基于数据驱动的融合卷积神经网络框架预测食品跨频率微波加热性能及其均匀性优化研究

本文创新性地提出了一种融合卷积神经网络（CNN）模型，通过单一频率的热模式（seed pattern）预测多频率依赖性微波加热分布，成功消除了传统动态变频过程中耗时的频率扫描阶段（约占加热总时长的20%）。该模型在SSIM≈0.9、RMSE为0.86?°C的精度下表现出优异预测能力，且适用于不同食品材料、几何形状与种子频率，为固态微波加工中的互补频率切换策略（complementary-frequency shifting）提供了关键技术支撑，有望显著提升食品加热均匀性与品质保全效果。

　　

Highlight

多物理场模型用于数据集生成

为验证所提出模型的框架，本研究采用先前已验证的实验室多物理场模型（Panasonic Model NN-SN936W）生成热模式数据集（图1A）。这些数据集模拟了不同几何形状（图1B-E）和材料特性的多种食品（图2和表1）。尽管频率变化常被视为影响微波热分布的因素，但其具体机制仍需系统解析。

不同结构CNN模型的比较

建立具有适当复杂度的CNN模型对于实现预测精度与计算效率的平衡至关重要，这确保了模型在实际应用中的高效部署而不牺牲性能。图9展示了四种不同简化程度CNN模型在训练过程中的收敛曲线。其中，结构-I的CNN模型（图5）取得了最低的训练损失与最优的泛化能力，表明其结构设计最适合本任务的需求。

结论

本研究开发了一种基于数据驱动的融合UNet-CNN框架，用于预测微波加热过程中频率依赖性的热分布模式。模型以单一频率的热模式作为种子输入，结合种子频率标签、食品区域掩模和目标频率标签进行训练。优化后的模型结构包含两个UNet模块，分别采用L1正则化（以实现最佳SSIM）和L2正则化（以优化RMSE），在多项指标上均表现出卓越的预测一致性与鲁棒性。该模型不仅能准确定位热点与冷区，还可为互补频率策略提供关键数据支持，从而提升微波加热的整体均匀性与食品加工质量。

CRediT作者贡献声明

Ran Yang： 撰写初稿，可视化，验证，软件，方法论，研究实施，形式分析，数据整理，概念化。

Jiajia Chen： 撰写审阅与编辑，监督，资源调配，项目管理，方法论设计，资金获取，形式分析，概念化。

利益冲突声明

作者声明无利益冲突。

致谢

本研究由田纳西农业实验站支持，资金来源于美国农业部国家食品与农业研究所（USDA NIFA）Hatch多州研究容量资助计划（项目编号：1023982）及USDA NIFA AFRI项目（批准号：2021-67017-33444）。