食品安全管理系统及其方法技术方案

本申请涉及智能食品安全管理领域，其具体地公开了一种食品安全管理系统及其方法，其通过气味传感器

【技术实现步骤摘要】
食品安全管理系统及其方法


[0001]本申请涉及智能食品安全管理领域，且更为具体地，涉及一种食品安全管理系统及其方法
。

技术介绍

[0002]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
、
亚急性或者慢急性危害
。
随着社会的发展和经济的进步，食品行业的发展越来越快速，与之相关的食品问题也越来越多，食品安全成为了人们关注的焦点
。
食品不仅是充当着人们营养的主要来源，还是关系人们生活
、
工作
、
学习的重要角色，食品安全可以维持社会的稳定
、
降低疾病隐患
、
防范食物中毒等，所以食品安全非常重要
。
[0003]以水果为例，众所周知，水果难以存放，在水果店中，店员一般通过其外表和气味挑选出已经腐烂坏掉的水果
。
但是，对于轻微变质
、
内里变质且外表无明显变化的水果，传统的辨别方法难以察觉到，当与其他完好的水果存放在一起时会影响到其他完好的水果，加快水果腐烂的速度，给店长带来较大的损失，而且，在不知情的情况下误食该类水果，可能会造成肠胃不适
、
食物中毒等现象
。
[0004]因此，期望一种食品安全管理系统及其方法，通过人工智能技术对人工难以感知到的变质的水果进行检测预警，以便及时对其进行清理
。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请
。
本申请的实施例提供了一种食品安全管理系统及其方法，其通过气味传感器
、
测色仪和相机分别对水果的气味测量值
、
颜色测量值和监控视频进行采集，为了更加细微的监测水果在存储时的变化，分别使用包含一维卷积层和全连接层的时序编码器和卷积神经网络模型对所述水果的气味测量值
、
颜色测量值和监控视频进行特征提取，然后将水果的气味特征和颜色特征进行关联，接着对关联特征和视频提取特征进行特征融合，最后将得到的概率稀疏化分类特征图通过分类器得到分类结果，以此来表示水果是否已经变质，从而更好的监测水果的变质情况并对其检测预警
。
[0006]根据本申请的第一方面，提供了一种食品安全管理系统，其包括：
[0007]测量值获取单元，用于通过气味传感器和测色仪分别获取多个预定时间点的水果的气味测量值和多个预定时间点的水果的颜色测量值；
[0008]监控视频获取单元，用于获取由相机采集的监控视频；
[0009]卷积编码单元，用于将所述监控视频通过使用通道注意力机制的三维卷积神经网络以得到第一特征图；
[0010]时序编码单元，用于将所述水果的气味测量值和所述水果的颜色测量值通过包含一维卷积层和全连接层的时序编码器以得到第一特征向量和第二特征向量；
[0011]特征关联单元，用于将所述第一特征向量和所述第二特征向量的转置相乘以得到气味
‑
颜色联合特征矩阵；
[0012]联合特征提取单元，用于将所述气味
‑
颜色联合特征矩阵通过第一卷积神经网络以获取第二特征图；
[0013]特征图融合单元，用于将所述第一特征图和所述第二特征图进行融合以获得分类特征图；
[0014]概率稀疏化单元，用于将所述分类特征图进行低维空间概率稀疏化以得到概率稀疏化分类特征图；
[0015]结果生成单元，用于将所述概率稀疏化分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测水果是否变质
。
[0016]结合本申请的第一方面，在本申请的第一方面的一种食品安全管理系统中，所述卷积编码单元，用于，使用所述三维卷积神经网络的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于三维卷积核的特征过滤处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；对所述激活特征图进行沿通道维度的全局均值池化以得到通道特征向量；将所述通道特征向量通过
Sigmoid
激活函数以得到通道注意力权重向量；以所述通道注意力权重向量中各个位置的特征值对所述激活特征图中的各个特征矩阵进行加权以得到通道注意力特征图；其中，所述三维卷积神经网络的最后一层的输出为所述第一特征图
。
[0017]根据本申请的第二方面，提供了一种食品安全管理方法，其包括：
[0018]通过气味传感器和测色仪分别获取多个预定时间点的水果的气味测量值和多个预定时间点的水果的颜色测量值；
[0019]获取由相机采集的监控视频；
[0020]将所述监控视频通过使用通道注意力机制的三维卷积神经网络以得到第一特征图；
[0021]将所述水果的气味测量值和所述水果的颜色测量值通过包含一维卷积层和全连接层的时序编码器以得到第一特征向量和第二特征向量；
[0022]将所述第一特征向量和所述第二特征向量的转置相乘以得到气味
‑
颜色联合特征矩阵；
[0023]将所述气味
‑
颜色联合特征矩阵通过第一卷积神经网络以获取第二特征图；
[0024]将所述第一特征图和所述第二特征图进行融合以获得分类特征图；
[0025]将所述分类特征图进行低维空间概率稀疏化以得到概率稀疏化分类特征图；
[0026]将所述概率稀疏化分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测水果是否变质
。
[0027]根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的食品安全管理方法
。
[0028]与现有技术相比，本申请提供的一种食品安全管理系统及其方法，其通过气味传感器
、
测色仪和相机分别对水果的气味测量值
、
颜色测量值和监控视频进行采集，为了更加细微的监测水果在存储时的变化，分别使用包含一维卷积层和全连接层的时序编码器和卷积神经网络模型对所述水果的气味测量值
、
颜色测量值和监控视频进行特征提取，然后将
水果的气味特征和颜色特征进行关联，接着对关联特征和视频提取特征进行特征融合，最后将得到的概率稀疏化分类特征图通过分类器得到分类结果，以此来表示水果是否已经变质，从而更好的监测水果的变质情况并对其检测预警
。
附图说明
[0029]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的
、
特征和优势将变得更加明显
。
附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制
。
在附图中，相同的参考标号通常代表相同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种食品安全管理系统，其特征在于，包括：测量值获取单元，用于通过气味传感器和测色仪分别获取多个预定时间点的水果的气味测量值和多个预定时间点的水果的颜色测量值；监控视频获取单元，用于获取由相机采集的监控视频；卷积编码单元，用于将所述监控视频通过使用通道注意力机制的三维卷积神经网络以得到第一特征图；时序编码单元，用于将所述水果的气味测量值和所述水果的颜色测量值通过包含一维卷积层和全连接层的时序编码器以得到第一特征向量和第二特征向量；特征关联单元，用于将所述第一特征向量和所述第二特征向量的转置相乘以得到气味
‑
颜色联合特征矩阵；联合特征提取单元，用于将所述气味
‑
颜色联合特征矩阵通过第一卷积神经网络以获取第二特征图；特征图融合单元，用于将所述第一特征图和所述第二特征图进行融合以获得分类特征图；概率稀疏化单元，用于将所述分类特征图进行低维空间概率稀疏化以得到概率稀疏化分类特征图；结果生成单元，用于将所述概率稀疏化分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测水果是否变质
。2.
根据权利要求1所述的食品安全管理系统，其特征在于，所述卷积编码单元，用于，使用所述三维卷积神经网络的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于三维卷积核的特征过滤处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；对所述激活特征图进行沿通道维度的全局均值池化以得到通道特征向量；将所述通道特征向量通过
Sigmoid
激活函数以得到通道注意力权重向量；以所述通道注意力权重向量中各个位置的特征值对所述激活特征图中的各个特征矩阵进行加权以得到通道注意力特征图；其中，所述三维卷积神经网络的最后一层的输出为所述第一特征图
。3.
根据权利要求2所述的食品安全管理系统，其特征在于，所述时序编码单元，包括：输入向量子单元，将多个预定时间点的水果的气味测量值和多个预定时间点的水果的颜色测量值分别排列为第一输入向量和第二输入向量；全连接编码子单元，使用时序编码器的全连接层以如下全连接公式对所述第一输入向量和所述第二输入向量进行全连接编码以提取出所述第一输入向量和所述第二输入向量中各个位置的特征值的高维隐含特征，其中，所述全连接公式为：其中
X
是所述第一输入向量和所述第二输入向量，
Y
是输出向量，
W
是权重矩阵，
B
是偏置向量，表示矩阵乘法；以及关联特征子单元，使用所述时序编码器的一维卷积层以如下一维卷积公式对所述输入向量进行一维卷积编码以提取出所述第一输入向量和所述第二输入向量中各个位置的特
征值间的关联的高维隐含关联特征，其中，所述一维卷积公式为：其中，
a
为第一卷积核在
X
方向上的宽度
、F(a)
为第一卷积核参数向量
、G(x
‑
a)
为与卷积核函数运算的局部向量矩阵，
w
为第一卷积核的尺寸，
X
所述第一输入向量和所述第二输入向量，
Cov(X)
表示对所述第一输入向量和所述第二输入向量进行一维卷积编码
。4.
根据权利要求3所述的食品安全管理系统，其特征在于，所述特征关联单元，用于：使用如下特征关联公式对所述第一特征向量与所述第二特征向量的转置向量进行联合编码以生成所述气味
‑
颜色联合特征矩阵；其中，所述特征关联公式为：其中表示向量相乘，
M
表示所述气味
‑
颜色联合特征矩阵，
V1表示所述第一特征向量，
V2表示所述第二特征向量，表示所述第二特征向量的转置
。5.
根据权利要求4所述的食品安全管理系统，其特征在于，所述联合特征提取单元，用于，使用第一卷积神经网络的各层在层的正向传递中分别对输入数据进行：基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行基于特征矩阵的全局均值池化处理以生成池化特征图；以及对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征增图；其中，所...

【专利技术属性】
技术研发人员：陈海花，顾恩婷，陈建红，
申请(专利权)人：海宁市姐妹餐饮管理有限公司，
类型：发明
国别省市：