翻译-反应鳄梨在存储期间质量变化的高光谱反射数据的人工神经网络模型解析.docVIP

反应鳄梨在存储期间质量变化的高光谱反射数据的人工神经网络模型 摘要：人工神经网络（神经网络）和高光谱技术被用来梨不同温度贮藏期间质量变化鳄梨果胶储存在不同温度（10，15，20在不同的时间间隔贮藏期间，样品呼吸速率总色差纹理和重量损失常规质量参数。高光谱成像是用来评价鳄梨的光谱特性。多层人工神经网络用了鳄梨，神经网络模型的。的神经网络模型结果表明神经网络模型是准确和灵活，预测鳄梨水果质量变化比传统回归模型；此外，基存储时间–温度模型优于模型。鳄梨采后 FIG. 1. (a) THE EXPERIMENTAL SETUP AND (b) TYPICAL SPECTRAL RESPONSE CURVES OF AVOCADOS 图1.（a）试验设置 （b）鳄梨3-4周。鳄梨的质量是各方面物理化学和营养特征的综合，受储存条件的极大影响。在我们之前的研究(Maftoonazad 2006), 果胶乳剂已被证明能有效延长鳄梨的保质期。为了在鳄梨失去市场潜力之前利用它们，建立在不同贮藏条件下相关的质量变化模型是有用的。 最近的用于调查质量参数的变化技术是使用高光谱系统。这种技术是用来收集水果和蔬菜的光谱特征，很好的显示了与质量参数变化相关性。技术的主要部分在别处已经有详细的说明。高光谱和多光谱成像已经别用于农业和食品加工系统。 使得食物质量参数和储存条件相关联的传统的程序是基于统计学方法的。统计学方式和回归方程式是简单的并基于已决定的相关联改变的假设。统计学方法的主要假设是，数据描绘了一个基本的“现实”，能通过一个代数方程表达。因为食物质量的预测包括一些输入和输出的变量，统计学分析一般得到一组复杂的、难解的和通常很难用的数学公式。统计学模型的预测性能和精确度通常用相关的回归系数R2和评估的标准误差表示。一旦模型已经建立，用户将不能再提高精度。在输入和输出是本质变量的情况时，系统仅仅被用来预测是更合适的。一个能从连续的试验尝试中学习的系统是理想的，因为它将随着时间变得越来越可靠，并能适应数据的不可预测的改变。 虽然,人工神经网络(ann)并不是新概念,但在这个领域的研究兴趣在过去十年里有了增强。 主要感兴趣的是ANN模型的一般的性质，近似的能力和适应能力。这些原因导致了ANN模型被广泛应用于各种工程学科。在这方面的考虑应用，一个前馈ANN网络和光谱成像技术综合起来成功的用于分离出合格的鸡肉。一个反向传播神经网络，有从彩色\灰度的空间分布提取出来的结构特征，是Kavd?r and Guyer发现的，被用于检测Empire和金冠苹果的瑕疵。有许多他们在食品工程应用的报道。不同的神经网络方法综合应用于苹果、梨和桃子的破损的预测。前馈反向传播ANN模型是El-Mastry et al发现建立的，用于研究高光谱成像的能力和ANN技术检测红富士苹果的冻伤。报道说使用五个理想的波长能获得90%以上的精度等级。但是没有报道过他们对鳄梨在储存期间的质量参数的研究应用。这项研究的目的是发展神经网络模型能精确的预测有膜和没有膜鳄梨的主要质量参数，比如，呼吸速率、整体色差、重量损失使用高光谱数据和一般的处理方法变量，例如储存温度和时间。 材料和方法 1、鳄梨准备和储存 从市场获得鳄梨。鳄梨的选择是外观和坚硬度一样。鳄梨表面消毒通过浸入0.5%的商业用漂白剂漂白3分钟。将鳄梨分为六个样品。前三组是对照，储存时没有用膜包裹。另外三组鳄梨套上用可食用乳剂制成的薄膜,然后分别储存在三个不同温度（10、15和20摄氏度）和%95的相对湿度下。在储存期间，鳄梨以不同的间隔移动，并且鳄梨的质地、颜色、重量损失和呼吸速率都要进行评估。 2、准备图上乳胶。 将果胶加入20℃的蒸馏水内18小时鳄梨沉浸在涂溶液1分钟，然后。处理后的果实在风3小时表面涂薄膜。然后他们被存储在10，15和20。硬呼吸速率和颜色的变化。 △L、△a*、△b*是某天相对于第一天的差分，代表随着时间的变化。 鳄梨的颜色是在表面上六个不同的位置确定的,该仪器用白色标准板校准:L = 95.87,a= -0.86和b = 2.47。 (4) 一个已知数量的鳄梨(约1千克)被放在密闭有机玻璃室(18*12*27厘米)。一个CO 2传感器连接到一个数据记录器,被安装在密室内，用来监测CO 2浓度。数据记录器编程用来记录CO 2在线数据，在2h周期内间隔1分钟记录一次。呼吸速率则取自CO 2浓度相对于时间的回归斜率并作为mL CO 2 /(kg/h)的评估。 4、收集高光谱数据 高光谱数据在实验期间使用一个手持分光辐射仪获得。使用一个15°的视野,ASD在从350纳米到2500纳米的2151个窄波段内收集反射数据(1.0 nm频带宽度)。光谱观测值使用人造光在实验室收集。人造光使用两对短焦距的工作灯光