CN109242341A - 基于苹果原料指标预测果汁综合品质的方法 - Google Patents
基于苹果原料指标预测果汁综合品质的方法 Download PDFInfo
- Publication number
- CN109242341A CN109242341A CN201811147387.8A CN201811147387A CN109242341A CN 109242341 A CN109242341 A CN 109242341A CN 201811147387 A CN201811147387 A CN 201811147387A CN 109242341 A CN109242341 A CN 109242341A
- Authority
- CN
- China
- Prior art keywords
- fruit juice
- apple
- raw material
- integrated quality
- quality
- 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.)
- Pending
Links
- 235000015203 fruit juice Nutrition 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000002994 raw material Substances 0.000 claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 24
- 235000015197 apple juice Nutrition 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000012805 post-processing Methods 0.000 claims abstract description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 15
- 239000002253 acid Substances 0.000 claims description 12
- 235000019750 Crude protein Nutrition 0.000 claims description 9
- 239000007787 solid Substances 0.000 claims description 9
- 239000000835 fiber Substances 0.000 claims description 8
- 235000011389 fruit/vegetable juice Nutrition 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 239000004575 stone Substances 0.000 claims description 5
- 241000283690 Bos taurus Species 0.000 claims description 4
- 150000001413 amino acids Chemical class 0.000 claims description 4
- 235000021466 carotenoid Nutrition 0.000 claims description 4
- 150000001747 carotenoids Chemical class 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 241000220225 Malus Species 0.000 description 54
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 6
- 239000010931 gold Substances 0.000 description 6
- 229910052737 gold Inorganic materials 0.000 description 6
- 235000010724 Wisteria floribunda Nutrition 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N phenol group Chemical group C1(=CC=CC=C1)O ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 5
- 235000001014 amino acid Nutrition 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 229930002875 chlorophyll Natural products 0.000 description 3
- 235000019804 chlorophyll Nutrition 0.000 description 3
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 3
- 235000019504 cigarettes Nutrition 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 235000021016 apples Nutrition 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- GDSOZVZXVXTJMI-SNAWJCMRSA-N (e)-1-methylbut-1-ene-1,2,4-tricarboxylic acid Chemical compound OC(=O)C(/C)=C(C(O)=O)\CCC(O)=O GDSOZVZXVXTJMI-SNAWJCMRSA-N 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- JLQUFIHWVLZVTJ-UHFFFAOYSA-N carbosulfan Chemical compound CCCCN(CCCC)SN(C)C(=O)OC1=CC=CC2=C1OC(C)(C)C2 JLQUFIHWVLZVTJ-UHFFFAOYSA-N 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Non-Alcoholic Beverages (AREA)
Abstract
本发明公开了一种基于苹果原料指标预测果汁综合品质的方法,包括:S1、选定苹果原料,测定原料指标数据后加工苹果原料得果汁;S2、确定果汁核心指标,建立果汁核心指标与综合品质的对应关系,确定果汁综合品质;S3、根据果汁综合品质确定原料核心指标;S4、记录原料核心指标数据、及果汁综合品质形成样本集,选定一定比例的样本集数据形成训练样本集;S5、以训练样本集的原料核心指标数据为输入层,果汁综合品质为输出层,构建基于BP算法的人工神经网络学习模型,并训练至人工神经网络学习模型稳定。本发明具有全面准确筛选苹果原料特征指标,结合人工神经网络提高预测苹果果汁综合评分准确率的有益效果。
Description
技术领域
本发明涉及预测果汁综合品质领域。更具体地说,本发明涉及一种基于苹果原料指标预测果汁综合品质的方法。
背景技术
苹果作为四大水果之首,是蔷薇科苹果属植物的果实,含有丰富的酚类物质、抗坏血酸、糖和有机酸等营养成分和功能性成分。目前,苹果除用作鲜食外,主要加工方式为制作鲜榨汁。近年来,苹果鲜榨汁作为一种营养丰富的果汁,保留了苹果新鲜风味,而日益受到消费者关注。
果汁综合评分依据为果汁的感官品质、理化营养及加工品质等方面。这些品质指标主要由原料加工适宜性决定,但目前,我国苹果品种鲜榨汁加工适宜性不明确,缺乏加工专用品种。为获得高品质的苹果果汁,从苹果原料特性出发,构建苹果原料与果汁品质的关联关系,进而通过原料指标对制品品质进行预测,有利于苹果果汁产业的快速发展。
现有的少数苹果原料特性与果汁品质关联方法多利用判别函数、线性回归等线性模型定性或定量关联苹果原料特性与鲜榨汁品质,苹果原料特征指标筛选不全面、存在果汁品质评价不合理、模型关联性差等问题,预测准确率较低。
人工神经网络是一种模仿生物神经网络的结构和功能的数学模型或计算模型,由大量的人工神经元联结进行计算是一种非线性统计性数据建模工具,用于对函数进行估计或近似。BP人工神经网络是一种按误差逆传播算法训练的多层前馈神经网络,是目前应用最广泛的神经网络模型之一,可实现输入到输出的定性或定量预测。近年来BP神经网络模型在加工业领域的应用日渐增多,包括识别、分类与分级、加工过程仿真与控制、单一指标值预测等,取得了一定的效果,如何全面准确筛选苹果原料特征指标,结合人工神经网络提高预测苹果果汁综合品质准确率,是目前急需解决的问题。
发明内容
本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。
本发明还有一个目的是提供一种基于苹果原料指标预测果汁综合品质的方法,能够全面准确筛选苹果原料特征指标,结合人工神经网络提高预测苹果果汁综合品质准确率。
为了实现根据本发明的这些目的和其它优点,提供了一种基于苹果原料指标预测果汁综合品质的方法,包括:
S1、选定苹果原料,测定原料指标数据后加工苹果原料得果汁;
S2、确定果汁核心指标,建立果汁核心指标与综合品质的对应关系,确定果汁综合品质;
S3、根据果汁综合品质确定原料核心指标;
S4、记录原料核心指标数据、及果汁综合品质形成样本集,选定一定比例的样本集数据形成训练样本集;
S5、以训练样本集的原料核心指标数据为输入层,果汁综合品质为输出层,构建基于BP算法的人工神经网络学习模型,并训练至人工神经网络学习模型稳定;
S6、以未知苹果的原料核心指标数据为输入层,根据人工神经网络学习模型预测该未知苹果的果汁综合品质。
优选的是,步骤S2中确定果汁核心指标具体为:测定果汁指标数据,利用因子分析法确定果汁核心指标。
优选的是,步骤S3中果汁综合品质为果汁综合评分或果汁品质等级中的一种;
当果汁综合品质为果汁综合评分时,确定果汁综合品质具体为:运用层次分析法确定果汁核心指标权重,建立果汁综合评价模型进而得到果汁综合评分;
当果汁综合品质为果汁品质等级时,确定果汁综合品质具体为:确定果汁综合评分,将果汁综合评分分为3-5个果汁品质等级,并确定每个苹果原料对应的果汁品质等级,且对应该品质等级的等级概率为1,其余品质等级的等级概率为0。
优选的是,步骤S4中根据果汁综合品质确定原料核心指标具体为:对每一项原料指标与果汁综合品质对应的果汁核心指标进行相关性分析,去除相关系数低于预设的相关系数阈值的原料指标。
优选的是,用于形成样本集的原料均为苹果主产各省份对应的主栽苹果种类,按照早熟、中熟、晚熟将苹果原料分为三类,步骤S1中选定苹果原料的个数不少于30个,且至少包含早熟、中熟、晚熟三类中的各一种。
优选的是,步骤S2中果汁指标数据包括可溶性固形物、可滴定酸、粗纤维、粗蛋白、Vc、还原糖、总糖含量,及果汁L*值,果汁a*值,果汁b*值,出汁率,浊度。
优选的是,步骤S1中原料指标数据对应原料指标包括基础指标、理化指标和加工指标,基础指标包括质量,体积,密度,果皮L*值,果皮a*值,果皮b*值,果肉L*值,果肉a*值,果肉b*值,pH值、含水率、及可溶性固形物;理化指标包括粗纤维、粗蛋白、Vc、还原糖、总糖、可滴定酸、氨基酸、叶绿素、及类胡萝卜素含量;加工指标果形指数,果核比例,果皮硬度,及果肉硬度。
优选的是,步骤S4中选择70-85%的样本集数据形成训练样本集。
优选的是,步骤S4中剩余的样本集数据形成检测样本集;
步骤S5还包括:以检测样本集对人工神经网络模型进行测试,比较苹果果汁的果汁综合评分的预测值和实测值,符合预设的阈值,则人工神经网络模型稳定,反之将该苹果对应的样本集数据加入到训练样本集进行训练,优化人工神经网络模型。
优选的是,步骤S5中训练次数为500-5000次,学习率为0.1-0.5,动量为0.1-0.8,误差值为0.001-0.1。
本发明至少包括以下有益效果:
第一、采用先记录后筛选的原则,利用因子分析法确定果汁核心指标,利用果汁核心指标与原料指标进行相关性分析,筛选出全面的原料核心指标,同时根据果汁核心指标数据利用层次分析法确定果汁的核心指标权重,得到果汁综合评分作为果汁综合品质,或者进一步将果汁综合评分分为3-5个品质等级,以品质等级作为综合品质,提高果汁综合品质、及原料核心指标间关系建立的合理性;
第二、苹果原料选择时选择苹果主产各省份对应的主栽苹果种类,按照早熟、中熟、晚熟将苹果原料分为三类,且确保形成一个样本集的苹果原料至少包括上述三类每类中的一种,以实现较少样本总数、较少样本种类即可构建稳定的人工神经网络学习模型;
第三、运用人工神经网络构建人工神经网络学习模型,依据模型快速、高精度地预测苹果果汁综合评分,无需事先确定输入输出之间映射关系,即可获得苹果原料与苹果果汁综合品质的关联,且关联性好,依据该人工神经网络学习模型,可筛选适合加工成苹果果汁的苹果品种,且预测准确率高,从源头上提升了苹果果汁的综合品质,能够极大地促进了苹果果汁产业的发展。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
构建样本集时,所选苹果原料均为苹果主产各省份对应的主栽苹果种类,并按照早熟、中熟、晚熟将苹果原料分为三类,具体有:早熟:山东泰山早霞、陕西秦阳等,中熟:陕西黄元帅、河南华玉等,晚熟:辽宁长富二号/华富、山东国光、甘肃秦冠、甘肃花牛、新疆富士、宁夏乔纳金等;
每个苹果的一种原料指标对应一个原料指标数据;
每个苹果果汁的一种果汁指标对应一个果汁指标数据;
<实施例1>
基于苹果原料指标预测果汁综合品质的方法,包括以下步骤:
S1、选定苹果原料:具体为选定果实成熟期取样,无机械损伤、无病虫害的苹果原料33个,其中,早熟、中熟、和晚熟品种各11个,部分品种名称、产地见表1。
表1部分苹果品种名称及产地
序号 | 名称 | 产地 | 序号 | 名称 | 产地 |
1 | 辽宁华红 | 辽宁葫芦岛 | 6 | 辽宁秋锦 | 辽宁葫芦岛 |
2 | 辽宁金冠 | 辽宁葫芦岛 | 7 | 辽宁华金 | 辽宁葫芦岛 |
3 | 辽宁寒富 | 辽宁葫芦岛 | 8 | 烟富6号 | 山东青岛 |
4 | 陕西青苹 | 陕西咸阳 | 9 | 甘肃花牛 | 甘肃平波 |
5 | 陕西长密欧 | 陕西咸阳 | 10 | 陕西瑞阳 | 陕西咸阳 |
测定原料指标数据,其中,原料指标数据对应的原料指标包括基础指标、理化指标和加工指标,基础指标包括质量,体积,密度,果皮L*值,果皮a*值,果皮b*值,果肉L*值,果肉a*值,果肉b*值,pH值、含水率、及可溶性固形物;理化指标包括粗纤维、粗蛋白、Vc、还原糖、总糖、可滴定酸、氨基酸、叶绿素、及类胡萝卜素含量;加工指标果形指数,果核比例,果皮硬度,及果肉硬度。
S2、果汁综合品质为果汁综合评分,确定果汁综合评分;
以相同工艺和参数分别加工苹果原料得果汁,测定果汁的果汁指标数据,果汁指标数据包括可溶性固形物、可滴定酸、粗纤维、粗蛋白、Vc、还原糖、总糖含量,及果汁L*值,果汁a*值,果汁b*值,出汁率,浊度;
对果汁的上述13项指标利用因子分析法,设定输出绝对值数据大于0.5的数据,结果见表2所示。
表2果汁指标因子分析旋转成分矩阵
PC1 | PC2 | PC3 | PC4 | PC5 | |
可溶性固形物 | 0.625 | ||||
可滴定酸 | 0.837 | ||||
粗纤维 | |||||
粗蛋白 | |||||
Vc | 0.856 | ||||
还原糖 | 0.781 | 0.847 | |||
总糖含量 | 0.929 | 0.848 | |||
总酚含量 | 0.978 | ||||
L* | 0.978 | -0.943 | |||
a* | 0.959 | 0.520 | |||
b* | 0.961 | -0.593 | |||
出汁率 | |||||
浊度 | 0.885 | ||||
累计贡献率(%) | 31.747 | 53.563 | 78.291 | 69.777 | 84.434 |
注:PC1—PC5分别表示第1至第5个主因子
根据表2可知,筛选每个因子中权重值较高的指标作为各因子的代表性指标,故筛选出总酚含量、L*值、可滴定酸、浊度和Vc为果汁核心指标,并记录各果汁核心指标对应的果汁核心指标数据;
运用层次分析法建立Y-P判断矩阵,对矩阵特征向量归一化处理后得到果汁核心指标权重;
建立果汁综合评价模型进而得到果汁综合评分,每个果汁对应的果汁综合评分为:Y(综合得分)=总酚含量×0.416+L*值×0.027+可滴定酸含量×0.164+浊度0.092+Vc含量×0.060。
S3、确定原料核心指标,具体为:
将25项原料指标与果汁核心指标进行相关性分析,结果如表3所示:
表3原料指标与果汁核心指标相关性分析
总酚 | L*值 | 可滴定酸 | 浊度 | Vc | |
质量 | -0.277 | -0.261 | 0.268 | -0.250 | -0.099 |
体积 | -0.259 | -0.261 | 0.215 | -0.269 | -0.128 |
密度 | -0.101 | 0.077 | 0.345<sup>*</sup> | 0.114 | 0.188 |
果形指数 | -0.072 | -0.247 | -0.025 | -0.003 | 0.291 |
果核比例 | -0.455<sup>**</sup> | 0.226 | 0.513<sup>**</sup> | 0.151 | -0.191 |
果皮L*值 | 0.269 | -0.029 | -0.327 | -0.095 | 0.282 |
果皮a*值 | -0.244 | -0.215 | 0.270 | -0.070 | -0.246 |
果皮b*值 | -0.118 | -0.303 | 0.197 | 0.065 | -0.122 |
果肉L*值 | 0.196 | 0.000 | -0.066 | -0.048 | 0.342 |
果肉a*值 | -0.347 | -0.078 | 0.325 | -0.035 | -0.368 |
果肉b*值 | 0.284 | 0.016 | -0.186 | -0.064 | 0.368 |
果皮硬度 | -0.062 | 0.367 | 0.065 | 0.416 | 0.027 |
果肉硬度 | 0.016 | 0.448 | 0.031 | 0.128 | 0.002 |
pH | 0.090 | -0.604 | -0.098 | 0.180 | 0.127 |
可滴定酸 | 0.014 | 0.797 | 0.889 | -0.072 | -0.019 |
可溶性固形物 | -0.042 | 0.362 | 0.144 | 0.084 | 0.082 |
含水率 | -0.075 | -0.307 | -0.020 | -0.074 | -0.145 |
粗纤维 | 0.126 | 0.035 | -0.001 | 0.151 | 0.022 |
粗蛋白 | -0.055 | 0.420 | -0.045 | -0.136 | -0.197 |
V<sub>C</sub> | 0.003 | 0.164 | -0.033 | 0.112 | 0.165 |
还原糖 | -0.266 | 0.025 | 0.131 | -0.092 | -0.118 |
总糖 | -0.266 | 0.025 | 0.131 | -0.092 | -0.118 |
氨基酸 | -0.277 | -0.261 | 0.268 | -0.250 | -0.099 |
叶绿素 | -0.259 | -0.261 | 0.215 | -0.269 | -0.128 |
类胡萝卜素 | -0.101 | 0.077 | 0.345 | 0.114 | 0.188 |
去除相关系数低于预设的相关系数阈值的原料指标,得到密度、果核比例、果肉L*值、果皮硬度、果肉硬度、pH、可滴定酸、可溶性固形物、含水率、粗蛋白10项指标作为苹果原料的原料核心指标,并记录各原料核心指标对应的原料核心指标数据;
S4、记录原料核心指标数据、及果汁综合评分形成样本集,选定24个样本集数据形成训练样本集;
剩余的9个样本集数据形成检测样本集;
S5、利用数据统计软件,以训练样本集的原料核心指标数据为输入层,以训练样本集的果汁综合评分为输出层,构建基于BP算法的人工神经网络学习模型,模型最优隐含层数由软件自动生成,其中,训练次数为1000次,学习率为0.1,动量为0.2,误差值为0.001;
S6、以9个检测样本集的原料核心指标数据为输入层,以训练样本集的果汁综合评分为输出层,对构建的人工神经网络学习模型进行准确性检测,比较苹果果汁的果汁综合评分的预测值和实测值,预测结果如表4所示,预设的阈值是相对误差绝对值小于8%;
表4神经网络预测结果
序号 | 名称 | 产地 | 实际得分 | 预测得分 | 相对误差(%) |
1 | 辽宁华红 | 辽宁葫芦岛 | 0.622 | 0.613 | -1.447 |
2 | 辽宁金冠 | 辽宁葫芦岛 | 0.742 | 0.712 | -4.043 |
3 | 辽宁寒富 | 辽宁葫芦岛 | 0.443 | 0.401 | -9.481 |
4 | 陕西青苹 | 陕西咸阳 | 0.654 | 0.650 | -0.612 |
5 | 陕西长密欧 | 陕西咸阳 | 0.611 | 0.609 | -0.327 |
6 | 辽宁秋锦 | 辽宁葫芦岛 | 0.644 | 0.625 | -2.950 |
7 | 辽宁华金 | 辽宁葫芦岛 | 0.593 | 0.581 | -2.024 |
8 | 烟富6号 | 山东青岛 | 0.514 | 0.554 | 7.782 |
9 | 甘肃花牛 | 甘肃平波 | 0.651 | 0.698 | 7.220 |
根据表4可知,有8个检测样本集预测准确,预测准确率为88.89%;
将不符合预设阈值的对应的样本集数据加入到训练样本集进行训练,优化人工神经网络模型,构架新的人工神经网络学习模型。
<实施例2>
基于苹果原料指标预测苹果果汁综合品质的方法,包括以下步骤:
确定综合品质为果汁品质等级,根据实施例1得到对应的果汁综合评分;
根据每个果汁对应的果汁综合评分将对应苹果原料分为5个品质等级,且该苹果原料对应其品质等级的等级概率为1,其余品质等级的等级概率为0,具体为:果汁综合评分≥0.8的为一级,0.7≤果汁综合评分<0.8为二级,0.6≤果汁综合评分<0.7为三级,0.5≤果汁综合评分<0.6为四级,果汁综合评分<0.5为五级,结果见表5;
表5苹果原料对应果汁综合评分及品质等级
名称 | 得分 | 等级 | 名称 | 得分 | 等级 |
辽宁华红 | 0.622 | 三 | 河北富士 | 0.481 | 五 |
辽宁华金 | 0.593 | 四 | 山西半坡秦冠 | 0.489 | 五 |
烟富6号 | 0.514 | 四 | 山东新红星 | 0.643 | 三 |
陕西青苹 | 0.654 | 三 | 甘肃花牛 | 0.651 | 三 |
陕西瑞阳 | 0.832 | 一 | 辽宁秋锦 | 0.644 | 三 |
山西半坡富士 | 0.756 | 二 | 山东红星 | 0.552 | 四 |
辽宁华月 | 0.523 | 四 | 辽宁新红星 | 0.632 | 三 |
辽宁金冠 | 0.742 | 二 | 辽宁寒富 | 0.443 | 五 |
辽宁乔纳金 | 0.452 | 五 | 甘肃富士 | 0.541 | 四 |
山东富士(淄博) | 0.351 | 五 | 辽宁华富 | 0.546 | 四 |
新疆富士 | 0.559 | 四 | 甘肃秦冠 | 0.453 | 五 |
甘肃金冠 | 0.512 | 四 | 陕西秦红 | 0.643 | 三 |
山东金冠(泰安) | 0.693 | 三 | 山东富士(栖霞) | 0.453 | 五 |
陕西长密欧 | 0.611 | 三 | 山东金冠(淄博) | 0.417 | 五 |
陕西富士 | 0.732 | 二 | 泰山红将军 | 0.477 | 五 |
山东国光 | 0.664 | 三 | 辽宁长富2号 | 0.456 | 五 |
山西坡顶富士 | 0.593 | 四 |
S4、记录原料核心指标数据、及果汁综合品质(原料品质等级、及对应概率)形成样本集,选定24个样本集数据形成训练样本集;
剩余的9个样本集数据形成检测样本集;
S5、利用数据统计计算软件,以训练样本集的原料核心指标数据为输入层,以训练样本集的果汁对应每个品质等级的等级概率为输出层,确定输出层的个数为品质等级数,即为5个,构建基于BP算法的人工神经网络学习模型,并进行训练至人工神经网络学习模型稳定,其中,训练次数为1000次,学习率为0.1,动量为0.1,误差值为0.001;
S6、以9个检测样本集的原料核心指标数据为输入层,以检测样本集的果汁对应每个果汁品质等级的等级概率为输出层,确定输出层的个数为品质等级数,对构建的人工神经网络学习模型进行准确性检测,比较苹果果汁的果汁品质等级的预测等级和实测等级,预测结果如表6所示,预测准确率为100%。
表6神经网络预测结果
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.基于苹果原料指标预测果汁综合品质的方法,其特征在于,包括以下步骤:
S1、选定苹果原料,测定原料指标数据后加工苹果原料得果汁;
S2、确定果汁核心指标,建立果汁核心指标与综合品质的对应关系,确定果汁综合品质;
S3、根据果汁综合品质确定原料核心指标;
S4、记录原料核心指标数据、及果汁综合品质形成样本集,选定一定比例的样本集数据形成训练样本集;
S5、以训练样本集的原料核心指标数据为输入层,果汁综合品质为输出层,构建基于BP算法的人工神经网络学习模型,并训练至人工神经网络学习模型稳定;
S6、以未知苹果的原料核心指标数据为输入层,根据人工神经网络学习模型预测该未知苹果的果汁综合品质。
2.如权利要求1所述的基于苹果原料指标预测果汁综合品质的方法,其特征在于,步骤S2中确定果汁核心指标具体为:测定果汁指标数据,利用因子分析法确定果汁核心指标。
3.如权利要求1所述的基于苹果原料指标预测果汁综合品质的方法,其特征在于,步骤S3中果汁综合品质为果汁综合评分或果汁品质等级中的一种;
当果汁综合品质为果汁综合评分时,确定果汁综合品质具体为:运用层次分析法确定果汁核心指标权重,建立果汁综合评价模型进而得到果汁综合评分;
当果汁综合品质为果汁品质等级时,确定果汁综合品质具体为:确定果汁综合评分,将果汁综合评分分为3-5个果汁品质等级,并确定每个苹果原料对应的果汁品质等级,且对应该果汁品质等级的等级概率为1,其余果汁品质等级的等级概率为0。
4.如权利要求3所述的基于苹果原料指标预测果汁综合品质的方法,其特征在于,步骤S4中根据果汁综合品质确定原料核心指标具体为:对每一项原料指标与果汁综合品质对应的果汁核心指标进行相关性分析,去除相关系数低于预设的相关系数阈值的原料指标。
5.如权利要求1所述的基于苹果原料指标预测果汁综合品质的方法,其特征在于,用于形成样本集的原料均为苹果主产各省份对应的主栽苹果种类,按照早熟、中熟、晚熟将苹果原料分为三类,步骤S1中选定苹果原料的个数不少于30个,且至少包含早熟、中熟、晚熟三类中的各一种。
6.如权利要求2所述的基于苹果原料指标预测果汁综合品质的方法,其特征在于,果汁指标数据包括可溶性固形物、可滴定酸、粗纤维、粗蛋白、Vc、还原糖、总糖含量,及果汁L*值,果汁a*值,果汁b*值,出汁率,浊度。
7.如权利要求1所述的基于苹果原料指标预测果汁综合品质的方法,其特征在于,步骤S1中原料指标数据对应原料指标包括基础指标、理化指标和加工指标,基础指标包括质量,体积,密度,果皮L*值,果皮a*值,果皮b*值,果肉L*值,果肉a*值,果肉b*值,pH值、含水率、及可溶性固形物;理化指标包括粗纤维、粗蛋白、Vc、还原糖、总糖、可滴定酸、氨基酸、叶绿素、及类胡萝卜素含量;加工指标果形指数,果核比例,果皮硬度,及果肉硬度。
8.如权利要求1所述的基于苹果原料指标预测果汁综合品质的方法,其特征在于,步骤S4中选择70-85%的样本集数据形成训练样本集。
9.如权利要求1所述的基于苹果原料指标预测果汁综合品质的方法,其特征在于,步骤S4中剩余的样本集数据形成检测样本集;
步骤S5还包括:以检测样本集对人工神经网络模型进行测试,比较苹果果汁的果汁综合评分的预测值和实测值,符合预设的阈值,则人工神经网络模型稳定,反之将该苹果对应的样本集数据加入到训练样本集进行训练,优化人工神经网络模型。
10.如权利要求1所述的基于苹果原料指标预测果汁综合品质的方法,其特征在于,步骤S5中训练次数为500-5000次,学习率为0.1-0.5,动量为0.1-0.8,误差值为0.001-0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811147387.8A CN109242341A (zh) | 2018-09-29 | 2018-09-29 | 基于苹果原料指标预测果汁综合品质的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811147387.8A CN109242341A (zh) | 2018-09-29 | 2018-09-29 | 基于苹果原料指标预测果汁综合品质的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109242341A true CN109242341A (zh) | 2019-01-18 |
Family
ID=65054583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811147387.8A Pending CN109242341A (zh) | 2018-09-29 | 2018-09-29 | 基于苹果原料指标预测果汁综合品质的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242341A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110320333A (zh) * | 2019-05-07 | 2019-10-11 | 西北农林科技大学 | 一种基于多种苹果品质指标的可视化评定方法 |
CN110632262A (zh) * | 2019-08-22 | 2019-12-31 | 南京农业大学 | 一种芹菜品质综合评价的方法 |
CN111311191A (zh) * | 2020-02-25 | 2020-06-19 | 武汉轻工大学 | 基于葡萄酒制品品质范围获取原料品质范围的方法及装置 |
CN111340361A (zh) * | 2020-02-25 | 2020-06-26 | 武汉轻工大学 | 求解黄酒原料指标范围的数据驱动模型分析方法及装置 |
CN111695743A (zh) * | 2020-06-23 | 2020-09-22 | 信阳农林学院 | 工厂化食品安全生产监控方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635014A (zh) * | 2009-09-01 | 2010-01-27 | 内蒙古蒙牛乳业(集团)股份有限公司 | 一种建立常温液奶产品感官品评专家系统的方法 |
CN102539326A (zh) * | 2012-01-13 | 2012-07-04 | 江苏大学 | 茶叶汤色品质的量化评价方法 |
CN105675539A (zh) * | 2016-01-07 | 2016-06-15 | 北京市农林科学院 | 一种农产品品质综合评价方法 |
CN107464020A (zh) * | 2017-08-03 | 2017-12-12 | 中南林业科技大学 | 一种米制品加工原料快速筛选方法 |
-
2018
- 2018-09-29 CN CN201811147387.8A patent/CN109242341A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635014A (zh) * | 2009-09-01 | 2010-01-27 | 内蒙古蒙牛乳业(集团)股份有限公司 | 一种建立常温液奶产品感官品评专家系统的方法 |
CN102539326A (zh) * | 2012-01-13 | 2012-07-04 | 江苏大学 | 茶叶汤色品质的量化评价方法 |
CN105675539A (zh) * | 2016-01-07 | 2016-06-15 | 北京市农林科学院 | 一种农产品品质综合评价方法 |
CN107464020A (zh) * | 2017-08-03 | 2017-12-12 | 中南林业科技大学 | 一种米制品加工原料快速筛选方法 |
Non-Patent Citations (1)
Title |
---|
邓健康等: "基于层次分析和灰色关联度法的苹果(等外果)汁品质评价", 《中国食品学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110320333A (zh) * | 2019-05-07 | 2019-10-11 | 西北农林科技大学 | 一种基于多种苹果品质指标的可视化评定方法 |
CN110632262A (zh) * | 2019-08-22 | 2019-12-31 | 南京农业大学 | 一种芹菜品质综合评价的方法 |
CN111311191A (zh) * | 2020-02-25 | 2020-06-19 | 武汉轻工大学 | 基于葡萄酒制品品质范围获取原料品质范围的方法及装置 |
CN111340361A (zh) * | 2020-02-25 | 2020-06-26 | 武汉轻工大学 | 求解黄酒原料指标范围的数据驱动模型分析方法及装置 |
CN111340361B (zh) * | 2020-02-25 | 2023-04-28 | 武汉轻工大学 | 求解黄酒原料指标范围的数据驱动模型分析方法及装置 |
CN111695743A (zh) * | 2020-06-23 | 2020-09-22 | 信阳农林学院 | 工厂化食品安全生产监控方法、装置、设备及存储介质 |
CN111695743B (zh) * | 2020-06-23 | 2024-04-05 | 信阳农林学院 | 工厂化食品安全生产监控方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242341A (zh) | 基于苹果原料指标预测果汁综合品质的方法 | |
CN109409579A (zh) | Bp人工神经网络预测原料加工适宜性的方法 | |
Nyasordzi et al. | Utilizing the IAD index to determine internal quality attributes of apples at harvest and after storage | |
CN1865997A (zh) | 一种无损检测苹果冷藏和货架品质的方法 | |
Giraldo et al. | Selection of the most discriminating morphological qualitative variables for characterization of fig germplasm | |
CN104914223A (zh) | 一种花生酱用花生的品质测定方法及其评价方法 | |
CN103971176B (zh) | 一种柑橘果实优质化采收决策的方法及系统 | |
Bavay et al. | Importance of fruit variability in the assessment of apple quality by sensory evaluation | |
Szczepaniak | Comparative advantages in Polish export to the European Union—food products vs selected groups of non-food products | |
CN112163779A (zh) | 一种梨果实品质的评价方法 | |
CN109325626A (zh) | 基于苹果原料指标预测干制品综合品质的方法 | |
CN108509601A (zh) | 一种基于大数据分析的食品风味评定方法 | |
Pathaveerat et al. | Multivariate data analysis for classification of pineapple maturity | |
Zhou et al. | Consumer‐assisted selection: the preference for new tablegrape cultivars in C hina | |
Hongwiangjan et al. | Evaluation of pomelo maturity based on acoustic response and peel properties | |
CN113780845A (zh) | 一种基于多准则决策的甘薯种质资源评价方法 | |
CN112666325A (zh) | 一种鸡肉品质感官评价模型的构建方法及应用 | |
CN106053742A (zh) | 一种花生芽菜用花生的品质测定方法及其评价方法 | |
CN109242342A (zh) | 基于苹果原料指标预测苹果鲜食感官品质的方法 | |
CN110118735B (zh) | 一种检测香梨公母的高光谱成像检测方法及装置 | |
CN102809635A (zh) | 一种适宜溶解型蛋白质加工的花生品质测定及其评价方法 | |
Simsek et al. | Fruit characteristics of the selected fig genotypes | |
CN109409687A (zh) | 基于苹果原料指标预测干制品色泽品质的方法 | |
CN109409580A (zh) | 基于苹果原料指标预测果汁混浊度的方法 | |
CN104396593B (zh) | 一种优质蓝莓品种的筛选方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |