基于品质指标动力学分型的果蔬采后数字孪生模型构建方法和系统

本发明属于果蔬采后保鲜与智能冷链，尤其涉及一种基于品质指标动力学分型的果蔬采后数字孪生模型构建方法和系统。

背景技术：

1、果蔬采收后仍持续进行呼吸、蒸腾、后熟及衰老等生理活动，其失重率、硬度、腐烂率、可溶性固形物、色泽、呼吸速率和乙烯释放速率等品质指标会随贮藏时间发生变化。上述变化不仅受到温度和相对湿度的影响，还与氧气浓度、二氧化碳浓度、乙烯浓度、包装方式、预冷处理、气调处理、1-甲基环丙烯处理及果蔬初始成熟度等因素有关。由于不同果蔬种类、品种和采后处理条件下的品质演化规律存在差异，准确预测果蔬未来品质状态及剩余货架期，是冷库管理、冷链运输、库存周转和销售安排的重要基础。

2、目前，果蔬采后品质预测通常采用动力学模型、统计模型或机器学习模型。动力学模型能够表征品质指标随时间的变化规律，但一般需要预先确定模型形式和参数；机器学习模型能够处理多因素之间的非线性关系，但其预测效果依赖训练数据的数量、分布及模型选择方式。不同品质指标具有明显不同的变化形态，例如，失重率通常呈累积上升趋势，硬度通常呈下降后趋于平台的变化趋势，腐烂率通常呈有界增长趋势，呼吸速率和乙烯释放速率可能呈峰值或双峰变化，而可溶性固形物可能表现为小幅波动或相对稳定。因此，采用同一种预测模型处理不同品质指标，容易导致模型与品质变化规律不匹配，并可能产生负值、超过生理上限、峰值数量异常或者平台特征缺失等不符合果蔬采后生理规律的预测结果。

3、现有技术已经开始将品质动力学模型和数字孪生技术用于果品冷链管理。例如，中国发明专利申请cn112115577a公开了一种冷链全程果品品质动态分级方法和装置，该方法根据储运载体环境温湿度三维时空分布信息以及果品与储运载体环境之间的温湿度转换信息，获得果品温湿度三维时空分布信息，再结合果品初始品质指标和不同温湿度下的果品品质动力学模型，推算冷链全程果品品质动态变化并进行品质分级。该技术能够将冷链环境与果品品质变化相结合，但其主要采用预先建立的品质动力学模型，尚未针对不同品质指标的时间演化形态及环境响应方式进行分型，也未给出根据分型结果自动筛选不同候选模型并随新增监测数据切换模型的具体机制。

4、又如，中国发明专利申请cn115184395a公开了一种果蔬失重率预测方法、装置、电子设备及存储介质，将果蔬所处环境的温度和贮藏时间输入训练好的神经网络失重率预测模型，获得果蔬的目标失重率预测信息。该技术能够利用神经网络实现果蔬失重率预测，但其预测对象主要为单一失重率指标，且训练完成后的模型结构和参数相对固定。当果蔬品种、采后处理方式、贮藏阶段或者环境响应关系发生变化时，通常需要重新训练或人工选择模型，难以兼顾失重率、硬度、腐烂率、色素含量及呼吸速率等具有不同动力学特征的品质指标。

5、此外，现有模型通常采用随机划分训练集和验证集的方式评价预测性能。当同一贮藏温度、处理组或相邻时间点的数据同时出现在训练集和验证集中时，评价结果可能高于模型在未知温度、未知处理条件或未知贮藏阶段下的实际预测能力。现有技术也较少将品质指标的变化方向、取值边界、峰值数量及平台特征作为模型筛选和预测结果校验条件，因而难以避免模型在外推过程中产生不符合生理意义的结果。

6、另一方面，果蔬由低温贮藏环境转入零售货架环境后，温度和相对湿度发生明显改变，品质劣变速率也随之变化。仅根据贮藏时间和环境参数预测贮藏期品质，难以直接反映转货架时的当前品质状态对后续货架品质的影响。现有数字孪生系统通常侧重环境状态监测、贮藏期品质推算或品质等级展示，尚难以同时建立贮藏期间的品质演化模型以及由当前贮藏品质状态向货架品质状态转换的状态转移模型。

技术实现思路

1、本发明旨在提供一种基于品质指标动力学分型的果蔬采后数字孪生模型自适应构建方法，通过采集果蔬采后环境、处理及品质时序数据，识别不同品质指标的时间演化类型和驱动响应类型，建立与动力学类型对应的分型约束、贮藏演化模型及货架状态转移模型，并依据新增监测数据更新数字孪生状态和切换预测模型，以解决现有技术中不同品质指标采用统一模型、跨贮藏条件泛化能力不足、预测结果可能不符合生理规律以及模型难以持续适应品质变化的问题。

2、第一方面，为了实现上述的目的，本发明采用了以下的技术方案：

3、一种基于品质指标动力学分型的果蔬采后数字孪生模型自适应构建方法，包括以下步骤：

4、s1，按果蔬批次采集环境因子、采后处理、初始品质和品质指标时序数据，建立与果蔬种类、品质指标及预测目标对应的核心驱动因子集合并检查完整性；

5、s2，提取各品质指标的时间响应特征和环境响应特征，确定时间演化主类型及驱动响应辅助类型，并建立包含变化方向、取值边界及峰值或平台特征的分型约束；

6、s3，依据两种类型从模型库取得候选模型，以留一贮藏温度、留一采后处理或留一贮藏时间点的方式构建验证集，剔除预测结果不满足分型约束的候选模型，依据验证误差确定各品质指标的贮藏演化模型；以相同温度、处理和时间下的当前品质状态与转入预设货架条件后的品质状态构成配对样本，训练货架状态转移模型；

7、s4，建立与果蔬批次唯一对应的数字孪生状态空间，将驱动因子、当前品质状态、两类模型、分型约束及预测结果写入所述数字孪生状态空间；

8、s5，接收新增监测数据并更新动力学类型、数字孪生状态及模型性能；在动力学类型改变、预测误差超限或候选模型验证误差更低时，按照步骤s3切换对应模型，输出未来贮藏品质状态和转入所述预设货架条件后的品质状态。

9、作为进一步改进，步骤s1中的环境因子包括温度、相对湿度、氧气浓度、二氧化碳浓度和乙烯浓度；所述采后处理包括包装处理、预冷处理、气调处理和1-甲基环丙烯处理；所述初始品质包括成熟度、初始硬度、可溶性固形物、酸度、颜色、呼吸速率和乙烯释放速率；所述品质指标时序数据包括失重率、腐烂率、硬度、可溶性固形物、色素含量、呼吸速率、乙烯释放速率和颜色指数中的至少两种。

10、作为进一步改进，步骤s1中，对呼吸跃变型果实建立的核心驱动因子集合至少包括温度、氧气浓度、二氧化碳浓度、乙烯浓度和1-甲基环丙烯处理信息；对非呼吸跃变型果实建立的核心驱动因子集合至少包括温度、相对湿度、贮藏时间和初始品质状态；

11、作为进一步改进，步骤s1中，的完整性检查包括检查核心驱动因子是否缺失、数据格式是否一致、采集时间是否对应及有效样本数量是否满足建模要求；在核心驱动因子缺失时，对相应数据设置缺失标记，并采用历史同品种同处理数据进行估计或者降低对应预测结果的可信度等级。

12、作为进一步改进，步骤s2中，时间响应特征包括一阶变化趋势、二阶变化趋势、变化速率、变化幅度、峰值数量、峰值位置和平台长度；所述环境响应特征包括温度效应、湿度效应、气体效应、采后处理效应以及贮藏时间与环境因子的交互效应。

13、作为进一步改进，步骤s2中，所述时间演化主类型包括恒定速率上升型、恒定速率下降型、有界下降型、渐近增长型、峰值型、双峰型、波动型和稳定维持型；所述驱动响应辅助类型包括温度主导型、湿度主导型、气体主导型和多因子耦合型；所述驱动响应辅助类型与所述时间演化主类型组合记录。

14、作为进一步改进，步骤s2中，针对具有已知采后变化规律的品质指标，按照预设判定规则确定动力学类型；针对未知品质指标或者未能由预设判定规则确定类型的品质指标，采用聚类算法或分类模型确定动力学类型，并将品质指标名称、动力学类型、确定方式、适用果蔬、适用环境范围和版本信息关联存储。

15、作为进一步改进，步骤s3中，模型库包括零级动力学模型、一级动力学模型、logi步骤stic模型、gompertz模型、线性回归模型、岭回归模型、广义加性模型、随机森林模型、支持向量机模型、梯度提升树模型、神经网络模型、长短期记忆网络模型、tran步骤sformer模型、动力学-神经网络混合模型和物理信息神经网络模型中的至少三种。

16、作为进一步改进，步骤s3中：

17、对于恒定速率上升型品质指标，所述分型约束至少包括预测值非负及相邻预测时点的预测值不降低；

18、对于有界下降型品质指标，所述分型约束至少包括预测值非负、预测值不超过数据支持上界及下降后进入平台区间；

19、对于渐近增长型品质指标，所述分型约束至少包括预测值非负及预测值不超过预设累积上限；

20、对于峰值型或双峰型品质指标，所述分型约束至少包括峰值数量和峰值位置范围；

21、对于稳定维持型品质指标，采用初始品质值锚定的相对变化模型或者与其辅助动力学类型对应的环境响应模型。

22、作为进一步改进，所述取值边界根据对应品质指标的生理允许范围和训练数据观测范围共同确定；品质指标的预测下界为零或者所述生理允许范围的下限，预测上界不大于观测最大值的1.10倍，其中失重率和腐烂率的预测上界不超过100%。

23、作为进一步改进，步骤s3中，对各候选模型采用相同的训练集和验证集进行训练和评价；所述验证集通过依次留出一个贮藏温度、一个采后处理组或一个转货架时间点形成，以评价候选模型对未参与训练的贮藏条件或处理条件的泛化能力。

24、作为进一步改进，所述贮藏演化模型以贮藏温度、采后处理、当前贮藏时间、预测时间跨度和当前品质状态向量作为输入，以预测时点的贮藏品质状态作为输出；不同品质指标分别对应各自的贮藏演化模型。

25、作为进一步改进，所述货架状态转移模型以贮藏温度、采后处理、当前贮藏时间和当前品质状态向量作为输入，以转入预设货架温度和相对湿度并经过预设货架时间后的品质状态作为输出；所述当前品质状态向量采用原始品质指标、经主成分分析获得的状态变量或经偏最小二乘回归获得的状态变量表示。

26、作为进一步改进，步骤s5中，模型性能根据均方根误差、平均绝对误差、拟合优度、交叉验证误差和计算时间中的至少三项确定；候选模型只有在满足对应分型约束且验证误差低于当前模型时才替代当前模型，并同步更新模型版本、模型参数、适用范围和更新时间。

27、作为进一步改进，所述数字孪生状态空间包括环境状态、品质状态、驱动因子状态、模型状态、风险状态和预测状态；所述风险状态包括腐烂风险、品质劣变风险和剩余货架期风险，所述预测状态包括预测值、预测区间、预测时间、预测可信度和预测更新时间。

28、第二方面，本发明还提供了一种基于品质指标动力学分型的果蔬采后数字孪生模型自适应构建系统，该系统用于实现所述的方法，包括：

29、驱动因子管理模块，用于按果蔬批次采集环境因子、采后处理、初始品质和品质指标时序数据，建立核心驱动因子集合并检查完整性；

30、动力学分型与约束模块，用于提取各品质指标的时间响应特征和环境响应特征，确定时间演化主类型和驱动响应辅助类型，并生成分型约束；

31、模型构建模块，用于依据两种动力学类型取得候选模型，通过留一条件验证和分型约束筛选确定各品质指标的贮藏演化模型，并根据当前品质状态与转入预设货架条件后的品质状态的配对样本建立货架状态转移模型；

32、数字孪生状态管理模块，用于建立与果蔬批次唯一对应的数字孪生状态空间；

33、在线更新模块，用于根据新增监测数据更新动力学类型、数字孪生状态及模型性能，并在满足切换条件时切换对应模型；

34、预测输出模块，用于输出未来贮藏品质状态和转入预设货架条件后的品质状态。

35、第三方面，本发明还提供了一种电子设备，包括处理器、存储器以及存储于所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现所述的方法。

36、第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述的方法。

37、本发明依据失重率、硬度、腐烂率、色素含量、呼吸速率等品质指标各自的时间响应特征和环境响应特征进行分型，使不同品质指标分别匹配与其变化规律相适应的预测模型，避免统一模型难以表达累积增长、平台衰减、峰值变化及稳定维持等异质动力学过程；通过将变化方向、取值边界、峰值数量和平台特征作为候选模型筛选及预测结果校验条件，减少负值、超过生理上限及变化形态异常等不合理预测；通过留一贮藏温度、留一采后处理或留一贮藏时间点的验证方式，提高模型对未知环境条件和处理条件的泛化能力；通过同时建立贮藏演化模型和货架状态转移模型，实现果蔬当前品质状态、未来贮藏品质状态及转入货架环境后品质状态的连续预测；并通过新增数据驱动的模型评价和切换机制，使数字孪生模型能够随果蔬品质变化规律持续更新，从而提高果蔬采后品质预测的准确性、可靠性和长期运行稳定性，为剩余货架期预测、腐烂风险预警、库存周转和销售窗口确定提供数据支持。