人工神經網絡在果蔬干燥領域應用進展

摘要：果蔬干燥是農產品加工中的重要環(huán)節(jié)，構建精確的干燥動力學模型成為干燥領域的重點方向。綜述人工神經網絡在果蔬干燥過程中的應用現(xiàn)狀、分析存在的問題和做出展望。針對神經網絡在干燥過程中的各種場景分類為四個部分：含水率預測、品質檢測、工藝優(yōu)化和控制系統(tǒng)方面，總結各部分的應用類型及發(fā)展創(chuàng)新；再對比傳統(tǒng)干燥模型和人工神經網絡模型；最后介紹混合神經網絡的應用場景。發(fā)現(xiàn)人工神經網絡比傳統(tǒng)干燥模型更精確，且混合神經網絡結合專家系統(tǒng)、模糊邏輯等理論能夠提供準確的預測，作為一種新穎高效的建模技術，可以廣泛應用于果蔬加工的優(yōu)化、控制、自動化等領域。其中應用最廣泛的就是與遺傳算法結合的GA-BP神經網絡，BP負責預測、GA負責尋優(yōu)，在這樣的算法中不僅可以精確預測結果還可以優(yōu)化工藝。這樣的模型更適合果蔬干燥且在未來有更廣闊的發(fā)展空間，以期這些探討和分析對果蔬干燥領域具有參考意義。

關鍵詞：果蔬干燥；神經網絡；干燥動力學模型；誤差反向傳播算法；含水率預測

中圖分類號：S210.41" " " 文獻標識碼：A" " " 文章編號：2095?5553 （2024） 08?0112?09

Application progress of artificial neural network in the field of"fruit and vegetable drying

Fan Yuhang， Song Weidong， Wang Jiaoling， Wang Mingyou， Ding Tianhang， Zhou Dehuan

（Nanjing Institute of Agricultural Mechanization， Ministry of Agriculture and Rural Affairs， Nanjing， 210014， China）

Abstract： Fruit and vegetable drying is an important part in the processing of agricultural products， and the construction of accurate drying kinetics models has become a key direction in the drying field. In this paper， the application status of artificial neural network in fruit and vegetable drying was reviewed， the existing problems were analyzed and the prospects was made. The scenes of the artificial neural network in the drying process were classified into four parts such as water content prediction， quality detection， process optimization and control system， the application types and development innovations of each part were summarized. Further comparison was made between traditional drying models and artificial neural network models. Finally， the application scenarios of hybrid neural networks were introduced." It is found that the artificial neural networks" is more accurate than the traditional drying models， and the hybrid neural networks combined with expert systems， fuzzy logic and other theories can provide accurate predictions. As a novel and efficient modeling technology， it can be widely applied in the optimization， control， automation and other fields of fruit and vegetable processing. The most widely used among them is the GA-BP neural network combined with genetic algorithms， where BP is responsible for prediction and GA is responsible for optimization. In such algorithms， not only can the results be accurately predicted but also the process can be optimized. This model is more suitable for fruit and vegetable drying and has broader development space in the future， with the hope that these discussions and analyses have reference significance for the field of fruit and vegetable drying.

Keywords： fruit and vegetable drying; neural network; drying kinetics model; error back propagation algorithm; moisture content prediction

0 引言

我國是果蔬生產和出口大國，果蔬是僅次于糧食的第二大農產品。2023年，我國蔬菜水果產量分別達799 972 kt和312 962 kt。果蔬中富含豐富的營養(yǎng)元素，如人體不可或缺的碳水化合物、礦物質、維生素、膳食纖維等，對人體膳食平衡和健康成長有重要的意義。新鮮果蔬含水率高，長期存放后微生物快速繁殖會導致果蔬腐爛變質；具有極強的季節(jié)性和區(qū)域性，應季水果滯銷導致大量經濟損失，且果蔬品質得不到保障。干燥脫水是傳統(tǒng)的食品保存技術，降低水活性而延長食品保質期。隨著生活水平的提高，人們對干制食品、果蔬休閑食品的需求不斷增長，合理的干燥手段，可以更好地保存果蔬的營養(yǎng)元素和色香味形，提高附加值，增加果農收入。并且干制后的食品體積減小、貨架期延長、易于運輸。人工神經網絡在果蔬干燥領域中經過多年發(fā)展，在多樣化的干燥方式下起到關鍵作用，現(xiàn)有研究已經涉及紅外干燥、熱泵干燥、真空冷凍干燥等不同技術手段下各個過程。

本文針對人工神經網絡在果蔬干燥方面的應用場景進行總結，包含到目前為止各科研人員所做的嘗試，對現(xiàn)狀進行分析、概括和對以后的展望。通過分析神經網絡模型、運行模式概述不同類型的神經網絡應用方向；概述干燥過程的各個環(huán)節(jié)，人工神經網絡在干燥的全過程都能發(fā)揮作用，如含水率預測、品質分析、工藝優(yōu)化和控制系統(tǒng)以及對比分析傳統(tǒng)干燥模型和人工神經網絡；混合神經網絡將其他理論與神經網絡模型相組合，如結合專家系統(tǒng)、模糊邏輯等理論能夠提供準確的預測，作為一種新穎高效的建模技術，可以廣泛應用于果蔬加工的優(yōu)化、控制、自動化等領域。

1 人工神經網絡

人工神經網絡是由多個并行工作的單元組成的網絡系統(tǒng)，是一種“黑箱”算法，基于數(shù)據(jù)輸入擬合函數(shù)得到輸出值，若結果與期望值誤差很小或相等，那么這個神經網絡是合格的，如果相差很大的話，就需要不斷調整網絡結構和參數(shù)，直到符合期望。這些簡化模型確實可以反映許多人腦的基本特征，如：自適應、自組織、學習性等[1]。人工神經網絡在模式識別、語言分析、人臉識別、信息處理、自動控制、系統(tǒng)優(yōu)化等領域都已經解決了許多難題。在人工神經網絡中最小的處理單元就是神經元，也就是網絡中的單個節(jié)點。如圖1所示，輸入值x與權值w加權求和后與偏移量b相加，經過傳遞函數(shù)的運算可以得出輸出值。傳遞函數(shù)一般有閾值性、S型、分段型和概率型。

數(shù)量眾多的神經元構成了一個神經網絡模型，用于處理復雜的信息。并且不同的網絡模型也正表現(xiàn)出其優(yōu)點特性。神經網絡結構也能表現(xiàn)出節(jié)點的信息流向，神經網絡結構按照拓撲結構可分為層次型、互聯(lián)型；按照信息流向分為前饋型和反饋型。如圖2所示，普遍的神經網絡基本包含三層，即：輸入層、隱含層和輸出層。

人工神經網絡在農產品干燥中經過多年發(fā)展，形成了較為廣泛的應用場景，為干燥建模、理化分析、質量檢測、在線測試和控制編程都提供了可供參考的解決方案，如表1所示。

人工神經網絡的功能特點是通過學習迭代來體現(xiàn)的，網絡連接中的權值w會在每個輸入訓練樣本后更新，這就是神經網絡的學習過程，體現(xiàn)出網絡的智能性。學習方法有很多，根據(jù)廣泛的分類方法可分為監(jiān)督式和無監(jiān)督式學習。

決定神經網絡信息處理能力的三個要素就是上述的神經元數(shù)學模型、網絡結構模型和學習規(guī)則。常用的傳統(tǒng)干燥模型大多是經驗式或半經驗式，在處理濕物料干燥過程中會遇到復雜多變的環(huán)境因素，導致模型擬合效果和參數(shù)難以控制。濕物料干燥是一個復雜的、動態(tài)的、非穩(wěn)態(tài)、強化相互作用、多變的物理過程，其機制尚未完全了解。且被干燥產品的傳熱傳質、形態(tài)變化、干燥條件、配方工藝等都能造成數(shù)學模型難以表達各條件之間的影響關系。

2 神經網絡在果蔬干燥過程的應用

人工神經網絡已經廣泛應用于流化床干燥、噴霧干燥、對流干燥、紅外輻射干燥、微波干燥、熱泵干燥、真空冷凍干燥等，對不同干燥方式的各個過程也起到關鍵作用，如：干燥數(shù)學模型擬合、函數(shù)逼近、模式識別、聚類分析等。下面從果蔬干燥中的含水率預測、品質分析、工藝優(yōu)化和控制系統(tǒng)方面介紹神經網絡在干燥加工過程的具體應用。最后對比神經網絡模型和傳統(tǒng)干燥模型，并且介紹混合神經網絡的應用前景。

2.1 含水率預測

果蔬中水分含量、分布和狀態(tài)不僅對產品的風味、色澤、新鮮程度、變質有極大的影響，且對農產品貯藏、銷售也至關重要。不同用途對含水率的要求也不盡相同，種子含水率要低于13%才能便于儲藏，而超干種子用于長期貯藏更是要低于5%，干果含水率要低于20%才能保證質量，有的易于變質的干果需要達到15%，含水率過少還可能導致開裂、碎化等損失。由此可見，在干燥過程中保證含水率很關鍵，神經網絡在含水率預測方面能發(fā)揮非線性擬合的優(yōu)勢，從影響因素到干燥工藝各方面都可以通過神經網絡來準確預測含水率。

林喜娜等[12]基于BP神經網絡對雙孢蘑菇遠紅外干燥含水率預測，采用5-11-1的拓撲結構。試驗結果顯示相關系數(shù)R2為0.981 3，均方誤差為0.162 2。表明模型預測的含水率與實測值擬合較好。但是試驗后期出現(xiàn)預測值偏高，目標函數(shù)出現(xiàn)局部極小點。何方健等[17]建立結構為3-8-1的ELM神經網絡含水率模型，探究山楂微波干燥特性，實現(xiàn)含水率預測。研究結果表明：干燥溫度60 ℃，相對濕度30%為最佳干燥條件，山楂色澤變化最小，總黃酮含量最高，其預測值與試驗值之間的決定系數(shù)R2為0.996，均方根誤差RMSE為0.009 52，能夠有效預測山楂微波干燥過程中的含水率。孫暢瑩等[18]在超聲強化熱風干燥梨片試驗中建立BP神經網絡的含水率預測模型。用層次分析法優(yōu)化結果，最優(yōu)干燥參數(shù)為熱風溫度35 ℃、超聲功率48 W。試驗的決定系數(shù)R2為0.995 8，說明BP神經網絡模型預測值與實測值擬合較好，能過實現(xiàn)干燥過程性能預測，且梨片熱風干燥過程中輔以超聲強化能在有效縮短干燥時間的同時，實現(xiàn)保護營養(yǎng)成分、提高產品品質的目的。Omari等[19]研究了微波熱風干燥對蘑菇中含水率的干燥動力學模型，結果表明采用3-6-7-1的神經網絡拓撲結構比其他結果效果更好，其干燥預測控制系統(tǒng)的R=0.991 4，RMSE=0.217 9，模型擬合結果可以很好的預測和控制微波干燥系統(tǒng)。白俊文等[20]基于BP神經網絡探究葡萄氣體射流沖擊干燥過程中含水率變化，研究了不同燙漂時間和干燥溫度下對葡萄干燥速率的影響，其BP神經網絡結構為3-7-1，采用LM算法訓練網絡，傳遞函數(shù)為tansig-purelin組合，驗證模型的決定系數(shù)R2為0.991 5，方根誤差RMSE為0.033 76，說明BP神經網絡具有很高的精度，能準確預測葡萄在干燥過程中的的含水率狀態(tài)；除了對葡萄干燥試驗外，白俊文等[21]還對南瓜片脈動真空干燥過程中含水率預測中引入BP神經網絡，模型的拓撲結構為5-11-1，采用相同的傳遞函數(shù)和算法，驗證結果也符合標準，可見神經網絡在不同果蔬干燥過程中，對含水率預測具有很好的適用性。不同種類的果蔬對不同神經網絡適用性不同，席慧涵等[22]探究馬鈴薯超聲強化下遠紅外輻射的干燥特性，建立三種神經網絡模型（Elman、RBF、BP），比較其擬合精度，選取最好的含水率預測模型，試驗結果表明：三種神經網絡均有較好的預測性，其中BP神經網絡的預測值與實測值擬合最好，能過快速準確的預測干燥過程中的含水率。Singh[23]針對土豆為試驗對象，討論了熱風溫度、風速、樣本大小和干燥時間對含水率的影響，并通過數(shù)值模擬和不同工況的試驗數(shù)據(jù)，討論了人工神經網絡對熱風干燥的適用性。研究結果表明，所建立的神經網絡預測誤差在0.05%以下。干燥過程在線檢測的實時性尤其重要。智能化的干燥控制系統(tǒng)需要精確的在線檢測數(shù)據(jù)，迫切要求開發(fā)出實時性好、檢測延時低的動態(tài)水分在線檢測模型。付立思等[24]研究了基于神經網絡香菇含水率在線檢測方法，確定時間、溫度、通風量和所處干燥階段為輸入條件，采用有偏差的雙層BP神經網絡。結果表明，在兩個訓練單位時間內，仿真結果的均方誤差達到目標值，隨著仿真步數(shù)增加，其預測誤差逐步減小；而進一步增加隱層節(jié)點數(shù)目，誤差的減小將不明顯。董靜等[25]設計了基于矩陣分解離散Hopdield神經網絡和食用菌介電常數(shù)，對食用菌干燥系統(tǒng)進行OPC遠程監(jiān)控和水分在線檢測，最后試驗結果：驗證了香菇、平菇、金針菇等6種食用菌的實時水分預測準確性，結果顯示神經網絡水分預測模型接近離線實測數(shù)據(jù)。

含水率預測模型中大多使用較為穩(wěn)定地BP誤差反向傳播神經網絡。BP神經網絡是屬于多層感知器神經網絡的衍生和算法改進。學習過程包括正向傳遞和誤差反向迭代兩個過程。信息流向圖如圖3所示。BP神經網絡具有優(yōu)秀的非線性映射能力、泛化能力和容錯能力。由于干燥過程無法用數(shù)學描述，且缺乏專家經驗和高度非線性，這使得BP神經網絡在含水率預測方面具有廣泛的應用前景。

2.2 品質分析

通常，果蔬干燥的好壞以脫水產品的品質為依據(jù)，即干燥后果蔬食品的色澤、口感、成分、復水比、飽和度、形態(tài)等特征。不適當?shù)母稍锊僮鲿斐晒哐趸⒑肿儭I養(yǎng)成分流失、干縮不均勻等影響。這些變化會降低消費者的購買欲，不利于產業(yè)發(fā)展。因此高品質的干燥產品才是產業(yè)發(fā)展的主要動力。

白竣文等[26]將中短波紅外干燥技術應用白果干燥，研究白果在不同溫度下色澤變化，利用多層前向型人工神經網絡建立色澤預測模型。白果色澤總色差值的決定系數(shù)R2為0.925 1，均方根誤差RMSE為3.061。試驗表明該模型能很好地預測色澤參數(shù)在干燥過程中的變化。張彪等[27]利用誤差反向傳播算法（BP）神經網絡算法構建蘋果原料制干適宜性評價模型。該模型基于34個蘋果品種，分析原料的22項指標預測加工制品品質。結果顯示：排名第一和最后的分別是遼寧華紅和陜西秦冠，預測結果的決定系數(shù)平均值是0.967 8，預測值與實際值擬合程度較高，證明神經網絡模型能夠較準確、穩(wěn)定地評價蘋果原料是否適宜脆片加工。陳超鋒等[28]通過分析干燥溫度、初始單寧含量、干燥時間以及水分含量與可溶性單寧的關系，建立神經網絡模型建立4-4-1的拓撲結構。研究結果表明，可溶性單寧BP網絡模型預測值與試驗值相關系數(shù)達0.93，該模型可以用于預測柿餅干燥過程中的可容性單寧含量。王麗艷等[29]通過BP神經網絡對獼猴桃切片真空冷凍干燥后的品質參數(shù)進行了預測研究，建立神經網絡輸入變量為干燥室壓力、切片厚度、加熱板溫度，輸出變量為獼猴桃切片的收縮率，結果顯示BP神經網絡的預測值與實測數(shù)據(jù)相接近，平均相對誤差僅為2.65%，說明在實踐中通過神經網絡預測獼猴桃品質是可行的。

由此得出，神經網絡模型的設計當中有大量研究以干燥品質為目標，優(yōu)化工藝、提高品質，不同的干燥條件對果蔬的物理變化和化學變化相差很大。建立合適評價指標，可以降低干縮率、減少表面硬化、提高復水性、減少營養(yǎng)成分損失等。神經網絡的應用可以看出，色澤預測、果蔬切片品質預測、營養(yǎng)成分預測都非常適合契合神經網絡模型。隨著研究的深入還會有更多的模型用于果蔬干燥品質分析。

2.3 工藝優(yōu)化

為了提高品質、降低成本，對干燥工藝優(yōu)化也是干燥領域的重要課題，增加預處理技術、聯(lián)合多種干燥方法取長補短、改變干燥參數(shù)等都可以實現(xiàn)品質的提升，人工神經網絡經過訓練可以得出更加精確的工藝參數(shù)，找到最佳干燥工藝。

林鵬程等[30]采用熱風-微波聯(lián)合干燥紫菜，探究最佳的干燥工藝參數(shù)。試驗中采用人工神經網絡模擬熱風-微波聯(lián)合干燥紫菜過程中不同參數(shù)對紫菜蛋白和總糖含量的影響，對數(shù)據(jù)結合了遺傳算法優(yōu)化干燥工藝。結果發(fā)現(xiàn)先熱風干燥1 h后進行400 W微波干燥所需時間最短約62.5 min。巨浩羽等[31]以干燥時間、干燥溫度、常壓時間和真空時間為輸入神經元，含水率為輸出神經元，7個隱含層建立拓撲結構4-7-1的干燥模型，用來探究光皮木瓜在真空脈動干燥下的最佳工藝條件。結果表明，最佳的干燥工藝為干燥溫度、真空時間、常壓時間（60 ℃、10 min、4 min），此時干燥總時間為12.1 h，復水比6.28±0.05，實測值與預測值決定系數(shù)R2為0.999，說明BP神經網絡可以很好的預測光皮木瓜的干燥過程。Gorjian等[32]基于BP神經網絡討論了拓撲結構以及傳遞函數(shù)對模型精確度的影響，采用伏牛花果干燥試驗，并指出傳遞函數(shù)為logsig時，最優(yōu)模型結構是4-20-1和4-25-5-1，均方誤差分別是0.003 18和0.001，采用tansig為傳遞函數(shù)的最優(yōu)模型是4-20-1和4-15-15-1，此時均方誤差分別是0.002 93和0.001 30。結果表明，在采用最優(yōu)的拓撲結構中不同的傳遞函數(shù)對神經網絡的性能沒有顯著差異。

探究最佳的干燥工藝就是尋找影響因素之間的最優(yōu)解，神經網絡是主要用于預測可能的結果，神經網絡從已知的數(shù)據(jù)推出未知的結果，從而達到尋優(yōu)的效果。上文的紫菜實例是加入了遺傳算法，這是一種優(yōu)秀的尋找最優(yōu)解的算法，且與神經網絡聯(lián)系密切，下文還會詳細敘述。

2.4 控制系統(tǒng)

控制問題一直是神經網絡應用的重要領域。神經網絡與傳統(tǒng)的控制方法相比有明顯的優(yōu)越性。傳統(tǒng)的控制方法往往因為精度不理想而導致產品質量層次不齊，而神經網絡可以有效解決干燥過程中溫濕度、風速等控制不協(xié)調問題。將神經網絡結合模糊控制和PID控制可以很好的解決干燥過程中帶來的溫度、濕度不穩(wěn)定問題，還可以提高干燥效率。

高曉陽等[33]利用人工神經網絡對干燥過程進行模擬和控制，采用PID神經網絡控制算法對現(xiàn)場溫度進行實時控制，設計了一個實時大麥麥芽干燥溫度控制系統(tǒng)。測試結果表明，采用神經網絡PID控制使控制器的參數(shù)整定更加便捷，并具有良好的動靜態(tài)特性。朱德泉等[34]設計了一種基于改進遺傳算法的干燥過程模糊神經網絡控制器，利用神經網絡的自適應調節(jié)和模糊控制來實現(xiàn)干燥過程中的溫、濕度精確控制，研究表明：與經典的模糊控制器和常規(guī)的PID控制器相比，在引入神經網絡后，收斂效率高、動態(tài)響應好、精確性和穩(wěn)定性都有所提高，實現(xiàn)干燥過程的智能控制。Ceylan等[35]設計了一種PID控制的熱泵干燥器，并由神經網絡進行訓練，將干燥時間作為輸出變量，得出的預測值與實際值的平均誤差為0.006 53。Martynenko等[36]開發(fā)了基于計算機視覺、融合傳感器和神經網絡的非等溫干燥智能系統(tǒng)，用于通過控制干燥溫度來提高人參根和藍莓的干燥速度并保證其質量。基于兩個MLP神經網絡模型開發(fā)的控制器成功地縮短了干燥時間，達到了預期的產品質量。人參的干燥時間變成原來的1/4，也提高了藍莓的干燥效率，干燥時間從110 h減少到30 h。

綜上可以看出，PID控制在果蔬、糧食、木材等干燥控制中得到廣泛使用，PID控制靈活方便，結合神經網絡算法主要優(yōu)點在便于編撰修改控制參數(shù)、適用性強用途廣、魯棒性強。彌補3PID干燥控制非線性、時變、耦合眾多等不確定因素。

2.5 神經網絡與傳統(tǒng)干燥模型

傳統(tǒng)干燥模型基本可以分為經驗模型和理論模型。經驗模型從試驗數(shù)據(jù)中得出，對潛在的現(xiàn)象沒有做出假設，其優(yōu)點是對試驗數(shù)據(jù)的學習能力強。一些廣泛使用的經驗模型有Newton、Page、Modified Page、Henderson和Pabis模型，都具有明確的函數(shù)表達；理論模型是根據(jù)現(xiàn)象假設成立的，能計算出過程中所有傳質傳熱的詳細信息，使用最廣泛的是根據(jù)Fick's第二定律而提出的擴散模型。經過幾十年的食品干燥理論研究，無論從實踐還是理論方面都取得了不錯的研究成果。但是果蔬干燥是一個復雜的熱傳遞過程，僅靠傳統(tǒng)干燥模型來表述干燥過程存在一定限制性。

Erenturk等[37]在胡蘿卜熱風干燥試驗中，將經過遺傳算法（GA）優(yōu)化后的Page模型與神經網絡相比較。試驗發(fā)現(xiàn)神經網絡模型比Page模型更準確。Movagharnejad等[38]在對西紅柿干燥試驗中用了相似的比較的手段，得出MPL神經網絡相對傳統(tǒng)薄層干燥模型具有更高的精度，表示ANN可以作為西紅柿干燥模型的替代方案。Tavakolipour等[39]基于多層感知器神經網絡（MLP）和BP算法優(yōu)化，并與其他八種傳統(tǒng)薄層干燥模型對比，得出在開心果干燥試驗中神經網絡模型要優(yōu)于其他模型。楊伊琳等采用熱風干燥技術研究香菇的干燥動力學模型，研究溫度、相對濕度、風速和單位載重量對水分比的影響，然后基于粒子群算法優(yōu)化神經網絡模型，還將之與Lewis、Henderson、Page、Modified Page、Wang五種傳統(tǒng)干燥模型相對比驗證。研究結果表明：相對濕度降低會縮短干燥時間，相對濕度從40%減低到25%時，干燥時間縮短了3 h。此外傳統(tǒng)模型中Modified Page模型模擬效果最好，平均相對誤差為16.57%，而神經網絡模型預測值與模擬值得相對誤差僅5.57%，說明人工神經網絡相較于傳統(tǒng)干燥模型擬合精度更高。Lertworasirikul等[40]對木薯片干燥試驗中使用了相似的對比方案，將多層前饋神經網絡與擴散模型、四種傳統(tǒng)經驗模型相比較，研究發(fā)現(xiàn)神經網絡比傳統(tǒng)經驗模型更精確，和擴散模型相似，也許在影響因素更多，試驗條件更復雜環(huán)境中，神經網絡模型會發(fā)出更大的優(yōu)勢。孟國棟等[41]對花椒真空干燥特性進行研究，用傳統(tǒng)模型擬合結果與BP神經網絡相比較，獲得最好的干燥動力學模型。試驗結果表示：神經網絡的平均相對誤差更小，僅有1.13%，而與之對比的7種傳統(tǒng)干燥模型中最好的三次多項式模型平均相對誤差為1.98%。說明BP神經網絡在干燥動力學模型中具有更好的擬合效果和較高的精度。姜苗等[42]研究了熱風溫度、風速、切片厚度對洋蔥對流干燥特性的影響，然后建立BP神經網絡模型，并與傳統(tǒng)干燥模型中的Page模型相對比，結果表明：BP神經網絡的預測精度比Page模型高，擬合效果優(yōu)于Page模型。在不同的干燥溫度（40 ℃、50 ℃、60 ℃、70 ℃、80 ℃）、真空度（0.03 MPa、0.04 MPa、0.05 MPa、0.06 MPa、0.07 MPa）和切片厚度（2 mm、4 mm、6 mm、8 mm、10 mm）條件下，張欣等[43]建立了Weibull分布函數(shù)模型和BP神經網絡，預測山藥切片真空干燥特性并將有效水分擴散系數(shù)和干燥活化能數(shù)學模型和神經網絡模型做對比。研究表明，神經網絡具有較高的預測精度。孫麗萍[44]對在線含水率的研究很好體現(xiàn)神經網絡的應用前景，創(chuàng)建的含水率在線檢測平臺可以從傳感器顯示的溫度濕度和時間預測物料的含水率。

因此，在一些干燥試驗中神經網絡模型比傳統(tǒng)模型有更高的精確性，也可以作為傳統(tǒng)模型的替代方案。它有優(yōu)秀的學習能力，干燥過程是多因素影響，如果影響因素輸入的更多，將得到更精確的預測結果。神經網絡可以處理大量數(shù)據(jù)，從中找到規(guī)律從而達到預測目的。傳統(tǒng)干燥模型類似閉環(huán)，從試驗數(shù)據(jù)中創(chuàng)建一個新的模型公式，而神經網絡是開環(huán)的，可以從不斷變化的試驗數(shù)據(jù)中實時更新不斷改善。

2.6 混合神經網絡

相對單一的神經網絡模型結構，將其與遺傳算法、模糊控制、專家系統(tǒng)和PID控制等智能技術相結合可以提高神經網絡的適用性，且可以覆蓋到干燥的全過程。純神經網絡在特定條件下雖然可以給出準確的預測，但在實際操作中性能表現(xiàn)較差，無法滿足越來越多樣化的干燥要求。

胡曉鋒[45]為解決食品干燥設備的均勻性、精度和效率等問題，設計了一種食品干燥自動控制系統(tǒng)，結合神經網絡控制、模糊控制和PID控制設計了一種溫濕度控制系統(tǒng)。其研究結果表明采用這種控制方法溫度的最大波動只有4.6 ℃，相比人工控制、模糊PID控制和模糊神經網絡PID控制溫度變化明顯變小、且收斂速度快，基本達到恒溫控制效果。李凱旋等[46]采用BP神經網絡結合GA遺傳算法優(yōu)化蒜香調味粉的制備工藝。以感官評分為響應值，進行Box?Behnken響應面法設計。結果表明：優(yōu)化后的最佳條件是干燥時間5.9 h，干燥溫度61 ℃，切片厚度2.7 mm。且GA-BP神經網絡模型的試驗值與預測值之間的相對誤差為0.74%，模型擬合度很好，總的來說優(yōu)化結果精確、可靠，以后可以進一步討論揮發(fā)風味成分的變化原因。劉煥燕等[47]也是采用神經網絡與遺傳算法相結合的方法優(yōu)化微波輔助提取無花果黃酮的工藝參數(shù)，擬合結果中的所有數(shù)據(jù)相關系數(shù)為0.968 4，由此可見模型對數(shù)據(jù)有較好的預測能力，BP神經網絡結合遺傳算法尋優(yōu)的方法具有較強可靠性，能實現(xiàn)較好的試驗工藝參數(shù)優(yōu)化。

混合神經網絡將其他理論與神經網絡模型相組合，能夠提供準確預測。混合神經網絡作為一種新穎高效的建模技術，可以廣泛用于果蔬加工的優(yōu)化、控制、自動化等領域。其中應用最廣泛的就是與遺傳算法結合的GA-BP神經網絡，BP負責預測、GA負責尋優(yōu)，在這樣的算法中不僅可以精確預測結果還可以優(yōu)化工藝。

3 存在問題

當前許多研究學者與機構建立果蔬干燥的神經網絡模型，進行大量試驗研究，但在有些方面仍存在不足，人工神經網絡的應用依然面臨諸多問題。

1） 基礎理論方面。現(xiàn)有的大量研究都是依據(jù)已有經驗設計，神經網絡的拓撲結構、函數(shù)關系、神經元設計未能形成適用于干燥行業(yè)的理論基礎，大大增加神經網絡的冗余。

2） 神經網絡模型方面。目前大多網絡模型還處于淺層神經網絡，相對深度學習、卷積神經網絡還是處于初級階段。神經網絡中還有眾多優(yōu)秀的模型未在干燥領域中應用，如：模式識別、時序預測和聚類分析等，現(xiàn)有研究的神經網絡大多是預測類模型，可以歸屬于函數(shù)擬合。

3） 與其他理論融合方面。現(xiàn)有研究中神經網絡模型與其他理論的結合還不多。專家系統(tǒng)在干燥過程分析中非常有用，模糊邏輯適用在控制溫濕度，毫無疑問多理論融合肯定會使干燥模型更精確。

4 發(fā)展趨勢

當前神經網絡已經廣泛應用于果蔬干燥的各個領域，在構建模型、優(yōu)化工藝、含水率預測、控制編程等都取得階段性成果，顯出神經網絡在果蔬干燥方面廣闊的前景。然而，對神經網絡的應用還是不充分，還只是淺層神經網絡建模，對神經網絡的模型設計、優(yōu)化和改進是當前面臨的重要問題。本文對未來的神經網絡在果蔬干燥領域的發(fā)展做出如下展望。

1） 深化神經網絡在干燥領域的基礎理論研究。增加理論基礎研究，形成適合干燥的神經網絡建模體系，為神經網絡在果蔬干燥領域的發(fā)展更添助力。

2） 探索其他優(yōu)秀神經網絡模型應用到干燥。探索別的神經網絡模型對干燥領域的應用。如正則化RBF網絡可將非線性分類問題通過非線性變化得到解決，可應用到果蔬干燥品質分類問題上；再如BP算法誤差會隨著層次增加而逐漸彌散直至消失，無法有效調節(jié)權值，深度神經網絡使用多隱含層共同演算，可以很好解決訓練算法的缺陷。

3） 融合其他理論開闊人工神經網絡應用前景。將模糊邏輯、專家系統(tǒng)、遺傳算法等其他優(yōu)秀理論與神經網絡聯(lián)合應用，在工業(yè)現(xiàn)代化中實現(xiàn)干燥智能控制。結合干燥模型、干燥策略與在線檢測、大數(shù)據(jù)實現(xiàn)自動化，應用虛擬技術與神經網絡技術開發(fā)干燥控制軟件，建立干燥網絡數(shù)據(jù)庫。

5 結語

雖然神經網絡已用于干燥預測、優(yōu)化、控制等，但神經網絡不是要替換掉現(xiàn)行技術，而是作為一種補充加強。干燥過程非線性，水分遷移機制多變。神經網絡算法在干燥模型的建立中大大簡化對原理的深入分析。使得神經網絡在干燥應用中發(fā)展迅速。未來隨著對干燥原理和神經網絡的深入研究，可以探索出更多更豐富的干燥模型。

參 考 文 獻

[ 1 ] 韓力群. 人工神經網絡在控制中的應用及發(fā)展前景[J]. 北京輕工業(yè)學院學報， 1996（1）： 32-36.

[ 2 ] Zbiciński I， Strumi??o P， Kamiński W. Hybrid neural model of thermal drying in a fluidized bed [J]. Computers amp; Chemical Engineering， 1996， 20： S695-S700.

[ 3 ] Beigi M， Torki?Harchegani M， Tohidi M. Experimental and ANN modeling investigations of energy traits for rough rice drying [J]. Energy， 2017， 141： 2196-2205.

[ 4 ] Mihajlovic T， Ibric S， Mladenovic A. Application of design of experiments and multilayer perceptron neural network in optimization of the spray?drying process [J]. Drying Technology， 2011， 29（14）： 1638-1647.

[ 5 ] Azadeh A， Neshat N， Kazemi A， et al. Predictive control of drying process using an adaptive neuro?fuzzy and partial least squares approach [J]. The International Journal of Advanced Manufacturing Technology， 2012， 58： 585-596.

[ 6 ] K?ni M， Türker M， Yüzge? U， et al. Adaptive modeling of the drying of baker's yeast in a batch fluidized bed [J]. Control Engineering Practice， 2009， 17（4）： 503-517.

[ 7 ] Kamiński W， Stawczyk J， Tomczak E. Presentation of drying kinetics in a fluidized bed by means of radial basis functions [J]. Drying Technology， 1997， 15（6-8）： 1753-1762.

[ 8 ] Mohebbi M， Akbarzadeh?T M R， Shahidi F， et al. Modeling and optimization of mass transfer during osmosis dehydration of carrot slices by neural networks and genetic algorithms [J]. International Journal of Food Engineering， 2011， 7（2）.

[ 9 ] Dalvi?Isfahan M. A comparative study on the efficiency of two modeling approaches for predicting moisture content of apple slice during drying [J]. Journal of Food Process Engineering， 2020， 43（11）： e13527.

[10] Fathi M， Mohebbi M， Razavi S M A. Application of fractal theory for prediction of shrinkage of dried kiwifruit using artificial neural network and genetic algorithm [J]. Drying Technology， 2011， 29（8）： 918-925.

[11] Fallah Ziarani M， Tohidfar M， Navvabi M. Modeling and optimizing in vitro percentage and speed callus induction of carrot via Multilayer Perceptron?Single point discrete GA and radial basis function [J]. BMC Biotechnology， 2022， 22（1）： 34.

[12] 林喜娜， 王相友， 丁瑩. 雙孢蘑菇遠紅外干燥神經網絡預測模型建立[J]. 農業(yè)機械學報， 2010， 41（5）： 110-114.

Lin Xina， Wang Xiangyou， Ding Ying. Experiment on neural network prediction modeling of far infrared radiation drying for Agaricus bisporus [J] Transactions of the Chinese Society for Agricultural Machinery， 2010， 41（5）： 110-114.

[13] Maulidah R， Purqon A. Comparison of mathematical equation and neural network modeling for drying kinetic of Mendong in microwave oven [C]. Journal of Physics： Conference Series. IOP Publishing， 2016， 739（1）： 012106.

[14] Taheri?Garavand A， Meda V， Naderloo L. Artificial neural network?genetic algorithm modeling for moisture content prediction of savory leaves drying process in different drying conditions [J]. Engineering in Agriculture， Environment and Food， 2018， 11（4）： 232-238.

[15] Taheri S， Brodie G， Gupta D. Optimised ANN and SVR models for online prediction of moisture content and temperature of lentil seeds in a microwave fluidised bed dryer [J]. Computers and Electronics in Agriculture， 2021， 182： 106003.

[16] Heras?Ramírez M E， Quintero?Ramos A， Camacho?Dávila A A， et al. Effect of blanching and drying temperature on polyphenolic compound stability and antioxidant capacity of apple pomace [J]. Food and Bioprocess Technology， 2012， 5： 2201-2210.

[17] 何方健， 李靜， 劉明寶， 等. 山楂微波干燥特性及含水率預測[J]. 食品工業(yè)科技， 2021， 42（12）： 32-38.

He Fangjian， Li Jing， Liu Mingbao， et al. Microwave drying characteristics and moisture content prediction of hawthorn [J] .Science and Technology of Food Industry， 2021， 42 （12）： 32-38.

[18] 孫暢瑩， 劉云宏， 曾雅， 等. 直觸式超聲強化熱風干燥梨片的干燥特性[J]. 食品與機械， 2018， 34（9）： 37-42.

Sun Changying， Liu Yunhong， Zeng Ya， et al. Drying characteristics of direct?contact ultrasound enhanced hot?air drying of pear slices [J]. Food and Machinery， 2018， 34（9）： 37-42.

[19] Omari A， Behroozi‐Khazaei N， Sharifian F. Drying kinetic and artificial neural network modeling of mushroom drying process in microwave?hot air dryer [J]. Journal of Food Process Engineering， 2018， 41（7）： e12849.

[20] 白竣文， 田瀟瑜， 馬海樂. 基于BP神經網絡的葡萄氣體射流沖擊干燥含水率預測[J]. 現(xiàn)代食品科技， 2016， 32（12）： 198-203.

Bai Junwen， Tian Xiaoyu， Ma Haile. BP neural network modeling to predict moisture content of grapes after air impingement drying [J]. Modern Food Science and Technology， 2016， 32（12）： 198-203.

[21] 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(yè)工程學報， 2017， 33（17）： 290-297.

Bai Junwen， Zhou Cunshan， Cai Jianrong， et al. Vacuum pulse drying characteristics and moisture content prediction of pumpkin slices [J]. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（17）： 290-297.

[22] 席慧涵， 劉云宏， 王琦， 等. 馬鈴薯超聲強化遠紅外輻射干燥特性及神經網絡模型研究[J]. 食品與機械， 2019， 35（2）： 123-128， 152.

Xi Huihan， Liu Yunhong， Wang Qi， et al. Study on characteristics and neural network model of ultrasonic enhanced far infrared radiation drying of potato [J]. Food and Machinery， 2019， 35（2）： 123-128， 152.

[23] Singh N J. Neural network approaches for prediction of drying kinetics during drying of sweet potato [J]. Agricultural Engineering International： CIGR Journal， 2011， 13（1）.

[24] 付立思， 孫曉杰， 楊勇， 等. 利用神經網絡在線預測香菇干燥含水率[J]. 沈陽農業(yè)大學學報， 2005（6）： 663-666.

Fu Lisi， Sun Xiaojie， Yang Yong， et al. Moisture content prediction of Xianggu mushroom drying based on ANN [J]. Journal of Shenyang Agricultural University， 2005（6）： 663-666.

[25] 董靜， 陳天恩， 趙春江. 基于矩陣分解離散Hopfield食用菌OPC遠程生產監(jiān)控[J]. 控制工程， 2018， 25（2）： 192-197.

Dong Jing， Chen Tianen， Zhao Chunjiang. Matrix decomposition of discrete hopfield dielectric parameters of edible fungus opc remote monitoring and control system [J]. Control Engineering of China， 2018， 25（2）： 192-197.

[26] 白竣文， 彭澤康， 吳學岑， 等. 中短波紅外干燥白果的色澤變化預測及品質研究[J]. 食品工業(yè)科技， 2020， 41（12）： 269-274， 280.

[27] 張彪， 劉璇， 畢金峰， 等. 基于BP人工神經網絡算法的蘋果制干適宜性評價[J]. 中國農業(yè)科學， 2019， 52（1）： 129-142.

Zhang Biao， Liu Xuan， Bi Jinfeng， et al. Suitability evaluation of apple for chips?processing based on BP artificial neural network [J]. Scientia Agricultura Sinica， 2019， 52（1）： 129-142.

[28] 陳超鋒， 王恒滬， 黃子珍， 等. 柿餅干燥中單寧變化規(guī)律及BP神經網絡預測模型的建立[J]. 中國調味品， 2019， 44（6）： 50-55.

[29] 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(shù)預測研究[J]. 中國農機化學報， 2015， 36（4）： 135-138.

Wang Liyan， Jiang Aiguo， Guo Shuguo. Prediction study on quality parameters of Chinese gooseberry slice based on BP neural network [J]. Journal of Chinese Agricultural Mechanization， 2015， 36 （4）： 135-138.

[30] 林鵬程， 張鐘元， 江寧， 等. 紫菜熱風/微波聯(lián)合干燥工藝優(yōu)化及品質分析[J]. 食品工業(yè)科技， 2022， 43（2）： 215-225.

[31] 巨浩羽， 趙士豪， 趙海燕， 等. 光皮木瓜真空脈動干燥特性及神經網絡模型[J]. 食品與機械， 2022， 38（3）： 147-153.

Ju Haoyu， Zhao Shihao， Zhao Haiyan， et al. Drying characteristics of Chaenomeles sinensis with vacuum pulsed drying technology based on BP neural network mode [J]. Food and Machinery， 2022， 38 （3）： 147-153.

[32] Gorjian S， Hashjin T T， Khoshtaghaza M H. Designing and optimizing a back propagation neural network to model a thin?layer drying process [J]. International Agrophysics， 2011， 25（1）： 13-19.

[33] 高曉陽， 馮鑫， 畢陽. 基于LabVIEW的麥芽干燥溫控系統(tǒng)設計[C]. 中國農業(yè)工程學會.紀念中國農業(yè)工程學會成立30周年暨中國農業(yè)工程學會2009年學術年會（CSAE 2009）論文集， 2009： 1365-1368.

[34] 朱德泉， 蔣克榮， 王繼先， 等. 干燥過程模糊神經網絡控制器的設計與仿真[J]. 系統(tǒng)仿真學報， 2009， 21（15）： 4768-4771.

Zhu Dequan， Jiang Kerong， Wang Jixian， et al. Design and simulation of fuzzy neural network controller for drying process [J]. Journal of System Simulation， 2009， 21（15）： 4768-4771.

[35] Ceylan ?， Akta? M. Modeling of a hazelnut dryer assisted heat pump by using artificial neural networks [J]. Applied Energy， 2008， 85（9）： 841-854.

[36] Martynenko A， Kudra T. Non?isothermal drying of medicinal plants [J]. Drying Technology， 2015， 33（13）： 1550-1559.

[37] Erenturk S， Erenturk K. Comparison of genetic algorithm and neural network approaches for the drying process of carrot [J]. Journal of Food Engineering， 2007， 78（3）： 905-912.

[38] Movagharnejad K， Nikzad M. Modeling of tomato drying using artificial neural network [J]. Computers and Electronics in Agriculture， 2007， 59（1-2）： 78-85.

[39] Tavakolipour H， Mokhtarian M. Neural network approaches for prediction of pistachio drying kinetics [J]. International Journal of Food Engineering， 2012， 8（3）.

[40] Lertworasirikul S， Tipsuwan Y. Moisture content and water activity prediction of semi?finished cassava crackers from drying process with artificial neural network [J]. Journal of Food Engineering， 2008， 84（1）： 65-74.

[41] 孟國棟， 彭桂蘭， 羅傳偉， 等. 花椒真空干燥特性分析及動力學模型研究[J]. 食品與發(fā)酵工業(yè)， 2018， 44（4）： 89-96.

Meng Guodong， Peng Guilan， Luo Chuanwei， et al. Vacuum drying characteristics and kinetics modeling study of Zanthoxylum bungeanum [J]. Food and Fermentation Industries， 2018， 44（4）： 89-96.

[42] 姜苗， 楊薇. 洋蔥對流干燥特性及其神經網絡模型的建立[J]. 食品研究與開發(fā)， 2013， 34（5）： 14-18.

Jiang Miao， Yang Wei. Drying characteristics and neural network model of onions during convection drying [J]. Food Research and Development， 2013， 34（5）： 14-18.

[43] 張欣， 張記， 彭桂蘭， 等. 山藥切片真空干燥特性及模型研究[J]. 食品工業(yè)科技， 2022， 43（4）： 82-89.

Zhang Xin， Zhang Ji， Peng Guilan， et al. Study on vacuum drying characteristics and model of yam slices [J]. Science and Technology of Food Industry， 2022， 43（4）： 82-89.

[44] 孫麗萍. 木材含水率在線檢測融合體系及仿真技術研究[D]. 哈爾濱： 東北林業(yè)大學， 2008.

[45] 胡曉鋒. 食品干燥設備自動控制系統(tǒng)設計[J]. 食品工業(yè)， 2019， 40（12）： 215-218.

Hu Xiaofeng. Design of automatic control system for food drying equipment [J]. The Food Industry， 2019， 40（12）： 215-218.

[46] 李凱旋， 詹萍， 田洪磊， 等. 基于GA-BP神經網絡的蒜香調味粉制備工藝優(yōu)化[J]. 中國食品學報， 2020， 20（10）： 150-159.

Li Kaixuan， Zhan Ping， Tian Honglei， et al. Optimization of processing conditions of garlic flavoring powder based on GA-BP Neural Network [J]. Journal of Chinese Institute of Food Science and Technology， 2020， 20（10）： 150-159.

[47] 劉煥燕， 鄭光耀， 王衍彬， 等. 基于BP神經網絡的微波輔助提取無花果黃酮工藝優(yōu)化[J]. 食品工業(yè)科技， 2017， 38（19）： 197-202， 207.

Liu Huanyan， Zheng Guangyao， Wang Yanbin， et al. Process parameter optimization of microwave assisted extraction of flavonoids from Ficus carica Linn based on BP neural network [J]. Science and Technology of Food Industry， 2017， 38 （19）： 197-202， 207.