CN111274538A - 一种生食水产品储运过程中质量状态判别方法及系统 - Google Patents
一种生食水产品储运过程中质量状态判别方法及系统 Download PDFInfo
- Publication number
- CN111274538A CN111274538A CN202010071624.8A CN202010071624A CN111274538A CN 111274538 A CN111274538 A CN 111274538A CN 202010071624 A CN202010071624 A CN 202010071624A CN 111274538 A CN111274538 A CN 111274538A
- Authority
- CN
- China
- Prior art keywords
- quality state
- state
- quality
- preset time
- grade
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000007704 transition Effects 0.000 claims abstract description 77
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 235000013305 food Nutrition 0.000 claims abstract description 23
- 230000002427 irreversible effect Effects 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012850 discrimination method Methods 0.000 claims 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- UBAZGMLMVVQSCD-UHFFFAOYSA-N carbon dioxide;molecular oxygen Chemical compound O=O.O=C=O UBAZGMLMVVQSCD-UHFFFAOYSA-N 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 229910001873 dinitrogen Inorganic materials 0.000 description 1
- 244000005700 microbiome Species 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
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 235000014102 seafood Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种生食水产品储运过程中质量状态判别方法及系统,方法包括:获取生食水产品储运过程中多个预设时间序列下的质量状态参量序列;根据多个质量状态参量序列,获取生食水产品在每个预设时间序列下的质量状态等级;计算相邻两个预设时间序列的质量状态等级转变概率矩阵;根据生食水产品的初始时间序列下的质量状态等级和相邻两个预设时间序列的质量状态等级转变概率矩阵,建立待识别时间段内的质量状态判别模型,进而对生食水产品在未来待识别时间序列下的质量状态等级进行识别。本发明实施例实现了生食水产品储运过程的质量状态动态判别,有助于减少生食水产品在运输过程中造成的损失,提高水产品保鲜保活效果。
Description
技术领域
本发明属于水产品储运技术领域,尤其涉及一种生食水产品储运过程中质量状态判别方法及系统。
背景技术
生食水产品质量影响因素众多,在储运过程中品质具有依时间渐变累积而衰减特征,不同时刻的质量状态随之变化。因此,生食水产品储运过程高效、准确的质量状态判别对水产品价值链提升具有重要作用。
生食水产品全生命周期状态分为活、死、鲜、腐等多状态,现在的状态分析只是针对某一状态的品种进行评估,并没有考虑上一质量状态与下一质量状态的转变时刻和转变概率,因此需要从生食水产品全生命周期出发,实现水产品运输“过程质量状态的多层次判别决策,进而提高食品质量安全,防范风险。
发明内容
为克服上述现有问题或者至少部分地解决上述问题,本发明实施例提供一种生食水产品储运过程中质量状态判别方法及系统。
本发明实施例提供一种生食水产品储运过程中质量状态判别方法,包括:
获取生食水产品储运过程中多个预设时间序列下的质量状态参量序列;
根据每一个预设时间序列下的质量状态参量序列,获取储运过程中生食水产品在每个预设时间序列下的质量状态等级;
计算相邻两个预设时间序列的质量状态等级转变概率矩阵;
根据生食水产品的初始时间序列下的质量状态等级和相邻两个预设时间序列的质量状态等级转变概率矩阵,建立待识别时间段内的质量状态判别模型,对生食水产品在未来待识别时间序列下的质量状态等级进行识别。
在上述技术方案的基础上,本发明实施例还可以作出如下改进。
可选的,所述根据每一个预设时间序列下的质量状态参量序列,获取储运过程中生食水产品在每个预设时间序列下的质量状态等级包括:
根据每一个预设时间序列下的质量状态参量序列对应的梯度区间,得到对应的区间等级;
根据每一个预设时间序列下的质量状态参量序列对应的区间等级和区间等级与质量状态等级之间的对应关系,得到生食水产品在每个预设时间序列下的质量状态等级。
可选的,所述计算相邻两个预设时间序列的质量状态等级转变概率矩阵包括:
根据预先构建的生食水产品质量特征知识库,获取生食水产品在相邻两个预设时间序列下的质量状态等级转变参考概率矩阵P;
基于生食水产品在每一个预设时间序列下的质量状态参量序列和质量状态等级之间的关系,分析获取相邻两个预设时间序列的质量状态等级转变的概率调节系数δ;
基于生食水产品在相邻两个预设时间序列下的质量状态等级参考概率矩阵P和相邻两个预设时间序列的质量状态等级转变的概率调节系数δ,计算相邻两个预设时间序列的质量状态等级转变概率矩阵M。
可选的,所述生食水产品的质量状态等级包括随时间推移变化的鲜活状态S1、濒死状态S2、新鲜状态S3、腐败状态S4;
所述生食水产品的质量状态等级表示为:
可选的,所述鲜活状态、濒死状态、新鲜状态、腐败状态均包括不同程度的多个子状态;
其中,所述获取生食水产品在相邻两个预设时间序列下的质量状态等级参考概率矩阵P包括:
获取由鲜活第一子状态到鲜活第二子状态的质量状态等级参考概率矩阵p(S12|S11),状态不可逆;
获取由鲜活第二子状态到濒死第一子状态的质量状态等级参考概率矩阵p(S21|S12),状态不可逆;
获取由濒死第一子状态到濒死第二子状态的质量状态等级参考概率矩阵p(S22|S21),状态不可逆;
获取由濒死第二子状态到新鲜第一子状态的质量状态等级参考概率矩阵p(S31|S22),状态不可逆;
获取由新鲜第一子状态到新鲜第二子状态的质量状态等级参考概率矩阵p(S32|S31),状态不可逆;
获取由新鲜第二子状态到腐败第一子状态的质量状态等级参考概率矩阵p(S41|S33),状态不可逆;
获取由腐败第一子状态到腐败第二子状态的质量状态等级参考概率矩阵p(S42|S41),状态不可逆。
可选的,所述获取相邻两个预设时间序列的质量状态等级转变概率调节系数δ包括:
获取由鲜活第一子状态到鲜活第二子状态转变概率调节系数δ1;
获取由鲜活第二子状态到濒死第一子状态转变概率调节系数δ2;
获取由濒死第一子状态到濒死第二子状态转变概率调节系数δ3;
获取由濒死第二子状态到新鲜第一子状态转变概率调节系数δ4;
获取由新鲜第一子状态到新鲜第二子状态转变概率调节系数δ5;
获取由新鲜第二子状态到腐败第一子状态转变概率调节系数δ6;
获取由腐败第一子状态到腐败第二子状态转变概率调节系数δ7。
可选的,所述相邻两个预设时间序列的质量状态等级转变的概率调节系数δ由生食水产品的类别、储运预设条件以及质量状态参量的国内、国际标准范围确定,其中,所述储运预设条件包括温度、湿度、光照和空间大小。
可选的,所述根据生食水产品的初始时间序列下的质量状态等级和相邻两个预设时间序列的质量状态等级转变概率矩阵之后还包括建立从初始时间序列到未来待识别时间序列的质量状态转变概率矩阵,包括:
其中,pij表示当前预设时间序列下的质量状态等级为S(i)到下一预设时间序列下的质量状态等级为S(j)的概率矩阵。
可选的,还包括:
根据生食水产品在每一个预设时间序列下的质量状态参量序列和质量状态等级之间的关系和调节后的质量状态等级转变概率矩阵,建立待识别时间段内的质量状态判别模型;
所述对生食水产品在未来待识别时间序列下的质量状态等级进行识别包括:
将从初始时间序列到未来待识别时间序列的质量状态转变概率矩阵输入所述质量状态判别模型中,输出生食水产品在未来待识别时间段内的质量状态等级。
根据本发明实施例的第二方面,提供了一种生食水产品储运过程质量状态判别系统,包括:
第一获取模块,用于获取生食水产品储运过程中多个预设时间
序列下的质量状态参量序列;
第二获取模块,用于根据每一个预设时间序列下的质量状态参量序列,获取储运过程中生食水产品在每个预设时间序列下的质量状态等级;
计算模块,用于计算相邻两个预设时间序列的质量状态等级转变概率矩阵;
判别模块,用于根据生食水产品的初始时间序列下的质量状态等级和相邻两个预设时间序列的质量状态等级转变概率矩阵,建立待识别时间段内的质量状态判别模型,对生食水产品在未来待识别时间序列下的质量状态等级进行识别。
本发明实施例提供一种生食水产品储运过程中质量状态判别方法,该方法实现了生食水产品储运过程的质量状态动态判别,有助于减少生食水产品在运输过程中造成的损失,提高水产品保鲜保活效果。
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一简单地介绍,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为本发明实施例提供的生食水产品储运过程中质量状态判别方法整体流程示意图;
图2为生食水产品的不同质量状态等级之间的变换示意图;
图3为本发明实施例提供的生食水产品储运过程中质量状态判别系统整体结构示意图;
图4为本发明实施例提供的电子设备整体结构示意图。
具体实施方式
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一简单地介绍,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。
在本发明的一个实施例中提供一种生食水产品储运过程中质量状态判别方法,图1为本发明实施例提供的生食水产品储运过程中质量状态判别方法整体流程示意图,该方法包括:
S1,获取生食水产品储运过程中多个预设时间序列下的质量状态参量序列;
S2,根据每一个预设时间序列下的质量状态参量序列,获取储运过程中生食水产品在每个预设时间序列下的质量状态等级;
S3,计算相邻两个预设时间序列的质量状态等级转变概率矩阵;
S4,根据生食水产品的初始时间序列下的质量状态等级和相邻两个预设时间序列的质量状态等级转变概率矩阵,建立待识别时间段内的质量状态判别模型,对生食水产品在未来待识别时间序列下的质量状态等级进行识别。
可以理解的是,在生食水产品储运过程中,需要对生食水产品的质量状态进行实时监控监管,避免生食水产品的损失。本发明实施例通过收集生食水产品储运过程中历史的多个预设时间序列下的质量状态参量序列,根据质量状态序列储运过程中生食水产品在每个预设时间序列下的质量状态等级。
根据生食水产品在每个预设时间序列下的质量状态等级,计算相邻两个预设时间序列的质量状态等级转变概率矩阵,最后根据生食水产品的初始时间序列下的质量状态等级和相邻两个预设时间序列的质量状态等级转变概率矩阵,对生食水产品在未来待识别时间序列下的质量状态等级进行识别。
本发明实施例可根据历史的连续预设时间序列的生食水产品的质量状态等级,即可对未来预设时间序列下的水产品的质量状态等级进行预测判别,以便及时采取相应的措施。
作为一个可选的实施例,获取生食水产品储运过程中多个预设时间序列下的质量状态参量序列还包括:
根据多个预设时间序列下的质量状态参量序列的最短数据序列,对每一个预设时间序列下的质量状态参量序列的数据序列长度进行统一;
对统一后的每一个预设时间序列下的质量状态参量序列进行标量化处理。
可以理解的是,每一个预设时间序列下的质量状态参量序列包括有多个质量状态参量,其中,质量状态参量主要包括储运环境参量(温度、湿度、氧气、二氧化碳、氨氮气体等)和质量评估参量(生命活力水平、感官信息、营养信息、气味、微生物、色差、质构、pH等);
比如,预设时间序列为T个等间距时间步长,则获取生食水产品在储运过程中的质量状态参量在T个时间步长的质量状态参量数据,表示为(x(1),x(2),…,x(T)),表1为预设时间序列下采集的质量状态参量如下表1:
表1
在实际收集生食水产品的质量状态参量时,每一个预设时间序列下的质量状态参量序列的长度会不同,因此,在本发明实施例中,在每一个预设时间序列下的质量状态参量序列的长度进行统一。
具体的,根据多个预设时间序列下的质量状态参量序列的最短数据序列,对每一个预设时间序列下的质量状态参量序列的数据序列长度进行统一,即将每一个预设时间序列下的质量状态参量序列的长度统一为最短序列。
随后对统一后的每一个预设时间序列下的质量状态参量序列进行标量化处理,具体为,获取每一个预设时间序列下第i个质量状态参量的第j个采样值xij;
计算预设时间序列下第i个质量状态参量采样值的标准差Sx;
通过下式计算,得到每一个预设时间序列下第i个质量状态参量的第j个标量化数值xij *;
通过上述方式对每一个质量状态参量进行标量化处理。
作为一个可选的实施例,根据每一个预设时间序列下的质量状态参量序列,获取储运过程中生食水产品在每个预设时间序列下的质量状态等级包括:
根据每一个预设时间序列下的质量状态参量序列对应的梯度区间,得到对应的区间等级;
根据每一个预设时间序列下的质量状态参量序列对应的区间等级和区间等级与质量状态等级之间的对应关系,得到生食水产品在每个预设时间序列下的质量状态等级。
可以理解的是,根据每一个预设时间序列下的质量状态参量序列,进行梯度区间的划分,确定不同梯度区间离散化的等级个数,并得到每一个预设时间序列下的质量状态参量序列对应的区间等级。
在本发明实施例中,以温度、生命活力水平、感官值离散化划分处理为例,将温度分为了5个温区,活力特征分为5个等级,感官值分为6个等级,具体如表2:
表2
根据上表的方式得到了每一个预设时间序列下的质量状态参量序列对应的区间等级,其中,区间等级与质量状态等级具有对应关系,因此,根据每一个预设时间序列下的质量状态参量序列对应的区间等级,可以得到每一个预设时间序列下的质量状态参量序列对应的质量状态等级。
作为一个可选的实施例,计算相邻两个预设时间序列的质量状态等级转变概率矩阵包括:
根据预先构建的生食水产品质量状态知识库,获取生食水产品在相邻两个预设时间序列下的质量状态等级参考概率矩阵P;
基于生食水产品在每一个预设时间序列下的质量状态参量序列和质量状态等级之间的关系,获取相邻两个预设时间序列的质量状态等级转变的概率调节系数δ。
根据相邻两个预设时间序列下的质量状态等级概率矩阵P和相邻两个预设时间序列的质量状态等级转变的概率调节系数δ,计算相邻两个预设时间序列的质量状态等级转变概率矩阵M,其中:M=δ*P。
可以理解的是,相邻两个预设时间序列下的质量状态等级概率矩阵P是指生食水产品在储运过程中从上一个预设时间序列对应的质量状态等级到下一个预设时间序列对应的质量状态等级的概率矩阵。
由于质量状态转变概率对时间推移有所不同,因此需要对质量状态参考概率矩阵进行调节,具体的,基于质量状态等级转变的概率调节系数δ,对质量状态等级转变参考概率矩阵P进行调节,得到调节后的质量状态等级转变转变概率矩阵M。
作为一个可选的实施例,生食水产品的质量状态等级包括随时间推移变化的鲜活状态、濒死状态、新鲜状态、腐败状态;
生食水产品的质量状态等级表示为:
作为一个可选的实施例,其中,生食水产品的鲜活状态、濒死状态、新鲜状态、腐败状态均包括不同程度的多个子状态,在本发明实施例中,主要需要每一个质量状态等级的强弱程度,将生食水产品的每一个质量状态等级划分为两个子状态。
参见图2,生食水产品的不同质量状态等级之间是可以相互转换的,如图2所示。其中,获取生食水产品在相邻两个预设时间序列下的质量状态等级概率矩阵P包括:
获取由鲜活第一子状态到鲜活第二子状态的质量状态等级参考概率矩阵p(S12|S11),状态不可逆;
获取由鲜活第二子状态到濒死第一子状态的质量状态等级参考概率矩阵p(S21|S12),状态不可逆;
获取由濒死第一子状态到濒死第二子状态的质量状态等级参考概率矩阵p(S22|S21),状态不可逆;
获取由濒死第二子状态到新鲜第一子状态的质量状态等级参考概率矩阵p(S31|S22),状态不可逆;
获取由新鲜第一子状态到新鲜第二子状态的质量状态等级参考概率矩阵p(S32|S31),状态不可逆;
获取由新鲜第二子状态到腐败第一子状态的质量状态等级参考概率矩阵p(S41|S33),状态不可逆;
获取由腐败第一子状态到腐败第二子状态的质量状态等级参考概率矩阵p(S42|S41),状态不可逆。
作为一个可选的实施例,获取相邻两个预设时间序列的质量状态等级转变的概率调节系数δ包括:
获取由鲜活第一子状态到鲜活第二子状态转变的概率调节系数δ1;
获取由鲜活第二子状态到濒死第一子状态转变的概率调节系数δ2;
获取由濒死第一子状态到濒死第二子状态转变的概率调节系数δ3;
获取由濒死第二子状态到新鲜第一子状态转变的概率调节系数δ4;
获取由新鲜第一子状态到新鲜第二子状态转变的概率调节系数δ5;
获取由新鲜第二子状态到腐败第一子状态转变的概率调节系数δ6;
获取由腐败第一子状态到腐败第二子状态转变的概率调节系数δ7。
作为一个可选的实施例,相邻两个预设时间序列的质量状态等级转变的概率调节系数δ与生食水产品的类别、储运预设条件(温度、湿度、光照、空间大小等)、质量状态参量的国内、国际标准范围等有关。
作为一个可选的实施例,根据生食水产品的初始时间序列下的质量状态等级和相邻两个预设时间序列的质量状态等级转变概率矩阵,对生食水产品在未来待识别时间序列下的质量状态等级进行识别包括:
计算未来待识别时间序列下的质量状态等级转变概率矩阵:
其中,pij表示当前预设时间序列下的质量状态等级为S(i)到下一预设时间序列下的质量状态等级为S(j)的概率矩阵;
作为一个可选的实施例,还包括:
根据生食水产品在每一个预设时间序列下的质量状态参量序列和质量状态等级之间的关系和调节后的质量状态等级转变概率矩阵,建立待识别时间段内的质量状态判别模型;
所述对生食水产品在未来待识别时间序列下的质量状态等级进行识别包括:
将从初始时间序列到未来待识别时间序列的质量状态转变概率矩阵输入质量状态判别模型中,输出生食水产品在未来待识别时间段内的质量状态等级。
可以理解的是,质量状态判别模型是一个分类模型,该模型为神经网络模型,经过训练后得到的。
作为一个可选的实施例,得到生食水产品在未来待识别时间序列下的质量状态等级之后还包括:
将得到的生食水产品在未来待识别时间序列下的质量状态等级是否超出对应的最大界限或最小界限;
若超出,则通过更新调节系数,对得到的生食水产品在未来待识别时间序列下的质量状态等级进行调整;若未超出,则结束流程。
可以理解的是,在前述实施例中说明,对于生食水产品的每一个质量状态等级,均对应有最大界限和最小界限,在本发明实施例中,将最终得到的生食水产品在未来待识别时间序列下的质量状态等级是否超出对应的最大界限或最小界限,或者说判别出来的生食水产品在未来待识别时间序列下的质量状态等级是否在最小界限和最大界限之间,如果不在,则说明判别出来的生食水产品在未来待识别时间序列下的质量状态等级是不正确的,需要进行调整;如果在范围之内,表明判别的结果是准确的,则结束整个流程。
在本发明的另一个实施例中提供一种生食水产品质量状态判别系统,该系统用于实现前述各实施例中的方法。因此,在前述生食水产品质量状态判别方法的各实施例中的描述和定义,可以用于本发明实施例中各个执行模块的理解。图3为本发明实施例提供的生食水产品质量状态判别系统整体结构示意图,该系统包括:
第一获取模块31,用于获取生食水产品储运过程中多个预设时间序列下的质量状态参量序列;
第二获取模块32,用于根据每一个预设时间序列下的质量状态参量序列,获取储运过程中生食水产品在每个预设时间序列下的质量状态等级;
计算模块33,用于计算相邻两个预设时间序列的质量状态等级转变概率矩阵;
判别模块34,用于根据生食水产品的初始时间序列下的质量状态等级和相邻两个预设时间序列的质量状态等级转变概率矩阵,建立待识别时间段内的质量状态判别模型,对生食水产品在未来待识别时间序列下的质量状态等级进行识别。
本发明实施例提供的生食水产品质量状态判别系统与前述各实施例提供的生食水产品质量状态判别方法相对应,提供的生食水产品质量状态判别系统的相关技术特征可参考前述各实施例提供的生食水产品质量状态判别方法的相关技术特征,在此不再赘述。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)303和通信总线403,其中,处理器404,通信接口402,存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令,以执行如下方法:
获取生食水产品储运过程中多个预设时间序列下的质量状态参量序列;
根据每一个预设时间序列下的质量状态参量序列,获取储运过程中生食水产品在每个预设时间序列下的质量状态等级;
计算相邻两个预设时间序列的质量状态等级转变概率矩阵;
根据生食水产品的初始时间序列下的质量状态等级和相邻两个预设时间序列的质量状态等级转变概率矩阵,建立待识别时间段内的质量状态判别模型,对生食水产品在未来待识别时间序列下的质量状态等级进行识别。
此外,上述的存储器403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。
本实施例提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行上述各方法实施例所提供的方法,例如包括:
获取生食水产品储运过程中多个预设时间序列下的质量状态参量序列;
根据每一个预设时间序列下的质量状态参量序列,获取储运过程中生食水产品在每个预设时间序列下的质量状态等级;
计算相邻两个预设时间序列的质量状态等级转变概率矩阵;
根据生食水产品的初始时间序列下的质量状态等级和相邻两个预设时间序列的质量状态等级转变概率矩阵,建立待识别时间段内的质量状态判别模型,对生食水产品在未来待识别时间序列下的质量状态等级进行识别。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、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。
本发明实施例提供的一种生食水产品质量状态判别方法及系统,实现了生食水产品储运过程的质量状态动态判别,有助于减少生食水产品在运输过程中造成的损失,提高水产品保鲜保活效果。
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)
1.一种生食水产品储运过程中质量状态判别方法,其特征在于,包括:
获取生食水产品储运过程中多个预设时间序列下的质量状态参量序列;
根据每一个预设时间序列下的质量状态参量序列,获取储运过程中生食水产品在每个预设时间序列下的质量状态等级;
计算相邻两个预设时间序列的质量状态等级转变概率矩阵;
根据生食水产品的初始时间序列下的质量状态等级和相邻两个预设时间序列的质量状态等级转变概率矩阵,建立待识别时间段内的质量状态判别模型,对生食水产品在未来待识别时间序列下的质量状态等级进行识别。
2.根据权利要求1所述的质量状态判别方法,其特征在于,所述根据每一个预设时间序列下的质量状态参量序列,获取储运过程中生食水产品在每个预设时间序列下的质量状态等级包括:
根据每一个预设时间序列下的质量状态参量序列对应的梯度区间,得到对应的区间等级;
根据每一个预设时间序列下的质量状态参量序列对应的区间等级和区间等级与质量状态等级之间的对应关系,得到生食水产品在每个预设时间序列下的质量状态等级。
3.根据权利要求1所述的质量状态判别方法,其特征在于,所述计算相邻两个预设时间序列的质量状态等级转变概率矩阵包括:
根据预先构建的生食水产品质量特征知识库,获取生食水产品在相邻两个预设时间序列下的质量状态等级转变参考概率矩阵P;
基于生食水产品在每一个预设时间序列下的质量状态参量序列和质量状态等级之间的关系,分析获取相邻两个预设时间序列的质量状态等级转变的概率调节系数δ;
基于生食水产品在相邻两个预设时间序列下的质量状态等级参考概率矩阵P和相邻两个预设时间序列的质量状态等级转变的概率调节系数δ,计算相邻两个预设时间序列的质量状态等级转变概率矩阵M。
5.根据权利要求4所述的质量状态判别方法,其特征在于,所述鲜活状态、濒死状态、新鲜状态、腐败状态均包括不同程度的多个子状态;
其中,所述获取生食水产品在相邻两个预设时间序列下的质量状态等级参考概率矩阵P包括:
获取由鲜活第一子状态到鲜活第二子状态的质量状态等级参考概率矩阵p(S12|S11),状态不可逆;
获取由鲜活第二子状态到濒死第一子状态的质量状态等级参考概率矩阵p(S21|S22),状态不可逆;
获取由濒死第一子状态到濒死第二子状态的质量状态等级参考概率矩阵p(S22|S21),状态不可逆;
获取由濒死第二子状态到新鲜第一子状态的质量状态等级参考概率矩阵p(S31|S22),状态不可逆;
获取由新鲜第一子状态到新鲜第二子状态的质量状态等级参考概率矩阵p(S32|S31),状态不可逆;
获取由新鲜第二子状态到腐败第一子状态的质量状态等级参考概率矩阵p(S41|S33),状态不可逆;
获取由腐败第一子状态到腐败第二子状态的质量状态等级参考概率矩阵p(S42|S41),状态不可逆。
6.根据权利要求5所述的质量状态判别方法,其特征在于,所述获取相邻两个预设时间序列的质量状态等级转变概率调节系数δ包括:
获取由鲜活第一子状态到鲜活第二子状态转变概率调节系数δ1;
获取由鲜活第二子状态到濒死第一子状态转变概率调节系数δ2;
获取由濒死第一子状态到濒死第二子状态转变概率调节系数δ3;
获取由濒死第二子状态到新鲜第一子状态转变概率调节系数δ4;
获取由新鲜第一子状态到新鲜第二子状态转变概率调节系数δ5;
获取由新鲜第二子状态到腐败第一子状态转变概率调节系数δ6;
获取由腐败第一子状态到腐败第二子状态转变概率调节系数δ7。
7.根据权利要求3所述的质量状态判别方法,其特征在于,所述相邻两个预设时间序列的质量状态等级转变的概率调节系数δ由生食水产品的类别、储运预设条件以及质量状态参量的国内、国际标准范围确定,其中,所述储运预设条件包括温度、湿度、光照和空间大小。
9.根据权利要求8所述的质量状态判别方法,其特征在于,还包括:
根据生食水产品在每一个预设时间序列下的质量状态参量序列和质量状态等级之间的关系和质量状态等级转变概率矩阵,建立待识别时间段内的质量状态判别模型;
将从初始时间序列到未来待识别时间序列的质量状态转变概率矩阵输入所述质量状态判别模型中,输出生食水产品在未来待识别时间段内的质量状态等级。
10.一种生食水产品储运过程质量状态判别系统,其特征在于,包括:
第一获取模块,用于获取生食水产品储运过程中多个预设时间序列下的质量状态参量序列;
第二获取模块,用于根据每一个预设时间序列下的质量状态参量序列,获取储运过程中生食水产品在每个预设时间序列下的质量状态等级;
计算模块,用于计算相邻两个预设时间序列的质量状态等级转变概率矩阵;
判别模块,用于根据生食水产品的初始时间序列下的质量状态等级和相邻两个预设时间序列的质量状态等级转变概率矩阵,建立待识别时间段内的质量状态判别模型,对生食水产品在未来待识别时间序列下的质量状态等级进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010071624.8A CN111274538B (zh) | 2020-01-21 | 2020-01-21 | 一种生食水产品储运过程中质量状态判别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010071624.8A CN111274538B (zh) | 2020-01-21 | 2020-01-21 | 一种生食水产品储运过程中质量状态判别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111274538A true CN111274538A (zh) | 2020-06-12 |
CN111274538B CN111274538B (zh) | 2021-10-26 |
Family
ID=71003369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010071624.8A Active CN111274538B (zh) | 2020-01-21 | 2020-01-21 | 一种生食水产品储运过程中质量状态判别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111274538B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515857A (zh) * | 2021-07-08 | 2021-10-19 | 中国农业大学 | 一种用于生食水产品储运过程的多时段评估方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299248A (zh) * | 2008-06-24 | 2008-11-05 | 北京信息科技大学 | 一种肉类食品安全追溯方法 |
CN102707024A (zh) * | 2012-05-04 | 2012-10-03 | 中国水产科学研究院南海水产研究所 | 基于肌肉中蛋白和酶类的罗非鱼片品质评价模型构建方法 |
CN104914069A (zh) * | 2015-05-28 | 2015-09-16 | 中国农业大学 | 可迁移计算的肉类品质近红外检测方法及装置 |
CN106096887A (zh) * | 2016-06-13 | 2016-11-09 | 陕西科技大学 | 一种猪肉冷链物流安全预警方法 |
CN106568907A (zh) * | 2016-11-07 | 2017-04-19 | 常熟理工学院 | 一种基于半监督鉴别投影的大闸蟹新鲜度无损检测方法 |
CN107437123A (zh) * | 2017-06-12 | 2017-12-05 | 广东工业大学 | 基于层次分析法的生鲜产品动态优化配送方法 |
CN108627621A (zh) * | 2018-04-25 | 2018-10-09 | 遵义市产品质量检验检测院 | 一种智能食品质量快速检测系统 |
CN109033616A (zh) * | 2018-07-24 | 2018-12-18 | 西华大学 | 一种预测冷冻猪肉在贮藏过程中品质变化的方法 |
CN109784935A (zh) * | 2018-12-04 | 2019-05-21 | 中国农业大学 | 一种鲜食葡萄供应链质量安全追溯方法及系统 |
CN110059928A (zh) * | 2019-03-18 | 2019-07-26 | 东南大学 | 一种考虑质量分布特征的生鲜农产品分级方法 |
CN110110909A (zh) * | 2019-04-23 | 2019-08-09 | 中山大学 | 基于rfid和极限学习机的冷链产品质量预测及智能配送方法 |
CN110161194A (zh) * | 2019-05-29 | 2019-08-23 | 中北大学 | 一种基于气味信息bp神经模糊识别的水果鲜度识别方法、装置及系统 |
CN110458361A (zh) * | 2019-08-14 | 2019-11-15 | 中储粮成都储藏研究院有限公司 | 基于bp神经网络的粮食品质指标预测方法 |
CN110458027A (zh) * | 2019-07-11 | 2019-11-15 | 中国农业大学 | 一种基于大理石花纹的生鲜肉分级方法、系统及装置 |
CN110503314A (zh) * | 2019-08-02 | 2019-11-26 | Oppo广东移动通信有限公司 | 一种新鲜度评估方法及装置、存储介质 |
-
2020
- 2020-01-21 CN CN202010071624.8A patent/CN111274538B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299248A (zh) * | 2008-06-24 | 2008-11-05 | 北京信息科技大学 | 一种肉类食品安全追溯方法 |
CN102707024A (zh) * | 2012-05-04 | 2012-10-03 | 中国水产科学研究院南海水产研究所 | 基于肌肉中蛋白和酶类的罗非鱼片品质评价模型构建方法 |
CN104914069A (zh) * | 2015-05-28 | 2015-09-16 | 中国农业大学 | 可迁移计算的肉类品质近红外检测方法及装置 |
CN106096887A (zh) * | 2016-06-13 | 2016-11-09 | 陕西科技大学 | 一种猪肉冷链物流安全预警方法 |
CN106568907A (zh) * | 2016-11-07 | 2017-04-19 | 常熟理工学院 | 一种基于半监督鉴别投影的大闸蟹新鲜度无损检测方法 |
CN107437123A (zh) * | 2017-06-12 | 2017-12-05 | 广东工业大学 | 基于层次分析法的生鲜产品动态优化配送方法 |
CN108627621A (zh) * | 2018-04-25 | 2018-10-09 | 遵义市产品质量检验检测院 | 一种智能食品质量快速检测系统 |
CN109033616A (zh) * | 2018-07-24 | 2018-12-18 | 西华大学 | 一种预测冷冻猪肉在贮藏过程中品质变化的方法 |
CN109784935A (zh) * | 2018-12-04 | 2019-05-21 | 中国农业大学 | 一种鲜食葡萄供应链质量安全追溯方法及系统 |
CN110059928A (zh) * | 2019-03-18 | 2019-07-26 | 东南大学 | 一种考虑质量分布特征的生鲜农产品分级方法 |
CN110110909A (zh) * | 2019-04-23 | 2019-08-09 | 中山大学 | 基于rfid和极限学习机的冷链产品质量预测及智能配送方法 |
CN110161194A (zh) * | 2019-05-29 | 2019-08-23 | 中北大学 | 一种基于气味信息bp神经模糊识别的水果鲜度识别方法、装置及系统 |
CN110458027A (zh) * | 2019-07-11 | 2019-11-15 | 中国农业大学 | 一种基于大理石花纹的生鲜肉分级方法、系统及装置 |
CN110503314A (zh) * | 2019-08-02 | 2019-11-26 | Oppo广东移动通信有限公司 | 一种新鲜度评估方法及装置、存储介质 |
CN110458361A (zh) * | 2019-08-14 | 2019-11-15 | 中储粮成都储藏研究院有限公司 | 基于bp神经网络的粮食品质指标预测方法 |
Non-Patent Citations (6)
Title |
---|
D.FLICK: "Combined deterministic and stochastic approaches for modeling the evolution of food products along the cold chain", 《INTERNATIONAL JOURNAL OF REFRIGERATION》 * |
W TINGMAN: "Fish product quality evaluation based on temperature monitoring in cold chain", 《AFRICAN JOURNAL OF BIOTECHNOLOGY》 * |
仙鹏: "生鲜农产品货架期预测研究进展", 《"第一届国际计算机及计算技术在农业中的应用研讨会"暨"第一届中国农村信息化发展论坛"论文集》 * |
宋建涛: "基于农产品追溯平台的预警系统的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张小栓: "水产品冷链物流技术现状、发展趋势及对策研究", 《渔业现代化》 * |
肖新清: "面向冷链物流品质感知的物联网数据采集与建模方法", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515857A (zh) * | 2021-07-08 | 2021-10-19 | 中国农业大学 | 一种用于生食水产品储运过程的多时段评估方法及系统 |
CN113515857B (zh) * | 2021-07-08 | 2023-08-22 | 中国农业大学 | 一种用于生食水产品储运过程的多时段评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111274538B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113126490B (zh) | 智能变频增氧控制方法及装置 | |
CN111460728A (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
Parvinen et al. | Function-valued adaptive dynamics and the calculus of variations | |
CN109873425B (zh) | 基于深度学习和用户行为的电力系统调整潮流方法及系统 | |
CN111274538B (zh) | 一种生食水产品储运过程中质量状态判别方法及系统 | |
CN117241306B (zh) | 一种4g网络异常流量数据实时监测方法 | |
CN112418498A (zh) | 用于智能温室的温度预测方法及系统 | |
CN111210087B (zh) | 水产品无水保活运输品质动态预测及控制优化方法及装置 | |
CN114004433A (zh) | 一种养殖鱼类生长环境调控方法及装置 | |
CN114442686B (zh) | 溶解氧浓度的控制方法、装置、电子设备及存储介质 | |
CN117350435A (zh) | 一种对虾工厂化养殖设备管理方法及系统 | |
CN111062511A (zh) | 基于决策树与神经网络的水产养殖病害预测方法及系统 | |
CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
Zhang et al. | Information fusion enabled system for monitoring the vitality of live crabs during transportation | |
CN106845825A (zh) | 一种基于改进pca的带钢冷轧质量问题溯源及控制方法 | |
CN116779156A (zh) | 术后指标异常预测系统构建方法、术后风险预测设备 | |
CN112395810B (zh) | 基于人工神经网络的鱼类攻击行为量化方法、装置及存储介质 | |
CN112380486B (zh) | 用于海水观赏鱼养殖状态的动态监测评估方法及系统 | |
CN112907503B (zh) | 基于自适应卷积神经网络的南美白对虾品质检测方法 | |
CN109978038B (zh) | 一种集群异常判定方法及装置 | |
CN114386682A (zh) | 一种基于环境建模的鱼类生长率预测方法及系统 | |
CN112348275A (zh) | 一种基于在线增量学习的区域生态环境变化预测方法 | |
CN113515857B (zh) | 一种用于生食水产品储运过程的多时段评估方法及系统 | |
CN112085584A (zh) | 企业信用违约概率计算方法及系统 | |
CN116993165B (zh) | 一种儿童果蔬汁的安全性评价与风险预测方法及系统 |
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 |