物联网的出现将使更严格的冷链物流实时温度监测成为可能
冷链断裂对食品的影响被广泛记录在案，涉及多个利害关系：健康、环境和经济。物联网的出现将使更严格的实时温度监测成为可能，但对生成的数据处理提出了新的问题。
冷链断裂检测相关的不同定义和挑战。描述了应用于冷链的机器学习方法，以突出与这些数据相关的问题。此外，这些研究使我们能够带出可用于训练学习模型的不同数据源。冷链领域生成实验和数值数据，这些数据在训练机器学习模型方面具有巨大潜力。据我们所知，尽管机器学习方法已被用于预测温度，但这些方法尚未用于检测冷链中的断裂。但是，已经存在几种方法来检测时序数据中的异常。从这些数据中学习将是向前迈出的一步：一方面，更好地了解冷链断裂，另一方面在正确的时间提醒操作员。
冷藏至关重要，因为它可以延长易腐食品的保质期，并为消费者提供高感官品质的安全食品。事实上，低温降低了易腐食品变化的速度，例如微生物（例如病原体和腐败菌群）的生长，成熟速度，褐变反应或水分损失。随着制冷的使用在过去几十年中在大多数发达国家和发展中国家扩大，人工智能 （AI） 是指一组概念、方法和工具，旨在更好地理解智能，并赋予机器在由人类或其他生物执行时被认定为智能的能力。达到明智决策能力的一种方法是从例子中学习。
如何获取用于机器学习的冷链数据？
总体而言，冷链中冷藏设备内部的气流和温度分布已通过实验和数值进行了广泛的研究。在本节中，描述了这些研究产生的数据。还讨论了这些数据的潜力和局限性，用于为能够检测和表征温度变化的算法提供信息。为了构建一个可以检测中断的学习样本，我们提出了一个形式化来构建一个变量来预测。挑战是使用机器学习技术，使用有限数量的传感器，高精度地预测冷链断裂期间产品温度的变化。根据这个预测的温度，应该可以预测食品质量的演变。这些学习模型带来的信息将有助于操作员在检测到中断时进行食品供应管理。
冷链中的温度控制对于减少食物浪费和健康风险以及确保消费者层面的产品质量至关重要。由于冷藏设备中的温度分布不规则，当前的温度控制实践很复杂。据我们所知，尽管冷链领域在生成数据方面具有丰富的潜力，但还没有开发出专门检测冷链断裂的自动学习模型。很少有研究使用过这台机器。
返回列表