用于食品检测的高效稳定的原子吸收光谱仪及其控制方法技术

本发明专利技术属于食品检测技术领域，公开了一种用于食品检测的高效稳定的原子吸收光谱仪及其控制方法，所述用于食品检测的高效稳定的原子吸收光谱仪包括：食品光谱采集模块、光谱图像增强模块、食品特征提取模块、中央控制模块、食品检测模块、食品质量评价模块、预警模块、数据存储模块、显示模块。本发明专利技术通过食品检测模块实现了更为准确、全面的食品质量判断分析；加权相似度算法为量化方法，使得结果输出更为具体，有利于直观的数字判断；通过预警模块根据所述检测区域内的检测项目类型和检测数值确定所述检测区域对应的检测结果，实现检测数据的远程上传，在云端对大数据进行处理、分析，基于大数据分析结果判断异常，并及时发出预警的目的。

【技术实现步骤摘要】
用于食品检测的高效稳定的原子吸收光谱仪及其控制方法
本专利技术属于食品检测
，尤其涉及一种用于食品检测的高效稳定的原子吸收光谱仪及其控制方法。
技术介绍
食品检验是指研究和评定食品质量及其变化的一门学科，它依据物理、化学、生物化学的一些基本理论和各种技术，按照制订的技术标准，如国际、国家食品卫生/安全标准，对食品原料、辅助材料、半成品、成品及副产品的质量进行检验，以确保产品质量合格。食品检验的内容包括对食品的感官检测，食品中营养成分、添加剂、有害物质的检测等。然而，现有用于食品检测的高效稳定的原子吸收光谱仪对食品质量判断不准确；同时，不能及时对食品安全进预警。综上所述，现有技术存在的问题是：现有用于食品检测的高效稳定的原子吸收光谱仪对食品质量判断不准确；同时，不能及时对食品安全进预警。
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用于食品检测的高效稳定的原子吸收光谱仪及其控制方法。本专利技术是这样实现的，一种用于食品检测的高效稳定的原子吸收光谱仪的控制方法，所述用于食品检测的高效稳定的原子吸收光谱仪的控制方法包括以下步骤：步骤一，通过食品光谱采集模块利用光谱探头采集食品光谱图像；通过光谱图像增强模块利用图像增强程序对采集的食品光谱图像进行增强处理。步骤二，通过食品特征提取模块利用特征提取程序利用机器学习算法对所述卷积神经网络进行网络训练，获得预设的卷积神经网络。步骤三，通过预设的卷积神经网络获取所述食品光谱图像样本集中每个图像样本的相似样本，并分别对每个图像样本及其对应的相似样本进行图像变换。步骤四，通过所述卷积神经网络并且根据图像变换结果获取相应的增强处理后的食品光谱图像的特征。步骤五，通过中央控制模块利用主控机控制所述用于食品检测的高效稳定的原子吸收光谱仪各个模块的正常工作。步骤六，通过食品检测模块利用食品检测程序分别对步骤二获取的食品图像特征的静态数据及动态数据进行获取。步骤七，采用加权相似度算法对步骤获取的静态数据及动态数据进行融合，得到相关系数，从而对食品质量进行检测，并生成检测报告。步骤八，通过食品质量评价模块利用评价程序根据检测报告对食品质量进行综合评价；通过预警模块利用摄像设备对目标食品检测条进行拍照获得图像。步骤九，通过预警程序对所述图像进行识别获得文字信息和图片信息；根据所述文字信息获得所述目标食品检测条对应的检测项目类型。步骤十，根据所述图片信息获得所述目标食品检测条对应的检测数值，并获取采集目标食品检测条时的现场位置信息。步骤十一，将所述检测项目类型、检测数值和现场位置信息作为目标数据上传给服务端，服务端确定检测结果并上传至云端进行处理、分析后发出预警。步骤十二，通过数据存储模块利用存储器存储采集的食品光谱图像、图像特征、检测报告、综合评价结果及预警信息。步骤十三，通过显示模块利用显示器显示采集的食品光谱图像、图像特征、检测报告、综合评价结果及预警信息的实时数据。进一步，步骤二中，所述对所述卷积神经网络进行网络训练的方法，包括：根据所述目标函数、所述图像样本及其对应的相似样本的图像特征并利用所述机器学习算法对所述卷积神经网络进行网络训练；所述相似样本取决于所述图像样本是否包含类别信息，所述目标函数是能够使所述图像样本及其对应的相似样本的图像特征之间的相似度最大，以及使所述图像样本及其对应的非相似样本的图像特征之间的相似度最小的函数。进一步，步骤六中，所述静态数据是指食品在某一特定条件下被测量所获得的表征数据；所述动态数据是指食品体系变化状态下的表征数据，即在特定扰动条件下(如时间、温度、浓度及化学反应)，食品体系变化序列谱图数据。进一步，步骤七中，所述采用加权相似度算法对获取的静态数据及动态数据进行融合的方法，包括：对静态数据计算食品测试样品数据与食品标准样品数据之间的相似度，对动态数据计算食品测试样品数据矩阵与食品标准样品数据矩阵之间的相似度，此处食品标准样品数据是指食品的标准品的测试数据，食品标准样品数据也可以用多批次食品样品测试数据的平均值作为其估计值，以相关系数表征相似度。进一步，所述静态数据相关系数的计算公式如下：其中，Rj表示静态数据相关系数，cov表示协方差运算，Yaj表示测试样品的静态数据，Ybj表示食品标准样品数据；所述动态数据相关系数的计算公式如下：其中，Rd表示动态数据相关系数，cov表示协方差运算，Yad表示测试样品的动态数据矩阵，Ybd表示食品标准样品数据矩阵；所述总相关系数的计算公式如下：Rz＝αRj+βRd；其中，Rz表示总相关系数，α表示静态数据所占权重，β表示动态数据所占权重，(Rz,Rj,Rd)∈[-1,1]，(α,β)∈[0,1]，β＝1-α；判断分析原则是Rz越接近于1，表明测试样品与标准样品越正相关，为真的概率越大，Rz越接近于0，表明测试样品与标准样品越远离，为假的概率越大。进一步，步骤十中，所述根据所述图片信息获得所述目标食品检测条对应的检测数值的方法，包括：对所述图片信息进行识别获得检测标记像素；根据所述检测数值对应的检查项目类型调用对应的标记像素对应表；根据获得的检测标记像素与标记像素对应表进行匹配确定检测数值。进一步，步骤十一中，所述服务端确定检测结果并上传至云端进行处理、分析后发出预警的方法，包括：所述服务端在接收到预设数目个目标数据后，根据预设数目个现场位置信息划分检测区域，根据所述检测区域内的检测项目类型和检测数值确定所述检测区域对应的检测结果，并对检测数据进行远程上传；在云端对大数据进行处理、分析，基于大数据分析结果判断异常，并发出预警的目的。本专利技术的另一目的在于提供一种应用所述的用于食品检测的高效稳定的原子吸收光谱仪的控制方法的用于食品检测的高效稳定的原子吸收光谱仪，所述用于食品检测的高效稳定的原子吸收光谱仪包括：食品光谱采集模块、光谱图像增强模块、食品特征提取模块、中央控制模块、食品检测模块、食品质量评价模块、预警模块、数据存储模块、显示模块。食品光谱采集模块，与中央控制模块连接，用于通过光谱探头采集食品光谱图像；光谱图像增强模块，与中央控制模块连接，用于通过图像增强程序对采集的食品光谱图像进行增强处理；食品特征提取模块，与中央控制模块连接，用于通过特征提取程序对增强处理后的食品光谱图像的特征进行提取；中央控制模块，与食品光谱采集模块、光谱图像增强模块、食品特征提取模块、食品检测模块、食品质量评价模块、预警模块、数据存储模块、显示模块连接，用于通过主控机控制各个模块正常工作；食品检测模块，与中央控制模块连接，用于通过食品检测程序根据获取的食品图像特征对食品进行检测，并生成检测报告；食品质量评价模块，与中央控制模块连接，用于通过评价程序根据检测报告对食品质量进行综合评价；...

【技术保护点】
1.一种用于食品检测的高效稳定的原子吸收光谱仪的控制方法，其特征在于，所述用于食品检测的高效稳定的原子吸收光谱仪的控制方法包括以下步骤：/n步骤一，通过食品光谱采集模块利用光谱探头采集食品光谱图像；通过光谱图像增强模块利用图像增强程序对采集的食品光谱图像进行增强处理；/n步骤二，通过食品特征提取模块利用特征提取程序利用机器学习算法对所述卷积神经网络进行网络训练，获得预设的卷积神经网络；/n步骤三，通过预设的卷积神经网络获取所述食品光谱图像样本集中每个图像样本的相似样本，并分别对每个图像样本及其对应的相似样本进行图像变换；/n步骤四，通过所述卷积神经网络并且根据图像变换结果获取相应的增强处理后的食品光谱图像的特征；/n步骤五，通过中央控制模块利用主控机控制所述用于食品检测的高效稳定的原子吸收光谱仪各个模块的正常工作；/n步骤六，通过食品检测模块利用食品检测程序分别对步骤二获取的食品图像特征的静态数据及动态数据进行获取；/n步骤七，采用加权相似度算法对步骤获取的静态数据及动态数据进行融合，得到相关系数，从而对食品质量进行检测，并生成检测报告；/n步骤八，通过食品质量评价模块利用评价程序根据检测报告对食品质量进行综合评价；通过预警模块利用摄像设备对目标食品检测条进行拍照获得图像；/n步骤九，通过预警程序对所述图像进行识别获得文字信息和图片信息；根据所述文字信息获得所述目标食品检测条对应的检测项目类型；/n步骤十，根据所述图片信息获得所述目标食品检测条对应的检测数值，并获取采集目标食品检测条时的现场位置信息；/n步骤十一，将所述检测项目类型、检测数值和现场位置信息作为目标数据上传给服务端，服务端确定检测结果并上传至云端进行处理、分析后发出预警；/n步骤十二，通过数据存储模块利用存储器存储采集的食品光谱图像、图像特征、检测报告、综合评价结果及预警信息；/n步骤十三，通过显示模块利用显示器显示采集的食品光谱图像、图像特征、检测报告、综合评价结果及预警信息的实时数据。/n...

【技术特征摘要】
1.一种用于食品检测的高效稳定的原子吸收光谱仪的控制方法，其特征在于，所述用于食品检测的高效稳定的原子吸收光谱仪的控制方法包括以下步骤：
步骤一，通过食品光谱采集模块利用光谱探头采集食品光谱图像；通过光谱图像增强模块利用图像增强程序对采集的食品光谱图像进行增强处理；
步骤二，通过食品特征提取模块利用特征提取程序利用机器学习算法对所述卷积神经网络进行网络训练，获得预设的卷积神经网络；
步骤三，通过预设的卷积神经网络获取所述食品光谱图像样本集中每个图像样本的相似样本，并分别对每个图像样本及其对应的相似样本进行图像变换；
步骤四，通过所述卷积神经网络并且根据图像变换结果获取相应的增强处理后的食品光谱图像的特征；
步骤五，通过中央控制模块利用主控机控制所述用于食品检测的高效稳定的原子吸收光谱仪各个模块的正常工作；
步骤六，通过食品检测模块利用食品检测程序分别对步骤二获取的食品图像特征的静态数据及动态数据进行获取；
步骤七，采用加权相似度算法对步骤获取的静态数据及动态数据进行融合，得到相关系数，从而对食品质量进行检测，并生成检测报告；
步骤八，通过食品质量评价模块利用评价程序根据检测报告对食品质量进行综合评价；通过预警模块利用摄像设备对目标食品检测条进行拍照获得图像；
步骤九，通过预警程序对所述图像进行识别获得文字信息和图片信息；根据所述文字信息获得所述目标食品检测条对应的检测项目类型；
步骤十，根据所述图片信息获得所述目标食品检测条对应的检测数值，并获取采集目标食品检测条时的现场位置信息；
步骤十一，将所述检测项目类型、检测数值和现场位置信息作为目标数据上传给服务端，服务端确定检测结果并上传至云端进行处理、分析后发出预警；
步骤十二，通过数据存储模块利用存储器存储采集的食品光谱图像、图像特征、检测报告、综合评价结果及预警信息；
步骤十三，通过显示模块利用显示器显示采集的食品光谱图像、图像特征、检测报告、综合评价结果及预警信息的实时数据。


2.如权利要求1所述的用于食品检测的高效稳定的原子吸收光谱仪的控制方法，其特征在于，步骤二中，所述对所述卷积神经网络进行网络训练的方法，包括：
根据所述目标函数、所述图像样本及其对应的相似样本的图像特征并利用所述机器学习算法对所述卷积神经网络进行网络训练；
所述相似样本取决于所述图像样本是否包含类别信息，所述目标函数是能够使所述图像样本及其对应的相似样本的图像特征之间的相似度最大，以及使所述图像样本及其对应的非相似样本的图像特征之间的相似度最小的函数。


3.如权利要求1所述的用于食品检测的高效稳定的原子吸收光谱仪的控制方法，其特征在于，步骤六中，所述静态数据是指食品在某一特定条件下被测量所获得的表征数据；
所述动态数据是指食品体系变化状态下的表征数据，即在特定扰动条件下(如时间、温度、浓度及化学反应)，食品体系变化序列谱图数据。


4.如权利要求1所述的用于食品检测的高效稳定的原子吸收光谱仪的控制方法，其特征在于，步骤七中，所述采用加权相似度算法对获取的静态数据及动态数据进行融合的方法，包括：
对静态数据计算食品测试样品数据与食品标准样品数据之间的相似度，对动态数据计算食品测试样品数据矩阵与食品标准样品数据矩阵之间的相似度，此处食品标准样品数据是指食品的标准品的测试数据，食品标准样品数据也可以用多批次食品样品测试数据的平均值作为其估计值，以相关系数表征相似度。


5.如权利要求4所述的用于食品检测的高效稳定的原子吸收光谱仪的控制方法，其特征在于，所述静态数据相关系数的计算公式如下：

<...

【专利技术属性】
技术研发人员：向君毅，连晓蔚，罗辉平，黄丽萍，谭敏捷，
申请(专利权)人：清远市食品检验中心，
类型：发明
国别省市：广东;44