人工神经网络在食品工业中的应用

姜鹏飞，于文静，孙娜，王绅，温成荣，祁立波，董秀萍

（大连工业大学食品学院，国家海洋食品工程技术研究中心，辽宁大连116034）

人工神经网络（artificial neural network，ANN）是受大脑生物神经结构启发而产生的一种先进的计算方法[1]。其网络中含有的大量神经元相互连接，功能与生物神经元相同[2]，可以达到传递信息和处理数据的目的，是一种自适应的计算模型。近些年来，ANN已经在生物、经济、科技以及医学等多个领域起到了十分显著的作用，具有很大的发展前景[3]。在一些食品加工系统中，影响食品工业质量的各种因素之间的联系十分复杂，并且过程变量与产品属性之间的关系不明确，缺乏分析这些关系的常规方法[4]，如今将ANN应用于不同食品特性的测定和预测，是一种快速而有效的方法[5]。ANN的应用将会促进食品工业的发展。本文对ANN的基本原理、特性以及其在食品工业中的应用进行了介绍，为ANN在食品工业中更为广泛的应用提供一定理论依据。

1 ANN概述

ANN作为一种数据处理模型，是在生物神经网络的启示下产生的。神经网络依据外界信息对其结构进行改变，通过对神经元之间的权值进行调节，实现对输入的数据的建模[6]。生物神经元的示意图见图1。

图1 生物神经元的示意图Fig.1 Schematic representation of a biological neuron

如图1所示，神经元是人脑的基本单元，由树突、体细胞、轴突和突触四部分组成。树突是接受其它神经元信号的化学受体。体细胞是处理输入信号的神经元的细胞体。轴突是一种化学发射器，它将处理过的信号发送给附近的神经元。突触是连接神经元的节点，调节神经元之间的信号传递[7]。人工神经元示意图见图2。

图2 人工神经元示意图Fig.2 Schematic representation of an artificial neuron

如图2所示，与生物神经元类似，人工神经元接收连接到权值的输入信息。经典的神经网络结构见图3。

图3 经典的神经网络结构Fig.3 Classical neural network structure

如图3所示，ANN是由接收输入信号的单元层，输出信号的单元层，与输入输出不直接发生联系的单元层排列组成的经典的三层结构的神经网络，能够实现从输入到输出之间的非线性映射[8]。

2 ANN在食品工业中的应用

2.1 ANN在食品微生物学和食品发酵中的应用

2.1.1 在微生物发酵中的应用

微生物发酵生产过程中存在着温度、时间、pH值等变量，其内在机理非常复杂，难以用精确的数学模型来描述[9]，因此尝试使用ANN用来解决这些问题。张瑶等[10]以赖氨酸发酵过程为研究对象，在软测量理论的基础上，采用动态递归模糊神经网络建立软测量模型，对发酵过程中的3个重要变量进行预测，而孙丽娜等[11]提出了一种基于核主元分析与动态模糊神经网络相结合的软测量方法，建立了海洋蛋白酶发酵过程生物参量软测量模型；结果都证明，此种软测量模型能很好地满足发酵过程中生物参量的测量要求。由于生物发酵过程具有高度非线性和明显的不确定性等特点，所以人工神经网络技术的应用就尤为重要。ANN可用于预测产品产量，杨旭华等[12]为了提高产品获得率，通过建立误差反向传播算法（back propagation，BP）神经网络和傅立叶神经网络，建立了发酵时间和温度模型，结果表明，产品的平均得率提高5%。王强等[13]通过BP神经网络和遗传算法相结合的方法，对番茄发酵培养基的组成进行了工艺优化。建立的BP神经网络输入变量为玉米粉、玉米浆、大豆油、磷酸二氢钾和硫酸镁，输出变量为番茄红素的体积产量，结果证实BP神经网络结合遗传算法的方法是番茄红素发酵培养基优化的有力工具，最终番茄红素产量显著提高。ANN也可用来预测最优工艺参数，李黎等[14]采用木糖醇、发酵枣粉与乳粉混合来进行发酵，最终制成木糖醇红枣酸奶，通过正交试验设计对工艺进行优化，然后建立BP神经网络模型，选出最优参数。结果表明，在酸奶的发酵过程中，一定程度上发酵枣粉能够缓解冷藏期间因酸度过高而对有益菌的抑制作用，最终所制酸奶口感细腻，并且具有独特的红枣风味。通过以上研究可以得出ANN在解决微生物发酵过程中不仅能对发酵过程的重要变量进行预测，还能通过输入多个变量来对微生物发酵的产量进行预测，能够有效的提升得率，改善产品品质。

2.1.2 在食品酶工程中的应用

在食品酶工程中，酶解工艺条件受多方面因素，酶反应系统是非线性和非稳态的生物反应系统。ANN有其独特的优点和独特的特性[15]，在涉及大量数据的情况下，它是一种具有高预测能力的方法[16]，是建立和模拟高度非线性多变量关系的有效方法[17]。丛嘉昕等[18]为了提高草莓果浆的品质，建立响应面和多层感知神经网络模型，比较两种模型对果浆超声酶解工艺参数优化的预测结果。结果表明，多层感知神经网络模型的预测能力是优于响应面模型。李新年等[19]采用酶提取法来提取胶原蛋白，使用正交试验和BP神经网络模型优化提取工艺，结果证明，BP神经网络结合正交试验的方法是不需要增加试验次数，就能够分析酶提取胶原蛋白影响因素的变化规律，并且找到最佳参数。迟雷等[20]采用人工神经网络与遗传算法结合的方法，对普鲁兰酶重组大肠杆菌高密度发酵进行了工艺优化。结果表明，BP神经网络模型能够很好地拟合发酵过程的非线性对应关系，与遗传算法结合，能够快速准确地获得最优结果。在酶解过程中，ANN在处理非线性复杂关系时有巨大优势，而酶传感器是一种高灵敏度的定量测定分析仪器，将两者结合有很大的应用前景。陈铁军等[21]以大马哈鱼皮为原料制备明胶，使用复合酶（胰蛋白酶和碱性蛋白酶）对其进行酶解，输入参数为胰蛋白酶质量浓度、底物质量浓度、碱性蛋白酶质量浓度、游离谷氨酸和赖氨酸，输出参数为水解度，并且建立酶传感器-ANN预测模型。结果表明：在一定的复合酶酶解条件下，与水解度具有显著相关关系的是酶解液中游离谷氨酸和赖氨酸含量。比起传统的方法，通过建立ANN模型，并且结合响应面试验方法、遗传算法、正交试验等对试验工艺进行优化，在食品酶工程中可以得到更好的试验结果。

2.1.3 食品生物活性物质方面的应用

Li等[22]利用人工神经网络建立鳙鱼肌肉的碱性蛋白酶水解模型，从清除自由基能力和优化生产条件等方面对水解变量 [pH值、温度、酶和底物比（enzyme/substrate ratio，E/S）、水解时间和肌水比]进行了质量预测。结果表明人工神经网络可用于模拟水解过程，并预测水解条件，在此条件下，水解产物对自由基的清除能力最强。李杰等[23]研究了花椒黄酮的提取工艺以及其体外抗氧化活性，他采用BP神经网络和遗传算法相结合的方法，对影响花椒黄酮提取得率的4个因素进行了研究，最终确定了花椒黄酮的最优提取工艺为：乙醇体积分数是57%，提取时间是94 min，提取温度是63℃，料液比是1∶28（g/mL）。试验结果最终证明，花椒黄酮具有非常好的清除自由基能力和抗氧化活性，并且花椒黄酮清除自由基的能力与提取液浓度有很好的量效关系。左光扬等[24]分析了谷氨酰胺转氨酶（transglutaminase，TG酶）加工工艺的条件，对影响TG酶酶联过程的3个关键因素（添加量、温度和时间）进行了模拟训练，建立了TG酶加工条件影响鱼糜凝胶强度的神经网络模型。结果表明，建立的神经网络模型可以准确预测TG酶的作用条件与鱼糜凝胶强度的关系，具有很好的预测能力，预测值与试验值的相对误差相对误差（relative error，RE）较小（R2=0.9936）。朱会霞等[25]分析研究了紫花苜蓿总黄酮的提取率，对影响总黄酮提取率的4个工艺参数（液料比、提取时间、提取温度和乙醇浓度），依据四因素五水平正交试验建立学习样本进行训练，运用遗传神经网络进行预测，结果得出，紫花苜蓿总黄酮最佳提取工艺参数为：液料比53.26 mL/g、提取温度70.96℃、提取时间50.32 min、乙醇浓度60%，紫花苜蓿总黄酮提取率达到最大值6.51 mg/g，这种条件下的提取效果比较好。通过以上文献可以看出，ANN在生物活性物质方面具有较好的预测能力，并且能够处理大量的数据[26]，得到最优的工艺参数，ANN模型在生物活性物质提取方面将有更加广阔的应用空间。

2.2 ANN在感知器方面的应用

2.2.1 计算机视觉技术

食品品质的好坏直接影响其价格和销售，影响其市场竞争力。因此，很多研究者使用计算机视觉技术来检测食品品质。计算机视觉技术是一种机器视觉，它是在感官上替代人对物体的识别、检测以及追踪。

吴进玲等[27]通过采集了3种不同品质（完好、霉变、破损）葵花子的图像，并对其进行预处理，采用BP神经网络和决策树算法的方法分别对3种葵花子进行图像识别。结果显示，这3种不同品质的葵花子的检测，通过计算机视觉技术都可以实现。胡志明等[28]是在计算机视觉的基础上，运用图像信息研究茶叶外形对茶叶品质的影响，然后通过彩色图像处理技术分析不同加工工艺下的茶叶品质。通过研究发现，在茶叶品质检测方面，计算机视觉分级技术能够起到很好的检测作用。杨简等[29]运用机器视觉装置技术，借此来获取鸡蛋透射图像，通过建立灰色神经网络，分析鸡蛋中心区颜色特征参数（H、S、I），来预测鸡蛋哈夫值。结果表明，灰色神经网络预测精度比较高，哈夫值残差是5.268 4，鸡蛋分级的准确率是92.7%，网络泛化能力强。潘婧等[30]提出了一种预测猪肉新鲜度等级颜色特征参数和神经网络优化选取的方法，利用图像处理的方法提取猪肉通脊表面的颜色特征参数，利用BP和支持向量机神经网络建立各类新鲜度等级预测模型。结果表明，支持向量机神经网络可准确预测猪肉新鲜度，提高预测结果的准确性。ANN可以对图像进行处理、分析和辨别，可以将图像的客观特征信息表现出来，并且根据这些特征把图像的各个部分进行分离以及建立连接。它在食品品质的检测中得到了广泛应用，极大地提高了食品检测的质量和效率。

2.2.2 电子鼻技术

近年来，电子鼻技术已被广泛应用，它主要是通过气体传感器阵列的响应图案来进行识别，可以识别多种气味，该技术具有响应时间短、识别速度快、检测范围广、重复性好等特点。肖猛等[31]使用电子鼻技术，分析不同的贮藏温度与不同贮藏时间下的挥发性气味，将所得数据与理化指标值[挥发性盐基氮（total volatile base nitrogen，TVB-N）值、pH 值、过氧化值（peroxide value，POV）、硫代巴比妥酸（thiobarbituric acid，TBA）值]建立联系，然后根据理化指标建立反向传播神经网络预测模型。结果表明：该模型最大的误差范围在15%以内，平均误差范围在5%以内。任兴超等[32]利用电子鼻技术对肉品的挥发性物质进行检测，分析取得的电子鼻响应曲线提取特征值，建立BP神经网络，输入值是响应曲线特征值，最终对肉品的蛋白质以及脂肪含量进行预测。试验表明：电子鼻技术能够对肉品的脂肪和蛋白质含量进行较准确地预测。薛大为等[33]借助电子鼻技术对黄山毛峰茶香气信息进行检测，茶叶存储时间分别为 60、120、180、240、300、360 d，采用主成分回归、偏最小二乘回归和BP神经网络3种方法，分别建立茶叶存储时间的预测模型。结果证明，3种模型都能比较好地对茶叶存储时间进行预测，相比较而言，BP神经网络模型预测性能比较好，偏最小二乘回归性能优于主成分回归模型。Sun等[34]采用低场核磁共振和电子鼻技术对生姜在干燥过程中的水分状态和挥发性物质进行了分析，以电子鼻中不同风味物质的低场核磁共振参数输入值和传感器输出值为输入值，建立了BP神经网络模型。最终电子鼻数据的线性判别分析结果表明，不同干燥时间的样品可以很好地区分，并且证明BP神经网络模型拟合良好，具有较强的逼近能力。通过比较发现ANN在对气味的分析过程中相较主成分回归、偏最小二乘回归的预测性更好，预测的误差范围较小，预测的数值较准确。

2.3 ANN在食品干燥方面的应用

干燥已被证明是人类保存食物的一种很好的方式[35]，它具有许多优点，例如，体积减少、货架期长、包装要求低等[36]。但它也是复杂的、动态的、高度非线性的、强相互作用的、多变量的过程[37]，在干燥过程中是很难判断物料的干燥状态和干燥终点，可能会导致产品质量差、能耗高[38]，使用一般的数学模型可能无法有效地绘制干燥特性的趋势图[39]。因此，很多人建立了ANN在不同干燥条件下的预测模型。

2.3.1 红外干燥

红外干燥技术有着能源利用率高、干燥后品质高及不污染环境等优点[40]。但是，红外干燥过程中含水量的变化是一个尤其复杂的过程，而预测含水量和质量参数对提高干燥过程的整体性能是非常有用和必要的，精确地预测可以使最终产品达到最佳质量，并缩短加工时间[41]。为此，许多研究者利用矩阵实验室神经网络工具箱建立了神经网络预测模型。杨亮等[42]建立了苦瓜片热风干燥和苦瓜片红外干燥的水分比预测模型。结果显示，在苦瓜片干燥模型中，相对于传统数学模型，BP神经网络模型预测水分比的相关度更高，并且神经网络模型水分比预测的相对误差是低于传统数学模型的。林喜娜等[43]建立了远红外干燥双孢蘑菇的神经网络模型，分析了干燥过程中双孢蘑菇的含水率与各因素（辐射强度、辐射距离、物料厚度、物料温度）之间的关系，研究结果显示：BP神经网络可以准确高效地建立模型，并且模型的预测值与实测值拟合比较好。李超新等[44]运用人工神经网络模型，对红枣红外辐射干燥特性试验数据进行了预测，分析了红枣干基含水率与辐射温度、辐射距离之间的关系，通过对实测值和模型预测值进行分析研究所得，BP神经网络可以快速准确地预测红枣含水率的变化规律。Kalejahi等[45]研究了热风-红外联合干燥对木瓜品质和微观结构性能的影响，结果表明，人工神经网络作为一种强有力的工具，可以准确地估计干燥过程的基本参数。ANN相较于红外干燥常用的传统数学模型误差低，准确率高，拟合度好，更加适合于红外干燥中物料中水分含量的预测。

2.3.2 真空干燥

真空干燥是一种新型的干燥技术，具有节能、干燥时间短、干燥品质好等优点[46]，目前已得到广泛应用[47]。黎斌等[48]为了达到魔芋的规模化真空干燥，缩短干燥时间，提高脱水制品的品质，降低生产能耗和成本的目的，对真空度和干燥温度2个因素进行试验研究，采用经典模型和BP神经网络模型来进行对比，试验结果显示，BP神经网络模型优于经典模型，模型平均相对误差为1.32%。在孟国栋等[49]研究花椒真空干燥过程中也是类似的结果，采用7种经典干燥数学模型来拟合试验数据，并且选取其最优模型和BP神经网络模型进行对比，研究结果表明此BP神经网络是更适合描述花椒干燥动力学特性的数学模型。为了实现对含水率进行精确预测，白竣文等[50]分析了南瓜片的主要工艺参数（真空保持时间、常压保持时间、干燥温度和切片厚度），并利用BP神经网络建立南瓜的含水率预测模型。试验结果显示，BP神经网络模型能够很好地预测南瓜在真空脉动干燥过程中的含水率。在ANN用于真空干燥中，鲜见自制真空干燥试验系统，张利娟等[51]利用自制的真空干燥试验系统，分析了小麦真空干燥的含水率与其真空度、干燥温度、铺料厚度和干燥时间这4种工艺参数之间的关系，选取干燥过程中比较稳定的200组数据作为样本，然后使用BP神经网络模型进行预测训练，结果显示：小麦含水率的预测结果与实测值误差小于5.2%，能较好地反映真空干燥工艺参数与含水率之间的复杂非线性关系。ANN能够准确预测真空干燥的各种工艺参数和含水率，是实现干燥过程动态跟踪与控制、优化干燥过程、提高干燥质量。干燥动态特性数学模型的建立可以准确地预测干燥过程中水分的变化规律。ANN明显优于经典干燥数学模型，能较好地反映真空干燥工艺参数与含水率之间的复杂非线性关系[52]。

2.3.3 冷冻干燥

TARAFDAR等[53]研究了人工神经网络在香菇冷冻干燥中的应用，以含水率和干燥速率为输出干燥参数，并且比较了人工神经网络和半经验模型的预测效果。研究表明，利用人工神经网络模型可以准确预测生物材料的干燥行为，同时提供与现有半经验干燥模型相当甚至更优的结果。王丽艳等[54]将ANN应用在真空冷冻干燥工艺中，为了提高猕猴桃切片的品质，进行真空冷冻干燥试验，分析影响猕猴桃切片品质的因素（干燥室压力、切片厚度、加热板温度），运用Matlab对真空冷冻干燥的试验数据进行训练和模拟，并与真空冷冻干燥实测值进行比较，结果表明，利用BP神经网络得出的预测值较接近试验实测值，能良好的反映真空冷冻干燥工艺参数与猕猴桃品质之间的关系。MENLIK等[55]的研究中，提出了使用人工神经网络的方法建立苹果冻干过程中含水量、含水率、干燥速率等干燥预测模型。该网络采用了列文伯格-马夸尔特法（Levenberg-Marquardt，LM）和费米函数作为变量的反向传播学习算法，用确定系数、均方根误差和平均绝对百分率误差确定了模型的统计有效性。结果表明，所建立的神经网络模型可以用于苹果冻干特性的测定和预测。从统计检验结果和相关分析可知，建立的神经网络模型在苹果干燥过程中的含水量、含水率和干燥速率的预测上是成功的。冷冻干燥与红外干燥和真空干燥不同，是非线性和滞后性工作系统，需要考虑和评估许多关键参数，过程过于复杂[56]，用一般的数学方法难于精确表述其工作过程和实现过程的精确控制，而神经网络在非线性函数最佳逼近和全局最优方面具有良好的能力[57]，能够很好的优化工艺参数和预测试验结果。因此越来越多的研究者开始借助ANN对食品冷冻干燥过程中的数据进行训练模拟。

2.4 ANN在光谱数据分析方面的应用

高光谱成像技术是评估食品质量和安全性的有前途的工具[58]，它将成像技术与光谱技术相结合，是一种具有高维特征空间的非线性结构数据[59]，由于其标注困难，所以对数据标注时需消耗大量人力和物力等资源[60]。而借助神经网络可以使高光谱图像试验更加精确的分组，并且可以同时提取光谱特征和空间特征。对水果[61]和肉类[62]食品的各种物理化学特性进行无损检测，在食品工业中有很大发展前景。王浩云等[63]为解决水果品质无损检测中成本、效率、精度问题，借助高光谱图像和三维卷积神经网络的方法，采集245个苹果的高光谱图像，通过样本扩充之后将原始数据集扩充至9 800个样本后进行建模预测。试验结果显示：该方法相对传统方法预测精度有很大提升，能够较准确实现苹果多品质参数同时检测。王九清等[64]的研究中，为了对鸡肉进行快速、无损检测，从鸡肉的高光谱数据中提取出了反映鸡肉内部品质的光谱数据以及反映鸡肉外部特征的图像数据，利用卷积神经网络模型对提取到的数据进行模拟验证，结果表明，基于光谱和图像的综合卷积神经网络模型可以准确预测，其准确率和损失函数分别达93.58%和0.30。高光谱技术还可借助神经网络预测食品新鲜度。Chen等[65]采用总挥发性碱性氮含量对太平洋牡蛎的新鲜度进行了评价，高光谱成像被用来测定太平洋牡蛎中总挥发性碱性氮的含量，借助多元线性回归和反向传播人工神经网络技术预测太平洋牡蛎的新鲜度，结果证明了高光谱成像和化学计量学方法的结合可以用来检测和准确预测太平洋牡蛎贮藏期间的新鲜度。伍恒等[66]通过采集不同实物候期哈密瓜果实的高光谱数据，采用广义回归神经网络和概率神经网络2种模型，对哈密瓜物候期进行识别，以模型判别正确率为评价指标，结果显示：所建模型均能很好地识别哈密瓜果实物候期。利用ANN在光谱数据分析与利用ANN对计算机视觉技术有很多相似之处，都是通过计算机对图像进行分析后预测结果。计算机视觉技术应用起来更加方便，能够很好地展现产品直观的状态，而光谱数据分析是结合更多高光谱成像系统展现产品内在的本质状态。ANN都能够很好的进行准确的预测。

2.5 ANN在其它食品加工领域的应用

人工神经网络已成功地应用于预测食品加工过程中的性质和质量变化[67]，它在食品加工的其它领域也得到广泛的应用，KIM等[68]开发了一种用于测量食物分解程度的气味监测系统，分析了每种输入气体的模式特征，并采用遗传人工神经网络评价了与输出气味物质数据的匹配结果，最终匹配度达到97%，为水产品有害挥发性物质检测提供理论依据。赵璐等[69]利用电荷耦合器件图像传感器（charge coupled device，CCD）传感器检测袋膜跑偏量，将跑偏量信号传送到控制器中，成功提高了袋食品包装产品质量，提升食品包装美观度，介绍包装机拉膜机构工作过程，并分析拉膜机构工作过程中袋膜跑偏原因，利用神经网络比例积分微分（proportion integration differentiation，PID）控制方法对执行机构进行控制，仿真结果表明，神经网络PID控制方法相比于传统PID控制方法，超量明显减小、响应速度更快。王萌等[70]结合径向基函数神经网络（radical basis function，RBF）神经网络和PID控制方法设计了一种智能恒温控制系统，给出了控制系统结构，包括控制器、温度和湿度传感器、显示电路、鼓风电动机、排湿电动机等。最后进行了试验研究。试验结果表明：RBF-PID控制算法能够明显提高温度控制精度，其烤箱温度偏差最大值为0.8℃，偏差绝对值平均值约为0.36℃。随着ANN在食品加工领域的广泛应用，未来将有更多研究者使用ANN在食品加工领域进行更多的尝试。

3 结论

人工神经网络技术对工艺预测、识别和建模优化相比于一般计算机程序不同，通过输入一系列样本进行训练的，给产品创新和工艺设计提供了技术支撑。食品加工通常涉及的参数、安全品质控制体系属于非线性或不稳定的系统，而人工神经网络技术作为预测复杂系统输出响应的方法，对于不能用数学模型、规则或公式描述的原始数据系统和问题非常适用，人工神经网络技术在食品工业的发展中定会发挥重要作用。相比于前期的模式识别方法，ANN在食品发酵、图像分析、感官评定、气味分析、含水率测定、食品无损检测、食品加工过程中的仿真和控制等方面具有显著的优势。由于BP神经网络的部分数据受试验操作者的主观因素的影响，容易出现过度拟合的现象，使其在未来发展中面临更多的挑战。随着近年来神经网络与遗传算法、模糊系统、进化机制相结合形成人工智能，在不久的将来，神经网络技术在食品工业应用中会越来越成熟，越来越完善。