冷鏈開裂對食物的影響被廣泛記錄在案，觸及多個利害關係：健康、環境和經濟。物聯網的出現將使更嚴格的實時溫度監測成為可能，但對生成的數據處理提出了新的問題。

冷鏈開裂檢測相關的不同定義和挑戰。描繪了應用於冷鏈的機器學習辦法，以傑出與這些數據相關的問題。此外，這些研討使咱們能夠帶出可用於訓練學習模型的不同數據源。冷鏈範疇生成試驗和數值數據，這些數據在訓練機器學習模型方麵具有巨大潛力。據咱們所知，雖然機器學習辦法已被用於猜測溫度，但這些辦法沒有用於檢測冷鏈中的開裂。但是，已經存在幾種辦法來檢測時序數據中的異常。從這些數據中學習將是向前邁出的一步：一方麵，更好地了解冷鏈開裂，另一方麵在正確的時間提醒操作員。

冷藏至關重要，因為它能夠延長易腐食物的保質期，並為消費者提供高感官品質的安全食物。事實上，低溫降低了易腐食物變化的速度，例如微生物（例如病原體和糜爛菌群）的成長，成熟速度，褐變反應或水分丟失。跟著製冷的運用在過去幾十年中在大多數發達國家和發展中國家擴大，人工智能 （AI） 是指一組概念、辦法和東西，旨在更好地了解智能，並賦予機器在由人類或其他生物執行時被認定為智能的才能。達到明智決策才能的一種辦法是從比如中學習。

如何獲取用於機器學習的冷鏈數據？

整體而言，冷鏈中冷藏設備內部的氣流和溫度散布已通過試驗和數值進行了廣泛的研討。在本節中，描繪了這些研討產生的數據。還討論了這些數據的潛力和局限性，用於為能夠檢測和表征溫度變化的算法提供信息。為了構建一個能夠檢測中止的學習樣本，咱們提出了一個形式化來構建一個變量來猜測。挑戰是運用機器學習技術，運用有限數量的傳感器，高精度地猜測冷鏈開裂期間產品溫度的變化。依據這個猜測的溫度，應該能夠猜測食物質量的演變。這些學習模型帶來的信息將有助於操作員在檢測到中止時進行食物供應辦理。

冷鏈中的溫度操控關於削減食物糟蹋和健康危險以及保證消費者層麵的產品質量至關重要。因為冷藏設備中的溫度散布不規則，當前的溫度操控實踐很雜亂。據咱們所知，雖然冷鏈範疇在生成數據方麵具有豐厚的潛力，但還沒有開發出專門檢測冷鏈開裂的主動學習模型。很少有研討運用過這台機器。