一种基于深度学习的荔枝内核温度动态预测方法

本发明涉及深度学习和荔枝数据处理，尤其涉及一种基于深度学习的荔枝内核温度动态预测方法。

背景技术：

1、我国是全球荔枝产业第一大国，但荔枝产业存在上市期集中、保鲜难度大以及货架期极短的问题。液氮速冻冷鲜是一种高效的食品冷冻技术，可以在极短的时间内将食品温度降低到冰点以下，形成细小均匀的冰晶，从而保持食品的口感、色泽和营养价值。冷冻过程中荔枝的内核温度是影响保鲜效果的关键因素，过度冻结会使细胞内部水分结晶过度，形成大冰晶，破坏细胞完整性，导致组织软化、失水和营养流失。冻结不足会导致无法遏制微生物活动和酶促反应，难以实现长期保鲜。现有的冷冻方法的温度控制一般停留在冷冻空间层面上，无法准确预测和控制荔枝果实内核温度，导致荔枝果实内核温度未能达到理想值而影响冷冻品质。传统的红外线测温、超声波测温和磁共振成像(mri)测温等方法存在测温精度相对较低，以及成本较高的问题。

2、近年来，机器学习和深度学习技术的快速发展为解决这一问题提供了新的可能。基于深度学习的方法可以更好地捕捉复杂的温度变化规律，并实现对荔枝内核温度的动态预测。现有技术难以在冷冻过程中无损获取荔枝内核温度，需要在荔枝完成冷冻后插入温度传感器来检测内核温度是否符合冷冻锁鲜要求，会对荔枝造成损坏。

3、因此，需要一种在不损坏荔枝内核的前提下，可以对冷冻荔枝内核温度进行动态预测的方法。

技术实现思路

1、为克服相关技术中存在的问题，本发明的目的是提供一种基于深度学习的荔枝内核温度动态预测方法，该方法在不损坏荔枝内核的前提下，可以对冷冻荔枝内核温度进行动态预测。

2、一种基于深度学习的荔枝内核温度动态预测方法，包括：

3、获取原始数据，对所述原始数据进行预处理，得到预处理后数据；其中，所述原始数据包括冷冻空间温度、荔枝内核温度和风机转速；

4、将所述预处理后数据输入优化后lstm模型进行预测，得到k时刻的荔枝内核初步预测温度；

5、将k时刻的所述荔枝内核初步预测温度输入卡尔曼滤波器进行预测和更新，得到k时刻的荔枝内核最终预测温度。

6、在本发明较佳的技术方案中，所述将所述预处理后数据输入优化后lstm模型进行预测之前，还包括：

7、构建lstm模型；

8、使用adam优化算法对所述lstm模型进行参数优化，得到优化后lstm模型。

9、在本发明较佳的技术方案中，所述构建lstm模型，包括：

10、构建输入层、单向lstm层和全连接输出层；

11、将所述输入层的输出端与所述lstm层的输入端连接；

12、将所述lstm层的输出端与所述全连接输出层的输入端连接。

13、在本发明较佳的技术方案中，所述使用adam优化算法对所述lstm模型进行参数优化，得到优化后lstm模型，包括：

14、确定待优化参数，计算adam优化算法的损失函数关于所述待优化参数的梯度；

15、根据所述梯度计算一阶矩估计和二阶矩估计；

16、根据所述梯度和指数衰减率对所述一阶矩估计和所述二阶矩估计进行更新，得到更新后一阶矩估计和更新后二阶矩估计；

17、对所述更新后一阶矩估计和所述二阶矩估计进行偏差修正，得到修正后一阶矩估计和修正后二阶矩估计；

18、使用所述修正后一阶矩估计和所述修正后二阶矩估计更新所述待优化参数，得到优化后lstm模型。

19、在本发明较佳的技术方案中，所述将k时刻的所述荔枝内核初步预测温度输入卡尔曼滤波器进行预测和更新，得到k时刻的荔枝内核最终预测温度，包括：

20、将k时刻的所述荔枝内核初步预测温度输入卡尔曼滤波器进行迭代预测，得到状态方程和观测方程；

21、对所述状态方程和所述观测方程进行迭代更新，得到状态更新方程、误差协方矩阵更新方程、卡尔曼增益矩阵更新方程、状态估计测量更新方程和误差协方差矩阵量测更新方程；

22、根据所述状态估计测量更新方程计算出k时刻的荔枝内核最终预测温度。

23、在本发明较佳的技术方案中，所述将k时刻的所述荔枝内核初步预测温度输入卡尔曼滤波器进行预测和更新之前，还包括：

24、建立卡尔曼滤波器；

25、将所述lstm模型作为所述卡尔曼滤波器的状态转移模型。

26、在本发明较佳的技术方案中，所述得到k时刻的荔枝内核最终预测温度之后，还包括：

27、计算k+1时刻至k+n时刻的所述荔枝内核最终预测温度；

28、将k时刻至k+n时刻的所述荔枝内核最终预测温度组成荔枝内核预测温度序列；

29、将所述荔枝内核预测温度序列发送至速冻温控系统；

30、控制所述速冻温控系统调节阀门开度，以调节冷冻腔内的温度。

31、在本发明较佳的技术方案中，所述对所述原始数据进行预处理，得到预处理后数据，包括：

32、对所述原始数据进行异常值剔除，得到异常值剔除后数据；

33、对所述异常值剔除后数据进行归一化处理，得到预处理后数据。

34、在本发明较佳的技术方案中，所述对所述原始数据进行异常值剔除，得到异常值剔除后数据，包括：

35、设置第一温度阈值、第二温度阈值和转速阈值；

36、计算单位时间内所述冷冻空间温度的第一温度变化量，计算单位时间内所述荔枝内核温度的第二温度变化量，计算单位时间内所述风机转速的转速变化量；

37、若所述第一温度变化量的绝对值大于所述第一温度阈值，则判定对应的所述冷冻空间温度异常，得到冷冻空间温度异常值；

38、若所述第二温度变化量的绝对值大于所述第二温度阈值，则判定对应的所述荔枝内核温度异常，得到荔枝内核温度异常值；

39、若所述转速变化量的绝对值大于所述转速阈值，则判定对应的所述风机转速异常，得到风机转速异常值；

40、从所述原始数据中剔除所述冷冻空间温度异常值、所述荔枝内核温度异常值和所述风机转速异常值，得到异常值剔除后数据。

41、在本发明较佳的技术方案中，所述adam优化算法的损失函数采用rmse函数，所述rmse函数的自变量为验证集中荔枝内核的温度平均值，以及每个样本的荔枝内核温度预测值。

42、本发明的有益效果为：

43、本发明提供的基于深度学习的荔枝内核温度动态预测方法包括获取原始数据，对原始数据进行预处理，得到预处理后数据；其中，原始数据包括冷冻空间温度、荔枝内核温度和风机转速。将预处理后数据输入优化后lstm模型进行预测，得到k时刻的荔枝内核初步预测温度。将k时刻的荔枝内核初步预测温度输入卡尔曼滤波器进行预测和更新，得到k时刻的荔枝内核最终预测温度。本发明结合lstm模型和卡尔曼滤波器，建立冷冻荔枝内核温度动态预测模型，可以准确预测荔枝在冷冻过程中的温度变化，为控制冷冻荔枝内核温度提供基础，从而改善荔枝冷冻质量。lstm模型可以较好的捕捉时间序列数据中的长期依赖关系，利用冷冻空间温度对荔枝内核温度实时的进行智能预测。卡尔曼滤波器对线性高斯系统的效果较好，且可以利用测量噪声协方差矩阵，有效的抑制噪声对状态估计的影响，解决了单一神经网络对噪声数据比较敏感，时变系统建模能力较弱，导致难以获得稳定的预测结果的问题，从而增强本方面预测荔枝内核温度的鲁棒性和抗噪能力。