CN112903929A - 一种食品质量检测*** - Google Patents
一种食品质量检测*** Download PDFInfo
- Publication number
- CN112903929A CN112903929A CN202110043460.2A CN202110043460A CN112903929A CN 112903929 A CN112903929 A CN 112903929A CN 202110043460 A CN202110043460 A CN 202110043460A CN 112903929 A CN112903929 A CN 112903929A
- Authority
- CN
- China
- Prior art keywords
- neural network
- food
- output
- network model
- input
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种食品质量检测***,其特征在于:所述检测***包括食品气味采集平台、食品质量大数据处理子***,检测***实现对食品气味参数检测和食品新鲜度分类;本发明有效解决了现有食品新鲜度识别***没有根据食品挥发气味特征变化的非线性、大滞后和变化复杂等对食品新鲜度的反映,从而极大的影响食品新鲜度识别问题。
Description
技术领域
本发明涉及食品质量检测与处理技术领域,具体涉及一种食品质量检测***。
背景技术
食品是人类膳的重要组成部分,随着我国人民生活水平的提高,人们也开始越来越多的关注食品的新鲜度和品质优劣等问题。面对市场上逐渐出现的食品掺假、冒充以及新鲜度难以判别等一系列品质鉴定问题,亟需一种方便快捷、无损且重现性好的检测方法。
目前,对食品品质的检测主要采用传统的感官鉴定法和化学检测方法。化学检测方法通常需要在实验室条件下开展,因其设备购置成本高、样品处理困难和检测效率低而不能普及应用。而传统的感官鉴定法难以克服主观性强、一致性差及不易量化等问题,导致结果不易标准化、可靠性和可比性低。基于气敏传感器的电子鼻作为一种集数据采集、分析、判别于一身的新型检测仪器来模拟动物嗅觉***以实现对多种食品的有机挥发性气体检测,因具有客观性好、准确度高、重复性好及无损等诸多优点而在食品检测中得到广泛的应用。本专利以食品新鲜度检测为例,发明一种食品质量检测***用于食品气味检测并对食品新鲜度等级进行分类,提高食品质量检测的可靠性和有效性。
发明内容
本发明提供了一种食品质量检测***,本发明有效解决了现有食品新鲜度识别***没有根据食品挥发气味特征变化的非线性、大滞后和变化复杂等对食品新鲜度的反映,从而极大的影响食品新鲜度识别问题。
本发明通过以下技术方案实现:
一种食品质量检测***包括食品气味采集平台和食品质量大数据处理子***两部分组成,该***实现对食品气味参数检测和食品新鲜度分类,提高识别食品新鲜度的效率。
本发明进一步技术改进方案是:
食品气味采集平台包括样品室、气流管、气室、多个传感器阵列、检测节点、风扇和现场监控端;样品室的食品挥发的气味通过气流管和气室的进气阀被风扇吸入到气室内,与多个检测节点的多个传感器阵列反应后产生气味信号,通过检测节点的CAN接口和现场监控端的RS232/CAN接口传输给现场监控端,现场监控端的食品质量大数据处理子***对室内的食品气味进行处理,识别出样品室内食品新鲜度等级;多个传感器阵列分别布置在气室的侧面、底部、中间垂直面和顶部的不同位置可以实现对食品散发出的气味进行一个侧面或者几个侧面、一个平面或者几个平面、一个垂直面或者几个垂直面以及侧面、平面和垂直面同时进行全面检测,每个传感器阵列由对食品气味有敏感性的传感器1、传感器2、传感器3和传感器4不同类型的4种不同型号传感器组成。
本发明进一步技术改进方案是:
食品质量大数据处理子***包括4个参数检测模块和食品质量分类器,4个参数检测模块分别为参数检测模块1、参数检测模块2、参数检测模块3和参数检测模块4,多个传感器阵列中的多个同一类型传感器输出分别作为的参数检测模块1、参数检测模块2、参数检测模块3和参数检测模块4中对应的多个按拍延迟线TDL的输入,4个参数检测模块输出对应的4种气味的梯形模糊数分别作为对应的食品分类器中的4个按拍延迟线TDL的输入,食品质量分类器输出的梯形模糊数代表食品新鲜度等级值。
本发明进一步技术改进方案是:
参数检测模块设计
参数检测模块由多个按拍延迟线TDL(Tapped Delay Line)、多个LSTM神经网络模型、FLNN函数连接型神经网模型、NARX神经网络模型、T-S模糊神经网络模型、3个积分回路和动态递归小波神经网络模型组成,由2个积分算子S相串联构成一个积分回路,每个积分回路的2个积分算子S连接端作为动态递归小波神经网络模型的1个对应输入,每个积分回路的输出作为动态递归小波神经网络模型的1个对应输入;多个参数测量传感器输出分别作为对应的多个按拍延迟线TDL的输入,每个按拍延迟线TDL输出的一段时间的参数测量传感器值分别作为对应的LSTM神经网络模型的输入,多个LSTM神经网络模型的输出分别作为FLNN函数连接型神经网模型、NARX神经网络模型和T-S模糊神经网络模型的输入,FLNN函数连接型神经网模型、NARX神经网络模型和T-S模糊神经网络模型的输出分别作为对应的每个积分回路的输入和动态递归小波神经网络模型对应的1个输入,动态递归小波神经网络模型的输出为代表一段时间多个参数测量传感器值大小的动态梯形模糊数为[a,b,c,d],[a,b,c,d]构成在一段时间内参数检测模块输出多个参数测量传感器值的动态梯形模糊数值,a、b、c和d分别代表参数测量传感器值的最小值、极小值、极大值和最大值,参数检测模块把一段时间多个参数测量传感器值转换为被测量参数的梯形模糊数值。
本发明进一步技术改进方案是:
食品质量分类器
食品质量分类器由4个按拍延迟线TDL(Tapped Delay Line)、4个自联想神经网络、4个BAM神经网络和DRNN神经网络组成,4个参数检测模块输出的4种参数测量传感值的梯形模糊数分别作为对应的食品分类器中的4个按拍延迟线TDL的输入,4个按拍延迟线TDL输出的一段时间的4种参数测量传感器值的梯形模糊数分别作为对应的4个自联想神经网络的输入,4个自联想神经网络输出分别作为对应的4个BAM神经网络的输入,4个BAM神经网络输出的梯形模糊数和气室环境温度作为DRNN神经网络的输入,DRNN神经网络输出的梯形模糊数代表被检测的食品新鲜度等级值;根据食品安全的工程实践,DRNN神经网络分类器把食品安全分为一般安全、比较安全、很安全、不安全和很不安全对应不同的5个不同的梯形模糊数,计算DRNN神经网络分类器输出的梯形模糊数输出的梯形模糊数与代表5种安全等级的5个梯形数的相似度,其中相似度最大的梯形模糊数对应的食品安全等级确定为该食品安全等级。
本发明与现有技术相比,具有以下明显优点:
一、本发明LSTM神经网络模型类似于标准的含有递归隐藏层的网络,仅有的变化是使用记忆模块代替原有的隐藏层单元,通过记忆细胞内部状态的自反馈和输入输出对误差的截断,解决梯度消失和激增的问题,相对于BP神经网络和普通的RNN,LSTM增加了1个状态单元c和3个控制门,就大大增加了模型的特征包含能力和记忆能力,避免了欠拟合和梯度消失。LSTM的功能旨在发现食品气味浓度数据中存在的相关关系,记住这种关系以及这种关系在时间上的变化,从而得到更准确的结果。LSTM神经网络模型实现的食品气味的预测,提高食品气味预测的精确度。
二、本发明LSTM神经网络模型具有与标准RNN类似的链状重复网络结构,标准RNN中的重复网络非常简单,而LSTM神经网络模型中的重复网络具有4个交互层,包括3个门层和1个tanh层。处理器状态是LSTM神经网络模型中的关键变量,它携带着食品气味气味先前步骤的信息,并逐步穿过整个LSTM。交互层中的门可以根据上一步的隐状态和当前步骤的输入来部分删除上一步的处理器状态和添加食品气味新信息到当前步骤的处理器状态中。每个重复网络的输入包括上一步食品气味的隐状态和处理器状态以及当前步骤的输入。处理器状态根据4个交互层的计算结果进行更新。更新后的处理器状态和隐状态构成输出并传递到下一步。
三、本发明LSTM神经网络模型是一种在重复网络中具有4个相互作用层的循环神经网络。它不仅能够像标准循环神经网络那样从食品气味浓度序列数据中提取信息,还能够保留来自于先前较远步骤的具有长期相关性的信息。食品气味浓度数据是序列数据,其变化趋势富有含义。此外,由于食品气味浓度的采样间隔相对较小,食品气味浓度存在长期空间相关性,而LSTM有足够的长期记忆来处理这种问题。
四、本发明在串级LSTM神经网络模型中,首先在浅层级对相对容易预测的食品气味浓度进行重构,然后把生成的食品气味浓度作为下一级的输入。深层级的预测结果不但基于食品气味浓度训练数据中的输入值,还受浅层级食品气味浓度预测结果的影响,这种方法能够更有效地提取食品气味浓度输入数据中蕴含的信息,提升预测食品气味浓度的准确度。
五、本发明FLNN函数连接神经网络模型由输入层和输出层构成,没有隐含层,因此相较于传统神经网络,FLNN函数连接神经网络模型的网络计算量更小,训练速度更快。可以避免更新隐层权值,只需调整输出层权值,因而具有较快的收敛速度及较少的在线计算量,同时扩展食品气味检测参数输入变量,可提高FLNN函数连接神经网络模型的网络分辨能力,提高本发明检测食品气味的准确性。
六、本发明NARX网络模型是一种通过引入多个模糊最小二乘支持向量机模型的延时模块及反馈实现来建立NARX网络组合模型的动态递归网络,它是沿着食品气味浓度参数在时间轴方向的拓展的多个时间食品气味浓度参数的序列来实现及函数模拟功能的数据关联性建模思想,该方法通过一段时间内食品气味浓度的特征参数来建立食品气味浓度组合模型,模型输出的食品气味浓度参数在反馈作用中被作为输入而闭循环训练提高神经网络的计算精确度,实现对食品气味浓度连续动态检测。
七、本发明BAM神经网络是一种双层反馈神经网络,用它可实现异联想记忆功能;其当向其中一层加入食品气味的梯形模糊数输入信号时,另一层得到输出。由于初始模式可以作用于网络的任一层,信息也可以双向传播,所以没有明确的输入层或输出层。BAM神经网络学习速度快,而BP学习时收敛速度慢,最终收敛达到的还有可能是局部最小点而非全局最小点,而BAM达到的一定是能量最小点;BAM神经网络是有反馈网络,当输入出现错误时,BAM神经网络不但可以输出准确的故障原因,还可纠正原始食品气味的梯形模糊数输入的错误。故该BAM神经网络适于要求对错误输入征兆进行纠正***。BAM神经网络利用BAM神经网络双向联想存储的特性,提高推理过程中食品气味新鲜度分类不确定信息处理能力。
八、本发明食品安全等级分类的科学性和可靠性,本专利的DRNN神经网络分类器给食品安全等级分类,根据食品安全控制的工程实践经验,通过DRNN神经网络分类器将影响食品安全大小的食品气体量化为安全等级,通过梯形模糊数将食品安全分为五种等级,把食品安全5种安全等级分别为一般安全、比较安全、很安全、不安全和很不安全对应5个不同的梯形模糊数,计算DRNN神经网络分类器输出的梯形模糊数与代表5种食品安全等级的5个梯形模糊数的相似度,其中相似度最大的梯形模糊数对应的安全等级确定为该食品安全等级,实现对食品安全等级分类的动态性能和科学分类。
九、本发明由于通过3个积分回路联引入食品气味预测值的一次和二次变化量,在非线性参数的时间序列预测中应用动态递归小波神经网络根据被检测参数的预测值以及变化量的影响把被检测参数转换为梯形模糊数具有更好的预测精度和自适应能力,提高动态递归小波神经网络的泛化能力。
附图说明
图1为本发明的食品气味采集平台;
图2为本发明的食品质量大数据处理子***;
图3为本发明的检测节点;
图4为本发明的现场监控端软件。
具体实施方式
结合附图1-4,对本发明技术方案作进一步描述:
一、***总体功能的设计
本发明一种食品质量检测***实现对食品挥发气体参数进行检测和食品新鲜度等级分类,其中食品气味采集平台包括样品室、气流管、气室、多传感器阵列、检测节点、风扇和现场监控端组成,样品室的食品挥发的气味通过气流管和气室的进气阀被风扇吸入到气室内,与多个检测节点的传感器阵列反应后产生信号,通过检测节点的CAN接口和现场监控端的RS232/CAN接口传输给现场监控端,现场监控端的食品气味大数据处理子***对室内的食品气味进行处理,识别出样品室内食品新鲜度等级。现场监控端由1台工业控制计算机和RS232/CAN接口组成,RS232/CAN接口实现现场监控端与检测节点的数据通信。食品气味采集平台结构见图1所示。
二、检测节点和传感器阵列的设计
采用基于CAN现场总线的检测节点1作为气室内食品气味参数感知终端,检测节点1和现场监控端2通过CAN现场总线方式实现与现场监控端2之间的信息相互交互。检测节点1包括传感器阵列对应的信号调理电路、STC89C52RC微处理器以及CAN总线接口,检测节点的软件主要实现现场总线通信和食品气味参数的采集与预处理。本专利确定氨气、硫化氢、醇醛类有机溶剂气体和卤烃类四类气体作为猪肉气味采集平台的主要检测气体,选择四只费加罗公司生产的TGS系列气敏传感器,即TGS826氨气及胺类型、TGS825硫化氢型、TGS822乙醇类及有机溶剂气体型、TGS832卤烃型构成传感器阵列。每个传感器阵列作为对应的每个检测节点的4个调理电路的输入,4个调理电路的输出作为STC89C52RC微处理器的输入。检测节点软件采用C语言程序设计,兼容程度高,大大提高了软件设计开发的工作效率,增强了程序代码的可靠性、可读性和可移植性。检测节点结构和传感器阵列见图3。
三、现场监控端软件
现场监控端由一台工业控制计算机和RS232/CAN接口组成,现场监控端主要实现对食品气味参数进行采集和食品新鲜度分类,实现与检测节点的信息交互,现场监控端主要功能为通信参数设置、数据分析与数据管理和食品气味大数据处理子***见图4。食品质量大数据处理子***包括4个参数检测模块和食品质量分类器,4个参数检测模块分别为参数检测模块1、参数检测模块2、参数检测模块3和参数检测模块4,多个传感器阵列中的多个同一类型传感器输出分别作为的参数检测模块1、参数检测模块2、参数检测模块3和参数检测模块4中对应的多个按拍延迟线TDL的输入,4个参数检测模块输出对应的4种气味的梯形模糊数分别作为对应的食品分类器中的4个按拍延迟线TDL的输入,食品质量分类器输出的梯形模糊数代表食品新鲜度等级值;参数检测模块和食品质量分类器的设计过程如下:
1、参数检测模块设计
参数检测模块由多个按拍延迟线TDL(Tapped Delay Line)、多个LSTM神经网络模型、FLNN函数连接型神经网模型、NARX神经网络模型、T-S模糊神经网络模型、3个积分回路和动态递归小波神经网络模型组成,由2个积分算子S相串联构成一个积分回路,每个积分回路的2个积分算子S连接端作为动态递归小波神经网络模型的1个对应输入,每个积分回路的输出作为动态递归小波神经网络模型的1个对应输入;多个参数测量传感器输出分别作为对应的多个按拍延迟线TDL的输入,每个按拍延迟线TDL输出的一段时间的参数测量传感器值分别作为对应的LSTM神经网络模型的输入,多个LSTM神经网络模型的输出分别作为FLNN函数连接型神经网模型、NARX神经网络模型和T-S模糊神经网络模型的输入,FLNN函数连接型神经网模型、NARX神经网络模型和T-S模糊神经网络模型的输出分别作为对应的每个积分回路的输入和动态递归小波神经网络模型对应的1个输入,动态递归小波神经网络模型的输出为代表一段时间多个参数测量传感器值大小的动态梯形模糊数为[a,b,c,d],[a,b,c,d]构成在一段时间内参数检测模块输出多个参数测量传感器值的动态梯形模糊数值,a、b、c和d分别代表参数测量传感器值的最小值、极小值、极大值和最大值,参数检测模块把一段时间多个参数测量传感器值转换为被测量参数的梯形模糊数值。LSTM神经网络模型、FLNN函数连接型神经网模型、NARX神经网络模型、T-S模糊神经网络模型和动态递归小波神经网络模型设计过程如下:LSTM神经网络残差预测模型由长短期记忆(LSTM)单元组成的时间递归神经网络(RNN)称为LSTM时间递归神经网络,通常也被称为LSTM网络。LSTM神经网络残差预测模型引入了记忆单元(Memory Cell)和隐藏层状态(Cell State)的机制来控制隐藏层之间的信息传递。一个LSTM神经网络的记忆单元内有3个门(Gates)计算结构分别是输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)。其中,输入门能控制新信息的加入或滤出;遗忘门能忘记需要丢掉的信息以及保留过去有用的信息;输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算,使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell),输入门(Input Gate),输出门(Output Gate)和忘记门(ForgetGate)组成。单元负责在任意时间间隔内记住值,三个门均可以被认为是传统的人工神经元,用于计算激活函数的加权总和。LSTM神经网络残差预测模型是可以持续较长时间短期记忆的模型,适合用于分类,预测时间序列等工作,LSTM有效防止了RNN训练时的梯度消失,长短期记忆(LSTM)网络是一种特殊的RNN。该模型可以学习长期的依赖信息,同时避免梯度消失问题。LSTM在神经元内部结构RNN的隐藏层的神经节点中,增加了一种被称为记忆单元(Memory Cell)的结构用来记忆过去的信息,并增加了三种门(Input、Forget、Output)结构来控制历史信息的使用。设输入食品气味浓度传感器输出值序列为(x1,x2,…,xT),隐含层状态为(h1,h2,…,hT),则t时刻有:
it=sigmoid(Whiht-1+WxiXt) (1)
ft=sigmoid(Whfht-1+WhfXt) (2)
ct=ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt) (3)
ot=sigmoid(Whoht-1+WhxXt+Wcoct) (4)
ht=ot⊙tanh(ct) (5)
其中it、ft、ot代表input门、forget门和output门,ct代表cell单元,Wh代表递归连接的权重,Wx代表输入层到隐含层的权重,sigmoid与tanh为两种激活函数。使用长短期记忆的时间递归神经网络模型来对食品气味浓度传感器值进行预测,该方法首先建立LSTM时间递归神经网络模型,利用预处理的食品气味浓度传感器值建立训练集并对模型进行训练,LSTM神经网络模型考虑了食品气味浓度传感器值数据的时序性和非线性,具有较高的预测精度。
FLNN函数型连接神经网络是一个函数型神经网络模型,该模型中的函数型连接的作用是将食品气味传感器值的输入模式的每个分量乘以整个模式向量,其结果是产生一个原始模式向量的张积。FLNN函数连接型神经网络通过对食品气味传感器值的输入模式预先进行非线性扩展,在FLNN函数型连接神经网络中引入“高阶”项,通过对食品气味传感器值的输入模式的非线性扩展,将食品气味传感器值输入模式映射到一个更大的模式空间,增强了食品气味食品气味传感器值输入信号的模式表达,大大简化了FLNN函数连接型神经网模型的网络结构。虽然FLNN函数连接型神经网模型输入的食品气味食品气味传感器值信息并没有增多,但FLNN函数连接型神经网模型模式的增强带来了FLNN函数连接型神经网模型的网络结构的简化和学习速度的提高,用单层网络就可以实现“监督”学习,相对于多层前向神经网络具有很大的优势。FLNN函数连接型神经网模型用单层网络实现监督学习,这个求解过程可由下述自适应监督学习算法完成。FLNN函数型连接神经网络模型的学习算法可由下式表示:
权值调整:
其中:Fi(k)、ei(k)和wn(k)分别为第i个输入模式的期望输出、估计输出、误差和函数型网络在第k步的第n个连接权;α为学习因子,影响稳定性和收敛速度。FLNN函数连接神经网络模型采用函数扩展的方式,对原始食品气味食品气味传感器值输入进行扩展,使原始食品气味食品气味传感器值输入转化到另外一个空间,将增强后的模式作为FLNN函数连接神经网络模型的网络输入层的输入,通过这种方法来更好地处理非线性问题;FLNN函数连接神经网络模型由输入层和输出层构成,没有隐含层,因此相较于传统神经网络,FLNN函数连接神经网络模型的网络计算量更小,训练速度更快。可以避免更新隐层权值,只需调整输出层权值,因而具有较快的收敛速度及较少的在线计算量,同时扩展食品气味食品气味传感器值输入变量,可提高FLNN函数连接神经网络模型的网络分辨能力。
NARX神经网络是一种带输出反馈连接的动态递归神经网络,在拓扑连接关系上可等效为有输入时延的BP神经网络加上输出到输入的时延反馈连接,其结构由输入层、时延层、隐层和输出层构成,其中输入层节点用于信号输入,时延层节点用于输入信号和输出反馈信号的时间延迟,隐层节点利用激活函数对时延后的信号做非线性运算,输出层节点则用于将隐层输出做线性加权获得最终网络输出。NARX神经网络第i个隐层节点的输出hi为:
NARX神经网络第j个输出层节点输出oj为:
本发明的NARX神经网络的输入为LSTM神经网络模型的输出。
T-S模糊神经网络模型包括前件网络和后件网络,(1)、前件网络。第1层为输入层,该层的节点数为n。第2层为模糊化层,对输入数据进行模糊化,各神经元执行相应的隶属度函数第3层为模糊规则层。第4层的结点数为m,该层实现归一化计算。(2)、后件网络。第1层是输入层,其中第0个节点的输入值x0=1,它的作用是提供模糊规则后件的常数项。第2层有m个节点,它的作用是计算每一条规则后件:
第3层计算***输出:
通过网络学习算法调整第2层的隶属度函数的中心值cj和宽度bj以及后件网络的连接权pjk,为了简化起见,将参数pjk固定,这时每条规则的后件在简化结构中变成了一层的连接权。该简化结构与常规模型的T-S模糊神经网络模型具有完全相同的结构,可套用常规模型计算结果。
动态递归小波神经网络模型以小波网络为基础的动态改进,小波神经网络WNN(Wavelet Neural Networks)理论基础以小波函数为神经元的激励函数并结合人工神经网络提出的一种前馈型网络,小波神经网络中小波的伸缩、平移因子以及连接权重在对误差能量函数的优化过程中被自适应调整。设小波神经网络的输入信号可以表示为输入的一维向量xi(i=1,2,…,n),输出信号表示为yk(k=1,2,…,m),小波神经网络预测模型输出的计算公式为:
公式中ωij输入层i节点和隐含层j节点间的连接权值,为小波基函数,bj为小波基函数的平移因子,aj小波基函数的伸缩因子,ωjk为隐含层j节点和输出层k节点间的连接权值。本专利的动态递归小波神经网络模型与普通静态小波神经网络的区别在于动态递归小波神经网络模型具有两个起存储网络“内部状态”的作用关联层节点,在两个关联层节点上增加了具有固定增益的自反馈环,增强时间序列特征信息的记忆性能,从而增强对食品气味浓度演化轨迹的跟踪精度以确保更好的预测精度;第一关联层节点用来存储隐含层节点在前一时刻相点的状态,下一时刻再传递给隐含层节点;第二关联层节点是用来存储输出层节点在前一时刻相点的状态,下一时刻再传递给隐含层节点;隐含层和输出层的神经元的反馈信息都会影响动态递归小波神经网络模型的动态处理能力,两个关联层都属于动态递归小波神经网络模型内部的状态反馈,形成动态递归小波神经网络模型的递归性所特有的动态记忆性能,提高动态递归小波神经网络模型的准确性和动态性能;在动态递归小波神经网络模型的第一关联层节点与输出层节点之间增加了一组连接权值增强动态递归小波神经网络模型的动态逼近能力和提高食品安全的分类精度。本专利中的动态递归小波神经网络模型的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数,从而使动态递归小波神经网络模型输出不断逼近期望输出。
2、食品质量分类器设计
食品质量分类器由4个按拍延迟线TDL(Tapped Delay Line)、4个自联想神经网络、4个BAM神经网络和DRNN神经网络组成,4个参数检测模块输出的4种参数测量传感值的梯形模糊数分别作为对应的食品分类器中的4个按拍延迟线TDL的输入,4个按拍延迟线TDL输出的一段时间的4种参数测量传感器值的梯形模糊数分别作为对应的4个自联想神经网络的输入,4个自联想神经网络输出分别作为对应的4个BAM神经网络的输入,4个BAM神经网络输出的梯形模糊数和气室环境温度作为DRNN神经网络的输入,DRNN神经网络输出的梯形模糊数代表被检测的食品新鲜度等级值。自联想神经网络、BAM神经网络和DRNN神经网络设计过程如下:本专利的4个参数检测模型输出的4个食品气味梯形模糊数作为4个对应的按拍延迟线TDL的输入,3个按拍延迟线TDL输出一段时间的4个食品气味梯形模糊数作为对应的4个自联想神经网络的输入,4个自联想神经网络输出的代表该食品4种气味在一段时间的融合值的梯形模糊数。自联想神经网络(Auto-associative neural network,AANN),一种特殊结构的前馈神经网络,自联想神经网络结构包括一个输入层,一定数量的隐含层和一个输出层。首先通过输入层、映射层以及瓶颈层实现了输入数据信息的压缩,从网络输入的高维参数空间中提取了反映***结构的最具代表性的低维子空间,同时有效地滤去了食品气味浓度输入数据中的噪声和测量误差,再通过瓶颈层、解映射层和输出层实现数据的解压缩,将前面压缩的信息还原到各个食品气味浓度参数值,从而实现各食品气味浓度输入数据的重构。为了达到食品气味浓度信息压缩的目的,自联想神经网络络瓶颈层节点数目明显小于输入层,又为了防止形成输入输出层之间的简单单一映射,除了输出层激励函数采用线形函数外,其它各层均采用非线形的激励函数。从本质来讲,自联想神经网络的隐含层第一层叫作映射层,映射层的节点传递函数可能是S型函数也可能是其他类似的非线性函数;隐含层第二层叫做瓶颈层,瓶颈层的维数是网络中最小的,它的传递函数可能是线性的或者是非线性,瓶颈层避免了那种很容易实现的一对一的输出和输入相等的映射关系,它使网络对食品气味浓度信号进行编码和压缩得到食品气味浓度输入传感器数据的相关模型,并在瓶颈层后进行解码和解压缩以产生食品气味浓度输入信号的估计值;隐含层第三层或最后一层叫做解映射层,解映射层的节点传递函数是通常是非线性的S型函数,自联想神经网用误差反向传播算法来训练。
BAM神经网络是一种反馈型的双向联想记忆神经网络,通过多次反馈训练的模式来进行食品气味浓度的进一步预测,它具有联想记忆食品气味浓度值功能,自适应性能力强,自动提取食品气味浓度值的优点,并且预测误差较小,自出现以来便得到广泛应用;BAM神经网络拓扑结构中,网络输入端的初始模式为x(t),通过权值矩阵W1加权后到达输出端y端,经过输出节点的转移特性fy的非线性变换和W2矩阵加权后返回到输入端x,再经过x端输出节点转移特性fx的非线性变换,变为输入端x的输出,反复这一运行过程,BAM神经网络状态转移方程见式(13)。
DRNN神经网络分类器是一种具有反馈的动态回归神经网络和适应时变特性的能力,该网络能够更直接生动地反映食品气味分类动态变化性能,可以精确分类食品气味的新鲜度,DRNN神经网络分类器为3层网络结构,其隐层为回归层,在本专利DRNN神经网络分类器中,设I=[I1(t),I2(t),…,In(t)]为网络输入向量,其中Ii(t)为食品气味分类器DRNN网络输入层第i个神经元t时刻的输入,回归层第j个神经元的输出为Xj(t),Sj(t)为第j个回归神经元输入总和,f(·)为S的函数,则O(t)为DRNN神经网络分类器的输出。则DRNN神经网络分类器的输出层输出为:
4个BAM神经网络模型输出的梯形模糊数和气室温度为DRNN神经网络分类器的输入,DRNN神经网络分类器输出的梯形模糊数代表食品安全等级值。DRNN神经网络分类器输出的梯形模糊数表示食品安全等级值;根据食品安全的工程实践,DRNN神经网络分类器把食品安全分为一般安全、比较安全、很安全、不安全和很不安全对应不同的5个不同的梯形模糊数,计算DRNN神经网络分类器输出的梯形模糊数输出的梯形模糊数与代表5种安全等级的5个梯形数的相似度,其中相似度最大的梯形模糊数对应的食品安全等级确定为该食品安全等级。构建5个梯形模糊数与食品安全的5种程度等级的对应关系表,食品安全等级与梯形模糊数的对应关系如下,见表1。
表1食品安全等级与梯形模糊数对应关系表
序号 | 安全等级 | 梯形模糊数 |
1 | 一般安全 | (0.0,0.05,0.15,0.3) |
2 | 比较安全 | (0.1,0.15,0.3,0.4) |
3 | 很安全 | (0.3,0.35,0.45,0.7) |
4 | 不安全 | (0.6,0.75,0.8,0.9) |
5 | 很不安全 | (0.8,0.85,0.9,1.0) |
四、一种食品质量检测***的设计举例
根据食品新鲜度检测的实际状况,***布置了食品气味采集平台的样品室、气流管、气室、风扇、检测节点、传感器阵列和现场监控端的平面布置安装图,其中传感器阵列根据检测的需要均衡布置在气室的各个方位,通过该***实现对食品气味参数的采集与食品新鲜度等级的分类。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.一种食品质量检测***,其特征在于:所述检测***包括食品气味采集平台、食品质量大数据处理子***,检测***实现对食品气味参数检测和食品新鲜度分类;
所述食品质量大数据处理子***包括参数检测模块和食品质量分类器,多个传感器阵列中的多个同一类型传感器输出分别作为对应的参数检测模块对应的按拍延迟线TDL的输入,参数检测模块输出对应气味的梯形模糊数分别作为对应的食品分类器中的按拍延迟线TDL的输入,食品质量分类器输出的梯形模糊数代表食品新鲜度等级值。
2.根据权利要求1所述的一种食品质量检测***,其特征在于:所述参数检测模块包括按拍延迟线TDL、LSTM神经网络模型、FLNN函数连接型神经网模型、NARX神经网络模型、T-S模糊神经网络模型、积分回路和动态递归小波神经网络模型,由2个积分算子S相串联构成一个积分回路,每个积分回路的2个积分算子S连接端作为动态递归小波神经网络模型的对应输入,每个积分回路的输出作为动态递归小波神经网络模型的对应输入;参数测量传感器输出分别作为对应的多个按拍延迟线TDL的输入,每个按拍延迟线TDL输出的一段时间的参数测量传感器值分别作为对应的LSTM神经网络模型的输入,多个LSTM神经网络模型的输出分别作为FLNN函数连接型神经网模型、NARX神经网络模型和T-S模糊神经网络模型的输入,FLNN函数连接型神经网模型、NARX神经网络模型和T-S模糊神经网络模型的输出分别作为对应的每个积分回路的输入和动态递归小波神经网络模型对应的输入,动态递归小波神经网络模型的输出为代表一段时间多个参数测量传感器值大小的动态梯形模糊数,动态递归小波神经网络模型的输出作为参数检测模块的输出。
3.根据权利要求1或2所述的一种食品质量检测***,其特征在于:所述食品质量分类器包括按拍延迟线TDL、自联想神经网络、BAM神经网络和DRNN神经网络组成,参数检测模块输出的参数测量传感值的梯形模糊数分别作为对应的食品分类器中的按拍延迟线TDL的输入,按拍延迟线TDL输出的一段时间的参数测量传感器值的梯形模糊数分别作为对应的自联想神经网络的输入,自联想神经网络输出分别作为对应的BAM神经网络的输入,BAM神经网络输出的梯形模糊数和气室环境温度作为DRNN神经网络的输入,DRNN神经网络输出的梯形模糊数代表被检测的食品新鲜度等级值。
4.根据权利要求3所述的一种食品质量检测***,其特征在于:所述DRNN神经网络分类器把食品安全分为一般安全、比较安全、很安全、不安全和很不安全对应不同的5个不同的梯形模糊数,计算DRNN神经网络分类器输出的梯形模糊数输出的梯形模糊数与代表5种安全等级的5个梯形数的相似度,其中相似度最大的梯形模糊数对应的食品安全等级确定为该食品安全等级。
5.根据权利要求1所述的一种食品质量检测***,其特征在于:所述食品气味采集平台包括样品室、气流管、气室、多个传感器阵列、检测节点、风扇和现场监控端;样品室的食品挥发的气味通过气流管和气室的进气阀被风扇吸入到气室内,与多个检测节点的多个传感器阵列反应后产生气味信号,通过检测节点的CAN接口和现场监控端的RS232/CAN接口传输给现场监控端,现场监控端的食品质量大数据处理子***对气室内的食品气味进行处理,识别出样品室内食品新鲜度等级。
6.根据权利要求5所述的一种食品质量检测***,其特征在于:所述多个传感器阵列分别布置在气室的侧面、底部、中间垂直面和顶部的不同位置可以实现对食品散发出的气味进行一个侧面或者几个侧面、一个平面或者几个平面、一个垂直面或者几个垂直面以及侧面、平面和垂直面同时进行全面检测,每个传感器阵列由对食品气味有敏感性的传感器1、传感器2、传感器3和传感器4不同类型的4种不同型号传感器组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110043460.2A CN112903929A (zh) | 2021-01-13 | 2021-01-13 | 一种食品质量检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110043460.2A CN112903929A (zh) | 2021-01-13 | 2021-01-13 | 一种食品质量检测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112903929A true CN112903929A (zh) | 2021-06-04 |
Family
ID=76112864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110043460.2A Pending CN112903929A (zh) | 2021-01-13 | 2021-01-13 | 一种食品质量检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112903929A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114418183A (zh) * | 2021-12-20 | 2022-04-29 | 淮阴工学院 | 畜禽健康体征大数据物联网检测*** |
CN115905938A (zh) * | 2022-10-24 | 2023-04-04 | 淮阴工学院 | 基于物联网储罐安全监测方法及*** |
CN117541125A (zh) * | 2023-12-25 | 2024-02-09 | 淮阴工学院 | 一种食品品质智能检测方法及其装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050178185A1 (en) * | 2004-02-12 | 2005-08-18 | Universidad De Buenos Aires | Device for analysing matter |
CN203745367U (zh) * | 2013-12-10 | 2014-07-30 | 六安职业技术学院 | 猪肉新鲜度智能检测仪 |
CN110119086A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 |
CN110163254A (zh) * | 2019-04-19 | 2019-08-23 | 淮阴工学院 | 一种基于递归神经网络的黄瓜温室产量智能化预测装置 |
CN110702852A (zh) * | 2019-09-10 | 2020-01-17 | 淮阴工学院 | 一种基于物联网的多油气浓度传感器的智能监测*** |
AU2020100953A4 (en) * | 2020-06-05 | 2020-07-16 | D, Vijayakumar DR | Automated food freshness detection using feature deep learning |
CN111461187A (zh) * | 2020-03-20 | 2020-07-28 | 淮阴工学院 | 一种建筑物沉降智能检测*** |
CN111476278A (zh) * | 2020-03-20 | 2020-07-31 | 淮阴工学院 | 一种气体浓度智能化检测*** |
-
2021
- 2021-01-13 CN CN202110043460.2A patent/CN112903929A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050178185A1 (en) * | 2004-02-12 | 2005-08-18 | Universidad De Buenos Aires | Device for analysing matter |
CN203745367U (zh) * | 2013-12-10 | 2014-07-30 | 六安职业技术学院 | 猪肉新鲜度智能检测仪 |
CN110119086A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 |
CN110163254A (zh) * | 2019-04-19 | 2019-08-23 | 淮阴工学院 | 一种基于递归神经网络的黄瓜温室产量智能化预测装置 |
CN110702852A (zh) * | 2019-09-10 | 2020-01-17 | 淮阴工学院 | 一种基于物联网的多油气浓度传感器的智能监测*** |
CN111461187A (zh) * | 2020-03-20 | 2020-07-28 | 淮阴工学院 | 一种建筑物沉降智能检测*** |
CN111476278A (zh) * | 2020-03-20 | 2020-07-31 | 淮阴工学院 | 一种气体浓度智能化检测*** |
AU2020100953A4 (en) * | 2020-06-05 | 2020-07-16 | D, Vijayakumar DR | Automated food freshness detection using feature deep learning |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114418183A (zh) * | 2021-12-20 | 2022-04-29 | 淮阴工学院 | 畜禽健康体征大数据物联网检测*** |
CN115905938A (zh) * | 2022-10-24 | 2023-04-04 | 淮阴工学院 | 基于物联网储罐安全监测方法及*** |
CN115905938B (zh) * | 2022-10-24 | 2024-04-05 | 淮阴工学院 | 基于物联网储罐安全监测方法及*** |
CN117541125A (zh) * | 2023-12-25 | 2024-02-09 | 淮阴工学院 | 一种食品品质智能检测方法及其装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112903929A (zh) | 一种食品质量检测*** | |
CN112904756B (zh) | 一种管网大数据检测*** | |
CN111476278B (zh) | 一种气体浓度智能化检测*** | |
CN111461413B (zh) | 一种公路路面使用性能检测*** | |
CN115016276B (zh) | 智能水分调节与环境参数物联网大数据*** | |
CN111461187B (zh) | 一种建筑物沉降智能检测*** | |
CN112881601B (zh) | 一种基于云平台的水分检测*** | |
CN115905938B (zh) | 基于物联网储罐安全监测方法及*** | |
CN113281465A (zh) | 一种畜禽舍养殖环境有害气体检测*** | |
CN114839881B (zh) | 智能化垃圾清理与环境参数大数据物联网*** | |
CN114397043B (zh) | 多点温度智能检测*** | |
CN114911185A (zh) | 基于云平台和移动端App的安防大数据物联网智能*** | |
CN115687995A (zh) | 大数据环境污染监测方法及*** | |
CN115128978A (zh) | 物联网环境大数据检测与智能监控*** | |
CN112911533B (zh) | 一种基于移动端App的温度检测*** | |
CN113255739A (zh) | 一种鱼饲料检测与配方*** | |
CN114970745B (zh) | 物联网智能安防与环境大数据*** | |
CN117232817A (zh) | 电动阀智能化的大数据监测方法及物联网*** | |
CN113283642A (zh) | 一种家禽饲料检测与配方*** | |
CN115062764B (zh) | 光照度智能调节与环境参数物联网大数据*** | |
CN114358244B (zh) | 基于物联网的压力大数据智能检测*** | |
CN114386672B (zh) | 环境大数据物联网智能检测*** | |
CN114390376B (zh) | 火灾大数据远程探测与预警*** | |
CN114995248A (zh) | 智能养护与环境参数大数据物联网*** | |
CN112906856A (zh) | 一种基于云平台的畜禽舍环境温度检测*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |