大豆基低水分凝胶品质跨品种预测方法、系统及电子设备

本发明涉及粮食副产品品质检验与食品加工。更具体地说，本发明涉及一种大豆基低水分凝胶品质跨品种预测方法、系统及电子设备，大豆基低水分凝胶例如为干豆腐、豆腐干、素肉或高纤维蛋白凝胶等。

背景技术：

1、大豆基低水分凝胶，包含干豆腐、豆腐干、素肉或高纤维蛋白凝胶等大豆基蛋白制品或豆制品。其中，干豆腐作为我国北方地区传统的特色豆制品，其最终产品品质，包括质构特性、出品率及风味等，在很大程度上取决于原料大豆的品种及其内在理化特性。我国大豆种质资源丰富，不同品种间在蛋白质含量、11s/7s球蛋白比值、植酸含量、钙镁等矿物元素含量等理化指标上存在显著差异，这些差异直接影响干豆腐加工过程中的蛋白凝胶形成、网络结构构建及最终产品的硬度、弹性、咀嚼性等品质表现。

2、然而，目前大豆加工行业在原料筛选环节主要面临两大困境：一是缺乏系统性的评价体系，现有方法多依赖单一经验指标如蛋白质含量或小范围试做试验，无法全面定量地揭示复杂的大豆籽粒特性与多维度的干豆腐成品品质之间的关联；二是预测能力缺失，企业无法在采购或投产前仅凭原料检测数据准确预判成品综合品质，只能通过试做和检测的传统循环进行筛选，效率低下、成本高昂。

3、已有研究尝试通过建立数学模型来关联大豆原料与豆腐产品品质。例如，公开号为cn120181635a专利公开了一种大豆原料的豆腐产品品质预测方法、装置及电子设备，该方法获取待测大豆原料的品质指标数据，将品质指标数据输入至豆腐产品品质预测模型，获得豆腐产品品质预测结果，其中预测模型基于大豆原料的品质指标数据作为训练样本、以大豆原料加工制得豆腐产品的品质指标数据作为标签训练得到，该方案在一定程度上提升了豆腐品质预测的准确性。

4、然而，上述现有技术仍存在以下不足：第一，其预测目标为多维指标的分别输出，缺乏一个统一、客观、可量化的综合品质评价标准，当多个品质指标之间出现此消彼长的情况时，决策者面对多个独立的预测值难以做出综合判断；第二，其模型训练和应用均依赖同一品种或混合品种的大量历史数据，以及大量原料指标的输入数据进行模型预测（输入指标>10），当面对全新品种大豆时，这类品种往往仅有少量可供测试的样品、缺乏历史数据积累，并且无法进行大量原料指标（蛋白、异黄酮、皂苷等10余个指标）的检测用于模型预测，现有模型将直接失效，若按传统方式从头收集数据并训练模型，通常需要半年以上的数据积累周期，严重制约了企业的原料筛选效率和市场响应速度。

5、因此，如何建立一个专门针对大豆基低水分凝胶产品的客观可量化的综合评价标准，以及如何仅凭极少量的新样品数据实现从已知品种向新品种的知识迁移、快速构建高精度预测模型，成为本领域亟待解决的技术问题。

技术实现思路

1、本发明的一个目的是提供了一种大豆基低水分凝胶品质跨品种预测方法，包括以下步骤：

2、s1、获取多个已知品种大豆的籽粒理化指标及对应大豆基低水分凝胶综合评分f，构建多品种基础数据库，籽粒理化指标包括水分、蛋白质、脂肪、11s球蛋白、7s伴球蛋白、11s/7s比值、水溶性蛋白、蛋白质溶解度、植酸、凝集素、钙、镁；

3、s2、以各品种的籽粒理化指标为输入特征、f为标签，训练深度神经网络，得到已有品种模型m0，训练时在隐藏层中增设品种无关的特征表示层，特征表示层的训练目标为：不同品种在该层的输出分布趋于一致，提取跨品种共性特征；

4、s3、对于新目标品种，采集预设数量个样品的籽粒理化指标及f，作为新目标品种少样本数据，将新目标品种籽粒理化指标构为向量，已有品种中第p个品种的中心向量，计算欧氏距离，其中j=1,2,…,12，p=1,2,…,p，p为多品种基础数据库中已有品种总数，取品种相似度度量d=min(dp)；

5、s4、保持m0中已冻结隐藏层的参数不变，以新目标品种数据对未冻结隐藏层及输出层进行参数调整，损失函数中引入正则化约束并设早停机制，得到新目标品种预测模型m1；

6、s5、对新目标品种其余待检原料，将测定籽粒理化指标输入m1，输出综合品质预测结果。

7、优选的是，大豆基低水分凝胶综合评分f通过以下步骤得到：

8、获取多个品种大豆原料经标准化工艺加工制得大豆基低水分凝胶产品的品质指标数据，包括水分含量、蛋白质含量、脂肪含量、钙含量、镁含量、硬度、胶着性、回复性、凝聚性、弹性、粘附性、咀嚼性、拉伸性、剪切力、感官总体可接受性共15项品质指标；

9、对15项品质指标数据进行kmo检验和bartlett球形检验，当kmo检验值＞0.6且bartlett球形检验显著性水平＜0.05时，判定数据适合进行主成分分析；

10、对通过检验的品质指标数据进行z-score标准化处理，各品质指标数据均值为0、标准差为1；

11、对标准化处理后的数据进行主成分分析，提取特征值＞1且前k个主成分的累积方差贡献率≥75%的前k个主成分，获得各主成分的方差贡献率λi以及因子载荷矩阵，其中i=1,2,…,k；

12、基于因子载荷矩阵构建各主成分得分zi的函数表达式：，其中aij为第i个主成分在第j个品质指标上的载荷系数，xj为第j个品质指标的标准化值，j=1,2,…,15；

13、基于各主成分的方差贡献率确定权重，构建原始综合评分计算公式：；

14、对所有品种的fraw进行离差标准化处理，映射至0-1区间：，其中，fraw1和fraw2分别为所有品种原始综合评分fraw的最小值和最大值。

15、优选的是，成分个数k为6，6个主成分的方差贡献率依次为22.948%、14.391%、12.866%、11.151%、8.050%和7.473%，累积方差贡献率为76.879%，6个主成分的因子载荷矩阵及函数表达式如下：

16、第1主成分得分z1=0.015x1－0.471x2＋0.808x3＋0.599x4＋0.778x5＋0.605x6＋0.109x7－0.513x8－0.549x9＋0.222x10－0.311x11＋0.241x12－0.008x13＋0.668x14－0.101x15；

17、第2主成分得分z2=0.304x1＋0.320x2＋0.031x3＋0.002x4＋0.108x5－0.151x6＋0.246x7＋0.720x8＋0.739x9－0.032x10＋0.429x11＋0.054x12＋0.266x13－0.365x14＋0.249x15；

18、第3主成分得分z3=0.041x1－0.071x2－0.030x3－0.577x4－0.432x5＋0.514x6－0.776x7＋0.159x8＋0.060x9＋0.466x10－0.032x11＋0.595x12＋0.097x13＋0.208x14＋0.362x15；

19、第4主成分得分z4=0.704x1－0.144x2－0.210x3－0.288x4－0.007x5＋0.225x6－0.027x7＋0.278x8＋0.124x9－0.552x10＋0.525x11－0.346x12－0.064x13＋0.148x14＋0.263x15；

20、第5主成分得分z5=0.113x1＋0.566x2＋0.005x3＋0.226x4－0.028x5－0.166x6＋0.121x7＋0.175x8＋0.011x9＋0.071x10－0.032x11－0.157x12＋0.770x13＋0.098x14－0.401x15；

21、第6主成分得分z6=0.305x1－0.171x2－0.510x3＋0.043x4＋0.070x5＋0.134x6＋0.262x7＋0.033x8；

22、其中，x1为大豆基低水分凝胶水分含量，x2为大豆基低水分凝胶蛋白质含量，x3为大豆基低水分凝胶脂肪含量，x4为大豆基低水分凝胶钙含量，x5为大豆基低水分凝胶镁含量，x6为大豆基低水分凝胶硬度，x7为大豆基低水分凝胶胶着性，x8为大豆基低水分凝胶回复性，x9为大豆基低水分凝胶凝聚性，x10为大豆基低水分凝胶弹性，x11为大豆基低水分凝胶粘附性，x12为大豆基低水分凝胶咀嚼性，x13为大豆基低水分凝胶拉伸性，x14为大豆基低水分凝胶剪切力，x15为大豆基低水分凝胶感官总体可接受性；

23、综合评分计算公式为f=(22.948z1＋14.391z2＋12.866z3＋11.151z4＋8.050z5＋7.473z6)/76.879。

24、优选的是，品种相似度度量d的自适应冻结层数确定方式具体为：

25、已有品种模型m0共包含l个隐藏层，按输入层至输出层方向依次编号为第1隐藏层至第l隐藏层；

26、根据品种相似度度量d确定冻结层数t：

27、当d≤第一距离阈值时，t=l-1，冻结第1隐藏层至第l-1隐藏层参数，仅调整第l隐藏层和输出层参数；

28、当d＞第一距离阈值且≤第二距离阈值时，t=l-2，冻结第1隐藏层至第l-2隐藏层参数，调整第l-1隐藏层、第l隐藏层和输出层参数；

29、当d＞第二距离阈值时，t=l-3，冻结第1隐藏层至第l-3隐藏层参数，调整第l-2隐藏层、第l-1隐藏层、第l隐藏层和输出层参数；

30、其中，第一距离阈值＜第二距离阈值，第一距离阈值和第二距离阈值为根据多品种基础数据库中各品种间欧氏距离分布预设的数值。

31、优选的是，损失函数中引入的正则化约束为l2正则化，损失函数loss的表达式为：loss=mse＋α×‖w‖2，其中，mse为预测综合评分与真实综合评分之间的均方误差，α为l2正则化系数，‖w‖2为被调整层权重参数的l2范数平方和，正则化系数α根据新目标品种少样本数据的样本数量n自适应设置：α=β/n，其中，β为预设的基础正则化常数；

32、早停机制的引入方式为：将新目标品种少样本数据按预设比例划分为调整集和验证集，在每轮迭代后计算验证集上的预测均方误差，当验证集预测均方误差在连续m轮迭代中不再下降时提前终止训练，m为预设的耐心轮数。

33、优选的是，s2中特征表示层的训练目标通过最大均值差异实现，具体为：

34、在训练已有品种模型m0时，损失函数loss由预测误差损失losspred和分布差异损失lossmmd加权构成：loss=losspred＋γ×lossmmd，其中，γ为分布差异损失的权重系数；

35、lossmmd的计算方式为：lossmmd=‖μu－μv‖2，其中μu为品种u在特征表示层输出的均值向量，μv为品种v在特征表示层输出的均值向量，遍历多品种基础数据库中所有两两品种组合求和取平均，品种u与品种v为多品种基础数据库中任意两个不同品种。

36、优选的是，在s3中获取新目标品种少样本数据之后、s4中进行参数调整之前，还包括品种优选步骤：

37、将新目标品种少样本数据的籽粒理化指标输入已有品种模型m0，提取特征表示层的输出向量，计算该输出向量与多品种基础数据库中各已有品种在特征表示层的输出中心向量之间的余弦相似度，选取余弦相似度最高的前q个已有品种作为优选已有品种集，其中，q为预设的优选品种数量，当优选已有品种集中最大余弦相似度小于预设的相似度阈值时，放弃品种优选，用全部已有品种数据对未冻结隐藏层及输出层进行参数调整；

38、在s4中，除上述回退情形外，仅用优选已有品种集对应的数据对未冻结隐藏层及输出层进行参数调整。

39、优选的是，在输出综合品质预测结果之后，还包括：

40、将预测结果与预设的适宜性阈值进行比较，当预测结果≥适宜性阈值时，判定该大豆原料适宜于大豆基低水分凝胶加工，当预测结果＜适宜性阈值时，判定该大豆原料不适宜于大豆基低水分凝胶加工，并输出评价报告。

41、提供一种大豆基低水分凝胶品质跨品种预测系统，被配置于执行前文的大豆基低水分凝胶品质跨品种预测方法，系统包括：

42、数据获取模块，被配置于获取多个已知品种大豆的籽粒理化指标及对应大豆基低水分凝胶综合评分f，以及获取新目标品种的籽粒理化指标；

43、综合评价模块，被配置于基于大豆基低水分凝胶产品的品质指标数据，通过主成分分析法构建大豆基低水分凝胶加工适宜性综合评价数学模型，计算大豆基低水分凝胶综合评分f；

44、已有品种训练模块，被配置于以已知品种大豆的籽粒理化指标为输入特征、以f为标签，训练深度神经网络作为已有品种模型，训练时在隐藏层中增设品种无关的特征表示层，该层的训练目标为不同品种在该层的输出分布趋于一致；

45、迁移学习模块，被配置于计算新目标品种与已有品种中各品种之间的品种相似度度量d，根据d自适应确定已有品种模型的冻结隐藏层层数，保持已冻结隐藏层参数不变，以新目标品种数据调整未冻结隐藏层及输出层参数，损失函数引入正则化约束并设早停机制，得到新目标品种预测模型；

46、品质预测模块，被配置于将新目标品种待检原料的籽粒理化指标输入新目标品种预测模型，输出综合品质预测结果。

47、提供一种一种电子设备，包括处理器和存储有计算机程序的存储器，处理器执行计算机程序时实现前文的大豆基低水分凝胶品质跨品种预测方法。

48、本发明至少包括以下有益效果：

49、第一、本发明通过主成分分析法构建大豆基低水分凝胶加工适宜性综合评价数学模型，将大豆基低水分凝胶产品的15项多维品质指标经kmo和bartlett检验后，以特征值大于1且累积方差贡献率不低于75%的前k个主成分的方差贡献率为权重，客观量化为0至1区间内的单一综合评分f，解决了现有技术中大豆基低水分凝胶产品缺乏统一、客观、可量化的综合品质评价标准的问题，为预测模型的训练提供了标准化的标签数据，提高了模型训练的客观性。

50、第二、本发明通过在已有品种模型m0的隐藏层中增设品种无关的特征表示层，以最大均值差异作为分布差异度量约束不同品种在该层的输出分布趋于一致，并基于新目标品种与已有品种之间的欧氏距离计算的品种相似度度量d自适应确定模型冻结隐藏层层数，在仅需采集预设数量个新目标品种样品的情况下即可完成模型适配，解决了现有技术在面对新品种时因缺乏历史数据而导致模型失效的问题，将传统需要大量历史数据积累的建模过程缩短至少量样品条件下的快速建模。

51、第三、本发明通过在参数调整前利用特征表示层输出的余弦相似度进行品种优选筛选，仅使用与新目标品种特征模式相近的已有品种数据进行参数调整，并设置相似度阈值回退机制避免极端情况下筛选失效，同时在损失函数中引入l2正则化约束和早停机制，正则化系数根据样本数量自适应设置，提高了少样本条件下参数调整的效率和稳定性。

52、本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。