CN115436508A - 一种基于水果原料指标预测果汁品质的方法 - Google Patents
一种基于水果原料指标预测果汁品质的方法 Download PDFInfo
- Publication number
- CN115436508A CN115436508A CN202211017886.1A CN202211017886A CN115436508A CN 115436508 A CN115436508 A CN 115436508A CN 202211017886 A CN202211017886 A CN 202211017886A CN 115436508 A CN115436508 A CN 115436508A
- Authority
- CN
- China
- Prior art keywords
- fruit
- fruit juice
- juice
- color
- semi
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23L—FOODS, FOODSTUFFS, OR NON-ALCOHOLIC BEVERAGES, NOT COVERED BY SUBCLASSES A21D OR A23B-A23J; THEIR PREPARATION OR TREATMENT, e.g. COOKING, MODIFICATION OF NUTRITIVE QUALITIES, PHYSICAL TREATMENT; PRESERVATION OF FOODS OR FOODSTUFFS, IN GENERAL
- A23L2/00—Non-alcoholic beverages; Dry compositions or concentrates therefor; Their preparation
- A23L2/02—Non-alcoholic beverages; Dry compositions or concentrates therefor; Their preparation containing fruit or vegetable juices
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23L—FOODS, FOODSTUFFS, OR NON-ALCOHOLIC BEVERAGES, NOT COVERED BY SUBCLASSES A21D OR A23B-A23J; THEIR PREPARATION OR TREATMENT, e.g. COOKING, MODIFICATION OF NUTRITIVE QUALITIES, PHYSICAL TREATMENT; PRESERVATION OF FOODS OR FOODSTUFFS, IN GENERAL
- A23L2/00—Non-alcoholic beverages; Dry compositions or concentrates therefor; Their preparation
- A23L2/70—Clarifying or fining of non-alcoholic beverages; Removing unwanted matter
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8675—Evaluation, i.e. decoding of the signal into analytical information
- G01N30/8686—Fingerprinting, e.g. without prior knowledge of the sample components
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/025—Fruits or vegetables
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Nutrition Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Polymers & Plastics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medicinal Chemistry (AREA)
- Library & Information Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请提供一种基于水果原料指标预测果汁品质的方法,包括:获取果实的产地、颜色和含糖量;测量标准果汁的颜色和成分及其浓度;制作半成品果汁样本,并根据半成品果汁样本的颜色对应的甜度和口感构建BP神经网络;在果汁产品的制作过程中通过对比标准果汁预测产品合格率;参考标准果汁调节不合格果汁产品中加入配料和溶剂的量;设计对照实验探究各类果实生产的果汁产品的储藏条件与储藏周期,具体包括:采用K‑means算法将每个产地的果实按其颜色和含糖量分类,设计对照实验识别果汁的储藏条件与储藏周期。
Description
【技术领域】
本发明涉及信息技术领域,尤其涉及一种基于水果原料指标预测果汁品质的方法。
【背景技术】
果汁调配过程中,会因为水果的原材料不同而产生不同的味道浓度。就像平时挑水果一样,看似类似的水果,很多时候不同产地的果实颜色和味道不同。而果汁在制作过程中也会因为水果原材料不同以及调配方法的不同而导致最终的颜色和口感不同,尤其是那种纯天然不加防腐剂及只有少量添加剂的果汁,能够保证最佳的原味,但也比较难保证每一瓶果汁的颜色和口感都是完全一样的。因为如何根据原始材料的性状判断果汁最终味道特点,如何在已知味道有缺陷或不足时,通过外加调料或者在果汁受到外界温度影响时也能够更好的调节味道,这是目前没有解决的问题。
【发明内容】
本发明提供了一种基于水果原料指标预测果汁品质的方法,主要包括:
获取果实的产地、颜色和含糖量;测量标准果汁的颜色和成分及其浓度;制作半成品果汁样本,并根据半成品果汁样本的颜色对应的甜度和口感构建BP神经网络;在果汁产品的制作过程中通过对比标准果汁预测产品合格率;参考标准果汁调节不合格果汁产品中加入配料和溶剂的量;设计对照实验探究各类果实生产的果汁产品的储藏条件与储藏周期;
进一步可选地,所述获取果实的产地、颜色和含糖量包括:
检测果实中挥发性有机物的种类和含量,根据有机物的指纹图谱判断果实的产地;采用机器视觉图像处理技术识别果实的颜色;使用水果糖度无损检测仪测量果实的含糖量;包括:采用GC-IMS技术鉴别果实的产地;采用机器视觉图像处理技术识别果实的颜色;使用水果糖度无损检测仪测量果实的含糖量;
所述采用GC-IMS技术鉴别果实的产地,具体包括:
收集各个产地的果实样品;将果实样品分割为果皮和果肉两部分,均切成小块分别编号;分别称取果皮、果肉各1g置于20ml顶空进样瓶中,拧紧瓶盖;将顶空进样瓶在孵化器中以40℃加热震荡10min后,进样针自动移取500ul顶空进样瓶顶空的气体注入GC-IMS中;按预设程序控制载气和漂移气流量,放置20min后得到待测样品果皮或果肉的挥发性有机物的气相离子迁移谱图;根据获得的气相离子迁移谱图进行分析对比,并得到待测果皮和果肉的挥发性有机物的指纹图谱和主成分分析图谱,建立果实产地分类模型;获得观察或测量得到的待测样品的数据值,将数据值输入建立好的果实产地分类模型,得到分类结果。
所述采用机器视觉图像处理技术识别果实的颜色,具体包括:
使用摄像设备采集果实的图像;采用自适应中值滤波算法平滑处理果实产品的图像;采用几何推导法将果实图像的颜色模型转化为HSI;采用阈值法对果实的图像分割;提取果实颜色的RGB值。
所述使用水果糖度无损检测仪测量果实的含糖量,具体包括:
将水果糖度无损检测仪的探测头接触于待测水果的表面;读取仪器的示数,记录果实的含糖量。
进一步可选地,所述测量标准果汁的颜色和成分及其浓度包括:
获取标准甜度的标准果汁;采用机器视觉图像处理技术识别标准果汁的颜色;对标准果汁做定量色谱分析,根据色谱图的分层鉴别标准果汁的化学成分并计算各化学成分的浓度。
进一步可选地,所述制作半成品果汁样本,并根据半成品果汁样本的颜色对应的甜度和口感构建BP神经网络包括:
制作半成品果汁样本;采用机器视觉图像处理技术识别所有半成品果汁样本的颜色;测量所有半成品果汁样本的甜度;鉴别所有半成品果汁样本的口感;根据半成品果汁样本的颜色对应的口感和甜度构建BP神经网络;包括:制作半成品果汁并获取半成品果汁的颜色、甜度和口感;构建BP神经网络模型;
所述制作半成品果汁并获取半成品果汁的颜色、甜度和口感,具体包括:
利用不同产地、颜色、含糖量组合的果实产品、配料以及溶剂制作果汁,在制作过程中,每加入一种配料,提取定量的半成品果汁样本;采用机器视觉图像处理技术识别半成品果汁样本的颜色;使用糖度计测量半成品果汁样本的甜度。雇佣品尝师鉴别半成品果汁样本的口感;调整配料用量制作果汁,在制作过程中,每加入一种配料,同样提取相同定量的半成品果汁,获取果汁的颜色、甜度和口感,重复多次,得到不同颜色的半成品果汁对应的甜度和口感的数据集。
所述构建BP神经网络模型,具体包括:
以果汁产品的颜色作为输入层,甜度和口感作为输出层构建BP神经网络;将半成品果汁样本数据集90%的数据作为训练集,半成品果汁样本10%的数据作为测试集,训练BP神经网络。
进一步可选地,所述在果汁产品的制作过程中通过对比标准果汁预测产品合格率包括:
采用机器视觉图像处理技术识别果汁产品的颜色;将果汁产品的颜色输入BP神经网络模型,根据输出结果预测产品的甜度和口感;计算果汁产品和标准果汁甜度差值的绝对值,对比果汁产品和标准果汁口感的差异,计算果汁产品的合格率。
进一步可选地,所述参考标准果汁调节不合格果汁产品中加入配料和溶剂的量包括:
收集不合格的果汁产品;对不合格的果汁产品做定量色谱分析,根据色谱图的分层鉴别不合格的果汁产品的成分并计算各成分的浓度;对比标准果汁的各成分的浓度,计算加入对应配料或溶剂的量,加入配料或溶剂调节不合格的果汁产品;采用机器视觉图像处理技术识别果汁产品的颜色,根据构建的BP神经网络预测产品的合格情况。
进一步可选地,所述设计对照实验探究各类果实生产的果汁产品的储藏条件与储藏周期包括:
将果实按产地分类;采用K-means算法将每个产地的果实按颜色和甜度分成K类;将每一类果实按照标准果汁规范制作果汁产品;设计对照实验识别每一类果实生产的果汁产品的储藏条件与储藏周期;包括:采用K-means算法将每个产地的果实按其颜色和含糖量分类;设计对照实验识别果汁的储藏条件与储藏周期;
所述采用K-means算法将每个产地的果实按其颜色和含糖量分类,具体包括:
随机选择K个果实,读取果实颜色和含糖量,每个果实的颜色和含糖量代表一个簇中心;S1:计算果实的颜色和含糖量与各簇中心的相似度,赋给与该果实最相似的簇中心对应的簇;S2:重新计算每个簇中所有果实颜色和含糖量的平均值,作为新的簇中心;重复S1-S2,直到准则函数收敛,也就是簇中心不发生明显的变化,即完成分类。
所述设计对照实验识别果汁的储藏条件与储藏周期,具体包括:
将每一类果实制作的果汁产品分成3等份,分别置于冷藏室、常温环境和温室三种储藏条件中储藏;每隔2小时,对果汁产品做一次定量色谱分析,根据色谱图的分层鉴别果汁产品的成分并计算各成分的浓度;将果汁产品的各成分的浓度与标准果汁对比,若存在某一成分的浓度与对应标准果汁的浓度差值的绝对值超过预设的阈值,则将果汁产品判定为变质,记录储藏时间,清理变质果汁产品;对果汁产品重复做定量色谱分析,计算果汁产品各成分的浓度,直至所有果汁产品变质,停止实验;记录储藏时间最长的储藏条件,得出由该产地、颜色和甜度下的果实生产的果汁产品的最佳储藏条件与储藏周期。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明能够根据果汁颜色预测果汁的甜度和口感;对果汁生产过程中产生的细微差别进行识别,并参考标准果汁的参数进行再次调节,达到最佳的饮用效果;根据果实种类和性状的差异,给出探究果汁的最佳储藏条件和储藏周期的方法。
【附图说明】
图1为本发明的一种基于水果原料指标预测果汁品质的方法的流程图。
图2为本发明的一种基于水果原料指标预测果汁品质的方法的示意图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
图1为本发明的一种基于水果原料指标预测果汁品质的方法流程图。如图1所示,本实施例一种基于水果原料指标预测果汁品质的方法具体可以包括:
步骤101,获取果实的产地、颜色和含糖量。
检测果实中挥发性有机物的种类和含量,根据有机物的指纹图谱判断果实的产地;采用机器视觉图像处理技术识别果实的颜色;使用水果糖度无损检测仪测量果实的含糖量。
采用GC-IMS技术鉴别果实的产地。
收集各个产地的果实样品;将果实样品分割为果皮和果肉两部分,均切成小块分别编号;分别称取果皮、果肉各1g置于20ml顶空进样瓶中,拧紧瓶盖;将顶空进样瓶在孵化器中以40℃加热震荡10min后,进样针自动移取500ul顶空进样瓶顶空的气体注入GC-IMS中;按预设程序控制载气和漂移气流量,放置20min后得到待测样品果皮或果肉的挥发性有机物的气相离子迁移谱图;根据获得的气相离子迁移谱图进行分析对比,并得到待测果皮和果肉的挥发性有机物的指纹图谱和主成分分析图谱,建立果实产地分类模型;获得观察或测量得到的待测样品的数据值,将数据值输入建立好的果实产地分类模型,得到分类结果。分析对比气相离子迁移谱图采用LAV、Reporter插件、GalleryPlot插件、DynamicPCA插件和GC×IMSLibrarySearch。
采用机器视觉图像处理技术识别果实的颜色。
使用摄像设备采集果实的图像;采用自适应中值滤波算法平滑处理果实产品的图像;采用几何推导法将果实图像的颜色模型转化为HSI;采用阈值法对果实的图像分割;提取果实颜色的RGB值。使用摄像设备采集的图像常有噪声干扰,图像平滑处理有利于改善图像质量。自适应中值滤波能在有效去除冲激噪声的基础上,平滑其他非冲激噪声,减少失真,保留图像细节。设备采集的图像为RGB模型,为避免计算机对图像进行处理时因三个量相互影响产生色差或者颜色失真而导致系统误判,需要转换为HSI模型;采用几何推导法进行RGB-HSI转换,将RGB中的亮度因素进行圆柱极坐标的双椎体转换,将三维变为二维,在平面中求出HSI模型的色调分量值。几何推导法转换公式如下:
或R≠B,若B>G,H=2π-H;
摄像设备拍摄的物体受光照、噪声等环境影响,采集到的物体图像颜色会与实际颜色存在差异,物体之间也会存在一定颜色的差异,同一个物体不同部分也可能存在颜色差异,要准确识别物体,需要通过图像分割来判断相邻区域颜色的相似度;阈值法图像分割需要选取合适的阈值,将计算机获取的经过颜色模型变换的图像色彩特征与设定的阈值进行比较,以区分果实和背景。
使用水果糖度无损检测仪测量果实的含糖量。
将水果糖度无损检测仪的探测头接触于待测水果的表面;读取仪器的示数,记录果实的含糖量。水果含糖量与近红外吸收光谱具有定量关系,水果糖度无损检测仪能根据水果近红外吸收光谱的分布强度通过数学模型计算出水果含糖量,实现水果含糖量的快速无损检测。
步骤102,测量标准果汁的颜色和成分及其浓度。
获取标准甜度的标准果汁;采用机器视觉图像处理技术识别标准果汁的颜色;对标准果汁做定量色谱分析,根据色谱图的分层鉴别标准果汁的化学成分并计算各化学成分的浓度。标准果汁为品尝师认为的甜度和口感最佳的果汁;色谱分析法是一种物理或物理化学分离分析方法;先将混合物中各组分分离,而后逐个分析;其分离原理是利用混合物中各组分在固定相和流动相中溶解、解析、吸附和脱附或其他亲和作用性能的微小差异,当两相作相对运动时,使各组分随着移动在两相中反复受到上述各种作用而得到分离;将各组分分离后,以色谱中所得各种成分的峰面积的总和为100,按各成分的峰面积总和之比求出各成分的组成比率,即可定量计算各各成分的浓度。
步骤103,制作半成品果汁样本,并根据半成品果汁样本的颜色对应的甜度和口感构建BP神经网络。
制作半成品果汁样本;采用机器视觉图像处理技术识别所有半成品果汁样本的颜色;测量所有半成品果汁样本的甜度;鉴别所有半成品果汁样本的口感;根据半成品果汁样本的颜色对应的口感和甜度构建BP神经网络。
制作半成品果汁并获取半成品果汁的颜色、甜度和口感。
利用不同产地、颜色、含糖量组合的果实产品、配料以及溶剂制作果汁,在制作过程中,每加入一种配料,提取定量的半成品果汁样本;采用机器视觉图像处理技术识别半成品果汁样本的颜色;使用糖度计测量半成品果汁样本的甜度。雇佣品尝师鉴别半成品果汁样本的口感;调整配料用量制作果汁,在制作过程中,每加入一种配料,同样提取相同定量的半成品果汁,获取果汁的颜色、甜度和口感,重复多次,得到不同颜色的半成品果汁对应的甜度和口感的数据集。加入不同的配料,能让果汁呈现不同的颜色、甜度和口感,每加一种配料提取一次样品,尽可能覆盖制作过程中配料添加的所有情况,为BP神经网络的训练提供足够的数据支持。甜度用对比甜来衡量,用糖度计测量。比甜度是一个相对值,通常以蔗糖(非还原糖)作为基准物,一般以10%或15%的蔗糖水溶液在20℃时的甜度为1.0,其他糖的甜度则与之相比较得到。糖度计是一种通过测量水溶液的折射率来测量其糖浓度的仪器。光线从一种介质进入另一种介质时会产生折射现象,且入射角正弦之比恒为定值,此比值称为折光率。果汁中可溶性固形物含量与折光率在一定条件下(同一温度、压力)成正比例,故测定果汁的折光率,可求出果汁的糖浓度。口感是指食物在人的口腔内,由触觉和咀嚼而产生的直接感受,无法由机器测量。而果汁纯天然不加防腐剂,只有少量添加剂,因此在其制作过程的任何阶段均可饮用,故采用人工的方式鉴别半成品果汁的口感。
构建BP神经网络模型。
以果汁产品的颜色作为输入层,甜度和口感作为输出层构建BP神经网络;将半成品果汁样本数据集90%的数据作为训练集,半成品果汁样本10%的数据作为测试集,训练BP神经网络。BP神经网络是机器学习中一种常见的数学模型,通过构建类似于大脑神经突触联接的结构,来进行信息处理。BP神经网络的学习过程由信号的正向传播和误差的反向传播两个过程组成。正向传播时,把半成品果汁的颜色从输入层进行输入,信号经过各个隐藏层的处理后,最后从输出层传出果汁的甜度和口感。对于网络的实际的输出与期望输出之间的误差,把误差信号从最后一层逐层反传,从而获得各个层的误差学习信号,然后再根据误差学习信号来修正各层神经元的权值。重复执行信号的正向传播与误差反向传播的过程,直至网络输出误差减小到预先设置的阈值以下,或者超过预先设置的最大训练次数,即可得到果汁产品的甜度和口感预测模型。
步骤104,在果汁产品的制作过程中通过对比标准果汁预测产品合格率。
采用机器视觉图像处理技术识别果汁产品的颜色;将果汁产品的颜色输入BP神经网络模型,根据输出结果预测产品的甜度和口感;计算果汁产品和标准果汁甜度差值的绝对值,对比果汁产品和标准果汁口感的差异,计算果汁产品的合格率。例如:果汁生产商规定某果汁的合格标准为:甜度:0.5±0.1,口感柔软;在100杯果汁产品中,采用机器视觉图像处理技术识别果汁产品的颜色后,将颜色输入BP神经网络模型,预测出有80杯果汁的甜度介于0.4和0.6之间,且口感均为柔软,其余果汁产品均不满足合格标准,则可以预测出这批产品的合格率为80%。
步骤105,参考标准果汁调节不合格果汁产品中加入配料和溶剂的量。
收集不合格的果汁产品;对不合格的果汁产品做定量色谱分析,根据色谱图的分层鉴别不合格的果汁产品的成分并计算各成分的浓度;对比标准果汁的各成分的浓度,计算加入对应配料或溶剂的量,加入配料或溶剂调节不合格的果汁产品;采用机器视觉图像处理技术识别果汁产品的颜色,根据构建的BP神经网络预测产品的合格情况。例如:测得某标准果汁的各成分及其浓度为:草酸:160mg/L,葡萄糖:1200mg/L,苹果酸:1400mg/L,柠檬酸:2500mg/L;对某1L不合格的果汁产品做定量色谱分析后,计算得各成分的浓度为:草酸:90mg/L,葡萄糖:1000mg/L,苹果酸:2800mg/L,柠檬酸:3000mg/L;则应将浓度超标值最高的成分(苹果酸)加入溶剂稀释,即在1L果汁产品中加入1L溶剂,将果汁产品中的苹果酸浓度稀释为标准值1400mg/L;加入1L溶剂后,其余成分的浓度变为:草酸:45mg/L,葡萄糖:500mg/L,柠檬酸1500mg/L;忽略调料的加入对果汁溶液体积的影响,则应向2L果汁产品中再加入(160-45)*2=230mg草酸、(1200-500)*2=1400mg葡萄糖和(2500-1500)*2=2000mg柠檬酸调节该不合格果汁产品,使得各成分浓度与标准果汁基本相等。
步骤106,设计对照实验探究各类果实生产的果汁产品的储藏条件与储藏周期。
将果实按产地分类;采用K-means算法将每个产地的果实按颜色和甜度分成K类;将每一类果实按照标准果汁规范制作果汁产品;设计对照实验识别每一类果实生产的果汁产品的储藏条件与储藏周期。果实的性状会影响果汁的储藏条件与储藏周期,而果实的颜色和含糖量能一定程度反映果实的状态;例如:催熟的苹果的颜色一般都比较通红且甜味较淡,而自然成熟的苹果红黄交替,甜味较浓且糖分分布均匀,采用不同性状的苹果制作的苹果汁的储藏条件和储藏周期会有所不同;K的取值建议为3,可根据果实间区分度的大小调整。
采用K-means算法将每个产地的果实按其颜色和含糖量分类。
随机选择K个果实,读取果实颜色和含糖量,每个果实的颜色和含糖量代表一个簇中心;S1:计算果实的颜色和含糖量与各簇中心的相似度,赋给与该果实最相似的簇中心对应的簇;S2:重新计算每个簇中所有果实颜色和含糖量的平均值,作为新的簇中心;重复S1-S2,直到准则函数收敛,也就是簇中心不发生明显的变化,即完成分类。K-means是一种启发式的聚类算法,是一种迭代求解的聚类分析算法。K-means算法使用距离来描述两个数据对象之间的相似度。距离函数有明式距离、欧氏距离、马式距离和兰氏距离,最常用的是欧氏距离。当采用欧氏距离时,准则函数一般为最小化数据对象到其簇中心的距离的平方和,即:
设计对照实验识别果汁的储藏条件与储藏周期。
将每一类果实制作的果汁产品分成3等份,分别置于冷藏室、常温环境和温室三种储藏条件中储藏;每隔2小时,对果汁产品做一次定量色谱分析,根据色谱图的分层鉴别果汁产品的成分并计算各成分的浓度;将果汁产品的各成分的浓度与标准果汁对比,若存在某一成分的浓度与对应标准果汁的浓度差值的绝对值超过预设的阈值,则将果汁产品判定为变质,记录储藏时间,清理变质果汁产品;对果汁产品重复做定量色谱分析,计算果汁产品各成分的浓度,直至所有果汁产品变质,停止实验;记录储藏时间最长的储藏条件,得出由该产地、颜色和甜度下的果实生产的果汁产品的最佳储藏条件与储藏周期。判定果汁是否变质的浓度差的阈值可在标准果汁中通过添加配料或溶剂调节各成分的浓度后鉴别果汁的口感是否改变来确定。
Claims (7)
1.一种基于水果原料指标预测果汁品质的方法,其特征在于,所述方法包括:
获取果实的产地、颜色和含糖量,所述获取果实的产地、颜色和含糖量,具体包括:采用GC-IMS技术鉴别果实的产地,采用机器视觉图像处理技术识别果实的颜色,使用水果糖度无损检测仪测量果实的含糖量;测量标准果汁的颜色和成分及其浓度;制作半成品果汁样本,并根据半成品果汁样本的颜色对应的甜度和口感构建BP神经网络,所述制作半成品果汁样本,并根据半成品果汁样本的颜色对应的甜度和口感构建BP神经网络,具体包括:制作半成品果汁并获取半成品果汁的颜色、甜度和口感,构建BP神经网络模型;在果汁产品的制作过程中通过对比标准果汁预测产品合格率;参考标准果汁调节不合格果汁产品中加入配料和溶剂的量;设计对照实验探究各类果实生产的果汁产品的储藏条件与储藏周期,所述设计对照实验探究各类果实生产的果汁产品的储藏条件与储藏周期,具体包括:采用K-means算法将每个产地的果实按其颜色和含糖量分类,设计对照实验识别果汁的储藏条件与储藏周期。
2.根据权利要求1所述的方法,其中,所述获取果实的产地、颜色和含糖量,包括:
检测果实中挥发性有机物的种类和含量,根据有机物的指纹图谱判断果实的产地;采用机器视觉图像处理技术识别果实的颜色;使用水果糖度无损检测仪测量果实的含糖量;包括:采用GC-IMS技术鉴别果实的产地;采用机器视觉图像处理技术识别果实的颜色;使用水果糖度无损检测仪测量果实的含糖量;
所述采用GC-IMS技术鉴别果实的产地,具体包括:
收集各个产地的果实样品;将果实样品分割为果皮和果肉两部分,均切成小块分别编号;分别称取果皮、果肉各1g置于20ml顶空进样瓶中,拧紧瓶盖;将顶空进样瓶在孵化器中以40℃加热震荡10min后,进样针自动移取500ul顶空进样瓶顶空的气体注入GC-IMS中;按预设程序控制载气和漂移气流量,放置20min后得到待测样品果皮或果肉的挥发性有机物的气相离子迁移谱图;根据获得的气相离子迁移谱图进行分析对比,并得到待测果皮和果肉的挥发性有机物的指纹图谱和主成分分析图谱,建立果实产地分类模型;获得观察或测量得到的待测样品的数据值,将数据值输入建立好的果实产地分类模型,得到分类结果;
所述采用机器视觉图像处理技术识别果实的颜色,具体包括:
使用摄像设备采集果实的图像;采用自适应中值滤波算法平滑处理果实产品的图像;采用几何推导法将果实图像的颜色模型转化为HSI;采用阈值法对果实的图像分割;提取果实颜色的RGB值;
所述使用水果糖度无损检测仪测量果实的含糖量,具体包括:
将水果糖度无损检测仪的探测头接触于待测水果的表面;读取仪器的示数,记录果实的含糖量。
3.根据权利要求1所述的方法,其中,所述测量标准果汁的颜色和成分及其浓度,包括:
获取标准甜度的标准果汁;采用机器视觉图像处理技术识别标准果汁的颜色;对标准果汁做定量色谱分析,根据色谱图的分层鉴别标准果汁的化学成分并计算各化学成分的浓度。
4.根据权利要求1所述的方法,其中,所述制作半成品果汁样本,并根据半成品果汁样本的颜色对应的甜度和口感构建BP神经网络,包括:
制作半成品果汁样本;采用机器视觉图像处理技术识别所有半成品果汁样本的颜色;测量所有半成品果汁样本的甜度;鉴别所有半成品果汁样本的口感;根据半成品果汁样本的颜色对应的口感和甜度构建BP神经网络;包括:制作半成品果汁并获取半成品果汁的颜色、甜度和口感;构建BP神经网络模型;
所述制作半成品果汁并获取半成品果汁的颜色、甜度和口感,具体包括:
利用不同产地、颜色、含糖量组合的果实产品、配料以及溶剂制作果汁,在制作过程中,每加入一种配料,提取定量的半成品果汁样本;采用机器视觉图像处理技术识别半成品果汁样本的颜色;使用糖度计测量半成品果汁样本的甜度;雇佣品尝师鉴别半成品果汁样本的口感;调整配料用量制作果汁,在制作过程中,每加入一种配料,同样提取相同定量的半成品果汁,获取果汁的颜色、甜度和口感,重复多次,得到不同颜色的半成品果汁对应的甜度和口感的数据集;
所述构建BP神经网络模型,具体包括:
以果汁产品的颜色作为输入层,甜度和口感作为输出层构建BP神经网络;将半成品果汁样本数据集90%的数据作为训练集,半成品果汁样本10%的数据作为测试集,训练BP神经网络。
5.根据权利要求1所述的方法,其中,所述在果汁产品的制作过程中通过对比标准果汁预测产品合格率,包括:
采用机器视觉图像处理技术识别果汁产品的颜色;将果汁产品的颜色输入BP神经网络模型,根据输出结果预测产品的甜度和口感;计算果汁产品和标准果汁甜度差值的绝对值,对比果汁产品和标准果汁口感的差异,计算果汁产品的合格率。
6.根据权利要求1所述的方法,其中,所述参考标准果汁调节不合格果汁产品中加入配料和溶剂的量,包括:
收集不合格的果汁产品;对不合格的果汁产品做定量色谱分析,根据色谱图的分层鉴别不合格的果汁产品的成分并计算各成分的浓度;对比标准果汁的各成分的浓度,计算加入对应配料或溶剂的量,加入配料或溶剂调节不合格的果汁产品;采用机器视觉图像处理技术识别果汁产品的颜色,根据构建的BP神经网络预测产品的合格情况。
7.根据权利要求1所述的方法,其中,所述设计对照实验探究各类果实生产的果汁产品的储藏条件与储藏周期,包括:
将果实按产地分类;采用K-means算法将每个产地的果实按颜色和甜度分成K类;将每一类果实按照标准果汁规范制作果汁产品;设计对照实验识别每一类果实生产的果汁产品的储藏条件与储藏周期;包括:采用K-means算法将每个产地的果实按其颜色和含糖量分类;设计对照实验识别果汁的储藏条件与储藏周期;
所述采用K-means算法将每个产地的果实按其颜色和含糖量分类,具体包括:
随机选择K个果实,读取果实颜色和含糖量,每个果实的颜色和含糖量代表一个簇中心;S1:计算果实的颜色和含糖量与各簇中心的相似度,赋给与该果实最相似的簇中心对应的簇;S2:重新计算每个簇中所有果实颜色和含糖量的平均值,作为新的簇中心;重复S1-S2,直到准则函数收敛,也就是簇中心不发生明显的变化,即完成分类;
所述设计对照实验识别果汁的储藏条件与储藏周期,具体包括:
将每一类果实制作的果汁产品分成3等份,分别置于冷藏室、常温环境和温室三种储藏条件中储藏;每隔2小时,对果汁产品做一次定量色谱分析,根据色谱图的分层鉴别果汁产品的成分并计算各成分的浓度;将果汁产品的各成分的浓度与标准果汁对比,若存在某一成分的浓度与对应标准果汁的浓度差值的绝对值超过预设的阈值,则将果汁产品判定为变质,记录储藏时间,清理变质果汁产品;对果汁产品重复做定量色谱分析,计算果汁产品各成分的浓度,直至所有果汁产品变质,停止实验;记录储藏时间最长的储藏条件,得出由该产地、颜色和甜度下的果实生产的果汁产品的最佳储藏条件与储藏周期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211017886.1A CN115436508A (zh) | 2022-08-24 | 2022-08-24 | 一种基于水果原料指标预测果汁品质的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211017886.1A CN115436508A (zh) | 2022-08-24 | 2022-08-24 | 一种基于水果原料指标预测果汁品质的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115436508A true CN115436508A (zh) | 2022-12-06 |
Family
ID=84243819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211017886.1A Withdrawn CN115436508A (zh) | 2022-08-24 | 2022-08-24 | 一种基于水果原料指标预测果汁品质的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115436508A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117064031A (zh) * | 2023-08-30 | 2023-11-17 | 嘉兴美旺机械制造有限公司 | 一种基于流动层的食品加工焙煎方法及系统 |
CN117121993A (zh) * | 2023-10-26 | 2023-11-28 | 山东农圣恒昌农业科技有限公司 | 一种高纤维番茄汁饮料的制备方法 |
-
2022
- 2022-08-24 CN CN202211017886.1A patent/CN115436508A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117064031A (zh) * | 2023-08-30 | 2023-11-17 | 嘉兴美旺机械制造有限公司 | 一种基于流动层的食品加工焙煎方法及系统 |
CN117064031B (zh) * | 2023-08-30 | 2024-04-19 | 嘉兴美旺机械制造有限公司 | 一种基于流动层的食品加工焙煎方法及系统 |
CN117121993A (zh) * | 2023-10-26 | 2023-11-28 | 山东农圣恒昌农业科技有限公司 | 一种高纤维番茄汁饮料的制备方法 |
CN117121993B (zh) * | 2023-10-26 | 2024-01-05 | 山东农圣恒昌农业科技有限公司 | 一种高纤维番茄汁饮料的制备方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115436508A (zh) | 一种基于水果原料指标预测果汁品质的方法 | |
Sliwinska et al. | Food analysis using artificial senses | |
Manley et al. | Spectroscopic technique: Near infrared (NIR) spectroscopy | |
CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
Cai et al. | Using FTIR spectra and pattern recognition for discrimination of tea varieties | |
Khodabakhshian et al. | Application of Vis/SNIR hyperspectral imaging in ripeness classification of pear | |
CN113008817A (zh) | 一种基于高光谱成像技术快速鉴别苦杏仁真伪优劣的方法 | |
Ramos et al. | Non‐invasive setup for grape maturation classification using deep learning | |
Huang et al. | Evaluating quality of tomato during storage using fusion information of computer vision and electronic nose | |
CN109520962A (zh) | 一种葡萄酒近红外光谱检测方法 | |
Sharma et al. | Rapid ripening stage classification and dry matter prediction of durian pulp using a pushbroom near infrared hyperspectral imaging system | |
Porep et al. | Implementation of an on‐line near infrared/visible (NIR/VIS) spectrometer for rapid quality assessment of grapes upon receival at wineries | |
CN111537469A (zh) | 一种基于近红外技术的苹果品质快速无损检测方法 | |
CN114295556A (zh) | 一种基于一维卷积的高光谱理化指标拟合方法及系统 | |
CN114220501A (zh) | 炒饭食味特性的快速定量评价方法 | |
CN113408616A (zh) | 基于pca-uve-elm的光谱分类方法 | |
CN113030007A (zh) | 基于相似度学习算法快速检验烟用香精质量稳定性的方法 | |
CN111624317A (zh) | 一种娃娃菜新鲜度判别的无损检测方法 | |
Xiaobo et al. | Apple quality assessment by fusion three sensors | |
Zhang et al. | Rapid and non-destructive decay detection of Yali pears using hyperspectral imaging coupled with 2D correlation spectroscopy | |
Guan et al. | The qualitative and quantitative analysis of aromatic vinegar produced during different seasons by near infrared spectroscopy | |
Lavindi et al. | Neural network based on GLCM, and CIE L* a* b* color space to classify tomatoes maturity | |
CN113670840A (zh) | 鲜切笋中不溶性膳食纤维含量的快速无损检测方法 | |
Oblitas et al. | The Use of Correlation, Association and Regression Techniques for Analyzing Processes and Food Products | |
Zhang et al. | Classification identification of abalone flavoring liquids based on metal sensor array |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221206 |