基于大规模数据驱动的商业香蕉成熟过程中的均匀性分析和感官预测
2024年9月25日,美国南佛罗里达大学Ria Kanjilal和Ismail Uysal在国际期刊《Postharvest Biology and Technology》(JCR一区,IF2023=6.4)发表了题为“Large-scale data-driven uniformity analysis and sensory prediction of commercial banana ripening process”( 基于大规模数据驱动的商业香蕉成熟过程中的均匀性分析和感官预测)的研究论文。
摘要
本研究提出了一种创新的数据驱动方法,通过机器学习(ML)在冷链物流中优化香蕉成熟过程,确保果皮颜色和果肉温度的均匀性。实验表明,通过控制CO2和O2浓度,可实现果实的成熟均匀性。此外,研究首次利用其他大气变量成功预测了氧气浓度,验证了CO2对香蕉成熟过程的预测能力。长短期记忆(LSTM)回归模型表现最佳,预测的均方根误差分别为0.033和0.202,R2值为0.999和0.959,为冷链过程中的成熟监控提供了新路径。
引言
保持采后果实的品质是食品供应链中的一项重要挑战。香蕉作为需熟果,运输中需保持绿色状态。传统的香蕉成熟过程依赖手动调节气体水平,导致成熟均匀性难以控制。人工智能(AI)和机器学习技术有望改善这一过程。本研究利用大规模数据集进行成熟过程的气体浓度控制和成熟度预测,提出一种非侵入性监控方法。
研究内容
(1)数据收集与处理:从2000至2014年采集的数据和2018年18周的运输数据涵盖了温度、CO2和O2浓度,以及果肉温度等变量。采用低通风包装(LV)和多变量分析方法,包括回归模型(如LSTM)分析。
(2)氧气水平预测实验:使用七种模型对O2水平进行预测,其中LSTM模型显示出最佳性能。在CRD-18W数据集中,使用五种回归算法,得到了最佳的R2值,表明该方法在实际物流中的适用性。
(3)均匀性实验:分析了CO2和O2水平的变化对果肉温度和颜色指数的影响,发现较高的CO2浓度波动与果肉温度不均匀性高度相关。
结论与展望
本研究表明,通过严格控制CO2和O2浓度,可以显著改善香蕉成熟过程中的均匀性。该方法为冷链中的香蕉成熟过程提供了高效的监控手段,并在提高供应链成熟度一致性方面具有重要应用价值。未来研究将探讨不同水果的个性化成熟模型,以提高适用性和鲁棒性。
原文链接:
https://www.sciencedirect.com/science/article/pii/S0925521424004484?via%3Dihub