一种基于人工智能的农产品营养品质等级划分系统
阅读说明：本技术 一种基于人工智能的农产品营养品质等级划分系统 (Agricultural product nutrition quality grade classification system based on artificial intelligence ) 是由 王靖 田润涛 韩迪 刘涛 李芳妍 何晓叶 刘芯钥 朱梓健 李琥 武美杉 于 2021-09-08 设计创作，主要内容包括：本发明提供一种基于人工智能的农产品营养品质等级划分系统,涉及人工智能技术领域。包括以下步骤：S1、对农产品进行检测,将农产品检测的数据输入；S2、对农产品检测出的数据进行数据处理；数据处理包括多谱学仪器数据处理系统和组学数据分析系统；S3、农产品营养品质基础数据库的数据建模；S4、农产品等级划分的化学计量学与机器学习算法库；S5、农产品等级划分系统的构建。本发明通过农产品检测与人工智能相结合水平,从而促进对于农产品营养品质物质基础与作用规律的深入认识,有利于推动农产品等级划分,促进我国农业生产从生存型食物供给,向健康型营养品质提升的转型发展。(The invention provides an agricultural product nutrition quality grading system based on artificial intelligence, and relates to the technical field of artificial intelligence. The method comprises the following steps: s1, detecting the agricultural products and inputting the data of the agricultural product detection; s2, carrying out data processing on the data detected by the agricultural products; the data processing comprises a multispectral instrument data processing system and an omics data analysis system; s3, modeling the agricultural product nutrition quality basic database; s4, a chemometrics and machine learning algorithm library for agricultural product grade division; and S5, constructing an agricultural product grading system. The invention promotes the deep understanding of the substance basis and action rule of the nutritional quality of agricultural products by combining the agricultural product detection with artificial intelligence, is favorable for promoting the grade division of the agricultural products, and promotes the transformation development of the agricultural production in China from the survival type food supply to the health type nutritional quality improvement.)
技术领域
本发明涉及人工智能技术领域，具体为一种基于人工智能的农产品营养品质等级划分系统。
背景技术
当前，中国农业正加快进入满足营养健康需求的新阶段，食品加工从适应人民群众吃得饱、吃得安全，向吃出健康、吃出愉悦转型。自2006年《农产品质量安全法》颁布实施以来，国家加强对农产品质量安全指标的监管。截至2019年底，我国共制修订农药残留限量标准、兽药残留限量标准总数达到1万余项，我国农产品质量安全总体稳定向好，2020年农产品质量安全风险监测合格率达97.8％。然而，现有的农产品质量法规体系注重安全性而缺乏对营养品质功能性的监管，导致农产品营养品质评价体系建设发展相对滞后。由于围绕我国农产品营养品质的基础大数据及相应的客观评价技术体系缺失，导致大众缺乏对营养品质的认知，形成“安全即优质”的错误消费观念；同时具体执行标准不够明确，导致各类评优混乱，市场虚假宣传和以次充好现象屡禁不止。从而使得农产品原产地的优质品种、品质资源没有得到合理开发，生产企业从事品质提升的投入缺乏保障，消费者的获得感和追求高品质食品的美好愿望无法充分满足。
有鉴于此，农业农村部近年来启动了推进农产品营养品质等级划分的共性关键技术研究，通过围绕农产品整体营养品质的科学阐述并结合相关基于大数据的人工智能分析技术，开展包括精准营养与健康的科学内涵研究、营养品质标志物发现、风味感官影响规律探索，以及品种鉴定、真伪鉴别、年份判别、营养品质评价、风味感官剖析，原产地溯源等一系列关键应用研究，并以此构建对于农产品安全性、真实性、营养性、道地性与可追溯性，以及均一性在内的逐层递进、点面结合的农产品等级划分创新技术评价体系，从而实现以精准检测与科学、智能评价为特征的检测与评价规范架构。
然而，目前现行国标等检测方法多仍停留在针对单一指标或单一检测项目进行定性、定量分析的层面，又或者仅通过农产品外观和尺寸大小等外在品质作为规格分类依据，缺乏通过代表性样品大数据结合智能分析仪器，对反映农产品真实性、原产地及感官、营养品质等内在质量进行全方位、多角度综合评价的技术方法，特别是对于大数据和人工智能技术的应用尚属空白。此外，现有的仪器快检方法如近红外光谱法和质谱实时分析方法在农作物中的应用大多聚焦在对粗指标和安全性指标的监测，缺乏围绕指纹图谱、风味感官组学、食品营养物质组学、代谢组学、蛋白组学等农产品营养品质与等级划分所涉及的前沿研究方法的深入探索和系统整合应用。因此，本发明提供了一种基于人工智能的农产品营养品质等级划分系统。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于人工智能的农产品营养品质等级划分系统，通过综合利用针对农产品营养品质特点的机器学习算法，实现了对于复杂农产品检测数据的一站式数据建模及涉及农产品安全性评价、真实性评价、营养品质等级划分评价、一致性评价和感官评价，通过这一基于各类光谱、质谱及色谱等检测数据的自动化的等级划分预测模型开发系统，可实现包括样本处理、质量标志物发现，模型训练，模型维护，样本预测完整的等级划分模型开发和应用，极大提升了当前农产品检测与人工智能的结合水平。促进对于农产品营养品质物质基础与作用规律的深入认识，有利于推动农产品等级划分，促进我国农业生产从生存型食物供给，向健康型营养品质提升的转型发展。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于人工智能的农产品营养品质等级划分系统，其特征在于：包括以下步骤：
S1、对农产品进行检测，将农产品检测的数据输入；
S2、对农产品检测出的数据进行数据处理；数据处理包括多谱学仪器数据处理系统和组学数据分析系统；
S3、农产品营养品质基础数据库的数据建模；
S4、农产品等级划分的化学计量学与机器学习算法库；
S5、农产品等级划分系统的构建。
优选的，所述S1中对农产品检测使用多谱学仪器进行检测，所述多谱学仪器包括质谱学仪器、光谱学仪器、色谱学仪器和核磁共振波谱，检测数据由质谱仪厂家和核磁共振厂家的工作站直接导出或者借助数据转换功能完成。
优选的，所述S2中多谱学仪器数据处理系统包括质谱数据、光谱数据、色谱数据和核磁共振波谱数据。
优选的，所述S2组学数据分析系统包括对无机营养品质元素、小分子营养品质元素、大分子营养品质元素、指纹图谱、真实性、溯源分析和安全风险物质的数据进行分析记录。
优选的，所述S3中数据库包括农产品样本库和标志化合物数据库，所述农产品样品库包括样品采样及加工溯源的基本信息，以及对应的靶向及非靶向检测图谱仪器原始数据和分析结果的记录，所述标志化合物数据库包括对于营养品质等级划分的化合物，所述化合物包括各类农产品质量和风味感官标志物。
优选的，所述S4中的农产品等级划分的化学计量学与机器学习算法库包括相似度判别算法、降维分析算法、无监督的聚类分析算法、有监督的模式识别算法和回归分析算法，通过步骤S4对步骤S3的数据库完成数据建模。
优选的，通过步骤S3与步骤S4构成农产品品质大数据的精确匹配系统，所述农产品品质大数据的精确匹配系统包括安全性评价、真实性评价、营养品质等级划分评价、一致性评价和感官评价。
优选的，所述步骤S5中的农产品等级划分系统的构建包括以下步骤：
A、模型的有监督训练，基于化学计量学及机器学习算法，实现针对农产品多谱学数据地有监督模式识别或定量回归，以及对农产品质量相关标志物进行识别和筛选；
B、建模质量评价，系统通过交叉验证、置换检验及验证集验证方式对模型质量以特异性和灵敏度作为衡量依据进行客观评价；
C、待测样品预测，对于未知的待测样品，数据导入系统后根据所选择的对应模型的配置，自动进行数据对齐、标度化数据预处理管道，并代入模型进行定性判别分类，以及定量回归预测不同类型的计算，获得模型输出的预测值，作为该样品的判别计算结果。
本发明提供了一种基于人工智能的农产品营养品质等级划分系统，其具备的有益效果如下：
(1)本发明通过构建农产品营养品质基础数据库及质量标志物化合物库，以及用于农产品等级划分的化学计量学与机器学习专用算法库，实现了采用大数据的方式对复杂农产品样本进行有效管理以及开展数据分析和挖掘，从而便于工作人员对庞大、复杂的各类农产品检测样本进行管理。
(2)本发明实现了农产品营养品质数据分析和建模流程的自动化和标准化，通过所设计的数据前处理、模型的有监督训练、建模质量评价以及待测样品预测的方法，实现了对农产品营养品质进行科学的检测记录和等级划分评价，并且在现有基础上获得了巨大提升。
(3)本发明通过基于质谱数据、光谱数据、色谱数据和核磁共振波谱数据的机器学习算法，建立基于农产品内在品质的原产地溯源分析，可代替现有的区块链和物联网“一物一码”的溯源技术，应用于农产品有关真实性、道地性和地理标志物检测当中，有效降低检测和溯源成本，并且有效地防止了对产品原产地的篡改。
(4)本发明通过综合利用针对农产品营养品质特点的机器学习算法，实现了对于复杂农产品检测数据的一站式数据建模及涉及农产品安全性评价、真实性评价、营养品质等级划分评价、一致性评价和感官评价，通过基于各类光谱、质谱及色谱等检测数据的自动化的等级划分预测模型开发系统，可实现包括样本处理、质量标志物发现，模型训练，模型维护，样本预测等完整的等级划分模型开发和应用，极大提升了当前农产品检测与人工智能的结合水平。促进对于农产品营养品质物质基础与作用规律的深入认识，有利于推动农产品等级划分，促进我国农业生产从生存型食物供给，向健康型营养品质提升的转型发展。
附图说明
图1为本发明的流程图；
图2为本发明的不同物质相对应的分析技术图；
图3为本发明农产品营养品质等级划分评价流程图；
图4为本发明农产品营养品质等级划分系统的构建流程图。
具体实施方式
本发明实施例提供的一种基于人工智能的农产品营养品质等级划分系统，包括以下步骤：
S1、对农产品进行检测，将农产品检测的数据输入；
S2、对农产品检测出的数据进行数据处理；数据处理包括多谱学仪器数据处理系统和组学数据分析系统；
S3、农产品营养品质基础数据库的数据建模；
S4、农产品等级划分的化学计量学与机器学习算法库；
S5、农产品等级划分系统的构建。
在本实施例中：所述S1中对农产品检测使用多谱学仪器进行检测，所述多谱学仪器包括质谱学仪器、光谱学仪器、色谱学仪器和核磁共振波谱，检测数据可由质谱仪厂家和核磁共振厂家的工作站直接导出或者借助数据转换功能完成。
在本实施例中：如图2所示，所述S2中多谱学仪器数据处理系统包括各类光谱(包括但不仅限于红外光谱、近红外光谱、拉曼光谱、三维荧光光谱等)、质谱(包括但不仅限于MALDI-MS、DESI-MS、ICP-MS、IR-MS稳定同位素比、DART-MS，MSI离子淌度谱等)、色谱(包括但不仅限于液相色谱、气相色谱等)以及核磁共振波谱(包括但不仅限于氢谱和碳谱等)等数据提供对应的处理功能，包括光谱多元校正、色谱峰积分和保留时间对齐，以及一二级质谱碎片匹配等定性、定量处理功能。
在本实施例中：如图2所示，所述S2组学数据分析系统包括对无机营养品质元素、小分子营养品质元素、大分子营养品质元素、指纹图谱、真实性、溯源分析和安全风险物质的数据进行分析记录。
在本实施例中：如图3所示，所述S3中数据库包括农产品样本库和标志化合物数据库，所述农产品样品库包括样品采样及加工溯源的基本信息，以及对应的靶向及非靶向检测图谱仪器原始数据和分析结果的记录，所述标志化合物数据库包括对于营养品质等级划分的化合物，所述化合物包括各类农产品质量和风味感官标志物，后者主要存储对于营养品质等级划分机制研究和模型建立具有参考价值的已知化合物或可进行标注的未知、稳定化合物，其中包括各类农产品质量和风味感官标志物等。该数据库设计的目的是通过大数据方式对庞大、复杂的农产品检测样本及多谱学数据进行有效管理和开展后续数据挖掘及建模，从而满足深入开展农产品等级划分研究和预测模型开发的需要。标志化合物数据库与图谱库实现无缝关联，可进行自动化的化合物标注。该数据库还与模型分析与管理系统通过无缝数据交换，实现一站式分析和数据建模，该数据库在多谱学分析以及农产品质量标志物组设计理念和系统数据库架构等方面满足了对于农产品营养品质样本管理和数据建模的迫切需求。
在本实施例中：所述S4中的农产品等级划分的化学计量学与机器学习算法库包括农产品营养品质检测数据专业性强，数据处理与定性、定量分析流程复杂，需要引入各类化学计量学与机器学习算法协同完成数据建模，因此设计开发专用于仪器数据分析的机器学习算法库，从而实现模型算法的标准化、良好的适用性和复用率，算法库提供涵盖化学计量学和人工神经网络技术的，针对仪器分析数据解析特点进行高度优化后的各类算法，包括相似度判别算法(如夹角余弦算法)、有监督的模式识别算法(如BP神经网络、支持向量机、随机森林、偏最小二乘判别等)、降维分析算法(如主成分分析等)、无监督聚类分析算法(如聚类热图和k-均值聚类等)，定量回归分析算法(如偏最小二乘回归、决策树回归、支持向量机回归)等不同类别，从而协同实现建模过程的自动化和规范化，以及获得高质量、高精度的建模预测结果，通过步骤S4对步骤S3的数据库完成数据建模。
在本实施例中：通过步骤S3与步骤S4构成农产品品质大数据的精确匹配系统，所述农产品品质大数据的精确匹配系统包括安全性评价、真实性评价、营养品质等级划分评价、一致性评价和感官评价。
在本实施例中：如图4所示，所述步骤S5中的农产品等级划分系统的构建包括以下步骤：
A、模型的有监督训练，基于化学计量学及机器学习算法，实现针对农产品多谱学数据地有监督模式识别或定量回归，以及对农产品质量相关标志物进行识别和筛选，具体的，通过样品多谱学数据作为训练集自变量以及样品等级划分打分作为因变量，通过数据对齐和标注、数据预处理等自定义步骤，输入模型中进行模型训练；
B、建模质量评价，系统通过交叉验验证、置换检验及验证集验证方式对模型质量以特异性和灵敏度作为衡量依据进行客观评价，即考察模型的泛化程度，并支持针对具体算法进行优化和调整。更多算法还可根据需要进一步通过模型接口的方式进行灵活进行扩充；
C、待测样品预测，对于未知的待测样品，数据导入系统后根据所选择的对应模型的配置，自动进行数据对齐、标度化数据预处理管道，并代入模型进行定性判别分类，以及定量回归预测不同类型的计算，获得模型输出的预测值，作为该样品的判别计算结果。
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。本行业的技术工作人员应该了解，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仅为本发明的优选例，并不用来限制本发明，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范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：面辅料调配方法、装置及计算机可读介质