智能传感-基于机器学习和多源传感的冷链蓝莓新鲜度预测方法

时间：2023-10-30 09:27:09来源：admin01栏目：冷链新闻阅读：

★欢迎引用:

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

传统的水果新鲜度预测和建模严重依赖各种理化指标(如失水率、pH值、VC含量，简称QCI)和经典动力学方法，面临耗时、费力、破坏性大、预测精度低的困境。当前水果冷链过程中关键微环境参数之间的耦合和可变性导致了水果质量的动态性和不确定性。同时，对冷链过程关键参数的实时精确监控是质量建模的基础，建模方法的选择会导致水果新鲜度预测精度的变化。由于冷链物流的监控环境相对封闭，无法及时测量水果的QCI，阻碍了这些传统模型在冷链物流场景中的实际应用。因此需要一种智能化的水果新鲜度预测方法。

★ 创新点

中国农业大学张小栓教授团队提出了一种机器学习和多源感知的水果新鲜度预测改进方法。通过HACCP方法分析水果冷链，找寻关键微环境参数，并成功应用于蓝莓新鲜度预测。基于不同机器学习算法的特点，优化了神经网络模型和监督式/极限学习机的参数结构。相较于传统理化指标（QCI）和单一人工神经网络（ANN）的新鲜度预测方法，提出了基于4种机器学习方法的新鲜度预测改进模型。在不同温度下，可自由选择机器学习预测模型，且能够无损，动态，可持续的进行水果新鲜度监测和预测。最后，相较于经典Arrhenius方程方法，将水果新鲜度的预测精度提高了7个百分点。系统总体上缓解了传统的理化指标采集(QCI)预测方法无法应用于水果物流过程的挑战。

★ 文章解析

图1展示了本文的框架，它比较了传统的新鲜度评估与多传感器支持与大数据深度学习驱动的新鲜度分析。图1(a)，传统的以人为基础的新鲜度评价需要综合考虑感官评价(视觉和味觉)、物理和化学质量指标(pH值、SSC、硬度等)和质量管理(失重率和腐烂状态)。图1(b)为新兴的多传感器数据采集和神经网络算法处理的智能新鲜度分析系统。

图1：传统方法与本文方法的对比分析

为分析蓝莓冷链过程的关键参数和质量演化机制，首先根据HACCP方法对蓝莓冷链物流过程的关键控制点(CAP)进行危害分析，如图2所示。蓝莓冷链物流被分为以下六个阶段:收获阶段、预冷却阶段、包装和搬运阶段、运输阶段、冷藏阶段和营销阶段。采收阶段的目的是选择没有病虫害和机械损伤的蓝莓。需要控制的关键点是低温、清洁的环境和合理的包装(CAP-1)。预冷阶段和处理阶段的目的是尽量降低蓝莓的呼吸强度，需要控制的关键点是低温，一定的预冷时间，合理的蓝莓放置(CAP-2， CAP-3)。运输和冷藏阶段的目的是尽量减缓蓝莓品质的恶化，控制的重点是低温，合理的保存技术和防腐剂的用量，实时监测环境参数(CAP-4， CAP-5)。

图 2：基于HACCP的蓝莓冷链关键控制点分析

无线传感器网络(WSN)通过WSN节点实现对蓝莓冷链微环境中的温度、相对湿度、CO2、O2、C2H4等环境参数数据的实时采集，发送并存储微环境信息数据，最后通过GPRS无线数据传输模块将数据传输到云服务器，如图3a所示。每个WSN节点由控制单元、信息采集单元、存储单元、GPRS无线传输单元、a/D转换单元和时钟单元组成，如图3b所示。信息采集单元包括温湿度传感器模块、氧气传感器模块、二氧化碳传感器模块和乙烯传感器模块，如图3c所示。信息采集单元与A/D转换单元连接，将传感器采集到的模拟信号转换为数字信号，再转换为相关气体浓度值。所述信息采集单元、存储单元、A/D转换单元、时钟单元分别与控制单元连接;控制单元控制信息采集单元的采集过程、A/D转换单元的模数转换控制、时钟单元的记录过程，并将采集到的环境信息作为完整信息发送到存储单元进行存储。同时将数据发送到GPRS无线传输模块，上传到云服务器实时监控系统。

图 3：智能控制的WSN传感平台硬件框图

为更好的说明关键微环境参数能够表征蓝莓品质的变化，图4和图5测定了蓝莓样品的理化参数和关键微环境参数，并对它们进行了相关性分析。结果表明，用理化指标衡量蓝莓品质时，不同温度下能够有效指示果实品质的指标是不同的。氧气、二氧化碳和乙烯在不同温度下的变化趋势是相同的，但变化率是不同的，低温可以有效延缓氧浓度快速下降的时间。22℃时，CO2浓度到达峰值后开始下降，这可能与容器的密封性与传感器的性能漂移有关。在每一温度下，硬度、失重率、腐烂率等质量指标与三种气体的相关性都很高，表现出很强的相关性。失重和硬度与气体信息的相关系数均在0.95以上，衰减率与气体信息的相关系数部分在0.9以上，部分在0.8到0.9之间。

图 4：理化指标与关键微环境参数的含量测定

图 5：理化指标与关键微环境参数的相关性分析

基于经典Arrhenius方程方法和四种机器学习算法，比较了它们的预测准确性(如图6a-f所示)。用黑色虚线和4条不同颜色实线表示机器学习模型的新鲜度的实际值和预测值，虚线和实线的变化趋势具有较强的一致性。结果表明，传统方法的预测波动性较大，且是破坏性的非连续预测。相比之下，机器学习模型则是无损的，连续预测，精度也高的多。4种算法的预测精度相差不超过2.16%，这也为蓝莓冷链利益相关者提供了更多的选择。

图 6：传统新鲜度预测与本文新鲜度预测结果对比

★ 文章结论

针对传统水果冷链物流过程中新鲜度预测操作复杂、准确性不高的问题，开发了基于无线传感器网络(WSN)的冷链微环境监测平台，探讨了不同温度下基于两个理化评价指标和三个微环境参数的水果新鲜度预测模型。通过相关分析，蓝莓的硬度和失重率比其他评价指标更能预测蓝莓的新鲜度，关键微环境参数能有效表征水果的新鲜度变化。机器学习预测模型比传统的Arrhenius方程新鲜度预测模型具有更强的优势。研究结果为水果新鲜度的无损预测提供了一定的理论依据，也可以进一步规划蓝莓冷链物流，为生产商和经销商的决策提供参考。

★欢迎引用:

想了解课题组更多信息，欢迎扫码查看详情：

张小栓教授肖新清副教授

智感未来，未来已来，欢迎扫码关注本号！！

冷链服务业务联系电话：19937817614