《Foods》:Dynamic Quality Prediction and Intelligent Classification of Litopenaeus vannamei in Cold Chain Based on Tad-Transformer
编辑推荐:
冷链物流中的温度波动加速了凡纳滨对虾(Litopenaeus vannamei)的蛋白质降解、脂质氧化和颜色恶化,降低了产品价值并危及食品安全。为解决这一问题,研究人员提出了一种基于Tad-Transformer神经网络的动态质量预测方法。首先,在六种冷链温度
冷链物流中的温度波动加速了凡纳滨对虾(Litopenaeus vannamei)的蛋白质降解、脂质氧化和颜色恶化,降低了产品价值并危及食品安全。为解决这一问题,研究人员提出了一种基于Tad-Transformer神经网络的动态质量预测方法。首先,在六种冷链温度条件下进行存储实验,收集多维度理化和质构数据。通过温度敏感性分析筛选核心质量指标,并构建时间序列数据集。其次,采用改进的引入最小-最大约束的K-means++聚类算法进行质量分级。最后,利用Tad-Transformer模型预测质量指标和等级的时间演变。在自建数据集上与Transformer、Informer和FEDformer的对比验证表明,对于最具挑战性的高质量样本,所提模型的精确率和召回率均超过89%,分别比对比模型提高了4.17%–10.77%和2.28%–8.37%。该方法为冷链物流中的质量分级控制和异常风险预警提供了技术支持,为水产品的动态质量监测和智能评估提供了科学参考。
凡纳滨对虾(Litopenaeus vannamei)作为全球重要的高经济价值水产养殖品种,在冷链物流中极易因温度波动导致蛋白质降解、脂质氧化和色泽劣变,从而降低产品价值并危及食品安全。传统静态离线检测方法无法捕捉冷链动态温度波动下的质量变化,难以实现全程实时监测。针对这一瓶颈,研究人员提出基于Tad-Transformer的动态质量预测与智能分类方法,旨在为水产品冷链的质量分级控制、异常风险预警提供技术支撑,相关论文发表在《Foods》。
研究人员开展的研究包括:在六种冷链温度条件(?40 °C、?18±0.5 °C、?18±2 °C、?18±4 °C、?18±6 °C、?18±8 °C)下进行120天存储实验,每5天采样,检测多维度理化与质构指标(总挥发性盐基氮(TVB-N)、硫代巴比妥酸反应物(TBARS)、颜色参数L
*、a
*、b
*、硬度、弹性、回复性、咀嚼性)。通过多维度敏感性评估方法(线性回归斜率、温度离散度、温度相关性、斜率对比度)筛选出核心质量指标(TVB-N、TBARS、硬度、b
*),构建时间序列数据集。采用改进的引入最小-最大样本约束规则的K-means++聚类算法对质量进行自适应分级(高、中、低三级)。提出Tad-Transformer模型,该模型融合动态时变耦合(TVC)图与对流-扩散协同信息传播机制,利用图卷积网络(GCN)实现局部信息扩散,结合全局注意力机制实现信息对流,实现质量指标与等级演变的动态预测。在自建数据集上与Transformer、Informer、FEDformer进行对比验证。
主要技术方法包括:1)多维度敏感性评估方法,通过线性回归拟合指标随时间的退化速率,计算温度离散度、温度相关性及斜率对比度,加权综合评分以筛选核心指标;2)改进K-means++聚类算法,引入概率加权初始中心选择策略和最小-最大样本约束规则,基于欧氏距离分配样本,并采用轮廓系数确定最优聚类数k=3;3)Tad-Transformer模型,由TVC图生成模块(基于Pearson相关系数和Top-K策略构建自适应稀疏邻接矩阵)和对流-扩散协同信息传播模块(局部GCN扩散与全局多头注意力对流,设置扩散系数α=0.5,信息传播扩展至四阶)组成,最终通过多尺度融合、解码及趋势项叠加输出预测值。样本来源于实际冷链场景,实验设置六种温度梯度,120天存储,每5天采样,每个温度条件设置三个生物学重复,每个时间点随机取三只虾进行测量。
研究结果分三个部分:
**3.1 数据集构建与核心质量指标选择**:通过温度敏感性分析,得到硬度与b
*得分最高,综合排序后最终选取TVB-N、TBARS、硬度和b
*作为核心指标。在?40 °C超低温下,四个核心指标变化幅度最小,保鲜效果最佳;随温度波动加剧,TVB-N和TBARS上升,硬度下降,b
*升高,符合蛋白质降解、脂质氧化、肌肉软化和黄变的经典变质规律。
**3.2 Tad-Transformer质量预测模型实验结果**:以b
*指标为例,Tad-Transformer在六种温度条件下的MAE、MSE、RMSE、MAPE、MSPE均低于Transformer、Informer和FEDformer,其最大值(如MAE 0.045506)小于其他模型的最小值。通过五种随机种子(42, 1234, 2024, 3407, 9999)的重复实验,Tad-Transformer的标准差一致小于对比模型,表明预测精度和稳定性显著优于基线模型。
**3.3 基于改进K-means++的质量分级结果**:轮廓系数分析显示,改进K-means++在k=3时轮廓系数最大(0.5144),优于传统K-means和原始K-means++。主成分分析(PCA)散点图显示三级样本边界清晰。高、中、低质量等级中,高质量样本的TVB-N、TBARS、b
*最低,硬度(经反向变换后)最小即原始硬度最大;低质量样本各指标严重恶化。样本分布中低质量占44.7%,高质量占16.7%,符合长期冷链储存的自然变质规律。将Tad-Transformer预测值与聚类中心进行欧氏距离匹配,其低、中、高质量等级的F1-score分别为90.85%、94.23%、91.48%,高于其他对比模型,综合准确率最高且稳定性优异。
讨论部分指出,冷链温度波动是凡纳滨对虾质量劣变的关键因素,所构建的核心指标体系能全面反映纹理、色泽和化学变化。Tad-Transformer结合图卷积与对流-扩散机制,在预测精度和鲁棒性上优于传统Transformer等模型。改进K-means++克服了传统聚类局限,质量分级合理。研究局限性包括:实验在受控实验室条件下进行,未考虑真实冷链中的机械振动、压缩堆叠、装卸过程中的温度尖峰;模型仅基于单一来源的凡纳滨对虾训练,对其他品种或批次泛化性未知;包装方式(如真空包装、气调包装)可能影响模型性能。未来工作需在多批次、多包装形式和真实冷链环境中通过物联网监测数据进行验证。研究结论:研究人员提出的Tad-Transformer模型结合改进K-means++聚类,能够同时实现凡纳滨对虾质量指标的数值预测与自动等级分类,满足水产品冷链在线监测、质量分级和风险预警的实际需求,为动态质量监测和智能评估提供了科学参考。