智能傳感-基于機器學習和多源傳感的冷鏈藍莓新鮮度預測方法

時間：2023-10-30 09:27:09來源：admin01欄目：冷鏈新聞閱讀：

★歡迎引用:

Huang， W.， Wang， X.， Zhang， J.， Xia， J.， & Zhang， X. (2022). Improvement of blueberry freshness prediction based on machine learning and multi-source sensing in the cold chain logistics. Food Control， 109496.

★ 研究背景

傳統的水果新鮮度預測和建模嚴重依賴各種理化指標(如失水率、pH值、VC含量，簡稱QCI)和經典動力學方法，面臨耗時、費力、破壞性大、預測精度低的困境。當前水果冷鏈過程中關鍵微環境參數之間的耦合和可變性導致了水果質量的動態性和不確定性。同時，對冷鏈過程關鍵參數的實時精確監控是質量建模的基礎，建模方法的選擇會導致水果新鮮度預測精度的變化。由于冷鏈物流的監控環境相對封閉，無法及時測量水果的QCI，阻礙了這些傳統模型在冷鏈物流場景中的實際應用。因此需要一種智能化的水果新鮮度預測方法。

★ 創新點

中國農業大學張小栓教授團隊提出了一種機器學習和多源感知的水果新鮮度預測改進方法。通過HACCP方法分析水果冷鏈，找尋關鍵微環境參數，并成功應用于藍莓新鮮度預測。基于不同機器學習算法的特點，優化了神經網絡模型和監督式/極限學習機的參數結構。相較于傳統理化指標（QCI）和單一人工神經網絡（ANN）的新鮮度預測方法，提出了基于4種機器學習方法的新鮮度預測改進模型。在不同溫度下，可自由選擇機器學習預測模型，且能夠無損，動態，可持續的進行水果新鮮度監測和預測。最后，相較于經典Arrhenius方程方法，將水果新鮮度的預測精度提高了7個百分點。系統總體上緩解了傳統的理化指標采集(QCI)預測方法無法應用于水果物流過程的挑戰。

★ 文章解析

圖1展示了本文的框架，它比較了傳統的新鮮度評估與多傳感器支持與大數據深度學習驅動的新鮮度分析。圖1(a)，傳統的以人為基礎的新鮮度評價需要綜合考慮感官評價(視覺和味覺)、物理和化學質量指標(pH值、SSC、硬度等)和質量管理(失重率和腐爛狀態)。圖1(b)為新興的多傳感器數據采集和神經網絡算法處理的智能新鮮度分析系統。

圖1：傳統方法與本文方法的對比分析

為分析藍莓冷鏈過程的關鍵參數和質量演化機制，首先根據HACCP方法對藍莓冷鏈物流過程的關鍵控制點(CAP)進行危害分析，如圖2所示。藍莓冷鏈物流被分為以下六個階段:收獲階段、預冷卻階段、包裝和搬運階段、運輸階段、冷藏階段和營銷階段。采收階段的目的是選擇沒有病蟲害和機械損傷的藍莓。需要控制的關鍵點是低溫、清潔的環境和合理的包裝(CAP-1)。預冷階段和處理階段的目的是盡量降低藍莓的呼吸強度，需要控制的關鍵點是低溫，一定的預冷時間，合理的藍莓放置(CAP-2， CAP-3)。運輸和冷藏階段的目的是盡量減緩藍莓品質的惡化，控制的重點是低溫，合理的保存技術和防腐劑的用量，實時監測環境參數(CAP-4， CAP-5)。

圖 2：基于HACCP的藍莓冷鏈關鍵控制點分析

無線傳感器網絡(WSN)通過WSN節點實現對藍莓冷鏈微環境中的溫度、相對濕度、CO2、O2、C2H4等環境參數數據的實時采集，發送并存儲微環境信息數據，最后通過GPRS無線數據傳輸模塊將數據傳輸到云服務器，如圖3a所示。每個WSN節點由控制單元、信息采集單元、存儲單元、GPRS無線傳輸單元、a/D轉換單元和時鐘單元組成，如圖3b所示。信息采集單元包括溫濕度傳感器模塊、氧氣傳感器模塊、二氧化碳傳感器模塊和乙烯傳感器模塊，如圖3c所示。信息采集單元與A/D轉換單元連接，將傳感器采集到的模擬信號轉換為數字信號，再轉換為相關氣體濃度值。所述信息采集單元、存儲單元、A/D轉換單元、時鐘單元分別與控制單元連接;控制單元控制信息采集單元的采集過程、A/D轉換單元的模數轉換控制、時鐘單元的記錄過程，并將采集到的環境信息作為完整信息發送到存儲單元進行存儲。同時將數據發送到GPRS無線傳輸模塊，上傳到云服務器實時監控系統。

圖 3：智能控制的WSN傳感平臺硬件框圖

為更好的說明關鍵微環境參數能夠表征藍莓品質的變化，圖4和圖5測定了藍莓樣品的理化參數和關鍵微環境參數，并對它們進行了相關性分析。結果表明，用理化指標衡量藍莓品質時，不同溫度下能夠有效指示果實品質的指標是不同的。氧氣、二氧化碳和乙烯在不同溫度下的變化趨勢是相同的，但變化率是不同的，低溫可以有效延緩氧濃度快速下降的時間。22℃時，CO2濃度到達峰值后開始下降，這可能與容器的密封性與傳感器的性能漂移有關。在每一溫度下，硬度、失重率、腐爛率等質量指標與三種氣體的相關性都很高，表現出很強的相關性。失重和硬度與氣體信息的相關系數均在0.95以上，衰減率與氣體信息的相關系數部分在0.9以上，部分在0.8到0.9之間。

圖 4：理化指標與關鍵微環境參數的含量測定

圖 5：理化指標與關鍵微環境參數的相關性分析

基于經典Arrhenius方程方法和四種機器學習算法，比較了它們的預測準確性(如圖6a-f所示)。用黑色虛線和4條不同顏色實線表示機器學習模型的新鮮度的實際值和預測值，虛線和實線的變化趨勢具有較強的一致性。結果表明，傳統方法的預測波動性較大，且是破壞性的非連續預測。相比之下，機器學習模型則是無損的，連續預測，精度也高的多。4種算法的預測精度相差不超過2.16%，這也為藍莓冷鏈利益相關者提供了更多的選擇。

圖 6：傳統新鮮度預測與本文新鮮度預測結果對比

★ 文章結論

針對傳統水果冷鏈物流過程中新鮮度預測操作復雜、準確性不高的問題，開發了基于無線傳感器網絡(WSN)的冷鏈微環境監測平臺，探討了不同溫度下基于兩個理化評價指標和三個微環境參數的水果新鮮度預測模型。通過相關分析，藍莓的硬度和失重率比其他評價指標更能預測藍莓的新鮮度，關鍵微環境參數能有效表征水果的新鮮度變化。機器學習預測模型比傳統的Arrhenius方程新鮮度預測模型具有更強的優勢。研究結果為水果新鮮度的無損預測提供了一定的理論依據，也可以進一步規劃藍莓冷鏈物流，為生產商和經銷商的決策提供參考。

★歡迎引用:

想了解課題組更多信息，歡迎掃碼查看詳情：

張小栓教授肖新清副教授

智感未來，未來已來，歡迎掃碼關注本號！！

冷鏈服務業務聯系電話：19937817614