物理学引导的带有条件调制的残差学习用于猕猴桃汁巴氏杀菌过程中的质量监测

《Foods》:Physics-Guided Residual Learning with Conditional Modulation for Quality Monitoring of Kiwifruit Juice During Pasteurization

【字体: 大 中 小 】 时间:2026年07月28日 来源:Foods 6.0

编辑推荐:

  果汁巴氏杀菌过程中质量指标的准确预测面临温度依赖性反应动力学与实验室控制巴氏杀菌条件下有限标记数据可用性之间复杂耦合的挑战。在此,研究人员提出了一种物理学引导的残差学习框架,该框架融合了近红外光谱(NIR)与电子鼻(E-nose)信号进行动态质量监测。嵌入一阶

  
果汁巴氏杀菌过程中质量指标的准确预测面临温度依赖性反应动力学与实验室控制巴氏杀菌条件下有限标记数据可用性之间复杂耦合的挑战。在此,研究人员提出了一种物理学引导的残差学习框架,该框架融合了近红外光谱(NIR)与电子鼻(E-nose)信号进行动态质量监测。嵌入一阶挥发-饱和动力学方程作为物理先验(PIRL),将预测锚定于已知降解行为,同时保留残差学习器用于数据驱动的未建模偏差补偿。为进一步纳入过程控制信息,部署了一种受特征级线性调制启发的条件调制(FiLM–ICM)机制,使温度和时间不再作为被动协变量,而是作为主动调制器,自适应地重新缩放光谱和嗅觉特征响应。在猕猴桃汁巴氏杀菌数据集上,通过留一轨迹交叉验证,PIRL–FiLM框架持续优于传统化学计量学基线,R2提升高达0.030,RPD增益超过0.230。这种混合策略证明物理知识与数据驱动学习并非竞争而是互补,为小样本约束下的过程分析技术提供了稳健且可解释的范式。该框架为大规模标记数据集不可用场景下的质量监测提供了实用解决方案,例如实验室规模工艺开发和小批量生产。
**论文解读:基于物理先验与条件调制的猕猴桃汁巴氏杀菌质量监测**

**研究背景与问题**

果汁巴氏杀菌过程中,质量指标(如颜色参数a*、b*、C*、h°,以及pH和可溶性固形物含量Brix)的动态变化受温度依赖性反应动力学的影响,其预测面临两大挑战:一是温度与时间耦合导致的高维光谱数据(2048波长变量)与有限样本(456个建模样本,来自24条轨迹)之间的“高维小样本”困境;二是传统方法将温度和时间直接拼接到光谱特征中,导致这些外部变量被高维光谱淹没,预测精度受限。此外,可见-近红外(VIS–NIR)光谱基于内部穿透特性,在捕捉表面亮度(L*)方面存在物理局限,需引入电子鼻(E-nose)作为互补传感模态。因此,研究人员旨在开发一种融合物理知识与数据驱动的混合框架,以解决小样本条件下质量监测的准确性与泛化性问题。该论文发表在《Foods》。

**主要关键技术与方法**

样本来源:2025年8月,手摘‘翠香’(CX)猕猴桃采自陕西省周至县果园(108.22°E, 34.16°N),经榨汁后分别在70、80、90°C水浴加热模拟巴氏杀菌,每1分钟取样至20分钟,共24条轨迹(3温度×8技术重复),456个建模样本。关键技术包括:VIS–NIR透射光谱(339–1024 nm,2048变量)经Savitzky-Golay平滑、多散射校正(MSC)和标准正态变量变换(SNV)预处理;E-nose系统(16传感器阵列)响应经主成分分析(PCA)降维至6维统计特征(均值、标准差、斜率)。特征选择采用竞争性自适应重加权采样-连续投影算法(CARS–SPA)组合,回归模型选用高斯过程回归(GPR)。模型优化引入物理先验残差学习(PIRL),嵌入一阶挥发-饱和动力学方程作为先验趋势项;同时采用受特征级线性调制启发的条件调制(FiLM–ICM),通过温度归一化与时间正弦-余弦编码构建条件向量,对关键特征进行外积调制,形成增强特征空间。采用留一轨迹交叉验证(LOSO)评估。

**研究结果**

**3.1 光谱预处理(Spectral Preprocessing)**
通过SG平滑、MSC和SNV组合预处理,有效消除了基线漂移、散射效应和样本间振幅差异。特征波长分布显示,颜色参数(a*, b*, C*, h°)的特征波长完全集中在可见光区585–641 nm,而pH和Brix在可见光与近红外双区域均有分布,这反映了颜色参数依赖于色素吸收,而pH和Brix则涉及更复杂的散射与分子振动信息。

**3.2 电子鼻特征提取(Feature Extraction of E-Nose)**
对16通道传感器时间序列提取均值、标准差和斜率,分别经PCA降维至2维,每个时间点获得6维E-nose特征,有效保留了传感器响应强度、波动幅度和漂移趋势,降低了过拟合风险。

**3.3 最优模型选择(Optimal Model Selection)**
系统比较了7种特征选择方法(Corr、VIP、UVE、CARS、SPA、CARS–SPA、iPLS)与5种回归模型(GPR、PLS、RF、SVR、XGB)。CARS–SPA与GPR组合表现最优,平均R2为0.7934,RPD为2.29。a*最容易预测,Brix最难预测,表明其光谱响应较弱或更间接。

**3.4 模型优化(Model Optimization)**
采用一阶挥发-饱和动力学方程拟合物理先验,颜色参数拟合R2较高(a*: 0.913, b*: 0.881, C*: 0.841, h°: 0.705),而pH和Brix拟合较差(R2分别为0.014和0.039)。PIRL框架利用先验趋势项,由GPR学习残差,实现物理约束与数据驱动的互补。FiLM–ICM通过外积调制将温度-时间信息主动注入特征空间,增强模型对动态环境的适应性。

**3.5 预测结果(Prediction Results)**
LOSO验证下,基线C0(无温度时间信息)VIS–NIR路径平均R2为0.778,融合E-nose后提升至0.803。C4(PIRL+FiLM-ICM)VIS–NIR路径R2达0.808,RPD为2.436;融合路径R2为0.810,RPD为2.453。Brix和pH的RPD提升最为显著,分别增加0.229和0.380。最终模型对a*和h°预测准确(R2分别为0.915和0.892),而对Brix预测精度较低(R2为0.742)。C3(仅FiLM-ICM)与C4表现相近,表明PIRL与FiLM-ICM存在信息冗余,但两者结合仍可保持性能。

**3.6 讨论(Discussion)**
讨论部分指出,一阶动力学先验对颜色参数提供良好趋势,但pH和Brix的动力学拟合不准确,反而使残差学习更关键——物理项捕捉总体趋势,机器学习补偿非动力学偏差。FiLM-ICM选择性增强温度敏感参数(如a*和h°),而对pH等弱光谱-温度耦合参数增益有限。PIRL与FiLM-ICM组合未显著优于单独FiLM-ICM,反映信息饱和或冗余。与深度学习相比,本框架计算高效、可解释性强,适合小样本场景。局限性包括:仅使用单一品种、技术重复、实验室条件,需外部验证。

**结论翻译**
总体而言,本研究表明,在小样本可见-近红外时间序列预测任务中,模型性能提升并非仅依赖更复杂的架构,而是通过物理先验、条件信息和光谱特征的协同耦合有效实现。具体而言,嵌入挥发-饱和动力学方程作为物理先验为温度驱动的颜色演化提供了可解释的趋势项,同时将建模范式从纯数据拟合转变为具有机理约束的残差学习框架。补充地,FiLM-ICM条件调制的引入将温度和时间从简单与高维光谱特征拼接的低维协变量提升为主动参与特征表达的调控因子,从而增强了模型在不同热处理条件和加工阶段的适应性。与基于深度神经网络的方法相比,所提出的框架特别适用于样本量有限、实验成本高的农产品质量检测场景。物理先验参数具有清晰的工程解释,显著提高了模型预测的可解释性。在严格留一轨迹交叉验证下的定量评估证实,PIRL–FiLM-ICM配置在所有质量指标上均优于基线模型,其中Brix和pH的泛化增益最为显著(RPD分别增加0.229和0.380)。然而,这些发现应谨慎解释,因其基于单一猕猴桃品种、实验室控制条件及相对较小的数据集。未来工作应包括独立批次和不同品种的外部验证、跨产品适应的迁移学习探索,以及工业规模和实时部署场景下的验证。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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