基于反向傳播神經網絡和遺傳算法的新鮮Halloumi奶酪生產工藝優化

孫嘉,鄭遠榮,劉振民*,張娟,徐杏敏,賈向飛

1(乳業生物技術國家重點實驗室,上海乳業生物工程技術研究中心,光明乳業股份有限公司乳業研究院,上海,200436) 2(上海大學 生命科學學院,上海,201899)

新鮮奶酪是一種在加工過程中不經過成熟的奶酪[1]。新鮮奶酪生產時間短、質地緊密有彈性、營養價值高、風味柔和不刺激、奶香濃郁,因此擁有較好的市場發展前景[2]。隨著國內生活水平的提高,人們在飲食的營養性和多樣性上展示出更大需求,因而新鮮奶酪逐漸受到更多關注,尤其是以Halloumi奶酪為代表的煎烤型新鮮奶酪[3]。

Halloumi奶酪不但具有新鮮奶酪的優點,還有著良好的抗融性,因此能夠被用作燒烤或油炸食品的原料[2]。Halloumi奶酪的這一特性主要受其生產過程中熱燙過程(將壓榨成型后的奶酪在熱乳清中進行燙漂)的影響[4-5]。研究表明,經燙漂后,奶酪的水分含量顯著降低(約20%)[6],硬度和蛋白含量升高,酪蛋白分子作用力增強,從而使得蛋白結構致密性增加,因此Halloumi奶酪受熱不易融化[7-8]。為了探究熱燙過程對Halloumi奶酪品質的影響,李紅娟等[6]研究了不同熱燙溫度(60～90 ℃)對Halloumi奶酪理化和質構特性的影響,該研究發現,隨熱燙溫度升高,奶酪的油脂析出性、脂肪含量和硬度逐漸增大,而pH值、蛋白質和水分含量變化不明顯,并經綜合評價后認為熱燙溫度為80～90 ℃最佳。此外,較多研究表明,凝乳過程中添加劑(如CaCl2、KCl和NaCl)的添加量對Halloumi奶酪品質同樣有著顯著影響[9-13]。由于Halloumi奶酪在加工過程中包括熱燙過程,熱燙時的高溫具有很好的殺菌作用。此外,Halloumi奶酪在生產后經鹽漬處理,且其保存方式為真空冷藏保存,因此在使用CaCl2和KCl替代NaCl作為添加劑時,也能夠很好地避免微生物污染,并保證貨架期穩定性和安全性。根據羅毅皓等[12]研究,隨著CaCl2添加量從0.01%增加到0.05%,奶酪得率先增大后減小,并在CaCl2添加量為0.03%時達到峰值。而在趙賽楠等[13]研究中,奶酪得率在CaCl2添加量為0.015%時就達到最大值,繼續增大CaCl2添加量至0.03%會導致奶酪過硬且出現明顯苦味,從而降低奶酪的感官品質。因此,當所使用原料乳[14]及其他工藝條件不同時,鈣離子對凝乳過程的影響不同,使得最高奶酪得率對應的CaCl2添加量通常是不同的。此外,不能忽視過高CaCl2添加量對感官品質的負面影響。由于新鮮奶酪具有較高水分含量,因此壓榨成型過程中壓榨壓強的大小也會影響奶酪品質。研究表明,在壓榨壓強過低時,奶酪在受擠壓時的排水量少,因此奶酪得率通常較高,但此時的奶酪難以成型,因而感官品質較低;反之,當壓榨壓強過高時,容易導致奶酪在受擠壓時從模具孔/縫中流出,進而使得損失率過高[15]。因此,在Halloumi奶酪的工藝參數優化中,需進一步探索兼顧奶酪得率和感官品質的熱燙溫度、CaCl2添加量以及壓榨壓強。

然而,Halloumi奶酪的生產過程具有多變量耦合性[16],因而僅通過實驗的方式來尋求最優生產工藝具有一定難度,且容易導致產品研發周期過長、成本過高、優化結果不理想等問題。因此,本研究提出將神經網絡(neural network,NN)方法[17-23]與遺傳算法[22]應用到Halloumi奶酪的生產工藝優化中,利用模型與算法強大的自學習能力和高速尋優能力,實現不同目標下Halloumi奶酪多工藝參數的優化。在傳統的正交試驗法和響應面分析法中,只有當最優參數條件包含在數據樣本內時,才能獲取最優參數條件,因此在優化前必須通過單因素實驗確定合適的參數范圍。而神經網絡模型能夠實現數據樣本外的預測,因此其數據樣本可以不包括最優參數條件,且在優化前不需要進行單因素實驗分析。

本研究選取Halloumi奶酪的3個關鍵工藝參數:CaCl2添加量、熱燙溫度和壓榨壓強作為優化變量,并分別以奶酪得率和感官品質為優化目標建立神經網絡模型。之后,結合遺傳算法尋求不同目標下的最優工藝條件,為加快Halloumi奶酪工業化生產進度提供理論基礎,并為其他相關產品工藝優化提供參考。

1 材料與方法

1.1 材料與試劑

生牛乳,光明乳業股份有限公司;小牛皺胃凝乳酶,北京多愛特生物科技有限公司;無水CaCl2(分析純),國藥集團化學試劑有限公司。

1.2 儀器與設備

FH16-D型干酪槽,英國Armfield公司;PHSJ-6L型便攜式pH計,英國Stable Micro System公司;SM-523型電烤爐,新麥機械有限公司;GFL1013型恒溫水浴箱,美國 Hunter Lab;奶酪壓榨模具,光明乳業股份有限公司。

1.3 實驗方法

1.3.1 Halloumi奶酪生產工藝流程

生牛乳→標準化→巴氏殺菌(73 ℃,15 s)→降溫至32 ℃→加入CaCl2→加入0.04‰凝乳酶→凝乳30～45 min→凝塊切割,靜置5 min→加熱排乳清→放入模具壓榨1 h→一定溫度乳清熱燙1 h→取出、晾干,鹽漬→真空包裝,放入4 ℃冷藏。

1.3.2 奶酪得率計算

奶酪得率的計算如公式(1)所示:

(1)

式中:m1為成品奶酪的質量,kg;m2為所有原料的總質量,kg,包括原料乳、凝乳酶和鹽。

1.3.3 感官品質評定

成品奶酪的感官品質依據表1進行評定,分為外觀、質構、風味和煎炸4部分,各部分得分的總和為單次評定得分。在評定時,優選10名經過培訓的評測員(其中從事于食品行業的不少于8人),依次對所有成品奶酪進行評分,并將10個評分的平均值作為各個成品奶酪在本次評定中的感官得分。在品嘗奶酪前,評測員需先用純凈水漱口。之后,打亂奶酪的評測順序,重復上述步驟,以3次評定的平均值作為各個成品奶酪的最終得分。

表1 感官品質評分細則Table 1 Scoring rubric of sensory quality

1.3.4 反向傳播(back-propagation,BP)神經網絡模型

BP神經網絡是一種采用梯度下降法來計算網絡誤差平方最小值的機器學習模型,主要由輸入層、隱藏層和輸出層組成,其結構如圖1所示。

圖1 BP神經網絡模型結構示意圖Fig.1 The structure schematic diagram of BP neural network model

在圖1所示的結構中,每一層都含有多個神經元(節點),且每一個神經元都有一個激活函數。在模型工作時,這些神經元首先按照輸入層、隱藏層和輸出層的順序(按實線方向)進行正向傳輸,具體過程可由公式(2)～公式(4)進行描述。之后,模型會進行由輸出層向隱藏層的反向傳輸,即圖1中虛線所代表的傳輸,其作用是傳輸實際輸出與期望輸出之間的誤差,并以此為依據不斷調整公式(2)中的權重(w)和公式(3)中的偏向(w0),以達到減小誤差的目的。

(2)

(3)

(4)

本研究選取Halloumi奶酪的3個關鍵工藝參數:CaCl2添加量、熱燙溫度(T)和壓榨壓強(P)作為模型的輸入變量,變量取值如表2所示,并分別以奶酪得率和感官評分作為模型輸出建立2個單輸出神經網絡模型(NN1和NN2),如圖2所示。本研究所有實驗重復進行3次。在建立模型時,將27組數據樣本隨機分為3份,分別作為模型的訓練集(21組)、測試集(3組)和驗證集(3組)。模型的訓練過程由MATLAB軟件實現,訓練算法為Levenberg-Marquardt。

表2 參數變量及取值范圍Table 2 Parameter variables and value range

圖2 兩個單輸出神經網絡模型Fig.2 Two single output neural network models

1.3.5 遺傳算法

使用MATLAB軟件自帶的遺傳算法(genetic algorithm)工具箱可以進一步求得BP神經網絡模型的最優解。在設置時,需根據表2規定變量數和變量的取值范圍。此外,設置初始種群為隨機產生。

2 結果與分析

2.1 隱藏層層數確定

隱藏層層數對模型精度有著顯著影響。通常認為,增加隱藏層層數有利于提高模型精度(以相關系數R表示),但也會增大模型網絡的復雜性,從而增加訓練時間,甚至會出現“過擬合”傾向。因此,本研究中分別測試了2個神經網絡模型在隱藏層層數為2～10時所對應的R值,如圖3所示。對于NN1和NN2兩個模型來說,當隱藏層層數分別超過6和5后,R值均已超過98%,且繼續增加層數對R值提升不明顯,因此將2個模型的隱藏層層數分別確定為6和5。

圖3 隱藏層層數對R值的影響Fig.3 Effect of the number of hidden layers on R value

2.2 模型預測結果及回歸性能

表3展示了不同參數組合下的實驗值及預測值。實驗值包括得率和感官評分,分別用于訓練NN1和NN2。在模型的建立過程中,模型會先對實驗的27組參數組合進行預測,并根據預測值不斷來修正模型參數,直至模型精度滿足要求。

表3 不同參數組合的實驗值及預測值Table 3 Experimental and predicted values of different parameter combinations

模型的回歸性能決定了預測結果的準確性。如圖4和圖5所示,2個模型均表現出較好的回歸性能,具有較高的擬合準確率。在訓練過程中,NN1和NN2的擬合準確率分別為99.869%和99.495%;在驗證過程中,NN1和NN2的擬合準確率分別為99.433%和98.848%;在測試過程中,NN1和NN2的擬合準確率分別為99.571%和99.016%;此外,NN1和NN2整體的擬合準確率也分別達到了98.936%和98.255%。這表明,該模型能夠準確地模擬輸入參數和目標輸出之間的關系。圖6和圖7進一步地展示了2個模型的誤差直方圖。誤差直方圖的分格數均設置為10。NN1和NN2在3個過程中的誤差均接近于零誤差線,且二者之間的絕對誤差分別不超過0.5和1.4。這表明,2個模型的預測值與實驗值之間的誤差均較小。因此,可以認為2個模型在表3中對Y和GS的預測是可靠的。

a-訓練;b-驗證;c-測試;d-整體圖4 NN1的回歸性能Fig.4 The regression performance of NN1

a-訓練;b-驗證;c-測試;d-整體圖5 NN2的回歸性能Fig.5 The regression performance of NN2

a-訓練;b-驗證;c-測試圖6 NN1的誤差直方圖Fig.6 The error histogram of NN1

a-訓練;b-驗證;c-測試圖7 NN2的誤差直方圖Fig.7 The error histogram of NN2

此外,在表2所示的參數變量范圍內,還可以將這2個模型用于對其他參數變量值所對應Y和GS的預測。本研究將樣本數量從原有的27組擴展為125(5×5×5=125)組,預測結果詳見電子增強出版附件1(https://doi.org/10.13995/j.cnki.11-1802/ts.034871)。預測結果顯示,最高得率在第13組獲得,達到11.57%,對應的CaCl2添加量、T和P分別為0.015%、85 ℃和5 kPa;最高感官評分在第64組獲得,為93.9,對應的CaCl2添加量、T和P分別為0.017 5%、85 ℃和10 kPa。然而,通過將電子增強出版附件與表2中預測得到的最優值進行對比后發現,雖然最高感官評分從92.1提升至93.9,但最高得率仍為11.57%,即增長小步長后,預測結果中的得率并沒有得到有效提升。因此,僅通過BP神經網絡模型對增加小步長后的輸入參數進行預測,難以達到期望效果,需進一步結合遺傳算法進行尋優。

2.3 遺傳算法優化及實驗驗證

為了進一步實現對生產工藝條件的優化效果,本研究將訓練好的神經網絡模型作為遺傳算法的適應度函數,通過遺傳算法進行單目標尋優。為了保證尋優結果能夠兼顧較高的得率和較好的感官品質,在尋優時,設置尋優限制條件為:得率≥10%,且感官評分≥85。之后,分別以最高得率和最高感官評分為尋優目標找到各自的最佳輸入參數值,并將該值輸入到另一個模型中,求出另一個目標值。遺傳算法的優化情況及實驗的驗證結果如表4所示。在表4中,通過遺傳算法尋優得到的得率和感官評分的最高值均高于僅通過神經網絡模型預測得到的最高值。經過計算,在最優條件下,通過遺傳算法獲得的得率和感官評分的預測值與實驗值之間的誤差均不超過1%。最終確定,以得率為目標的Halloumi奶酪最優生產工藝條件為:CaCl2添加量0.014 4%、熱燙溫度83.5 ℃、壓榨壓強5.12 kPa,該條件下獲得的成品奶酪的得率和感官評分分別為(12.01±0.5)%和89.3±2.7;以感官品質為目標的最優生產工藝條件為:CaCl2添加量0.017 1%、熱燙溫度83.7 ℃、壓榨壓強10.38 kPa,該條件下獲得成品奶酪的得率和感官評分分別為(10.69±1.1)%和94.5±1.2。通過本研究,在得率≥10%,且感官評分≥85的限制條件下,在兩個最優工藝條件獲得的驗證結果中,最高得率為12.01%,最高感官評分為94.5,相較于表3數據樣本中實驗值的最高值(11.46%和92.4)分別提升4.8%和2.3%,達到了期望效果。

表4 遺傳算法優化及實驗驗證Table 4 Genetic algorithm optimization and experimental verification

2.4 微生物檢測結果

為保證產品安全性,需對得到的產品進行微生物檢測。在檢測時,首先根據上述確定的最優生產工藝條件(以得率為目標)進行實驗,獲得檢測樣品。之后,分別對冷藏保存24 h和120 h的樣品進行霉菌、菌落總數和大腸菌群檢測。檢測方法及結果如表5所示。在冷藏保存時間為24 h時,3種微生物的檢測結果均<10 CFU/g;在冷藏保存時間為120 h時,菌落總數的檢測結果為90 CFU/g,而霉菌和大腸菌群仍為<10 CFU/g,滿足產品的安全性要求。

表5 微生物檢測方法及結果Table 5 Methods and results of microbial detection

3 討論

本研究基于BP神經網絡和遺傳算法,實現了對新鮮Halloumi奶酪生產工藝參數的優化。在研究時,選取CaCl2添加量、熱燙溫度和壓榨壓強作為優化變量,以奶酪得率和感官評分作為優化目標。通過實驗獲得數據樣本后,分別以奶酪得率和感官評分建立了2個多輸入、單輸出的BP神經網絡模型。經驗證,2個模型均具有較高的擬合精度,擬合準確率分別達到了98.936%和98.255%。之后,利用遺傳算法尋求最優工藝條件,以得率為目標的Halloumi奶酪最優生產工藝條件為:CaCl2添加量0.014 4%、熱燙溫度83.5 ℃、壓榨壓強5.12 kPa,該條件下獲得的成品奶酪的得率和感官評分分別為(12.01±0.5)%和89.3±2.7;以感官品質為目標的最優生產工藝條件為:CaCl2添加量0.017 1%、熱燙溫度83.7 ℃、壓榨壓強10.38 kPa,該條件下獲得的成品奶酪的得率和感官評分分別為(10.69±1.1)%和94.5±1.2。在得率≥10%以及感官評分≥85的限制條件下,相較于通過實驗獲得的數據樣本中的最優值,本研究得到的2個最優工藝條件分別實現了奶酪得率和感官評分分別提升4.8%和2.3%,達到了期望效果。

本研究發現,CaCl2添加量應控制在0.015%左右,此時的奶酪得率和感官評分均較高。隨熱燙溫度從75 ℃增加至95 ℃,奶酪得率和感官評分均呈現先增加后降低的趨勢,但是二者的最適溫度范圍并不完全重疊:80～85 ℃的熱燙溫度更有利于得到較高的奶酪得率,而85～90 ℃的熱燙溫度更有利于提高感官品質。隨壓榨壓強從5 kPa增加至15 kPa,受水分含量降低影響,奶酪得率逐漸降低,而感官品質呈現出先增大后輕微下降的趨勢,最高感官評分通常在10 kPa左右獲得。

本研究將BP神經網絡方法應用于Halloumi奶酪生產工藝參數的優化中,具有一定的創新性。同時,證明了基于該方法建立的模型具有較高的預測精度,能夠實現對輸入參數范圍內更小步長參數值所對應目標結果的預測,從而減少實驗所需的時間成本和經濟成本,加快Halloumi奶酪的研發進度。此外,在尋求最優工藝條件時,本研究發現僅通過BP神經網絡模型難以達到期望效果,需進一步結合遺傳算法,以快速準確地獲取最優條件,從而提高優化質量。在之后的工作中,為進一步提高Halloumi奶酪品質的優化效果,可在現有基礎上增加更多工藝參數條件作為模型的輸入變量,考慮凝乳酶種類[24]、熱燙時間、發酵pH值和壓榨時間等因素的影響,擴大數據樣本,實現更多工藝參數的綜合優化。此外,還可以將該方法應用于探索不同原料乳比例[12,15]和脂肪含量[25-26]的影響,以及對Halloumi奶酪其他品質(如保質期[8,27-29]、存儲期間滲濾液量[30]等)的優化工作中。