一种无损快速检测食品质量的方法
阅读说明：本技术 一种无损快速检测食品质量的方法 (Method for nondestructive rapid detection of food quality ) 是由 吴彦衡 余保华 徐圣吉 吴艳平 张金国 丁斌 尤英婕 余凯强 陈荣波 钟振江 杨 于 2021-06-28 设计创作，主要内容包括：本发明公开了一种无损快速检测食品质量的方法,该方法包括：获取质地均匀的,无阻碍叠合的食品单元,分别使用红外光谱法、电阻法、微波检测法和商用wifi信号四种检测方法,对每一个食品单元进行检测,并获取待处理数据；对所述待处理的食品数据进行数据预处理,得到处理后的数据,通过非线性支持向量机决策树模型对所述食品单元特征进行识别；经训练后,得到一种可对食品质量进行分类的模型；将模型可预测新的食品单元的质量水平。本次涉及一种无损快速检测食品质量的方法可对待检测的食品单元是否霉化、干枯、注水等多种变质问题进行预测,并且在提高分类精度的同时可应用于海量数据。(The invention discloses a method for nondestructively and rapidly detecting food quality, which comprises the following steps: acquiring food units with uniform texture and no obstruction superposition, detecting each food unit by using an infrared spectroscopy method, a resistance method, a microwave detection method and a commercial wifi signal respectively, and acquiring data to be processed; performing data preprocessing on the food data to be processed to obtain processed data, and identifying the characteristics of the food units through a nonlinear support vector machine decision tree model; after training, obtaining a model capable of classifying the food quality; the model may predict the quality level of the new food unit. The method for nondestructively and rapidly detecting the food quality can predict whether a food unit to be detected is mildewed, withered, filled with water and other deterioration problems, and can be applied to mass data while improving classification accuracy.)
技术领域
本发明涉及物联网食品检测
技术领域
，具体是一种无损快速检测食品质量的方法。背景技术
现有技术中，在食品质量进行检测时，大多通过破损取样的办法，该方式只能用于抽样检查，且对物品损毁较大。在算法上，在食品质量进行检测时，建立几何模型，基于几何模型建立食品质量评判模型，以此来对食品质量进行评估，需要量化多个模型，计算过程复杂，且在评估过程中需要使用阈值进行判断，然而阈值具体数值大多通过主观因素人为制定，使得判别的结果不够准确。
发明内容
本发明的目的在于提供一种无损快速检测食品质量的方法，在提高分类精度的同时可应用于海量数据，该方法可以在不损毁食品的情况下，实现食品质量的快速检测，尤其是粮食和蔬菜的鉴定有较好的效果，提升检测效率，保证食品安全，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种无损快速检测食品质量的方法，包括以下步骤：
S1：获取质地均匀的，无阻碍叠合的食品单元，并获取待处理数据；
S2：对S1中得到的待处理数据进行数据预处理，得到处理后的数据；
S3：通过非线性支持向量机决策树模型对所述食品单元特征处理后的数据进行识别，并通过矫正数据集对所述非线性支持向量机决策树模型进行训练，通过预测数据集对所述非线性支持向量机决策树模型进行更新训练，得到一种能对食品质量进行分类的模型，并将检测的新的食品单元经检测方法检测的特征数据输入至该模型中，从而完成该实现该食品单元的质量检测。
作为本发明再进一步的方案：S3中能够通过分布式训练法对所述非线性支持向量机决策树模型进行训练和更新训练。
作为本发明再进一步的方案：S3中所述新的食品单元的检测方法包括红外光谱法、电阻法、微波检测法和商用wifi信号采集，即通过红外光谱法对食品单元中的含水量进行检测，通过电阻法对食品单元中的导电率进行检测，通过微波检测法测得食品单元中的微波检测信号，通过商用wifi信号采集对食品单元中的CSI数据进行采集。
作为本发明再进一步的方案：所述微波检测法使用的微波为9-10GHz。
作为本发明再进一步的方案：S2中所述数据预处理为数据清洗，所述数据清洗包括噪声平滑、异常值剔除、缺失值填充和异常值插补。
作为本发明再进一步的方案：S3中食品质量进行分类的模型根据谷类检测食品单元的特征，分为含水量较少的谷类食品单元和水分正常的谷类食品单元，将含水量较少的谷类食品单元命名为一类，且一类的含水量为12.8％-14％，将水分正常的谷类食品单元命名为二类，且二类的含水量＞14％。
作为本发明再进一步的方案：S3中食品质量进行分类的模型根据含水量食品单元的特征，分为A类、B类和C类，所述A类为水分正常的食品单元，所述B类为水分超过正常食品单元含水量的食品单元，所述C类为水分小于正常食品单元含水量的食品单元。
作为本发明再进一步的方案：S3中食品质量进行分类的模型包括构建多个非线性支持向量机模型以及决策树，并从该决策树根节点出发，自顶向下，在所述决策树的每个节点处，分别采用一个非线性支持向量机模型作为分类器，对所述训练数据集逐层两类划分，获取最终的分类结果，其中，所述分类结果用于表征待测试的食品单元的质量。
与现有技术相比，本发明的有益效果是：
1、本发明所述非线性支持向量机决策树模型能够实现食品单元质量三个类别的分类(正常水分含量食品单元；水分超过正常食品单元即霉变谷类食品单元或注水蔬菜食品或注水肉类；水分过少、干枯的食品单元)，通过第一分类器两类划分后，得到类别1和类别2，通过第二分类器两类划分后，得到类别3和类别4，依次进行类别的划分；
本发明方法包括获取质地均匀的，无阻碍叠合的食品单元，分别使用红外光谱法、电阻法、微波检测法和商用wifi信号四种检测方法，对每一个食品单元进行检测，并获取待处理数据；对所述待处理的食品数据进行数据预处理，得到处理后的数据，通过非线性支持向量机决策树模型对所述食品单元特征进行识别；经训练后，得到一种可对食品质量进行分类的模型；将模型可预测新的食品单元的质量水平，集成构成一个更强的最终的分类器，实用性强，在提高分类精度的同时可应用于海量数据。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
图1为本发明中的方法的流程框体。
图2为本发明中非线性支持向量机决策树模型判别食品单元质量流程图。
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。
实施例1
请参阅图1～2，本发明实施例中，一种无损快速检测食品质量的方法，包括以下步骤：
S1：获取质地均匀的，无阻碍叠合的食品单元，并获取待处理数据；
S2：对S1中得到的待处理数据进行数据预处理，得到处理后的数据；
S3：通过非线性支持向量机决策树模型对所述食品单元特征处理后的数据进行识别，并通过矫正数据集对所述非线性支持向量机决策树模型进行训练，通过预测数据集对所述非线性支持向量机决策树模型进行更新训练，得到一种能对食品质量进行分类的模型，并将检测的新的食品单元经检测方法检测的特征数据输入至该模型中，从而完成该实现该食品单元的质量检测；
该食品质量进行分类的模型根据谷类检测食品单元的特征，分为含水量较少的谷类食品单元和水分正常的谷类食品单元，将含水量较少的谷类食品单元命名为一类，且一类的含水量为12.8％-14％，将水分正常的谷类食品单元命名为二类，且二类的含水量＞14％，进行一重根节点分类。
S3中能够通过分布式训练法对所述非线性支持向量机决策树模型进行训练和更新训练，实现对非线性支持向量机决策树模型内的数据进行储存和更新，有效保证后期的分类对比、储存及质量检测的时效性。
S3中所述新的食品单元的检测方法包括红外光谱法、电阻法、微波检测法和商用wifi信号采集，即通过红外光谱法对食品单元中的含水量进行检测，通过电阻法对食品单元中的导电率进行检测，通过微波检测法测得食品单元中的微波检测信号，通过商用wifi信号采集对食品单元中的CSI数据进行采集，实现对每一个食品单元进行检测，并获取待处理数据，对所述待处理的食品数据进行数据预处理，得到处理后的数据，将处理后的数据导入通过非线性支持向量机决策树模型对所述食品单元特征进行识别，完成食品单元的质量检测。
所述微波检测法使用的微波为9-10GHz。
S2中所述数据预处理为数据清洗，所述数据清洗包括噪声平滑、异常值剔除、缺失值填充和异常值插补，通过归一化处理使得到的数据精度更加准确，有助于非线性支持向量机决策树模型对所述食品单元特征进行识别，提高识别精确度。
S3中食品质量进行分类的模型根据谷类检测食品单元的特征，分为含水量较少的谷类食品单元和水分正常的谷类食品单元，将含水量较少的谷类食品单元命名为一类，且一类的含水量为12.8％-14％，将水分正常的谷类食品单元命名为二类，且二类的含水量＞14％。
实施例2
请参阅图1～2，本发明实施例中，一种无损快速检测食品质量的方法，包括以下步骤：
S1：获取质地均匀的，无阻碍叠合的食品单元，并获取待处理数据；
S2：对S1中得到的待处理数据进行数据预处理，得到处理后的数据；
S3：通过非线性支持向量机决策树模型对所述食品单元特征处理后的数据进行识别，并通过矫正数据集对所述非线性支持向量机决策树模型进行训练，通过预测数据集对所述非线性支持向量机决策树模型进行更新训练，得到一种能对食品质量进行分类的模型，并将检测的新的食品单元经检测方法检测的特征数据输入至该模型中，从而完成该实现该食品单元的质量检测；
该食品质量进行分类的模型根据谷类检测食品单元的特征，分为含水量较少的谷类食品单元和水分正常的谷类食品单元，将含水量较少的谷类食品单元命名为一类，且一类的含水量为12.8％-14％，将水分正常的谷类食品单元命名为二类，且二类的含水量＞14％；
食品质量进行分类的模型根据含水量食品单元的特征，分为A类、B类和C类，所述A类为水分正常的食品单元，所述B类为水分超过正常食品单元含水量的食品单元，所述C类为水分小于正常食品单元含水量的食品单元，进行二重根节点分类。
S3中能够通过分布式训练法对所述非线性支持向量机决策树模型进行训练和更新训练，实现对非线性支持向量机决策树模型内的数据进行储存和更新，有效保证后期的分类对比、储存及质量检测的时效性。
S3中所述新的食品单元的检测方法包括红外光谱法、电阻法、微波检测法和商用wifi信号采集，即通过红外光谱法对食品单元中的含水量进行检测，通过电阻法对食品单元中的导电率进行检测，通过微波检测法测得食品单元中的微波检测信号，通过商用wifi信号采集对食品单元中的CSI数据进行采集，实现对每一个食品单元进行检测，并获取待处理数据，对所述待处理的食品数据进行数据预处理，得到处理后的数据，将处理后的数据导入通过非线性支持向量机决策树模型对所述食品单元特征进行识别，完成食品单元的质量检测。
所述微波检测法使用的微波为9-10GHz。
S2中所述数据预处理为数据清洗，所述数据清洗包括噪声平滑、异常值剔除、缺失值填充和异常值插补，通过归一化处理使得到的数据精度更加准确，有助于非线性支持向量机决策树模型对所述食品单元特征进行识别，提高识别精确度。
S3中食品质量进行分类的模型包括构建多个非线性支持向量机模型以及决策树，并从该决策树根节点出发，自顶向下，在所述决策树的每个节点处，分别采用一个非线性支持向量机模型作为分类器，对所述训练数据集逐层两类划分，获取最终的分类结果，其中，所述分类结果用于表征待测试的食品单元的质量。
综上，本发明支持向量机与二叉树的结合，通过对训练数据集逐层两类划分后训练分类器，并以树结构组合策略进行未知样本分类，能够针对不同的训练集训练一个个基本分类器，然后集成而构成一个更强的最终的分类器，该无损快速检测食品质量的方法可对待检测的食品单元是否霉化、干枯、注水等多种变质问题进行预测，并且在提高分类精度的同时可应用于海量数据，能够预测后续新的食品单元的质量水平。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：用电状态的确定方法及装置