基于不同小麥原糧的面包感官評價結果預測模型研究

黃 序，杜昱蒙，陳 艷，祝 潔，崔朝陽，張瑞雪

（1. 中糧營養健康研究院有限公司，營養健康與食品北京市重點實驗室，老年營養食品研究北京市工程實驗室，北京 102209；2. 中糧海嘉（廈門）面業有限公司，福建 廈門 361000；3. 中糧糧谷控股有限公司，北京 100020）

小麥原料的品質是影響面粉應用特性的關鍵因素之一，近年來國產優質小麥的品質完全可與部分進口麥媲美[1]，但是不同品種小麥中淀粉顆粒大小、直支鏈淀粉比例、蛋白質的含量和成分存在較大差異[2-3]，導致制作的烘焙產品其質構及感官特性間存在較大的差異。因此合理評估小麥原糧的理化及應用特性對面粉（尤其是烘焙專用粉）的生產能起到關鍵的指導作用。利用感官評價的方法對面包進行評價，可以有效地對小麥原料的品質狀況做出判斷。但由于面包制作工藝復雜，影響因素較多[4]，感官評價的方法在日常使用時對于工廠的生產效率和人工成本均有不利影響。眾多學者的研究表明，小麥的理化及流變學指標對其制作面包的烘焙感官品質有重要影響。王美芳等[5]測定了 30個小麥品種的面團流變學特性，結果表明大多數品質指標之間存在顯著相關性，并與面包烘焙感官品質存在極顯著相關性。張強濤通過對小麥粉品質特性與吐司面包感官總評分的回歸分析，得出小麥粉的濕面筋、穩定時間、弱化度、拉伸面積、延伸度、最大拉伸阻力均對吐司面包的感官總評分有顯著影響[6]。因此，通過建立烘焙感官特性與理化及流變指標間的關系模型，快速評估不同小麥制作面包的優劣情況，可大力節約人工及時間成本，提高生產效能。但目前的研究以相關性分析為主，模型建立的方法也比較單一，未進行篩選和優化。

本文收集了66個2021年國產高筋優質小麥樣品（涉及12個品種），并對其理化指標分析以及制作的面包感官屬性進行評價。感官評價方法采用以定量描述分析法為基礎的感官評價體系，該方法既可獲得樣本的感官描述，又能鑒定樣本成分、過程變化等的感官特性及其強度之間具體的差異[7]，最大限度描述不同品種小麥的應用特性差異，更加準確表達各差異的強度。基于理化及感官評價的數據，對小麥品種進行主成分和聚類分析，主成分分析可將無量綱標準化處理的數據進行降維，以各主成分的方差貢獻率為權重，將這些品質指標進行合理的簡化[8]，而聚類分析則是根據數據間的內在聯系對其進行分類，將較大量的樣品分成相對同質群組，聚到同一類則表示其性質彼此相似[9]。隋勇[10]等通過主成分和聚類分析方法綜合評價小麥次粉品質特性，為其食品化高值利用提供參考。以不同品種小麥制粉制作面包的感官評分為響應值，對各項理化指標進行建模分析，對比三種不同建模方法，篩選出更加準確且有效的面包烘焙品質預測模型。

1 方法與材料

1.1 實驗材料

測試樣品：JS（3個）；FDC（3個）；JN（16個）；JQ（3個）；NM（1個）；SL（4個）；WL（2個）；XN（19個）；XM（3個）；ZMJ（5個）；ZMH（1個）；ZMQ（6個）。

參比樣品：加拿大小麥（蛋白含量：13.0%）；立陶宛小麥（蛋白含量：12%）。

1.2 儀器與設備

實驗用磨粉機（三皮三心）：布勒（中國）機械制造有限公司；自動和面機：日本株式會社；醒發箱（FZH—32）、烤箱（WSK—23T—R）：無錫祥靖機械有限公司；粉制儀（Mixer S 300 N）、拉伸儀（Extensograph-E）：德國布拉本德公司。

1.3 實驗方法

1.3.1 小麥制粉

稱取小麥樣品3 kg，經過挑選去除雜質，根據近紅外檢測儀水分測定結果，加水調節小麥水分至15%左右，潤麥24 h后通過實驗用磨粉機（三皮三心）磨粉，出粉率為70%±3%。

1.3.2 理化指標測試

面筋含量：根據GB/T 5506.2—2008 小麥和小麥粉 面筋含量 第2部分：儀器法測定濕面筋。

面筋指數：根據LS/T 6102—1995 小麥粉濕面筋質量測定法面筋指數法。

水分含量：根據GB 5009.3—2016 食品安全國家標準 食品中水分的測定。

雜質含量：根據GB/T 5494—2019 糧油檢驗糧食、油料的雜質、不完善粒檢驗。

容重：根據GB/T 5498—2013 糧油檢驗 容重測定。

吸水率、形成時間、穩定時間：根據 GB/T 14614—2019 糧油檢驗 小麥粉面團流變學特性測試 粉質儀法。

延伸、最大阻力、拉伸面積：根據GB/T 14615—2019 糧油檢驗 小麥粉面團流變學特性測試 拉伸儀法。

1.3.3 面包制作

（1）配方為小麥粉：200 g，水：100～120 g，白砂糖：40 g，鹽：2 g，酵母：2 g，黃油：20 g。

（2）實驗方法：將除黃油外所有的原料倒入打面缸攪拌至面筋六成；加入黃油，打面至完全擴展，記錄從面團開始攪拌至面團攪拌完成所需的總時間；靜置10 min后將面團進行分割：2個80 g圓包和1個120 g方包，松弛10 min；圓包搓圓排氣收底，放入烤盤，方包搟平成型，放入方包盒，一起放進36～38 ℃醒發箱。圓包發酵至約原來2.5倍大小，方包發酵至高出模具1.5 cm左右，即可進行烘烤。圓包烘烤溫度上火170 ℃，下火 190 ℃，烘烤 12～14 min。方包烘烤溫度上火160 ℃，下火210 ℃，烘烤16～18 min。

（3）樣品數量：每種面粉制作兩組平行樣品待測。

1.3.4 烘焙制品感官評價

（1）建立專家評價小組：選擇具有2～5年烘焙產品制作及評價相關工作經驗的專家評價員 5人，選拔、培訓及管理方法參考《GB/T 16291.2—2010 感官分析 選拔、培訓和管理評價員一般導則 第2部分：專家評價員》。

（2）感官評價方法：評價方法見表1。最后將所有的屬性評價加和算總分，均值再進行方差分析。

表1 面包感官評價評分表Table 1 Sensory evaluation scale of bread

1.4 數據分析

使用JMP 16進行主成分分析，聚類分析以及建模分析，建模分析包括逐步回歸，偏最小二乘以及記憶學習神經網絡法。

2 結果與分析

2.1 不同品種小麥理化指標和感官評分結果

設置穩定性較好的參比樣，根據參比樣小麥粉制作面包的分數，評估待測樣品的各項指標得分。參比樣評價結果見表2。參比樣品1：加拿大小麥（蛋白含量：13.0%）；參比樣品 2：立陶宛小麥（蛋白含量：12%）。

表2 參照樣品感官評價結果Table 2 Sensory evaluation scale of reference sample 分

12個品種，66個2021年國產高筋優質小麥樣品經磨粉后制作面包，面粉的12個理化及流變指標均值和面包的感官評價總分均值結果如表3a～b所示。

表3a 不同品種小麥理化指標及面包感官評分Table 3a Physical and chemical indexes and bread sensory evaluation of different wheat varieties

表3b 不同品種小麥理化指標及面包感官評分Table 3b Physical and chemical indexes and bread sensory evaluation of different wheat varieties

面筋蛋白與水在水合和剪切作用的共同影響下，形成面筋網絡結構[11]，面筋網絡支撐起的均一且細膩的氣室結構是衡量發酵面制品品質優劣的關鍵因素[12]。而相比起面筋含量，面筋指數，即面筋質量，對于面包評分的影響更為明顯。有研究表明，對面包體積的影響最顯著的因素為濕面筋指數[13]。另外一項研究表明，不同小麥品種的面筋質量、濕面筋含量和穩定時間共同決定了面包體積變異的90.0%[14]。穩定時間、最大拉伸阻力、拉伸面積、攪拌時間等指標也與面筋質量息息相關，因此對面包品質優劣也有較大的影響。張強濤等的研究表明，拉伸面積、延伸度與面包感官總評分呈極顯著正相關，相關系數分別為0.738、0.768，最大拉伸阻力與面包感官總評分呈顯著正相關，相關系數為0.635[6]。

利用12個品種，66個不同小麥的12個理化指標及面包感官評價指標進行主成分分析，通過二維分布圖，可以直觀表達出不同品種小麥樣品之間的分類關系以及小麥品種與各項理化指標之間的關系，如圖1所示。通過該方法共提取2個主成分，第1主成分為56.3%，第2主成分為16.8%。面包感官評分的高低與面筋指數、最大拉伸阻力、攪拌時間、拉伸面積以及穩定時間等關系密切。

圖1 不同品種小麥理化指標和感官評分的主成分分析Fig.1 Principal component analysis of physical and chemical indexes and sensory scores of different wheat varieties

由表3a、b及圖1可以看出，JQ，XM和NM更接近拉伸面積、面筋指數、最大阻力、攪拌時間及穩定時間這幾個指標，因此面包感官評分也較高；SL，ZMQ和ZMJ各項指標較為接近，SL略優，故面包感官評分也處于中等偏上水平。WL和XN和FDC雖然與面包感官評分接近，均處于中等水平，但 WL的其他理化性質相差較遠。ZMH、JN和 JS的面包感官評分均較低，JN和JS比較接近，而ZMH的面包感官評分最低，各項品質也相對較差，它們在圖1中的位置距離上述幾個理化指標也最遠，相關性不高。

2.2 不同品種小麥聚類分析結果

如圖2所示，可將12個品種的小麥理化指標及感官評價結果通過JMP16進行聚類分析，結果顯示細分可分成6類，粗分可分為兩類。細分結果中，ZMH，JQ，WL和XM均為單獨一類，與其他小麥品種綜合品質差異較大，在實際生產過程中，需要根據具體需求進行專門采購。而其他兩類，一類為JS，FDC，JN和XN，另一類為SL，NM，ZMQ和ZMJ，整體小麥品質和評分接近，在實際生產中可根據具體情況做配麥及配粉的參考。

圖2 不同品種小麥聚類分析圖Fig.2 Cluster analysis diagram of different varieties of wheat

2.3 使用不同建模方法進行面包感官評分預測

以面包感官評分為Y值，面筋含量、面筋指數、水分含量、容重、吸水率、形成時間、穩定時間、延伸距離、最大阻力、拉伸面積分別為X1～X10，分別使用JMP16進行逐步回歸分析，偏最小二乘分析和神經網絡建模分析。結果如下。

2.3.1 逐步回歸分析

使用逐步回歸法，得到擬合公式為Y=0.134*X2+ 0.382*X5+ 44.487。其R2為0.478，調整R2為0.462，整體模型擬合質量不高。10個X值中，僅有面筋指數和吸水率與面包感官評分呈現強相關性（見表4），因此，擬合公式中僅使用了兩個參數。

表4 模型估計值Table 4 Model estimates

2.3.2 偏最小二乘分析

使用偏最小二乘 NIPALS模型分析，如表5所示，即使當引入因子數達到 10時，模型對Y的解釋程度也較低（僅為50.417%），說明使用偏最小二乘法擬合的模型效果不理想。

表5 模型比較匯總Table 5 Model comparison summary

當引入因子數為6時，模型對X的解釋程度可以達到85%以上，對Y的解釋程度也相對較高（與引入10個因子時接近），此時得到擬合公式為：Y=–0.133*X1+ 0.106*X2–0.033*X3+ 0.008*X4+0.435*X5– 0.066*X6+0.011*X7– 0.277*X8+ 0.003*X9+ 0.002*X10+ 44.468。

使用該模型，選取了7個重要變量，如表6所示，按其重要程度排序由高到低分別為面筋指數、最大拉伸阻力、拉伸面積、穩定時間、吸水率、形成時間、面筋含量。由于偏最小二乘法是基于主成分分析建立的預測模型，因此主成分分析中的重要指標與偏最小二乘模型中的變量重要程度吻合。

表6 變量重要性表Table 6 Variable importance table

2.3.3 神經網絡模型

使用神經網絡NTANH模型，得到擬合公式為：Y=1.055*H1–9.838*H2–7.073*H3+ 78.048（隨機種子數8，2/3樣本進行訓練，1/3樣本驗證）。

使用該模型，由表7可知，其訓練和驗證的R2都可達到0.8以上，整體擬合效果較好。

表7 模型質量評價Table 7 Model quality evaluation

人工神經網絡，是通過模仿生物神經網絡的行為特征，進行分布式并行信息處理的數學模型[15]。近幾年，人工神經網絡在各個領域都是非常熱門的話題，并且在圖像處理、醫學、生物學等領域均取得了非常多的成就[16]。

2.3.4 模型對比

以面包評分為X值，預測公式預測結果為Y值，繪制散點圖，其點分布越趨于一條直線，說明其預測效果越好。由圖3可知，逐步回歸和偏最小二乘法的模型預測程度相似，因為上述2個方法依然是進行一次方程的建模，其原理相似。而神經網絡模型其模型質量明顯提升，數據集中度更強，更加接近線性關系。

圖3 不同模型預測效果對比圖Fig.3 Comparison charts of prediction effect of different models

對逐步回歸、偏最小二乘和神經網絡模型的三個散點圖分別擬合方程（如圖4），其R2分別為0.478、0.489、0.806，這也驗證神經網絡模型擬合情況最優的結論。

圖4 不同模型擬合方程對比圖Fig.4 Comparison charts of fitting equations of different models

從以上三個預測模型的對比可以看出，逐步回歸法可采用的強相關的理化參數僅有兩個，模擬度不高，預測結果存在很大誤差。偏最小二乘法也類似，即便選取10個理化參數進行模擬，其線性程度不高，得到的R2也未能提升，對預測結果的貢獻度不大。對于面粉和面制品這樣影響因素多、制作工藝復雜的樣品，采用人工神經網絡模型進行擬合，通過對所有影響因子進行擬合，所有樣品的試驗值與預測值吻合度良好，其R2均可達 0.8以上，表明該模型更加適用于運用面粉的理化指標對感官評價結果進行預測。

3 結論

通過對66個小麥樣品（涉及12個品種）的面粉各項理化指標及制成的面包的感官評價指標進行主成分分析，其結果顯示，面包感官評分的高低與面筋指數、最大拉伸阻力、攪拌時間、拉伸面積以及穩定時間等關系密切。聚類分析可將多品種的小麥進行分類，從而對面粉生產過程中的配麥、配粉提供參考依據，同時可根據麥源行情進行小麥品種的替代，提升生產效率或者節約生產成本。在本研究中提及的小麥，相似度較高的有兩類，一類為JS，FDC，JN和XN，這類小麥制成的面粉延展性更好、易操作，比較適合制作對體積要求不高、但更需要延展性的產品，如開酥類面包。另一類為SL，NM，ZMQ和ZMJ，其面筋質量更好，制作面包體積更大，比較適合制作體積大、耐操作性強、口感較勁道的面包產品。聚類分析對烘焙專用面粉的原糧采購、生產研發起到一定的指導作用。

對比逐步回歸、偏最小二乘和神經網絡模型三個方法建立的預測模型，使用人工神經網絡建立的模型擬合性明顯優于其他模型。由于小麥的品質受天氣和地域的影響較大，因此批次間存在一定的波動，對面粉終產品的品質穩定性有一定的不利影響。使用神經網絡模型，能夠將所有影響因素包含于一個網絡模型中，具有便捷性和準確性等優勢，可快速預測不同品種小麥的烘焙特性，實時調整配麥、配粉方案，保證產品穩定性，開發更具有針對性的烘焙專用面粉，在相關領域的研究中進行廣泛的應用。此研究結果，可以為面粉粉質及面包感官評價相關性方面提供一些研究思路和技術參考。

備注：本文的彩色圖表可從本刊官網（http//lyspkj.ijournal.cn）、中國知網、萬方、維普、超星等數據庫下載獲取。