CN117575621A - 一种基于传感器的食品检测方法及系统 - Google Patents
一种基于传感器的食品检测方法及系统 Download PDFInfo
- Publication number
- CN117575621A CN117575621A CN202311426941.7A CN202311426941A CN117575621A CN 117575621 A CN117575621 A CN 117575621A CN 202311426941 A CN202311426941 A CN 202311426941A CN 117575621 A CN117575621 A CN 117575621A
- Authority
- CN
- China
- Prior art keywords
- target
- detection
- information
- fruits
- vegetables
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 268
- 235000013305 food Nutrition 0.000 title claims abstract description 60
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 102
- 235000013311 vegetables Nutrition 0.000 claims abstract description 102
- 239000002689 soil Substances 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 230000009123 feedback regulation Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 19
- 238000010219 correlation analysis Methods 0.000 claims description 14
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000001917 fluorescence detection Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 235000012055 fruits and vegetables Nutrition 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003640 drug residue Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000003987 organophosphate pesticide Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013076 target substance Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种基于传感器的食品检测方法及系统，涉及智能检测技术领域，该方法包括：监测得到目标蔬菜水果的生长环境信息；将生长干预信息、土壤环境信息和气候环境信息作为目标预测模型的输入变量，得到目标预测结果；引入预定反馈调节函数对目标样本的样本检测结果进行调节，得到目标检测结果；生成目标蔬菜水果在采摘后的预设时阈内的初始检测信息；分析得到目标质量损失曲线；获取目标时间；对初始检测信息进行调整，得到目标实际检测信息。通过本公开可以解决现有技术中存在由于人工进行食品检测的效率较低，导致流入市场的食品质量较低的技术问题，实现提高食品检测效率的目标，达到提高流入市场的食品质量的技术效果。
Description
技术领域
本公开涉及智能检测技术领域，具体涉及一种基于传感器的食品检测方法及系统。
背景技术
食品检测是保障食品安全和质量的重要手段。传统的食品检测方法通常需要大量的人力和物力，并且常常需要进行复杂的实验和繁琐的分析。因此，开发一种快速、准确、自动化的食品检测方法一直是食品安全领域的重要研究方向。近年来，随着传感器技术的不断发展，基于传感器的食品检测方法逐渐得到了广泛的应用。示范性的如，光学传感器基于光学原理的传感器，利用光信号的反射、透射、散射等特性来检测目标物质。然而，目前的光学传感器和生物传感器仍存在一些问题。因此，开发一种新型的基于传感器的食品检测方法具有重要的实际意义和应用价值。食品检测需要对食品的质量进行检测，从而去除不合格的食品。目前，现有的食品检测方式大多是人工进行检测，耗费大量人力、物力，且不能保证食品质量全部合格。
综上所述，现有技术中存在由于人工进行食品检测的效率较低，导致流入市场的食品质量较低的技术问题。
发明内容
本公开提供了一种基于传感器的食品检测方法及系统，用以解决存在由于人工进行食品检测的效率较低，导致流入市场的食品质量较低的技术问题。
根据本公开的第一方面，提供了一种基于传感器的食品检测方法，包括：监测得到目标蔬菜水果的生长环境信息，所述生长环境信息包括土壤环境信息和气候环境信息；将生长干预信息、所述土壤环境信息和所述气候环境信息作为目标预测模型的输入变量，得到目标预测结果，其中，所述生长干预信息是指所述目标蔬菜水果在生长过程中受到的人工干预的信息；引入预定反馈调节函数对通过多传感器组检测得到的目标样本的样本检测结果进行调节，得到目标检测结果，所述目标样本是指所述目标蔬菜水果的检测样本；根据所述目标预测结果和所述目标检测结果，生成所述目标蔬菜水果在采摘后的预设时阈内的初始检测信息；基于监测得到的所述目标蔬菜水果的存储环境信息，分析得到目标质量损失曲线，所述目标质量损失曲线是指所述目标蔬菜水果在所述存储环境信息的条件下的质量随存储时间推移的损失序列；获取所述目标蔬菜水果进入市场的时间，记作目标时间；根据所述目标时间和所述目标质量损失曲线对所述初始检测信息进行调整，得到目标实际检测信息，所述目标实际检测信息用于表征所述目标蔬菜水果进入市场时的实际质量。
根据本公开的第二方面，提供了一种基于传感器的食品检测系统，包括：生长环境信息获得模块，所述生长环境信息获得模块用于监测得到目标蔬菜水果的生长环境信息，所述生长环境信息包括土壤环境信息和气候环境信息；目标预测结果获得模块，所述目标预测结果获得模块用于将生长干预信息、所述土壤环境信息和所述气候环境信息作为目标预测模型的输入变量，得到目标预测结果，其中，所述生长干预信息是指所述目标蔬菜水果在生长过程中受到的人工干预的信息；目标检测结果获得模块，所述目标检测结果获得模块用于引入预定反馈调节函数对通过多传感器组检测得到的目标样本的样本检测结果进行调节，得到目标检测结果，所述目标样本是指所述目标蔬菜水果的检测样本；初始检测信息获得模块，所述初始检测信息获得模块用于根据所述目标预测结果和所述目标检测结果，生成所述目标蔬菜水果在采摘后的预设时阈内的初始检测信息；目标质量损失曲线获得模块，所述目标质量损失曲线获得模块用于基于监测得到的所述目标蔬菜水果的存储环境信息，分析得到目标质量损失曲线，所述目标质量损失曲线是指所述目标蔬菜水果在所述存储环境信息的条件下的质量随存储时间推移的损失序列；目标时间获得模块，所述目标时间获得模块用于获取所述目标蔬菜水果进入市场的时间，记作目标时间；目标实际检测信息获得模块，所述目标实际检测信息获得模块用于根据所述目标时间和所述目标质量损失曲线对所述初始检测信息进行调整，得到目标实际检测信息，所述目标实际检测信息用于表征所述目标蔬菜水果进入市场时的实际质量。
本公开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：根据本公开采用的通过监测得到目标蔬菜水果的生长环境信息，所述生长环境信息包括土壤环境信息和气候环境信息；将生长干预信息、所述土壤环境信息和所述气候环境信息作为目标预测模型的输入变量，得到目标预测结果，其中，所述生长干预信息是指所述目标蔬菜水果在生长过程中受到的人工干预的信息；引入预定反馈调节函数对通过多传感器组检测得到的目标样本的样本检测结果进行调节，得到目标检测结果，所述目标样本是指所述目标蔬菜水果的检测样本；根据所述目标预测结果和所述目标检测结果，生成所述目标蔬菜水果在采摘后的预设时阈内的初始检测信息；基于监测得到的所述目标蔬菜水果的存储环境信息，分析得到目标质量损失曲线，所述目标质量损失曲线是指所述目标蔬菜水果在所述存储环境信息的条件下的质量随存储时间推移的损失序列；获取所述目标蔬菜水果进入市场的时间，记作目标时间；根据所述目标时间和所述目标质量损失曲线对所述初始检测信息进行调整，得到目标实际检测信息，所述目标实际检测信息用于表征所述目标蔬菜水果进入市场时的实际质量，解决了现有技术中存在由于人工进行食品检测的效率较低，导致流入市场的食品质量较低的技术问题，实现提高食品检测效率的目标，达到提高流入市场的食品质量的技术效果。
应当理解，本部分所描述的内容并非旨在标示本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其他特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本公开实施例提供的一种基于传感器的食品检测方法的流程示意图；
图2为本公开实施例一种基于传感器的食品检测方法中装置的逻辑示意图；
图3为本公开实施例提供的一种基于传感器的食品检测系统的结构示意图。
附图标记说明：生长环境信息获得模块11，目标预测结果获得模块12，目标检测结果获得模块13，初始检测信息获得模块14，目标质量损失曲线获得模块15，目标时间获得模块16，目标实际检测信息获得模块17。
具体实施方式
以下结合附图对本公开的示范性实施例作出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
本公开实施例提供的一种基于传感器的食品检测方法，兹参照图1及图2作说明，所述方法包括：
本公开实施例提供的方法中包括：
监测得到目标蔬菜水果的生长环境信息，所述生长环境信息包括土壤环境信息和气候环境信息；
目标蔬菜水果为待进行食品检测的食品。通过土壤成分探测器、空气温湿度传感器、光照强度传感器等，对目标蔬菜水果进行监测得到目标蔬菜水果的生长环境信息，其中，生长环境信息包括土壤环境信息和气候环境信息。举例而言，土壤环境信息为土壤成分信息等。气候环境信息为空气温湿度信息和光照强度信息等。
将生长干预信息、所述土壤环境信息和所述气候环境信息作为目标预测模型的输入变量，得到目标预测结果，其中，所述生长干预信息是指所述目标蔬菜水果在生长过程中受到的人工干预的信息；
目标预测模型为对与目标蔬菜水果的人工干预、种植土壤和气候条件相同或相似的同品类的历史蔬菜水果的历史检测数据进行监督学习、检验获得。进一步地，将生长干预信息、土壤环境信息和气候环境信息作为输入变量，输入目标预测模型，通过目标预测模型训练得到目标蔬菜水果的目标预测结果。举例而言，目标预测结果包括各种微量元素、营养成分的含量预测。进一步地，生长干预信息是指目标蔬菜水果在生长过程中受到的人工干预的信息。
引入预定反馈调节函数对通过多传感器组检测得到的目标样本的样本检测结果进行调节，得到目标检测结果，所述目标样本是指所述目标蔬菜水果的检测样本；
目标样本是指目标蔬菜水果中提取的检测样本。进一步地，通过多传感器组检测得到的目标样本的样本检测结果。根据预定反馈调节函数以及反馈调节函数中反馈调节系数对目标样本的样本检测结果进行调节，得到目标检测结果。其中，包括损失反馈调节、检测操作误差反馈调节和传感器精度反馈调节。
根据所述目标预测结果和所述目标检测结果，生成所述目标蔬菜水果在采摘后的预设时阈内的初始检测信息；
提取通过目标预测模型获得的目标预测结果和通过预定反馈调节函数获得的目标检测结果，依据前述获得目标预测结果和目标检测结果反映生成目标蔬菜水果在采摘后的预设时阈内的初始检测信息。举例而言，预设时阈可以为1小时或1天。
基于监测得到的所述目标蔬菜水果的存储环境信息，分析得到目标质量损失曲线，所述目标质量损失曲线是指所述目标蔬菜水果在所述存储环境信息的条件下的质量随存储时间推移的损失序列；
通过存储环境监测传感器对目标蔬菜水果进行监测，获得目标蔬菜水果的存储环境信息。对目标蔬菜水果的同类果蔬产品样品进行存储损失试验检测，得到试验检测记录。其中，存储损失试验检测主要检测质量品质的存储损失。进一步地，对试验检测记录中的不同时间分段节点的质量损失数据进行拟合，获得连接时间的质量损失数据，进而得到目标质量损失曲线。
获取所述目标蔬菜水果进入市场的时间，记作目标时间；
根据所述目标时间和所述目标质量损失曲线对所述初始检测信息进行调整，得到目标实际检测信息，所述目标实际检测信息用于表征所述目标蔬菜水果进入市场时的实际质量。
获取目标蔬菜水果检测完成后进入市场的时间，记作目标时间。
进一步地，根据目标时间确定目标存储时长，并结合目标质量损失曲线得到目标存储时长下的目标损失率。进一步地，当预设时阈为目标存储时长时，基于目标损失率对预设时阈内的初始检测信息进行调整，对初始检测信息对应的目标预测结果和目标检测结果进行调整，得到目标实际检测信息。目标实际检测信息用于表征目标蔬菜水果进入市场时的实际质量。
其中，通过本实施例可以解决现有技术中存在由于人工进行食品检测的效率较低，导致流入市场的食品质量较低的技术问题，实现提高食品检测效率的目标，达到提高流入市场的食品质量的技术效果。
本公开实施例提供的方法中还包括：
对与所述目标蔬菜水果的人工干预、种植土壤和气候条件相同或相似的同品类的历史蔬菜水果的历史检测数据进行监督学习、检验，得到所述第一子模型；
通过所述第一子模型对所述生长干预信息、所述土壤环境信息和所述气候环境信息进行分析，得到第一预测检测数据；
将所述第一预测检测数据作为所述目标预测结果。
基于大数据，对与目标蔬菜水果的人工干预、种植土壤和气候条件相同或相似的同品类的历史蔬菜水果进行检索获得并提取。进一步地，通过土壤成分探测器、空气温湿度传感器、光照强度传感器等，对历史蔬菜水果进行监测得到历史蔬菜水果的历史检测数据。进一步地，对历史检测数据进行监督学习、检验，得到第一子模型。其中，将第一子模型的标识第一输出结果的标识信息作为监督数据。输入每一组训练数据中，对第一输入数据进行监督学习，确定第一子模型的输出信息达到收敛状态。通过第一输出结果与第一子模型的输出结果进行对比，当一致时，本组数据监督学习完成，进行下一组数据监督学习；当不一致时，则训练第一子模型进行自我修正，直至其输出结果与标识的第一输出结果一致，本组监督学习完成，进行下一组数据监督学习；通过大量数据的监督学习，使得机器学习第一子模型的输出结果达到收敛状态，则监督学习完成。将第一子模型作为目标蔬菜水果的获得预测结果的模型，进而将第一子模型添加至目标预测模型。
进一步地，将生长干预信息、土壤环境信息和气候环境信息输入第一子模型，通过第一子模型对生长干预信息、土壤环境信息和气候环境信息进行训练分析，得到第一预测检测数据。进一步地，将第一预测检测数据作为目标蔬菜水果的预测结果，即目标预测结果。
其中，将第一预测检测数据作为目标预测结果，后续可以获得目标蔬菜水果的初始检测信息，调整后可以提高食品检测效率。
本公开实施例提供的方法中还包括：
组建信息特征集，所述信息特征集是指所述生长干预信息、所述土壤环境信息和所述气候环境信息的信息特征的集合；
将在所述历史检测数据中匹配到的所述信息特征集的历史信息特征参数集作为自变量；
将从所述历史检测数据中随机提取到的第一检测指标的第一历史检测参数作为因变量；
获取所述自变量与所述因变量之间的多对一的第一相关性分析结果；
根据所述第一相关性分析结果组建所述第一检测指标的第一显著相关信息特征集。
组建信息特征集，信息特征集是指生长干预信息、土壤环境信息和气候环境信息的信息特征的集合。进一步地，将在历史蔬菜水果的历史检测数据中匹配到的信息特征集的历史信息特征参数集作为自变量。举例而言，自变量为历史信息特征参数集的土壤成分参数、空气温湿度参数等。进一步地，将从历史蔬菜水果的历史检测数据中随机提取到的一组检测指标，作为第一检测指标，并提取第一检测指标的第一历史检测参数作为因变量。其中，检测指标为历史蔬菜水果的历史检测数据中对信息特征集进行检测的检测指标，通过检测指标获得检测参数。举例而言，信息特征集的气候环境信息的检测指标为空气温湿度指标，检测参数为空气温湿度参数数值。
进一步地，自变量与因变量对应的历史信息特征参数集与第一历史检测参数进行历史信息特征参数集中多个历史信息特征参数对第一历史检测参数的多对一的相关性分析结果，作为第一相关性分析结果，用于探究变量间关系及性质，能够简单有效说明两变量间存在什么关系。第一相关性分析结果中包括与第一检测指标极显著相关的指标、显著相关的指标和不相关的指标。举例而言，通过SPSS软件分析生长干预信息、土壤环境信息和气候环境信息之间的相关性。
进一步地，根据第一相关性分析结果组建第一检测指标的显著相关信息特征集，作为第一显著相关信息特征集。举例而言，第一检测指标的第一显著相关信息特征集包括生长干预信息和土壤环境信息等。
其中，根据第一相关性分析结果组建第一检测指标的第一显著相关信息特征集，用于获得第一预测结果，可以提高食品检测效率。
本公开实施例提供的方法中还包括：
在所述生长干预信息、所述土壤环境信息和所述气候环境信息中，遍历得到所述第一显著相关信息特征集的第一显著相关信息特征参数集；
通过所述第二子模型对所述第一显著相关信息特征参数集进行分析，得到所述第一检测指标的第一预测结果；
基于所述第一预测结果组建所述目标蔬菜水果的第二预测检测数据；
根据所述第二预测检测数据对所述第一预测检测数据进行调整。
依次访问生长干预信息、土壤环境信息和气候环境信息，得到第一显著相关信息特征集的第一显著相关信息特征参数集。举例而言，第一显著相关信息特征参数集可能包括生长干预信息或土壤环境信息的对应参数数值等。
进一步地，将第二子模型的标识第二输出结果的标识信息作为监督数据。输入每一组训练数据中，对第二输入数据进行监督学习，确定第二子模型的输出信息达到收敛状态。通过第二输出结果与第二子模型的输出结果进行对比，当一致时，本组数据监督学习完成，进行下一组数据监督学习；当不一致时，则训练第二子模型进行自我修正，直至其输出结果与标识的第二输出结果一致，本组监督学习完成，进行下一组数据监督学习；通过大量数据的监督学习，使得机器学习第二子模型的输出结果达到收敛状态，则监督学习完成。将第二子模型作为目标蔬菜水果的获得目标预测结果的模型，进而将第二子模型添加至目标预测模型。
进一步地，将第一显著相关信息特征参数集输入第二子模型，通过第二子模型对第一显著相关信息特征参数集进行分析，得到第一检测指标的第一预测结果。第一预测结果为第一检测指标的参数数值。进一步地，按照获得第一预测结果的方法，获得多个第一预测结果，组建成为目标蔬菜水果的第二预测检测数据。相应地，通过第二子模型获得第二预测检测数据，根据第二预测检测数据对第一预测结果进行反馈，进而调整第一预测检测数据。
其中，引入预定反馈调节函数对通过多传感器组检测得到的目标样本的样本检测结果进行调节，得到目标检测结果，可以提高食品检测效率。
本公开实施例提供的方法中还包括：
所述多传感器组包括生物传感器和荧光探测器；
通过所述生物传感器得到所述目标样本的生物传感数据，通过所述荧光探测器得到所述目标样本的荧光探测数据；
根据所述预定反馈调节函数对所述生物传感数据和所述荧光探测数据组成的所述样本检测结果进行调节，得到所述目标检测结果。
多传感器组包括生物传感器和荧光探测器。生物传感器用于检测在食品检测中的重金属离子、H202、生物毒素、食源性致病菌、有机磷农药残留、动物源药物残留等。荧光探测器用于通过测定荧光强度来确定其中硫化氢的浓度，即，食品中残留硫化氢含量。
进一步地，目标样本是指目标蔬菜水果中提取的检测样本。通过生物传感器对目标样本进行检测得到目标样本的生物传感数据，通过荧光探测器对目标样本进行检测得到目标样本的荧光探测数据。
进一步地，根据预定反馈调节函数以及反馈调节函数中反馈调节系数对生物传感数据和荧光探测数据组成的样本检测结果进行调节，得到目标检测结果。其中，包括损失反馈调节、检测操作误差反馈调节和传感器精度反馈调节。
其中，根据预定反馈调节函数对生物传感数据和荧光探测数据组成的样本检测结果进行调节，得到目标检测结果，可以提高食品检测效率。
本公开实施例提供的方法中还包括：
预定反馈调节函数的表达式如下：
；
其中，是指所述目标检测结果，/>是指所述目标样本中第i个样本的第i个检测结果，其中，所述目标样本中共有n个样本，/>是指反馈调节系数，且，其中，/>是指样本运输损失反馈调节系数，/>是指检测操作误差反馈调节系数，/>是指传感器精度反馈调节系数。
预定反馈调节函数中，反馈调节系数与样本运输损失反馈调节系数/>、检测操作误差反馈调节系数/>和传感器精度反馈调节系数/>相关。目标检测结果为所有样本对应的所有检测结果之和。进一步地，当目标样本数量n越多，目标检测结果/>越小，表示目标样本的样本数量足够大时目标检测结果中可能包含各种微量元素、营养成分的含量检测结果越少。
其中，通过预定反馈调节函数提高食品检测效率。
本公开实施例提供的方法中还包括：
在所述存储环境信息的条件下，对所述目标蔬菜水果的同类果蔬产品样品进行存储损失试验检测，得到试验检测记录；
对所述试验检测记录中的多个存储时长的多个质量损失数据进行多项式拟合，得到所述目标质量损失曲线。
在存储环境信息的条件下，提取目标蔬菜水果的同类果蔬产品样品，对目标蔬菜水果的同类果蔬产品样品进行存储损失试验检测，得到试验检测记录。其中，存储损失试验检测主要检测质量的存储损失。
进一步地，对试验检测记录中的多个存储时长的多个质量损失数据进行多项式拟合，得到目标质量损失曲线。其中，多个存储时长的多个质量损失数据为不同时间分段节点的质量损失数据。将不同时间分段节点进行拟合获得连接时间，进而获得连接时间的质量损失数据，即得到目标质量损失曲线。进一步地，多项式拟合可以通过Origin软件进行。
其中，对试验检测记录中的多个存储时长的多个质量损失数据进行多项式拟合，得到目标质量损失曲线，可以提高食品检测效率。
本公开实施例提供的方法中还包括：
基于所述目标时间确定目标存储时长，并结合所述目标质量损失曲线得到目标损失率；
基于所述目标损失率对所述初始检测信息进行调整，得到所述目标实际检测信息。
目标存储时长为目标蔬菜水果采摘完成后，在存储环境信息的条件下的存储时长。将目标时间作为目标存储时长的完成时间，进而根据目标时间确定目标存储时长，并结合目标质量损失曲线得到目标存储时长下的目标损失率。
进一步地，当预设时阈为目标存储时长时，基于目标损失率对预设时阈内的初始检测信息进行调整，对初始检测信息对应的目标预测结果和目标检测结果进行调整，得到目标实际检测信息。
其中，根据所述目标时间和所述目标质量损失曲线对所述初始检测信息进行调整，得到目标实际检测信息，可以提高食品检测效率。
实施例二
基于与前述实施例中一种基于传感器的食品检测方法同样的发明构思，兹参照图3作说明，本公开还提供了一种基于传感器的食品检测系统，所述系统包括：
生长环境信息获得模块11，所述生长环境信息获得模块11用于监测得到目标蔬菜水果的生长环境信息，所述生长环境信息包括土壤环境信息和气候环境信息；
目标预测结果获得模块12，所述目标预测结果获得模块12用于将生长干预信息、所述土壤环境信息和所述气候环境信息作为目标预测模型的输入变量，得到目标预测结果，其中，所述生长干预信息是指所述目标蔬菜水果在生长过程中受到的人工干预的信息；
目标检测结果获得模块13，所述目标检测结果获得模块13用于引入预定反馈调节函数对通过多传感器组检测得到的目标样本的样本检测结果进行调节，得到目标检测结果，所述目标样本是指所述目标蔬菜水果的检测样本；
初始检测信息获得模块14，所述初始检测信息获得模块14用于根据所述目标预测结果和所述目标检测结果，生成所述目标蔬菜水果在采摘后的预设时阈内的初始检测信息；
目标质量损失曲线获得模块15，所述目标质量损失曲线获得模块15用于基于监测得到的所述目标蔬菜水果的存储环境信息，分析得到目标质量损失曲线，所述目标质量损失曲线是指所述目标蔬菜水果在所述存储环境信息的条件下的质量随存储时间推移的损失序列；
目标时间获得模块16，所述目标时间获得模块16用于获取所述目标蔬菜水果进入市场的时间，记作目标时间；
目标实际检测信息获得模块17，所述目标实际检测信息获得模块17用于根据所述目标时间和所述目标质量损失曲线对所述初始检测信息进行调整，得到目标实际检测信息，所述目标实际检测信息用于表征所述目标蔬菜水果进入市场时的实际质量。
进一步地，所述系统还包括：
第一子模型获得模块，所述第一子模型获得模块用于对与所述目标蔬菜水果的人工干预、种植土壤和气候条件相同或相似的同品类的历史蔬菜水果的历史检测数据进行监督学习、检验，得到所述第一子模型；
第一预测检测数据获得模块，所述第一预测检测数据获得模块用于通过所述第一子模型对所述生长干预信息、所述土壤环境信息和所述气候环境信息进行分析，得到第一预测检测数据；
第一预测检测数据处理模块，所述第一预测检测数据处理模块用于将所述第一预测检测数据作为所述目标预测结果。
进一步地，所述系统还包括：
信息特征集获得模块，所述信息特征集获得模块用于组建信息特征集，所述信息特征集是指所述生长干预信息、所述土壤环境信息和所述气候环境信息的信息特征的集合；
自变量获得模块，所述自变量获得模块用于将在所述历史检测数据中匹配到的所述信息特征集的历史信息特征参数集作为自变量；
因变量获得模块，所述因变量获得模块用于将从所述历史检测数据中随机提取到的第一检测指标的第一历史检测参数作为因变量；
第一相关性分析结果获得模块，所述第一相关性分析结果获得模块用于获取所述自变量与所述因变量之间的多对一的第一相关性分析结果；
第一显著相关信息特征集获得模块，所述第一显著相关信息特征集获得模块用于根据所述第一相关性分析结果组建所述第一检测指标的第一显著相关信息特征集。
进一步地，所述系统还包括：
第一显著相关信息特征参数集获得模块，所述第一显著相关信息特征参数集获得模块用于在所述生长干预信息、所述土壤环境信息和所述气候环境信息中，遍历得到所述第一显著相关信息特征集的第一显著相关信息特征参数集；
第一预测结果获得模块，所述第一预测结果获得模块用于通过所述第二子模型对所述第一显著相关信息特征参数集进行分析，得到所述第一检测指标的第一预测结果；
第二预测检测数据获得模块，所述第二预测检测数据获得模块用于基于所述第一预测结果组建所述目标蔬菜水果的第二预测检测数据；
第一预测检测数据处理模块，所述第一预测检测数据处理模块用于根据所述第二预测检测数据对所述第一预测检测数据进行调整。
进一步地，所述系统还包括：
多传感器组获得模块，所述多传感器组获得模块用于所述多传感器组包括生物传感器和荧光探测器；
生物传感数据获得模块，所述生物传感数据获得模块用于通过所述生物传感器得到所述目标样本的生物传感数据，通过所述荧光探测器得到所述目标样本的荧光探测数据；
样本检测结果获得模块，所述样本检测结果获得模块用于根据所述预定反馈调节函数对所述生物传感数据和所述荧光探测数据组成的所述样本检测结果进行调节，得到所述目标检测结果。
进一步地，所述系统还包括：
预定反馈调节函数获得模块，所述预定反馈调节函数获得模块用于所述预定反馈调节函数的表达式如下：
；
预定反馈调节函数处理模块，所述预定反馈调节函数处理模块用于其中，是指所述目标检测结果，/>是指所述目标样本中第i个样本的第i个检测结果，其中，所述目标样本中共有n个样本，/>是指反馈调节系数，且/>，其中，/>是指样本运输损失反馈调节系数，/>是指检测操作误差反馈调节系数，/>是指传感器精度反馈调节系数。
进一步地，所述系统还包括：
试验检测记录获得模块，所述试验检测记录获得模块用于在所述存储环境信息的条件下，对所述目标蔬菜水果的同类果蔬产品样品进行存储损失试验检测，得到试验检测记录；
目标质量损失曲线获得模块，所述目标质量损失曲线获得模块用于对所述试验检测记录中的多个存储时长的多个质量损失数据进行多项式拟合，得到所述目标质量损失曲线。
进一步地，所述系统还包括：
目标损失率获得模块，所述目标损失率获得模块用于基于所述目标时间确定目标存储时长，并结合所述目标质量损失曲线得到目标损失率；
目标实际检测信息获得模块，所述目标实际检测信息获得模块用于基于所述目标损失率对所述初始检测信息进行调整，得到所述目标实际检测信息。
前述实施例一中的一种基于传感器的食品检测方法具体实例同样适用于本实施例的一种基于传感器的食品检测系统，通过前述对一种基于传感器的食品检测方法的详细描述，本领域技术人员可以清楚地知道本实施例中一种基于传感器的食品检测系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述得比较简单，相关之处参见方法部分说明即可。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所做的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (9)
1.一种基于传感器的食品检测方法，其特征在于，包括：
监测得到目标蔬菜水果的生长环境信息，所述生长环境信息包括土壤环境信息和气候环境信息；
将生长干预信息、所述土壤环境信息和所述气候环境信息作为目标预测模型的输入变量，得到目标预测结果，其中，所述生长干预信息是指所述目标蔬菜水果在生长过程中受到的人工干预的信息；
引入预定反馈调节函数对通过多传感器组检测得到的目标样本的样本检测结果进行调节，得到目标检测结果，所述目标样本是指所述目标蔬菜水果的检测样本；
根据所述目标预测结果和所述目标检测结果，生成所述目标蔬菜水果在采摘后的预设时阈内的初始检测信息；
基于监测得到的所述目标蔬菜水果的存储环境信息，分析得到目标质量损失曲线，所述目标质量损失曲线是指所述目标蔬菜水果在所述存储环境信息的条件下的质量随存储时间推移的损失序列；
获取所述目标蔬菜水果进入市场的时间，记作目标时间；
根据所述目标时间和所述目标质量损失曲线对所述初始检测信息进行调整，得到目标实际检测信息，所述目标实际检测信息用于表征所述目标蔬菜水果进入市场时的实际质量。
2.根据权利要求1所述方法，其特征在于，所述目标预测模型包括第一子模型和第二子模型，包括：
对与所述目标蔬菜水果的人工干预、种植土壤和气候条件相同或相似的同品类的历史蔬菜水果的历史检测数据进行监督学习、检验，得到所述第一子模型；
通过所述第一子模型对所述生长干预信息、所述土壤环境信息和所述气候环境信息进行分析，得到第一预测检测数据；
将所述第一预测检测数据作为所述目标预测结果。
3.根据权利要求2所述方法，其特征在于，在所述将所述第一预测检测数据作为所述目标预测结果之后，还包括：
组建信息特征集，所述信息特征集是指所述生长干预信息、所述土壤环境信息和所述气候环境信息的信息特征的集合；
将在所述历史检测数据中匹配到的所述信息特征集的历史信息特征参数集作为自变量；
将从所述历史检测数据中随机提取到的第一检测指标的第一历史检测参数作为因变量；
获取所述自变量与所述因变量之间的多对一的第一相关性分析结果；
根据所述第一相关性分析结果组建所述第一检测指标的第一显著相关信息特征集。
4.根据权利要求3所述方法，其特征在于，在所述根据所述第一相关性分析结果组建所述第一检测指标的第一显著相关信息特征集之后，还包括：
在所述生长干预信息、所述土壤环境信息和所述气候环境信息中，遍历得到所述第一显著相关信息特征集的第一显著相关信息特征参数集；
通过所述第二子模型对所述第一显著相关信息特征参数集进行分析，得到所述第一检测指标的第一预测结果；
基于所述第一预测结果组建所述目标蔬菜水果的第二预测检测数据；
根据所述第二预测检测数据对所述第一预测检测数据进行调整。
5.根据权利要求1所述方法，其特征在于，所述引入预定反馈调节函数对通过多传感器组检测得到的目标样本的样本检测结果进行调节，得到目标检测结果，包括：
所述多传感器组包括生物传感器和荧光探测器；
通过所述生物传感器得到所述目标样本的生物传感数据，通过所述荧光探测器得到所述目标样本的荧光探测数据；
根据所述预定反馈调节函数对所述生物传感数据和所述荧光探测数据组成的所述样本检测结果进行调节，得到所述目标检测结果。
6.根据权利要求5所述方法，其特征在于，所述预定反馈调节函数的表达式如下：
；
其中，是指所述目标检测结果，/>是指所述目标样本中第i个样本的第i个检测结果，其中，所述目标样本中共有n个样本，/>是指反馈调节系数，且/>，其中，/>是指样本运输损失反馈调节系数，/>是指检测操作误差反馈调节系数，/>是指传感器精度反馈调节系数。
7.根据权利要求1所述方法，其特征在于，所述基于监测得到的所述目标蔬菜水果的存储环境信息，分析得到目标质量损失曲线，包括：
在所述存储环境信息的条件下，对所述目标蔬菜水果的同类果蔬产品样品进行存储损失试验检测，得到试验检测记录；
对所述试验检测记录中的多个存储时长的多个质量损失数据进行多项式拟合，得到所述目标质量损失曲线。
8.根据权利要求7所述方法，其特征在于，所述根据所述目标时间和所述目标质量损失曲线对所述初始检测信息进行调整，得到目标实际检测信息，包括：
基于所述目标时间确定目标存储时长，并结合所述目标质量损失曲线得到目标损失率；
基于所述目标损失率对所述初始检测信息进行调整，得到所述目标实际检测信息。
9.一种基于传感器的食品检测系统，其特征在于，用于实施权利要求1-8中任意一项所述的一种基于传感器的食品检测方法，所述系统包括：
生长环境信息获得模块，所述生长环境信息获得模块用于监测得到目标蔬菜水果的生长环境信息，所述生长环境信息包括土壤环境信息和气候环境信息；
目标预测结果获得模块，所述目标预测结果获得模块用于将生长干预信息、所述土壤环境信息和所述气候环境信息作为目标预测模型的输入变量，得到目标预测结果，其中，所述生长干预信息是指所述目标蔬菜水果在生长过程中受到的人工干预的信息；
目标检测结果获得模块，所述目标检测结果获得模块用于引入预定反馈调节函数对通过多传感器组检测得到的目标样本的样本检测结果进行调节，得到目标检测结果，所述目标样本是指所述目标蔬菜水果的检测样本；
初始检测信息获得模块，所述初始检测信息获得模块用于根据所述目标预测结果和所述目标检测结果，生成所述目标蔬菜水果在采摘后的预设时阈内的初始检测信息；
目标质量损失曲线获得模块，所述目标质量损失曲线获得模块用于基于监测得到的所述目标蔬菜水果的存储环境信息，分析得到目标质量损失曲线，所述目标质量损失曲线是指所述目标蔬菜水果在所述存储环境信息的条件下的质量随存储时间推移的损失序列；
目标时间获得模块，所述目标时间获得模块用于获取所述目标蔬菜水果进入市场的时间，记作目标时间；
目标实际检测信息获得模块，所述目标实际检测信息获得模块用于根据所述目标时间和所述目标质量损失曲线对所述初始检测信息进行调整，得到目标实际检测信息，所述目标实际检测信息用于表征所述目标蔬菜水果进入市场时的实际质量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311426941.7A CN117575621A (zh) | 2023-10-31 | 2023-10-31 | 一种基于传感器的食品检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311426941.7A CN117575621A (zh) | 2023-10-31 | 2023-10-31 | 一种基于传感器的食品检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117575621A true CN117575621A (zh) | 2024-02-20 |
Family
ID=89859699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311426941.7A Withdrawn CN117575621A (zh) | 2023-10-31 | 2023-10-31 | 一种基于传感器的食品检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117575621A (zh) |
-
2023
- 2023-10-31 CN CN202311426941.7A patent/CN117575621A/zh not_active Withdrawn
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101811270B1 (ko) | 화물을 검사하는 방법 및 그 시스템 | |
| CN108254513B (zh) | 一种鱼类货架期的判断方法及装置 | |
| CA2866899C (en) | Method and system for detection of microbial growth in a specimen container | |
| WO1999040176A1 (fr) | Procede d'inspection de micro-organismes et autres, et unite de detection | |
| CN116843236A (zh) | 一种基于人工智能的食品存储监管系统 | |
| CN114297264A (zh) | 一种时序信号异常片段检测方法及系统 | |
| CN112651173B (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统 | |
| CN117575621A (zh) | 一种基于传感器的食品检测方法及系统 | |
| CN113836813B (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
| Encio et al. | A Fuzzy Logic Approach for the Determination of Carabao Mango Ripeness Level and Shelf Life | |
| Zhu et al. | Rapid freshness prediction of crab based on a portable electronic nose system | |
| Gan et al. | An automated cucumber inspection system based on neural network | |
| CN104330443A (zh) | 一种预测冷链肉类微生物数量的方法与系统 | |
| Hongyang et al. | Detection of browning of fresh‐cut potato chips based on machine vision and electronic nose | |
| Jiménez-Carvelo et al. | Machine learning techniques in food processing | |
| Sun et al. | Mildew detection in rice grains based on computer vision and the YOLO convolutional neural network | |
| CN209802978U (zh) | 一种远程实时在线水果品质监测系统 | |
| Ovelil et al. | Fruit Freshness Detection Using IoT and Machine Learning | |
| CN117990865B (zh) | 基于三层共挤吹膜的复合膜袋性能测试方法及系统 | |
| Sarveswaran et al. | MilkSafe: A Hardware-Enabled Milk Quality Prediction using Machine Learning | |
| Anitha et al. | Fruits fresh and rotten detection using CNN and transfer learning | |
| Kumari et al. | CertiMart: Use Computer Vision to Digitize and Automate Supermarket with Fruit Quality Measuring and Maintaining | |
| Xie et al. | Prediction of tomato freshness using infrared thermal imaging and transient step heating | |
| Van Pham et al. | A comparison of effectiveness between 2-dimensional and 3-dimensional data visualization in detecting plant architectural characteristics | |
| Lelono et al. | Tofu shelf life using electronic nose based on curve fitting method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240220 |
|
| WW01 | Invention patent application withdrawn after publication |