人工神經(jīng)網(wǎng)絡(luò)在食品工業(yè)中的應(yīng)用

姜鵬飛，于文靜，孫娜，王紳，溫成榮，祁立波，董秀萍

（大連工業(yè)大學食品學院，國家海洋食品工程技術(shù)研究中心，遼寧大連116034）

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）是受大腦生物神經(jīng)結(jié)構(gòu)啟發(fā)而產(chǎn)生的一種先進的計算方法[1]。其網(wǎng)絡(luò)中含有的大量神經(jīng)元相互連接，功能與生物神經(jīng)元相同[2]，可以達到傳遞信息和處理數(shù)據(jù)的目的，是一種自適應(yīng)的計算模型。近些年來，ANN已經(jīng)在生物、經(jīng)濟、科技以及醫(yī)學等多個領(lǐng)域起到了十分顯著的作用，具有很大的發(fā)展前景[3]。在一些食品加工系統(tǒng)中，影響食品工業(yè)質(zhì)量的各種因素之間的聯(lián)系十分復(fù)雜，并且過程變量與產(chǎn)品屬性之間的關(guān)系不明確，缺乏分析這些關(guān)系的常規(guī)方法[4]，如今將ANN應(yīng)用于不同食品特性的測定和預(yù)測，是一種快速而有效的方法[5]。ANN的應(yīng)用將會促進食品工業(yè)的發(fā)展。本文對ANN的基本原理、特性以及其在食品工業(yè)中的應(yīng)用進行了介紹，為ANN在食品工業(yè)中更為廣泛的應(yīng)用提供一定理論依據(jù)。

1 ANN概述

ANN作為一種數(shù)據(jù)處理模型，是在生物神經(jīng)網(wǎng)絡(luò)的啟示下產(chǎn)生的。神經(jīng)網(wǎng)絡(luò)依據(jù)外界信息對其結(jié)構(gòu)進行改變，通過對神經(jīng)元之間的權(quán)值進行調(diào)節(jié)，實現(xiàn)對輸入的數(shù)據(jù)的建模[6]。生物神經(jīng)元的示意圖見圖1。

圖1 生物神經(jīng)元的示意圖Fig.1 Schematic representation of a biological neuron

如圖1所示，神經(jīng)元是人腦的基本單元，由樹突、體細胞、軸突和突觸四部分組成。樹突是接受其它神經(jīng)元信號的化學受體。體細胞是處理輸入信號的神經(jīng)元的細胞體。軸突是一種化學發(fā)射器，它將處理過的信號發(fā)送給附近的神經(jīng)元。突觸是連接神經(jīng)元的節(jié)點，調(diào)節(jié)神經(jīng)元之間的信號傳遞[7]。人工神經(jīng)元示意圖見圖2。

圖2 人工神經(jīng)元示意圖Fig.2 Schematic representation of an artificial neuron

如圖2所示，與生物神經(jīng)元類似，人工神經(jīng)元接收連接到權(quán)值的輸入信息。經(jīng)典的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見圖3。

圖3 經(jīng)典的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Classical neural network structure

如圖3所示，ANN是由接收輸入信號的單元層，輸出信號的單元層，與輸入輸出不直接發(fā)生聯(lián)系的單元層排列組成的經(jīng)典的三層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，能夠?qū)崿F(xiàn)從輸入到輸出之間的非線性映射[8]。

2 ANN在食品工業(yè)中的應(yīng)用

2.1 ANN在食品微生物學和食品發(fā)酵中的應(yīng)用

2.1.1 在微生物發(fā)酵中的應(yīng)用

微生物發(fā)酵生產(chǎn)過程中存在著溫度、時間、pH值等變量，其內(nèi)在機理非常復(fù)雜，難以用精確的數(shù)學模型來描述[9]，因此嘗試使用ANN用來解決這些問題。張瑤等[10]以賴氨酸發(fā)酵過程為研究對象，在軟測量理論的基礎(chǔ)上，采用動態(tài)遞歸模糊神經(jīng)網(wǎng)絡(luò)建立軟測量模型，對發(fā)酵過程中的3個重要變量進行預(yù)測，而孫麗娜等[11]提出了一種基于核主元分析與動態(tài)模糊神經(jīng)網(wǎng)絡(luò)相結(jié)合的軟測量方法，建立了海洋蛋白酶發(fā)酵過程生物參量軟測量模型；結(jié)果都證明，此種軟測量模型能很好地滿足發(fā)酵過程中生物參量的測量要求。由于生物發(fā)酵過程具有高度非線性和明顯的不確定性等特點，所以人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用就尤為重要。ANN可用于預(yù)測產(chǎn)品產(chǎn)量，楊旭華等[12]為了提高產(chǎn)品獲得率，通過建立誤差反向傳播算法（back propagation，BP）神經(jīng)網(wǎng)絡(luò)和傅立葉神經(jīng)網(wǎng)絡(luò)，建立了發(fā)酵時間和溫度模型，結(jié)果表明，產(chǎn)品的平均得率提高5%。王強等[13]通過BP神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合的方法，對番茄發(fā)酵培養(yǎng)基的組成進行了工藝優(yōu)化。建立的BP神經(jīng)網(wǎng)絡(luò)輸入變量為玉米粉、玉米漿、大豆油、磷酸二氫鉀和硫酸鎂，輸出變量為番茄紅素的體積產(chǎn)量，結(jié)果證實BP神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法的方法是番茄紅素發(fā)酵培養(yǎng)基優(yōu)化的有力工具，最終番茄紅素產(chǎn)量顯著提高。ANN也可用來預(yù)測最優(yōu)工藝參數(shù)，李黎等[14]采用木糖醇、發(fā)酵棗粉與乳粉混合來進行發(fā)酵，最終制成木糖醇紅棗酸奶，通過正交試驗設(shè)計對工藝進行優(yōu)化，然后建立BP神經(jīng)網(wǎng)絡(luò)模型，選出最優(yōu)參數(shù)。結(jié)果表明，在酸奶的發(fā)酵過程中，一定程度上發(fā)酵棗粉能夠緩解冷藏期間因酸度過高而對有益菌的抑制作用，最終所制酸奶口感細膩，并且具有獨特的紅棗風味。通過以上研究可以得出ANN在解決微生物發(fā)酵過程中不僅能對發(fā)酵過程的重要變量進行預(yù)測，還能通過輸入多個變量來對微生物發(fā)酵的產(chǎn)量進行預(yù)測，能夠有效的提升得率，改善產(chǎn)品品質(zhì)。

2.1.2 在食品酶工程中的應(yīng)用

在食品酶工程中，酶解工藝條件受多方面因素，酶反應(yīng)系統(tǒng)是非線性和非穩(wěn)態(tài)的生物反應(yīng)系統(tǒng)。ANN有其獨特的優(yōu)點和獨特的特性[15]，在涉及大量數(shù)據(jù)的情況下，它是一種具有高預(yù)測能力的方法[16]，是建立和模擬高度非線性多變量關(guān)系的有效方法[17]。叢嘉昕等[18]為了提高草莓果漿的品質(zhì)，建立響應(yīng)面和多層感知神經(jīng)網(wǎng)絡(luò)模型，比較兩種模型對果漿超聲酶解工藝參數(shù)優(yōu)化的預(yù)測結(jié)果。結(jié)果表明，多層感知神經(jīng)網(wǎng)絡(luò)模型的預(yù)測能力是優(yōu)于響應(yīng)面模型。李新年等[19]采用酶提取法來提取膠原蛋白，使用正交試驗和BP神經(jīng)網(wǎng)絡(luò)模型優(yōu)化提取工藝，結(jié)果證明，BP神經(jīng)網(wǎng)絡(luò)結(jié)合正交試驗的方法是不需要增加試驗次數(shù)，就能夠分析酶提取膠原蛋白影響因素的變化規(guī)律，并且找到最佳參數(shù)。遲雷等[20]采用人工神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合的方法，對普魯蘭酶重組大腸桿菌高密度發(fā)酵進行了工藝優(yōu)化。結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型能夠很好地擬合發(fā)酵過程的非線性對應(yīng)關(guān)系，與遺傳算法結(jié)合，能夠快速準確地獲得最優(yōu)結(jié)果。在酶解過程中，ANN在處理非線性復(fù)雜關(guān)系時有巨大優(yōu)勢，而酶傳感器是一種高靈敏度的定量測定分析儀器，將兩者結(jié)合有很大的應(yīng)用前景。陳鐵軍等[21]以大馬哈魚皮為原料制備明膠，使用復(fù)合酶（胰蛋白酶和堿性蛋白酶）對其進行酶解，輸入?yún)?shù)為胰蛋白酶質(zhì)量濃度、底物質(zhì)量濃度、堿性蛋白酶質(zhì)量濃度、游離谷氨酸和賴氨酸，輸出參數(shù)為水解度，并且建立酶傳感器-ANN預(yù)測模型。結(jié)果表明：在一定的復(fù)合酶酶解條件下，與水解度具有顯著相關(guān)關(guān)系的是酶解液中游離谷氨酸和賴氨酸含量。比起傳統(tǒng)的方法，通過建立ANN模型，并且結(jié)合響應(yīng)面試驗方法、遺傳算法、正交試驗等對試驗工藝進行優(yōu)化，在食品酶工程中可以得到更好的試驗結(jié)果。

2.1.3 食品生物活性物質(zhì)方面的應(yīng)用

Li等[22]利用人工神經(jīng)網(wǎng)絡(luò)建立鳙魚肌肉的堿性蛋白酶水解模型，從清除自由基能力和優(yōu)化生產(chǎn)條件等方面對水解變量 [pH值、溫度、酶和底物比（enzyme/substrate ratio，E/S）、水解時間和肌水比]進行了質(zhì)量預(yù)測。結(jié)果表明人工神經(jīng)網(wǎng)絡(luò)可用于模擬水解過程，并預(yù)測水解條件，在此條件下，水解產(chǎn)物對自由基的清除能力最強。李杰等[23]研究了花椒黃酮的提取工藝以及其體外抗氧化活性，他采用BP神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合的方法，對影響花椒黃酮提取得率的4個因素進行了研究，最終確定了花椒黃酮的最優(yōu)提取工藝為：乙醇體積分數(shù)是57%，提取時間是94 min，提取溫度是63℃，料液比是1∶28（g/mL）。試驗結(jié)果最終證明，花椒黃酮具有非常好的清除自由基能力和抗氧化活性，并且花椒黃酮清除自由基的能力與提取液濃度有很好的量效關(guān)系。左光揚等[24]分析了谷氨酰胺轉(zhuǎn)氨酶（transglutaminase，TG酶）加工工藝的條件，對影響TG酶酶聯(lián)過程的3個關(guān)鍵因素（添加量、溫度和時間）進行了模擬訓練，建立了TG酶加工條件影響魚糜凝膠強度的神經(jīng)網(wǎng)絡(luò)模型。結(jié)果表明，建立的神經(jīng)網(wǎng)絡(luò)模型可以準確預(yù)測TG酶的作用條件與魚糜凝膠強度的關(guān)系，具有很好的預(yù)測能力，預(yù)測值與試驗值的相對誤差相對誤差（relative error，RE）較小（R2=0.9936）。朱會霞等[25]分析研究了紫花苜蓿總黃酮的提取率，對影響總黃酮提取率的4個工藝參數(shù)（液料比、提取時間、提取溫度和乙醇濃度），依據(jù)四因素五水平正交試驗建立學習樣本進行訓練，運用遺傳神經(jīng)網(wǎng)絡(luò)進行預(yù)測，結(jié)果得出，紫花苜蓿總黃酮最佳提取工藝參數(shù)為：液料比53.26 mL/g、提取溫度70.96℃、提取時間50.32 min、乙醇濃度60%，紫花苜蓿總黃酮提取率達到最大值6.51 mg/g，這種條件下的提取效果比較好。通過以上文獻可以看出，ANN在生物活性物質(zhì)方面具有較好的預(yù)測能力，并且能夠處理大量的數(shù)據(jù)[26]，得到最優(yōu)的工藝參數(shù)，ANN模型在生物活性物質(zhì)提取方面將有更加廣闊的應(yīng)用空間。

2.2 ANN在感知器方面的應(yīng)用

2.2.1 計算機視覺技術(shù)

食品品質(zhì)的好壞直接影響其價格和銷售，影響其市場競爭力。因此，很多研究者使用計算機視覺技術(shù)來檢測食品品質(zhì)。計算機視覺技術(shù)是一種機器視覺，它是在感官上替代人對物體的識別、檢測以及追蹤。

吳進玲等[27]通過采集了3種不同品質(zhì)（完好、霉變、破損）葵花子的圖像，并對其進行預(yù)處理，采用BP神經(jīng)網(wǎng)絡(luò)和決策樹算法的方法分別對3種葵花子進行圖像識別。結(jié)果顯示，這3種不同品質(zhì)的葵花子的檢測，通過計算機視覺技術(shù)都可以實現(xiàn)。胡志明等[28]是在計算機視覺的基礎(chǔ)上，運用圖像信息研究茶葉外形對茶葉品質(zhì)的影響，然后通過彩色圖像處理技術(shù)分析不同加工工藝下的茶葉品質(zhì)。通過研究發(fā)現(xiàn)，在茶葉品質(zhì)檢測方面，計算機視覺分級技術(shù)能夠起到很好的檢測作用。楊簡等[29]運用機器視覺裝置技術(shù)，借此來獲取雞蛋透射圖像，通過建立灰色神經(jīng)網(wǎng)絡(luò)，分析雞蛋中心區(qū)顏色特征參數(shù)（H、S、I），來預(yù)測雞蛋哈夫值。結(jié)果表明，灰色神經(jīng)網(wǎng)絡(luò)預(yù)測精度比較高，哈夫值殘差是5.268 4，雞蛋分級的準確率是92.7%，網(wǎng)絡(luò)泛化能力強。潘婧等[30]提出了一種預(yù)測豬肉新鮮度等級顏色特征參數(shù)和神經(jīng)網(wǎng)絡(luò)優(yōu)化選取的方法，利用圖像處理的方法提取豬肉通脊表面的顏色特征參數(shù)，利用BP和支持向量機神經(jīng)網(wǎng)絡(luò)建立各類新鮮度等級預(yù)測模型。結(jié)果表明，支持向量機神經(jīng)網(wǎng)絡(luò)可準確預(yù)測豬肉新鮮度，提高預(yù)測結(jié)果的準確性。ANN可以對圖像進行處理、分析和辨別，可以將圖像的客觀特征信息表現(xiàn)出來，并且根據(jù)這些特征把圖像的各個部分進行分離以及建立連接。它在食品品質(zhì)的檢測中得到了廣泛應(yīng)用，極大地提高了食品檢測的質(zhì)量和效率。

2.2.2 電子鼻技術(shù)

近年來，電子鼻技術(shù)已被廣泛應(yīng)用，它主要是通過氣體傳感器陣列的響應(yīng)圖案來進行識別，可以識別多種氣味，該技術(shù)具有響應(yīng)時間短、識別速度快、檢測范圍廣、重復(fù)性好等特點。肖猛等[31]使用電子鼻技術(shù)，分析不同的貯藏溫度與不同貯藏時間下的揮發(fā)性氣味，將所得數(shù)據(jù)與理化指標值[揮發(fā)性鹽基氮（total volatile base nitrogen，TVB-N）值、pH 值、過氧化值（peroxide value，POV）、硫代巴比妥酸（thiobarbituric acid，TBA）值]建立聯(lián)系，然后根據(jù)理化指標建立反向傳播神經(jīng)網(wǎng)絡(luò)預(yù)測模型。結(jié)果表明：該模型最大的誤差范圍在15%以內(nèi)，平均誤差范圍在5%以內(nèi)。任興超等[32]利用電子鼻技術(shù)對肉品的揮發(fā)性物質(zhì)進行檢測，分析取得的電子鼻響應(yīng)曲線提取特征值，建立BP神經(jīng)網(wǎng)絡(luò)，輸入值是響應(yīng)曲線特征值，最終對肉品的蛋白質(zhì)以及脂肪含量進行預(yù)測。試驗表明：電子鼻技術(shù)能夠?qū)θ馄返闹竞偷鞍踪|(zhì)含量進行較準確地預(yù)測。薛大為等[33]借助電子鼻技術(shù)對黃山毛峰茶香氣信息進行檢測，茶葉存儲時間分別為 60、120、180、240、300、360 d，采用主成分回歸、偏最小二乘回歸和BP神經(jīng)網(wǎng)絡(luò)3種方法，分別建立茶葉存儲時間的預(yù)測模型。結(jié)果證明，3種模型都能比較好地對茶葉存儲時間進行預(yù)測，相比較而言，BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測性能比較好，偏最小二乘回歸性能優(yōu)于主成分回歸模型。Sun等[34]采用低場核磁共振和電子鼻技術(shù)對生姜在干燥過程中的水分狀態(tài)和揮發(fā)性物質(zhì)進行了分析，以電子鼻中不同風味物質(zhì)的低場核磁共振參數(shù)輸入值和傳感器輸出值為輸入值，建立了BP神經(jīng)網(wǎng)絡(luò)模型。最終電子鼻數(shù)據(jù)的線性判別分析結(jié)果表明，不同干燥時間的樣品可以很好地區(qū)分，并且證明BP神經(jīng)網(wǎng)絡(luò)模型擬合良好，具有較強的逼近能力。通過比較發(fā)現(xiàn)ANN在對氣味的分析過程中相較主成分回歸、偏最小二乘回歸的預(yù)測性更好，預(yù)測的誤差范圍較小，預(yù)測的數(shù)值較準確。

2.3 ANN在食品干燥方面的應(yīng)用

干燥已被證明是人類保存食物的一種很好的方式[35]，它具有許多優(yōu)點，例如，體積減少、貨架期長、包裝要求低等[36]。但它也是復(fù)雜的、動態(tài)的、高度非線性的、強相互作用的、多變量的過程[37]，在干燥過程中是很難判斷物料的干燥狀態(tài)和干燥終點，可能會導致產(chǎn)品質(zhì)量差、能耗高[38]，使用一般的數(shù)學模型可能無法有效地繪制干燥特性的趨勢圖[39]。因此，很多人建立了ANN在不同干燥條件下的預(yù)測模型。

2.3.1 紅外干燥

紅外干燥技術(shù)有著能源利用率高、干燥后品質(zhì)高及不污染環(huán)境等優(yōu)點[40]。但是，紅外干燥過程中含水量的變化是一個尤其復(fù)雜的過程，而預(yù)測含水量和質(zhì)量參數(shù)對提高干燥過程的整體性能是非常有用和必要的，精確地預(yù)測可以使最終產(chǎn)品達到最佳質(zhì)量，并縮短加工時間[41]。為此，許多研究者利用矩陣實驗室神經(jīng)網(wǎng)絡(luò)工具箱建立了神經(jīng)網(wǎng)絡(luò)預(yù)測模型。楊亮等[42]建立了苦瓜片熱風干燥和苦瓜片紅外干燥的水分比預(yù)測模型。結(jié)果顯示，在苦瓜片干燥模型中，相對于傳統(tǒng)數(shù)學模型，BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測水分比的相關(guān)度更高，并且神經(jīng)網(wǎng)絡(luò)模型水分比預(yù)測的相對誤差是低于傳統(tǒng)數(shù)學模型的。林喜娜等[43]建立了遠紅外干燥雙孢蘑菇的神經(jīng)網(wǎng)絡(luò)模型，分析了干燥過程中雙孢蘑菇的含水率與各因素（輻射強度、輻射距離、物料厚度、物料溫度）之間的關(guān)系，研究結(jié)果顯示：BP神經(jīng)網(wǎng)絡(luò)可以準確高效地建立模型，并且模型的預(yù)測值與實測值擬合比較好。李超新等[44]運用人工神經(jīng)網(wǎng)絡(luò)模型，對紅棗紅外輻射干燥特性試驗數(shù)據(jù)進行了預(yù)測，分析了紅棗干基含水率與輻射溫度、輻射距離之間的關(guān)系，通過對實測值和模型預(yù)測值進行分析研究所得，BP神經(jīng)網(wǎng)絡(luò)可以快速準確地預(yù)測紅棗含水率的變化規(guī)律。Kalejahi等[45]研究了熱風-紅外聯(lián)合干燥對木瓜品質(zhì)和微觀結(jié)構(gòu)性能的影響，結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)作為一種強有力的工具，可以準確地估計干燥過程的基本參數(shù)。ANN相較于紅外干燥常用的傳統(tǒng)數(shù)學模型誤差低，準確率高，擬合度好，更加適合于紅外干燥中物料中水分含量的預(yù)測。

2.3.2 真空干燥

真空干燥是一種新型的干燥技術(shù)，具有節(jié)能、干燥時間短、干燥品質(zhì)好等優(yōu)點[46]，目前已得到廣泛應(yīng)用[47]。黎斌等[48]為了達到魔芋的規(guī)模化真空干燥，縮短干燥時間，提高脫水制品的品質(zhì)，降低生產(chǎn)能耗和成本的目的，對真空度和干燥溫度2個因素進行試驗研究，采用經(jīng)典模型和BP神經(jīng)網(wǎng)絡(luò)模型來進行對比，試驗結(jié)果顯示，BP神經(jīng)網(wǎng)絡(luò)模型優(yōu)于經(jīng)典模型，模型平均相對誤差為1.32%。在孟國棟等[49]研究花椒真空干燥過程中也是類似的結(jié)果，采用7種經(jīng)典干燥數(shù)學模型來擬合試驗數(shù)據(jù)，并且選取其最優(yōu)模型和BP神經(jīng)網(wǎng)絡(luò)模型進行對比，研究結(jié)果表明此BP神經(jīng)網(wǎng)絡(luò)是更適合描述花椒干燥動力學特性的數(shù)學模型。為了實現(xiàn)對含水率進行精確預(yù)測，白竣文等[50]分析了南瓜片的主要工藝參數(shù)（真空保持時間、常壓保持時間、干燥溫度和切片厚度），并利用BP神經(jīng)網(wǎng)絡(luò)建立南瓜的含水率預(yù)測模型。試驗結(jié)果顯示，BP神經(jīng)網(wǎng)絡(luò)模型能夠很好地預(yù)測南瓜在真空脈動干燥過程中的含水率。在ANN用于真空干燥中，鮮見自制真空干燥試驗系統(tǒng)，張利娟等[51]利用自制的真空干燥試驗系統(tǒng)，分析了小麥真空干燥的含水率與其真空度、干燥溫度、鋪料厚度和干燥時間這4種工藝參數(shù)之間的關(guān)系，選取干燥過程中比較穩(wěn)定的200組數(shù)據(jù)作為樣本，然后使用BP神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測訓練，結(jié)果顯示：小麥含水率的預(yù)測結(jié)果與實測值誤差小于5.2%，能較好地反映真空干燥工藝參數(shù)與含水率之間的復(fù)雜非線性關(guān)系。ANN能夠準確預(yù)測真空干燥的各種工藝參數(shù)和含水率，是實現(xiàn)干燥過程動態(tài)跟蹤與控制、優(yōu)化干燥過程、提高干燥質(zhì)量。干燥動態(tài)特性數(shù)學模型的建立可以準確地預(yù)測干燥過程中水分的變化規(guī)律。ANN明顯優(yōu)于經(jīng)典干燥數(shù)學模型，能較好地反映真空干燥工藝參數(shù)與含水率之間的復(fù)雜非線性關(guān)系[52]。

2.3.3 冷凍干燥

TARAFDAR等[53]研究了人工神經(jīng)網(wǎng)絡(luò)在香菇冷凍干燥中的應(yīng)用，以含水率和干燥速率為輸出干燥參數(shù)，并且比較了人工神經(jīng)網(wǎng)絡(luò)和半經(jīng)驗?zāi)Ｐ偷念A(yù)測效果。研究表明，利用人工神經(jīng)網(wǎng)絡(luò)模型可以準確預(yù)測生物材料的干燥行為，同時提供與現(xiàn)有半經(jīng)驗干燥模型相當甚至更優(yōu)的結(jié)果。王麗艷等[54]將ANN應(yīng)用在真空冷凍干燥工藝中，為了提高獼猴桃切片的品質(zhì)，進行真空冷凍干燥試驗，分析影響獼猴桃切片品質(zhì)的因素（干燥室壓力、切片厚度、加熱板溫度），運用Matlab對真空冷凍干燥的試驗數(shù)據(jù)進行訓練和模擬，并與真空冷凍干燥實測值進行比較，結(jié)果表明，利用BP神經(jīng)網(wǎng)絡(luò)得出的預(yù)測值較接近試驗實測值，能良好的反映真空冷凍干燥工藝參數(shù)與獼猴桃品質(zhì)之間的關(guān)系。MENLIK等[55]的研究中，提出了使用人工神經(jīng)網(wǎng)絡(luò)的方法建立蘋果凍干過程中含水量、含水率、干燥速率等干燥預(yù)測模型。該網(wǎng)絡(luò)采用了列文伯格-馬夸爾特法（Levenberg-Marquardt，LM）和費米函數(shù)作為變量的反向傳播學習算法，用確定系數(shù)、均方根誤差和平均絕對百分率誤差確定了模型的統(tǒng)計有效性。結(jié)果表明，所建立的神經(jīng)網(wǎng)絡(luò)模型可以用于蘋果凍干特性的測定和預(yù)測。從統(tǒng)計檢驗結(jié)果和相關(guān)分析可知，建立的神經(jīng)網(wǎng)絡(luò)模型在蘋果干燥過程中的含水量、含水率和干燥速率的預(yù)測上是成功的。冷凍干燥與紅外干燥和真空干燥不同，是非線性和滯后性工作系統(tǒng)，需要考慮和評估許多關(guān)鍵參數(shù)，過程過于復(fù)雜[56]，用一般的數(shù)學方法難于精確表述其工作過程和實現(xiàn)過程的精確控制，而神經(jīng)網(wǎng)絡(luò)在非線性函數(shù)最佳逼近和全局最優(yōu)方面具有良好的能力[57]，能夠很好的優(yōu)化工藝參數(shù)和預(yù)測試驗結(jié)果。因此越來越多的研究者開始借助ANN對食品冷凍干燥過程中的數(shù)據(jù)進行訓練模擬。

2.4 ANN在光譜數(shù)據(jù)分析方面的應(yīng)用

高光譜成像技術(shù)是評估食品質(zhì)量和安全性的有前途的工具[58]，它將成像技術(shù)與光譜技術(shù)相結(jié)合，是一種具有高維特征空間的非線性結(jié)構(gòu)數(shù)據(jù)[59]，由于其標注困難，所以對數(shù)據(jù)標注時需消耗大量人力和物力等資源[60]。而借助神經(jīng)網(wǎng)絡(luò)可以使高光譜圖像試驗更加精確的分組，并且可以同時提取光譜特征和空間特征。對水果[61]和肉類[62]食品的各種物理化學特性進行無損檢測，在食品工業(yè)中有很大發(fā)展前景。王浩云等[63]為解決水果品質(zhì)無損檢測中成本、效率、精度問題，借助高光譜圖像和三維卷積神經(jīng)網(wǎng)絡(luò)的方法，采集245個蘋果的高光譜圖像，通過樣本擴充之后將原始數(shù)據(jù)集擴充至9 800個樣本后進行建模預(yù)測。試驗結(jié)果顯示：該方法相對傳統(tǒng)方法預(yù)測精度有很大提升，能夠較準確實現(xiàn)蘋果多品質(zhì)參數(shù)同時檢測。王九清等[64]的研究中，為了對雞肉進行快速、無損檢測，從雞肉的高光譜數(shù)據(jù)中提取出了反映雞肉內(nèi)部品質(zhì)的光譜數(shù)據(jù)以及反映雞肉外部特征的圖像數(shù)據(jù)，利用卷積神經(jīng)網(wǎng)絡(luò)模型對提取到的數(shù)據(jù)進行模擬驗證，結(jié)果表明，基于光譜和圖像的綜合卷積神經(jīng)網(wǎng)絡(luò)模型可以準確預(yù)測，其準確率和損失函數(shù)分別達93.58%和0.30。高光譜技術(shù)還可借助神經(jīng)網(wǎng)絡(luò)預(yù)測食品新鮮度。Chen等[65]采用總揮發(fā)性堿性氮含量對太平洋牡蠣的新鮮度進行了評價，高光譜成像被用來測定太平洋牡蠣中總揮發(fā)性堿性氮的含量，借助多元線性回歸和反向傳播人工神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測太平洋牡蠣的新鮮度，結(jié)果證明了高光譜成像和化學計量學方法的結(jié)合可以用來檢測和準確預(yù)測太平洋牡蠣貯藏期間的新鮮度。伍恒等[66]通過采集不同實物候期哈密瓜果實的高光譜數(shù)據(jù)，采用廣義回歸神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)2種模型，對哈密瓜物候期進行識別，以模型判別正確率為評價指標，結(jié)果顯示：所建模型均能很好地識別哈密瓜果實物候期。利用ANN在光譜數(shù)據(jù)分析與利用ANN對計算機視覺技術(shù)有很多相似之處，都是通過計算機對圖像進行分析后預(yù)測結(jié)果。計算機視覺技術(shù)應(yīng)用起來更加方便，能夠很好地展現(xiàn)產(chǎn)品直觀的狀態(tài)，而光譜數(shù)據(jù)分析是結(jié)合更多高光譜成像系統(tǒng)展現(xiàn)產(chǎn)品內(nèi)在的本質(zhì)狀態(tài)。ANN都能夠很好的進行準確的預(yù)測。

2.5 ANN在其它食品加工領(lǐng)域的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)已成功地應(yīng)用于預(yù)測食品加工過程中的性質(zhì)和質(zhì)量變化[67]，它在食品加工的其它領(lǐng)域也得到廣泛的應(yīng)用，KIM等[68]開發(fā)了一種用于測量食物分解程度的氣味監(jiān)測系統(tǒng)，分析了每種輸入氣體的模式特征，并采用遺傳人工神經(jīng)網(wǎng)絡(luò)評價了與輸出氣味物質(zhì)數(shù)據(jù)的匹配結(jié)果，最終匹配度達到97%，為水產(chǎn)品有害揮發(fā)性物質(zhì)檢測提供理論依據(jù)。趙璐等[69]利用電荷耦合器件圖像傳感器（charge coupled device，CCD）傳感器檢測袋膜跑偏量，將跑偏量信號傳送到控制器中，成功提高了袋食品包裝產(chǎn)品質(zhì)量，提升食品包裝美觀度，介紹包裝機拉膜機構(gòu)工作過程，并分析拉膜機構(gòu)工作過程中袋膜跑偏原因，利用神經(jīng)網(wǎng)絡(luò)比例積分微分（proportion integration differentiation，PID）控制方法對執(zhí)行機構(gòu)進行控制，仿真結(jié)果表明，神經(jīng)網(wǎng)絡(luò)PID控制方法相比于傳統(tǒng)PID控制方法，超量明顯減小、響應(yīng)速度更快。王萌等[70]結(jié)合徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（radical basis function，RBF）神經(jīng)網(wǎng)絡(luò)和PID控制方法設(shè)計了一種智能恒溫控制系統(tǒng)，給出了控制系統(tǒng)結(jié)構(gòu)，包括控制器、溫度和濕度傳感器、顯示電路、鼓風電動機、排濕電動機等。最后進行了試驗研究。試驗結(jié)果表明：RBF-PID控制算法能夠明顯提高溫度控制精度，其烤箱溫度偏差最大值為0.8℃，偏差絕對值平均值約為0.36℃。隨著ANN在食品加工領(lǐng)域的廣泛應(yīng)用，未來將有更多研究者使用ANN在食品加工領(lǐng)域進行更多的嘗試。

3 結(jié)論

人工神經(jīng)網(wǎng)絡(luò)技術(shù)對工藝預(yù)測、識別和建模優(yōu)化相比于一般計算機程序不同，通過輸入一系列樣本進行訓練的，給產(chǎn)品創(chuàng)新和工藝設(shè)計提供了技術(shù)支撐。食品加工通常涉及的參數(shù)、安全品質(zhì)控制體系屬于非線性或不穩(wěn)定的系統(tǒng)，而人工神經(jīng)網(wǎng)絡(luò)技術(shù)作為預(yù)測復(fù)雜系統(tǒng)輸出響應(yīng)的方法，對于不能用數(shù)學模型、規(guī)則或公式描述的原始數(shù)據(jù)系統(tǒng)和問題非常適用，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在食品工業(yè)的發(fā)展中定會發(fā)揮重要作用。相比于前期的模式識別方法，ANN在食品發(fā)酵、圖像分析、感官評定、氣味分析、含水率測定、食品無損檢測、食品加工過程中的仿真和控制等方面具有顯著的優(yōu)勢。由于BP神經(jīng)網(wǎng)絡(luò)的部分數(shù)據(jù)受試驗操作者的主觀因素的影響，容易出現(xiàn)過度擬合的現(xiàn)象，使其在未來發(fā)展中面臨更多的挑戰(zhàn)。隨著近年來神經(jīng)網(wǎng)絡(luò)與遺傳算法、模糊系統(tǒng)、進化機制相結(jié)合形成人工智能，在不久的將來，神經(jīng)網(wǎng)絡(luò)技術(shù)在食品工業(yè)應(yīng)用中會越來越成熟，越來越完善。