CN108304970A - 苹果贮藏期的快速预测方法及系统、气调贮藏监控系统 - Google Patents
苹果贮藏期的快速预测方法及系统、气调贮藏监控系统 Download PDFInfo
- Publication number
- CN108304970A CN108304970A CN201810109642.3A CN201810109642A CN108304970A CN 108304970 A CN108304970 A CN 108304970A CN 201810109642 A CN201810109642 A CN 201810109642A CN 108304970 A CN108304970 A CN 108304970A
- Authority
- CN
- China
- Prior art keywords
- storage
- maturity
- time
- apple
- prediction
- 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.)
- Granted
Links
- 238000003860 storage Methods 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 title claims abstract description 86
- 230000001143 conditioned effect Effects 0.000 title claims abstract description 11
- 238000012544 monitoring process Methods 0.000 title abstract description 14
- 241000220225 Malus Species 0.000 claims abstract description 96
- 235000021016 apples Nutrition 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 238000005312 nonlinear dynamic Methods 0.000 claims abstract description 10
- 230000002068 genetic effect Effects 0.000 claims abstract description 6
- 230000008447 perception Effects 0.000 claims abstract description 6
- 238000012706 support-vector machine Methods 0.000 claims abstract description 6
- 238000013145 classification model Methods 0.000 claims abstract description 4
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000009795 derivation Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000035800 maturation Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000000714 time series forecasting Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000005452 bending Methods 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 14
- 235000013399 edible fruits Nutrition 0.000 description 47
- 235000010724 Wisteria floribunda Nutrition 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000003306 harvesting Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000001066 destructive effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000029058 respiratory gaseous exchange Effects 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000004321 preservation Methods 0.000 description 4
- 230000000241 respiratory effect Effects 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 244000134242 Malus prunifolia Species 0.000 description 1
- 235000005087 Malus prunifolia Nutrition 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000004320 controlled atmosphere Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000027721 electron transport chain Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000021022 fresh fruits Nutrition 0.000 description 1
- 230000004345 fruit ripening Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000003898 horticulture Methods 0.000 description 1
- 208000018875 hypoxemia Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000010627 oxidative phosphorylation Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Analytical Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于苹果贮藏技术领域，公开了一种苹果贮藏期的快速预测方法及系统、气调贮藏监控系统，采用基于遗传支持向量机的苹果成熟度分类建模方法，实现多元大样本数据分类，建立苹果贮藏时间预测的成熟度无损分类模型；以入库成熟度、实时多元感知环境因子信息为输入，构建非线性动态神经网络的贮藏期成熟度时序动态预测方法，实现贮藏时间目标值动态预测。本发明提出基于贮藏期成熟度时序变化规律的最佳贮藏时间预测方法，建立基于多传感器融合的贮藏时间动态预估系统，为苹果高效贮藏与保鲜提供定量基础和方法支撑。
Description
技术领域
本发明属于苹果贮藏技术领域，尤其涉及一种苹果贮藏期的快速预测方法及系统、气调贮藏监控系统。
背景技术
苹果是世界温带地区的主要果树作物，2015年，中国苹果栽培面积3500万亩左右，产量4261.34万吨，面积和产量均居世界第一，但鲜苹果出口量为83.3万吨，仅占我国苹果总产量的1.9％，在国际上的市场占有率与我国苹果生产大国的地位极不相符。现有苹果采后大部分都贮藏起来以满足季后供应，其贮藏量占总产量的比重高达80％，但是随着贮藏时间的延长，贮藏果实完成后熟过程，发生一系列生理变化，导致苹果的质地从酥脆多汁变得绵软，严重影响了食用价值与商品价值。苹果果实在采后贮藏期间，受多种贮藏环境因子影响，其内部仍继续进行着成熟过程，物理化学和生理参数都在不断变化。果实贮藏后熟阶段，果实进行呼吸作用，消耗果实本身的有机物，又进一步加速果实后熟变软过程，导致果实品质下降，因此，在后熟过程中，控制果实的呼吸强度是延迟果实跃变期、保持果实品质、延长贮藏期的重要措施。温度是影响果实呼吸强度的重要因素之一，当贮藏温度高时，呼吸代谢酶的活性增强、生化反应速率加快、呼吸作用强度增加，不仅促进呼吸代谢，而且还促进与果实成熟和衰老相关的代谢过程发生。研究表明，贮藏环境的相对湿度，对果实后熟特性和品质有显著的影响。另外，贮藏环境气体中的氧和二氧化碳浓度可抑制苹果果实的呼吸强度和乙烯的催熟作用；而低氧抑制呼吸主要因为减少呼吸过程最后一步电子的氧化，抑制了电子传递链与氧化磷酸化相伴而生的ATP产生，从而降低了代谢活性。可见，苹果采后贮藏保鲜多种环境因子的相互作用共同决定着其后熟过程生理特性变化和果实的保鲜品质。因此，如何实现苹果成熟度的无损检测，基于不同成熟度果实，融合动态贮藏多环境因子与苹果贮藏后熟过程动态特性变化的品质检测预估模型，对于准确预测苹果最佳贮藏时间，保证其商品性尤为重要。
综上所述，现有贮藏品质方法存在诸多缺点和不足：1)贮藏过程的成熟度均采用理化抽检的方式，理化测定结果准确，但是操作复杂、对果品进行破坏性测定，不适用于对全贮藏果品检测；2)果实贮藏环境多因子互做与果实品质和生理特性关系考虑不足，可能导致出库过早，果实未完成后熟，果品食用不甜、太硬；或是出库过晚，果实已完全熟过，品质下降，食用太绵，水分过少，同时将会增加贮藏过程果品病害率发生，导致贮藏量损失。
通过本发明方法，可以在果品采收后对果品按成熟度进行分级，实现按果品的成熟等级进行分批贮藏；与此同时在贮藏过程实时监测贮藏环境因子的变化，可对果品不用进行破坏性理化测定，就可推测出果品在特定贮藏环境下后熟过程的变化，了解到果品在贮藏条件下的品质变化信息，实时进行反馈，预测出果品的最佳出库时间。工作人员在最佳出库时间前后一两天对果品出库，能够保证出库的果品食用口感佳，病害率低，产量损失少。
发明内容
针对现有技术存在的问题，本发明提供了一种苹果贮藏期的快速预测方法及系统、气调贮藏监控系统。
本发明是这样实现的，一种苹果贮藏期的快速预测方法，所述苹果贮藏期的快速预测方法基于可见/近红外光谱检测技术，利用获取的苹果反射光谱数据，以及实测的苹果硬度、总糖含量、可滴定酸度含量，利用如下公式(1)，建立了基于遗传支持向量机分析方法的成熟度分类模型。
式中，RPI为成熟指数，F为硬度，TA为总糖含量，TSS为可滴定酸度含量。
以入库成熟度、实时多元感知环境因子信息为输入，采用非线性动态神经网络的贮藏期成熟度时序动态预测方法，实现贮藏时间目标值动态预测。
进一步，所述贮藏时间目标值动态预测的方法具体包括：基于苹果贮藏期成熟度时序预测模型，获取贮藏期成熟度连续预测数据序列，利用曲率理论对时间序列数据进行特征点提取。
依据曲率理论，曲率是用来描述曲线弯曲程度的，曲率越大，表明曲线在该点的弯曲程度也就越大。贮藏期成熟度的连续预测数据序列是随时间变化的一条曲线，曲线的弯曲程度代表的含义是成熟度对贮藏时间的影响，根据曲率的概念和意义，该曲线上曲率最大点就代表着成熟度对贮藏时间影响的拐点，从影响较大变为影响不再明显。
进一步，所述贮藏时间目标值动态预测的方法进一步包括：先对时间序列数据进行归一化，构建归一化后的贮藏成熟度时序曲线；其次，对时序曲线进行求导处理，得到时序曲线求导后的曲率曲线；最后，对曲率曲线进行反归一化，在进行曲率曲线寻优处理，得到曲率的最大值点，获取苹果贮藏条件下的呼吸跃变顶峰特征点，得到贮藏时间目标值。
首先，对数据进行归一化，因为贮藏成熟度预测中，贮藏环境因子CO2、O2浓度、入库成熟度等的量纲不统一，所以为了防止不同量级的数值相互影响，出现“大值吃小值”的现象，对数据采用线性函数变换的归一化方法进行归一化处理，线性归一化原理如式(2)所示：
y＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin (2)
式中：xmax、xmin分别为归一化前数据的最大值和最小值，ymax、ymin分别为归一化前数据的上限和下限，x、y分别为归一化前和归一化后的数据。
其次，对所获取的贮藏成熟度时序曲线进行求导。由于求曲率需要用到求导，只有符号变量可以进行求导操作，所以在研究中将贮藏时间目标值函数定义为符号函数，求归一化后贮藏成熟度时序曲线的曲率。
最后，求取的曲率曲线反归一化，对曲率曲线进行寻优，可得到曲率的最大值点，在将曲率曲线中的最大值点横坐标对应到原贮藏成熟度时序曲线中，可得到曲率最大点对应的横纵坐标，也即最佳贮藏时间和贮藏成熟度。本发明的另一目的在于提供一种所述苹果贮藏期的快速预测方法的苹果贮藏时间预测的成熟度无损分类模型的建立方法，所述苹果贮藏时间预测的成熟度无损分类模型的建立方法包括：
(1)融合实例化模型，构建贮藏过程中的苹果贮藏成熟度的非线性自回归时间序列预测函数为：
y(t)＝f(x(t),x(t-1),...,x(t-m),y(t-1),...,y(t-n)) (3)
式中，x(t)为测点在t时刻的贮藏环境影响因子，y(t)为测点对应时刻的苹果成熟度值；x(t)、x(t-1),…x(t-m),y(t-1)…y(t-n)作为网络输入，y(t)作为网络输出；
(2)选取神经网络的参数，包括输入和输出的时延阶数、隐含层和输出层神经元个数、最大迭代次数；非线性神经网络隐藏层的激活函数选取lgsig函数输出层激活函数选取purelin函数y＝axi+b；
(3)将样本分为训练集和验证集，对训练集样本进行网络训练，进行训练，通过多次迭代，实现各层权值调整，不断缩小真实数据与网络输出数据的误差；重复直到完成轮训，网络总误差达到精度要求，或达到训练次数上限，训练结束保存网络，得到以贮藏成熟度的贮藏时间调控时间序列预测模型。
本发明的另一目的在于提供一种所述苹果贮藏期的快速预测方法的苹果贮藏期的快速预测系统，所述苹果贮藏期的快速预测系统包括：
模型建立模块，用于采用基于遗传支持向量机的苹果成熟度分类建模方法，实现多元大样本数据分类，建立苹果贮藏时间预测的成熟度无损分类模型；
预测模块，用于以入库成熟度、实时多元感知环境因子信息为输入，采用非线性动态神经网络的贮藏期成熟度时序动态预测方法，实现贮藏时间目标值动态预测。
本发明的另一目的在于提供一种应用所述苹果贮藏期的快速预测方法的气调贮藏监控系统。
本发明以苹果成熟度无损预测模型为基础，得到基于非线性动态神经网络耦合成熟度与保鲜环境的贮藏期成熟度时序预测模型建模方法，解决贮藏环境动态变化条件下苹果呼吸跃变期的动态获取问题，是果品精准贮藏的基础。
本发明对苹果成熟度与多种生理指标存在紧耦合关系，采用基于遗传支持向量机的苹果成熟度分类建模新方法，实现多元大样本数据快速分类，建立直接用于苹果贮藏时间预测的成熟度无损分类模型。针对多环境因素对贮藏期成熟度时序动态特性的影响，以入库成熟度、实时多元感知环境因子信息为输入，创新性的提出非线性动态神经网络的贮藏期成熟度时序动态预测方法，为实现贮藏时间目标值动态预测提供新方法。
本发明针对气调贮藏环境中多因素耦合对苹果呼吸速率和贮藏期成熟度存在显著影响，利用苹果光学特性的成熟度无损检测方法，提出包含贮藏期的温度、CO2、O2及相对湿度等多因子嵌套的苹果贮藏期成熟度全程连续试验；以全程贮藏期成熟度试验数据为样本，探寻多元大样本时序动态数据建模方法和步骤，建立基于动态神经网络的苹果贮藏期成熟度预测模型；基于模型，获取后熟过程成熟度时序变化规律，探寻呼吸跃变期的动态获取算法，建立最佳贮藏时间预测方法，可以保证出库鲜果品质，提高果品优果率，提升果品高效精准贮藏管理。
本发明针对保鲜环境动态变化导致最佳贮藏时间动态变化的特点，以贮藏期成熟度时序模型、呼吸跃变期动态获取算法为数据融合中心，构建基于多传感器信息融合的贮藏时间预估与验证系统；根据需求，优化已有气调贮藏监控系统，融合本发明建立的贮藏时间智能决策方法，针对不同成熟度富士苹果，进行模型与方法验证。
本发明提出基于贮藏期成熟度时序变化规律的最佳贮藏时间预测方法，建立基于多传感器融合的贮藏时间动态预估系统，为苹果高效贮藏与保鲜提供定量基础和方法支撑。
附图说明
图1是本发明实施例提供的苹果贮藏期的快速预测方法流程图。
图2是本发明实施例提供的基于动态神经网络时间序列算法寻优流程图。
图3是本发明实施例提供的多传感器信息融合的贮藏时间验证系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明在引入光谱无损检测方法和动态混合智能算法，在分析影响成熟度主要生理指标的基础上，通过多生理指标耦合成熟度建模；针对贮藏过程环境因子的动态变化，采用非线性动态神经网络的最佳贮藏时间时序模型建模方法。本发明不仅能丰富和完善了最佳贮藏期预测方法的理论内涵，为提高贮藏品质和延长贮藏时间开辟新的思路、方法和理论，而且对推动现代果业快速发展，具有重要的理论、方法意义和应用价值。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示，本发明实施例提供的苹果贮藏期的快速预测方法包括以下步骤：
S101：筛选出影响苹果成熟度的主要生理指标，搭建基于可见/近红外光谱测试平台；通过多维光谱数据降维方法，提取多生理指标的光学特性参数；建立基于遗传支持向量机的苹果多指标耦合成熟度模型，实例化富士苹果成熟度无损分类模型；
S102：利用光学无损检测方法，以全程贮藏期成熟度试验数据为样本，采用基于动态神经网络的苹果贮藏期成熟度预测模型和实例化的贮藏期成熟度时序模型，构建最佳贮藏时间预测方法；
S103：以贮藏期成熟度时序模型、呼吸跃变期动态获取算法为数据融合中心，构建融合建立的贮藏时间智能决策方法模块，优化已有气调贮藏监控系统，对成熟度模型与贮藏时间预测方法有效性验证和反馈修正。
下面结合附图对本发明的应用原理作进一步的描述。
本发明实施例提供的苹果贮藏期的快速预测方法包括以下步骤：
(1)基于贮藏期成熟度时序变化规律的最佳贮藏时间预测方法
第一步：多贮藏环境因子嵌套的苹果贮藏期成熟度全程连续试验，完成贮藏阶段多环境因子嵌套的苹果贮藏期成熟度全程连续实验方案，为贮藏期成熟度建模数据采集提供理论。实验以富士苹果气调库贮藏为实验对象，在西北农林科技大学园艺学院智能气调库进行贮藏连续实验，开展贮藏条件下包括温度、CO2、O2及相对湿度四个环境因子在苹果后熟过程的嵌套实验；利用建立的光学无损检测系统对贮藏的样品按环境监测周期进行光学特性测定获取后熟过程成熟度，以此作为时间序列中各时刻的成熟度预测值。为减少实验数据的偶然性，每组试验条件均重复进行。
第二步：构建非线性动态神经网络的苹果贮藏期成熟度预测时序模型
由于苹果入库贮藏后，贮藏环境因子的动态变化特性，导致苹果贮藏期过程的生理特性变化是一个非线性的动态变化过程，以全程贮藏期成熟度试验数据为样本，探寻多元大样本时序动态数据建模方法和步骤，建立基于动态神经网络的苹果贮藏期成熟度预测模型，其流程图如图2所示。
首先，融合实例化模型，构建贮藏过程中的苹果贮藏成熟度的非线性自回归时间序列预测函数为：
y(t)＝f(x(t),x(t-1),...,x(t-m),y(t-1),...,y(t-n)) (1)
式中，x(t)为测点在t时刻的贮藏环境影响因子，y(t)为测点对应时刻的苹果成熟度值。x(t)、x(t-1),…x(t-m),y(t-1)…y(t-n)作为网络输入，y(t)作为网络输出。
其次，选取神经网络的参数，包括输入和输出的时延阶数、隐含层和输出层神经元个数、最大迭代次数等。非线性神经网络隐藏层的激活函数选取lgsig函数输出层激活函数选取purelin函数y＝axi+b。
最后，将样本分为训练集和验证集，对训练集样本进行网络训练，在依次计算各层输出、误差以及误差信号的基础上，LM法等方法进行训练，通过多次迭代，实现各层权值调整，不断缩小真实数据与网络输出数据的误差；重复这一过程直到完成轮训，如果网络总误差达到精度要求，或达到训练次数上限，则训练结束保存网络，得到以贮藏成熟度最优的贮藏时间调控时间序列预测模型。
第三步：基于贮藏期成熟度时序变化规律，获取最佳贮藏时间预测，基于苹果贮藏期成熟度时序预测模型，获取贮藏期成熟度连续预测数据序列，首先对时间序列数据进行归一化，构建归一化后的贮藏成熟度时序曲线；其次，对时序曲线进行求导处理，得到时序曲线求导后的曲率曲线；最后，对曲率曲线反归一化，再进行曲率曲线寻优处理，得到曲率的最大值点，获取苹果贮藏条件下的呼吸跃变顶峰特征点，得到贮藏时间目标值。
下面结合预估与验证对本发明的应用效果作详细的描述。
1、基于多传感器融合的贮藏时间预估方法与验证
第一步：多传感器信息融合的贮藏时间预估与验证系统构建，在气调库原有监测系统上进行优化，构建基于多传感器信息融合的贮藏时间验证系统，将通过MATLAB平台建立的最佳贮藏时间预测方法植入到C#平台下，在融合多传感器信息的数据模块中，完成智能算法设计。其框架如图3所示，包括信息获取子系统、数据融合子系统、决策子系统和预警子系统四部分。其中，信息获取子系统接收外源光学检测设备发送的入库成熟度信息，及贮藏环境下多传感器实时反馈温度、相对湿度、CO2和O2信息，温度、相对，并将获取的实时信息输入到数据融合子系统；植入在数据融合子系统的时序预测模型，依据多输入的动态参量，对其进行解析，存储，输出贮藏期成熟度预测值发送至决策子系统；决策子系统收集每个监测时间节点下预测的成熟度，识别果实呼吸跃变期的顶峰特征点；预警子系统接收到决策系统发送的预测贮藏时间，将信息发送至用户手机或是将输出的信息转换为控制信号，发送气调库果品出库预警信号。
第二步：贮藏时间预测模型与方法验证
根据监控需求，基于无线传感器网络，优化已有气调贮藏监控系统，实现多环境信息获取。针对不同成熟度富士苹果，融合本发明建立的贮藏时间智能决策方法，进行模型与方法验证。具体方法为：拟在同一个果园对4个采收时间下的富士苹果进行对应最佳贮藏时间的预估验证。每个采收期采集的样品带回进行日期及序号标记后，采集实时光谱信息后，获取入库时的成熟度等级；接着样品按不同成熟度等级入库进行气调贮藏；贮藏时间到达预估时间后，将样品出库取回带回实验室，待样品温度与室温相近，对样品的硬度、总糖含量、可滴定酸含量、淀粉指数进行理化测定，并与行业标准《苹果采收与贮运技术规范》(NY/T 983-2015)中规定的不同品种苹果的出库标准以及测定的淀粉指数进行对比，验证结果的准确性；在此基础上进一步分析在不同采收成熟度下的预测结果是否存在较大差异性，并对模型进行修正和优化。
本发明在实现对苹果采收成熟度监测的基础上，通过分析多环境因素对贮藏期呼吸特性以及贮藏期成熟度的影响，提出基于时间序列的采收成熟度与保鲜环境耦合的贮藏期成熟度动态预测模型建模方法，并在此基础上，开展了基于贮藏期成熟度变化曲线实现对呼吸跃变期的动态获取方法，为完成对最佳贮藏时间的预测提供了理论基础。本发明的建模方法和解决思路有望广泛用于各类果品贮藏与保鲜技术，为果品精准、高效贮藏与保鲜提供理论基础，对完善现代果业贮藏与保鲜调控体系具有重要理论意义。
本发明的苹果成熟度无损检测与最佳贮藏时间预测方法，可直接应用于苹果的高效优质贮藏保鲜。通过富士苹果成熟度无损检测方法，融合贮藏期实时环境信息完成贮藏期成熟度的连续动态预测，基于贮藏期成熟度的时序变化规律，实现对呼吸跃变期的精准监测，动态获取最佳贮藏时间。项目研究成果对提高果品贮藏调控技术的细粒度水平和定量控制能力，推动我国现代果业贮藏保鲜管理水平具有重要应用价值。综上所述，研究苹果成熟度无损检测方法，建立多生理指标耦合下的采收成熟度分类模型，在此基础上，提出基于时间序列的贮藏期成熟度预测模型建模方法，开展基于贮藏期成熟度变化规律的呼吸跃变期动态获取方法研究，建立基于无损检测方法的贮藏时间预测新方法，为苹果贮藏时间准确监测与评估提供理论依据。因此，本发明不仅具有重要的理论价值和科学意义，而且对促进我国果品贮藏与保鲜精准化、定量化、高效化发展具有重要推动作用和广阔应用前景。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种苹果贮藏期的快速预测方法，其特征在于，所述苹果贮藏期的快速预测方法基于可见/近红外光谱检测技术，利用获取的苹果反射光谱数据，以及实测的苹果硬度、总糖含量、可滴定酸度含量，利用下式，建立基于遗传支持向量机分析方法的成熟度分类模型：
式中，RPI为成熟指数，F为硬度，TA为总糖含量，TSS为可滴定酸度含量；
以入库成熟度、实时多元感知环境因子信息为输入，采用非线性动态神经网络的贮藏期成熟度时序动态预测方法，实现贮藏时间目标值动态预测。
2.如权利要求1所述的苹果贮藏期的快速预测方法，其特征在于，所述贮藏时间目标值动态预测的方法具体包括：基于苹果贮藏期成熟度时序预测模型，获取贮藏期成熟度连续预测数据序列，利用曲率理论对时间序列数据进行特征点提取；
曲率描述曲线弯曲程度的，曲率越大，表明曲线在该点的弯曲程度也就越大；贮藏期成熟度的连续预测数据序列是随时间变化的一条曲线，曲线的弯曲程度代表的含义是成熟度对贮藏时间的影响，根据曲率的概念和意义，曲线上曲率最大点就代表着成熟度对贮藏时间影响的拐点。
3.如权利要求2所述的苹果贮藏期的快速预测方法，其特征在于，所述贮藏时间目标值动态预测的方法进一步包括：对时间序列数据进行归一化，构建归一化后的贮藏成熟度时序曲线；对时序曲线进行求导处理，得到时序曲线求导后的曲率曲线；对曲率曲线进行反归一化，在进行曲率曲线寻优处理，得到曲率的最大值点，获取苹果贮藏条件下的呼吸跃变顶峰特征点，得到贮藏时间目标值。
4.如权利要求3所述的苹果贮藏期的快速预测方法，其特征在于，进一步包括：
首先，对数据进行归一化，对数据采用线性函数变换的归一化方法进行归一化处理，线性归一化原理：：
y＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin；
式中：xmax、xmin分别为归一化前数据的最大值和最小值，ymax、ymin分别为归一化前数据的上限和下限，x、y分别为归一化前和归一化后的数据；
其次，对所获取的贮藏成熟度时序曲线进行求导；将贮藏时间目标值函数定义为符号函数，求归一化后贮藏成熟度时序曲线的曲率；
最后，求取的曲率曲线反归一化，对曲率曲线进行寻优，得到曲率的最大值点，在将曲率曲线中的最大值点横坐标对应到原贮藏成熟度时序曲线中，可得到曲率最大点对应的横纵坐标，最佳贮藏时间和贮藏成熟度。
5.一种如权利要求1所述苹果贮藏期的快速预测方法的苹果贮藏时间预测的成熟度无损分类模型的建立方法，其特征在于，所述苹果贮藏时间预测的成熟度无损分类模型的建立方法包括：
(1)融合实例化模型，构建贮藏过程中的苹果贮藏成熟度的非线性自回归时间序列预测函数为：
y(t)＝f(x(t),x(t-1),...,x(t-m),y(t-1),...,y(t-n))；
式中，x(t)为测点在t时刻的贮藏环境影响因子，y(t)为测点对应时刻的苹果成熟度值；x(t)、x(t-1),…x(t-m),y(t-1)…y(t-n)作为网络输入，y(t)作为网络输出；
(2)选取神经网络的参数，包括输入和输出的时延阶数、隐含层和输出层神经元个数、最大迭代次数；非线性神经网络隐藏层的激活函数选取lgsig函数输出层激活函数选取purelin函数y＝axi+b；
(3)将样本分为训练集和验证集，对训练集样本进行网络训练，进行训练，通过多次迭代，实现各层权值调整，不断缩小真实数据与网络输出数据的误差；重复直到完成轮训，网络总误差达到精度要求，或达到训练次数上限，训练结束保存网络，得到以贮藏成熟度的贮藏时间调控时间序列预测模型。
6.一种如权利要求1所述苹果贮藏期的快速预测方法的苹果贮藏期的快速预测系统，其特征在于，所述苹果贮藏期的快速预测系统包括：
模型建立模块，用于采用基于遗传支持向量机的苹果成熟度分类建模方法，实现多元大样本数据分类，建立苹果贮藏时间预测的成熟度无损分类模型；
预测模块，用于以入库成熟度、实时多元感知环境因子信息为输入，采用非线性动态神经网络的贮藏期成熟度时序动态预测方法，实现贮藏时间目标值动态预测。
7.一种应用权利要求1～4任意一项所述苹果贮藏期的快速预测方法的气调贮藏监控系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810109642.3A CN108304970B (zh) | 2018-02-05 | 2018-02-05 | 苹果贮藏期的快速预测方法及系统、气调贮藏监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810109642.3A CN108304970B (zh) | 2018-02-05 | 2018-02-05 | 苹果贮藏期的快速预测方法及系统、气调贮藏监控系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108304970A true CN108304970A (zh) | 2018-07-20 |
| CN108304970B CN108304970B (zh) | 2021-09-10 |
Family
ID=62851036
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810109642.3A Active CN108304970B (zh) | 2018-02-05 | 2018-02-05 | 苹果贮藏期的快速预测方法及系统、气调贮藏监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108304970B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109164062A (zh) * | 2018-11-05 | 2019-01-08 | 黑龙江八农垦大学 | 一种近红外光谱测定哈密瓜可滴定酸含量值的方法 |
| CN109444360A (zh) * | 2018-10-29 | 2019-03-08 | 西南大学 | 基于细胞神经网络和电子鼻特征提取的果汁贮藏期检测算法 |
| CN109540836A (zh) * | 2018-11-30 | 2019-03-29 | 济南大学 | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 |
| CN110263969A (zh) * | 2019-05-07 | 2019-09-20 | 西北农林科技大学 | 一种货架期苹果品质动态预测系统及预测方法 |
| CN112862164A (zh) * | 2021-01-22 | 2021-05-28 | 桂林电子科技大学 | 基于动态神经网络时间序列预测的干式离合器温度预测法 |
| CN113033075A (zh) * | 2021-02-26 | 2021-06-25 | 柳州融安金园食品有限公司 | 一种金桔果的贮藏保鲜方法和装置 |
| CN113155776A (zh) * | 2021-04-29 | 2021-07-23 | 华东交通大学 | 一种柑桔最佳采收期预测方法 |
| CN113298286A (zh) * | 2021-03-31 | 2021-08-24 | 捷佳润科技集团股份有限公司 | 一种基于机器学习的火龙果上市时间预测的方法 |
| CN115184395A (zh) * | 2022-05-25 | 2022-10-14 | 北京市农林科学院信息技术研究中心 | 果蔬失重率预测方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102818777A (zh) * | 2012-08-24 | 2012-12-12 | 北京农业智能装备技术研究中心 | 一种基于光谱和颜色测量的水果成熟度评价方法 |
| CN103543703A (zh) * | 2013-07-17 | 2014-01-29 | 中国海洋石油总公司 | 食品保鲜度实时监测仪及其监测方法 |
| CN103548984A (zh) * | 2013-11-01 | 2014-02-05 | 广西杨氏鲜果有限公司 | 一种脐橙贮藏保鲜方法及脐橙免发汗式中温预处理方法 |
| CN106769970A (zh) * | 2016-12-07 | 2017-05-31 | 甘肃萃英大农科技有限公司 | 一种快速无损检测苹果的品种、糖度和酸度的方法 |
-
2018
- 2018-02-05 CN CN201810109642.3A patent/CN108304970B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102818777A (zh) * | 2012-08-24 | 2012-12-12 | 北京农业智能装备技术研究中心 | 一种基于光谱和颜色测量的水果成熟度评价方法 |
| CN103543703A (zh) * | 2013-07-17 | 2014-01-29 | 中国海洋石油总公司 | 食品保鲜度实时监测仪及其监测方法 |
| CN103548984A (zh) * | 2013-11-01 | 2014-02-05 | 广西杨氏鲜果有限公司 | 一种脐橙贮藏保鲜方法及脐橙免发汗式中温预处理方法 |
| CN106769970A (zh) * | 2016-12-07 | 2017-05-31 | 甘肃萃英大农科技有限公司 | 一种快速无损检测苹果的品种、糖度和酸度的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘静: "鲜食葡萄冷链运输监测方法研究", 《中国博士学位论文全文数据库》 * |
| 李莹等: "基于电子鼻的苹果低温贮藏时间及品质预测", 《西北农林科技大学学报（自然科学版）》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109444360A (zh) * | 2018-10-29 | 2019-03-08 | 西南大学 | 基于细胞神经网络和电子鼻特征提取的果汁贮藏期检测算法 |
| CN109444360B (zh) * | 2018-10-29 | 2021-05-04 | 西南大学 | 基于细胞神经网络和电子鼻特征提取的果汁贮藏期检测算法 |
| CN109164062A (zh) * | 2018-11-05 | 2019-01-08 | 黑龙江八农垦大学 | 一种近红外光谱测定哈密瓜可滴定酸含量值的方法 |
| CN109540836A (zh) * | 2018-11-30 | 2019-03-29 | 济南大学 | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 |
| CN110263969A (zh) * | 2019-05-07 | 2019-09-20 | 西北农林科技大学 | 一种货架期苹果品质动态预测系统及预测方法 |
| CN110263969B (zh) * | 2019-05-07 | 2023-06-02 | 西北农林科技大学 | 一种货架期苹果品质动态预测系统及预测方法 |
| CN112862164B (zh) * | 2021-01-22 | 2022-07-12 | 桂林电子科技大学 | 基于动态神经网络时间序列预测的干式离合器温度预测法 |
| CN112862164A (zh) * | 2021-01-22 | 2021-05-28 | 桂林电子科技大学 | 基于动态神经网络时间序列预测的干式离合器温度预测法 |
| CN113033075A (zh) * | 2021-02-26 | 2021-06-25 | 柳州融安金园食品有限公司 | 一种金桔果的贮藏保鲜方法和装置 |
| CN113033075B (zh) * | 2021-02-26 | 2022-09-09 | 柳州融安金园食品有限公司 | 一种金桔果的贮藏保鲜方法和装置 |
| CN113298286A (zh) * | 2021-03-31 | 2021-08-24 | 捷佳润科技集团股份有限公司 | 一种基于机器学习的火龙果上市时间预测的方法 |
| CN113155776A (zh) * | 2021-04-29 | 2021-07-23 | 华东交通大学 | 一种柑桔最佳采收期预测方法 |
| CN115184395A (zh) * | 2022-05-25 | 2022-10-14 | 北京市农林科学院信息技术研究中心 | 果蔬失重率预测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108304970B (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108304970A (zh) | 苹果贮藏期的快速预测方法及系统、气调贮藏监控系统 | |
| Cortez et al. | Modeling wine preferences by data mining from physicochemical properties | |
| CN105512477B (zh) | 基于降维组合分类算法非计划性再入院风险评估预测模型 | |
| CN109036553A (zh) | 一种基于自动抽取医疗专家知识的疾病预测方法 | |
| Johnson et al. | Patient specific predictions in the intensive care unit using a Bayesian ensemble | |
| CN107582037A (zh) | 基于脉搏波设计医疗产品的方法 | |
| CN106093321B (zh) | 一种农产品市场监测系统及方法 | |
| CN107463766A (zh) | 血糖预测模型的生成方法、装置及计算机可读存储介质 | |
| CN110051324A (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
| CN106055922A (zh) | 一种基于基因表达数据的混合网络基因筛选方法 | |
| CN113782183B (zh) | 一种基于多算法融合的压力性损伤风险预测装置及方法 | |
| CN115906954A (zh) | 一种基于图神经网络的多变量时间序列预测方法及装置 | |
| CN108211268A (zh) | 基于运动训练数据的运动负荷监测与运动疲劳预警方法和系统 | |
| Newbold et al. | The value of information for integrated assessment models of climate change | |
| Li et al. | Prediction of length of stay on the intensive care unit based on least absolute shrinkage and selection operator | |
| CN114927230B (zh) | 基于机器学习的重症心衰患者预后决策支持系统及方法 | |
| CN105138835B (zh) | 基于生理信息熵的人体体成分预测方法 | |
| CN205786571U (zh) | 一种农产品市场监测系统 | |
| CN109300545B (zh) | 一种基于rf的地中海贫血病的风险预警方法 | |
| CN116451110A (zh) | 基于信号能量特征和脉搏周期的血糖预测模型构建方法 | |
| Zhang et al. | Hyperspectral imaging combined with CNN for maize variety identification | |
| CN105651727B (zh) | 基于jade和elm的近红外光谱分析鉴别苹果货架期的方法 | |
| CN114974570A (zh) | 基于机器学习的老年人营养健康状态评估与风险预测系统 | |
| Sarasvathi | Reliability Analysis of an IoT-Based Air Pollution Monitoring System Using Machine Learning Algorithm-BDBN | |
| CN113298280A (zh) | 农业育种大数据的深度挖掘与智能决策算法 |
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 |