的人工智能“百度筷搜” -

的人工智能“百度筷搜”

瑞秋 0 2020-05-27

分享到

2018年9月17日世界人工智能大会落下帷幕了，但是，人工智能正式粉墨登场了。伴随科技的飞速发展，为来必将的是AI的时代，分析检测技术也将走向智能化、生活化。

　　2018年9月17日世界人工智能大会落下帷幕了，但是，人工智能正式粉墨登场了。伴随科技的飞速发展，为来必将的是AI的时代，分析检测技术也将走向智能化、生活化。早在2014年百度世界大会上，董事长李彦宏提到了一款智能设备，引发不少网友的关注。没错!就是这款“百度快搜”，引起了网友的广泛热议。

　　这款名为“百度筷搜”的产品看上去与普通筷子差别不大，但根据百度发布的宣传视频，除了能检测油的优劣，百度筷搜还可以测饮用水酸碱度和水果甜度、品种、产地等。

　　宣传视频中，筷搜更神奇的功能是只需用筷托在水果表面一按，就能测出水果的种类、营养信息甚至产地;同时，“百度筷搜”声称可以鉴定肉质品类。一时间，网上关于“百度筷搜”的新闻铺天盖地席卷而来……

　　百度世界大会过后，有人开始对“百度筷搜”进行揭秘，其中包括对筷子和筷托的解密。网上对筷子部分的解密本文暂且不谈，感兴趣的同学可以自行百度。以下为关于筷托解密的截取片段。

　　那么，文中提到的JDSUMicroNIR近红外光谱仪是否真的这么神奇?作为职业光谱人，忍不住要亲自动手解决这个疑问——靠谱不靠谱，拿这台仪器简单做个实验不就知道了!

　　于是乎，我们利用这台仪器针对“百度筷搜”的宣传片做了一些探究性的实验，主要包括两部分：1.肉种类的鉴定;2.苹果糖度的测定(苹果糖度真实值的测定利用糖度计)。

　　JDSU MicroNIR近红外光谱仪

　　数显糖度计

　　好了，接下来我们的实验就开始了!

　　实验模块1. 肉种类的鉴定

　　1.样品

　　牛肉样品共84个(牛里脊19个+牛前15个+牛黄瓜条13个+牛腱子14个+牛腩23个)，图1为牛肉主要部分分割图。

　　图1 牛肉主要部分分割图

　　2.结果和分析

　　2.1光谱图

　　对上述块状肉分别进行近红外光谱采集，每个样品扫描5次求得的平均光谱图见图2，图中横坐标为波长，纵坐标为吸光度。

　　图2 近红外光谱图

　　2.2 模式识别

　　2.2.1 牛不同部位鉴别

　　2.2.1.1 PLSDA法

84个样品用PLSDA法建立定性分析模型(光谱预处理方法：SNV+一阶导数5点平滑)。84个样品共5类，采用外部检验建立模型，选择18个样品做验正集，66个样品做校正集，模型结果和预测结果分别见图3和表1。从表中可以看出，18个样品中有4个样品未得到正确归类，分别是1个牛前样品错判为牛黄瓜条，2个牛黄瓜条样品错判为牛前样品，1个牛腱子样品错判为牛黄瓜条，预测准确率为77.78%。

　　图3 PLSDA外部检验模型结果图

　　表1 PLSDA预测结果

序号	真实值	预测值	真实类别	预测类别
1	1.000	1.096	牛里脊	牛里脊
2	1.000	1.407	牛里脊	牛里脊
3	1.000	1.077	牛里脊	牛里脊
4	1.000	1.34	牛里脊	牛里脊
5	2.000	3.412	牛前	牛黄瓜条
6	2.000	2.103	牛前	牛前
7	2.000	1.985	牛前	牛前
8	3.000	2.455	牛黄瓜条	牛前
9	3.000	2.306	牛黄瓜条	牛前
10	3.000	2.947	牛黄瓜条	牛黄瓜条
11	4.000	4.141	牛腱子	牛腱子
12	4.000	4.092	牛腱子	牛腱子
13	4.000	3.385	牛腱子	牛黄瓜条
14	5.000	4.815	牛腩	牛腩
15	5.000	5.254	牛腩	牛腩
16	5.000	4.744	牛腩	牛腩
17	5.000	5.1	牛腩	牛腩
18	5.000	4.883	牛腩	牛腩

　　注：加粗为错判样品。

　　2.2.1.2 SIMCA法

　　牛里脊样品随机选取3个，牛前样品随机选取2个，牛黄瓜条和牛腱样品各随机选取1个，牛腩样品随机选取3个共10个样品作为模型预测集，剩余74个样品为校正集建立模型，置信度水平为25%，对模型进行预测，结果如表2和图4。从图表中可以看出，牛里脊、牛前和牛腱子模型对自身样品的识别率和对其它样品的拒绝率均为100%;牛黄瓜条模型对自身样品的识别率为100%，对其它样品的拒绝率为88.89%;牛腩模型的结果最差：对自身样品的识别率为0，对其它样品的拒绝率为88.89%。

　　表2 SIMCA定性模型对本类样品的识别率和拒绝率

序号

样品

识别率（%）

拒绝率（%）

牛里脊

100%

牛前

牛黄瓜条

牛腱子

牛腩

100%

88.89%

100%

88.89%

　　图4 SIMCA模型结果

　　2.2.2 不同种类肉鉴别(猪、牛和羊肉)

　　共得到块状肉样品172个(猪肉44个+牛肉95个+羊肉33个)，采用外部检验建立模型，选择38个样品做验正集，134个样品做校正集，模型结果和预测结果见表3。从表中可以看出，38个样品中有3个样品未得到正确归类，分别是2个猪肉样品错判为牛肉样品，1个牛肉样品错判为猪肉样品，预测准确率为92.1%。

　　表3 PLSDA预测结果

序号	真实值	预测值	真实类别	预测类别
1	1.000	1.255	猪肉	猪肉
2	1.000	1.112	猪肉	猪肉
3	1.000	1.105	猪肉	猪肉
4	1.000	1.232	猪肉	猪肉
5	1.000	1.545	猪肉	牛肉
6	1.000	1.24	猪肉	猪肉
7	1.000	1.618	猪肉	牛肉
8	1.000	1.217	猪肉	猪肉
9	1.000	1.083	猪肉	猪肉
10	1.000	1.08	猪肉	猪肉
11	2.000	1.25	牛肉	猪肉
12	2.000	1.726	牛肉	牛肉
13	2.000	1.633	牛肉	牛肉
14	2.000	1.98	牛肉	牛肉
15	2.000	2.003	牛肉	牛肉
16	2.000	1.997	牛肉	牛肉
17	2.000	2.072	牛肉	牛肉
18	2.000	2.107	牛肉	牛肉
19	2.000	2.141	牛肉	牛肉
20	2.000	2.29	牛肉	牛肉
21	2.000	2.411	牛肉	牛肉
22	2.000	2.395	牛肉	牛肉
23	2.000	2.442	牛肉	牛肉
24	2.000	2.263	牛肉	牛肉
25	2.000	2.316	牛肉	牛肉
26	2.000	2.324	牛肉	牛肉
27	2.000	2.188	牛肉	牛肉
28	2.000	2.346	牛肉	牛肉
29	2.000	2.319	牛肉	牛肉
30	2.000	1.951	牛肉	牛肉
31	3.000	2.721	羊肉	羊肉
32	3.000	3.168	羊肉	羊肉
33	3.000	2.545	羊肉	羊肉
34	3.000	2.915	羊肉	羊肉
35	3.000	3.122	羊肉	羊肉
36	3.000	2.908	羊肉	羊肉
37	3.000	2.763	羊肉	羊肉
38	3.000	2.709	羊肉	羊肉

　　注：加粗为错判样品。

　　3. 结论和讨论

　　分别建立了块状肉种类鉴别和牛肉不同部位鉴别的定性分析模型，结果表明，不同种类肉的PLSDA模型结果较好，预测准确率为92.1%;牛肉不同部位的PLSDA模型的预测准确率为77.78%，结果相对差一些，这可能是因为目前收集到的牛不同部位肉样品较少，也可能是因为牛不同部位肉性质相差不大，尤其是较为接近的部位，如牛腩和牛腱、黄瓜条等。应进一步采购牛不同部位肉以验证现有分类模型的可行性。

　　从目前的结果来看，JDSU MicroNIR近红外光谱仪的对各类肉的预测结果还是可以接受的。如果将该模型内置于手机软件中，那么隐藏于“百度筷搜”筷托中的微型近红外光谱仪要想实现肉种类的鉴定也是完全有可能的。

　　实验模块2. 苹果糖度测定

　　1.样品

　　购买不同品种的苹果，包括秦冠苹果、红富士、姬那果、金帅苹果、西域香妃苹果(新疆阿克苏冰糖心)共计70个。利用糖度计测得每个苹果糖度并记录。

　　2.结果和分析

　　2.1光谱扫描

　　分别进行近红外光谱采集，每个样品扫描5次求得的平均光谱图见图5，图中横坐标为波长，纵坐标为吸光度。

　　图5近红外光谱图

　　2.2 PLS建模

　　70个样品用PLS法建立定性分析模型(光谱预处理方法：SNV+一阶导数5点平滑)。模型结果见图6。

　　图6 PLS模型结果图

　　2.3PLS模型预测

　　利用上述模型对20个苹果样品进行预测，每个样品在不同位置扫描5次分别预测结果并求得平均值。结果见表4。

　　表4 PLS预测结果

样品编号	光谱采集序号	预测值	预测平均值	真值	预测偏差
1	1	11.552	11.5228	11.7	-0.1772
	2	10.493
	3	11.585
	4	11.466
	5	12.518
2	1	12.201	12.5016	12	0.5016
	2	12.5
	3	12.694
	4	12.738
	5	12.375
3	1	11.849	12.1876	11.8	0.3876
	2	12.559
	3	12.101
	4	12.387
	5	12.042
4	1	11.222	11.6676	12.1	-0.4324
	2	12.096
	3	11.364
	4	11.895
	5	11.761
5	1	13.864	12.9626	13.23333	-0.27073
	2	12.247
	3	12.45
	4	13.141
	5	13.111
6	1	13.237	13.3262	13.23333	0.092867
	2	13.902
	3	12.994
	4	13.543
	5	12.955
7	1	12.986	13.223	13.2	0.023
	2	12.349
	3	13.575
	4	13.402
	5	13.803
8	1	13.145	12.5914	12.7	-0.1086
	2	12.744
	3	12.573
	4	12.166
	5	12.329
9	1	14.374	15.0274	15.03333	-0.00593
	2	15.098
	3	15.427
	4	15.609
	5	14.629
10	1	14.342	14.0362	14.45	-0.4138
	2	13.751
	3	13.772
	4	14.08
	5	14.236
11	1	14.377	14.1398	13.93333	0.206467
	2	13.998
	3	13.333
	4	13.954
	5	15.037
12	1	13.564	14.3006	14.4	-0.0994
	2	14.29
	3	14.297
	4	14.795
	5	14.557
13	1	13.377	14.1464	13.9	0.2464
	2	13.746
	3	14.653
	4	14.472
	5	14.484
14	1	14.005	13.6274	13.66667	-0.03927
	2	13.851
	3	13.601
	4	13.028
	5	13.652
15	1	11.896	11.0732	11.3	-0.2268
	2	11.103
	3	11.21
	4	10.647
	5	10.51
16	1	11.463	11.7364	11.83333	-0.09693
	2	9.793
	3	12.278
	4	12.524
	5	12.624
17	1	11.842	11.7304	11.56667	0.163733
	2	11.809
	3	11.386
	4	12.016
	5	11.599
18	1	12.323	11.6034	11.6	0.0034
	2	11.508
	3	10.972
	4	11.764
	5	11.45
19	1	10.107	9.9744	10.13333	-0.15893
	2	9.765
	3	10.147
	4	9.954
	5	9.899
20	1	10.613	11.0632	10.86667	0.196533
	2	11.337
	3	11.074
	4	11.262
	5	11.03