【技术实现步骤摘要】
本专利技术涉及光谱分析，具体涉及一种基于人工智能的食品添加剂检测方法。
技术介绍
1、食品添加剂的检测关系食品成品的安全性，其检测结果对食品的分类、作用、安全性评价等具有重要的影响效果。
2、现有的对食品中的添加剂进行检测，往往基于食品的光谱特征，通过神经网络进行检测识别，但由于食品的多样化和添加剂的多样化，导致难以对两者差异进行准确识别，进而导致神经网络的识别精度不高，神经网络对添加剂和原材料的区分效果较差，对食品中添加剂的组成识别能力较差，添加剂检测的准确性不足。
技术实现思路
1、为了解决相关技术中神经网络的识别精度不高，神经网络对添加剂和原材料的区分效果较差，对食品中添加剂的组成识别能力较差，添加剂检测的准确性不足的技术问题，本专利技术提供一种基于人工智能的食品添加剂检测方法，所采用的技术方案具体如下：
2、本专利技术提出了一种基于人工智能的食品添加剂检测方法，方法包括：
3、获取不同种类的食品原材料的原材料光谱向量和不同种类添加剂的添加剂光谱向量，分别对所有所述原材料光谱向量进行聚类，得到预设第一数量个原材料类簇，对所有所述添加剂光谱向量进行聚类，得到预设第二数量个添加剂类簇；
4、根据每一原材料类簇中所有原材料光谱向量的向量特征，确定每一原材料类簇的原材料共性向量，根据每一添加剂类簇中所有添加剂光谱向量的向量特征，确定每一添加剂类簇的添加剂共性向量；根据原材料共性向量和添加剂共性向量的相似程度，对所述原材料类簇与所述添加剂
5、根据每一组差异匹配对中添加剂类簇的光谱向量的分布，确定每种添加剂在每一维度的特征影响值，根据每种添加剂共性向量分别与所有原材料共性向量的相似程度，以及同种添加剂在每一维度的特征影响值，确定每种添加剂每一维度的误差权重；
6、根据所有种类添加剂不同维度的误差权重构建识别神经网络，基于所述识别神经网络对所述食品添加剂进行检测，得到检测结果。
7、进一步地，所述根据每一原材料类簇中所有原材料光谱向量的向量特征，确定每一原材料类簇的原材料共性向量，包括：
8、基于因子分析算法，对同一原材料类簇中所有原材料光谱向量进行数据分析，将生成的公共因子矩阵作为原材料共性矩阵，将原材料共性矩阵中所有行数据通过首尾相连的方式转化为向量，记为原材料共性向量。
9、进一步地，所述根据每一添加剂类簇中所有添加剂光谱向量的向量特征，确定每一添加剂类簇的添加剂共性向量，包括：
10、基于因子分析算法，对同一添加剂类簇中所有添加剂光谱向量进行数据分析，将生成的公共因子矩阵作为添加剂共性矩阵，将添加剂共性矩阵中所有行数据通过首尾相连的方式转化为向量，记为添加剂共性向量。
11、进一步地，所述根据原材料共性向量和添加剂共性向量的相似程度，对所述原材料类簇与所述添加剂类簇进行一一匹配，筛选得到差异匹配对，包括：
12、基于余弦相似度计算公式，计算所述原材料共性向量和添加剂共性向量的余弦相似度，作为相似程度；
13、将所述相似程度作为边值，对所有所述原材料类簇与添加剂类簇进行km匹配处理，得到包含一个原材料类簇与一个添加剂类簇的初始匹配对；
14、根据每一初始匹配对中原材料类簇和添加剂类簇的相似程度，对所有所述初始匹配对进行筛选，得到差异匹配对。
15、进一步地，所述根据每一初始匹配对中原材料类簇和添加剂类簇的相似程度，对所有所述初始匹配对进行筛选，得到差异匹配对，包括：
16、将所述原材料类簇和添加剂类簇的相似程度小于预设相似程度阈值的初始匹配对作为差异匹配对。
17、进一步地，所述根据每一组差异匹配对中添加剂类簇的光谱向量的分布，确定每种添加剂在每一维度的特征影响值，包括：
18、将每一组差异匹配对中添加剂类簇的添加剂光谱向量在不同维度的出现频率作为添加剂频率；
19、基于预设替换值对相同维度的添加剂光谱向量的值进行替换，而后计算所得到的新的光谱向量与对应同一组差异匹配对中原材料光谱向量的余弦相似度作为添加剂去维相似度；
20、将所述添加剂去维相似度与对应差异匹配对的相似程度的差值绝对值作为添加剂光谱向量在对应维度的维度变化指标，其中，所述预设替换值为0；
21、将每一种添加剂的添加剂光谱向量在每一维度的维度变化指标作为对应添加剂在对应维度的特征影响值。
22、进一步地，所述根据每种添加剂共性向量分别与所有原材料共性向量的相似程度，以及同种添加剂在每一维度的特征影响值，确定每种添加剂每一维度的误差权重，包括：
23、计算任一种添加剂的添加剂共性向量分别与所有原材料共性向量的相似程度的均值，负相关映射并归一化作为所述添加剂的影响指标；
24、计算每一种添加剂的影响指标与对应添加剂中任一维度的特征影响值的乘积，作为所述添加剂对应维度的误差权重。
25、进一步地，所述根据所有种类添加剂不同维度的误差权重构建识别神经网络，包括：
26、基于预训练的vgg-net模型，将每一种类的添加剂在每一维度的误差权重作为对应维度的权值，对loss权值进行调整，得到更新后的vgg-net模型，并将其作为识别神经网络。
27、进一步地，所述对所有所述原材料光谱向量进行聚类，得到预设第一数量个原材料类簇，包括：
28、根据k-means聚类算法，基于预设第一数量对所有所述原材料光谱向量进行聚类，得到原材料类簇。
29、进一步地，所述对所有所述添加剂光谱向量进行聚类，得到预设第二数量个添加剂类簇，包括：
30、根据k-means聚类算法，基于预设第二数量对所有所述添加剂光谱向量进行聚类，得到添加剂类簇。
31、本专利技术具有如下有益效果：
32、本专利技术通过获取不同种类的食品原材料的原材料光谱向量和不同种类添加剂的添加剂光谱向量，对原材料光谱向量和添加剂光谱向量进行聚类，得到不同的类簇，类簇的划分便于后续实现共性分析，提升共性分析效率；根据原材料共性向量和添加剂共性向量的相似程度，对原材料类簇与添加剂类簇进行匹配，筛选得到差异匹配对，通过直接筛选差异匹配对，能够直接对差异较为明显的原材料类簇与添加剂类簇进行差异分析，从而有效对原材料和添加剂进行分辨，而后，对每一组差异匹配对中添加剂类簇的光谱向量的分布进行分析，进而确定添加剂在不同维度的特征影响值，特征影响值结合相似程度，确定误差权重，误差权重用于放大添加剂和原材料间的差异部分，进而在后续构建识别神经网络时，能够基于添加剂和原材料间放大后的差异维度，提升识别神经网络对添加剂和原材料的区分效果，从而能够更为准确识别得到添加剂的组成，增强添加剂检测的准确性，提升添加剂检测效果。
本文档来自技高网...【技术保护点】
1.一种基于人工智能的食品添加剂检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种基于人工智能的食品添加剂检测方法，其特征在于，所述根据每一原材料类簇中所有原材料光谱向量的向量特征，确定每一原材料类簇的原材料共性向量，包括：
3.如权利要求2所述的一种基于人工智能的食品添加剂检测方法，其特征在于，所述根据每一添加剂类簇中所有添加剂光谱向量的向量特征，确定每一添加剂类簇的添加剂共性向量，包括：
4.如权利要求1所述的一种基于人工智能的食品添加剂检测方法，其特征在于，所述根据原材料共性向量和添加剂共性向量的相似程度，对所述原材料类簇与所述添加剂类簇进行一一匹配，筛选得到差异匹配对，包括：
5.如权利要求4所述的一种基于人工智能的食品添加剂检测方法，其特征在于，所述根据每一初始匹配对中原材料类簇和添加剂类簇的相似程度，对所有所述初始匹配对进行筛选，得到差异匹配对，包括：
6.如权利要求1所述的一种基于人工智能的食品添加剂检测方法，其特征在于，所述根据每一组差异匹配对中添加剂类簇的光谱向量的分布，确定每种添加剂在每
7.如权利要求1所述的一种基于人工智能的食品添加剂检测方法，其特征在于，所述根据每种添加剂共性向量分别与所有原材料共性向量的相似程度，以及同种添加剂在每一维度的特征影响值，确定每种添加剂每一维度的误差权重，包括：
8.如权利要求1所述的一种基于人工智能的食品添加剂检测方法，其特征在于，所述根据所有种类添加剂不同维度的误差权重构建识别神经网络，包括：
9.如权利要求1所述的一种基于人工智能的食品添加剂检测方法，其特征在于，所述对所有所述原材料光谱向量进行聚类，得到预设第一数量个原材料类簇，包括：
10.如权利要求9所述的一种基于人工智能的食品添加剂检测方法，其特征在于，所述对所有所述添加剂光谱向量进行聚类，得到预设第二数量个添加剂类簇，包括：
...【技术特征摘要】
1.一种基于人工智能的食品添加剂检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种基于人工智能的食品添加剂检测方法，其特征在于，所述根据每一原材料类簇中所有原材料光谱向量的向量特征，确定每一原材料类簇的原材料共性向量，包括：
3.如权利要求2所述的一种基于人工智能的食品添加剂检测方法，其特征在于，所述根据每一添加剂类簇中所有添加剂光谱向量的向量特征，确定每一添加剂类簇的添加剂共性向量，包括：
4.如权利要求1所述的一种基于人工智能的食品添加剂检测方法，其特征在于，所述根据原材料共性向量和添加剂共性向量的相似程度，对所述原材料类簇与所述添加剂类簇进行一一匹配，筛选得到差异匹配对，包括：
5.如权利要求4所述的一种基于人工智能的食品添加剂检测方法，其特征在于，所述根据每一初始匹配对中原材料类簇和添加剂类簇的相似程度，对所有所述初始匹配对进行筛选，得到差异匹配对，包括：
6.如权利...
【专利技术属性】
技术研发人员：朱江，陈静，段晓娟，程渭峰，程红京，马维静，
申请(专利权)人：西安大业食品有限公司，
类型：发明
国别省市：
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。