本发明属于食品检测技术领域，公开了一种食品微生物快速检测系统及方法，检测系统包括：微生物检测模块，农药残留检测模块，重金属检测模块，湿度检测模块，检测数据处理模块，无线发射模块，报警模块；微生物检测模块，农药残留检测模块，重金属检测模块和湿度检测模块分别通过电路线连接检测数据处理模块；检测数据处理模块通过电路线分别连接无线发射模块和报警模块。本发明通可以提供更加全面的数据检测报告，保障食品的安全性；同时设置无线发射模块可以将检测数据通过无线方式发送给远程工作人员，节省人力，操作简单，工作效率高。
1.一种食品微生物快速检测系统，其特征在于，所述食品微生物快速检测系统包括：微生物检测模块、农药残留检测模块、重金属检测模块、湿度检测模块、检测数据处理模块、无线发射模块及报警模块；
所述微生物检测模块、农药残留检测模块、重金属检测模块和湿度检测模块分别通过无线或有线连接检测数据处理模块；所述检测数据处理模块通过无线或有线分别连接无线发射模块和报警模块；
所述微生物检测模块用于对食品微生物种类和含量进行检测；
所述农药残留检测模块用于对食品中的农药种类和含量进行检测；
所述重金属检测模块用于对食品中的重金属种类和含量进行检测；
所述检测数据处理模块用于对各个模块检测数据进行对比分析；
所述无线发射模块用于将检测数据处理模块的分析结果通过无线方式发送出去；
所述报警模块用于对将检测数据处理模块的分析结果中超标进行报警；
所述微生物检测模块包括：投影模块、数据采集模块、处理器模块、目标图像获取模块、非负图像获取模块、分解模块、稀疏化处理模块、重建模块；
所述投影模块用于对食品微生物种类进行投影拍照，并获得食品微生物种类和含量的数据；
所述处理器模块，用于对所述数据采集模块获取的投影数据进行处理；
所述目标图像获取模块，用于根据所述处理的投影数据进行迭代处理，以获取目标图像；
所述非负图像获取模块，用于对所述目标图像进行非负处理，获取所述目标图像的非负图像；
所述分解模块，用于对所述非负图像进行非线性分解，获取第一非负图像和第二非负图像；
所述稀疏化处理模块，用于对所述第一非负图像和第二非负图像进行稀疏化处理，获取满足预定条件的最优化稀疏解；
所述重建模块，用于根据所述最优化稀疏解获取重建图像；获取最终的食品微生物种类和含量数据；
所述目标图像获取模块根据所述处理的投影数据进行迭代处理，以获取目标图像中，迭代处理模型的公式表示为：其中，X为所述目标图像，M为系统矩阵，G为所述投影数据，i表示迭代次数，Xi表示第i次迭代后得到的迭代结果；λ表示收敛系数，且λ∈(0,1)，MT表示对矩阵M的转置；
设置所述目标图像的初始值，并根据预先设置的迭代次数利用所述迭代处理模型对所述目标图像中的每个像素点进行迭代更新，获取所述目标图像，所述迭代处理模型中的像素点的当前灰度值与前次迭代的灰度值一致逼近；
所述非负图像获取模块对所述目标图像进行非负处理中，将所述目标图像中灰度值小于0的像素点置零；
所述数据采集模块获取投影模块的投影数据之前，需先获取投影模块的投影图像序列集，对所述投影图像序列集进行预处理后获取所述投影数据；
所述检测数据处理模块用于对各个模块检测数据进行对比分析中，采用多变量分析方法进行分析，所述多变量分析方法包括：用n表示重建图像的个体总数，而各个体都有m个特征量，将得到的重建图像分为两组，一组是测试集，包含一个个体种类，一组是训练集，包括除测试集中所含多个体种类外的图像，共n-1个个体种类；
用所述训练集训练所述线性支持向量机，得出训练后支持向量机：根据以下公式计算得到权值向量w，w为一个m维列向量，其中的每个元素对应一个特征量；
其中，γ是惩罚参数，用来实现算法复杂度和错分样本数的折中；ξi测量错分程度；yi为每个食品种类的类属性；xi为每个个体种类的特征向量；b为常数；
将每个特征的n次权值求平均权值，并依据平均权值将特征由大到小进行排序，去除排序最低的特征量；
所得出的该轮n次测试中的分类正确率和上一轮n次测试的分类正确率比较的结果判断是否停止；
所述湿度检测模块对食品中水分检测接收信号y(t)表示为：y(t)＝x(t)+n(t)；
其中，x(t)为数字调制信号，n(t)为服从标准SαS分布的脉冲噪声，x(t)的解析形式表示为：其中，N为采样点数，an为发送的信息符号，在MASK信号中，an＝0，1，2，…，M-1，M为调制j2πε/M阶数，an＝e ，ε＝0,1,2,…,M-1，g(t)表示矩形成型脉冲，Tb表示符号周期，fc表示载波频率，载波初始相位 是在[0,2π]内均匀分布的随机数。
2.如权利要求1所述的食品微生物快速检测系统，其特征在于，对所述投影图像序列集进行预处理后获取所述投影数据；具体包括：提取种类特征和自适应LBP算子特征；
其中α是大于0的系数， 用来度量噪声和野点带来的误差；
输出伪投影图像序列集并得到最后准确的投影图像序列集。
3.如权利要求2所述的食品微生物快速检测系统，其特征在于，对所述投影图像序列集进行预处理后获取所述投影数据；还包括：投影图像序列集校正，输出准确的投影数据。
4.如权利要求2所述的食品微生物快速检测系统，其特征在于，提取自适应LBP算子特征算法的具体步骤如下：(1)将输入系统的图像转换成灰度图像，对图像{grayv(i,j)}像素灰度值求和，再获取平均值：(2)利用总的纹理特征去除背景，计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和，求其平均值：利用局部纹理特征去除背景，用3×3大小的滑动窗口，遍历图像，求取中心像素灰度值与周边像素灰度值之差，在每一个窗口图像内求取平均值：(3)拟合计算自适应阈值的方法：
5.如权利要求2所述的食品微生物快速检测系统，其特征在于，所述输出伪投影图像序列集并得到最后准确的投影图像序列集具体为：设置一个跳变函数f(i,j)，对疑似投影图像序列集进行精确定位，确定投影图像序列集的上下临界值：其中c(i,j)为
c(i,j)＝LBP8,1(i,j)-LBP8,1(i,j-1)上两式中i＝1,2,3,4,…N,j＝2,3,4,…M，因此任意一行i的跳变次数和S(i)为：如果任意一行跳变次数的和S(i≥12)，则这一行就有可能属于投影图像序列集；由上至下对整幅图像进行扫描，找出所有满足S(i≥12)的行，并记录下这一行的行数i；如果有连续的h行满足S(i≥12)，则得到一个宽度为M，高度为h的矩形区域，这个区域就有可能是投影图像序列集，因此不具有此特征的区域得到了排除。
6.一种如权利要求1所述食品微生物快速检测系统的食品微生物快速检测方法，其特征在于，所述食品微生物快速检测方法包括以下步骤：步骤一：微生物检测模块，农药残留检测模块，重金属检测模块，湿度检测模块将检测数据传送给检测数据处理模块，进行比对分析；
步骤二：检测数据处理模块的分析结果通过无线发射模块以无线方式发送出去；
步骤三：检测数据处理模块的分析结果超标则通过报警模块进行报警。
7.如权利要求6所述食品微生物快速检测方法，其特征在于，所述检测数据处理模块还通过内置的数据处理模块进行数据的处理，具体包括：A.设目标与决策层中有决策指标p1,p2,…,pm，目标与决策层下的网络架构层有C1,C2,…,CN个指标集，其中Ci中有元素ei1,ei2,…,eini,i＝1,2,...,N；
B.以目标与决策层决策指标ps(s＝1,2,…,m)为准则，以Cj中元素ejk(k＝1,2,…,nj)为次准则，将指标集Ci中指标按其对ejk的影响力大小进行间接优势度比较，即在准则ps下构造判断矩阵：并由特征根法得权重向量wi1(jk),wi2(jk),…,C.对于k＝1,2..,ni重复上述步骤，得到式(1)所示矩阵Wij；
其中，Wij的列向量为Ci中的元素 对Cj中元素 的影响程度排序向量；若Cj中元素不受Ci中元素影响，则Wij＝0；
D.对于i＝1,2,...,N；j＝1,2,...,N重复B，获得决策准则ps下的超矩阵W:E.在所述超矩阵W中，元素Wij反映元素i对元素j的一步优势度；还计算W2，其元素wij2表示元素i对元素j的二步优势度，W2仍然列为归一化矩阵，以此类推，计算W3，W4，…，当W∞存在时，W∞的第j列就是准则ps下网络架构层中各元素对于j的极限相对权重向量，则其中每一行的数值，即为相应元素的局部权重向量；当某一行全部为0时，则相应的局部权重为1；将局部权重按元素顺序排列即得到局部权重向量；
一种食品微生物快速检测系统及方法
技术领域
[0001] 本发明属于食品检测技术领域，尤其涉及一种食品微生物快速检测系统及方法。
背景技术
[0002] 食品安全检测是按照国家指标来检测食品中的有害物质，主要是一些有害有毒的指标的检测，比如重金属、黄曲霉毒素等。食品科学与工程的一个重要方面是引入和运用化工单元操作，并发展形成食品工程单元操作，从而促进食品工业向大规模、连续化和自动化的方向发展。然而，现有食品检测范围小，检测数据不全面，不能保障食品的安全性；同时检测只能在现场检测，导致工作量大，操作繁琐。
[0003] 综上所述，现有技术存在的问题是：现有食品检测范围小，检测数据不全面，不能保障食品的安全性；同时检测只能在现场检测，导致工作量大，操作繁琐。不能对食品成分利用图像信息进行准确的检测。
发明内容
[0004] 针对现有技术存在的问题，本发明提供了一种食品微生物快速检测系统及方法。
[0005] 本发明是这样实现的，一种食品微生物快速检测系统，所述食品微生物快速检测系统包括：
[0006] 微生物检测模块、农药残留检测模块、重金属检测模块、湿度检测模块、检测数据处理模块、无线发射模块及报警模块；
[0007] 所述微生物检测模块、农药残留检测模块、重金属检测模块和湿度检测模块分别通过无线或有线连接检测数据处理模块；所述检测数据处理模块通过无线或有线分别连接无线发射模块和报警模块；
[0008] 所述微生物检测模块用于对食品微生物种类和含量进行检测；
[0009] 所述农药残留检测模块用于对食品中的农药种类和含量进行检测；
[0010] 所述重金属检测模块用于对食品中的重金属种类和含量进行检测；
[0011] 所述湿度检测模块用于对食品中水分检测；
[0012] 所述检测数据处理模块用于对各个模块检测数据进行对比分析；
[0013] 所述无线发射模块用于将检测数据处理模块的分析结果通过无线方式发送出去；
[0014] 所述报警模块用于对将检测数据处理模块的分析结果中超标进行报警；
[0015] 所述微生物检测模块包括：投影模块、数据采集模块、处理器模块、目标图像获取模块、非负图像获取模块、分解模块、稀疏化处理模块、重建模块；
[0016] 所述投影模块用于对食品微生物种类进行投影拍照，并获得食品微生物种类和含量的数据；
[0017] 所述数据采集模块，用于获取投影模块的投影数据；
[0018] 所述处理器模块，用于对所述数据采集模块获取的投影数据进行处理；
[0019] 所述目标图像获取模块，用于根据所述处理的投影数据进行迭代处理，以获取目标图像；
[0020] 所述非负图像获取模块，用于对所述目标图像进行非负处理，获取所述目标图像的非负图像；
[0021] 所述分解模块，用于对所述非负图像进行非线性分解，获取第一非负图像和第二非负图像；
[0022] 所述稀疏化处理模块，用于对所述第一非负图像和第二非负图像进行稀疏化处理，获取满足预定条件的最优化稀疏解；
[0023] 所述重建模块，用于根据所述最优化稀疏解获取重建图像；获取最终的食品微生物种类和含量数据；
[0024] 所述目标图像获取模块根据所述处理的投影数据进行迭代处理，以获取目标图像中，迭代处理模型的公式表示为：
[0025]
[0026] 其中，X为所述目标图像，M为系统矩阵，G为所述投影数据，i表示迭代次数，Xi表示第i次迭代后得到的迭代结果；λ表示收敛系数，且λ∈(0,1)，MT表示对矩阵M的转置；
[0027] 具体包括：
[0028] 设置所述目标图像的初始值，并根据预先设置的迭代次数利用所述迭代处理模型对所述目标图像中的每个像素点进行迭代更新，获取所述目标图像，所述迭代处理模型中的像素点的当前灰度值与前次迭代的灰度值一致逼近；
[0029] 所述非负图像获取模块对所述目标图像进行非负处理中，将所述目标图像中灰度值小于0的像素点置零；
[0030] 所述数据采集模块获取投影模块的投影数据之前，需先获取投影模块的投影图像序列集，对所述投影图像序列集进行预处理后获取所述投影数据；
[0031] 所述检测数据处理模块用于对各个模块检测数据进行对比分析中，采用多变量分析方法进行分析，所述多变量分析方法包括：
[0032] 用n表示重建图像的个体总数，而各个体都有m个特征量，将得到的重建图像分为两组，一组是测试集，包含一个个体种类，一组是训练集，包括除测试集中所含多个体种类外的图像，共n-1个个体种类；
[0033] 用所述训练集训练所述线性支持向量机，得出训练后支持向量机：根据以下公式计算得到权值向量w，w为一个m维列向量，其中的每个元素对应一个特征量；
[0034]
[0035] yi(wTxi+b)-1+ξi≥0
[0036] s.t.ξi≥0；
[0037] 其中，γ是惩罚参数，用来实现算法复杂度和错分样本数的折中；ξi测量错分程度；yi为每个食品种类的类属性；xi为每个个体种类的特征向量；b为常数；
[0038] 将每个特征的n次权值求平均权值，并依据平均权值将特征由大到小进行排序，去除排序最低的特征量；
[0039] 所得出的该轮n次测试中的分类正确率和上一轮n次测试的分类正确率比较的结果判断是否停止；
[0040] 所述湿度检测模块对食品中水分检测接收信号y(t)表示为：
[0041] y(t)＝x(t)+n(t)；
[0042] 其中，x(t)为数字调制信号，n(t)为服从标准SαS分布的脉冲噪声，x(t)的解析形式表示为：
[0043]
[0044] 其中，N为采样点数，an为发送的信息符号，在MASK信号中，an＝0，1，2，…，M-1，M为j2πε/M调制阶数，an＝e ，ε＝0,1,2,…,M-1，g(t)表示矩形成型脉冲，Tb表示符号周期，fc表示载波频率，载波初始相位 是在[0,2π]内均匀分布的随机数。
[0045] 进一步，对所述投影图像序列集进行预处理后获取所述投影数据；具体包括：
[0046] 提取种类特征和自适应LBP算子特征；
[0047] 多特征底秩矩阵表示模型；
[0048]
[0049] s.t.Xi＝XiAi+Ei,i＝1,…,K
[0050] 其中α是大于0的系数， 用来度量噪声和野点带来的误差；
[0051] 等价为以下模型：
[0052]
[0053] 输出伪投影图像序列集并得到最后准确的投影图像序列集。
[0054] 进一步，对所述投影图像序列集进行预处理后获取所述投影数据；还包括：投影图像序列集校正，输出准确的投影数据。
[0055] 进一步，提取自适应LBP算子特征算法的具体步骤如下：
[0056] (1)将输入系统的图像转换成灰度图像，对图像{grayv(i,j)}像素灰度值求和，再获取平均值：
[0057]
[0058]
[0059] (2)利用总的纹理特征去除背景，计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和，求其平均值：
[0060]
[0061]
[0062] 利用局部纹理特征去除背景，用3×3大小的滑动窗口，遍历图像，求取中心像素灰度值与周边像素灰度值之差，在每一个窗口图像内求取平均值：
[0063]
[0064] (3)拟合计算自适应阈值的方法：
[0065]
[0066] 进一步，所述输出伪投影图像序列集并得到最后准确的投影图像序列集具体为：
[0067] 设置一个跳变函数f(i,j)，对疑似投影图像序列集进行精确定位，确定投影图像序列集的上下临界值：
[0068]
[0069] 其中c(i,j)为
[0070] c(i,j)＝LBP8,1(i,j)-LBP8,1(i,j-1)
[0071] 上两式中i＝1,2,3,4,…N,j＝2,3,4,…M，因此任意一行i的跳变次数和S(i)为：
[0072]
[0073] 如果任意一行跳变次数的和S(i≥12)，则这一行就有可能属于投影图像序列集；由上至下对整幅图像进行扫描，找出所有满足S(i≥12)的行，并记录下这一行的行数i；如果有连续的h行满足S(i≥12)，则得到一个宽度为M，高度为h的矩形区域，这个区域就有可能是投影图像序列集，因此不具有此特征的区域得到了排除。
[0074] 本发明的另一目的在于提供食品微生物快速检测方法包括以下步骤：
[0075] 步骤一：微生物检测模块，农药残留检测模块，重金属检测模块，湿度检测模块将检测数据传送给检测数据处理模块，进行比对分析；
[0076] 步骤二：检测数据处理模块的分析结果通过无线发射模块以无线方式发送出去；
[0077] 步骤三：检测数据处理模块的分析结果超标则通过报警模块进行报警。
[0078] 进一步，所述检测数据处理模块还通过内置的数据处理模块进行数据的处理，具体包括：
[0079] A.设目标与决策层中有决策指标p1,p2,…,pm，目标与决策层下的网络架构层有C1,C2,…,CN个指标集，其中Ci中有元素
[0080] B.以目标与决策层决策指标ps(s＝1,2,…,m)为准则，以Cj中元素ejk(k＝1,2,…,nj)为次准则，将指标集Ci中指标按其对ejk的影响力大小进行间接优势度比较，即在准则ps下构造判断矩阵：
[0081]
[0082] 并由特征根法得权重向量
[0083] C.对于k＝1,2..,ni重复上述步骤，得到式(1)所示矩阵Wij；
[0084]
[0085] 其中，Wij的列向量为Ci中的元素 对Cj中元素 的影响程度排序向量；若Cj中元素不受Ci中元素影响，则Wij＝0；
[0086] D.对于i＝1,2,...,N；j＝1,2,...,N重复B，获得决策准则ps下的超矩阵W:
[0087]
[0088] E.在所述超矩阵W中，元素Wij反映元素i对元素j的一步优势度；还计算W2，其元素wij2表示元素i对元素j的二步优势度，W2仍然列为归一化矩阵，以此类推，计算W3，W4，…，当W∞存在时，W∞的第j列就是准则ps下网络架构层中各元素对于j的极限相对权重向量，则[0089]
[0090] 其中每一行的数值，即为相应元素的局部权重向量；当某一行全部为0时，则相应的局部权重为1；将局部权重按元素顺序排列即得到局部权重向量；
[0091]
[0092] 本发明的优点及积极效果为：本发明通过设置微生物检测模块，农药残留检测模块，重金属检测模块，湿度检测模块进行全方位检测，可以提供更加全面的数据检测报告，保障食品的安全性；同时设置无线发射模块可以将检测数据通过本发明采用X射线激发发出短波红外波长，提高了激发光的穿透深度。采用多多变量分析方法，能有效的定位深部变化组织的位置，提高深部组织的XLCT成像。本发明为中枢神经系统疾病治疗提供指导意义。
[0093] 本发明投影模块利用X射线发出具有较好穿透深度的短波红外光穿过食物表面到达检测部位，经由检测数据处理模块的多变量分析方法准确得到成像的重建结果。多变量分析方法使用线性支持向量机对初选的特征进行二次筛选，克服了检验时只考虑单个变量的缺点。
[0094] 本发明通过对目标图像进行非负处理，获取目标图像的非负图像，然后对非负图像进行非线性分解，获取第一非负图像和第二非负图像，最后对第一非负图像和第二非负图像进行稀疏化处理，获取最优化稀疏解，根据该最优化稀疏解实现图像重建，降低了运算过程中的图像矩阵的维数，提高了图像重建的效率。工作效率高。
[0095] 本发明根据食品种类颜色和LBP特征算子，结合改进的LRR模型和形态学操作获得数据。并进行多个特征相结合，能有效提高食品种类和含量检测的鲁棒性和准确性，减少误检。农药残留检测模块、重金属检测模块的检测方法与微生物检测模块相同的原理。
[0096] 本发明的数据处理模块建立判断矩阵，求出极限超矩阵及各底层指标权重，得到准确的数据，通过与现有方法对比，本发明得到的数据更加全面合理。
附图说明
[0097] 图1是本发明实施例提供的食品微生物快速检测方法流程图。
[0098] 图2是本发明实施例提供的食品微生物快速检测系统结构框图。
[0099] 图中：1、微生物检测模块；2、农药残留检测模块；3、重金属检测模块；4、湿度检测模块；5、检测数据处理模块；6、无线发射模块；7、报警模块。
具体实施方式
[0100] 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。
[0101] 下面结合附图对本发明的结构作详细的描述。
[0102] 如图2所示，该食品微生物快速检测系统包括：微生物检测模块1，农药残留检测模块2，重金属检测模块3，湿度检测模块4，检测数据处理模块5，无线发射模块6和报警模块7；所述微生物检测模块1，农药残留检测模块2，重金属检测模块3和湿度检测模块4分别通过无线或有线连接检测数据处理模块5；所述检测数据处理模块5通过无线或有线分别连接无线发射模块6和报警模块7。
[0103] 所述微生物检测模块1块用于对食品微生物种类和含量进行检测。
[0104] 所述农药残留检测模块2用于对食品中的农药种类和含量进行检测。
[0105] 所述重金属检测模块3用于对食品中的重金属种类和含量进行检测。
[0106] 所述湿度检测模块4用于对食品中水分检测。
[0107] 所述检测数据处理模块5用于对各个模块检测数据进行对比分析。
[0108] 所述无线发射模块6用于将检测数据处理模块5的分析结果通过无线方式发送出去。
[0109] 所述报警模块7用于对将检测数据处理模块5的分析结果中超标进行报警。
[0110] 所述微生物检测模块包括：投影模块、数据采集模块、处理器模块、目标图像获取模块、非负图像获取模块、分解模块、稀疏化处理模块、重建模块；
[0111] 所述投影模块用于对食品微生物种类进行投影拍照，并获得食品微生物种类和含量的数据；
[0112] 所述数据采集模块，用于获取投影模块的投影数据；
[0113] 所述处理器模块，用于对所述数据采集模块获取的投影数据进行处理；
[0114] 所述目标图像获取模块，用于根据所述处理的投影数据进行迭代处理，以获取目标图像；
[0115] 所述非负图像获取模块，用于对所述目标图像进行非负处理，获取所述目标图像的非负图像；
[0116] 所述分解模块，用于对所述非负图像进行非线性分解，获取第一非负图像和第二非负图像；
[0117] 所述稀疏化处理模块，用于对所述第一非负图像和第二非负图像进行稀疏化处理，获取满足预定条件的最优化稀疏解；
[0118] 所述重建模块，用于根据所述最优化稀疏解获取重建图像；获取最终的食品微生物种类和含量数据；
[0119] 所述目标图像获取模块根据所述处理的投影数据进行迭代处理，以获取目标图像中，迭代处理模型的公式表示为：
[0120]
[0121] 其中，X为所述目标图像，M为系统矩阵，G为所述投影数据，i表示迭代次数，Xi表示第i次迭代后得到的迭代结果；λ表示收敛系数，且λ∈(0,1)，MT表示对矩阵M的转置；
[0122] 具体包括：
[0123] 设置所述目标图像的初始值，并根据预先设置的迭代次数利用所述迭代处理模型对所述目标图像中的每个像素点进行迭代更新，获取所述目标图像，所述迭代处理模型中的像素点的当前灰度值与前次迭代的灰度值一致逼近；
[0124] 所述非负图像获取模块对所述目标图像进行非负处理中，将所述目标图像中灰度值小于0的像素点置零；
[0125] 所述数据采集模块获取投影模块的投影数据之前，需先获取投影模块的投影图像序列集，对所述投影图像序列集进行预处理后获取所述投影数据；
[0126] 所述检测数据处理模块用于对各个模块检测数据进行对比分析中，采用多变量分析方法进行分析，所述多变量分析方法包括：
[0127] 用n表示重建图像的个体总数，而各个体都有m个特征量，将得到的重建图像分为两组，一组是测试集，包含一个个体种类，一组是训练集，包括除测试集中所含多个体种类外的图像，共n-1个个体种类；
[0128] 用所述训练集训练所述线性支持向量机，得出训练后支持向量机：根据以下公式计算得到权值向量w，w为一个m维列向量，其中的每个元素对应一个特征量；
[0129]
[0130] yi(wTxi+b)-1+ξi≥0
[0131] s.t.ξi≥0；
[0132] 其中，γ是惩罚参数，用来实现算法复杂度和错分样本数的折中；ξi测量错分程度；yi为每个食品种类的类属性；xi为每个个体种类的特征向量；b为常数；
[0133] 将每个特征的n次权值求平均权值，并依据平均权值将特征由大到小进行排序，去除排序最低的特征量；
[0134] 所得出的该轮n次测试中的分类正确率和上一轮n次测试的分类正确率比较的结果判断是否停止；
[0135] 所述湿度检测模块对食品中水分检测接收信号y(t)表示为：
[0136] y(t)＝x(t)+n(t)；
[0137] 其中，x(t)为数字调制信号，n(t)为服从标准SαS分布的脉冲噪声，x(t)的解析形式表示为：
[0138]
[0139] 其中，N为采样点数，an为发送的信息符号，在MASK信号中，an＝0，1，2，…，M-1，M为调制阶数，an＝ej2πε/M，ε＝0,1,2,…,M-1，g(t)表示矩形成型脉冲，Tb表示符号周期，fc表示载波频率，载波初始相位 是在[0,2π]内均匀分布的随机数。
[0140] 对所述投影图像序列集进行预处理后获取所述投影数据；具体包括：
[0141] 提取种类特征和自适应LBP算子特征；
[0142] 多特征底秩矩阵表示模型；
[0143]
[0144] s.t.Xi＝XiAi+Ei,i＝1,…,K
[0145] 其中α是大于0的系数， 用来度量噪声和野点带来的误差；
[0146] 等价为以下模型：
[0147]
[0148] 输出伪投影图像序列集并得到最后准确的投影图像序列集。
[0149] 对所述投影图像序列集进行预处理后获取所述投影数据；还包括：投影图像序列集校正，输出准确的投影数据。
[0150] 提取自适应LBP算子特征算法的具体步骤如下：
[0151] (1)将输入系统的图像转换成灰度图像，对图像{grayv(i,j)}像素灰度值求和，再获取平均值：
[0152]
[0153]
[0154] (2)利用总的纹理特征去除背景，计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和，求其平均值：
[0155]
[0156]
[0157] 利用局部纹理特征去除背景，用3×3大小的滑动窗口，遍历图像，求取中心像素灰度值与周边像素灰度值之差，在每一个窗口图像内求取平均值：
[0158]
[0159] (3)拟合计算自适应阈值的方法：
[0160]
[0161] 所述输出伪投影图像序列集并得到最后准确的投影图像序列集具体为：
[0162] 设置一个跳变函数f(i,j)，对疑似投影图像序列集进行精确定位，确定投影图像序列集的上下临界值：
[0163]
[0164] 其中c(i,j)为
[0165] c(i,j)＝LBP8,1(i,j)-LBP8,1(i,j-1)
[0166] 上两式中i＝1,2,3,4,…N,j＝2,3,4,…M，因此任意一行i的跳变次数和S(i)为：
[0167]
[0168] 如果任意一行跳变次数的和S(i≥12)，则这一行就有可能属于投影图像序列集；由上至下对整幅图像进行扫描，找出所有满足S(i≥12)的行，并记录下这一行的行数i；如果有连续的h行满足S(i≥12)，则得到一个宽度为M，高度为h的矩形区域，这个区域就有可能是投影图像序列集，因此不具有此特征的区域得到了排除。
[0169] 如图1所示，本发明实施例提供一种食品微生物快速检测系统及方法，所述食品微生物快速检测方法包括以下步骤：
[0170] S101：微生物检测模块，农药残留检测模块，重金属检测模块，湿度检测模块将检测数据传送给检测数据处理模块进行比对分析。
[0171] S102：检测数据处理模块的分析结果通过无线发射模块以无线方式发送出去。
[0172] S103：检测数据处理模块的分析结果超标则通过报警模块进行报警。
[0173] 所述检测数据处理模块还通过内置的数据处理模块进行数据的处理，具体包括：
[0174] A.设目标与决策层中有决策指标p1,p2,…,pm，目标与决策层下的网络架构层有C1,C2,…,CN个指标集，其中Ci中有元素
[0175] B.以目标与决策层决策指标ps(s＝1,2,…,m)为准则，以Cj中元素ejk(k＝1,2,…,nj)为次准则，将指标集Ci中指标按其对ejk的影响力大小进行间接优势度比较，即在准则ps下构造判断矩阵：
[0176]
[0177] 并由特征根法得权重向量
[0178] C.对于k＝1,2..,ni重复上述步骤，得到式(1)所示矩阵Wij；
[0179]
[0180] 其中，Wij的列向量为Ci中的元素 对Cj中元素 的影响程度排序向量；若Cj中元素不受Ci中元素影响，则Wij＝0；
[0181] D.对于i＝1,2,...,N；j＝1,2,...,N重复B，获得决策准则ps下的超矩阵W:
[0182]
[0183] E.在所述超矩阵W中，元素Wij反映元素i对元素j的一步优势度；还计算W2，其元素wij2表示元素i对元素j的二步优势度，W2仍然列为归一化矩阵，以此类推，计算W3，W4，…，当W∞存在时，W∞的第j列就是准则ps下网络架构层中各元素对于j的极限相对权重向量，则[0184]
[0185] 其中每一行的数值，即为相应元素的局部权重向量；当某一行全部为0时，则相应的局部权重为1；将局部权重按元素顺序排列即得到局部权重向量；
[0186]
[0187] 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。
