基于BP人工神經網絡算法的蘋果制干適宜性評價

張彪，劉璇，畢金峰，吳昕燁，金鑫，李旋，李瀟

?

基于BP人工神經網絡算法的蘋果制干適宜性評價

張彪，劉璇，畢金峰，吳昕燁，金鑫，李旋，李瀟

（中國農業科學院農產品加工研究所/農業農村部農產品加工重點實驗室，北京 100193）

【目的】建立蘋果原料制干適宜性評價模型，實現基于蘋果原料指標預測干制品品質的目標，為蘋果制干專用化原料的篩選提供方法依據，為明確蘋果干制品品質形成的基礎物質提供數據支持。【方法】以來自7個不同主產區的21個主栽品種，共34份蘋果鮮果樣本為研究對象，運用多種數據處理方法建立蘋果脆片品質綜合評價模型與蘋果原料制干適宜性評價模型。（1）利用壓差閃蒸干燥方法制備34份蘋果鮮果的脆片樣本，測定蘋果脆片17項品質指標，采用因子分析進行降維并篩選得到蘋果脆片品質評價核心指標，運用層次分析法得到脆片核心指標權重值，構建脆片品質綜合評價模型并計算得到脆片綜合評價得分。（2）測定34份蘋果鮮果樣本22項品質指標，與脆片核心指標進行相關性分析并篩選出與脆片品質相關的果實特征指標。選用29個樣本以果實特征指標為輸入，對應脆片綜合評價得分為輸出，利用誤差反向傳播（Error Back Propagation, BP）神經網絡算法構建學習模型；其余5個樣本為驗證樣本，評價學習模型的預測準確性。變換3組學習樣本構建3個學習模型，對比3個模型的預測準確性，驗證建模方法的合理性與穩定性?！窘Y果】蘋果脆片值、脆度、膨化度、可滴定酸含量、可溶性糖含量和粗蛋白含量被確定為不同樣本脆片品質綜合評價的核心指標，構建的蘋果脆片品質綜合評價模型為Y綜合得分=值×0.3724+脆度×0.2665+膨化度×0.1583+可滴定酸含量×0.0890+可溶性糖含量×0.0569+粗蛋白含量×0.0569。34個蘋果鮮果樣本制得的脆片綜合得分范圍為0.2069—0.7933，存在較大差異，得分排名前3的蘋果樣本為‘遼寧華紅’‘遼寧華金’和‘山東煙富6號’，排名最后的蘋果樣本為‘陜西秦冠’?；诖嗥诵闹笜伺c蘋果果實品質指標相關性分析結果，篩選出蘋果果實的果形指數、果肉值、pH、可滴定酸含量、Vc含量、果核比例、粗蛋白含量、果肉值、密度、可溶性固形物含量、粗纖維含量、總糖含量12項指標作為果實制干適宜性評價的特征指標。以果實特征指標值為輸入層，對應蘋果脆片綜合評分為輸出層，建立BP神經網絡學習模型，可實現蘋果原料制干適宜性的定量預測。該方法建立的學習模型有較高的預測準確性與穩定性，變換學習樣本得到的3個學習模型的預測值與實際值相對誤差均不超過10%，實際值與模型預測值線性擬合后決定系數2均大于0.95。【結論】蘋果制干適宜性可由果實的果形指數、果肉值、pH、可滴定酸含量、Vc含量、果核比例、粗蛋白含量、果肉值、密度、可溶性固形物含量、粗纖維含量、總糖含量12項指標進行評價，建立的適宜性評價模型可實現基于蘋果原料指標定量預測其制干適宜性。

蘋果；脆片；干制；適宜性評價；BP神經網絡

0 引言

【研究意義】蘋果是中國產量最大的果品，至2016年，中國蘋果產量和產值分別達到4.39×107t和2 000億元，占中國水果產量的15.5%、農林產值的4.7%[1]。中國蘋果加工產業發展迅猛，產品消費量年均增長8.5%。目前濃縮汁已經成為蘋果最主要的加工品和出口產品，但加工能力已趨于飽和[2]。蘋果脆片作為一種新型的休閑食品，可以補充蘋果加工產業的空白，具有較好的發展前景。構建蘋果原料制干適宜性評價模型不僅可以指導企業對蘋果品種進行制干專用化篩選，還有利于明確蘋果干制品品質形成的物質基礎?！厩叭搜芯窟M展】果品原料品質是生產優質加工品的基礎，因此，對于原料加工適宜性評價尤為重要。近年來，針對多種果蔬原料加工適宜性評價的研究已有許多報道。焦藝等[3]采集了北京地區7個蟠桃品種，制汁后測定多項指標，采用層次分析法賦予桃汁核心指標權重后得到7個品種蟠桃汁品質得分。郭春苗等[4]測定了新疆36個品種綠色葡萄果實多項指標，采用灰色關聯分析法篩選出10個適宜加工葡萄干的品種。沈月等[5]收集了我國20個青辣椒主栽品種，分析了20余項果實指標差異，結合層次分析法與灰色關聯度分析法得到了20個青辣椒品種鮮切加工適宜性排序。國外學者在研究原料加工適宜性方面偏重對制品的營養成分分析及感官評價。A??am等[6]測定了3個柑橘品種的多種營養指標，分析了其制汁適宜性。Lamureanu等[7]收集了11個品種的桃原料，加工成桃泥后進行感官評價，對11個品種加工桃泥適宜性進行排序并分析影響桃泥口感的關鍵指標。FUJIWARA等[8]對不同成熟階段日本梨果實制得的干果進行感官評價后排序，并測定相關果實指標，明確了日本梨適宜制干的成熟期。上述研究對不同果蔬品種的原料品質或制品品質進行分析，僅可以評價所研究品種加工適宜性，無法預測未知樣品的加工性能。原料加工適宜性評價應關聯原料指標與制品品質，實現基于原料指標預測制品品質的目標，目前國內已有一些學者對此進行了初步的探索。聶繼云等[9]對蘋果果汁品質指標與原料指標進行相關性分析，篩選出果實特征指標，運用判別分析對122個蘋果品種制汁適宜性進行簡單分類。張小燕等[10]收集了74個品種的馬鈴薯原料，采用逐步回歸分析的方法關聯原料指標與制品品質，實現了基于馬鈴薯原料指標定量預測薯片綜合品質，預測值與真實值的相關系數為0.502?！颈狙芯壳腥朦c】目前，對果蔬原料加工適宜性評價研究多集中在對原料品質或制品品質的單一評價，缺少基于原料指標預測加工制品品質的方法?，F有的少數關聯方法多利用線性模型定性或定量關聯原料特性與制品品質，存在制品品質評價不合理、原料特征指標篩選不全面、模型關聯性差等問題，預測準確率較低?！緮M解決的關鍵問題】利用因子分析篩選出脆片核心評價指標后，通過層次分析法確定脆片核心指標權重，進而得到脆片樣本的綜合得分并以此作為蘋果原料制干適宜性得分；為明確對脆片綜合品質起主要作用的原料指標，本研究測定34個鮮果樣本22項指標，與脆片核心指標進行相關性分析，篩選出與脆片核心指標顯著相關的原料特征指標；為實現基于蘋果果實指標客觀、準確地預測脆片品質的目的，本研究以果實特征指標為輸入，對應脆片綜合評價得分為輸出，利用BP神經網絡算法構建學習模型，可客觀、定量、準確地預測蘋果原料制干適宜性。

1 材料與方法

試驗于2016年10月至2017年5月在中國農業科學院農產品加工研究所進行。

1.1 試驗原料

本研究中34個蘋果樣本均為主產區主栽品種，樣品名稱及采樣地點、時間見表1。蘋果于9成熟時采摘，每個品種采集3株果樹，每株從樹冠中部外圍隨機采集40個果實。取樣果實大小均一、無病蟲害與機械損傷。果實采摘后于4℃冷庫貯藏備用。

表1 蘋果原料名稱及采收地點、時間

1.2 主要儀器與設備

DHG-9123A型電熱恒溫鼓風箱（上海精宏設備有限公司）、QDPH1021型果蔬變溫壓差膨化干燥設備（天津市勤德新材料科技有限公司）、FA-200型切片機（廣東南海市德豐電熱設備廠）、Volscan Prodiler VSP 3000045型食品體積自動測定儀（英國 Stable Micro System 公司）、D25LT型色差儀（美國Hunterlab 公司）、TA.XT 2i/50 型物性分析儀（英國Stable Micro System公司）、UV-1800 型紫外分光光度計（日本島津公司）、WZB 45數顯折光儀（上海精密科學儀器有限公司）。

1.3 蘋果脆片制備

蘋果原料—清洗—去梗、去核、去皮—切片—預干燥—均濕—壓差閃蒸干燥—成品。脆片于室溫條件下（溫度為22—26℃，濕度為40%—60%）干燥器內貯藏備用，待測定完脆片物理指標后，打粉，過40目篩，裝袋后凍存于-40℃冰箱，以測定脆片化學指標。

脆片制備的工藝參數為：

（1）切片：切片厚度為5 mm；

（2）預干燥（熱風干燥）：溫度為70℃，烘至蘋果片含水量約為30%；

（3）均濕：預干燥后樣品裝于自封袋中于4℃冰箱中均濕12 h；

（4）壓差閃蒸干燥：樣品在溫度為95℃的膨化罐中停滯10 min，在壓差為0.09 MPa的條件下閃蒸1次，真空干燥溫度為60℃，真空干燥時間為3 h。

1.4 蘋果果實和脆片品質指標測定方法

（1）鮮果質量與體積：鮮果質量與體積分別使用電子天平與食品體積自動測定儀測定，單位分別為‘g’與‘cm3’。每個品種隨機取10個果實，分別測定取平均值。

（2）鮮果密度：鮮果密度為質量與體積的比值，單位為g?cm-3。

（3）鮮果果形指數：鮮果果形指數為果實縱徑與橫徑的比值，其中果實縱徑與橫徑由游標卡尺測得。每個品種隨機取10個果實，分別測定后取平均值。

（4）鮮果果核比例：鮮果果核比例為果實最大橫切面處果核直徑與果實直徑的比值，其中果核直徑與果實直徑由游標卡尺測得。每個品種隨機取10個果實，分別測定后取平均值。

（5）鮮果pH：鮮果打漿后使用pH計測得。每個品種隨機取3個果實，分別測定后取平均值。

（6）顏色[11]：顏色采用色差儀（國際照明委員會（Commission Internationale de L’Eclairage，CIE）測色系統）測定。結果以、、數值表示。

（7）硬度、脆度[12]：采用英國Stable Micro System公司生產的Ta.XT2i/50 型物性分析儀。參數設置如下：探頭為0.25S型，測試距離為3 mm，刺入深度為4 mm，測試前1 mm?s-1，測試中1 mm?s-1，測試后2 mm?s-1，觸發力10 N。產品斷裂時所需的最大應力為該樣品的硬度值，數值越大表示硬度越大，單位為g；探頭與樣品接觸至樣品斷裂時探頭行進距離為該樣品的脆度值，值越小代表產品越脆，單位為mm。每個品種隨機取5片，每片測兩次，分別測定后取平均值。

（8）可滴定酸[13]：可滴定酸含量的測定參照GB/T 12456—2008《食品中總酸的測定》。

（9）可溶性固形物[14]：可溶性固形物含量的測定參照NY/T 2637—2014《水果和蔬菜可溶性固形物含量的測定折射儀法》。

（10）含水率[15]：含水率的測定參照GB 5009.3—2010《食品中水分的測定》。

（11）粗纖維、蛋白質[16-17]：粗纖維、蛋白質的測定分別參照GB/T 5009.10—2003《植物類食品中粗纖維的測定》和GB 5009.5—2016《食品中蛋白質的測定》。

（12）VC[18]：VC含量的測定參照GB 5009.86—2016《食品安全國家標準食品中抗壞血酸的測定》（第一法）。

（13）還原糖與總糖[19]：還原糖與總糖含量的測定參照斐林試劑法。

（14）總酚含量[20]：總酚含量的測定參照福林酚法。

（15）果膠含量[21]：果膠含量的測定參照NY／T 2016—2011《水果及其制品中果膠含量的測定分光光度法》。

（16）可溶性糖含量[22]：可溶性糖含量的測定參照NY／T 2742—2015《水果及制品可溶性糖的測定3,5-二硝基水楊酸比色法》。

（17）糖酸比：糖酸比為可溶性糖與可滴定酸的比值。

（18）脆片復水比[23]：稱量蘋果脆片質量，記作m1，室溫下按1﹕50（m﹕v）加蒸餾水，浸泡30 min后取出，瀝干，稱重，記為m2。復水比按公式計算。平行復水比=，測定3次，取平均值。

（19）脆片出品率[24]：每個品種鮮果切片后隨機選出9片進行編號，分別稱量其質量記作m1，稱量后的蘋果片進行變溫壓差干燥制成蘋果脆片，電子天平分別測定其質量記作m2，出品率按公式（出品率=）計算，結果取平均值。

（20）脆片膨化度[25]：每個品種鮮果切片后隨機選出5片進行編號，壓差閃蒸前的厚度記作H1，壓差閃蒸后的厚度記作H2，膨化度按公式計算，膨化度=，取平均值。

1.5 建模思路

原料加工適宜性評價實質上是基于原料的多指標對制品綜合品質的評價，即多個描述不同方面且量綱不同的原料指標轉化為無量綱的相對評價值，并且綜合這些評價值對制品綜合品質做出定性或定量評價的方法[26]。因此，對蘋果原料進行制干適宜性評價，要解決的主要問題為評價脆片綜合品質，篩選與脆片品質相關的原料特征指標，構建原料特征指標與脆片綜合品質關聯模型。為評價脆片綜合品質，本研究測定34個脆片樣本17項品質指標，利用因子分析篩選出核心指標，運用層次分析法確定核心指標權重，建立脆片品質綜合評價模型，進而得到脆片綜合得分；為篩選原料特征指標，測定34個蘋果鮮果樣本22項指標，將其與脆片核心指標進行相關性分析，篩選出顯著相關的原料指標作為特征指標；為構建原料特征指標與脆片綜合品質關聯模型，本研究選用29個蘋果樣本采用BP神經網絡算法構建學習模型，其中輸入層為果實特征指標，輸出層為脆片品質綜合得分，剩余5個樣本為驗證樣本，評價學習模型的預測準確性。為優化建模樣本同時驗證建模方法的穩定性，變換3組學習樣本（29個）構建3個學習模型，對比三個模型的預測準確性。若預測準確率均在合理范圍內，則說明該建模方法合理、穩定。

1.6 數據分析方法

采用SPSS 22.0（SPSS Inc.，Chicago，IL，USA）軟件進行描述性分析、主成分分析、相關性分析，采用RapidMiner 7.5軟件進行BP神經網絡建模。

2 結果

2.1 蘋果果實和脆片品質指標水平分析

34個品種蘋果果實樣本22項指標測定值如表2所示，果實及脆片樣本品質指標均值、變幅、標準差、變異系數如表3所示。對于不同蘋果果實樣本，22項品質指標變異程度不同，變異范圍為2.85%—122.83%（絕對值）。其中密度、果形指數、果肉值、果肉值、pH和含水率5項指標的變異系數均小于10%，說明離散程度較小；其余17項指標變異系數均較大，說明不同蘋果果實樣本品質指標差異較大，果皮值和果肉值兩項指標變異系數分別高達100.12%和122.83%，數據離散程度大，各個樣本間指標測定值差異大。不同果實樣本果皮值差異大與試驗選用果皮顏色有接近全紅（如紅星）和全綠（如青蘋）的品種有關，果肉值差異大則與不同果實樣本褐變速率不同有關。

對于不同蘋果脆片樣本，17項品質指標變異范圍為7.03%—51.58%。其中，脆片值、值、可溶性固形物含量、可溶性糖含量和膨化度5項指標的離散程度小，變異系數均小于10%；其余12項品質指標變異系數均較大，數據離散程度大，說明采用壓差閃蒸制得的蘋果脆片品質由于品種和產地不同存在較大差異。

2.2 蘋果脆片核心指標的篩選

對脆片17項指標進行因子分析，結果見表4。由表4可知，前6個因子的特征值大于1，累計方差貢獻率為77.402%。因子1主要綜合了可滴定酸和糖酸比的信息，兩者表現出極顯著相關性（=-0.849），且可滴定酸的權重值更高，因此篩選可滴定酸作為因子1的代表性指標。因子2主要綜合了值、脆度和總酚的信息，其中脆度與總酚含量顯著相關（=0.426），與值極顯著相關（=-0.472），且脆度是衡量蘋果脆片加工品質的重要感官指標，因此篩選脆度作為因子2的代表性指標。因子4主要綜合了值、值的信息，值代表明暗程度，值代表紅綠程度，均體現脆片色澤品質，并表現出極顯著相關性（=-0.865），此處篩選權重值較高的值作為因子4的代表性指標。同時，因子3、因子5和因子6中膨化度、可溶性糖和粗蛋白的權重值明顯高于其他指標，因此分別篩選膨化度、可溶性糖和粗蛋白作為因子3、因子5和因子6的代表性指標。綜上，17項品質指標中篩選出可滴定酸、脆度、膨化度、值、可溶性糖和粗蛋白作為不同品種脆片品質評價的核心指標。

2.3 蘋果脆片綜合品質評價模型的建立

根據篩選得到的6項核心指標對脆片綜合品質的重要程度，采用1—9標度法建立Y—P判斷矩陣（表5），計算其一致性比率（consistency ratio，CR）為0.03，小于0.1，認為判斷矩陣一致性可接受。對矩陣特征向量歸一化處理后得到脆片核心指標值、脆度、膨化度、可滴定酸、可溶性糖和粗蛋白的權重分別為0.3724、0.2665、0.1583、0.0890、0.0569和0.0569，因此，蘋果脆片品質綜合評價模型可表示為Y綜合得分=值×0.3724+脆度×0.2665+膨化度×0.1583+可滴定酸含量×0.0890+可溶性糖含量×0.0569+粗蛋白含量×0.0569。

表2 34個品種蘋果果實22項指標數據

1—34為蘋果品種編號，順序與表1相同；X1—X22為果實指標編號。下同 1—34 is the apple variety number, the order is the same as table 1; X1-X22is the fruit index number. The same as below

表3 蘋果果實和脆片品質指標水平分析

表4 脆片指標旋轉成分矩陣

PC1—PC6分別表示第 1 至第6個主因子 PC1-PC6 represent the first to the sixth main factors, respectively

表5 判斷矩陣Y—P

Y代表脆片綜合品質，P代表脆片核心指標，P1—P6 分別表示脆片的值、脆度、膨化度、可滴定酸、可溶性糖和粗蛋白

Y represents the comprehensive quality of chips and P represents the core indexes of chips. P1-P6 represent thevalue, crispness, puffing degree, titratable acid, soluble sugar and crude protein of chips，respectively

由于脆片核心指標量綱不同，為消除量綱的影響，計算脆片品質綜合得分時需對6項核心指標進行標準化處理。其中脆度值越大脆片脆度越小，因此作為負向指標（成本型指標）；其余核心指標值越大脆片品質越好，因此均為正向指標（效益型指標）。各指標計算公式如下:

其中Xij指第i個樣本第j個指標的原始測定值。

根據構建的蘋果脆片品質綜合評價模型，計算34個蘋果脆片樣本品質綜合得分，并對其進行排名，結果見表6。由表6可知，34個蘋果脆片樣本綜合得分范圍為0.2069—0.7933，差異較大，品質排名前3的蘋果品種為‘遼寧華紅’‘遼寧華金’和‘山東煙富6號’，品質排名最后的為‘陜西秦冠’。

表6 脆片綜合品質排序與得分

2.4 蘋果制干適宜性評價模型的構建

對蘋果脆片核心指標與蘋果果實品質指標進行相關性分析，結果如表7所示。由表7可知，脆片值與果實可滴定酸含量和pH極顯著相關，與果肉值、果形指數和VC含量顯著相關；脆片脆度與果核比例和粗蛋白含量顯著相關；脆片膨化度與各項果實指標無顯著相關性，可能與其變異系數小，各品種間測量值差異不大有關；脆片可滴定酸含量與果實果核比例和果肉值極顯著相關；脆片可溶性糖含量與果實密度極顯著相關，與果實可溶性固形物含量、粗纖維含量顯著相關；脆片粗蛋白含量與果實總糖含量顯著相關。綜上可以得到果形指數、果肉值、pH、可滴定酸含量、VC含量、果核比例、粗蛋白含量、果肉值、密度、可溶性固形物含量、粗纖維含量、總糖含量12項指標可作為與蘋果脆片綜合品質相關的果實特征指標。

通過訓練樣本建立映射關系用于預測研究是人工神經網絡的重要用途之一[27]。34個蘋果樣本中篩選出29個樣本作為學習樣本進行神經網絡學習模型構建，剩余5個樣本作為預測樣本驗證模型準確性，其中BP神經網絡學習模型結構如圖1所示。由圖1可知，該模型包含輸入層、隱含層和輸出層3層，其中模型輸入為蘋果果實果形指數、果肉值、pH等12項果實特征指標值，因此有12個神經元。模型輸出為蘋果果實對應的脆片綜合得分，因此輸出層神經元有1個。隱含層神經元在BP神經網絡中扮演特征檢驗算子的角色，起到決定性作用，一般按經驗公式估算節點數[28]，本研究中模型最優隱含層數由RapidMiner軟件自動生成，層數為8個。其余各訓練參數選擇如下：最大循環次數1 000，學習率0.3，動量因子0.2，誤差值0.01。

本研究從34個蘋果樣本中隨機篩選29個樣本建立學習模型，剩余5個樣本進行制干適宜性得分預測。為評價模型預測準確性及建模方法穩定性，變換29個學習樣本構建了3個學習模型，其預測結果如表8所示。由表8可知，3個學習模型共15個驗證樣本脆片預測得分與實際得分相對誤差均小于10%，最小相對誤差僅為0.62%，說明BP神經網絡模型預測效果較好。將脆片實際得分與神經網絡預測得分進行回歸分析，以脆片實際得分作為橫坐標，模型預測值作為縱坐標進行線性擬合，3組預測結果的決定系數2分別為0.9536、0.9822、0.9676（圖2），預測值與實際值相符程度均較高，證明神經網絡模型能夠較準確、穩定地評價蘋果原料是否適宜脆片加工。不同蘋果樣本構建的學習模型預測效果存在較大差異，說明用于建立學習模型的樣本數量仍較少，變換少量學習樣本對預測效果產生較大影響。同時，學習模型所需的樣本應具有典型性與代表性，部分蘋果樣本與其他樣本差異較大也可能對預測效果產生較大影響。

圖1 BP神經網絡結構圖

表7 原料指標與脆片核心指標相關性分析

表8 基于BP神經網絡算法蘋果制干適宜性得分預測結果

圖2 蘋果制干適宜性模型穩定性驗證

3 討論

3.1 建模蘋果樣本篩選及樣本容量問題

本研究展開之前課題組已對興城資源圃部分蘋果品種進行指標測定，并進行脆片品質評價，在此基礎上篩選出本研究所用試驗原料。篩選原則為：一是屬于蘋果主產區代表性品種，二是品種間品質差異大。選取主產區主栽蘋果品種有利于提高蘋果制干適宜性評價模型的適用性；篩選品質差異大的品種則有利于定位影響脆片品質的果實指標，提高模型預測準確性。從模型整體預測效果來看，各樣本預測偏差均在合理范圍內，說明本模型選取的建模樣本較為合理。從模型穩定性及適用性方面考慮，本研究建模樣本的選取仍可進一步優化：首先可增加建模的總樣本量，提高樣本預測的容錯率，從而減小變換學習樣本對預測效果產生的影響；其次可進一步提高建模樣本的全面性，如增加主產區中、早熟樣本采集，提高建模樣本的適用性。模型建立應盡量有足夠大的樣本容量，同時在建模樣本的選取上應有針對性、代表性、廣泛性，當模型預測準確性高且穩定時，可更好地應用于多品種蘋果原料制干適宜性預測。

3.2 蘋果脆片品質綜合評價模型構建與果實特征指標篩選問題

為得到果實制干適宜性評分，即脆片品質綜合評價得分，本研究采用采用層次分析法構建了蘋果脆片綜合品質評價模型。層次分析法不僅可以解決傳統最優化評價方法無法量化綜合品質的問題，還可以改善客觀品質指標無法完全代表人體感官的不足。但層次分析法作為一種主觀賦權法，也存在一些缺點：指標過多時易造成判斷混亂，定性成分多、主觀性強，對判斷矩陣的合理性考慮不足等[29]。為減小指標過多對判斷的影響，本研究首先運用因子分析對脆片17項品質指標進行降維，篩選出值、脆度、膨化度、可滴定酸、可溶性糖和粗蛋白作為核心指標，基本涵蓋了脆片色澤、質構和口味等品質，可以比較全面地反映脆片綜合品質。在核心指標標度問題上，本研究僅從消費者角度出發按照脆片色澤、質構、口感、營養由高到低重要程度對脆片核心指標進行重要性標度，所得出的核心指標權重值缺乏一定的說服力。為降低模型的主觀性影響，在后續的研究中需要結合有關專家經驗進行標度，同時應將多個專家的評價結果進行綜合以使判斷矩陣更加合理。

明確與脆片綜合品質相關的原料特征指標是保證模型預測準確率的基礎。蘋果果實感官、理化、加工等指標眾多，全部用做評價指標顯然不現實，需從中選取對脆片品質起主要作用的特征指標。在蘋果果實特征指標的篩選上，本研究將6項脆片核心指標與蘋果原料22項品質指標進行相關性分析，篩選出果形指數、果肉值、pH、可滴定酸含量、VC含量、果核比例、蛋白質、果肉值、密度、可溶性固形物含量、粗纖維含量、總糖含量共12個顯著相關的原料指標，為避免信息遺漏影響預測結果準確性，保留以上所有指標作為與蘋果脆片綜合品質相關的果實特征指標。由預測結果來看，上述蘋果果實特征指標可以較好地反映脆片綜合品質。本研究目前所測定的果實指標多為基礎指標，后續試驗可補充單體類物質如糖單體、酚單體、酸單體、氨基酸，酶，果膠等特征指標進行模型關聯以提高準確率，同時也可根據該模型更好地 定位脆片品質形成相關的基礎物質。

3.3 關于BP神經網絡模型在蘋果制干適宜性評價中的應用問題

BP人工神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡[30]，是目前應用最廣泛的神經網絡模型之一。其模型拓撲結構包括輸入層、隱含層和輸出層，運算方式是一個權重參數不斷調整以達到期望值的過程。與灰色關聯、層次分析法、線性回歸等傳統適宜性評價方法相比，BP人工神經網絡無需經驗公式與數學模型，在客觀定量地尋求變量間復雜的非線性對應關系的同時有較高的準確性。近年來，BP神經網絡模型在食品工業領域的應用日漸增多，包括識別、分類與分級、加工過程仿真與控制、單一指標值預測等[31]，取得了較好的效果，但在食品品質綜合評價特別是品質綜合得分預測方面的研究較少，在加工適宜性評價應用方面更是未見報道。從本研究模型的預測結果來看，綜合得分預測值與實際值相對誤差小，預測精度高，說明輸入層與輸出層的選取較為合理，可較好地實現基于蘋果原料指標預測干制品品質。

本研究討論了一種基于BP人工神經網絡算法的蘋果制干適宜性評價方法，取得了較好的效果，但仍有許多需要優化與改進的地方。從方法應用方面考慮，在未來的工作中，一方面要提高模型預測準確性與穩定性，優化該評價方法；另一方面可以與軟件結合，形成實用型蘋果制干適宜性預測工具。從理論層面考慮，通過BP神經網絡模型關聯原料與制品品質，在提高預測準確性的基礎上可以逐步鎖定影響脆片品質的關鍵性原料指標甚至關鍵性物質，可為果蔬制品品質形成的物質基礎研究提供方法支持，但神經網絡作為一種輸入、輸出的黑匣子無法以直觀的公式等形式表現處理過程，也是未來工作需要克服的難點。

4 結論

不同品種蘋果制干適宜性可由原料果形指數、果肉值、pH、可滴定酸含量、VC含量、果核比例、粗蛋白含量、果肉值、密度、可溶性固形物含量、粗纖維含量、總糖含量共12個指標進行評價。本研究利用BP人工神經網絡建立的蘋果果實制干適宜性評價模型預測準確性高，可實現基于蘋果原料指標定量預測脆片品質。

[1] 中華人民共和國國家統計局數據庫. [2018-3-24]. http://www.stats. gov.cn/

National Bureau of Statistics of the People’s Republic of China. [2018-3-24]. http://www.stats.gov.cn/

[2] 宋哲, 王宏, 里程輝, 于年文, 張秀美, 李宏建. 我國蘋果產業存在的主要問題、發展趨勢及解決辦法. 江蘇農業科學, 2016, 44(9): 4-8. doi: 10.15889/j.issn.1002-1302.2016.09.002.

Song Z, Wang H, Li C H, Yu N W, Zhang X M, Li H J. The main problems, development trends and solutions of apple industry in China., 2016, 44(9): 4-8. doi: 10.15889 /j.issn.1002-1302.2016.09.002. (in Chinese)

[3] 焦藝, 劉璇, 畢金峰, 吳昕燁, 周沫, 曾目成. 蟠桃品種用于加工鮮榨汁的適宜性評價. 食品科學, 2015, 36(1): 41-45. doi: 10.7506/ spkx1002-6630-201501008.

Jiao Y, Liu X, Bi J F, Wu X Y, Zhou M, Zeng M C. Suitability evaluation of flat peach cultivars for fresh juice-processing., 2015, 36(1): 41-45. doi: 10.7506/spkx1002-6630-201501008. (in Chinese)

[4] 郭春苗, 周曉明, 張雯, 樊丁宇, 謝輝, 閏鵬, 盧春生. 不同葡萄品種加工綠葡萄干的適宜性分析. 食品科學, 2012, 33(19): 62-66.

GUO C M, ZHOU X M, ZHANG W, FAN D Y, XIE H, RUN P, LU C S. Suitability analysis of different grape varieties for preparing green raisins., 2012, 33(19): 62-66. (in Chinese)

[5] 沈月, 高美須, 楊麗, 趙鑫, 陳雪, 王志東, 李淑榮, 王麗. 中國主栽青辣椒品種鮮切加工適宜性評價. 農業工程學報, 2016, 32(s2): 359-368. doi: 10.11975/j.issn.1002-6819.2016.z2.051.

SHEN Y, GAO M X, YANG L, ZHAO X, CHEN X, WANG Z D, LI S R, WANG L. Suitability analysis of fresh-cut vegetable processing for twenty main green capsicum cultivars in China., 2016, 32(s2): 359-368. doi: 10.11975/j.issn.1002-6819.2016.z2.051. (in Chinese)

[6] AGCAM E, AKYILDIZ A. A study on the quality criteria of some mandarin varieties and their suitability for juice processing., 2014, 2014(12): 1-8. doi: 10.1155/2014/982721.

[7] LAMUREANU G, ALEXE C, VINTILA M. Suitability for processing as puree of some fruit varieties of peach group., 2014, 18(3): 51-57.

[8] FUJIWARA T, KUBO T. Suitability of unripe Japanese pear for semi-dried fruit processing., 2017, 64(11): 533-541. doi: 10.3136/nskkk.64.533.

[9] 聶繼云, 毋永龍, 李海飛, 王昆, 李靜, 李志霞, 徐國鋒. 蘋果品種用于加工鮮榨汁的適宜性評價. 農業工程學報, 2013, 29(17): 271-278. doi: 10.3969/j.issn.1002-6819.2013.17.035.

NIE J Y, WU Y L, LI H F, WANG K, LI J, LI Z X, XU G F. Suitability evaluation of apple cultivars for fresh juice-processing., 2013, 29(17): 271-278. doi: 10.3969/j.issn.1002-6819.2013.17.035. (in Chinese)

[10] 張小燕, 趙鳳敏, 興麗, 劉威, 楊延辰, 楊炳南. 不同馬鈴薯品種用于加工油炸薯片的適宜性. 農業工程學報, 2013, 29(8): 276-283. doi: 10.3969/j.issn.1002-6819.2013.08.033.

ZHANG X Y, ZHAO F M, XING L, LIU W, YANG Y C, YANG B N. Suitability evaluation of potato varieties used for chips processing., 2013, 29(8): 276-283. doi: 10.3969/j.issn.1002-6819.2013.08.033. (in Chinese)

[11] ONSEKIZOGLU P, BAHCECI K S, ACAR M J. Clarification and the concentration of apple juice using membrane processes: A comparative quality assessment., 2010, 352(1/2): 160-165. doi: 10.1016/j.memsci.2010.02.004.

[12] YI J Y, ZHOU L Y, BI J F, WANG P, LIU X, Wu X Y. Influence of number of puffing times on physicochemical, color, texture, and microstructure of explosion puffing dried apple chips., 2015, 34(7): 773-782. doi:10.1080/07373937.2015. 1076838.

[13] 龔玲娣, 徐清渠. GB/T 12456-2008食品中總酸的測定[S]. 北京: 中國標準出版社, 2008.

GONG L D, XU Q Q. GB/T 12456-2008 Determination of total acid in foods [S]. Beijing: Standards Press of China, 2008. (in Chinese)

[14] 聶繼云, 李靜, 徐國鋒, 李海飛, 毋永龍, 李志霞, 閆震, 匡立學. NY/T 2637-2014水果和蔬菜可溶性固形物含量的測定折射儀法[S]. 北京: 中國農業出版社, 2014.

NIE J Y, LI J, XU G F, LI H F, WU Y L, LI Z X, YAN Z, KUANG L X. NY/T 2637-2014 Refractmetric method for determination of total soluble solids in fruits and vegetables [S]. Beijing: China Agriculture Press, 2014. (in Chinese)

[15] GB 5009.3-2016食品中水分的測定[S]. 北京: 中國標準出版社, 2016.

GB 5009.3-2016 Determination of moisture in foods [S]. Beijing: Standards Press of China, 2016. (in Chinese)

[16] 衛生部食品衛生監督檢驗所. GB /T 5009.10-2003植物類食品中粗纖維的測定[S]. 北京: 中國標準出版社, 2003.

Ministry of Health Food Hygiene Supervision and Inspection Institute. GB /T 5009.10-2003 Determination of crude fiber in vegetable foods [S]. Beijing: Standards Press of China, 2013. (in Chinese)

[17] GB 5009.5-2016食品中蛋白質的測定[S]. 北京: 中國標準出版社, 2016.

GB 5009.5-2016 Determination of protein in foods[S]. Beijing: Standards Press of China, 2016. (in Chinese)

[18] GB 5009.86-2016食品安全國家標準食品中抗壞血酸的測定[S]. 北京: 中國標準出版社, 2016.

GB 5009.86-2016 Determination of Ascorbic Acid in Foods [S]. Beijing: Standards Press of China, 2016. (in Chinese)

[19] SU H K, CHOI Y J, LEE H, LEE S H, AHN J B, NOH B S, MIN S H. Physicochemical properties of jujube powder from air, vacuum, and freeze drying and their correlations., 2012, 55(2): 271-279. doi: 10.1007/s13765-012-1039-3.

[20] ABID M, JABBAR S, WU T, HASHIM M M, HU B, LEI S C, ZHANG X, ZENG X X. Effect of ultrasound on different quality parameters of apple juice., 2013, 20(5): 1182-1187. doi: 10.1016/j.ultsonch.2013.02.010.

[21] 方金豹, 龐榮麗, 何為華, 李君, 吳斯洋, 郭琳琳, 俞宏. NY／T 2016-2011水果及其制品中果膠含量的測定—分光光度法[S]. 北京: 中國農業出版社, 2011.

FANG J B, PANG R L, HE W H, Li J, WU S Y, GUO L L, YU H. NY/T 2016-2011 Determination of pectin content in fruits and derived products—Spectrophotometry method [S]. Beijing: China Agriculture Press, 2011. (in Chinese)

[22] 聶繼云, 李志霞, 匡立學, 李靜, 李海飛, 徐國鋒, 閆震. NY／T 2742-2015 水果及制品可溶性糖的測定—3,5-二硝基水楊酸比色法. 北京: 中國農業出版社, 2015.

NIE J Y, LI Z X, KUANG L X, LI J, LI H F, XU G F, YAN Z. NY/T 2742-2015 Determination of soluble sugars in fruits and derived products- 3,5-dinitrosalicylic acid colorimetry. Beijing: China Agriculture Press, 2015. (in Chinese)

[23] 龍映均, 劉四新, 余敏華, 陳桃, 李從發．椰纖果熱風干燥工藝優化研究．食品與機械, 2011, 27(4): 146-148, 162. doi: 10.3969/j.issn. 1003-5788.2011.04.043.

LONG Y J, LIU S X, YU M H, CHEN T, LI C F. Optimization of the hot-air drying processing condition of nata., 2011, 27(4): 146-148,162. doi: 10.3969/j.issn.1003- 5788.2011.04.043. (in Chinese)

[24] 王沛, 畢金峰, 白沙沙, 公麗艷, 王軒. 不同原料品種的蘋果脆片品質評價及其相關性分析. 食品與機械, 2012, 28(2): 9-10. doi: 10.3969/j.issn.1003-5788.2012.02.003.

WANG P, BI J F, BAI S S, GONG L Y, WANG X. Determination of quality evaluation and correlation analysis of varieties apple chips., 2012, 28(2): 9-10. doi:10.3969/j.issn.1003-5788.2012.02.003. (in Chinese)

[25] 畢金峰, 王雪媛, 周林燕, 吳昕燁, 高琨, 呂健, 彭健. 脈動壓差閃蒸處理對蘋果片水分散失特性及品質影響．農業工程學報, 2016, 32(2): 376-382. doi: 10.11975/j.issn.1002-6819.2016.z2.053.

BI J F, WANG X Y, ZHOU L Y, WU X Y, GAO K, LV J, PENG J. Effect of instant controlled pressure drop drying on water loss and quality in apple slices., 2016, 32(2): 376-382. doi: 10.11975/j.issn.1002-6819. 2016.z2.053. (in Chinese)

[26] 孫修東, 李宗斌, 陳富民. 基于人工神經網絡的多指標綜合評價方法研究. 鄭州輕工業學院學報(自然科學版), 2003, 18(2): 11-14. doi:10.3969/j.issn.1004-1478.2003.02.003.

SUN X D, LI Z B, CHEN F M. Research on multiple attribute synthetical evaluation methods based on artificial neural network., 2003, 18(2): 11-14. doi: 10.3969/j.issn.1004-1478.2003.02. 003. (in Chinese)

[27] 劉俊威, 呂惠進. 人工神經網絡在水質預測中的應用研究. 長江科學院院報, 2012, 29(9): 95-97. doi: 10.3969/j.issn.1001-5485.2012.09. 022.

LIU J W, LV H J. Artificial Neural Network applied in water quality prediction., 2012, 29(9): 95-97. doi: 10.3969/j.issn.1001-5485.2012.09.022. (in Chinese)

[28] 潘玉成, 葉乃興, 潘玉華, 趙仕宇. 人工神經網絡在坦洋工夫紅茶感官品質評定中的應用研究. 茶葉科學, 2015(5): 465-472. doi: 10.3969/j.issn.1000-369X.2015.05.013.

PAN Y C, YE N X, PAN Y H, ZHAO S Y. Application research of Artificial Neural Network in sensory quality evaluation of TanYang GongFu black tea., 2015(5): 465-472. doi: 10.3969/j.issn.1000-369X.2015.05.013. (in Chinese)

[29] 吳殿廷, 李東方. 層次分析法的不足及其改進的途徑. 北京師范大學學報(自然科學版), 2004, 40(2): 264-268. doi: 10.3321/j.issn: 0476-0301.2004.02.025.

WU D T, LI D F. Shortcomings of Analytical hierarchy process and the pain to Improve the method., 2004, 40(2): 264-268. doi: 10.3321/j.issn: 0476-0301.2004.02.025. (in Chinese)

[30] XIA M, FANG J, TANG Y, WANG Z. Dynamic depression control of chaotic neural networks for associative memory., 2010, 73(4/6): 776-783. doi: 10.1016/j.neucom.2009.10.015.

[31] FUNES E, ALLOUCHE Y, BELTRAN G, JIMENEZ A. A Review: Artificial Neural Networks as tool for control food industry process., 2015, 5(1): 28.

Suitability Evaluation of Apple for Chips-processing Based on BP Artificial Neural Network

ZHANG Biao, LIU Xuan, BI JinFeng, WU XinYe, JIN Xin, LI Xuan, LI Xiao

(Institute of Food Science and Technology, Chinese Academy of Agricultural Sciences/Key Laboratory of Agro-Products Processing, Ministry of Agriculture and Rural Affairs, Beijing 100193)

【Objective】The aim of the paper was to establish suitability evaluation model for apple chips-processing from different cultivars and to achieve the quality prediction of apple chips based on raw material indicators.【Method】34 fresh apple samples of 21 apple varieties from 7 major growing regions were selected as research objects. Factor analysis (FA) and analytic hierarchy process (AHP) were used to establish comprehensive quality evaluation model for chips, and Error Back Propagation (BP) artificial neural network was used to establish chips-processing suitability evaluation model for apple fruits. (1) Chips were prepared by instant controlled pressure drop (DIC, French for détente instantannée controlee, also known as explosion puffing) and 17 indicators were measured. The core indexes of chips were selected by FA and correlation analysis. The weights of the core indexes were determined by AHP, and then the comprehensive quality evaluation scores of chips were calculated. (2) 22 indicators of 34 fruit samples with different cultivars and regions were measured. Then the characteristic indicators of apple fruits related to chip qualities were screened out by correlation analysis between data groups of apple fruit indicators and chip core indexes. Learning model with input of fruit characteristic indicators and output of chip comprehensive evaluation scores was established by database of 29 apple samples. 5 apple samples were chosen as test samples to verify the prediction accuracy of the learning model. Modified leaning models from different sample groups were compared by prediction accuracy, which could be the evidence to evaluate rationality and stability for application of BP neural network in the present research.【Result】The results showed thatvalue, brittleness, puffing degree, titratable acid, soluble sugar and crude protein of apple chip were determined as the core indexes which the weights were 0.3724, 0.2665, 0.1583, 0.0890, 0.0569 and 0.0569, respectively. The comprehensive quality scores of chips from 34 apple samples ranged from 0.2069 to 0.7933, indicating significant variation. The top 3 apple samples with high scores were Liaoning Huahong, Liaoning Huajin and Shandong Yanfu 6, and the final ranking for Shanxi Qinguan. Correlation analysis was performed between core indexes of chips and quality indicators of apple raw materials to achieve characteristic indicators of apple fruits, including the fruit shape index,value (pulp), pH value, titratable acid content, Vc content, proportion of core, protein content,value (pulp), density, soluble solids content, crude fiber content and total sugar content. Therefore, learning models were established with input layer of the characteristic indicators value of fruit and output layer of the comprehensive quality score of apple chip, which could predict the comprehensive quality of apple chips from indicators of raw materials. Moreover, the model showed high prediction accuracy. The relative errors between the predicted and actual values of the three learning models groups did not exceed 10%, and the coefficients of determination2of linear fitting were higher than 0.95.【Conclusion】Suitability evaluation of apple fruit for chips-processing could be evaluated by fruit shape index,value (pulp), pH value, titratable acid content, Vc content, proportion of core, protein content,value (pulp), density, soluble solids content, crude fiber content and total sugar content. The established model could be used to quantitatively predict apple fruit suitability for chips-processing based on the indicators of raw fruits.

apple; chips; dehydration; suitability evaluation; BP neural network

10.3864/j.issn.0578-1752.2019.01.012

2018-05-29；

2018-09-18

“十三五”國家重點研發計劃（2016YFD0400201-4）

張彪，E-mail：15829685595@163.com。通信作者劉璇，E-mail：liuxuancaas@126.com

（責任編輯 趙伶俐）