历史特征信息集和多个样本皱缩程度信息作为决策树的构建数据，即将历史特征信息集中的矩形面积范围和长宽比范围作为子节点，对应的皱缩程度信息作为子节点的叶节点，构建皱缩识别通道，并将所述皱缩识别通道嵌入所述外观检测工站。通过基于决策树的原理构建皱缩识别通道，可以提高特征信息进行皱缩程度匹配的效率和准确率。
然后将所述多个特征信息集依次输入所述皱缩识别通道进行匹配，获得多个皱缩程度信息，其中所述皱缩程度信息包括皱缩等级。通过获得皱缩程度信息，为进行红枣的食品安全评估提供了依据。
在一个实施例中，所述方法还包括：
根据红枣的残留物检测数据记录，获取样本残留物隐藏系数集和样本皱缩程度信息集；
构建所述样本残留物隐藏系数集和样本皱缩程度信息集的映射关系；
根据多个皱缩程度信息进行映射匹配，获取多个残留物隐藏系数；
根据所述多个皱缩程度信息的大小，对多个残留物隐藏系数进行加权计算，获得综合残留隐藏系数。
调取红枣的残留物检测数据记录，并根据所述残留物检测数据记录进行样本皱缩程度分析和样本残留物隐藏系数计算，其中样本皱缩程度和样本残留物隐藏系数具有对应关系，所述样本残留物隐藏系数用于表征不同样本皱缩程度下残留物的隐藏程度，其中样本皱缩程度越大，则皱缩的枣面纹理中隐藏残留物的程度越大，则样本残留物隐藏系数越大，获取样本残留物隐藏系数集和样本皱缩程度信息集。
根据样本残留物隐藏系数和样本皱缩程度信息的映射关系构建皱缩程度-隐藏系数对照表，将多个皱缩程度信息输入所述皱缩程度-隐藏系数对照表进行映射匹配，获取多个残留物隐藏系数。根据多个皱缩程度信息的大小设置残留物隐藏系数的权重值，其中皱缩级别越大，则权重值越大。然后根据所述权重值对多个残留物隐藏系数进行加权计算，并将加权计算结果作为综合残留隐藏系数，获得综合残留隐藏系数。通过获得综合残留隐藏系数，为下一步进行残留物补偿计算提供了支持，可以提高红枣残留物检测结果获得的准确率。
通过残留检测工站，对批次红枣进行随机样本抽取，获得多个样本红枣并进行残留物检测，获得多个残留物检测结果，并计算获得综合残留物检测结果；
对批次红枣进行随机样本抽取，并通过残留检测工站对样本红枣进行残留物检测，其中残留检测工站中包括多个红枣残留物检测设备，其中包括农药残留物检测设备、化学残留物检测设备等，获得多个残留物检测结果，然后对多个残留物检测结果进行均值计算，并将均值计算结果作为综合残留物检测结果。
将综合残留物检测结果和综合残留隐藏系数传输至补偿分析工站，进行残留物补偿计算，获得红枣残留物检测结果；
将综合残留物检测结果和综合残留隐藏系数传输至补偿分析工站，根据所述综合残留隐藏系数对所述综合残留物检测结果进行残留物补偿计算，其中残留物补偿计算是指所述综合残留隐藏系数乘以所述综合残留物检测结果，并将两者之积作为残留物补偿计算结果，获得红枣残留物检测结果。
通过根据批次红枣的皱缩程度信息进行残留物隐藏系数计算，获得综合残留隐藏系数，并根据综合残留隐藏系数对综合残留物检测结果进行残留物补偿，获得红枣残留物检测结果，可以考虑到红枣皱缩程度对残留物隐藏造成的影响，从而可以提高红枣残留物检测结果获得的准确率。
根据所述红枣残留物检测结果和缩皱程度信息，评估获取红枣的食品安全监测结果。
在一个实施例中，所述方法还包括：
基于红枣质量检测的数据记录，处理获取样本红枣残留物检测结果集和样本皱缩程度信息集；
根据残留物标准和红枣质量标准，对样本红枣残留物检测结果集和样本皱缩程度信息集进行评估，获得样本食品安全监测结果集；
采用样本红枣残留物检测结果集、样本皱缩程度信息集和样本食品安全监测结果集，构建包括多个食品安全分析分支的食品安全分类器；
根据红枣质量检测的数据记录，提取样本红枣残留物检测结果和样本皱缩程度信息，获得样本红枣残留物检测结果集和样本皱缩程度信息集。获取残留物标准和红枣质量标准，其中所述残留物标准和所述红枣质量标准可根据实际红枣产品质量要求进行设置，所述残留物标准中有残留物比例范围和对应的残留物级别，其中残留物比例越大，则残留物级别越大，则红枣质量越差；所述红枣质量标准中包括红枣皱缩级别范围和对应的质量级别，其中皱缩级别越大，表征红枣质量越差，则质量级别越低。然后根据残留物标准对样本红枣残留物检测结果集进行评估，获得样本红枣残留物评估结果集；根据红枣质量标准对样本皱缩程度信息集进行评估，获得样本红枣质量评估结果集。根据样本红枣残留物评估结果集和样本红枣质量评估结果集获得样本食品安全监测结果集。
采用样本红枣残留物检测结果集、样本皱缩程度信息集和样本食品安全监测结果集作为样本训练数据，基于机器学习构建食品安全分类器，其中食品安全分类器包括多个食品安全分析分支。
在一个实施例中，所述方法还包括：
有放回地从样本红枣残留物检测结果集、样本皱缩程度信息集和样本食品安全监测结果集内随机选择M组训练数据，组成第一数据集，M为大于1的整数，且小于样本红枣残留物检测结果集内数据的数量；
采用第一数据集，基于机器学习，构建多个食品安全分析分支内的第一食品安全分析分支，并训练至收敛；
继续构建并训练第二食品安全分析分支，直到多个食品安全分析分支训练完成；
集成多个食品安全分析分支，获得食品安全分类器。
有放回地从样本红枣残留物检测结果集、样本皱缩程度信息集和样本食品安全监测结果集内随机选择M组训练数据，其中M为大于1的整数，M的具体值可根据实际情况设置，其中M小于样本红枣残留物检测结果集内数据的数量，根据M组训练数据组成第一数据集。
基于机器学习，构建多个食品安全分析分支内的第一食品安全分析分支，所述第一食品安全分析分支为可以进行迭代优化的神经网络模型，通过监督训练获得。然后根据所述第一数据集对所述第一食品安全分析分支进行监督训练，首先，从所述第一数据集选择第一组训练数据，将第一组训练数据输入第一食品安全分析分支进行监督训练，获得输出结果；然后将输出结果与第一组训练数据的输出结果进行比对，当输出结果一致时，则进行下一组训练数据的监督训练；当输出结果不一致时，则通过损失函数判断输出结果的误差，并根据输出结果误差对第一食品安全分析分支内的参数进行调整，然后进行下一组训练数据的监督训练。不断进行迭代训练，直到第一食品安全分析分支的输出结果趋于稳定时，获得监督训练完成的第一食品安全分析分支。
然后继续构建多个食品安全分析分支内的第二食品安全分析分支，并有放回地从样本红枣残留物检测结果集、样本皱缩程度信息集和样本食品安全监测结果集内随机选择N组训练数据，组件第二数据集，其中N与M的数量不同，且N大于1小于样本红枣残留物检测结果集内数据的数量。通过第二数据集对第二食品安全分析分支进行监督训练，获得训练至收敛状态的第二食品安全分析分支，进行迭代构建食品安全分析分支，直到多个食品安全分析分支训练完成，获得多个食品安全分析分支。然后对多个食品安全分析分支进行集成处理，组建食品安全分类器。通过基于机器学习和神经网络构建食品安全分类器，可以提高食品安全监测结果获得的准确率和效率。
将所述红枣残留物检测结果和缩皱程度信息分别输入多个食品安全分析分支，获得多个子食品安全监测结果，根据多个食品安全分析分支的准确率大小，对多个子食品安全监测结果进行加权计算，获得所述食品安全监测结果。
将所述红枣残留物检测结果和缩皱程度信息分别输入食品安全分类器中的多个食品安全分析分支，输出多个子食品安全监测结果。对多个食品安全分析分支的输出结果准确率进行测试，获得多个食品安全分析分支的输出结果准确率，并按照输出结果准确率大小设置对应的权重，其中输出结果准确率越大，则可信度越高，则权重越大，可通过现有的变异系数法进行权重值设置，变异系数法为本领域技术人员常用的赋权方法，在此不进行展开说明。根据多个食品安全分析分支的权重对多个子食品安全监测结果进行加权计算，并将加权计算结果作为食品安全监测结果，获得所述食品安全监测结果。通过上述方法解决了现有的红枣食品安全监测方法由于检测精度较低导致安全评估的准确性较低的技术问题，可以提高红枣食品安全评估的准确性和效率，从而提高安全监测质量。
在一个实施例中，如图3所示提供了一种基于大数据的红枣食品安全智能监测系统，包括：
总轮廓图像提取模块，所述总轮廓图像提取模块用于通过外观检测工站，采集待进行食品安全检测的批次红枣的图像，并采用动态阈值，提取获得包括多个红枣轮廓图像的总轮廓图像；
特征信息集获得模块，所述特征信息集获得模块用于在总轮廓图像内的多个红枣轮廓图像内，计算最小包含矩形的面积和长宽比，获得多个特征信息集；
综合残留隐藏系数获得模块，所述综合残留隐藏系数获得模块用于根据所述多个特征信息集，分析多个红枣的皱缩程度信息，并映射匹配获得综合残留隐藏系数；
综合残留物检测结果计算模块，所述综合残留物检测结果计算模块用于通过残留检测工站，对批次红枣进行随机样本抽取，获得多个样本红枣并进行残留物检测，获得多个残留物检测结果，并计算获得综合残留物检测结果；
红枣残留物检测结果获得模块，所述红枣残留物检测结果获得模块用于将综合残留物检测结果和综合残留隐藏系数传输至补偿分析工站，进行残留物补偿计算，获得红枣残留物检测结果；
食品安全监测结果评估模块，所述食品安全监测结果评估模块用于根据所述红枣残留物检测结果和缩皱程度信息，评估获取红枣的食品安全监测结果。
在一个实施例中，所述系统还包括：
批次红枣图像采集模块，所述批次红枣图像采集模块用于采集待进行食品安全检测的批次红枣的图像，作为批次图像；
灰度化处理模块，所述灰度化处理模块用于对批次图像进行灰度化处理；
二值化图像获得模块，所述二值化图像获得模块用于根据环境内的亮度，设置动态阈值，对灰度化的批次图像内的全部像素点进行判别，获得二值化图像；
总轮廓图像获得模块，所述总轮廓图像获得模块用于根据二值化图像，提取获得包括多个红枣轮廓图像的总轮廓图像。
在一个实施例中，所述系统还包括：
最小包含矩形获得模块，所述最小包含矩形获得模块用于在总轮廓图像的多个红枣轮廓图像内，对多个红枣轮廓图像进行最小包含矩形框选拟合，获得多个最小包含矩形；
特征信息集获得模块，所述特征信息集获得模块用于计算多个最小包含矩形的面积和长宽比，获得所述多个特征信息集。
在一个实施例中，所述系统还包括：
历史特征信息集调取模块，所述历史特征信息集调取模块用于根据红枣质量的检测数据记录，调取获得历史时间内红枣进行质量检测的多个历史特征信息集，并获取合格红枣轮廓图像的标准最小包含矩形的标准面积和标准长宽比；
样本皱缩程度信息计算模块，所述样本皱缩程度信息计算模块用于根据多个历史特征信息集，以标准面积和标准长宽比为基准，计算获取多个样本皱缩程度信息；
皱缩识别通道构建模块，所述皱缩识别通道构建模块用于以矩形面积和长宽比为决策特征，采用多个历史特征信息集和多个样本皱缩程度信息作为构建数据，基于决策树，构建皱缩识别通道，嵌入所述外观检测工站；
皱缩程度信息获得模块，所述皱缩程度信息获得模块用于将所述多个特征信息集分别输入所述皱缩识别通道，获得多个皱缩程度信息。
在一个实施例中，所述系统还包括：
信息获得模块，所述信息获得模块用于根据红枣的残留物检测数据记录，获取样本残留物隐藏系数集和样本皱缩程度信息集；
映射关系构建模块，所述映射关系构建模块用于构建所述样本残留物隐藏系数集和样本皱缩程度信息集的映射关系；
残留物隐藏系数获取模块，所述残留物隐藏系数获取模块用于根据多个皱缩程度信息进行映射匹配，获取多个残留物隐藏系数；
综合残留隐藏系数获得模块，所述综合残留隐藏系数获得模块用于根据所述多个皱缩程度信息的大小，对多个残留物隐藏系数进行加权计算，获得综合残留隐藏系数。
在一个实施例中，所述系统还包括：
样本信息获得模块，所述样本信息获得模块用于基于红枣质量检测的数据记录，处理获取样本红枣残留物检测结果集和样本皱缩程度信息集；
样本食品安全监测结果集获得模块，所述样本食品安全监测结果集获得模块用于根据残留物标准和红枣质量标准，对样本红枣残留物检测结果集和样本皱缩程度信息集进行评估，获得样本食品安全监测结果集；
食品安全分类器构建模块，所述食品安全分类器构建模块用于采用样本红枣残留物检测结果集、样本皱缩程度信息集和样本食品安全监测结果集，构建包括多个食品安全分析分支的食品安全分类器；
食品安全监测结果获得模块，所述食品安全监测结果获得模块用于将所述红枣残留物检测结果和缩皱程度信息分别输入多个食品安全分析分支，获得多个子食品安全监测结果，根据多个食品安全分析分支的准确率大小，对多个子食品安全监测结果进行加权计算，获得所述食品安全监测结果。
在一个实施例中，所述系统还包括：
训练数据选择模块，所述训练数据选择模块用于有放回地从样本红枣残留物检测结果集、样本皱缩程度信息集和样本食品安全监测结果集内随机选择M组训练数据，组成第一数据集，M为大于1的整数，且小于样本红枣残留物检测结果集内数据的数量；
第一食品安全分析分支构建模块，所述第一食品安全分析分支构建模块用于采用第一数据集，基于机器学习，构建多个食品安全分析分支内的第一食品安全分析分支，并训练至收敛；
食品安全分析分支训练模块，所述食品安全分析分支训练模块用于继续构建并训练第二食品安全分析分支，直到多个食品安全分析分支训练完成；
食品安全分类器获得模块，所述食品安全分类器获得模块用于集成多个食品安全分析分支，获得食品安全分类器。
综上所述，与现有技术相比，本公开的实施例具有以下技术效果：
（1）可以解决现有的红枣食品安全监测方法由于检测精度较低导致安全评估的准确性较低的技术问题，通过图像比对进行红枣的皱缩程度分析，可以提高红枣皱缩程度分析的效率；通过对综合残留物检测结果进行残留物补偿，可以提高残留物检测结果获得的准确率，从而可以提高红枣食品安全监测的质量。
（2）通过根据批次红枣的皱缩程度信息进行残留物隐藏系数计算，获得综合残留隐藏系数，并根据综合残留隐藏系数对综合残留物检测结果进行残留物补偿，获得红枣残留物检测结果，可以考虑到红枣皱缩程度对残留物隐藏造成的影响，从而可以提高红枣残留物检测结果获得的准确率。
以上所述实施例仅表达了本公开的几种实施方式，但并不能因此而理解为对发明专利范围的限制。因此，在不脱离如由所附权利要求限定的本公开构思的范围的情况下，本领域普通技术人员可做出各种类型的替换、修改和变更，并且这些替换、修改和变更都属于本公开的保护范围。
Claims (5)
1.一种基于大数据的红枣食品安全智能监测方法，其特征在于，所述方法应用于一基于大数据的红枣食品安全智能监测装置，所述装置包括外观检测工站、残留检测工站和补偿分析工站，所述方法包括：
通过外观检测工站，采集待进行食品安全检测的批次红枣的图像，并采用动态阈值，提取获得包括多个红枣轮廓图像的总轮廓图像；
在总轮廓图像内的多个红枣轮廓图像内，计算最小包含矩形的面积和长宽比，获得多个特征信息集；
根据所述多个特征信息集，分析多个红枣的皱缩程度信息，并映射匹配获得综合残留隐藏系数；
通过残留检测工站，对批次红枣进行随机样本抽取，获得多个样本红枣并进行残留物检测，获得多个残留物检测结果，并计算获得综合残留物检测结果；
将综合残留物检测结果和综合残留隐藏系数传输至补偿分析工站，进行残留物补偿计算，获得红枣残留物检测结果；
根据所述红枣残留物检测结果和缩皱程度信息，评估获取红枣的食品安全监测结果；
其中，所述方法包括：
采集待进行食品安全检测的批次红枣的图像，作为批次图像；
对批次图像进行灰度化处理；
根据环境内的亮度，设置动态阈值，对灰度化的批次图像内的全部像素点进行判别，获得二值化图像；
根据二值化图像，提取获得包括多个红枣轮廓图像的总轮廓图像；
其中，所述方法包括：
根据红枣质量的检测数据记录，调取获得历史时间内红枣进行质量检测的多个历史特征信息集，并获取合格红枣轮廓图像的标准最小包含矩形的标准面积和标准长宽比；
根据多个历史特征信息集，以标准面积和标准长宽比为基准，计算获取多个样本皱缩程度信息；
以矩形面积和长宽比为决策特征，采用多个历史特征信息集和多个样本皱缩程度信息作为构建数据，基于决策树，构建皱缩识别通道，嵌入所述外观检测工站；
将所述多个特征信息集分别输入所述皱缩识别通道，获得多个皱缩程度信息；
其中，所述方法包括：
根据红枣的残留物检测数据记录，获取样本残留物隐藏系数集和样本皱缩程度信息集；
构建所述样本残留物隐藏系数集和样本皱缩程度信息集的映射关系；
根据多个皱缩程度信息进行映射匹配，获取多个残留物隐藏系数；
根据所述多个皱缩程度信息的大小，对多个残留物隐藏系数进行加权计算，获得综合残留隐藏系数。
2.根据权利要求1所述的方法，其特征在于，所述方法包括：
在总轮廓图像的多个红枣轮廓图像内，对多个红枣轮廓图像进行最小包含矩形框选拟合，获得多个最小包含矩形；
计算多个最小包含矩形的面积和长宽比，获得所述多个特征信息集。
3.根据权利要求1所述的方法，其特征在于，所述方法包括：
基于红枣质量检测的数据记录，处理获取样本红枣残留物检测结果集和样本皱缩程度信息集；
根据残留物标准和红枣质量标准，对样本红枣残留物检测结果集和样本皱缩程度信息集进行评估，获得样本食品安全监测结果集；
采用样本红枣残留物检测结果集、样本皱缩程度信息集和样本食品安全监测结果集，构建包括多个食品安全分析分支的食品安全分类器；
将所述红枣残留物检测结果和缩皱程度信息分别输入多个食品安全分析分支，获得多个子食品安全监测结果，根据多个食品安全分析分支的准确率大小，对多个子食品安全监测结果进行加权计算，获得所述食品安全监测结果。
4.根据权利要求3所述的方法，其特征在于，所述方法包括：
有放回地从样本红枣残留物检测结果集、样本皱缩程度信息集和样本食品安全监测结果集内随机选择M组训练数据，组成第一数据集，M为大于1的整数，且小于样本红枣残留物检测结果集内数据的数量；
采用第一数据集，基于机器学习，构建多个食品安全分析分支内的第一食品安全分析分支，并训练至收敛；
继续构建并训练第二食品安全分析分支，并有放回地从样本红枣残留物检测结果集、样本皱缩程度信息集和样本食品安全监测结果集内随机选择N组训练数据，组件第二数据集，其中N与M的数量不同，且N大于1小于样本红枣残留物检测结果集内数据的数量，直到多个食品安全分析分支训练完成；
集成多个食品安全分析分支，获得食品安全分类器。
5.一种基于大数据的红枣食品安全智能监测系统，其特征在于，用于执行权利要求1-4中所述的一种基于大数据的红枣食品安全智能监测方法中任意一项方法的步骤，所述系统包括：
总轮廓图像提取模块，所述总轮廓图像提取模块用于通过外观检测工站，采集待进行食品安全检测的批次红枣的图像，并采用动态阈值，提取获得包括多个红枣轮廓图像的总轮廓图像；
特征信息集获得模块，所述特征信息集获得模块用于在总轮廓图像内的多个红枣轮廓图像内，计算最小包含矩形的面积和长宽比，获得多个特征信息集；
综合残留隐藏系数获得模块，所述综合残留隐藏系数获得模块用于根据所述多个特征信息集，分析多个红枣的皱缩程度信息，并映射匹配获得综合残留隐藏系数；
综合残留物检测结果计算模块，所述综合残留物检测结果计算模块用于通过残留检测工站，对批次红枣进行随机样本抽取，获得多个样本红枣并进行残留物检测，获得多个残留物检测结果，并计算获得综合残留物检测结果；
红枣残留物检测结果获得模块，所述红枣残留物检测结果获得模块用于将综合残留物检测结果和综合残留隐藏系数传输至补偿分析工站，进行残留物补偿计算，获得红枣残留物检测结果；
食品安全监测结果评估模块，所述食品安全监测结果评估模块用于根据所述红枣残留物检测结果和缩皱程度信息，评估获取红枣的食品安全监测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311171807.7A CN117250322B (zh) | 2023-09-12 | 2023-09-12 | 一种基于大数据的红枣食品安全智能监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311171807.7A CN117250322B (zh) | 2023-09-12 | 2023-09-12 | 一种基于大数据的红枣食品安全智能监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117250322A CN117250322A (zh) | 2023-12-19 |
| CN117250322B true CN117250322B (zh) | 2024-04-12 |
Family
ID=89125762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311171807.7A Active CN117250322B (zh) | 2023-09-12 | 2023-09-12 | 一种基于大数据的红枣食品安全智能监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117250322B (zh) |
Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1082739A (ja) * | 1996-09-09 | 1998-03-31 | Kishimoto Akira | 青果物等の内部品質検査方法およびその装置 |
| JP2000097929A (ja) * | 1998-09-25 | 2000-04-07 | Yoshiyuki Sasaki | 食肉の肉質判別方法 |
| JP2000278612A (ja) * | 1999-03-24 | 2000-10-06 | Casio Comput Co Ltd | 撮像装置及び撮像装置のメカシャッタ応答遅れ測定方法 |
| JP2009068850A (ja) * | 2007-09-10 | 2009-04-02 | Miyazaki Tlo:Kk | 分光画像法による農産物の残留農薬検査方法および装置 |
| CN105973858A (zh) * | 2016-06-13 | 2016-09-28 | 宜春学院 | 一种中药品质自动检测系统 |
| CN106771010A (zh) * | 2016-05-21 | 2017-05-31 | 广州今典精方医药科技有限公司 | 金银花细胞破壁粉的质量标准与制造工艺 |
| CN206411100U (zh) * | 2017-01-19 | 2017-08-15 | 沧州全鑫食品有限公司 | 一种红枣质量检测线 |
| CN107576584A (zh) * | 2017-09-20 | 2018-01-12 | 天津瑞泽分析仪器有限公司 | 一种水果品质综合检测分析仪 |
| KR101831436B1 (ko) * | 2017-05-31 | 2018-02-22 | 서울대학교산학협력단 | 크로마토그래프지문의 유사성 비교를 통한 원료의 품질 평가 방법 |
| CN207923846U (zh) * | 2018-03-28 | 2018-09-28 | 四川省华检技术检测服务有限公司 | 一种多功能食品检测装置 |
| CN108872091A (zh) * | 2018-03-20 | 2018-11-23 | 浙江理工大学 | 一种基于高光谱成像的蔬菜农药残留浓度的检测方法 |
| CN111435427A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 识别大米的方法、装置和烹饪器具 |
| CN111528499A (zh) * | 2020-06-19 | 2020-08-14 | 宁夏顺元堂汉方生物科技有限公司 | 红枣清洗烘干系统 |
| CN112541381A (zh) * | 2020-04-10 | 2021-03-23 | 深圳优地科技有限公司 | 基于机器人的商品采购方法及机器人 |
| CN114462485A (zh) * | 2021-01-29 | 2022-05-10 | 王建新 | 一种红枣枣疯病初期防治方法 |
| CN114591380A (zh) * | 2022-04-20 | 2022-06-07 | 杨子萱 | 一种环磷腺苷的提取方法 |
| CN115047091A (zh) * | 2022-04-06 | 2022-09-13 | 中华全国供销合作总社济南果品研究所 | 一种干制红枣片中呈香组分的分析方法 |
| CN115339723A (zh) * | 2022-06-27 | 2022-11-15 | 浙江理工大学 | 一种四粒装水果便携礼品包装盒 |
| CN218067896U (zh) * | 2022-04-11 | 2022-12-16 | 安徽味滋源食品有限公司 | 一种食品检测仪 |
| CN218260215U (zh) * | 2022-10-26 | 2023-01-10 | 喀什妃尝香农业发展有限公司 | 一种用于果蔬损坏冻干快速拾捡的拾取器 |
| CN115719451A (zh) * | 2022-11-21 | 2023-02-28 | 佳木斯大学 | 一种软枣猕猴桃成熟度检测方法及系统 |
| CN218691609U (zh) * | 2022-11-15 | 2023-03-24 | 喀什妃尝香农业发展有限公司 | 一种新型冻干食品果蔬自动分类装置 |
| CN116114814A (zh) * | 2022-11-17 | 2023-05-16 | 古蔺汇民食品科技开发有限公司 | 一种赶黄草植物饮料配方及生产工艺 |
| WO2023114121A1 (en) * | 2021-12-13 | 2023-06-22 | Mars, Incorporated | A computer-implemented method of predicting quality of a food product sample |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2620118A1 (en) * | 2005-08-23 | 2007-03-01 | 3M Innovative Properties Company | Methods of applying antimicrobial formulations on food |
| FR2985649B1 (fr) * | 2012-01-16 | 2016-03-11 | Seb Sa | Procede de cuisson d'aliments et appareil mettant en oeuvre ce procede |
| US10304194B2 (en) * | 2016-03-25 | 2019-05-28 | The Regents Of The University Of California | Method for quantifying produce shape |
| GB201819759D0 (en) * | 2018-12-04 | 2019-01-23 | Phytoquest Ltd | Bioactive phytochemicals in zizphus and guarana |
| JP2022538904A (ja) * | 2019-07-01 | 2022-09-06 | ミガル ガリレー リサーチ インスティテュート リミテッド | 農産物の変形閾値の測定 |
| EP4002207A1 (en) * | 2020-11-06 | 2022-05-25 | Tata Consultancy Services Limited | Method and system for real-time shelf-life prediction of food items |
| US20230023641A1 (en) * | 2021-07-22 | 2023-01-26 | X Development Llc | Automated detection of chemical component of moving object |
| WO2023056119A1 (en) * | 2021-09-28 | 2023-04-06 | Apeel Technology, Inc. | Controlling produce ripening during transit |
-
2023
- 2023-09-12 CN CN202311171807.7A patent/CN117250322B/zh active Active
Patent Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1082739A (ja) * | 1996-09-09 | 1998-03-31 | Kishimoto Akira | 青果物等の内部品質検査方法およびその装置 |
| JP2000097929A (ja) * | 1998-09-25 | 2000-04-07 | Yoshiyuki Sasaki | 食肉の肉質判別方法 |
| JP2000278612A (ja) * | 1999-03-24 | 2000-10-06 | Casio Comput Co Ltd | 撮像装置及び撮像装置のメカシャッタ応答遅れ測定方法 |
| JP2009068850A (ja) * | 2007-09-10 | 2009-04-02 | Miyazaki Tlo:Kk | 分光画像法による農産物の残留農薬検査方法および装置 |
| CN106771010A (zh) * | 2016-05-21 | 2017-05-31 | 广州今典精方医药科技有限公司 | 金银花细胞破壁粉的质量标准与制造工艺 |
| CN105973858A (zh) * | 2016-06-13 | 2016-09-28 | 宜春学院 | 一种中药品质自动检测系统 |
| CN206411100U (zh) * | 2017-01-19 | 2017-08-15 | 沧州全鑫食品有限公司 | 一种红枣质量检测线 |
| KR101831436B1 (ko) * | 2017-05-31 | 2018-02-22 | 서울대학교산학협력단 | 크로마토그래프지문의 유사성 비교를 통한 원료의 품질 평가 방법 |
| CN107576584A (zh) * | 2017-09-20 | 2018-01-12 | 天津瑞泽分析仪器有限公司 | 一种水果品质综合检测分析仪 |
| CN108872091A (zh) * | 2018-03-20 | 2018-11-23 | 浙江理工大学 | 一种基于高光谱成像的蔬菜农药残留浓度的检测方法 |
| CN207923846U (zh) * | 2018-03-28 | 2018-09-28 | 四川省华检技术检测服务有限公司 | 一种多功能食品检测装置 |
| CN111435427A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 识别大米的方法、装置和烹饪器具 |
| CN112541381A (zh) * | 2020-04-10 | 2021-03-23 | 深圳优地科技有限公司 | 基于机器人的商品采购方法及机器人 |
| CN111528499A (zh) * | 2020-06-19 | 2020-08-14 | 宁夏顺元堂汉方生物科技有限公司 | 红枣清洗烘干系统 |
| CN114462485A (zh) * | 2021-01-29 | 2022-05-10 | 王建新 | 一种红枣枣疯病初期防治方法 |
| WO2023114121A1 (en) * | 2021-12-13 | 2023-06-22 | Mars, Incorporated | A computer-implemented method of predicting quality of a food product sample |
| CN115047091A (zh) * | 2022-04-06 | 2022-09-13 | 中华全国供销合作总社济南果品研究所 | 一种干制红枣片中呈香组分的分析方法 |
| CN218067896U (zh) * | 2022-04-11 | 2022-12-16 | 安徽味滋源食品有限公司 | 一种食品检测仪 |
| CN114591380A (zh) * | 2022-04-20 | 2022-06-07 | 杨子萱 | 一种环磷腺苷的提取方法 |
| CN115339723A (zh) * | 2022-06-27 | 2022-11-15 | 浙江理工大学 | 一种四粒装水果便携礼品包装盒 |
| CN218260215U (zh) * | 2022-10-26 | 2023-01-10 | 喀什妃尝香农业发展有限公司 | 一种用于果蔬损坏冻干快速拾捡的拾取器 |
| CN218691609U (zh) * | 2022-11-15 | 2023-03-24 | 喀什妃尝香农业发展有限公司 | 一种新型冻干食品果蔬自动分类装置 |
| CN116114814A (zh) * | 2022-11-17 | 2023-05-16 | 古蔺汇民食品科技开发有限公司 | 一种赶黄草植物饮料配方及生产工艺 |
| CN115719451A (zh) * | 2022-11-21 | 2023-02-28 | 佳木斯大学 | 一种软枣猕猴桃成熟度检测方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| "Effect of hot air dried on shrinkage characteristics of jujube";Yu-long Wei et al;《Science and Technology of Food Industry》;20150416;第22卷;第114-118, 123页 * |
| "Effects of glufosinate on growth and quality components of Camellia sinensis";Wang ShuYan et al;《Journal of Food Safety and Quality》;20220202;第12卷(第20期);第8084-8092页 * |
| "基于残差网络和图像处理的干制哈密大枣外部品质检测";马本学等;《农业机械学报》;20210924;第52卷(第11期);第358-366页 * |
| "灰度共生矩阵在蔬菜种类识别中的应用研究";霍志林等;《中国计量学院学报》;20150315;第26卷(第1期);第105-109页 * |
| "麝香保心丸治疗冠心病心绞痛的系统评价再评价";袁慧婵等;《中国中医急症》;20210215;第30卷(第2期);第218-221+256页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117250322A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107871316B (zh) | 基于深度神经网络的x光片手骨兴趣区域自动提取方法 | |
| CN108596880A (zh) | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 | |
| CN109377487B (zh) | 一种基于深度学习分割的水果表面缺陷检测方法 | |
| CN111667455A (zh) | 一种刷具多种缺陷的ai检测方法 | |
| CN111784633A (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
| CN109829895A (zh) | 一种基于gan的aoi缺陷检测方法 | |
| CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
| CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
| CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
| CN113129272A (zh) | 一种基于去噪卷积自编码器的缺陷检测方法及装置 | |
| CN110736709A (zh) | 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法 | |
| CN111077150A (zh) | 一种基于计算机视觉和神经网络的大便智能分析方法 | |
| CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
| CN106645180A (zh) | 检查基板玻璃缺陷的方法、现场终端及服务器 | |
| CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
| CN112184627A (zh) | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 | |
| CN115601747A (zh) | 一种贴壁细胞汇合度的计算方法和系统 | |
| CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
| CN117250322B (zh) | 一种基于大数据的红枣食品安全智能监测方法及系统 | |
| CN108694375A (zh) | 一种可用于多电子鼻平台的图像化白酒识别方法 | |
| CN109145966B (zh) | 有孔虫化石自动鉴定方法 | |
| CN111523564A (zh) | 一种用于深度学习训练的sar时敏目标样本增广方法 | |
| CN110610136A (zh) | 一种基于深度学习的变电站设备识别模块及识别方法 | |
| CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
| Mu et al. | Pattern recognition of wood defects types based on Hu invariant moments |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |