CN117688452A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117688452A CN117688452A CN202410137312.0A CN202410137312A CN117688452A CN 117688452 A CN117688452 A CN 117688452A CN 202410137312 A CN202410137312 A CN 202410137312A CN 117688452 A CN117688452 A CN 117688452A
- Authority
- CN
- China
- Prior art keywords
- food
- data
- pesticide residue
- history
- detected
- 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 914
- 239000000447 pesticide residue Substances 0.000 title claims abstract description 309
- 238000001514 detection method Methods 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000004519 manufacturing process Methods 0.000 claims description 50
- 239000010794 food waste Substances 0.000 claims description 44
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 16
- 239000000575 pesticide Substances 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 238000001367 Mood's median test Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 150000001875 compounds Chemical group 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 1
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 1
- 244000241235 Citrullus lanatus Species 0.000 description 1
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000009849 Cucumis sativus Nutrition 0.000 description 1
- 240000009088 Fragaria x ananassa Species 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 240000008790 Musa x paradisiaca Species 0.000 description 1
- 238000003326 Quality management system Methods 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 235000021015 bananas Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 235000021012 strawberries Nutrition 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Preparation And Processing Of Foods (AREA)
Abstract
本发明公开了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，涉及食品安全技术领域，包括获取待测食品信息，对待测食品进行分类，获取待测食品分类信息，根据待测食品分类信息和食品农药残留量检测模型，获取食品农药残留量检测数据。本发明通过对待测食品进行分类，减小了检测误差，通过选取中位食品历史数据作为基准数据，对模型训练进行训练，获取食品农药残留量检测模型，通过食品农药残留量检测模型对待测食品进行检测，通过食品农药残留量检测数据，对食品农药残留状态进行评估，根据食品农药残留量指数和食品农药残留量指数阈值，对食品农药残留进行预警，提高检测的效率，节省时间和检测成本。
Description
技术领域
本发明涉及食品安全技术领域，具体是涉及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。
背景技术
随着经济的发展和生活水平的提高，人们对食品安全的要求也越来越高，食品安全成为人们经常讨论的热点问题。
目前，通过建立相关的食品质量安全管理机构、指导企业建立现代化质量管控系统、溯源系统等信息化手段已基本实现对食品质量安全的监督与控制，但是由于高价值信息通常被少数机构所掌控，选择性的公开、屏蔽或篡改信息等行为造成的信息不对称，以及缺乏高效的食品质量安全管控系统，食品安全事件仍时有发生。
目前对于大量的如苹果、香蕉、西瓜、草莓、白菜、黄瓜等常见的蔬菜水果类食品进行食品农药残留量检测时还存在无法快速、准确的对食品进行农药残留量检测，检测效率较低，同时会耗费大量的资源，若直接对食品进行农药残留去除，会造成资源的浪费的问题。
发明内容
为解决上述技术问题，提供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，本技术方案解决了上述背景技术中提出的无法快速、准确的对食品进行农药残留量检测，检测效率较低，同时会耗费大量的资源，若直接对食品进行农药残留去除，会造成资源的浪费的问题。
为达到以上目的，本发明采用的技术方案为：
一种基于神经网络的食品农药残留量检测预警方法，包括：
获取待测食品信息，所述待测食品信息包括待测食品种类信息、待测食品产地信息和待测食品生产时间信息；
根据待测食品信息，对待测食品进行分类，获取待测食品分类信息；
获取食品历史数据，所述食品历史数据包括食品历史信息、食品历史检测数据和食品历史农药残留量数据；
根据食品历史数据，基于数据处理，获取食品历史数据训练集；
根据食品历史数据训练集，基于模型训练，获取食品农药残留量检测模型；
根据待测食品分类信息和食品农药残留量检测模型，获取食品农药残留量检测数据；
根据食品农药残留量检测数据，对食品农药残留状态进行评估，获取食品农药残留量指数；
基于食品安全需求，获取食品农药残留量指数阈值；
根据食品农药残留量指数和食品农药残留量指数阈值，对食品农药残留进行预警。
优选的，所述根据待测食品信息，对待测食品进行分类，获取待测食品分类信息，具体包括：
根据待测食品信息，获取待测食品种类信息；
根据待测食品种类信息，将同种类待测食品划分为同一类别，获取待测食品第一分类信息；
根据待测食品信息，获取待测食品产地信息和待测食品生产时间信息；
基于实际分析需求，获取待测食品生产时间间隔阈值；
根据待测食品第一分类信息、待测食品生产时间间隔阈值和待测食品生产时间信息，对种类的待测食品进行分类，获取待测食品第二分类信息；
根据待测食品产地信息和待测食品第二分类信息，对待测食品进行进一步分类，获取待测食品分类信息。
优选的，所述根据食品历史数据，基于数据处理，获取食品历史数据训练集，具体包括：
根据食品历史数据，获取食品历史信息、食品历史检测数据和食品历史农药残留量数据；
其中，所述食品历史信息包括食品历史产地信息、食品历史种类信息、食品历史生产时间信息，所述食品历史检测数据包括食品历史大小信息、食品历史形状信息和食品历史颜色信息，所述食品历史农药残留量数据包括食品历史农药残留种类信息和食品历史农药残留量成分比例数据；
根据食品历史信息，对食品历史检测数据和食品历史农药残留量数据进行分类，获取历史数据分类信息；
根据历史数据分类信息，将每种食品的食品历史检测数据与食品历史农药残留量数据进行匹配，获取食品历史匹配数据；
根据食品历史检测数据，基于同种食品的差异程度进行排序，获取食品历史匹配数据排序信息；
根据食品历史匹配数据排序信息，获取中位历史食品数据；
根据中位历史食品数据，对食品的大小、形状和颜色差异进行评估，构成食品历史数据集D，即：
式中，/>为第t类的第n个食品的大小差异系数，/>为第t类的第n个食品的形状差异系数，/>为第t类的第n个食品的颜色差异系数，/>为第t类的第n个食品的农药残留量数据，n为第t类的食品总数目；
根据食品历史数据集，基于数据处理，获取食品历史数据训练集。
优选的，所述根据食品历史数据集，基于数据处理，获取食品历史数据训练集，具体包括：
根据食品历史数据集，获取食品历史数据区间差异数据；
根据食品历史数据区间差异数据，获取食品历史数据区间差异数据箱线图；
根据食品历史数据区间差异数据箱线图，基于实际分析需求，获取食品历史数据区间差异数据阈值；
根据食品历史数据区间差异数据和食品历史数据区间差异数据阈值，获取食品历史数据区间差异异常数据；
基于数据分析需求，获取食品历史数据区间差异异常阈值；
根据食品历史数据区间差异异常数据和食品历史数据区间差异异常阈值，判断该食品历史数据集是否可用，若食品历史数据区间差异异常数据超出食品历史数据区间差异异常阈值，则该食品历史数据集不可用，若食品历史数据区间差异异常数据未超出食品历史数据区间差异异常阈值，则根据食品历史数据集，获取食品历史数据训练集。
优选的，所述根据待测食品分类信息和食品农药残留量检测模型，获取食品农药残留量检测数据，具体包括：
根据食品历史数据训练集，获取中位历史食品数据；
根据食品历史数据训练集，基于数据集划分，获取食品历史数据训练集、食品历史数据测试集；
以中位历史食品数据为基准数据，根据食品历史数据训练集和食品历史数据测试集，对现有预测模型进行训练和测试，获取食品农药残留量检测模型；
根据待测食品分类信息，基于同一类食品的差异程度对待测食品进行排序，获取待测食品排序信息；
根据待测食品排序信息，获取中位待测食品信息；
根据中位待测食品信息，基于成分检测，获取中位食品农药残留数据，所述中位食品农药残留数据包括中位食品农药残留成分数据和中位食品农药化合物残留数据；
根据中位食品农药残留数据和食品农药残留量检测模型，获取食品农药残留量检测数据；
其中，食品农药残留量检测模型具体为：
式中，/>表示第t类第i个待测食品的第j种农药残留成分数据，/>表示第t类待测食品的中位待测食品的第j种农药残留成分数据，/>为待测食品大小对待测食品农药残留的影响系数，/>为第t类的第i个待测食品的大小评估指数，/>为第t类待测食品的中位待测食品大小评估指数，/>为待测食品形状对待测食品农药残留的影响系数，/>为第t类的第i个待测食品的形状评估指数，/>为第t类待测食品的中位待测食品形状评估指数，/>为待测食品颜色对待测食品农药残留的影响系数，/>为第t类的第i个待测食品的颜色评估指数，/>为第t类待测食品的中位待测食品颜色评估指数。
优选的，所述根据食品农药残留量指数和食品农药残留量指数阈值，对食品农药残留量进行预警：
根据食品农药残留量指数和食品农药残留量指数阈值，判断是否对食品农药残留进行预警，若食品农药残留量指数超出食品农药残留量指数阈值，则对食品农药残留进行预警；
若食品农药残留量指数未超出食品农药残留量指数阈值，则该食品农药残留处于安全范围；
其中，食品农药残留量指数的计算公式为：
式中，/>表示第t类第i个食品的食品农药残留量指数，/>为第j种农药残留危害系数，/>表示第t类第i个待测食品的第j种农药残留成分数据，/>表示第t类第i个待测食品的体积，m为食品的农药残留种类总数目。
进一步的，提出一种基于神经网络的食品农药残留量检测预警系统，用于实现如上述的检测预警方法，包括：
主控制模块，所述主控制模块用于根据待测食品信息，对待测食品进行分类，获取待测食品分类信息，根据食品农药残留量检测数据，对食品农药残留状态进行评估，获取食品农药残留量指数，基于食品安全需求，获取食品农药残留量指数阈值，根据食品农药残留量指数和食品农药残留量指数阈值，对食品农药残留进行预警；
信息获取模块，所述信息获取模块用于获取待测食品信息、待测食品种类信息、待测食品产地信息、待测食品生产时间信息、食品历史数据、食品历史信息、食品历史检测数据和食品历史农药残留量数据；
检测模块，所述检测模块用于根据食品历史数据，基于数据处理，获取食品历史数据训练集，根据食品历史数据训练集，基于模型训练，获取食品农药残留量检测模型，根据待测食品分类信息和食品农药残留量检测模型，获取食品农药残留量检测数据；
显示模块，所述显示模块用于显示食品农药残留量检测数据、食品农药残留量指数和食品农药残留预警信息
可选的，所述主控制模块，具体包括：
控制单元，所述控制单元用于根据待测食品种类信息，将同种类待测食品划分为同一类别，获取待测食品第一分类信息，根据待测食品第一分类信息、待测食品生产时间间隔阈值和待测食品生产时间信息，对种类的待测食品进行分类，获取待测食品第二分类信息，根据待测食品产地信息和待测食品第二分类信息，对待测食品进行进一步分类，获取待测食品分类信息，根据食品农药残留量指数和食品农药残留量指数阈值，对食品农药残留进行预警；
信息接收单元，所述信息接收单元与信息获取模块和检测模块交互，用于获取数据，并传输至评估单元；
评估单元，所述评估单元用于根据食品农药残留量检测数据，对食品农药残留状态进行评估，获取食品农药残留量指数，对食品的大小、形状和颜色进行评估。
可选的，所述信息获取模块，具体包括：
第一获取单元，所述第一获取单元用于获取待测食品信息、待测食品种类信息、待测食品产地信息和待测食品生产时间信息；
第二获取单元，所述第二获取单元用于获取食品历史数据、食品历史信息、食品历史检测数据和食品历史农药残留量数据，并传输至检测模块。
可选的，所述检测模块，具体包括：
数据处理单元，所述数据处理单元用于根据食品历史数据，获取食品历史信息、食品历史检测数据和食品历史农药残留量数据，根据食品历史信息，对食品历史检测数据和食品历史农药残留量数据进行分类，获取历史数据分类信息，根据历史数据分类信息，将每种食品的食品历史检测数据与食品历史农药残留量数据进行匹配，获取食品历史匹配数据；
模型训练单元，所述模型训练单元用于根据食品历史检测数据，基于同种食品的差异程度进行排序，获取食品历史匹配数据排序信息，根据食品历史匹配数据排序信息，获取中位历史食品数据，根据中位历史食品数据，对食品的大小、形状和颜色差异进行评估，构成食品历史数据集，根据食品历史数据集，基于数据处理，获取食品历史数据训练集，根据食品历史数据训练集，基于模型训练，获取食品农药残留量检测模型；
农药检测单元，所述农药检测单元用于根据中位待测食品信息，基于成分检测，获取中位食品农药残留数据，根据中位食品农药残留数据和食品农药残留量检测模型，获取食品农药残留量检测数据。
与现有技术相比，本发明的有益效果在于：
本发明提出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，通过对待测食品进行分类，便于对食品农药残留进行检测，减小了检测误差，通过选取中位食品历史数据作为基准数据，根据食品历史数据训练集对模型训练进行训练，获取食品农药残留量检测模型，通过食品农药残留量检测模型对待测食品进行检测，通过食品农药残留量检测数据，对食品农药残留状态进行评估，根据食品农药残留量指数和食品农药残留量指数阈值，对食品农药残留进行预警，提高检测的效率，节省时间和检测成本。
附图说明
图1为本发明提出的一种基于神经网络的食品农药残留量检测预警方法流程图；
图2为本发明中待测食品分类流程图；
图3为本发明中食品历史数据训练集获取流程图；
图4为本发明中食品农药残留量检测数据获取流程图；
图5为本发明提出的一种基于神经网络的食品农药残留量检测预警系统结构框图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
参照图1-图4所示，本发明实施例中的一种基于神经网络的食品农药残留量检测预警方法，包括：
S100：获取待测食品信息，所述待测食品信息包括待测食品种类信息、待测食品产地信息和待测食品生产时间信息；
S200：根据待测食品信息，对待测食品进行分类，获取待测食品分类信息；
根据待测食品信息，对待测食品进行分类，获取待测食品分类信息，具体包括：
根据待测食品信息，获取待测食品种类信息；
根据待测食品种类信息，将同种类待测食品划分为同一类别，获取待测食品第一分类信息；
根据待测食品信息，获取待测食品产地信息和待测食品生产时间信息；
基于实际分析需求，获取待测食品生产时间间隔阈值；
根据待测食品第一分类信息、待测食品生产时间间隔阈值和待测食品生产时间信息，对种类的待测食品进行分类，获取待测食品第二分类信息；
根据待测食品产地信息和待测食品第二分类信息，对待测食品进行进一步分类，获取待测食品分类信息。
本方案中，通过将待测食品，根据食品种类的不同进行第一次分类，之后根据待测食品生产时间间隔阈值和待测食品生产时间信息，将同一种食品中生产时间小于时间间隔阈值的待测食品划分为同一类别，再根据待测食品产地信息和待测食品第二分类信息，对待测食品进行进一步分类，获取待测食品分类信息，最后每个类别的待测食品种类相同，产地相同，生产时间相近，避免了外部因素对待测食品农药残留检测的干扰，提高了检测的效率。
S300：获取食品历史数据，所述食品历史数据包括食品历史信息、食品历史检测数据和食品历史农药残留量数据；
S400：根据食品历史数据，基于数据处理，获取食品历史数据训练集；
具体而言，根据食品历史数据，基于数据处理，获取食品历史数据训练集，包括：
根据食品历史数据，获取食品历史信息、食品历史检测数据和食品历史农药残留量数据；
其中，所述食品历史信息包括食品历史产地信息、食品历史种类信息、食品历史生产时间信息，所述食品历史检测数据包括食品历史大小信息、食品历史形状信息和食品历史颜色信息，所述食品历史农药残留量数据包括食品历史农药残留种类信息和食品历史农药残留量成分比例数据；
根据食品历史信息，对食品历史检测数据和食品历史农药残留量数据进行分类，获取历史数据分类信息；
根据历史数据分类信息，将每种食品的食品历史检测数据与食品历史农药残留量数据进行匹配，获取食品历史匹配数据；
根据食品历史检测数据，基于同种食品的差异程度进行排序，获取食品历史匹配数据排序信息；
根据食品历史匹配数据排序信息，获取中位历史食品数据；
根据中位历史食品数据，对食品的大小、形状和颜色差异进行评估，构成食品历史数据集D，即：
式中，/>为第t类的第n个食品的大小差异系数，/>为第t类的第n个食品的形状差异系数，/>为第t类的第n个食品的颜色差异系数，/>为第t类的第n个食品的农药残留量数据，n为第t类的食品总数目；
根据食品历史数据集，基于数据处理，获取食品历史数据训练集。
具体地，根据食品历史数据集，基于数据处理，获取食品历史数据训练集，包括：
根据食品历史数据集，获取食品历史数据区间差异数据；
根据食品历史数据区间差异数据，获取食品历史数据区间差异数据箱线图；
根据食品历史数据区间差异数据箱线图，基于实际分析需求，获取食品历史数据区间差异数据阈值；
根据食品历史数据区间差异数据和食品历史数据区间差异数据阈值，获取食品历史数据区间差异异常数据；
基于数据分析需求，获取食品历史数据区间差异异常阈值；
根据食品历史数据区间差异异常数据和食品历史数据区间差异异常阈值，判断该食品历史数据集是否可用，若食品历史数据区间差异异常数据超出食品历史数据区间差异异常阈值，则该食品历史数据集不可用，若食品历史数据区间差异异常数据未超出食品历史数据区间差异异常阈值，则根据食品历史数据集，获取食品历史数据训练集。
本方案中，通过食品历史信息，对食品历史检测数据和食品历史农药残留量数据进行分类，将同一产地、同一种类且生产时间小于预设的时间间隔范围的食品划分为同一类，获取历史数据分类信息，避免外部因素对检测模型造成影响，导致检测误差过大，根据食品历史数据区间差异数据和食品历史数据区间差异数据阈值，获取食品历史数据区间差异异常数据，避免异常数据过多对模型训练造成干扰，提高了检测模型的精准度。
S500：根据食品历史数据训练集，基于模型训练，获取食品农药残留量检测模型；
S600：根据待测食品分类信息和食品农药残留量检测模型，获取食品农药残留量检测数据；
具体而言，根据待测食品分类信息和食品农药残留量检测模型，获取食品农药残留量检测数据，具体包括：
根据食品历史数据训练集，获取中位历史食品数据；
根据食品历史数据训练集，基于数据集划分，获取食品历史数据训练集、食品历史数据测试集；
以中位历史食品数据为基准数据，根据食品历史数据训练集和食品历史数据测试集，对现有预测模型进行训练和测试，获取食品农药残留量检测模型；
根据待测食品分类信息，基于同一类食品的差异程度对待测食品进行排序，获取待测食品排序信息；
根据待测食品排序信息，获取中位待测食品信息；
根据中位待测食品信息，基于成分检测，获取中位食品农药残留数据，所述中位食品农药残留数据包括中位食品农药残留成分数据和中位食品农药化合物残留数据；
根据中位食品农药残留数据和食品农药残留量检测模型，获取食品农药残留量检测数据；
其中，食品农药残留量检测模型具体为：
式中，/>表示第t类第i个待测食品的第j种农药残留成分数据，/>表示第t类待测食品的中位待测食品的第j种农药残留成分数据，/>为待测食品大小对待测食品农药残留的影响系数，/>为第t类的第i个待测食品的大小评估指数，/>为第t类待测食品的中位待测食品大小评估指数，/>为待测食品形状对待测食品农药残留的影响系数，/>为第t类的第i个待测食品的形状评估指数，/>为第t类待测食品的中位待测食品形状评估指数，/>为待测食品颜色对待测食品农药残留的影响系数，/>为第t类的第i个待测食品的颜色评估指数，/>为第t类待测食品的中位待测食品颜色评估指数。
本方案中，通过食品历史数据训练集，获取中位历史食品数据，以中位历史食品数据为基准数据，根据食品历史数据训练集和食品历史数据测试集，对现有预测模型进行训练和测试，获取食品农药残留量检测模型，提高了检测模型的精准度，通过根据待测食品分类信息，基于同一类食品的差异程度对待测食品进行排序，获取中位待测食品信息，根据中位待测食品信息，基于精确的成分检测技术，如传统化学方法或实验室检测等，获取中位食品农药残留数据，根据中位食品农药残留数据和食品农药残留量检测模型，获取食品农药残留量检测数据，提高了食品农药残留检测的精准度，减少了检测过程中产生的检测误差。
S700：根据食品农药残留量检测数据，对食品农药残留状态进行评估，获取食品农药残留量指数；
S800：基于食品安全需求，获取食品农药残留量指数阈值；
S900：根据食品农药残留量指数和食品农药残留量指数阈值，对食品农药残留进行预警。
具体而言，根据食品农药残留量指数和食品农药残留量指数阈值，对食品农药残留量进行预警，包括：
根据食品农药残留量指数和食品农药残留量指数阈值，判断是否对食品农药残留进行预警，若食品农药残留量指数超出食品农药残留量指数阈值，则对食品农药残留进行预警；
若食品农药残留量指数未超出食品农药残留量指数阈值，则该食品农药残留处于安全范围；
其中，食品农药残留量指数的计算公式为：
式中，/>表示第t类第i个食品的食品农药残留量指数，/>为第j种农药残留危害系数，/>表示第t类第i个待测食品的第j种农药残留成分数据，/>表示第t类第i个待测食品的体积，m为食品的农药残留种类总数目。
本方案中，通过食品农药残留量检测数据，对食品农药残留状态进行准确评估，获取食品农药残留量指数，通过食品农药残留量指数和食品农药残留量指数阈值，对食品农药残留进行预警，根据食品农药残留量指数准确显示食品中残留的农药对人体的影响程度，及时对食品农药残留进行预警，保障公众的食品安全。
参照图5所示，进一步的，结合上述一种基于神经网络的食品农药残留量检测预警方法，提出了一种基于神经网络的食品农药残留量检测预警系统，包括：
主控制模块，所述主控制模块用于根据待测食品信息，对待测食品进行分类，获取待测食品分类信息，根据食品农药残留量检测数据，对食品农药残留状态进行评估，获取食品农药残留量指数，基于食品安全需求，获取食品农药残留量指数阈值，根据食品农药残留量指数和食品农药残留量指数阈值，对食品农药残留进行预警；
信息获取模块，所述信息获取模块用于获取待测食品信息、待测食品种类信息、待测食品产地信息、待测食品生产时间信息、食品历史数据、食品历史信息、食品历史检测数据和食品历史农药残留量数据；
检测模块，所述检测模块用于根据食品历史数据，基于数据处理，获取食品历史数据训练集，根据食品历史数据训练集，基于模型训练，获取食品农药残留量检测模型，根据待测食品分类信息和食品农药残留量检测模型，获取食品农药残留量检测数据；
显示模块，所述显示模块用于显示食品农药残留量检测数据、食品农药残留量指数和食品农药残留预警信息。
主控制模块，具体包括：
控制单元，所述控制单元用于根据待测食品种类信息，将同种类待测食品划分为同一类别，获取待测食品第一分类信息，根据待测食品第一分类信息、待测食品生产时间间隔阈值和待测食品生产时间信息，对种类的待测食品进行分类，获取待测食品第二分类信息，根据待测食品产地信息和待测食品第二分类信息，对待测食品进行进一步分类，获取待测食品分类信息，根据食品农药残留量指数和食品农药残留量指数阈值，对食品农药残留进行预警；
信息接收单元，所述信息接收单元与信息获取模块和检测模块交互，用于获取数据，并传输至评估单元；
评估单元，所述评估单元用于根据食品农药残留量检测数据，对食品农药残留状态进行评估，获取食品农药残留量指数，对食品的大小、形状和颜色进行评估。
信息获取模块，具体包括：
第一获取单元，所述第一获取单元用于获取待测食品信息、待测食品种类信息、待测食品产地信息和待测食品生产时间信息；
第二获取单元，所述第二获取单元用于获取食品历史数据、食品历史信息、食品历史检测数据和食品历史农药残留量数据，并传输至检测模块。
检测模块，具体包括：
数据处理单元，所述数据处理单元用于根据食品历史数据，获取食品历史信息、食品历史检测数据和食品历史农药残留量数据，根据食品历史信息，对食品历史检测数据和食品历史农药残留量数据进行分类，获取历史数据分类信息，根据历史数据分类信息，将每种食品的食品历史检测数据与食品历史农药残留量数据进行匹配，获取食品历史匹配数据；
模型训练单元，所述模型训练单元用于根据食品历史检测数据，基于同种食品的差异程度进行排序，获取食品历史匹配数据排序信息，根据食品历史匹配数据排序信息，获取中位历史食品数据，根据中位历史食品数据，对食品的大小、形状和颜色差异进行评估，构成食品历史数据集，根据食品历史数据集，基于数据处理，获取食品历史数据训练集，根据食品历史数据训练集，基于模型训练，获取食品农药残留量检测模型；
农药检测单元，所述农药检测单元用于根据中位待测食品信息，基于成分检测，获取中位食品农药残留数据，根据中位食品农药残留数据和食品农药残留量检测模型，获取食品农药残留量检测数据。
综上所述，本发明的优点在于：通过待测食品的种类、产地和生产时间，对待测食品进行分类，便于对食品农药残留进行检测，减小了检测误差，通过对食品历史数据进行处理、分类，选取中位食品历史数据作为基准数据，根据食品历史数据训练集对模型训练进行训练，获取食品农药残留量检测模型，通过对待测食品的中位待测食品进行精确的成分检测，获取中位食品农药残留数据，以中位食品农药残留数据为基准，通过食品农药残留量检测模型对剩余的待测食品进行检测，通过食品农药残留量检测数据，对食品农药残留状态进行评估，获取食品农药残留量指数，根据食品农药残留量指数和食品农药残留量指数阈值，对食品农药残留进行预警，提高检测的效率，节省时间和检测成本。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (10)
1.一种基于神经网络的食品农药残留量检测预警方法，其特征在于，包括：
获取待测食品信息，所述待测食品信息包括待测食品种类信息、待测食品产地信息和待测食品生产时间信息；
根据待测食品信息，对待测食品进行分类，获取待测食品分类信息；
获取食品历史数据，所述食品历史数据包括食品历史信息、食品历史检测数据和食品历史农药残留量数据；
根据食品历史数据，基于数据处理，获取食品历史数据训练集；
根据食品历史数据训练集，基于模型训练，获取食品农药残留量检测模型；
根据待测食品分类信息和食品农药残留量检测模型，获取食品农药残留量检测数据；
根据食品农药残留量检测数据，对食品农药残留状态进行评估，获取食品农药残留量指数；
基于食品安全需求，获取食品农药残留量指数阈值；
根据食品农药残留量指数和食品农药残留量指数阈值，对食品农药残留进行预警。
2.根据权利要求1所述的一种基于神经网络的食品农药残留量检测预警方法，其特征在于，所述根据待测食品信息，对待测食品进行分类，获取待测食品分类信息，具体包括：
根据待测食品信息，获取待测食品种类信息；
根据待测食品种类信息，将同种类待测食品划分为同一类别，获取待测食品第一分类信息；
根据待测食品信息，获取待测食品产地信息和待测食品生产时间信息；
基于实际分析需求，获取待测食品生产时间间隔阈值；
根据待测食品第一分类信息、待测食品生产时间间隔阈值和待测食品生产时间信息，对种类的待测食品进行分类，获取待测食品第二分类信息；
根据待测食品产地信息和待测食品第二分类信息，对待测食品进行进一步分类，获取待测食品分类信息。
3.根据权利要求1所述的一种基于神经网络的食品农药残留量检测预警方法，其特征在于，所述根据食品历史数据，基于数据处理，获取食品历史数据训练集，具体包括：
根据食品历史数据，获取食品历史信息、食品历史检测数据和食品历史农药残留量数据；
其中，所述食品历史信息包括食品历史产地信息、食品历史种类信息、食品历史生产时间信息，所述食品历史检测数据包括食品历史大小信息、食品历史形状信息和食品历史颜色信息，所述食品历史农药残留量数据包括食品历史农药残留种类信息和食品历史农药残留量成分比例数据；
根据食品历史信息，对食品历史检测数据和食品历史农药残留量数据进行分类，获取历史数据分类信息；
根据历史数据分类信息，将每种食品的食品历史检测数据与食品历史农药残留量数据进行匹配，获取食品历史匹配数据；
根据食品历史检测数据，基于同种食品的差异程度进行排序，获取食品历史匹配数据排序信息；
根据食品历史匹配数据排序信息，获取中位历史食品数据；
根据中位历史食品数据，对食品的大小、形状和颜色差异进行评估，构成食品历史数据集D，即：
式中，/>为第t类的第n个食品的大小差异系数，/>为第t类的第n个食品的形状差异系数，/>为第t类的第n个食品的颜色差异系数，/>为第t类的第n个食品的农药残留量数据，n为第t类的食品总数目；
根据食品历史数据集，基于数据处理，获取食品历史数据训练集。
4.根据权利要求3所述的一种基于神经网络的食品农药残留量检测预警方法，其特征在于，所述根据食品历史数据集，基于数据处理，获取食品历史数据训练集，具体包括：
根据食品历史数据集，获取食品历史数据区间差异数据；
根据食品历史数据区间差异数据，获取食品历史数据区间差异数据箱线图；
根据食品历史数据区间差异数据箱线图，基于实际分析需求，获取食品历史数据区间差异数据阈值；
根据食品历史数据区间差异数据和食品历史数据区间差异数据阈值，获取食品历史数据区间差异异常数据；
基于数据分析需求，获取食品历史数据区间差异异常阈值；
根据食品历史数据区间差异异常数据和食品历史数据区间差异异常阈值，判断该食品历史数据集是否可用，若食品历史数据区间差异异常数据超出食品历史数据区间差异异常阈值，则该食品历史数据集不可用，若食品历史数据区间差异异常数据未超出食品历史数据区间差异异常阈值，则根据食品历史数据集，获取食品历史数据训练集。
5.根据权利要求1所述的一种基于神经网络的食品农药残留量检测预警方法，其特征在于，所述根据待测食品分类信息和食品农药残留量检测模型，获取食品农药残留量检测数据，具体包括：
根据食品历史数据训练集，获取中位历史食品数据；
根据食品历史数据训练集，基于数据集划分，获取食品历史数据训练集、食品历史数据测试集；
以中位历史食品数据为基准数据，根据食品历史数据训练集和食品历史数据测试集，对现有预测模型进行训练和测试，获取食品农药残留量检测模型；
根据待测食品分类信息，基于同一类食品的差异程度对待测食品进行排序，获取待测食品排序信息；
根据待测食品排序信息，获取中位待测食品信息；
根据中位待测食品信息，基于成分检测，获取中位食品农药残留数据，所述中位食品农药残留数据包括中位食品农药残留成分数据和中位食品农药化合物残留数据；
根据中位食品农药残留数据和食品农药残留量检测模型，获取食品农药残留量检测数据；
其中，食品农药残留量检测模型具体为：
式中，/>表示第t类第i个待测食品的第j种农药残留成分数据，/>表示第t类待测食品的中位待测食品的第j种农药残留成分数据，/>为待测食品大小对待测食品农药残留的影响系数，/>为第t类的第i个待测食品的大小评估指数，/>为第t类待测食品的中位待测食品大小评估指数，/>为待测食品形状对待测食品农药残留的影响系数，/>为第t类的第i个待测食品的形状评估指数，/>为第t类待测食品的中位待测食品形状评估指数，/>为待测食品颜色对待测食品农药残留的影响系数，/>为第t类的第i个待测食品的颜色评估指数，/>为第t类待测食品的中位待测食品颜色评估指数。
6.根据权利要求1所述的一种基于神经网络的食品农药残留量检测预警方法，其特征在于，所述根据食品农药残留量指数和食品农药残留量指数阈值，对食品农药残留量进行预警：
根据食品农药残留量指数和食品农药残留量指数阈值，判断是否对食品农药残留进行预警，若食品农药残留量指数超出食品农药残留量指数阈值，则对食品农药残留进行预警；
若食品农药残留量指数未超出食品农药残留量指数阈值，则该食品农药残留处于安全范围；
其中，食品农药残留量指数的计算公式为：
式中，/>表示第t类第i个食品的食品农药残留量指数，/>为第j种农药残留危害系数，/>表示第t类第i个待测食品的第j种农药残留成分数据，表示第t类第i个待测食品的体积，m为食品的农药残留种类总数目。
7.一种基于神经网络的食品农药残留量检测预警系统，用于实现如权利要求1-6任一项所述的检测预警方法，其特征在于，包括：
主控制模块，所述主控制模块用于根据待测食品信息，对待测食品进行分类，获取待测食品分类信息，根据食品农药残留量检测数据，对食品农药残留状态进行评估，获取食品农药残留量指数，基于食品安全需求，获取食品农药残留量指数阈值，根据食品农药残留量指数和食品农药残留量指数阈值，对食品农药残留进行预警；
信息获取模块，所述信息获取模块用于获取待测食品信息、待测食品种类信息、待测食品产地信息、待测食品生产时间信息、食品历史数据、食品历史信息、食品历史检测数据和食品历史农药残留量数据；
检测模块，所述检测模块用于根据食品历史数据，基于数据处理，获取食品历史数据训练集，根据食品历史数据训练集，基于模型训练，获取食品农药残留量检测模型，根据待测食品分类信息和食品农药残留量检测模型，获取食品农药残留量检测数据；
显示模块，所述显示模块用于显示食品农药残留量检测数据、食品农药残留量指数和食品农药残留预警信息。
8.根据权利要求7所述的一种基于神经网络的食品农药残留量检测预警系统，其特征在于，所述主控制模块，具体包括：
控制单元，所述控制单元用于根据待测食品种类信息，将同种类待测食品划分为同一类别，获取待测食品第一分类信息，根据待测食品第一分类信息、待测食品生产时间间隔阈值和待测食品生产时间信息，对种类的待测食品进行分类，获取待测食品第二分类信息，根据待测食品产地信息和待测食品第二分类信息，对待测食品进行进一步分类，获取待测食品分类信息，根据食品农药残留量指数和食品农药残留量指数阈值，对食品农药残留进行预警；
信息接收单元，所述信息接收单元与信息获取模块和检测模块交互，用于获取数据，并传输至评估单元；
评估单元，所述评估单元用于根据食品农药残留量检测数据，对食品农药残留状态进行评估，获取食品农药残留量指数，对食品的大小、形状和颜色进行评估。
9.根据权利要求7所述的一种基于神经网络的食品农药残留量检测预警系统，其特征在于，所述信息获取模块，具体包括：
第一获取单元，所述第一获取单元用于获取待测食品信息、待测食品种类信息、待测食品产地信息和待测食品生产时间信息；
第二获取单元，所述第二获取单元用于获取食品历史数据、食品历史信息、食品历史检测数据和食品历史农药残留量数据，并传输至检测模块。
10.根据权利要求7所述的一种基于神经网络的食品农药残留量检测预警系统，其特征在于，所述检测模块，具体包括：
数据处理单元，所述数据处理单元用于根据食品历史数据，获取食品历史信息、食品历史检测数据和食品历史农药残留量数据，根据食品历史信息，对食品历史检测数据和食品历史农药残留量数据进行分类，获取历史数据分类信息，根据历史数据分类信息，将每种食品的食品历史检测数据与食品历史农药残留量数据进行匹配，获取食品历史匹配数据；
模型训练单元，所述模型训练单元用于根据食品历史检测数据，基于同种食品的差异程度进行排序，获取食品历史匹配数据排序信息，根据食品历史匹配数据排序信息，获取中位历史食品数据，根据中位历史食品数据，对食品的大小、形状和颜色差异进行评估，构成食品历史数据集，根据食品历史数据集，基于数据处理，获取食品历史数据训练集，根据食品历史数据训练集，基于模型训练，获取食品农药残留量检测模型；
农药检测单元，所述农药检测单元用于根据中位待测食品信息，基于成分检测，获取中位食品农药残留数据，根据中位食品农药残留数据和食品农药残留量检测模型，获取食品农药残留量检测数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410137312.0A CN117688452B (zh) | 2024-02-01 | 2024-02-01 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410137312.0A CN117688452B (zh) | 2024-02-01 | 2024-02-01 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117688452A true CN117688452A (zh) | 2024-03-12 |
| CN117688452B CN117688452B (zh) | 2024-05-07 |
Family
ID=90133716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410137312.0A Active CN117688452B (zh) | 2024-02-01 | 2024-02-01 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117688452B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108830507A (zh) * | 2018-06-29 | 2018-11-16 | 成都数之联科技有限公司 | 一种食品安全风险预警方法 |
| CN109212089A (zh) * | 2018-10-24 | 2019-01-15 | 安徽工业大学 | 基于灰色模型的蔬菜农药残留量不确定度评定方法 |
| CN113820280A (zh) * | 2021-09-16 | 2021-12-21 | 江苏迈鼎科技(集团)有限公司 | 一种农产品农残检测方法及系统 |
| CN115329905A (zh) * | 2022-10-13 | 2022-11-11 | 湖南鼎誉检验检测股份有限公司 | 一种食品检测方法、系统及存储介质 |
| WO2023114121A1 (en) * | 2021-12-13 | 2023-06-22 | Mars, Incorporated | A computer-implemented method of predicting quality of a food product sample |
| CN117371825A (zh) * | 2023-12-05 | 2024-01-09 | 烟台市食品药品检验检测中心(烟台市药品不良反应监测中心、烟台市粮油质量检测中心) | 基于状态监控分析生产品质的食品预测系统 |
-
2024
- 2024-02-01 CN CN202410137312.0A patent/CN117688452B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108830507A (zh) * | 2018-06-29 | 2018-11-16 | 成都数之联科技有限公司 | 一种食品安全风险预警方法 |
| CN109212089A (zh) * | 2018-10-24 | 2019-01-15 | 安徽工业大学 | 基于灰色模型的蔬菜农药残留量不确定度评定方法 |
| CN113820280A (zh) * | 2021-09-16 | 2021-12-21 | 江苏迈鼎科技(集团)有限公司 | 一种农产品农残检测方法及系统 |
| WO2023114121A1 (en) * | 2021-12-13 | 2023-06-22 | Mars, Incorporated | A computer-implemented method of predicting quality of a food product sample |
| CN115329905A (zh) * | 2022-10-13 | 2022-11-11 | 湖南鼎誉检验检测股份有限公司 | 一种食品检测方法、系统及存储介质 |
| CN117371825A (zh) * | 2023-12-05 | 2024-01-09 | 烟台市食品药品检验检测中心(烟台市药品不良反应监测中心、烟台市粮油质量检测中心) | 基于状态监控分析生产品质的食品预测系统 |
Non-Patent Citations (2)
| Title |
|---|
| BRAJA MANGGALA ET AL.: "Pesticide Residues Detection in Agricultural Products", RESEARCHGATE, 31 July 2023 (2023-07-31), pages 1 - 37 * |
| 蒋紫烟: "几种农药在柑橘上的农药残留消解及其在BP神经网络预测模型上的构建", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑, vol. 2022, no. 05, 15 May 2022 (2022-05-15), pages 024 - 436 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117688452B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107862338B (zh) | 基于双检验法的海洋环境监测数据质量管理方法及系统 | |
| CN109034036A (zh) | 一种视频分析方法、教学质量评估方法及系统、计算机可读存储介质 | |
| CN110133202A (zh) | 一种智能厨房的食材监测新鲜度的方法及装置 | |
| CN112115898B (zh) | 多指针仪表检测方法、装置、计算机设备及存储介质 | |
| CN117150283B (zh) | 一种基于大数据分析的突发环境事件安全预警方法 | |
| CN106596435A (zh) | 一种食材质量检测系统 | |
| CN115824993B (zh) | 水体化学需氧量的确定方法、装置、计算机设备及介质 | |
| CN110533007A (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
| CN118200950B (zh) | 一种电信基站的巡检方法及系统 | |
| Simonet | Quality control in qualitative analysis | |
| CN115617784A (zh) | 一种信息化配电的数据处理系统及其处理方法 | |
| 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 | |
| CN117455318A (zh) | 汽车零部件检测过程的监控方法、装置及电子设备 | |
| AU2020100135A4 (en) | Method, system and apparatus for evaluating sensory assessors’ concentration ability | |
| CN111667391A (zh) | 一种环保大数据监测系统 | |
| CN110688273B (zh) | 分类模型的监控方法、装置、终端以及计算机存储介质 | |
| CN110174711A (zh) | 终端设备及其异物检测结果评价方法、计算机存储介质 | |
| CN117524456A (zh) | 辅助诊断方法及系统 | |
| CN110658316A (zh) | 一种水质在线监测方法及系统 | |
| CN117665224B (zh) | 一种用于食品检测的智能实验室管理方法 | |
| CN109782342B (zh) | 一种选择性能较优的地震事件关联检测算法的方法 | |
| CN118429127B (zh) | 一种农产品质量安全监管软件的数据智能采集与分析方法 | |
| CN112464896B (zh) | 一种基于学生行为的身心状态分析系统 | |
| CN117633318B (zh) | 一种智能数据可视化系统 | |
| CN117406161B (zh) | 一种计量装置量值偏离度预警方法、系统、设备及介质 |
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 |