基于质构数据预测澳洲坚果酸价和过氧化值的方法与流程

本发明属于食品技术领域，具体涉及基于质构数据预测澳洲坚果酸价和过氧化值的方法。

背景技术：

澳洲坚果是一种高经济价值的果品，其含油量高、营养丰富、风味独特，享有“干果之王”的称誉。由于澳洲坚果含油量较高，随着贮藏时间的增加，澳洲坚果的品质会逐渐下降，酸价和过氧化值逐渐升高，直至完全变质。因此，在评价品质时通过酸价、过氧化值的变化能反映出脂肪分解的程度、油脂氧化酸败的程度，从而判断澳洲坚果是否变质。

目前对澳洲坚果品质的鉴定主要有两种方法：一是人为感官评价，需要专业的感官评价员，但该方法受主观因素影响较多，评价结果不稳定，不同评价员的评价结果可能差距较大；二是将澳洲坚果样品送至专业实验室，分别根据《食品安全国家标准食品中酸价的测定》(gb5009.229-2016)、《食品安全国家标准食品中过氧化值的测定》(gb5009.227-2016)所述的方法来测定澳洲坚果的酸价和过氧化值，但该方法的测试费用较高、测试结果等待时间长，不能满足相关食品企业大量检测、实时品质监控的需求。因此，急需一种快速、经济地获取澳洲坚果酸价和过氧化值的方法，以解决现有的技术问题。

技术实现要素：

本发明提供了基于质构数据预测澳洲坚果酸价和过氧化值的方法，以解决上述问题。

为了解决以上技术问题，本发明采用以下技术方案：

基于质构数据预测澳洲坚果酸价和过氧化值的方法，所述方法包括以下步骤：

s1、质构指标数据获取：选择质构指标，取适量不同贮藏时间的澳洲坚果样品，去壳，使用质构仪测定质构指标数据；

s2、酸价和过氧化值获取：取适量不同贮藏时间的澳洲坚果样品，去壳，根据《食品安全国家标准食品中酸价的测定》(gb5009.229-2016)和《食品安全国家标准食品中过氧化值的测定》(gb5009.227-2016)中的方法要求分别测定酸价和过氧化值；

s3、归一化处理：将步骤s1和s2获取的测定的质构指标数据及酸价、过氧化值归一化，把所有数据都转化为[-1，1]区间的数，随机选取85％-90％的数据形成训练集，其余数据作为测试集；

s4、构建训练bp神经网络模型：以质构指标数据为输入层，酸价和过氧化值为输出层，构建bp神经网络模型，进行bp神经网络模型训练、仿真测试和性能评价；

s5、数据预测：对待预测的澳洲坚果先测定质构指标数据，将质构指标数据输入已训练好的bp神经网络模型，输出结果即为预测的酸价和过氧化值。

数据归一化处理把所有数据都转化为[-1，1]区间的数，其目的是消除各维数据之间的数量级差别，避免因为输入、输出数据的数量级差别大而造成网络预测误差较大。随机选取数据(形成训练集和测试集)，其目的是避免因为数据的规律排列而造成网络训练不足，导致网络预测误差较大。

所述贮藏时间指澳洲坚果从开始至品质不达标时所贮藏的时间。选择不同贮藏时间的澳洲坚果能全面体现贮藏时间不同后澳洲坚果的质构指标、酸价和过氧化值的变化。

所述质构指标数据包括破裂力、破裂力时的位移、硬度、硬度时的位移、挤压做功、回程做功、粘附性、moduluspoint1、moduluspoint2、起始模量。选择的质构指标能较全面地反应澳洲坚果的品质。

所述酸价和过氧化值分别根据《食品安全国家标准食品中酸价的测定》(gb5009.229-2016)和《食品安全国家标准食品中过氧化值的测定》(gb5009.227-2016)中的化学滴定法进行测定。

所述归一化处理使用matlab中的mapminmax函数，该函数的数学表达式为：

y＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin；

其中，ymin、ymax为参数，默认值分别为-1、1，x为向量x中任一元素，xmin，xmax分别为x中的最小、最大值。

将数据归一化处理，建立质构数据与酸价、过氧化值的对应关系。

所述构建bp神经网络模型使用的matlab表达形式为：

net＝newff(p,t,s)；

其中，p指输入数据矩阵，即澳洲坚果的质构指标数据；t指输出数据矩阵，即对应的酸价和过氧化值；s为隐含层节点数，本发明根据多次实验结果确定该数值为9。

所述bp神经网络的训练使用matlab中表达形式为net＝train(net,p,t)；bp神经网络训练参数设置为：迭代次数设为10000，matlab中表达形式为net.trainparam.epochs＝10000；均分根误差设为小于10-5训练结束，matlab中表达形式为net.trainparam.goal＝1e-5；学习率设为0.01，matlab中表达形式为net.trainparam.lr＝0.01。

所述bp神经网络模型性能评价包括相对误差的计算，使用matlab的表达为error＝100*abs(t_sim-t_test)./t_test，其中，error指相对误差；abs为取绝对值的函数；tsim指预测的酸价、过氧化值的数据矩阵，t_test指实际的酸价、过氧化值的数据矩阵。

本发明的优点是：本发明基于澳洲坚果质构数据预测其酸价和过氧化值，预测结果和实际值的相对误差均小于5％，预测准确度较高，能满足食品企业对澳洲坚果品质监控的需要；在使用中无需检测过氧化值和酸价就能快速获取澳洲坚果品质数据，降低了对坚果的质控成本，缩短了品质监控时长。

附图说明

图1为本发明方法的流程图。

图2为预测其酸价的仿真测试结果对比图。

图3为预测其过氧化值的仿真测试结果对比图。

图4为预测其酸价和过氧化值的仿真测试bp神经网络regression图。

具体实施方式

为便于更好地理解本发明，通过以下实例结合附图加以说明，这些实例属于本发明的保护范围，但不限制本发明的保护范围。

实施例

如图1所示，本实施例提供一种基于澳洲坚果质构数据预测其酸价和过氧化值的方法，该方法包括以下步骤：

s1、质构指标数据获取：选择质构指标，取适量不同贮藏时间的澳洲坚果样品，去壳，使用质构仪测定质构指标数据；

s2、酸价和过氧化值获取：取适量不同贮藏时间的澳洲坚果样品，去壳，根据《食品安全国家标准食品中酸价的测定》(gb5009.229-2016)和《食品安全国家标准食品中过氧化值的测定》(gb5009.227-2016)中的方法要求分别测定酸价和过氧化值；

s3、归一化处理：将步骤s1和s2获取的测定的质构指标数据及酸价、过氧化值归一化，随机选取85％-90％的数据形成训练集，其余数据作为测试集；

s4、构建训练bp神经网络模型：以质构指标数据为输入层，酸价和过氧化值为输出层，构建bp神经网络模型，进行bp神经网络模型训练、仿真测试和性能评价；

s5、数据预测：对待预测的澳洲坚果先测定质构指标数据，将质构指标数据输入已训练好的bp神经网络模型，输出结果即为预测的酸价和过氧化值。

具体为，取一批贮藏时间不同且完好的澳洲坚果作为标准样本，选择的贮藏时间点分别为0、5、10、15、20、25、30、35、40、45、50天，每个时间点选择的澳洲坚果数量为5-10个，去壳，用质构仪测定上述不同贮藏时间点的澳洲坚果仁的质构指标，包括破裂力、破裂力时的位移、硬度、硬度时的位移、挤压做功、回程做功、粘附性、moduluspoint1、moduluspoint2、起始模量，每个指标重复测量3-5次，取平均值。

质构仪测定的探头选择圆盘挤压探头，在挤压模式下测试澳洲坚果仁的质构数据。

质构测定的参数设置：选择单次挤压——压缩百分比——1000n模式，使用的力量感应元量程为1000n，探头回升到样品表面上的高度为20mm，形变百分量为30％，测试速度为60mm/min，起始力为1.5n。

质构测定的实验方法：选取大小、形态相近的澳洲坚果仁样品，将其置于测试平台上，点击resume进行测试；不同贮藏天数的样品每次选取5-10个，进行重复实验，取平均值。

选择上述不同贮藏天数的澳洲坚果，去壳，取适量果仁样品根据《食品安全国家标准食品中酸价的测定》(gb5009.229-2016)和《食品安全国家标准食品中过氧化值的测定》(gb5009.227-2016)所述的化学滴定法，分别测定酸价和过氧化值；不同贮藏时间点的样品每次选取5-10个，进行重复实验，取平均值。

将上述测定的质构数据、酸价、过氧化值等数据导入matlab，使酸价、过氧化值与质构数据均保持一一对应的关系。

数据归一化采用matlab中的mapminmax函数，该函数的数学表达式为：

y＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin

其中ymin，ymax为参数，默认值分别为-1，1，x为向量x中任一元素，xmin，xmax分别为x中的最小、最大值。

随机选取数据是构建bp神经网络模型前对数据进行处理的方法。随机函数采用matlab中的randperm函数。

s4中所述构建bp神经网络模型包括：

构建一个bp神经网络，matlab中表达形式：net＝newff(p,t,s)，p指输入数据矩阵，即澳洲坚果的质构数据；t指输出数据矩阵，即对应的酸价和过氧化值；s：隐含层节点数，本发明根据多次实验结果确定该数值为9。

bp神经网络的训练参数设置：迭代次数设为10000，matlab中表达形式为net.trainparam.epochs＝10000；均分根误差设为小于10-5训练结束，matlab中表达形式为net.trainparam.goal＝1e-5；学习率设为0.01，matlab中表达形式为net.trainparam.lr＝0.01。

bp神经网络的训练，matlab中表达形式为net＝train(net,p,t)。

bp神经网络模型仿真测试包括：

输入测试集，输出预测值，matlab中表达形式为t＝sim(net,p)，p指输入数据矩阵，即用来做模型仿真测试的澳洲坚果的质构数据；t指输出(预测)数据矩阵，即预测的对应的酸价和过氧化值。

输出(预测)数据矩阵经反归一化得到真实值，调用matlab中mapminmax函数。

bp神经网络模型性能评价包括：

相对误差的计算，matlab中表达为error＝100*abs(t_sim-t_test)./t_test，其中error指相对误差；abs为取绝对值的函数；t_sim指预测的酸价、过氧化值的数据矩阵，t_test指实际的酸价、过氧化值的数据矩阵。

利用matlab中的绘图函数plot，分别绘制测试集的酸价、过氧化值的实际值与预测值对比图，x轴为预测样本，y轴为预测值与实际值。

在matlab中多次运行bp神经网络模型程序，直至得到理想的预测结果时，保存该bp神经网络模型，matlab中表达形式为saveresultnetnet。

将澳洲坚果质构数据输入已训练好的bp神经网络模型包括：

导入需预测酸价和过氧化值的澳洲坚果质构数据macadamia.mat，matlab中表达形式为loadmacadamia.mat。

调用已训练好的bp神经网络模型，matlab中表达形式为loadresultnet。

输出(预测)对应的酸价和过氧化值包括：运行上述matlab程序，即可输出(预测)对应的酸价和过氧化值结果。

对比例

根据《食品安全国家标准食品中酸价的测定》(gb5009.229-2016)和《食品安全国家标准食品中过氧化值的测定》(gb5009.227-2016)所述的化学滴定法测定澳洲坚果仁的酸价和过氧化值。

选择同一批次带壳的澳洲坚果置于45℃，湿度40％的培养箱中贮藏50天，加速其中脂肪的氧化。分别选取贮藏时间点为0、5、10、15、20、25、30、35、40、45、50天的澳洲坚果分别分组，各组编号依次为1、2、3、4、5、6、7、8、9、10、11，每组样品均分为2份。一份采用实施例的方法测定质构指标，每组样品选取5-10个，进行重复实验，取平均值，然后将质构数据输入bp神经网络模型，获得酸价和过氧化值的预测值；另一份采用对比例的方法测定酸价和过氧化值，每组样品选取5-10个，进行重复实验，取平均值。测定结果如表1及图2、图3所示。

预测结果如表1，及图2-图4，从数据结果可知，使用本发明的方法预测结果和实际值的相对误差均小于5％，预测准确度能满足相关食品企业对澳洲坚果品质监控的需要。

表1仿真测试结果

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除