本发明属于生鲜食品的卫生品质及新鲜度的检测,具体涉及一种生鲜食品新鲜度检测方法。
背景技术:
1、随着我国经济的不断发展和人民生活水平的提高,广大消费者对食品质量和安全的要求越来越高,尤其是对于生鲜食品的卫生品质及新鲜度的检测要求更为严格。生鲜食品物流主要包括采摘、分类、包装、储存、运输和销售等环节。储存和运输是生鲜食品物流中最为关键的环节,其质量直接影响生鲜食品的新鲜度和品质。在储存和运输过程中,必须保持适宜的温度、湿度和通风条件,以延长生鲜食品的保质期。随着物联网技术的发展,温度、湿度、氧气、二氧化碳、乙烯等农产品物流参数逐步纳入监测范畴,监测参数逐步多样化,呈现出从单纯温度到多参数监测以及新鲜度智能监测的趋势。尤其是生鲜食品物流微环境中的气体成分参数对生鲜食品品质的影响作用凸显,目前已经成为重要的研究趋势和关注的焦点。
2、传统的生鲜食品理化检测方法需要复杂的实验设备,时间和人力成本较高,对食品的破坏性较大,不利于实时检测生鲜食品的新鲜度。气体传感器具有成本低、响应速度快、测量浓度范围广、易实现大批量生产、操作简单且能进入人类所不能进入的场所等特点,在当前气体/气味检测领域的研究和应用中占有主导地位。尤其气体传感技术迅猛发展,灵敏度高、功耗低、尺寸小的金属氧化物半导体(metal oxide semiconductor,mos)型气体传感器被广泛关注。气体传感器技术自20世纪80年代提出,随着信号处理技术的飞速发展而逐渐成为气体检测和分析仪器的核心技术,在工业领域大气污染、工业废气和建筑环境等)、农业(食品)领域(以电子鼻的形式应用于品种分类、新鲜度评估、检测)中都有广泛的应用研究。
3、过去的研究中,由于生鲜食品腐败过程中挥发出的气体种类繁多,仅凭单气体传感器很难全面、正确检测出生鲜食品的新鲜度。气体传感器阵列技术可以综合评估气体整体信息的潜力,成为生鲜食品新鲜度检测的有力手段。但气体传感器阵列组成复杂、模式种类繁多。目前,对生鲜新鲜度检测的需求不断升级,实际应用中需要结合考虑经济成本和传感器技术的整体检测效果。随着深度学习的不断发展,其具备的优势推动了基于单传感器特征提取与分类评价方法在生鲜食品新鲜度检测的探索空间。因此,本发明结合深度学习,设计了一种基于单传感器的生鲜食品新鲜度检测方法。
技术实现思路
1、为了克服现有技术中的问题,本发明提出了一种生鲜食品新鲜度检测方法。
2、本发明解决上述技术问题的技术方案如下:
3、本发明提供了一种生鲜食品新鲜度检测方法,包括以下步骤:
4、步骤100.选择气体传感器,采用所选气体传感器获取食品气味的响应信号,建立对应食品的新鲜度气味响应数据集;
5、步骤200.对所述新鲜度气味响应数据集中气体传感器响应信号进行数据预处理,对预处理后的传感器响应信号提取波形特征、统计量特征和变换域特征,并对其进行归一化处理;
6、步骤300.基于随机森林的gini重要度计算传感器响应信号提取波形特征、统计量特征和变换域特征的重要度,将所述特征按照重要度由大到小依次送入深度学习或模式识别模型,参照食品新鲜度评价标准对生鲜食品新鲜度进行评价,建立食品新鲜度评价模型;
7、步骤400.在被测环境的新鲜度测试系统中嵌入上述新鲜度评价模型,对生鲜食品新鲜度进行评价。
8、进一步地,所述步骤200中对所述新鲜度气味响应数据集中气体传感器响应信号进行数据预处理,所述预处理包括滤波处理和去基线处理:
9、所述滤波处理采用s-g滤波器参数设置为阶数为1,窗口宽度为31;
10、所述去基线处理采用分式差分法,具体公式为:
11、
12、式中,vt代表t时刻基线处理前的传感器响应值;xt代表去基线处理后t时刻的传感器值;vair代表空气中传感器的响应值。
13、进一步地,所述步骤200中对预处理后的传感器响应信号提取波形特征,包括:
14、波形特征包括稳态值vss、最大正斜率kmax+和最大负斜率kmax-,对应计算方法如下:
15、
16、kmax+=max(xn+1-xn)(0≤n<n,n∈z);
17、kmax-=|min(xn+1-xn)|(0≤n<n,n∈z);
18、式中,xn为经过预处理后的传感器响应曲线在第n秒的取值,xn+1为经过预处理后的传感器响应曲线在第n+1秒的取值,|·|表示绝对值,n表示单个样本中的一个传感器所包含的样本点的个数,z表示整数,i表示稳态起始样本序号,j表示稳态终了样本序号。
19、进一步地,所述统计量特征中提取了方差var、偏度值sk和峰度值ku三种,对应计算方法如下:
20、
21、
22、
23、式中,n表示单个样本中的一个传感器所包含的样本点的个数,xn表示该传感器信号中第n个样本点的取值,x表示该传感器所有样本点取值的平均值。
24、进一步地,所述变换域特征包括快速傅里叶变换的幅频特性特征及db5小波离散小波变换分量特征,将所述快速傅里叶变换的幅频特性特征及db5小波离散小波变换分量特征分别进行pca降维,保留前5个主成分。
25、进一步地,所述步骤300中包括:构建一维卷积神经网络评价模型;分析特征重要度,进而按照特征重要度由大到小将特征依次送入所述一维卷积神经网络评价模型中,获得新鲜度评价结果,若达到评价结果准确阈值;将所述输入的特征进行组合,并基于所构建的一维卷积神经网络评价模型,建立食品新鲜度评价模型。
26、进一步地,所述一维卷积神经网络评价模型为一维卷积神经网络,其包括一层卷积层、一层最大池化层、一层展平层和两层全连接层。
27、与现有技术相比,本发明具有如下技术效果:
28、本发明根据生鲜食品的气味挥发成分特点选择合适的传感器,对生鲜食品进行气味测试,建立生鲜食品新鲜度气味响应数据集;提取数据集样本的波形特征、统计量特征等特征;为新鲜度评价设计了一维卷积神经网络评价模型,先通过随机森林算法分析特征重要度,进而按照特征重要度由大到小将特征依次送入模型中,建立食品新鲜度评价模型;结果表明,利用随机森林特征重要度排序得到的特征集合结合一维卷积神经网络算法对生鲜食品进行新鲜度的检测准确率能够达到92%以上;本发明为冷链或日常存储场景中生鲜食品新鲜度的检测设备构建提供了具体的参考。
1.一种生鲜食品新鲜度检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种生鲜食品新鲜度检测方法,其特征在于,所述步骤200中对所述新鲜度气味响应数据集中气体传感器响应信号进行数据预处理,所述预处理包括滤波处理和去基线处理:
3.根据权利要求1所述的一种生鲜食品新鲜度检测方法,其特征在于,所述步骤200中对预处理后的传感器响应信号提取波形特征,包括:
4.根据权利要求3所述的一种生鲜食品新鲜度检测方法,其特征在于,所述统计量特征中包括方差var、偏度值sk和峰度值ku三种,对应计算方法如下:
5.根据权利要求4所述的一种生鲜食品新鲜度检测方法,其特征在于,所述变换域特征包括快速傅里叶变换的幅频特性特征及db5小波离散小波变换分量特征,将所述快速傅里叶变换的幅频特性特征及db5小波离散小波变换分量特征分别进行pca降维,保留前5个主成分。
6.根据权利要求1所述的一种生鲜食品新鲜度检测方法,其特征在于,所述步骤300中包括:构建一维卷积神经网络评价模型;通过随机森林算法分析特征重要度,进而按照特征重要度由大到小将特征依次送入所述一维卷积神经网络评价模型中,获得新鲜度评价结果,若达到评价结果准确阈值,将所述输入的特征进行组合,并基于所构建的一维卷积神经网络评价模型,建立食品新鲜度评价模型。
7.根据权利要求6所述的一种生鲜食品新鲜度检测方法,其特征在于,所述一维卷积神经网络评价模型为一维卷积神经网络,其包括一层卷积层、一层最大池化层、一层展平层和两层全连接层。