【技術實現步驟摘要】
本專利技術涉及食品檢測，具體為一種基于食品檢測的信息處理方法。
技術介紹
1、食品安全是指食品在生產、加工、儲存和消費過程中，能夠保持其質量和安全性，確保不對消費者的健康造成危害，其直接關系到消費者的健康，在全球化的背景下，食品安全標準成為國際貿易的重要組成部分，因此食品檢測是確保食品安全的重要手段，通過檢測，可以識別食品中的有害物質如農藥殘留、重金屬以及添加劑等，確保食品符合安全標準，同時定期的食品檢測能夠及早發現潛在的安全隱患，防止食品安全事件的發生。
2、盡管食品檢測在保障食品安全方面發揮了重要作用，但在信息處理方面仍存在一些不足之處，不同檢測機構和實驗室之間的數據往往缺乏統一標準，導致信息孤島現象，難以進行有效的數據整合和共享，對于檢測數據的分析和處理能力方面難以從數據中提取有價值的信息。
技術實現思路
1、(一)解決的技術問題
2、針對現有技術的不足，本專利技術提供了一種基于食品檢測的信息處理方法，具備通過光譜儀與色譜儀進行食品成分分析，測量食品ph值、糖分、鹽分以及脂肪含量，記錄食品分析的數據以及圖像，運用算法公式對上述記錄的食品數據采取去除缺失值、異常值和重復數據的操作，將不同量綱的數據轉換為統一標準，并將數據進行歸一化用于消除量綱影響，對處理后的食品數據進行提取顏色直方圖與紋理特征，應用主成分分析法選擇對模型影響最大的特征，根據數據特性選擇支持向量機算法，使用已標注的數據集進行模型訓練，調整參數優化性能，并使用交叉驗證方法評估模型的泛化能力，
3、(二)技術方案
4、為實現上述目的，本專利技術提供如下技術方案：一種基于食品檢測的信息處理方法，包括以下步驟：
5、s1、獲取食品樣本，通過光譜儀與色譜儀進行食品成分分析，測量食品ph值、糖分、鹽分以及脂肪含量，記錄食品分析的數據以及圖像；
6、s2、通過算法公式對上述記錄的食品數據采取去除缺失值、異常值和重復數據的操作，將不同量綱的數據轉換為統一標準，并將數據進行歸一化用于消除量綱影響；
7、s3、對處理后的食品數據進行提取顏色直方圖與紋理特征，應用主成分分析法選擇對模型影響最大的特征；
8、s4、根據數據特性選擇支持向量機算法，使用已標注的數據集進行模型訓練，調整參數優化性能，并使用交叉驗證方法評估模型的泛化能力；
9、s5、評估模型的性能，計算模型準確率mxzq、模型召回率mxzh、模型f1分數mxfs，評估模型的分類效果；
10、s6、通過訓練好的模型對食品進行檢測，總結檢測結果生成檢測分析報告輸出在顯示端。
11、優選的，所述s2通過算法公式對上述記錄的食品數據采取去除缺失值，去除缺失值公式如下所示：
12、
13、公式中，wzsj表示去除缺失值的食品數據集，spsj表示原始食品數據集，spsji表示第i個原始食品樣本，xj表示第j個食品特征。
14、優選的，所述s2通過算法公式對上述記錄的食品數據采取去除異常值，去除異常值公式如下所示：
15、
16、qcqs＝{spsji∈wzsj||zxsdn|<thod}
17、公式中，zxsdn表示第i個食品樣本的z-score，xn表示第n個樣本的食品特征值，μ表示該特征的均值，σ表示該特征的標準差，z-score衡量的是樣本值與均值的偏離程度，單位為標準差，qcqs表示去除異常值的數據集，spsji表示第i個原始食品樣本，wzsj表示去除缺失值的食品數據集，thod取值為3，表示在均值的三倍標準差范圍內的樣本被認為是正常值，該公式表示從去除缺失值后的數據集中篩選出z-score絕對值小于閾值的樣本，形成新的數據集。
18、優選的，所述s2通過算法公式對上述記錄的食品數據采取去除重復數據，去除重復數據公式如下所示：
19、
20、公式中，qccf表示去除重復數據的食品數據集，qcqsk表示去除異常值的第k個食品數據，qcqs表示去除異常值的數據集，qcqsm表示去除異常值的第m個食品數據，pi、pj表示第i個與第j個食品樣本的特征向量，該公式表示從去除異常值后的數據集中篩選出沒有與其他樣本特征向量相同的樣本，形成新的數據集。
21、優選的，所述s2通過算法公式對上述記錄的食品數據采取去除缺失值、異常值和重復數據的操作，將不同量綱的數據轉換為統一標準，轉換公式如下所示：
22、
23、公式中，gy表示歸一化后的特征值，ys表示原始特征值，ysmin、ysmax表示該特征的最小值和最大值，該公式表示將特征值縮放到[0,1]的范圍內，使得不同量綱的數據在同一標準下進行比較。
24、優選的，所述s3對處理后的食品數據進行提取顏色直方圖，提取公式如下所示：
25、
26、公式中，h(sp)表示顏色sp的直方圖，i(x,y)表示圖像i在位置(x,y)的顏色值，δ(sp,i(x,y))表示kronecker?delta函數，當i(x,y)＝sp時取值為1，否則為0，該公式表示遍歷圖像中的每個像素，統計每種顏色出現的次數。
27、優選的，所述s3對處理后的食品數據進行提取紋理特征，提取公式如下所示：
28、
29、公式中，cons表示食品圖像的紋理特征，p(i,j)表示灰度級i與灰度級j的共生頻率，對比度衡量圖像中灰度級的變化程度，值越大表示紋理越復雜。
30、優選的，所述s5評估模型的性能，計算模型準確率mxzq，計算公式如下所示：
31、
32、公式中，mxzq表示模型準確率，tp表示實際為正類且被正確分類為正類的食品樣本數量，tn表示實際為負類且被正確分類為負類的食品樣本數量，fp表示實際為負類但被錯誤分類為正類的食品樣本數量，fn表示實際為正類但被錯誤分類為負類的食品樣本數量。
33、優選的，所述s5評估模型的性能，計算模型召回率mxzh，計算公式如下所示：
34、
35、公式中，mxzh表示模型召回率，tp表示實際為正類且被正確分類為正類的食品樣本數量，fn表示實際為正類但被錯誤分類為負類的食品樣本數量。
36、優選的，所述s5評估模型的性能，計算模型f1分數mxfs，計算公式如下所示：
37、
38、公式中，mxfs表示模型f1分數，mxzq表示模型準確率，mxzh表示模型召回率。
39、與現有技術相比，本專利技術提供了一種基于食品檢測的信息處理方法，具備以下有益效果：
40、本專利技術通過光譜儀與色譜儀進本文檔來自技高網...
【技術保護點】
1.一種基于食品檢測的信息處理方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于食品檢測的信息處理方法，其特征在于：所述S2通過算法公式對上述記錄的食品數據采取去除缺失值，去除缺失值公式如下所示：
3.根據權利要求2所述的一種基于食品檢測的信息處理方法，其特征在于：所述S2通過算法公式對上述記錄的食品數據采取去除異常值，去除異常值公式如下所示：
4.根據權利要求3所述的一種基于食品檢測的信息處理方法，其特征在于：所述S2通過算法公式對上述記錄的食品數據采取去除重復數據，去除重復數據公式如下所示：
5.根據權利要求4所述的一種基于食品檢測的信息處理方法，其特征在于：所述S2通過算法公式對上述記錄的食品數據采取去除缺失值、異常值和重復數據的操作，將不同量綱的數據轉換為統一標準，轉換公式如下所示：
6.根據權利要求5所述的一種基于食品檢測的信息處理方法，其特征在于：所述S3對處理后的食品數據進行提取顏色直方圖，提取公式如下所示：
7.根據權利要求6所述的一種基于食品檢測的信息處理方法，其特征在于：所
8.根據權利要求7所述的一種基于食品檢測的信息處理方法，其特征在于：所述S5評估模型的性能，計算模型準確率Mxzq，計算公式如下所示：
9.根據權利要求8所述的一種基于食品檢測的信息處理方法，其特征在于：所述S5評估模型的性能，計算模型召回率Mxzh，計算公式如下所示：
10.根據權利要求9所述的一種基于食品檢測的信息處理方法，其特征在于：所述S5評估模型的性能，計算模型F1分數Mxfs，計算公式如下所示：
...【技術特征摘要】
1.一種基于食品檢測的信息處理方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于食品檢測的信息處理方法，其特征在于：所述s2通過算法公式對上述記錄的食品數據采取去除缺失值，去除缺失值公式如下所示：
3.根據權利要求2所述的一種基于食品檢測的信息處理方法，其特征在于：所述s2通過算法公式對上述記錄的食品數據采取去除異常值，去除異常值公式如下所示：
4.根據權利要求3所述的一種基于食品檢測的信息處理方法，其特征在于：所述s2通過算法公式對上述記錄的食品數據采取去除重復數據，去除重復數據公式如下所示：
5.根據權利要求4所述的一種基于食品檢測的信息處理方法，其特征在于：所述s2通過算法公式對上述記錄的食品數據采取去除缺失值、異常值和重復數據的操作，將不同量綱的數據轉換為統一標準，轉換公...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。