基于人工神經(jīng)網(wǎng)絡(luò)的大西洋鯖魚烘烤過程中水分和色度值預測模型

姜鵬飛，吳吉玲，黃一珍，于文靜，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）

大西洋鯖魚（Scomber scombrus），屬于鯖科，鮐屬，鱸形目，是一種重要的暖水性洄游魚類[1]。2017 年全球產(chǎn)量達到122 萬噸[2]。大西洋鯖魚因可食肉質(zhì)多、價格相對較低且富含脂肪、蛋白質(zhì)、磷、鈣、鐵等營養(yǎng)成分而廣受歡迎[3]。近期鯖魚的研究包括生物保鮮劑、茶多酚等對鯖魚保鮮及品質(zhì)的影響[4-5]、熱加工對鯖魚品質(zhì)及水分分布的影響[6-7]，研究大西洋鯖魚烘烤過程中的品質(zhì)變化對豐富產(chǎn)品具有一定意義。

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）是機器學習和人工智能的經(jīng)典基礎(chǔ)技術(shù)，得到了廣泛的應(yīng)用和認可[8]。ANN 模型是一個具有大量單連通分量和高度非線性的復雜網(wǎng)絡(luò)，該系統(tǒng)能夠執(zhí)行具有非線性關(guān)系的復雜邏輯操作[9]，且具有強大的模式識別、數(shù)據(jù)運算和擬合、預測的能力[10]。其預報方法與一般的多因子預報方法比較，具有容錯能力強、可靠性高、預報速度快等優(yōu)點，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[11]。人工神經(jīng)網(wǎng)絡(luò)適用于非線性和非穩(wěn)態(tài)系統(tǒng)食品加工過程的仿真和控制[12]。THERDTHAI 等[13]描述了人工神經(jīng)網(wǎng)絡(luò)已經(jīng)成功應(yīng)用于食品加工系統(tǒng)的建模，如烘干、烘烤、滲透脫水和高壓處理，以及一些食品屬性和質(zhì)量指標的預測。Mohsen 等[14]將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用在馬鈴薯的干燥動力學中，采用不同隱層神經(jīng)元、不同傳遞函數(shù)的前饋型神經(jīng)網(wǎng)絡(luò)，得到隱含層為20、相關(guān)系數(shù)為0.99 的最優(yōu)結(jié)果。肖興寧等[15]建立以初始污染水平、初始污染率、次氯酸鈉濃度為輸入值，雞胸肉預冷清洗環(huán)節(jié)的沙門氏菌污染率為輸出值的神經(jīng)網(wǎng)絡(luò)模型，得到相關(guān)系數(shù)r 值和預測標準誤差（standard error of prediction，SEP）值分別為0.93 和10.8%，擬合良好。

通過對ANN 相關(guān)文獻的查閱，在魚類烘干過程中鮮見應(yīng)用ANN 模型對烘干過程中水分和色澤同時預測的研究。本研究以烘烤溫度和烘烤時間作為輸入值，水分含量、L*、a*、b*和ΔE 同時作為輸出值建立ANN 模型，預測烘干后水分含量和色度值，為優(yōu)化大西洋鯖魚烘干工藝和提升產(chǎn)品品質(zhì)提供理論依據(jù)。

1 材料與方法

1.1 材料與儀器

大西洋鯖魚：青島益和興食品有限公司，2018 年10 月22 日捕撈并于-35 ℃儲存，2019 年9 月30 日在工廠進行分割、清洗等處理；茶多酚（食品級）：河南萬邦實業(yè)有限公司。

SCC-WE101 型萬能蒸烤箱：德國Rational 公司；UltraScan PRO 測色儀：美國HunterLab 公司；PH070A型干燥箱：上海一恒科技有限公司。

1.2 試驗方法

1.2.1 魚片去腥處理

將整片魚片從冷庫中取出，放入水中緩化30 min，將緩化后的樣品瀝干。采用茶多酚抗氧化法對解凍樣品去腥，茶多酚浸泡液濃度為0.3%，在室溫（25 ℃）條件下浸泡90 min。樣品與茶多酚溶液的比例為1 ∶3（g/mL）。浸泡后的樣品使用純凈水清洗2 次，用廚房用紙將魚片表面的水分吸干備用[16]。

1.2.2 魚片干燥

將經(jīng)過1.2.1 方法去腥的魚片放入多功能熱風干燥箱進行烘烤，烘烤條件：烘烤溫度100、110、120、130、140、150、160、170、180 ℃，烘烤時間5、10、15、20、25、30、35、40 min，空氣相對濕度20%，空氣流動速度16 m/s。

1.2.3 魚片水分含量測定

水分含量采用GB 5009.3—2016《食品安全國家標準食品中水分的測定》中第一法直接干燥法進行測定[17]。

1.2.4 色度值測定

使用測色儀對烘烤魚片的色度值進行測量，L*表示亮度，a*表示紅色或綠色，b*表示藍色或黃色。使用公式（1）來計算色差（ΔE），用色差來評價魚片烘烤過程中色度值的變化[18]。隨機選取3 個樣品進行色度值測試，每個樣品測試5 個不同部位。

式中：ΔL=L-L0，Δa=a-a0，Δb=b-b0，L0、a0、b0和L、a、b 分別為新鮮樣品和烘烤樣品的色度值。

1.2.5 人工神經(jīng)網(wǎng)絡(luò)模型

1.2.5.1 人工神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)

本研究主要探討人工神經(jīng)網(wǎng)絡(luò)在烘焙性能預測中的適用性，建立了大西洋鯖魚烘烤過程中水分含量和色度值變化的ANN 模型。在本研究中，ANN 模型的輸入為烘烤時間和烘烤溫度，輸出為水分含量、L*、a*、b*、ΔE。使用列文伯格-馬夸爾特（Levenberg-Marquardt，LM）算法對網(wǎng)絡(luò)進行教學。單隱含層人工神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖見圖1。

圖1a 為ANN 結(jié)構(gòu)，圖1b 所示的是一個3 層ANN 結(jié)構(gòu)，分別是輸入層、隱藏層和輸出層。公式（2）～公式（4）表示輸入層的輸入。

圖1 單隱含層人工神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖Fig.1 The ANN structure for the single layer network

公式（5）表示隱含層的輸出。

應(yīng)用公式（6）計算輸入信號到輸出層。

最終的輸出可以表示為公式（7）。

1.2.5.2 人工神經(jīng)網(wǎng)絡(luò)模型的設(shè)計

在大西洋鯖魚烘烤試驗中，共進行72 組試驗。隨機選取50 組（70%）為模型訓練數(shù)據(jù)，11 組（15%）為模型檢驗數(shù)據(jù)，其余11 組（15%）為模型驗證數(shù)據(jù)。模型統(tǒng)計參數(shù)為確定系數(shù)（R2）和均方根誤差（root mean square error，RMSE），分別使用公式（8）和公式（9）進行計算[14，19-20]。R2值越高同時RMSE 值越低，說明ANN 模型的性能越好。然后將統(tǒng)計方法的預測結(jié)果與試驗結(jié)果進行比較，來驗證模型性能。

式中：Pexp，i和PANN，i分別為第i 次試驗的試驗實際測量值和人工神經(jīng)網(wǎng)絡(luò)預測值；PˉANN為人工神經(jīng)網(wǎng)絡(luò)預測值的平均值；N 為試驗共進行的組數(shù)。

為了保證數(shù)據(jù)準確性，將輸入數(shù)據(jù)和輸出數(shù)據(jù)根據(jù)公式（10）進行一般權(quán)值的歸一化處理，使數(shù)據(jù)全部在[0，1]之間[21-22]。

式中：xi和xˉi分別為數(shù)據(jù)i 處理前和處理后的數(shù)值；xmin和xmax分別為被處理組數(shù)據(jù)的最大值和最小值。

1.3 數(shù)據(jù)處理

采用MARLAB 7.14.0.739，R2012a 軟件中的神經(jīng)網(wǎng)絡(luò)工具箱對數(shù)據(jù)進行處理，建立人工神經(jīng)網(wǎng)絡(luò)模型。采用OriginPro 8.5.0 SR1 軟件進行數(shù)據(jù)處理以及繪圖。

2 結(jié)果與分析

2.1 魚片烘烤過程中水分含量的變化

在水產(chǎn)品的烘烤處理過程中，溫度和時間是影響品質(zhì)的重要條件因素。烘烤溫度和烘烤時間對魚片水分含量的影響見圖2。

圖2 烘烤溫度和烘烤時間對魚片水分含量的影響Fig.2 Effect of baking time and temperature on moisture content of fish fillets

由圖2 可知，在烘烤溫度一定的情況下，隨著烘烤時間的增加，水分含量曲線總體呈下降趨勢。溫度越高，水分含量下降速度相對就越快[23]。在100 ℃和110 ℃相對低溫時，烘烤時間對魚片水分含量的影響不明顯，分析是在較低的烘干溫度下，水分子無法獲得充足的動力由中心向魚體表面遷移，因此魚片體內(nèi)仍然保持較高水分含量。升高溫度可以加快魚體表面水分蒸發(fā)和中心水分向外遷移速率，使水分含量下降。

在160 ℃烘烤條件下，水分含量曲線下降速度呈先緩慢后加快再緩慢的趨勢。這與李果[24]研究得到的水分含量等溫干燥曲線趨勢相同。分析是由于干燥時間在5 min～20 min 時，散失的水分為魚片表皮的自由水，而表皮的結(jié)合水仍然與肌肉蛋白緊密結(jié)合；而在20 min～30 min 時由于魚片表面少量結(jié)合水與肌肉蛋白分離散失，肌肉纖維縱向收縮，從而使大量的水分從間隙流出，并快速擴散到空氣中，水分含量下降速度加快；在30 min～40 min 時，魚片表面自由水和魚片內(nèi)自由水均散失，但魚片內(nèi)部分結(jié)合水與肌肉蛋白不易分散，水分下降趨勢緩慢。

2.2 魚片烘烤過程中色度值的變化

不同烘干溫度下L*、a*、b*、ΔE 值隨干燥時間的變化曲線如圖3 所示。

圖3 不同烘烤溫度、時間條件下魚塊色度值的變化Fig.3 Change in chroma value in fish baked at different temperatures for varying times

圖3（a）顯示L*值隨著干燥時間的增加而降低，所有大西洋鯖魚的干燥色度值明顯比未干燥樣本深。研究表明，干燥樣品的亮度降低可以作為褐變的一個指標[25-26]。隨著烘干溫度的升高，L*值明顯降低，特別是在180 ℃時，干燥40 min 后L*值達到40.45。這些差異可能是由于在較高的溫度加速了美拉德反應(yīng)導致的[27-28]。

從圖3（b）可以看出，a*值在試驗開始時為負值，烘烤5 min 后，a*值為正值并開始增大。隨著溫度的升高a*值變大，這是由于美拉德反應(yīng)開始時產(chǎn)生的紅褐色色素。但樣品在180 ℃下干燥時，干燥時間在35 min～40 min 時，a*值為下降趨勢，可能的原因是隨著反應(yīng)的進行，美拉德反應(yīng)產(chǎn)生了黑素體，所以a*值開始下降。

大西洋鯖魚干燥b*值的結(jié)果如圖3（c）所示，在不同的烘干溫度下，隨著時間的延長，b*值先增大后減小。可以看到，經(jīng)過干燥的過程，樣品逐漸變成金黃色。達到最大值后，樣品表面開始變成褐色。

總色差ΔE 值為亮度、紅色、黃色等色度值參數(shù)的組合，反映了烘焙過程中食物色度值的變化[18]。從圖3（d）可以看出，ΔE 值隨著干燥過程而增大。ΔE 值的增加可能主要是由于美拉德反應(yīng)。

2.3 人工神經(jīng)網(wǎng)絡(luò)模型分析

2.3.1 隱含層神經(jīng)元個數(shù)

用于確定隱藏層神經(jīng)元數(shù)量的試驗結(jié)果見圖4。

圖4 用于確定隱藏層神經(jīng)元數(shù)量的試驗結(jié)果Fig.4 Experimental results used to determine the number of hidden layer neurons

2.3.2 人工神經(jīng)網(wǎng)絡(luò)性能

ANN 模型在訓練、驗證和測試過程中的試驗值與預測值的比較見圖5。

圖5 ANN 模型在訓練、驗證和測試過程中的試驗值與預測值的比較Fig.5 Comparison between experimental and predicted values during training,validation,and testing of the ANN model

圖5（a）和圖5（b）分別代表了兩種人工神經(jīng)網(wǎng)絡(luò)的模型，圖5（a）顯示包含13 個隱藏神經(jīng)元的網(wǎng)絡(luò)，圖5（b）顯示包含14 個隱藏神經(jīng)元的網(wǎng)絡(luò)。通過比較兩種ANN 模型在訓練、驗證和測試期間的烘烤時間的試驗值和預測值，可以更直觀地看出，當神經(jīng)元為13 時，Rtraining擬合度較高，但Rtest和Rvalidation偏差較大。當神經(jīng)元為14 時，個體數(shù)據(jù)有偏差，但整體擬合程度較高。從另一個方面證明了R2和RMSE 可以作為驗證指標。

圖6 為2 個輸入層神經(jīng)元、14 個隱層神經(jīng)元和5個輸出層神經(jīng)元的最佳網(wǎng)絡(luò)拓撲結(jié)構(gòu)，采用tansig 傳遞函數(shù)和Levenberg-Marquardt 訓練算法得到優(yōu)化結(jié)果。

2.3.3 人工神經(jīng)網(wǎng)絡(luò)運算中權(quán)值與偏差值的確定

針對大西洋鯖魚品質(zhì)評估預測的ANN 模型拓撲，獲得最佳網(wǎng)絡(luò)的權(quán)值和闕值見表1。

圖6 最佳網(wǎng)絡(luò)拓撲結(jié)構(gòu)圖Fig.6 Optimal network topology diagram

由表1 可知，權(quán)值和偏差估計模型數(shù)據(jù)由ANN 工具MATLAB R2012a 獲得。ANN 準確預測了大西洋鯖魚干燥過程的質(zhì)量評價。選擇適合本研究的人工神經(jīng)網(wǎng)絡(luò)模型不僅是因為它的準確性，還因為它的通用性，能夠預測整個試驗范圍的行為[29]。模型參數(shù)以及定義的其他參數(shù)對于將該模型應(yīng)用于其他食品的水分含量和色度值變化預測幾乎肯定是有用的[30]。

表1 針對大西洋鯖魚品質(zhì)評估預測的ANN 模型拓撲，獲得最佳模型的權(quán)值和闕值Table 1 ANN model topology for Atlantic mackerel’s quality evaluation prediction,with weights and bias values obtained for an optimized model

3 結(jié)論

通過本試驗發(fā)現(xiàn)干燥過程中烘干溫度和時間對大西洋鯖魚片色度值、水分含量起著重要作用。采用人工神經(jīng)網(wǎng)絡(luò)建模對大西洋鯖魚的水分含量和色度值參數(shù)（L*、a*、b*、ΔE）進行預測，結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)方法能夠準確地對大西洋鯖魚在烘烤過程中的品質(zhì)評價進行建模，優(yōu)選隱含層神經(jīng)元個數(shù)為14，采用tansig 傳遞函數(shù)和Levenberg-Marquardt 訓練算法得到優(yōu)化結(jié)構(gòu)。確定網(wǎng)絡(luò)網(wǎng)格結(jié)構(gòu)為2-14-5，且相關(guān)系數(shù)大于0.98。所選擇的人工神經(jīng)網(wǎng)絡(luò)拓撲具有可接受的預測網(wǎng)絡(luò)輸出的能力，且誤差較小。