便攜式豆類品質(zhì)監(jiān)控系統(tǒng)研究

彭彥昆 霍道玉 左杰文 孫 晨 胡黎明 王亞麗

(1.中國農(nóng)業(yè)大學(xué)工學(xué)院, 北京 100083; 2.國家農(nóng)產(chǎn)品加工技術(shù)裝備研發(fā)分中心, 北京 100083)

0 引言

我國是豆類生產(chǎn)和消費(fèi)大國,隨著人們生活水平的提高,對豆類品質(zhì)提出了更高的要求[1]。我國是傳統(tǒng)的農(nóng)業(yè)大國,豆類產(chǎn)業(yè)在我國經(jīng)濟(jì)領(lǐng)域占有重要地位[2]。豆類主要分為大豆和雜豆。蛋白質(zhì)和脂肪含量是衡量大豆品質(zhì)的兩個(gè)重要指標(biāo)[3],蛋白質(zhì)和淀粉含量是衡量雜豆品質(zhì)的重要指標(biāo)[4],我國大豆國家標(biāo)準(zhǔn)(GB 1352—2009)中規(guī)定了高油大豆的粗脂肪含量等級標(biāo)準(zhǔn)和高蛋白大豆的蛋白質(zhì)含量等級標(biāo)準(zhǔn),對于不同等級的大豆收購價(jià)格不同。因此,研究豆類品質(zhì)快速、無損檢測方法及便攜式裝置具有重要意義。

可見/近紅外光譜技術(shù)具有無損、操作簡單、處理量大、客觀準(zhǔn)確、快速無污染等優(yōu)點(diǎn)[5],已被廣泛用于大豆[6-7]、玉米[8-9]、小麥[10-11]、大米[12-13]等糧食作物的品質(zhì)檢測中。

國內(nèi)外豆類品質(zhì)成分含量無損檢測研究中,文獻(xiàn)[14]設(shè)計(jì)了基于光譜特征波長的便攜式大豆粗脂肪含量檢測系統(tǒng),采用模塊化設(shè)計(jì)并制作了裝置。采用該系統(tǒng)對48個(gè)樣本進(jìn)行數(shù)據(jù)采集并建立模型,其校正集相關(guān)系數(shù)為0.809 3,交叉驗(yàn)證均方根誤差為1.251 8,預(yù)測集相關(guān)系數(shù)為0.798 6,均方根誤差為1.301 3,預(yù)測效果尚有待提升。文獻(xiàn)[7]以迅捷光遠(yuǎn)科技有限公司IAS-2000型便攜式近紅外光譜儀對大豆蛋白含量開展研究,通過間隔偏最小二乘法建立模型,校正集相關(guān)系數(shù)為0.962,交叉驗(yàn)證均方根誤差為0.396,驗(yàn)證集相關(guān)系數(shù)為0.954,均方根誤差為0.498,建模效果較好,但其功能單一,不能檢測其它豆類品質(zhì)。丹麥福斯公司開發(fā)的近紅外谷物分析儀能測量多種豆類及其指標(biāo),但體積及重量較大,不適合攜帶到現(xiàn)場進(jìn)行實(shí)時(shí)檢測。另外,這些研究對檢測后的數(shù)據(jù)沒有系統(tǒng)化管理,缺少對數(shù)據(jù)的再次利用,沒有對各地區(qū)豆類品質(zhì)情況進(jìn)行統(tǒng)計(jì)分析以及監(jiān)控。物聯(lián)網(wǎng)技術(shù)是通過各種信息傳感設(shè)備,實(shí)現(xiàn)物和物之間信息交換的一種網(wǎng)絡(luò)技術(shù)[15-16],近年來廣泛應(yīng)用于農(nóng)產(chǎn)品檢測行業(yè)中。因此,綜合利用光譜檢測技術(shù)和物聯(lián)網(wǎng)技術(shù),在實(shí)現(xiàn)豆類樣品檢測的基礎(chǔ)上完成對其品質(zhì)的實(shí)時(shí)監(jiān)控。

本文擬開發(fā)便攜式豆類主要品質(zhì)智能檢測裝置,通過提出的旋轉(zhuǎn)一周間歇采集多次光譜求平均值分析方法,進(jìn)一步提高設(shè)備檢測性能。以黃豆為研究對象建立蛋白質(zhì)、粗脂肪、淀粉質(zhì)量分?jǐn)?shù)預(yù)測模型,并驗(yàn)證裝置的穩(wěn)定性和準(zhǔn)確性?；谖锫?lián)網(wǎng)技術(shù)編寫豆類品質(zhì)實(shí)時(shí)監(jiān)控系統(tǒng),以實(shí)現(xiàn)對各地區(qū)豆類情況實(shí)時(shí)監(jiān)控。

1 裝置硬件設(shè)計(jì)

基于可見/近紅外光譜儀,開發(fā)了豆類主要品質(zhì)智能檢測裝置,主要包括控制單元、光源單元、散熱單元、顯示單元、機(jī)械結(jié)構(gòu)單元等,裝置的工作原理圖如圖1所示。控制單元負(fù)責(zé)控制旋轉(zhuǎn)機(jī)構(gòu)轉(zhuǎn)動(dòng)和光譜儀信號采集;光源單元負(fù)責(zé)發(fā)出穩(wěn)定強(qiáng)度的光;散熱單元負(fù)責(zé)裝置的整體散熱,防止出現(xiàn)過熱的情況;顯示單元負(fù)責(zé)顯示采集的豆類數(shù)據(jù)情況;機(jī)械結(jié)構(gòu)單元負(fù)責(zé)裝置旋轉(zhuǎn)一定的角度。

圖1 豆類主要品質(zhì)檢測裝置原理圖

1.1 控制單元

本單元由光譜儀、微型計(jì)算機(jī)、單片機(jī)、步進(jìn)電機(jī)驅(qū)動(dòng)器等組成。其中光譜儀是整個(gè)裝置的核心部件,其性能對整個(gè)裝置的檢測結(jié)果起決定性的因素。由于豆類是顆粒狀物質(zhì),相比于透射方式,反射光譜信號強(qiáng)度較好,本裝置采用近紅外光譜漫反射的方式,如圖2所示。

圖2 采集方式示意圖

豆類的蛋白質(zhì)、粗脂肪、淀粉等成分吸收波段主要集中在長波近紅外區(qū)域[17],故所選光譜儀為濱松C14486GA微型光譜儀,波長范圍和穩(wěn)定性可滿足豆類品質(zhì)定量分析,且尺寸小、重量輕,設(shè)備穩(wěn)定,對外部環(huán)境要求不高,符合二次開發(fā)的要求,光譜儀具體參數(shù)如表1所示。

表1 C14486GA微型光譜儀參數(shù)

微型計(jì)算機(jī)選用WalkFish公司的M1K_J4125型迷你主機(jī),其CPU為四核處理器,運(yùn)行內(nèi)存為8 GB,且尺寸僅有135 mm×45 mm×15 mm,質(zhì)量僅有85 g,可供自行編寫的C/C++軟件程序運(yùn)行。

單片機(jī)采用尺寸小巧的Arduino NodeMC-U,與步進(jìn)電機(jī)驅(qū)動(dòng)器相連作為旋轉(zhuǎn)機(jī)構(gòu)內(nèi)步進(jìn)電機(jī)的控制器。

1.2 顯示單元

為方便用戶使用本裝置,不用鼠標(biāo)便可檢測豆類品質(zhì)情況,采用可供觸摸控制的5英寸液晶顯示屏,尺寸為121 mm×95 mm×10 mm,質(zhì)量為259 g,微型計(jì)算機(jī)通過HDMI線連接顯示屏并負(fù)責(zé)顯示屏的供電。

1.3 機(jī)械結(jié)構(gòu)單元

旋轉(zhuǎn)機(jī)構(gòu)內(nèi)部由步進(jìn)電機(jī)(步距角1.8°)、大小齒輪、支撐架、光譜采集模塊等硬件組成,其結(jié)構(gòu)如圖3所示。通過步進(jìn)電機(jī)控制小齒輪帶動(dòng)大齒輪轉(zhuǎn)動(dòng),進(jìn)而帶動(dòng)樣品杯轉(zhuǎn)動(dòng)。

圖3 旋轉(zhuǎn)機(jī)構(gòu)結(jié)構(gòu)圖

1.4 光源單元

光源單元由6個(gè)鹵素?zé)?、反光杯和光纖組成,鹵素?zé)艄庠垂庾V波段為300～2 600 nm,覆蓋了可見/近紅外光譜的波段,為本裝置提供穩(wěn)定強(qiáng)度的光源,其結(jié)構(gòu)示意圖如圖4所示。

圖4 光源結(jié)構(gòu)示意圖

1.5 整機(jī)結(jié)構(gòu)

殼體合理設(shè)計(jì)有助于內(nèi)部零部件空間分配,減小不必要的空間,還可以對內(nèi)部部件起保護(hù)支撐的作用。檢測裝置整體結(jié)構(gòu)采用SolidWorks軟件設(shè)計(jì),其外觀結(jié)構(gòu)如圖5所示,整機(jī)尺寸為230 mm×225 mm×145 mm,質(zhì)量為3.1 kg,其外部由微型液晶顯示屏、風(fēng)扇、鋁合金外殼等組成。在操作時(shí),樣品杯內(nèi)盛滿被測豆類樣品并將其壓實(shí),放在裝置上側(cè)進(jìn)行檢測。

圖5 豆類主要品質(zhì)檢測裝置圖

2 材料與方法

2.1 樣本材料及其化學(xué)分析

本文選用黃豆建立模型,從我國淮北地區(qū)選取5個(gè)廣泛種植的黃豆品種,其名稱分別為“中黃57”、“菏豆33”、“菏豆12”、“中黃13”和“中黃37”。按照GB 5491-85進(jìn)行取樣,每個(gè)品種制備16個(gè)樣品,每個(gè)樣品100 g,共80個(gè)樣本,將其分裝于封口塑料袋中,編號保存于4℃的冰箱中。本文中校正集與預(yù)測集按照3∶1進(jìn)行分組,校正集60個(gè)樣本,預(yù)測集20個(gè)樣本。黃豆蛋白質(zhì)含量標(biāo)準(zhǔn)理化值依據(jù)文獻(xiàn)[18]所規(guī)定的凱氏定氮法進(jìn)行測量;粗脂肪含量標(biāo)準(zhǔn)理化值依據(jù)文獻(xiàn)[19]所規(guī)定的索氏抽提法進(jìn)行測量;淀粉含量標(biāo)準(zhǔn)理化值依據(jù)文獻(xiàn)[20]規(guī)定的酸水解法進(jìn)行測量。對每個(gè)樣本測量3次,最終結(jié)果為3次測量的平均值。

2.2 光譜采集與評估

由于豆類屬于顆粒狀物質(zhì),顆粒之間有間隙,從而影響裝置的穩(wěn)定性以及準(zhǔn)確性,因此,在采集豆類近紅外光譜時(shí),采集過程中分為靜態(tài)采集1次以及裝置旋轉(zhuǎn)一周采集樣本2、4、6、8、10、12、14、16、18、20次光譜求平均值。由于本裝置采用步進(jìn)電機(jī),故可以根據(jù)步進(jìn)角來決定旋轉(zhuǎn)角度,將樣品杯一周360°進(jìn)行等分,并累加初始角度。裝置旋轉(zhuǎn)到進(jìn)行靜態(tài)采集的角度如表2所示。為減少采集過程中的不穩(wěn)定性等因素,裝置采用的是旋轉(zhuǎn)間歇靜態(tài)采集被測豆類樣品的光譜。初始采集角度計(jì)算公式為

表2 旋轉(zhuǎn)角度

(1)

式中n——光譜采集次數(shù),取2、4、…、20

An——初始采集角度,(°)

本裝置檢測豆類品質(zhì)含量基于漫反射光譜,其反射率計(jì)算公式[21]為

(2)

式中R——光譜反射率,%

Ib——黑參考光譜反射強(qiáng)度,cd

Iw——白參考光譜反射強(qiáng)度,cd

Is——樣本光譜反射強(qiáng)度,cd

受豆類顆粒不均勻的影響,反射到光纖中的光譜會發(fā)生變化,不同豆類各取30個(gè)樣本,對同一樣本采用不同采集次數(shù)重復(fù)測量20次,在每次重復(fù)測量時(shí)需要將樣品倒出再裝入樣品杯并壓實(shí),避免每次重復(fù)測量時(shí)底部豆類形態(tài)一致的情況,影響裝置的測量準(zhǔn)確度,分析重復(fù)測量所有樣本原始光譜反射率的變異系數(shù),得出最低光譜變異系數(shù)對應(yīng)的采集光譜次數(shù)。

由于光散射會影響近紅外光譜,而且隨機(jī)噪聲、裝置加工誤差以及測樣條件不同會對裝置效果產(chǎn)生影響[22],因此需要采用預(yù)處理來消除原始光譜中的噪聲信號,提高光譜的信噪比[23]。本文采用6種預(yù)處理方式,分別為多元散射校正(Multiplicative correction,MSC)、標(biāo)準(zhǔn)正態(tài)變量變換(Standard normal variate,SNV)、歸一化(Normalize, Nor)、S-G平滑結(jié)合標(biāo)準(zhǔn)正態(tài)能量變換(SG-SNV)、S-G平滑結(jié)合多元散射校正(SG-MSC)、S-G平滑結(jié)合歸一化(SG-Nor)[24]。通過對比不同光譜預(yù)處理方式對所建立的偏最小二乘模型結(jié)果的影響,得出適合該研究的最優(yōu)預(yù)處理方式。采用校正集相關(guān)系數(shù)Rc、校正集均方根誤差(Root mean square error of calibration,RMSEC)、預(yù)測集相關(guān)系數(shù)Rp、預(yù)測集均方根誤差(Root mean square error of prediction,RMSEP)對光譜預(yù)測模型進(jìn)行評價(jià)[25]。本文分析過程均在Matlab R2016b中完成。

3 結(jié)果與分析

3.1 黃豆成分分析

在本研究中,測得的黃豆樣本品質(zhì)成分含量見表3。

表3 黃豆樣本品質(zhì)含量檢測結(jié)果

對于黃豆各品質(zhì)校正集含量范圍均包括了預(yù)測集含量范圍,為建立模型提供了有利條件[25]。

針對諧振式光學(xué)陀螺信號檢測系統(tǒng)對鎖相放大器中低通濾波器提出的40 MHz采樣率、低截止頻率及其調(diào)節(jié)的便捷性和階數(shù)可調(diào)的要求,通過簡化算法,設(shè)計(jì)了慣性低通數(shù)字濾波器可滿足以上需求。

3.2 樣品光譜變異系數(shù)分析

在光譜采集之前,打開光譜儀與光源先預(yù)熱 30 min,保證光源以及光譜儀的穩(wěn)定性。各取30個(gè)不同尺寸的黃豆、紅豆、黑豆、綠豆樣本,對同一樣本重復(fù)采集20次,以30個(gè)樣本全波段光譜變異系數(shù)平均值來衡量采集光譜的穩(wěn)定性,結(jié)果如表4所示。

表4 不同采集次數(shù)光譜變異系數(shù)

從表4中可以看出,由于豆類顆粒大小不同,其全光譜的變異系數(shù)平均值也不同,使用相機(jī)拍攝的4種豆類圖像如圖6所示。

圖6 不同豆類大小對比

在上述豆類中,黑豆尺寸最大,裝入樣品杯測量時(shí)黑豆與黑豆之間的間隙較大,使得黑豆的變異系數(shù)相較其它3種豆高,采集1次光譜的變異系數(shù)為4.479%,最不穩(wěn)定,隨著采集次數(shù)的增加,黑豆變異系數(shù)逐漸減小,采集16次以上光譜求平均值得到的光譜變異系數(shù)變化不大,考慮節(jié)省采集時(shí)間,選取16次為黑豆采集次數(shù);黃豆尺寸次之,采集1次光譜變異系數(shù)為4.416%,在采集16次光譜之后變異系數(shù)變化不大,選取16次為黃豆的光譜采集次數(shù);紅豆尺寸比黃豆小,采集1次光譜變異系數(shù)為3.735%,在采集14次光譜之后變異系數(shù)變化不大,選取14次為紅豆的光譜采集次數(shù);綠豆尺寸最小,采集1次光譜變異系數(shù)為3.271%,在采集8次光譜之后變異系數(shù)變化不大,而且其變異系數(shù)是所有豆類中最小的,選取8次為綠豆的光譜采集次數(shù)。顆粒尺寸越小,其光譜變異系數(shù)也就越小,分析其原因是因?yàn)轭w粒越小,豆與豆之間間隙也就越小,減弱了光的散射,所以其光譜穩(wěn)定性就越好。

3.3 光譜數(shù)據(jù)建模

對劃分了校正集和預(yù)測集的黃豆樣品,采集其光譜與內(nèi)部品質(zhì)成分含量測量值建立偏最小二乘(Partial least squares,PLS)關(guān)系模型,進(jìn)一步分析預(yù)測效果。表5為經(jīng)過不同預(yù)處理方式得到的光譜數(shù)據(jù)PLS建模結(jié)果,可以看出,經(jīng)過預(yù)處理后的模型相比于原始光譜得到了改善,分析其原因可能是因?yàn)轭A(yù)處理消除或降低了原始光譜噪聲對數(shù)據(jù)的影響。在所建立的模型中,蛋白質(zhì)、粗脂肪、淀粉質(zhì)量分?jǐn)?shù)模型分別經(jīng)過SG-MSC、SNV、SNV預(yù)處理后優(yōu)于其余預(yù)處理方法,原因可能是因?yàn)槠渌A(yù)處理方式引入了無關(guān)因素對數(shù)據(jù)產(chǎn)生影響,其最佳預(yù)測集相關(guān)系數(shù)Rp分別為0.974 6、0.950 5、0.960 7,均方根誤差(RMSEP)分別為0.249%、0.572%、0.623%。

表5 黃豆蛋白質(zhì)、脂肪、淀粉含量全波長PLS建模結(jié)果

4 裝置軟件設(shè)計(jì)

為方便用戶查看被檢豆類品質(zhì)參數(shù),設(shè)計(jì)實(shí)時(shí)分析軟件,可供用戶實(shí)時(shí)查看檢測數(shù)據(jù)?；贛FC框架編寫了豆類品質(zhì)檢測裝置實(shí)時(shí)分析軟件,該軟件分為參數(shù)設(shè)置、檢測控制、光譜顯示和檢測結(jié)果顯示4部分。參數(shù)設(shè)置部分可以設(shè)置裝置的積分時(shí)間以及采集裝置黑白參考;檢測控制部分可以控制旋轉(zhuǎn)機(jī)構(gòu)進(jìn)行旋轉(zhuǎn)和光譜儀采集光譜;光譜顯示部分可以將采集的黑白參考以及被測豆的光譜顯示出來;結(jié)果顯示部分是將預(yù)處理后的預(yù)測值顯示在屏幕上。

將建立的豆類各品質(zhì)參數(shù)最佳預(yù)測模型數(shù)據(jù)導(dǎo)入到txt文件中,軟件在執(zhí)行過程中會將txt文件中模型數(shù)據(jù)轉(zhuǎn)成數(shù)組格式加載在計(jì)算機(jī)內(nèi)存中,在采集過程中,軟件自動(dòng)對光譜進(jìn)行預(yù)處理并代入提前植入的模型中預(yù)測豆類主要品質(zhì)含量,樣品的最終檢測結(jié)果會顯示在如圖7所示的軟件界面上,其執(zhí)行流程如圖8所示。

圖7 豆類品質(zhì)成分含量檢測軟件界面

圖8 軟件工作流程圖

5 試驗(yàn)驗(yàn)證

選擇40個(gè)新的黃豆樣品(參照國家標(biāo)準(zhǔn)方法測定出黃豆粗脂肪、蛋白質(zhì)、淀粉質(zhì)量分?jǐn)?shù)分別為15.86%～22.02%、38.63%～41.70%、10.60%～17.28%),對其進(jìn)行試驗(yàn)驗(yàn)證,驗(yàn)證效果通過獨(dú)立相關(guān)系數(shù)Ri,獨(dú)立驗(yàn)證均方根誤差來評價(jià)裝置的穩(wěn)定性和準(zhǔn)確性。最終驗(yàn)證結(jié)果如表6所示。

表6 獨(dú)立驗(yàn)證試驗(yàn)結(jié)果

黃豆各品質(zhì)實(shí)測值與預(yù)測值散點(diǎn)圖如圖9所示。為測試裝置的穩(wěn)定性,每個(gè)樣品重復(fù)檢測20次,以20次檢測結(jié)果的平均偏差衡量裝置的穩(wěn)定性,40個(gè)樣品使用上述模型測量20次蛋白質(zhì)、粗脂肪、淀粉質(zhì)量分?jǐn)?shù)的平均偏差分別為0.409%、0.623%、0.637%,各參數(shù)重復(fù)測量20次變異系數(shù)分別為1.257%、0.896%、0.964%。結(jié)果表明,此裝置對測量豆類品質(zhì)含量具有良好的檢測精度和穩(wěn)定性。

圖9 裝置測試結(jié)果散點(diǎn)圖

6 網(wǎng)絡(luò)監(jiān)控系統(tǒng)開發(fā)

為方便豆類收購商了解各地區(qū)豆類品質(zhì)成分含量狀況以及時(shí)收購和客戶更新模型數(shù)據(jù)信息,基于Web開發(fā)中的B/S架構(gòu),使用Tomcat作為Web端服務(wù)器,前后端采用基于Java語言的若依開源框架,開發(fā)了豆類品質(zhì)網(wǎng)絡(luò)監(jiān)控系統(tǒng),將此系統(tǒng)和MySQL數(shù)據(jù)庫部署在阿里云服務(wù)器上。

本系統(tǒng)主要由用戶角色和管理角色組成,其組成結(jié)構(gòu)如圖10所示。

圖10 豆類品質(zhì)監(jiān)控系統(tǒng)功能結(jié)構(gòu)框圖

用戶角色主要包括用戶登錄、裝置模型下載、模型模糊查詢的功能,如圖11所示。

圖11 用戶角色界面

管理員角色可登錄此系統(tǒng)、模型上傳、查看各地區(qū)豆類主要品質(zhì)成分含量數(shù)據(jù)、數(shù)據(jù)導(dǎo)出至Excel表格以及對用戶角色進(jìn)行管理的功能,如圖12所示。管理員角色還可以給用戶設(shè)置不同的訪問權(quán)限,兩者之間的界面功能是不相同的。

圖12 管理角色界面

7 結(jié)論

(1)為改善在豆類顆粒品質(zhì)分析檢測過程中受顆粒度、表面不均勻的影響,提高豆類主要品質(zhì)測定中的準(zhǔn)確性及穩(wěn)定性,本文開發(fā)了一種旋轉(zhuǎn)式采集光譜的裝置,主要包括控制單元、光源單元、散熱單元、顯示單元、機(jī)械結(jié)構(gòu)單元等。

(2)基于所設(shè)計(jì)的豆類品質(zhì)含量無損檢測裝置,對選取豆類樣品重復(fù)采集20次,在裝置旋轉(zhuǎn)采集過程中,隨著采集次數(shù)的增加,其光譜變異系數(shù)平均值逐漸減小直至平穩(wěn),黑豆采集16次、黃豆16次、紅豆14次、綠豆8次以上光譜變化不大。以黃豆為例,對其品質(zhì)參數(shù)建立PLS模型,結(jié)果表明,蛋白質(zhì)、粗脂肪、淀粉質(zhì)量分?jǐn)?shù)預(yù)測的模型最優(yōu)預(yù)處理方式分別為SG-MSC、SNV、SNV,其預(yù)測集相關(guān)系數(shù)Rp分別為0.974 6、0.950 5、0.960 7,均方根誤差分別為0.249%、0.572%、0.623%。

(3)基于MFC開發(fā)工具,采用C/C++語言編寫了豆類檢測軟件,實(shí)現(xiàn)快速檢測豆類主要品質(zhì)含量的“一鍵式操作”。另外,檢測軟件可填入被檢豆類品種與地區(qū),通過軟件中的“檢測”按鈕自動(dòng)上傳至云端MySQL數(shù)據(jù)庫。

(4)取40個(gè)新黃豆樣品對所建立的各品質(zhì)參數(shù)最佳預(yù)測模型進(jìn)行驗(yàn)證,蛋白質(zhì)、粗脂肪、淀粉質(zhì)量分?jǐn)?shù)的獨(dú)立驗(yàn)證相關(guān)系數(shù)Ri分別為0.941 1、0.943 9、0.933 4,獨(dú)立驗(yàn)證均方根誤差分別為0.465%、0.604%、0.673%,重復(fù)測量20次的平均偏差分別為0.409%、0.623%、0.637%,各參數(shù)重復(fù)測量20次變異系數(shù)分別為1.257%、0.896%、0.964%。

(5)基于若依開發(fā)框架,采用Java語言編寫網(wǎng)絡(luò)監(jiān)控系統(tǒng),管理端可通過此系統(tǒng)監(jiān)控各地區(qū)豆類品質(zhì)情況;用戶端可從系統(tǒng)中下載或更新所需檢測的豆類具體品種模型。