一种基于机器学习的人工鼻冰箱食品新鲜度检测方法及系统技术方案

一种基于机器学习的人工鼻冰箱食品新鲜度检测方法及系统，属于冰箱食品检测领域。获得冰箱内食物挥发气体的原始响应数据集X；再进行中值滤波处理得样本集X

【技术实现步骤摘要】
一种基于机器学习的人工鼻冰箱食品新鲜度检测方法及系统


[0001]本专利技术涉及冰箱食品检测领域，特别是涉及一种基于机器学习的人工鼻冰箱食品新鲜度检测方法及系统。

技术介绍

[0002]食品新鲜度直接影响到人们的健康和安全，是关系到国计民生的大事。监控食品新鲜度，是保证食品安全的必要手段。在日常生活中，冰箱是常用的低温食物保存方法。随着时间的延长，冰箱内储存的食物同样会发生腐烂变质。同时由于冰箱内部相对密封的环境，人们很难及时发现食品的变质。因此，发展对冰箱内食物新鲜度的快速准确检测技术意义重大。
[0003]现有的食品新鲜度检测方法主要是依赖昂贵的分析仪器，成本高、操作复杂、分析时间长，且要求严格的实验室环境，对样品有损伤，不便于日常使用。而感官评价这种传统方法主要通过训练有素的专业人员完成，易受年龄、性别、心情、经验等外界因素的影响，具有较强的主观性，重复性差，容易出现嗅觉疲劳。因此发展快速无损的食品新鲜度检测方法是必须的。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供了一种基于机器学习的人工鼻冰箱食品新鲜度检测方法及系统，利用人工鼻中的传感器阵列采集冰箱食物挥发气体的指纹信息，结合机器学习的检测方法对数据进行分析，达到对冰箱食品新鲜度检测的目的，具有自动采集、处理并上传数据的功能，一方面降低了系统的硬件成本，另一方面提高了冰箱食品新鲜度分析的效率及预测精度。
[0005]为解决现有技术问题，本专利技术采取的技术方案为：
[0006]一种基于机器学习的人工鼻冰箱食品新鲜度检测方法，包括以下步骤：
[0007]S1：利用传感器阵列获得冰箱内食物挥发气体的原始响应数据集X；
[0008]S2：将原始响应数据集X进行中值滤波处理得到样本集X
m
；
[0009]S3：将样本集X
m
按照3：1的比例随机划分为训练样本集X
train
及测试样本集X
test
；
[0010]S4：先对训练样本集X
train
中数据进行标准化处理，然后按照训练样本集标准化处理时的统计特征对测试样本集X
test
进行标准化处理；
[0011]S5：对标准化处理后的训练样本集X
train_std
和测试样本集X
test_std
进行特征降维生成新的特征子集X
train_pca
和X
test_pca
，减小系统的计算量；
[0012]S6：利用机器学习分类算法对降维后的训练样本集X
train_pca
进行训练，得到模型的最优参数，然后对测试样本集X
test_pca
中冰箱食物样本的新鲜度进行分类识别。
[0013]进一步地，步骤S2具体为：把某一时刻传感器的原始响应值用该点的一个邻域窗口中所有响应值的中值代替，如式(1)所示：
[0014]X
m
(i)＝Median{X(i
‑
n)，
…
X(i)，
…
X(i+n)}
ꢀꢀꢀ
(1)
[0015]其中：X(i)为某一时刻传感器的原始响应值，邻域窗口长度L＝2n+1，n为正整数，X
m
(i)为滤波后的响应值。
[0016]进一步地，步骤S4中，标准化处理具体包括以下步骤：
[0017]S41：计算训练样本集X
train
中特征的均值
[0018]S42：计算训练样本集X
train
中特征的标准差σ；
[0019]S43：对训练样本集X
train
和测试样本集X
test
分别进行标准化处理采用如下公式(2)：
[0020][0021]其中，X
train
和X
test
分别为训练样本集和测试样本集滤波后响应数据，X
train
_
std
为训练样本集标准化处理后数据，X
test
_为测试样本集标准化处理后数据。
[0022]进一步地，步骤S5中降维算法采用主成分分析法PCA进行降维，具体步骤如下：
[0023]S51：对步骤4中标准化后的样本数据求出协方差矩阵C；
[0024]S52：计算协方差矩阵C的特征值和对应的特征向量；
[0025]S53：将特征值按照从大到小依次排列，计算每个特征值的方差贡献率E
j
，如式(3)所示：
[0026][0027]其中，λ
j
为第j个特征值，为所有特征值的累加和；
[0028]S54：将主成分累计方差贡献率阈值设置为95％，选取方差贡献率大于阈值的前几个特征值对应的特征向量组成映射矩阵W，通过映射矩阵W得到新的低维特征子集X
train_pca
和X
test_pca
，以实现既保留了关键信息，又降低了训练数据的维数，从而间接提高分类模型的训练效率与调度性能。
[0029]进一步地，步骤S6中的机器学习分类算法为极端梯度提升算法XGBoost、K近邻KNN、随机森林RF、支持向量机SVM或BP神经网络BPNN中的一种，在模型训练过程中使用网格搜索进行超参数调优，得到各超参数的最优值，为分类模型提供最优参数组合，使分类模型的预测性能最大化。
[0030]利用上述基于机器学习的人工鼻冰箱食品新鲜度检测方法的系统，包含人工鼻设备、显示模块和上位机，所述人工鼻设备主要用于采集冰箱内食物的气体指纹信息，然后传输给上位机分析，并接受上位机的分析结果，反馈给显示模块；所述显示模块包括绿、黄、红三色灯，分别代表冰箱内食物新鲜度处于新鲜、次新鲜、腐烂三种状态，用于显示冰箱食品新鲜度的检测结果；所述人工鼻设备包含传感器阵列、控制器及无线模块，所述传感器阵列包括温湿度传感器和若干个对冰箱内食物挥发气体有响应的气体传感器；所述控制器连接着传感器阵列、无线模块和显示模块；所述无线模块将传感器阵列采集冰箱食物挥发气体得到的响应数据X发送至上位机，并接受上位机的分析结果然后反馈给控制模块。
[0031]有益效果：
[0032]与现有技术相比，本专利技术一种基于机器学习的人工鼻冰箱食品新鲜度检测方法及系统，利用人工鼻中的传感器阵列采集冰箱食物挥发气体的指纹信息，在上位机中利用机器学习算法对冰箱食品新鲜度进行检测，有效解决了冰箱食品新鲜度无法快速无损高效检测的问题，同时机器学习方法能够很好的解决非线性问题，提高了冰箱食品新鲜度预测准
确度，克服了传统的感官预测方法具有较强的主观性以及使用阈值判断食品新鲜度方法的局限性。本专利技术提供的检测系统具有自动采集、处理并上传数据的功能，一方面降低了系统的硬件成本，另一方面提高了冰箱食品新鲜度分析的效率及预测精度。
附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的冰箱食品新鲜度检测方法，其特征在于，包括以下步骤：S1：利用传感器阵列获得冰箱内食物挥发气体的原始响应数据集X；S2：将原始响应数据集X进行中值滤波处理得到样本集X
m
；S3：将样本集X
m
按照3∶1的比例随机划分为训练样本集X
train
及测试样本集X
test
；S4：先对训练样本集X
train
中数据进行标准化处理，然后按照训练样本集标准化处理时的统计特征对测试样本集X
test
进行标准化处理；S5：对标准化处理后的训练样本集X
train_std
和测试样本集X
test_std
进行特征降维生成新的特征子集X
train_pca
和X
test_pca
，减小系统的计算量；S6：利用机器学习分类算法对降维后的训练样本集X
train_pca
进行训练，得到模型的最优参数，然后测试样本集X
test_pca
中冰箱食物样本的新鲜度进行分类识别，验证模型的预测性能。2.根据权利要求1中的一种基于机器学习的冰箱食品新鲜度检测方法，其特征在于，步骤S2具体为：把某一时刻传感器的原始响应值用该点的一个邻域窗口中所有响应值的中值代替，如式(1)所示：X
m
(i)＝Median{X(i
‑
n)，
…
X(i)，
…
X(i+n)}
ꢀꢀ
(1)其中：X(i)为某一时刻传感器的原始响应值，邻域窗口长度L＝2n+1，n为正整数，X
m
(i)为滤波后的响应值。3.根据权利要求1中的一种基于机器学习的冰箱食品新鲜度检测方法，其特征在于，步骤S4中，标准化处理具体包括以下步骤：S41：计算训练样本集中特征的均值S42：计算训练样本集中特征的标准差σ；S43：对训练样本集X
train
和测试样本集X
test
分别进行标准化处理采用如下公式(2)：其中，X
train
...

【专利技术属性】
技术研发人员：章伟，朱晓龙，刘嘉明，朱亚龙，胡雪峰，
申请(专利权)人：滁州怡然传感技术研究院有限公司，
类型：发明
国别省市：