CN202421065U - 一种家庭用近红外食品品质检测装置 - Google Patents

一种家庭用近红外食品品质检测装置 Download PDF

Info

Publication number
CN202421065U
CN202421065U CN 201220020035 CN201220020035U CN202421065U CN 202421065 U CN202421065 U CN 202421065U CN 201220020035 CN201220020035 CN 201220020035 CN 201220020035 U CN201220020035 U CN 201220020035U CN 202421065 U CN202421065 U CN 202421065U
Authority
CN
China
Prior art keywords
microprocessor
food quality
infrared
home
amplifier
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.)
Expired - Fee Related
Application number
CN 201220020035
Other languages
English (en)
Inventor
吴明赞
曹杰
梁勇
杨慧萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN 201220020035 priority Critical patent/CN202421065U/zh
Application granted granted Critical
Publication of CN202421065U publication Critical patent/CN202421065U/zh
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Images

Abstract

本实用新型公开了一种家庭用近红外食品品质检测装置，包括近红外发光光源、滤光片、菲涅尔透镜、样品池、检测器、锁定放大器和微处理器；近红外发光光源发出的近红外线依次通过滤光片、菲涅尔透镜、样品池、检测器和锁定放大器后转换成方波信号，输入微处理器中，采用模糊迭代自组织数据分析的微处理器对接收的方波信号进行处理并显示。本实用新型检测装置结构简单，操作方便，适合家庭使用。

Description

一种家庭用近红外食品品质检测装置
技术领域
    本实用新型涉及一种基于近红外光谱手持式家用食品品质检测装置。
背景技术
近红外食品品质检测装置是根据食品（肉类、食用油、乳品、谷物与米面等）中各种有代表性的有机成份在近红外光谱区域的光学吸收特性、各成份的最强吸收波长的不同，吸收强度与粮食有机含量间的正比关系，通过对样品已知化学成份含量与其近红外光谱测定结果回归分析，建立起定标方程，即可对同一种相似类型的未知样品成份含量进行估测。由于吸收弱，近红外光具有比中红外和可见光更强的穿透能力，不用稀释可以直接测定样品的主要成分，可以透过较厚的样品，实现长光程测定。长光程的透射法用近红外光谱早期在农副产品中的应用，大多是通过漫反射技术实现的。漫反射法为保证足够的信号强度，需要有效的收集散射光，光路结构通常较复杂。现在市场上的食品安全检测都是台式，基本上都是机关、企事业单位、学校等食堂购买，建立食品安全检测室。
随着人们对生活质量要求的不断提高以及目前食品市场的现状，家庭对食品品质的要求越来越高，但目前采用的台式检测仪结构复杂，且体积大，不适合家庭使用。
发明内容
本实用新型的目的是为了解决现有技术中存在的缺陷，提供一种家庭用的近红外食品品质检测装置。
为了达到上述目的，本实用新型提供了一种家庭用近红外食品品质检测装置，包括近红外发光光源7、滤光片8、菲涅尔透镜9、样品池1、检测器2、锁定放大器3和微处理器4；所述近红外发光光源7发出的近红外线依次通过滤光片8、菲涅尔透镜9、样品池1、检测器2和锁定放大器3后转换成方波信号，输入微处理器4中，采用模糊迭代自组织数据分析的微处理器4对接收的方波信号进行处理并显示。
对本实用新型的进一步改进在于：本实用新型检测装置还包括显示器10和声光报警器11；所述微处理器4通过接口模块5分别与显示器10和声光报警器11相连。接口模块5采用FPGA芯片。
其中，近红外发光光源7为3×4近红外发光二极管阵列，波长为800～1100nm。检测器2为光传感器TSL245。锁定放大器3为外差式锁定放大器。微处理器4选用TMS320C2XXX系列的DSP芯片。
本实用新型相比现有技术具有以下优点：本实用新型食品品质检测装置采用短波近红外区的透射法，提高了检测装置的可靠性，并降低了光路成本。本实用新型采用光电传感器TSL245作为检测器，将红外线转换成方波，同时利用外差式锁定放大器对近红外微弱信号进行处理，处理后的信号经过DSP微处理器实现小波变换去噪预处理和模糊迭代自组织数据分析技术（ISODATA）进行品质分类。本实用新型食品品质检测装置采用FPGA芯片实现接口模块驱动电路，使得装置结构紧凑、体积小，同时利用显示器和声光报警器实现结果可视化，操作简单，适合家庭使用。
附图说明
图1为本实用新型家庭用近红外食品品质检测装置的结构示意图。
图2为图1中近红外发光光源的电流调整电路图。
图3为图1中锁定放大器的工作流程图。
图4为本实用新型利用模糊迭代自组织数据分析技术进行食品品质评判流程图。
图中，1-样品池，2-检测器，3-锁定放大器，4-微处理器，5-接口模块，6-电源模块，7-近红外发光光源，8-滤光片，9-菲涅尔透镜，10-显示器，11-声光报警器。
具体实施方式
下面结合具体实施方式对本实用新型家庭用近红外食品品质检测装置进行详细说明。
1.本检测装置结构及具体检测过程
参见图1，本实用新型家庭用近红外食品品质检测装置包括近红外发光光源7、滤光片8、菲涅尔透镜9、样品池1、检测器2、锁定放大器3、微处理器4、接口模块5、显示器10、声光报警器11和电源模块6。近红外发光光源7发出的近红外线依次通过滤光片8、菲涅尔透镜9、样品池1（样品池中放待检测的食品，如：肉类、食用油、乳品、谷物与米面等）、检测器2和锁定放大器3后转换成方波信号，送入微处理器4中。微处理器4、显示器10和声光报警器11分别与接口模块相连。电源模块6分别与近红外发光光源7、检测器2、微处理器4和接口模块5相连。微处理器4接收到光谱数据后，进行小波变换预处理，消除或减小仪器光强稳定性和样品特征引起的随机性差异，从而消除或减小光谱噪声。
小波变换预处理后的光谱数据在微处理器4的DSP芯片上运算模糊迭代自组织数据分析技术（ISODATA）算法，克服了普通聚类只注意样本间相似度量和类的归并，而忽略样本特性指标本身的合理选择的不足，同时考虑指标的内在联系。模糊ISODATA判定的意义是:新样本XR对哪一类(X上的模糊子集)最大，就将它归到哪一类；新样本XR与哪一个聚类中心最接近，就将它归到哪一类。食品品质评判流程见附图4，根据在本实用新型检测装置的微处理器中已储存的食品（肉类、食用油、乳品、谷物与米面等）品质检测标准样本，这些样本是在实验室用日本岛津IRPrestige-21型傅立叶变换红外分光光度计对食品（肉类、食用油、乳品、谷物与米面等）品质的各类样本，并将这些检测结果进行模糊ISODATA分析，然后对分析数据进行样品品质分类，本实用新型检测装置在现场对食品（肉类、食用油、乳品、谷物与米面等）样品进行采集，同时进行食品（肉类、食用油、乳品、谷物与米面等）品质检测（监测），对比标准样品进行食品（肉类、食用油、乳品、谷物与米面等）品质判定。在显示器10上显示评判结果，同时通过声光报警器11发出声光信号。
2.本检测装置的各个组成部分的说明
1）近红外发光光源7由3×4近红外发光二极管（LED）阵列组成，波长为800~1100nm，为了保证光源的稳定，每一支都有单独的可调的恒流电路，使用4-16译码器CD4515实现对近红外二极管阵列进行通断控制，在集电极的ULN2003（反相器）增加了LED的电流驱动能力。结合图2，LM336作为电压基准R，为其限流电阻，调节电位器R2的一端接在ULN2003的输出端，另一端与三极管2N222的发射极连接，通过三极管2N222增加近红外的电流驱动能力，同时近红外LED上也可以得到稳定的电流。
2）检测器2选用的光电传感器TSL245，它是美国德州仪器（TI）公司生产的新型红外线光频转换器，它在一个单片CMOS集成电路上组合了一个硅光电二极管和一个电流—频率转换，当近红外发光二极管发出的红外线依次经过滤光片8、菲涅尔透镜9和样品池1后照射到检测器2的硅光电二极管时，硅光电二极管产生与光照度成正比例的导通电流，再由电流—频率转换器将此电流转换成一个频率与它成比例的方波（占空比为50%），即TSL245输出的是一个方波，且频率与所施加的光照度成精确的正比例关系，具有良好的线性度；它同时也是一个完全的可见光截止滤波器。
    3）由检测器2输出的方波经由锁定放大器3放大微弱信号后，输出至微处理器DSP的I/O口。锁定放大器3采用外差式锁定放大器，外差式锁定放大器是将被测信号x(t)首先变频到一个固定的中频                                               
Figure 2012200200358100002DEST_PATH_IMAGE002
，然后进行带通滤波和相敏检测，这样就可以避免通过BPF（带通滤波器）的信号频率的漂移和变化。结合图3，外差式LIA（锁定放大器）是把频率为
Figure 2012200200358100002DEST_PATH_IMAGE004
的参考信号r(t)输入到频率合成器，由频率合成器产生高稳定度的
Figure DEST_PATH_IMAGE002A
和
Figure DEST_PATH_IMAGE006
两种频率输出。其中，
Figure DEST_PATH_IMAGE002AA
用作PSD（相敏检测器）的参考信号；
Figure DEST_PATH_IMAGE006A
送给混频器，与频率为
Figure DEST_PATH_IMAGE004A
的信号进行混频。混频器实际上也是一个乘法器，它产生两路输入的差频项（频率为
Figure DEST_PATH_IMAGE002AAA
）及和频项（频率为
Figure DEST_PATH_IMAGE008
），再经中心频率为
Figure DEST_PATH_IMAGE002AAAA
的BPF的相敏检测和LPF（低通滤波器）的低通滤波，实现对信号幅度的测量。
从上述工作过程可见，即使在测量过程中
Figure DEST_PATH_IMAGE004AA
发生了变化，混频器输出的频率
Figure DEST_PATH_IMAGE002AAAAA
仍然保持稳定不变。这样混频器之后的各级可以针对固定的频率
Figure DEST_PATH_IMAGE002AAAAAA
作最佳设计，包括采用专门设计的固定中心频率的带通滤波器，这既提高系统抑制噪声和谐波响应的能力，又避免了调整BPF的麻烦。对于不同的被测信号频率
Figure DEST_PATH_IMAGE004AAA
，只要它与参考输入的频率保持一致（这一般容易做到，实际应用中的参考输入信号r(t)往往就是来自生成被测信号x(t)的调制正弦波或斩波所用的方波），则外差式锁定放大器都能适应。
4）微处理器4选用美国德州仪器（TI）公司生产的TMS320C2XXX系列DSP芯片，该芯片处理能力强，指令周期最短为25ns，运算能力达40MIPS，片内具有较大的闪速存储器，功耗低，资源配置灵活。
其中，模糊ISODATA分析方法如下所述：
1、模糊分类
       J.C. Bezdek 利用模糊集合的概念提出了模糊分类（也叫软划分）问题，认为被分类对象集合X中的样本
Figure DEST_PATH_IMAGE010
，以一定的程度隶属于某一类，也就是说，所有的样本都分别发自不同的隶属于某一类。因此，每一类就认为是样本集合X的一个模糊子集，于是每一种这一类分类结果所对应的分类矩阵，就是一个模糊矩阵
Figure DEST_PATH_IMAGE012
式中：
Figure DEST_PATH_IMAGE014
。
       设
Figure DEST_PATH_IMAGE016
为所有满足以上条件的模糊矩阵R的集合，即
Figure DEST_PATH_IMAGE018
称
Figure DEST_PATH_IMAGE020
成样本集X被分成C类的模糊分类空间。
       在聚类分析中，如果能根据n个样本的特性指标矩阵寻找出在一定条件下最佳的模糊分类矩阵R，则与R对应的模糊人类，就是样本集X在该条件下最佳的模糊分类。
2、模糊ISODATA聚类分析方法
       设被分类对象集合为
Figure DEST_PATH_IMAGE022
其中每一个样本
Figure DEST_PATH_IMAGE024
均有m个特性指标，即
Figure DEST_PATH_IMAGE026
。特性指标矩阵为
Figure DEST_PATH_IMAGE028
                               （6）
要将样本集X分成C类
Figure DEST_PATH_IMAGE030
，设C个聚类中心向量为
Figure DEST_PATH_IMAGE032
                             （7）
为了获得一个最佳的模糊分类，可以按照下列聚类准则，从模糊分类空间
Figure 40657DEST_PATH_IMAGE020
中优选一个最好的模糊分类。
3、模糊分类的聚类准则与聚类判据
       在模糊分类的情况下，为了得到最优的分类，把聚类判据作如下推广。即使目标函数
    
Figure DEST_PATH_IMAGE034
                  （8）
达到极小值。其中
Figure DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE038
的意义与式（7）相同，q>0。为了灵活地变动相对隶属程度，q可取一定的值（一般取q=2），取值过大会引起信息失真。
       聚类准则是：取出适当的模糊分类矩阵R与聚类中心向量V，使得式（8）所表示的目标函数达到极小值。一般而言，上述目标函数的极值求解相当困难，但Bezdek已经证明：当
Figure DEST_PATH_IMAGE040
时，可以通过下面的方式进行迭代运算，并且运算过程是收敛的，这就是模糊ISODATA方法。其步骤为：
（1）    选定C，
Figure DEST_PATH_IMAGE042
，取一初始模糊分类矩阵
Figure DEST_PATH_IMAGE044
，逐步迭代，
Figure DEST_PATH_IMAGE046
。
（2）    对于
Figure DEST_PATH_IMAGE048
，计算聚类中心向量
Figure DEST_PATH_IMAGE050
                                  （9）
式中，
Figure DEST_PATH_IMAGE052
。
（3）    修正模糊分类矩阵
Figure DEST_PATH_IMAGE054
Figure DEST_PATH_IMAGE056
     （10）
比较
Figure 209339DEST_PATH_IMAGE054
与
Figure DEST_PATH_IMAGE058
，若对取定的
Figure DEST_PATH_IMAGE060
，
Figure DEST_PATH_IMAGE062
                    （11）
则
Figure 778992DEST_PATH_IMAGE058
和
Figure DEST_PATH_IMAGE064
即为所求，停止迭代，否则，
Figure DEST_PATH_IMAGE066
，回到步骤（2）重复进行。
       应用以上算法得到模糊分类矩阵和聚类中心
Figure 354165DEST_PATH_IMAGE064
是相对于分类数C，初始模糊分类矩阵
Figure DEST_PATH_IMAGE068
、
Figure DEST_PATH_IMAGE070
和参数q的最优解。
       由于本算法要求
Figure DEST_PATH_IMAGE072
，以及式（9）和式（10）本身的原因，初始模糊分类矩阵的选取除了必须满足模糊分类矩阵的3个条件中的2个。
（1）       
Figure DEST_PATH_IMAGE074
；
（2）    
Figure DEST_PATH_IMAGE076
;之外，还必须对初始模糊矩阵
Figure 924266DEST_PATH_IMAGE068
的选取，并加以如下限制；
（3）    初始矩阵
Figure 12308DEST_PATH_IMAGE068
不能是一个每一元素都相等的常数矩阵；
（4）    初始矩阵
Figure 217024DEST_PATH_IMAGE068
不能是一个某一行元素等值的矩阵；
（5）    初始矩阵
Figure 415925DEST_PATH_IMAGE068
中对只有一个样本的类，聚类前要除掉，待聚类后再放入。
同时满足以上5个条件所选取的初始模糊分类矩阵
Figure 753977DEST_PATH_IMAGE068
，才不会在模糊ISODATA地计算迭代过程中造成失真现象，否则将使聚类分析失败。这一点在选取初始模糊分类矩阵时，必须引起足够的重视。
       新样本归于何类按下列原则来识别：
       判定原则1  设最后求得的聚类中心向量为
Figure DEST_PATH_IMAGE078
，如果
Figure DEST_PATH_IMAGE080
则将样本
Figure DEST_PATH_IMAGE082
归于第i类。
       判定原则2  设最后求得的模糊分类矩阵为
                            （12）
，在的第k列中，如果
Figure DEST_PATH_IMAGE090
                          （13）
则将样本
Figure 701336DEST_PATH_IMAGE082
归于第i类。
4、聚类效果的检验
       前面已经指出，应用模糊ISODATA方法获得的模糊聚类是相对于分类数C、初始模糊分类矩阵
Figure 455665DEST_PATH_IMAGE068
、误差
Figure 130360DEST_PATH_IMAGE070
和参数q的最优解。如果改变C、
Figure 653746DEST_PATH_IMAGE068
、
Figure 21273DEST_PATH_IMAGE070
和q，则可得到许多局部最优解。若从这些最优解中选出最佳，则需要有鉴别模糊ISODATA聚类效果的指标。鉴别聚类效果可用下列指标：
       分类系数
                        （14）
       当
Figure DEST_PATH_IMAGE094
时，
Figure DEST_PATH_IMAGE096
.因此，
Figure DEST_PATH_IMAGE098
愈接近1；最终分类的模糊性愈小，聚类效果愈好；
       平均模糊熵
Figure DEST_PATH_IMAGE100
                   （15）
当平均模糊熵越接近于零越好。

Claims (7)

1.一种家庭用近红外食品品质检测装置，其特征在于：包括近红外发光光源（7）、滤光片（8）、菲涅尔透镜（9）、样品池（1）、检测器（2）、锁定放大器（3）和微处理器（4）；所述近红外发光光源（7）发出的近红外线依次通过滤光片（8）、菲涅尔透镜（9）、样品池（1）、检测器（2）和锁定放大器（3）后转换成方波信号，输入微处理器（4）中，采用模糊迭代自组织数据分析的微处理器（4）对接收的方波信号进行处理并显示。
2.根据权利要求1所述的家庭用近红外食品品质检测装置，其特征在于：所述检测装置还包括显示器（10）和声光报警器（11）；所述微处理器（4）通过接口模块（5）分别与显示器（10）和声光报警器（11）相连。
3.根据权利要求2所述的家庭用近红外食品品质检测装置，其特征在于：所述接口模块（5）采用FPGA芯片。
4.根据权利要求1或2所述的家庭用近红外食品品质检测装置，其特征在于：所述近红外发光光源（7）为3×4近红外发光二极管阵列，波长为800～1100nm。
5.根据权利要求1或2所述的家庭用近红外食品品质检测装置，其特征在于：所述检测器（2）为光传感器TSL245。
6.根据权利要求1或2所述的家庭用近红外食品品质检测装置，其特征在于：所述锁定放大器（3）为外差式锁定放大器。
7.根据权利要求1或2所述的家庭用近红外食品品质检测装置，其特征在于：所述微处理器（4）选用TMS320C2XXX系列的DSP芯片。
CN 201220020035 2012-01-17 2012-01-17 一种家庭用近红外食品品质检测装置 Expired - Fee Related CN202421065U (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201220020035 CN202421065U (zh) 2012-01-17 2012-01-17 一种家庭用近红外食品品质检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201220020035 CN202421065U (zh) 2012-01-17 2012-01-17 一种家庭用近红外食品品质检测装置

Publications (1)

Publication Number Publication Date
CN202421065U true CN202421065U (zh) 2012-09-05

Family

ID=46745819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201220020035 Expired - Fee Related CN202421065U (zh) 2012-01-17 2012-01-17 一种家庭用近红外食品品质检测装置

Country Status (1)

Country Link
CN (1) CN202421065U (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104583758A (zh) * 2012-12-27 2015-04-29 松下知识产权经营株式会社 食品分析装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104583758A (zh) * 2012-12-27 2015-04-29 松下知识产权经营株式会社 食品分析装置
US9784672B2 (en) 2012-12-27 2017-10-10 Panasonic Intellectual Property Management Co., Ltd. Foodstuff analysis device

Similar Documents

Publication Publication Date Title
CN102564997A (zh) 一种家庭用近红外食品品质检测装置
CN102042968A (zh) 粮食品质近红外快速检测无线系统
CN101435773B (zh) 基于准连续二极管激光器调制光谱气体监测方法和装置
CN204790027U (zh) 一种人体感应装置及系统
CN103969222A (zh) 一种基于时间相关单光子计数的非门控液体浊度测量装置的测量方法
CN201421450Y (zh) 一种食品检测设备
CN101975759A (zh) 透射式无损检测植物叶片含水量的装置和方法
CN102147365A (zh) 一种手持式生物荧光检测仪及检测方法
CN107389613A (zh) Led脉冲光源式作物冠层植被指数测定系统
CN109975234A (zh) 一种基于中红外led吸收光谱的小型化甲醛检测仪
CN102928081B (zh) 一种声光可调滤光型近红外光谱仪
CN106404743A (zh) 一种结合拉曼光谱和近红外光谱的探测方法及探测装置
CN202421065U (zh) 一种家庭用近红外食品品质检测装置
CN104122231B (zh) 一种在线式自校准水质浊度检测系统
CN101968443A (zh) 反射式近红外植物叶片含水量的无损检测装置及方法
CN113080848B (zh) 近红外光皮肤检测装置及方法
CN205049472U (zh) 一种类球形水果透射高光谱成像无损检测装置
CN105157830B (zh) 基于红外辐射测量的激光功率计
CN1295494C (zh) 集成化微型光学分析仪
CN109061076A (zh) 一种智能化便携式食品及环境污染物检测仪
CN203551466U (zh) 近红外线家用食品检测装置
CN108872141A (zh) 一种基于近红外光谱分析的水稻叶片含水率快速无损检测电路、装置及方法
CN201830211U (zh) 采用cd552-r3芯片的锁相放大电路
CN204789310U (zh) 自动检测苹果霉心病的装置及其数据测量设备
CN104833657B (zh) 具有侧向补偿的激光无线测沙仪

Legal Events

Date Code Title Description
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20120905

Termination date: 20150117

EXPY Termination of patent right or utility model