CN117392520A - 用于食品检验检测的智能数据共享方法和系统 - Google Patents
用于食品检验检测的智能数据共享方法和系统 Download PDFInfo
- Publication number
- CN117392520A CN117392520A CN202311378961.1A CN202311378961A CN117392520A CN 117392520 A CN117392520 A CN 117392520A CN 202311378961 A CN202311378961 A CN 202311378961A CN 117392520 A CN117392520 A CN 117392520A
- Authority
- CN
- China
- Prior art keywords
- food
- detection
- node
- data
- information
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 433
- 238000001514 detection method Methods 0.000 title claims abstract description 364
- 238000007689 inspection Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000000007 visual effect Effects 0.000 claims abstract description 71
- 238000003384 imaging method Methods 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000013506 data mapping Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims description 45
- 230000003993 interaction Effects 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000011269 treatment regimen Methods 0.000 claims description 11
- 235000019601 food appearance Nutrition 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000003331 infrared imaging Methods 0.000 claims description 8
- 238000011144 upstream manufacturing Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 235000016709 nutrition Nutrition 0.000 claims description 4
- 239000002994 raw material Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000000447 pesticide residue Substances 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001580 bacterial effect Effects 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 235000013373 food additive Nutrition 0.000 description 2
- 239000002778 food additive Substances 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 235000011888 snacks Nutrition 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000002864 food coloring agent Nutrition 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000012149 noodles Nutrition 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000005554 pickling Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
-
- 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
- G06V20/68—Food, e.g. fruit or vegetables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- 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)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Immunology (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了用于食品检验检测的智能数据共享方法和系统,涉及数据处理技术领域,所述方法包括:基于食品检测编码规则对食品属性特征信息和食品视觉成像特征信息进行编码,生成食品检测因素编码信息;基于所述食品检测因素编码信息从食品检测项目链中进行匹配筛选,获得食品检验检测节点集合,进而对其中的各检测节点进行数据映射分析,生成检测节点数据流向网;依据所述检测节点数据流向网分别进行食品检验检测,得到食品检测节点数据流集合,并将所述食品检测节点数据流集合上传至共享平台进行数据交叉共享。达到实现食品检验高效共享检测和检测数据交叉共享,提高食品检验检测效率,进而确保共享数据质量的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及用于食品检验检测的智能数据共享方法和系统。
背景技术
食品检验检测是保障食品安全的重要手段,直接关系到食品的质量、安全、卫生等方面的问题,也对消费者和全社会产生着深远的影响。通过对食品进行全面的检测,可以有效地发现食品中存在的问题,如细菌污染、添加剂超标、重金属超标等,从而保障消费者在食用的安全性。为提高食品检验检测效率,增强公正性和准确性,实现食品检验检测数据共享具有非常重要的意义。然而,现有技术食品共享检测效率低,且检测数据来源众多,导致共享数据质量较低。
发明内容
本申请通过提供用于食品检验检测的智能数据共享方法和系统,解决了现有技术食品共享检测效率低,且检测数据来源众多,导致共享数据质量较低的技术问题,达到实现食品检验高效共享检测和检测数据交叉共享,提高食品检验检测效率,进而确保共享数据质量的技术效果。
鉴于上述问题,本发明提供了用于食品检验检测的智能数据共享方法和系统。
第一方面,本申请提供了用于食品检验检测的智能数据共享方法,所述方法包括:获取待检测食品的属性说明信息,对所述属性说明信息进行特征分类,得到食品属性特征信息;布设视觉识别模块,通过所述视觉识别模块对待检测食品进行视觉检测成像,采集获取食品视觉成像特征信息;获取食品检测编码规则,基于所述食品检测编码规则对所述食品属性特征信息和所述食品视觉成像特征信息进行编码,生成食品检测因素编码信息;基于所述食品检测因素编码信息从食品检测项目链中进行匹配筛选,获得食品检验检测节点集合;对所述食品检验检测节点集合中的各检测节点进行数据映射分析,生成检测节点数据流向网;依据所述检测节点数据流向网分别进行食品检验检测,得到食品检测节点数据流集合,并将所述食品检测节点数据流集合上传至共享平台进行数据交叉共享。
另一方面,本申请还提供了用于食品检验检测的智能数据共享系统,所述系统包括:食品属性特征获得模块,用于获取待检测食品的属性说明信息,对所述属性说明信息进行特征分类,得到食品属性特征信息;视觉检测成像模块,用于布设视觉识别模块,通过所述视觉识别模块对待检测食品进行视觉检测成像,采集获取食品视觉成像特征信息;食品检测因素编码生成模块,用于获取食品检测编码规则,基于所述食品检测编码规则对所述食品属性特征信息和所述食品视觉成像特征信息进行编码,生成食品检测因素编码信息;检测节点匹配筛选模块,用于基于所述食品检测因素编码信息从食品检测项目链中进行匹配筛选,获得食品检验检测节点集合;数据映射分析模块,用于对所述食品检验检测节点集合中的各检测节点进行数据映射分析,生成检测节点数据流向网;数据交叉共享模块,用于依据所述检测节点数据流向网分别进行食品检验检测,得到食品检测节点数据流集合,并将所述食品检测节点数据流集合上传至共享平台进行数据交叉共享。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
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:
由于采用了对属性说明信息进行特征分类,得到食品属性特征信息,同时通过视觉识别模块对待检测食品进行视觉检测成像,采集获取食品视觉成像特征信息;基于食品检测编码规则对食品属性特征信息和食品视觉成像特征信息进行编码,生成对应的食品检测因素编码信息,再基于食品检测因素编码信息从食品检测项目链中进行匹配筛选,获得食品检验检测节点集合;对食品检验检测节点集合中的各检测节点进行数据映射分析,生成检测节点数据流向网,进而依据检测节点数据流向网分别进行食品检验检测,得到食品检测节点数据流集合,并将食品检测节点数据流集合上传至共享平台进行数据交叉共享的技术方案。进而达到实现食品检验高效共享检测和检测数据交叉共享,提高食品检验检测效率,进而确保共享数据质量的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请用于食品检验检测的智能数据共享方法的流程示意图;
图2为本申请用于食品检验检测的智能数据共享方法中对属性说明信息进行特征分类的流程示意图;
图3为本申请用于食品检验检测的智能数据共享系统的结构示意图;
图4为本申请示例性电子设备的结构示意图。
附图标记说明:食品属性特征获得模块11,视觉检测成像模块12,食品检测因素编码生成模块13,检测节点匹配筛选模块14,数据映射分析模块15,数据交叉共享模块16,总线1110,处理器1120,收发器1130,总线接口1140,存储器1150,操作系统1151,应用程序1152和用户接口1160。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1所示,本申请提供了用于食品检验检测的智能数据共享方法,所述方法包括:
步骤S1:获取待检测食品的属性说明信息,对所述属性说明信息进行特征分类,得到食品属性特征信息;
如图2所示,进一步而言,所述对所述属性说明信息进行特征分类,本申请步骤还包括:
获取食品属性因素集合,所述食品属性因素集合包括原料来源、加工方式、食用方式、保存方式以及营养价值;
对所述食品属性因素集合进行知识抽取,获得食品属性知识实体;
基于所述食品属性知识实体进行知识属性内容细化,得到食品属性知识节点;
依据所述食品属性知识节点进行训练,构建食品属性分类器,利用所述食品属性分类器对所述属性说明信息进行特征分类。
具体的,食品检验检测是保障食品安全的重要手段,直接关系到食品的质量、安全、卫生等方面的问题,也对消费者和全社会产生着深远的影响。通过对食品进行全面的检测,可以有效地发现食品中存在的问题,如细菌污染、添加剂超标、重金属超标等,从而保障消费者在食用的安全性。为提高食品检验检测效率,增强公正性和准确性,实现食品检验检测数据共享具有非常重要的意义。
为实现智能化食品高效检测,首先通过食品检测来源方获取待检测食品的属性说明信息,所述属性说明信息为待检测食品的相关生产内容信息,例如品名、生产日期、保质期、生产许可证、配料表、营养成分表、食品添加剂、储存方式等。再对所述属性说明信息进行特征分类,具体为制定获取食品属性因素集合,所述食品属性因素集合为食品属性分类指标集合,包括原料来源,例如动物肉类、植物水果、蔬菜等、矿物盐、矿泉水等;加工方式,例如烤制、腌制等;食用方式,例如主食、零食、饮料等;保存方式,例如冷冻、常温等;以及营养价值,例如蛋白质类、碳水类、矿物质类等。
对所述食品属性因素集合进行知识抽取,即对各属性因素的具体分类食品条目进行抽取,确定食品属性知识实体,示例性的,食用方式属性因素,其属性知识实体包括主食、零食、饮料。再基于所述食品属性知识实体进行知识属性内容细化,即对各知识实体包含的具体分类内容进行确定,示例性的,主食这一知识实体的内容包括米饭、面条、面包等,每个知识属性内容都作为一个知识节点,得到相应的食品属性知识节点。依据所述食品属性知识节点进行属性训练,将食品具体内容作为模型输入内容,对应的食品属性知识实体作为输出内容标识,构建食品属性分类器,所述食品属性分类器为神经网络分类模型,用于对食品属性快速分类。利用所述食品属性分类器对所述属性说明信息进行特征分类,输出得到待检测食品对应的食品属性特征信息。实现智能化食品属性特征快速分类,提高属性特征分类准确性和食品属性识别全面性。
步骤S2:布设视觉识别模块,通过所述视觉识别模块对待检测食品进行视觉检测成像,采集获取食品视觉成像特征信息;
进一步而言,所述采集获取食品视觉成像特征信息,本申请步骤还包括:
所述视觉识别模块包括红外成像设备和CMOS图像传感器,通过所述红外成像设备对所述待检测食品进行预先成像,生成食品检测红外热图像信息;
对所述食品检测红外热图像信息进行温度特征提取划分,获得食品热分布特征信息;
通过所述CMOS图像传感器对所述待检测食品进行视觉检测,得到食品视觉图像信息,并通过卷积神经网络对所述食品视觉图像信息进行颜色特征、结构形状特征以及表面光泽特征获取;
将所述颜色特征、结构形状特征以及表面光泽特征进行融合分析,确定食品外观特征信息;
基于所述食品热分布特征信息和所述食品外观特征信息,组成所述食品视觉成像特征信息。
具体的,由于食品检测项目可能分布到不同的检测机构或者实验室进行检测,分散式检测更全面准确。为实现后续食品快速共享检验检测,布设视觉识别模块,所述视觉识别模块用于对待检测食品进行初步识别,包括红外成像设备和CMOS图像传感器。通过所述视觉识别模块对待检测食品进行视觉检测成像,首先通过所述红外成像设备对所述待检测食品进行预先成像,即可通过红外热成像仪对待检测食品进行热成像,生成食品检测红外热图像信息。再对所述食品检测红外热图像信息进行温度特征提取划分,红外图像不同颜色区间与温度分布相关联,例如黑色表示低温区域,白色表示高温区域,而黄、橙、红、紫等其他颜色则表示介于高低温之间的不同温度区间,通过颜色分布区间确定食品温度特征,进而对食品温度特征进行等级划分,确定对应的食品温度等级,即食品热分布特征信息,例如冷冻产品、冷藏产品、常温食品等。
通过所述CMOS图像传感器对所述待检测食品进行视觉检测,其中,CMOS图像传感器为具有低带宽、成像速度快等优点的便携式高精度工业图像采集设备,采集得到相应的食品视觉图像信息。并将待检测食品的标准视觉图像作为预设卷积特征,进而通过卷积神经网络对所述食品视觉图像信息的颜色特征、结构形状特征以及表面光泽特征进行计算获取。并将所述颜色特征、结构形状特征以及表面光泽特征进行融合分析,确定食品外观特征信息,即食品颜色、结构形状、表面光泽是否符合食品外观标准,示例性的,食品表面光泽不符合标准,可能存储时间较长变质。基于所述食品热分布特征信息和所述食品外观特征信息,组成食品视觉成像特征信息,以作为食品后续检验检测项目确定的依据。全方面采集食品外观特征和热分布特征,提高食品初步检测准确性,进而提高食品检测项目匹配准确性。
步骤S3:获取食品检测编码规则,基于所述食品检测编码规则对所述食品属性特征信息和所述食品视觉成像特征信息进行编码,生成食品检测因素编码信息;
具体的,通过食品属性特征和视觉特征类型制定获取食品检测编码规则,所述食品检测编码规则包括编码项目,即编码的食品特征类型;编码标识,即各编码项目的具体标识符号,例如字母、数字等;以及编码位数,即各编码项目的具体编码位数,可自行设置获取。基于所述食品检测编码规则对所述食品属性特征信息和所述食品视觉成像特征信息进行编码,生成能表征食品属性特征和视觉特征的食品检测因素编码信息。通过食品特征快速编码,提高信息处理效率,进而提高食品检测项目匹配效率。
步骤S4:基于所述食品检测因素编码信息从食品检测项目链中进行匹配筛选,获得食品检验检测节点集合;
进一步而言,所述获得食品检验检测节点集合,本申请步骤还包括:
获取食品检测数据库,所述食品检测数据库包括各食品检测项目的食品检测记录数据信息;
按照所述食品检测数据库进行分布式节点部署,获得食品检测项目链,所述食品检测项目链中的各节点与食品检测项目一一对应;
对所述食品检测记录数据信息进行标签化分类,标记得到食品检测标签特性信息;
将所述食品检测因素编码信息和所述食品检测标签特性信息进行匹配,从所述食品检测项目链中筛选出所述食品检验检测节点集合。
具体的,基于所述食品检测因素编码信息从食品检测项目链中进行匹配筛选,以确定食品检验检测项目。首先通过大数据技术或历史数据存储信息获取食品检测数据库,所述食品检测数据库包括各食品检测项目的食品检测记录数据信息,例如理化指标、食品添加剂、农药残留检测、有害物质检测、微生物检测等项目对应的检测食品特征信息以及检测结果数据。按照所述食品检测数据库进行分布式节点部署,即将数据库中的每个检测项目都作为一个检测节点,通过检测项目节点组成获得食品检测项目链,所述食品检测项目链中的各节点与食品检测项目一一对应。
对所述食品检测记录数据信息进行标签化分类,即对各检测项目对应的检测食品特征信息进行食品标签分类,示例性的,农药残留检测项目对应的食品标签包括光泽度未达标的植物水果、蔬菜等,标记得到各检测项目对应的食品检测标签特性信息。将所述食品检测因素编码信息和所述食品检测标签特性信息进行匹配,得到与食品编码相同的标签特性信息,进而筛选出与该标签相匹配的检测项目集合,并依据匹配的检测项目集合从所述食品检测项目链中筛选出对应的食品检验检测节点集合。提高检测项目智能化快速匹配,实现食品检验高效共享检测,进而提高食品检验检测效率。
步骤S5:对所述食品检验检测节点集合中的各检测节点进行数据映射分析,生成检测节点数据流向网;
进一步而言,所述生成检测节点数据流向网,本申请步骤还包括:
对所述食品检验检测节点集合中的各检测节点进行交互层级分析,获得节点交互层级信息;
基于所述节点交互层级信息进行数据分流标记,确定节点数据交互流向信息;
依据所述节点数据交互流向信息对检测节点上下游进行数据特征转换分析,得到节点数据转换需求特征信息;
基于所述节点数据交互流向信息和所述节点数据转换需求特征信息进行映射路径绘制,生成所述检测节点数据流向网。
具体的,对所述食品检验检测节点集合中的各检测节点进行数据映射分析,首先对所述食品检验检测节点集合中的各检测节点进行交互层级分析,即对各检测项目进行交互量等级分析,示例性的,理化检测项目需要与其他大部分检测项目进行数据交互,因此其交互层级较高,依据交互量等级确定节点交互层级信息。基于所述节点交互层级信息进行数据分流标记,即依据交互层级由高到低的顺序确定该节点数据的流向节点,进而确定各交互层级节点的节点数据交互流向信息。依据所述节点数据交互流向信息对检测节点上下游进行数据特征转换分析,即按照交互流向依次对上下游节点需要的数据格式特征进行确定,例如TXT、XML等,整合得到节点数据转换需求特征信息。基于所述节点数据交互流向信息和所述节点数据转换需求特征信息进行映射路径绘制,生成检测节点数据流向网,所述检测节点数据流向网用于表征检测节点数据流转映射关系。明确全面展现节点数据映射路径,减少食品检测重复性,提高食品检验检测效率。
步骤S6:依据所述检测节点数据流向网分别进行食品检验检测,得到食品检测节点数据流集合,并将所述食品检测节点数据流集合上传至共享平台进行数据交叉共享。
进一步而言,所述将所述食品检测节点数据流集合上传至共享平台进行数据交叉共享,本申请步骤还包括:
根据所述检测节点数据流向网,确定分级访问路径机制;
基于所述分级访问路径机制对所述食品检测节点数据流集合进行访问交叉验证,构建数据共享治理策略;
基于所述分级访问路径机制和所述数据共享治理策略,获取数据共享协议,并利用所述数据共享协议对所述食品检测节点数据流集合进行共享追溯分析。
进一步而言,所述将所述食品检测节点数据流集合上传至共享平台进行数据交叉共享,本申请步骤还包括:
利用所述数据共享协议对所述食品检测节点数据流集合进行共享比对,得到食品节点检测差异数据流;
依据所述食品节点检测差异数据流进行检测节点追溯,确定食品检测关联节点信息;
对所述食品检测关联节点信息进行可信度赋值,确定食品关联检测节点可信度信息,并基于所述食品关联检测节点可信度信息对所述食品节点检测差异数据流进行再验修正。
具体的,食品检验检测节点集合中的各检测节点依据所述检测节点数据流向网分别进行食品检验检测,得到相应的食品检测节点数据流集合。并将所述食品检测节点数据流集合上传至共享平台进行数据交叉共享,首先根据所述检测节点数据流向网,确定分级访问路径机制,所述分级访问路径机制为检测节点的数据访问规则,即下游节点可访问其上级节点数据,上游节点不可访问其下级节点数据。基于所述分级访问路径机制对所述食品检测节点数据流集合进行访问交叉验证,即其下游节点对其上游节点的相关联检测数据进行共享访问并验证,构建数据共享治理策略,所述数据共享治理策略为依据验证结果进行检测数据校准治理,保证检测数据准确性。基于所述分级访问路径机制和所述数据共享治理策略,组成确定数据共享协议,所述数据共享协议包括分级访问路径机制和数据共享治理策略。
并利用所述数据共享协议对所述食品检测节点数据流集合进行共享追溯分析,具体为利用所述数据共享协议对所述食品检测节点数据流集合进行共享比对,得到食品节点检测差异数据流,示例性的,上游节点理化检测具有有机磷元素,而下游节点农药残留检测项目中未检测到有机磷农药。则依据所述食品节点检测差异数据流进行检测节点追溯,即对该差异数据相关联的检测节点进行确定,得到食品检测关联节点信息,例如理化检测项目节点和农药残留检测项目节点。
对所述食品检测关联节点信息进行可信度赋值,通过关联节点的历史检测数据准确性和检测数据量进行可信程度划分判定,检测量越大且准确性越高的节点其可信度越大,以此确定各关联节点对应的食品关联检测节点可信度信息,并基于所述食品关联检测节点可信度信息对所述食品节点检测差异数据流进行再验修正,即可信度较低的检测节点可能存在检测错误,需对差异数据进行再次检测验证,并根据检测结果对差异数据进行修正,确保检测数据准确性。实现检测数据交叉共享,提高食品检验检测效率,进而确保共享数据质量。
综上所述,本申请所提供的用于食品检验检测的智能数据共享方法和系统具有如下技术效果:
由于采用了对属性说明信息进行特征分类,得到食品属性特征信息,同时通过视觉识别模块对待检测食品进行视觉检测成像,采集获取食品视觉成像特征信息;基于食品检测编码规则对食品属性特征信息和食品视觉成像特征信息进行编码,生成对应的食品检测因素编码信息,再基于食品检测因素编码信息从食品检测项目链中进行匹配筛选,获得食品检验检测节点集合;对食品检验检测节点集合中的各检测节点进行数据映射分析,生成检测节点数据流向网,进而依据检测节点数据流向网分别进行食品检验检测,得到食品检测节点数据流集合,并将食品检测节点数据流集合上传至共享平台进行数据交叉共享的技术方案。进而达到实现食品检验高效共享检测和检测数据交叉共享,提高食品检验检测效率,进而确保共享数据质量的技术效果。
实施例二
基于与前述实施例中用于食品检验检测的智能数据共享方法同样发明构思,本发明还提供了用于食品检验检测的智能数据共享系统,如图3所示,所述系统包括:
食品属性特征获得模块11,用于获取待检测食品的属性说明信息,对所述属性说明信息进行特征分类,得到食品属性特征信息;
视觉检测成像模块12,用于布设视觉识别模块,通过所述视觉识别模块对待检测食品进行视觉检测成像,采集获取食品视觉成像特征信息;
食品检测因素编码生成模块13,用于获取食品检测编码规则,基于所述食品检测编码规则对所述食品属性特征信息和所述食品视觉成像特征信息进行编码,生成食品检测因素编码信息;
检测节点匹配筛选模块14,用于基于所述食品检测因素编码信息从食品检测项目链中进行匹配筛选,获得食品检验检测节点集合;
数据映射分析模块15,用于对所述食品检验检测节点集合中的各检测节点进行数据映射分析,生成检测节点数据流向网;
数据交叉共享模块16,用于依据所述检测节点数据流向网分别进行食品检验检测,得到食品检测节点数据流集合,并将所述食品检测节点数据流集合上传至共享平台进行数据交叉共享。
进一步的,所述系统还包括:
食品属性因素获取单元,用于获取食品属性因素集合,所述食品属性因素集合包括原料来源、加工方式、食用方式、保存方式以及营养价值;
知识抽取单元,用于对所述食品属性因素集合进行知识抽取,获得食品属性知识实体;
知识节点获得单元,用于基于所述食品属性知识实体进行知识属性内容细化,得到食品属性知识节点;
属性特征分类单元,用于依据所述食品属性知识节点进行训练,构建食品属性分类器,利用所述食品属性分类器对所述属性说明信息进行特征分类。
进一步的,所述系统还包括:
红外热图像生成单元,用于所述视觉识别模块包括红外成像设备和CMOS图像传感器,通过所述红外成像设备对所述待检测食品进行预先成像,生成食品检测红外热图像信息;
特征提取划分单元,用于对所述食品检测红外热图像信息进行温度特征提取划分,获得食品热分布特征信息;
食品特征获取单元,用于通过所述CMOS图像传感器对所述待检测食品进行视觉检测,得到食品视觉图像信息,并通过卷积神经网络对所述食品视觉图像信息进行颜色特征、结构形状特征以及表面光泽特征获取;
特征融合分析单元,用于将所述颜色特征、结构形状特征以及表面光泽特征进行融合分析,确定食品外观特征信息;
视觉成像特征获得单元,用于基于所述食品热分布特征信息和所述食品外观特征信息,组成所述食品视觉成像特征信息。
进一步的,所述系统还包括:
检测数据库获取单元,用于获取食品检测数据库,所述食品检测数据库包括各食品检测项目的食品检测记录数据信息;
分布式节点部署单元,用于按照所述食品检测数据库进行分布式节点部署,获得食品检测项目链,所述食品检测项目链中的各节点与食品检测项目一一对应;
标签化分类单元,用于对所述食品检测记录数据信息进行标签化分类,标记得到食品检测标签特性信息;
检测节点筛选单元,用于将所述食品检测因素编码信息和所述食品检测标签特性信息进行匹配,从所述食品检测项目链中筛选出所述食品检验检测节点集合。
进一步的,所述系统还包括:
交互层级分析单元,用于对所述食品检验检测节点集合中的各检测节点进行交互层级分析,获得节点交互层级信息;
数据分流标记单元,用于基于所述节点交互层级信息进行数据分流标记,确定节点数据交互流向信息;
特征转换分析单元,用于依据所述节点数据交互流向信息对检测节点上下游进行数据特征转换分析,得到节点数据转换需求特征信息;
映射路径绘制单元,用于基于所述节点数据交互流向信息和所述节点数据转换需求特征信息进行映射路径绘制,生成所述检测节点数据流向网。
进一步的,所述系统还包括:
分级访问路径机制确定单元,用于根据所述检测节点数据流向网,确定分级访问路径机制;
共享治理策略构建单元,用于基于所述分级访问路径机制对所述食品检测节点数据流集合进行访问交叉验证,构建数据共享治理策略;
共享追溯分析单元,用于基于所述分级访问路径机制和所述数据共享治理策略,获取数据共享协议,并利用所述数据共享协议对所述食品检测节点数据流集合进行共享追溯分析。
进一步的,所述系统还包括:
共享比对单元,用于利用所述数据共享协议对所述食品检测节点数据流集合进行共享比对,得到食品节点检测差异数据流;
检测节点追溯单元,用于依据所述食品节点检测差异数据流进行检测节点追溯,确定食品检测关联节点信息;
数据再验修正单元,用于对所述食品检测关联节点信息进行可信度赋值,确定食品关联检测节点可信度信息,并基于所述食品关联检测节点可信度信息对所述食品节点检测差异数据流进行再验修正。
前述图1实施例一中的用于食品检验检测的智能数据共享方法的各种变化方式和具体实例同样适用于本实施例的用于食品检验检测的智能数据共享系统,通过前述对用于食品检验检测的智能数据共享方法的详细描述,本领域技术人员可以清楚的知道本实施例中用于食品检验检测的智能数据共享系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
示例性电子设备
具体的,参见图4所示,本申请还提供了一种电子设备,该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本申请中,该电子设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本申请中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本申请中公开的各方法、步骤和逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本申请所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
总线1110还可以将,例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本申请不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,在本申请中,存储器1150可进一步包括相对于处理器1120远程设置的存储器,这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如,蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
应理解,本申请中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器包括:只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器,或闪存。
易失性存储器包括:随机存取存储器,其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如:静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本申请描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本申请中,存储器1150存储了操作系统1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作系统1151包含各种装置程序,例如:框架层、核心库层、驱动层等,用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序,例如:媒体播放器、浏览器,用于实现各种应用业务。实现本申请方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
此外,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请披露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.用于食品检验检测的智能数据共享方法,其特征在于,所述方法包括:
获取待检测食品的属性说明信息,对所述属性说明信息进行特征分类,得到食品属性特征信息;
布设视觉识别模块,通过所述视觉识别模块对待检测食品进行视觉检测成像,采集获取食品视觉成像特征信息;
获取食品检测编码规则,基于所述食品检测编码规则对所述食品属性特征信息和所述食品视觉成像特征信息进行编码,生成食品检测因素编码信息;
基于所述食品检测因素编码信息从食品检测项目链中进行匹配筛选,获得食品检验检测节点集合;
对所述食品检验检测节点集合中的各检测节点进行数据映射分析,生成检测节点数据流向网;
依据所述检测节点数据流向网分别进行食品检验检测,得到食品检测节点数据流集合,并将所述食品检测节点数据流集合上传至共享平台进行数据交叉共享。
2.如权利要求1所述的方法,其特征在于,所述对所述属性说明信息进行特征分类,包括:
获取食品属性因素集合,所述食品属性因素集合包括原料来源、加工方式、食用方式、保存方式以及营养价值;
对所述食品属性因素集合进行知识抽取,获得食品属性知识实体;
基于所述食品属性知识实体进行知识属性内容细化,得到食品属性知识节点;
依据所述食品属性知识节点进行训练,构建食品属性分类器,利用所述食品属性分类器对所述属性说明信息进行特征分类。
3.如权利要求1所述的方法,其特征在于,所述采集获取食品视觉成像特征信息,包括:
所述视觉识别模块包括红外成像设备和CMOS图像传感器,通过所述红外成像设备对所述待检测食品进行预先成像,生成食品检测红外热图像信息;
对所述食品检测红外热图像信息进行温度特征提取划分,获得食品热分布特征信息;
通过所述CMOS图像传感器对所述待检测食品进行视觉检测,得到食品视觉图像信息,并通过卷积神经网络对所述食品视觉图像信息进行颜色特征、结构形状特征以及表面光泽特征获取;
将所述颜色特征、结构形状特征以及表面光泽特征进行融合分析,确定食品外观特征信息;
基于所述食品热分布特征信息和所述食品外观特征信息,组成所述食品视觉成像特征信息。
4.如权利要求1所述的方法,其特征在于,所述获得食品检验检测节点集合,包括:
获取食品检测数据库,所述食品检测数据库包括各食品检测项目的食品检测记录数据信息;
按照所述食品检测数据库进行分布式节点部署,获得食品检测项目链,所述食品检测项目链中的各节点与食品检测项目一一对应;
对所述食品检测记录数据信息进行标签化分类,标记得到食品检测标签特性信息;
将所述食品检测因素编码信息和所述食品检测标签特性信息进行匹配,从所述食品检测项目链中筛选出所述食品检验检测节点集合。
5.如权利要求1所述的方法,其特征在于,所述生成检测节点数据流向网,包括:
对所述食品检验检测节点集合中的各检测节点进行交互层级分析,获得节点交互层级信息;
基于所述节点交互层级信息进行数据分流标记,确定节点数据交互流向信息;
依据所述节点数据交互流向信息对检测节点上下游进行数据特征转换分析,得到节点数据转换需求特征信息;
基于所述节点数据交互流向信息和所述节点数据转换需求特征信息进行映射路径绘制,生成所述检测节点数据流向网。
6.如权利要求1所述的方法,其特征在于,所述将所述食品检测节点数据流集合上传至共享平台进行数据交叉共享,包括:
根据所述检测节点数据流向网,确定分级访问路径机制;
基于所述分级访问路径机制对所述食品检测节点数据流集合进行访问交叉验证,构建数据共享治理策略;
基于所述分级访问路径机制和所述数据共享治理策略,获取数据共享协议,并利用所述数据共享协议对所述食品检测节点数据流集合进行共享追溯分析。
7.如权利要求6所述的方法,其特征在于,所述方法包括:
利用所述数据共享协议对所述食品检测节点数据流集合进行共享比对,得到食品节点检测差异数据流;
依据所述食品节点检测差异数据流进行检测节点追溯,确定食品检测关联节点信息;
对所述食品检测关联节点信息进行可信度赋值,确定食品关联检测节点可信度信息,并基于所述食品关联检测节点可信度信息对所述食品节点检测差异数据流进行再验修正。
8.用于食品检验检测的智能数据共享系统,其特征在于,所述系统包括:
食品属性特征获得模块,用于获取待检测食品的属性说明信息,对所述属性说明信息进行特征分类,得到食品属性特征信息;
视觉检测成像模块,用于布设视觉识别模块,通过所述视觉识别模块对待检测食品进行视觉检测成像,采集获取食品视觉成像特征信息;
食品检测因素编码生成模块,用于获取食品检测编码规则,基于所述食品检测编码规则对所述食品属性特征信息和所述食品视觉成像特征信息进行编码,生成食品检测因素编码信息;
检测节点匹配筛选模块,用于基于所述食品检测因素编码信息从食品检测项目链中进行匹配筛选,获得食品检验检测节点集合;
数据映射分析模块,用于对所述食品检验检测节点集合中的各检测节点进行数据映射分析,生成检测节点数据流向网;
数据交叉共享模块,用于依据所述检测节点数据流向网分别进行食品检验检测,得到食品检测节点数据流集合,并将所述食品检测节点数据流集合上传至共享平台进行数据交叉共享。
9.一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述的用于食品检验检测的智能数据共享方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的用于食品检验检测的智能数据共享方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311378961.1A CN117392520B (zh) | 2023-10-24 | 用于食品检验检测的智能数据共享方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311378961.1A CN117392520B (zh) | 2023-10-24 | 用于食品检验检测的智能数据共享方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117392520A true CN117392520A (zh) | 2024-01-12 |
CN117392520B CN117392520B (zh) | 2024-06-28 |
Family
ID=
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117665224A (zh) * | 2024-01-31 | 2024-03-08 | 深圳海关食品检验检疫技术中心 | 一种用于食品检测的智能实验室管理方法 |
CN118093705A (zh) * | 2024-04-23 | 2024-05-28 | 中检溯源江苏技术服务有限公司 | 一种食品检测用信息追溯监管系统 |
CN118093705B (zh) * | 2024-04-23 | 2024-07-09 | 中检溯源江苏技术服务有限公司 | 一种食品检测用信息追溯监管系统 |
Citations (9)
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 |
CN106778958A (zh) * | 2016-12-05 | 2017-05-31 | 百奥森(江苏)食品安全科技有限公司 | 一种食品安全检测方法 |
US20180284093A1 (en) * | 2017-03-29 | 2018-10-04 | Innit International S.C.A. | Trusted Food Traceability System and Method and Sensor Network |
CN109816405A (zh) * | 2019-02-14 | 2019-05-28 | 江门出入境检验检疫局检验检疫技术中心 | 一种二维码食品安全检测方法 |
US20190197278A1 (en) * | 2017-12-13 | 2019-06-27 | Genista Biosciences Inc. | Systems, computer readable media, and methods for retrieving information from an encoded food label |
CN112052467A (zh) * | 2020-09-01 | 2020-12-08 | 华中农业大学 | 一种食品安全大数据共享方法 |
CN114254944A (zh) * | 2021-12-24 | 2022-03-29 | 胜斗士(上海)科技技术发展有限公司 | 一种食品质量管理系统、方法及装置 |
CN114936254A (zh) * | 2022-05-12 | 2022-08-23 | 清华大学 | 云链融合机制下的食品安全大数据共享管理方法及系统 |
CN116858789A (zh) * | 2023-07-18 | 2023-10-10 | 海宁市姐妹餐饮管理有限公司 | 食品安全检测系统及其方法 |
Patent Citations (9)
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 |
CN106778958A (zh) * | 2016-12-05 | 2017-05-31 | 百奥森(江苏)食品安全科技有限公司 | 一种食品安全检测方法 |
US20180284093A1 (en) * | 2017-03-29 | 2018-10-04 | Innit International S.C.A. | Trusted Food Traceability System and Method and Sensor Network |
US20190197278A1 (en) * | 2017-12-13 | 2019-06-27 | Genista Biosciences Inc. | Systems, computer readable media, and methods for retrieving information from an encoded food label |
CN109816405A (zh) * | 2019-02-14 | 2019-05-28 | 江门出入境检验检疫局检验检疫技术中心 | 一种二维码食品安全检测方法 |
CN112052467A (zh) * | 2020-09-01 | 2020-12-08 | 华中农业大学 | 一种食品安全大数据共享方法 |
CN114254944A (zh) * | 2021-12-24 | 2022-03-29 | 胜斗士(上海)科技技术发展有限公司 | 一种食品质量管理系统、方法及装置 |
CN114936254A (zh) * | 2022-05-12 | 2022-08-23 | 清华大学 | 云链融合机制下的食品安全大数据共享管理方法及系统 |
CN116858789A (zh) * | 2023-07-18 | 2023-10-10 | 海宁市姐妹餐饮管理有限公司 | 食品安全检测系统及其方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117665224A (zh) * | 2024-01-31 | 2024-03-08 | 深圳海关食品检验检疫技术中心 | 一种用于食品检测的智能实验室管理方法 |
CN117665224B (zh) * | 2024-01-31 | 2024-05-28 | 深圳海关食品检验检疫技术中心 | 一种用于食品检测的智能实验室管理方法 |
CN118093705A (zh) * | 2024-04-23 | 2024-05-28 | 中检溯源江苏技术服务有限公司 | 一种食品检测用信息追溯监管系统 |
CN118093705B (zh) * | 2024-04-23 | 2024-07-09 | 中检溯源江苏技术服务有限公司 | 一种食品检测用信息追溯监管系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nychas et al. | Novel approaches for food safety management and communication | |
Zhu et al. | Geography and similarity of regional cuisines in China | |
Aslam et al. | A control chart for time truncated life tests using Pareto distribution of second kind | |
Duffuaa et al. | Impact of inspection errors on the performance measures of a general repeat inspection plan | |
CN103810288A (zh) | 基于聚类算法对异构社会网络进行社区检测的方法 | |
Khoshgoftaar* et al. | Comparing software fault predictions of pure and zero-inflated Poisson regression models | |
Oyedele et al. | The construction of a partial least-squares biplot | |
Huynh et al. | A vision-based method to estimate volume and mass of fruit/vegetable: Case study of sweet potato | |
CN110689230B (zh) | 一种区域的贫困程度确定方法、电子装置及存储介质 | |
Pulluri et al. | Qualitative and quantitative detection of food adulteration using a smart E-Nose | |
CN117392520B (zh) | 用于食品检验检测的智能数据共享方法和系统 | |
Foody | Rating crowdsourced annotations: evaluating contributions of variable quality and completeness | |
Aslam et al. | A new sampling plan under the exponential distribution | |
Liu et al. | Non‐destructive detection of dicyandiamide in infant formula powder using multi‐spectral imaging coupled with chemometrics | |
CN117392520A (zh) | 用于食品检验检测的智能数据共享方法和系统 | |
CN111723302A (zh) | 一种基于协同双模型深度表示学习的推荐方法 | |
Fogliatto | Multiresponse optimization of products with functional quality characteristics | |
Fallah Nezhad et al. | Determining the optimum process mean in a two-stage production system based on conforming run length sampling method | |
CN114881540B (zh) | 确定水源治理方案的方法和装置、电子设备和存储介质 | |
Huakang et al. | Selection of test paths for solder joint intermittent connection faults under DC stimulus | |
Martinez-Florez et al. | Doubly censored power-normal regression models with inflation | |
Dvorzak et al. | Bayesian hierarchical modelling for uncertainty quantification in operational thermal resistance of LED systems | |
Miljkovic et al. | Redefining standards for body mass index of the US population based on BRFSS data using mixtures | |
Bashkansky et al. | Effectiveness of a product quality classifier | |
Sheu et al. | The generally weighted moving average variance chart |
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 |