一种基于实际随机性的水果货架期动态预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于实际随机性的水果货架期动态预测方法及装置。所述方法包括步骤：A、按照预定时间间隔针对水果样品多批次采集果品品质指标数据；B、建立品质指标随机动力模型，根据采集果品品质指标数据求解品质指标随机动力参数，更新品质指标随机动力模型；C、利用下一时间间隔的果品品质指标数据和品质指标随机动力模型进行前向果品品质指标预测，当预测果品品质指标低于果品品质可接受阈值时，获得水果货架期预测值。本专利的预测方法及装置，能有效提高批次水果果品整体品质的在线精准预测性能。线精准预测性能。线精准预测性能。

【技术实现步骤摘要】
一种基于实际随机性的水果货架期动态预测方法及装置


[0001]本专利技术涉及果品自动化检测技术，特别是涉及一种基于实际随机性的水果货架期动态预测方法及装置。

技术介绍

[0002]采摘后新鲜水果是一个活的有机体，其呼吸、蒸发、代谢等重要生命过程仍在有序进行，这将加速果品内部各种有机物质的消耗(如，糖分、蛋白质等)，无机物质的流失(如，水分、微量元素等)，从而降低其营养或功能，影响外部感官品质(如，颜色、果形、硬度等)。因此，果品一旦生产进入供应链生命周期，其品质会不可逆退化，直至被消费者食用或损耗。这种果品品质动态演化过程与来自内外部环境的物理、化学、生物因素影响密切相关(如，温湿度，外部冲击、诱变气体、有害微生物等)。其中，温度是核心因素，适宜低温可有效降低呼吸强度，减缓代谢过程，以维持果品品质，延长其货架期。
[0003]货架期是从时间维度量化食品品质的直观表现形式，一般根据相关品质指标的时序变化进行获取(如，硬度、维生素C、可溶性固形物等)，即品质达到规定或消费者可接受阈值的剩余时间。传统印刷货架期是基于稳定供应链条件假设确定的固定值。为了适应实际供应链动态环境，智能信息技术已被逐渐应用于果品品质监测系统，从准确性、实时性、可靠性以及抗干扰能力等方面改进货架期预测性能。利用货架期动态预测技术进行冷链果品品质监测，在一定程度上突破了既定品质评估的预先调控时效性局限，可以为上层管理提供更准确高效的预警决策信息。其中，基于退化机理或数据驱动模型的品质指标时序预测，已成为实现果品品质智能高效监测的重要手段，例如以下技术方案。
[0004]专利技术专利1(一种采后鲜食葡萄货架期预测方法及装置，CN201811633661.2A)：本专利技术实施例提供了一种采后鲜食葡萄货架期预测方法及装置，通过分析影响采后鲜食葡萄货架期的主要因素，在环境指标、感官指标和理化指标的基础上采用层次分析法计算恒温和变温环境下的鲜食葡萄货架期，生成网络模型训练和测试数据；利用RBF神经网络的超强自适应能力和自学习能力，设计网络隐含层节点个数和径向基函数，以提高网络的收敛速度和学习能力；采用模糊聚类优化隐含层径向基函数中心与宽度，保证了全局最优；采用遗传算法对网络权值进行寻优不断调整，防止了网络极易陷入局部极小值，提高了网络稳定性和泛化能力。
[0005]专利技术专利2(一种货架期苹果品质动态预测系统及预测方法，CN201910376395.8A)：本专利技术属于苹果品质预测
，公开了一种货架期苹果品质动态预测系统及预测方法，建立单指标的阈值苹果品质模型，对多元大样本数据进行分类；建立基于多元线性回归方法的苹果内部糖度值，酸度值、硬度值品质建模方法；建立基于RBF神经网络的不同分类下的内部品质的货架期苹果品质时序预测模型；根据货架期苹果品质时序预测模型构建基于苹果内部品质、检测时间t和扫描时间t+k的小样本模型预测大样本差值时序品质模型；根据苹果的糖度、酸度、硬度值建立口感评价模型。该技术方案能够反馈苹果真实口感，开放的交互式应用程序保证苹果品质评价模型的新鲜度，为货架期的苹果品质动态预测系统
健康运行提供了良好的基础。
[0006]由此可见，为准确高效监测果品品质，新鲜水果的货架期动态预测已经成为发展趋势。然而，现有技术中，果品品质预测装置大多侧重于精准时序模型的集成开发，很少具体考虑实际生产场景的随机性累积效应对货架期的影响(如，果品个体差异，环境波动差别及直接或间接测量误差)。一方面，果品品质退化机理模型(如，理化反应动力学模型，预测微生物学模型)主要考虑了核心环境因素对品质指标时序变化的影响，预测精度普遍不高；另一方面，基于数据驱动的货架期动态预测模型，如上述已公开专利中RBF神经网络、优化算法等，数据样本需求量大，存在训练效率局限，难以保障复杂动态环境下果品品质实时预测。

技术实现思路

[0007]为了解决现有技术中果品品质退化机理模型(如，理化反应动力学模型，预测微生物学模型)仅考虑了核心环境因素对品质指标时序变化的影响，存在预测精度普遍不高的问题；以及基于数据驱动的货架期动态预测模型，如
技术介绍
中已公开专利中RBF神经网络、优化算法等，存在对于数据样本需求量大，存在训练效率局限，难以保障复杂动态环境下果品品质实时预测的技术问题，本专利提出了一种基于实际随机性的新鲜水果货架期动态预测方法及装置，考虑实际随机性对水果品品质指标时序变化的影响并对其货架期进行实时概率分析，能有效提高批次果品整体品质的在线精准监测性能。
[0008]为了实现这一目标，本专利技术采取了如下的技术方案。
[0009]一种基于实际随机性的水果货架期动态预测方法，所述方法包括步骤：
[0010]A、按照预定时间间隔针对水果样品多批次采集果品品质指标数据；
[0011]B、建立品质指标随机动力模型，根据采集果品品质指标数据求解品质指标随机动力参数，更新品质指标随机动力模型；
[0012]C、对水果样品按照预定时间间隔重采样，获取下一时间间隔的果品品质指标数据；利用下一时间间隔的果品品质指标数据和品质指标随机动力模型进行前向果品品质指标预测，当预测果品品质指标低于果品品质可接受阈值时，获得水果货架期预测值。
[0013]另外，本专利技术的基于实际随机性的水果货架期动态预测方法中，建立品质指标随机动力模型包括确定性动力建模和随机性效应建模；其中确定性动力建模包括：
[0014]以描述果品品质动力学变化，c为果品品质指标；
[0015]其中温度对动力学参数k的影响一般通过Arrhenius方程描述，具体确定为k＝Aexp(
‑
E
a
/RT)，
[0016]其中，A是阿累尼乌斯常数；E
α
为反应活化能，R为通用气体参数，T为绝对温度；
[0017]将连续变量c离散化为多个离散状态以获得近似的动力学离散模型为：
[0018][0019]另外，本专利技术的基于实际随机性的水果货架期动态预测方法中，建立品质指标随机动力模型包括：
[0020][0021]其中，c
ti+1
为t
i+1
时间间隔的果品品质指标；c
ti
为t
i
时间间隔的果品品质指标，为确定性环境下的品质应力退化参数；σ
B
可以描述应力波动衍生的随机变化，B为果品品质退化过程中随机动力学的布朗运动，B满足均值为0的正态分布。
[0022]另外，本专利技术的基于实际随机性的水果货架期动态预测方法中，根据采集果品品质指标数据求解品质指标随机动力模型参数，更新品质指标随机动力模型包括：
[0023]初始化品质指标随机动力模型参数向量Θ＝[A,E
α
,σ
B
,Q
ω
,μ
ν,0
,σ
ν,0
]T
，品质指标随机动力模型参数向量包括确定性固定参数{A,E
α
}和随机参数{σ<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于实际随机性的水果货架期动态预测方法，其特征在于，所述方法包括步骤：A、按照预定时间间隔针对水果样品多批次采集果品品质指标数据；B、建立品质指标随机动力模型，根据采集果品品质指标数据求解品质指标随机动力参数，更新品质指标随机动力模型；C、对水果样品按照预定时间间隔重采样，获取下一时间间隔的果品品质指标数据；利用下一时间间隔的果品品质指标数据和品质指标随机动力模型进行前向果品品质指标预测，当预测果品品质指标低于果品品质可接受阈值时，获得水果货架期预测值。2.根据权利要求1中所述的基于实际随机性的水果货架期动态预测方法，其特征在于，建立品质指标随机动力模型包括确定性动力建模和随机性效应建模；其中确定性动力建模包括：以描述果品品质动力学变化，c为果品品质指标；其中温度对动力学参数k的影响一般通过Arrhenius方程描述，具体确定为k＝Aexp(
‑
E
a
/RT)，其中，A是阿累尼乌斯常数；E
α
为反应活化能，R为通用气体参数，T为绝对温度；将连续变量c离散化为多个离散状态以获得近似的动力学离散模型为：3.根据权利要求1中所述的基于实际随机性的水果货架期动态预测方法，其特征在于，建立品质指标随机动力模型包括：其中，c
ti+1
为t
i+1
时间间隔的果品品质指标；c
ti
为t
i
时间间隔的果品品质指标，为确定性环境下的品质应力退化参数；σ
B
可以描述应力波动衍生的随机变化，B为果品品质退化过程中随机动力学的布朗运动，B符合均值为0的正态分布。4.根据权利要求3中所述的基于实际随机性的水果货架期动态预测方法，其特征在于，根据采集果品品质指标数据求解品质指标随机动力模型参数，更新品质指标随机动力模型包括：初始化品质指标随机动力模型参数向量Θ＝[A,E
α
,σ
B
,Q
ω
,μ
ν,0
,σ
ν,0
]
T
，品质指标随机动力模型参数向量包括确定性固定参数{A,E
α
}和随机参数{σ
B
,Q
ω
,μ
ν,i
,σ
ν,i
}；其中A是阿累尼乌斯常数；E
α
为反应活化能；ω表示直接或间接误差，符合高斯分布，Q
ω2
为ω的高斯分布方差；μ
v,i
和σ
v,i
分别为的均值和标准差；根据集果品品质指标数据Y为测量到的果品品质指标向量，向量元素为单个样本的果品品质指标，通过极大对数似然函数的偏导来估计品质指标随机动力模型参数。5.根据权利要求4中所述的基于实际随机性的水果货架期动态预测方法，其特征在于，通过极大对数似然函数的偏导来估计品质指标随机动力模型参数包括：
其中为品质指标随机动力模型参数估计向量，L(Θ|Y)为似然函数，p为概率密度分布函数。6.根据权利要求4中所述的基于实际随机性的水果货架期动态预测方法，其特征在于，当预测果品品质指标低于果品品质可接受阈值时，获得水果货架期预测值包括：T
slft
＝inf{t
f
:Y
f
≥ω+ε|Y
i
≤ω+ε}，T
slft
为可接受阈值首达时，ε表示果品品质指标可接受阈值；Y
i
为果品品质指标数据的实际测量值，Y
f
为果品品质指标数据的前向预测值，f为果品品质指标第一次低于果品品质可接受阈值的时间间隔序号；货架期为l
i
＝t
f
‑
t
i
≥0；货架期表示为根据逆高斯分布估计可接受阈值首达时，将L
rsl,i
的概率密度函数确定为：其中和表示的均值...

【专利技术属性】
技术研发人员：钱建平，陈谦，余强毅，杨涵，李佳利，吴文斌，
申请(专利权)人：中国农业科学院农业资源与农业区划研究所，
类型：发明
国别省市：