基于ODT-CNN融合LF-NMR技术的坚果干燥过程水分迁移与分布分析

《Current Research in Food Science》:The analysis of moisture migration and distribution during nut drying process based on ODT-CNN by LF-NMR

【字体: 大 中 小 】 时间:2026年04月12日 来源:Current Research in Food Science 7

编辑推荐:

  本文关注坚果干燥过程中内部水分状态评估的难题。由于内部变化不可见,依赖单一类型数据(如T2弛豫信号或MR图像)的传统方法存在局限性。为克服此问题,研究团队提出了一种深度学习模型ODT-CNN,旨在协同融合T2弛豫信号与MR图像,实现干燥状态的综合评估。该融合方法实现了97.41%的先进识别精度,显著优于单一模态方法。此外,还提出了基于最小二乘法的水分活度评价指标。这项研究突出了LF-NMR技术在分析坚果干燥过程中水分损失和分布方面的潜力,为精确评估坚果干燥度提供了可靠的方法和理论依据。

  
在食品加工领域,坚果因其丰富的营养和独特风味深受喜爱。然而,一道关键的加工步骤——干燥,却像一个“黑箱”操作。干燥不足会缩短货架期,造成经济损失;过度干燥又会破坏营养,带来不必要的浪费。那么,如何准确判断坚果内部是否达到了理想的干燥状态呢?这并非易事,因为水分在坚果内部的迁移和分布是肉眼无法直接观测的。当前,低场核磁共振(Low-field nuclear magnetic resonance, LF-NMR)技术为窥探这个“黑箱”提供了可能。它能提供两种互补的数据:T2弛豫信号(定量描述水分状态)和磁共振(Magnetic Resonance, MR)图像(可视化水分分布)。可惜的是,传统方法往往顾此失彼:依赖T2信号能精确量化却不知水分在哪,而依赖图像能看到在哪却无法精确定量其活动性,这导致对真实干燥状态的评估既不完整也不准确。针对这一挑战,一项发表在《Current Research in Food Science》上的研究,提出了一个创新的解决方案:一维Transformer卷积神经网络(One-dimension Transformer Convolutional Neural Network, ODT-CNN)模型,旨在融合这两种数据,实现对坚果干燥过程的精准评估。
为开展这项研究,研究人员运用了几个关键技术方法。他们以湖北罗田采收的新鲜板栗为样本,模拟室温储存的自然干燥过程。利用NMI20系列MesoMR12-060H-HTHP核磁共振成像分析仪,获取了样品的T2横向弛豫数据和质子密度加权(PDWI)磁共振图像。基于水分含量与内部萎缩(从MR图像面积计算)数据,采用最小二乘法拟合曲线,并通过分析其一阶、二阶导数确定了“水分活度”与“水分非活度”的划分阈值。研究构建了ODT-CNN模型,其核心创新在于设计了一个包含两个专门分支的深度学习架构:一个分支采用Transformer编码器处理一维T2弛豫序列,捕捉其长程依赖关系;另一分支采用卷积神经网络(CNN,最终选用ResNet50)从二维MR图像中提取分层空间特征。随后,融合两分支的信息,通过多层感知机(MLP)头进行最终分类,旨在克服单一数据源的局限性。
3.1. 基于水分含量和萎缩的水分活度划分
通过分析102个带壳板栗样本的水分含量与内部萎缩数据,并利用最小二乘法进行对数函数拟合,研究人员定义了一个“水分活度”评估指标。通过计算拟合曲线的一阶和二阶导数,他们确定了一个转折点作为阈值。阈值之前为“水分活度”阶段,对应恒速干燥期,水分迁移迅速;阈值之后为“水分非活度”阶段,对应降速干燥期及结构、水分稳定性开始时期。这为后续的机器学习分类提供了具有物理意义的二分类标签。
3.2. T2弛豫信息分析
3.2.1. T2弛豫曲线分析
对200个板栗样本的T2横向弛豫时间反演谱分析表明,谱图呈现三个特征峰:T21(0.01-10 ms,结合水)、T22(10-100 ms,固定化水,信号幅值A22最大)和T23(100-1000 ms,自由水)。对同一板栗样本连续16天的观察发现,A2总量呈下降趋势,其中A22下降最快最显著,A23下降最慢。T22持续加速减小,而T23在14天后不再被检测到。这些弛豫特性的显著变化可作为评估板栗水分活度和干燥度的可靠指标。
3.2.2. T2弛豫信息检测
使用T2弛豫特征(T21, T22, T23, A21, A22, A23, R21, R22, R23)训练多种机器学习模型(LR, SVM, RF, XGBoost, BPNN)。在540个样本的数据集上,最佳模型XGBoost的测试精度达到81.87%。然而,性能热图显示在决策边界附近存在明显的低精度带,表明仅凭T2数据缺乏区分干燥阶段转变所需的详细结构信息。
3.3. 磁共振图像分析
3.3.1. 磁共振图像分析
通过连续16天获取板栗的垂直和水平切片MR图像,可视化观察了其内部萎缩过程。图像显示,随着储存时间延长,板栗内部发生逐渐萎缩,萎缩区域扩大,并出现明显暗区(表明生物组织破坏和水分大量流失)乃至裂纹。外部果壳则无明显变化,凸显了内部无损检测的必要性。
3.3.2. 基于机器学习的磁共振图像评估
从MR图像中提取方差、标准差、惯量和众数等手工特征,并与T2弛豫特征结合后输入传统机器学习模型。最佳模型BPNN的验证精度达到86.13%,较仅用T2特征有显著提升。但性能热图显示在低萎缩率区域(即缺乏明显视觉结构变化时),模型仍存在一条明显的低精度水平带。
3.3.3. 基于卷积神经网络的磁共振图像评估
直接使用多种CNN架构(VGG16, Inception V3, ResNet系列, ResNeXt系列)对MR图像进行训练。最佳模型ResNeXt101取得了86.62%的验证精度,与结合了手工特征的优秀传统模型性能相当,证明了CNN自动从图像中提取高判别性特征的能力。然而,其热图同样显示在低萎缩率样本上存在识别瓶颈。
3.4. 用于水分活度评估的ODT-CNN模型
为克服单一模态的局限性,研究提出了ODT-CNN融合模型。初步实验将T2手工特征与MR图像结合,最佳模型ResNeXt101+ODT达到94.19%的总体精度,性能热图显示其在全部数据空间均保持高精度。更进一步的实验使用原始的、未经处理的T2弛豫序列作为ODT分支的输入,结果取得了更显著的提升。最终,ResNeXt101+ODT模型在测试集上达到了97.41%的顶尖识别精度,显著优于所有单一模态方法。这表明原始的T2序列包含更丰富的信息,且ODT分支中的Transformer能够有效学习其中的复杂长程依赖关系。模型性能随着CNN骨干网络深度和容量的增加而提高,例如ResNet101+ODT精度达96.23%。研究指出,对于平衡性能与计算成本的实际应用,ResNet101+ODT和ResNeXt50+ODT是不错的折中选择。
本研究成功开发了一个融合LF-NMR T2弛豫数据与MR图像的框架,用于表征板栗干燥过程中的水分活度。结果表明,仅基于T2弛豫数据或MR图像的模型不足以完全描述内部水分动力学的复杂性。相比之下,所提出的ODT-CNN模型通过整合定量T2弛豫特征与MR图像信息,显著提升了分类性能,测试集精度高达97.41%,充分证明了信息融合的优势。该框架可更好地解释为水分活度识别的决策支持工具,而非精确测量方法。在实际应用中,它可能有助于确定合适的干燥终点,并为优化坚果加工中的干燥策略提供支持。然而,由于研究是在单一坚果种类和受控实验条件下进行的,需要在不同材料和工业环境中进一步验证。总体而言,这项工作展示了将LF-NMR数据、MR图像与机器学习方法相结合,以数据驱动方式支持干燥过程分析的潜力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号