1. AI新视界首页
  2. AI食品

基于偏最小二乘和人工神经网络分析的采后苹果品质变化及保质期预测模型

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。基于偏最小二乘和人工神经网络分析的采后苹果品质变化及保质期预测模型基于偏最小二乘和人工神经网络分析的采后苹果品质变化及保质期预测模型

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。基于偏最小二乘和人工神经网络分析的采后苹果品质变化及保质期预测模型基于偏最小二乘和人工神经网络分析的采后苹果品质变化及保质期预测模型

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!

发表评论

邮箱地址不会被公开。 必填项已用*标注