[发明专利]一种智能判定果蔬冻干升华/解析转化点的方法

说明书

本发明公开了一种智能判定果蔬冻干升华/解析转化点的方法，分别建立核磁成像光谱信息与果蔬含水率以及近红外图谱与果蔬含水率的关系模型，利用所建关系模型预测未知含水率冻干果蔬样品，通过对比两模型输出值，判别果蔬冻干过程中的升华/解析转化点，将判别结果智能反馈给冻干参数控制中心，进行干燥参数的智能控制。本发明通过联用低频核磁共振和近红外光谱，提高了果蔬冻干升华/解析转化点的预测精度。

技术领域

本发明属于干燥智能化控制领域，特别涉及了一种判定果蔬冻干升华/解析转化点的方法。

背景技术

冷冻干燥目前被认为是保持食品质量特征的最佳脱水策略，如营养成分、外观、形状和产品质地。因为需要长时间保持干燥室的低压环境和冷阱的低温，冷冻干燥是一个耗时耗能的过程，当前与果蔬冷冻干燥相关的研究中有相当一部分致力于升华/解吸干燥阶段的优化。事实上，升华/解吸干燥转变点（TPS-A）的控制对于优化干燥时间和保持产品质量至关重要。传统上，干燥速率显著下降的点被确定为冷冻干燥的解吸干燥阶段的起始点。这种测定TPS-A的方法只能在整个干燥过程完成后通过分析整个数据来获得，这可能适用于实验室研究，但不能应用于工业生产。此外，如果没有及时找到干燥终点，物料将会过度干燥，导致热敏性成分的降解，增加不必要的干燥能耗。因此，在物料的冷冻干燥过程中，建立一个能够在线智能确定物料的干燥终点的模型是非常重要的。

低场核磁共振能快速准确地解释材料内部的水分状态。臧等人基于低频核磁共振研究了海参在冷冻过程中的水分分布，发现随着冷冻时间的延长，即食海参完全信号衰减的时间(弛豫时间)逐渐缩短，衰减速度逐渐降低。这一结果表明低频核磁共振没有检测到冷冻样品中游离水的信号。

崔莉等公开了一种丹参干燥过程水分分布的无损检测方法，采用生料带将不同干燥时间、不同干燥温度的丹参样品进行密封包覆，将包覆后的丹参样品在室温条件下放置3～5min；采用低场核磁共振技术获得T2谱图和质子密度加权图像，将T2谱图中10ms与100ms处作为分界，0.1～10ms为结合水，10～100ms为不易流动水，100～1000ms为自由水，峰积分面积作为水的相对含量，从而获得结合水、不易流动水及自由水的相对含量，根据质子密度加权图像获得丹参样品中的水分在丹参样品中的分布位置，从而获得不同干燥时间、不同干燥温度的丹参样品的结合水、不易流动水及自由水的分布状态，进而得到丹参干燥过程中水分分布，但该方法仅采用低场核磁技术，不能测定冻结水状态，应用范围窄。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种智能判定果蔬冻干升华/解析转化点的方法，结合低频核磁共振和近红外光谱在线判定冷冻干燥过程中果蔬物料的升华/解吸干燥行为，并将其应用于智能反馈调控干燥进程的机制中。

为了实现上述技术目的，本发明的技术方案为：

一种智能判定果蔬冻干升华/解析转化点的方法，分别建立核磁成像光谱信息与果蔬含水率以及近红外图谱与果蔬含水率的关系模型，利用所建关系模型预测未知含水率冻干果蔬样品，通过对比核磁成像光谱信息与果蔬含水率的关系模型以及近红外图谱与果蔬含水率的关系模型输出值，判别果蔬冻干过程中的升华/解析转化点，将判别结果智能反馈给冻干参数控制中心，进行干燥参数的智能控制。

进一步地，建立核磁成像光谱信息与果蔬含水率以及近红外图谱与果蔬含水率的关系模型的方法如下：

取训练样品的核磁成像光谱信息作为BP-ANN神经网络输入参数，训练样品对应的水分含量参数作为BP-ANN神经网络输出参数，优化BP-ANN神经网络的隐含层神经元数量、传递函数和训练函数，确定最优的核磁成像光谱信息与果蔬含水率的关系模型；

取训练样品的近红外图谱吸光度值作为BP-ANN神经网络输入参数，训练样品对应的水分含量参数作为BP-ANN神经网络输出参数，优化BP-ANN神经网络的隐含层神经元数量、传递函数和训练函数，确定最优的近红外图谱与果蔬含水率的关系模型。

进一步地，所述隐含层神经元数量为6~15。