自热食品货架期预测方法、装置、计算机设备和存储介质[发明专利]

(12)发明专利申请

(10)申请公布号 CN 112098596 A(43)申请公布日 2020.12.18

(21)申请号 202010705572.5(22)申请日 2020.07.21

(71)申请人 黄山美行美食品科技股份有限公司

地址 245700 安徽省黄山市黄山区工业园

区

申请人 浙江大学(72)发明人 任啸　丁甜　郑楚清　高振洪　(74)专利代理机构 杭州合信专利代理事务所

(普通合伙) 33337

代理人 黄平英(51)Int.Cl.

G01N 33/00(2006.01)G01N 33/02(2006.01)G01N 21/25(2006.01)G01N 21/31(2006.01)

权利要求书1页 说明书13页 附图5页

G01N 31/00(2006.01)G01K 13/00(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)

()发明名称

自热食品货架期预测方法、装置、计算机设备和存储介质(57)摘要

本申请涉及一种自热食品货架期预测方法、装置、计算机设备和存储介质。所述方法包括：获取待预测自热食品的品质指标参数以及存放温度；将食品参数以及存放温度输入训练后的货架预测模型，得到自热食品的预测货架期。采用本方法能够提高预测得到的货架期更为准确。

CN 112098596 ACN 112098596 A

权　利　要　求　书

1/1页

1.自热食品货架期预测方法，其特征在于，包括：

获取待预测自热食品的品质指标参数以及存放温度；

将所述食品参数以及存放温度输入训练后的货架预测模型，得到所述自热食品的预测货架期。

2.根据权利要求1所述的自热食品货架期预测方法，其特征在于，对所述货架预测模型训练的方法包括：

获取自热食品的品质指标参数，以及存放温度下的实际货架期；

将所述品质指标参数以及存放温度输入所述货架预测模型进行训练，得到预测结果；根据所述预测结果以及所述实际货架期进行计算，得到预测误差；根据所述预测误差对所述货架预测模型进行优化，直至所述预测误差达到预设值，则完成对所述货架预测模型的训练，得到训练后的货架预测模型。

3.根据权利要求1所述的自热食品货架期预测方法，其特征在于，所述品质指标参数包括：TBARS值以及挥发性盐基氮含量。

4.根据权利要求1所述的自热食品货架期预测方法，其特征在于，所述货架预测模型为将TBARS值作为指标，并与阿伦尼乌斯方程相结合的化学动力学货架期模型。

5.根据权利要求1所述的自热食品货架期预测方法，其特征在于，所述货架预测模型为将TBARS值作为指标，并与阿伦尼乌斯方程方程相结合的Q10模型。

6.根据权利要求1所述的自热食品货架期预测方法，其特征在于，所述货架预测模型为考虑先验条件的BP神经网络。

7.一种自热食品货架期预测装置，其特征在于，所述装置包括：获取模块，用于获取待预测自热食品的品质指标参数以及存放温度；预测货架期获取模块，用于将所述食品参数以及存放温度输入训练后的货架预测模型，得到所述自热食品的预测货架期。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

2

CN 112098596 A

说　明　书

1/13页

自热食品货架期预测方法、装置、计算机设备和存储介质

技术领域

[0001]本申请涉及货架期预测技术领域，特别是涉及一种自热食品货架期预测方法、装置、计算机设备和存储介质。背景技术

[0002]随着社会的进步和发展，人们的工作量变大，生活节奏加快，饮食习惯有了较大的改变，因此对快速、便捷的即食(ready-to-eat,RTE)食品的需求越来越大，推动了方便食品和快餐行业的发展。其中，由于自热食品具有易于制作、高营养和耐贮藏等优点已逐渐成为广大消费者的最佳选择。

[0003]自热食品是一种依靠发热包进行加热的食品，逐渐成为全球主流的一种饮食方式，目前全球共有超过1.5万种自热食品类型。自热食品的包装材料具有良好的阻隔性，故其货架期较普通食品相比更长，通常认为其货架期终结的主要原因是理化性质及感官品质的改变，而非微生物因素，因此对于自热食品货架期标志性指标和预测模型的探索研究便显得尤为重要。并且提供一种能得到较为准确的货架期预测模型也是现在急需得到的。发明内容

[0004]基于此，有必要针对上述技术问题，提供一种能够预测较为准确的自热食品货架期预测方法、装置、计算机设备和存储介质。[0005]一种自热食品货架期预测方法，所述方法包括：

[0006]获取待预测自热食品的品质指标参数以及存放温度；

[0007]将所述食品参数以及存放温度输入训练后的货架预测模型，得到所述自热食品的预测货架期。[0008]优选的，对所述货架预测模型训练的方法包括：[0009]获取自热食品的品质指标参数，以及存放温度下的实际货架期；

[0010]将所述品质指标参数以及存放温度输入所述货架预测模型进行训练，得到预测结果；

[0011]根据所述预测结果以及所述实际货架期进行计算，得到预测误差；[0012]根据所述预测误差对所述货架预测模型进行优化，直至所述预测误差达到预设值，则完成对所述货架预测模型的训练，得到训练后的货架预测模型。[0013]优选的，所述品质指标参数包括：TBARS值以及挥发性盐基氮含量。[0014]优选的，所述货架预测模型为将TBARS值作为指标，并与阿伦尼乌斯方程方程相结合的化学动力学货架期模型。[0015]优选的，所述货架预测模型为将TBARS值作为指标，并与阿伦尼乌斯方程方程相结合的Q10模型。[0016]优选的，所述货架预测模型为考虑先验条件的BP神经网络。[0017]本申请还提供一种自热食品货架期预测装置，其特征在于，所述装置包括：

3

CN 112098596 A[0018]

说　明　书

2/13页

获取模块，用于获取待预测自热食品的品质指标参数以及存放温度；

[0019]预测货架期获取模块，用于将所述食品参数以及存放温度输入训练后的货架预测模型，得到所述自热食品的预测货架期。[0020]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

[0021]获取待预测自热食品的品质指标参数以及存放温度；

[0022]将所述食品参数以及存放温度输入训练后的货架预测模型，得到所述自热食品的预测货架期。

[0023]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以下步骤：

[0024]获取待预测自热食品的品质指标参数以及存放温度；

[0025]将所述食品参数以及存放温度输入训练后的货架预测模型，得到所述自热食品的预测货架期。

[0026]上述自热食品货架期预测方法、装置、计算机设备和存储介质，通过利用训练后的货架预测模型根据自热食品的品质指标参数以及存放温度获得较为准确的货架期。附图说明

[0027]图1为一个实施例中自热食品货架期预测方法的流程示意图；[0028]图2为一个实施例中自热食品货架期预测装置的流程示意图

[0029]图3为一个实施例中两种BP神经网络模型的两种方式建立的神经网络训练过程[0030]图4为一个实施例中温度对土豆牛肉菜肴包感官评价变化的影响曲线示意图；[0031]图5为一个实施例中温度对土豆牛肉菜肴包pH值变化的影响曲线示意图；

[0032]图6为一个实施例中温度对土豆牛肉菜肴包挥发性盐基氮含量变化的影响曲线示意图；

[0033]图7为一个实施例中温度对土豆牛肉菜肴包TBARS值变化的影响曲线示意图；[0034]图8为一个实施例中回归分析示意图；[0035]图9为一个实施例中误差曲线示意图；

[0036]图10为一个实施例中计算机设备的内部结构图。

具体实施方式

[0037]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

[0038]在一个实施例中，如图1所示，提供了一种自热食品货架期预测方法，包括以下步骤：

[0039]步骤102，获取待预测自热食品的品质指标参数以及存放温度；[0040]步骤104，将食品参数以及存放温度输入训练后的货架预测模型，得到所述自热食品的预测货架期。

[0041]在本实施例中，对货架预测模型训练的方法包括：

4

CN 112098596 A[0042]

说　明　书

3/13页

获取自热食品的品质指标参数，以及存放温度下的实际货架期；

[0043]将品质指标参数以及存放温度输入货架预测模型进行训练，得到预测结果；[0044]根据预测结果以及实际货架期进行计算，得到预测误差；[0045]根据预测误差对货架预测模型进行优化，直至预测误差达到预设值，则完成对货架预测模型的训练，得到训练后的货架预测模型。[0046]在步骤102中，品质指标参数包括：TBARS值以及挥发性盐基氮含量。[0047]在其中一实施例中，货架预测模型为将TBARS值作为指标，并与阿伦尼乌斯方程相结合的化学动力学货架期模型。[0048]在其中一实施例中，货架预测模型为将TBARS值作为指标，并与阿伦尼乌斯方程相结合的Q10模型。

[0049]在其中一实施例中，货架预测模型为考虑先验条件的BP神经网络。[0050]各货架预测模型在实验中的具体预测效果包括：[0051]1.材料与方法[0052]1.1材料与试剂

[0053]自热食品土豆牛肉菜肴包(120g)，购于三全食品股份有限公司。[00]本实验试剂均为分析纯，其中氯化钾、硼酸、乙醇、盐酸、无水碳酸钠、乙二胺四乙酸二钠和硫代巴比妥酸为国药化学试剂有限公司生产；溴甲酚绿、甲基红、氧化镁和三氯乙酸为阿拉丁控股集团有限公司生产。[0055]1.2仪器与设备[0056]电热恒温培养箱、电热恒温振荡水槽，上海-恒科学仪器有限公司；色差仪，美国亨特立有限公司；pH计，梅特勒-托利多仪器(上海)有限公司；自动型凯氏定氮仪，浙江托普仪器有限公司；分光光度计，日本Shimadzu公司。[0057]1.3实验方法[0058]1.3.1感官评定

[0059]选取男女各半共10名固定感官评定人员，定期定时按照表1条件进行感官评定，当总分低于6分时，则认为到达货架期终点。

5

CN 112098596 A

说　明　书

4/13页

[0060]

表1感官评定评分标准

[0062]1.3.2色度值的测定[0063]参考Stinco等的方法，采用色差仪测量L*、a*、b*值。[00]1.3.3 pH的测定

[0065]参考国标GB5009.237-2016方法并适当修改。[0066]1.3.4挥发性盐基氮含量(TVB-N)测定

[0067]参考国标GB5009.228-2016方法中的第二法自动凯式定氮仪法，并适当修改。[0068]1.3.5丙二醛含量(TBARS)测定

[0069]参考国标GB5009.181-2016方法中的第二法分光光度法。[0070]1.4模型构建方法[0071]1.4.1相关性分析[0072]采用Pearson系数、Spearman系数和Kendall系数三种相关系数分析，并根据Pearson系数的特点对数据的分布情况进行统计分析。[0073]1.4.2化学动力学模型构建[0074]1.4.2.1 Arrhenius方程

[0075]Arrhenius方程(阿伦尼乌斯方程)如公式1所示，以lnk对作图可得到斜率为、截距为lnk0的线性方程，即可得到反应活化能Ea和前因子k0。其中参数T为温度(K)，R为气体常数(8.3144J/mol·K)

[0076][0077]

[0061]

1.4.2.2化学动力学方程

[0078]根据Labuza等研究，本实验针对品质指标变化的零级和一级反应动力学方程进行对比，确定反应级数和方程参数。[0079]零级动力学反应方程：[0080]A＝A0+kt                              公式2

6

CN 112098596 A[0081]

说　明　书

5/13页

一级动力学反应方程：

[0082]lnA＝lnA0+kt                     公式3[0083]其中，A0和A分别为样品贮藏至第0天和t天时的观测指标值，k为贮藏品质指标变化速率常数，t为样品的贮藏时间。[0084]1.4.3 Q10模型构建

[0085]Q10是指食品存储在高于原来贮存温度10℃的条件下其货架期的变化程度。函数形式如下:

[0086][0087][0088][00]

其中T0为通过感官评定确定货架期的温度，T为所要求货架期的温度条件。与Arrhenius方程相结合，可以得到Q10的计算公式如下：

其中，R0为气体常数(8.3144J/mol·K)

[0091]1.4.4基于BP神经网络的货架期预测模型构建

[0092]BP神经网络是一种可以进行多输入输出的多层前馈神经网络，其主要特征是信号的正向传播和误差的反向传播。正向传播中，输入信号从输入层到隐藏层逐层处理，然后到输出层，每一层的神经元仅影响下一层神经元的状态。如果输出层中未获得所需的输出，信号转移到反向传播，并且根据预测误差调整网络权重和阈值，使预测输出BP神经网络逐渐接近其期望的输出。

[0093]为了通过食品的品质指标参数对食品货架期进行预测，利用BP神经网络拟合各参数与货架期之间的映射关系。常规的BP神经网络训练过程，由于没有考虑食品货架期对温度的偏导数为负，这一先验条件。因此利用高温数据训练的网络，往往对低温条件下货架期预测误差较大。因此，本文考虑这一先验条件，改进网络训练方式，以使其在保证先验条件约束的前提下，对实验数据有较好的拟合能力，进而更好的预测低温条件下的食品货架期。两种BP神经网络模型的训练过程如图3所示，其中(a)为未考虑先验条件的模型，(b)为考虑先验条件的模型。[0094]2结果与分析

[0095]2.1感官品质的变化[0096]如图4所示，三种温度下土豆牛肉菜肴包感官评定分数变化如图4所示，以6分或接近6分作为货架期终点标志可以得到40℃、50℃、60℃条件下的样品货架期分别为70天、112天、140天。由图4可知，温度越高，感官评分的下降速度越快，且评分在贮藏前期变化较快，在接近货架期终点时逐渐放缓。样品在到达货架期终点时颜色偏暗红，口感软烂，有轻微刺激性异味，主要是由于样品脂质氧化和蛋白质水解等反应发生所导致的。[0097]2.2pH的变化[0098]如图5所示，表示贮藏期间不同温度下的土豆牛肉菜肴包pH值随时间变化的情况，pH被广泛应用于测定包括肉制品在内的食品品质变化，不过本实验结果显示pH值变化呈现一定波动性，均有先下降再上升最后下降的趋势，可能是由于随着时间变化糖类、脂肪氧化与蛋白质分解等多种反应的速率发生变化，从而导致其产物发生酸碱性中和情况。其中40

[0090]

7

CN 112098596 A

说　明　书

6/13页

℃时pH值变化范围较小，最小值为初始的5.94±0.02，最大值为第84天时的6.04±0.03，且其变化速率较另外两个温度下变化速率更慢，可能是因为在不同温度下各类化学反应的反应速率和反应程度不同导致；而50℃与60℃条件下pH值变化幅度与速率相近，但60℃的最低pH值更低，出现在第42天，为5.60±0.02，而50℃的最高pH值更高，出现在第70天，为6.20±0.06。

[0099]2.3色度值的变化[0100]如表2所示，40℃条件下样品的亮度随贮藏时间的延长逐渐变暗，且红色和黄色色度加深，呈现出红棕色。其中，L*值由35.72±0.16降低到30.85±0.38，a*值由13.65±0.31升高到16.42±0.30，b*值由36.67±0.24升高到38.51±0.22，均呈现出明显变化。

[0101]

表2 40℃贮藏温度下土豆牛肉菜肴包色度值随贮藏时间变化表[0103]如表3所示,50℃条件下样品的色度变化，整体变化趋势与40℃条件下相同，但货架期终点二者的色度值均有一定偏差，其中L*与a*比40℃时偏大，分别为31.63±0.14、17.18±0.11，但b值相对40℃条件下数值偏小，为37.99±0.22。

[0102]

[0104]

表3 50℃贮藏温度下土豆牛肉菜肴包色度值随贮藏时间变化表[0106]如表4所示，60℃条件下样品色度值与40℃条件下终点值相近，L*、a*、b*值分别为30.±0.10、17.69±0.11、38.83±0.09，整体变化趋势3个温度条件下基本一致，L*值先缓慢下降后急剧下降，a*值先是快速升高之后速率逐渐减慢，b*值则是相对较稳定的缓慢上升。

8

[0105]

CN 112098596 A

说　明　书

7/13页

[0107]

表4 60℃贮藏温度下土豆牛肉菜肴包色度值随贮藏时间变化表

[0109]2.4 TVB-N含量的变化

[0110]挥发性盐基氮(TVB-N)是食品中蛋白质分解产生的具有一定挥发性的胺以及氨类等碱性含氮物质，被广泛用作食品新鲜度和度指标。如图6所示，3种温度下样品中挥发性盐基氮含量变化情况相似，且在货架期终点时均为超过20mg/100g，这与Byun的研究相似，可以将挥发性盐基氮作为评价土豆牛肉品质和货架期的重要指标。[0111]2.5 TBARS值的变化

[0112]TBARS法是一种用于检测脂质氧化产物丙二醛含量的最常见的方法[32]，丙二醛含量与贮藏过程中异味产生有密切联系。如图7所示，随着温度的升高TBARS值的变化速率越快，因为杀菌只能消除微生物和酶对样品品质的影响，而不能消除脂肪氧化的影响，贮藏过程中温度升高导致氧化反应速率增加，从而使脂肪氧化更加剧烈。[0113]在三者到达货架期终点时，TBARS值分别为1.125±0.008mg MDA/kg、1.110±0.029mg MDA/kg、1.145±0.027mg MDA/kg，均在1.1mg MDA/kg左右，因此可将该值设定为土豆牛肉菜肴包货架期终点的一项参考指标。[0114]2.6货架期预测模型的建立[0115]2.6.1相关性分析[0116]相关性分析如表5所示，分析3种温度下土豆牛肉各指标数据分布情况，结果并未呈正态分布，因此相关系数中的Pearson相关系数不能作为相关性的依据，主要以Spearman系数和Kendall系数的分析结果为准。所有指标中TVB-N和TBARS与感官评分的相关性最高，所有相关系数均在0.95以上，因此选用二者作为土豆牛肉菜肴包货架期预测模型中的标志性指标。

[0108]

9

CN 112098596 A

说　明　书

8/13页

[0117]

[0118]

表5三种温度下土豆牛肉各指标与感官评定变化的相关系数

[0119]2.6.2化学动力学模型

[0120]本文使用Python进行模型拟合，采用最小二乘法求解参数值，求解出的参数值(k)与线性模型拟合优度(R2)如表6所示：

[0121]

表6 TVB-N和TBARS的零级与一级动力学模型参数

[0123]由表6中动力学模型参数数据可知，TBARS的一级动力学模型R2平均值最高且均在0.93以上，因此选取TBARS作为化学动力学模型和Q10模型的标志性指标，反应级数确定为一级动力学方程。

[0124]2.6.2.1基于TBARS值变化的Arrhenius方程[0125]以ln k为纵坐标，为横坐标，针对3种温度下丙二醛含量(TBARS值)变化的一级反应速率常数计算Arrhenius方程参数，得到方程：y＝-3022.3x+4.3588(R2＝0.884)，对应的，lnk0＝4.3588,Ea＝25.127kJ/mol，k0＝78.1633，故可得到Arrhenius方程为k＝78.1633×exp。

[0126]2.6.2.1基于TBARS值的化学动力学货架期模型

[0127]由公式1和公式3相结合可得得到化学动力学货架期预测模型，其结果为：。

[0122]

10

CN 112098596 A[0128]

说　明　书

9/13页

模型的验证结果如下表7所示，可知在60℃时偏差较大，但40℃和50℃条件下模型

的准确度较高，误差均在3天以内，该模型对在温度较低的贮藏条件下的食品货架期预测更加准确。

[0129]

[0130]

表7化学动力学模型测试表

[0132]2.6.3 Q10货架期预测模型[0133]针对40℃、50℃、60℃三个温度点及其对应的速率常数k，通过公式1求得Ea(40-50℃)＝10.427KJ/mol、Ea(50-60℃)＝41.093KJ/mol的值，运用公式5求得Q10(40-50℃)＝1.13、Q10(50-60℃)＝1.58的值，故可得到Q10模型的计算公式如下：

[0134][0135][0136]

[0131]

40-50℃：50-60℃：

其中，T为所求货架期的贮藏温度(绝对温度)。[0137]通过上述两个模型公式，对自热食品土豆牛肉菜肴包的货架期进行预测，以检验该模型的准确度，其结果如下表8所示。

[0138]

表8 Q10模型测试表[0140]由表8可知，该Q10模型分别对温度区间内的食品货架期预测有较高的准确性，最小误差仅为1.25％，但对温度区间外的货架期预测则存在比较大的偏差，误差均在20％以上，因此无法通过该模型对贮藏温度较低条件下的自热食品进行货架期预测。[0141]2.6.4基于BP神经网络的货架期预测模型[0142]根据相关系数分析可知，TVB-N和TBARS与食品品质变化和剩余货架期的关系最为密切，因此选取二者作为模型预测的标志性指标，即BP神经网络中输入参数为温度、TVB-N含量和TBARS含量，网络输出为剩余货架期天数，神经元个数为3。[0143]2.6.4.1未考虑先验条件的BP神经网络训练[0144]如图8所示，测试集及验证集均有接近1的线性相关度(R值)，说明上述网络模型经过训练后，对实验数据有良好的拟合能力。

11

[0139]

CN 112098596 A[0145]

说　明　书

10/13页

由下表9预测值及误差可知，BP神经网络对所输入的货架期相关指标及数据具有

极强的拟合效果，可以用于食品剩余货架期预测模型的构建。利用上文得到的神经网络，对25℃时的食品货架期进行预测结果为156天，与实际自热食品菜肴包的货架期相比相差较大，主要原因可能是模型的泛化能力较弱，对未输入数据的预测和判断能力不足。

[0146]

表9未考虑先验条件的BP网络模型预测值与实际值对比[0148]2.6.4.2考虑先验条件的BP神经网络训练[0149]训练过程中误差曲线如图9所示，经过10000步的优化过程，误差最终收敛于7.16e-5，说明在先验条件约束下，模型依然对实验数据由较好的拟合性能。[0150]模型对剩余货架期的预测值与实际值对比如下表10所示，与未考虑先验条件的BP网络模型相近，均具有良好的拟合效果。利用该模型预测25℃时食品货架期的结果为430天，与实际生活中该类产品的货架期相近，说明该模型对自热食品菜肴包的剩余货架期预测具有一定的实际意义。因此，该模型的构建方法对自热食品菜肴包货架期预测具有一定理论意义，与没有考虑温度偏导数为负这一先验条件的情况相比，模型具备更好的泛化能力，在拟合误差允许的范围内，对训练数据以外的低温情况具有较好的预测能力。

[0147]

12

CN 112098596 A

说　明　书

11/13页

[0151]

表10考虑先验条件的BP网络模型预测值与实际值对比

[0153]3结论与展望

[01]针对自热食品菜肴包进行加速货架期实验，探究了不同温度对其感官特性和贮藏品质的影响，发现在一定范围内，温度升高能加快自热食品菜肴包各项反应的发生速率，使其感官特性和营养品质迅速下降从而达到货架期终点。温度对色度值、TVB-N值和TBARS值变化速率的影响与对感官评分的影响相近，均是随着温度的升高，各项指标变化速率加快。同时，利用化学动力学模型和Q10模型结合Arrhenius方程建立了货架期预测模型，并运用BP神经网络技术构建了货架期预测的神经网络模型，确立了货架期预测的最优模型为考虑先验条件“食品货架期对温度的偏导数为负”的BP神经网络模型，利用其预测常温条件下(25℃)自热食品土豆牛肉菜肴包的货架期为430天，具有实际指导意义。[0155]本申请着重研究了具有更小预测误差、更广应用范围的BP神经网络建立货架期预测模型的方法，为自热食品货架期预测领域奠定了一定的理论研究基础。为进一步推动对该领域的研究和应用、优化模型精确度。

[0156]通过大量的实验确定自热食品的品质指标参数中TVB-N值和TBARS值变化速率的影响与对感官评分的影响最为相近，并将这两个参数作为化学动力学模型和Q10模型的指标参数，并且还将这两个模型结合Arrhenius方程建立货架期预测模型，这样获得的预测货架期更为准确。并且还运用BP神经网络技术构建了货架期预测的神经网络模型，确立了货架期预测的最优模型为考虑先验条件“食品货架期对温度的偏导数为负”的BP神经网络模型，同样的使得预测得到货架期更为准确。[0157]应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。[0158]在一个实施例中，如图2所示，提供了一种自热食品货架期预测装置，包括：获取模

13

[0152]

CN 112098596 A

说　明　书

12/13页

块202和预测货架期获取模块204，其中：[0159]获取模块202，用于获取待预测自热食品的品质指标参数以及存放温度；[0160]预测货架期获取模块204，用于将所述食品参数以及存放温度输入训练后的货架预测模型，得到所述自热食品的预测货架期。

[0161]关于自热食品货架期预测装置的具体限定可以参见上文中对于自热食品货架期预测方法的限定，在此不再赘述。上述自热食品货架期预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。[0162]在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种自热食品货架期预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。[0163]本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。[01]在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

[0165]获取待预测自热食品的品质指标参数以及存放温度；

[0166]将所述食品参数以及存放温度输入训练后的货架预测模型，得到所述自热食品的预测货架期。

[0167]在一个实施例中，处理器执行计算机程序时还实现以下步骤：[0168]获取自热食品的品质指标参数，以及存放温度下的实际货架期；

[0169]将所述品质指标参数以及存放温度输入所述货架预测模型进行训练，得到预测结果；

[0170]根据所述预测结果以及所述实际货架期进行计算，得到预测误差；[0171]根据所述预测误差对所述货架预测模型进行优化，直至所述预测误差达到预设值，则完成对所述货架预测模型的训练，得到训练后的货架预测模型。[0172]在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

[0173]获取待预测自热食品的品质指标参数以及存放温度；

[0174]将所述食品参数以及存放温度输入训练后的货架预测模型，得到所述自热食品的预测货架期。

[0175]在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

14

CN 112098596 A[0176][0177]

说　明　书

13/13页

获取自热食品的品质指标参数，以及存放温度下的实际货架期；

将所述品质指标参数以及存放温度输入所述货架预测模型进行训练，得到预测结

果；

根据所述预测结果以及所述实际货架期进行计算，得到预测误差；

[0179]根据所述预测误差对所述货架预测模型进行优化，直至所述预测误差达到预设值，则完成对所述货架预测模型的训练，得到训练后的货架预测模型。

[0180]本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。[0181]以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明载的范围。

[0182]以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

[0178]

15

CN 112098596 A

说　明　书　附　图

1/5页

图1

图2

图3

16

CN 112098596 A

说　明　书　附　图

2/5页

图4

图5

17

CN 112098596 A

说　明　书　附　图

3/5页

图6

图7

18

CN 112098596 A

说　明　书　附　图

4/5页

图8

19

CN 112098596 A

说　明　书　附　图

5/5页

图9

图10

20