CN116227974B - 一种用于蜂蜜感官和品质评级的鉴定方法 - Google Patents
一种用于蜂蜜感官和品质评级的鉴定方法 Download PDFInfo
- Publication number
- CN116227974B CN116227974B CN202211671577.6A CN202211671577A CN116227974B CN 116227974 B CN116227974 B CN 116227974B CN 202211671577 A CN202211671577 A CN 202211671577A CN 116227974 B CN116227974 B CN 116227974B
- Authority
- CN
- China
- Prior art keywords
- honey
- sensory
- model
- sensory evaluation
- 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.)
- Active
Links
- 235000012907 honey Nutrition 0.000 title claims abstract description 265
- 230000001953 sensory effect Effects 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000011156 evaluation Methods 0.000 claims abstract description 112
- 238000004519 manufacturing process Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 71
- 238000010801 machine learning Methods 0.000 claims description 36
- 238000005457 optimization Methods 0.000 claims description 30
- 238000005516 engineering process Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 20
- 238000007637 random forest analysis Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000002705 metabolomic analysis Methods 0.000 claims description 4
- 230000001431 metabolomic effect Effects 0.000 claims description 4
- 210000000697 sensory organ Anatomy 0.000 claims description 4
- 208000010470 Ageusia Diseases 0.000 claims description 3
- 244000124209 Crocus sativus Species 0.000 claims description 3
- 235000015655 Crocus sativus Nutrition 0.000 claims description 3
- 244000020551 Helianthus annuus Species 0.000 claims description 3
- 235000003222 Helianthus annuus Nutrition 0.000 claims description 3
- 240000007472 Leucaena leucocephala Species 0.000 claims description 3
- 235000010643 Leucaena leucocephala Nutrition 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims description 3
- 235000007164 Oryza sativa Nutrition 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 235000019666 ageusia Nutrition 0.000 claims description 3
- 230000008485 antagonism Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000001339 gustatory effect Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000024159 perception of rate of movement Effects 0.000 claims description 3
- 235000009566 rice Nutrition 0.000 claims description 3
- 235000013974 saffron Nutrition 0.000 claims description 3
- 239000004248 saffron Substances 0.000 claims description 3
- 230000008786 sensory perception of smell Effects 0.000 claims description 3
- 230000036413 temperature sense Effects 0.000 claims description 3
- 210000003901 trigeminal nerve Anatomy 0.000 claims description 3
- 210000000051 wattle Anatomy 0.000 claims description 3
- 240000008866 Ziziphus nummularia Species 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 16
- 235000019640 taste Nutrition 0.000 abstract description 10
- 239000000796 flavoring agent Substances 0.000 abstract description 6
- 235000019634 flavors Nutrition 0.000 abstract description 6
- 238000012356 Product development Methods 0.000 abstract description 5
- 239000003205 fragrance Substances 0.000 abstract description 4
- 230000018109 developmental process Effects 0.000 description 15
- 241000272525 Anas platyrhynchos Species 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 210000003608 fece Anatomy 0.000 description 6
- 235000013305 food Nutrition 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 244000269722 Thea sinensis Species 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 244000126002 Ziziphus vulgaris Species 0.000 description 3
- 230000008685 targeting Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 2
- 235000012041 food component Nutrition 0.000 description 2
- 239000005417 food ingredient Substances 0.000 description 2
- 235000003599 food sweetener Nutrition 0.000 description 2
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000003765 sweetening agent Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000264877 Hippospongia communis Species 0.000 description 1
- 235000010254 Jasminum officinale Nutrition 0.000 description 1
- 240000005385 Jasminum sambac Species 0.000 description 1
- 241000218922 Magnoliophyta Species 0.000 description 1
- 244000063464 Vitex agnus-castus Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019658 bitter taste Nutrition 0.000 description 1
- 235000009347 chasteberry Nutrition 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000008369 fruit flavor Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 230000010198 maturation time Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003976 plant breeding Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 235000019643 salty taste Nutrition 0.000 description 1
- 230000014860 sensory perception of taste Effects 0.000 description 1
- 235000019614 sour taste Nutrition 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 235000019605 sweet taste sensations Nutrition 0.000 description 1
- 235000019583 umami taste Nutrition 0.000 description 1
- 235000019607 umami taste sensations Nutrition 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
- G06N20/00—Machine learning
-
- 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
- G06Q50/04—Manufacturing
-
- 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)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Jellies, Jams, And Syrups (AREA)
Abstract
本发明涉及蜂蜜感官识别和品质鉴定技术领域，解决了现有技术中缺少一种针对蜂蜜感官和品质评级进行鉴定的技术问题，尤其涉及一种用于蜂蜜感官和品质评级的鉴定方法，包括以下步骤：S1、采用多组学策略鉴定不同产区、不同品种的蜂蜜，并根据鉴定结果搭建蜂蜜成分数据库，鉴定结果包括蜂蜜多组分信息；S2、借助专业化消费者小组感官评价不同产区、不同品种的蜂蜜，并根据感官评价结果搭建感官评价数据库。本发明实现了快速且高效识别蜂蜜的花香、滋味、风味和等级，这不仅有助于个性化蜂蜜的产品开发、鼓励选择和推出更美味且专一化的蜂蜜品质，而且也进一步让不同阶段的蜂蜜成为蜂衍生产品开发的早期目标。
Description
技术领域
本发明涉及蜂蜜感官识别和品质鉴定技术领域，尤其涉及一种用于蜂蜜感官和品质评级的鉴定方法。
背景技术
到目前为止，蜂蜜品质的鉴定是一套繁琐的流程，其需经过准备、问、看、闻、尝、摸、判断八个流程，并且每个流程不仅都需要花费大量的时间，而且还要求感官鉴定技术人员需要长期深入实践，反复探索，不断积累，才能较好地掌握感官检验蜂蜜的技术。由于个体的差异，还需要有足够数量的技术人员共同评鉴，这些极大限制了专一化蜂蜜的开发，也加深了蜂蜜品质鉴定新方法开发的迫切性。
随着新技术的发展，电子舌、电子鼻、气质联用等技术使得我们可以深入了解食物基质成分与感官之间的关系，但这仍需要专业化人才的投入。而多组学技术为快速鉴定食物成分提供了强有力有利手段。专利202110287306 .X开发了一种基于代谢组学分析技术鉴定鸭屎香单丛茶，然而，该方法只是针对鸭屎香单丛茶进行代谢和统计分析并发现鸭屎香特征标志物，对如何用于食物感官和品质评级等应用没有详细描述。
因此，有关蜂蜜成分鉴定的论文和专利主要集中在单花蜜间的标记物鉴定，而有关蜂蜜感官识别和品质鉴定还停留在传统方法上。
发明内容
针对现有技术的不足，本发明提供了一种用于蜂蜜感官和品质评级的鉴定方法，解决了现有技术中缺少一种针对蜂蜜感官和品质评级进行鉴定的技术问题，本发明实现了快速且高效识别蜂蜜的花香、滋味、风味和等级，这不仅有助于个性化蜂蜜的产品开发、鼓励选择和推出更美味且专一化的蜂蜜品质，而且也进一步让不同阶段的蜂蜜成为蜂衍生产品开发的早期目标。
为解决上述技术问题，本发明提供了如下技术方案：一种用于蜂蜜感官和品质评级的鉴定方法，包括以下步骤：
S1、采用多组学策略鉴定不同产区、不同品种的蜂蜜，并根据鉴定结果搭建蜂蜜成分数据库，鉴定结果包括蜂蜜多组分信息；
S2、借助专业化消费者小组感官评价不同产区、不同品种的蜂蜜，并根据感官评价结果搭建感官评价数据库，感官评价结果包括蜂蜜感官评价数据和品质评级数据；
S3、采用回归训练的机器学习模型根据蜂蜜成分数据库和感官评价数据库进行建模、训练及评估后得到蜂蜜感官模型；
S4、采用回归训练的机器学习模型根据蜂蜜多组分信息和品质评级数据进行建模、训练及评估后得到品质评级模型；
S5、使用蜂蜜感官模型和品质评级模型及Rank函数对待鉴定蜂蜜的感官和品质进行预测得到鉴定结果。
进一步地，在步骤S1中，具体过程包括以下步骤：
S11、获取中国各产区的不同品种的单花蜜，并做好标签，其中不同品种的单花蜜包括洋槐蜜、枣花蜜、葵花蜜、米团花蜜、藏红花蜜、荆条蜜或不同品种在不同时期和阶段的蜂蜜；
S12、采用多组学方法对不同品种的蜂蜜进行非靶向测定以获得蜂蜜多组分信息，其中多组学方法包括糖组学、蛋白组学、代谢组学、脂类组学等或其他组学所测定对感官具有贡献的若干测定数据构成蜂蜜多组分信息；
S13、使用python编程语言对蜂蜜多组分信息中的若干测定数据进行一一对应，对部分蜂蜜中未检出成分含量用0代替，得到处理后的蜂蜜多组分信息；
S14、对处理后的蜂蜜多组分信息字典化处理构成蜂蜜成分数据库。
进一步地，在步骤S2中，具体过程包括以下步骤：
S21、确定感官评价类型，感官评价类型包括味觉、嗅觉、触觉、听觉、三叉神经感觉、肤觉、体觉、动觉、化学温度觉、触后觉和嗅后嗅感；
感官评价类型还包括感觉现象，包括感官适应、感官疲劳、觉察阈，识别阈、差别阈、极限阈、味觉缺失、嗅觉缺失、色觉障碍、拮抗效应、协同效应、对比效应和趋同效应；
S22、将感官评价类型进一步缩小为味觉感知的产品感官特性和嗅觉感知的产品感官特性得到感官评价指标种类；
S23、获取专业化消费者小组根据感官评价指标种类对不同产区、不同品种的蜂蜜进行感官评价并给出的蜂蜜感官评价打分表，若干个蜂蜜感官评价打分表/>构成蜂蜜感官评价数据；
S24、获取专业化消费者小组根据蜂蜜感官评价数据通过感官评价后给予最终的评价分数YD值；
S25、将若干个蜂蜜感官评价打分表和评价分数YD值合并在一起构成若干感官评价结果P；
S26、若干感官评价结果P构成感官评价数据库。
进一步地，在步骤S3中，具体过程包括以下步骤：
S31、将蜂蜜成分数据库中的m种蜂蜜的蜂蜜多组分信息输入至回归训练的机器学习模型的训练输入端；
将感官评价数据库中的m种蜂蜜的蜂蜜感官评价数据输入至回归训练的机器学习模型的预测端；
得到训练后的第一回归训练的机器学习模型；
S32、采用超参数优化和5倍交叉验证方法对训练后的回归训练的随机森林模型进行评估得到单个组学技术的蜂蜜感官模型；
S33、分别获取每种单个组学技术的最佳训练模型的前20个重要性特征，构建成多组学感官优化特征矩阵；
S34、将多组学感官优化特征矩阵作为输入端，采用神经网络模型MLP算法对蜂蜜感官模型进行训练，得到训练后的蜂蜜感官模型，即为Honey_sense_RF_MLP模型。
进一步地，在步骤S31和步骤S41中，均需要对m种蜂蜜的蜂蜜多组分信息进行标准化处理。
进一步地，在步骤S4中，具体过程包括以下步骤：
S41、将特征处理后的蜂蜜成分数据库中的m种蜂蜜的蜂蜜多组分信息输入至回归训练的机器学习模型的训练输入端；
将感官评价数据库中的m种蜂蜜的品质评级数据输入至回归训练的机器学习模型的预测端；
得到训练后的第二回归训练的机器学习模型；
S42、采用超参数优化和5倍交叉验证方法对训练后的回归训练的随机森林模型进行评估得到单个组学技术的品质评级模型；
S43、分别获取每种单个组学的最佳训练模型的前20个重要性特征，构建成多组学品质优化特征矩阵；
S44、将多组学品质优化特征矩阵作为输入端，采用神经网络模型MLP算法对品质评级模型进行训练，得到训练后的品质评级模型，即为Honey_quality_RF_MLP模型。
进一步地，在步骤S4和步骤S3中，回归训练的机器学习模型为集成学习中的随机森林模型和神经网络中的多层感知机，最佳训练模型为随机森林模型和多层感知机的结合。
进一步地，在步骤S5中，具体过程包括以下步骤：
S51、将待鉴定蜂蜜的蜂蜜的多组分信息进行标准化处理，并获取其多组学感官优化特征矩阵；
S52、将多组学感官优化特征矩阵导入Honey_sense_RF_MLP模型中获得待鉴定蜂蜜的若干个蜂蜜感官评价数据；
S53、将待鉴定蜂蜜的蜂蜜的多组分信息进行标准化处理，并获取其多组学品质优化特征矩阵；
S54、将多组学品质优化特征矩阵导入Honey_quality_RF_MLP模型中获得待鉴定蜂蜜的若干个品质评级数据；
S55、将若干个蜂蜜感官评价数据和品质评级数据生成表格数据；
S56、采用Rank函数分别对表格数据中的若干个蜂蜜感官评价数据和品质评级数据进行排序，之后生成结果报告。
借由上述技术方案，本发明提供了一种用于蜂蜜感官和品质评级的鉴定方法，至少具备以下有益效果：
1、本发明够基于蜂蜜多组分信息可实现快速且高效识别蜂蜜的花香、滋味、风味和等级，这不仅有助于个性化蜂蜜的产品开发、鼓励选择和推出更美味且专一化的蜂蜜品质，而且也进一步让不同阶段的蜂蜜成为蜂衍生产品开发的早期目标。
2、本发明所提出的鉴定方法是建立在蜂蜜多组分信息和蜂蜜成分数据库、感官评价数据库和品质评级数据库的基础上，并通过多算法和参数优化所获得的多个模型及后续的自动化鉴定和分析报告通道，从而达成只需要知道任意一种蜂蜜的多组分信息数据即可得到其感官评估和品质评级数据。
3、本发明旨在降低个体差异而导致的评估数据的不准确性等人为误差、大大降低蜂蜜评估的开发成本、有助于个性化蜂蜜的产品开发、鼓励选择和推出更美味且专一化的蜂蜜品质，而且也进一步让不同阶段的蜂蜜成为蜂衍生产品开发的早期目标。此外，本发明具有普适性，可应用于其他食物的感官评估和品质评级方法的开发。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明鉴定方法的流程图；
图2为本发明蜂蜜成分数据库的构成示意图；
图3为本发明感官评价数据库的构成示意图；
图4为本发明蜂蜜感官模型算法的示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图 和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
背景概述
蜂蜜是蜜蜂从开花植物的花中采得的花蜜，并在蜂巢中经过充分自然酿造而成的天然甜物质，其功效价值远优于传统甜味剂和人工合成甜味剂。仅2020年中国蜂蜜产量高达45.8万吨，表观需求量为33万吨，蜂蜜市场稳定，产量、表观需求量同比略有上升。同时，至改革开发以来，中国蜂蜜出口量一直保持着世界第一的地位，是名副其实的蜂蜜出口第一大国。当前我国蜂蜜品种主要以单花蜜为主，种类虽多，但每种单花蜜中不同感官类型的蜂蜜开发却很少。由于不同产区或不同时期阶段（成熟时间和储藏时间）下蜂蜜中的分子种类和成分存在差异，这些决定了蜂蜜的感官品质和消费者的偏好，如花香、滋味、风味等，这意味开发个性化、更美味且专一化的蜂蜜将成为蜂蜜品质消费升级的未来趋势所向。
到目前为止，蜂蜜品质的鉴定是一套繁琐的流程，其需经过准备、问、看、闻、尝、摸、判断八个流程，并且每个流程不仅都需要花费大量的时间，而且还要求感官鉴定技术人员需要长期深入实践，反复探索，不断积累，才能较好地掌握感官检验蜂蜜的技术。由于个体的差异，还需要有足够数量的技术人员共同评鉴，这些极大限制了专一化蜂蜜的开发，也加深了蜂蜜品质鉴定新方法开发的迫切性。
随着新技术的发展，电子舌、电子鼻、气质联用等技术使得我们可以深入了解食物基质成分与感官之间的关系，但这仍需要专业化人才的投入。而多组学技术为快速鉴定食物成分提供了强有力有利手段。专利202110287306 .X开发了一种基于代谢组学分析技术鉴定鸭屎香单丛茶，然而，该方法只是针对鸭屎香单丛茶进行代谢和统计分析并发现鸭屎香特征标志物，对如何用于食物感官和品质评级等应用没有详细描述。
2022年2月美国佛罗里达大学园艺团队Vincent Colantonio等人在国际知名期刊PNAS发表的论文《Metabolomic selection for enhanced fruit flavor》中提供了一种新思路，其指出代谢组学与机器学习联合起来可用于改善植物育种和设计具有独特风味的品种。然而，该论文并未描述食物感官和品质评级的具体流程。
当前，有关蜂蜜成分鉴定的论文和专利主要集中在单花蜜间的标记物鉴定，而有关蜂蜜感官识别和品质鉴定还停留在传统方法上。相反，本发明提供了一种用于蜂蜜感官和品质评级的鉴定方法，其建立在蜂蜜多组分信息和蜂蜜成分数据库、感官评价数据库和品质评级数据库的基础上，并通过多算法和参数优化所获得的多个模型及后续的自动化鉴定和分析报告通道，从而达成只需要知道任意一种蜂蜜的多组分信息数据即可得到其感官评估和品质评级数据。
请参照图1-图4，示出了本实施例的一种具体实施方式，一种用于蜂蜜感官和品质评级的鉴定方法，该鉴定方法是建立在蜂蜜多组分信息和蜂蜜成分数据库、感官评价数据库和品质评级数据库的基础上，并通过多算法和参数优化所获得的多个模型及后续的自动化鉴定和分析报告通道，从而达成只需要知道任意一种蜂蜜的多组分信息数据即可得到其感官评估和品质评级数据。
请参照图1，该鉴定方法包括以下步骤：
S1、采用多组学策略鉴定不同产区、不同品种的蜂蜜，并根据鉴定结果搭建蜂蜜成分数据库（BCD），鉴定结果包括蜂蜜多组分信息，蜂蜜成分数据库的构成如图2所示。
在步骤S1中，具体过程包括以下步骤：
S11、获取中国各产区的不同品种的单花蜜，并做好标签，其中不同品种的单花蜜包括洋槐蜜、枣花蜜、葵花蜜、米团花蜜、藏红花蜜、荆条蜜等品种或不同品种在不同时期和阶段的蜂蜜；
S12、采用多组学方法对不同品种的蜂蜜进行非靶向测定以获得蜂蜜多组分信息，其中多组学方法包括糖组学、蛋白组学、代谢组学、脂类组学等或其他组学所测定对感官具有贡献的若干测定数据构成蜂蜜多组分信息；
S13、使用python编程语言对蜂蜜多组分信息中的若干测定数据进行一一对应，对部分蜂蜜中未检出成分含量用0代替，得到处理后的蜂蜜多组分信息；
S14、对处理后的蜂蜜多组分信息字典化处理构成蜂蜜成分数据库。
在步骤S14中，字典化处理是把不同的测定数据作为“键”，其所检测成分的含量作为“值”，这是构建蜂蜜成分数据库的一种快速检索方式，其表达形式为{“糖组学”： “蛋白组学”： />，“代谢组学”： />，“脂类组学”： />，“其他组学”： />}；
其中，，i表示糖组学技术检测第i个检出物的含量；，j表示蛋白组学技术检测的第j个检出物的含量；，k表示代谢组学技术检测的第k个检出物的含量；，n表示脂类组学技术检测的第n个检出物的含量；，o表示其他组学检测的第o个检出物的含量。
假设有m种蜂蜜样品，则经多组学方法分析所获得的蜂蜜成分数据库表达为。
S2、借助专业化消费者小组感官评价不同产区、不同品种的蜂蜜，并根据感官评价结果搭建感官评价数据库（BSED），感官评价结果包括蜂蜜感官评价数据和品质评级数据，感官评价数据库的构成如图3所示。
在步骤S2中，具体过程包括以下步骤：
S21、确定感官评价类型，感官评价类型包括味觉、嗅觉、触觉、听觉、三叉神经感觉、肤觉、体觉、动觉、化学温度觉、触后觉和嗅后嗅感；
感官评价类型还包括感觉现象，包括感官适应、感官疲劳、觉察阈，识别阈、差别阈、极限阈、味觉缺失、嗅觉缺失、色觉障碍、拮抗效应、协同效应、对比效应和趋同效应；
S22、将感官评价类型进一步缩小为味觉感知的产品感官特性和嗅觉感知的产品感官特性得到感官评价指标种类；
其中由味觉感知的产品感官特性包括基本味、酸味、甜味、苦味、咸味、鲜味，还包括其他用于进一步描述产品特性的味道，包括但不限于铁锈味、奶香味、后苦味、醇厚感等。经由嗅觉感知的产品感官特性包括气味、异常气味、香味、芳香、酒香等，此外，也可进一步细分，如嗅觉中的花香，包含但不限于荆条花、茉莉花、枣花、洋槐花等。
S23、获取专业化消费者小组根据感官评价指标种类对不同产区、不同品种的蜂蜜进行感官评价并给出的蜂蜜感官评价打分表，若干个蜂蜜感官评价打分表/>构成蜂蜜感官评价数据；
感官评价指标种类是由步骤S222中的产品感官特性种类组合而成，并制作成蜂蜜感官评价打分表，n表示指标参数，m表示品尝次数或为蜂蜜种类，每个t表示该指标绘制的数据，以数字1-10来描述它们各自的强弱度。
S24、获取专业化消费者小组根据蜂蜜感官评价数据通过感官评价后给予最终的评价分数YD值，评价分数YD值即为品质评级数据，该评价分数YD值从1到10，数字越大说明品质越高；
S25、将若干个蜂蜜感官评价打分表和评价分数YD值合并在一起构成若干感官评价结果P，其中感官评价结果P的表达形式为：
上式中，n表示指标参数，m表示品尝次数或为蜂蜜种类。
S26、若干感官评价结果P构成感官评价数据库，其中，该感官评价数据库中的m与蜂蜜成分数据库中的m是一一对应的。
S3、采用回归训练的机器学习模型根据蜂蜜成分数据库和感官评价数据库进行建模、训练及评估后得到蜂蜜感官模型，如图4所示，为蜂蜜感官模型算法的示意图。
在步骤S3中，具体过程包括以下步骤：
S31、将蜂蜜成分数据库中的m种蜂蜜的蜂蜜多组分信息输入至回归训练的机器学习模型的训练输入端；
将感官评价数据库中的m种蜂蜜的蜂蜜感官评价数据输入至回归训练的随机森林模型的预测端；
得到训练后的第一回归训练的机器学习模型。
在该步骤中，针对多组学方法分别将每一种组学鉴定得到的蜂蜜多组分信息输入至归训练的机器学习模型的训练输入端；之后，将感官评价数据库中m种蜂蜜的感官评价数据输入至回归训练的随机森林模型的预测端，以此针对蜂蜜感官模型的训练确定为多任务学习进行训练。
示例性的，多组学方法包括糖组学、蛋白组学、代谢组学、脂类组学等或其他组学所测定对感官具有贡献的若干测定数据构成蜂蜜多组分信息，过上述的多种多组学方法能够对一种蜂蜜得到与每一个组学相对应的蜂蜜组分信息，在此处可以理解为，一种蜂蜜通过糖组学进行非靶向测定得到与之相对应的组分信息，以此为例，而m种蜂蜜通过多组学进行非靶向测定能够得到若干种组分信息，若干种组份信息合称为蜂蜜多组分信息。
在步骤S31中，需要对m种蜂蜜的蜂蜜多组分信息进行标准化处理，标准化处理降低模型过于依赖于单个特征。特征进行标准化处理采用下述公式完成，具体为：
其中，X为输入属性描述符数据，u为均值，s为标准差，确保各维度数据的标准差为1，均值为0，这种处理方法可以使回归训练的机器学习模型的预测结果不受一些维数过大的特征值的支配。
S32、采用超参数优化和5倍交叉验证方法对训练后的回归训练的随机森林模型进行评估得到单个组学技术的蜂蜜感官模型；
S33、分别获取每种单个组学技术的最佳训练模型的前20个重要性特征，构建成多组学感官优化特征矩阵；
在该步骤中，m种蜂蜜通过多组学方法能够得到m个多组分信息，而m个多组分信息输入至回归训练的机器学习模型的训练输入端后，相应的能够得到m个相应的模型，每一个组学下都会存在一个最佳训练模型，随后对若干个模型进行排序，取经排序后的前20个模型即为重要特征。
S34、将多组学感官优化特征矩阵作为输入端，采用神经网络模型MLP算法对蜂蜜感官模型进行训练，得到训练后的蜂蜜感官模型，即为Honey_sense_RF_MLP模型。
具体的，神经网络模型MLP为多层感知机，使用1024个神经元，三个隐藏层，感官评价数据作为输出层对蜂蜜感官模型进行训练。
使用以下公式计算和/>评估训练后的回归训练的Honey_sense_RF_MLP模型的预测能力和鲁棒性。
和/>的计算公式为：
上式中，分别为真实值、预测值和平均值。/>是残差平方和，也叫残差平方和；/>是总平方和；n是样本数；/>为决定系数；MAE表示真实值和预测值之间的差值，预测值通过对数据集的绝对差的平均值反映真实误差；MSE表示平方误差的期望值；RMSE表示预测误差的标准差。
S4、采用回归训练的机器学习模型根据蜂蜜多组分信息和品质评级数据进行建模、训练及评估后得到品质评级模型，具体的，可参照图4的蜂蜜感官模型算法的示意图，与其原理相同。
在步骤S4中，具体过程包括以下步骤：
S41、将特征处理后的蜂蜜成分数据库中的m种蜂蜜的蜂蜜多组分信息输入至回归训练的机器学习模型的训练输入端；
将感官评价数据库中的m种蜂蜜的品质评级数据输入至回归训练的机器学习模型的预测端；
得到训练后的第二回归训练的机器学习模型。
在该步骤中，分别将每一种组学非靶向测定并经过特征处理后的蜂蜜多组分信息输入至回归训练的机器学习模型的训练输入端；之后，将感官评价数据库中m种蜂蜜的品质评级数据输入至回归训练的随机森林模型的预测端，以此针对品质评级模型的训练确定为多任务学习进行训练。
在步骤S41中，特征处理与步骤S31所采用的方法相同，为避免重复说明，在此处不再详细赘述。
S42、采用超参数优化和5倍交叉验证方法对训练后的回归训练的随机森林模型进行评估得到单个组学技术的品质评级模型；
S43、分别获取每种单个组学的最佳训练模型的前20个重要性特征，构建成多组学品质优化特征矩阵；
与步骤S33相同的是，在该步骤中，m种蜂蜜通过多组学方法能够得到m个多组分信息，而m个多组分信息输入至回归训练的机器学习模型的训练输入端后，相应的能够得到m个相应的模型，每一个组学下都会存在一个最佳训练模型，随后对若干个模型进行排序，取经排序后的前20个模型即为重要特征。
S44、将多组学品质优化特征矩阵作为输入端，采用神经网络模型MLP算法对品质评级模型进行训练，得到训练后的品质评级模型，即为Honey_quality_RF_MLP模型。
具体的，神经网络模型MLP为多层感知机，使用1024个神经元，三个隐藏层，品质评级数据作为输出层对品质评级模型进行训练；
在步骤S42-步骤S44中，对训练后的Honey_quality_RF_MLP模型进行评估与步骤S32-S34所采用的方法相同，为避免重复说明，在此处不再详细赘述。
在步骤S4和步骤S3中，回归训练的机器学习模型为集成学习中的随机森林模型和神经网络中的多层感知机，即神经网络模型MLP（多层感知机），最佳训练模型是由随机森林模型和多层感知机结合实现的。
在此需要说明的是，在步骤S4和步骤S3中，第一回归训练的机器学习模型和第二回归训练的机器学习模型的网络结构是相同的，其不同的是，经过不同的样本数据进行训练以及评估，得到的最终的模型不同，第一回归训练的机器学习模型经过训练以及评估得到是蜂蜜感官模型，而第二回归训练的机器学习模型经过训练以及评估得到是品质评级模型。
同时在步骤S31和步骤S41中，都需要先对m种蜂蜜的蜂蜜多组分信息进行标准化处理，得到经过特征处理后的蜂蜜多组分信息，标准化处理采用下述公式完成，具体为：
其中，X为输入属性描述符数据，为均值，s为标准差，确保各维度数据的标准差为1，均值为0，这种处理方法可以使回归训练的机器学习模型的预测结果不受一些维数过大的特征值的支配。
S5、使用蜂蜜感官模型和品质评级模型及Rank函数对待鉴定蜂蜜的感官和品质进行预测得到鉴定结果。
在步骤S5中，具体过程包括以下步骤：
S51、将待鉴定蜂蜜的蜂蜜的多组分信息进行标准化处理，并获取其多组学感官优化特征矩阵；
待鉴定蜂蜜的蜂蜜多组分信息通过与步骤S1相同的方法即可获得，也就是步骤S12中通过所组学方法对鉴定蜂蜜所测定的对感官具有贡献的测定数据。
S52、将多组学感官优化特征矩阵导入Honey_sense_RF_MLP模型中获得待鉴定蜂蜜的若干个蜂蜜感官评价数据；
S53、将待鉴定蜂蜜的蜂蜜的多组分信息进行标准化处理，并获取其多组学品质优化特征矩阵；
S54、将多组学品质优化特征矩阵导入Honey_quality_RF_MLP模型中获得待鉴定蜂蜜的若干个品质评级数据；
S55、将若干个蜂蜜感官评价数据和品质评级数据生成表格数据；
表格数据的表达形成为：
其中，m表示第m个样本；表示鉴定结果的总数据；/>表示蜂蜜感官评价数据预测结果/>，其表达为：
其中，n表示n个指标参数，m表示品尝次数或为蜂蜜种类，每个t表示该指标数据；和/>则是蜂蜜感官模型和品质评级模型所鉴定的待鉴定蜂蜜的感官和品质评级结果；
S56、采用Rank函数分别对表格数据中的若干个/>和/>进行排序，之后生成结果报告。
采用Rank函数对表格数据中的若干个蜂蜜感官评价数据/>和品质评级数据/>进行排序，此时的表格数据/>中包含多个鉴定结果，而进行由大到小进行排序，去最大值作为待鉴定蜂蜜的感官和品质评级结果，或者可采用求取平均值的方式作为待鉴定蜂蜜的感官和品质评级结果皆可。
本实施例所提供的鉴定方法够基于蜂蜜多组分信息可实现快速且高效识别蜂蜜的花香、滋味、风味和等级，这不仅有助于个性化蜂蜜的产品开发、鼓励选择和推出更美味且专一化的蜂蜜品质，而且也进一步让不同阶段的蜂蜜成为蜂衍生产品开发的早期目标。
以上实施方式对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种用于蜂蜜感官和品质评级的鉴定方法，其特征在于，包括以下步骤：
S1、采用多组学策略鉴定不同产区、不同品种的蜂蜜，并根据鉴定结果搭建蜂蜜成分数据库，鉴定结果包括蜂蜜多组分信息；
S2、借助专业化消费者小组感官评价不同产区、不同品种的蜂蜜，并根据感官评价结果搭建感官评价数据库，感官评价结果包括蜂蜜感官评价数据和品质评级数据；
S3、采用回归训练的机器学习模型根据蜂蜜成分数据库和感官评价数据库进行建模、训练及评估后得到蜂蜜感官模型；在步骤S3中，具体过程包括以下步骤：
S31、将蜂蜜成分数据库中的种蜂蜜的蜂蜜多组分信息输入至回归训练的机器学习模型的训练输入端；
将感官评价数据库中的种蜂蜜的蜂蜜感官评价数据输入至回归训练的机器学习模型的预测端；
得到训练后的第一回归训练的机器学习模型；
S32、采用超参数优化和5倍交叉验证方法对训练后的回归训练的随机森林模型进行评估得到单个组学技术的蜂蜜感官模型；
S33、分别获取每种单个组学技术的最佳训练模型的前20个重要性特征，构建成多组学感官优化特征矩阵；
S34、将多组学感官优化特征矩阵作为输入端，采用神经网络模型MLP算法对蜂蜜感官模型进行训练，得到训练后的蜂蜜感官模型，即为Honey_sense_RF_MLP模型；
S4、采用回归训练的机器学习模型根据蜂蜜多组分信息和品质评级数据进行建模、训练及评估后得到品质评级模型；在步骤S4中，具体过程包括以下步骤：
S41、将蜂蜜成分数据库中的种蜂蜜的蜂蜜多组分信息输入至回归训练的机器学习模型的训练输入端；
将感官评价数据库中的种蜂蜜的品质评级数据输入至回归训练的机器学习模型的预测端；
得到训练后的第二回归训练的机器学习模型；
S42、采用超参数优化和5倍交叉验证方法对训练后的回归训练的随机森林模型进行评估得到单个组学技术的品质评级模型；
S43、分别获取每种单个组学的最佳训练模型的前20个重要性特征，构建成多组学品质优化特征矩阵；
S44、将多组学品质优化特征矩阵作为输入端，采用神经网络模型MLP算法对品质评级模型进行训练，得到训练后的品质评级模型，即为Honey_quality_RF_MLP模型；
S5、使用蜂蜜感官模型和品质评级模型及Rank函数对待鉴定蜂蜜的感官和品质进行预测得到鉴定结果。
2.根据权利要求1所述的鉴定方法，其特征在于：在步骤S1中，具体过程包括以下步骤：
S11、获取中国各产区的不同品种的单花蜜，并做好标签，其中不同品种的单花蜜包括洋槐蜜、枣花蜜、葵花蜜、米团花蜜、藏红花蜜、荆条蜜或不同品种在不同时期和阶段的蜂蜜；
S12、采用多组学方法对不同品种的蜂蜜进行非靶向测定以获得蜂蜜多组分信息，其中多组学方法包括糖组学、蛋白组学、代谢组学、脂类组学或其他组学所测定对感官具有贡献的若干测定数据构成蜂蜜多组分信息；
S13、使用python编程语言对蜂蜜多组分信息中的若干测定数据进行一一对应，对部分蜂蜜中未检出成分含量用0代替，得到处理后的蜂蜜多组分信息；
S14、对处理后的蜂蜜多组分信息字典化处理构成蜂蜜成分数据库。
3.根据权利要求1所述的鉴定方法，其特征在于：在步骤S2中，具体过程包括以下步骤：
S21、确定感官评价类型，感官评价类型包括味觉、嗅觉、触觉、听觉、三叉神经感觉、肤觉、体觉、动觉、化学温度觉、触后觉和嗅后嗅感；
感官评价类型还包括感觉现象，包括感官适应、感官疲劳、觉察阈，识别阈、差别阈、极限阈、味觉缺失、嗅觉缺失、色觉障碍、拮抗效应、协同效应、对比效应和趋同效应；
S22、将感官评价类型进一步缩小为味觉感知的产品感官特性和嗅觉感知的产品感官特性得到感官评价指标种类；
S23、获取专业化消费者小组根据感官评价指标种类对不同产区、不同品种的蜂蜜进行感官评价并给出的蜂蜜感官评价打分表，若干个蜂蜜感官评价打分表/>构成蜂蜜感官评价数据；
S24、获取专业化消费者小组根据蜂蜜感官评价数据通过感官评价后给予最终的评价分数YD值；
S25、将若干个蜂蜜感官评价打分表和评价分数YD值合并在一起构成若干感官评价结果P；
S26、若干感官评价结果P构成感官评价数据库。
4.根据权利要求1所述的鉴定方法，其特征在于：在步骤S4和步骤S3中，第一、第二回归训练的机器学习模型均为集成学习中的随机森林模型和神经网络中的多层感知机，最佳训练模型为随机森林模型和多层感知机的结合。
5.根据权利要求1所述的鉴定方法，其特征在于：在步骤S5中，具体过程包括以下步骤：
S51、将待鉴定蜂蜜的蜂蜜的多组分信息进行标准化处理，并获取其多组学感官优化特征矩阵；
S52、将多组学感官优化特征矩阵导入Honey_sense_RF_MLP模型中获得待鉴定蜂蜜的若干个蜂蜜感官评价数据；
S53、将待鉴定蜂蜜的蜂蜜的多组分信息进行标准化处理，并获取其多组学品质优化特征矩阵；
S54、将多组学品质优化特征矩阵导入Honey_quality_RF_MLP模型中获得待鉴定蜂蜜的若干个品质评级数据；
S55、将若干个蜂蜜感官评价数据和品质评级数据生成表格数据；
S56、采用Rank函数分别对表格数据中的若干个蜂蜜感官评价数据和品质评级数据进行排序，之后生成结果报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211671577.6A CN116227974B (zh) | 2022-12-26 | 2022-12-26 | 一种用于蜂蜜感官和品质评级的鉴定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211671577.6A CN116227974B (zh) | 2022-12-26 | 2022-12-26 | 一种用于蜂蜜感官和品质评级的鉴定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116227974A CN116227974A (zh) | 2023-06-06 |
| CN116227974B true CN116227974B (zh) | 2024-01-30 |
Family
ID=86579494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211671577.6A Active CN116227974B (zh) | 2022-12-26 | 2022-12-26 | 一种用于蜂蜜感官和品质评级的鉴定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116227974B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003037250A2 (en) * | 2001-10-26 | 2003-05-08 | Phytoceutica, Inc. | Matrix methods for analyzing properties of botanical samples |
| CN106501470A (zh) * | 2016-11-23 | 2017-03-15 | 广东嘉豪食品有限公司 | 利用味觉系统与电子鼻联合评价芥辣酱风味等级的方法 |
| CN106560700A (zh) * | 2016-10-20 | 2017-04-12 | 中国计量大学 | 能自动鉴别武夷岩茶产地的机器学习方法 |
| CN107392399A (zh) * | 2017-08-30 | 2017-11-24 | 桂林电子科技大学 | 一种基于改进遗传算法的svm卷烟感官质量预测方法 |
| CN108088942A (zh) * | 2018-01-08 | 2018-05-29 | 新疆大学 | 一种基于挥发性成分结合pca模型判别啤酒花掺伪的方法 |
| CN113310928A (zh) * | 2021-05-10 | 2021-08-27 | 华中农业大学 | 保质期内和过期高温灭菌牛奶的快速鉴定方法 |
-
2022
- 2022-12-26 CN CN202211671577.6A patent/CN116227974B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003037250A2 (en) * | 2001-10-26 | 2003-05-08 | Phytoceutica, Inc. | Matrix methods for analyzing properties of botanical samples |
| CN106560700A (zh) * | 2016-10-20 | 2017-04-12 | 中国计量大学 | 能自动鉴别武夷岩茶产地的机器学习方法 |
| CN106501470A (zh) * | 2016-11-23 | 2017-03-15 | 广东嘉豪食品有限公司 | 利用味觉系统与电子鼻联合评价芥辣酱风味等级的方法 |
| CN107392399A (zh) * | 2017-08-30 | 2017-11-24 | 桂林电子科技大学 | 一种基于改进遗传算法的svm卷烟感官质量预测方法 |
| CN108088942A (zh) * | 2018-01-08 | 2018-05-29 | 新疆大学 | 一种基于挥发性成分结合pca模型判别啤酒花掺伪的方法 |
| CN113310928A (zh) * | 2021-05-10 | 2021-08-27 | 华中农业大学 | 保质期内和过期高温灭菌牛奶的快速鉴定方法 |
Non-Patent Citations (4)
| Title |
|---|
| 三点检验法感官评价蜂蜜产品风味的研究;柳青;罗红霞;李淑荣;马长路;孙玉清;王丽;;中国蜂业(11);全文 * |
| 蜂蜜掺假鉴别技术的研究进展与对策建议;袁玉伟;张志恒;叶雪珠;杨桂玲;孙彩霞;于国光;;食品科学(09);全文 * |
| 食品真实性关键技术在监管科学领域的研究建议;黄传峰;曹进;张庆合;陈达;丁宏;路勇;;食品安全质量检测学报(14);全文 * |
| 鸡精人工感官评价与电子舌评价的相关模型研究;肖立中;陈洋洋;田怀香;秦蓝;张雅敬;李简墨;;中国调味品(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116227974A (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105630743B (zh) | 一种光谱波数的选择方法 | |
| CN107609111B (zh) | 一种枇杷果实品种鉴别、品质分级和成熟度判定的检索方法 | |
| Borém et al. | Coffee sensory quality study based on spatial distribution in the Mantiqueira mountain region of Brazil | |
| de Jesús Ramírez-Rivera et al. | Comparison of performance and quantitative descriptive analysis sensory profiling and its relationship to consumer liking between the artisanal cheese producers panel and the descriptive trained panel | |
| CN109409579A (zh) | Bp人工神经网络预测原料加工适宜性的方法 | |
| Taiti et al. | Nashi or Williams pear fruits? Use of volatile organic compounds, physicochemical parameters, and sensory evaluation to understand the consumer’s preference | |
| Fan et al. | Volatiles influencing sensory attributes and Bayesian modeling of the soluble solids–sweetness relationship in strawberry | |
| Oliver et al. | Check‐all‐that‐applies as an alternative for descriptive analysis to establish flavors driving liking in strawberries | |
| CN106644983A (zh) | 一种基于pls‑vip‑aco算法的光谱波长选择方法 | |
| CN107341613A (zh) | 一种辅助叶组配方平衡替换的方法 | |
| Villamor et al. | Preference mapping of frozen and fresh raspberries | |
| CN107220708A (zh) | 用于睡眠脑电分期特征选择的自适应模拟退火遗传算法 | |
| CN116227974B (zh) | 一种用于蜂蜜感官和品质评级的鉴定方法 | |
| Brown et al. | Consumer acceptability of fresh‐market muscadine grapes | |
| SÁENZ‐NAVAJAS et al. | Orthonasal aroma characteristics of Spanish red wines from different price categories and their relationship to expert quality judgements | |
| House et al. | Consumer preference for mandarins: implications of a sensory analysis | |
| Endrizzi et al. | Implementing sensory analysis principles in the quality control of pdo products: a critical evaluation of a real‐world case study | |
| CN109991325A (zh) | 基于代谢组学数据融合和人工神经网络的食品品质的评价方法及其应用 | |
| CN117235302A (zh) | 一种基于辅助特征的个性化推荐方法 | |
| Malta et al. | Selection of elite genotypes of coffee arabica l. to produce specialty coffees | |
| CN101706488A (zh) | 一种建立婴儿奶产品感官品评专家系统的方法 | |
| CN106570680A (zh) | 用于评价浓香型原酒感官质量的方法 | |
| CN116183843A (zh) | 一种番茄果实口感评价方法 | |
| Brentari et al. | The impact of chemical and sensorial characteristics on the market price of Italian red wines | |
| Sinesio et al. | Sensory characteristics of traditional field grown tomato genotypes in Southern Italy |
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 |