摘要
中国是淡水鱼养殖、加工和消费的大国。随着近年来我国国民生活水平的提高和对淡水鱼营养价值的认识增加，我国居民对淡水鱼的需求持续增长，人均消费量也在上升。消费者对其安全性、感官品质和营养成分的关注也日益提高。然而，淡水鱼水分、蛋白质含量高，易发生蛋白质分解，也易因为微生物大量生长导致腐败变质，我国的淡水鱼在冷链物流的过程中有着较高的损失浪费率，因此，建立新鲜度模型实时监控和预测冷链贮藏过程中的淡水鱼新鲜度变化对于减少水产品损失具有重要的意义。目前已有新鲜度模型研究中使用的数据量较小，且只适用于单一鱼种，随着计算机技术的发展，大数据和深度学习技术能够很好的对新鲜度模型预测性能进行提升。因此，本研究收集大量的淡水鱼新鲜度数据并使用深度学习方法进行建模，实现淡水鱼冷链物流过程中的新鲜度的准确预测。 具体内容如下: （1）收集整理了罗非鱼、鳙鱼、虹鳟鱼、鲢鱼、鲫鱼、团头鲂、草鱼和鲤鱼贮藏过程中挥发性盐基氮、菌落总数和K值三种新鲜度指标数据，通过数据扩增和标准化的预处理方式生成更为多样化的标准训练样本，并建立了可供深度学习算法训练的大型数据集。通过融合CNN-LSTM深度学习算法对淡水鱼新鲜度进行预测分析，选定最优化的超参数配置得到性能最优的模型结构，模型RMSE为0.3568,MAE为0.2351,R2为0.8916。此外，对比了CNN-LSTM模型与多元线性回归模型（MLR）、随机森林模型（RF）、RBF神经网络模型、多层感知器模型（MLP）、单一长短期记忆网络模型（LSTM）的预测结果，结果显示，CNN-LSTM模型有着最低的RMSE和MAE值，以及最高的R2,预测效果显著优于对比模型。 （2）构建了基于数据库搜索和分级投票方法的冷链物流过程中CNN-LSTM网络的淡水鱼新鲜度评估方法，通过在数据库中进行搜索当前温度和贮藏时间，得到模拟实际冷链物流过程中的新鲜度指标（TVB-N、菌落总数和K值）;并根据三个指标的值以及预先设定的阈值进行多数投票运算，计算出最终的新鲜度评级。通过实验模拟两条波动温度链（超市直销（SDS）供应链和远程运输（LDT）供应链）进行验证，结果显示，淡水鱼新鲜度评估方法对TVB-N和K值的预测中R2均超过85％,说明该方法能对波动温度贮藏条件下的淡水鱼新鲜度实现准确预测。 （3）建立了一个基于CNN-LSTM的淡水鱼新鲜度预测模型和模拟冷链物流条件下淡水鱼新鲜度评估方法的交互式系统，实现了预测的可视化与直观操作。系统采用了模块化方法，整体框架基于Python语言，内嵌两种模型以实现程序功能，使用Tkinter库构建了图形用户界面，简化了用户与系统的交互过程。用户可在系统中输入贮存条件得到八种淡水鱼的新鲜度指标预测数据以及新鲜度评级。
NETL