[發(fā)明專利]一種便攜式熒光光譜快速檢測人工神經(jīng)網(wǎng)絡智能判別模型的建立方法

在審

• 申請?zhí)枺?/td>: 201910356715.3
• 申請日: 2019-04-29
• 公開（公告）號: CN110110842A
• 公開（公告）日: 2019-08-09
• 發(fā)明（設計）人: 顧海洋;孫艷輝;呂日琴;陳暉;劉淑蘭;步顯勇;蔡金鑫
• 申請（專利權(quán)）人: 滁州學院
• 主分類號: G06N3/02
• 分類號: G06N3/02;G01N21/64
• 代理公司: 合肥天明專利事務所(普通合伙) 34115
• 代理人: 趙瑜;金凱

本發(fā)明屬于食品快速檢測領域，具體涉及一種便攜式熒光光譜快速檢測人工神經(jīng)網(wǎng)絡智能判別模型的建立方法，主要通過訓練集食用植物油樣本的酸價和過氧化值等理化數(shù)值和熒光光譜數(shù)據(jù)進行關聯(lián)，建立食用植物油品質(zhì)智能檢測訓練集模型，再通過訓練集檢測模型對測試集中的未知食用植物油樣本進行模型預測，得到相關的未知食用植物油樣本理化數(shù)值，通過比較預測結(jié)果和實際檢測結(jié)果間的差別，對智能檢測模型進行評價，最終獲得最佳食用植物油智能檢測模型。本發(fā)明方法既可以對待測樣本熒光數(shù)據(jù)進行采集，又可以通過windows操作系統(tǒng)對便攜式熒光光譜檢測設備進行二次建模，可以對食用植物油特征性熒光物質(zhì)進行快速響應，應用于食用植物油真?zhèn)慰焖俦鎰e。

技術領域

本發(fā)明屬于食品快速檢測領域，具體涉及一種便攜式熒光光譜快速檢測人工神經(jīng)網(wǎng)絡智能判別模型的建立方法。

背景技術

熒光光譜檢測技術在食品質(zhì)量與安全快速檢測中具有重要的使用價值，在牛奶蛋白含量分析、火鍋底料羅丹明B成分檢測和肉制品獸藥殘留等方面得到了廣泛的應用。

目前，國內(nèi)待檢測樣本主要是通過將樣本送至具有熒光光譜檢測設備的大型實驗室進行檢測。雖然實驗室大型熒光檢測設備具有穩(wěn)定性好、靈敏度高和通用性強等優(yōu)點，但是實驗室大型設備同樣存在著體積大、價格昂貴、難以進行現(xiàn)場檢測等諸多缺陷，限制了熒光光譜快速檢測技術在線性和實時性檢測需求。隨著科學技術的發(fā)展和設備零配件的日益更新，熒光光譜檢測設備進一步向著小型化、智能化和便攜式的方向進行發(fā)展，為熒光檢測技術從實驗室走向食品企業(yè)在線檢測提供了物質(zhì)基礎和技術支持，為熒光光譜技術的推廣和應用提供了新的發(fā)展契機。

熒光光譜檢測技術在食用植物油真?zhèn)伪鎰e、品質(zhì)檢測和來源追溯等方面均有著廣泛的前期研究基礎和應用案例，但是一直受制于熒光設備難以便攜和智能化程度較低等缺陷，使得該技術在食品企業(yè)應用程度較低，難以滿足食品行業(yè)智能化、信息化發(fā)展需求。本發(fā)明采用熒光光譜技術和便攜式設備相結(jié)合，以一直食用油真?zhèn)螜z測為例，建立食用植物油真?zhèn)慰焖俦鎰e方法。

與此同時，本發(fā)明擬通過將熒光光譜設備各個組成元件進行系統(tǒng)性整合，構(gòu)建成一臺具有檢測功能的便攜式熒光光譜檢測設備。本發(fā)明的實施將有利于便攜式熒光光譜檢測設備快速開發(fā)，有利于食用植物油真?zhèn)伪鎰e為代表的食品品質(zhì)快速檢測和質(zhì)量保障，對食品企業(yè)的健康有序發(fā)展提供技術支持。

發(fā)明內(nèi)容

本發(fā)明目的在于提供一種便攜式熒光光譜快速檢測人工神經(jīng)網(wǎng)絡智能判別模型的建立方法，實現(xiàn)對食用植物油生產(chǎn)、加工和銷售過程中的真?zhèn)慰焖贆z測和智能辨別。

為了解決上述技術難題，本發(fā)明將熒光光譜設備和檢測技術應用于食用植物油市場的品質(zhì)智能檢測，具體技術方案如下：

一種便攜式熒光光譜快速檢測人工神經(jīng)網(wǎng)絡智能判別模型的建立方法，包括以下步驟：

1)選擇和采集具有代表性的食用植物油樣本N個，將其分為N₁個訓練集樣本和N₂個測試集樣本；其中，N、N₁、N₂均為自然數(shù)，且N＝N₁+N₂；

2)通過便攜式熒光光譜快速檢測設備獲取訓練集樣本的熒光光譜數(shù)據(jù)，作為智能檢測模型建模的輸入原數(shù)據(jù)；

3)通過國家標準中的檢測方法測得訓練集樣本中的理化指標數(shù)值，作為智能檢測模型建模的輸出數(shù)據(jù)；

4)對步驟2)中的訓練集樣本進行校正處理，去除熒光光譜數(shù)據(jù)中的干擾數(shù)據(jù)，作為智能檢測模型建模的輸入數(shù)據(jù)；

5)通過人工神經(jīng)網(wǎng)絡方法，以步驟3)所獲得的理化指標數(shù)值作為輸出數(shù)據(jù)，以步驟4)得到的預處理后的熒光光譜數(shù)據(jù)作為輸入數(shù)據(jù)，通過擬合獲得訓練集智能檢測模型；

6)對測試集樣本，通過與步驟2)相同的檢測參數(shù)獲得熒光光譜數(shù)據(jù)；