CN117540282A - 一种变温环境下水产品货架期高精度预测方法 - Google Patents
一种变温环境下水产品货架期高精度预测方法 Download PDFInfo
- Publication number
- CN117540282A CN117540282A CN202410032045.0A CN202410032045A CN117540282A CN 117540282 A CN117540282 A CN 117540282A CN 202410032045 A CN202410032045 A CN 202410032045A CN 117540282 A CN117540282 A CN 117540282A
- Authority
- CN
- China
- Prior art keywords
- matrix
- model
- facformer
- prediction
- aquatic product
- 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 30
- 230000001580 bacterial effect Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 311
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 164
- 229910052757 nitrogen Inorganic materials 0.000 claims description 84
- 230000007246 mechanism Effects 0.000 claims description 47
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 claims description 44
- 239000000523 sample Substances 0.000 claims description 37
- 238000004448 titration Methods 0.000 claims description 24
- 238000010790 dilution Methods 0.000 claims description 23
- 239000012895 dilution Substances 0.000 claims description 23
- 239000000243 solution Substances 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000000873 masking effect Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 19
- 238000004821 distillation Methods 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 229920001817 Agar Polymers 0.000 claims description 8
- TWRXJAOTZQYOKJ-UHFFFAOYSA-L Magnesium chloride Chemical compound [Mg+2].[Cl-].[Cl-] TWRXJAOTZQYOKJ-UHFFFAOYSA-L 0.000 claims description 8
- 239000008272 agar Substances 0.000 claims description 8
- 238000010200 validation analysis Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000002441 X-ray diffraction Methods 0.000 claims description 4
- KGBXLFKZBHKPEV-UHFFFAOYSA-N boric acid Chemical compound OB(O)O KGBXLFKZBHKPEV-UHFFFAOYSA-N 0.000 claims description 4
- 239000004327 boric acid Substances 0.000 claims description 4
- 239000003153 chemical reaction reagent Substances 0.000 claims description 4
- 238000012258 culturing Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 239000012470 diluted sample Substances 0.000 claims description 4
- 239000012153 distilled water Substances 0.000 claims description 4
- 229910001629 magnesium chloride Inorganic materials 0.000 claims description 4
- 238000013207 serial dilution Methods 0.000 claims description 4
- 239000012085 test solution Substances 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 210000001835 viscera Anatomy 0.000 claims description 3
- 208000008558 Osteophyte Diseases 0.000 claims description 2
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 claims description 2
- 230000003203 everyday effect Effects 0.000 claims description 2
- 239000007788 liquid Substances 0.000 claims description 2
- 210000004974 shell Anatomy 0.000 claims description 2
- 238000002791 soaking Methods 0.000 claims description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 101100458287 Saguinus oedipus MSPE gene Proteins 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 7
- 241000252230 Ctenopharyngodon idella Species 0.000 description 36
- 241000238557 Decapoda Species 0.000 description 35
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000001954 sterilising effect Effects 0.000 description 3
- 238000007696 Kjeldahl method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 239000002504 physiological saline solution Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 150000004676 glycans Chemical class 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229920001282 polysaccharide Polymers 0.000 description 1
- 239000005017 polysaccharide Substances 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000021122 unsaturated fatty acids Nutrition 0.000 description 1
- 150000004670 unsaturated fatty acids Chemical class 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提供一种变温环境下水产品货架期高精度预测方法,包括:构建并训练基于深度学习的用于货架期预测的Facformer模型;获取待预测的水产品;测定水产品在连续p天内的温度、菌落总数和TVB‑N;记录水产品从p到q天内的温度数据,将连续p天内的温度、菌落总数和TVB‑N的数据、以及p到q天内的温度数据导入到预先训练好的Facformer模型进行推理,得到水产品在变温环境下的菌落总数预测值、TVB‑N的预测值和货架期的预测值。本发明方案的Facformer模型用于推理的历史数据较少,数据采集所需时间跨度少、周期短、实验可重复性强,与传统的基于数据拟合的货架期预测模型相比准确率显著提升。
Description
技术领域
本发明涉及食品安全技术领域,尤其涉及一种变温环境下水产品货架期高精度预测方法。
背景技术
水产品不仅是优质蛋白质、不饱和脂肪酸等的来源,还富含活性肽、EPA、DHA、多糖和微量元素等对人体有益的功能因子,在人类饮食结构中占据重要地位。然而,水产品在运输、加工和贮藏过程中极易受微生物、内源酶和外界环境变化的影响,使产品新鲜度降低,导致腐败变质,造成巨大的浪费,对水产品真实货架期的模糊预测是造成其浪费的关键原因之一。
传统的水产品货架期预测模型主要通过测定挥发性盐基氮TVB-N和菌落总数TCP等特征指标,随后采用零级或一级动力学方程等将特征指标直接进行统计学拟合来确定不同恒温环境下的货架期,如Arrhenius模型等,然而,现阶段获取传统模型所需基础数据的时间周期长、预测多依赖基于历史经验的拟合值且结果易受贮藏温度等影响,导致传统货架期预测的结果仅是个模糊的参考值,在解决长程货架期预测问题时这种弊端尤为明显。
此外,尽管基于Arrhenius等传统模型能够实现不同温度下水产品货架期的预测,但该预测值是基于未来贮藏温度恒定的情况下,而水产品在实际贮藏过程中受各种因素的影响其贮藏温度往往是个不断变化的数值,因此,如果水产品在良好的贮藏温度下,其实际可流通期限或许远远滞后于所预测的货架期,但通常会因已达到预测期限而被提前销毁;相反地,若水产品在不理想的贮藏温度下,则会造成水产品提前变质,带来严重的质量风险与安全隐患,这是迄今为止任何货架期模型都无法真正实现对水产品货架期精准预测的主要原因。
发明内容
为了解决现有技术存在的问题,本发明提供一种变温环境下水产品货架期高精度预测方法,包括:
预先构建并训练Facformer模型,用以预测水产品货架期;
获取待预测的水产品;
测定水产品在连续p天内的温度、菌落总数TCP和挥发性盐基氮TVB-N,并进行记录;
记录水产品从p到q(q>p)天内的温度数据,将连续p天内的温度、菌落总数TCP和挥发性盐基氮TVB-N的数据、以及p到q天内的温度数据导入到预先训练好的Facformer模型进行推理,得到变温条件下的水产品菌落总数TCP和挥发性盐基氮TVB-N的预测值;
将水产品中的挥发性盐基氮TVB-N和菌落总数TCP的限定标准输入到Facformer模型中,通过与预测得到的水产品菌落总数TCP和挥发性盐基氮TVB-N进行对比,得到变温条件下水产品货架期的预测值。
可选的,所述预先构建并训练Facformer模型,包括:
准备水产品,并去除水产品的外壳、内脏和骨刺,取可食用部分;
将水产品放置在4℃~40℃中随机m个温度的恒温培养箱中,每日固定时间取样并测定样品在不同温度条件下菌落总数TCP和挥发性盐基氮TVB-N,连续测样n天,得到包含m×n×2条时序数据;
将时序数据划分为训练数据集、验证数据集和测试数据集,并进行标准化处理建立时序数据集;
在Python3.7语言环境中定义Facformer模型,Facformer模型主要包括数据嵌入层、编码器和解码器三部分;
Facformer模型的数据嵌入层工作步骤如下:
采用数值嵌入模块将时序数据集中的水产品菌落总数TPC和挥发性盐基氮TVB-N的测定数值转化为能够被模型识别的矩阵语言,采用位置嵌入模块将水产品的菌落总数TPC和挥发性盐基氮TVB-N的测定数值按照贮藏时间的先后顺序在矩阵中进行排列,转化为带有时间序列特征的矩阵语言,采用标记信息嵌入模块将未来的温度转化为矩阵语言,以作为Facformer模型的矫正因子用于修正水产品在未来变温条件下贮藏时水产品菌落总数TPC和挥发性盐基氮TVB-N的真实变化,若测定数据为离散型变量,则测定数值的权重信息经过Relu损失函数、前馈神经网络和循环编码层后转化为能够被模型识别的矩阵语言,若测定数据为连续型变量,则直接将测定数值的权重信息经过前馈神经网络和带有线性变换的嵌入层转化为能够被模型识别的矩阵语言;
通过数据嵌入层处理,带有位置信息的测定数值被模型转化为Xi特征矩阵,天数、温度和其他指标的数值被模型转化为XMi特征矩阵,包含测定数值、天数、温度和其他指标的数值则被模型转化为XXMi特征矩阵,最终经过编码器输出后的测定数值、天数、温度和其他指标的数值被模型分别转化为XPi、XPMi和XXPMi特征矩阵;
Facformer模型的编码器建立步骤如下:
Facformer模型的编码器由3个并行的编码器模块a、b、c构成,是Facformer模型的输入端,原始的时序数据集经数据嵌入层得到特征矩阵后,各特征矩阵经过不同的线性变换矩阵WQ、WK和WV分别线性化为矩阵Q、矩阵K和矩阵V,用于记载自身的特征信息,随后模型将对矩阵Q和矩阵K进行点积运算,得到包含有水产品菌落总数TPC和挥发性盐基态氮TVB-N的权值得分的权值矩阵;对权值矩阵进行归一化降维处理得到加权系数矩阵,乘以每个位置对应的矩阵V,相加后得到经单头自注意力机制编码的输出矩阵;
为增加Facformer模型的运算速度,将共计h个并行的单头自注意力机制得到的输出矩阵Zi相加,即经过h个自注意力机制并行运算后得到一个综合编码矩阵,综合编码矩阵首先经过前馈神经网络中的全连接层升维后引用Relu函数降维,随后基于归一化层将降维后的矩阵标准化处理,通过残差神经网络与原始的特征输入矩阵相加增加模型的鲁棒性,最终得到一个经过矩阵编码的包含水产品贮藏时间,贮藏温度,贮藏期间的菌落总数TPV和挥发性盐基氮TVB-N的详细权重信息的水产品时序数据集查询词典;
其中,Xi特征矩阵经编码器-a转换后得到Ka和Va矩阵;XMi特征矩阵经编码器-b转换后得到Kb和Vb矩阵;XXMi特征矩阵经编码器-c转换后得到Kc和Vc矩阵,用于后续解码器的解码工作;
Facformer模型的解码器建立步骤如下:
Facformer的解码器由3个并行的解码器模块构成,每个解码器模块包含至少两个自注意力机制用于解析矩阵的权重信息,是Facformer模型的预测端和输出端;
经编码器得到的输出矩阵XPi和XXPMi经过两个不同的线性变换层转化为矩阵Q、矩阵K和矩阵V,其中带有样品权重信息的矩阵Q和矩阵K会经过遮掩矩阵将可能影响样品预测结果的环境噪音遮盖去除,经过降维后得到经过遮掩处理的预测矩阵;
将遮掩处理的预测矩阵经过遮掩自注意力机制层时生成的Qa矩阵和Qc矩阵向下传递,并将其与编码器中传递过来的矩阵K和矩阵V经过第二层自注意力机制计算待预测数据的实际权重信息,并将实际权重信息与编码层得到的查询词典进行比对,得到预测矩阵;其中,XPi生成的Qa矩阵将与编码器-a传递的Ka矩阵和Va矩阵结合用于信息的解码,XXPMi生成的Qc矩阵将与编码器-c传递的Kc矩阵和Vc矩阵结合用于信息的解码;
对天数、温度和其他指标经过嵌入层得到的输出矩阵XPMi不采用遮掩矩阵遮掩,其经过线性变换层后,直接经过自注意力机制层将只带有未来温度信息而不带有其余环境噪音信息的Qb矩阵向下层传递,Qb矩阵会经过3个并行的运算机制对水产品在未来真实变温条件的品质指标进行预测:1、首先,Qb矩阵会通过Fac-自注意力机制,使用编码器-a中传过来的矩阵Ka和编码器-b传过来的矩阵Vb结合,同时使用编码器-b中传过来的矩阵Kb和编码器-a传过来的矩阵Va结合,将两者结合共同计算待预测数据的实际权重信息,并将该权重信息与编码层得到的查询词典进行比对获得预测矩阵;2、其次,XPMi在输入第一层多头自注意力机制时使用遮掩矩阵将全部环境噪音经过遮盖去除,经过遮掩自注意力机制层时生成的Qb矩阵将与编码器中传递过来的矩阵Kb和矩阵Vb经过第二层自注意力机制计算待预测数据的实际权重信息,从而作为矫正矩阵提高预测的准确率;3、最后,Qb矩阵通过卷积神经网络用于对待预测数据直接进行数据拟合,并作为矫正矩阵用于提高模型预测的准确率;
输出矩阵XPi、XPMi和XXPMi经过解码器得到的预测矩阵会分别通过前馈神经网络升高矩阵的维度从而更细致地对数据进行综合预测,并经过归一化层、线性变换层和降维层将预测矩阵中包含的预测权重信息重新映射为时序数值,得到预测结果,从而完成对水产品菌落总数TPC、挥发性盐基氮TVB-N和货架期的预测;
确定Facformer模型步骤如下:
在训练阶段将训练数据集输入到Facformer模型,对模型超参数进行训练;
在验证阶段将验证数据集输入到训练的Facformer模型中,来微调超参数;
在测试阶段将测试数据集输入到构建好的Facformer模型中,使用平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和均方百分比误差(MSPE)评估模型预测性能,获得Facformer模型。
可选的,所述测定水产品中的挥发性盐基氮TVB-N按如下步骤进行:
取一定量的水产品,放置于蒸馏管内,加入蒸馏水充分振荡后,浸渍一段时间;
采用自动凯氏定氮仪法,在蒸馏管中加入氯化镁,立即连接到蒸馏器上,并设定仪器的参数为:硼酸接受液体积,蒸馏时间或蒸馏体积,0.1000mol/L的盐酸作为标准滴定溶液,采用自定电位滴定方式判断终点,测定完毕后及时清洗仪器;
水产品中挥发性盐基氮TVB-N按下式计算:
其中,V 1为试液消耗盐酸标准滴定溶液的体积,V 2为试剂空白消耗盐酸标准滴定溶液的体积,c为盐酸标准滴定溶液的浓度,14为滴定1mL盐酸[c(HCl)=1.000mol/L]标准滴定溶液相当于氮的质量,M为样品的质量,100为换算系数。
可选的,所述测定水产品中的菌落总数TCP按如下步骤进行:
取一定量水产品放入盛有生理盐水的无菌均质袋中,均质一段时间,制成1:10的的样品匀液,并按照10倍系列稀释法制备稀释样品匀液;
选择2~3个稀释度的样品匀液,吸取样品匀液于无菌平皿内,将46℃的计数琼脂培养基倾注平板,并设置空白对照,待琼脂凝固后置于30℃培养;
记录平板稀释倍数和相应的菌落数量,选取菌落总数TCP在30CFU~300CFU之间且稀释度连续的平板计数,水产品中的菌落总数TCP按下式计算:
其中,为平板菌落数之和,n 1为低稀释倍数平板个数,n 2为高稀释倍数平板个数,d为低稀释倍数稀释因子。
采用上述技术方案后,本发明至少具有如下有益效果:
1、Facformer模型内置的多头自注意力机制使其并行速度快,用于推理的历史数据较少,数据采集所需时间跨度少、周期短、实验可重复性强;
2、Facformer模型通过不间断的自主学习进行货架期预测,与传统的基于数据拟合的货架期预测模型相比准确率显著提升;
3、基于标记信息约束机制和可选择性的遮掩机制建立的Facformer模型,不受环境温度的影响,并且能够将水产品在未来贮运过程中的温度变化转化为特征矩阵并与历史数据协同作用,能够实现变温环境下水产品货架期的精准预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1为Facformer模型的整体框架图;
图2为Facformer模型的数据嵌入层网络结构图;
图3为Facformer模型的编码器的网络结构图;
图4为Facformer模型的解码器的网络结构图;
图5为Facformer模型测试阶段虾酱在多个不同温度条件下的菌落总数TCP预测结果图,其中(a)~(k)分别为Facformer模型测试阶段虾酱在4℃、8℃、12℃、16℃、20℃、22℃、24℃、28℃、32℃、36℃、40℃下的菌落总数TCP预测结果图;
图6为Facformer模型测试阶段虾酱在多个不同温度条件下的挥发性盐基氮TVB-N预测结果图,其中(a)~(k)分别为Facformer模型测试阶段虾酱在4℃、8℃、12℃、16℃、20℃、22℃、24℃、28℃、32℃、36℃、40℃下的挥发性盐基氮TVB-N预测结果图;
图7为基于一级动力学方程构建的菌落总数TCP预测模型的虾酱在多个不同温度条件下的菌落总数TCP预测结果图,其中(a)~(k)分别为基于一级动力学方程构建的菌落总数TCP预测模型的虾酱在4℃、8℃、12℃、16℃、20℃、22℃、24℃、28℃、32℃、36℃、40℃下的菌落总数TCP预测结果图;
图8为基于一级动力学方程构建的挥发性盐基氮TVB-N预测模型的虾酱在多个不同温度条件下的挥发性盐基氮TVB-N预测结果图,其中(a)~(k)分别为基于一级动力学方程构建的挥发性盐基氮TVB-N预测模型的虾酱在4℃、8℃、12℃、16℃、20℃、22℃、24℃、28℃、32℃、36℃、40℃下的挥发性盐基氮TVB-N预测结果图;
图9为Facformer模型实际预测阶段虾酱在24℃下的品质指标预测结果图,(A)为Facformer模型实际预测阶段虾酱在24℃下的菌落总数TCP预测结果图,(B)为Facformer模型实际预测阶段虾酱在24℃下的挥发性盐基氮TVB-N预测结果图;
图10为Facformer模型实际预测阶段虾酱在24℃下的品质指标预测结果与真实值对比图,(A)为Facformer模型实际预测阶段虾酱在24℃下的菌落总数TCP预测结果与真实值对比图,(B)为Facformer模型实际预测阶段虾酱在24℃下的挥发性盐基氮TVB-N预测结果与真实值对比图;
图11为Facformer模型测试阶段草鱼在多个不同温度条件下的菌落总数TCP预测结果图,其中(a)~(d)分别为Facformer模型测试阶段草鱼在4℃、20℃、36℃、40℃下的菌落总数TCP预测结果图;
图12为Facformer模型测试阶段草鱼在多个不同温度条件下的挥发性盐基氮TVB-N预测结果图,其中(a)~(d)分别为Facformer模型测试阶段草鱼在4℃、20℃、36℃、40℃下的挥发性盐基氮TVB-N预测结果图;
图13为基于一级动力学方程构建的菌落总数TCP预测模型的草鱼在多个不同温度条件下的菌落总数TCP预测结果图,其中(a)~(d)分别为基于一级动力学方程构建的菌落总数TCP预测模型的草鱼在4℃、20℃、36℃、40℃下的菌落总数TCP预测结果图;
图14为基于一级动力学方程构建的挥发性盐基氮TVB-N预测模型的草鱼在多个不同温度条件下的TVB-N预测结果图,其中(a)~(d)分别为基于一级动力学方程构建的挥发性盐基氮TVB-N预测模型的草鱼在4℃、20℃、36℃、40℃下的挥发性盐基氮TVB-N预测结果图;
图15为Facformer模型实际预测阶段草鱼在20℃下的品质指标预测结果图,(A)为Facformer模型实际预测阶段草鱼在20℃下的菌落总数TCP预测结果图,(B)为Facformer模型实际预测阶段草鱼在20℃下的挥发性盐基氮TVB-N预测结果图;
图16为Facformer模型实际预测阶段草鱼在20℃下的品质指标预测结果与真实值对比图,(A)为Facformer模型实际预测阶段草鱼在20℃下的菌落总数TCP预测结果与真实值对比图,(B)为Facformer模型实际预测阶段草鱼在20℃下的挥发性盐基氮TVB-N预测结果与真实值对比图。
具体实施方式
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,所描述的实施例仅仅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做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。
近年来,随机森林、递归神经网络、卷积神经网络和Autoformer等基于时间序列预测的机器/深度学习算法通过不间断的自主学习,从多维数据中解析样本的细微特征以显著减少动力学分析过程中潜在的拟合错误,并稳健地执行各种任务,如全球天气预测、地震震源检测和降雨量预测等。
然而,目前机器学习或深度学习算法在水产品货架期预测领域的研究几乎空白,缺乏有效的理论支持和系统性研究,且尚未发现任何一种能够实现变温环境下水产品货架期精准预测的模型。
因此,发明人设想将机器/深度学习应用于水产品货架期预测领域,并认为现阶段亟需建立一种能够对变温环境下水产品货架期进行精准预测的深度学习算法来解决上述问题。
实施例一,以灭菌虾酱作为实验对象,货架期预测步骤如下:
1.选取灭菌虾酱(挥发性盐基氮TVB-N为43mg/100g,菌落总数TCP为50CFU)待检;
2.测定灭菌虾酱中的挥发性盐基氮TVB-N按如下步骤进行:
(1)取灭菌虾酱10g,放置于蒸馏管内,加入75mL蒸馏水充分振荡后,浸渍30min;
(2)采用自动凯氏定氮仪法,在蒸馏管中加入1g氯化镁,立即连接到蒸馏器上,并设定仪器的参数为:硼酸接受液30mL,蒸馏时间180s或蒸馏体积200mL,0.1000mol/L的盐酸作为标准滴定溶液,采用自定电位滴定方式判断终点(终点pH=4.65),测定完毕后及时清洗仪器;
(3)虾酱中挥发性盐基氮TVB-N按下式计算:
其中,V 1为试液消耗盐酸标准滴定溶液的体积,V 2为试剂空白消耗盐酸标准滴定溶液的体积,c为盐酸标准滴定溶液的浓度,14为滴定1mL盐酸[c(HCl)=1.000mol/L]标准滴定溶液相当于氮的质量,M为样品的质量,100为换算系数;
3.测定灭菌虾酱中的菌落总数TCP按如下步骤进行:
(1)取25g虾酱放入盛有225mL生理盐水的无菌均质袋中,均质1~2min,制成1:10的样品匀液,并按照10倍系列稀释法制备稀释样品匀液;
(2)选择2~3个稀释度的样品匀液,吸取1mL样品匀液于无菌平皿内,将46℃的计数琼脂培养基倾注平板,并设置空白对照,待琼脂凝固后置于30℃培养72h;
(3)记录平板稀释倍数和相应的菌落数量,选取菌落总数TCP在30CFU~300CFU之间且稀释度连续的平板计数,虾酱中的菌落总数TCP按下式计算:
其中,为平板菌落数之和,n 1为低稀释倍数平板个数,n 2为高稀释倍数平板个数,d为低稀释倍数稀释因子;
4.将灭菌虾酱分别置于4℃、8℃、12℃、16℃、20℃、22℃、24℃、28℃、32℃、36℃和40℃的恒温箱中,固定每日傍晚7点取样并在无菌环境中测定虾酱样品在不同温度条件下的菌落总数TCP和挥发性盐基氮TVB-N的数值,取样前采用无菌玻璃棒充分搅拌样品并确保每次的取样位置和取样质量一致,连续测样60天,此时训练数据集共包含1320条时序数据;
将时序数据按7:2:1比例划分为训练数据集、验证数据集和测试数据集,并进行标准化处理建立时序数据集;
5.在Python3.7语言环境中定义Facformer模型,如图1所示,Facformer模型主要包括数据嵌入层、编码器和解码器三部分;
6.如图2所示,Facformer模型的数据嵌入步骤如下:
采用数值嵌入模块将1320条时序数据集中的水产品菌落总数TPC和挥发性盐基氮TVB-N的测定数值转化为能够被模型识别的矩阵语言,采用位置嵌入模块将水产品的菌落总数TPC和挥发性盐基氮TVB-N的测定数值转化为带有时间序列特征的矩阵语言,采用标记信息嵌入模块将未来的温度转化为矩阵语言,若测定数据为离散型变量,则测定数值的权重信息经过Relu损失函数、前馈神经网络和循环编码层后转化为能够被模型识别的矩阵语言,若测定数据为连续型变量,则直接将测定数值的权重信息经过前馈神经网络和带有线性变换的嵌入层转化为能够被模型识别的矩阵语言;带有位置信息的测定数值被模型转化为Xi特征矩阵,天数、温度和其他指标的数值被模型转化为XMi特征矩阵,同时包含测定数值、天数、温度和其他指标的数值则被模型转化为XXMi特征矩阵,最终经过编码器输出后的测定数值、天数、温度和其他指标的数值被模型分别转化为XPi、XPMi和XXPMi特征矩阵;
7.如图3所示,Facformer模型的编码器工作原理如下:
原始的时序数据集经数据嵌入层得到特征矩阵后,各特征矩阵经过不同的线性变换矩阵WQ、WK和WV分别线性化为矩阵Q、矩阵K和矩阵V,随后模型将对矩阵Q和矩阵K进行点积运算,得到包含有水产品菌落总数TPC和挥发性盐基态氮TVB-N的权值得分的权值矩阵;对权值矩阵进行归一化降维处理得到加权系数矩阵,乘以每个位置对应的矩阵V,相加后得到经单头自注意力机制编码的输出矩阵;
为增加Facformer模型的运算速度,将共计h个并行的单头自注意力机制得到的输出矩阵Zi相加得到一个综合编码矩阵,综合编码矩阵首先经过前馈神经网络中的全连接层升维后引用Relu函数降维,随后基于归一化层将降维后的矩阵标准化处理,通过残差神经网络与原始的特征输入矩阵相加增加模型的鲁棒性,最终得到一个经过矩阵编码的包含水产品贮藏时间,贮藏温度,贮藏期间的菌落总数TPV和挥发性盐基氮TVB-N的详细权重信息的水产品时序数据集查询词典;
其中,Xi特征矩阵经编码器-a转换后得到Ka和Va矩阵;XMi特征矩阵经编码器-b转换后得到Kb和Vb矩阵;XXMi特征矩阵经编码器-c转换后得到Kc和Vc矩阵,用于后续解码器的解码工作;
8.如图4所示,Facformer模型的解码器工作原理如下:
经编码器得到的输出矩阵XPi和XXPMi经过两个不同的线性变换层转化为矩阵Q、矩阵K和矩阵V,其中带有样品权重信息的矩阵Q和矩阵K会经过遮掩矩阵将可能影响样品预测结果的环境噪音遮盖去除,经过降维后得到经过遮掩处理的预测矩阵;
将遮掩处理的预测矩阵经过遮掩自注意力机制层时生成的Qa矩阵和Qc矩阵向下传递,并将其与编码器中传递过来的矩阵K和矩阵V经过第二层自注意力机制计算待预测数据的实际权重信息,并将实际权重信息与编码层得到的查询词典进行比对,得到预测矩阵;其中,XPi生成的Qa矩阵将与编码器-a传递的Ka矩阵和Va矩阵结合用于信息的解码,XXPMi生成的Qc矩阵将与编码器-c传递的Kc矩阵和Vc矩阵结合用于信息的解码;
对天数、温度和其他指标经过嵌入层得到的输出矩阵XPMi不采用遮掩矩阵遮掩,其经过线性变换层后,直接经过自注意力机制层将只带有未来温度信息而不带有其余环境噪音信息的Qb矩阵向下层传递,Qb矩阵会经过3个并行的运算机制对水产品在未来真实变温条件的品质指标进行预测:1、首先,Qb矩阵会通过Fac-自注意力机制,使用编码器-a中传过来的矩阵Ka和编码器-b传过来的矩阵Vb结合,同时使用编码器-b中传过来的矩阵Kb和编码器-a传过来的矩阵Va结合,将两者结合共同计算待预测数据的实际权重信息,并将该权重信息与编码层得到的查询词典进行比对获得预测矩阵;2、其次,XPMi在输入第一层多头自注意力机制时使用遮掩矩阵将全部环境噪音经过遮盖去除,经过遮掩自注意力机制层时生成的Qb矩阵将与编码器中传递过来的矩阵Kb和矩阵Vb经过第二层自注意力机制计算待预测数据的实际权重信息,从而作为矫正矩阵提高预测的准确率;3、最后,Qb矩阵通过卷积神经网络用于对待预测数据直接进行数据拟合,并作为矫正矩阵用于提高模型预测的准确率;
9.输出矩阵XPi、XPMi和XXPMi经过解码器得到的预测矩阵会分别通过前馈神经网络升高矩阵的维度从而更细致地对数据进行综合预测,并经过归一化层、线性变换层和降维层将预测矩阵中包含的预测权重信息重新映射为时序数值,得到预测结果,从而完成对水产品菌落总数TPC、挥发性盐基氮TVB-N和货架期的预测;
10.基于Python环境中PyTorch库含有的nn.Module类构建Facformer的深度学习初始模型,确定Facformer模型步骤如下:
(1)在训练阶段将训练数据集输入到Facformer模型,对模型超参数进行训练;
(2)在验证阶段将验证数据集输入到训练的Facformer模型中,来微调超参数;
经过微调后,Facformor模型的参数为:编码器层数为2,解码器层数为1,batch_size设为6、优化器学习率为0.0001、trainepochs为10,参数earlystoppingpatience设为3,同时设置Gelu为Facformer模型最后Forward层的激活函数;
(3)在测试阶段将测试数据集输入到构建好的Facformer模型中,使用平均绝对百分比误差(MAPE)和均方百分比误差(MSPE)评估模型预测性能,模型预测结果如图5和图6所示;
并将其与传统模型的预测结果比对,由于基于菌落总数TCP构建的零级方程的拟合系数R2=10.6554,而其一级动力学方程的拟合系数R2(10.6920)大于零级方程,因此在这里我们选择采用一级动力学方程来构建基于菌落总数TCP的预测模型,如图7所示。同样的,选择一级动力学方程构建基于挥发性盐基氮TVB-N的预测模型,如图8所示;
由图5、图6、图7和图8可知,尽管传统模型在低温环境下的预测结果与真实值较为接近,但是其在高温环境下的差距特别明显,预测性能差。而Facformer模型无论是在低温还是在高温环境下,其预测性能均显著优于传统模型,表现出强大的预测能力;
11.变温环境下灭菌虾酱品质指标的预测主要包括以下步骤:
(1)选择待预测灭菌虾酱样品;
(2)基于步骤2、3测定灭菌虾酱样品在连续30天内的温度、菌落总数TCP和挥发性盐基氮TVB-N,并进行记录,如表1所示;
表1
(3)记录灭菌虾酱从30到60天内的温度数据,将连续30天内的温度、菌落总数TCP和挥发性盐基氮TVB-N的数据、以及30到60天内的温度数据导入到预先训练好的Facformer模型进行推理,得到变温条件下虾酱的菌落总数TCP和挥发性盐基氮TVB-N的预测值,如图9所示;
12.根据实际情况选择相应的国家标准、地方标准或企业标准,将中华人民共和国国内贸易行业标准《虾酱SB/T10525-2009》中规定的虾酱挥发性盐基氮TVB-N和菌落总数TCP的限定标准(450mg/100g和8000CFU)输入到Facformer模型中,通过与步骤11预测得到的虾酱菌落总数TCP和挥发性盐基氮TVB-N进行对比,发现变温环境下基于挥发性盐基氮TVB-N的灭菌虾酱货架期为47天,基于菌落总数TCP的灭菌虾酱货架期为38天;
13.为验证模型在变温环境下的预测能力,对步骤11中的灭菌虾酱样品在第30到第60天实际的菌落总数TCP和挥发性盐基氮TVB-N的含量进行测定,并与步骤11中的结果比对,如图10所示,结果发现Facformer模型对变温环境下菌落总数TCP和挥发性盐基氮TVB-N的预测值与真实值相比不存在显著差异。
实施例二,以生鲜草鱼作为实验对象,货架期预测步骤如下:
1.选取生鲜草鱼(挥发性盐基氮TVB-N为7mg/100g,菌落总数TCP为300CFU)待检,去除鱼皮、鱼头、内脏和骨刺,取可食用部分,备用待检;
2.测定草鱼中的挥发性盐基氮TVB-N按如下步骤进行:
(1)取草鱼10g,放置于蒸馏管内,加入75mL蒸馏水充分振荡后,浸渍30min;
(2)采用自动凯氏定氮仪法,在蒸馏管中加入1g氯化镁,立即连接到蒸馏器上,并设定仪器的参数为:硼酸接受液30mL,蒸馏时间180s或蒸馏体积200mL,0.1000mol/L的盐酸作为标准滴定溶液,采用自定电位滴定方式判断终点(终点pH=4.65),测定完毕后及时清洗仪器;
(3)草鱼中挥发性盐基氮TVB-N按下式计算:
其中,V 1为试液消耗盐酸标准滴定溶液的体积,V 2为试剂空白消耗盐酸标准滴定溶液的体积,c为盐酸标准滴定溶液的浓度,14为滴定1mL盐酸[c(HCl)=1.000mol/L]标准滴定溶液相当于氮的质量,M为样品的质量,100为换算系数;
3.测定草鱼中的菌落总数TCP按如下步骤进行:
(1)取25g草鱼放入盛有225mL生理盐水的无菌均质袋中,均质1~2min,制成1:10的样品匀液,并按照10倍系列稀释法制备稀释样品匀液;
(2)选择2~3个稀释度的样品匀液,吸取1mL样品匀液于无菌平皿内,将46℃的计数琼脂培养基倾注平板,并设置空白对照,待琼脂凝固后置于30℃培养72h;
(3)记录平板稀释倍数和相应的菌落数量,选取菌落总数TCP在30CFU~300CFU之间且稀释度连续的平板计数,草鱼中的菌落总数TCP按下式计算:
其中,为平板菌落数之和,n 1为低稀释倍数平板个数,n 2为高稀释倍数平板个数,d为低稀释倍数稀释因子;
4.将灭菌后的草鱼冷却至室温后,分别将它们置于4℃、20℃、36℃和40℃的恒温箱中,固定每日傍晚7点取样并在无菌环境中测定草鱼样品在不同温度条件下的菌落总数TCP和挥发性盐基氮TVB-N的数值,取样前采用无菌玻璃棒充分搅拌样品并确保每次的取样位置和取样质量一致,连续测样30天,此时训练数据集共包含240条时序数据;
将时序数据按7:2:1比例划分为训练数据集、验证数据集和测试数据集,并进行标准化处理建立时序数据集;
5.在Python3.7语言环境中定义Facformer模型,如图1所示,Facformer模型主要包括数据嵌入层、编码器和解码器三部分;
6.如图2所示,Facformer模型的数据嵌入步骤如下:
采用数值嵌入模块将240条时序数据集中的水产品菌落总数TPC和挥发性盐基氮TVB-N的测定数值转化为能够被模型识别的矩阵语言,采用位置嵌入模块将水产品的菌落总数TPC和挥发性盐基氮TVB-N的测定数值转化为带有时间序列特征的矩阵语言,采用标记信息嵌入模块将未来的温度转化为矩阵语言,若测定数据为离散型变量,则测定数值的权重信息经过Relu损失函数、前馈神经网络和循环编码层后转化为能够被模型识别的矩阵语言,若测定数据为连续型变量,则直接将测定数值的权重信息经过前馈神经网络和带有线性变换的嵌入层转化为能够被模型识别的矩阵语言;带有位置信息的测定数值被模型转化为Xi特征矩阵,天数、温度和其他指标的数值被模型转化为XMi特征矩阵,同时包含测定数值、天数、温度和其他指标的数值则被模型转化为XXMi特征矩阵,最终经过编码器输出后的测定数值、天数、温度和其他指标的数值被模型分别转化为XPi、XPMi和XXPMi特征矩阵;
7.如图3所示,Facformer模型的编码器工作原理如下:
原始的时序数据集经数据嵌入层得到特征矩阵后,各特征矩阵经过不同的线性变换矩阵WQ、WK和WV分别线性化为矩阵Q、矩阵K和矩阵V,随后模型将对矩阵Q和矩阵K进行点积运算,得到包含有水产品菌落总数TPC和挥发性盐基态氮TVB-N的权值得分的权值矩阵;对权值矩阵进行归一化降维处理得到加权系数矩阵,乘以每个位置对应的矩阵V,相加后得到经单头自注意力机制编码的输出矩阵;
为增加Facformer模型的运算速度,将共计h个并行的单头自注意力机制得到的输出矩阵Zi相加得到一个综合编码矩阵,综合编码矩阵首先经过前馈神经网络中的全连接层升维后引用Relu函数降维,随后基于归一化层将降维后的矩阵标准化处理,通过残差神经网络与原始的特征输入矩阵相加增加模型的鲁棒性,最终得到一个经过矩阵编码的包含水产品贮藏时间,贮藏温度,贮藏期间的菌落总数TPV和挥发性盐基氮TVB-N的详细权重信息的水产品时序数据集查询词典;
其中,Xi特征矩阵经编码器-a转换后得到Ka和Va矩阵;XMi特征矩阵经编码器-b转换后得到Kb和Vb矩阵;XXMi特征矩阵经编码器-c转换后得到Kc和Vc矩阵,用于后续解码器的解码工作;
8.如图4所示,Facformer模型的解码器工作原理如下:
经编码器得到的输出矩阵XPi和XXPMi经过两个不同的线性变换层转化为矩阵Q、矩阵K和矩阵V,其中带有样品权重信息的矩阵Q和矩阵K会经过遮掩矩阵将可能影响样品预测结果的环境噪音遮盖去除,经过降维后得到经过遮掩处理的预测矩阵;
将遮掩处理的预测矩阵经过遮掩自注意力机制层时生成的Qa矩阵和Qc矩阵向下传递,并将其与编码器中传递过来的矩阵K和矩阵V经过第二层自注意力机制计算待预测数据的实际权重信息,并将实际权重信息与编码层得到的查询词典进行比对,得到预测矩阵;其中,XPi生成的Qa矩阵将与编码器-a传递的Ka矩阵和Va矩阵结合用于信息的解码,XXPMi生成的Qc矩阵将与编码器-c传递的Kc矩阵和Vc矩阵结合用于信息的解码;
对天数、温度和其他指标经过嵌入层得到的输出矩阵XPMi不采用遮掩矩阵遮掩,其经过线性变换层后,直接经过自注意力机制层将只带有未来温度信息而不带有其余环境噪音信息的Qb矩阵向下层传递,Qb矩阵会经过3个并行的运算机制对水产品在未来真实变温条件的品质指标进行预测:1、首先,Qb矩阵会通过Fac-自注意力机制,使用编码器-a中传过来的矩阵Ka和编码器-b传过来的矩阵Vb结合,同时使用编码器-b中传过来的矩阵Kb和编码器-a传过来的矩阵Va结合,将两者结合共同计算待预测数据的实际权重信息,并将该权重信息与编码层得到的查询词典进行比对获得预测矩阵;2、其次,XPMi在输入第一层多头自注意力机制时使用遮掩矩阵将全部环境噪音经过遮盖去除,经过遮掩自注意力机制层时生成的Qb矩阵将与编码器中传递过来的矩阵Kb和矩阵Vb经过第二层自注意力机制计算待预测数据的实际权重信息,从而作为矫正矩阵提高预测的准确率;3、最后,Qb矩阵通过卷积神经网络用于对待预测数据直接进行数据拟合,并作为矫正矩阵用于提高模型预测的准确率;
9.输出矩阵XPi、XPMi和XXPMi经过解码器得到的预测矩阵会分别通过前馈神经网络升高矩阵的维度从而更细致地对数据进行综合预测,并经过归一化层、线性变换层和降维层将预测矩阵中包含的预测权重信息重新映射为时序数值,得到预测结果,从而完成对水产品菌落总数TPC、挥发性盐基氮TVB-N和货架期的预测;
10.基于Python环境中PyTorch库含有的nn.Module类构建Facformer的深度学习初始模型,确定Facformer模型步骤如下:
(1)在训练阶段将训练数据集输入到Facformer模型,对模型超参数进行训练;
(2)在验证阶段将验证数据集输入到训练的Facformer模型中,来微调超参数;
经过微调后,Facformor模型的参数为:编码层数为2,解码层数为1,batch_size设为6、优化器学习率为0.0001、trainepochs为10,参数earlystoppingpatience设为3,同时设置Gelu为Facformer模型最后Forward层的激活函数;
(3)在测试阶段将测试数据集输入到构建好的Facformer模型中,使用平均绝对百分比误差(MAPE)和均方百分比误差(MSPE)评估模型预测性能,模型预测结果如图11和图12所示;
并将其与传统模型的预测结果比对,由于基于菌落总数TCP构建的零级方程的拟合系数R2=10.7321,而基于一级动力学方程的拟合系数R2(10.7439)大于零级方程,因此在这里我们选择采用一级动力学方程来构建基于菌落总数TCP的预测模型,如图13所示。同样的,选择一级动力学方程构建基于挥发性盐基氮TVB-N的预测模型,如图14所示;
由图11、图12、图13和图14可知,尽管传统模型在低温环境下的预测结果与真实值较为接近,但是其在高温环境下的差距特别明显,预测性能差。而Facformer模型无论是在低温还是在高温环境下,其预测性能均显著优于传统模型,表现出强大的预测能力;
11.变温环境下草鱼品质指标的预测主要包括以下步骤:
(1)选择待预测草鱼样品;
(2)基于步骤2、3测定草鱼样品在连续7天内的温度、菌落总数TCP和挥发性盐基氮TVB-N,并进行记录,如表2所示;
表2
(3)记录草鱼从7到30天内的温度数据,将连续7天内的温度、菌落总数TCP和挥发性盐基氮TVB-N的数据、以及7到30天内的温度数据导入到预先训练好的Facformer模型进行推理,得到变温条件下草鱼的菌落总数TCP和挥发性盐基氮TVB-N的预测值,如图15所示;
12.根据实际情况选择相应的国家标准、地方标准或企业标准,将中华人民共和国食品安全国家标准动物性水产制品《GB10136-2015》中规定的草鱼挥发性盐基氮TVB-N和菌落总数TCP的限定标准(30mg/100g和10000CFU)输入到Facformer模型中,通过与步骤11预测得到的草鱼菌落总数TCP和挥发性盐基氮TVB-N进行对比,发现变温环境下基于挥发性盐基氮TVB-N的草鱼货架期为11天,基于菌落总数TCP的草鱼货架期为7天;
13.为验证模型在变温环境下的预测能力,对步骤11中的草鱼样品在第7到第30天实际的菌落总数TCP和挥发性盐基氮TVB-N的含量进行测定,并与步骤11中的结果比对,如图16所示,结果发现Facformer模型对变温环境下菌落总数TCP和挥发性盐基氮TVB-N的预测值与真实值相比不存在显著差异。
虽然本发明已以实施例揭示如上,然其并非用以限定本发明,任何所属技术领域中技术人员,在不脱离本发明的精神和范围内,当可作些许的更改与润饰,故本发明的保护范围当视权利要求所界定的为准。
Claims (4)
1.一种变温环境下水产品货架期高精度预测方法,其特征在于,包括:
预先构建并训练Facformer模型,用以预测水产品货架期;
获取待预测的水产品;
测定水产品在连续p天内的温度、菌落总数TCP和挥发性盐基氮TVB-N,并进行记录;
记录水产品从p到q天内的温度数据,将连续p天内的温度、菌落总数TCP和挥发性盐基氮TVB-N的数据、以及p到q天内的温度数据导入到预先训练好的Facformer模型进行推理,得到变温条件下的水产品菌落总数TCP和挥发性盐基氮TVB-N的预测值;
将水产品中的挥发性盐基氮TVB-N和菌落总数TCP的限定标准输入到Facformer模型中,通过与预测得到的水产品菌落总数TCP和挥发性盐基氮TVB-N进行对比,得到变温条件下水产品货架期的预测值。
2.根据权利要求1所述的变温环境下水产品货架期高精度预测方法,其特征在于,所述预先构建并训练Facformer模型,包括:
准备水产品,并去除水产品的外壳、内脏和骨刺,取可食用部分;
将水产品放置在4℃~40℃中随机m个温度的恒温培养箱中,每日固定时间取样并测定样品在不同温度条件下菌落总数TCP和挥发性盐基氮TVB-N,连续测样n天,得到包含m×n×2条时序数据;
将时序数据划分为训练数据集、验证数据集和测试数据集,并进行标准化处理建立时序数据集;
在Python3.7语言环境中定义Facformer模型,Facformer模型主要包括数据嵌入层、编码器和解码器三部分;
Facformer模型的数据嵌入层工作步骤如下:
采用数值嵌入模块将时序数据集中的水产品菌落总数TPC和挥发性盐基氮TVB-N的测定数值转化为能够被模型识别的矩阵语言,采用位置嵌入模块将水产品的菌落总数TPC和挥发性盐基氮TVB-N的测定数值按照贮藏时间的先后顺序在矩阵中进行排列,转化为带有时间序列特征的矩阵语言,采用标记信息嵌入模块将未来的温度转化为矩阵语言,以作为Facformer模型的矫正因子用于修正水产品在未来变温条件下贮藏时水产品菌落总数TPC和挥发性盐基氮TVB-N的真实变化,若测定数据为离散型变量,则测定数值的权重信息经过Relu损失函数、前馈神经网络和循环编码层后转化为能够被模型识别的矩阵语言,若测定数据为连续型变量,则直接将测定数值的权重信息经过前馈神经网络和带有线性变换的嵌入层转化为能够被模型识别的矩阵语言;
通过数据嵌入层处理,带有位置信息的测定数值被模型转化为Xi特征矩阵,天数、温度和其他指标的数值被模型转化为XMi特征矩阵,包含测定数值、天数、温度和其他指标的数值则被模型转化为XXMi特征矩阵,最终经过编码器输出后的测定数值、天数、温度和其他指标的数值被模型分别转化为XPi、XPMi和XXPMi特征矩阵;
Facformer模型的编码器建立步骤如下:
Facformer模型的编码器由3个并行的编码器模块a、b、c构成,是Facformer模型的输入端,原始的时序数据集经数据嵌入层得到特征矩阵后,各特征矩阵经过不同的线性变换矩阵WQ、WK和WV分别线性化为矩阵Q、矩阵K和矩阵V,用于记载自身的特征信息,随后模型将对矩阵Q和矩阵K进行点积运算,得到包含有水产品菌落总数TPC和挥发性盐基态氮TVB-N的权值得分的权值矩阵;对权值矩阵进行归一化降维处理得到加权系数矩阵,乘以每个位置对应的矩阵V,相加后得到经单头自注意力机制编码的输出矩阵;
为增加Facformer模型的运算速度,将共计h个并行的单头自注意力机制得到的输出矩阵Zi相加,即经过h个自注意力机制并行运算后得到一个综合编码矩阵,综合编码矩阵首先经过前馈神经网络中的全连接层升维后引用Relu函数降维,随后基于归一化层将降维后的矩阵标准化处理,通过残差神经网络与原始的特征输入矩阵相加增加模型的鲁棒性,最终得到一个经过矩阵编码的包含水产品贮藏时间,贮藏温度,贮藏期间的菌落总数TPV和挥发性盐基氮TVB-N的详细权重信息的水产品时序数据集查询词典;
其中,Xi特征矩阵经编码器-a转换后得到Ka和Va矩阵;XMi特征矩阵经编码器-b转换后得到Kb和Vb矩阵;XXMi特征矩阵经编码器-c转换后得到Kc和Vc矩阵,用于后续解码器的解码工作;
Facformer模型的解码器建立步骤如下:
Facformer的解码器由3个并行的解码器模块构成,每个解码器模块包含至少两个自注意力机制用于解析矩阵的权重信息,是Facformer模型的预测端和输出端;
经编码器得到的输出矩阵XPi和XXPMi经过两个不同的线性变换层转化为矩阵Q、矩阵K和矩阵V,其中带有样品权重信息的矩阵Q和矩阵K会经过遮掩矩阵将可能影响样品预测结果的环境噪音遮盖去除,经过降维后得到经过遮掩处理的预测矩阵;
将遮掩处理的预测矩阵经过遮掩自注意力机制层时生成的Qa矩阵和Qc矩阵向下传递,并将其与编码器中传递过来的矩阵K和矩阵V经过第二层自注意力机制计算待预测数据的实际权重信息,并将实际权重信息与编码层得到的查询词典进行比对,得到预测矩阵;其中,XPi生成的Qa矩阵将与编码器-a传递的Ka矩阵和Va矩阵结合用于信息的解码,XXPMi生成的Qc矩阵将与编码器-c传递的Kc矩阵和Vc矩阵结合用于信息的解码;
对天数、温度和其他指标经过嵌入层得到的输出矩阵XPMi不采用遮掩矩阵遮掩,其经过线性变换层后,直接经过自注意力机制层将只带有未来温度信息而不带有其余环境噪音信息的Qb矩阵向下层传递,Qb矩阵会经过3个并行的运算机制对水产品在未来真实变温条件的品质指标进行预测:1、首先,Qb矩阵会通过Fac-自注意力机制,使用编码器-a中传过来的矩阵Ka和编码器-b传过来的矩阵Vb结合,同时使用编码器-b中传过来的矩阵Kb和编码器-a传过来的矩阵Va结合,将两者结合共同计算待预测数据的实际权重信息,并将该权重信息与编码层得到的查询词典进行比对获得预测矩阵;2、其次,XPMi在输入第一层多头自注意力机制时使用遮掩矩阵将全部环境噪音经过遮盖去除,经过遮掩自注意力机制层时生成的Qb矩阵将与编码器中传递过来的矩阵Kb和矩阵Vb经过第二层自注意力机制计算待预测数据的实际权重信息,从而作为矫正矩阵提高预测的准确率;3、最后,Qb矩阵通过卷积神经网络用于对待预测数据直接进行数据拟合,并作为矫正矩阵用于提高模型预测的准确率;
输出矩阵XPi、XPMi和XXPMi经过解码器得到的预测矩阵会分别通过前馈神经网络升高矩阵的维度从而更细致地对数据进行综合预测,并经过归一化层、线性变换层和降维层将预测矩阵中包含的预测权重信息重新映射为时序数值,得到预测结果,从而完成对水产品菌落总数TPC、挥发性盐基氮TVB-N和货架期的预测;
确定Facformer模型步骤如下:
在训练阶段将训练数据集输入到Facformer模型,对模型超参数进行训练;
在验证阶段将验证数据集输入到训练的Facformer模型中,来微调超参数;
在测试阶段将测试数据集输入到构建好的Facformer模型中,使用平均绝对误差MAE、均方误差MSE、均方根误差RMSE、平均绝对百分比误差MAPE和均方百分比误差MSPE评估模型预测性能,获得Facformer模型。
3.根据权利要求1和2任一项所述的变温环境下水产品货架期高精度预测方法,其特征在于,所述测定水产品中的挥发性盐基氮TVB-N按如下步骤进行:
取一定量的水产品,放置于蒸馏管内,加入蒸馏水充分振荡后,浸渍一段时间;
采用自动凯氏定氮仪法,在蒸馏管中加入氯化镁,立即连接到蒸馏器上,并设定仪器的参数为:硼酸接受液体积,蒸馏时间或蒸馏体积,0.1000mol/L的盐酸作为标准滴定溶液,采用自定电位滴定方式判断终点,测定完毕后及时清洗仪器;
水产品中挥发性盐基氮TVB-N按下式计算:
其中,V 1为试液消耗盐酸标准滴定溶液的体积,V 2为试剂空白消耗盐酸标准滴定溶液的体积,c为盐酸标准滴定溶液的浓度,14为滴定1mL盐酸[c(HCl)=1.000mol/L]标准滴定溶液相当于氮的质量,M为样品的质量,100为换算系数。
4.根据权利要求1和2任一项所述的变温环境下水产品货架期高精度预测方法,其特征在于,所述测定水产品中的菌落总数TCP按如下步骤进行:
取一定量水产品放入盛有生理盐水的无菌均质袋中,均质一段时间,制成1:10的样品匀液,并按照10倍系列稀释法制备稀释样品匀液;
选择2~3个稀释度的样品匀液,吸取样品匀液于无菌平皿内,将46℃的计数琼脂培养基倾注平板,并设置空白对照,待琼脂凝固后置于30℃培养;
记录平板稀释倍数和相应的菌落数量,选取菌落总数TCP在30CFU~300CFU之间且稀释度连续的平板计数,水产品中的菌落总数TCP按下式计算:
其中,/>为平板菌落数之和,n 1为低稀释倍数平板个数,n 2为高稀释倍数平板个数,d为低稀释倍数稀释因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410032045.0A CN117540282B (zh) | 2024-01-10 | 2024-01-10 | 一种变温环境下水产品货架期高精度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410032045.0A CN117540282B (zh) | 2024-01-10 | 2024-01-10 | 一种变温环境下水产品货架期高精度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117540282A true CN117540282A (zh) | 2024-02-09 |
CN117540282B CN117540282B (zh) | 2024-03-22 |
Family
ID=89794299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410032045.0A Active CN117540282B (zh) | 2024-01-10 | 2024-01-10 | 一种变温环境下水产品货架期高精度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117540282B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650291A (zh) * | 2017-01-03 | 2017-05-10 | 上海海洋大学 | 一种预测三文鱼货架期的模型 |
CN114582429A (zh) * | 2022-03-03 | 2022-06-03 | 四川大学 | 基于层次注意力神经网络的结核分枝杆菌耐药性预测方法及装置 |
CN115984933A (zh) * | 2022-12-29 | 2023-04-18 | 浙江极氪智能科技有限公司 | 人脸动画模型的训练方法、语音数据处理方法和装置 |
WO2023097290A1 (en) * | 2021-11-23 | 2023-06-01 | Lifemine Therapeutics, Inc. | Deep learning methods for biosynthetic gene cluster discovery |
CN116975199A (zh) * | 2023-03-30 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 一种文本预测方法、装置、设备和存储介质 |
CN117059103A (zh) * | 2023-10-12 | 2023-11-14 | 慧言科技(天津)有限公司 | 基于低秩矩阵近似的语音识别微调任务的加速方法 |
-
2024
- 2024-01-10 CN CN202410032045.0A patent/CN117540282B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650291A (zh) * | 2017-01-03 | 2017-05-10 | 上海海洋大学 | 一种预测三文鱼货架期的模型 |
WO2023097290A1 (en) * | 2021-11-23 | 2023-06-01 | Lifemine Therapeutics, Inc. | Deep learning methods for biosynthetic gene cluster discovery |
CN114582429A (zh) * | 2022-03-03 | 2022-06-03 | 四川大学 | 基于层次注意力神经网络的结核分枝杆菌耐药性预测方法及装置 |
CN115984933A (zh) * | 2022-12-29 | 2023-04-18 | 浙江极氪智能科技有限公司 | 人脸动画模型的训练方法、语音数据处理方法和装置 |
CN116975199A (zh) * | 2023-03-30 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 一种文本预测方法、装置、设备和存储介质 |
CN117059103A (zh) * | 2023-10-12 | 2023-11-14 | 慧言科技(天津)有限公司 | 基于低秩矩阵近似的语音识别微调任务的加速方法 |
Non-Patent Citations (2)
Title |
---|
张渤函: "基于特征挥发性气味物质的冷藏大黄鱼新鲜度 预测模型构建", 《渤海大学学报》, 30 June 2022 (2022-06-30) * |
杨志伟: "牡蛎资源的产业现状与食品加工研究进展", 《农产品加工》, 31 March 2023 (2023-03-31) * |
Also Published As
Publication number | Publication date |
---|---|
CN117540282B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095550B (zh) | 基于变分递归网络和自注意力机制的空气质量预测方法 | |
CN109781934A (zh) | 环境传感器检测数据的处理装置、处理方法、计算机可读存储介质、以及环境传感器系统 | |
CN108710974A (zh) | 一种基于深度置信网络的水体氨氮预测方法及装置 | |
CN113411216B (zh) | 基于离散小波变换和fa-elm的网络流量预测方法 | |
CN103632032A (zh) | 一种城市污水处理过程出水指标在线软测量预测方法 | |
CN112989704B (zh) | 一种基于de算法的irfm-cmnn出水bod浓度预测方法 | |
CN114358435A (zh) | 双阶段时空注意力机制的污染源-水质预测模型权重影响计算方法 | |
CN114662389B (zh) | 面向空气污染物的自相关误差Informer模型长时序预测方法及系统 | |
CN115561416A (zh) | 污水处理厂进水水质实时检测方法和装置 | |
CN115376638A (zh) | 一种基于多源健康感知数据融合的生理特征数据分析方法 | |
CN112819244B (zh) | 一种基于气象因子的rf-hw水质指标混合预测方法 | |
CN117540282B (zh) | 一种变温环境下水产品货架期高精度预测方法 | |
CN113609766B (zh) | 一种基于深度概率潜隐模型的软测量方法 | |
CN114638358A (zh) | 消光系数转颗粒物浓度方法、设备以及计算机存储介质 | |
CN1996192A (zh) | 基于仿生智能的工业软测量仪表及软测量方法 | |
CN116483036B (zh) | 一种基于Transformer的自编码器软测量建模方法 | |
CN110909492B (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
CN113295625B (zh) | 基于极端梯度提升的机器视觉染料浓度光谱检测方法 | |
CN118248244B (zh) | 一种基于STL-Transformer的臭氧浓度预测方法 | |
Wang et al. | Dual Cross-Attention Transformer Networks for Temporal Predictive Modeling of Industrial Process | |
CN110543931A (zh) | 一种基于时刻关联网络的pm2.5浓度值预测方法 | |
CN108334975B (zh) | 面向无水贮藏环境下的氧气含量动态预测方法及装置 | |
Xu et al. | Freshness prediction method of large yellow croaker based on Internet of Things and neural network | |
CN115808504B (zh) | 一种用于浓度预测的气体传感器在线漂移补偿方法 | |
CN115166176B (zh) | 一种基于tcn模型的池塘溶解氧浓度预测方法 |
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 |