一种基于CNN-LSTM模型预测三文鱼新鲜度的方法、设备及介质

一种基于cnn-lstm模型预测三文鱼新鲜度的方法、设备及介质
技术领域
1.本发明涉及三文鱼新鲜度预测技术领域，具体为一种基于cnn-lstm模型预测三文鱼新鲜度的方法、设备及介质。


背景技术：

2.三文鱼味道鲜美，营养丰富，蛋白质丰富，但容易变质变质。据报道，每年有30％的水产品因腐败变质而无法食用，而这一损失占农业总损失的25％。对于这些水产品来说，新鲜度是评价其品质的最重要指标之一。研究某些贮藏条件下的新鲜度变化规律，预测水产品的新鲜度或保质期是当前的研究热点。
3.新鲜度通常受微生物、化学和酶活动的影响。在此过程中，温度是影响微生物和酶生长的最重要因素。大多数新鲜度预测模型是基于某些温度条件下的微生物动力学建立的。在研究建立微生物动力学模型中，目前研究人员已经利用数学、统计学和微生物学的知识来模拟微生物代谢。目前，微生物动力学模型可分为一级模型、二级模型和专家系统(。一级模型主要描述微生物生长与时间的关系，包括gompertz方程、逻辑方程等。环境因素对微生物生长的影响，例如阿伦尼乌斯方程。
4.然而，这些动力学模型有一些缺点。这些模型虽然在固定温度下可以得到很好的预测结果，但不能适应水产品的真实储存环境，因为在水产品冷链运输和储存过程中，温度波动几乎是不可避免的。当温度波动时，动力学模型很难适应复杂多变的环境因素，因为动力学方程往往存在参数有限、表达式固定等缺陷，因此迫切需要用新的理论来预测新鲜度。


技术实现要素：

5.本发明的目的是克服上述现有技术的缺点，以深度学习具有自动提取数据特征、抗干扰能力强等优点，有效改善微生物动力学方程的不足，并以细菌总数tvc作为新鲜度的指标，以cnn_lstm深度学习模型为基础解决传统动力学模型无法解决的温度波动拟合问题，实现任意温度条件下三文鱼新鲜度的预测。
6.第一方面，本发明提供一种基于cnn-lstm模型预测三文鱼新鲜度的方法，包括如下步骤：
7.s1.样品制备，将新鲜三文鱼切成三文鱼样品，分别放入若干个冰柜进行恒温贮藏实验和变温贮藏实验，所述的若干个冰柜设定温度不同且恒定；
8.s2.在恒温贮藏实验中，三文鱼样品在若干个冰柜在规定时间内进行储藏，并在到达指定储藏时间时立即检测三文鱼样品的菌落总数tvc，得到在恒定储藏tvc数据；
9.s3.变温贮藏实验中，三文鱼样品在若干个不同温度的冰柜进行转移，在到达指定储藏时间时立即检测三文鱼样品的菌落总数tvc，得到变温储藏tvc数据；
10.s4.构建并训练cnn-lstm模型，构建cnn-lstm模型的函数表达式如下：
11.f(t
day1
,t
day2
…
t
dayn
)＝tvc
t
ꢀꢀꢀꢀꢀ
(1)
12.其中t
dayn
指第n
th
天的储存温度，tvc
t
指温度t下的tvc值；利用恒温贮藏实验和变温贮藏实验的温度数据作为输入，对应的恒定储藏tvc数据、变温储藏tvc数据作为输出，对cnn-lstm模型进行训练；
13.s5.利用s4训练后的cnn-lstm模型对三文鱼在温度波动下的菌落总数tvc，即新鲜度进行预测。
14.作为上述方案的改进，在所述的s2的恒温贮藏实验中，所述的冰柜数量为四，设定温度分别为-18℃、2℃、4℃和20℃，储藏时间为1-16天。
15.作为上述方案的改进，在所述的s2的恒温贮藏实验中，所述的冰柜数量为四，设定温度分别为-18℃、2℃、4℃和20℃，其中在-18℃和4℃下，三文鱼样品的储藏时间分别是1天、2天、3天、4天、5天、7天、8天、9天、10天、11天、12天和14天；在2℃下，三文鱼样品的储藏时间分别是2天、5天、8天、11天和16天；在20℃下，三文鱼样品储存时间为1-5天。
16.作为上述方案的改进，在所述的s3的变温贮藏实验中，所述的冰柜数量为三，设定温度分别为-18℃、4℃和20℃，在输入数据进行模型训练时，将最长储藏时间设置为14天，但实际储存时间低于14天时，使用嗜冷菌最低生长温度进行填充。
17.作为上述方案的改进，所述的cnn-lstm模型包括输入层、一维卷积层、最大池化层、lstm隐藏层、全连接层；所述的输入层为一维温度数据输入，一维卷积层通过一维卷积核接收一维温度数据，最大池化层将一维卷积层的输出进行大小压缩，然后通过lstm隐藏层进行多维度挖掘数据特征并寻找局部特征之间的相关性并输出特征向量进入全连接层，全连接层输出结果。
18.作为上述方案的改进，所述的一维卷积层的卷积公式如下：
[0019][0020]
其中x为输入序列，u为卷积核。
[0021]
作为上述方案的改进，所述的一维卷积核个数为14个，卷积核尺寸为1*1，不填充周边，卷积步长为1；所述的最大池化层中池化核尺寸为1*1。
[0022]
作为上述方案的改进，所述的lstm隐藏层包括第一lstm层、第二lstm层、第三lstm层和依次对应的第一dropout层、第二dropout层、第三dropout层；所述的第一lstm层的神经元个数为32，激活函数为relu，输出为3d张量，第一dropout层随机丢弃神经元，丢弃比例为1％；所述的第二lstm层的神经元个数为1024，激活函数为relu，输出为3d张量，第二dropout层随机丢弃神经元，丢弃比例为1％；所述的第三lstm层的神经元个数为128，激活函数为relu，输出为3d张量，第二dropout层随机丢弃神经元，丢弃比例为30％。
[0023]
第二方面，本发明还提供一种基于cnn-lstm模型预测三文鱼新鲜度的设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任意一项所述的基于cnn-lstm模型预测三文鱼新鲜度的方法。
[0024]
第三方面，一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面任意一项所述的基于cnn-lstm模型预测三文鱼新鲜度的方法。
[0025]
相对于现有技术，本发明具有以下有益效果：
[0026]
本发明提供了一种新的卷积神经网络_长短期记忆的模型。该模型不需要拟合固
定方程的参数，并且具有在一定温度波动范围内预测新鲜度的优势。在固定温度条件下，卷积神经网络_长短期记忆模型可以取得比逻辑方程、gompertz方程和arhenius方程等经典微生物动力学方法更好的预测结果。当温度发生波动时，该模型在变温条件下仍能准确预测菌落总数tvc，预测的决定系数大于0.95，均方根误差小于0.2。此外，该模型具有预测除温度波动外其他不同变化条件下新鲜度的潜力，这为新鲜度的预测方法提供了新的前景。
附图说明
[0027]
图1为实施例1基于cnn-lstm模型预测三文鱼新鲜度方法的流程图。
[0028]
图2为实施例1恒温贮藏实验与变温贮藏实验检测菌落总数tvc与储藏时间数据关系图。
[0029]
图3为-18℃、2℃、4℃和20℃下的logistic方程拟合曲线图。
[0030]
图4为-18℃、2℃、4℃和20℃下的gompertz方程拟合曲线图。
[0031]
图5为-18℃、2℃、4℃和20℃时的arrhenius方程拟合曲线图。
[0032]
图6为实施例1中cnn_lstm模型在恒温条件下的预测拟合曲线图。
[0033]
图7为实施例1中cnn_lstm模型在变温条件下的预测拟合曲线图。
具体实施方式
[0034]
实施例1
[0035]
如图1所示，一种基于cnn-lstm模型预测三文鱼新鲜度的方法，包括如下步骤：
[0036]
s1.样品制备，将新鲜三文鱼肉切成3厘米
×
3厘米
×
2厘米的三文鱼样品，分别放入若干个冰柜进行恒温贮藏实验和变温贮藏实验，所述的若干个冰柜设定温度不同且恒定；
[0037]
s2.在恒温贮藏实验中，三文鱼样品在四个冰柜在规定时间内进行储藏，设定温度分别为-18℃、2℃、4℃和20℃，其中在-18℃和4℃下，三文鱼样品的储藏时间分别是1天、2天、3天、4天、5天、7天、8天、9天、10天、11天、12天和14天；在2℃下，三文鱼样品的储藏时间分别是2天、5天、8天、11天和16天；在20℃下，三文鱼样品储存时间为1-5天，2℃下的储藏时间与-18℃和4℃下的储藏时间不一致的原因是2℃的样本在cnn_lstm建模中没有被用作训练集。它们被用作外部测试集，这种故意存储不同时间的方法在检测模型的准确性和稳健性方面更有效。在20℃下，三文鱼样品分别储存1-5天，因为5天后三文鱼会完全腐败。每种实验条件制备三个平行的三文鱼样品，在到达指定储藏时间时立即检测三文鱼样品的菌落总数tvc，得到在恒定储藏tvc数据，如图2(a)所示，；
[0038]
s3.变温贮藏实验中，三文鱼样品在三个不同温度的冰柜进行转移，如表1所示，设定温度分别为-18℃、4℃和20℃，在输入数据进行模型训练时，将最长储藏时间设置为14天，但实际储存时间低于14天时，使用嗜冷菌最低生长温度进行填充，嗜冷菌的最低生长温度设定为开尔文温度239.16k
°
。在到达指定储藏时间时立即检测三文鱼样品的菌落总数tvc，得到变温储藏tvc数据，如图2(b)-2(f)所示。
[0039]
表1.三文鱼片的变温储存
[0040][0041][0042]“/”表示当天样品没有存储，直接进行菌落总数检测。
[0043]
从图2(a)中，我们可以看到微生物的生长受到温度的显著影响。根据海产品标准，如果tvc超过6lgcfu/g，则不能生吃。所以我们可以发现三文鱼在20℃保存2天以上、4℃保存6天以上、2℃保存9天以上都是不能食用的。图2不同储存条件下的tvc变化趋势。图2(a)：恒温。图2(b)-(f)：变温。其中a指-18℃，b指4℃，c指20℃。a2b2表示-18℃储藏两天，4℃储藏两天。a2b2c1表示-18℃储藏两天，4℃储藏两天，20℃储藏1天，以此类推。
[0044]
在观察变温数据时，我们可以看到图2(b)和(c)中切换了两个存储温度，图图2(b)-2(f)中切换了三个存储温度。图2(b)和(c)显示，当第一个储存温度固定时，tvc随着第二温度下储存时间的增加而增加。在图2(d-f)中，tvc没有表现出明显的趋势，但我们仍然可以观察到，在高温下储存时间越长，tvc越大。
[0045]
s4.构建并训练cnn-lstm模型，构建cnn-lstm模型的函数表达式如下：
[0046]
f(t
day1
,t
day2
…
t
daynb
)＝tvc
t
ꢀꢀꢀꢀꢀ
(1)
[0047]
其中t
dayn
指第n
th
天的储存温度，tvc
t
指温度t下的tvc值；
[0048]
所述的cnn-lstm模型包括输入层、一维卷积层、最大池化层、lstm隐藏层、全连接层；所述的输入层为一维温度数据输入，一维卷积层通过一维卷积核接收一维温度数据，最大池化层将一维卷积层的输出进行大小压缩，然后通过lstm隐藏层进行多维度挖掘数据特征并寻找局部特征之间的相关性并输出特征向量进入全连接层，全连接层输出结果。
[0049]
所述的一维卷积层的卷积公式如下：
[0050][0051]
其中x为输入序列，u为卷积核。
[0052]
所述的一维卷积核个数为14个，卷积核尺寸为1*1，不填充周边，卷积步长为1；所述的最大池化层中池化核尺寸为1*1。
[0053]
所述的lstm隐藏层包括第一lstm层、第二lstm层、第三lstm层和依次对应的第一dropout层、第二dropout层、第三dropout层；所述的第一lstm层的神经元个数为32，激活函数为relu，输出为3d张量，第一dropout层随机丢弃神经元，丢弃比例为1％；所述的第二lstm层的神经元个数为1024，激活函数为relu，输出为3d张量，第二dropout层随机丢弃神经元，丢弃比例为1％；所述的第三lstm层的神经元个数为128，激活函数为relu，输出为3d张量，第二dropout层随机丢弃神经元，丢弃比例为30％。
[0054]
利用恒温贮藏实验和变温贮藏实验的温度数据作为输入，对应的恒定储藏tvc数据、变温储藏tvc数据作为输出，对cnn-lstm模型进行训练；
[0055]
s5.利用s4训练后的cnn-lstm模型对三文鱼在温度波动下的菌落总数tvc，即新鲜度进行预测。
[0056]
实施例2
[0057]
一种基于cnn-lstm模型预测三文鱼新鲜度的设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任意一项所述的基于cnn-lstm模型预测三文鱼新鲜度的方法。
[0058]
实施例3
[0059]
一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面任意一项所述的基于cnn-lstm模型预测三文鱼新鲜度的方法。
[0060]
1.建模分析
[0061]
1.1恒温预测与分析
[0062]
由于微生物动力学模型也可以预测恒温条件下的微生物生长，为了比较cnn_lstm的性能，本文还使用了logistic方程、gompertz方程和arhenius方程等三种经典动力学模型来预测三文鱼的新鲜度。
[0063]
logistic方程，如公式3所示：
[0064][0065]
a1表示初始值，a2表示最终值，x0是中心，p是次方。n
t
是储存t天的微生物数量(lgcfu/g)。logistic方程的拟合结果如表2和图3所示。
[0066]
表2.logistic方程拟合微生物生长的参数及性能
[0067]
[0068]
gompertz方程，如公式4所示：
[0069][0070]
n0为第0天的初始微生物数，n
max
为增加到稳定期时的最大微生物数，μ为最大比生长速率，λ为微生物生长的阻滞时间，t为贮藏时间。n
t
是第t天的微生物数量(lgcfu/g)。gompertz方程的拟合结果如表3和图4所示。
[0071]
表3.gompertz方程拟合微生物生长的参数及性能
[0072][0073]
arrhenius方程，如公式5所示：
[0074][0075]
n0是第0天的初始微生物数量，k0是指数前因子，ea是反应的活化能，r是通用气体常数(8.3144j/moi/k)，t是绝对温度(以开尔文为单位)，n是反应级数。n
t
是第t天的微生物数量(lgcfu/g)。arrhenius方程的拟合结果如表4和图5所示。
[0076]
表4.arrhenius方程拟合微生物生长的参数及性能
[0077][0078]
使用cnn_lstm预测tvc时，cnn_lstm函数表达式可简化为公1：cnn_lstm的拟合结果如表5和图6所示；
[0079]
表5.cnn_lstm拟合微生物生长的参数和性能。
[0080]
储藏温度(℃)r2rmse-180.960.000620.990.00340.990.01200.990.06
[0081]
通过比较logistic方程、gompertz方程和arhenius方程可以发现，logistic方程的预测误差最小，决定系数(r2)最大，因此logistic方程的拟合效果最好。另外，可以发现这三个动力学方程可以准确预测2℃、4℃和20℃的tvc，r2均达到0.95以上。但在预测-18℃时，三个方程的r2均小于0.9。这是因为在-18℃时，微生物的生长非常缓慢，生长趋势近似于一条直线，但三个动力学方程都是曲线方程，所以预测误差增大。
[0082]
观察cnn_lstm的预测结果可以看出，无论预测哪个温度，该模型的性能都优于任
何动力学方程。在预测-18℃微生物生长时，r2也达到了0.95以上，远远超过了微生物动力学方程的拟合结果。这是因为cnn_lstm使用多个神经元进行非线性拟合，可以表达动力学方程无法表达的复杂微生物生长趋势。
[0083]
1.2变温预测与分析
[0084]
在变温条件下进行tvc预测时，传统的动力学方程难以拟合微生物的生长，因此本节只研究机器学习模型。在构建cnn_lstm模型时，如何设计温度变化过程是一个难题，因为在温度极低的情况下微生物增加非常缓慢。因此，这项研究需要找到一个微生物停止生长的校准温度。一些研究人员发现，一些嗜冷菌如叶生红酵母在239.16k
°
的开尔文温度下停止生长。因此，本文将微生物的最低生长温度设定为239.16k
°
。
[0085]
在构建cnn_lstm时，输入温度数据和输出tvc之间的关系也用公式1表示。但输入数据必须能够反映温度变化，为了模拟储存过程中的温度变化，变温数据的设计思路如表6所示。在设计输入数据时，将最长存储时间设置为14天，以与恒温数据保持一致。当储存样品的时间低于14天时，为了确保样品输入尺寸相同，可以使用最低生长温度来填充其他天数。例如，在14天的储存过程中，当样品在-18℃储存2天，然后在4℃储存2天，然后在20℃储存1天，它可以表示为开尔文温度255.16k
°
、255.16k
°
、277.16k
°
、277.16k
°
和293.16k
°
。同时，本实验将嗜冷菌的最低生长温度设定为239.16k
°
，因此当样品储存时间小于14天时，其他天可以填充为239.16k
°
，如表6第一行所示。
[0086]
表6.-18℃储藏2天、4℃储藏2天、20℃储藏1天的变温数据设计
[0087][0088]
在表6中，样本1至8表示相同的可变温度储存条件。由于样本储存在前5天、后5天或14天中的某5天，因此它们的tvc值相同。在表6中，样品1至8表示相同的可变温度储存条件。因此，其他日期可以填充为239.16k
°
，这表示在这些天微生物没有变化。另外，变温数据之间也可以用239.16k
°
来填充，如样品9和10。因为239.16k
°
被设定为微生物停止生长的温度，所以如果用239.16k
°
来填充变温数据之间也不会影响微生物的变化。这样的数据设置可以扩大数据量，有利于模型训练。以此类推，依据表6设计其他变温条件的输入数据。
[0089]
在模型训练中，可变温度数据作为输入，对应的tvc作为输出。填充239.16k
°
后共获得79410个温度样本。输入数据的形状为(79410,14)，即有79410个样本，每个样本的长度为14。将数据输入到一维的卷积神经网络中，被重塑为(79410,14,1)，即有79410个样本，每个样本的时间步长为14，数据的通道或特征为1。随机选取70％的样本作为训练集，剩下的
30％作为测试集。模型的优化器是“adam”，损失函数使用均方误差，batch_size为2048，一共训练了100次。
[0090]
如图7所示，变温条件下的cnn_lstm拟合曲线。a指-18℃，b指4℃，c指20℃。a2b2表示-18℃储藏两天，4℃储藏两天。a2b2c1表示-18℃储藏两天，4℃储藏两天，20℃储藏1天，以此类推。
[0091]
可以看出，无论是图7(a)中的两个温度变化，还是图7(b)-(d)中的三个温度变化，cnn_lstm模型都能准确预测tvc。预测的平均均方根误差为0.03，r2达到0.99。这意味着cnn_lstm模型可以拟合微生物在不同温度下切换时的变化规律，这是传统微生物动力学方程无法拟合的。
[0092]
此外，为了评估cnn_lstm的性能，还比较了lstm与bp和svm等其他一些经典算法的性能。为了达到每个模型的最优性能，通过贝叶斯优化搜索算法选择神经网络层数和神经元个数等超参数来寻找最优参数。
[0093]
超参数范围如下：bp层数：[1,2,3]，bp神经元个数：[32,64,128,256,512,1024]，bpdropout：比例：(0.0,0.3)。cnn层数：[1,2]，cnn卷积核个数：[3,7,14,21]，cnnkernel_size：[1,3,5,7]，cnnpool_size：[1,2]。lstm层数：[1,2,3]，lstm神经元个数：[32,64,128,256,512,1024]，lstmdropout比例：(0.0,0.3)。贝叶斯优化对模型层的选择如表7所示。
[0094]
表7.不同层的cnn和lstm组合的性能比较
[0095]
[0096][0097]
可以看出，lstm模型的性能优于cnn和bp。为了达到cnn_lstm的最佳性能，分别比较了cnn和lstm的不同组合。经过贝叶斯优化和调优后，模型的性能如表8：
[0098]
表8.基于贝叶斯优化的cnn_lstm超参数选择
[0099]
c1_f*c1_k*c1_p*c2_f*c2_k*c2_p*l1_n*l2_n*l3_n*l1_d*l2_d*l3_d*rmsecr
2c
rmsepr
2p
711\\\64\\0.01\\0.070.990.210.962131\\\641024\0.010.01\0.050.990.150.971411\\\3210241280.010.010.30.040.990.120.98732213164\\0.19\\0.260.980.260.962132211164512\0.010.01\0.050.990.170.9773121116425610240.070.110.150.040.990.320.95
[0100]
*c1_f:cnn1filters.c1_k:cnn1kernel_size.c1_p:cnn1pool_size.
[0101]
*c2_f:cnn2filters.c2_k:cnn2kernel_size.c2_p:cnn2pool_size.
[0102]
*l1_n:lstm1neurons.l2_n:lstm2neurons.l3_n:lstm3neurons.l1_d:lstm1dropout.l2_d:lstm2dropout.l3_d:lstm2dropout.
[0103]
*c1_f：cnn1过滤器。c1_k：cnn1内核大小。c1_p：cnn1池大小。
[0104]
*c2_f：cnn2过滤器。c2_k：cnn2内核大小。c2_p：cnn2池大小。
[0105]
*l1_n：lstm1神经元。l2_n：lstm2神经元。l3_n：lstm3神经元。l1_d：lstm1dropout。
[0106]
l2_d：lstm2dropout。l3_d：lstm2dropout。
[0107]
可以观察到，一层cnn和三层lstm的组合得到的预测结果最佳。经过贝叶斯优化后，最优参数组合如下：cnnfilters＝14，cnnkernel_size＝1，cnnpool_size＝1，lstm1神经元＝32，lstm1dropout＝0.01，lstm2神经元＝1024，lstm2dropout＝0.01，lstm3神经元＝128，lstm3dropout＝0.3。使用了一维cnn对温度数据的特征进行了扩展，这些特征通过lstm训练，可以有效提升模型的性能。
[0108]
表9列出了每个最优模型的预测温度数据，其中不仅包括变温数据，还包括恒温数
据。使用恒温数据的原因是模型是用变温数据训练的。从这一点来看，由于模型可以预测变温数据的tvc，因此该模型也应该能够拟合恒温条件下的tvc。因此，可以通过对恒温数据的预测来综合评价模型的准确性和适应性。
[0109]
表9.cnn_lstm、lstm、bp和svm模型的性能比较。
[0110][0111]
a指-18℃，b指4℃，c指20℃，d指-37℃，e指2℃。
[0112]
从表9可以看出，cnn_lstm和lstm的预测结果比bp神经网络和svm的预测结果要好得多，因为cnn_lstm和lstm模型都使用lstm作为时间序列处理机制。由于储存温度与微生物生长相互依赖，这种依赖关系可以通过lstm挖掘。相比之下，虽然bp和svm具有很强的非线性拟合能力，但在处理输入变量的相互依赖关系时，它们的效果仍然很差。总之，可以看出cnn_lstm的决定系数最大，均方根误差最小。所以cnn_lstm的预测性能是最好的。这也表明一维cnn可以提取输入变量的特征，从而提高了lstm对相互作用温度时间序列的预测能力。
[0113]
上列详细说明是针对本发明可行实施例的具体说明，该实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本案的专利范围中。

技术特征：
1.一种基于cnn-lstm模型预测三文鱼新鲜度的方法，其特征在于，包括如下步骤：s1.样品制备，将新鲜三文鱼切成三文鱼样品，分别放入若干个冰柜进行恒温贮藏实验和变温贮藏实验，所述的若干个冰柜设定温度不同且恒定；s2.在恒温贮藏实验中，三文鱼样品在若干个冰柜在规定时间内进行储藏，并在到达指定储藏时间时立即检测三文鱼样品的菌落总数tvc，得到在恒定储藏tvc数据；s3.变温贮藏实验中，三文鱼样品在若干个不同温度的冰柜进行转移，在到达指定储藏时间时立即检测三文鱼样品的菌落总数tvc，得到变温储藏tvc数据；s4.构建并训练cnn-lstm模型，构建cnn-lstm模型的函数表达式如下：f(t
day1
,t
day2
…
t
dayn
)＝tvc
t
ꢀꢀꢀꢀꢀꢀꢀ
(1)其中t
dayn
指第n
th
天的储存温度，tvc
t
指温度t下的tvc值；利用恒温贮藏实验和变温贮藏实验的温度数据作为输入，对应的恒定储藏tvc数据、变温储藏tvc数据作为输出，对cnn-lstm模型进行训练；s5.利用s4训练后的cnn-lstm模型对三文鱼在温度波动下的菌落总数tvc，即新鲜度进行预测。2.根据权利要求1所述的一种基于cnn-lstm模型预测三文鱼新鲜度的方法，其特征在于，在所述的s2的恒温贮藏实验中，所述的冰柜数量为四，设定温度分别为-18℃、2℃、4℃和20℃，储藏时间为1-16天。3.根据权利要求1所述的一种基于cnn-lstm模型预测三文鱼新鲜度的方法，其特征在于，在所述的s2的恒温贮藏实验中，所述的冰柜数量为四，设定温度分别为-18℃、2℃、4℃和20℃，其中在-18℃和4℃下，三文鱼样品的储藏时间分别是1天、2天、3天、4天、5天、7天、8天、9天、10天、11天、12天和14天；在2℃下，三文鱼样品的储藏时间分别是2天、5天、8天、11天和16天；在20℃下，三文鱼样品储存时间为1-5天。4.根据权利要求1所述的一种基于cnn-lstm模型预测三文鱼新鲜度的方法，其特征在于，在所述的s3的变温贮藏实验中，所述的冰柜数量为三，设定温度分别为-18℃、4℃和20℃，在输入数据进行模型训练时，将最长储藏时间设置为14天，但实际储存时间低于14天时，使用嗜冷菌最低生长温度进行填充。5.根据权利要求1所述的一种基于cnn-lstm模型预测三文鱼新鲜度的方法，其特征在于，所述的cnn-lstm模型包括输入层、一维卷积层、最大池化层、lstm隐藏层、全连接层；所述的输入层为一维温度数据输入，一维卷积层通过一维卷积核接收一维温度数据，最大池化层将一维卷积层的输出进行大小压缩，然后通过lstm隐藏层进行多维度挖掘数据特征并寻找局部特征之间的相关性并输出特征向量进入全连接层，全连接层输出结果。6.根据权利要求5所述的一种基于cnn-lstm模型预测三文鱼新鲜度的方法，其特征在于，所述的一维卷积层的卷积公式如下：其中x为输入序列，u为卷积核。7.根据权利要求5所述的一种基于cnn-lstm模型预测三文鱼新鲜度的方法，其特征在于，所述的一维卷积核个数为14个，卷积核尺寸为1*1，不填充周边，卷积步长为1；所述的最大池化层中池化核尺寸为1*1。
8.根据权利要求5所述的一种基于cnn-lstm模型预测三文鱼新鲜度的方法，其特征在于，所述的lstm隐藏层包括第一lstm层、第二lstm层、第三lstm层和依次对应的第一dropout层、第二dropout层、第三dropout层；所述的第一lstm层的神经元个数为32，激活函数为relu，输出为3d张量，第一dropout层随机丢弃神经元，丢弃比例为1％；所述的第二lstm层的神经元个数为1024，激活函数为relu，输出为3d张量，第二dropout层随机丢弃神经元，丢弃比例为1％；所述的第三lstm层的神经元个数为128，激活函数为relu，输出为3d张量，第二dropout层随机丢弃神经元，丢弃比例为30％。9.一种基于cnn-lstm模型预测三文鱼新鲜度的设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的基于cnn-lstm模型预测三文鱼新鲜度的方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至8中任意一项所述的基于cnn-lstm模型预测三文鱼新鲜度的方法。

技术总结
一种基于CNN-LSTM模型预测三文鱼新鲜度的方法，S1.样品制备，将新鲜三文鱼切成三文鱼样品；S2.在恒温贮藏实验中，三文鱼样品在若干个冰柜在规定时间内进行储藏，并在到达指定储藏时间时立即检测三文鱼样品的菌落总数TVC，得到在恒定储藏TVC数据；S3.变温贮藏实验中，三文鱼样品在若干个不同温度的冰柜进行转移，在到达指定储藏时间时立即检测三文鱼样品的菌落总数TVC，得到变温储藏TVC数据；S4.构建并训练CNN-LSTM模型，S5.利用S4训练后的CNN-LSTM模型对三文鱼在温度波动下的菌落总数TVC，即新鲜度进行预测。优点是，解决的温度波动拟合问题，实现任意温度条件下三文鱼新鲜度的预测。的预测。


技术研发人员：吴霆 杨灵 钟南 李蕾
受保护的技术使用者：仲恺农业工程学院
技术研发日：2022.09.26
技术公布日：2023/1/6