[發明專利]一種基于機器學習的人工鼻冰箱食品新鮮度檢測方法及系統

在審

• 申請號: 202111312254.3
• 申請日: 2021-11-08
• 公開（公告）號: CN114113471A
• 公開（公告）日: 2022-03-01
• 發明（設計）人: 章偉;朱曉龍;劉嘉明;朱亞龍;胡雪峰
• 申請（專利權）人: 滁州怡然傳感技術研究院有限公司
• 主分類號: G01N33/00
• 分類號: G01N33/00
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 殷星

1.一種基于機器學習的冰箱食品新鮮度檢測方法，其特征在于，包括以下步驟：

S1：利用傳感器陣列獲得冰箱內食物揮發氣體的原始響應數據集X；

S2：將原始響應數據集X進行中值濾波處理得到樣本集X_m；

S3：將樣本集X_m按照3∶1的比例隨機劃分為訓練樣本集X_train及測試樣本集X_test；

S4：先對訓練樣本集X_train中數據進行標準化處理，然后按照訓練樣本集標準化處理時的統計特征對測試樣本集X_test進行標準化處理；

S5：對標準化處理后的訓練樣本集X_{train_std}和測試樣本集X_{test_std}進行特征降維生成新的特征子集X_{train_pca}和X_{test_pca}，減小系統的計算量；

S6：利用機器學習分類算法對降維后的訓練樣本集X_{train_pca}進行訓練，得到模型的最優參數，然后測試樣本集X_{test_pca}中冰箱食物樣本的新鮮度進行分類識別，驗證模型的預測性能。

2.根據權利要求1中的一種基于機器學習的冰箱食品新鮮度檢測方法，其特征在于，步驟S2具體為：把某一時刻傳感器的原始響應值用該點的一個鄰域窗口中所有響應值的中值代替，如式(1)所示：

X_m(i)＝Median{X(i-n)，…X(i)，…X(i+n)} (1)

其中：X(i)為某一時刻傳感器的原始響應值，鄰域窗口長度L＝2n+1，n為正整數，X_m(i)為濾波后的響應值。

3.根據權利要求1中的一種基于機器學習的冰箱食品新鮮度檢測方法，其特征在于，步驟S4中，標準化處理具體包括以下步驟：

S41：計算訓練樣本集中特征的均值

S42：計算訓練樣本集中特征的標準差σ；

S43：對訓練樣本集X_train和測試樣本集X_test分別進行標準化處理采用如下公式(2)：

其中，X_train和X_test分別為訓練樣本集和測試樣本集濾波后響應數據，X_{train_std}為訓練樣本集標準化處理后數據，X_{test_std}為測試樣本集標準化處理后數據。

4.根據權利要求1中的一種基于機器學習的冰箱食品新鮮度檢測方法，其特征在于，步驟S5中降維算法采用主成分分析法PCA進行降維，具體步驟如下：

S51：對步驟4中標準化后的樣本數據求出協方差矩陣C；

S52：計算協方差矩陣C的特征值和對應的特征向量；

S53：將特征值按照從大到小依次排列，計算每個特征值的方差貢獻率E_j，如式(3)所示：

其中，λ_j為第j個特征值，為所有特征值的累加和；

S54：將主成分累計方差貢獻率閾值設置為95％，選取方差貢獻率大于閾值的前幾個特征值對應的特征向量組成映射矩陣W，通過映射矩陣W得到新的低維特征子集X_{train_pca}和X_{test_pca}，以實現既保留了關鍵信息，又降低了訓練數據的維數，從而間接提高分類模型的訓練效率與調度性能。

5.根據權利要求4中的一種基于機器學習的冰箱食品新鮮度檢測方法，其特征在于，步驟S6中的機器學習分類算法為極端梯度提升算法XGBoost、K近鄰KNN、隨機森林RF、支持向量機SVM或BP神經網絡BPNN中的一種，在模型訓練過程中使用網格搜索進行超參數調優，得到各超參數的最優值，為分類模型提供最優參數組合，使分類模型的預測性能最大化。

6.利用權利要求1所述的基于機器學習的人工鼻冰箱食品新鮮度檢測方法達的系統，其特征在于，包含人工鼻設備、顯示模塊和上位機，所述人工鼻設備主要用于采集冰箱內食物的氣體指紋信息，然后傳輸給上位機分析，并接受上位機的分析結果，反饋給顯示模塊；所述顯示模塊包括綠、黃、紅三色燈，分別代表冰箱內食物新鮮度處于新鮮、次新鮮、腐爛三種狀態，用于顯示冰箱食品新鮮度的檢測結果；所述人工鼻設備包含傳感器陣列、控制器及無線模塊，所述傳感器陣列包括溫濕度傳感器和6個對冰箱內食物揮發氣體有響應的氣體傳感器；所述控制器連接著傳感器陣列、無線模塊和顯示模塊；所述無線模塊將傳感器陣列采集冰箱食物揮發氣體得到的響應數據X發送至上位機，并接受上位機的分析結果然后反饋給控制模塊。