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

1、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塑造梨在不同温度贮藏期间质量变化的模型。鳄梨表面涂果胶乳剂储存在不同温度（10，15，20）下，同时贮存的还有未涂果胶乳剂的样品。在不同的时间间隔贮藏期间，样品的呼吸速率、总色差、纹理和重量损失作为常规质量参数。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两种方法建立鳄梨存储期间的质量预测模型。第一种方法中，神经网络模型的建立以主要的光谱数据以及储存温度和时间为基础。理想结构的神经网络模型的建立是基于变化的不同模型参数。结果表明神经网络模型是准确的和灵活的，ANN预测鳄梨水果

2、质量变化比传统回归模型更好；此外，基于存储时间温度的ANN模型优于基于光谱的ANN模型。实际应用 手稿评价利用ANN模型评价鳄梨采后品质涉及传统的工艺参数，比如储存时间和温度。为了提供新的目标函数，数据也从非破坏性高光谱辐射测量技术收集得到，而不是简单的链接鳄梨质量与储存变量。ANN模型被训练使用两套数据,并进行了比较。这项研究证明了ANN模型更准确的预测鳄梨水果质量改变，与传统的回归模型比较；此外，基于储存时间-温度的ANN模型优于基于高光谱的ANN模型。ANN模型目前被用于许多食品流程建模应用程序。这项研究表明新的建模技术预测存储农产品质量的重要性以及公认的存储参数的正确性,如温度和时间因

3、素，对质量的评估更重要。引言重量和质量的损失影响园艺作物的收成和消费。尽管取得了进展，超过四分之一的收获的新鲜水果和蔬菜还是由于损坏丢失了重量和质量。这代表了大量的经济损失，甚至在发达国家，随着更多的毁灭因素，在世界许多的热带地区。为了减少这些损失，包括生物和环境因素的恶化应该被了解，并应用收获后处理技术即延缓衰老和相关质量变化的技术。FIG. 1. (a) THE EXPERIMENTAL SETUP AND(b) TYPICAL SPECTRAL RESPONSE CURVESOF AVOCADOS图1.（a）试验设置 （b）鳄梨的光谱反射图一些技术被用于增加新鲜农产品的寿命，通过减慢农产

4、品的成熟速率，和减少有害物质的增加。这些技术的其中之一是，表面使用可食用涂料来改善空气，这类似于由改善的空气包装创造的，减少了氧的吸收和二氧化碳的消耗。温度控制是重要的步骤，它能影响水果的呼吸以及其他的质量参数。鳄梨是一种非常易腐烂的水果，因为它有比较高的代谢速率，导致它储存在最适温度和相对湿度下，寿命仅仅有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

5、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

6、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Kavdr and Guyer发现的，被用于检测Empire和金冠苹果的瑕疵。有许

7、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

8、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小时融化后，添加山梨醇、聚乙二醇或甘油，使用电磁搅拌器充分搅拌混合。然后加入融化的蜂蜜或可可脂和30%的甘油单脂，并使用高速搅拌器在14000的转速下转动4分钟将其乳化。鳄梨沉浸在涂料溶液中1分钟，然后拿出来。处理后的果实在空气中通风3小时使得鳄梨表面涂上一层薄膜。然后他们一起与对照样品

9、被存储在10，15和20。重量损失、硬度、呼吸速率和颜色的变化都被评估直到样品缺乏整体可接受性。3、分析方法以下的分析是每2天对试验样品进行评估一次：（1）水分的损失发生是由于水蒸气从鳄梨样品到空气的蒸发。这是在数字称上称样品重量确定的，并且记为在初始质量基础上损失的水分百分比。（2）质地测量是使用计算机控制的装备有50N的称重传感器的LRX材料试验机测量。样本受到以匀速50 mm /分钟的穿刺测试,使用5毫米直径的圆锥尖头探针进行穿刺。载荷变形曲线被记录下来，硬度用来作为结构性能的指标。至少对每个水果在不同的位置进行六次测量，在每个存储期间四个水果将被测试，结果取平均值。(3) 鳄梨样本颜色

10、特征使用三色美能达色度计进行测定来确定L值(亮度), a*值(红色或绿色)和b*值(黄色或蓝色)。色度计是热身20分钟并使用白色标准来校准。对四个样品进行测量，并取得L、a*、b*的平均值。总色差的计算是L,a和b值的均方根(RMS)，即由下面的方程得到：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

11、。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，每个顶端有个500瓦特的灯泡。为了减少眩光,增强阴影细节和避免样本过热, 使用上面和两边半透明的数码照片盒子。对于每个处理,样本放置在箱内和采取六次测量并获取平均值用于数据分析。在研

12、究期间总计收集34次光谱观测。每次观测包括15个读数。图1a显示了试验装置图。主要成分分析考虑到高光谱数据是高度线性相关的(共线),主成分分析(PCA)可以用来消除这一问题。PCA可以从相关联的变量集合中形成一个无关联的变量集合。这些新生成的变量称为主要成分(PCs)。此外,PCA的目标也是减少数据集的维数形成一个最理想的水平,因此引入一组新的有意义的变量。为了消除多维数,实施PCA生成PCs。每个PC是光谱的一个反射读数，光谱由2152个波长组成，按照下面的方程：其中Ri是波长为i时反射率，wi是重量。这种分析方法可以使用MATLAB6.5软件进行。通过这种方法，表现了识别的最高潜能的三个P

13、Cs数据可以选择出来。6、ANN模型ANN是一个由简单的相互关联的组成的计算处理系统，这些元素被称为神经元。神经元在被放置在每一层里。反向传播网路由一个输入层、一个或多个隐含层、一个输出层组成。输入层从外界接收信息，然后传输给隐含层。输出层传输预测到外部世界。邻近层的神经元是相互连接的，这样每个神经元直接从下一层接收信号。每个神经元按权值从输入信号中接收输入信号。对一些例子的响应，重复调整神经网络权值的过程称为“训练”。 训练的基本想法是，获得唯一的连接权值来计算输出，使得在训练中所有例子的输出非常接近所要求的输出。神经网络的权值代表了神经网络的学习知识状态。受过训练的网络能用于预知新的输入的

14、相应输出。一个受过充分训练的网络，被期望生成很接近实际输出的输出。作为陈述,ANN技术已经被广泛应用于各种用途:建模、预测、分类、最优化和在线控制。目前的例子专注于，使用储存条件和反射光谱观测值，应用ANN模型来预测涂层和裸露的鳄梨质量变化。这个研究过程如图2所示。7、数据库准备建立人工神经网络模型需要的数据的从储存在三个不同温度下的涂膜和裸露的鳄梨中得到。数据的集合，从完整的实验变量中得到，包括三个不同标准的温度、涂膜或不涂膜的样本、不同波长的反射光谱、储存时间。从属的输出变量是呼吸率、总色差,硬度和水分损失。对于每个品质参数数据的总数量是509个。建模需要准备两个数据集合。第一组的主要成分

15、由在不同波长下的光谱观察值决定并作为输入，呼吸率、硬度、总色差和水分损失作为输出。第二组包含涂膜或未经涂膜，储存时间和温度作为输入参数代替高光谱主要成分。模型设计为不同数据的两组。每个数据库随机分成两组:训练(70%)和试验测试(30%)。试验测试组被用来检查网络的一般性能。改善神经网络的训练效率,输入和输出变量用以下方程规范:在Xi和Yi是输入和输出变量，并且是xi和yi的规范化值,xi,min和yi,min是最小值,xi ,max和yi,max分别是输入和输出变量的最大值 ,xi,avg整个数据集的输入变量平均值。8、校验程序为了测量预测的能力,软件程序推荐一采用单一评价集(SES)的校验

16、程序。通常建议当有效函数的数量很大时使用SES。做验证,校准组(N = 509)被分为两个子集。一个是训练集(I = 355)用于计算模型的参数。第二个是评价集(J = N-I,因此J = 145),它被用来计算模型的预测能力。为了计算响应变量的值,训练集合中使用失量yi表示，在评估集合中用yi表示，适应能力使用方差的比来衡量，如下面的方程：SEC，校准的标准误差使用下面的方程计算：Yi是响应变量的实验值，是计算训练集合I的响应变量的平均值，yi是通过模型计算的值。A是模型的自由度的数量。因为I是训练集合，yi-yi是实验的误差，在平均集合的对象中，预测能力的计算作为方差Rv2的有效微分。预测

17、的标准误差计算：在这个实例中，yi-yi是预测的误差。最佳的预测能力通过适当复杂性的模型获得。这个模型具有同样的装置和预测性能。该措施的拟合能力是重要的，因为当它远远大于预测能力时，过度拟合是分析的典型误差。神经网络软件 一个商业软件，Neuralwork Professional II/Plus用于开发神经网络模型。输入层包括三个神经元相对于在第一组的三个PCs和第二组的三个输入变量。输出层对于每个组有四个神经元对应四个输出变量。标准的BP算法用于学习/培训网络。最佳的配置基于极小化神经网络预测值和期望输出值之间的差异。为了预测呼吸速率，硬度，总色差和体重损失，要获得在这方面的工作神经网络模

18、型，可以使用相应的连接权值和下列方程系数矩阵：y是输出变量的值，F1、F 2和F3是隐含层和输出层的传递函数，x是矩阵的输入变量。连接权值通过学习规则确定，在训练集合设置中更新连接权值，使用优化程序最小化网络输出和实验输出之间的误差函数。ANN模型开发 传递函数是一个典型的非线性函数变换有效输入的加权总和为潜在的输出值（内部生产的总和）。当设计一个网络时，最初的转移函数的选择是适用于每个网络层。学习规则是通过在学习阶段决定每个神经元的权值的增加和减小的数学方程。有各种类型的学习规则和转移的函数，但对于大多数网络，建议之一是：传递函数：Sigmoid函数，双曲正切函数和线性函数；学习规则：扩展的

19、Delta-Bar-Delta（内线型），三角规则和快速螺旋形。S型函数是连续的，单调的对应0到1的一个区域。双曲正切函数也是一个连续区域，但范围是- 1到1。ext.dbd是一个扩展型的计算，动量项为每个连接。三角洲规则的一个变种是三角洲规则，试图缓解这一问题的结构介绍的训练集。最佳配置结构的ANN最佳配置结构的网络的隐含层等参数, 每个隐含层的神经元和学习步骤需要确定。此外，已经意识到，转移函数和学习规则的功能的选择在降低模型误差方面是非常重要的。为了找到最佳配置结构的网络模型，神经网络模型对不同数目的隐含层（13），不同数量的神经元（515），不同的学习次数进行了训练，最佳参数的选择是基

20、于最小化RMS误差。具有最佳权值的测试是通过训练步骤中获得；相关联的系数r和均方误差（均方差是用来作为参数，检测神经网络的性能）。多元回归模型此外，为了评估人工神经网络模型的性能，人工神经网络模型的预测的结果与通过多元回归模型得到的结果进行了比较。为了多元回归分析，下面的回归方程是用来拟合的质量特性参数和输入变量之间的关系：其中YK代表一个因变量：呼吸速率，硬度，总色差或重量损失，xi代表一个独立的变量：反射率观测值确定的主要成分、时间、温度和涂膜或不涂膜，和bi代表线性关系的系数（Thenkabail等人，2000）。结果与讨论图1b显示出了三个不同的存储条件下鳄梨样品典型的光谱响应。高光谱

21、的曲线清楚地表明鳄梨样本存储在不同条件下的反射率的值的差异。他们还表明，在可见光区域的某些波段和更多的近红外区域内对于将样品分类是很有用的。PCA正如前面所提到的，主成分分析用来降低变量的维数，以及消除数据集之间存在的共线性。此分析结果示于表1中（由于数据的巨大数量，报告仅显示了与反射峰值相关的变量的结果）。它可以很容易地看到，前三个主要成分大约是标准评估的总变化的75。人工神经网络模型的开发人工神经网络模型的训练，根据不同的学习规则和传递函数（一个隐藏层有10个神经元和学习次数为【10000】，如图3所示，1组（光谱观测结果和产出之间的关系），2组（使用时间和温度以及涂膜和不涂膜的模型鳄梨预

22、测输出）组合。可以很容易地发现，对于这两个组， EXT DBD和TANH的组合使RMS误差最小，因此，结合EXT DBD学习规则和TANH传递函数被认为是最优的ANN模型。这些结果与文献报道的一致（陈和Ramaswamy2000， 2001年）。图4说明了隐藏层的数量和总数量的均方根误差在隐藏层的神经元，人工神经网络模型发展的过程中，分别利用光谱数据和存储变量获得的效果。从图4a中，它可以很容易地看出，网络的平均误差的并无显着性差异时，与两个隐藏层神经元的数目增加5至8和15。此外，在一个和三个隐藏层，RMS没有改变显着后神经元的数量分别为10和12，超过。被选定为本案包含两层，每个神经元的神

23、经网络。图4b示出了几乎相同的趋势，用于改变RMS。同样，模型有两个隐含层具有相同的（共10个神经元）的神经元的数量被选定为这的情况下。它可以很容易看出，平均误差网络降低显着去从一个增加到两个隐藏的图层。然而，具有三个层的网络和总共15神经元的最低RMS，它是首选选择两个隐藏层，以减少复杂的模型。事实上，越来越多的神经元和/或隐藏图层超过上述水平，只有在增加计算时间没有额外的好处。早先的研究（Tomlins和盖伊1994年，阮经天等人。 1995; Sablani等。 1997）也发现的神经网络预测的准确性两个隐含层相比，有一个改善。平均误差（RMS）作为的函数的数量的学习运行示于图中。5。从

24、这些图中，可以发现，在RMS随增加的数量的学习运行。然而，在学习数运行图达到20000。5A（基于网络的反射率数据），RMS没有进一步下降。对于第二网络（基于存储变量），50,000的运行为最佳选择。除了上述的参数，学习率和动量系数是另外两个重要的参数控制如何effectivel y的反向传播算法火车的神经网络（陈等人，2001）。但是，对于目前的情况下，调整的势头系数从0.2到0.8，从0.1到0.7的学习率没有影响的平均误差RMS训练网络。因此，学习率和动量由Neu-ralware的软件的默认值被用于所有的培训工作。在大表2总结了人工神经网络模型的优化配置。除了上述参数，学习率和动量系数是

25、两个其它重要参数，反向传播算法训练的神经网络（Chen等人，2001），如何有效地控制。但是，对于目前的情况下，调整的势头系数从0.2到0.8，从0.1到0.7的学习率没有影响的平均误差RMS训练网络。因此，学习率和动量集的神经洁具软件的默认值被用于所有的培训工作。在大表2总结了人工神经网络模型的优化配置。人工神经网络模型的性能所开发的ANN模型被用来预测实验条件的范围内的质量参数，和相比，从实验中得到的离散值图。 6-9呼吸速率，硬度，总色差和减肥。这些结果证实了人工神经网络模型准确地预测实验变量的趋势表明，在大多数情况下，预测的坚定性，总色差和减肥的实验数据几乎相同的价值观。正如前面提到的

26、，呼吸速率的人工神经网络模型基于高光谱数据表明不到完美的匹配实验值，但类似的趋势。可能是，这是由于包含在成熟过程鳄梨和在不同的时间在不同的存储条件下，观察到该峰的峰的果实更年期性质。硬度，色差和减肥显示出类似的趋势（增加或减少贮藏期间，因此有较高的契合）。人工神经网络模型的基础上存储变量表现出更好的预测比那些使用基于高光谱遥感的人工神经网络模型。人工神经网络模型的验证打表3显示校准和预测的标准误差及其相关R2。这些结果证实了善良的人工神经网络模型的预测质量的变化，特别是对硬度和总色差，没有太大的区别校准值和预测值的方差解释。此外，该表显示，存储变量可以预测优于高光谱辐射测量数据。多元回归模型与神经网络神经网络工程开发的最重要的方面之一是确定如何以及在完成训练网络执行。配置与上述