本发明属于食品安全技术领域，尤其涉及一种基于物联网的食品添加剂自动检测方法及系统。
背景技术：
目前，业内常用的现有技术是这样的：
目前，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、亚急性或者慢性危害，随着生活质量的提供，食品安全逐渐受到人们的重视，食品添加剂是为改善食品色、香、味等品质，以及为防腐和加工工艺的需要而加入食品中的人工合成或者天然物质，在现有技术中，某些商家为了追求利益在食品中添加非法食品添加剂，或者添加过量的食品添加剂，使得食品危害人体健康。
综上所述，现有技术存在的问题是：
现有的装置不能做到对食品添加剂进行一个很好的检测，不能够对不同形态的食品进行不同的检测处理，给使用者带来很多的不便，使得使用者在使用过程没有一个很好的便利；
同时在使用过程不能对装置进行一个很好的处理，导致检测结果不准确，而且现有的食品添加剂检测存在检测效率较低的技术问题。
在食品行业，食品添加剂质量评估依然严重依赖于手工检查，费用昂贵，容易受生理因素的影响，导致评估结果主观和不一致；传统识别的方法，识别率不高，检测过程复杂且效率低，未能提供高效快捷的检测方法。
技术实现要素：
针对现有技术存在的问题，本发明提供了一种基于物联网的食品添加剂自动检测方法及系统。
本发明是这样实现的，一种基于物联网的食品添加剂自动检测方法，所述基于物联网的食品添加剂自动检测方法包括：
使用高效液相色谱法，以液体为流动相，采用高压输液系统，将具有不同极性的单一溶剂或不同比例的混合溶液、缓冲液流动相泵入装有固定相的色谱柱，在色谱柱内各成分被分离后，进入与电路板连接的检测器进行检测，检测器通过集成的处理模块进行检测并分析，给定一组N个色谱柱训练图像及其标签，
其中每个二进制标签Ci是指示清洁或脏的位，并且类标签Ki表示添加剂的类别；Order-CNN提取高级特征表征其中f(·)表示在第一个完全连接的层中从输入图像到共享特征的非线性映射；F和b是滤波器的集合和所有卷积层的偏置；ζ和η是所有底层中的尺度和位移集合；令Θ＝(F，b，ζ，η)表示要学习提取特征的所有参数；Order-CNN模型中最后一个完全连接的层提取的特征x_i是在两个任务之间共享；和是添加剂分类的完全连接层中的权重矩阵和偏置向量，其中Dd是不同添加剂的总数，广泛的线性模型：被传入到softmax层以计算属于训练集中的每种添加剂的x_i的概率；
其中是中的第j种添加剂，softmax(·)函数将模型输出映射到所有添加剂的概率分布，最后，获得估计的添加剂：
指定的添加剂料顺序表示softmax；被传入到order softmax层以计算属于训练集中的订单的每种添加剂的xi概率；
其中是订单ot的中的第j个添加剂；顺序softmax(·)函数将模型输出映射到所有添加剂的概率分布，以ot为顺序，并且指数选择第Ki种添加剂；最后，获得估计的添加剂：
Order-CNN模型的训练目标是找到一个用于预测订单中的添加剂的订单特殊消费模型；给定一系列训练订单o1,o2,o3,…,Ot,，用于进行最小化平均负对数概率，然后采用交叉熵损失；
其中α+β＝1，log(p(yi|ot)；按顺序用于表示候选标签中预测分类的顺序的对数，log(p(yi|ot)；所有类别中可能存在yi的对数K用于表示所有类别标签中的预测分类，大的α导致订单指定的分类器，当两个候选标签再次共同出现时，导致更高的精度，小α导致一般的多类分类器，当两个候选标签以任何顺序共同出现时，导致更高的精度，当α或β为0时，成为订单指定模型或多类模型；
检测后的信号传输至电路板再到信号处理盒内集成的信息处理模块进行信息比对、分析；运用Apriori关联规则挖掘算法，在信息处理模块中进行分析和挖掘，得到添加剂检测数据影响因素，结合添加剂检测数据影响因素和添加剂检测数据标准数据，构建神经网络模型BP，产生神经网络模型BP的初始权值，对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值；运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP，获得预测模型AIGA-DBP，根据预测模型AIGA-DBP计算添加剂检测数据预测值，将比对、分析的结果显示于显示屏上。
进一步，运用Apriori关联规则挖掘算法具体包括以下步骤：
使用MapReduce计算模型得到频繁1项集的集合L1,产生候选k项集的集合Ck，k≥2；
在Map函数处理阶段，每个Map任务计算所处理的事务数据集中每个事务记录中包含在Ck中的项目集的出现次数，对于每个Map任务，候选k项集的某个项集出现在一个事务记录中，则Map函数产生并输出<某个项集，1>键值对给Combiner函数，由Combiner函数处理后交给Reduce函数；
在Reduce函数处理阶段，Reduce函数累加Ck中的项目集的出现次数，得到所有项目集的支持频度，所有支持频度≥设定的最小支持频度的项目集组成频繁项集Lk的集合，如果k＜最大的迭代次数且不为空，则执行k++，转入步骤S202；否则，结束运行。
进一步，产生神经网络模型BP初始权值的方法为：
将权值初始化为[a，b]之间的随机数，其中a，b为以下方程的整数：
其中H为网络隐含层节点数。
进一步，对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值；具体包括：
调整神经网络模型BP隐含层与输出层之间的权值wkj；
调整wkj的目的是希望输出节点j的新输出比当前输出opj更接近目标值tpj，定义：
其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数H的调整而变小，不考虑阈值，则有：
其中wkj和分别为更新前后的权值，ypk为隐含层输出，△wkj为wkj的改变量；
得到△wkj的求解方程：
其中，
根据最小平方和误差原则得到△wkj的近似解：
对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化△wkj，更新权值并计算平方和误差E，然后在k∈[1，H]区间选择一个最优的k，使得E最小；
调整神经网络模型BP输入层与隐含层之间的权值vik；
调整vik的目的是一旦神经网络算法陷入局部极小点，修改权值能够跳出该极小点，判断神经网络算法陷入局部极小点的条件是误差E的变化率△E＝0，且E>0；
隐含层节点k的权值的改变通过以下方程：
其中δpj＝f-1(ypk+Δypk)-f-1(ypk)，M为自然数，则隐含层输出ypk求解公式为：
其中△ypk为ypk的改变量，则有：
根据最小平方和误差原则构建的矩阵方程，得到：
计算隐含层与输出层之间权值的动态平均改变量
计算输入层与隐含层之间权值的动态平均改变量
M取10～20之间的自然数，获得神经网络模型BP的动态平均权值，根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP。
进一步，运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP的权植和阈值，获得预测模型AIGA-DBP具体包括以下步骤：
首先进行抗原识别，即均方误差的识别，产生初始的抗体后，进行抗体编码，然后计算抗体适应度和抗体浓度，根据计算的结果进行基于浓度的自适应抗体选择操作，若此操作满足条件，则获得合适的权值和阈值，并将结果输出；若此操作不满足条件，需要进行自适应交叉操作和自适应变异操作，并进行权值和阈值的更新，再重新计算抗体适应度和抗体浓度，直到获得满足条件的权值和阈值，最后根据满足条件的权值和阈值，获得预测模型AIGA-DBP。
本发明的另一目的在于提供一种实所述基于物联网的食品添加剂自动检测方法的计算机程序。
本发明的另一目的在于提供一种实现所述基于物联网的食品添加剂自动检测方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的基于物联网的食品添加剂自动检测方法。
本发明的另一目的在于提供一种实现所述基于物联网的食品添加剂自动检测方法的基于物联网的食品添加剂自动检测系统，所述基于物联网的食品添加剂自动检测系统设置有：
外壳；
外壳上端嵌有显示屏；所述显示屏周围设置有五个按钮，嵌在外壳上；外壳内部嵌有食品放置室，食品放置室有四个，依次为第一放置室、第二放置室、第三放置室、第四放置室；
食品放置室上端焊接有盒盖；色谱柱穿插在食品放置室中间；色谱柱通过导线与信号处理盒连接；电路板粘接在外壳内部的底面上；
信号处理盒放置在电路板上面，通过导线与信号处理盒连接，插口嵌在外壳的侧壁上；电路板与检测器连接，检测器分别与色谱柱、信号处理盒连接；
盒盖前端嵌有卡扣，用于锁住盒盖；
食品放置室上面放置有一层隔离玻璃。
本发明的另一目的在于提供一种搭载有所述基于物联网的食品添加剂自动检测系统的食品添加剂自动检测监控中心。
本发明的优点及积极效果为：
本发明解决了现有的食品添加剂检测存在检测效率较低的技术问题，实现了系统设计合理，自动对食物中的食品添加剂进行检测，检测效率较高的技术效果，而且放置室能够取出来，方便清洗。
本发明的方法中，当属性数量很大时，本发明会调整许多CNN模型，每个CNN模型都专门用于学习属性特定的表示。这些表示被用作MTL后期阶段的现成特征，因为本发明在优化多任务丢失功能的同时冻结了他们的训练。
与现有技术的方法相比，本发明使用训练中得到的0-1之间的系数来降低非订单类别的噪声，并通过一个添加剂检测结束时删减可能类别的方式来逐渐提高预测添加剂类别的精度，使得预测精度能够提高9个百分点。并且本发明使用可共享潜在任务矩阵，这对于在属性方面生成完整的输入图像非常有帮助。
本发明首先构建大数据分析平台，然后运用关联规则算法挖掘出食品添加剂检测影响因素，并构建神经网络模型BP，对神经网络模型BP的权值和阈值进行动态改进，从而获得动态神经网络模型DBP，再运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP获得预测模型AIGA-DBP，最后运用预测模型AIGA-DBP计算出食品添加剂检测预测值，提高检测效率。
本发明中运用了大数据分析技术，使得食品添加剂检测更为高效和准确，考虑更加全面，有效提高预测的准确性。
附图说明
图1是本发明实施例提供的基于物联网的食品添加剂自动检测系统的结构示意图；
图2是本发明实施例提供的食品放置室的结构示意图；
图中：1、食品放置室；2、导线；3、色谱柱；4、盒盖；5、电路板；6、信号处理盒；7、插口；8、外壳；9、按钮；10、显示屏；11、第一放置室；12、第二放置室；13、第三放置室；14、第四放置室。进入与电路板连接的检测器进行检测
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
如图1和图2所示，本发明实施例提供的基于物联网的食品添加剂自动检测系统，设置有食品放置室1、导线2、色谱柱3、盒盖4、电路板5、信号处理盒6、插口7、外壳8、按钮9、显示屏10、第一放置室11、第二放置室12、第三放置室13、第四放置室14。
外壳8上端嵌有显示屏10，所述显示屏10周围设置有五个按钮9，嵌在外壳8上，所述外壳8内部嵌有食品放置室1，所述食品放置室1有四个，依次为第一放置室11、第二放置室12、第三放置室13、第四放置室14，所述食品放置室1上端焊接有盒盖4，所述色谱柱3穿插在食品放置室1中间。
色谱柱3通过导线2与信号处理盒6连接，所述电路板5粘接在外壳8内部的底面上，所述信号处理盒6放置在电路板5上面，通过导线2与信号处理盒6连接，所述插口7嵌在外壳8的侧壁上，电路板5与检测器15连接。检测器15分别与色谱柱3、信号处理盒6连接。
盒盖4前端嵌有卡扣，能够锁住盒盖4。
食品放置室1上面放置有一层隔离玻璃，能够有效地隔绝各个放置室里的被检测食品成分，不会进入别的放置室。
本发明在使用时，首先把插口7接通电源，把所要检测的食品样品经过处理放置于食品放置室1中，不同种类的食品放置不同的食品放置室1，通过按动外壳8上的操作按钮9对被检测食品进行检测，检测使用的方法是高效液相色谱法，以液体为流动相，采用高压输液系统，将具有不同极性的单一溶剂或不同比例的混合溶液、缓冲液等流动相泵入装有固定相的色谱柱，在柱内各成分被分离后，进入检测器进行检测，传输至电路板5再到信号处理盒6，从而实现对试样的分析，最终检测的结果显示于显示屏10上面，通常分析一个样品在15～30分钟，有些样品甚至在5分钟内即可完成，一般小于1小时。
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的基于物联网的食品添加剂自动检测方法，包括：
使用高效液相色谱法，以液体为流动相，采用高压输液系统，将具有不同极性的单一溶剂或不同比例的混合溶液、缓冲液流动相泵入装有固定相的色谱柱，在色谱柱内各成分被分离后，进入与电路板连接的检测器进行检测，检测器通过集成的处理模块进行检测并分析，给定一组N个色谱柱训练图像及其标签，
其中每个二进制标签Ci是指示清洁或脏的位，并且类标签Ki表示添加剂的类别；Order-CNN提取高级特征表征其中f(·)表示在第一个完全连接的层中从输入图像到共享特征的非线性映射；F和b是滤波器的集合和所有卷积层的偏置；ζ和η是所有底层中的尺度和位移集合；令Θ＝(F，b，ζ，η)表示要学习提取特征的所有参数；Order-CNN模型中最后一个完全连接的层提取的特征x_i是在两个任务之间共享；和是添加剂分类的完全连接层中的权重矩阵和偏置向量，其中Dd是不同添加剂的总数，广泛的线性模型：被传入到softmax层以计算属于训练集中的每种添加剂的x_i的概率；
其中是中的第j种添加剂，softmax(·)函数将模型输出映射到所有添加剂的概率分布，最后，获得估计的添加剂：
指定的添加剂料顺序表示softmax；被传入到order softmax层以计算属于训练集中的订单的每种添加剂的xi概率；
其中是订单Ot的中的第j个添加剂；顺序softmax(·)函数将模型输出映射到所有添加剂的概率分布，以Ot为顺序，并且指数选择第Ki种添加剂；最后，获得估计的添加剂：
Order-CNN模型的训练目标是找到一个用于预测订单中的添加剂的订单特殊消费模型；给定一系列训练订单o1,o2,o3,…,Ot,，用于进行最小化平均负对数概率，然后采用交叉熵损失；
其中α+β＝1，log(p(yi|ot)；按顺序用于表示候选标签中预测分类的顺序的对数，log(p(yi|ot)；所有类别中可能存在yi的对数K用于表示所有类别标签中的预测分类，大的α导致订单指定的分类器，当两个候选标签再次共同出现时，导致更高的精度，小α导致一般的多类分类器，当两个候选标签以任何顺序共同出现时，导致更高的精度，当α或β为0时，成为订单指定模型或多类模型；
检测后的信号传输至电路板再到信号处理盒内集成的信息处理模块进行信息比对、分析；运用Apriori关联规则挖掘算法，在信息处理模块中进行分析和挖掘，得到添加剂检测数据影响因素，结合添加剂检测数据影响因素和添加剂检测数据标准数据，构建神经网络模型BP，产生神经网络模型BP的初始权值，对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值；运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP，获得预测模型AIGA-DBP，根据预测模型AIGA-DBP计算添加剂检测数据预测值，将比对、分析的结果显示于显示屏上。
运用Apriori关联规则挖掘算法具体包括以下步骤：
使用MapReduce计算模型得到频繁1项集的集合L1,产生候选k项集的集合Ck，k≥2；
在Map函数处理阶段，每个Map任务计算所处理的事务数据集中每个事务记录中包含在Ck中的项目集的出现次数，对于每个Map任务，候选k项集的某个项集出现在一个事务记录中，则Map函数产生并输出<某个项集，1>键值对给Combiner函数，由Combiner函数处理后交给Reduce函数；
在Reduce函数处理阶段，Reduce函数累加Ck中的项目集的出现次数，得到所有项目集的支持频度，所有支持频度≥设定的最小支持频度的项目集组成频繁项集Lk的集合，如果k＜最大的迭代次数且不为空，则执行k++，转入步骤S202；否则，结束运行。
进一步，产生神经网络模型BP初始权值的方法为：
将权值初始化为[a，b]之间的随机数，其中a，b为以下方程的整数：
其中H为网络隐含层节点数。
对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值；具体包括：
调整神经网络模型BP隐含层与输出层之间的权值wkj；
调整wkj的目的是希望输出节点j的新输出比当前输出opj更接近目标值tpj，定义：
其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数H的调整而变小，不考虑阈值，则有：
其中wkj和分别为更新前后的权值，ypk为隐含层输出，△wkj为wkj的改变量；
得到△wkj的求解方程：
其中，
根据最小平方和误差原则得到△wkj的近似解：
对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化△wkj，更新权值并计算平方和误差E，然后在k∈[1，H]区间选择一个最优的k，使得E最小；
调整神经网络模型BP输入层与隐含层之间的权值vik；
调整vik的目的是一旦神经网络算法陷入局部极小点，修改权值能够跳出该极小点，判断神经网络算法陷入局部极小点的条件是误差E的变化率△E＝0，且E>0；
隐含层节点k的权值的改变通过以下方程：
其中δpj＝f-1(ypk+Δypk)-f-1(ypk)，M为自然数，则隐含层输出ypk求解公式为：
其中△ypk为ypk的改变量，则有：
根据最小平方和误差原则构建的矩阵方程，得到：
计算隐含层与输出层之间权值的动态平均改变量
计算输入层与隐含层之间权值的动态平均改变量
M取10～20之间的自然数，获得神经网络模型BP的动态平均权值，根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP。
运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP的权植和阈值，获得预测模型AIGA-DBP具体包括以下步骤：
首先进行抗原识别，即均方误差的识别，产生初始的抗体后，进行抗体编码，然后计算抗体适应度和抗体浓度，根据计算的结果进行基于浓度的自适应抗体选择操作，若此操作满足条件，则获得合适的权值和阈值，并将结果输出；若此操作不满足条件，需要进行自适应交叉操作和自适应变异操作，并进行权值和阈值的更新，再重新计算抗体适应度和抗体浓度，直到获得满足条件的权值和阈值，最后根据满足条件的权值和阈值，获得预测模型AIGA-DBP。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。