CN117665224B - 一种用于食品检测的智能实验室管理方法 - Google Patents
一种用于食品检测的智能实验室管理方法 Download PDFInfo
- Publication number
- CN117665224B CN117665224B CN202410135740.XA CN202410135740A CN117665224B CN 117665224 B CN117665224 B CN 117665224B CN 202410135740 A CN202410135740 A CN 202410135740A CN 117665224 B CN117665224 B CN 117665224B
- Authority
- CN
- China
- Prior art keywords
- food
- information
- detected
- item number
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 188
- 238000001514 detection method Methods 0.000 title claims abstract description 93
- 238000007726 management method Methods 0.000 title claims abstract description 25
- 230000005856 abnormality Effects 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000004519 manufacturing process Methods 0.000 claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 17
- 235000019601 food appearance Nutrition 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 239000007788 liquid Substances 0.000 description 4
- 239000000523 sample Substances 0.000 description 3
- 239000002778 food additive Substances 0.000 description 2
- 235000013373 food additive Nutrition 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 235000013351 cheese Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000273 veterinary drug Substances 0.000 description 1
Classifications
-
- 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
- General Preparation And Processing Of Foods (AREA)
Abstract
发明涉及食品检测数据处理技术领域,具体涉及一种用于食品检测的智能实验室管理方法。该方法包括获取食品异常指标;基于食品检测智能实验室的信息管理系统采集待检食品的显微图像,并将显微图像输入到图对比模块进行图对比,得到图对比结果,对图对比结果与外观异常指标进行解析,生成待检食品的外观检测结果;获取待检食品基本信息;将生产信息、加工信息、存储信息和食品运输信息与参数异常指标代入异常指标检测模型,生成异常指标指数,并根据异常指标指数的大小生成待检食品的参数检测结果;本发明能够提升食品安全检测的异常指标检出效率。
Description
技术领域
本发明涉及食品检测数据处理技术领域,具体涉及一种用于食品检测的智能实验室管理方法。
背景技术
随着食品安全问题的日益突出,食品检测成为了保障消费者健康的重要手段。然而,传统的食品检测过程通常需要大量的人工操作,不仅效率低下,而且容易出错。此外,实验室设备的管理和维护也需要耗费大量时间和人力。
现有技术中在对食品检测时,往往通过人工视觉来判断食品外观是否出现异常指标,通过探针设备检测食品的参数数据后再进行人工的检测对比,这种方式导致了食品异常指标的检测效率低下,对于海量的食品数据的检测更是力不从心。
因此亟需一种基于机器视觉的用于食品检测的智能实验室管理方法来提高食品异常指标的检测效率。
发明内容
本发明的目的在于提供用于食品检测的智能实验室管理方法:解决现有方案中通过人工视觉来判断食品外观是否出现异常指标、通过探针设备检测食品的参数数据后再进行人工的检测对比,导致的食品异常指标的检测效率低技术问题。
本发明的目的可以通过以下技术方案实现:
一种用于食品检测的智能实验室管理方法,应用于食品检测智能实验室的信息管理系统,系统包括显微图像的图对比模块,方法包括:
获取食品异常指标,其中,食品异常指标包括参数异常指标、外观异常指标;
基于食品检测智能实验室的信息管理系统采集待检食品的显微图像,并将显微图像输入到图对比模块进行图对比,得到图对比结果,对图对比结果与外观异常指标进行解析,生成待检食品的外观检测结果;
获取待检食品基本信息,其中,食品基本信息包括生产信息、加工信息、存储信息和食品运输信息;
将生产信息、加工信息、存储信息和食品运输信息与参数异常指标代入异常指标检测模型,生成异常指标指数,并根据异常指标指数的大小生成待检食品的参数检测结果;
将待检食品的外观检测结果、待检食品的参数检测结果生成食品检测报告,发送至智能实验室数据管理中心。
进一步地,将显微图像输入到图对比模块进行图对比,得到图对比结果包括:
输入显微图像,其中,/>为显微图像中表示食品外观信息的节点,节点集/>,/>为显微图像中表示食品外观信息的边集,/>,边数为/>;
获取节点的特征矩阵为,/>为特征维度,/>的特征向量为/>,节点的邻接矩阵为/>,度矩阵为/>;
将和/>输入图神经网络编码器/>,输出嵌入矩阵/>、/>,具体地:
采样两个自适应增强函数生成显微图形视图分别为/>,,其中,/>是用于拓扑级增强函数和属性级增强函数的集合;
通过相同权重的编码器网络/>生成嵌入矩阵/>;
通过相同权重的编码器网络/>生成嵌入矩阵/>;
将嵌入矩阵和嵌入矩阵/>所对应的食品外观信息作为图对比结果。
进一步地,采样两个自适应增强函数生成显微图形视图分别为,/>包括:
对于拓扑级增强,采用按重要性程度删除图中的边,采用度中心性作为测量节点中心性的方法:在输入图中采样修改的子集的概率集合定义公式如下:
其中,为增强视图中的边集,/>为删除边/>的概率,反映边/>的重要性程度;
将边中心性定义为两个相邻节点中心性得分的平均值如下式:
其中,为边/>的中心性,用来表示两个相连节点间重要性的影响,/>、表示节点中心性度量;
根据每条边的中心性计算出每条边的概率:设置来减轻稠密节点的影响,通过归一化处理以后,通过转换公式将值转换为概率,转换公式如下:
其中,为一个超参数,目的是控制删除边的总体概率;/>是/>的最大值,/>是/>的平均值,/>,用于限制概率的最大值;
对于属性级增强:基于第一公式计算测量节点在第d 维特征值的大小/>,第一公式如下:
其中,为节点/>的特征,/>表示节点中心性度量;
通过第二公式生成节点属性级增强的属性表示特征的概率,第二公式如下:
其中,,/>为/>的最大值,/>为/>的平均值,/>为控制特征增强整体大小的超参数;
执行拓扑级和节点级属性增强生成两个增强视图和/>。
进一步地,对图对比结果与外观异常指标进行解析,生成待检食品的外观检测结果包括:
基于嵌入矩阵和嵌入矩阵/>对显微图像进行对比学习,得到节点学习到的表示H=/>,节点/>的嵌入表示为/>;
检索外观异常指标的表示,并与节点的表示进行对比解析:
判断对比节点的表示是否出现色泽异常指标表示,若是,则待检测食品存在色泽异常指标;
判断对比节点的表示是否出现斑点或者霉变异常指标表示,若是,则待检测食品存在斑点或者霉变异常指标;
判断对比节点的表示是否出现形状改变异常指标表示,若是,则待检测食品存在形状改变异常指标。
进一步地,将生产信息、加工信息、存储信息和食品运输信息与参数异常指标代入异常指标检测模型,生成异常指标指数包括:
将生产信息、加工信息、存储信息和食品运输信息与参数异常指标代入异常指标检测模型得到参数异常指标项数S;
基于生产信息获取生产信息实际填写项数与生产信息应填写项数,并计算生产信息实际填写项数占生产信息应填写项数的比例;
基于加工信息获取加工信息实际填写项数与加工信息应填写项数,并计算加工信息实际填写项数占加工信息应填写项数的比例;
基于存储信息获取存储信息实际填写项数与存储信息应填写项数,并计算存储信息实际填写项数占存储信息应填写项数的比例;
基于食品运输信息获取食品运输信息实际填写项数与食品运输信息应填写项数,并计算食品运输信息实际填写项数占食品运输信息应填写项数的比例;
将S、、/>、/>代入到异常指标指数关联公式,得到异常指标指数/>,异常指标指数关联公式如下:
其中,为自定义的正整数,由系统自定义,/>、/>、/>、/>为生产信息、加工信息、存储信息和食品运输信息对应的权重。
进一步地,根据异常指标指数的大小生成待检食品的参数检测结果包括:
若小于第一阈值,则该待检食品的参数检测结果为一类危害食品;
若大于第一阈值小于第二阈值,则该待检食品的参数检测结果为二类危害食品;
若大于第二阈值,则该待检食品的参数检测结果为三类危害食品。
相比于现有方案,本发明实现的有益效果:
本发明基于食品检测智能实验室的信息管理系统采集待检食品的显微图像,并将显微图像输入到图对比模块进行图对比,得到图对比结果,对图对比结果与外观异常指标进行解析,生成待检食品的外观检测结果,通过机器视觉对显微图像进行处理,能够得到待检食品的外观检测结果,省去人工检测的步骤,提高食品异常指标的检测效率。
另一方面,通过将生产信息、加工信息、存储信息和食品运输信息与参数异常指标代入异常指标检测模型,生成异常指标指数,并根据异常指标指数的大小生成待检食品的参数检测结果,根据自动生成的异常指标指数来对待检食品的参数检测结果进行分类,省去人工检索的步骤,提升食品异常指标的精确性和效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种用于食品检测的智能实验室管理方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多示例实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的示例实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、步骤等。在其它情况下,不详细示出或描述公知结构、方法、实现或者操作以避免喧宾夺主而使得本公开的各方面变得模糊。
本实施例提供了一种用于食品检测的智能实验室管理方法,该方法应用于食品检测智能实验室的信息管理系统,该系统能够获取由探针设备得到的食品参数和获取由显微图像传感器采集的待检测食品的显微图像,优选地,显微图像传感器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其采集待检测食品的显微图像。该系统还包括显微图像的图对比模块,将于后步详细阐述。
图1是本发明实施例的一种用于食品检测的智能实验室管理方法的流程图,如图1所示,该方法包括:
步骤S101:获取食品异常指标,其中,食品异常指标包括参数异常指标、外观异常指标。
具体地,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,其中,外观异常指标可以包括:色泽变深:食品可能会失去原本的鲜艳色泽,变得暗淡或者颜色发生改变;表面粘连:食品表面变得黏糊糊的,或者出现黏着的现象;斑点或霉变:食品表面可能会出现斑点,或者长出霉菌;液体流失或增加:如果食品是液体或半液体,腐败变质可能会导致液体流失或增加,变得过稠或过稀;形状改变:某些食品,如奶酪或肉类,在腐败变质时可能会变形,变得软塌或者出现气泡;
参数异常指标可以包括:微生物含量、细菌含量、农药含量、食品添加剂含量、兽药以及抗生素含量等。
值得说明的是,该食品异常指标为智能实验室预先设置,并存储于智能实验室数据库中。
步骤S102:基于食品检测智能实验室的信息管理系统采集待检食品的显微图像,并将显微图像输入到图对比模块进行图对比,得到图对比结果,对图对比结果与外观异常指标进行解析,生成待检食品的外观检测结果。
该图对比模块包括自监督图对比学习模型,该模型由三个模块组成:
第一部分:在自监督图对比学习模型模型每次迭代中,该模型采样两个自适应增强函数两个自适应增强函数,/>是用于拓扑级增强函数和属性级增强函数的集合,然后,通过增强函数生成图形视图/>和/>。
第二部分:两个增强视图和/>采用相同权重的编码器网络分别得到两个嵌入矩阵/>和/>。
第三部分:使用一个无负样本损失函数来训练编码器网络。本实施例利用BarlowTwins损失函数,梯度通过编码器网络对称地反向传播,并不依赖任何特殊的技术。
具体地,将显微图像输入到图对比模块进行图对比,得到图对比结果包括:
输入显微图像,其中,/>为显微图像中表示食品外观信息的节点,节点集/>,/>为显微图像中表示食品外观信息的边集,/>,边数为/>;
获取节点的特征矩阵为,/>为特征维度,/>的特征向量为/>,节点的邻接矩阵为/>,度矩阵为/>;
将和/>输入图神经网络编码器/>,输出嵌入矩阵/>、/>,具体地:
采样两个自适应增强函数生成显微图形视图分别为,/>,其中,/>是用于拓扑级增强函数和属性级增强函数的集合;
通过相同权重的编码器网络/>生成嵌入矩阵/>;
通过相同权重的编码器网络/>生成嵌入矩阵/>;
将嵌入矩阵和嵌入矩阵/>所对应的食品外观信息作为图对比结果。
进一步地,采样两个自适应增强函数生成显微图形视图分别为,/>包括:
对于拓扑级增强,采用按重要性程度删除图中的边,采用度中心性作为测量节点中心性的方法:在输入图中采样修改的子集的概率集合定义公式如下:
其中,为增强视图中的边集,/>为删除边/>的概率,反映边/>的重要性程度;
将边中心性定义为两个相邻节点中心性得分的平均值如下式:
其中,为边/>的中心性,用来表示两个相连节点间重要性的影响,/>、表示节点中心性度量;
根据每条边的中心性计算出每条边的概率:设置来减轻稠密节点的影响,通过归一化处理以后,通过转换公式将值转换为概率,转换公式如下:
其中,为一个超参数,目的是控制删除边的总体概率;/>是/>的最大值,/>是/>的平均值,/>,用于限制概率的最大值;
对于属性级增强:基于第一公式计算测量节点在第d 维特征值的大小/>,第一公式如下:
其中,为节点/>的特征,/>表示节点中心性度量;
通过第二公式生成节点属性级增强的属性表示特征的概率,第二公式如下:
其中,,/>为/>的最大值,/>为/>的平均值,/>为控制特征增强整体大小的超参数;
执行拓扑级和节点级属性增强生成两个增强视图和/>。
进一步地,对图对比结果与外观异常指标进行解析,生成待检食品的外观检测结果包括:
基于嵌入矩阵和嵌入矩阵/>对显微图像进行对比学习,得到节点学习到的表示H=/>,节点/>的嵌入表示为/>;
检索外观异常指标的表示,并与节点的表示进行对比解析:
判断对比节点的表示是否出现色泽异常指标表示,若是,则待检测食品存在色泽异常指标;
判断对比节点的表示是否出现斑点或者霉变异常指标表示,若是,则待检测食品存在斑点或者霉变异常指标;
判断对比节点的表示是否出现形状改变异常指标表示,若是,则待检测食品存在形状改变异常指标。
综上,利用自监督图对比学习模型能够精确地对待检食品的显微图像的节点表示进行学习,并检索外观异常指标的表示,两者进行对比能够高效且精确的确定显微图像中是否存在外观异常指标。
步骤S103:获取待检食品基本信息,其中,食品基本信息包括生产信息、加工信息、存储信息和食品运输信息。
具体地,生产信息包括生产信息实际填写项数与生产信息应填写项数,生产信息应填写项包括:原料信息:包括食品原料的种类、产地、生产日期或批号、保质期、进货日期等;成品信息:包括食品的名称、规格、生产日期或批号、保质期、储存条件等;追溯信息:包括食品从原料到成品的生产流程记录,可以帮助企业追溯食品的生产历史和来源,及时发现和处理问题,确保食品的安全性和质量。实际填写项数为待检测食品的厂家在智能实验室数据库中登记的生产信息项数。
加工信息包括加工信息实际填写项数与加工信息应填写项数,工信息应填写项数包括加工工艺:食品加工过程中的温度、时间、压力、浓度等参数;添加剂使用:包括食品添加剂的种类、用量、使用方法等信息。加工信息实际填写项数为待检测食品的厂家在智能实验室数据库中登记的加工信息项数。
存储信息包括存储信息实际填写项数与存储信息应填写项数,存储信息应填写项数包括:温度要求:不同食品需要不同的储存温度,例如冷藏、冷冻等;湿度要求:食品存储的湿度要求对于防止食品变质和霉菌生长非常重要;日期要求:食品的存储期限是评估食品新鲜度和安全性的重要指标。存储信息实际填写项数为待检测食品的厂家在智能实验室数据库中登记的存储信息项数。
食品运输信息包括食品运输信息实际填写项数与食品运输信息应填写项数,食品运输信息应填写项数包括:运输时间:包括食品的发货时间、到达时间、运输时间等;交接记录:包括食品在装卸货时的记录,如装货人员、卸货人员、装卸时间、装卸地点等;食品运输信息实际填写项数为待检测食品的厂家在智能实验室数据库中登记的食品运输信息项数。
步骤S104:将生产信息、加工信息、存储信息和食品运输信息与参数异常指标代入异常指标检测模型,生成异常指标指数,并根据异常指标指数的大小生成待检食品的参数检测结果。
具体地,将生产信息、加工信息、存储信息和食品运输信息与参数异常指标代入异常指标检测模型得到参数异常指标项数S;
基于生产信息获取生产信息实际填写项数与生产信息应填写项数,并计算生产信息实际填写项数占生产信息应填写项数的比例;
基于加工信息获取加工信息实际填写项数与加工信息应填写项数,并计算加工信息实际填写项数占加工信息应填写项数的比例;
基于存储信息获取存储信息实际填写项数与存储信息应填写项数,并计算存储信息实际填写项数占存储信息应填写项数的比例;
基于食品运输信息获取食品运输信息实际填写项数与食品运输信息应填写项数,并计算食品运输信息实际填写项数占食品运输信息应填写项数的比例;
将S、、/>、/>代入到异常指标指数关联公式,得到异常指标指数/>,异常指标指数关联公式如下:
其中,为自定义的正整数,由系统自定义,/>、/>、/>、/>为生产信息、加工信息、存储信息和食品运输信息对应的权重。
进一步地,根据异常指标指数的大小生成待检食品的参数检测结果包括:
若小于第一阈值,则该待检食品的参数检测结果为一类危害食品;
若大于第一阈值小于第二阈值,则该待检食品的参数检测结果为二类危害食品;
若大于第二阈值,则该待检食品的参数检测结果为三类危害食品。
步骤S105:将待检食品的外观检测结果、待检食品的参数检测结果生成食品检测报告,发送至智能实验室数据管理中心。
综上,本发明基于食品检测智能实验室的信息管理系统采集待检食品的显微图像,并将显微图像输入到图对比模块进行图对比,得到图对比结果,对图对比结果与外观异常指标进行解析,生成待检食品的外观检测结果,通过机器视觉对显微图像进行处理,能够得到待检食品的外观检测结果,省去人工检测的步骤,提高食品异常指标的检测效率。
另一方面,通过将生产信息、加工信息、存储信息和食品运输信息与参数异常指标代入异常指标检测模型,生成异常指标指数,并根据异常指标指数的大小生成待检食品的参数检测结果,根据自动生成的异常指标指数来对待检食品的参数检测结果进行分类,省去人工检索的步骤,提升食品异常指标的精确性和效率。
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揭露的技术范围内,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所述权利要求的保护范围为准。
Claims (4)
1.一种用于食品检测的智能实验室管理方法,其特征在于,应用于食品检测智能实验室的信息管理系统,系统包括显微图像的图对比模块,方法包括:
获取食品异常指标,其中,食品异常指标包括参数异常指标、外观异常指标;
基于食品检测智能实验室的信息管理系统采集待检食品的显微图像,并将显微图像输入到图对比模块进行图对比,得到图对比结果:
输入显微图像,其中,/>为显微图像中表示食品外观信息的节点,节点集,/>为显微图像中表示食品外观信息的边集,/>,边数为/>;
获取节点的特征矩阵为,/>为特征维度,/>的特征向量为/>,节点的邻接矩阵为/>,度矩阵为/>;
将和/>输入图神经网络编码器 />,输出嵌入矩阵/>、/>,具体地:
采样两个自适应增强函数生成显微图形视图分别为,/>,其中,/>是用于拓扑级增强函数和属性级增强函数的集合;
通过相同权重的编码器网络/>生成嵌入矩阵/>;
通过相同权重的编码器网络/>生成嵌入矩阵/>;
将嵌入矩阵和嵌入矩阵/>所对应的食品外观信息作为图对比结果;
采样两个自适应增强函数生成显微图形视图分别为,/>包括:
对于拓扑级增强,采用按重要性程度删除图中的边,采用度中心性作为测量节点中心性的方法:在输入图中采样修改的子集的概率集合定义公式如下:
其中,为增强视图中的边集,/>为删除边/>的概率,反映边/> 的重要性程度;
将边中心性定义为两个相邻节点中心性得分的平均值如下式:
其中,为边/>的中心性,用来表示两个相连节点间重要性的影响,/>、/>表示节点中心性度量;
根据每条边的中心性计算出每条边的概率:设置来减轻稠密节点的影响,通过归一化处理以后,通过转换公式将值转换为概率,转换公式如下:
其中,为一个超参数,目的是控制删除边的总体概率;/>是/>的最大值,/>是/>的平均值,/>,用于限制概率的最大值;
对于属性级增强:基于第一公式计算测量节点在第d 维特征值的大小/>,第一公式如下:
其中,为节点/>的特征,/>表示节点中心性度量;
通过第二公式生成节点属性级增强的属性表示特征的概率,第二公式如下:
其中,,/>为/>的最大值,/>为/>的平均值,/>为控制特征增强整体大小的超参数;
执行拓扑级和节点级属性增强生成两个增强视图和/>;
对图对比结果与外观异常指标进行解析,生成待检食品的外观检测结果;
获取待检食品基本信息,其中,食品基本信息包括生产信息、加工信息、存储信息和食品运输信息;
将生产信息、加工信息、存储信息和食品运输信息与参数异常指标代入异常指标检测模型,生成异常指标指数,并根据异常指标指数的大小生成待检食品的参数检测结果;
将待检食品的外观检测结果、待检食品的参数检测结果生成食品检测报告,发送至智能实验室数据管理中心。
2.根据权利要求1所述的方法,其特征在于,对图对比结果与外观异常指标进行解析,生成待检食品的外观检测结果包括:
基于嵌入矩阵和嵌入矩阵/>对显微图像进行对比学习,得到节点学习到的表示H=/>,节点/>的嵌入表示为/>;
检索外观异常指标的表示,并与节点的表示进行对比解析:
判断对比节点的表示是否出现色泽异常指标表示,若是,则待检测食品存在色泽异常指标;
判断对比节点的表示是否出现斑点或者霉变异常指标表示,若是,则待检测食品存在斑点或者霉变异常指标;
判断对比节点的表示是否出现形状改变异常指标表示,若是,则待检测食品存在形状改变异常指标。
3.根据权利要求1所述的方法,其特征在于,将生产信息、加工信息、存储信息和食品运输信息与参数异常指标代入异常指标检测模型,生成异常指标指数包括:
将生产信息、加工信息、存储信息和食品运输信息与参数异常指标代入异常指标检测模型得到参数异常指标项数S;
基于生产信息获取生产信息实际填写项数与生产信息应填写项数,并计算生产信息实际填写项数占生产信息应填写项数的比例;
基于加工信息获取加工信息实际填写项数与加工信息应填写项数,并计算加工信息实际填写项数占加工信息应填写项数的比例;
基于存储信息获取存储信息实际填写项数与存储信息应填写项数,并计算存储信息实际填写项数占存储信息应填写项数的比例;
基于食品运输信息获取食品运输信息实际填写项数与食品运输信息应填写项数,并计算食品运输信息实际填写项数占食品运输信息应填写项数的比例;
将S、、/>、/>代入到异常指标指数关联公式,得到异常指标指数/>,异常指标指数关联公式如下:
其中,为自定义的正整数,由系统自定义,/>、/>、/>、/>为生产信息、加工信息、存储信息和食品运输信息对应的权重。
4.根据权利要求3所述的方法,其特征在于,根据异常指标指数的大小生成待检食品的参数检测结果包括:
若小于第一阈值,则该待检食品的参数检测结果为一类危害食品;
若大于第一阈值小于第二阈值,则该待检食品的参数检测结果为二类危害食品;
若大于第二阈值,则该待检食品的参数检测结果为三类危害食品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410135740.XA CN117665224B (zh) | 2024-01-31 | 2024-01-31 | 一种用于食品检测的智能实验室管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410135740.XA CN117665224B (zh) | 2024-01-31 | 2024-01-31 | 一种用于食品检测的智能实验室管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117665224A CN117665224A (zh) | 2024-03-08 |
CN117665224B true CN117665224B (zh) | 2024-05-28 |
Family
ID=90071662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410135740.XA Active CN117665224B (zh) | 2024-01-31 | 2024-01-31 | 一种用于食品检测的智能实验室管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117665224B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107632018A (zh) * | 2017-08-22 | 2018-01-26 | 甘肃农业大学 | 一种食品微生物快速检测系统及方法 |
CN113989600A (zh) * | 2021-09-28 | 2022-01-28 | 上海师范大学 | 一种图像异物检测方法 |
CN114580934A (zh) * | 2022-03-10 | 2022-06-03 | 新疆大学 | 基于无监督异常检测的食品检测数据风险的早预警方法 |
CN114842266A (zh) * | 2022-05-18 | 2022-08-02 | 上海师范大学天华学院 | 食品图像分类方法及系统、存储介质及终端 |
CN117201122A (zh) * | 2023-09-11 | 2023-12-08 | 大连理工大学 | 基于视图级图对比学习的无监督属性网络异常检测方法及系统 |
CN117273550A (zh) * | 2023-11-20 | 2023-12-22 | 深圳海关食品检验检疫技术中心 | 一种食品检测智能实验室的信息管理方法 |
CN117392520A (zh) * | 2023-10-24 | 2024-01-12 | 江苏权正检验检测有限公司 | 用于食品检验检测的智能数据共享方法和系统 |
-
2024
- 2024-01-31 CN CN202410135740.XA patent/CN117665224B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107632018A (zh) * | 2017-08-22 | 2018-01-26 | 甘肃农业大学 | 一种食品微生物快速检测系统及方法 |
CN113989600A (zh) * | 2021-09-28 | 2022-01-28 | 上海师范大学 | 一种图像异物检测方法 |
CN114580934A (zh) * | 2022-03-10 | 2022-06-03 | 新疆大学 | 基于无监督异常检测的食品检测数据风险的早预警方法 |
CN114842266A (zh) * | 2022-05-18 | 2022-08-02 | 上海师范大学天华学院 | 食品图像分类方法及系统、存储介质及终端 |
CN117201122A (zh) * | 2023-09-11 | 2023-12-08 | 大连理工大学 | 基于视图级图对比学习的无监督属性网络异常检测方法及系统 |
CN117392520A (zh) * | 2023-10-24 | 2024-01-12 | 江苏权正检验检测有限公司 | 用于食品检验检测的智能数据共享方法和系统 |
CN117273550A (zh) * | 2023-11-20 | 2023-12-22 | 深圳海关食品检验检疫技术中心 | 一种食品检测智能实验室的信息管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117665224A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180341905A1 (en) | Automated inspection system | |
US10634621B2 (en) | Information processing method, information processing apparatus, and program | |
CN114912852B (zh) | 一种用于冷藏仓储箱的异常监测预警系统 | |
CN116881745B (zh) | 基于大数据的压力变送器异常监测方法 | |
CN104298868B (zh) | 一种冷链物流的冷却肉货架期预测方法及系统 | |
CN115876258B (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
CN110428121A (zh) | 基于灰色关联分析的隐马尔可夫模型食品质量评估方法 | |
CN117152119A (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN115907279A (zh) | 基于物联网的工业生产产品用质量检测系统及方法 | |
CN116843236A (zh) | 一种基于人工智能的食品存储监管系统 | |
CN104483458A (zh) | 一种预测冷链猪肉货架期的方法与系统 | |
Phate et al. | Classification and weighing of sweet lime (Citrus limetta) for packaging using computer vision system | |
CN109584225B (zh) | 一种基于自编码器的无监督缺陷检测方法 | |
CN117665224B (zh) | 一种用于食品检测的智能实验室管理方法 | |
CN116972913B (zh) | 一种冷链设备运行状态在线监测方法及系统 | |
CN108362652B (zh) | 一种基于证据理论的物体新鲜度无损检测方法 | |
CN110308254B (zh) | 低溶解氧的精准监测方法 | |
CN111724350A (zh) | 鱼体新鲜度无损检测方法及装置 | |
CN113836813B (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
CN115618575A (zh) | 一种非线性加速退化试验失效机理一致性判别方法及装置 | |
Kusbandhini et al. | Rice shelf-life prediction using support vector regression algorithm based on electronic nose dataset | |
CN117688452B (zh) | 一种基于神经网络的食品农药残留量检测预警方法及系统 | |
CN117406161A (zh) | 一种计量装置量值偏离度预警方法、系统、设备及介质 | |
Jarošová et al. | Comparative statistical analysis of selected control charts for highly capable processes | |
CN117990865B (zh) | 基于三层共挤吹膜的复合膜袋性能测试方法及系统 |
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 |