食品的检验方法、装置和非易失性计算机可读存储介质制造方法及图纸

本公开涉及一种食品的检验方法、装置和非易失性计算机可读存储介质，涉及人工智能技术领域。该方法包括：获取检验人员在品尝待检验食品时的人脸图像；根据人脸图像，利用机器学习模型，确定检验人员对于多种情绪类型的隶属度参数；根据各隶属度参数，利用检测模型，确定检测人员的当前情绪是否与食用合格的待检验食品后的样本情绪匹配，以检验待检验食品是否合格。

【技术实现步骤摘要】
食品的检验方法、装置和非易失性计算机可读存储介质
本公开涉及人工智能
，特别涉及一种食品的检验方法、食品的检验装置和非易失性计算机可读存储介质。
技术介绍
近年来，随着国民经济持续稳定增长、居民消费水平的不断提升及消费结构的升级，食品行业(如饮料等)一直呈现出良好的增长态势。通过食品的感官评价检测其品质，一直是新产品开发和上市产品维护的重要内容。在现有技术中，通过对食品消费者的主观喜好程度，确定食品的感官评价。
技术实现思路
本公开的专利技术人发现上述相关技术中存在如下问题：只能反映用户的主观感官评价，导致食品检验的准确性低。鉴于此，本公开提出了一种食品的检验技术方案，能够反映食品的客观品质，从而提高食品检验的准确性。根据本公开的一些实施例，提供了一种食品的检验方法，包括：获取检验人员在品尝待检验食品时的人脸图像；根据人脸图像，利用机器学习模型，确定检验人员对于多种情绪类型的隶属度参数；根据各隶属度参数，利用检测模型，确定检测人员的当前情绪是否与食用合格的待检验食品后的样本情绪匹配，以检验待检验食品是否合格。在一些实施例中，该方法还包括：根据合格样本数据和不合格样本数据的统计特征建立检测模型，合格样本数据为在食品样本属于合格组的情况下的各隶属度参数样本，不合格样本数据为在食品样本属于不合格组的情况下的各隶属度参数样本。在一些实施例中，根据各隶属度参数，利用检测模型，确定检测人员的当前情绪是否与食用合格的待检验食品后的样本情绪匹配包括：根据各隶属度参数的加权和，检验食品是否合格，各隶属度参数的权重根据合格样本数据和不合格样本数据的统计特征确定。在一些实施例中，各隶属度参数的权重根据各合格样本数据的组内统计特征、各不合格样本数据的组内统计特征、各合格样本数据与各不合格样本数据的组间统计特征确定。在一些实施例中，各隶属度参数的权重根据如下步骤确定：根据各合格样本数据的组内平均值、各不合格样本数据的组内平均值、各合格样本数据与各不合格样本数据的组间平均值，计算组内叉积平方和矩阵；根据各合格样本数据的组内协方差、各不合格样本数据的组内协方差、各合格样本数据与各不合格样本数据的组间协方差，计算组间叉积平方和矩阵；根据组内叉积平方和矩阵和组间叉积平方和矩阵，以各权重为变量，构建目标函数；求解目标函数，确定各权重。在一些实施例中，根据各隶属度参数，利用检测模型，确定检测人员的当前情绪是否与食用合格的待检验食品后的样本情绪匹配包括：根据各隶属度参数，利用检测模型，确定食品的品质参数；根据品质参数与合格组的质心和不合格组的质心的差异，检验食品是否合格。在一些实施例中，合格组的质心根据各合格样本数据的组内平均值、各合格样本数据与各不合格样本数据的组间平均值确定，不合格组的质心根据各不合格样本数据的组内平均值、各合格样本数据与各不合格样本数据的组间平均值确定。在一些实施例中，检测模型根据各隶属度参数的加权和确定，不合格组的质心和不合格组的质心根据各隶属度参数的权重确定。根据本公开的另一些实施例，提供一种食品的检验装置，包括：获取单元，用于获取检验人员在品尝食品时的人脸图像；确定单元，用于根据人脸图像，利用机器学习模型，确定检验人员对于多种情绪类型的隶属度参数；检验单元，用于根据各隶属度参数，利用检测模型，确定检测人员的当前情绪是否与食用合格的待检验食品后的样本情绪匹配，以检验待检验食品是否合格。在一些实施例中，该装置还包括：建立单元，用于根据合格样本数据和不合格样本数据的统计特征建立检测模型，合格样本数据为在食品样本属于合格组的情况下的各隶属度参数样本，不合格样本数据为在食品样本属于不合格组的情况下的各隶属度参数样本。在一些实施例中，检验单元根据各隶属度参数的加权和，检验食品是否合格，各隶属度参数的权重根据合格样本数据和不合格样本数据的统计特征确定。在一些实施例中，各隶属度参数的权重根据各合格样本数据的组内统计特征、各不合格样本数据的组内统计特征、各合格样本数据与各不合格样本数据的组间统计特征确定。在一些实施例中，各隶属度参数的权重根据如下步骤确定：根据各合格样本数据的组内平均值、各不合格样本数据的组内平均值、各合格样本数据与各不合格样本数据的组间平均值，计算组内叉积平方和矩阵；根据各合格样本数据的组内协方差、各不合格样本数据的组内协方差、各合格样本数据与各不合格样本数据的组间协方差，计算组间叉积平方和矩阵；根据组内叉积平方和矩阵和组间叉积平方和矩阵，以各权重为变量，构建目标函数；求解目标函数，确定各权重。在一些实施例中，检验单元根据各隶属度参数，利用检测模型，确定食品的品质参数；根据品质参数与合格组的质心和不合格组的质心的差异，检验食品是否合格。在一些实施例中，合格组的质心根据各合格样本数据的组内平均值、各合格样本数据与各不合格样本数据的组间平均值确定，不合格组的质心根据各不合格样本数据的组内平均值、各合格样本数据与各不合格样本数据的组间平均值确定。在一些实施例中，检测模型根据各隶属度参数的加权和确定，不合格组的质心和不合格组的质心根据各隶属度参数的权重确定。根据本公开的又一些实施例，提供一种食品的检验装置，包括：存储器；和耦接至存储器的处理器，处理器被配置为基于存储在存储器装置中的指令，执行上述任一个实施例中的食品的检验方法。根据本公开的再一些实施例，提供一种非易失性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一个实施例中的食品的检验方法。在上述实施例中，综合检测人员的多种情绪类型的隶属度参数，以检测人员的当前情绪与食品相应的样本情绪是否匹配为依据，来确定食品是否合格。这样，能够通过情绪匹配反映食品的客观品质，从而提高食品检验的准确性。附图说明构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。参照附图，根据下面的详细描述，可以更加清楚地理解本公开：图1示出本公开的食品的检验方法的一些实施例的流程图；图2示出本公开的食品的检验方法的另一些实施例的流程图；图3示出图1中步骤130的一些实施例的流程图；图4示出本公开的食品的检验装置的一些实施例的框图；图5示出本公开的食品的检验装置的另一些实施例的框图；图6示出本公开的食品的检验装置的又一些实施例的框图。具体实施方式现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备本文档来自技高网...

【技术保护点】
1.一种食品的检验方法，包括：/n获取检验人员在品尝待检验食品时的人脸图像；/n根据所述人脸图像，利用机器学习模型，确定所述检验人员对于多种情绪类型的隶属度参数；/n根据各隶属度参数，利用检测模型，确定所述检测人员的当前情绪是否与食用合格的所述待检验食品后的样本情绪匹配，以检验所述待检验食品是否合格。/n

【技术特征摘要】
1.一种食品的检验方法，包括：
获取检验人员在品尝待检验食品时的人脸图像；
根据所述人脸图像，利用机器学习模型，确定所述检验人员对于多种情绪类型的隶属度参数；
根据各隶属度参数，利用检测模型，确定所述检测人员的当前情绪是否与食用合格的所述待检验食品后的样本情绪匹配，以检验所述待检验食品是否合格。


2.根据权利要求1所述的检验方法，还包括：
根据合格样本数据和不合格样本数据的统计特征建立所述检测模型，所述合格样本数据为在食品样本属于合格组的情况下的各隶属度参数样本，所述不合格样本数据为在食品样本属于不合格组的情况下的各隶属度参数样本。


3.根据权利要求2所述的检验方法，其中，所述根据各隶属度参数，利用检测模型，确定所述检测人员的当前情绪是否与食用合格的所述待检验食品后的样本情绪匹配包括：
根据所述各隶属度参数的加权和，检验所述食品是否合格，所述各隶属度参数的权重根据合格样本数据和不合格样本数据的统计特征确定。


4.根据权利要求3所述的检验方法，其中，
所述各隶属度参数的权重根据各合格样本数据的组内统计特征、各不合格样本数据的组内统计特征、各合格样本数据与各不合格样本数据的组间统计特征确定。


5.根据权利要求4所述的检验方法，其中，所述各隶属度参数的权重根据如下步骤确定：
根据各合格样本数据的组内平均值、各不合格样本数据的组内平均值、各合格样本数据与各不合格样本数据的组间平均值，计算组内叉积平方和矩阵；
根据各合格样本数据的组内协方差、各不合格样本数据的组内协方差、各合格样本数据与各不合格样本数据的组间协方差，计算组间叉积平方和矩阵；
根据所述组内叉积平方和矩阵和所述组间叉积平方和矩阵，以各权重为变量，构建目标函数；

【专利技术属性】
技术研发人员：杨炫煌，黄志明，曾庆帅，洪徐华，陈欣悦，
申请(专利权)人：浙江养生堂天然药物研究所有限公司，
类型：发明
国别省市：浙江;33