CN110084409A - 智能指示标签的制备方法、剩余货架期预测方法及装置 - Google Patents

智能指示标签的制备方法、剩余货架期预测方法及装置 Download PDF

Info

Publication number
CN110084409A
CN110084409A CN201910286026.XA CN201910286026A CN110084409A CN 110084409 A CN110084409 A CN 110084409A CN 201910286026 A CN201910286026 A CN 201910286026A CN 110084409 A CN110084409 A CN 110084409A
Authority
CN
China
Prior art keywords
shelf life
product
measured
tvb
indicating label
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
Application number
CN201910286026.XA
Other languages
English (en)
Other versions
CN110084409B (zh
Inventor
史策
杨信廷
朱文颖
张佳然
吉增涛
韩帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Research Center for Information Technology in Agriculture
Original Assignee
Beijing Research Center for Information Technology in Agriculture
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Research Center for Information Technology in Agriculture filed Critical Beijing Research Center for Information Technology in Agriculture
Priority to CN201910286026.XA priority Critical patent/CN110084409B/zh
Publication of CN110084409A publication Critical patent/CN110084409A/zh
Application granted granted Critical
Publication of CN110084409B publication Critical patent/CN110084409B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09F—DISPLAYING; ADVERTISING; SIGNS; LABELS OR NAME-PLATES; SEALS
    • G09F3/00—Labels, tag tickets, or similar identification or indication means; Seals; Postage or like stamps
    • G09F3/02—Forms or constructions
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09F—DISPLAYING; ADVERTISING; SIGNS; LABELS OR NAME-PLATES; SEALS
    • G09F3/00—Labels, tag tickets, or similar identification or indication means; Seals; Postage or like stamps
    • G09F3/02—Forms or constructions
    • G09F3/0291—Labels or tickets undergoing a change under particular conditions, e.g. heat, radiation, passage of time
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09F—DISPLAYING; ADVERTISING; SIGNS; LABELS OR NAME-PLATES; SEALS
    • G09F3/00—Labels, tag tickets, or similar identification or indication means; Seals; Postage or like stamps
    • G09F3/02—Forms or constructions
    • G09F2003/0214—Stock management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Cold Air Circulating Systems And Constructional Details In Refrigerators (AREA)

Abstract

本发明实施例提供一种智能指示标签的制备方法、剩余货架期预测方法及装置，剩余货架期预测方法包括：采集智能指示标签图像并获取待测产品的贮藏温度；智能指示标签随待测产品的贮藏发生色泽变化；根据图像得到智能指示标签红度值，并根据贮藏温度获取对应的待测产品的剩余货架期预测模型；根据红度值及剩余货架期预测模型得到待测产品的剩余货架期。本发明实施例提供的剩余货架期预测方法及装置，通过采集智能指示标签的图像获取智能指示标签红度值，根据红度值及预设剩余货架期预测模型得到剩余货架期，提高了剩余货架期预测的自动化水平，省时省力，实现了快速、及时、无损、低成本的剩余货架期预测；且实现了基于花青素的智能指示标签的制备。

Description

智能指示标签的制备方法、剩余货架期预测方法及装置
技术领域
本发明涉及自动化技术领域，具体涉及一种智能指示标签的制备方法、剩余货架期预测方法及装置。
背景技术
随着人们生活水平的提高，水产品等生鲜产品的需求量的不断增加，生鲜产品的品质优劣及安全性受到越来越多的关注。以水产品为例，首先，由于水产品自身携带微生物、蛋白质及内源酶含量丰富、不饱和脂肪酸较多、肉质细腻等特点，死后极易发生腐败变质及脂肪的氧化劣变；其次，我国冷链储运体系不健全，水产品冷链流通率不足30％，流通过程腐损率达到15％左右，进而引起一系列安全隐患。因此，迫切需要在运输、贮藏、加工过程中对水产品的质量安全及品质做出快速评价，从而满足经销商、消费者和生产商对水产品食用品质及安全性的要求。水产品的传统包装仅能使水产品不受外界环境条件的影响，并不能提供水产品在存储和运输过程中的相关质量信息。目前市场上使用的时间-温度指示标签、无线射频识别标签等智能包装仅能监测水产品包装内部环境的变化并且成本较高。
现有技术对水产品等生鲜产品的质量和安全的检测及货架期的预测费时费力、检测成本较高，不能对生鲜产品在物流配送、零售过程进行快速、及时、无损、低成本的质量安全及货架期预测和监测，难以满足现代生鲜产品流通快节奏的需求。
目前出现了一些包含新鲜度智能指示标签的包装，这些新鲜度智能指示标签主要通过敏感材料与待测物的代谢产物发生反应后，导致自身或者载体颜色发生变化来指示待测物腐败情况。然而目前普遍使用化学合成试剂作为新鲜度智能指示标签的显色剂，存在色素对食品迁移引起的食用安全性问题，如致畸致癌性或慢性毒性等。
发明内容
为解决现有生鲜产品货架期监测中的问题，本发明实施例提供一种智能指示标签的制备方法、剩余货架期预测方法及装置。
第一方面，本发明实施例提供一种剩余货架期预测方法，包括：采集智能指示标签的图像并获取待测产品的贮藏温度；其中，所述智能指示标签随着所述待测产品的贮藏发生色泽变化；根据所述智能指示标签的图像得到所述智能指示标签的红度值，并根据所述贮藏温度获取对应的所述待测产品的剩余货架期预测模型；根据所述红度值及所述剩余货架期预测模型得到所述待测产品的剩余货架期。
第二方面，本发明实施例提供一种智能指示标签的制备方法，包括：获取花青素提取液；将细菌纤维素膜浸泡在稀释预设倍数后的所述花青素提取液中，在空气中自然风干，得到所述智能指示标签。
第三方面，本发明实施例提供一种水产品剩余货架期预测装置，包括：采集模块，用于采集智能指示标签的图像并获取待测产品的贮藏温度；其中，所述智能指示标签随着所述待测产品的贮藏发生色泽变化；预处理模块，用于根据所述智能指示标签的图像得到所述智能指示标签的红度值，并根据所述贮藏温度获取对应的所述待测产品的剩余货架期预测模型；预测模块，用于根据所述红度值及所述剩余货架期预测模型得到所述待测产品的剩余货架期。
第四方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第五方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的剩余货架期预测方法及装置，通过采集智能指示标签的图像获取智能指示标签的红度值，根据智能指示标签红度值及预设的剩余货架期预测模型得到剩余货架期，提高了剩余货架期预测的自动化水平，省时省力，实现了快速、及时、无损、低成本的剩余货架期预测；并且本发明实施例实现了基于天然花青素的智能指示标签的制备。
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的剩余货架期预测方法流程图；
图2是本发明实施例提供的剩余货架期预测方法中4℃下待测产品的TVB-N含量与智能指示标签的红度值的关系曲线图；
图3是本发明实施例提供的剩余货架期预测方法中25℃下待测产品的TVB-N含量与智能指示标签的红度值的关系曲线图；
图4是本发明实施例提供的剩余货架期预测方法中4℃下待测产品的TVB-N含量与货架期的关系曲线图；
图5是本发明实施例提供的剩余货架期预测方法中25℃下待测产品的TVB-N含量与货架期的关系曲线图；
图6是本发明实施例提供的智能指示标签的制备方法流程图；
图7是本发明实施例提供的水产品剩余货架期预测装置的结构示意图；
图8是本发明实施例提供的电子设备的实体结构示意图。
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作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。
图1是本发明实施例提供的剩余货架期预测方法流程图。如图1所示，所述方法包括：
步骤101、采集智能指示标签的图像并获取待测产品的贮藏温度；其中，所述智能指示标签随着所述待测产品的贮藏发生色泽变化；
剩余货架期预测装置采集智能指示标签的图像并获取待测产品的贮藏温度。所述智能指示标签属于色敏材料，随着所述待测产品的贮藏发生色泽变化，所述待测产品(如鱼类等水产品)腐败的气味信息会对环境pH值产生影响，而环境pH变化会导致的色敏材料的色泽的变化，从而对待测产品的腐败程度做出响应。
所述智能指示标签贴于所述待测产品的包装盒内部，且远离待测产品的一侧，所述智能指示标签的图像可以被所述剩余货架期预测装置进行采集。所述剩余货架期预测装置可以利用图像采集模块(如摄像头)采集所述智能指示标签的图像，并且可以用温度传感器采集待测产品的贮藏温度。
所述图像采集模块在采集智能指示标签的图像之前可以用标准色卡进行校准，所述标准色卡可以内置于所述剩余货架期预测装置中。
步骤102、根据所述智能指示标签的图像得到所述智能指示标签的红度值，并根据所述贮藏温度获取对应所述待测产品的的剩余货架期预测模型；
将采集的所述智能指示标签的图像利用预设程序进行处理，得到所述智能指示标签的红度值(a*)，其中，所述预设程序可以采用常规技术实现。并且，根据所述贮藏温度获取对应的所述待测产品的剩余货架期预测模型。由于在不同的贮藏温度下，待测产品的变质具有不同的过程，因此，剩余货架期预测模型与贮藏温度相对应。并且，不同类型的待测产品可能具有不同的剩余货架期预测模型。因此，需要获取与所述贮藏温度对应的所述待测产品的剩余货架期预测模型，以用于预测待测产品的剩余货架期。
可以理解的，由于温度传感器具有测量误差，贮藏温度相差1℃以内可以采用同一剩余货架期预测模型。
步骤103、根据所述红度值及所述剩余货架期预测模型得到所述待测产品的剩余货架期；
所述剩余货架期预测模型包括智能指示标签的红度值与待测产品的剩余货架期的对应关系。比如，所述剩余货架期预测模型可以一一存储有智能指示标签的红度值与对应的剩余货架期，或者所述剩余货架期预测模型可以表示为以智能指示标签的红度值为自变量、剩余货架期为因变量的表达式。根据所述红度值及所述剩余货架期预测模型得到所述待测产品的剩余货架期。
根据剩余货架期的情况，可以给出相应的提示信息。比如，若剩余货架期等于0，则提示待测产品已到达货架期终点；若剩余货架期为-5，则提示待测产品已超过货架期终点5天；若剩余货架期为3，则提示待测产品距货架期终点3天等，具体可根据需要设定。
本发明实施例通过采集智能指示标签的图像获取智能指示标签的红度值，根据智能指示标签的红度值及预设的剩余货架期预测模型得到剩余货架期，提高了剩余货架期预测的自动化水平，省时省力，实现了快速、及时、无损、低成本的剩余货架期预测。
进一步地，基于上述实施例，所述剩余货架期预测模型包括第一预测模型及第二预测模型，所述根据所述红度值及所述剩余货架期预测模型得到所述待测产品的剩余货架期，具体包括：根据所述红度值及所述第一预测模型得到所述待测产品的TVB-N含量，所述第一预测模型包括所述智能指示标签的红度值与所述待测产品的TVB-N含量的对应关系；根据所述TVB-N含量及所述第二预测模型得到所述待测产品的所述剩余货架期，所述第二预测模型包括所述待测产品的TVB-N含量与所述待测产品的剩余货架期的对应关系。
所述剩余货架期预测模型包括第一预测模型及第二预测模型，所述第一预测模型包括所述智能指示标签的红度值与所述待测产品的TVB-N含量的对应关系，因此，得到智能指示标签的红度值后，根据所述第一预测模型，可以得到所述待测产品的TVB-N含量，也即根据所述红度值及所述第一预测模型得到所述待测产品的TVB-N含量。其中，TVB-N是指挥发性盐基氮。
所述第二预测模型包括所述待测产品的TVB-N含量与所述待测产品的剩余货架期的对应关系，因此，得到所述待测产品的TVB-N含量后，根据所述第二预测模型，可以得到所述待测产品的剩余货架期，也即根据所述TVB-N含量及所述第二预测模型得到所述待测产品的所述剩余货架期。
在上述实施例的基础上，本发明实施例通过使将剩余货架期预测模型包括第一预测模型及第二预测模型，利用待测产品的TVB-N含量为纽带得到剩余货架期，简化了剩余货架期的计算过程，节省了计算成本，提高了剩余货架期的获取效率。
进一步地，基于上述实施例，所述方法还包括：将所述贮藏温度下所述待测产品的TVB-N含量与根据所述智能指示标签的色泽变化得到的所述智能指示标签的红度值一一对应，对所述TVB-N含量与所述红度值做相关性分析，构建所述贮藏温度下的所述第一预测模型。
利用所述剩余货架期预测模型进行剩余货架期的预测，首先需要建立所述剩余货架期预测模型。所述剩余货架期预测模型包括所述第一预测模型及所述第二预测模型，其中，构建所述第一预测模型的过程包括：将所述贮藏温度下所述待测产品的TVB-N含量与根据所述智能指示标签的色泽变化得到的所述智能指示标签的红度值一一对应，对所述TVB-N含量与所述红度值做相关性分析，比如可以通过拟合得到所述TVB-N含量与所述红度值的关系曲线，并且可以得到所述TVB-N含量与所述红度值之间的关系表达式，从而构建所述贮藏温度下的所述第一预测模型。
根据所述智能指示标签的色泽变化得到的所述智能指示标签的红度值，也可以通过采集智能指示标签的图像，进而对采集的图像进行分析得到智能指示标签的红度值。
可以通过实验对得到的所述待测产品的TVB-N含量与对应智能指示标签的红度值的大量数据进行相关性分析，构建所述第一预测模型。其中，红度值可以利用智能指示标签的色泽通过常规手段获取，也可以通过采集智能指示标签的图像，进而对采集的图像进行分析得到智能指示标签的红度值。TVB-N含量可以通过按GB/T 9695.4-2009《肉与肉制品.总磷含量测定》中的微量扩散法进行测定。
通过相关性分析，发现TVB-N含量与红度值之间具有良好的相关性。
在上述实施例的基础上，本发明实施例通过对TVB-N含量与红度值做相关性分析，构建第一预测模型，快速简便地实现了第一预测模型的构建。
进一步地，基于上述实施例，在所述贮藏温度为4℃时，所述第一预测模型的表达式为：
YTVB-N＝-1.949ln(a*)+2.4165
在所述贮藏温度为25℃时，所述第一预测模型的表达式为：
YTVB-N＝-4.308ln(a*)+9.7438
其中，YTVB-N为贮藏过程中所述待测产品的TVB-N的含量，a*为所述智能指示标签的红度值。
图2是本发明实施例提供的剩余货架期预测方法中4℃下待测产品的TVB-N含量与智能指示标签的红度值的关系曲线图。将4℃下得到的待测产品的TVB-N含量与智能指示标签的红度值做相关性分析，可以拟合得到图2所示的曲线，由图2，可以得到在所述贮藏温度为4℃时，所述第一预测模型的表达式为：
YTVB-N＝-1.949ln(a*)+2.4165 (1)
图3是本发明实施例提供的剩余货架期预测方法中25℃下待测产品的TVB-N含量与智能指示标签的红度值的关系曲线图。将25℃下得到的待测产品的TVB-N含量与智能指示标签的红度值做相关性分析，可以拟合得到图3所示的曲线，由图3，可以得到在所述贮藏温度为25℃时，所述第一预测模型的表达式为：
YTVB-N＝-4.308ln(a*)+9.7438 (2)
其中，YTVB-N为贮藏过程中所述待测产品的TVB-N的含量，a*为所述智能指示标签的红度值。
4℃贮藏条件下第一预测模型的决定系数R2＝0.9233，相关系数>0.9；25℃贮藏条件下模型的决定系数R2＝0.9917，相关系数>0.9。可见，模型的预测值和实际值的符合程度很高，TVB-N的含量与红度值具有良好的相关性。
式(1)和式(2)为根据罗非鱼得到的表达式，可以用于并不限于罗非鱼的剩余货架期的预测。
在上述实施例的基础上，本发明实施例通过分别获取贮藏温度为4℃和25℃的第一预测模型，为实现冷藏和常温贮藏下的待测产品的剩余货架期预测提供了前提。
进一步地，基于上述实施例，所述方法还包括：将所述贮藏温度下所述待测产品的TVB-N含量与所述待测产品的货架期一一对应，对所述TVB-N含量与所述货架期做相关性分析，构建所述贮藏温度下的基于TVB-N含量的货架期预测模型；根据所述货架期预测模型及所述待测产品的TVB-N含量的预设阈值得到货架期最大存续时间；根据所述货架期预测模型及所述货架期最大存续时间构建所述第二预测模型。
构建所述第二预测模型的过程包括：将所述贮藏温度下所述待测产品的TVB-N含量与所述待测产品的货架期一一对应，对所述TVB-N含量与所述货架期做相关性分析，构建所述贮藏温度下的基于TVB-N含量的货架期预测模型。可以通过实验对得到的所述待测产品的TVB-N含量与对应货架期的大量数据进行相关性分析，构建所述货架期预测模型。
所述货架期预测模型包括TVB-N含量与货架期的对应关系。根据相应的国家或国际标准中规定的TVB-N含量的最大值设定所述待测产品的TVB-N含量的预设阈值。比如，根据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，淡水鱼的TVB-N值不得大于20mg/100g)，可以设定所述预设阈值为20mg/100g。
根据所述货架期预测模型可以得到当TVB-N含量为所述预设阈值时的货架期，此时所得到的货架期即为所述货架期最大存续时间，当货架期为货架期最大存续时间时表示已到达货架期终点。
根据所述货架期预测模型及所述货架期最大存续时间构建所述第二预测模型。所述货架期预测模型包括TVB-N含量与货架期的对应关系。因此，将得到的TVB-N含量输入到货架期预测模型可以得到对应的货架期，再通过获取货架期最大存续时间与货架期的差值便可得到剩余货架期，从而可以构建得到包括所述待测产品的TVB-N含量与所述待测产品的剩余货架期的对应关系的第二预测模型。
在上述实施例的基础上，本发明实施例通过对TVB-N含量与货架期做相关性分析，构建基于TVB-N含量的货架期预测模型，并进一步根据货架期预测模型得到第二预测模型，快速简便地实现了第二预测模型的构建。
进一步地，基于上述实施例，在所述贮藏温度为4℃时，所述第二预测模型的表达式为：
X＝＝Xmax-10.222ln(YTVB-N)+19.806 (3)
在所述贮藏温度为25℃时，所述第二预测模型的表达式为：
X＝＝Xmax-24.757ln(YTVB-N)+50.782 (4)
其中：YTVB-N为贮藏过程中所述待测产品的TVB-N的含量，X为所述剩余货架期，Xmax为所述货架期最大存续时间。
图4是本发明实施例提供的剩余货架期预测方法中4℃下待测产品的TVB-N含量与货架期的关系曲线图。将4℃下得到的待测产品的TVB-N含量与货架期做相关性分析，可以拟合得到图4所示的曲线，由图4，可以得到在所述贮藏温度为4℃时，待测产品的TVB-N含量与货架期的关系曲线的表达式为：
YTVB-N＝7.2275e0.0898xb (5)
由式(5)可以得到所述货架期预测模型的表达式为：
xb＝10.222ln(YTVB-N)-19.806 (6)
将所述待测产品的TVB-N含量的预设阈值代入式(6)，可以得到在贮藏温度为4℃时待测产品的货架期最大存续时间Xmax，并可进一步得到所述第二预测模型的表达式为：
X＝＝Xmax-10.222ln(YTVB-N)+19.806 (7)
图5是本发明实施例提供的剩余货架期预测方法中25℃下待测产品的TVB-N含量与货架期的关系曲线图。将25℃下得到的待测产品的TVB-N含量与货架期做相关性分析，可以拟合得到图5所示的曲线，由图5，可以得到在所述贮藏温度为25℃时，待测产品的TVB-N含量与货架期的关系曲线的表达式为：
YTVB-N＝8.0248e0.0378xb (8)
由式(8)可以得到所述货架期预测模型的表达式为：
xb＝24.757ln(YTVB-N)-50.782 (9)
将所述待测产品的TVB-N含量的预设阈值代入式(9)，可以得到在贮藏温度为25℃时待测产品的货架期最大存续时间Xmax，并可进一步得到所述第二预测模型的表达式为：
X＝＝Xmax-24.757ln(YTVB-N)+50.782 (10)
其中，YTVB-N为贮藏过程中所述待测产品的TVB-N的含量，xb为货架期，X为剩余货架期，Xmax为货架期最大存续时间。
4℃贮藏条件下货架期预测模型的决定系数R2＝0.9176，相关系数>0.9；25℃贮藏条件下模型的决定系数R2＝0.9354，相关系数>0.9。可见，模型的预测值和实际值的符合程度很高，TVB-N的含量与货架期(贮藏时间)具有良好的相关性。
式(3)～式(10)为根据罗非鱼得到的表达式，可以用于并不限于罗非鱼的剩余货架期的预测。
另外，还可以基于所述货架期预测模型得到的货架期，绘制货架期线状图，更直观的了解待测产品货架期变化。
在上述实施例的基础上，本发明实施例通过分别获取贮藏温度为4℃和25℃的第二预测模型，与第一预测模型相结合，共同实现了冷藏和常温贮藏下的待测产品的剩余货架期预测。
图6是本发明实施例提供的智能指示标签的制备方法流程图。所述智能标签可以是前述实施例中任一所述智能指示标签。如图6所示，所述方法包括：
步骤201、获取花青素提取液；
由于化学合成试剂作为新鲜度智能指示标签具有诸多问题，天然色素因其食用安全，可以利用天然色素制备所述智能指示标签。天然色素中花青素是一类天然酸碱指示材料，相比化学合成色素，其天然无毒、自然界含量丰富。因此，基于花青素得到一种低成本、高灵敏度的智能指示标签，通过智能指示标签色泽变化监测水产品流通中质量并预测剩余货架期，对于规范水产品市场秩序、维护消费者利益和保护消费者的健康有着直接的现实意义，同时也为水产品在加工、运输、贮藏及销售过程质量与安全的实时监控提供理论依据。
制备基于花青素的所述智能指示标签，首先需要获取花青素提取液。获取花青素提取液的过程可以为：通过70％乙醇浸提蓝莓榨汁后的残渣，24h后将浸提液过滤获得天然花青素提取液。可以理解的，还可以通过利用富含花青素的其他植被来获取花青素提取液，获取花青素提取液可以采用已有的任何方法。
步骤202、将细菌纤维素膜浸泡在稀释预设倍数后的所述花青素提取液中，在空气中自然风干，得到所述智能指示标签。
将细菌纤维素膜浸泡在稀释预设倍数后的所述花青素提取液中，在空气中自然风干，得到所述智能指示标签。所述预设倍数可以在权衡灵敏度和成本的基础上自行设定，比如可以为20倍。
本发明实施例通过将细菌纤维素膜浸泡在稀释预设倍数后的花青素提取液中，在空气中自然风干，得到智能指示标签，实现了基于天然花青素的智能指示标签的制备，为实现安全可靠的剩余货架期预测提供了前提。
图7是本发明实施例提供的水产品剩余货架期预测装置的结构示意图。如图7所示，所述装置包括采集模块10、预处理模块20及预测模块30，其中：采集模块10用于采集智能指示标签的图像并获取待测产品的贮藏温度；其中，所述智能指示标签随着所述待测产品的贮藏发生色泽变化；预处理模块20用于根据所述智能指示标签的图像得到所述智能指示标签的红度值，并根据所述贮藏温度获取对应的所述待测产品的剩余货架期预测模型；预测模块30用于根据所述红度值及所述剩余货架期预测模型得到所述待测产品的剩余货架期。
本发明实施例通过采集智能指示标签的图像获取智能指示标签的红度值，根据智能指示标签的红度值及预设的剩余货架期预测模型得到剩余货架期，提高了剩余货架期预测的自动化水平，省时省力，实现了快速、及时、无损、低成本的剩余货架期预测。
进一步地，基于上述实施例，所述剩余货架期预测模型包括第一预测模型及第二预测模型，预测模块30具体用于：根据所述红度值及所述第一预测模型得到所述待测产品的TVB-N含量，所述第一预测模型包括所述智能指示标签的红度值与所述待测产品的TVB-N含量的对应关系；根据所述TVB-N含量及所述第二预测模型得到所述待测产品的所述剩余货架期，所述第二预测模型包括所述待测产品的TVB-N含量与所述待测产品的剩余货架期的对应关系。
在上述实施例的基础上，本发明实施例通过使将剩余货架期预测模型包括第一预测模型及第二预测模型，利用待测产品的TVB-N含量为纽带得到剩余货架期，简化了剩余货架期的计算过程，节省了计算成本，提高了剩余货架期的获取效率。
进一步地，基于上述实施例，所述装置还包括第一预测模型构建模块，用于：将所述贮藏温度下所述待测产品的TVB-N含量与根据所述智能指示标签的色泽变化得到的所述智能指示标签的红度值一一对应，对所述TVB-N含量与所述红度值做相关性分析，构建所述贮藏温度下的所述第一预测模型。
在上述实施例的基础上，本发明实施例通过对TVB-N含量与红度值做相关性分析，构建第一预测模型，快速简便地实现了第一预测模型的构建。
进一步地，基于上述实施例，所述装置还包括第二预测模型构建模块，用于：将所述贮藏温度下所述待测产品的TVB-N含量与所述待测产品的货架期一一对应，对所述TVB-N含量与所述货架期做相关性分析，构建所述贮藏温度下的基于TVB-N含量的货架期预测模型；根据所述货架期预测模型及所述待测产品的TVB-N含量的预设阈值得到货架期最大存续时间；根据所述货架期预测模型及所述货架期最大存续时间构建所述第二预测模型。
在上述实施例的基础上，本发明实施例通过对TVB-N含量与货架期做相关性分析，构建基于TVB-N含量的货架期预测模型，并进一步根据货架期预测模型得到第二预测模型，快速简便地实现了第二预测模型的构建。
本发明实施例提供的装置是用于上述方法的，具体功能可参照上述方法流程，此处不再赘述。
本发明实施例从天然无污染、低成本、基于物流实际应用、无损、及时检测方面，构建了一种基于天然无毒色敏材料的支持物流过程、零售过程的智能指示标签、货架期预测方法及装置，方便企业、质检员、消费者等对鱼类等待测产品剩余货架期进行判定，同时提升了水产品质量控制技术，降低了检测成本。以下是应用场景举例：
场景一：超市质检员或消费者可无损、及时了解送至超市的鱼类货架期
(1)经过冷藏运输并包装智能指示标签(用于指示新鲜度)的罗非鱼片送至超市进行售卖时，超市质检员或消费者可利用剩余货架期预测装置对智能指示标签进行色泽采集；
(2)将当前贮藏温度及反映指示标签色泽值的智能指示标签的图像上传至货架期预测系统，判定此时罗非鱼片是否超过货架期。系统将当前货架期判定结果及剩余货架期统计分析后进行显示，提前对产品货架期进行判断，减少超市损失；
(3)若超过货架期，则根据系统提示，将本批罗非鱼片销毁处理；
(4)若接近货架期，则可进行减价促销等；
(5)若未超过货架期，则显示罗非鱼此时新鲜可食用。
场景二：食品检验人员对出厂罗非鱼片进行抽检过程
(1)新鲜罗非鱼进入工厂制备成罗非鱼片后(包装内贴有智能指示标签)，食品检验人员可利用剩余货架期预测装置对智能指示标签进行色泽采集；
(2)将当前贮藏温度及反映指示标签色泽值的智能指示标签的图像上传至货架期预测系统，判定此时的新鲜度是否在推荐范围内，将结果统计分析后显示，供检验人员使用；
(3)食品检验人员可根据系统提示，根据货架期预测系统，得到剩余货架期；将结果统计分析后显示，检验人员可得到本批罗非鱼片的推荐货架期；
(4)本发明实施例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并降低了水产品检测成本，保证罗非鱼片质量的同时节省食品检验的时间。
图8是本发明实施例提供的电子设备的实体结构示意图。如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行如下方法：采集智能指示标签的图像并获取待测产品的贮藏温度；其中，所述智能指示标签随着所述待测产品的贮藏发生色泽变化；根据所述智能指示标签的图像得到所述智能指示标签的红度值，并根据所述贮藏温度获取对应的所述待测产品的剩余货架期预测模型；根据所述红度值及所述剩余货架期预测模型得到所述待测产品的剩余货架期。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。

Claims (10)

1.一种剩余货架期预测方法，其特征在于，包括：
采集智能指示标签的图像并获取待测产品的贮藏温度；其中，所述智能指示标签随着所述待测产品的贮藏发生色泽变化；
根据所述智能指示标签的图像得到所述智能指示标签的红度值，并根据所述贮藏温度获取对应的所述待测产品的剩余货架期预测模型；
根据所述红度值及所述剩余货架期预测模型得到所述待测产品的剩余货架期。
2.根据权利要求1所述的方法，其特征在于，所述剩余货架期预测模型包括第一预测模型及第二预测模型，所述根据所述红度值及所述剩余货架期预测模型得到所述待测产品的剩余货架期，具体包括：
根据所述红度值及所述第一预测模型得到所述待测产品的TVB-N含量，所述第一预测模型包括所述智能指示标签的红度值与所述待测产品的TVB-N含量的对应关系；
根据所述TVB-N含量及所述第二预测模型得到所述待测产品的所述剩余货架期，所述第二预测模型包括所述待测产品的TVB-N含量与所述待测产品的剩余货架期的对应关系。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
将所述贮藏温度下所述待测产品的TVB-N含量与根据所述智能指示标签的色泽变化得到的所述智能指示标签的红度值一一对应，对所述TVB-N含量与所述红度值做相关性分析，构建所述贮藏温度下的所述第一预测模型。
4.根据权利要求3所述的方法，其特征在于，在所述贮藏温度为4℃时，所述第一预测模型的表达式为：
YTVB-N＝-1.949ln(a*)+2.4165 (1)
在所述贮藏温度为25℃时，所述第一预测模型的表达式为：
YTVB-N＝-4.308ln(a*)+9.7438 (2)
其中，YTVB-N为贮藏过程中所述待测产品的TVB-N的含量，a*为所述智能指示标签的红度值。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
将所述贮藏温度下所述待测产品的TVB-N含量与所述待测产品的货架期一一对应，对所述TVB-N含量与所述货架期做相关性分析，构建所述贮藏温度下的基于TVB-N含量的货架期预测模型；
根据所述货架期预测模型及所述待测产品的TVB-N含量的预设阈值得到货架期最大存续时间；
根据所述货架期预测模型及所述货架期最大存续时间构建所述第二预测模型。
6.根据权利要求5所述的方法，其特征在于，在所述贮藏温度为4℃时，所述第二预测模型的表达式为：
X＝＝Xmax-10.222ln(YTVB-N)+19.806 (3)
在所述贮藏温度为25℃时，所述第二预测模型的表达式为：
X＝＝Xmax-24.757ln(YTVB-N)+50.782 (4)
其中：YTVB-N为贮藏过程中所述待测产品的TVB-N的含量，X为所述剩余货架期，Xmax为所述货架期最大存续时间。
7.一种如权利要求1～6任一项所述的智能指示标签的制备方法，包括：
获取花青素提取液；
将细菌纤维素膜浸泡在稀释预设倍数后的所述花青素提取液中，在空气中自然风干，得到所述智能指示标签。
8.一种水产品剩余货架期预测装置，其特征在于，包括：
采集模块，用于采集智能指示标签的图像并获取待测产品的贮藏温度；其中，所述智能指示标签随着所述待测产品的贮藏发生色泽变化；
预处理模块，用于根据所述智能指示标签的图像得到所述智能指示标签的红度值，并根据所述贮藏温度获取对应的所述待测产品的剩余货架期预测模型；
预测模块，用于根据所述红度值及所述剩余货架期预测模型得到所述待测产品的剩余货架期。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6一项所述方法的步骤。
CN201910286026.XA 2019-04-10 2019-04-10 智能指示标签的制备方法、剩余货架期预测方法及装置 Active CN110084409B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910286026.XA CN110084409B (zh) 2019-04-10 2019-04-10 智能指示标签的制备方法、剩余货架期预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910286026.XA CN110084409B (zh) 2019-04-10 2019-04-10 智能指示标签的制备方法、剩余货架期预测方法及装置

Publications (2)

Publication Number Publication Date
CN110084409A true CN110084409A (zh) 2019-08-02
CN110084409B CN110084409B (zh) 2021-05-28

Family

ID=67414710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910286026.XA Active CN110084409B (zh) 2019-04-10 2019-04-10 智能指示标签的制备方法、剩余货架期预测方法及装置

Country Status (1)

Country Link
CN (1) CN110084409B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113884482A (zh) * 2020-07-02 2022-01-04 海南光宇生物科技有限公司 一种以生物纤维素膜作为试剂载体的甲醛自测盒

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998041829A1 (en) * 1997-03-18 1998-09-24 Gics & Vermee, L.P. An indicator, an associated package and associated methods
US20060235616A1 (en) * 2004-09-15 2006-10-19 Gallegos Sonia C System and method for extracting optical properties from environmental parameters in water
CN101576553A (zh) * 2009-04-24 2009-11-11 上海海洋大学 冷却猪肉的货架期预测模型
CN104792950A (zh) * 2015-05-12 2015-07-22 上海海洋大学 一种预测金枪鱼货架期的模型
CN106290749A (zh) * 2016-07-22 2017-01-04 北京农业信息技术研究中心 基于特定气味指纹对水果进行货架期预测的方法及装置
CN106650291A (zh) * 2017-01-03 2017-05-10 上海海洋大学 一种预测三文鱼货架期的模型

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998041829A1 (en) * 1997-03-18 1998-09-24 Gics & Vermee, L.P. An indicator, an associated package and associated methods
US20060235616A1 (en) * 2004-09-15 2006-10-19 Gallegos Sonia C System and method for extracting optical properties from environmental parameters in water
CN101576553A (zh) * 2009-04-24 2009-11-11 上海海洋大学 冷却猪肉的货架期预测模型
CN104792950A (zh) * 2015-05-12 2015-07-22 上海海洋大学 一种预测金枪鱼货架期的模型
CN106290749A (zh) * 2016-07-22 2017-01-04 北京农业信息技术研究中心 基于特定气味指纹对水果进行货架期预测的方法及装置
CN106650291A (zh) * 2017-01-03 2017-05-10 上海海洋大学 一种预测三文鱼货架期的模型

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CE SHI等: "Nondestructive determination of freshness indicators for tilapia fillets stored", 《FOOD CHEMISTRY》 *
史策等: "水产品货架期预测模型的研究进展", 《食品科学》 *
邹小波等: "基于玫瑰茄花青素的猪肉新鲜度智能指示膜研究", 《食品科学》 *
郭全友等: "不同贮藏温度下养殖大黄鱼货架期预测模型的构建", 《农业工程学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113884482A (zh) * 2020-07-02 2022-01-04 海南光宇生物科技有限公司 一种以生物纤维素膜作为试剂载体的甲醛自测盒

Also Published As

Publication number Publication date
CN110084409B (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
US10762378B2 (en) Photo analytics calibration
CN108872218A (zh) 生鲜食品新鲜度监测方法及装置
CN104764744B (zh) 一种禽蛋新鲜度的视觉检测装置及其方法
WO2013051841A2 (ko) 실시간 물품 품질 모니터링 시스템
CN105181912B (zh) 一种大米储藏过程中的新鲜度检测方法
CN105513052A (zh) 一种冰箱内食物存量及变质信息探知系统及方法
CN109959765B (zh) 三文鱼新鲜度检测系统及方法
CN209911240U (zh) 一种生鲜产品剩余货架期预测设备及系统
Choi et al. Applying convolutional neural networks to assess the external quality of strawberries
CN110084409A (zh) 智能指示标签的制备方法、剩余货架期预测方法及装置
CN114169618A (zh) 基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法
Rahim et al. Deep learning-based accurate grapevine inflorescence and flower quantification in unstructured vineyard images acquired using a mobile sensing platform
CN115630877A (zh) 一种用于透明质酸钠生产的质量检测方法及系统
CN103940522A (zh) 一种聚合型时间-温度指示剂及其在军用食品中的应用
Lin et al. Survey on operational perishables quality control and logistics
Prevolnik et al. Application of artificial neural networks in meat production and technology
CN110441251A (zh) 奶粉剩余保质期的检测方法、装置及计算机可读存储介质
CN110657836B (zh) 一种生鲜运输智能物流箱的监控系统及其监控方法
CN111122635A (zh) 一种食用菌干燥状态在线评估方法及系统
Ilyas et al. A deep learning based approach for strawberry yield prediction via semantic graphics
CN117029927A (zh) 一种基于数据分析的鹿茸菇养殖环境智能监控系统
CN113962638B (zh) 一种智能果蔬质量检测方法及系统
Nielsen et al. Quality assurance in the fishing industry with emphasis on the future use of vision techniques
CN115325768A (zh) 一种食品新鲜度的确定方法、装置、电子设备及存储介质
Joy et al. IoT Based Risk Monitoring System

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