基于人工神经网络的巴沙鱼干燥水分模型构建

郭敏强　朱凯悦　陈瑶　尚珊　王书晨　裴龙英　姜鹏飞　刘玉欣

摘要：目的：实现在线预测巴沙鱼片热风干燥过程中含水量的实时监控。方法：以巴沙鱼片为原料，探索在不同干燥环境中干燥温度（60、70、80、90 ℃）、空气相对湿度（0、20%、40%）和空氣流速（8、16、28 m/s）对巴沙鱼片干燥时间和干燥速率的影响。关键因素干燥时间、干燥温度、空气相对湿度和空气流速为输入层，隐含层神经元个数为12，即时巴沙鱼片含水率为输出层，构建BP神经网络模型。结果与结论：3种干燥因素能显著影响巴沙鱼片的即时含水率和干燥速率，干燥效率最大可提升约50%，能够有效调节巴沙鱼片的干燥效率，降低产品运行成本。基于巴沙鱼片热风干燥机理构建BP神经网络模型，隐含层神经元函数计算误差较小，其RMSE（均方根误差）为0.040 0，模型运行较为稳定;预测值与实验真实值拟合程度高，其相关系数R为0.996 5，模型预测运行便捷且准确度高，能够为干燥巴沙鱼片及相关产品提供科学依据。

关键词：热风干燥;巴沙鱼;含水率;人工神经网络

热风干燥是食品加工生产中一项重要热加工技术，人们在不断地研究和改进热风干燥技术，以获得高品质和低加工时间低能耗的产品。据报道，在一些发达国家，干燥耗能占全国能耗的10%～25%[1]。很多产品干燥的关键技术在于如何在满足产品的感官特性、营养品质和货架期等要求下，达到减少加工时间与能量消耗的目的[2]。新鲜的巴沙鱼（Pangasius bocouti）由于水分含量高，加工制品易于腐败变质[3]。对于鱼类加工而言，水分控制就成为重要的一个环节。水分含量是干燥过程中最重要的一项指标，而影响水分含量变化的主要因素包含有干燥温度、空气相对湿度、空气流速等。对于传统干燥技术较为容易理解，而在多因素非线性情况下，干燥过程就变成一个复杂的过程。此时需要一种简便模型，且需具备适应性强和检测准确性高等特点来完成干燥过程中的水分预测，其工作原理类似于人脑[4-5]。人工神经网络（ANN）是基于人脑突触神经元模拟开发的一种具有科学性的建模技术[6]，其中BP（Back-Propagation）神经网络在处理非线性过程中，具有良好的仿真性能，在优化工艺参数和预测结果方面具备较高优势[7]。通过不断的训练和测试的过程，使得网络输出达到良好到指定精度水平[8]，从而得到所需目标。ANN在水产领域应用广泛[32]文献中对水产品干燥预测能力的研究报道很多。Jihoon Moon等[9]在干制海参的过程中，基于扩散模型，估算有效扩散系数值（Deff）取值范围为3.39×10～5.16×10 m/ s，相关系数在0.966 7～0.989 5。Camila Boeri[10]使用半经验模型，扩散模型和人工神经网络模型来预测盐渍鳕鱼干燥动力学，结果表明，半经验模型预测能力相关系数在0.992～0.997，相关性范围在0.864～0.959。在探究大西洋鲭鱼烘烤过程中，预测烘干后水分含量和色度建立ANN 模型同样具有较高的拟合程度[33]。ANN模型展现出较好的结果，相关系数在0.987～0.999之间变化。

本研究旨在建立多因素热风干燥巴沙鱼片的干燥动力学曲线，并研究多因素干燥条件下对其干燥机理的影响。通过干燥实验，构建适用于干燥巴沙鱼片的BP神经网络模型，这将有助获得精确的干燥时间，从而减少过度干燥而出现能耗浪费的现象，并为以后的工业化生产提供理论指导。此外，BP神经网络的强适应性应当引起其他学者的关注，并为其他食品领域所要建立的类似模型，做出应用扩展性的贡献。

1材料与方法

1.1材料与仪器

巴沙鱼，大连新长兴市场采购，10 kg冷冻巴沙鱼柳，然后立即送往实验室进行每尾1袋真空包装，储藏在-20 ℃的冷库中保存。根据GB 5009.3中的水分含量直接测定方法[11]，得到其初始水分含量为78.3%，并设定所有巴沙鱼片干燥起始时水分含量均为其初始水分值;山梨糖醇（食品级），河南千志商贸有限公司;味精，上海太太乐食品有限公司;食盐，大连盐业有限公司。多功能热风干燥箱（SCC WE 101/1），德国 RATIONAL 公司;烘箱（PH070A型），上海一恒科技有限公司;电子天平（FA2004），上海方瑞仪器有限公司。

1.2方法

1.2.1鱼片腌渍处理方法（1）鱼片预处理：本试验选择（800±200）g/尾的冷冻巴沙鱼片，去皮去尾，选取鱼片背部肉质均匀处肌肉为试验原料。实验进行前，将巴沙鱼片置于4 ℃条件下缓化24 h[12]，后切成大小为4 cm×4 cm×2 cm，质量为（10±0.5）g的鱼片。（2）腌渍液的配制：腌渍液由纯净水、山梨糖醇、食盐、味精组成，山梨糖醇的质量百分比为25%～35%，食盐的质量百分比为1%～2%，味精的质量百分比为0.4%～0.75%，余量为纯净水[13]。（3）鱼片的腌渍：将处理好的鱼片放入到腌渍液中进行腌渍，鱼片与腌渍液的质量比为1∶1～1∶1.2，然后搅拌使鱼片浸入腌制液中，冷藏在4～6 ℃下腌渍2 h后沥干备用。

1.2.2鱼片干燥方法干燥实验根据Bahadr等[14]的方法进行改进，将腌渍后的鱼片均匀地摆在物料网盘上。分别选择烘箱内干燥温度、空气相对湿度、空气流速3个指标作为实验的干燥控制点。干燥温度分别选择60、70、80、90 ℃;空气相对湿度分别选择0%、20%、40%;空气流速分别选择8、16、25 m/s，共计36 组鱼片干燥实验。每组实验5片鱼片平行取平均值。干燥过程中每5 min称量鱼片质量，电子天平的称量精度为±0.01 g。鱼片的最终水分含量达到20%后暂停干燥。

1.2.3干燥动力学曲线鱼片的水分比（MR）根据Kaveh等[15]的方法进行计算，鱼片在不同时间t水分比的计算公式如式（1）：

式（1）中，M—任意干燥时刻t的干基含水率（g/g）;M—初始干基含水率（g/g）;M—平衡干基含水率（g/g）[16];根据Maskan等[17]的研究，M干燥时可以忽略，计算时按照0计算。

干燥过程中鱼片的干燥速率（DR）采用式（2）计算：

式（2）中，M—巴沙鱼在干燥过程中在t时刻的干基含水率（d/d）;M—巴沙鱼在干燥过程中在t时刻的干基含水率（d/d）;t、t—干燥时间（min）。

1.2.4BP神经网络设计（1）BP神经网络结构BP神经网络的基本拓扑结构包括输入层及其神经元个数，单层隐藏层及隐含层神经元个数，和输出层一个神经元[18]（图1）。

可以通过所设计的基本网络结构，参考前人方法[19]，设置对应输入、隐藏、输出之间传播和偏差的理论方程，如式（3）～（8）。从输入层至隐含层的传播公式为式（3）～（5）：

BP神经网络模型的输入层由干燥时间、干燥温度、空气相对湿度和空气流速4个神经元组成，输出层的神经元设定一项为水分比。BP神经网络模型类型根据Torrecilla[20]的研究结果，选取BP神经网络模型，其能够有效便捷地完成学习、训练和测试等过程。为了减小模型运行中数据集内的变化与异常，对实验数据集进行归一化处理，区间在[0，1]。

1.3数据处理

采用MATLAB（版本7.14.0.739，R2012a）中的神经网络工具箱对数据进行处理，建立BP神经网络模型;采用OriginPro（版本8.5.0 SR1）进行数据处理以及绘图。

2结果与分析

2.1干燥曲线

依据中国农业农村部颁发的绿色食品-干制水产品标准[25]，设定干制巴沙鱼片水分含量终点为20%，确定最终MR≤25.56%。如图2，巴沙鱼片的水分比下降趋势可分为两个阶段。第一阶段伴随干燥时间增长，水分比呈现快速下降趋势，原因可能是由于其表面浅层存在大量水分，受热后易蒸发，故此时水分比下降较快。但当巴沙鱼片浅层水分蒸发后，此时巴沙鱼片水分比约在40%～60%，进入第二阶段水分比开始缓慢降低，这一结果与之前研究一致[26]。

图3能够直观地分析得出，空气流速与干燥温度是影响巴沙鱼片干燥速率高低的主要因素。当空气流速为25 m/s时，呈现干燥速率明显较高，与空气流速为8 m/s的干制时间相比，达到干制终止程度所用总用时缩减约28.57%～50%。就干燥速率而论，在干燥温度为60 ℃时，干燥速率普遍缓慢，而在干燥温度为80 ℃时，干燥速率明显加快，最高可达到约0.4（dMt/dt）。

2.2BP神经网络构建

2.2.1BP神经网络结构由表1可得，将BP神经网络模型的关键设置参数汇总如下，用于编写神经网络语法程序，本实验以此为技能参数进行设计模型[27]，采用MATLAB.2012a软件。对36组干燥实验数据收集并处理，共得出424组实验真实数据，其中，70%的实验数据为训练集、15%的实验数据为测试集、15%的实验数据为验证集[28-29]。隐含层数的不同，影响着神经网络在运算时的准确性与时效性。如果有准确性的保障，对于隐含层数选择，层数越少运算效率越高，借鉴前人的设计方法[30-31]，选择隐含层数为一层。而对于隐含层神经元数的选择，是模型构建结果准确性的主要因素，故选择使用试错法进行，结果如表2所示。在模型其他参数变量保持不变的情况下，改变隐含层神经元个数，观察RMSE值的变化。RMSE值越小说明所建立神经网络模型的预测能力越高，故选取隐含层神经元个数为12，此时RMSE值最小为0.040 0，最终确定神经网络拓扑结构为4a-12b-1c。

2.2.2BP神经网络分析根据实验设计及不同隐含层神经元预测误差分析，确定实际应用BP神经网络拓扑结构（图4）。模型构建选择经典的1个输入层、1个隐含层和1个输出层[32]，并设定各层级神经元个数分别为4、12、1。

结果表明，根据试验条件所构建出的BP神经网络。前馈反向传播训练算法较适合用于干燥时间、空气相对湿度、干燥温度和空气流速的水分比预测。训练后的网络性能如图5所示，各分析数据集的误差与模型构建目标误差相对接近。对于BP神经网络模型，为寻求在每个情形下实验数据和模拟数据的最小相关误差，建立准确性预测模型。当在运行迭代次数到20 代时，训练结果误差与设定误差相结合，此时训练停止。根据式（3）～（8）的计算，可以得到BP神经网络模型准确的权值和偏差值，这一结果将有利于模型的再次重建及提高模型的准确预测能力。用于预测水分比的ANN模型拓扑结构以及得到的最优网络的权值和偏差值如表3所示。

2.2.3人工神经网络性能根据模型的设计，使用MATLAB中提供的數学函数创建训练，测试和验证数据集，并对各数据集进行线性回归分析，分别绘制训练集，测试集和验证集线性回归图示（图6）。得到相应的回归模型预测能力结果，其中相关系数R值分别为训练集0.994 9、测试集0.996 7、验证集0.995 5，说明此时回归模型的性能最佳。

2.2.4模型预测结果分析为做出进一步准确性判断，随机选出124组实验值与其相对应的模型预测值对比。选取的124组数据中包括巴沙鱼片干燥初阶段、中阶段和结束阶段的实测水分比值，其目的是为了验证此模型是否能在巴沙鱼片每阶段的预测值的准确性能。从图7中我们能够得出，巴沙鱼片不同的水分比值代表着不同的干燥阶段，而在不同的干燥阶段所表现出真实值与预测值之间的差异。图7可以直观地看出，运用此模型所预测出的预测值与相应的实验真实值非常接近，预测性能较好。李自娟[33]通过ANN预测卷烟制丝关键环节的水分得到预测数据与实际数据一致模型可靠的结论。

2.3BP神经网络模型预测结果验证

为了得出实验值与预测值之间的相关性，故对2组数据进行相关性拟合分析。如图8所示，经处理得出实验真实值与模型预测值之间的决定系数R为0.996 5，结果表明，两组数值的拟合程度较高，能够体现模型的构建具有较优的预测能力。可得BP神经网络预测巴沙鱼片干燥水分比具有很强的预测能力，且本模型能够较好地模拟出整个巴沙鱼片干燥水分比变化过程，预测出各时间段巴沙鱼片的水分比，为生产即食鱼片提供了较好模型参考。

3结论

本试验以适应于巴沙鱼的干燥水分比构建BP神经网络模型（拓扑图为4a-12b-1c）为落脚点，能够对巴沙鱼片干燥動力学模型做出较好的模拟和预测，研究成果可应用于鱼片及相关干燥产品，为其提供了关键控制点快速检测技术支持。结果表明，BP神经网络模型能够很好地模拟与预测巴沙鱼片在多因素热风干燥过程中的含水率值，预测结果较为真实有效，其中最优隐含层均方根误差RMSE为0.040 0，预测模型拟合分析中实验值与预测值相关系数为0.996 5，预测快速且准确。BP神经网络模型能够将干燥过程中所有影响因素都考虑其中，在便捷性和准确性等方面具有优势[34]。通过对干燥条件范围的选择，观察产物在每组干燥条件下水分比和干燥速率的变化情况，及达到终产物水分含量要求所用时间。通过所用时间间接反应出每一干燥组所消耗能量高低，这对于即食产品工业化生产具有指导意义。参考文献

[1]Dufour P.Control engineering in drying technology：review and trends[J].Drying Technology，2006（24）：889-904.

[2]Kondakci T，Zhou W B.Recent applications of advanced control techniques in food industry [J].Food Bioprocess Technology，2017（10）：522-542.

[3]Zhang Y H，Ma L，Otte J.Optimization of hydrolysis conditions for production of angiotensin-converting enzyme inhibitory peptides from Basa fish skin using response surface methodology[J].Journal of Aquatic Food Product Technology，2016，25（5）：684-693.

[4]孙俊，唐凯，毛罕平，等.基于MEA-BP神经网络的大米水分含量高光谱技术检测[J].食品科学，2017，38（10）：272-276.

[5]张利娟，耿令新，金鑫，等.基于BP神经网络的小麦真空干燥含水率预测模型[J].河南工业大学学报（自然科学版），2016，37（3）：101-105.

[6]闻新，李新，张兴旺，等.应用MATLAB实现神经网络[M].北京：国防工业出版社，2015：1-296.

[7]王丽艳，蒋爱国，郭树国.基于BP神经网络的猕猴桃切片品质参数预测研究[J].中国农机化学报，2015，36（4）：136-139.

[8]Karimi F，Rafiee S，Taheri-Garavand A，et al.Optimization of an air drying process for artemisia absinthium leaves using response surface and artificial neural network models[J].Journal of the Taiwan Institute of Chemical Engineers，2012，43（1）：29-39.

[9]Moon J H，Kim M J，Chung D H，et al.Drying characteristics of sea cucumber（stichopus japonicas selenka）using far infrared radiation drying and hot air drying[J].Journal of Food Processing & Preservation，2014，38（4）：1-13.

[10]Boeri C，Silva F N D，Ferreira J，et al.Predicting the drying kinetics of salted codfish（Gadus Morhua）：semi‐empirical，diffusive and neural network models[J].International Journal of Food Ence & Technology，2011，46（3）：509-515.

[11]国家卫生和计划生育委员会.食品安全国家标准 食品中水分的测定：GB 5009.3—2016 [S].北京：中国标准出版社，2016：1-2.

[12]Soleiman H，Shahin R，Mortaza A.Computer Vision System（CVS）for in-line monitoring of visual texture kinetics during shrimp（Penaeus spp.）drying[J].Dry Technology，2015（33）：238-254.

[13]姜鹏飞，郭敏强，沈鹏博，等.一种即食巴沙鱼片的制作方法：201810371151.6[P].2018-04-24.

[14]Bahadir M，Aktas M，Sevik S.Modeling of a convective-infrared kiwifruit drying process[J].International Journal of Hydrogen Energy，2017（42）：18005-18013.

[15]Kaveh M，Chayjan R A.Modeling thin-layer drying of turnip slicer semi-industrlal continuous band dryar[J].Journal of Food Processing and Preservation，2016，41（2）：12778.

[16]白竣文，周存山，蔡健荣，等.南瓜片真空脉动干燥特性及含水率预测[J].农业工程学报，2017，33（17）：290-297.

[17]Maskan M.Microwave/air and microwave finish drying of banana[J].Journal of Food Engineering，2000，44（2）：71-78.

[18]Moldes O A，Mejuto J C，Rial-Otero R，et al.A critical review on the applications of artificial neural networks in winemaking technology[J].Critical Reviews in Food Science and Nutrition，2017，57（13）：2896-2908.

[19]Tarafdar A，Shahi N C，Singh A.Artificial neural network modeling of water activity：a low energy approach to freeze drying[J].Food Bioprocess Technology，2018（11）：164-171.

[20]Torrecilla J S，Aragón J M，Palancar M C.Optimization of an artificial neural network by selecting the training function.Application application to olive oil mills waste[J].Industrial and Engineering Chemistry Research，2008，47（18）：7072-7080.

[21]Beigi M，Torki-Harchegani M，Mahmoodi-Eshkaftaki M. Prediction of paddy drying kinetics：A comparative study between mathematical and artificial neural network modeling[J].Chemical Industry & Chemical Engineering Quarterly，2017，23（2）：251-258.

[22]Torrecilla J S，Otero L，Sanz P D.A neural network approach for thermal/pressure food processing[J].Journal of Food Engineering，2004，62（1）：89-95.

[23]陳炎，屠泽慧，聂文，等.基于BP神经网络的烟熏香肠色泽预测研究[J].食品研究与开发，2017，38（20）：1-10.

[24]Shojaeefard M H，Zare J，Tabatabaei A，et al.Evaluating different types of artificial neural network structures for performance prediction of compact heat exchanger[J].Neural Comput & Applications，2017（28）：3953-3965.

[25]中华人民共和国农业农村部.绿色食品 干制水产品：NY/T 1712—2009 [S].北京：中国农业出版社，2009：1-3.

[26]Malekjani N，Jafari S M，Rahmati M H，et al.Evaluation of thin-layer drying models and artificial neural networks for describing drying kinetics of canola seed in a heat pump assisted fluidized bed dryer[J].International Journal of Food Engineering，2013，9（4）：375-384.

[27]Bai J W，Xiao H W，Ma H，et al.Artificial neural network modeling of drying kinetics and color changes of ginkgo biloba seeds during microwave drying process[J].Journal of Food Quality，2018（2018）：1-8.

[28]Mahjoorian A，Mokhtarian M，Fayyaz N，et al.Modeling of drying kiwi slices and its sensory evaluation[J].Food Science & Nutrition，2016，5（3）：466-473.

[29]姜鹏飞，吴吉玲，黄一珍，等.基于人工神经网络的大西洋鲭鱼烘烤过程中水分和色度值预测模型[J].食品研究与开发，2021，42（7）：13-19.

[30]Murthy T P K，Manohar B.Microwave drying of mango ginger（Curcuma amada Roxb）：prediction of drying kinetics by mathematical modelling and artificial artificial neural network[J].International Journal of Food Science and Technology，2012，（47）：1229-1236.

[31]姜鵬飞，郑杰，陈瑶，等.人工神经网络在水产领域中的应用[J].食品与发酵工业，2021，47（19）：288-295.

[32]Guldas M，Kurtulmus F，Gurbuz O.Prediction of lethality by nonlinear artificial neural network modeling[J].Journal of Food Process Engineering，2017，40（3）：1-8.

[33]李自娟，刘博，高杨，等.卷烟制丝环节关键工序水分预测模型的建立与检验[J].食品与机械，2020，36（10）：190-195.

[34]张斌，孙兰萍，施颖，等.基于人工神经网络法优化河蚌多糖超高压提取工艺[J].食品与机械，2016，32（11）：148-153.

Establishment of Prediction Model for Drying Moisture Content

of Basha Fish Fillets Based on Artificial Neural NetworkGUO Min-qiang ZHU Kai-yue CHEN Yao SHANG Shan

WANG Shu-chen PEI Long-ying JIANG Peng-fei LIU Yu-xin（1School of Food Science and Technology，Dalian Polytechnic University，National Research Center for Marine

Engineering Technology，Dalian 116034，China;2Department of Food Science and Engineering，Xinjiang

Institute of Technology，Akesu 843000，China;3Dalian Qianri Sea Food Co.，Ltd.，Dalian 116034，China）Abstract：Objective To realize the real-time monitoring of the moisture content of Basha fish fillets during hot air drying on-line.Method The effects of drying temperature（60，70，80，90℃），air relative humidity（0，20%，40%）and air flow velocity（8，16，28 m/s）on drying time and drying rate of Basha fillets were investigated.The key factors，such as drying time，drying temperature，air relative humidity and air flow velocity，were used as input layer，the number of neurons in hidden layer was 12，and real-time moisture content of sashimi was taken as output layer.Result and Conclusion The three drying factors can significantly affect the instant moisture content and drying rate of Basha fish fillet，and the maximum drying efficiency can be increased by about 50%，which can effectively adjust the drying efficiency of Basha fish fillet and reduce the operation cost of the product.BP neural network model was built based on the hot air drying mechanism of Basha fish fillet.The calculation error of hidden layer neuron function was small，and its RMSE（root mean square error）is 0.040 0，and the operation of the model was relatively stable.The R2 is 0.996 5.The model prediction is convenient and accurate，which can provide the theoretical reference for dried Basha fish fillets and related products.

Keywords：hot-air drying;basha fish;moisture content;artificial neural network