CN117273550B - 一种食品检测智能实验室的信息管理方法 - Google Patents
一种食品检测智能实验室的信息管理方法 Download PDFInfo
- Publication number
- CN117273550B CN117273550B CN202311544525.7A CN202311544525A CN117273550B CN 117273550 B CN117273550 B CN 117273550B CN 202311544525 A CN202311544525 A CN 202311544525A CN 117273550 B CN117273550 B CN 117273550B
- Authority
- CN
- China
- Prior art keywords
- edge node
- food
- appearance
- detection
- index
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 372
- 235000013305 food Nutrition 0.000 title claims abstract description 252
- 238000007726 management method Methods 0.000 title claims abstract description 33
- 238000004519 manufacturing process Methods 0.000 claims abstract description 31
- 238000003860 storage Methods 0.000 claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 235000019601 food appearance Nutrition 0.000 claims description 95
- 238000004364 calculation method Methods 0.000 claims description 90
- 230000005540 biological transmission Effects 0.000 claims description 71
- 238000009826 distribution Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 16
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 11
- 230000003213 activating effect Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 9
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000036541 health Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 244000088415 Raphanus sativus Species 0.000 description 1
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000015219 food category Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 235000021404 traditional food Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G01N21/88—Investigating the presence of flaws or contamination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/693—Acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种食品检测智能实验室的信息管理方法,涉及数据处理技术领域,包括:获得食品检测指标;对第一待检食品进行图像采集,生成第一图像采集结果;将第一图像采集结果、食品类型信息和外观检测指标发送至云服务中进行解析,生成外观指标预测特征值;获得第一待检食品基本信息;将食品生产信息、食品运输信息、食品存储信息和非外观检测指标发送至云服务中心进行解析,生成非外观指标预测特征值;对第一待检食品进行实验指标标识,生成第一数据标识结果发送至智能实验室数据管理中心。解决了现有技术中的全检模式逐渐无法适应大规模的食品检测需求,导致存在食品异常指标检出效率较低的技术问题。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种食品检测智能实验室的信息管理方法。
背景技术
食品安全检测实验室是用于检测食品质量,包括农药含量、微生物含量和细菌含量等非外观指标检测,以及斑点、杂质和霉毛等外观指标检测。通过各类实验对食品进行安全检测,可以保证食品的安全性,是保障居民健康的重要工作内容。
传统的食品安全检测通常是针对设定的各类指标都进行检测,但是随着检测规模化的不断增大,导致检测数量需求激增,传统的全检模式逐渐无法适应发展需求,如何提升食品安全检测的异常指标检出效率成为一项重点的研究方向。
发明内容
本申请提供了一种食品检测智能实验室的信息管理方法,用于针对解决现有技术中的全检模式逐渐无法适应大规模的食品检测需求,导致存在食品异常指标检出效率较低的技术问题。
鉴于上述问题,本申请提供了一种食品检测智能实验室的信息管理方法。
本申请的第一个方面,提供了一种食品检测智能实验室的信息管理方法,应用于食品检测智能实验室的信息管理系统,所述系统和云服务中心通信连接,所述系统包括显微图像传感器,包括:获得食品检测指标,其中,所述食品检测指标包括外观检测指标和非外观检测指标;激活显微图像传感器对第一待检食品进行显微图像采集,生成第一图像采集结果;将所述第一图像采集结果、食品类型信息和所述外观检测指标发送至云服务中心的食品外观检测模块进行解析,生成外观指标预测特征值;获得第一待检食品基本信息,其中,所述第一待检食品基本信息包括食品生产信息、食品运输信息和食品存储信息;将所述食品生产信息、所述食品运输信息、所述食品存储信息和所述非外观检测指标发送至云服务中心的数据统计模块进行解析,生成非外观指标预测特征值;根据所述外观指标预测特征值和所述非外观指标预测特征值对所述第一待检食品进行实验指标标识,生成第一数据标识结果;将所述第一数据标识结果发送至智能实验室数据管理中心。
本申请的第二个方面,提供了一种食品检测智能实验室的信息管理系统,和云服务中心通信连接,包括显微图像传感器,执行步骤包括:检测指标获得单元,用于获得食品检测指标,其中,所述食品检测指标包括外观检测指标和非外观检测指标;显微图像采集单元,用于激活显微图像传感器对第一待检食品进行显微图像采集,生成第一图像采集结果;外观指标预测单元,用于将所述第一图像采集结果、食品类型信息和所述外观检测指标发送至云服务中心的食品外观检测模块进行解析,生成外观指标预测特征值;食品基本信息获得单元,用于获得第一待检食品基本信息,其中,所述第一待检食品基本信息包括食品生产信息、食品运输信息和食品存储信息;非外观指标预测单元,用于将所述食品生产信息、所述食品运输信息、所述食品存储信息和所述非外观检测指标发送至云服务中心的数据统计模块进行解析,生成非外观指标预测特征值;实验指标标识单元,用于根据所述外观指标预测特征值和所述非外观指标预测特征值对所述第一待检食品进行实验指标标识,生成第一数据标识结果;数据传输单元,用于将所述第一数据标识结果发送至智能实验室数据管理中心。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供了获得食品检测指标,其中,所述食品检测指标包括外观检测指标和非外观检测指标;激活显微图像传感器对第一待检食品进行显微图像采集,生成第一图像采集结果;将所述第一图像采集结果、食品类型信息和所述外观检测指标发送至云服务中心的食品外观检测模块进行解析,生成外观指标预测特征值;获得第一待检食品基本信息,其中,所述第一待检食品基本信息包括食品生产信息、食品运输信息和食品存储信息;将所述食品生产信息、所述食品运输信息、所述食品存储信息和所述非外观检测指标发送至云服务中心的数据统计模块进行解析,生成非外观指标预测特征值;根据所述外观指标预测特征值和所述非外观指标预测特征值对所述第一待检食品进行实验指标标识,生成第一数据标识结果;将所述第一数据标识结果发送至智能实验室数据管理中心的技术方案。通过具有外观指标预测特征值和非外观指标预测特征值的标识数据,智能实验室可以选择性的进行指标的检测,达到了提升异常食品质量指标检出效率的技术效果。
附图说明
图1为本申请提供的一种食品检测智能实验室的信息管理方法流程示意图;
图2为本申请提供的一种食品检测智能实验室的信息管理方法中获得外观指标预测特征值的流程示意图;
图3为本申请提供的一种食品检测智能实验室的信息管理系统的结构示意图。
附图标记说明:检测指标获得单元100,显微图像采集单元200,外观指标预测单元300,食品基本信息获得单元400,非外观指标预测单元500,实验指标标识单元600,数据传输单元700。
具体实施方式
本申请通过提供了一种食品检测智能实验室的信息管理方法,用于针对解决现有技术中的全检模式逐渐无法适应大规模的食品检测需求,导致存在食品异常指标检出效率较低的技术问题。通过具有外观指标预测特征值和非外观指标预测特征值的标识数据,智能实验室可以选择性的进行指标的检测,达到了提升异常食品质量指标检出效率的技术效果。
实施例一
如图1所示,本申请提供了一种食品检测智能实验室的信息管理方法,应用于食品检测智能实验室的信息管理系统,所述系统和云服务中心通信连接,所述系统包括显微图像传感器,包括步骤:
具体而言,本申请实施例所提出的一种食品检测智能实验室的信息管理方法,主要作用在于为送至智能实验室进行食品检测的待检测食品进行检测指标的预测标识,从而便于智能实验室针对指标预测标识进行选择性优先检测,从而达到提高食品检测工作效率的技术效果。所谓智能实验室即指的是搭载了本申请实施例所提供的食品检测智能实验室的信息管理系统的实验室,可以接收到具有信息标识的待检食品。食品检测智能实验室的信息管理系统为用于实施本申请实施例所提供的一种食品检测智能实验室的信息管理方法的虚拟组件或/和硬件组成的系统。一种食品检测智能实验室的信息管理方法可以作为程序代码或者计算机指令存储于食品检测智能实验室的信息管理系统,便于实时调用。云服务中心为算力服务中心,为一种食品检测智能实验室的信息管理方法的各类计算进程提供云端的算力服务。
S11:获得食品检测指标,其中,所述食品检测指标包括外观检测指标和非外观检测指标;
具体而言,食品检测指标指的是食品的行业标准管理或者国家管理标准中规定的需要检测的各项指标,也可由用户自定义设定。包括但不限于:食品霉点、食品色泽、食品外形等外观指标,存储为外观检测指标;以及微生物含量、细菌含量、农药含量等非外观指标,存储为非外观检测指标。
由于食品的外观指标通常可以根据外观进行观察预测,因此可通过图像处理算法实现自动化检出。由于食品的非外观指标无法根据外观进行观察预测,因此需要根据食品的生产、运输和存储等数据进行统计分析实现智能化预测。所以本申请实施例主要包括两大部分,其一为针对外观指标的自动化检出过程,其二为非外观指标的智能化预测过程。将于后步详细阐述。
S12:激活显微图像传感器对第一待检食品进行显微图像采集,生成第一图像采集结果;
具体而言,显微图像传感器优选的部署于食品检测智能实验室,由食品检测智能实验室的信息管理系统控制。第一待检食品指的是需要进行食品安全检测的食品。第一图像采集结果指的是当第一待检食品处于食品检测智能实验室的特定区域时,则激活显微图像传感器对处于特定区域的第一待检食品进行图像采集得到的图像数据。
优选的,特定区域具有固定的光照条件,任意一个待检食品在送入智能实验室之前,都会提供至少一个待检食品的健康样品,在特定区域进行图像采集,作为健康样品图像。因此当第一待检食品进行图像采集时,最终得到的第一图像采集结果具有至少两张图像,其中一张是根据第一待检食品的类型调取的健康样品图像,另一张是对第一待检食品的检测图像。便于后步对两张图像进行智能化比对分析,从而得到外观的指标差异。确定差异较大的外观指标,便于智能实验室进行针对性检测。
S13:将所述第一图像采集结果、食品类型信息和所述外观检测指标发送至云服务中心的食品外观检测模块进行解析,生成外观指标预测特征值;
具体而言,食品外观检测模块指的是部署于云服务中心的对第一待检食品进行外观检测的功能组件。优选的,食品外观检测模块内部部署于有多个外观质量检测的功能节点,任意一个功能节点均由卷积神经网络训练而得,任意一个功能节点和一个食品类型信息的外观检测指标一一对应。食品类型信息指的是表征食品类目的基本信息,示例地如:萝卜、面包、小麦等类目。将所述第一图像采集结果、食品类型信息和外观检测指标发送至云服务中心的食品外观检测模块,通过食品类型信息和外观检测指标对食品外观检测模块的多个功能节点进行选择性激活,进而对第一图像采集结果的健康样品图像以及第一待检食品的检测图像进行智能化比对分析,得到第一待检食品的各项外观指标和健康样品的外观指标的偏差数据,存储为外观指标预测特征值。为后步人为检测观察外观指标提供了指导数据,例如:针对偏差数据较小的外观指标可不进行检测视为健康状态,针对偏差数据较大的外观指标进行针对性复查,从而提升异常指标的检出效率。
S14:获得第一待检食品基本信息,其中,所述第一待检食品基本信息包括食品生产信息、食品运输信息和食品存储信息;
具体而言,第一待检食品基本信息指的是包括食品的生产、运输和存储等基本状态数据。食品的生产状态数据指的是食品生产厂家、食品生产日期、食品类目信息等状态数据,存储为食品生产信息。食品的运输状态数据指的是食品运输环境、食品运输时长、食品运输路径等状态数据,存储为食品运输信息。食品的存储状态数据指的是食品存储条件、食品存储时长等等状态数据,存储为食品存储信息。
S15:将所述食品生产信息、所述食品运输信息、所述食品存储信息和所述非外观检测指标发送至云服务中心的数据统计模块进行解析,生成非外观指标预测特征值;
具体而言,数据统计模块指的是基于特定分析算法,对大数据进行统计解析的功能模块。非外观指标无法通过图像获得,但是相同的食品生产信息、食品运输信息、食品存储信息的约束下,第一待检食品的非外观检测指标应当是趋于集中的,因此通过食品生产信息、食品运输信息、食品存储信息的约束,基于大数据,采集相同约束条件的食品的非外观检测指标的历史检出特征值。更进一步的,在数据统计模块对历史检出特征值进行离群数据删除,对剩余数据进行集中评价,从而得到非外观指标预测特征值。基于非外观指标标准值,即行业标准规定的期望值,从而可以确定非外观指标预测特征值和非外观指标标准值的偏差数据,后步智能实验室可根据非外观指标预测特征值和非外观指标标准值的偏差数据,对非外观指标进行选择性检测,从而提升了异常质量指标的检出效率。
S16:根据所述外观指标预测特征值和所述非外观指标预测特征值对所述第一待检食品进行实验指标标识,生成第一数据标识结果;
S17:将所述第一数据标识结果发送至智能实验室数据管理中心。
具体而言,第一数据标识结果指的是将外观指标预测特征值和所述非外观指标预测特征值作为第一待检食品的标识数据进行数据整理所得结果。智能实验室数据管理中心是针对数据标识结果对待检食品进行检测指标分配的管理终端。由于通过第一数据标识结果,可以确定第一待检食品的各项指标的数据偏差的绝对值,优选地,加和第一待检食品的各项指标的数据偏差,得到指标偏差之和。其后,求取各项指标的数据偏差在指标偏差之和的占比,得到各项指标的异常概率,异常概率阈值为智能实验室数据管理中心的工作人员自定义设定的参数值。将异常概率大于或等于异常概率阈值的检测指标标识为待检指标,作为后步的优先检测指标,从而达到了提升异常指标检出效率的技术效率。
进一步的,如图2所示,将所述第一图像采集结果、食品类型信息和所述外观检测指标发送至云服务中心的食品外观检测模块进行解析,生成外观指标预测特征值,步骤S13包括步骤:
S131:根据所述食品类型信息和所述外观检测指标,对所述食品外观检测模块进行功能节点选择性激活,生成多个食品外观检测节点,其中,所述多个食品外观检测节点和所述外观检测指标一一对应;
S132:基于所述多个食品外观检测节点进行算力量统计,生成预测算力需求量;
S133:当云服务中心的算力冗余量大于所述预测算力需求量,调取所述多个食品外观检测节点,对所述第一图像采集结果进行解析,生成所述外观指标预测特征值。
具体而言,食品外观检测模块的多个食品外观检测节点和外观检测指标一一对应,任意一个食品外观检测节点的训练过程均相同,因此仅针对一个食品外观检测节点的训练举不设限制的一例阐述:
任意一个食品外观检测节点均为双通道孪生卷积神经网络模型,包括两个通道,两个通道的模型参数完全相同。任意一个通道的训练过程如下:
采集特定食品类型的某个食品图像数据,针对某个食品外观检测指标进行标识,得到外观检测指标标识数据;然后将食品图像数据作为卷积神经网络的输入数据,将外观检测指标标识数据作为卷积神经网络的输出数据的偏差监督数据进行有监督训练。采集多个图像数据和标识数据进行训练,当卷积神经网络收敛后,复制模型参数,构建两个并列的完全相同的卷积神经网络通道。进一步地,采集特定食品类型的两个不同的食品图像数据,进行外观检测指标偏差标识。将两个不同的食品图像数据分别作为两个并列的完全相同的卷积神经网络通道的输入,在两个并列的完全相同的卷积神经网络通道的后全连接一个BP神经网络处理层,接收两个并列的完全相同的卷积神经网络通道的输出进行处理,通过外观检测指标偏差标识对BP神经网络处理层的输出进行监督训练。重复迭代训练,当整个模型收敛后,得到特定食品类型的某个食品检测指标的食品外观检测节点部署于食品外观检测模块,等待后步调用。
进一步的,由于大模型的处理过程为较为复杂的算力映射过程,因此可能需要较强的算力才能完成计算任务。所以需要针对激活的多个食品外观检测节点分别进行历史算力占用量的均值统计,再加和确定其预测算力需求量。然后提取当前云服务中心尚处于闲置状态的算力冗余量,判断是否大于预测算力需求量。如果算力冗余量大于预测算力需求量,说明云服务中心可以支持本次运算,因此直接调取多个食品外观检测节点,对第一图像采集结果进行解析,生成外观指标预测特征值。
进一步的,还包括步骤S134,步骤S134还包括步骤:
S1341:当所述云服务中心的算力冗余量小于或等于所述预测算力需求量,获得第一边缘节点状态信息、第二边缘节点状态信息直到第N边缘节点状态信息;
S1342:所述第一边缘节点状态信息包括预设任务量的第一边缘节点算力冗余量、第一边缘节点算力故障触发频率和第一边缘节点数据传输距离;
S1343:所述第N边缘节点状态信息包括预设任务量的第N边缘节点算力冗余量、第N边缘节点算力故障触发频率和第N边缘节点数据传输距离;
S1344:基于所述第一边缘节点算力冗余量、所述第一边缘节点算力故障触发频率和所述第一边缘节点数据传输距离,直到所述第N边缘节点算力冗余量、所述第N边缘节点算力故障触发频率和所述第N边缘节点数据传输距离,对所述多个食品外观检测节点和所述第一图像采集结果进行下放边缘节点优化分发,生成所述外观指标预测特征值。
具体而言,当云服务中心的算力冗余量小于或等于预测算力需求量,则说明云服务中心的算力冗余量无法支持本次运算,则需要调度边缘节点的算力进行协同工作。边缘节点指的是不同于数据中心的分布式数据计算节点,用于在数据中心负载较重时,分担数据中心的计算压力,以保证计算效率。
优选地,将各个具有闲余算力的边缘节点设为第一边缘节点、第二边缘节点直到第N边缘节点,N至少大于或等于1,N为整数。第一边缘节点状态信息、第二边缘节点状态信息直到第N边缘节点状态信息指的是各个边缘节点的基础数据,优选的,任意一个边缘节点状态信息至少包括预设任务量的边缘节点算力冗余量、边缘节点算力故障触发频率和边缘节点数据传输距离。其中,预设任务量指的是执行了预设算力量的任务量,边缘节点算力冗余量指的是边缘节点当前可调度的算力量,优选的,算力量使用每秒可执行的计算机指令数量表征;边缘节点算力故障触发频率指的是在完成了预设算力量的任务量的过程中的产生算力故障的频率;边缘节点数据传输距离指的是边缘节点和云服务中心的物理距离。
由上可知,第一边缘节点状态信息包括预设任务量的第一边缘节点算力冗余量、第一边缘节点算力故障触发频率和第一边缘节点数据传输距离,直到第N边缘节点状态信息包括预设任务量的第N边缘节点算力冗余量、第N边缘节点算力故障触发频率和第N边缘节点数据传输距离。当边缘节点的故障频率越小,算力冗余量越大,数据传输距离越小,则被选用的概率越大。因此根据第一边缘节点算力冗余量、第一边缘节点算力故障触发频率和第一边缘节点数据传输距离,直到第N边缘节点算力冗余量、第N边缘节点算力故障触发频率和第N边缘节点数据传输距离,对多个食品外观检测节点和第一图像采集结果下放至边缘节点进行优化分发,生成外观指标预测特征值。
进一步的,基于所述第一边缘节点算力冗余量、所述第一边缘节点算力故障触发频率和所述第一边缘节点数据传输距离,直到所述第N边缘节点算力冗余量、所述第N边缘节点算力故障触发频率和所述第N边缘节点数据传输距离,对所述多个食品外观检测节点和所述第一图像采集结果进行下放边缘节点优化分发,生成所述外观指标预测特征值,步骤S1344包括步骤:
S13441:加和所述第一边缘节点算力故障触发频率直到所述第N边缘节点算力故障触发频率,生成算力故障加和频率;
S13442:遍历所述第一边缘节点算力故障触发频率直到所述第N边缘节点算力故障触发频率,与所述算力故障加和频率求比,生成N个第一寻优概率,其中,所述N个第一寻优概率具有第一权重;
S13443:加和所述第一边缘节点数据传输距离直到所述第N边缘节点数据传输距离,生成数据传输加和距离;
S13444:遍历所述第一边缘节点数据传输距离直到所述第N边缘节点数据传输距离,与所述数据传输加和距离求比,生成N个第二寻优概率,其中,所述N个第二寻优概率具有第二权重;
S13445:根据所述第一权重和第二权重,基于所述N个第二寻优概率和所述N个第一寻优概率,对第一边缘节点、第二边缘节点直到第N边缘节点分别求取加权均值,生成第一边缘节点寻优概率、第二边缘节点寻优概率直到第N边缘节点寻优概率;
S13446:基于所述第一边缘节点寻优概率、所述第二边缘节点寻优概率直到所述第N边缘节点寻优概率,结合所述第一边缘节点算力冗余量直到所述第N边缘节点算力冗余量对所述多个食品外观检测节点和所述第一图像采集结果进行下放边缘节点优化分发,生成所述外观指标预测特征值。
具体而言,下放边缘节点优化分发算法流程优选的如下:
加和第一边缘节点算力故障触发频率直到第N边缘节点算力故障触发频率,存储为算力故障加和频率。遍历第一边缘节点算力故障触发频率直到所述第N边缘节点算力故障触发频率,计算在算力故障加和频率的占比,即算式为:第一寻优概率=边缘节点算力故障触发频率/算力故障加和频率,得到N个第一寻优概率,其中,所述N个第一寻优概率具有第一权重。第一权重为用户自定义设计权重,表征对算力故障触发频率的偏重程度。
加和所述第一边缘节点数据传输距离直到所述第N边缘节点数据传输距离,存储为数据传输加和距离。遍历所述第一边缘节点数据传输距离直到所述第N边缘节点数据传输距离,求取在数据传输加和距离的占比,算式为:第二寻优概率=边缘节点数据传输距离/数据传输加和距离。得到N个第二寻优概率,其中,所述N个第二寻优概率具有第二权重,第二权重为用户自定义设计权重,表征对边缘节点数据传输距离的偏重程度。
根据第一权重和第二权重,基于N个第二寻优概率和N个第一寻优概率,对第一边缘节点、第二边缘节点直到第N边缘节点分别求取加权均值,生成第一边缘节点寻优概率、第二边缘节点寻优概率直到第N边缘节点寻优概率。以第一边缘节点举例阐述:第一边缘节点寻优概率=[(第一寻优概率*第一权重)+(第二寻优概率*第二权重)]/2。基于第一边缘节点寻优概率、第二边缘节点寻优概率直到第N边缘节点寻优概率,结合第一边缘节点算力冗余量直到第N边缘节点算力冗余量对所述多个食品外观检测节点和所述第一图像采集结果进行下放边缘节点优化分发,生成外观指标预测特征值。
进一步的,基于所述第一边缘节点寻优概率、所述第二边缘节点寻优概率直到所述第N边缘节点寻优概率,结合所述第一边缘节点算力冗余量直到所述第N边缘节点算力冗余量对所述多个食品外观检测节点和所述第一图像采集结果进行下放边缘节点优化分发,生成所述外观指标预测特征值,步骤S13446包括步骤:
S134461:根据所述第一边缘节点寻优概率、所述第二边缘节点寻优概率直到所述第N边缘节点寻优概率自小到大,对所述第一边缘节点、所述第二边缘节点直到所述第N边缘节点进行序列化调整,生成第一节点排序结果;
S134462:按照所述第一节点排序结果,依次调取所述第一边缘节点算力冗余量直到所述第N边缘节点算力冗余量,判断是否满足所述预测算力需求量;
S134463:若满足,获得匹配边缘节点,将所述多个食品外观检测节点的模型参数和所述第一图像采集结果发送至所述匹配边缘节点,获得所述外观指标预测特征值。
具体而言,根据第一边缘节点寻优概率、第二边缘节点寻优概率直到所述第N边缘节点寻优概率自小到大,对第一边缘节点、所述第二边缘节点直到所述第N边缘节点进行排序,得到第一节点排序结果,表征第一边缘节点、所述第二边缘节点直到所述第N边缘节点的排序数据。按照第一节点排序结果,依次调取第一边缘节点算力冗余量直到第N边缘节点算力冗余量,判断是否满足所述预测算力需求量。若满足,即将对应的边缘节点设为匹配边缘节点,将多个食品外观检测节点的模型参数和第一图像采集结果发送至匹配边缘节点进行处理得到外观指标预测特征值。
进一步的,还包括步骤S134464,步骤S134464包括步骤:
S1344641:若所述第一边缘节点、所述第二边缘节点直到所述第N边缘节点均不满足所述预测算力需求量;
S1344642:遍历所述多个食品外观检测节点进行算力量统计,生成第一食品外观检测节点算力量需求量、第二食品外观检测节点算力量需求量直到第M食品外观检测节点算力量需求量;
S1344643:按照所述第一节点排序结果,依次调取所述第一边缘节点算力冗余量直到所述第N边缘节点算力冗余量,对所述第一食品外观检测节点算力量需求量、所述第二食品外观检测节点算力量需求量直到所述第M食品外观检测节点算力量需求量进行分发,获得所述外观指标预测特征值。
具体而言,首先分析单独的节点是否满足预测算力需求量,若是单独的节点不满足预测算力需求量。则针对多个食品外观检测节点分别进行算力量统计,得到第一食品外观检测节点算力量需求量、第二食品外观检测节点算力量需求量直到第M食品外观检测节点算力量需求量,M≥1,M表征多个食品外观检测节点的数量。按照所述第一节点排序结果,依次调取所述第一边缘节点算力冗余量直到所述第N边缘节点算力冗余量,将第一食品外观检测节点算力量需求量、第二食品外观检测节点算力量需求量直到第M食品外观检测节点算力量需求量分配至对应的满足算力量需求的边缘节点,得到外观指标预测特征值。由于多个食品外观检测节点分别为独立的处理节点,因此当整体无法在单独节点计算时,可以分发至多个节点分别处理。
进一步的,将所述食品生产信息、所述食品运输信息、所述食品存储信息和所述非外观检测指标发送至云服务中心的数据统计模块进行解析,生成非外观指标预测特征值,步骤S15包括步骤:
S151:将所述食品生产信息、所述食品运输信息、所述食品存储信息和所述非外观检测指标发送至云服务中心的数据统计模块进行挖掘,获得非外观检测指标历史检测值;
S152:从所述非外观检测指标历史监测值获得第一非外观检测指标的多个历史检测记录值;
S153:对所述多个历史检测记录值进行两两距离计算,生成若干个检测记录值距离参数;
S154:以所述多个历史检测记录值的第一历史检测记录值为参照点,按照所述若干个检测记录值距离参数自近而远筛选第一预设数量的邻域检测记录值距离参数;
S155:加和所述邻域检测记录值距离参数并求倒数,设为所述第一历史检测记录值的第一密度系数,将所述第一密度系数添加进多个密度系数,其中,所述多个密度系数与所述多个历史检测记录值一一对应;
S156:根据所述多个密度系数计算密度系数均值;
S157:以所述密度系数均值与所述第一密度系数求比,生成第一历史检测记录值异常因子,添加进多个历史检测记录值异常因子,其中,所述多个历史检测记录值异常因子和所述多个历史检测记录值一一对应;
S158:将所述多个历史检测记录值异常因子大于或等于异常因子阈值的所述多个历史检测记录值删除,获得历史检测记录值删除结果;
S159:对所述历史检测记录值删除结果进行均值分析,生成第一非外观检测指标特征值,添加进所述非外观指标预测特征值。
具体而言,数据统计模块在接收到食品生产信息、食品运输信息、食品存储信息和非外观检测指标之后,在大数据中采集相同食品生产信息、食品运输信息、食品存储信息的非外观检测指标的检测记录数据,存储为非外观检测指标历史检测值,任意一个非外观检测指标具有多个历史检测值。此时,对应指标的非外观指标预测特征值,即可使用多个历史检测值的平均值表征,但是由于检测存在偶然误差,因此多个历史检测值存在离散数据,对于离散数据需要进行删除。具体识别离散数据的流程如下:
对所述多个历史检测记录值进行两两距离计算,生成若干个检测记录值距离参数。即从多个历史检测记录值随机提取两个历史检测记录值计算距离绝对值,存储为一个检测记录值距离参数。将多个历史检测记录值的任意两个历史检测记录值均进行距离绝对值计算,得到若干个检测记录值距离参数。
以多个历史检测记录值的第一历史检测记录值为参照点,按照若干个检测记录值距离参数自近而远筛选第一预设数量的邻域检测记录值距离参数,其中,第一历史检测记录值指的是多个历史检测记录值的任意一个历史检测记录值。第一预设数量为预设的构建邻域的记录值数量,邻域检测记录值距离参数指的是按照第一预设数量从若干个检测记录值距离参数筛选的,与第一历史检测记录值由近到远的距离参数集合。加和邻域检测记录值距离参数并求倒数,设为第一历史检测记录值的第一密度系数,将第一密度系数添加进多个密度系数,其中,所述多个密度系数与所述多个历史检测记录值一一对应。对多个密度系数进行均值计算,得到密度系数均值。以所述密度系数均值与所述第一密度系数求比,生成第一历史检测记录值异常因子,即算式:第一历史检测记录值异常因子=密度系数均值/第一密度系数,添加进多个历史检测记录值异常因子,多个历史检测记录值异常因子和多个历史检测记录值一一对应。将所述多个历史检测记录值异常因子大于或等于异常因子阈值的所述多个历史检测记录值删除,获得历史检测记录值删除结果。对所述历史检测记录值删除结果进行均值分析,生成第一非外观检测指标特征值,添加进所述非外观指标预测特征值。其中,异常因子阈值表征用户预设的容忍数据离散程度的某个异常因子值。异常因子越大,数据离散程度越大,当历史检测记录值异常因子大于或等于异常因子阈值时,将对应的历史检测记录值从多个历史检测记录值删除,得到表征剩余数据的历史检测记录值删除结果。对所述历史检测记录值删除结果进行均值分析,生成第一非外观检测指标特征值,添加进所述非外观指标预测特征值。基于数据统计原理,结合大数据对非外观指标进行预测,保证了非外观指标预测特征值的准确性。
综上所述,本申请实施例至少具有如下技术效果:
本申请实施例提供了获得食品检测指标,其中,所述食品检测指标包括外观检测指标和非外观检测指标;激活显微图像传感器对第一待检食品进行显微图像采集,生成第一图像采集结果;将所述第一图像采集结果、食品类型信息和所述外观检测指标发送至云服务中心的食品外观检测模块进行解析,生成外观指标预测特征值;获得第一待检食品基本信息,其中,所述第一待检食品基本信息包括食品生产信息、食品运输信息和食品存储信息;将所述食品生产信息、所述食品运输信息、所述食品存储信息和所述非外观检测指标发送至云服务中心的数据统计模块进行解析,生成非外观指标预测特征值;根据所述外观指标预测特征值和所述非外观指标预测特征值对所述第一待检食品进行实验指标标识,生成第一数据标识结果;将所述第一数据标识结果发送至智能实验室数据管理中心的技术方案。通过具有外观指标预测特征值和非外观指标预测特征值的标识数据,智能实验室可以选择性的进行指标的检测,达到了提升异常食品质量指标检出效率的技术效果。
实施例二
基于与前述实施例中一种食品检测智能实验室的信息管理方法相同的发明构思,如图3所示,本申请实施例提供了一种食品检测智能实验室的信息管理系统,和云服务中心通信连接,包括显微图像传感器,执行步骤包括:
检测指标获得单元100,用于获得食品检测指标,其中,所述食品检测指标包括外观检测指标和非外观检测指标;
显微图像采集单元200,用于激活显微图像传感器对第一待检食品进行显微图像采集,生成第一图像采集结果;
外观指标预测单元300,用于将所述第一图像采集结果、食品类型信息和所述外观检测指标发送至云服务中心的食品外观检测模块进行解析,生成外观指标预测特征值;
食品基本信息获得单元400,用于获得第一待检食品基本信息,其中,所述第一待检食品基本信息包括食品生产信息、食品运输信息和食品存储信息;
非外观指标预测单元500,用于将所述食品生产信息、所述食品运输信息、所述食品存储信息和所述非外观检测指标发送至云服务中心的数据统计模块进行解析,生成非外观指标预测特征值;
实验指标标识单元600,用于根据所述外观指标预测特征值和所述非外观指标预测特征值对所述第一待检食品进行实验指标标识,生成第一数据标识结果;
数据传输单元700,用于将所述第一数据标识结果发送至智能实验室数据管理中心。
进一步的,所述外观指标预测单元300执行步骤包括:
根据所述食品类型信息和所述外观检测指标,对所述食品外观检测模块进行功能节点选择性激活,生成多个食品外观检测节点,其中,所述多个食品外观检测节点和所述外观检测指标一一对应;
基于所述多个食品外观检测节点进行算力量统计,生成预测算力需求量;
当云服务中心的算力冗余量大于所述预测算力需求量,调取所述多个食品外观检测节点,对所述第一图像采集结果进行解析,生成所述外观指标预测特征值。
进一步的,所述外观指标预测单元300执行步骤包括:
当所述云服务中心的算力冗余量小于或等于所述预测算力需求量,获得第一边缘节点状态信息、第二边缘节点状态信息直到第N边缘节点状态信息;
所述第一边缘节点状态信息包括预设任务量的第一边缘节点算力冗余量、第一边缘节点算力故障触发频率和第一边缘节点数据传输距离;
所述第N边缘节点状态信息包括预设任务量的第N边缘节点算力冗余量、第N边缘节点算力故障触发频率和第N边缘节点数据传输距离;
基于所述第一边缘节点算力冗余量、所述第一边缘节点算力故障触发频率和所述第一边缘节点数据传输距离,直到所述第N边缘节点算力冗余量、所述第N边缘节点算力故障触发频率和所述第N边缘节点数据传输距离,对所述多个食品外观检测节点和所述第一图像采集结果进行下放边缘节点优化分发,生成所述外观指标预测特征值。
进一步的,所述外观指标预测单元300执行步骤包括:
加和所述第一边缘节点算力故障触发频率直到所述第N边缘节点算力故障触发频率,生成算力故障加和频率;
遍历所述第一边缘节点算力故障触发频率直到所述第N边缘节点算力故障触发频率,与所述算力故障加和频率求比,生成N个第一寻优概率,其中,所述N个第一寻优概率具有第一权重;
加和所述第一边缘节点数据传输距离直到所述第N边缘节点数据传输距离,生成数据传输加和距离;
遍历所述第一边缘节点数据传输距离直到所述第N边缘节点数据传输距离,与所述数据传输加和距离求比,生成N个第二寻优概率,其中,所述N个第二寻优概率具有第二权重;
根据所述第一权重和第二权重,基于所述N个第二寻优概率和所述N个第一寻优概率,对第一边缘节点、第二边缘节点直到第N边缘节点分别求取加权均值,生成第一边缘节点寻优概率、第二边缘节点寻优概率直到第N边缘节点寻优概率;
基于所述第一边缘节点寻优概率、所述第二边缘节点寻优概率直到所述第N边缘节点寻优概率,结合所述第一边缘节点算力冗余量直到所述第N边缘节点算力冗余量对所述多个食品外观检测节点和所述第一图像采集结果进行下放边缘节点优化分发,生成所述外观指标预测特征值。
进一步的,所述外观指标预测单元300执行步骤包括:
根据所述第一边缘节点寻优概率、所述第二边缘节点寻优概率直到所述第N边缘节点寻优概率自小到大,对所述第一边缘节点、所述第二边缘节点直到所述第N边缘节点进行序列化调整,生成第一节点排序结果;
按照所述第一节点排序结果,依次调取所述第一边缘节点算力冗余量直到所述第N边缘节点算力冗余量,判断是否满足所述预测算力需求量;
若满足,获得匹配边缘节点,将所述多个食品外观检测节点的模型参数和所述第一图像采集结果发送至所述匹配边缘节点,获得所述外观指标预测特征值。
进一步的,所述外观指标预测单元300执行步骤包括:
若所述第一边缘节点、所述第二边缘节点直到所述第N边缘节点均不满足所述预测算力需求量;
遍历所述多个食品外观检测节点进行算力量统计,生成第一食品外观检测节点算力量需求量、第二食品外观检测节点算力量需求量直到第M食品外观检测节点算力量需求量;
按照所述第一节点排序结果,依次调取所述第一边缘节点算力冗余量直到所述第N边缘节点算力冗余量,对所述第一食品外观检测节点算力量需求量、所述第二食品外观检测节点算力量需求量直到所述第M食品外观检测节点算力量需求量进行分发,获得所述外观指标预测特征值。
进一步的,将所述非外观指标预测单元500执行步骤包括:
将所述食品生产信息、所述食品运输信息、所述食品存储信息和所述非外观检测指标发送至云服务中心的数据统计模块进行挖掘,获得非外观检测指标历史检测值;
从所述非外观检测指标历史监测值获得第一非外观检测指标的多个历史检测记录值;
对所述多个历史检测记录值进行两两距离计算,生成若干个检测记录值距离参数;
以所述多个历史检测记录值的第一历史检测记录值为参照点,按照所述若干个检测记录值距离参数自近而远筛选第一预设数量的邻域检测记录值距离参数;
加和所述邻域检测记录值距离参数并求倒数,设为所述第一历史检测记录值的第一密度系数,将所述第一密度系数添加进多个密度系数,其中,所述多个密度系数与所述多个历史检测记录值一一对应;
根据所述多个密度系数计算密度系数均值;
以所述密度系数均值与所述第一密度系数求比,生成第一历史检测记录值异常因子,添加进多个历史检测记录值异常因子,其中,所述多个历史检测记录值异常因子和所述多个历史检测记录值一一对应;
将所述多个历史检测记录值异常因子大于或等于异常因子阈值的所述多个历史检测记录值删除,获得历史检测记录值删除结果;
对所述历史检测记录值删除结果进行均值分析,生成第一非外观检测指标特征值,添加进所述非外观指标预测特征值。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (5)
1.一种食品检测智能实验室的信息管理方法,其特征在于,应用于食品检测智能实验室的信息管理系统,所述系统和云服务中心通信连接,所述系统包括显微图像传感器,包括:
获得食品检测指标,其中,所述食品检测指标包括外观检测指标和非外观检测指标;
激活显微图像传感器对第一待检食品进行显微图像采集,生成第一图像采集结果;
将所述第一图像采集结果、食品类型信息和所述外观检测指标发送至云服务中心的食品外观检测模块进行解析,生成外观指标预测特征值;
获得第一待检食品基本信息,其中,所述第一待检食品基本信息包括食品生产信息、食品运输信息和食品存储信息;
将所述食品生产信息、所述食品运输信息、所述食品存储信息和所述非外观检测指标发送至云服务中心的数据统计模块进行解析,生成非外观指标预测特征值;
根据所述外观指标预测特征值和所述非外观指标预测特征值对所述第一待检食品进行实验指标标识,生成第一数据标识结果;
将所述第一数据标识结果发送至智能实验室数据管理中心;
其中,将所述第一图像采集结果、食品类型信息和所述外观检测指标发送至云服务中心的食品外观检测模块进行解析,生成外观指标预测特征值,包括:
根据所述食品类型信息和所述外观检测指标,对所述食品外观检测模块进行功能节点选择性激活,生成多个食品外观检测节点,其中,所述多个食品外观检测节点和所述外观检测指标一一对应;
基于所述多个食品外观检测节点进行算力量统计,生成预测算力需求量;
当云服务中心的算力冗余量大于所述预测算力需求量,调取所述多个食品外观检测节点,对所述第一图像采集结果进行解析,生成所述外观指标预测特征值;
当所述云服务中心的算力冗余量小于或等于所述预测算力需求量,获得第一边缘节点状态信息、第二边缘节点状态信息直到第N边缘节点状态信息;
所述第一边缘节点状态信息包括预设任务量的第一边缘节点算力冗余量、第一边缘节点算力故障触发频率和第一边缘节点数据传输距离;
所述第N边缘节点状态信息包括预设任务量的第N边缘节点算力冗余量、第N边缘节点算力故障触发频率和第N边缘节点数据传输距离;
基于所述第一边缘节点算力冗余量、所述第一边缘节点算力故障触发频率和所述第一边缘节点数据传输距离,直到所述第N边缘节点算力冗余量、所述第N边缘节点算力故障触发频率和所述第N边缘节点数据传输距离,对所述多个食品外观检测节点和所述第一图像采集结果进行下放边缘节点优化分发,生成所述外观指标预测特征值;
基于所述第一边缘节点算力冗余量、所述第一边缘节点算力故障触发频率和所述第一边缘节点数据传输距离,直到所述第N边缘节点算力冗余量、所述第N边缘节点算力故障触发频率和所述第N边缘节点数据传输距离,对所述多个食品外观检测节点和所述第一图像采集结果进行下放边缘节点优化分发,生成所述外观指标预测特征值,包括:
加和所述第一边缘节点算力故障触发频率直到所述第N边缘节点算力故障触发频率,生成算力故障加和频率;
遍历所述第一边缘节点算力故障触发频率直到所述第N边缘节点算力故障触发频率,与所述算力故障加和频率求比,生成N个第一寻优概率,其中,所述N个第一寻优概率具有第一权重;
加和所述第一边缘节点数据传输距离直到所述第N边缘节点数据传输距离,生成数据传输加和距离;
遍历所述第一边缘节点数据传输距离直到所述第N边缘节点数据传输距离,与所述数据传输加和距离求比,生成N个第二寻优概率,其中,所述N个第二寻优概率具有第二权重;
根据所述第一权重和第二权重,基于所述N个第二寻优概率和所述N个第一寻优概率,对第一边缘节点、第二边缘节点直到第N边缘节点分别求取加权均值,生成第一边缘节点寻优概率、第二边缘节点寻优概率直到第N边缘节点寻优概率;
基于所述第一边缘节点寻优概率、所述第二边缘节点寻优概率直到所述第N边缘节点寻优概率,结合所述第一边缘节点算力冗余量直到所述第N边缘节点算力冗余量对所述多个食品外观检测节点和所述第一图像采集结果进行下放边缘节点优化分发,生成所述外观指标预测特征值。
2.如权利要求1所述的方法,其特征在于,基于所述第一边缘节点寻优概率、所述第二边缘节点寻优概率直到所述第N边缘节点寻优概率,结合所述第一边缘节点算力冗余量直到所述第N边缘节点算力冗余量对所述多个食品外观检测节点和所述第一图像采集结果进行下放边缘节点优化分发,生成所述外观指标预测特征值,包括:
根据所述第一边缘节点寻优概率、所述第二边缘节点寻优概率直到所述第N边缘节点寻优概率自小到大,对所述第一边缘节点、所述第二边缘节点直到所述第N边缘节点进行序列化调整,生成第一节点排序结果;
按照所述第一节点排序结果,依次调取所述第一边缘节点算力冗余量直到所述第N边缘节点算力冗余量,判断是否满足所述预测算力需求量;
若满足,获得匹配边缘节点,将所述多个食品外观检测节点的模型参数和所述第一图像采集结果发送至所述匹配边缘节点,获得所述外观指标预测特征值。
3.如权利要求2所述的方法,其特征在于,还包括:
若所述第一边缘节点、所述第二边缘节点直到所述第N边缘节点均不满足所述预测算力需求量;
遍历所述多个食品外观检测节点进行算力量统计,生成第一食品外观检测节点算力量需求量、第二食品外观检测节点算力量需求量直到第M食品外观检测节点算力量需求量;
按照所述第一节点排序结果,依次调取所述第一边缘节点算力冗余量直到所述第N边缘节点算力冗余量,对所述第一食品外观检测节点算力量需求量、所述第二食品外观检测节点算力量需求量直到所述第M食品外观检测节点算力量需求量进行分发,获得所述外观指标预测特征值。
4.如权利要求1所述的方法,其特征在于,将所述食品生产信息、所述食品运输信息、所述食品存储信息和所述非外观检测指标发送至云服务中心的数据统计模块进行解析,生成非外观指标预测特征值,包括:
将所述食品生产信息、所述食品运输信息、所述食品存储信息和所述非外观检测指标发送至云服务中心的数据统计模块进行挖掘,获得非外观检测指标历史检测值;
从所述非外观检测指标历史检测值获得第一非外观检测指标的多个历史检测记录值;
对所述多个历史检测记录值进行两两距离计算,生成若干个检测记录值距离参数;
以所述多个历史检测记录值的第一历史检测记录值为参照点,按照所述若干个检测记录值距离参数自近而远筛选第一预设数量的邻域检测记录值距离参数;
加和所述邻域检测记录值距离参数并求倒数,设为所述第一历史检测记录值的第一密度系数,将所述第一密度系数添加进多个密度系数,其中,所述多个密度系数与所述多个历史检测记录值一一对应;
根据所述多个密度系数计算密度系数均值;
以所述密度系数均值与所述第一密度系数求比,生成第一历史检测记录值异常因子,添加进多个历史检测记录值异常因子,其中,所述多个历史检测记录值异常因子和所述多个历史检测记录值一一对应;
将所述多个历史检测记录值异常因子大于或等于异常因子阈值的所述多个历史检测记录值删除,获得历史检测记录值删除结果;
对所述历史检测记录值删除结果进行均值分析,生成第一非外观检测指标特征值,添加进所述非外观指标预测特征值。
5.一种食品检测智能实验室的信息管理系统,其特征在于,和云服务中心通信连接,包括显微图像传感器,执行步骤包括:
检测指标获得单元,用于获得食品检测指标,其中,所述食品检测指标包括外观检测指标和非外观检测指标;
显微图像采集单元,用于激活显微图像传感器对第一待检食品进行显微图像采集,生成第一图像采集结果;
外观指标预测单元,用于将所述第一图像采集结果、食品类型信息和所述外观检测指标发送至云服务中心的食品外观检测模块进行解析,生成外观指标预测特征值;
食品基本信息获得单元,用于获得第一待检食品基本信息,其中,所述第一待检食品基本信息包括食品生产信息、食品运输信息和食品存储信息;
非外观指标预测单元,用于将所述食品生产信息、所述食品运输信息、所述食品存储信息和所述非外观检测指标发送至云服务中心的数据统计模块进行解析,生成非外观指标预测特征值;
实验指标标识单元,用于根据所述外观指标预测特征值和所述非外观指标预测特征值对所述第一待检食品进行实验指标标识,生成第一数据标识结果;
数据传输单元,用于将所述第一数据标识结果发送至智能实验室数据管理中心;
其中,将所述第一图像采集结果、食品类型信息和所述外观检测指标发送至云服务中心的食品外观检测模块进行解析,生成外观指标预测特征值,包括:
根据所述食品类型信息和所述外观检测指标,对所述食品外观检测模块进行功能节点选择性激活,生成多个食品外观检测节点,其中,所述多个食品外观检测节点和所述外观检测指标一一对应;
基于所述多个食品外观检测节点进行算力量统计,生成预测算力需求量;
当云服务中心的算力冗余量大于所述预测算力需求量,调取所述多个食品外观检测节点,对所述第一图像采集结果进行解析,生成所述外观指标预测特征值;
当所述云服务中心的算力冗余量小于或等于所述预测算力需求量,获得第一边缘节点状态信息、第二边缘节点状态信息直到第N边缘节点状态信息;
所述第一边缘节点状态信息包括预设任务量的第一边缘节点算力冗余量、第一边缘节点算力故障触发频率和第一边缘节点数据传输距离;
所述第N边缘节点状态信息包括预设任务量的第N边缘节点算力冗余量、第N边缘节点算力故障触发频率和第N边缘节点数据传输距离;
基于所述第一边缘节点算力冗余量、所述第一边缘节点算力故障触发频率和所述第一边缘节点数据传输距离,直到所述第N边缘节点算力冗余量、所述第N边缘节点算力故障触发频率和所述第N边缘节点数据传输距离,对所述多个食品外观检测节点和所述第一图像采集结果进行下放边缘节点优化分发,生成所述外观指标预测特征值;
基于所述第一边缘节点算力冗余量、所述第一边缘节点算力故障触发频率和所述第一边缘节点数据传输距离,直到所述第N边缘节点算力冗余量、所述第N边缘节点算力故障触发频率和所述第N边缘节点数据传输距离,对所述多个食品外观检测节点和所述第一图像采集结果进行下放边缘节点优化分发,生成所述外观指标预测特征值,包括:
加和所述第一边缘节点算力故障触发频率直到所述第N边缘节点算力故障触发频率,生成算力故障加和频率;
遍历所述第一边缘节点算力故障触发频率直到所述第N边缘节点算力故障触发频率,与所述算力故障加和频率求比,生成N个第一寻优概率,其中,所述N个第一寻优概率具有第一权重;
加和所述第一边缘节点数据传输距离直到所述第N边缘节点数据传输距离,生成数据传输加和距离;
遍历所述第一边缘节点数据传输距离直到所述第N边缘节点数据传输距离,与所述数据传输加和距离求比,生成N个第二寻优概率,其中,所述N个第二寻优概率具有第二权重;
根据所述第一权重和第二权重,基于所述N个第二寻优概率和所述N个第一寻优概率,对第一边缘节点、第二边缘节点直到第N边缘节点分别求取加权均值,生成第一边缘节点寻优概率、第二边缘节点寻优概率直到第N边缘节点寻优概率;
基于所述第一边缘节点寻优概率、所述第二边缘节点寻优概率直到所述第N边缘节点寻优概率,结合所述第一边缘节点算力冗余量直到所述第N边缘节点算力冗余量对所述多个食品外观检测节点和所述第一图像采集结果进行下放边缘节点优化分发,生成所述外观指标预测特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311544525.7A CN117273550B (zh) | 2023-11-20 | 2023-11-20 | 一种食品检测智能实验室的信息管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311544525.7A CN117273550B (zh) | 2023-11-20 | 2023-11-20 | 一种食品检测智能实验室的信息管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117273550A CN117273550A (zh) | 2023-12-22 |
CN117273550B true CN117273550B (zh) | 2024-03-29 |
Family
ID=89208388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311544525.7A Active CN117273550B (zh) | 2023-11-20 | 2023-11-20 | 一种食品检测智能实验室的信息管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117273550B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111879772A (zh) * | 2020-07-28 | 2020-11-03 | 深圳市润德贤食品科技有限公司 | 一种基于大数据的食品安全智慧管理方法与系统 |
CN114742783A (zh) * | 2022-04-02 | 2022-07-12 | 中检溯源江苏技术服务有限公司 | 基于神经网络模型的食品检测方法和装置 |
KR20230056265A (ko) * | 2021-10-20 | 2023-04-27 | 케이데이터랩 주식회사 | 식품의 세부등급을 자동으로 분류하는 스마트 해썹 시스템 |
-
2023
- 2023-11-20 CN CN202311544525.7A patent/CN117273550B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111879772A (zh) * | 2020-07-28 | 2020-11-03 | 深圳市润德贤食品科技有限公司 | 一种基于大数据的食品安全智慧管理方法与系统 |
KR20230056265A (ko) * | 2021-10-20 | 2023-04-27 | 케이데이터랩 주식회사 | 식품의 세부등급을 자동으로 분류하는 스마트 해썹 시스템 |
CN114742783A (zh) * | 2022-04-02 | 2022-07-12 | 中检溯源江苏技术服务有限公司 | 基于神经网络模型的食品检测方法和装置 |
Non-Patent Citations (2)
Title |
---|
无线传感器网络动态节点选择优化策略;王晟等;计算机研究与发展;20080115(第01期);第188-195页 * |
面向服务的云-端动态协作方法;曹云梦等;计算机工程与科学;第41卷(第04期);第598-605页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117273550A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255795B (zh) | 一种基于多指标集群分析的设备状态监测方法 | |
CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
CN110929934A (zh) | 设备故障预测方法、装置、计算机设备和存储介质 | |
CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
CN113516244B (zh) | 一种智能运维方法、装置、电子设备及存储介质 | |
JP7401677B2 (ja) | モデル更新システム、モデル更新方法及び関連装置 | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
CN113574480A (zh) | 用于预测设备损坏的装置 | |
CN112612680A (zh) | 一种消息告警方法、系统、计算机设备及存储介质 | |
CN115441456A (zh) | 一种电网调度支持系统故障诊断方法及装置 | |
CN111884859A (zh) | 一种网络故障诊断方法、装置及可读存储介质 | |
CN116684878A (zh) | 一种5g信息传输数据安全监测系统 | |
CN111813644A (zh) | 系统性能的评价方法、装置、电子设备和计算机可读介质 | |
CN115037603A (zh) | 用电信息采集设备的诊断评估方法、装置及系统 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN117273550B (zh) | 一种食品检测智能实验室的信息管理方法 | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
CN117194171A (zh) | 一种异构云资源全景式异常检测系统 | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN117060353A (zh) | 基于前馈神经网络高压直流输电系统故障诊断方法及系统 | |
CN115826636A (zh) | 一种cvd设备的压力控制方法及系统 | |
CN115361424A (zh) | 一种基于物联网数据分析的医疗设备监控方法和系统 | |
CN111740856B (zh) | 基于异常检测算法的网络通信设备告警采集异常预警方法 | |
Torikka et al. | Predictive Maintenance Service Powered by Machine Learning and Big Data | |
CN101464224B (zh) | 气压沉箱设备性能检测系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |