《Food Packaging and Shelf Life》:A data-driven framework for remaining shelf-life prediction of sweet cherries under modified atmosphere packaging and variable cold-chain conditions
编辑推荐:
准确的货架期预测建立了受控贮藏条件下的基线,而剩余货架期(RSL)预测则能在动态食品系统中支持知情决策。在气调包装(MAP)下贮藏的甜樱桃,其品质退化受时间、温度、呼吸作用和气体组成的耦合效应驱动。虽然可在受控贮藏条件下估算货架期,但要将这一信息转化为动态冷链
准确的货架期预测建立了受控贮藏条件下的基线,而剩余货架期(RSL)预测则能在动态食品系统中支持知情决策。在气调包装(MAP)下贮藏的甜樱桃,其品质退化受时间、温度、呼吸作用和气体组成的耦合效应驱动。虽然可在受控贮藏条件下估算货架期,但要将这一信息转化为动态冷链环境中的应用,需要能够解释累积处理和温度变异性的模型。研究人员评估了多元回归、机器学习和深度学习模型,用于在受控贮藏条件下估算品质属性、气体组成和货架期。在所有测试方法中,深度学习模型始终优于传统方法。对于货架期预测,一维卷积神经网络(1D-CNN)展现了最高的预测精度(均方根误差RMSE 1天)。为将预测扩展到货架期之外,研究人员通过将基于物理学的呼吸作用和气体交换建模与数据驱动学习相结合,开发了一个统一的RSL估算框架。采用生成对抗网络(GAN)在直接测量不可获得时生成RSL估算所需的内部一致的品质状态变量。在模拟的中度和极端冷链滥用场景下,1D-CNN实现了最低的RSL估算预测误差,均方误差约为1天,并能捕捉与瞬时温度偏离相关的阶梯式和累积性RSL损失。所提出的框架能够在真实冷链条件下实现时间分辨的RSL预测,并为旨在减少采后损失、优化物流和改进易腐农产品在应用食品系统中品质管理的决策支持工具提供了实用基础。
以下是对论文主体部分的内容按照要求进行的总结和解读。
**研究背景**
全球食品供应链是复杂的系统,受物流、环境变异、市场需求和监管约束的影响。与工业供应链不同,食品系统还必须考虑生物变异性和易腐性,这使得采后管理特别具有挑战性。新鲜水果和蔬菜由于货架期有限且对处理和贮藏条件敏感,极易遭受采后损失,因此需要改进策略以保持品质并减少浪费。传统上,新鲜农产品的货架期标签基于在理想贮藏条件下得出的静态估计。此类方法未能考虑实际分销中遇到的温度波动和处理应力,常导致可销售产品被过早处置或受损水果被意外销售。甜樱桃(Prunus avium),特别是如‘Bing’等高价值品种,体现了管理高度易腐水果的挑战。其可销售性主要由视觉和质地属性决定,颜色和硬度是消费者接受度的主要指标。温度波动、采后处理实践和包装环境强烈影响呼吸速率、酶活性和生化降解,因此冷链完整性对维持品质至关重要。气调包装(MAP)通过降低氧气、提高二氧化碳浓度来延长货架期,从而抑制呼吸作用和微生物生长。然而,MAP的有效性高度依赖于产品特性,并强烈依赖于包装材料渗透性和外部温度条件。
**现有问题及研究必要性**
现有许多方法在代表真实冷链变异性或将品质演化转化为时间分辨的可用性指标方面仍存在局限性。受控条件下的货架期预测提供了有用的基线信息,但未能捕捉产品在分销过程中的动态状态。相比之下,剩余货架期(RSL)估算反映了在贮藏中间点达到预定品质阈值的时间依赖性距离,因此需要能够解释先前处理和温度滥用的累积且潜在不可逆影响的模型。本研究通过开发和应用一个数据驱动框架来填补这一空白,用于在气调包装下对Bing甜樱桃的品质演化、货架期和剩余货架期进行建模。受控贮藏实验用于将温度历史、呼吸驱动气体动力学和图像衍生的品质指标集成到代表商业实践的机器学习和深度学习架构中。该框架随后在模拟冷链滥用场景下应用,以评估非均匀温度历史下的剩余货架期行为。
**研究内容与结论**
研究人员整合了生理学理解、气调包装行为和数据驱动建模,建立了一个统一框架,用于在可变冷链条件下对高度易腐农产品进行剩余货架期预测。研究得出以下主要结论:在受控贮藏条件下,深度学习模型(尤其是1D-CNN)在品质属性、气体组成和货架期预测方面优于传统方法,实现了最低预测误差(RMSE 1天)。在模拟中度和极端冷链滥用场景下,1D-CNN同样实现了最低的RSL预测误差(均方误差约1天),并能捕捉与瞬时温度偏离相关的阶梯式累积性RSL损失。该框架通过整合呼吸作用动力学、MAP气体交换和数据驱动的品质状态估计,实现了在真实冷链条件下的时间分辨RSL预测,为减少采后损失、优化物流和改进易腐农产品品质管理提供了实用基础。论文发表在《Food Packaging and Shelf Life》。
**主要关键技术与方法**
本研究的关键技术方法包括:1) 受控贮藏实验设计:在0、4、8和13 °C条件下贮藏包装甜樱桃,采集气体组成、硬度(FirmTech硬度计)和颜色(色调光谱指纹图谱)数据,样本来源为华盛顿州立大学。2) 基于物理学的气体组成估算:通过Arrhenius方程描述温度依赖性呼吸速率,并结合低密度聚乙烯(LDPE)薄膜的透气性,利用物料平衡和理想气体定律计算MAP内部O
2和CO
2分压。3) 数据驱动建模:评估多元线性回归、决策树回归、支持向量回归、浅层神经网络、深度神经网络(Deep-NN)、一维卷积神经网络(1D-CNN)和深度神经决策树(DNDT)模型,用于估算品质属性、气体组成和货架期。4) 生成对抗网络(GAN):用于在无法直接测量时生成内部一致的品质状态变量(硬度因子、红色色调角、绿色色调角)。5) 剩余货架期估算:基于物理-数据混合模型,将温度历史、气体分压、品质状态变量等输入1D-CNN模型,计算达到预定义品质阈值所需时间。
**研究结果**
**3.1.1 受控贮藏下MAP气体组成和品质属性的响应**:在所有贮藏温度下,O
2浓度随时间下降,CO
2累积,高温(8和13 °C)导致O
2快速耗尽和CO
2加速积累,而0和4 °C维持近有氧条件更长时间。硬度损失和色素降解在高温下加快,绿色色调(与果柄叶绿素相关)对温度应力比红色色调更敏感。气体组成、硬度和颜色属性的时间轨迹不同,表明退化过程异步且不完全解耦。
**3.1.2 品质参数间的相互依赖性**:相关性矩阵显示,温度与气体组成变量间关联性强,硬度退化更依赖贮藏时长,颜色属性与大气变量的相关性较弱且不一致。无单一品质参数能充分代表MAP下的整体退化,需要多变量预测框架。
**3.1.3 品质属性和货架期估算**:在所有预测变量中,深度学习模型(Deep-NN和1D-CNN)持续优于传统回归和浅层学习模型。对于货架期估算,1D-CNN比Deep-NN表现更好,因为1D-CNN能考虑时间依赖性信息。尽管单个品质属性预测精度高,但其异步退化限制了直接用于货架期推断。
**3.1.4 受控贮藏下的货架期预测**:1D-CNN在直接货架期预测中实现了最高准确性(R
2 = 0.991,RMSE = 1.01天),优于Deep-NN。该模型能够捕捉由时间、温度历史、气体动力学和品质演化共同驱动的综合退化模式。
**3.2.1 呼吸作用的温度依赖性**:O
2消耗和CO
2产生的呼吸速率遵循Arrhenius行为,激活能分别为106.91 kJ mol
-1和104.54 kJ mol
-1。CO
2产生对温度变化略敏感,在温度波动条件下CO
2的比例增加应主导呼吸响应。
**3.2.2 时间-温度滥用曲线**:中度和极端滥用场景分别包含7次23 °C暴露2小时或4小时,峰值温度约17 °C和22 °C,相对冷藏基线约6 °C。极端滥用的热负荷更大。
**3.2.3 温度滥用期间的MAP气体组成响应**:每次温度偏离期间,CO
2分压急剧上升,O
2分压下降。极端滥用下O
2>降至约0.13 atm,CO2升至约0.14 atm。偏离事件后,气体浓度未完全恢复至原始轨迹,O2恢复慢于CO2,与LDPE膜对CO2渗透性更高一致。短期温度应力可在MAP系统内诱导持续的动态气体效应。
**3.2.4 温度滥用下的RSL预测**:1D-CNN在RSL预测中持续取得最低误差(RMSE约4-9天)。在滥用场景下,RSL轨迹在温度峰值期间呈现阶梯式下降,每次滥用事件导致约1-2天额外RSL损失,累积效应导致RSL轨迹逐渐降低,部分损伤不可逆。预测误差在贮藏早期较高,后期趋于稳定。
**讨论与结论总结**
讨论部分指出,所获得的RSL轨迹展示了瞬时温度偏离如何转化为可量化的累积产品寿命损失。RSL的阶梯式下降表明温度变异性不仅影响即时退化速率,还影响后续退化轨迹。虽然恢复至冷藏条件后RSL出现部分恢复,但恢复沿一条偏移轨迹进行,表明部分货架期损失不可逆。这一行为反映了热应力期间累积的生理损伤,静态货架期估计无法捕捉。从应用角度看,RSL预测提供了一个单一的时间分辨指标,整合了温度历史、呼吸行为、MAP气体动力学和品质演化的综合效应,减少了对可能异步退化的单个品质属性的依赖。
结论部分翻译如下:本研究提出了一个综合框架,通过结合呼吸行为、气体交换、品质演化和数据驱动预测,对MAP下甜樱桃的采后退化进行建模。结果表明,在真实冷链条件下,退化受温度历史和生理响应之间累积交互作用的支配,而非静态贮藏假设或孤立的品质指标。因此,整合多个信号的预测方法比恒温货架期估计更能真实反映采后行为。该框架进一步表明,剩余货架期预测受益于将品质退化视为系统级过程,其中气体组成、质地和视觉属性的异步变化共同决定了可用性。通过学习这些相互作用,建模方法将生理响应与时间分辨的可用性联系起来,无需依赖固定阈值,支持对可变条件下退化的解读。由于模型本质上是数据驱动的,其稳健性和可重复性取决于训练数据所代表条件的广度。对于Bing甜樱桃,继续扩展跨地点、季节和处理实践的训练数据将增强该框架的稳健性和可重复性。此外,可通过纳入商业相关品质缺陷(如霉变、凹陷、果柄褐变等)进一步扩展框架。在此背景下,本手稿的贡献在于将生理理解和数据驱动建模整合为一个统一框架,而非呈现一个最终的商业工具。总体而言,这项工作为剩余货架期建模奠定了方法论基础,可通过更广泛的数据集成逐步加强,支持更明智的决策并减少易腐供应链中的损失。