基于人工神經網絡的巴沙魚干燥水分模型構建

郭敏強　朱凱悅　陳瑤　尚珊　王書晨　裴龍英　姜鵬飛　劉玉欣

摘要：目的：實現在線預測巴沙魚片熱風干燥過程中含水量的實時監控。方法：以巴沙魚片為原料，探索在不同干燥環境中干燥溫度（60、70、80、90 ℃）、空氣相對濕度（0、20%、40%）和空氣流速（8、16、28 m/s）對巴沙魚片干燥時間和干燥速率的影響。關鍵因素干燥時間、干燥溫度、空氣相對濕度和空氣流速為輸入層，隱含層神經元個數為12，即時巴沙魚片含水率為輸出層，構建BP神經網絡模型。結果與結論：3種干燥因素能顯著影響巴沙魚片的即時含水率和干燥速率，干燥效率最大可提升約50%，能夠有效調節巴沙魚片的干燥效率，降低產品運行成本。基于巴沙魚片熱風干燥機理構建BP神經網絡模型，隱含層神經元函數計算誤差較小，其RMSE（均方根誤差）為0.040 0，模型運行較為穩定;預測值與實驗真實值擬合程度高，其相關系數R為0.996 5，模型預測運行便捷且準確度高，能夠為干燥巴沙魚片及相關產品提供科學依據。

關鍵詞：熱風干燥;巴沙魚;含水率;人工神經網絡

熱風干燥是食品加工生產中一項重要熱加工技術，人們在不斷地研究和改進熱風干燥技術，以獲得高品質和低加工時間低能耗的產品。據報道，在一些發達國家，干燥耗能占全國能耗的10%～25%[1]。很多產品干燥的關鍵技術在于如何在滿足產品的感官特性、營養品質和貨架期等要求下，達到減少加工時間與能量消耗的目的[2]。新鮮的巴沙魚（Pangasius bocouti）由于水分含量高，加工制品易于腐敗變質[3]。對于魚類加工而言，水分控制就成為重要的一個環節。水分含量是干燥過程中最重要的一項指標，而影響水分含量變化的主要因素包含有干燥溫度、空氣相對濕度、空氣流速等。對于傳統干燥技術較為容易理解，而在多因素非線性情況下，干燥過程就變成一個復雜的過程。此時需要一種簡便模型，且需具備適應性強和檢測準確性高等特點來完成干燥過程中的水分預測，其工作原理類似于人腦[4-5]。人工神經網絡（ANN）是基于人腦突觸神經元模擬開發的一種具有科學性的建模技術[6]，其中BP（Back-Propagation）神經網絡在處理非線性過程中，具有良好的仿真性能，在優化工藝參數和預測結果方面具備較高優勢[7]。通過不斷的訓練和測試的過程，使得網絡輸出達到良好到指定精度水平[8]，從而得到所需目標。ANN在水產領域應用廣泛[32]文獻中對水產品干燥預測能力的研究報道很多。Jihoon Moon等[9]在干制海參的過程中，基于擴散模型，估算有效擴散系數值（Deff）取值范圍為3.39×10～5.16×10 m/ s，相關系數在0.966 7～0.989 5。Camila Boeri[10]使用半經驗模型，擴散模型和人工神經網絡模型來預測鹽漬鱈魚干燥動力學，結果表明，半經驗模型預測能力相關系數在0.992～0.997，相關性范圍在0.864～0.959。在探究大西洋鯖魚烘烤過程中，預測烘干后水分含量和色度建立ANN 模型同樣具有較高的擬合程度[33]。ANN模型展現出較好的結果，相關系數在0.987～0.999之間變化。

本研究旨在建立多因素熱風干燥巴沙魚片的干燥動力學曲線，并研究多因素干燥條件下對其干燥機理的影響。通過干燥實驗，構建適用于干燥巴沙魚片的BP神經網絡模型，這將有助獲得精確的干燥時間，從而減少過度干燥而出現能耗浪費的現象，并為以后的工業化生產提供理論指導。此外，BP神經網絡的強適應性應當引起其他學者的關注，并為其他食品領域所要建立的類似模型，做出應用擴展性的貢獻。

1材料與方法

1.1材料與儀器

巴沙魚，大連新長興市場采購，10 kg冷凍巴沙魚柳，然后立即送往實驗室進行每尾1袋真空包裝，儲藏在-20 ℃的冷庫中保存。根據GB 5009.3中的水分含量直接測定方法[11]，得到其初始水分含量為78.3%，并設定所有巴沙魚片干燥起始時水分含量均為其初始水分值;山梨糖醇（食品級），河南千志商貿有限公司;味精，上海太太樂食品有限公司;食鹽，大連鹽業有限公司。多功能熱風干燥箱（SCC WE 101/1），德國 RATIONAL 公司;烘箱（PH070A型），上海一恒科技有限公司;電子天平（FA2004），上海方瑞儀器有限公司。

1.2方法

1.2.1魚片腌漬處理方法（1）魚片預處理：本試驗選擇（800±200）g/尾的冷凍巴沙魚片，去皮去尾，選取魚片背部肉質均勻處肌肉為試驗原料。實驗進行前，將巴沙魚片置于4 ℃條件下緩化24 h[12]，后切成大小為4 cm×4 cm×2 cm，質量為（10±0.5）g的魚片。（2）腌漬液的配制：腌漬液由純凈水、山梨糖醇、食鹽、味精組成，山梨糖醇的質量百分比為25%～35%，食鹽的質量百分比為1%～2%，味精的質量百分比為0.4%～0.75%，余量為純凈水[13]。（3）魚片的腌漬：將處理好的魚片放入到腌漬液中進行腌漬，魚片與腌漬液的質量比為1∶1～1∶1.2，然后攪拌使魚片浸入腌制液中，冷藏在4～6 ℃下腌漬2 h后瀝干備用。

1.2.2魚片干燥方法干燥實驗根據Bahadr等[14]的方法進行改進，將腌漬后的魚片均勻地擺在物料網盤上。分別選擇烘箱內干燥溫度、空氣相對濕度、空氣流速3個指標作為實驗的干燥控制點。干燥溫度分別選擇60、70、80、90 ℃;空氣相對濕度分別選擇0%、20%、40%;空氣流速分別選擇8、16、25 m/s，共計36 組魚片干燥實驗。每組實驗5片魚片平行取平均值。干燥過程中每5 min稱量魚片質量，電子天平的稱量精度為±0.01 g。魚片的最終水分含量達到20%后暫停干燥。

1.2.3干燥動力學曲線魚片的水分比（MR）根據Kaveh等[15]的方法進行計算，魚片在不同時間t水分比的計算公式如式（1）：

式（1）中，M—任意干燥時刻t的干基含水率（g/g）;M—初始干基含水率（g/g）;M—平衡干基含水率（g/g）[16];根據Maskan等[17]的研究，M干燥時可以忽略，計算時按照0計算。

干燥過程中魚片的干燥速率（DR）采用式（2）計算：

式（2）中，M—巴沙魚在干燥過程中在t時刻的干基含水率（d/d）;M—巴沙魚在干燥過程中在t時刻的干基含水率（d/d）;t、t—干燥時間（min）。

1.2.4BP神經網絡設計（1）BP神經網絡結構BP神經網絡的基本拓撲結構包括輸入層及其神經元個數，單層隱藏層及隱含層神經元個數，和輸出層一個神經元[18]（圖1）。

可以通過所設計的基本網絡結構，參考前人方法[19]，設置對應輸入、隱藏、輸出之間傳播和偏差的理論方程，如式（3）～（8）。從輸入層至隱含層的傳播公式為式（3）～（5）：

BP神經網絡模型的輸入層由干燥時間、干燥溫度、空氣相對濕度和空氣流速4個神經元組成，輸出層的神經元設定一項為水分比。BP神經網絡模型類型根據Torrecilla[20]的研究結果，選取BP神經網絡模型，其能夠有效便捷地完成學習、訓練和測試等過程。為了減小模型運行中數據集內的變化與異常，對實驗數據集進行歸一化處理，區間在[0，1]。

1.3數據處理

采用MATLAB（版本7.14.0.739，R2012a）中的神經網絡工具箱對數據進行處理，建立BP神經網絡模型;采用OriginPro（版本8.5.0 SR1）進行數據處理以及繪圖。

2結果與分析

2.1干燥曲線

依據中國農業農村部頒發的綠色食品-干制水產品標準[25]，設定干制巴沙魚片水分含量終點為20%，確定最終MR≤25.56%。如圖2，巴沙魚片的水分比下降趨勢可分為兩個階段。第一階段伴隨干燥時間增長，水分比呈現快速下降趨勢，原因可能是由于其表面淺層存在大量水分，受熱后易蒸發，故此時水分比下降較快。但當巴沙魚片淺層水分蒸發后，此時巴沙魚片水分比約在40%～60%，進入第二階段水分比開始緩慢降低，這一結果與之前研究一致[26]。

圖3能夠直觀地分析得出，空氣流速與干燥溫度是影響巴沙魚片干燥速率高低的主要因素。當空氣流速為25 m/s時，呈現干燥速率明顯較高，與空氣流速為8 m/s的干制時間相比，達到干制終止程度所用總用時縮減約28.57%～50%。就干燥速率而論，在干燥溫度為60 ℃時，干燥速率普遍緩慢，而在干燥溫度為80 ℃時，干燥速率明顯加快，最高可達到約0.4（dMt/dt）。

2.2BP神經網絡構建

2.2.1BP神經網絡結構由表1可得，將BP神經網絡模型的關鍵設置參數匯總如下，用于編寫神經網絡語法程序，本實驗以此為技能參數進行設計模型[27]，采用MATLAB.2012a軟件。對36組干燥實驗數據收集并處理，共得出424組實驗真實數據，其中，70%的實驗數據為訓練集、15%的實驗數據為測試集、15%的實驗數據為驗證集[28-29]。隱含層數的不同，影響著神經網絡在運算時的準確性與時效性。如果有準確性的保障，對于隱含層數選擇，層數越少運算效率越高，借鑒前人的設計方法[30-31]，選擇隱含層數為一層。而對于隱含層神經元數的選擇，是模型構建結果準確性的主要因素，故選擇使用試錯法進行，結果如表2所示。在模型其他參數變量保持不變的情況下，改變隱含層神經元個數，觀察RMSE值的變化。RMSE值越小說明所建立神經網絡模型的預測能力越高，故選取隱含層神經元個數為12，此時RMSE值最小為0.040 0，最終確定神經網絡拓撲結構為4a-12b-1c。

2.2.2BP神經網絡分析根據實驗設計及不同隱含層神經元預測誤差分析，確定實際應用BP神經網絡拓撲結構（圖4）。模型構建選擇經典的1個輸入層、1個隱含層和1個輸出層[32]，并設定各層級神經元個數分別為4、12、1。

結果表明，根據試驗條件所構建出的BP神經網絡。前饋反向傳播訓練算法較適合用于干燥時間、空氣相對濕度、干燥溫度和空氣流速的水分比預測。訓練后的網絡性能如圖5所示，各分析數據集的誤差與模型構建目標誤差相對接近。對于BP神經網絡模型，為尋求在每個情形下實驗數據和模擬數據的最小相關誤差，建立準確性預測模型。當在運行迭代次數到20 代時，訓練結果誤差與設定誤差相結合，此時訓練停止。根據式（3）～（8）的計算，可以得到BP神經網絡模型準確的權值和偏差值，這一結果將有利于模型的再次重建及提高模型的準確預測能力。用于預測水分比的ANN模型拓撲結構以及得到的最優網絡的權值和偏差值如表3所示。

2.2.3人工神經網絡性能根據模型的設計，使用MATLAB中提供的數學函數創建訓練，測試和驗證數據集，并對各數據集進行線性回歸分析，分別繪制訓練集，測試集和驗證集線性回歸圖示（圖6）。得到相應的回歸模型預測能力結果，其中相關系數R值分別為訓練集0.994 9、測試集0.996 7、驗證集0.995 5，說明此時回歸模型的性能最佳。

2.2.4模型預測結果分析為做出進一步準確性判斷，隨機選出124組實驗值與其相對應的模型預測值對比。選取的124組數據中包括巴沙魚片干燥初階段、中階段和結束階段的實測水分比值，其目的是為了驗證此模型是否能在巴沙魚片每階段的預測值的準確性能。從圖7中我們能夠得出，巴沙魚片不同的水分比值代表著不同的干燥階段，而在不同的干燥階段所表現出真實值與預測值之間的差異。圖7可以直觀地看出，運用此模型所預測出的預測值與相應的實驗真實值非常接近，預測性能較好。李自娟[33]通過ANN預測卷煙制絲關鍵環節的水分得到預測數據與實際數據一致模型可靠的結論。

2.3BP神經網絡模型預測結果驗證

為了得出實驗值與預測值之間的相關性，故對2組數據進行相關性擬合分析。如圖8所示，經處理得出實驗真實值與模型預測值之間的決定系數R為0.996 5，結果表明，兩組數值的擬合程度較高，能夠體現模型的構建具有較優的預測能力。可得BP神經網絡預測巴沙魚片干燥水分比具有很強的預測能力，且本模型能夠較好地模擬出整個巴沙魚片干燥水分比變化過程，預測出各時間段巴沙魚片的水分比，為生產即食魚片提供了較好模型參考。

3結論

本試驗以適應于巴沙魚的干燥水分比構建BP神經網絡模型（拓撲圖為4a-12b-1c）為落腳點，能夠對巴沙魚片干燥動力學模型做出較好的模擬和預測，研究成果可應用于魚片及相關干燥產品，為其提供了關鍵控制點快速檢測技術支持。結果表明，BP神經網絡模型能夠很好地模擬與預測巴沙魚片在多因素熱風干燥過程中的含水率值，預測結果較為真實有效，其中最優隱含層均方根誤差RMSE為0.040 0，預測模型擬合分析中實驗值與預測值相關系數為0.996 5，預測快速且準確。BP神經網絡模型能夠將干燥過程中所有影響因素都考慮其中，在便捷性和準確性等方面具有優勢[34]。通過對干燥條件范圍的選擇，觀察產物在每組干燥條件下水分比和干燥速率的變化情況，及達到終產物水分含量要求所用時間。通過所用時間間接反應出每一干燥組所消耗能量高低，這對于即食產品工業化生產具有指導意義。參考文獻

[1]Dufour P.Control engineering in drying technology：review and trends[J].Drying Technology，2006（24）：889-904.

[2]Kondakci T，Zhou W B.Recent applications of advanced control techniques in food industry [J].Food Bioprocess Technology，2017（10）：522-542.

[3]Zhang Y H，Ma L，Otte J.Optimization of hydrolysis conditions for production of angiotensin-converting enzyme inhibitory peptides from Basa fish skin using response surface methodology[J].Journal of Aquatic Food Product Technology，2016，25（5）：684-693.

[4]孫俊，唐凱，毛罕平，等.基于MEA-BP神經網絡的大米水分含量高光譜技術檢測[J].食品科學，2017，38（10）：272-276.

[5]張利娟，耿令新，金鑫，等.基于BP神經網絡的小麥真空干燥含水率預測模型[J].河南工業大學學報（自然科學版），2016，37（3）：101-105.

[6]聞新，李新，張興旺，等.應用MATLAB實現神經網絡[M].北京：國防工業出版社，2015：1-296.

[7]王麗艷，蔣愛國，郭樹國.基于BP神經網絡的獼猴桃切片品質參數預測研究[J].中國農機化學報，2015，36（4）：136-139.

[8]Karimi F，Rafiee S，Taheri-Garavand A，et al.Optimization of an air drying process for artemisia absinthium leaves using response surface and artificial neural network models[J].Journal of the Taiwan Institute of Chemical Engineers，2012，43（1）：29-39.

[9]Moon J H，Kim M J，Chung D H，et al.Drying characteristics of sea cucumber（stichopus japonicas selenka）using far infrared radiation drying and hot air drying[J].Journal of Food Processing & Preservation，2014，38（4）：1-13.

[10]Boeri C，Silva F N D，Ferreira J，et al.Predicting the drying kinetics of salted codfish（Gadus Morhua）：semi‐empirical，diffusive and neural network models[J].International Journal of Food Ence & Technology，2011，46（3）：509-515.

[11]國家衛生和計劃生育委員會.食品安全國家標準 食品中水分的測定：GB 5009.3—2016 [S].北京：中國標準出版社，2016：1-2.

[12]Soleiman H，Shahin R，Mortaza A.Computer Vision System（CVS）for in-line monitoring of visual texture kinetics during shrimp（Penaeus spp.）drying[J].Dry Technology，2015（33）：238-254.

[13]姜鵬飛，郭敏強，沈鵬博，等.一種即食巴沙魚片的制作方法：201810371151.6[P].2018-04-24.

[14]Bahadir M，Aktas M，Sevik S.Modeling of a convective-infrared kiwifruit drying process[J].International Journal of Hydrogen Energy，2017（42）：18005-18013.

[15]Kaveh M，Chayjan R A.Modeling thin-layer drying of turnip slicer semi-industrlal continuous band dryar[J].Journal of Food Processing and Preservation，2016，41（2）：12778.

[16]白竣文，周存山，蔡健榮，等.南瓜片真空脈動干燥特性及含水率預測[J].農業工程學報，2017，33（17）：290-297.

[17]Maskan M.Microwave/air and microwave finish drying of banana[J].Journal of Food Engineering，2000，44（2）：71-78.

[18]Moldes O A，Mejuto J C，Rial-Otero R，et al.A critical review on the applications of artificial neural networks in winemaking technology[J].Critical Reviews in Food Science and Nutrition，2017，57（13）：2896-2908.

[19]Tarafdar A，Shahi N C，Singh A.Artificial neural network modeling of water activity：a low energy approach to freeze drying[J].Food Bioprocess Technology，2018（11）：164-171.

[20]Torrecilla J S，Aragón J M，Palancar M C.Optimization of an artificial neural network by selecting the training function.Application application to olive oil mills waste[J].Industrial and Engineering Chemistry Research，2008，47（18）：7072-7080.

[21]Beigi M，Torki-Harchegani M，Mahmoodi-Eshkaftaki M. Prediction of paddy drying kinetics：A comparative study between mathematical and artificial neural network modeling[J].Chemical Industry & Chemical Engineering Quarterly，2017，23（2）：251-258.

[22]Torrecilla J S，Otero L，Sanz P D.A neural network approach for thermal/pressure food processing[J].Journal of Food Engineering，2004，62（1）：89-95.

[23]陳炎，屠澤慧，聶文，等.基于BP神經網絡的煙熏香腸色澤預測研究[J].食品研究與開發，2017，38（20）：1-10.

[24]Shojaeefard M H，Zare J，Tabatabaei A，et al.Evaluating different types of artificial neural network structures for performance prediction of compact heat exchanger[J].Neural Comput & Applications，2017（28）：3953-3965.

[25]中華人民共和國農業農村部.綠色食品 干制水產品：NY/T 1712—2009 [S].北京：中國農業出版社，2009：1-3.

[26]Malekjani N，Jafari S M，Rahmati M H，et al.Evaluation of thin-layer drying models and artificial neural networks for describing drying kinetics of canola seed in a heat pump assisted fluidized bed dryer[J].International Journal of Food Engineering，2013，9（4）：375-384.

[27]Bai J W，Xiao H W，Ma H，et al.Artificial neural network modeling of drying kinetics and color changes of ginkgo biloba seeds during microwave drying process[J].Journal of Food Quality，2018（2018）：1-8.

[28]Mahjoorian A，Mokhtarian M，Fayyaz N，et al.Modeling of drying kiwi slices and its sensory evaluation[J].Food Science & Nutrition，2016，5（3）：466-473.

[29]姜鵬飛，吳吉玲，黃一珍，等.基于人工神經網絡的大西洋鯖魚烘烤過程中水分和色度值預測模型[J].食品研究與開發，2021，42（7）：13-19.

[30]Murthy T P K，Manohar B.Microwave drying of mango ginger（Curcuma amada Roxb）：prediction of drying kinetics by mathematical modelling and artificial artificial neural network[J].International Journal of Food Science and Technology，2012，（47）：1229-1236.

[31]姜鵬飛，鄭杰，陳瑤，等.人工神經網絡在水產領域中的應用[J].食品與發酵工業，2021，47（19）：288-295.

[32]Guldas M，Kurtulmus F，Gurbuz O.Prediction of lethality by nonlinear artificial neural network modeling[J].Journal of Food Process Engineering，2017，40（3）：1-8.

[33]李自娟，劉博，高楊，等.卷煙制絲環節關鍵工序水分預測模型的建立與檢驗[J].食品與機械，2020，36（10）：190-195.

[34]張斌，孫蘭萍，施穎，等.基于人工神經網絡法優化河蚌多糖超高壓提取工藝[J].食品與機械，2016，32（11）：148-153.

Establishment of Prediction Model for Drying Moisture Content

of Basha Fish Fillets Based on Artificial Neural NetworkGUO Min-qiang ZHU Kai-yue CHEN Yao SHANG Shan

WANG Shu-chen PEI Long-ying JIANG Peng-fei LIU Yu-xin（1School of Food Science and Technology，Dalian Polytechnic University，National Research Center for Marine

Engineering Technology，Dalian 116034，China;2Department of Food Science and Engineering，Xinjiang

Institute of Technology，Akesu 843000，China;3Dalian Qianri Sea Food Co.，Ltd.，Dalian 116034，China）Abstract：Objective To realize the real-time monitoring of the moisture content of Basha fish fillets during hot air drying on-line.Method The effects of drying temperature（60，70，80，90℃），air relative humidity（0，20%，40%）and air flow velocity（8，16，28 m/s）on drying time and drying rate of Basha fillets were investigated.The key factors，such as drying time，drying temperature，air relative humidity and air flow velocity，were used as input layer，the number of neurons in hidden layer was 12，and real-time moisture content of sashimi was taken as output layer.Result and Conclusion The three drying factors can significantly affect the instant moisture content and drying rate of Basha fish fillet，and the maximum drying efficiency can be increased by about 50%，which can effectively adjust the drying efficiency of Basha fish fillet and reduce the operation cost of the product.BP neural network model was built based on the hot air drying mechanism of Basha fish fillet.The calculation error of hidden layer neuron function was small，and its RMSE（root mean square error）is 0.040 0，and the operation of the model was relatively stable.The R2 is 0.996 5.The model prediction is convenient and accurate，which can provide the theoretical reference for dried Basha fish fillets and related products.

Keywords：hot-air drying;basha fish;moisture content;artificial neural network