柿饼干燥中单宁变化规律及BP神经网络预测模型的建立

陈超锋，王恒沪，黄子珍，滕建文

(广西大学，南宁 530004)

传统柿饼加工因加工时间长、霉变等缺点，人工干制柿饼得到迅速发展。然而，机制柿饼易出现味涩、僵硬、无霜等问题。其中涩味残留只能通过感官品尝才能了解，严重影响消费者的体验。目前，张宝善、徐君驰等[1，2]指出柿饼脱水脱涩伴随着软化，既有乙醛与可溶性单宁结合生成不可溶性单宁，又有可溶性单宁与果胶结合形成单宁-果胶凝胶，还可以与细胞碎片形成不可溶单宁。张海生、杜建明等[3，4]指出单宁在高温的作用下由可溶态聚合为不溶态，干燥过程柿子失水渗透压升高也能够促进脱涩。因此，柿饼脱水脱涩过程可溶性单宁变化规律没有办法根据脱涩机理准确预测，必须通过实验方法获得柿饼脱水中脱涩的变化规律。BP网络是一种按误差逆传播算法训练的多层前馈网络，能学习和存储大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，利用BP神经网络可以较好地处理这类多因素、非线性问题[5,6]。因此，本文通过研究柿饼干燥温度、可溶性单宁浓度以及柿饼水分含量对脱涩规律的影响，建立具有良好拟合性和预测性的可溶性单宁BP神经网络，可作为指导生产实践的重要辅助手段，在柿饼干燥工业应用领域具有重要的实用价值。

1 实验材料与方法

1.1 材料

供试材料为“恭城月柿”(DiospyroskakiThumb.“Yue”、PCA，原产地中国)，2018年10月采摘于桂林恭城，此时月柿果肉坚硬，单果质量在150 g左右，成熟度为7～8成熟(橙黄泛红)，可溶性单宁含量较高。实验时挑选大小均匀、无病虫害、无机械损伤的柿果。

1.2 实验方法

通过观察不同温度、不同初始单宁含量、不同水分含量对柿饼脱涩的影响，设置实验，见表1。

表1 实验设计Table 1 Experimental design

其中10，11，12组实验为不同水分含量实验，为探究不同水分含量对柿果干制脱涩规律的影响，设定65%、55%、45%含量(水分含量通过称重法测定，前期干燥在55 ℃条件下，风速最大)在55 ℃，风速为0 m/s下进行干燥。其他组为干燥组，干燥工艺：鲜柿→削皮→称重→干燥→完全脱涩。设定好热风干燥设备参数，每次实验前均预热30 min。将削皮柿果均匀摆放到物料盘中，开始干燥。在不同干燥条件下每隔2 h排湿1次，每次1 min，每4 h在不同位置取出4个柿果，打浆测定水分与可溶性单宁含量。

1.3 理化指标测定方法

1.3.1 水分含量的测定

参考GB 5009.3—2010《食品中水分的测定》[7]。

1.3.2 可溶性单宁含量测定

参考Tessmer等[8]的福林酚比色法测定可溶性单宁含量。标准曲线以没食子酸为标品：y=0.1229x+0.025，R2=0.9995，单位g/100 g干基。

2 结果与讨论

2.1 不同温度对柿饼脱涩的影响

图1 不同温度下柿子的可溶性单宁变化规律Fig.1 Change of soluble tannin of persimmon at different temperatures

由图1可知，柿饼干燥过程中，不同温度下柿子可溶性单宁均呈现先下降后升高再下降的趋势。张海生指出，柿饼的脱涩不仅可在乙醇脱氢酶的作用下完成，也可在高温的作用下完成。Benarie等[9]在研究温水脱涩过程中发现放入40 ℃水中脱涩需要5 h，而放入60 ℃水中脱涩需要1 h。董文宾等[10]在柿子脱涩新工艺及其影响因素研究中指出，随着温度的升高，单宁含量降低，且在65 ℃达到最低。Fukushima[11]在柿果脱涩机理中指出，干燥脱水能够导致单宁细胞收缩可溶性单宁可以通过氢键或疏水键结合，聚合成大分子，促进脱涩，即使没有乙醛的作用下。对比本实验可知，柿饼干制脱涩中，温度越高(35～55 ℃之间)，其脱涩时间越短。在柿饼脱涩过程中，常出现返涩的现象，如张家年等[12]在柿饼干燥中发现返涩现象。张桂霞等[13]在柿果软化过程中，柿子硬度达到4.2 kg/cm2时可溶性单宁出现升高的现象。目前对于返涩的机理研究解释不多，一般认为是一种物理作用。张宝善等[14]认为柿果在脱涩过程中，细胞中的单宁由可溶态变成不溶态，涩味消失；在光、热、酸等条件处理下，脱涩后的果实细胞中的单宁由不溶态重新变成可溶态，涩味再现。Benarie等发现温水脱涩中30 ℃即可返涩，此时不可溶性单宁变成可溶性单宁。本实验发现柿饼在脱涩前期没有出现返涩现象，而是随着水分的降低，在含水量为70%～65%出现返涩。

2.2 不同浓度对柿饼脱涩的影响

图2 不同浓度可溶性单宁变化规律的研究Fig.2 Study on the variation of soluble tannin in different concentration

由图2可知，不同的初始单宁均影响柿饼完全脱涩的时间。但不论初始单宁含量高低，其变化规律一致，都出现先下降再升高再下降的趋势。35 ℃下，6.46 g/100 g干基的可溶性单宁完全脱涩需要84 h，而初始单宁为3.19 g/100 g干基时，完全脱涩时间64 h，缩短了20 h。45 ℃下，6.32 g/100 g干基的可溶性单宁完全脱涩需要64 h，而初始单宁为2.62 g/100 g干基时，完全脱涩时间为52 h，缩短了12 h。55 ℃下，5.85 g/100 g干基的可溶性单宁完全脱涩需要56 h，而初始单宁为2.79 g/100 g干基时，完全脱涩时间为32 h，缩短了24 h。因此在柿饼加工过程中，柿饼初始单宁含量能够影响柿饼完全脱涩的时间。55 ℃下当单宁含量在一定的范围内，并没有影响单宁的脱涩时间，如2.07 g/100 g干基与1.27 g/100 g干基，在此浓度内，可溶性单宁在前期快速下降，导致柿饼中的可溶性单宁迅速减少，但在8 h后柿饼的脱涩速率变慢，且没有出现返涩的现象。但2.79 g/100 g干基在干燥脱涩过程中仍然出现了返涩的现象，且36 h才完全脱涩。因此，柿饼制作过程中应控制柿饼初始单宁含量，可溶性单宁过高会显著影响柿饼的脱涩时间，而在低浓度下柿饼脱涩时间影响较小。刘兴华等[15]在45 ℃干制柿饼中柿果脱涩时间在48～60 h，同时黄绿色成熟度的果脱涩需要72 h，与本实验基本吻合。

2.3 不同水分含量对柿饼脱涩的影响

图3 不同水分含量对柿饼脱涩的影响Fig.3 Effect of different water content on deastringent of dried persimmon

由图3可知不同水分含量对柿饼脱涩的影响，在低于45%的水分含量下，柿饼的脱涩变得困难，脱涩56 h还不能完全脱涩。65%的水分含量下柿饼迅速脱涩，32 h基本脱涩完全。55%的水分含量下48 h也能快速脱涩完全。关于水分含量对柿子干燥的影响较少，本实验认为柿饼的水分越低，水分活度越低，因此影响柿饼的酶活，导致后期脱涩困难。

2.4 BP人工网络神经的建立

2.4.1 网络结构设计

网络结构的设计主要包括输入层、隐含层、输出层及各层之间传递函数、学习函数确定等方面[16]。隐含层能从输入样本中提取规律特性，起到抽象作用，因此，先确定隐含层数目。理论已经证实，在不限制隐含层节点数的情况下，只含有一个隐含层的BP网络即可实现任意的非线性映射。因此，在本文中选取只含一个隐含层的神经网络来进行实验[17]。决定柿子脱涩的因素有很多，在实验中主要考虑了干燥温度、水分含量、初始单宁以及干燥时间这4个因素的影响，因此本文中选择这4个变量因子为神经网络输入量，即输入层节点数为4。输出层节点数应与目标参数相关，由于本次建模主要是为了进行柿子可溶性单宁的预测，因此输出量即为可溶性单宁含量，即输出层节点数为1。隐含层节点按经验选取，一般设为输入层节点数的75%。如果输入层为4，输出层可暂设为3，即构成4-3-1的BP神经网络模型。在系统训练时，实际还需要考虑4，5，6，7，8节点数[18]，最后确定最合适的网络结构，本实验通过对比不同的节点数(见表2)，可得6个节点为最佳节点数，BP神经网络结构示意图见图4。

表2 隐含层训练结果Table 2 The training results of implicit layer

图4 BP神经网络结构示意图Fig.4 Structural chart of BP neural network

2.4.2 数据的预处理

为了能更好地反映测试值的变化，在进行网络学习前需要对数据进行归一化处理。样本数据进行归一化处理网络的输入、输出是将数据变换到[0，1]或者[-1，1]区间内，即归一化处理。其归一化方程如下：

2.4.3 网络训练及模型的仿真

2.4.3.1 网络训练

图5 训练误差曲线图Fig.5 The graph of training error

对于数据的正确与否将直接影响网络训练的正确性，因此，要想网络能够正确训练就必须要删除那些无效的数据，即技术上不符合实际的数据或是那些不可靠、虚假的数据源。本实验所采用的数据为实验所得数据，其中包括训练样本集144组数据，22组验证集样本。本实验利用DPS数据处理系统，选择由BP算法训练的多层前馈感知器人工神经网络以建立预测模型，因为它具有对任何函数建模的记录能力。BP模型建立参数如下：输入层节点为 4；隐含层节点为6；最小训练速率为 0.1；动态参数为 0.6；参数 SIGMOID为0.9，允许误差为0.001；最大迭代次数为1000。经过1000次的模拟，达到目标误差0.001，训练误差曲线见图5。

图6 BP预测值与实验值的相关性分析Fig.6 Correlation analysis between BP predicted value and experimental value

BP人工神经网络的预测值与实验值的相关性分析见图6，其中R2=0.966，隐含层各个节点的权重矩阵、输出层各个节点的权重矩阵见表3。

表3 隐含层各个结点的权重矩阵Table 3 Weight matrix of each node of implicit layer

2.4.3.2 BP神经网络仿真预测

利用训练好的网络对测试集(22个未被网络使用过的数据)进行预测，实际实验值与预测值的比较见图7。

结果显示：55 ℃的BP预测值与实际值R2=0.963，50 ℃的R2=0.958，40 ℃的BP预测值与实际值R2=0.915；22组数据BP预测数据与实际值的相关系数为R2=0.93；通过建立BP人工神经网络模型，发现实验值与预测值具有一致性，表明模型预测能力较优。

图7 22组验证集预测曲线Fig.7 The prediction curves of 22 validation sets

3 总结

通过以上分析，本实验研究主要得出了以下结论：

干制过程中柿饼脱涩规律如下：在35～55 ℃柿饼干制过程中，随着温度的升高，柿饼完全脱涩的时间越短，且每个温度均出现可溶性单宁升高的现象。不同初始可溶性单宁含量在一定范围内能够影响柿饼的脱涩时间，其可溶性单宁越高，脱涩时间越短，但低于一定浓度后，柿饼的脱涩时间不受初始单宁含量的控制。水分含量越高，柿饼的脱涩时间越短，但低于45%水分含量的柿饼脱涩困难，甚至脱不了涩。

通过分析干燥温度、初始单宁含量、干燥时间以及水分含量与可溶性单宁的关系，建立了BP神经网络模型。输入层为4，隐含层为1，隐含节点为4，输出层为1，选择144个样本作为训练集、22组数据为网络预测集。其中训练集的相关系数为0.966，网络预测集的相关性系数为0.93。可溶性单宁BP网络模型预测值与实测值的相关系数达0.93。该模型可以用于预测柿饼干燥过程中的可溶性单宁含量。