[发明专利]一种基于CNN-LSTM模型预测三文鱼新鲜度的方法、设备及介质

说明书

一种基于CNN‑LSTM模型预测三文鱼新鲜度的方法，S1.样品制备，将新鲜三文鱼切成三文鱼样品；S2.在恒温贮藏实验中，三文鱼样品在若干个冰柜在规定时间内进行储藏，并在到达指定储藏时间时立即检测三文鱼样品的菌落总数TVC，得到在恒定储藏TVC数据；S3.变温贮藏实验中，三文鱼样品在若干个不同温度的冰柜进行转移，在到达指定储藏时间时立即检测三文鱼样品的菌落总数TVC，得到变温储藏TVC数据；S4.构建并训练CNN‑LSTM模型，S5.利用S4训练后的CNN‑LSTM模型对三文鱼在温度波动下的菌落总数TVC，即新鲜度进行预测。优点是，解决的温度波动拟合问题，实现任意温度条件下三文鱼新鲜度的预测。

技术领域

本发明涉及三文鱼新鲜度预测技术领域，具体为一种基于CNN-LSTM模型预测三文鱼新鲜度的方法、设备及介质。

背景技术

三文鱼味道鲜美，营养丰富，蛋白质丰富，但容易变质变质。据报道，每年有30％的水产品因腐败变质而无法食用，而这一损失占农业总损失的25％。对于这些水产品来说，新鲜度是评价其品质的最重要指标之一。研究某些贮藏条件下的新鲜度变化规律，预测水产品的新鲜度或保质期是当前的研究热点。

新鲜度通常受微生物、化学和酶活动的影响。在此过程中，温度是影响微生物和酶生长的最重要因素。大多数新鲜度预测模型是基于某些温度条件下的微生物动力学建立的。在研究建立微生物动力学模型中，目前研究人员已经利用数学、统计学和微生物学的知识来模拟微生物代谢。目前，微生物动力学模型可分为一级模型、二级模型和专家系统(。一级模型主要描述微生物生长与时间的关系，包括Gompertz方程、逻辑方程等。环境因素对微生物生长的影响，例如阿伦尼乌斯方程。

然而，这些动力学模型有一些缺点。这些模型虽然在固定温度下可以得到很好的预测结果，但不能适应水产品的真实储存环境，因为在水产品冷链运输和储存过程中，温度波动几乎是不可避免的。当温度波动时，动力学模型很难适应复杂多变的环境因素，因为动力学方程往往存在参数有限、表达式固定等缺陷，因此迫切需要用新的理论来预测新鲜度。

发明内容

本发明的目的是克服上述现有技术的缺点，以深度学习具有自动提取数据特征、抗干扰能力强等优点，有效改善微生物动力学方程的不足，并以细菌总数TVC作为新鲜度的指标，以CNN_LSTM深度学习模型为基础解决传统动力学模型无法解决的温度波动拟合问题，实现任意温度条件下三文鱼新鲜度的预测。

第一方面，本发明提供一种基于CNN-LSTM模型预测三文鱼新鲜度的方法，包括如下步骤：

S1.样品制备，将新鲜三文鱼切成三文鱼样品，分别放入若干个冰柜进行恒温贮藏实验和变温贮藏实验，所述的若干个冰柜设定温度不同且恒定；

S2.在恒温贮藏实验中，三文鱼样品在若干个冰柜在规定时间内进行储藏，并在到达指定储藏时间时立即检测三文鱼样品的菌落总数TVC，得到在恒定储藏TVC数据；

S3.变温贮藏实验中，三文鱼样品在若干个不同温度的冰柜进行转移，在到达指定储藏时间时立即检测三文鱼样品的菌落总数TVC，得到变温储藏TVC数据；

S4.构建并训练CNN-LSTM模型，构建CNN-LSTM模型的函数表达式如下：

f(T_day1,T_day2…T_dayN)＝TVC_T (1)

其中T_dayN指第N_th天的储存温度，TVC_T指温度T下的TVC值；利用恒温贮藏实验和变温贮藏实验的温度数据作为输入，对应的恒定储藏TVC数据、变温储藏TVC数据作为输出，对CNN-LSTM模型进行训练；

S5.利用S4训练后的CNN-LSTM模型对三文鱼在温度波动下的菌落总数TVC，即新鲜度进行预测。