冷链运输中动态水产品腐化监测预警方法

技术领域

本发明属水产品冷链运输监测领域，尤其涉及一种冷链运输中动态水产品腐化监测预警方法。

背景技术

水产品的主要流通形式为冷链运输，将水产品储藏在较低温度下进行运输，最大限度锁住水产品养分，保证水产品品质及口感。水产品将经过生产、加工、运输、仓储、销售这五个流通环节到达消费者手中，因运输环节耗费的时间最长、环境因素最不容易控制，所以在运输过程中最可能出现腐败变质的现象。水产品又是典型的易腐食品，其腐败又是一个不可逆过程，水产品品质与其所处温度有着密切的联系，若温度较高或者温度波动较大，易导致水产品出现腐败现象，其腐败的水产品自身会产生氨气、硫化氢及二氧化碳等气体。水产品腐败变质会导致一系列不良影响，例如营养价值流失、口感变差等等。

经济的快速发展，带来的是人们对于高品质的不断追求，愈来愈多的人们希望吃到更健康更营养的食品，所以食物消费结构也发生了很大的改变，人们对粮食消费量逐渐减少，对水产品等高价值食物消费量有了显著的提升。水产品因其鲜美的味道，丰富的营养价值，细腻的口感受到越来越多的追捧。随着农产品电子商务的快速发展，水产品流通渠道不断拓展，带动消费不断增长。中国每年都有大量的水产品因运输不当而浪费，水产品的货损率达到了12%，我国水产品冷藏流通率为40%，但全程冷链覆盖率分别仅为 23%，而日本、美国生鲜品冷藏流通率可分别高达98%以及80～90%。2019年我国水产品总消费量约6711万吨，损耗约为1055万吨，水产品的消费总量继续增长，流通渠道更趋多元，但是水产品的损耗也是一个庞大的数字。

发明内容

本发明的目的在于提供一种预测精度高，对异常值不敏感的冷链运输中动态水产品腐化监测预警方法。

为解决上述技术问题，本发明是这样实现的：

一种冷链运输中动态水产品腐化监测预警方法，可按如下步骤实施：

（1）通过温湿度传感器、二氧化碳传感器及氨气传感器采集冷链运输车中的水产品环境参数，并将所述水产品环境参数数据发送至物联网云平台；

（2）对步骤（1）所述水产品环境参数数据进行预处理，生成新时间序列t-1，进行数据合并，完成数据转换，实现时间序列向监督学习的转换；

（3）使用长短期记忆网络训练水产品环境参数数据，生成氨气预测模型；

（4）使用步骤（3）所述氨气预测模型预测氨气量值；

（5）判断预测的氨气量值是否超出预设阀值，如超出预设阀值，则启动预警模块；如否，则返回步骤（4）继续进行监测。

作为一种优选方案，本发明所述步骤（2）中，使用pd.shift（1）函数将原时间序列t向下移动1步重新生成新时间序列t-1，即前一时刻的数据；将新时间序列t-1的所有列与原时间序列t的氨气列进行合并，最后使用dropna函数删除第一行数据，即完成数据转换。

进一步地，本发明所述步骤（3）中，使用compile函数编译模型，损失函数选择mae，优化器选择adam，最后使用model.fit函数执行模型训练，即生成氨气预测模型。

进一步地，本发明所述步骤（3）中，对氨气预测模型进行评估，使用model.predict函数采用验证集进行模型预测，此函数输出值即为预测数据；使用inverse_transform函数对预测数据和原始数据分别进行反向转换，之后分别输出预测值和真实值。

本发明预测精度高，对异常值不敏感。本发明通过使用环境监测设备，采集冷链运输车中水产品的环境信息，并利用已采集到的数据结合长短期记忆网络设计氨气浓度预测模型，通过环境监测设备实时采集到的氨气、温度、湿度和二氧化碳数据，预测1分钟后氨气浓度，如果预测的氨气浓度超过设定的阀值，即可快速启动预警模块，进行预警。

附图说明

下面结合附图和具体实施方式对本发明作进一步说明。本发明的保护范围不仅局限于下列内容的表述。

图1为本发明环境监测设备原理框图；

图2为本发明信息采集部分框架图；

图3为本发明动态水产品腐化监测预警方法流程框图；

图4为本发明验证集真实氨气与预测氨气拟合情况；

图5为本发明验证集氨气预警截图；

图6为本发明冷链运输车中环境信息截图；

图7为本发明实时氨气预警截图。

具体实施方式

如图所示，冷链运输中动态水产品腐化监测预警方法，可按如下步骤实施：

（1）通过温湿度传感器、二氧化碳传感器及氨气传感器采集冷链运输车中的水产品环境参数，并将所述水产品环境参数数据发送至物联网云平台；

（2）对步骤（1）所述水产品环境参数数据进行预处理，生成新时间序列t-1，进行数据合并，完成数据转换，实现时间序列向监督学习的转换；

（3）使用长短期记忆网络训练水产品环境参数数据，生成氨气预测模型；

（4）使用步骤（3）所述氨气预测模型预测氨气量值；

（5）判断预测的氨气量值是否超出预设阀值，如超出预设阀值，则启动预警模块；如否，则返回步骤（4）继续进行监测。

本发明所述步骤（2）中，使用pd.shift（1）函数将原时间序列t向下移动1步重新生成新时间序列t-1，即前一时刻的数据；将新时间序列t-1的所有列与原时间序列t的氨气列进行合并，最后使用dropna函数删除第一行数据，即完成数据转换。

本发明所述步骤（3）中，使用compile函数编译模型，损失函数选择mae，优化器选择adam，最后使用model.fit函数执行模型训练，即生成氨气预测模型。

本发明所述步骤（3）中，对氨气预测模型进行评估，使用model.predict函数采用验证集进行模型预测，此函数输出值即为预测数据；使用inverse_transform函数对预测数据和原始数据分别进行反向转换，之后分别输出预测值和真实值。

本发明氨气浓度预测模型分两部分完成，第一部分是对采集到的数据进行预处理，将时间序列问题转换为监督学习问题，对数据进行规范化处理；第二部分是使用长短期记忆网络训练水产品环境参数，得到氨气预测模型，对训练好的模型进行评估。

第一部分：

将所采集的温度、湿度、二氧化碳和氨气数据下载，下载好的文件为XLS格式，将XLS格式转化为csv文件处理格式，便于数据进一步加工处理。已经采集到的氨气数据、湿度数据、二氧化碳数据和温度数据是按照时间顺序进行存储的，所以设计一个函数defseriesToSupervised(data)，将时间序列问题转换为监督学习问题。函数的具体实施方式：因传入的数据data是numpy数据类型，故使用pd.DataFrame（data）将numpy变量重新转换为pandas变量。并且定义两个空数组cols和names，分别表示列的值与列名，cols用于存放数据，names用于存放变量名。使用pd.shift（1）函数将原时间序列t向下移动1步重新生成新时间序列t-1，即前一时刻的数据。将新时间序列t-1的所有列与原时间序列t的氨气列进行合并，最后使用dropna函数删除第一行数据，即可完成数据转换。使用cols.append()将新时间序列t-1数据添加到cols中，使用cols.append()将原时间序列t添加到cols中,使用pd.concat函数将两组数据按列合并，一共是8列数据在cols中，分别是时间序列t-1的氨气、湿度、温度和二氧化碳数据，和时间序列t的氨气、湿度、温度和二氧化碳数据。之后使用pd.dropna将第一行删除，就实现了时间序列问题转换为监督学习问题。

进一步地，使用pd.read_csv函数读取csv文件，并调用seriesToSupervised(data)函数进行转换，使用adversedata变量接收seriesToSupervised(data)函数的值，因cols中存放8列数据，后三列数据无意义，故使用adversedata.drop函数删除后3列数据，剩余5列数据，分别是时间序列t-1的氨气数据、湿度数据、温度数据、二氧化碳数据和时间序列t的氨气数据，前4个数据是监督学习中的输入特征，最后一个数据是监督学习中的输出值。

进一步地，在采集到的数据中，包含了4种数据值，但每种数据值的量纲不同，同样变化幅度也不同。所以使用sklearn.preprocessing.MinMaxScaler函数，对所有数据进行数据正规化。将数据中的每一个特征的值转换到指定的范围内，通常将数据范围定义在0～1之间。正规化后的数据被划分为训练集（trainData）、验证集（verifyData），70％的数据用于训练,30%数据用于验证。

第二部分：

因为氨气预测是一个回归问题，模型的输出是一个值，在处理时序问题时，优先选择长短期记忆网络，在TensorFlow Keras中，只需要在模型框架中新增一层LSTM Layer。使用TensorFlow Keras的Sequentia类构建模型，首先定义一个空的模型model作为模型框架。本发明的模型为2层，第一层是LSTM Layer，神经单元的个数为64个，第二层为DenseLayer,神经单元的个数为一个，即输出的预测值。使用compile函数编译模型，损失函数选择mae，优化器选择adam，最后使用model.fit函数执行模型训练，得到氨气预测模型。

进一步地，评估氨气预测模型，使用model.predict函数使用验证集进行模型预测，此函数输出值即为预测值。在对模型进行训练之前，数据进行过正规化，数据的范围已经进行了改变，但是在进行模型评估时，需要使用原始的数据，所以同样使用sklearn.preprocessing.MinMaxScaler，使用inverse_transform函数对预测数据和原始数据分别进行反向转换，之后分别输出预测值和真实值，使用plt.plot函数分别将预测值与真实值以时间为x轴，以氨气值为y轴绘制曲线图，通过图形化的方式更直观地比较预测值与真实值。

通过训练好的氨气预测模型，对氨气进行预测。将环境监测设备放置在冷链运输车中，监测运输车中的环境数据，结合实时采集到的环境数据，使用氨气预测模型实现对下一分钟的氨气进行预测。如果预测的氨气浓度超过设定的阀值，启动预警模块，进行预警。

实施例：

本发明通过使用环境监测设备，采集冷链运输车中水产品的环境信息，并利用已采集到的数据结合长短期记忆网络设计氨气浓度预测模型，通过环境监测设备实时采集到的氨气、温度、湿度和二氧化碳数据，预测1分钟后氨气浓度，如果预测的氨气浓度超过设定的阀值，启动预警模块，进行预警。

水产品的腐败受多种因素的影响，腐败的水产品自身会释放出氨气、硫化氢等污染气体，本发明通过预测下一分钟环境中氨气及硫化氢的浓度，达到提前预警的功能。本发明分为信息采集部分和氨气浓度预测部分。

本发明硬件平台部分包括：氨气传感器、温湿度传感器、二氧化碳传感器、预警模块及中央处理单元；所述氨气传感器、温湿度传感器、二氧化碳传感器、预警模块的信号传输端口与中央处理单元的信号传输端口相接；所述中央处理单元采用CC2530模块，图1为本发明环境监测设备原理框图。

将环境监测设备放入到水产品冷链运输车中，环境监测设备每间隔3秒钟采集一次运输车内信息，通过环境监测设备采集冷链运输车内水产品环境数据，通过数据汇聚装置将采集到的数据实时发送到物联网云平台，图2为本发明信息采集部分框架图。

本发明冷链运输中动态水产品腐化监测预警方法包括：

（1）将采集好的温度、湿度、二氧化碳和氨气数据下载，下载好的文件为XLS格式，将XLS格式转化为csv文件处理格式，便于数据进一步加工处理；

（2）将按时间序列存储好的数据转化为监督学习问题；

（3）使用长短期记忆网络训练水产品环境参数，得到氨气预测模型；

（4）使用氨气预测模型，预测运输车中下一时刻氨气浓度；

（5）将预测的氨气浓度与预先设置的氨气浓度预警区间做对比，如果预测的氨气浓度超出设定阀值，则启动预警模块进行预警，图3为本发明动态水产品腐化监测预警方法流程框图。

表1 预警参考程度表

步骤（1）中的环境数据是以XLS格式存储，将XLS格式转化为csv文件处理格式。

步骤（2）中，已经采集到的氨气数据、湿度数据、二氧化碳数据和温度数据是按照时间顺序进行存储的，所以设计一个函数def seriesToSupervised(data)，把时间序列问题转换为监督学习问题。函数的具体实施方式：因传入的数据data是numpy数据类型，故使用pd.DataFrame（data）将numpy变量重新转换为pandas变量。并且定义两个空数组cols和names，分别表示列的值与列名，cols用于存放数据，names用于存放变量名。使用pd.shift（1）函数将原时间序列t向下移动1步重新生成新时间序列t-1，即前一时刻的数据。将新时间序列t-1的所有列与原时间序列t的氨气列进行合并，最后使用dropna函数删除第一行数据，即可完成数据转换。使用cols.append()将新时间序列t-1数据添加到cols中，使用cols.append()将原时间序列t添加到cols中,使用pd.concat函数将两组数据按列合并，一共是8列数据在cols中，分别是时间序列t-1的氨气、湿度、温度和二氧化碳数据，和时间序列t的氨气、湿度、温度和二氧化碳数据。之后使用pd.dropna将第一行删除，就实现了时间序列问题转换为监督学习问题。使用pd.read_csv函数读取步骤（1）中csv文件，并调用seriesToSupervised(data)函数，将时间序列问题转换为监督学习问题，使用adversedata变量接收seriesToSupervised(data)函数的值，因cols中存放8列数据，后三列数据无意义，故使用adversedata.drop函数删除后3列数据，剩余5列数据，分别是时间序列t-1的氨气数据、湿度数据、温度数据、二氧化碳数据和时间序列t的氨气数据。因在采集到的数据中，包含了4种数据值，但每种数据值的量纲不同，同样变化幅度也不同。所以使用MinMaxScaler(feature_range=(0, 1))，对所有数据进行数据正规化，数据范围定义在0～1之间。正规化后的数据被划分为训练集、验证集，70％的数据用于训练,30%数据用于验证。

步骤（3）中，使用长短期记忆网络训练步骤（2）中的数据，本发明的氨气预测模型为2层，第一层神经单元的个数为64个，第二层神经单元的个数为一个，即输出的预测值。损失函数选择mae，优化器选择adam，最后使用model.fit函数执行模型训练。将训练好的模型用于验证集进行验证，并输出验证结果，图4为验证集真实氨气与预测氨气拟合情况，图5为验证集氨气预警截图。

步骤（4）中采集运输车运输过程中的实时信息，图6为冷链运输车中环境信息截图，将采集到的数据代入到氨气预测模型中，输出氨气浓度，如果预测的氨气浓度超过65ppm时，启动预警模块，进行预警，图7为实时氨气预警截图。

可以理解地是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。