蓝莓是一种富含抗氧化物质和营养素的浆果类水果，但蓝莓果实表皮细嫩，易受机械损伤或微生物侵染，在运输和贮存过程中品质劣化较快。 近年来，深度学习和神经网络高速发展并被广泛应用于各种任务中，鉴于神经网络在其他领域的出色表现，有学者将神经网络模型应用于货架期预测并且取得了不错的效果。

为提高货架期预测精度，东北林业大学机电工程学院的张润泽、冯国红、朱玉杰*等人提出了一种基于注意 力（AE）机制卷积神经网络（CNN）和门控循环单元（GRU）网络的 混合预测模型。该模型通过CNN和GRU分别提取时序数据中的局部特征和全局特征，并利用AE机制自动分配不同时间步和不同特征层次、维度的重要性，实现多层次和多维度的信息融合，从而提高模型的预测精度和泛化能力。此模型旨在更有效地分析蓝莓货架期期间品质指标的变化规律，更准确地预测其变化。以期为不同贮藏温度下的蓝莓货架期制定提供参考，为剩余货架期的快速准确预测提供技术支持。

01

不同贮藏温度下蓝莓品质指标变化趋势

基于GBDT算法筛选出影响蓝莓货架期的关键特征为ΔE、质量损失率、硬度、腐败率、SSC、pH值、SES，这7 个品质指标在不同贮藏温度下随着贮藏时间的变化趋势如图6所示。

蓝莓果实的颜色由花青素含量决定，但在贮存期间花青素易受各种因素影响而降解，如与原花青素缩合、被过氧化物酶和多酚氧化酶酶解、与大分子（如蛋白质和细胞壁多糖）结合沉淀。花青素的降解会导致蓝莓果实颜色由蓝紫色变为红色，这可能会降低消费者的接受度。ΔE是描述水果颜色变化的常用比色参数。当ΔE＜1.0时，色差不明显；当1.0＜ΔE＜2.0时，训练有素的观察者能察觉；当ΔE＞3.5时，普通消费者也能感知到颜色差异。由图6A可知，在3 个贮藏温度条件下，ΔE在3 d后开始增大，贮藏0 ℃和4 ℃组的变化趋势相似，25 ℃组的ΔE增幅较大。这可能是由于在贮藏期间发生了酶促褐变等代谢活动。低温贮藏可以通过抑制多酚氧化酶的活性最大限度地保留花青素，从而延缓蓝莓的腐败。3 组蓝莓的颜色变化无统计学意义，且普通消费者不易感知。

贮藏时间和温度对质量损失率和果实硬度均有较大影响，随着贮藏时间的延长，蓝莓的呼吸和蒸腾作用导致果实水分减少，大分子物质降解，果实质量减少，质量损失率增加，硬度降低（图6B、C）。蓝莓在0、4 ℃和25 ℃条件下贮藏6 d后，其硬度分别下降了32.68%、34.53%和55.36%，这表明低温贮藏可以更好地保持果实硬度，且0 ℃比4 ℃贮藏条件更能延缓果实软化。如图6D所示，0 ℃和4 ℃组的蓝莓腐败率变化趋势相似，前4 d腐败率基本不变，第4～5天骤升；25 ℃组的腐败率从第2天开始迅速增长，这可能与密闭空间和温度有关。各组在第6天的蓝莓腐败率依次为25 ℃组＞4 ℃组＞0 ℃组，这表明低温能延缓蓝莓的腐败并延长其货架期，且0 ℃比4 ℃贮藏条件更能延缓腐败。

由图6E可知，0 ℃和25 ℃组的蓝莓SSC在1 d后明显增加，这可能是由于多糖的降解和有机酸的转化导致SSC增加，4 ℃组的SSC在3 d后迅速增加，这可能是果实采收时成熟度不同导致。3 组蓝莓的SSC和pH值均出现了波动，其中25 ℃条件下pH值波动最大，0 ℃条件下波动最小（图6F），这可能与呼吸作用强度变化有关，且温度越高呼吸作用越强。这表明低温贮藏可以通过降低蓝莓的呼吸速率延长其货架期。

感官评价是评估蓝莓品质变化的主观方法。由图6G可知，25 ℃组蓝莓的SES最低，6 d后蓝莓果实暗沉无光泽、质量减损严重、腐烂面积约占总面积的50%。0 ℃和4 ℃组蓝莓的SES较高，其中0 ℃条件下蓝莓的SES最高，这表明低温贮藏可以通过保留花青素延缓蓝莓的衰老过程，并且0 ℃贮藏条件效果优于4 ℃。

02

Pearson相关性分析

蓝莓的品质指标在贮存过程中变化很大，影响蓝莓的货架期。对GBDT筛选出的7 个关键特征及贮藏时间进行Pearson相关性分析，结果如图7所示。在4 ℃条件下，蓝莓SSC与其他因素无显著相关性，在25 ℃条件下，蓝莓pH值与其他因素无显著相关性。3 个组的质量损失率、硬度与货架期的相关性最高。结果表明，基于蓝莓理化指标和感官评价得分的货架期预测模型可靠。

03

模型性能比较分析

为了验证所提出的CNN-GRU-AE模型在预测货架期上相比于其他模型具有更高的预测精度，将其与部分经典的机器学习模型以及GDBT等模型的预测结果进行了对比，各模型在测试集上的预测性能如表2所示。

CNN-GRU-AE模型在所有评价指标上均优于其他模型，表现出最佳的预测效果。0 ℃组CNN-GRU-AE的MAE、MSE、MAPE和R2分别为0.056 2、0.006 2、2.62%和0.998 1。与原始GRU相比，CNN-GRU-AE模型的MAE、MSE和MAPE分别降低了75.83%、91.46%、61.58%，R2增加了2.25%。与传统的机器学习模型（如MLR、ANN、SVR、BPNN）相比，CNN和GRU模型的误差均显著降低。传统的机器学习模型在处理时序数据时，只能利用静态数据，而忽略了动态数据中的局部和全局特征以及长期依赖关系，导致预测性能较差。而基于深度学习的模型（如CNN、GRU）则能够有效地提取和利用时序数据中的动态信息，从而显著提高预测性能。其中，CNN通过卷积层和池化层实现局部特征的抽取和降维，增强模型的泛化能力；GRU通过循环层和门控机制实现全局特征的抽取和记忆，提高模型的预测精度。

CNN-GRU模型将CNN和GRU结合，充分利用了时序数据中的局部和全局特征，并通过门控机制实现长期依赖关系的记忆和遗忘。与单独使用CNN或GRU相比，CNN-GRU模型中所有评价指标均有显著改善。其中在0 ℃贮藏条件下，与CNN相比，CNN-GRU模型的MAE、MSE和MAPE分别降低了31.35%、69.77%和30.92%，R2增加了1.44%；与GRU相比，CNN-GRU模型的MAE、MSE和MAPE分别降低了31.35%、46.69%和17.45%，R2增加了1.02%。

AE-GRU模型在GRU基础上添加了AE机制，使得模型在处理时序数据时能够自动地分配不同时间步的重要性，从而忽略一些无关或干扰的信息，关注一些有用或关键的信息。与单独使用GRU相比，AE-GRU模型中所有评价指标均有显著改善。其中0 ℃贮藏条件下，AE-GRU 模型的MAE、MSE 和MAPE 分别降低了32.69%、51.65%和10.12%，R2增加了1.16%。

CNN-GRU-AE模型实现了多层次和多维度的信息融合。与单独使用AE-GRU或CNN-GRU相比，CNN-GRUAE模型在所有评价指标上均有显著改善。其中0 ℃贮藏条件下，与AE-GRU相比，CNN-GRU-AE模型的MAE、MSE和MAPE分别降低了64.09%、82.34%和57.26%，R2增加了1.08%；与CNN-GRU相比，CNN-GRU-AE模型的MAE、MSE和MAPE分别降低了64.79%、83.98%和53.46%，R2增加了1.22%。

图8展示了CNN-GRU-AE模型在训练过程中测试集损失率和准确率的变化情况（以0 ℃组为例）。该模型的损失率在训练过程中逐渐降低并趋于稳定，准确率在训练过程中逐渐上升并趋于稳定。

由图9可知，与原始GRU相比，添加AE机制并与CNN结合后的GRU模型预测值更接近真实值，且几乎与真实值的曲线完全重合，证明CNN-GRU-AE模型在预测蓝莓货架期方面的优越性。

由表3可知，0 ℃组GRU、AE-GRU、CNN-GRU、CNN-GRU-AE神经网络模型的平均误差和预测精度分别为3.94%和96.06%、3.41%和96.59%、1.61%和98.39%、1.06%和98.73%，4 ℃组分别为5.39%和94.61%、4.19%和95.81%、4.16%和95.84%、1.19%和98.60%，25 ℃组分别为10.14%和89.86%、7.39%和92.61%、6.29%和93.71%、2.59%和97.41%。

4 种神经网络模型的预测结果对比表明：CNNGRU-AE模型对蓝莓货架期的预测精度最高，0 ℃和4 ℃组预测误差的绝对值在3.51%内，满足货架期预测的需要；预测误差随着贮藏温度的升高而增大，这可能是由于温度越高，蓝莓的呼吸作用和蒸腾作用越强，导致品质下降和货架期缩短的速度加快，从而增大了模型误差。由此可以得出，0 ℃是蓝莓的最佳贮藏温度。

本实验以‘自由’蓝莓为研究对象，它是由‘Brigita’和‘Eliot’杂交而成，2 个品种都是北方高丛蓝莓品种，具有抗寒、果实大而甜、成熟期长等特点。‘自由’蓝莓继承了它们的优良特性，具有树体高大、果实大小均匀、抗病虫害能力强等优点。这些特性使‘自由’蓝莓适合长期贮藏和运输。但是，目前关于‘自由’蓝莓的货架期预测问题并没有得到很好的研究。因此，本实验提出了一种基于CNN-GRU-AE的新型货架期预测模型，并在0、4 ℃和 25 ℃ 3 个温度条件下实现了较高的预测精度。所提出的模型优于以往研究中的其他模型或方法。

首先对不同温度下蓝莓贮藏期间的理化指标、质地参数以及SES等数据进行了特征选择，使用GBDT算法筛选出与货架期相关性最高的特征作为模型输入。然后构建了CNN-GRU-AE模型，该模型由3 个部分组成：CNN层、GRU层和AE层。CNN层通过卷积和池化操作提取时序数据中的局部特征；GRU层通过循环和门控机制提取时序数据中的全局特征，并记忆和遗忘时序数据中的长期依赖关系；AE层通过AE机制实现多层次和多维度的信息融合，并输出最终的预测结果。最后将CNN-GRUAE模型与MLR、ANN、SVR、BPNN、GBDT、CNN、GRU、AE-GRU和CNN-GRU模型进行了对比，结果表明，CNN-GRU-AE模型在所有评价指标上均表现最佳，具有更高的预测精度和泛化能力。

CNN-GRU-AE模型具有以下优势：利用GBDT算法进行特征选择，有效地降低数据维度和复杂度，同时保留与货架期相关性最高的特征，减少了冗余特征对模型性能的影响，降低了计算资源和时间的消耗。将CNN和GRU相结合，充分利用了时序数据中的局部和全局特征，并通过门控机制实现长期依赖关系的记忆和遗忘，增强了模型对时序数据中存在的一些细微变化以及多维度变化的敏感性，从而提高模型的预测精度。在不同特征层次和维度上添加AE机制，实现了多层次和多维度的信息融合，使模型在处理时序数据时能够自动分配不同时间步和不同特征层次和维度的重要性，关注更有用或关键的信息，从而提高模型的鲁棒性和泛化能力。

结论

本研究针对蓝莓货架期预测的影响因素多且复杂，影响模型预测精度、传统的机器学习模型无法有效处理时序数据等问题，提出了一种基于CNN-GRU-AE的新型预测模型。该模型通过CNN和GRU分别提取时序数据中的局部特征和全局特征，并利用AE机制自动分配不同特征层次和维度的重要性，完成货架期预测。结果表明，CNN-GRU-AE模型在0、4 ℃和 25 ℃条件下都达到了较高的预测精度，并优于其他经典或现有的机器学习或深度学习模型，该方法可为水果货架期预测提供一种新思路和新技术。

货架期是一个复杂的性状，受基因型和品种等因素的影响很大。虽然CNN-GRU-AE模型在‘自由’蓝莓上取得了较好的预测效果，但仍然存在一些局限性和不足之处。为了进一步提高货架期预测方法的适用性、可靠性和普适性，未来的研究可以从蓝莓品种或基因型以及其他作物（如水果、蔬菜等）的适用性方面进行改进和拓展。

作者简介

第一作者：

张润泽 硕士研究生

学习及工作经历：

2014.9-2018.7 东北林业大学|工业工程|学士学位

2018.8-2021.8 比亚迪股份有限公司| 工艺工程师

2022.9-2024.6 东北林业大学|管理科学与工程|硕士学位

已拟录取为大连理工大学经济管理学院管理科学与工程专业博士

研究方向：

数据分析；机器学习与深度学习；智能优化算法；优化与决策。

获得荣誉：

研究生一等奖学金；

2023年中国大学生机械工程创新创意大赛研究生组三等奖；

东北林业大学优秀硕士毕业论文等

科研成果：

[1]Zhang, R.; Zhu, Y. Predicting the Mechanical Properties of Heat-Treated Woods Using Optimization-Algorithm-Based BPNN. Forests 2023,14,935.

[2]Zhang, R.; Zhu, Y.; Liu, Z. A Back Propagation Neural Network Model for Postharvest Blueberry Shelf-Life Prediction Based on Feature Selection and Dung Beetle Optimizer[J]. Agriculture 2023, 13, 1784. (IF = 3.6, SCI, JCR Q1)

[3]张润泽, 朱玉杰, 冯国红等, 基于CNN-GRU-AE的蓝莓货架期预测模型研究[J/OL].食品科学,1-15[2024-05-26].(EI)

本文《基于CNN-GRU-AE的蓝莓货架期预测模型研究》来源于《食品科学》2024年45卷第13期229-238页，作者：张润泽，冯国红，付晟宏，王宏恩，高 珊，朱玉杰*，刘中深*。DOI:10.7506/spkx1002-6630-20230701-005。点击下方阅读原文即可查看文章相关信息。

实习编辑：天津商业大学 梁雯菁，责任编辑：张睿梅。点击下方阅读原文即可查看全文。图片来源于文章原文及摄图网。

为深入探讨未来食品在大食物观框架下的创新发展机遇与挑战，促进产学研用各界的交流合作，由北京食品科学研究院、中国肉类食品综合研究中心、国家市场监督管理总局技术创新中心（动物替代蛋白）及中国食品杂志社《食品科学》杂志、《Food Science and Human Wellness》杂志、《Journal of Future Foods》杂志主办，西华大学食品与生物工程学院、四川旅游学院烹饪与食品科学工程学院、西南民族大学药学与食品学院、四川轻化工大学生物工程学院、成都大学食品与生物工程学院、成都医学院检验医学院、四川省农业科学院农产品加工研究所、中国农业科学院都市农业研究所、四川大学农产品加工研究院、西昌学院农业科学学院、宿州学院生物与食品工程学院、大连民族大学生命科学学院、北京联合大学保健食品功能检测中心共同主办的“第二届大食物观·未来食品科技创新国际研讨会”即将于2025年5月24-25日在中国 四川 成都召开。

长按或微信扫码进行注册

会议招商招展

联系人：杨红；电话：010-83152138；手机：13522179918（微信同号）