今天介绍一篇由渤海大学食品科学与技术学院励建荣教授的研究组等人于2022年6月在线发表在Food Chemistry上的文章。本文构建了偏最小二乘法（PLS）和人工神经网络（ANN）模型来预测苹果的保质期。本工作旨在丰富苹果保鲜理论，为采后苹果货架期的快速评价提供参考。
撰文（翻译）：王雪洁
编辑：肖冉
//介绍
今天介绍一篇由渤海大学食品科学与技术学院励建荣教授的研究组等人于2022年6月在线发表在Food Chemistry上的文章。本文构建了偏最小二乘法（PLS）和人工神经网络（ANN）模型来预测苹果的保质期。本工作旨在丰富苹果保鲜理论，为采后苹果货架期的快速评价提供参考。
// 摘要
本文研究了苹果在4°C和20°C贮藏过程中的风味、质地、颜色和口感变化等感官品质。经过相关性分析，采用偏最小二乘法（PLS）和人工神经网络（ANN）技术建立保质期预测模型。结果表明，低温贮藏可以更好地保持苹果的色泽、果肉硬度和挥发性化合物的释放。20℃贮藏的苹果酸度下降速度比4℃贮藏快得多。PLS 模型成功地预测了苹果的保质期。在使用单一类型索引的 PLS 建模时，预测模型的准确度顺序为质地、颜色和风味。作为一种非线性算法，人工神经网络模型也是苹果在两种温度下保质期的有效预测工具。
// 材料和方法
成熟的“金冠”苹果作为材料。此外，构建了偏最小二乘法（PLS）和人工神经网络（ANN）模型来预测苹果的保质期。
Unscrambler 软件预处理数据和开发 PLS 模型。使用MATLAB R2015a软件进行人工神经网络分析。
// 结果
在电子鼻传感器响应值、质地、颜色、味道和储存时间之间进行 Pearson 相关分析（ 图 1 A、B）。结果表明，基于风味、质地和颜色的 PLS 在预测苹果的保质期方面是成功且稳健的（ 图 1 C）。对于两种储存温度，使用基于质地（剥离硬度和果肉硬度）的模型可以实现对保质期的出色预测。
基于相关性分析的结果，构建了一种非线性算法，即神经网络模型，用于预测贮藏苹果的保质期。综合指标数据预测苹果保质期的人工神经网络结构如图1D 所示。
图 1 . 相关性分析结果与保质期预测模型构建。A 和 B，Pearson 相关分析的结果。图中圆圈的颜色代表这些指标之间的正相关或负相关，蓝色代表正相关，红色代表负相关。圆圈的大小代表相关系数的高低，面积越大，相关性越高。C，PLS 模型，用于预测苹果的风味、质地和颜色特性的保质期。D，综合指标数据预测苹果货架期的人工神经网络结构。（有关此图例中颜色参考的解释，请读者参考本文的网络版本。）
苹果在 4°C 下储存期间 ANN 配置的训练后性能、误差直方图和回归分析 如图 2 A-C 所示，20°C 下如图 2 D-F 所示。所示的回归分析图 图 2 反映了预测值（输出）如何与四个数据集的实际值（目标）拟合。
图2.生成的ANN模型的训练后性能（A，D）、误差直方图（B，E）和回归分析（C，F）。
//结论
储存过程中苹果质量的变化受温度影响。 与20℃贮藏相比，低温贮藏更能保持色泽、果肉硬度，对挥发性化合物的释放有积极作用。
相关分析结果表明，基于风味、质地和颜色指标的货架期预测建模数据是可靠的。PLS分析表明，使用质地、颜色和风味的复合指标建模优于单一类型指标。 在使用单一类型索引的 PLS 建模时，预测模型的准确度顺序为质地、颜色和风味。人工神经网络分析表明，对于两种温度，所有四条回归线的R值都非常接近，这证明了拟合的可靠性。因此，ANN和PLS模型都是预测苹果低温和室温货架期的有效工具。
参考文献
Zhang Y, Zhu D, Ren X, et al. Quality changes and shelf-life prediction model of postharvest apples using partial least squares and artificial neural network analysis. Food Chem. 2022;394:133526. doi:10.1016/j.foodchem.2022.133526
长按关注我们
微信号｜FoodAI
原创文章，作者：ifyoung，如若转载，请注明出处：https://www.drugfoodai.com/pls-apple.html
注意：本站原创指的是原创编译，并不主张对所介绍的工作的版权，如有侵权，请联系删除！
微信扫一扫 
支付宝扫一扫 相关推荐
-
基于单词嵌入的烹饪食谱无监督调整方法
今天介绍一篇由Andrea Morales-Garzon等人于2021年2月在IEEE Access上发表的文章。本文提出了一种新的无监督食谱调整方法，用于根据用户偏好调整食谱成分。为了学习食物表征和关系，创建并应用一个特定领域的单词嵌入模型。将一个单词嵌入模型与一个基于模糊的文档距离相结合，以找到适应任务中最相似的成分。作者根据营养偏好、适应类似的成分和素食以及纯素饮食限制，进行了三种不同的食谱调整。结果证实了使用特定领域语义模型来处理食谱适应任务的潜力。
-
使用可解释人工智能（XAI）技术解开送餐服务评论的深度学习模型
今天介绍一篇由悉尼科技大学土木与环境工程学院工程与信息技术学院高级建模和地理空间信息系统中心（CAMGIS）的Anirban Adak等人今年七月发表于Foods(IF: 5.561)的一篇文章。该研究通过比较食品配送服务（FDS）领域中的简单和混合深度学习（DL）技术（LSTM、Bi-LSTM、Bi-GRU-LSTM CNN）进行了情绪分析，并使用SHapley Additive exPlanations（SHAP）和Local Interpretable Model-Agnostic Explanations（LIME）解释了预测。DL模型在从ProductReview网站提取的客户评论数据集上进行了训练和测试。结果表明，LSTM、Bi-LSTM和Bi-GRU-LSTM-CNN模型的准确率分别为96.07%、95.85%和96.33%。LSTM模型相比其他两个DL模型实现了更低的假阴性率。可解释人工智能（XAI）技术，如SHAP和LIME，揭示了用于验证模型的单词对积极和消极情绪的特征贡献。
-
机器学习在食品安全中的新兴应用
今天分享一篇最近由美国乔治亚大学的Xiangyu Deng发表在Annual Review of Food Science and Technology上的综述。文章对食品安全和公共卫生特定领域下的机器学习进行了介绍，回顾近期和显著的进展，并讨论挑战和潜在的缺陷。
-
应用机器学习方法替代传统的卡路里食品安全指标
今天介绍一篇前段时间由意大利国际农业发展基金研究与影响评估司，英国牛津大学技能，知识与组织绩效中心，英国曼彻斯特大学教育与环境与发展学院等多学科机构联合开展的一项关于使用机器学习方…
-
人体对食物的餐后反应与精准营养的潜力
今天介绍一篇由Sarah E. Berry等人前段时间发布于nature medicine的一篇文章。文中对英国（n=1002）和美国（n=100）的年轻健康成年人进行餐后代谢反应评估，并开发机器学习模型来预测人体内的甘油三酸酯（r=0.47）和血糖（r=0.77）对食物摄入的反应，这项技术有助于制定个性化的饮食策略。
-
VirtualTaste：用于预测化合物感官特性的网络服务器
今天介绍一篇来自德国柏林生理学研究所的Franziska Fritz和Priyanka Banerjee、生理和科学IT研究所的Robert Preissner于2021年4月27日发表的文章。该文章实现了用机器学习模型来预测三种不同的味道终点——甜味、苦味和酸味。开发了名为VirtualTaste的 Web服务器平台，用于预测三种不同口味的化合物。
-
重磅干货：食品科学数据库资源汇总（国外篇第一部分）
近期国外也有一些食品专业数据库发表。这些数据库主要对食品添加剂的安全、食品成分、食品营养和食品酶等方面进行了数据分析与平台搭建。下面介绍几篇相关的食品数据库文章。
-
基于图像识别的饮食评估系统
今天给大家介绍一篇由Kalliopi V. Dalakleidi等人，于2021年7月8日发表在Advances in Nutrition（IF=11.567）的一篇综述性文章。该综述描述了用于饮食评估的计算机视觉方法的最新进展，并介绍了基于图像的食物识别系统 (IBFRS) 在专业饮食实践中的最新应用。
-
基于输入修正卷积神经网络的电子鼻和高光谱图像融合羊肉新鲜度检测
今天介绍一篇来自安徽大学翁士状副教授课题组于2022年3月发表在Food Chemistry上的文章。该研究采用电子鼻和高光谱图像相结合的方法对羊肉总挥发性盐基氮(TVB-N)进行综合评价。为准确分析羊肉新鲜度提供了一种途径，并为其他肉类品质的研究提供了技术依据。
-
豆类中毛豆的理化特性及基于光谱学的机器学习方法在最佳采收期预测中的应用
今天介绍一篇由弗吉尼亚理工大学食品科学与技术系Dajun Yu等人于2021年8月发表于Food Chemistry的一篇文章。文中通过研究毛豆发育过程中理化性质的变化，并应用基于光谱学的机器学习(ML)技术来确定毛豆最佳采收期。对R5(始籽)、R6(满粒)和R7(初熟)生长期采收的毛豆进行了理化特性分析，并用手持式分光光度计测量了豆荚的光谱反射率(360-740nm)。根据毛豆样品的特征特性将其采收期分为“早期”、“准备期”和“晚期”，使用豆荚的光谱反射率的机器学习方法随机森林进行分类，研究结果证明该方法可以确定毛豆的最佳采收期。