机器学习模型预测葵花籽干燥过程中水分含量:方法比较与模型评估

《Agriculture》:Experimental Modelling of Sunflower Seed Moisture Content During Controlled Drying Using Machine Learning Methods Ana Matin, Ivan Brandi?, Karlo ?peli?, Ivana Tomi?, Aleksandra Pavlovi?, Bo?idar Matin, Tajana Kri?ka and Ante Gali?

【字体: 大 中 小 】 时间:2026年03月21日 来源:Agriculture 3.6

编辑推荐:

  本研究针对葵花籽干燥过程建模与水分含量预测的难题,为优化干燥工艺、保障品质与能耗效率,研究人员通过对比多种机器学习回归模型(如ANN、SVR、RFR等),评估了其预测葵花籽在可控干燥条件下的水分含量(MC)的能力。结果表明,人工神经网络(ANN)模型取得了最佳预测性能(R2=0.97,RMSE=0.46)。该研究为精准监测和管理葵花籽干燥过程提供了有效工具。

  
葵花籽作为一种重要的油料作物,富含不饱和脂肪酸、蛋白质、维生素和抗氧化剂,是全球消费最广的油料之一。为了保存其优良的营养价值、延长货架期并确保后续加工与储存的安全,收获后必须进行干燥处理。然而,干燥过程复杂且能耗极高,涉及多种因素,如温度、时间、干燥方法(如传导干燥、真空干燥、流化床干燥)和作物杂交种等。这些因素会非线性地影响最终的葵花籽水分含量。水分含量是决定产品品质和安全储存的关键参数,过高可能导致霉变,过低则可能损害营养成分。传统的干燥过程监控和建模方法往往难以精确描述这种复杂的动态关系。因此,如何准确预测和控制葵花籽干燥过程中的水分含量,实现高效、节能且能保持营养的精准干燥,成为农业生产和食品工业中亟待解决的问题。机器学习作为一种强大的工具,能够建模复杂的非线性关系,在农业过程建模中展现出巨大潜力。但此前针对葵花籽干燥过程,系统性地比较多种机器学习模型预测水分含量的研究仍较有限。为此,由Ana Matin, Ivan Brandi?, Karlo ?peli?, Ivana Tomi?, Aleksandra Pavlovi?, Bo?idar Matin, Tajana Kri?ka 和 Ante Gali?组成的研究团队,在《Agriculture》上发表了一项研究,旨在通过实验分析和机器学习建模,为解决这一难题提供新的思路和工具。
本研究采用了多学科交叉的实验与分析技术路线。核心是可控条件下的实验室干燥实验,研究对象为三个具有商业价值的向日葵杂交种(Sumiko, Pioneer, Agromatic Lidea)。研究采用了三种干燥方法(传导、真空、流化床)、四个温度(50, 60, 70, 80 °C)和四个时长(15, 30, 45, 60 分钟),共产生144个实验观测数据点。全面的实验室成分分析是数据基础,包括使用Macro CHNS分析仪测定元素组成(C, H, N, S),索氏提取法测定脂肪含量,凯氏定氮法测定蛋白质含量,以及烘箱干燥法测定水分含量(MC),所有分析均遵循ISO标准并设置三次重复。数据处理与机器学习建模是研究的核心环节,使用Python(3.10)进行统计分析和模型开发。研究团队系统评估了六种现有的机器学习回归模型,包括人工神经网络(ANN)、随机森林回归(RFR)、增强树回归(BTR)、支持向量回归(SVR)、线性模型和多变量自适应回归样条(MARS)。模型性能通过决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)等指标进行评估,数据集按70:15:15的比例随机划分为训练集、验证集和测试集,并重复三次以减少随机性影响。
2.5. 现有机器学习模型的评估
研究人员对所选的六种机器学习模型进行了系统评估和超参数调优。结果显示,所有模型在预测水分含量方面都表现出了可接受的能力,但性能存在差异。其中,人工神经网络(ANN)模型取得了最佳的预测性能,其测试集的R2达到0.97,RMSE为0.46,MAE为0.35。这表明ANN能够非常准确地捕捉输入变量(干燥方法、杂交种、温度、时间)与输出变量(水分含量)之间复杂的非线性关系。 支持向量回归(SVR)模型也表现出色,但略逊于ANN。随机森林回归(RFR)和增强树回归(BTR)等基于树的模型同样提供了良好的预测精度。相比之下,传统的线性模型性能最弱,这印证了干燥过程中变量间关系的高度非线性。研究还详细列出了各模型最优的超参数设置,例如ANN最终采用了包含10个神经元的单隐藏层结构。
2.6. 评估的机器学习模型的性能
本节具体阐述了用于量化模型性能的误差指标和回归指标的计算公式,包括RMSE、MAE、MAPE和R2。这些公式为标准定义,为客观比较不同模型的预测误差和拟合优度提供了数学基础。研究通过应用这些公式,计算出了前述各模型的具体性能数值,从而得出了ANN最优的结论。
3. 结果
(注:原文中“3. Results”部分包含大量具体数据、图表和统计分析,但根据用户要求“简要归纳出通过什么研究得出什么结论”,以下进行归纳)
通过系统的实验和数据分析,研究得出以下关键结果:首先,干燥温度和时间是影响葵花籽水分含量的最主要可控参数,而干燥方法和杂交种也对过程有显著影响。这通过方差分析(ANOVA)和事后检验得到了验证。其次,在构建的机器学习模型中,人工神经网络(ANN)在预测水分含量方面展现了最高的准确性和鲁棒性,其预测结果与实验测定值高度吻合。此外,支持向量回归(SVR)也表现出强大的预测能力。研究生成的性能指标表格和图形(如实际值vs预测值散点图、误差分布图)直观地展示了各模型的优劣。
4. 讨论
研究讨论部分深入分析了结果的意义。首先,它强调了本研究成功地将多种机器学习模型应用于葵花籽干燥这一特定农业过程,并证实了这些模型,特别是ANN,在描述和预测复杂干燥动力学方面的有效性。这为实现干燥过程的精准监控和优化管理提供了强有力的数据驱动工具。其次,研究指出,通过建立的模型,生产者可以在不进行繁琐实验室测定的情况下,仅根据设定的干燥参数(方法、温度、时间)和所用杂交种,快速预估最终产品的水分含量,从而辅助制定高效、节能的干燥策略,在保证产品品质的同时降低能耗。此外,该建模方法具有通用潜力,可扩展到其他谷物或农产品的干燥过程建模中。最后,作者也讨论了本研究的局限性,例如实验数据来源于特定的三个杂交种和设定的实验室条件,模型在更广泛品种和实际工业条件下的普适性需要进一步验证。未来的工作可以集成在线传感器(如高光谱成像)数据,实现更实时、动态的水分预测。
5. 结论
本研究的核心结论是:机器学习模型,特别是人工神经网络(ANN),能够高精度地预测葵花籽在可控干燥条件下的水分含量。 研究表明,温度和时间是干燥过程中影响水分含量的关键可控因素。通过比较,ANN模型(R2= 0.97; RMSE = 0.46)优于其他评估的回归模型。这项工作表明,机器学习方法可以作为模拟干燥过程、预测水分动态和支持改进干燥工艺监测与管理的有用工具。该研究成果为开发智能干燥系统、优化农业产后加工流程、提升产品品质与产业能效提供了重要的方法论参考和实践依据。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号