CN113515857B - 一种用于生食水产品储运过程的多时段评估方法及系统 - Google Patents
一种用于生食水产品储运过程的多时段评估方法及系统 Download PDFInfo
- Publication number
- CN113515857B CN113515857B CN202110773700.4A CN202110773700A CN113515857B CN 113515857 B CN113515857 B CN 113515857B CN 202110773700 A CN202110773700 A CN 202110773700A CN 113515857 B CN113515857 B CN 113515857B
- Authority
- CN
- China
- Prior art keywords
- quality
- period
- loss
- model
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 106
- 230000008569 process Effects 0.000 title claims abstract description 66
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 49
- 230000008859 change Effects 0.000 claims abstract description 51
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000013210 evaluation model Methods 0.000 claims abstract description 15
- 238000013441 quality evaluation Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 36
- 238000012937 correction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 102000016550 Complement Factor H Human genes 0.000 claims description 6
- 108010053085 Complement Factor H Proteins 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims 4
- 238000001303 quality assessment method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000035764 nutrition Effects 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- UBAZGMLMVVQSCD-UHFFFAOYSA-N carbon dioxide;molecular oxygen Chemical compound O=O.O=C=O UBAZGMLMVVQSCD-UHFFFAOYSA-N 0.000 description 2
- JYGXADMDTFJGBT-VWUMJDOOSA-N hydrocortisone Chemical compound O=C1CC[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 JYGXADMDTFJGBT-VWUMJDOOSA-N 0.000 description 2
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229960000890 hydrocortisone Drugs 0.000 description 1
- 239000004310 lactic acid Substances 0.000 description 1
- 235000014655 lactic acid Nutrition 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
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000009894 physiological stress Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Mining & Mineral Resources (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种用于生食水产品储运过程的多时段品质评估方法及系统，该方法包括：获取待评估水产品在储运过程中的质量关联参数及时序数据，并进行时段划分；计算每一时段的质量关联参数时序数据的变化速率，基于各时段的参数变化速率确定各时段的水产品质量状态变化概率；根据每一时段的质量关联参数、时序数据以及状态变化概率，建立每一时段的质量状态评估模型和质量损失模型。本发明实施例从多时段以及储运全过程对生食水产品进行质量分级和建模，能够快速实现各时段的质量判别评估，有助于减少水产品在运输过程中造成的损失，提高水产品质量安全。
Description
技术领域
本发明涉及食品质量安全控制技术领域，尤其涉及一种用于生食水产品储运过程的多时段评估方法及系统。
背景技术
生食水产品具有丰富的营养，消费者对生食水产品的质量需求日益提升，生食水产品储运过程中状态评估、参数优化控制对水产品营养、品质影响具有重要意义。
生食水产品储运过程具有多时段、多模态并存、累计质量特性和高度动态特性等特点，运输过程中存在着“活-死-鲜-腐多时段变化过程，其质量随着保活运输时间和时空演化而逐渐退化与衰减。同时，下一时段的质量受上一时段的质量影响。而当前的研究更多是考虑单一时段、单一决策，没有从整个过程进行考虑。
因此需要提出一种针对生食水产品质量评估的新方法。
发明内容
本发明实施例提供一种用于生食水产品储运过程的多时段评估方法及系统，用以解决现有技术中对生食水产品进行质量评估时仅靠单一时段数据，无法进行全面评估的缺陷。
第一方面，本发明实施例提供一种用于生食水产品储运过程的多时段评估方法，包括：
获取待评估水产品在储运过程中的质量关联参数及时序数据,并进行时段划分；
计算每一时段的质量关联参数及时序数据的参数变化速率，基于各时段的参数变化速率确定各时段的水产品质量的状态变化概率；
根据每一时段的质量关联参数、时序数据以及状态变化概率，建立每一时段的质量状态评估模型和质量损失模型。
优选地，所述获取待评估水产品在储运过程中的质量关联参数及时序数据，并进行时段划分，包括：
提取参数时序数据的标准差特征，计算质量关联参数样本之间的欧氏距离，确定时段划分数目N；
计算每一时段中质量关联参数对质量状态的关联程度值；
对每一时段的质量关联参数及时序数据进行有效性筛选以及将筛选出来的质量关联参数及时序数据进行融合处理。
优选地，所述计算每一时段中质量关联参数对质量状态的关联程度值，具体包括：
由所述关联程度值位于若干区间段，认定所述质量关联参数对所述质量状态额定影响为若干相关状态，其中所述若干区间段位于0至 1之间。
优选地，对每一时段的质量关联参数及时序数据进行有效性筛选以及将筛选出来的质量关联参数及时序数据进行融合处理，具体包括：
其中：为参数ai的方差。
优选地，计算每一时段的质量关联参数及时序数据的参数变化速率，具体包括：
其中，αi,αj分别表示在时段的初始值和末值，Δt表示时间间隔。
优选地，根据每一时段的质量关联参数、时序数据以及状态变化概率，建立每一时段的质量状态评估模型和质量损失模型，具体包括：
建立每一时段的质量评估耦合模型：
yN＝fN(QI1,QI2…QIk，),PN)
其中，yN表示第N个时段的质量状态评估值，fN表示第N个时段的非线性函数，PN表示第N个时段的品质变化概率；
由所述质量评估模型输出质量等级状态包括：I级鲜活、П级鲜活、濒死、I级新鲜、П级新鲜、I级可接受、П可接受、I级腐败和П级腐败。
优选地，计算每一时段的质量评估模型的置信度和损失函数模型，包括：
计算每一时段的质量评估模型的置信度：
其中，Xn表示第n个质量关联因素，Ym表示第m种质量状态；
根据所述置信度是否大于或等于预设信度阈值/>若/>小于置信度/>则对模型进行修正；
基于各个时段质量关键参数的权重大小综合计算模型的修正因子H，计算如下：
其中为实际值，/>为估计值；
将修正因子带入到质量评估模型中，得到：
yN＝fN(H3,QI2…QIk，),PN)
计算每一时段的损失函数模型和全过程质量损失函数：
LossN＝fimax(0,mmax-pi)2+ε·(1-fN)max(0,mmin-pi)2
其中,
LossN表示每一时段的损失函数，Fi表示模型评估函数，pi表示模型评估结果的概率值，mmax，mmin分别为固定最大值和固定最小值，ε∈(0.1)为调整系数；
水产品储运全程质量损失函数模型loss通过下式进行计算：
lossN＝λ1loss1+λ2loss2+…+λNlossN
其中，λ1，λ2，λN分别表示第一时段权重、第二时段权重和第N时段的权重，λ1≤λ2≤λN且λ1+λ2+λN＝1，loss1、loss2、lossN分别表示第一时段、第二时段和第N时段的损失函数。
第二方面，本发明实施例还提供一种用于生食水产品储运过程的多时段评估系统，包括：
获取模块，获取待评估水产品在储运过程中的质量关联参数及时序数据，并进行时段划分；
第一处理模块，用于计算每一时段的质量关联参数及时序数据的参数变化速率，基于各时段的参数变化速率确定各时段的水产品质量的状态变化概率；
第二处理模块，用于根据每一时段的质量关联参数、时序数据以及状态变化概率，建立每一时段的质量状态评估模型和质量损失模型。
第三方面，本发明实施例还提供一种电子设备，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上述任一种所述用于生食水产品储运过程的多时段评估方法的步骤。
第四方面，本发明实施例还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上述任一种所述用于生食水产品储运过程的多时段评估方法的步骤。
本发明实施例提供的用于生食水产品储运过程的多时段评估方法及系统，通过从多时段以及储运全过程对生食水产品进行质量分级和建模，能够快速实现各时段的质量判别评估，有助于减少水产品在运输过程中造成的损失，提高水产品质量安全。
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是本发明实施例提供的一种用于生食水产品储运过程的多时段评估方法的流程示意图；
图2是本发明实施例提供的一种用于生食水产品储运过程的多时段评估系统的结构示意图；
图3是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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一种用于生食水产品储运过程的多时段评估方法的流程示意图，如图1所示，包括：
S1，获取待评估水产品在储运过程中的质量关联参数及时序数据，并进行时段划分；
具体地，获取同批次待评估水产品储运过程中的质量关联参数时序数据；
其中，储运过程中的质量关联时序数据包括水体环境数据(溶解氧、溶解二氧化碳、pH等)、包装内环境(温、湿度、氧气二氧化碳等)数据、包装外环境(温、湿度、氧气二氧化碳等)数据、生理应激(血糖、血乳酸、皮质醇)数据、活力状况数据、感官数据、、微生物数据、pH、振动强度数据等；
在进行品质评估时所选的质量关联参数至少包括一种。
S2，计算每一时段的质量关联参数及时序数据的参数变化速率，基于各时段的参数变化速率确定各时段的水产品质量的状态变化概率；
在生食水产品多时段储运过程中，需要对生食水产品的各时段的质量安全进行评估，避免质量随时间、空间损失过快，因此建立每个时段的质量评估模型以及对应的损失函数模型。
S3，根据每一时段的质量关联参数、时序数据以及状态变化概率，建立每一时段的质量状态评估模型和质量损失模型。
最后，将N个时段全流程结合起来，建立全局质量评估模型以及全局损失函数，对整个过程的质量进行评估判断。
本发明实施例通过从多时段以及储运全过程对生食水产品进行质量分级和建模，能够快速实现各时段的质量判别评估，有助于减少水产品在运输过程中造成的损失，提高水产品质量安全。
基于上述实施例，该方法中步骤S1具体包括：
提取参数时序数据的标准差特征，计算质量关联参数样本之间的欧氏距离，确定时段划分数目N；
计算每一时段中质量关联参数对质量状态的关联程度值；
对每一时段的质量关联参数及时序数据进行有效性筛选以及将筛选出来的质量关联参数及时序数据进行融合处理。
其中，所述计算每一时段中质量关联参数对质量状态的关联程度值，具体包括：
由所述关联程度值位于若干区间段，认定所述质量关联参数对所述质量状态额定影响为若干相关状态，其中所述若干区间段位于0至 1之间。
具体地，每一时段中质量关联参数对质量状态的关联程度值r是根据质量关联参数对质量影响的程度进行划分，具体划分如下：
若关联程度r∈[0.85,1)，则参数对质量状态的影响是强相关；
若关联程度r∈[0.7,0.85)，则参数对质量状态的影响是较强相关；
若关联程度r∈[0.55,0.7)，则参数对质量状态的影响是中上程度相关；
若关联程度r∈[0.4,0.55)，则参数对质量状态的影响是中等程度相关；
若关联程度r∈[0.25,0.4)，则参数对质量状态的影响是弱相关；
若关联程度r∈[0.0,0.25)，则参数对质量状态的影响是极弱或不相关。
而在实际建模参数输入提取时，舍弃极弱或不相关的质量关联参数。
采用下式对每一时段的质量关联参数及时序数据进行有效性筛选以及将筛选出来的质量关联参数及时序数据进行融合处理：
其中：为参数xi的方差。
进一步地,计算每一时段的质量关联参数及时序数据的参数变化速率，具体包括：
其中，αi,αj分别表示在时段的初始值和末值，Δt表示时间间隔。
进一步地，
然后建立每一时段的质量评估耦合模型：
建立每一时段的质量评估耦合模型：
yN＝fN(QI1,QI2…QIk，),PN)
其中，yN表示第N个时段的质量状态评估值，fN表示第N个时段的非线性函数，PN表示第N个时段的品质变化概率；
其中质量评估模型输出质量等级状态包括：I级鲜活、П级鲜活、濒死、I级新鲜、П级新鲜、I级可接受、П可接受、I级腐败和П级腐败。
这里需要说明的是，下一时段的质量等级受上一时段的质量等级的影响，如果第一时段质量评估结果为П级鲜活，那么第二时段的质量评估结果仅为濒死、I级新鲜、П级新鲜、I级可接受、П可接受、 I级腐败、П级腐败中的一种。
计算每一时段的质量评估模型的置信度和损失函数模型，包括：
计算每一时段的质量评估模型的置信度：
其中，Xn表示第n个质量关联因素，Ym表示第m种质量状态；
根据所述置信度是否大于或等于预设信度阈值/>若/>小于置信度/>则对模型进行修正；
基于各个时段质量关键参数的权重大小综合计算模型的修正因子H，计算如下：
其中为实际值，/>为估计值。
将修正因子带入到质量评估模型中，得到：
yN＝fN(H3,QI2…QIk，),PN)
计算每一时段的损失函数模型和全过程质量损失函数：
LossN＝fimax(0,mmax-pi)2+ε·(1-fN)max(0,mmin-pi)2
其中,
LossN表示每一时段的损失函数，Fi表示模型评估函数，pi表示模型评估结果的概率值，mmax，mmin分别为固定最大值和固定最小值，ε∈(0.1)为调整系数；
水产品储运全程质量损失函数模型loss通过下式进行计算：
lossN＝λ1loss1+λ2loss2+…+λNlossN
其中，λ1，λ2，λN分别表示第一时段权重、第二时段权重和第N时段的权重，λ1≤λ2≤λN且λ1+λ2+λN＝1，loss1、loss2、lossN分别表示第一时段、第二时段和第N时段的损失函数。
本发明实施例综合考虑每一时段对质量的影响程度，从分时段到全局能够实现生食水产品质量安全评估，有助于寻找关键环境，调节关键参数，从而提高生食水产品的营养和新鲜度。
下面对本发明实施例提供的用于生食水产品储运过程的多时段评估系统进行描述，下文描述的用于生食水产品储运过程的多时段评估系统与上文描述的用于生食水产品储运过程的多时段评估方法可相互对应参照。
图2是本发明实施例提供的一种用于生食水产品储运过程的多时段评估系统的结构示意图，如图2所示，包括：获取模块21、第一处理模块22和第二处理模块23；其中：
获取模块21用于获取待评估水产品在储运过程中的质量关联参数及时序数据，并进行时段划分；第一处理模块22用于计算每一时段的质量关联参数及时序数据的参数变化速率，基于各时段的参数变化速率确定各时段的水产品质量的状态变化概率；第二处理模块23 用于根据每一时段的质量关联参数、时序数据以及状态变化概率，建立每一时段的质量状态评估模型和质量损失模型。
本发明实施例通过从多时段以及储运全过程对生食水产品进行质量分级和建模，能够快速实现各时段的质量判别评估，有助于减少水产品在运输过程中造成的损失，提高水产品质量安全。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口 (communicationinterface)320、存储器(memory)330和通信总线 (bus)340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行用于生食水产品储运过程的多时段评估方法，该方法包括：获取待评估水产品在储运过程中质量关联参数及时序数据，并进行时段划分；计算每一时段的质量关联参数及时序数据的参数变化速率，基于各时段的参数变化速率确定各时段的水产品质量的状态变化概率；根据每一时段的质量关联参数、时序数据以及状态变化概率，建立每一时段的质量状态评估模型和质量损失模型。
此外，上述的存储器330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。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的用于生食水产品储运过程的多时段评估方法，该方法包括：获取待评估水产品在储运过程的质量关联参数及时序数据，并进行时段划分；计算每一时段的质量关联参数及时序数据的参数变化速率，基于各时段的参数变化速率确定各时段的水产品质量的状态变化概率；根据每一时段的质量关联参数、时序数据以及状态变化概率，建立每一时段的质量状态评估模型和质量损失模型。
又一方面，本发明实施例还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以执行上述各实施例提供的用于生食水产品储运过程的多时段评估方法，该方法包括：获取待评估水产品在储运过程中的质量关联参数及时序数据，并进行时段划分；计算每一时段的质量关联参数及时序数据的参数变化速率，基于各时段的参数变化速率确定各时段的水产品质量的状态变化概率；根据每一时段的质量关联参数、时序数据以及状态变化概率，建立每一时段的质量状态评估模型和质量损失模型。
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 (7)
1.一种用于生食水产品储运过程的多时段评估方法，其特征在于，包括：
获取待评估水产品在储运过程中的质量关联参数及时序数据，并进行时段划分；
计算每一时段的质量关联参数及时序数据的参数变化速率，基于各时段的参数变化速率确定各时段的水产品质量的状态变化概率；
根据每一时段的质量关联参数、时序数据以及状态变化概率，建立每一时段的质量状态评估模型和质量损失模型；
所述获取待评估水产品在储运过程中的质量关联参数及时序数据，并进行时段划分，具体包括：
提取参数时序数据的标准差特征，计算质量关联参数样本之间的欧氏距离，确定时段划分数目N；
计算每一时段中质量关联参数对质量状态的关联程度值；
对每一时段的质量关联参数及时序数据进行有效性筛选以及将筛选出来的质量关联参数及时序数据进行融合处理；
根据每一时段的质量关联参数、时序数据以及状态变化概率，建立每一时段的质量状态评估模型和质量损失模型，具体包括：
yN＝fN(QI1,QI2…QIk，),PN)
其中，yN表示第N个时段的质量状态评估值，fN表示第N个时段的非线性函数，PN表示第N个时段的品质变化概率；
由所述质量状态评估模型输出质量等级状态包括：I级鲜活、П级鲜活、濒死、I级新鲜、П级新鲜、I级可接受、П可接受、I级腐败和П级腐败；
计算每一时段的质量状态评估模型的置信度和质量损失函数模型，包括：
计算每一时段的质量状态评估模型的置信度：
其中，Xn表示第n个质量关联因素，Ym表示第m种质量状态；
判断所述置信度是否大于或等于预设信度阈值θ，若/>小于置信度θ，则对模型进行修正；
基于各个时段质量关键参数的权重大小综合计算模型的修正因子HN，计算如下：
其中为实际值，/>为估计值，/>为权重；
将修正因子带入到质量状态评估模型中，得到：
yN＝fN(HN,QI1…QIk，),PN)
计算每一时段的损失函数模型和全过程质量损失函数：
LossN＝fimax(0,mmax-pi)2+ε·(1-fN)max(0,mmin-pi)2
其中,
LossN表示每一时段的损失函数，fi表示模型评估函数，pi表示模型评估结果的概率值，mmax，mmin分别为固定最大值和固定最小值，ε∈(0.1)为调整系数；
水产品储运全程质量损失函数模型loss通过下式进行计算：
lossN＝λ1loss1+λ2loss2+…+λNlossN
其中，λ1，λ2，λN分别表示第一时段权重、第二时段权重和第N时段的权重，λ1≤λ2≤λN且λ1+λ2+λN＝1，loss1、loss2、lossN分别表示第一时段、第二时段和第N时段的损失函数；
将N个时段全流程结合起来，建立全局质量评估模型以及全局损失函数，对整个过程的质量进行评估判断。
2.根据权利要求1所述的用于生食水产品储运过程的多时段评估方法，其特征在于，所述计算每一时段中质量关联参数对质量状态的关联程度值，具体包括：
由所述关联程度值位于若干区间段，认定所述质量关联参数对所述质量状态额定影响为若干相关状态，其中所述若干区间段位于0至1之间。
3.根据权利要求1所述的用于生食水产品储运过程的多时段评估方法，其特征在于，对每一时段的质量关联参数及时序数据进行有效性筛选以及将筛选出来的质量关联参数及时序数据进行融合处理，具体包括：
其中：为参数ai的方差。
4.根据权利要求1所述的用于生食水产品储运过程的多时段评估方法，其特征在于，计算每一时段的质量关联参数及时序数据的参数变化速率si，具体包括：
其中，ai,aj分别表示在时段的初始值和末值，Δt表示时间间隔。
5.一种用于生食水产品储运过程的多时段评估系统，其特征在于，包括：
获取模块，获取待评估水产品在储运过程中的质量关联参数及时序数据，并进行时段划分；
第一处理模块，用于计算每一时段的质量关联参数及时序数据的参数变化速率，基于各时段的参数变化速率确定各时段的水产品质量的状态变化概率；
第二处理模块，用于根据每一时段的质量关联参数、时序数据以及状态变化概率，建立每一时段的质量状态评估模型和质量损失模型；
所述获取模块具体用于：
提取参数时序数据的标准差特征，计算质量关联参数样本之间的欧氏距离，确定时段划分数目N；
计算每一时段中质量关联参数对质量状态的关联程度值；
对每一时段的质量关联参数及时序数据进行有效性筛选以及将筛选出来的质量关联参数及时序数据进行融合处理；
所述第二处理模块具体用于：
根据每一时段的质量关联参数、时序数据以及状态变化概率，建立每一时段的质量状态评估模型和质量损失模型，具体包括：
yN＝fN(QI1,QI2…QIk，),PN)
其中，yN表示第N个时段的质量状态评估值，fN表示第N个时段的非线性函数，PN表示第N个时段的品质变化概率；
由所述质量状态评估模型输出质量等级状态包括：I级鲜活、П级鲜活、濒死、I级新鲜、П级新鲜、I级可接受、П可接受、I级腐败和П级腐败；
计算每一时段的质量状态评估模型的置信度和质量损失函数模型，包括：
计算每一时段的质量状态评估模型的置信度：
其中，Xn表示第n个质量关联因素，Ym表示第m种质量状态；
判断所述置信度是否大于或等于预设信度阈值θ，若/>小于置信度θ，则对模型进行修正；
基于各个时段质量关键参数的权重大小综合计算模型的修正因子HN，计算如下：
其中为实际值，/>为估计值，/>为权重；
将修正因子带入到质量状态评估模型中，得到：
yN＝fN(HN,QI1…QIk，),PN)
计算每一时段的损失函数模型和全过程质量损失函数：
LossN＝fimax(0,mmax-pi)2+ε·(1-fN)max(0,mmin-pi)2
其中,
LossN表示每一时段的损失函数，fi表示模型评估函数，pi表示模型评估结果的概率值，mmax，mmin分别为固定最大值和固定最小值，ε∈(0.1)为调整系数；
水产品储运全程质量损失函数模型loss通过下式进行计算：
lossN＝λ1loss1+λ2loss2+…+λNlossN
其中，λ1，λ2，λN分别表示第一时段权重、第二时段权重和第N时段的权重，λ1≤λ2≤λN且λ1+λ2+λN＝1，loss1、loss2、lossN分别表示第一时段、第二时段和第N时段的损失函数；
将N个时段全流程结合起来，建立全局质量评估模型以及全局损失函数，对整个过程的质量进行评估判断。
6.一种电子设备，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4任一项所述用于生食水产品储运过程的多时段评估方法的步骤。
7.一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4任一项所述用于生食水产品储运过程的多时段评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110773700.4A CN113515857B (zh) | 2021-07-08 | 2021-07-08 | 一种用于生食水产品储运过程的多时段评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110773700.4A CN113515857B (zh) | 2021-07-08 | 2021-07-08 | 一种用于生食水产品储运过程的多时段评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113515857A CN113515857A (zh) | 2021-10-19 |
| CN113515857B true CN113515857B (zh) | 2023-08-22 |
Family
ID=78066639
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110773700.4A Active CN113515857B (zh) | 2021-07-08 | 2021-07-08 | 一种用于生食水产品储运过程的多时段评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113515857B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105023224A (zh) * | 2015-07-06 | 2015-11-04 | 河南科技大学 | 一种基于隐马尔可夫模型的食品安全溯源系统 |
| CN110192534A (zh) * | 2019-06-17 | 2019-09-03 | 中国农业大学 | 一种水产品无水保活运输温控区间的优化方法及系统 |
| CN110210680A (zh) * | 2019-06-11 | 2019-09-06 | 北京农业信息技术研究中心 | 一种基于温度变化的鱼体新鲜度检测方法和装置 |
| CN111210087A (zh) * | 2020-01-16 | 2020-05-29 | 中国农业大学 | 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 |
| CN111274538A (zh) * | 2020-01-21 | 2020-06-12 | 中国农业大学 | 一种生食水产品储运过程中质量状态判别方法及系统 |
| CN111280117A (zh) * | 2020-03-04 | 2020-06-16 | 中国农业大学 | 水产品保活储运过程中的环境控制方法、装置及系统 |
| CN112857445A (zh) * | 2021-01-13 | 2021-05-28 | 淮阴工学院 | 一种食品安全检测系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11430576B2 (en) * | 2019-02-06 | 2022-08-30 | Tata Consultancy Services Limited | System and method for monitoring and quality evaluation of perishable food items |
-
2021
- 2021-07-08 CN CN202110773700.4A patent/CN113515857B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105023224A (zh) * | 2015-07-06 | 2015-11-04 | 河南科技大学 | 一种基于隐马尔可夫模型的食品安全溯源系统 |
| CN110210680A (zh) * | 2019-06-11 | 2019-09-06 | 北京农业信息技术研究中心 | 一种基于温度变化的鱼体新鲜度检测方法和装置 |
| CN110192534A (zh) * | 2019-06-17 | 2019-09-03 | 中国农业大学 | 一种水产品无水保活运输温控区间的优化方法及系统 |
| CN111210087A (zh) * | 2020-01-16 | 2020-05-29 | 中国农业大学 | 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 |
| CN111274538A (zh) * | 2020-01-21 | 2020-06-12 | 中国农业大学 | 一种生食水产品储运过程中质量状态判别方法及系统 |
| CN111280117A (zh) * | 2020-03-04 | 2020-06-16 | 中国农业大学 | 水产品保活储运过程中的环境控制方法、装置及系统 |
| CN112857445A (zh) * | 2021-01-13 | 2021-05-28 | 淮阴工学院 | 一种食品安全检测系统 |
Non-Patent Citations (1)
| Title |
|---|
| Development and assessment of blockchain‐IoT‐based traceability system for frozen aquatic product;Yongjun Zhang;《Journal of Food Process Engineering 》;1-14 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113515857A (zh) | 2021-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109800627B (zh) | 石油管道信号的异常检测方法及装置、设备及可读介质 | |
| US20180260706A1 (en) | Systems and methods of identity analysis of electrocardiograms | |
| CN117762106B (zh) | 基于物联网的蓄禽血制品加工过程监控方法 | |
| CN112418498B (zh) | 用于智能温室的温度预测方法及系统 | |
| CN110660070B (zh) | 一种水稻叶脉图像提取方法和装置 | |
| CN115261522B (zh) | 一种微生物发酵的环境控制方法及系统 | |
| 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 | |
| CN112257947A (zh) | 制烟环境温湿度预测方法、装置以及设备 | |
| CN111523542A (zh) | 一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法 | |
| CN114004258B (zh) | 一种半监督的心电异常检测方法 | |
| 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 | |
| Rudolph et al. | Modeling yeast in suspension during laboratory and commercial fermentations to detect aberrant fermentation processes | |
| CN116385025A (zh) | 一种基于区块链的大数据溯源系统及方法 | |
| 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 | |
| CN111308027B (zh) | 生食品质的确定方法、装置、系统和计算机可读存储介质 | |
| Golzarijalal et al. | Machine learning for the prediction of proteolysis in Mozzarella and Cheddar cheese | |
| CN111968087A (zh) | 一种植物病害区域检测方法 | |
| CN112568868A (zh) | 针对癫痫模型电生理信号的自动量化分析方法及装置 | |
| EP3304365B1 (en) | System for the detection and the early prediction of the approaching of exacerbations in patients suffering from chronic obstructive broncopneumaty | |
| 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 | |
| CN117237753A (zh) | 图像合成方法及系统 | |
| Chang et al. | Assessing statistical significance when partitioning large-scale brain networks | |
| CN113948207B (zh) | 一种用于低血糖预警的血糖数据处理方法 | |
| CN113240639A (zh) | 一种金桔果的加工方法和装置 | |
| Sierra-Alonso et al. | Estimating respiratory frequency from HRV during treadmill exercise testing |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240910 Address after: 230000 B-1015, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui. Patentee after: HEFEI MINGLONG ELECTRONIC TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 100193 No. 2 Old Summer Palace West Road, Beijing, Haidian District Patentee before: CHINA AGRICULTURAL University Country or region before: China |
|
| TR01 | Transfer of patent right |