【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
【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。