人工神經網絡在水產領域中的應用

姜鵬飛,鄭杰,陳瑤,孫娜,祁立波,李德陽,林松毅*

1(大連工業大學 食品學院,國家海洋食品工程技術研究中心,遼寧 大連,116033) 2(遼寧省海洋水產科學研究院,遼寧 大連,116023)

人工神經網絡(artificial neural networks,ANN)建立在仿生學的基礎上,主要原理是模擬人類大腦的神經網絡結構與功能特征[1]。它可以應用于聯想記憶[2]、非線性映射[3]、分類與識別[4]、優化計算[5]、知識處理[6]。具有信息存儲的分布式存儲、計算的并行性與存儲的分布性(結構特點)、非線性、魯棒性與容錯性(性能特點)以及自學習和自適應性(能力特點),在信息存儲方面主要有卷積神經網絡(convolutional neural networks,CNN)、循環神經網絡(recurrent neural networks,RNN)和生成對抗網絡(generative adversarial networks,GAN)三種結構[7],如表1所示。

表1 神經網絡主要解釋方法Table 1 The main interpretation methods for neural networks

人工神經網絡有多種算法,但大體可以分為兩類:一是需要對樣品進行學習訓練及預測的有管理的人工神經網絡;二是無須訓練的無管理的人工神經網絡[8]。

人工神經網絡目前已經在信息處理領域、自動化領域、工程領域、醫學領域、經濟領域等應用并取得的一定的成果。本文分別從水產養殖技術檢測,水產品工藝優化,活性成分分析,產品品質評價等方面就人工神經網絡在相關領域中的應用進行歸納總結,為后續人工神經網絡在水產品中的應用梳理思路,提供理論依據[9]。

1 養殖技術

目前,我國漁業捕撈量增長迅猛,與養殖量不匹配,并且生產效率和專業技術與國外相比相差較大[10]。水生生物生長主要受環境、種群和物種的影響,如圖1所示,本文從ANN預測養殖環境、種群豐度和養殖品種對水產養殖生物生長相關性研究進展進行系統整理,并從經濟角度對養殖管理方式和水產價格進行分析,以期為水產后續生長研究提供借鑒,從而更好地服務于我國水產養殖業。

1.1 環境因素

影響水產養殖的環境因素主要有水質、溫度、溶氧量、亞硝酸鹽含量、氨氮和硫化氫濃度以及酸堿度等,水質情況直接影響到水產品的生長發育,進而關系到養殖產量以及經濟效益。謝萬里等[11]將反向傳播和徑向基函數人工神經網絡的評估方法綜合運用于活魚運輸中,確定了不同訓練函數及不同隱含層神經元個數,該方法避免了傳統運輸水質評價方法存在局限性和單一性的問題,對實現活魚運輸儲存過程中水質的精準調控有重要意義;馬真[12]通過ANN輸入變量,以確定模型的各結構參數,建立了凡納濱養殖蝦水質預測模型,并根據養殖周期水質實時監測數據對模型進行了訓練和擬合,結果顯示:反向傳播人工神經網絡(back-propagation artificial neural network， BP-ANN)的預測效果較好,能以較高精度預測養殖水質狀況,并能對水質惡化進行早期預警提示。

圖1 人工神經網絡在養殖技術中的應用Fig.1 Application of artificial neural network in breeding technology

水產養殖池中如果溶氧量低于標準值,會導致池中潛在的致病因子突然釋放。CARBAJAL等[13]通過監測溶氧量的相關環境因子,對破壞生態穩定因子進行分類,以預測相關水質指標;CAO等[14]在利用紫外吸收光譜法快速測定養殖廢水中化學需氧量的過程中,使用BP-ANN,以有效波長為基礎,得到了最佳預測結果。

由于水產動物屬于變溫動物,體溫隨水溫的變化而變化,因此養殖水溫是水產生物生長和繁殖的重要條件。柳海濤等[15]基于大量實測數據分析,建立了松花江站水溫人工神經網絡預報模型,通過輸入上游吉林水文站的水溫與流量,以及地區氣象條件,利用遞推法,預測出下游魚類繁殖地水溫變化過程;倪玉紅等[16]基于BP-ANN的逐層水溫及溶氧量預報模型,提高了江蘇省夏季蝦塘管理水平,為龍蝦養殖和氣象災害防御提供理論支持。

1.2 種群預測

在水生生物種群預測方面,利用ANN高效、精確智能的特點,對群落資源豐度進行預測,JABEEN等[17]利用前饋多層感知器(multilayer perceptron,MLP)網絡,根據鮑魚物理屬性,對鮑魚生長程度進行預測,結果表明基于Levenberg-Marquardt算法的MLP網絡模型是預測鮑魚生長階段的最佳方法。同時,ANN還可以應用于種群生長曲線的監測預報,從而對我國傳統的經濟魚類、貝類、蝦類和藻類的生長趨勢進行實時檢測。朱藝峰[18]通過分析各影響因素,采用交叉驗證方法,對實驗數據進行了人工神經網絡預測分析,結果表明:人工神經網絡對花鱸增重、特定生長率具有良好的預測效果;FRANCO等[19]利用不同藻類吸光值差異特性,以單藻和混合藻培養物的吸光度作為輸入數據,建立了一種區分單藻和混合藻的人工神經網絡預測模型,該系統能夠識別主要藻類。

1.3 物種識別

養殖品種識別主要利用了人工視覺技術,該技術在物種識別方面應用廣泛,可為實現良種引進,提高水產養殖的經濟效率提供理論支持(如圖2所示)。研究表明,CNN模型是目前常用的人工視覺技術,基于CNN深度學習特性,HIMABINDU等[20]利用視覺技術提取魷魚的形態特征,通過對圖像中指定區域的裁剪,采用反向傳播MLP方法將魷魚不同部位的數據進行分類,準確率高達98.6%,實現養殖水產品生長狀態識別。另外,現階段我國更加注重水產新品種的選育工作,張帆等[21]提出一種基于圖像特征與競爭型神經網絡相結合的蟹苗密度估算識別系統,采用全局性密度等級分類算法結合局部性線性回歸算法,對蟹苗圖像的密度等級特征由競爭型神經網絡進行劃分和判斷,得到較高的正確率,再次證實人工視覺技術將成為水產養殖優質高產的重要途徑;不僅如此,基于人工神經網絡具有處理速度快、結果預估客觀和可重復性較高的特點,MOSLEH等[22]研發出一種淡水藻類自動識別系統,該系統由圖像預處理、分割、特征提取和人工神經網絡分類4個步驟組成,通過對藻類圖像特征參數的提取,經過主成分分析,使系統的準確率達到93%。

圖2 物種識別的基本原理Fig.2 Basic principles of species identification

1.4 養殖管理

通常來講,水產養殖管理方法具有季節性、長期性以及多樣性等特點。傳統的養殖管理方法包括飼料管理、水質管理和底質管理以及塘口環境管理、疾病預防管理等。在養殖蝦場燃料管理方面,ATIA等[23]建立了以質子交換膜燃料電池驅動的擴散式曝氣系統,通過控制輸入氣體流量來控制燃料電池的輸出功率;LEUNG等[24]建立了一種越南養殖蝦疾病控制的神經網絡預測模型,比較了概率神經網絡和logistic回歸方法在相同數據集上的預測性能,結果表明:概率神經網絡模型比logistic回歸模型具有更好的預測能力;ABDELLATIF等[25]利用HadCM3、CSIRO和CGCM2CMS的氣候變量,采用混合廣義線性人工神經網絡模型,對降雨量進行控制,結果表明:總溢水量、總溢時間和溢水頻率每年增加37%、32%,實際值與預測結果相符。

1.5 價格

水產養殖的收益離不開對市場價格的判斷,但其價格受供求和時節等因素的影響,因此具有一定的周期性和波動性。傳統的價格預估方法是基于時間的指數及回歸方程進行預判,誤差較大。目前,經驗證利用人工神經網絡預測價格,既克服了信息的不對稱性也提高了預測精度。XU等[26]提出了應用人工神經網絡預測價格的可行性;李宏偉等[27]嘗試在傳統反向傳播算法的基礎上將網絡神經元中的激勵函數換成小波子函數,進而組建出小波神經網絡,通過對新疆烏倫古湖水產綜合基地三類主要魚類價格預測驗證,結果表明:該模型可用于預測魚類價格的短期預測;胡濤[28]建立了松散型小波層神經網絡預測模型,在預測模型中,利用了遺傳算法對神經網絡結構參數進行優化,通過實證檢驗,預測值誤差較小。

2 水產品工藝優化

傳統的食品加工以及配方優化的方法已經比較成熟,如響應面設計、正交試驗和均勻設計等。他們均可以通過嚴格反復的試驗獲得最佳的實驗結果,但試驗精度不夠是其顯著的缺陷。另外,人工神經網絡一般使用標準的非線性最小二乘回歸法來擬合數據,因此容易在處理數據的過程中存在數據過度擬合的問題。但是隨著科技的不斷進步與發展,人工神經網絡越來越多地應用于食品加工中的各個環節,可以對加工過程中的數據進行非線性的處理,設計動態型模型以選擇出最優的方案。

人工神經網絡在水產品加工過程中的品質和風味調控過程中應用廣泛。CHINDAPAN等[29]在用電滲析降低魚露中鈉離子濃度的過程中,采用遺傳算法對人工神經網絡進行目標優化,優化后的人工神經網絡模型對魚露的基本特性、總氨基酸和總芳香化合物的濃度以及風味差異預測準確;王回憶等[30]將動力學和徑向基神經網絡相結合用于預測鱘魚片冷藏過程中品質變化,其預測值與試驗值之間的相對誤差較小;TATAR等[31]在以半纖維素作為包覆材料對微膠囊魚油吸附能力優化過程中,采用ANN與平衡含水率相互擬合,預測樣品的電磁兼容,其結果與經驗模型相比更準確,滿足焓-熵補償理論;GHOSH等[32]在木糖醇生產工藝的研究中,通過對比響應面法(response surface method,RSM)和ANN來確定最優反應條件和預測最優產率,結果表明ANN的預測精準度優于RSM;張斌等[33]利用RSM數據輔助ANN進行訓練與仿真,建立級聯BP-ANN對超高壓技術法提取河蚌肉多糖工藝進行分析優化,雖然對比ANN 與RSM最佳工藝條件下多糖得率實測值略小,但其優化結果的準確率高,預測值的可信度強。

由于ANN對非線性和非穩態系統的酶催化反應具有較好的預測能力,目前,已經有大量研究將其應用在水產品酶解過程中工藝條件優化方向。吳燕燕等[34]利用Matlab軟件,對風味蛋白酶水解合浦珠母貝柱的工藝條件進行優化,克服了抗菌肽純度低、提取率低等缺點;鄧志程等[35]利用人工神經網絡預測胰蛋白酶及胰凝乳蛋白酶的雙酶解過程,驗證人工神經網絡可以提高產率;劉斌等[36]利用newrbe(P,T,SPREAD)函數建立徑向基網絡,經過樣本訓練以及徑向基神經網絡預測,建立間歇式酶膜耦合制備紫菜降壓肽模型,同樣可以實現提高產率的效果。

3 活性成分分析

由于水產品中功能性活性成分提取條件的復雜性,目前傳統提取方法已不能滿足實際生產要求,ANN可以通過模型仿真進而預測提取效果,為達到批量可控化生產提供依據。

表2 人工神經網絡在水產品活性成分中的應用Table 2 Application of artificial neural network in aquatic active ingredients

應用人工神經網絡對生物活性物質進行定量預測,具有生物學檢測所不具備的優點,它不僅可以較為準確地預測糖類、脂類和蛋白質含量,還能對其他生物活性物質含量的變化進行估計,例如,水產品中的毒素、微量元素以及含氮化合物等。人工神經網絡可以避免盲目投入造成的浪費,而且可以保證精準度與建模效果。ERTüRK等[45]分析了30種酚類化合物源于海洋藻鄧氏藻毒性,利用四參數對反向傳播人工神經網絡(counter propagation artificial neural network,CP-ANN)結合多元線性回歸(multiple linear regression,MLR)方法建立模型,該模型將多次預測結果取平均值,改善了全局模型的統計特性,CP-ANN通過對每個單獨線性模型中出現的6個描述符中選取4個來取平均值,提供了良好的外部預測性;PAPADOPOULOS等[46]用實驗設計方法結合人工神經網絡以基質固相分散萃取法測定魚類中氯化物得到準確的預測結果;MOGHADDAM等[47]通過比較ANN和RSM,預測出微波輔助提取魚肉中鋅元素含量,實驗采用Box-Behnken Design法驗證,結果表明:與RSM模型相比,ANN模型預測準確率更高;CHEN等[48]通過對高光譜像數據進行相關系數分析建立一種MLR和BP-ANN模型,結果表明:相關系數MLR預測值低于BP-ANN預測值;相對誤差MLR預測值誤差更小,二者均可以檢測和準確預測儲藏期太平洋牡蠣總揮發性鹽基氮(total volatile based nitrogen,TVB-N)含量,進而判斷新鮮度。

4 品質評價

食品品質,是指食品的各種固有特性滿足要求的程度。食品的固有特性包括安全性、營養性、可食性、保藏性、經濟性和方便性等。對食品品質的調控可以體現在產品的相關國家標準中,如安全衛生標準、感官特性標準、營養和成分標準等,還包括包裝、貯運等方面的要求。本節就人工神經網絡在食品的營養性、安全性和保藏性的應用進行總結,旨在為食品品質安全提供理論性的模型預測結果。

4.1 營養性

人工神經網絡模型在預測出水產品營養價值方面也得到廣泛應用,如預測營養組成、感官評分、水分含量以及產品新鮮度等。

食品中的營養成分主要包括:水、無機鹽、糖類、脂肪、蛋白質和維生素六大類,人工神經網絡與其檢測方法結合,可以達到準確、快速、多組分同時測定等目的,徐文杰等[49]采用近紅外光譜數據分別與偏最小二乘法、主成分分析和BP-ANN結合技術、偏最小二乘法和BP-ANN結合技術建立了3種鰱魚營養成分近紅外定量模型。

傳統感官評價方法可對感知屬性進行即時測定,但由于評價人員對相同刺激水平的反應存在差異,可能導致測試的結果不準確。ANN模擬生物視覺、嗅覺和味覺等感官特性,不僅避免了傳統感官檢測中評價人員的主觀性,還大幅提高了檢測效率和準確性。LIU等[50]建立了一種動力學模型結合人工神經網絡的組合模型,用于預測真空包裝的鳙魚魚片在不同溫度下感官評分、TAC和k值變化,結果表明:預測值相對誤差均在5%以內。

水分含量是判斷水產品品質的重要指標之一,目前常用的水分檢測方法對產品破壞度較高,導致測試結果差異性較大,因此檢測水分含量等指標需要通過ANN預測技術輔佐。MOHEBBI等[51]應用多層反向傳播神經網絡模型成功預測出化學法測定的活體蝦水分含量與顏色特征;HOSSEINPOUR等[52]利用多層感知器人工神經網絡結構利用圖像紋理參數成功預測了蝦的含水率。

水產品新鮮度直接與消費者感官屬性如外觀、質地、氣味和口感有關,同時對于水產食品安全、運輸倉儲及加工過程也有著重要意義。因此,通過人工神經網絡建立新鮮度預測模型,是保證水產品消費安全的重要手段。薛大為等[53]采提出了綜合阻抗模值結合ANN預測淡水魚新鮮度的方法,以模值和相角作為輸入因子,以TVB-N作為輸出因子,建立預測淡水魚新鮮度的3層BP-NAA模型得到較高預測率;劉歡等[54]在確定近紅外光譜數據最佳預處理方法和適宜波段的基礎上,分別采用偏最小二乘法、主成分分析和BP-NAA、偏最小二乘法和BP-NAA建立了鯽魚新鮮度預測定量模型,結果表明:以pH為鮮度指標,采用偏最小二乘法和 BP-NAA結合模型預測效果最佳。

4.2 營養性

食品中對人體健康造成危害的物質主要有生物危害物、化學危害物和物理危害物。在水產養殖過程中,生物危害物和化學危害物的影響較大。

生物危害物包括細菌、病毒、寄生蟲、原生動物、藻類及其所產生的毒性物質,其中致病性微生物(細菌)是造成食品生物危害最廣泛的全球性問題。DUAN等[55]研究一種比目魚冷凍魚片細菌總數的測定方法,并用便攜式近紅外光譜儀進行驗證,結果表明:遺傳算法和BP-ANN相結合的方法檢測時間短,檢測效率高,該技術可以為漁業無損、現場以及快速檢測提供理論依據;段翠等[56-57]以便攜式近紅外光譜儀為基礎,以三文魚為研究對象得到了相同驗證;BRION等[58]以ANN結合MLR模型用PCR方法預測歐洲不同國家市售的貝類中病毒種類,結果表明:ANN模型比MLR模型更精準地預測出貝類中所含的病毒。

化學危害物包括了藥物殘留、天然毒素和食品添加劑等物質,一般為生產中環境或人為因素造成的。YANG等[59]使用褐藻作為一種低成本的吸附劑,采用ANN對汞離子的吸附性能進行預測,結果表明:該模型具有較高的預測Hg(II)吸附的潛力;KIM等[60]利用ANN研發出一種氣味監測系統,以檢測室溫或冰箱中,牛肉、魚、貝類等食物分解產生的有害氣體,檢測結果準確全面,為水產品有害揮發性物質檢測提供理論依據。

4.3 保藏性

食品保藏是為了防止食品腐敗變質延長其儲藏期所采用的處理方法,食品的腐敗變質也是本身所含的酶和受外界污染的微生物產生一系列的化學反應造成的。肌苷酸是重要的風味前體物,也是淡水魚主要的成味物質,SHI等[61]通過建立了BP-ANN,在不同溫度、不同熱加工時間下,完成了未經處理的淡鹽鰱魚和1.8%鹽漬鰱魚中的肌苷酸含量貯藏過程中降解曲線的預測;席慶等[62]利用 Box-Behnken 響應面實驗設計建立數據集合,以貯藏10 d后的菌落總數以及感官評分為響應因子,建立了即食鮑魚柵欄模式的神經網絡模型,結果表明:建立的神經網絡模型對于魚類貯藏過程中品質變化具有良好的預測精確性。

5 展望

水產制品對人體健康有益,但是水產品在養殖、加工、流通、儲藏等過程中十分復雜,無論是在水產品養殖過程中環境、管理等因素、水產品原料安全性,還是水產品的加工過程以及加工后對產品品質的評價等都十分重要。本文以人工神經網絡為論述對象,從水產品養殖、生產以及品質調控過程等角度入手,歸納總結了其對于養殖環境預測、物種分類識別、貯存品質及風味變化檢測等特點;主要可以分為四類:養殖技術、工藝優化、活性成分分析和品質評價。目前人工神經網絡技術在水產品中的應用仍有一定的局限性,今后需要加快食品的智能化加工和智能產品的研發,加強標準化、智能化生產技術的研發,并結合水產品可追溯體系,建立全程監控的智能化監控系統,實現傳統水產食品生產加工模式實現向智能化、自動化、標準化生產的跨越。希望通過對人工神經網絡在水產領域中應用的研究,為計算機模擬技術在食品相關領域的發展提供一定的理論基礎。