一种基于物联网的食品添加剂自动检测方法及系统技术方案

本发明专利技术属于食品安全技术领域，公开了一种基于物联网的食品添加剂自动检测方法及系统，设置有食品放置室、导线、色谱柱、盒盖、电路板、信号处理盒、插口、外壳、按钮、显示屏、第一放置室、第二放置室、第三放置室、第四放置室；外壳上端嵌有显示屏，所述显示屏周围设置有五个按钮，嵌在外壳上，所述外壳内部嵌有食品放置室；食品放置室有四个，依次为第一放置室、第二放置室、第三放置室、第四放置室，所述食品放置室上端焊接有盒盖，色谱柱穿插在食品放置室中间。本发明专利技术解决了现有食品添加剂检测存在检测效率较低的技术问题,实现系统设计合理，自动对食物中的食品添加剂进行检测，检测效率较高的技术效果，而且放置室能够取出来，方便清洗。

【技术实现步骤摘要】
一种基于物联网的食品添加剂自动检测方法及系统
本专利技术属于食品安全
，尤其涉及一种基于物联网的食品添加剂自动检测方法及系统。
技术介绍
目前，业内常用的现有技术是这样的：目前，食品安全指食品无毒、无害，符合应当有的营养要求，对人体健康不造成任何急性、亚急性或者慢性危害，随着生活质量的提供，食品安全逐渐受到人们的重视，食品添加剂是为改善食品色、香、味等品质，以及为防腐和加工工艺的需要而加入食品中的人工合成或者天然物质，在现有技术中，某些商家为了追求利益在食品中添加非法食品添加剂，或者添加过量的食品添加剂，使得食品危害人体健康。综上所述，现有技术存在的问题是：现有的装置不能做到对食品添加剂进行一个很好的检测，不能够对不同形态的食品进行不同的检测处理，给使用者带来很多的不便，使得使用者在使用过程没有一个很好的便利；同时在使用过程不能对装置进行一个很好的处理，导致检测结果不准确，而且现有的食品添加剂检测存在检测效率较低的技术问题。在食品行业，食品添加剂质量评估依然严重依赖于手工检查，费用昂贵，容易受生理因素的影响，导致评估结果主观和不一致；传统识别的方法，识别率不高，检测过程复杂且效率低，未能提供高效快捷的检测方法。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种基于物联网的食品添加剂自动检测方法及系统。本专利技术是这样实现的，一种基于物联网的食品添加剂自动检测方法，所述基于物联网的食品添加剂自动检测方法包括：使用高效液相色谱法，以液体为流动相，采用高压输液系统，将具有不同极性的单一溶剂或不同比例的混合溶液、缓冲液流动相泵入装有固定相的色谱柱，在色谱柱内各成分被分离后，进入与电路板连接的检测器进行检测，检测器通过集成的处理模块进行检测并分析，给定一组N个色谱柱训练图像及其标签，其中每个二进制标签Ci是指示清洁或脏的位，并且类标签Ki表示添加剂的类别；Order-CNN提取高级特征表征其中f(·)表示在第一个完全连接的层中从输入图像到共享特征的非线性映射；F和b是滤波器的集合和所有卷积层的偏置；ζ和η是所有底层中的尺度和位移集合；令Θ＝(F，b，ζ，η)表示要学习提取特征的所有参数；Order-CNN模型中最后一个完全连接的层提取的特征x_i是在两个任务之间共享；和是添加剂分类的完全连接层中的权重矩阵和偏置向量，其中Dd是不同添加剂的总数，广泛的线性模型：被传入到softmax层以计算属于训练集中的每种添加剂的x_i的概率；其中是中的第j种添加剂，softmax(·)函数将模型输出映射到所有添加剂的概率分布，最后，获得估计的添加剂：指定的添加剂料顺序表示softmax；被传入到ordersoftmax层以计算属于训练集中的订单的每种添加剂的xi概率；其中是订单ot的中的第j个添加剂；顺序softmax(·)函数将模型输出映射到所有添加剂的概率分布，以ot为顺序，并且指数选择第Ki种添加剂；最后，获得估计的添加剂：Order-CNN模型的训练目标是找到一个用于预测订单中的添加剂的订单特殊消费模型；给定一系列训练订单o1,o2,o3,…,Ot,，用于进行最小化平均负对数概率，然后采用交叉熵损失；其中α+β＝1，log(p(yi|ot)；按顺序用于表示候选标签中预测分类的顺序的对数，log(p(yi|ot)；所有类别中可能存在yi的对数K用于表示所有类别标签中的预测分类，大的α导致订单指定的分类器，当两个候选标签再次共同出现时，导致更高的精度，小α导致一般的多类分类器，当两个候选标签以任何顺序共同出现时，导致更高的精度，当α或β为0时，成为订单指定模型或多类模型；检测后的信号传输至电路板再到信号处理盒内集成的信息处理模块进行信息比对、分析；运用Apriori关联规则挖掘算法，在信息处理模块中进行分析和挖掘，得到添加剂检测数据影响因素，结合添加剂检测数据影响因素和添加剂检测数据标准数据，构建神经网络模型BP，产生神经网络模型BP的初始权值，对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值；运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP，获得预测模型AIGA-DBP，根据预测模型AIGA-DBP计算添加剂检测数据预测值，将比对、分析的结果显示于显示屏上。进一步，运用Apriori关联规则挖掘算法具体包括以下步骤：使用MapReduce计算模型得到频繁1项集的集合L1,产生候选k项集的集合Ck，k≥2；在Map函数处理阶段，每个Map任务计算所处理的事务数据集中每个事务记录中包含在Ck中的项目集的出现次数，对于每个Map任务，候选k项集的某个项集出现在一个事务记录中，则Map函数产生并输出<某个项集，1>键值对给Combiner函数，由Combiner函数处理后交给Reduce函数；在Reduce函数处理阶段，Reduce函数累加Ck中的项目集的出现次数，得到所有项目集的支持频度，所有支持频度≥设定的最小支持频度的项目集组成频繁项集Lk的集合，如果k＜最大的迭代次数且不为空，则执行k++，转入步骤S202；否则，结束运行。进一步，产生神经网络模型BP初始权值的方法为：将权值初始化为[a，b]之间的随机数，其中a，b为以下方程的整数：其中H为网络隐含层节点数。进一步，对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值；具体包括：调整神经网络模型BP隐含层与输出层之间的权值wkj；调整wkj的目的是希望输出节点j的新输出比当前输出opj更接近目标值tpj，定义：其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数H的调整而变小，不考虑阈值，则有：其中wkj和分别为更新前后的权值，ypk为隐含层输出，△wkj为wkj的改变量；得到△wkj的求解方程：其中，根据最小平方和误差原则得到△wkj的近似解：对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化△wkj，更新权值并计算平方和误差E，然后在k∈[1，H]区间选择一个最优的k，使得E最小；调整神经网络模型BP输入层与隐含层之间的权值vik；调整vik的目的是一旦神经网络算法陷入局部极小点，修改权值能够跳出该极小点，判断神经网络算法陷入局部极小点的条件是误差E的变化率△E＝0，且E>0；隐含层节点k的权值的改变通过以下方程：其中δpj＝f-1(ypk+Δypk)-f-1(ypk)，M为自然数，则隐含层输出ypk求解公式为：其中△ypk为ypk的改变量，则有：根据最小平方和误差原则构建的矩阵方程，得到：计算隐含层与输出层之间权值的动态平均改变量计算输入层与隐含层之间权值的动态平均改变量M取10～20之间的自然数，获得神经网络模型BP的动态平均权值，根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP。进一步，运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP的权植和阈值，获得预测模型AIGA-DBP具体包括以下步骤：首先进行抗原识别，即均方误差的识别，产生初始的抗体后，进行抗体编码，然后计算抗体适应度和抗体浓度，根据计算的结果进行基于浓度的自适应抗体选择操作，若本文档来自技高网...

【技术保护点】
1.一种基于物联网的食品添加剂自动检测方法，其特征在于，所述基于物联网的食品添加剂自动检测方法包括：使用高效液相色谱法，以液体为流动相，采用高压输液系统，将具有不同极性的单一溶剂或不同比例的混合溶液、缓冲液流动相泵入装有固定相的色谱柱，在色谱柱内各成分被分离后，进入与电路板连接的检测器进行检测，检测器通过集成的处理模块进行检测并分析，给定一组N个色谱柱训练图像及其标签，

【技术特征摘要】
1.一种基于物联网的食品添加剂自动检测方法，其特征在于，所述基于物联网的食品添加剂自动检测方法包括：使用高效液相色谱法，以液体为流动相，采用高压输液系统，将具有不同极性的单一溶剂或不同比例的混合溶液、缓冲液流动相泵入装有固定相的色谱柱，在色谱柱内各成分被分离后，进入与电路板连接的检测器进行检测，检测器通过集成的处理模块进行检测并分析，给定一组N个色谱柱训练图像及其标签，其中每个二进制标签Ci是指示清洁或脏的位，并且类标签Ki表示添加剂的类别；Order-CNN提取高级特征表征其中f(·)表示在第一个完全连接的层中从输入图像到共享特征的非线性映射；F和b是滤波器的集合和所有卷积层的偏置；ζ和η是所有底层中的尺度和位移集合；令Θ＝(F，b，ζ，η)表示要学习提取特征的所有参数；Order-CNN模型中最后一个完全连接的层提取的特征x_i是在两个任务之间共享；和是添加剂分类的完全连接层中的权重矩阵和偏置向量，其中Dd是不同添加剂的总数，广泛的线性模型：被传入到softmax层以计算属于训练集中的每种添加剂的x_i的概率；其中是中的第j种添加剂，softmax(·)函数将模型输出映射到所有添加剂的概率分布，最后，获得估计的添加剂：指定的添加剂料顺序表示softmax；被传入到ordersoftmax层以计算属于训练集中的订单的每种添加剂的xi概率；其中是订单ot的中的第j个添加剂；顺序softmax(·)函数将模型输出映射到所有添加剂的概率分布，以ot为顺序，并且指数选择第Ki种添加剂；最后，获得估计的添加剂：Order-CNN模型的训练目标是找到一个用于预测订单中的添加剂的订单特殊消费模型；给定一系列训练订单o1,o2,o3,…,Ot,，用于进行最小化平均负对数概率，然后采用交叉熵损失；其中α+β＝1，log(p(yi|ot)；按顺序用于表示候选标签中预测分类的顺序的对数，log(p(yi|ot)；检测后的信号传输至电路板再到信号处理盒内集成的信息处理模块进行信息比对、分析；运用Apriori关联规则挖掘算法，在信息处理模块中进行分析和挖掘，得到添加剂检测数据影响因素，结合添加剂检测数据影响因素和添加剂检测数据标准数据，构建神经网络模型BP，产生神经网络模型BP的初始权值，对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值；运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP，获得预测模型AIGA-DBP，根据预测模型AIGA-DBP计算添加剂检测数据预测值，将比对、分析的结果显示于显示屏上。2.如权利要求1所述的基于物联网的食品添加剂自动检测方法，其特征在于，运用Apriori关联规则挖掘算法具体包括以下步骤：使用MapReduce计算模型得到频繁1项集的集合L1,产生候选k项集的集合Ck，k≥2；在Map函数处理阶段，每个Map任务计算所处理的事务数据集中每个事务记录中包含在Ck中的项目集的出现次数，对于每个Map任务，候选k项集的某个项集出现在一个事务记录中，则Map函数产生并输出<某个项集，1>键值对给Combiner函数，由Combiner函数处理后交给Reduce函数；在Reduce函数处理阶段，Reduce函数累加Ck中的项目集的出现次数，得到所有项目集的支持频度，所有支持频度≥设定的最小支持频度的项目集组成频繁项集Lk的集合，如果k＜最大的迭代次数且不为空，则执行k++，转入步骤S202；否则，结束运行。3.如权利要求1所述的基于物联网的食品添加剂自动检测方法，其特征在于，产生神经网络模型BP初始权值的方法为：将权值初始化为[a，b]之...

【专利技术属性】
技术研发人员：李清伟，耿平兰，彭小东，王焕琦，张吉敏，张琼，谈晓君，杨燕红，杜江涛，李红洲，陈大鹏，黄家岭，杨金川，张英资，徐丽红，
申请(专利权)人：贵州省产品质量监督检验院，
类型：发明
国别省市：贵州,52