CN108254513B - 一种鱼类货架期的判断方法及装置 - Google Patents
一种鱼类货架期的判断方法及装置 Download PDFInfo
- Publication number
- CN108254513B CN108254513B CN201711408396.3A CN201711408396A CN108254513B CN 108254513 B CN108254513 B CN 108254513B CN 201711408396 A CN201711408396 A CN 201711408396A CN 108254513 B CN108254513 B CN 108254513B
- Authority
- CN
- China
- Prior art keywords
- layer
- radial basis
- basis function
- neural network
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 claims abstract description 149
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 128
- 239000007789 gas Substances 0.000 claims abstract description 73
- 238000003062 neural network model Methods 0.000 claims abstract description 66
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 64
- 230000001580 bacterial effect Effects 0.000 claims abstract description 47
- 230000014509 gene expression Effects 0.000 claims abstract description 24
- 238000004321 preservation Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 16
- 238000012546 transfer Methods 0.000 claims description 14
- 238000000513 principal component analysis Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 11
- 230000000946 synaptic effect Effects 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 12
- 238000009826 distribution Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 86
- 241000276701 Oreochromis mossambicus Species 0.000 description 11
- 241000276707 Tilapia Species 0.000 description 8
- 235000013305 food Nutrition 0.000 description 7
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- 150000001412 amines Chemical class 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- KZBUYRJDOAKODT-UHFFFAOYSA-N Chlorine Chemical compound ClCl KZBUYRJDOAKODT-UHFFFAOYSA-N 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 210000003489 abdominal muscle Anatomy 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 150000001491 aromatic compounds Chemical class 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 239000001273 butane Substances 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- IJDNQMDRQITEOD-UHFFFAOYSA-N n-butane Chemical compound CCCC IJDNQMDRQITEOD-UHFFFAOYSA-N 0.000 description 1
- OFBQJSOFQDEBGM-UHFFFAOYSA-N n-pentane Natural products CCCCC OFBQJSOFQDEBGM-UHFFFAOYSA-N 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/12—Meat; Fish
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种鱼类货架期的判断方法及装置。方法包括：获取保存温度、保存时间和气体成分数据；将气体成分数据输至N个主成分表达式获取N个主成分值；将保存温度、保存时间和N个主成分值输入至第一径向基函数神经网络模型获取挥发性盐基氮的预测含量；将保存温度、保存时间和N个主成分值输入至第二径向基函数神经网络模型获取菌落总数的预测含量；在挥发性盐基氮的预测含量或菌落总数的预测含量大于挥发性盐基氮的预设值或菌落总数的预设值时，确定样本超过货架期。本发明能够快速的，无损的，操作简便的预测不同温度下鱼类新鲜度及货架期，在物流配送、零售过程进行快速、及时、无损的新鲜度及货架期预测和监测。
Description
技术领域
本发明涉物流监控技术领域，具体涉及一种鱼类货架期的判断方法及装置。
背景技术
近年来，渔业生产得到长足发展，水产加工业产值也持续增长。随之而来的鱼类食品质量安全问题也屡屡出现。由于鱼类的主要成分为：水、碳水化合物和蛋白质，在加工、运输、保存过程的不同温度变化会导致鱼肉品质劣变。因此，冷链物流、零售过程中鱼类食品的新鲜度和货架期尤其值得关注。
现有技术中对鱼类食品的品质检测及货架期的预测费时费力，不能对冷藏鱼类食品在物流配送、零售过程进行快速、及时、无损的新鲜度及货架期判断和预测，难以满足现代快节奏化时代的需求。因此，迫切需要一种针对不同温度下鱼类新鲜度及货架期的快速的、无损的、操作简便的判断方法。
发明内容
针对现有技术中的缺陷，本发明提供一种鱼类货架期的判断方法及装置，实现了鱼肉在冷链物流、零售过程中货架期判定及预测，为鱼肉质量和安全的监测和控制提供支持。
为实现上述目的，本发明提供以下技术方案：
一方面，本发明提供了一种鱼类货架期的判断方法，包括：
获取鱼类样本的保存温度和保存时间，并采集所述保存温度和所述保存时间下的鱼类样本的气体成分数据；
将所述气体成分数据输入至N个主成分表达式中，获取N个主成分值；
将所述保存温度、所述保存时间和所述N个主成分值作为输入参数，输入至第一径向基函数神经网络模型中，获取挥发性盐基氮的预测含量；
将所述保存温度、所述保存时间和所述N个主成分值作为输入参数，输入至第二径向基函数神经网络模型中，获取菌落总数的预测含量；
在所述挥发性盐基氮的预测含量或所述菌落总数的预测含量大于挥发性盐基氮的预设值或菌落总数的预设值时，确定鱼类样本超过货架期。
进一步的，所述判断方法还包括：
采集鱼类样本在不同保存温度和不同保存时间下挥发性气体的气体成分数据、挥发性盐基氮的实测含量和菌落总数的实测含量；
对采集的所述气体成分数据进行主成分分析获取主成分的贡献率，将主成分按贡献率从大到小排列后，提取前N个主成分的N个主成分表达式；
将所述气体成分数据输入至N个主成分表达式中，获取N个主成分值；
采用径向基函数神经网络建立第一径向基函数神经网络模型，其中，将保存温度、保存时间、N个主成分值和挥发性盐基氮的实测含量作为训练样本，所述保存温度、所述保存时间和所述N个主成分值作为输入层的输入参数，将径向基函数作为隐含层的传递函数，将挥发性盐基氮的实测含量作为输出层的输出参数，建立第一径向基函数神经网络模型；
采用径向基函数神经网络建立第二径向基函数神经网络模型，其中，将保存温度、保存时间、N个主成分值和菌落总数的实测含量作为训练样本，所述保存温度、所述保存时间和所述N个主成分值作为输入层的输入参数，将径向基函数作为隐含层的传递函数，将菌落总数的实测含量作为输出层的输出参数，建立第二径向基函数神经网络模型。
进一步的，所述第一径向基函数神经网络模型，包括：
第一输入层、第一隐含层和第一输出层；
所述第一输入层，用于输入多个输入参数；
所述第一隐含层的映射函数为：
其中，xa表示第一输入层的输入参数，xai表示第一输入层的第i个输入参数，i＝1,2,3....n；waji表示第一径向基函数神经网络模型中的突触权值；X为第一输出层的输入参数；
所述第一输出层，用于输出挥发性盐基氮的预测含量，映射函数为：
YTVB-N＝∑wajX+bk1；
其中，waj表示第一隐含层到第一输出层的权值，bk1表示第一隐含层到第一输出层的阈值，YTVB-N为第一输出层的输出参数。
进一步的，所述第二径向基函数神经网络模型，包括：
第二输入层、第二隐含层和第二输出层；
所述第二输入层，用于输入多个输入参数；
所述第二隐含层的映射函数为：
其中，xb表示第二输入层的输入参数，xbi表示第二输入层的第i个输入参数，i＝1,2,3....n；wbji表示第二径向基函数神经网络模型中的突触权值；R为第二输出层的输入参数；
所述第二输出层，用于输出菌落总数的预测含量，映射函数为：
YTAC＝∑wbjR+bk2；
其中，wbj表示第二隐含层到第二输出层的权值，bk2表示第二隐含层到第二输出层的阈值，YTAC为第二输出层的输出参数。
进一步的，N个所述主成分的累计贡献率大于90％。
进一步的，采用气味传感器采集鱼类样本挥发性气体的气体成分数据，所述气体成分数据为所述气味传感器的响应值。
进一步的，所述挥发性盐基氮的预设值为：20mg/100g；
所述菌落总数的预设值为：6log10CFU/g。
另一方面，本发明还提供了一种鱼类货架期的判断装置，包括：
采集单元，用于获取鱼类样本的保存温度和保存时间，并采集所述保存温度和所述保存时间下的鱼类样本的气体成分数据；
计算单元，用于将所述气体成分数据输入至N个主成分表达式中，获取N个主成分值；
第一预测单元，用于将所述保存温度、所述保存时间和所述N个主成分值作为输入参数，输入至第一径向基函数神经网络模型中，获取挥发性盐基氮的预测含量；
第二预测单元，用于将所述保存温度、所述保存时间和所述N个主成分值作为输入参数，输入至第二径向基函数神经网络模型中，获取菌落总数的预测含量；
判断单元，用于在所述挥发性盐基氮的预测含量或所述菌落总数的预测含量大于挥发性盐基氮的预设值或菌落总数的预设值时，确定鱼类样本超过货架期。
进一步的，所述判断装置还包括：
获取单元，用于采集鱼类样本在不同保存温度和不同保存时间下挥发性气体的气体成分数据、挥发性盐基氮的实测含量和菌落总数的实测含量；
提取单元，用于对采集的所述气体成分数据进行主成分分析获取主成分的贡献率，将主成分按贡献率从大到小排列后，提取前N个主成分的N个主成分表达式；
输出单元，用于将所述气体成分数据输入至N个主成分表达式中，获取N个主成分值；
第一建模单元，用于采用径向基函数神经网络建立第一径向基函数神经网络模型，其中，将保存温度、保存时间、N个主成分值和挥发性盐基氮的实测含量作为训练样本，所述保存温度、所述保存时间和所述N个主成分值作为输入层的输入参数，将径向基函数作为隐含层的传递函数，将挥发性盐基氮的实测含量作为输出层的输出参数，建立第一径向基函数神经网络模型；
第二建模单元，用于采用径向基函数神经网络建立第一径向基函数神经网络模型，其中，将保存温度、保存时间、N个主成分值和菌落总数的实测含量作为训练样本，所述保存温度、所述保存时间和所述N个主成分值作为输入层的输入参数，将径向基函数作为隐含层的传递函数，将菌落总数的实测含量作为输出层的输出参数，建立第二径向基函数神经网络模型。
由上述技术方案可知，本发明所述的一种鱼类货架期的判断方法及装置，能够快速的，无损的，操作简便的预测不同温度下鱼类新鲜度及货架期，在物流配送、零售过程进行快速、及时、无损的新鲜度及货架期监测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供一种鱼类货架期的判断方法的流程示意图；
图2是本发明实施例提供的第一径向基函数神经网络模型和第二径向基函数神经网络模型的建立方法的流程示意图；
图3是本发明实施例提供一种鱼类货架期的判断方法中TVB-N的预测值和实测值的回归方程曲线图；
图4是本发明实施例提供一种鱼类货架期的判断方法中TAC的预测值和实测值的回归方程曲线图；
图5是本发明实施例提供一种鱼类货架期的判断装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提出了一种鱼类货架期的判断方法，参见图1，该判断方法具体包括：
S101：获取鱼类样本的保存温度和保存时间，并采集所述保存温度和所述保存时间下的鱼类样本的气体成分数据；
在本步骤中，提取鱼类食品的样本，鱼类食品的保存条件中的保存温度和保存时间即为样本的保存温度和保存时间，通过采用气味传感器采集鱼类样本挥发性气体的气体成分数据，所述气体成分数据为所述气味传感器的响应值。
其中，鱼类样本的保存时间是鱼类样本处于的保存温度的持续时间，该持续时间从鱼类样本处于该保存温度下为起始，到采集鱼类样本的气体成分数据时终止。
S102：将所述气体成分数据输入至N个主成分表达式中，获取N个主成分值；
在本步骤中，通过将气体成分数据输入至预先设置的N个主成分表达式中，得到N个主成分值。其中，采用主成分分析方法从原始变量中导出N个主成分，N个主成分的计算公式即为N个主成分表达式。
S103：将所述保存温度、所述保存时间和所述N个主成分值作为输入参数，输入至第一径向基函数神经网络模型中，获取挥发性盐基氮的预测含量；
在本步骤中，需要上述步骤S101和步骤S102中确认的气体成分数据和N个主成分值，将保存温度、保存时间和N个主成分值作为输入参数，输入至第一径向基函数神经网络模型中，即可获取样本中挥发性盐基氮的预测含量。
其中，第一径向基函数神经网络模型，包括：第一输入层、第一隐含层和第一输出层；
所述第一输入层，用于输入多个输入参数；
所述第一隐含层的映射函数为：
其中，xa表示第一输入层的输入参数，xai表示第一输入层的第i个输入参数，i＝1,2,3....n；waji表示第一径向基函数神经网络模型中的突触权值；X为第一输出层的输入参数；
所述第一输出层，用于输出挥发性盐基氮的含量，映射函数为：
YTVB-N＝∑wajX+bk1；
其中，waj表示第一隐含层到第一输出层的权值，bk1表示第一隐含层到第一输出层的阈值，YTVB-N为第一输出层的输出参数；
在第一径向基函数神经网络模型输出参数YTVB-N后，经过下述公式进行转换，得到样本中的挥发性盐基氮的预测含量；
TVB-N＝8.76YTVB-N+19；
其中，TVB-N为挥发性盐基氮的预测含量。
S104：将所述保存温度、所述保存时间和所述N个主成分值作为输入参数，输入至第二径向基函数神经网络模型中，获取菌落总数的预测含量；
在本步骤中，需要上述步骤S101和步骤S102中确认的气体成分数据和N个主成分值，将保存温度、保存时间和N个主成分值作为输入参数，输入至第二径向基函数神经网络模型中，即可获取样本中菌落总数的预测含量。
其中，第二径向基函数神经网络模型，包括：第二输入层、第二隐含层和第二输出层；
所述第二输入层，用于输入多个输入参数；
所述第二隐含层的映射函数为：
其中，xb表示第二输入层的输入参数，xbi表示第二输入层的第i个输入参数，i＝1,2,3....n；wbji表示第二径向基函数神经网络模型中的突触权值；R为第二输出层的输入参数；
所述第二输出层，用于输出菌落总数的含量，映射函数为：
YTAC＝∑wbjR+bk2；
其中，wbj表示第二隐含层到第二输出层的权值，bk2表示第二隐含层到第二输出层的阈值，YTAC为第二输出层的输出参数；
在第二径向基函数神经网络模型输出参数YTAC后，经过下述公式进行转换，得到样本中的菌落总数的预测含量；
TAC＝2.33YTAC+5.48；
其中，TAC为菌落总数的预测含量。
S105：在所述挥发性盐基氮的预测含量或所述菌落总数的预测含量大于挥发性盐基氮的预设值或菌落总数的预设值时，确定鱼类样本超过货架期。
在本步骤中，根据上述步骤确定的挥发性盐基氮的预测含量和菌落总数的预测含量，以及国标规定的鱼类新鲜度最大限值(根据GB 2733-2015《鲜、冻动物性水产品安全标准》的规定，鱼类的TVB-N值不得大于20mg/100g；根据国标规定GB2733-2005要求的鲜度范围不得超过6log10CFU/g)，判断样本是否达到货架期。若挥发性盐基氮的预测含量和菌落总数的预测含量中任一指标超过最大限值，则样本超过货架期。
其中，挥发性盐基氮的预设值为：20mg/100g；菌落总数的预设值为：6log10CFU/g。
从上述描述可知，本发明能够快速的，无损的，操作简便的预测不同温度下鱼类新鲜度及货架期，在物流配送、零售过程进行快速、及时、无损的新鲜度及货架期预测和监测，能够满足现代快节奏化时代的需求。
在上述实施方式的基础上，提供一种鱼类货架期的判断方法中，第一径向基函数神经网络模型和第二径向基函数神经网络模型的建立方法，参见图2，具体包括如下步骤：
S201：采集鱼类样本在不同保存温度和不同保存时间下挥发性气体的气体成分数据、挥发性盐基氮的实测含量和菌落总数的实测含量；
在本步骤中，将鱼类进行剖切，获取鱼类的多个样本，将每一个样本贮藏于不同保存温度的高精度低温培养箱中，间隔一定的保存时间后，对高精度低温培养箱中的样本进行采集，采集样本挥发出的气体，并确定挥发性气体的气体成分数据；其中，通过多个不同种类的传感器采集样本挥发性气体的气体成分数据，气体成分数据为所述气味传感器的响应值。
挥发性盐基氮的实测含量按照GB/T 9695.4-2009中的微量扩散法进行测定；
菌落总数的实测含量按GB4789.2-2003规定的方法进行稀释平板技术，在30±1℃温箱内培养72±3h后进行测定。
S202：对采集的所述气体成分数据进行主成分分析获取主成分的贡献率，将主成分按贡献率从大到小排列后，提取前N个主成分的N个主成分表达式；
在本步骤中，获取样本在不同保存温度和不同保存时间的气体成分数据，将获取的所有气体成分数据进行主成分分析，得到主成分的贡献率；按照主成分贡献率从大到小进行排列，获取贡献率大的N个主成分和N个主成分表达式，其中，N个主成分的累计贡献率大于90％，当累计贡献率大于90％时，即可认为当前的N个主成分代表样本挥发出的气体成分含量。
S203：将所述气体成分数据输入至N个主成分表达式中，获取N个主成分值；
在本步骤中，通过将气体成分数据输入至预先设置的N个主成分表达式中，得到N个主成分值。其中，采用主成分分析方法从原始变量中导出N个主成分，N个主成分的计算公式即为N个主成分表达式。
S204：采用径向基函数神经网络建立第一径向基函数神经网络模型，其中，将保存温度、保存时间、N个主成分值和挥发性盐基氮的实测含量作为训练样本，所述保存温度、所述保存时间和所述N个主成分值作为输入层的输入参数，将径向基函数作为隐含层的传递函数，将挥发性盐基氮的实测含量作为输出层的输出参数，建立第一径向基函数神经网络模型；
在本步骤中，将保存温度、保存时间、N个主成分值和挥发性盐基氮的实测含量作为训练样本，其中，相同时刻下的保存温度、保存时间、N个主成分值和挥发性盐基氮的实测含量作为一组训练样本，采用径向基函数神经网络算法对多组训练样本进行训练或学习，通过训练或学习建立第一径向基函数神经网络模型。
S205：采用径向基函数神经网络建立第二径向基函数神经网络模型，其中，将保存温度、保存时间、N个主成分值和菌落总数的实测含量作为训练样本，所述保存温度、所述保存时间和所述N个主成分值作为输入层的输入参数，将径向基函数作为隐含层的传递函数，将菌落总数的实测含量作为输出层的输出参数，建立第二径向基函数神经网络模型。
在本步骤中，将保存温度、保存时间、N个主成分值和菌落总数的实测含量作为训练样本，其中，相同时刻下的保存温度、保存时间、N个主成分值和菌落总数的实测含量作为一组训练样本，采用径向基函数神经网络算法对多组训练样本进行训练或学习，通过训练或学习建立第二径向基函数神经网络模型。
从上述描述可知，根据贮藏温度及时间构建基于气味传感器的波动温度下鱼类样本挥发性盐基氮和菌落总数预测模型，可无损、及时的预测鱼类样本挥发性盐基氮和菌落总数含量。
为更近一步的对本发明的方法进行详细说明，本法明提供一种鱼类货架期的判断方法的具体应用实例，具体内容如下：
将鲜活的罗非鱼用木棍敲击致死，去鳞、去内脏、去头，将刀口从鱼尾部贴着中骨向鳃部剖切，将背腹肌肉沿鳃边割下，然后反转进行剖切，将鱼片稍修后贮藏于0℃、4℃、7℃和10℃高精度低温培养箱中。
将不同贮藏温度下的罗非鱼片放置于气味传感器采集装置中进行采集，其中试验参数设置为：样品准备5min，采样时间为120s，洗涤时间120s。气味传感器响应值即G/G0(相对电导率)，G和G0分别代表样品气体的电导率和金属传感器吸附过滤后的空气的电导率。
采用18根金属氧化物的气味传感器的探测系统，其中气味传感器分别为，LY2/LG：对氧化气体敏感；LY2/G：对胺类、一氧化碳敏感；LY2/AA、P30/2、TA/2：对乙醇敏感；LY2/GH：对胺类敏感；LY2/GCTL：对硫化氢敏感；LY2/GCT：对丙烷、丁烷类敏感；T30/1：对有机化合物敏感；P10/1：对烃类、甲烷类敏感；P10/2：对甲烷类敏感；P40/1、T40/1：对氟类气体敏感；P40/2、T40/2：对氯气类敏感；T70/2：对芳香族化合物敏感；PA/2：对乙醇、氨类敏感；P30/1：对烃类敏感。
将整个鱼片作为样本放置于1L的进样袋中，即刻密封，将通向过滤后的空气(活性炭过滤)和外部的阀关闭，集气5min后，通过微型泵持续将进样袋内气体抽出，并由气味传感器对抽出气体进行检测。取出样品后，连续通入过滤后的空气120s，排出废气并还原气味传感器。待气味传感器响应曲线回到基线，方可进行下一个样本的检测。
对气味传感器响应值进行主成分分析(PCA)，求18根气味传感器阵列的主成分值，最终提取累计贡献率达94.2％的前3个主成分信息作为新数据集的特征值：
其中，Y1为第一主成分值，{xi,i＝1,2,3…18}为18根气味传感器的响应值。
其中，Y2为第二主成分值，{xi,i＝1,2,3…18}为18根传感器的响应值。
其中，Y3为第三主成分值，{xi,i＝1,2,3…18}为18根气味传感器的响应值。
采用径向基函数神经网络进行建模，由输入层、隐含层和输入层组成。将保存温度(Temperature)、保存时间(Time)、3个主成分值(Y1，Y2，Y3)和挥发性盐基氮的实测含量作为训练样本，保存温度(Temperature)、保存时间(Time)、3个主成分值(Y1，Y2，Y3)作为输入层，隐含层采用径向基函数作为传递函数，挥发性盐基氮的实测含量作为输出层，构建罗非鱼片挥发性盐基氮(TVB-N)的主成分分析(PCA)-径向基函数神经网络模型。
罗非鱼片TVB-N的PCA-径向基函数神经网络预测模型为：
输入层：
X1＝(Temperature-278)/5(273K＜Temperature＜283K)；
X2＝(Time-8)/7/(Time＞0day)；
X3＝(Y1-827.3)/222.5(604.8＜Y1＜1049.8)；
X4＝(Y2-2.74)/1.89(0.85＜Y2＜4.63)；
X5＝(Y3-1.87)/0.22(1.65＜Y3＜2.09)；
隐含层：
其中，xi表示输入参数，wji表示突触权值，wj0表示阈值；
输出层：
YTVB-N＝∑wjXj+bk；
wj＝[-137.7111 117.1882 -44.3057 131.2202 2.4936 -312.7732 32.3786 -11.4413 209.4309 6.9844 -23.3277 113.3584 -130.2914 37.3240]；
bk＝3.3476；
其中，wj表示隐含层到输出层的权值及bk表示对应的阈值。
经过下述公式进行转换，得到样本中的挥发性盐基氮的预测含量：
TVB-N＝8.76YTVB-N+19。
采用径向基函数神经网络进行建模，由输入层、隐含层和输入层组成。将保存温度(Temperature)、保存时间(Time)、3个主成分值(Y1，Y2，Y3)和菌落总数的实测含量作为训练样本，保存温度(Temperature)、保存时间(Time)、3个主成分值(Y1，Y2，Y3)作为输入层，隐含层采用径向基函数作为传递函数，菌落总数的实测含量作为输出层，构建罗非鱼片菌落总数(TAC)的主成分分析(PCA)-径向基函数神经网络模型。
罗非鱼片TAC的PCA-径向基函数神经网络预测模型为：
输入层：
X1＝(Temperature-278)/5(273K＜Temperature＜283K)；
X2＝(Time-8)/7/(Time＞0day)；
X3＝(Y1-827.3)/222.5(604.8＜Y1＜1049.8)；
X4＝(Y2-2.74)/1.89(0.85＜Y2＜4.63)；
X5＝(Y3-1.87)/0.22(1.65＜Y3＜2.09)；
隐含层：
其中，xi表示输入参数，wji表示突触权值，wj0表示阈值；
输出层：
YTAC＝∑wiRi+bk
wj＝[-175.1715 170.3269 0.2452 28.1214 4.2081 -36.7088 66.7558 1.517556.1962 24.7488 -102.0253 104.2391 -181.5565 54.2335]；
bk＝-5.7895；
其中，wj表示隐含层到输出层的权值及bk表示对应的阈值。
经过下述公式进行转换，得到样本中的菌落总数的预测含量：
TAC＝2.33YTAC+5.48。
应用已经建立的TVB-N和TAC模型分别求得4℃贮藏时的TVB-N和TAC预测含量，与在4℃实际贮藏过程中的实测含量进行比较，采用“相对误差＝(C预测值-C实测值)×100％/C实测值”来评价新鲜度模型的可靠性。
参见图3和图4所示，4℃下罗非鱼片TVB-N和TAC预测值和实测值的回归方程分别为yTVB-N＝1.2242x-2.6702，R2＝0.9886；yTAC＝0.9293x+0.6683，R2＝0.9578；其中，在图3和图4中，横坐标为预测值纵坐标为实测值。验证样品次数n≥40，4℃的TVB-N和TAC预测的平均相对误差分别在14％和12％以内，表明所建立的基于气味传感器的0～10℃的TVB-N和TAC模型可以较好地预测0～10℃范围内任意温度的鱼肉TVB-N和TAC含量。
通过利用气味传感器检测系统，获取罗非鱼片腐败的气味信息，选取气味传感器响应值，根据贮藏温度及时间构建基于气味传感器的波动温度下罗非鱼片TVB-N和TAC预测模型，可无损、及时的预测罗非鱼片TVB-N和TAC含量；开发服务器端冷链罗非鱼片货架期预测系统，通过TVB-N和TAC预测含量及2个指标的鲜度最大限值实现对冷链货架期的判定及预测，实现货架期预测的数据统计。
本申请从多温度波动、基于物流实际应用、无损、及时检测方面，构建了一种基于气味传感器的支持物流过程、零售过程温度变化的罗非鱼片货架期预测方法，方便企业、质检员、消费者等对罗非鱼片货架期进行判定，同时提升了罗非鱼片质量控制技术。
本申请能够有效提升了对罗非鱼片品质检验及货架期预测的速度及能力，保证罗非鱼片质量的同时节省食品检验的时间。
本发明实施例提供一种鱼类货架期的判断装置，参见图5，包括：
采集单元10，用于获取鱼类样本的保存温度和保存时间，并采集所述保存温度和所述保存时间下的鱼类样本的气体成分数据；
计算单元20，用于将所述气体成分数据输入至N个主成分表达式中，获取N个主成分值；
第一预测单元30，用于将所述保存温度、所述保存时间和所述N个主成分值作为输入参数，输入至第一径向基函数神经网络模型中，获取挥发性盐基氮的预测含量；
第二预测单元40，用于将所述保存温度、所述保存时间和所述N个主成分值作为输入参数，输入至第二径向基函数神经网络模型中，获取菌落总数的预测含量；
判断单元50，用于在所述挥发性盐基氮的预测含量或所述菌落总数的预测含量大于挥发性盐基氮的预设值或菌落总数的预设值时，确定鱼类样本超过货架期。
进一步的，所述判断装置还包括：
获取单元，用于采集鱼类样本在不同保存温度和不同保存时间下挥发性气体的气体成分数据、挥发性盐基氮的实测含量和菌落总数的实测含量；
提取单元，用于对采集的所述气体成分数据进行主成分分析获取主成分的贡献率，将主成分按贡献率从大到小排列后，提取前N个主成分的N个主成分表达式；
输出单元，用于将所述气体成分数据输入至N个主成分表达式中，获取N个主成分值；
第一建模单元，用于采用径向基函数神经网络建立第一径向基函数神经网络模型，其中，将保存温度、保存时间、N个主成分值和挥发性盐基氮的实测含量作为训练样本，所述保存温度、所述保存时间和所述N个主成分值作为输入层的输入参数，将径向基函数作为隐含层的传递函数，将挥发性盐基氮的实测含量作为输出层的输出参数，建立第一径向基函数神经网络模型；
第二建模单元，用于采用径向基函数神经网络建立第一径向基函数神经网络模型，其中，将保存温度、保存时间、N个主成分值和菌落总数的实测含量作为训练样本，所述保存温度、所述保存时间和所述N个主成分值作为输入层的输入参数，将径向基函数作为隐含层的传递函数，将菌落总数的实测含量作为输出层的输出参数，建立第二径向基函数神经网络模型
从上述描述可知，本发明能够快速的，无损的，操作简便的预测不同温度下鱼类新鲜度及货架期，在物流配送、零售过程进行快速、及时、无损的新鲜度及货架期预测和监测，能够满足现代快节奏化时代的需求。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (5)
1.一种鱼类货架期的判断方法，其特征在于，包括：
获取鱼类样本的保存温度和保存时间，并采集所述保存温度和所述保存时间下的鱼类样本的气体成分数据；
将所述气体成分数据输入至N个主成分表达式中，获取N个主成分值；
将所述保存温度、所述保存时间和所述N个主成分值作为输入参数，输入至第一径向基函数神经网络模型中，获取挥发性盐基氮的预测含量；
将所述保存温度、所述保存时间和所述N个主成分值作为输入参数，输入至第二径向基函数神经网络模型中，获取菌落总数的预测含量；
在所述挥发性盐基氮的预测含量或所述菌落总数的预测含量大于挥发性盐基氮的预设值或菌落总数的预设值时，确定鱼类样本超过货架期；
所述判断方法还包括：
采集鱼类样本在不同保存温度和不同保存时间下挥发性气体的气体成分数据、挥发性盐基氮的实测含量和菌落总数的实测含量；
对采集的所述在不同保存温度和不同保存时间下挥发性气体的气体成分数据进行主成分分析获取主成分的贡献率，将主成分按贡献率从大到小排列后，提取前N个主成分的N个主成分表达式；
将所述在不同保存温度和不同保存时间下挥发性气体的气体成分数据输入至N个主成分表达式中，获取N个主成分值；
采用径向基函数神经网络建立第一径向基函数神经网络模型，其中，将不同保存温度、不同保存时间、N个主成分值和挥发性盐基氮的实测含量作为训练样本，所述不同保存温度、所述不同保存时间和所述N个主成分值作为输入层的输入参数，将径向基函数作为隐含层的传递函数，将挥发性盐基氮的实测含量作为输出层的输出参数，建立第一径向基函数神经网络模型；
采用径向基函数神经网络建立第二径向基函数神经网络模型，其中，将不同保存温度、不同保存时间、N个主成分值和菌落总数的实测含量作为训练样本，所述不同保存温度、所述不同保存时间和所述N个主成分值作为输入层的输入参数，将径向基函数作为隐含层的传递函数，将菌落总数的实测含量作为输出层的输出参数，建立第二径向基函数神经网络模型；
所述第一径向基函数神经网络模型，包括：
第一输入层、第一隐含层和第一输出层；
所述第一输入层，用于输入多个输入参数；
所述第一隐含层的映射函数为：
其中，xai表示第一输入层的第i个输入参数，i＝1,2,3....n；waji表示第一径向基函数神经网络模型中的突触权值；X为第一输出层的输入参数；
所述第一输出层，用于输出挥发性盐基氮的预测含量，映射函数为：
YTVB-N＝ΣwajX+bk1；
其中，waj表示第一隐含层到第一输出层的权值，bk1表示第一隐含层到第一输出层的阈值，YTVB-N为第一输出层的输出参数；
鱼类样本的挥发性盐基氮的预测含量为：
TVB-N＝8.76YTVB-N+19；
其中，TVB-N为挥发性盐基氮的预测含量；
所述第二径向基函数神经网络模型，包括：
第二输入层、第二隐含层和第二输出层；
所述第二输入层，用于输入多个输入参数；
所述第二隐含层的映射函数为：
其中，xbi表示第二输入层的第i个输入参数，i＝1,2,3....n；wbji表示第二径向基函数神经网络模型中的突触权值；R为第二输出层的输入参数；
所述第二输出层，用于输出菌落总数的预测含量，映射函数为：
YTAC＝∑wbjR+bk2；
其中，wbj表示第二隐含层到第二输出层的权值，bk2表示第二隐含层到第二输出层的阈值，YTAC为第二输出层的输出参数；
鱼类样本中的菌落总数的预测含量为：
TAC＝2.33YTAC+5.48；
其中，TAC为菌落总数的预测含量。
2.根据权利要求1所述的判断方法，其特征在于，N个所述主成分的累计贡献率大于90％。
3.根据权利要求1所述的判断方法，其特征在于，采用气味传感器采集鱼类样本挥发性气体的气体成分数据，所述挥发性气体的气体成分数据为所述气味传感器的响应值。
4.根据权利要求1所述的判断方法，其特征在于，所述挥发性盐基氮的预设值为：20mg/100g；
所述菌落总数的预设值为：6log10CFU/g。
5.一种鱼类货架期的判断装置，其特征在于，包括：
采集单元，用于获取鱼类样本的保存温度和保存时间，并采集所述保存温度和所述保存时间下的鱼类样本的气体成分数据；
计算单元，用于将所述气体成分数据输入至N个主成分表达式中，获取N个主成分值；
第一预测单元，用于将所述保存温度、所述保存时间和所述N个主成分值作为输入参数，输入至第一径向基函数神经网络模型中，获取挥发性盐基氮的预测含量；
第二预测单元，用于将所述保存温度、所述保存时间和所述N个主成分值作为输入参数，输入至第二径向基函数神经网络模型中，获取菌落总数的预测含量；
判断单元，用于在所述挥发性盐基氮的预测含量或所述菌落总数的预测含量大于挥发性盐基氮的预设值或菌落总数的预设值时，确定鱼类样本超过货架期；
所述判断装置还包括：
获取单元，用于采集鱼类样本在不同保存温度和不同保存时间下挥发性气体的气体成分数据、挥发性盐基氮的实测含量和菌落总数的实测含量；
提取单元，用于对采集的所述在不同保存温度和不同保存时间下挥发性气体的气体成分数据进行主成分分析获取主成分的贡献率，将主成分按贡献率从大到小排列后，提取前N个主成分的N个主成分表达式；
输出单元，用于将所述在不同保存温度和不同保存时间下挥发性气体的气体成分数据输入至N个主成分表达式中，获取N个主成分值；
第一建模单元，用于采用径向基函数神经网络建立第一径向基函数神经网络模型，其中，将不同保存温度、不同保存时间、N个主成分值和挥发性盐基氮的实测含量作为训练样本，所述不同保存温度、所述不同保存时间和所述N个主成分值作为输入层的输入参数，将径向基函数作为隐含层的传递函数，将挥发性盐基氮的实测含量作为输出层的输出参数，建立第一径向基函数神经网络模型；
第二建模单元，用于采用径向基函数神经网络建立第一径向基函数神经网络模型，其中，将不同保存温度、不同保存时间、N个主成分值和菌落总数的实测含量作为训练样本，所述不同保存温度、所述不同保存时间和所述N个主成分值作为输入层的输入参数，将径向基函数作为隐含层的传递函数，将菌落总数的实测含量作为输出层的输出参数，建立第二径向基函数神经网络模型；
所述第一径向基函数神经网络模型，包括：
第一输入层、第一隐含层和第一输出层；
所述第一输入层，用于输入多个输入参数；
所述第一隐含层的映射函数为：
其中，xai表示第一输入层的第i个输入参数，i＝1,2,3....n；waji表示第一径向基函数神经网络模型中的突触权值；X为第一输出层的输入参数；
所述第一输出层，用于输出挥发性盐基氮的预测含量，映射函数为：
YTVB-N＝∑wajX+bk1；
其中，waj表示第一隐含层到第一输出层的权值，bk1表示第一隐含层到第一输出层的阈值，YTVB-N为第一输出层的输出参数；
鱼类样本的挥发性盐基氮的预测含量为：
TVB-N＝8.76YTVB-N+19；
其中，TVB-N为挥发性盐基氮的预测含量；
所述第二径向基函数神经网络模型，包括：
第二输入层、第二隐含层和第二输出层；
所述第二输入层，用于输入多个输入参数；
所述第二隐含层的映射函数为：
其中，xbi表示第二输入层的第i个输入参数，i＝1,2,3....n；wbji表示第二径向基函数神经网络模型中的突触权值；R为第二输出层的输入参数；
所述第二输出层，用于输出菌落总数的预测含量，映射函数为：
YTAC＝∑wbjR+bk2；
其中，wbj表示第二隐含层到第二输出层的权值，bk2表示第二隐含层到第二输出层的阈值，YTAC为第二输出层的输出参数；
鱼类样本中的菌落总数的预测含量为：
TAC＝2.33YTAC+5.48；
其中，TAC为菌落总数的预测含量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711408396.3A CN108254513B (zh) | 2017-12-22 | 2017-12-22 | 一种鱼类货架期的判断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711408396.3A CN108254513B (zh) | 2017-12-22 | 2017-12-22 | 一种鱼类货架期的判断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108254513A CN108254513A (zh) | 2018-07-06 |
| CN108254513B true CN108254513B (zh) | 2020-12-29 |
Family
ID=62722779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711408396.3A Active CN108254513B (zh) | 2017-12-22 | 2017-12-22 | 一种鱼类货架期的判断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108254513B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816150A (zh) * | 2018-12-29 | 2019-05-28 | 中国农业大学 | 一种采后鲜食葡萄货架期预测方法及装置 |
| CN110210680A (zh) * | 2019-06-11 | 2019-09-06 | 北京农业信息技术研究中心 | 一种基于温度变化的鱼体新鲜度检测方法和装置 |
| CN111724350A (zh) * | 2020-05-29 | 2020-09-29 | 北京农业信息技术研究中心 | 鱼体新鲜度无损检测方法及装置 |
| CN112345717A (zh) * | 2020-10-15 | 2021-02-09 | 武汉轻工大学 | 基于神经网络的冷鲜猪肉品质预测方法 |
| CN112345716A (zh) * | 2020-10-15 | 2021-02-09 | 武汉轻工大学 | 基于神经网络的冷鲜猪肉的货架期预测方法 |
| CN112417008A (zh) * | 2020-12-07 | 2021-02-26 | 渤海大学 | 一种基于机器学习的鱼类品质判定方法 |
| CN112986508A (zh) * | 2021-02-22 | 2021-06-18 | 上海应用技术大学 | 海鲜新鲜度检测方法及系统 |
| CN113791055B (zh) * | 2021-08-17 | 2024-05-14 | 北京农业信息技术研究中心 | 一种鱼肉新鲜度检测方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102297930A (zh) * | 2011-07-20 | 2011-12-28 | 浙江大学 | 一种识别与预测肉新鲜度的方法 |
| CN102650632B (zh) * | 2012-05-24 | 2014-06-25 | 上海海洋大学 | 一种应用于波动温度下评价冷却猪肉货架期的方法 |
| CN103412102B (zh) * | 2013-08-01 | 2015-01-07 | 浙江工商大学 | 鸡胸脯肉新鲜度检测装置及检测方法 |
| CN103439471A (zh) * | 2013-08-19 | 2013-12-11 | 华南理工大学 | 一种基于冷冻-解冻循环的淡水鱼片新鲜度检测方法 |
-
2017
- 2017-12-22 CN CN201711408396.3A patent/CN108254513B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108254513A (zh) | 2018-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108254513B (zh) | 一种鱼类货架期的判断方法及装置 | |
| Jia et al. | Electronic noses as a powerful tool for assessing meat quality: A mini review | |
| Chen et al. | Nondestructively sensing of total viable count (TVC) in chicken using an artificial olfaction system based colorimetric sensor array | |
| Balasubramanian et al. | Neural networks-integrated metal oxide-based artificial olfactory system for meat spoilage identification | |
| CN102297930A (zh) | 一种识别与预测肉新鲜度的方法 | |
| Zhang et al. | Electronic nose with an air sensor matrix for detecting beef freshness | |
| CN101655471B (zh) | 一种气体传感器检测鸡蛋新鲜度的方法 | |
| Wijaya et al. | Gas concentration analysis of resistive gas sensor array | |
| CN107102035B (zh) | 一种基于电子鼻的猪肉冷冻储藏期的无损检测方法 | |
| CN100575950C (zh) | 一种水果成熟度预测方法 | |
| CN104483458A (zh) | 一种预测冷链猪肉货架期的方法与系统 | |
| CN110210680A (zh) | 一种基于温度变化的鱼体新鲜度检测方法和装置 | |
| CN104330382A (zh) | 一种生鲜牛肉的安全分级方法 | |
| CN109852677B (zh) | 一种冷链肉与肉制品物流过程中品质智能检测方法及系统 | |
| Tang et al. | Rapid evaluation of chicken meat freshness using gas sensor array and signal analysis considering total volatile basic nitrogen | |
| Goyal | Artificial neural networks (ANNs) in food science–A review | |
| Sanaeifar et al. | Application of an electronic nose system coupled with artificial neural network for classification of banana samples during shelf-life process | |
| JP2016505840A5 (zh) | ||
| Castrica et al. | Evaluation of smart portable device for food diagnostics: A preliminary study on Cape Hake fillets (M. Capensis and M. Paradoxus) | |
| CN103983676A (zh) | 一种基于气敏传感器技术的猪肉新鲜度快速无损检测的方法 | |
| Li et al. | Gas sensing technology for meat quality assessment: A review | |
| Prevolnik et al. | Application of artificial neural networks in meat production and technology | |
| Hanif et al. | K-nearest neighbors algorithm for prediction shelf life of rice based on electronic nose dataset | |
| WO2017097683A1 (en) | A system and method for determining the freshness of a food item, and a configuration method | |
| CN114729910A (zh) | 传感器调谐-针对使用梯度提升决策树的物联网电子鼻应用的传感器特定选择 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |