CN104914069A - 可迁移计算的肉类品质近红外检测方法及装置 - Google Patents
可迁移计算的肉类品质近红外检测方法及装置 Download PDFInfo
- Publication number
- CN104914069A CN104914069A CN201510282858.6A CN201510282858A CN104914069A CN 104914069 A CN104914069 A CN 104914069A CN 201510282858 A CN201510282858 A CN 201510282858A CN 104914069 A CN104914069 A CN 104914069A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- module
- quality prediction
- mobile terminal
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种可迁移计算的肉类品质近红外检测方法及装置,能够对肉类品质进行无损、快速检测。所述装置包括:微型光谱仪、移动终端和服务器;其中,所述移动终端连接所述微型光谱仪和服务器,用于采集肉类样品的光谱数据,判断品质预测模型的建立位置,由确定出的品质预测模型的建立位置根据所述移动终端预先存储的肉类样品的光谱数据及相应的品质数据建立品质预测模型,由所述移动终端将采集到的所述肉类样品的光谱数据作为所述品质预测模型的输入,并确定所述品质预测模型的输出为采集到的所述肉类样品的光谱数据对应的品质数据,所述建立位置包括所述移动终端或者所述服务器。
Description
技术领域
本发明涉及农业信息技术领域,具体涉及一种可迁移计算的肉类品质近红外检测方法及装置。
背景技术
我国一直以来就是肉类消费大国,肉类消费量有逐年上升的趋势。肉类的品质直接影响其营养价值、经济价值以及消费者的食用口感。随着社会进步和经济发展,人们对肉类品质提出了更高的要求,肉类品质检测方法或装置随之出现。
在肉制品品质无损检测领域,目前常规的水分含量检测方法(恒温干燥法)和评价嫩度的方法(剪切力测定方法)测量精准,但操作繁琐费时,会受人为因素干扰且具有破坏性,难以满足现场的快速在线检测的要求。高光谱技术发展迅猛,与之相关的研究逐渐增多,该技术具有全程可视化、具体直观,检测范围广的特点,但是同样存在仪器体积庞大,造价高昂,操作复杂,检测深度不足的问题,难以在市场上推广和应用。
在肉制品品质无损检测领域,现有技术中应用较为广泛的为传统近红外光谱方法,该方法具有快速、无损的特点,近红外光谱分析利用检测对象在近红外光谱区的光学特性,通过化学计量学方法建立定性或定量分析模型以实现检测对象品质快速、无损检测。目前市场所用的一般光谱仪器,仪器体积大,造价昂贵。
综上所述,目前所用检测肉类品质的方法(技术)大多都存在体积大,造价高,检测方法复杂的问题,不具备便携、造价低的特点,不适于在市场上做快速无损的在线检测。尽管出现了一些体积小的光谱仪器,但是现有分析技术要求光谱仪器必须依赖PC机及笔记本才能采集数据和建立模型,而在移动终端上进行采集计算将面临计算时间过长及功耗过高的问题。由于利用现有技术进行检测时的困境,因此需要研究一种便携式肉类品质近红外检测装置及方法,使得对肉类品质的检测方便、准确、快捷,可以从实验室研究转变为生产应用服务。
发明内容
本发明的目的在于,提供一种造价低、便携式、检测准确和功耗小的肉类品质近红外检测方法及装置,能够对肉类品质进行无损、快速检测。
为此目的,一方面,本发明提出一种可迁移计算的肉类品质近红外检测装置,包括:
微型光谱仪、移动终端和服务器;其中,
所述移动终端连接所述微型光谱仪和服务器,用于采集肉类样品的光谱数据,判断品质预测模型的建立位置,由确定出的品质预测模型的建立位置根据所述移动终端预先存储的肉类样品的光谱数据及相应的品质数据建立品质预测模型,由所述移动终端将采集到的所述肉类样品的光谱数据作为所述品质预测模型的输入,并确定所述品质预测模型的输出为采集到的所述肉类样品的光谱数据对应的品质数据,所述建立位置包括所述移动终端或者所述服务器。
另一方面,本发明提出一种可迁移计算的肉类品质近红外检测方法,包括:
由与微型光谱仪连接的移动终端采集肉类样品的光谱数据;
由所述移动终端判断品质预测模型的建立位置,由确定出的品质预测模型的建立位置根据所述移动终端预先存储的肉类样品的光谱数据及相应的品质数据建立品质预测模型,由所述移动终端将采集到的所述肉类样品的光谱数据作为所述品质预测模型的输入,并确定所述品质预测模型的输出为采集到的所述肉类样品的光谱数据对应的品质数据,所述建立位置包括所述移动终端或者所述服务器。
本发明实施例所述的可迁移计算的肉类品质近红外检测方法及装置,通过移动设备控制微型光谱仪,完成肉类近红外光谱的快速扫描,通过移动终端判断品质预测模型的建立位置,在移动设备或服务器上进行品质预测模型的建立,并做出品质实时预测,能够达到减少数据计算时间、降低移动终端功耗的目的,从而能够作为一种造价低、便携式、检测准确和功耗小的肉类品质近红外检测方法及装置,对肉类品质进行无损、快速检测。
附图说明
图1为本发明可迁移计算的肉类品质近红外检测装置一实施例的方框结构示意图;
图2为本发明可迁移计算的肉类品质近红外检测装置另一实施例的结构功能图;
图3为光谱数据的采集流程图;
图4为计算迁移决策的算法流程图;
图5为本发明可迁移计算的肉类品质近红外检测方法一实施例的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例公开一种可迁移计算的肉类品质近红外检测装置,包括:
微型光谱仪1、移动终端2(比如手机、PAD等)和服务器3;其中,
所述移动终端连接(通过无线或者有线的方式)所述微型光谱仪和服务器,用于采集肉类样品的光谱数据(肉类样品与光谱仪的传感器接触),判断品质预测模型的建立位置,由确定出的品质预测模型的建立位置根据所述移动终端预先存储的肉类样品的光谱数据及相应的品质数据建立品质预测模型,由所述移动终端将采集到的所述肉类样品的光谱数据作为所述品质预测模型的输入,并确定所述品质预测模型的输出为采集到的所述肉类样品的光谱数据对应的品质数据,所述建立位置包括所述移动终端或者所述服务器。
本发明实施例中,进行肉类样品品质预测的品质预测模型可以在需要进行肉类样品品质预测时建立,也可以预先建立。
本发明实施例所述的可迁移计算的肉类品质近红外检测装置,通过移动设备控制微型光谱仪,完成肉类近红外光谱的快速扫描,通过移动终端判断品质预测模型的建立位置,在移动设备或服务器上进行品质预测模型的建立,并做出品质实时预测,能够达到减少数据计算时间、降低移动终端功耗的目的,从而能够作为一种造价低、便携式、检测准确和功耗小的肉类品质近红外检测装置,对肉类品质进行无损、快速检测。
可选地,在本发明可迁移计算的肉类品质近红外检测装置的另一实施例中,所述移动终端,包括:
第一数据采集单元、第一模型迁移判断单元、第一模型建立单元和第一计算单元;
所述第一数据采集单元,用于采集肉类样品的光谱数据;
所述第一模型迁移判断单元,用于判断品质预测模型的建立位置;
所述第一模型建立单元,用于在所述第一模型迁移判断单元确定出品质预测模型的建立位置为所述移动终端时,根据预先存储的肉类样品的光谱数据及相应的品质数据建立品质预测模型;
所述第一计算单元,用于将采集到的所述肉类样品的光谱数据作为所述品质预测模型的输入,得到所述品质预测模型的输出,并确定所述品质预测模型的输出为采集到的所述肉类样品的光谱数据对应的品质数据。
可选地,在本发明可迁移计算的肉类品质近红外检测装置的另一实施例中,所述移动终端,包括:
第二数据采集单元、第二模型迁移判断单元、数据上传单元、模型下载单元和第二计算单元;
所述第二数据采集单元,用于采集肉类样品的光谱数据;
所述第二模型迁移判断单元,用于判断品质预测模型的建立位置;
所述数据上传单元,用于在所述第二模型迁移判断单元确定出品质预测模型的建立位置为所述服务器时,将预先存储的肉类样品的光谱数据及相应的品质数据上传给所述服务器,以使所述服务器根据接收到的肉类样品的光谱数据及相应的品质数据建立品质预测模型;
所述模型下载单元,用于从所述服务器下载所述服务器建立的品质预测模型;
所述第二计算单元,用于将采集到的所述肉类样品的光谱数据作为所述品质预测模型的输入,得到所述品质预测模型的输出,并确定所述品质预测模型的输出为采集到的所述肉类样品的光谱数据对应的品质数据;其中,
所述服务器,包括:
第二模型建立单元,用于接收所述移动终端上传的肉类样品的光谱数据及相应的品质数据,并根据所述肉类样品的光谱数据及相应的品质数据建立品质预测模型。
本发明实施例中,移动终端不仅可以从服务器上下载品质预测模型,也可以保存并上传建立的品质预测模型至服务器,同步更新服务器模型库。
可选地,在本发明可迁移计算的肉类品质近红外检测装置的另一实施例中,所述第一模型迁移判断单元和/或第二模型迁移判断单元,包括:
第一预测模块和第一判断模块;其中,所述第一预测模块,用于预测所述移动终端建立品质预测模型所需的时长Tlocal;所述第一判断模块,用于判断所述时长Tlocal是否大于预设的用户容忍时长T0,若所述时长Tlocal不大于所述用户容忍时长T0,则确定出品质预测模型的建立位置为所述移动终端;或者
第二预测模块、第二判断模块和第三判断模块;其中,所述第二预测模块,用于预测所述移动终端建立品质预测模型所需的时长Tlocal;所述第二判断模块,用于判断所述时长Tlocal是否大于预设的用户容忍时长T0;所述第三判断模块,用于若所述第二判断模块确定出所述时长Tlocal大于所述用户容忍时长T0,则获取网络类型netType,并判断所述网络类型netType是否是WiFi或者4G,若所述网络类型netType不是WiFi和4G,则确定出品质预测模型的建立位置为所述移动终端;或者
第三预测模块、第四判断模块、第五判断模块和第六判断模块;其中,所述第三预测模块,用于预测所述移动终端建立品质预测模型所需的时长Tlocal;所述第四判断模块,用于判断所述时长Tlocal是否大于预设的用户容忍时长T0;所述第五判断模块,用于若所述第四判断模块确定出所述时长Tlocal大于所述用户容忍时长T0,则获取网络类型netType,并判断所述网络类型netType是否是WiFi或者4G;所述第六判断模块,用于若所述第五判断模块确定出所述网络类型netType是WiFi或者4G,则确定所述服务器的线程数目,判断所述线程数目是否达到预设的数值,若所述线程数目未达到所述预设的数值,则确定出品质预测模型的建立位置为所述服务器;或者
第四预测模块、第七判断模块、第八判断模块、第九判断模块和第十判断模块;其中,所述第四预测模块,用于预测所述移动终端建立品质预测模型所需的时长Tlocal;所述第七判断模块,用于判断所述时长Tlocal是否大于预设的用户容忍时长T0;所述第八判断模块,用于若所述第七判断模块确定出所述时长Tlocal大于所述用户容忍时长T0,则获取网络类型netType,并判断所述网络类型netType是否是WiFi或者4G;所述第九判断模块,用于若所述第八判断模块确定出所述网络类型netType是WiFi或者4G,则确定所述服务器的线程数目,判断所述线程数目是否达到预设的数值;所述第十判断模块,用于若所述第九判断模块确定出所述服务器的线程数目达到所述预设的数值,则判断在所述移动终端建立品质预测模型的能耗Elocal是否大于所述移动终端将预先存储的肉类样品的光谱数据及相应的品质数据上传给所述服务器的能耗Eoffload,若所述能耗Elocal大于所述能耗Eoffload,则确定出品质预测模型的建立位置为所述服务器,否则,则确定出品质预测模型的建立位置为所述移动终端。
本发明实施例中,通过监测网络环境(不限于网络类型和服务器状态,还可以包括移动终端可用内存、CPU使用率等),预测建模任务在终端的执行时间,根据计算迁移策略决定数据建模任务的执行位置,即确定品质预测模型建立是在移动终端还是通过迁移至远程服务器来执行,能够提高应用程序性能,减少移动终端电量消耗。
可选地,在本发明可迁移计算的肉类品质近红外检测装置的另一实施例中,所述第一数据采集单元或第二数据采集单元,包括:
暗背景数据采集模块、白板数据采集模块和计算模块;其中,
所述暗背景数据采集模块,用于在所述微型光谱仪的光源关闭的状态下,采集暗背景数据;
所述白板数据采集模块,用于在所述微型光谱仪的光源打开的状态下,采集白板数据;
所述计算模块,用于在所述微型光谱仪的光源打开的状态下,采集肉类样品的光谱数据,根据所述暗背景数据、白板数据和采集的所述肉类样品的光谱数据计算肉类样品的透光率和吸光度。
本发明实施例中,第一数据采集单元和第二数据采集单元采集光谱数据信息的步骤具体可以包括:
T1:将移动终端与便携式微型光谱仪用OTG线进行连接,移动终端自动识别光谱仪设备,自动获取设备信息并使用默认参数开始进行数据采集,并实时地绘制光谱曲线,若未采用连接线则蓝牙连接方式可用;
T2:通过向微型光谱仪发送参数设置指令对光谱仪的相关参数进行设置;
T3:通过向微型光谱仪发送光源关闭指令,关闭光源,在光源关闭的状态下,通过向微型光谱仪发送信息采集指令,进行暗背景数据信息采集,并在屏幕上绘制出暗背景的光谱能量曲线;
T4:通过向微型光谱仪发送光源打开指令,打开光源,在光源打开的状态下,通过向微型光谱仪发送信息采集指令,进行白板数据信息采集,并在屏幕上绘制出白板的光谱能量曲线;
T5:在黑白背景获取后,在光源打开的状态下,通过向微型光谱仪发送信息采集指令,进行样品的光谱数据采集,自动计算样品的透光率和吸光度,并在屏幕上绘制出样品的光谱曲线,或根据用户选择绘制当前样品透光率和吸光度曲线;
T6:将所采集的样品光谱数据信息保存在本地数据库中。
步骤T2中参数设置具体包括对光谱仪采集积分时间设置,扫描次数设置,以及增益选择设置。
积分时间的设置可以在获取白板数据信息后,自动获取最佳积分时间,并进行积分时间参数的设置。
选取本地数据库中的光谱信息,可通过光谱数据重绘相关曲线,包括原始光谱曲线、透光度曲线以及吸光度曲线。曲线重现的过程可以是一条数据也可以是多条数据。
可选地,在本发明可迁移计算的肉类品质近红外检测装置的另一实施例中,所述第一模型建立单元或第二模型建立单元,包括:
主成分提取模块、残差矩阵计算模块、判断模块、建模模块和评价模块;其中,
所述主成分提取模块,用于提取第i个主成分,i为正整数,所述主成分提取模块从第一个主成分开始,每次提取一个主成分;
所述残差矩阵计算模块,用于计算第i个主成分之后的残差矩阵;
所述判断模块,通过利用所述残差矩阵进行交叉验证,判断主成分个数是否满足精度要求且是否小于预先存储的建模所用光谱数据组成的矩阵的行数与列数中的较小值,若主成分个数未满足精度要求且小于所述所用光谱数据矩阵的行数与列数中的较小值,则通知所述主成分提取模块提取第i+1个主成分,否则,记主成分个数为k=i,并通知所述建模模块进行模型建立;
所述建模模块,用于根据公式Y≈e*a0+X*a计算品质预测模型的回归系数矩阵A,则确定品质预测模型为R=e*a0+S*a,A中第一行记为a0,其余行记为矩阵a,Y为预先存储的建模所用品质数据组成的矩阵,e为单位列向量,X为Y所对应的建模所用光谱数据组成的矩阵,R为品质预测结果,S为待进行品质预测的肉类样品的光谱数据组成的行向量;
所述评价模块,用于计算各个主成分的预测百分比pctvar(j),对所述各个主成分的预测百分比pctvar(j)进行求和,根据所述求和的结果评价所述建模模块建立的品质预测模型的稳健性,其中j为从1到k的整数。
可选地,在本发明可迁移计算的肉类品质近红外检测装置的另一实施例中,所述主成分提取模块,包括:
第一计算子模块、第二计算子模块、第三计算子模块、第四计算子模块和第五计算子模块;其中,
所述第一计算子模块,用于根据公式Cov=X’*Y计算矩阵Cov,矩阵X大小为m×n,m为建模样本数,n为每一条光谱数据的长度(由光谱仪决定),X’为X的转置矩阵,矩阵Y大小为m×p,p为建模品质种类数;
所述第二计算子模块,用于对所述矩阵Cov进行奇异值分解,得到所述矩阵Cov的奇异值,求解方阵r、矩阵s和方阵c使得所述矩阵Cov、方阵r、矩阵s和方阵c满足公式Cov=r*s*c,并且所述矩阵s的主对角线由所述矩阵Cov的奇异值按照非递增序列排列得到,方阵r的大小为n×n,矩阵s的大小为n×p,方阵c的大小为p×p;
所述第三计算子模块,用于根据公式t=X*r(1)计算t,根据公式yi=Y*Y’*ti计算yi,并确定t的单位向量ti是当前待提取的主成分的X得分向量xi,确定yi为所述当前待提取的主成分的Y得分向量,r(1)是所述方阵r的第一列,Y’为Y的转置矩阵;
所述第四计算子模块,用于根据公式xli=X’*ti计算所述当前待提取的主成分所对应的X载荷向量xli,根据公式yli=Y’*ti计算所述当前待提取的主成分所对应的Y载荷向量yli;
所述第五计算子模块,用于根据公式weighti=r(1)/|t|2计算所述当前待提取的主成分的权重值weighti。
可选地,在本发明可迁移计算的肉类品质近红外检测装置的另一实施例中,所述建模模块,包括:
第六计算子模块、第七计算子模块和第八计算子模块;其中,
所述第六计算子模块,用于计算所述矩阵X的均值行向量meanX和所述矩阵Y的均值行向量meanY;
所述第七计算子模块,用于根据公式a=weight*yl’计算a,weight为所述主成分提取模块提取的主成分的权重值weighti组成的权重矩阵,矩阵大小为n×k,yl为所述主成分提取模块提取的主成分所对应的Y载荷向量yli组成的矩阵,矩阵大小为p×k,yl’为yl的转置矩阵,k为判断模块所确定的主成分个数;
第八计算子模块,用于根据公式a0=meanX*a计算a0。
下面对本发明可迁移计算的肉类品质近红外检测装置的一实施例进行详细描述:
如图1所示,该可迁移计算的肉类品质近红外检测装置,具体可以包括:
移动终端(为一部智能手机,型号为红米1s,***为Android4.4.2)、便携式微型光谱仪(是美国JDSU公司生产的1700型号微型近红外光谱仪MicroNIRTM1700Spectrometer,波长范围是900~1700nm)和远程服务器(服务端通过Apache Tomcat 8.0.11搭建,使用Eclipse软件开发服务端的服务并发布,用Web Service技术使Android应用程序与远程服务器进行交互)。
实施例的结构功能如图2所示。
手机通过USB OTG线以有线的方式与便携式光谱仪进行连接,或者使用HC-06蓝牙模块搭建蓝牙电路连接便携式光谱仪,手机通过蓝牙以无线的方式与便携式光谱仪进行连接。
在红米1s手机中安装一款自编的近红外光谱信息采集分析软件,该软件功能为:连接光谱仪、配置参数、控制光源、采集光谱数据并对光谱数据进行定量的建模分析。当手机通过USB OTG线(OTG线为可外接电源的连接线)与光谱仪连接时,手机会提示用该软件连接光谱仪;若需要以蓝牙的方式与光谱仪进行连接,则需要先打开该软件,选择蓝牙方式进行连接,查询远程蓝牙设备,配对成功后与光谱仪连接。
红米手机与便携式微型光谱仪连接后,可以进入参数设置界面,对光谱仪的参数进行设置,可设置的参数有采集积分时间,扫描次数,以及增益选择。
参数设置后,则可以进行光谱数据采集。如图3所示,光谱数据采集需要三步:
第一步,关闭光谱仪光源,对校正白板进行暗背景数据信息采集,并在屏幕上绘制出暗背景的光谱能量曲线;
第二步,打开光谱仪光源,对校正白板进行白板数据信息采集,并在屏幕上绘制出白板的光谱能量曲线;
第三步,在光源打开情况下,将校正白板换为样品,进行样品光谱数据采集,并计算当前样本的吸光度和透光率。
光谱数据显示:红米手机与光谱仪连接之后,软件自动获取设备信息并使用默认参数开始进行数据采集,并实时地绘制光谱能量曲线;采集暗背景和白板数据信息的时候,绘图区域会绘制出相应的光谱能量曲线;当采集样本光谱信息时,绘图区域可由用户自行选择绘制出该样本的光谱能量曲线、吸光度曲线或者透光率曲线;历史光谱回显:在光谱检测界面进行滑动操作,可在数据库中选择一条或者多条光谱数据进行光谱能量曲线、吸光度曲线或者透光率曲线显示。
光谱数据信息存储,采集样品光谱之后,软件会根据暗背景数据、白板数据以及样本数据自动计算该样本的吸光度和透光率,用户可将数据信息保存至本地数据库,记录文件名可以使用默认文件名也可以自行输入。对于本地数据库中的光谱数据,可以在数据管理界面中选择单条或多条导出以文件的形式保存。
计算迁移评估,根据现场需要设置T0为2s,服务状态线程数目的数值为20,通过对资源的监测、执行时间的预估以及四个判断条件的决策,最终决定是否对运算任务进行计算迁移(如图4所示为计算迁移决策算法流程)。
若是光谱数据在本地建模,首先逐个或者批量输入对应样品光谱X的品质数据Y,用于将本地多条样本光谱数据进行数据建模;可以选择对智能手机本地数据库所有样品光谱进行建模,或者输入样品个数随机选取样品数据建模,或者自行选择数据进行建模,用偏最小二乘回归算法进行数据建模处理。
如判断为计算迁移到服务器,则光谱数据上传,可以光谱数据以及对应的品质数据上传至服务器。同时可以从服务器下载光谱模型。
样本品质预测,采集样本数据之后,可以用现有的光谱预测模型对样本的品质进行预测,模型既可以从服务器下载,也可以用新数据进行建模。
智能手机通过软件可以与服务器进行远程交互,服务器端可以向手机提供数据信息上传存储、光谱数据建模、光谱模型下载更新服务。手机端通过计算迁移决策评估后,若需要进行运算迁移,则会通过相应的网络将建模数据信息上传至远程服务器,在服务器端进行品质预测模型的计算,并将预测模型返回至智能手机端。
如图5所示,本实施例公开一种可迁移计算的肉类品质近红外检测方法,包括:
S1、由与微型光谱仪连接的移动终端采集肉类样品的光谱数据;
S2、由所述移动终端根据计算迁移决策策略判断品质预测模型的建立位置,由确定出的品质预测模型的建立位置根据所述移动终端预先存储的肉类样品的光谱数据及相应的品质数据建立品质预测模型,由所述移动终端将采集到的所述肉类样品的光谱数据作为所述品质预测模型的输入,并确定所述品质预测模型的输出为采集到的所述肉类样品的光谱数据对应的品质数据,所述建立位置包括所述移动终端或者所述服务器。
本发明实施例所述的可迁移计算的肉类品质近红外检测方法,通过移动设备控制微型光谱仪,完成肉类近红外光谱的快速扫描,通过移动终端判断品质预测模型的建立位置,在移动设备或服务器上进行品质预测模型的建立,并做出品质实时预测,能够达到减少数据计算时间、降低移动终端功耗的目的,从而能够作为一种造价低、便携式、检测准确和功耗小的肉类品质近红外检测方法,对肉类品质进行无损、快速检测。
可选地,在本发明可迁移计算的肉类品质近红外检测方法的另一实施例中,所述判断品质预测模型的建立位置,包括:
预测所述移动终端建立品质预测模型所需的时长Tlocal,判断所述时长Tlocal是否大于预设的用户容忍时长T0,若所述时长Tlocal不大于所述用户容忍时长T0,则确定出品质预测模型的建立位置为所述移动终端;或者
若所述时长Tlocal大于所述用户容忍时长T0,则获取网络类型netType,并判断所述网络类型netType是否是WiFi或者4G,若所述网络类型netType不是WiFi和4G,则确定出品质预测模型的建立位置为所述移动终端;或者
若所述网络类型netType是WiFi或者4G,则确定所述服务器的线程数目,判断所述线程数目是否达到预设的数值,若所述线程数目未达到所述预设的数值,则确定出品质预测模型的建立位置为所述服务器;或者
若所述服务器的线程数目达到所述预设的数值,则判断在所述移动终端建立品质预测模型的能耗Elocal是否大于所述移动终端将预先存储的肉类样品的光谱数据及相应的品质数据上传给所述服务器的能耗Eoffload,若所述能耗Elocal大于所述能耗Eoffload,则确定出品质预测模型的建立位置为所述服务器,否则,则确定出品质预测模型的建立位置为所述移动终端。
本发明对肉类品质进行预测,在建立预测模型过程中采用计算迁移决策架构,在适合的迁移环境下进行任务的迁移并得到计算任务结果。如对200条光谱数据进行建模,若品质预测模型的预测执行时长为31441.98ms,网络使用Wi-Fi,服务负载情况良好,则可以确定出适合进行计算迁移,迁移后任务的执行时间为2427.5ms,大大缩短了计算时间。若连续执行高计算量的任务,则能够达到减少电量消耗的目的。通过实验验证本发明提出的计算迁移策略能够减少移动终端的资源占用,缩短任务的执行时间,并延长终端电量使用。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种可迁移计算的肉类品质近红外检测装置,其特征在于,包括:
微型光谱仪、移动终端和服务器;其中,
所述移动终端连接所述微型光谱仪和服务器,用于采集肉类样品的光谱数据,判断品质预测模型的建立位置,由确定出的品质预测模型的建立位置根据所述移动终端预先存储的肉类样品的光谱数据及相应的品质数据建立品质预测模型,由所述移动终端将采集到的所述肉类样品的光谱数据作为所述品质预测模型的输入,并确定所述品质预测模型的输出为采集到的所述肉类样品的光谱数据对应的品质数据,所述建立位置包括所述移动终端或者所述服务器。
2.根据权利要求1所述的可迁移计算的肉类品质近红外检测装置,其特征在于,所述移动终端,包括:
第一数据采集单元、第一模型迁移判断单元、第一模型建立单元和第一计算单元;
所述第一数据采集单元,用于采集肉类样品的光谱数据;
所述第一模型迁移判断单元,用于判断品质预测模型的建立位置;
所述第一模型建立单元,用于在所述第一模型迁移判断单元确定出品质预测模型的建立位置为所述移动终端时,根据预先存储的肉类样品的光谱数据及相应的品质数据建立品质预测模型;
所述第一计算单元,用于将采集到的所述肉类样品的光谱数据作为所述品质预测模型的输入,得到所述品质预测模型的输出,并确定所述品质预测模型的输出为采集到的所述肉类样品的光谱数据对应的品质数据。
3.根据权利要求1所述的可迁移计算的肉类品质近红外检测装置,其特征在于,所述移动终端,包括:
第二数据采集单元、第二模型迁移判断单元、数据上传单元、模型下载单元和第二计算单元;
所述第二数据采集单元,用于采集肉类样品的光谱数据;
所述第二模型迁移判断单元,用于判断品质预测模型的建立位置;
所述数据上传单元,用于在所述第二模型迁移判断单元确定出品质预测模型的建立位置为所述服务器时,将预先存储的肉类样品的光谱数据及相应的品质数据上传给所述服务器,以使所述服务器根据接收到的肉类样品的光谱数据及相应的品质数据建立品质预测模型;
所述模型下载单元,用于从所述服务器下载所述服务器建立的品质预测模型;
所述第二计算单元,用于将采集到的所述肉类样品的光谱数据作为所述品质预测模型的输入,得到所述品质预测模型的输出,并确定所述品质预测模型的输出为采集到的所述肉类样品的光谱数据对应的品质数据;其中,
所述服务器,包括:
第二模型建立单元,用于接收所述移动终端上传的肉类样品的光谱数据及相应的品质数据,并根据所述肉类样品的光谱数据及相应的品质数据建立品质预测模型。
4.根据权利要求2或3所述的可迁移计算的肉类品质近红外检测装置,其特征在于,所述第一模型迁移判断单元或第二模型迁移判断单元,包括:
第一预测模块和第一判断模块;其中,所述第一预测模块,用于预测所述移动终端建立品质预测模型所需的时长Tlocal;所述第一判断模块,用于判断所述时长Tlocal是否大于预设的用户容忍时长T0,若所述时长Tlocal不大于所述用户容忍时长T0,则确定出品质预测模型的建立位置为所述移动终端;或者
第二预测模块、第二判断模块和第三判断模块;其中,所述第二预测模块,用于预测所述移动终端建立品质预测模型所需的时长Tlocal;所述第二判断模块,用于判断所述时长Tlocal是否大于预设的用户容忍时长T0;所述第三判断模块,用于若所述第二判断模块确定出所述时长Tlocal大于所述用户容忍时长T0,则获取网络类型netType,并判断所述网络类型netType是否是WiFi或者4G,若所述网络类型netType不是WiFi和4G,则确定出品质预测模型的建立位置为所述移动终端;或者
第三预测模块、第四判断模块、第五判断模块和第六判断模块;其中,所述第三预测模块,用于预测所述移动终端建立品质预测模型所需的时长Tlocal;所述第四判断模块,用于判断所述时长Tlocal是否大于预设的用户容忍时长T0;所述第五判断模块,用于若所述第四判断模块确定出所述时长Tlocal大于所述用户容忍时长T0,则获取网络类型netType,并判断所述网络类型netType是否是WiFi或者4G;所述第六判断模块,用于若所述第五判断模块确定出所述网络类型netType是WiFi或者4G,则确定所述服务器的线程数目,判断所述线程数目是否达到预设的数值,若所述线程数目未达到所述预设的数值,则确定出品质预测模型的建立位置为所述服务器;或者
第四预测模块、第七判断模块、第八判断模块、第九判断模块和第十判断模块;其中,所述第四预测模块,用于预测所述移动终端建立品质预测模型所需的时长Tlocal;所述第七判断模块,用于判断所述时长Tlocal是否大于预设的用户容忍时长T0;所述第八判断模块,用于若所述第七判断模块确定出所述时长Tlocal大于所述用户容忍时长T0,则获取网络类型netType,并判断所述网络类型netType是否是WiFi或者4G;所述第九判断模块,用于若所述第八判断模块确定出所述网络类型netType是WiFi或者4G,则确定所述服务器的线程数目,判断所述线程数目是否达到预设的数值;所述第十判断模块,用于若所述第九判断模块确定出所述服务器的线程数目达到所述预设的数值,则判断在所述移动终端建立品质预测模型的能耗Elocal是否大于所述移动终端将预先存储的肉类样品的光谱数据及相应的品质数据上传给所述服务器的能耗Eoffload,若所述能耗Elocal大于所述能耗Eoffload,则确定出品质预测模型的建立位置为所述服务器,否则,则确定出品质预测模型的建立位置为所述移动终端。
5.根据权利要求4所述的可迁移计算的肉类品质近红外检测装置,其特征在于,所述第一数据采集单元和/或第二数据采集单元,包括:
暗背景数据采集模块、白板数据采集模块和计算模块;其中,
所述暗背景数据采集模块,用于在所述微型光谱仪的光源关闭的状态下,采集暗背景数据;
所述白板数据采集模块,用于在所述微型光谱仪的光源打开的状态下,采集白板数据;
所述计算模块,用于在所述微型光谱仪的光源打开的状态下,采集肉类样品的光谱数据,根据所述暗背景数据、白板数据和采集的所述肉类样品的光谱数据计算肉类样品的透光率和吸光度。
6.根据权利要求4所述的可迁移计算的肉类品质近红外检测装置,其特征在于,所述第一模型建立单元或第二模型建立单元,包括:
主成分提取模块、残差矩阵计算模块、判断模块、建模模块和评价模块;其中,
所述主成分提取模块,用于提取第i个主成分,i为正整数,所述主成分提取模块从第一个主成分开始,每次提取一个主成分;
所述残差矩阵计算模块,用于计算第i个主成分之后的残差矩阵;
所述判断模块,通过利用所述残差矩阵进行交叉验证,判断主成分个数是否满足精度要求且是否小于预先存储的建模所用光谱数据组成的矩阵的行数与列数中的较小值,若主成分个数未满足精度要求且小于所述所用光谱数据矩阵的行数与列数中的较小值,则通知所述主成分提取模块提取第i+1个主成分,否则,记主成分个数为k=i,并通知所述建模模块进行模型建立;
所述建模模块,用于根据公式Y≈e*a0+X*a计算品质预测模型的回归系数矩阵A,则确定品质预测模型为R=e*a0+S*a,A中第一行记为a0,其余行记为矩阵a,Y为预先存储的建模所用品质数据组成的矩阵,e为单位列向量,X为Y所对应的建模所用光谱数据组成的矩阵,R为品质预测结果,S为待进行品质预测的肉类样品的光谱数据组成的行向量;
所述评价模块,用于计算各个主成分的预测百分比pctvar(j),对所述各个主成分的预测百分比pctvar(j)进行求和,根据所述求和的结果评价所述建模模块建立的品质预测模型的稳健性,其中j为从1到k的整数。
7.根据权利要求6所述的可迁移计算的肉类品质近红外检测装置,其特征在于,所述主成分提取模块,包括:
第一计算子模块、第二计算子模块、第三计算子模块、第四计算子模块和第五计算子模块;其中,
所述第一计算子模块,用于根据公式Cov=X’*Y计算矩阵Cov,矩阵X大小为m×n,m为建模样本数,n为每一条光谱数据的长度,X’为X的转置矩阵,矩阵Y大小为m×p,p为建模品质种类数;
所述第二计算子模块,用于对所述矩阵Cov进行奇异值分解,得到所述矩阵Cov的奇异值,求解方阵r、矩阵s和方阵c使得所述矩阵Cov、方阵r、矩阵s和方阵c满足公式Cov=r*s*c,并且所述矩阵s的主对角线由所述矩阵Cov的奇异值按照非递增序列排列得到,方阵r的大小为n×n,矩阵s的大小为n×p,方阵c的大小为p×p;
所述第三计算子模块,用于根据公式t=X*r(1)计算t,根据公式yi=Y*Y’*ti计算yi,并确定t的单位向量ti是当前待提取的主成分的X得分向量xi,确定yi为所述当前待提取的主成分的Y得分向量,r(1)是所述方阵r的第一列,Y’为Y的转置矩阵;
所述第四计算子模块,用于根据公式xli=X’*ti计算所述当前待提取的主成分所对应的X载荷向量xli,根据公式yli=Y’*ti计算所述当前待提取的主成分所对应的Y载荷向量yli;
所述第五计算子模块,用于根据公式weighti=r(1)/|t|2计算所述当前待提取的主成分的权重值weighti。
8.根据权利要求7所述的可迁移计算的肉类品质近红外检测装置,其特征在于,所述建模模块,包括:
第六计算子模块、第七计算子模块和第八计算子模块;其中,
所述第六计算子模块,用于计算所述矩阵X的均值行向量meanX和所述矩阵Y的均值行向量meanY;
所述第七计算子模块,用于根据公式a=weight*yl’计算a,weight为所述主成分提取模块提取的主成分的权重值weighti组成的权重矩阵,矩阵大小为n×k,yl为所述主成分提取模块提取的主成分所对应的Y载荷向量yli组成的矩阵,矩阵大小为p×k,yl’为yl的转置矩阵,k为判断模块所确定的主成分个数;
第八计算子模块,用于根据公式a0=meanX*a计算a0。
9.一种可迁移计算的肉类品质近红外检测方法,其特征在于,包括:
由与微型光谱仪连接的移动终端采集肉类样品的光谱数据;
由所述移动终端判断品质预测模型的建立位置,由确定出的品质预测模型的建立位置根据所述移动终端预先存储的肉类样品的光谱数据及相应的品质数据建立品质预测模型,由所述移动终端将采集到的所述肉类样品的光谱数据作为所述品质预测模型的输入,并确定所述品质预测模型的输出为采集到的所述肉类样品的光谱数据对应的品质数据,所述建立位置包括所述移动终端或者所述服务器。
10.根据权利要求9所述的可迁移计算的肉类品质近红外检测方法,其特征在于,所述判断品质预测模型的建立位置,包括:
预测所述移动终端建立品质预测模型所需的时长Tlocal,判断所述时长Tlocal是否大于预设的用户容忍时长T0,若所述时长Tlocal不大于所述用户容忍时长T0,则确定出品质预测模型的建立位置为所述移动终端;或者
若所述时长Tlocal大于所述用户容忍时长T0,则获取网络类型netType,并判断所述网络类型netType是否是WiFi或者4G,若所述网络类型netType不是WiFi和4G,则确定出品质预测模型的建立位置为所述移动终端;或者
若所述网络类型netType是WiFi或者4G,则确定所述服务器的线程数目,判断所述线程数目是否达到预设的数值,若所述线程数目未达到所述预设的数值,则确定出品质预测模型的建立位置为所述服务器;或者
若所述服务器的线程数目达到所述预设的数值,则判断在所述移动终端建立品质预测模型的能耗Elocal是否大于所述移动终端将预先存储的肉类样品的光谱数据及相应的品质数据上传给所述服务器的能耗Eoffload,若所述能耗Elocal大于所述能耗Eoffload,则确定出品质预测模型的建立位置为所述服务器,否则,则确定出品质预测模型的建立位置为所述移动终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510282858.6A CN104914069B (zh) | 2015-05-28 | 2015-05-28 | 可迁移计算的肉类品质近红外检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510282858.6A CN104914069B (zh) | 2015-05-28 | 2015-05-28 | 可迁移计算的肉类品质近红外检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104914069A true CN104914069A (zh) | 2015-09-16 |
CN104914069B CN104914069B (zh) | 2017-12-19 |
Family
ID=54083324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510282858.6A Expired - Fee Related CN104914069B (zh) | 2015-05-28 | 2015-05-28 | 可迁移计算的肉类品质近红外检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104914069B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105708306A (zh) * | 2016-02-26 | 2016-06-29 | 广东美的厨房电器制造有限公司 | 烹饪方法和烹饪器具 |
CN108844912A (zh) * | 2018-04-19 | 2018-11-20 | 中科谱光科技(北京)有限公司 | 一种作物长势光谱智能分析***及方法 |
WO2018209383A1 (en) * | 2017-05-16 | 2018-11-22 | MEQ Probe Pty Ltd | Methods and systems for assessing quality of a meat product |
CN108872092A (zh) * | 2018-04-19 | 2018-11-23 | 中科谱光科技(北京)有限公司 | 一种水质参数光谱智能检测分析***及方法 |
CN109001146A (zh) * | 2018-07-26 | 2018-12-14 | 江苏大学 | 一种冰鲜牛肉与冻化鲜牛肉的快速鉴别方法 |
CN109709064A (zh) * | 2019-01-03 | 2019-05-03 | 云南中烟工业有限责任公司 | 基于回归系数二次函数激活的烟叶热水可溶物测定方法 |
CN111060476A (zh) * | 2019-12-19 | 2020-04-24 | 中山大学附属第一医院 | 一种用于检测创面或lb培养液细菌感染的近红外光谱***及其检测方法 |
CN111274538A (zh) * | 2020-01-21 | 2020-06-12 | 中国农业大学 | 一种生食水产品储运过程中质量状态判别方法及*** |
CN113295641A (zh) * | 2021-05-26 | 2021-08-24 | 河北金沙河面业集团有限责任公司 | 一种小麦发芽率快速测定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183521A (zh) * | 2011-02-18 | 2011-09-14 | 浙江工业大学 | 基于机器视觉的生物式的瓦斯检测装置 |
CN103281459A (zh) * | 2013-06-06 | 2013-09-04 | 仝晓萌 | 一种可测水果甜度和ph值的手机 |
CN103558177A (zh) * | 2013-11-22 | 2014-02-05 | 中国农业大学 | 生肉组织水分近红外检测装置及检测方法 |
CN103954781A (zh) * | 2014-04-02 | 2014-07-30 | 中国农业大学 | 基于便携通讯设备的畜肉品质轻便无损检测仪 |
-
2015
- 2015-05-28 CN CN201510282858.6A patent/CN104914069B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183521A (zh) * | 2011-02-18 | 2011-09-14 | 浙江工业大学 | 基于机器视觉的生物式的瓦斯检测装置 |
CN103281459A (zh) * | 2013-06-06 | 2013-09-04 | 仝晓萌 | 一种可测水果甜度和ph值的手机 |
CN103558177A (zh) * | 2013-11-22 | 2014-02-05 | 中国农业大学 | 生肉组织水分近红外检测装置及检测方法 |
CN103954781A (zh) * | 2014-04-02 | 2014-07-30 | 中国农业大学 | 基于便携通讯设备的畜肉品质轻便无损检测仪 |
Non-Patent Citations (1)
Title |
---|
汪希伟: "基于光谱成像的猪肉新鲜度检测方法", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105708306A (zh) * | 2016-02-26 | 2016-06-29 | 广东美的厨房电器制造有限公司 | 烹饪方法和烹饪器具 |
WO2018209383A1 (en) * | 2017-05-16 | 2018-11-22 | MEQ Probe Pty Ltd | Methods and systems for assessing quality of a meat product |
US11519862B2 (en) | 2017-05-16 | 2022-12-06 | MEQ Probe Pty Ltd | Methods and systems for assessing quality of a meat product |
AU2018271137B2 (en) * | 2017-05-16 | 2023-11-30 | MEQ Probe Pty Ltd | Methods and systems for assessing quality of a meat product |
CN108844912A (zh) * | 2018-04-19 | 2018-11-20 | 中科谱光科技(北京)有限公司 | 一种作物长势光谱智能分析***及方法 |
CN108872092A (zh) * | 2018-04-19 | 2018-11-23 | 中科谱光科技(北京)有限公司 | 一种水质参数光谱智能检测分析***及方法 |
CN109001146A (zh) * | 2018-07-26 | 2018-12-14 | 江苏大学 | 一种冰鲜牛肉与冻化鲜牛肉的快速鉴别方法 |
CN109709064A (zh) * | 2019-01-03 | 2019-05-03 | 云南中烟工业有限责任公司 | 基于回归系数二次函数激活的烟叶热水可溶物测定方法 |
CN111060476A (zh) * | 2019-12-19 | 2020-04-24 | 中山大学附属第一医院 | 一种用于检测创面或lb培养液细菌感染的近红外光谱***及其检测方法 |
CN111274538A (zh) * | 2020-01-21 | 2020-06-12 | 中国农业大学 | 一种生食水产品储运过程中质量状态判别方法及*** |
CN111274538B (zh) * | 2020-01-21 | 2021-10-26 | 中国农业大学 | 一种生食水产品储运过程中质量状态判别方法及*** |
CN113295641A (zh) * | 2021-05-26 | 2021-08-24 | 河北金沙河面业集团有限责任公司 | 一种小麦发芽率快速测定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104914069B (zh) | 2017-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104914069A (zh) | 可迁移计算的肉类品质近红外检测方法及装置 | |
CN208420696U (zh) | 基于近红外光谱技术的小麦感染赤霉病等级在线检测*** | |
CN205120220U (zh) | 多功能厨房秤 | |
CN104007097A (zh) | 与蓝牙智能终端设备无线互联的拉曼光谱仪 | |
CN103954781B (zh) | 基于便携通讯设备的畜肉品质轻便无损检测仪 | |
CN102636454A (zh) | 近红外光谱快速测定食用油中低碳数脂肪酸含量的方法 | |
CN106491086A (zh) | 一种便携式多功能皮肤测试*** | |
CN109668843A (zh) | 一种基于手机的便携式多光谱成像技术检测腊肉品质的方法 | |
CN102628794A (zh) | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 | |
CN106932360A (zh) | 便携式近红外光谱食品快速检测与建模一体化***和方法 | |
CN105651728A (zh) | 一种便携式近红外光谱检测*** | |
CN105403676A (zh) | 一种食品安全检测***及方法 | |
CN105548062A (zh) | 生鲜牛肉多指标的快速无损同步检测方法 | |
CN108802060A (zh) | 一种鸡蛋新鲜度快速无损检测***及其方法 | |
CN107918135B (zh) | 水分胁迫状态监测方法、装置及电子设备 | |
CN201503392U (zh) | 基于近红外光谱的手持式土壤养分无损测量装置 | |
CN103356179A (zh) | 一种体温测试分析***及体温测试分析方法 | |
CN107589092A (zh) | 基于移动网络终端的蓝牙便携式近红外光谱快检*** | |
CN117612007A (zh) | 基于改进prosail模型的冬油菜冠层混合反演处理方法及*** | |
CN103308507A (zh) | 一种快速测定聚氨酯中游离-nco的分析方法 | |
CN111289459A (zh) | 混合物质组分浓度检测方法、装置、设备及存储介质 | |
CN205484290U (zh) | 一种食品安全检测*** | |
CN104374740A (zh) | 一种蜂产品的检测方法 | |
CN204439560U (zh) | 一种农药残留速测仪 | |
CN118016201B (zh) | 一种便携式组网水质检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171219 Termination date: 20210528 |
|
CF01 | Termination of patent right due to non-payment of annual fee |