燕麥生鮮濕面貯藏品質(zhì)變化及貨架期預(yù)測(cè)模型研究

金露達(dá)，衣然，張關(guān)濤，王洪江*，張東杰,2，李娟

燕麥生鮮濕面貯藏品質(zhì)變化及貨架期預(yù)測(cè)模型研究

金露達(dá)1，衣然1，張關(guān)濤1，王洪江1*，張東杰1,2，李娟1

（1.黑龍江八一農(nóng)墾大學(xué)，黑龍江 大慶 163319；2.國家雜糧工程技術(shù)研究中心，黑龍江 大慶 163319）

構(gòu)建一種新的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)貨架期預(yù)測(cè)模型。研究不同貯藏溫度下燕麥生鮮濕面的微生物、理化等指標(biāo)的變化情況，通過Pearson相關(guān)性分析，篩選影響燕麥生鮮濕面貨架期的主要因素，利用微生物生長動(dòng)力學(xué)模型和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型對(duì)燕麥生鮮濕面的剩余貨架期進(jìn)行預(yù)測(cè)。微生物生長動(dòng)力學(xué)模型不能很好地?cái)M合燕麥生鮮濕面菌落總數(shù)的變化情況，預(yù)測(cè)精度較差，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)值與實(shí)際值的相對(duì)誤差為2.66%。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的效果較好，為以后食品貨架期的預(yù)測(cè)提供了一定的參考依據(jù)。

燕麥生鮮濕面；貯藏品質(zhì)；徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)；貨架期預(yù)測(cè)模型

燕麥生鮮濕面的生產(chǎn)歷史悠久，它是中國西北地區(qū)的傳統(tǒng)主食之一，燕麥生鮮濕面由燕麥粉、小麥粉、水等制成。燕麥粉中富含β-D葡聚糖，可以降低膽固醇水平和血糖反應(yīng)，還含有大量不飽和脂肪酸、蛋白質(zhì)、礦物質(zhì)、維生素和抗氧化劑化合物[1-2]。燕麥生鮮濕面具有營養(yǎng)價(jià)值高、新鮮健康等優(yōu)點(diǎn)，廣受消費(fèi)者喜愛[3]。在貯藏過程中，由于細(xì)菌、霉菌等微生物的生長繁殖，燕麥生鮮濕面易發(fā)生腐敗變質(zhì)。這些微生物的生長繁殖受到溫度、濕度、水分含量、水分活度、pH值、包裝方式等因素的影響，進(jìn)而影響食品的貨架期。貨架期預(yù)測(cè)模型可以根據(jù)這些因素來預(yù)測(cè)食品的剩余貨架期。貨架期是決定生鮮食品質(zhì)量和安全的關(guān)鍵指標(biāo)，因此開發(fā)一個(gè)可靠的模型來預(yù)測(cè)燕麥生鮮濕面的貨架期顯得至關(guān)重要。

目前，面制品的貨架期預(yù)測(cè)模型多采用傳統(tǒng)模型，如化學(xué)動(dòng)力學(xué)模型（Arrhenius模型）、微生物生長動(dòng)力學(xué)模型（三相線性模型、修正的Gompertz模型、修正的Logistic模型）等[4-5]。隨著科技的發(fā)展，傳統(tǒng)模型存在諸多問題：傳統(tǒng)的貨架期預(yù)測(cè)模型的范圍通常有限，可能不適用于所有食品；缺乏靈活性，只考慮影響貨架期的單一指標(biāo)，不能適應(yīng)復(fù)雜多變的情況；預(yù)測(cè)精度較低。近年來，人工智能（Artificial Intelligence）和機(jī)器學(xué)習(xí)（Machine Learning）已被廣泛應(yīng)用于預(yù)測(cè)領(lǐng)域。這些技術(shù)中的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)食品貨架期方面表現(xiàn)出巨大潛力。

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radial Basis Function Neural Network）是一種由多個(gè)并行人工神經(jīng)元組成的前饋性神經(jīng)網(wǎng)絡(luò)。RBF神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)方面具有多項(xiàng)優(yōu)勢(shì)，使其成為預(yù)測(cè)食品貨架期的熱門選擇。RBF神經(jīng)網(wǎng)絡(luò)模型可以高精度地逼近非線性函數(shù)，這對(duì)于預(yù)測(cè)燕麥生鮮濕面的貨架期很重要，因?yàn)檩斎胱兞浚ㄈ鐪囟取穸取H值）與輸出變量（貨架期）之間的關(guān)系通常為非線性。生鮮濕面的貨架期受到大量變量的影響，而RBF神經(jīng)網(wǎng)絡(luò)模型可以有效處理這些復(fù)雜關(guān)系。RBF神經(jīng)網(wǎng)絡(luò)模型具有快速高效的學(xué)習(xí)能力，能夠快速準(zhǔn)確地預(yù)測(cè)生鮮濕面的貨架期。與其他神經(jīng)網(wǎng)絡(luò)模型相比，RBF神經(jīng)網(wǎng)絡(luò)模型不太容易發(fā)生過擬合。這里以燕麥生鮮濕面的貯藏品質(zhì)指標(biāo)為研究對(duì)象，探討不同貯藏溫度下燕麥生鮮濕面品質(zhì)的變化規(guī)律，并根據(jù)貯藏品質(zhì)指標(biāo)建立RBF神經(jīng)網(wǎng)絡(luò)貨架期預(yù)測(cè)模型，擬為RBF神經(jīng)網(wǎng)絡(luò)貨架期預(yù)測(cè)模型在食品上的應(yīng)用提供參考。

1 實(shí)驗(yàn)

1.1 材料

主要材料：燕麥粉（蛋白質(zhì)11.2%，脂肪7.2%，碳水化合物63.8%，均為質(zhì)量分?jǐn)?shù)），山西晉蕎米業(yè)有限公司；小麥粉（蛋白質(zhì)9%，脂肪1.5%，碳水化合物75%，均為質(zhì)量分?jǐn)?shù)），中糧國際（北京）有限公司；谷朊粉（蛋白質(zhì)77.5%，脂肪0.7%，碳水化合物12.8%，均為質(zhì)量分?jǐn)?shù)），封丘縣華豐粉業(yè)有限公司；營養(yǎng)瓊脂、孟加拉紅瓊脂，青島高科技工業(yè)園海博生物技術(shù)有限公司。

1.2 儀器

主要儀器：DT-6D型氣調(diào)保鮮包裝機(jī)，上海眾林機(jī)電設(shè)備有限公司；SPX-150B型生化培養(yǎng)箱，天津市宏諾儀器有限公司；LHS-2413型手提式壓力蒸汽滅菌鍋，寧波凌宏醫(yī)療器械科技有限公司；YP200001型電子天平，上海越平科學(xué)儀器制造有限公司；Scientz-04型拍打式均質(zhì)器，寧波新芝生物科技股份有限公司；VL-888D家用面條機(jī)；100～1 000 μL單道可調(diào)移液槍；TMS-PRO型食品物性分析儀，美國FTC公司；Y98109固體pH計(jì)，濟(jì)南長存電子科技有限公司；LHS-10A快速水分測(cè)定儀，上海儀昕科學(xué)儀器有限公司。

1.3 燕麥生鮮濕面的制備

1）樣品的制備。為了防止微生物污染，在每次實(shí)驗(yàn)前，將實(shí)驗(yàn)臺(tái)、菜板、面條機(jī)，以及與面條接觸的鑷子、刀具、保鮮盒等的表面用含75%（體積分?jǐn)?shù)）酒精的醫(yī)用棉球清洗2次，以保證操作環(huán)境衛(wèi)生。燕麥生鮮濕面的配方：燕麥粉140 g，小麥粉60 g，谷朊粉14.9 g，蒸餾水74 mL。將稱量好的材料放入面條機(jī)中，將蒸餾水放入面條機(jī)上方的容量滴水杯中，啟動(dòng)面條機(jī)，經(jīng)過15 min后，面條機(jī)自動(dòng)出面。

2）樣品的包裝。將做好的面條稱取50 g放入聚丙烯（PP）材質(zhì)保鮮盒（19.5 cm×13.5 cm×4.0 cm）中，然后置于氣調(diào)包裝機(jī)的模具中，將模具推入氣調(diào)包裝機(jī)進(jìn)行氣調(diào)包裝（體積分?jǐn)?shù)70%的CO2＋體積分?jǐn)?shù)30%的N2），包裝完畢后，拉出模具，取出包裝完畢的燕麥生鮮濕面。

3）樣品的貯藏。將包裝完畢的燕麥生鮮濕面在3種溫度（5、15、25 ℃）下貯藏，并每隔24 h進(jìn)行分析。每個(gè)處理組包括3個(gè)平行試樣。

1.4 指標(biāo)的測(cè)定

1.4.1 微生物的測(cè)定

根據(jù)GB 4789.2—2016的方法測(cè)定菌落總數(shù)。根據(jù)GB 4789.15—2016的方法測(cè)定霉菌和酵母菌總數(shù)。

1.4.2 色澤的測(cè)定

取保鮮盒中的面條，每隔24 h用色差儀測(cè)定其顏色的變化情況，并記錄*。

1.4.3 pH的測(cè)定

取保鮮盒中的面條，用固體pH計(jì)測(cè)量面條的pH值。

1.4.4 水分的測(cè)定

取3 g面條并平鋪于托盤中，用快速水分測(cè)定儀測(cè)量面條的水分。取1 g保鮮盒中的面條并平鋪于托盤中，用水分活度儀進(jìn)行測(cè)量。

1.4.5 蒸煮特性的測(cè)定

取面條1，加入500 mL沸水中，煮制2 min后撈出。拿漏勺瀝干，置于濾紙上10 min，然后稱量，記為2。計(jì)算蒸煮吸水率，見式（1）。

取面條10 g，加入500 mL沸水中，煮制2 min后撈出。把煮后的面湯取100 mL于燒杯中，燒杯質(zhì)量為3。將燒杯放入烘箱，在105 ℃下烘干至質(zhì)量恒定，此時(shí)質(zhì)量為4。蒸煮損失率的計(jì)算見式（2）。

1.4.6 質(zhì)構(gòu)特性

采用TA0.x探頭，測(cè)試模式為TPA（100 N），暫停時(shí)間為1 s，力量感應(yīng)元量程為100 N。探頭回升到樣品表面的高度為15 mm，形變量為75%，檢測(cè)速度為48 mm/min，起始力為0.05 N。

1.5 貨架期預(yù)測(cè)模型的構(gòu)建

1.5.1 微生物生長動(dòng)力學(xué)模型的構(gòu)建

修正的Gompertz模型、Baranyi模型、修正的Logistic模型是描述食品微生物生長曲線的經(jīng)典模型。修正的Gompertz模型見式（3）。

式中：為貯藏時(shí)間；0為初始菌落總數(shù)；max為最大菌落總數(shù)，max為最大比生長速率[5]。

Baranyi模型見式（4）。

式中：為最大比生長速率max與延滯期的乘積。

修正的Logistic模型見式（5）。

1.5.2 相關(guān)性分析

Pearson相關(guān)性分析是一種統(tǒng)計(jì)方法，用于測(cè)量2個(gè)連續(xù)變量之間的線性關(guān)聯(lián)程度。應(yīng)用Pearson相關(guān)性分析評(píng)價(jià)不同貯藏溫度下燕麥生鮮濕面中菌落總數(shù)與其他理化指標(biāo)的相關(guān)性。

1.5.3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radial Basis Function Neural Network）是一種由多個(gè)并行人工神經(jīng)元組成的前饋性神經(jīng)網(wǎng)絡(luò)[6]，如圖1所示。RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型一般由3層組成，即輸入層、隱含層、輸出層[7]，他們由大量鏈接和互聯(lián)的神經(jīng)元組成。輸入層將主要信息傳入隱含層。隱含層是RBF神經(jīng)網(wǎng)絡(luò)的核心，隱含層利用激活函數(shù)傳播信息，并識(shí)別數(shù)據(jù)和對(duì)數(shù)據(jù)分類。通過輸出層匯總計(jì)算，得到最終結(jié)果[8]。3個(gè)層次相互配合，實(shí)現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建。

通過RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型隱含層的激活函數(shù)，一般選取高斯函數(shù)為隱含層的激活函數(shù)，見式（6）。

RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型輸出的計(jì)算見式（7）。

圖1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

Fig.1 Structure of radial basis function neural network

RBF神經(jīng)網(wǎng)絡(luò)需要計(jì)算的參數(shù)有3個(gè)：徑向基函數(shù)中心（c）、徑向基函數(shù)寬度（）、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)隱含層到輸出層權(quán)值（輸出節(jié)點(diǎn)的權(quán)值）。徑向基函數(shù)中心的選取方法有隨機(jī)算法、自組織學(xué)習(xí)算法、最近鄰聚類算法、K-means聚類算法等。徑向基函數(shù)寬度（）的確定一般采用固定法、平均法、系數(shù)法等。隱含層到輸出層權(quán)值的算法有最小均方法、最小二乘法等[9]。

1.6 數(shù)據(jù)預(yù)處理

為了消除數(shù)據(jù)冗余，并減少異常現(xiàn)象，確保數(shù)據(jù)的一致性、準(zhǔn)確性和可靠性，對(duì)數(shù)據(jù)進(jìn)行歸一化和標(biāo)準(zhǔn)化處理。經(jīng)實(shí)驗(yàn)分析，采用歸一化方法處理數(shù)據(jù)，見式（8）。

式中：為原始數(shù)據(jù)；*為歸一化數(shù)據(jù)；min為最小值；max為最大值。

1.7 貨架期預(yù)測(cè)模型的驗(yàn)證

利用相對(duì)誤差來評(píng)估RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的準(zhǔn)確性，見式（9）。

式中：pre為預(yù)測(cè)值；exp為實(shí)測(cè)值。

2 結(jié)果與分析

2.1 不同貯藏溫度下燕麥生鮮濕面微生物的變化

燕麥生鮮濕面腐敗變質(zhì)的主要因素是微生物的生長繁殖。菌落總數(shù)是評(píng)價(jià)食品微生物質(zhì)量的重要參數(shù)。當(dāng)菌落總數(shù)＞5.58 lg(CFU/g)時(shí)，貨架期達(dá)到終點(diǎn)[10]。如圖2所示，在貯藏過程中，不同溫度下菌落總數(shù)隨著貯藏時(shí)間的延長呈上升趨勢(shì)，且溫度越高，其生長速度越快。25 ℃組的菌落總數(shù)在第2天達(dá)到6.28 lg(CFU/g)，15 ℃組的菌落總數(shù)在第5天達(dá)到5.85 lg(CFU/g)，5 ℃組的菌落總數(shù)在第16天達(dá)到5.66 lg(CFU/g)。在貯藏過程中，不同溫度下的霉菌和酵母菌隨著貯藏時(shí)間的延長呈平穩(wěn)波動(dòng)趨勢(shì)。燕麥生鮮濕面含有水、淀粉、蛋白質(zhì)、微生物、礦物質(zhì)等各類營養(yǎng)物質(zhì)，為微生物的生長繁殖提供了適宜的環(huán)境[11]。

圖2 不同貯藏溫度下燕麥生鮮濕面微生物的變化

姜東輝[12]研究了生鮮濕面在貯藏過程中的微生物變化情況，發(fā)現(xiàn)微生物之間存在競(jìng)爭(zhēng)關(guān)系，微生物迅速繁殖，尤其是細(xì)菌的基數(shù)大、增殖速度快，它迅速成為優(yōu)勢(shì)菌群，占據(jù)大量的營養(yǎng)物質(zhì)和生存空間。相反，霉菌受到細(xì)菌等其他微生物生長的競(jìng)爭(zhēng)抑制，不能有效地利用營養(yǎng)物質(zhì)和占據(jù)更多的生存空間，所以它的數(shù)量級(jí)在貯藏過程中一直維持較低水平，且未見增殖。

2.2 不同貯藏溫度下燕麥生鮮濕面色澤的變化

顏色在生鮮濕面的銷售中起著重要作用，它是影響消費(fèi)者購買商品的直觀指標(biāo)。通過實(shí)驗(yàn)發(fā)現(xiàn)，在貯藏過程中鮮濕面的*和*未發(fā)生顯著變化，代表明暗亮度的*顯著變化。由圖3可知，*隨著貯藏時(shí)間的延長呈降低趨勢(shì)，褐變發(fā)生在貯藏初期。在貯藏溫度5 ℃下，*在第1天從47.46顯著降至43.95（＜0.05），然后在第4天降至42左右，趨于穩(wěn)定。在15 ℃下，*在第1天從47.46顯著降至43.49（＜0.05），然后在第5天降至40左右。在貯藏溫度25 ℃下，*在第1天從47.46顯著降至39.99（＜0.05），然后不斷降低，第4天時(shí)*為38.17。

吳欣婷[13]研究了鮮濕面貯藏期間的褐變機(jī)制，發(fā)現(xiàn)在貯藏過程中隨著溫度的升高，鮮濕面的褐變速率越來越快，與褐變相關(guān)的酶活性越來越高，同時(shí)也會(huì)導(dǎo)致非酶促褐變加劇。

圖3 不同貯藏溫度下燕麥生鮮濕面色澤的變化

2.3 不同貯藏溫度下燕麥生鮮濕面pH的變化

由圖4可知，在不同溫度下燕麥生鮮濕面的pH值隨著貯藏時(shí)間的延長呈下降趨勢(shì)。剛制作出的燕麥生鮮濕面的初始pH在6.43左右，非常適宜于細(xì)菌的增殖。在貯藏過程中，其pH值呈下降趨勢(shì)與菌落總數(shù)的變化呈極顯著相關(guān)（＜0.01），說明微生物在繁殖過程中的發(fā)酵產(chǎn)酸是生鮮面條腐敗變質(zhì)的重要類型。在5 ℃下貯藏時(shí)，其蛋白質(zhì)分解后會(huì)產(chǎn)生堿性物質(zhì)（如胺和氨），它們可中和一部分酸，因此當(dāng)pH降至一定程度后，會(huì)出現(xiàn)pH的回升趨勢(shì)，或趨于相對(duì)平穩(wěn)。

Hong等[14]研究了熱處理面粉面條在貯藏過程中的變化情況，發(fā)現(xiàn)面條含有高水分含量和營養(yǎng)物質(zhì)（碳水化合物和蛋白質(zhì)），微生物利用這些營養(yǎng)物質(zhì)產(chǎn)生酸性代謝物，導(dǎo)致生鮮濕面在貯藏過程中的pH值下降。

圖4 不同貯藏溫度下燕麥生鮮濕面 pH值的變化

2.4 不同貯藏溫度下燕麥生鮮濕面水分的變化

水是食品的主要成分，水的含量、分布和狀態(tài)對(duì)食品的結(jié)構(gòu)、外觀、質(zhì)地、風(fēng)味、色澤、流動(dòng)性、新鮮程度、腐敗變質(zhì)的敏感性會(huì)產(chǎn)生極大影響。水是決定生鮮濕面質(zhì)量和穩(wěn)定性的關(guān)鍵因素，因?yàn)樗鼌⑴c許多化學(xué)、酶促和物理降解等反應(yīng)，尤其是腐敗微生物的生長[15]。如圖5所示，在5 ℃下貯藏時(shí)，燕麥生鮮濕面的初始含水量（均用質(zhì)量分?jǐn)?shù)表示）為33%，水分活度為0.954 8，在貯藏16 d時(shí)，其含水量為31.7%，水分活度為0.939 8，無顯著變化（＞0.05）。在15 ℃下貯藏期間，燕麥生鮮濕面的初始含水量為32.55%，在貯藏8 d時(shí)其含水量為33.7%，并無顯著變化（＞0.05）；初始水分活度為0.958 2，在貯藏8 d時(shí)水分活度為0.965 6，略有上升（＜0.05）。在25 ℃下貯藏期間，燕麥生鮮濕面的水分含量、水分活度無顯著變化。

張春紅等[16]研究了采用氣調(diào)包裝對(duì)生鮮濕面保鮮效果的影響，發(fā)現(xiàn)采用體積分?jǐn)?shù)為70%的CO2氣調(diào)包裝時(shí)其水分保持效果較好，能有效減少水分的流失。隨著貯藏時(shí)間的延長，水分含量的變化不明顯。

2.5 不同貯藏溫度下燕麥生鮮濕面蒸煮特性的變化

由圖6可知，不同溫度下的蒸煮損失率隨著貯藏時(shí)間的延長呈上升趨勢(shì)，但仍具有良好的蒸煮損失率（3%～6%），蒸煮吸水率呈先上升后下降的趨勢(shì)。Yang等[17]研究了長期貯藏和貯藏溫度對(duì)濕淀粉面條的影響，發(fā)現(xiàn)面條的蒸煮損失率隨著貯藏時(shí)間的增加而增加，面條的吸水能力隨著貯藏時(shí)間的增加而降低。在貯藏過程中，淀粉回生程度增加，淀粉的網(wǎng)絡(luò)結(jié)構(gòu)遭到破壞，導(dǎo)致水分流失、吸水率下降。燕麥生鮮濕面淀粉凝膠結(jié)構(gòu)的破壞和吸水能力的降低可能是由微生物的生長和繁殖所致。面條的蒸煮品質(zhì)下降可能因微生物的生長繁殖破壞了面筋網(wǎng)絡(luò)，從而削弱了對(duì)淀粉的包埋作用，增大了蒸煮損失。

圖5 不同貯藏溫度下燕麥生鮮濕面水分的變化

圖6 不同貯藏溫度下蒸煮特性的變化

2.6 不同貯藏溫度下燕麥生鮮濕面質(zhì)構(gòu)特性的變化

面條的硬度和彈性主要由面筋蛋白含量和淀粉糊化特性決定[18-19]。由圖7可知，隨著貯藏時(shí)間的延長，不同貯藏溫度下硬度的變化呈現(xiàn)先上升后下降的趨勢(shì)。在貯藏初期，隨著面筋網(wǎng)絡(luò)的形成，其硬度增加。在貯藏中期，微生物對(duì)面筋網(wǎng)絡(luò)結(jié)構(gòu)產(chǎn)生了破壞作用，導(dǎo)致面條硬度下降。在貯藏后期，由于水分向表面遷移，導(dǎo)致面條中的水分分布不均，使得生鮮濕面損失了部分水分，導(dǎo)致貯藏后期面條的硬度變大。生鮮濕面在貯藏過程中會(huì)發(fā)生粘連現(xiàn)象，這會(huì)降低其感官品質(zhì)。在不同溫度下，生鮮濕面的膠黏性隨著貯藏時(shí)間的延長，呈現(xiàn)不同的趨勢(shì)。在5 ℃下貯藏期間，生鮮濕面的膠黏性變化不明顯，呈平穩(wěn)波動(dòng)趨勢(shì)，說明低溫能夠在一定程度上抑制生鮮濕面的粘連。隨著貯藏時(shí)間的延長，微生物的活動(dòng)導(dǎo)致面條內(nèi)部的水分遷移到表面，蛋白質(zhì)的水合能力降低，生鮮濕面的表面黏性增大。在15 ℃下貯藏期間，生鮮濕面的膠黏性呈上下波動(dòng)趨勢(shì)。不透氣的包裝材料可能會(huì)使面條潮濕，增加膠黏性，降低咀嚼性。

2.7 不同貯藏溫度下主要品質(zhì)指標(biāo)變化的相關(guān)性分析

由表1可知，在不同貯藏溫度下，菌落總數(shù)與*和蒸煮損失率呈極顯著相關(guān)。菌落總數(shù)與霉菌數(shù)量、水分含量、水分活度、蒸煮吸水率、硬度、彈性、咀嚼性在不同溫度下的相關(guān)性不一致。在5 ℃下貯藏時(shí)，面條的菌落總數(shù)與*、pH、水分活度、蒸煮吸水率、蒸煮損失率、硬度、膠黏性呈顯著相關(guān)。在15 ℃下貯藏時(shí)，面條的菌落總數(shù)與霉菌數(shù)量、*、pH、水分含量、水分活度、蒸煮損失率、硬度、彈性、膠黏性呈顯著相關(guān)。在25 ℃下貯藏時(shí)，菌落總數(shù)與霉菌數(shù)量、*、pH、蒸煮損失率、彈性、膠黏性、咀嚼性呈顯著相關(guān)。

圖7 不同貯藏溫度下質(zhì)構(gòu)特性的變化

通過對(duì)菌落總數(shù)和其他理化指標(biāo)進(jìn)行Pearson相關(guān)性分析發(fā)現(xiàn)，菌落總數(shù)與*、蒸煮損失率、pH之間存在較強(qiáng)的相關(guān)性。由此可見，這些指標(biāo)可以很好地反映燕麥生鮮濕面在不同貯藏溫度下的品質(zhì)情況，可以采用這些指標(biāo)構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)模型，并作為后續(xù)評(píng)價(jià)的參考。

2.8 燕麥生鮮濕面主要理化指標(biāo)的歸一化處理

在建立RBF神經(jīng)網(wǎng)絡(luò)模型前，需要先將實(shí)驗(yàn)數(shù)據(jù)進(jìn)行歸一化處理，具體情況見表2。

2.9 微生物生長動(dòng)力學(xué)模型的建立

3種微生物生長動(dòng)力學(xué)模型的擬合結(jié)果如表3所示。2（擬合優(yōu)度或決定系數(shù)）是一個(gè)統(tǒng)計(jì)量，表示模型的預(yù)測(cè)結(jié)果與試驗(yàn)結(jié)果之間的相關(guān)程度。RMSE（均方根誤差）可以度量模型的預(yù)測(cè)誤差。結(jié)果表明，3種模型并不能同時(shí)在3種溫度下擬合燕麥生鮮濕面的菌落總數(shù)變化，因此這3種微生物生長動(dòng)力學(xué)模型并不適于燕麥生鮮濕面的貨架期預(yù)測(cè)。

2.10 RBF神經(jīng)網(wǎng)絡(luò)的建立

在5、15、25 ℃下貯藏過程中，將燕麥生鮮濕面的溫度、菌落總數(shù)、*、pH、蒸煮損失率的實(shí)驗(yàn)值用于建立RBF神經(jīng)網(wǎng)絡(luò)模型。隱含層神經(jīng)元的數(shù)量由SPSS軟件得出，最終的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為5-6-1，如圖1所示。

表1 不同貯藏溫度下燕麥生鮮濕面各指標(biāo)與菌落總數(shù)的Pearson相關(guān)系數(shù)

Tab.1 Pearson correlation coefficient of each index and total bacterial count of oat fresh wet noodles at different storage temperatures

注：**表示在0.01水平顯著相關(guān)，*表示在0.05水平顯著相關(guān)。

表2 燕麥生鮮濕面歸一化樣本數(shù)據(jù)

Tab.2 Normalized sample data of oat fresh wet noodles

表3 3種模型的擬合結(jié)果

Tab.3 Fitting result of 3 models

注：NA表示該模型不適用于當(dāng)前溫度。

2.11 RBF神經(jīng)網(wǎng)絡(luò)模型的驗(yàn)證

剩余貨架期實(shí)際值與預(yù)測(cè)值的相對(duì)誤差可以評(píng)價(jià)RBF神經(jīng)網(wǎng)絡(luò)貨架期預(yù)測(cè)模型的準(zhǔn)確性。計(jì)算表4中所有相對(duì)誤差的平均值，相對(duì)誤差低于10%的預(yù)測(cè)模型可接受[20]。由表4可知，RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的平均相對(duì)誤差為2.66%，因此RBF神經(jīng)網(wǎng)絡(luò)模型可以準(zhǔn)確預(yù)測(cè)燕麥生鮮濕面的貨架期。

張婉[5]研究了鮮熟面的貨架期預(yù)測(cè)模型，利用Logistic方程結(jié)合平方根方程建立了鮮熟面的貨架期預(yù)測(cè)模型，并對(duì)在溫度為8、13、16 ℃條件下貯藏的鮮熟面建立的模型進(jìn)行驗(yàn)證，其預(yù)測(cè)貨架期與實(shí)測(cè)貨架期的相對(duì)誤差為8.67%。

表4 不同貯藏溫度下燕麥生鮮濕面剩余貨架期實(shí)際值與預(yù)測(cè)值的相對(duì)誤差

Tab.4 Relative error between the actual value and the predicted value of oat fresh wet noodles at different storage temperatures

注：每個(gè)溫度有3組平行樣本數(shù)據(jù)，共計(jì)78個(gè)貨架期實(shí)驗(yàn)數(shù)據(jù)，模型平均相對(duì)誤差為所有相對(duì)誤差的平均值。

3 結(jié)語

構(gòu)建了一種新的RBF神經(jīng)網(wǎng)絡(luò)模型，并將其作為燕麥生鮮濕面的剩余貨架期預(yù)測(cè)模型。首先，測(cè)定燕麥生鮮濕面貨架期的微生物指標(biāo)、理化指標(biāo)，探究了燕麥生鮮濕面的品質(zhì)變化規(guī)律。在貯藏過程中，燕麥生鮮濕面的菌落總數(shù)呈上升趨勢(shì)，霉菌和酵母菌的數(shù)量維持在同一量級(jí)。隨著貯藏時(shí)間的延長，*、pH不斷下降，蒸煮吸水率下降，蒸煮損失率上升，水分含量、水分活度波動(dòng)較平穩(wěn)，質(zhì)構(gòu)特性發(fā)生了一定變化。通過Pearson相關(guān)性分析得出，菌落總數(shù)、*、pH、蒸煮損失率為燕麥生鮮濕面腐敗變質(zhì)的主要影響因素。其次，以主要影響因素為基礎(chǔ)，通過SPSS確定了RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為5-6-1。比較了微生物生長動(dòng)力學(xué)和RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度，RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的準(zhǔn)確性較高，優(yōu)于微生物動(dòng)力學(xué)模型。該模型可以準(zhǔn)確預(yù)測(cè)不同貯藏溫度下燕麥生鮮濕面的剩余貨架期，為進(jìn)一步研究其他食品在貯藏過程中的品質(zhì)變化提供了參考依據(jù)。

[1] GUO Xiao-na, GAO Feng, ZHU Ke-xue. Effect of Fresh Egg White Addition on the Quality Characteristics and Protein Aggregation of Oat Noodles[J]. Food Chemistry, 2020, 330: 127319.

[2] NGUYEN T T L, FLANAGAN B M, TAO Ke-yu, et al. Effect of Processing on the Solubility and Molecular Size of Oat Β-Glucan and Consequences for Starch Digestibility of Oat-Fortified Noodles[J]. Food Chemistry, 2022, 372: 131291.

[3] CAO Zong-bao, YU Chen, YANG Zhen, et al. Impact of Gluten Quality on Textural Stability of Cooked Noodles and the Underlying Mechanism[J]. Food Hydrocolloids, 2021, 119: 106842.

[4] 陳陽. 鮮濕魚面配方優(yōu)化研究及復(fù)合保鮮技術(shù)對(duì)其貨架期的影響[D]. 武漢: 華中農(nóng)業(yè)大學(xué), 2022: 80-105.

CHEN Yang. Research on the Formulation Optimization of Fresh Wet Fish Noodles and the Effect of Compound Fresh-keeping Technology on Its Shelf Life[D]. Wuhan: Huazhong Agricultural University, 2022: 80-105.

[5] 張婉. 鮮熟面貯藏品質(zhì)及貨架期預(yù)測(cè)模型研究[D]. 北京: 中國農(nóng)業(yè)科學(xué)院, 2016: 23-29.

ZHANG Wan. Study on Storage Quality and Shelf Life Prediction Model of Fresh Cooked Noodles[D]. Beijing: Chinese Academy of Agricultural Sciences, 2016: 23-29.

[6] SHI Ce, QIAN Jian-ping, ZHU Wen-ying, et al. Nondestructive Determination of Freshness Indicators for Tilapia Fillets Stored at Various Temperatures by Hyperspectral Imaging Coupled with RBF Neural Networks[J]. Food Chemistry, 2019, 275: 497-503.

[7] BEKESIENE S, MEIDUTE-KAVALIAUSKIENE I, VASILIAUSKIENE V. Accurate Prediction of Concentration Changes in Ozone as an Air Pollutant by Multiple Linear Regression and Artificial Neural Networks[J]. Mathematics, 2021, 9(4): 356.

[8] LI Yue, CHU Xiao-quan, FU Ze-tian, et al. Shelf Life Prediction Model of Postharvest Table Grape Using Optimized Radial Basis Function (RBF) Neural Network[J]. British Food Journal, 2019, 121(11): 2919- 2936.

[9] 求森. 基于小波分析和神經(jīng)網(wǎng)絡(luò)的城市軌道交通客流時(shí)間序列預(yù)測(cè)[D]. 北京: 北京交通大學(xué), 2017: 39-50.

QIU Sen. Time Series Prediction of Urban Rail Transit Passenger Flow Based on Wavelet Analysis and Neural Network[D]. Beijing: Beijing Jiaotong University, 2017: 39-50.

[10] NY/T 1512—2014, 綠色食品生面食、米粉制品[S].

NY/T 1512-2014, Green Food—Uncooked Processes Food Made of Cereal[S].

[11] 金露達(dá), 張關(guān)濤, 李娟, 等. 鮮濕面貨架期影響因素和保鮮技術(shù)研究進(jìn)展[J]. 包裝工程, 2021, 42(21): 1-10.

JIN Lu-da, ZHANG Guan-tao, LI Juan, et al. Research Progress on Shelf Life Influencing Factors and Fresh- Keeping Technology of Fresh Wet Noodles[J]. Packaging Engineering, 2021, 42(21): 1-10.

[12] 姜東輝. 生鮮濕面微生物控制及品質(zhì)保持研究[D]. 無錫: 江南大學(xué), 2019.

JIANG Dong-hui. Study on Microbial Control and Quality Maintenance of Fresh Wet Noodles[D]. Wuxi: Jiangnan University, 2019.

[13] 吳欣婷. 鮮濕面的褐變機(jī)制及控制研究[D]. 無錫: 江南大學(xué), 2021: 1-6.

WU Xin-ting. Study on Browning Mechanism and Control of Fresh and Wet Noodles[D]. Wuxi: Jiangnan University, 2021: 1-6.

[14] HONG Ting-ting, ZHAO Qi-yan, XU Dan, et al. Effect of Heat-Treated Flour on the Quality and Storage Stability of Fresh Noodles[J]. LWT, 2021, 146: 111463.

[15] KAMBLE D B, SINGH R, KAUR B P, et al. Storage Stability and Shelf Life Prediction of Multigrain Pasta under Different Packaging Material and Storage Conditions[J]. Journal of Food Processing and Preservation, 2020, 44(8): e14585.

[16] 張春紅, 史依沫, 王麗, 等. 氣調(diào)包裝對(duì)生濕面條保鮮效果的影響[J]. 包裝工程, 2018, 39(9): 86-91.

ZHANG Chun-hong, SHI Yi-mo, WANG Li, et al. Effects of Modified Atmosphere Package on Fresh-Keeping Effect of Wet Raw Noodles[J]. Packaging Engineering, 2018, 39(9): 86-91.

[17] YANG Sha, JIN Lu, XU Xia-hong, et al. Long-Term Storage and Temperature Induced Quality Changes of Industrial-Scale Wet Starch Noodles[J]. LWT, 2022, 153: 112504.

[18] HUANG Jiang-nan, QI Ya-jing, FAISAL MANZOOR M, et al. Effect of Superheated Steam Treated Wheat Flour on Quality Characteristics and Storage Stability of Fresh Noodles[J]. Food Control, 2022, 133: 108666.

[19] XING Jun-jie, JIANG Dong-hui, GUO Xiao-na, et al. Effect of Dough Mixing with Slightly Acidic Electrolyzed Water on the Shelf-Life and Quality Characteristics of Fresh Wet Noodles[J]. Food Control, 2021, 124: 107891.

[20] WANG Hong-li, ZHENG Yao, SHI Wen-zheng, et al. Comparison of Arrhenius Model and Artificial Neuronal Network for Predicting Quality Changes of Frozen Tilapia ()[J]. Food Chemistry, 2022, 372: 131268.

Storage Quality Change and Shelf Life Prediction Model of Oat Fresh Wet Noodles

JIN Lu-da1,YI Ran1,ZHANG Guan-tao1,WANG Hong-jiang1*,ZHANG Dong-jie1,2,LI Juan1

(1. Heilongjiang Bayi Agricultural University, Heilongjiang Daqing 163319, China; 2. National Coarse Cereals Engineering Research Center, Heilongjiang Daqing 163319, China)

The work aims to construct a new radial basis function (RBF) neural network shelf life prediction model. The microbial, physical and chemical indexes of oat fresh wet noodles at different storage temperatures were studied, and the main factors affecting the shelf life of oat fresh wet noodles were screened out through Pearson correlation analysis. The remaining shelf life of oat fresh wet noodles was predicted by models of microbial growth kinetics and the RBF neural network, respectively. The microbial growth kinetics model could not fit the change of the total bacterial count of oat fresh wet noodles very well, and the prediction accuracy was poor. On the contrary, the relative error between the predicted value and the actual value of the RBF neural network prediction model was 2.66%, which was very little. The RBF neural network prediction model is effective, which provides a certain reference for the future prediction of food shelf life.

oat fresh wet noodles; storage quality; radial basis function neural network; shelf life prediction model

TS213.24

A

1001-3563(2023)19-0075-10

10.19554/j.cnki.1001-3563.2023.19.010

2023-03-14

國家重點(diǎn)研發(fā)計(jì)劃（2018YFE0206300）；黑龍江八一農(nóng)墾大學(xué)青年創(chuàng)新人才計(jì)劃（ZRCQC201805）

責(zé)任編輯：彭颋