人工神经网络在新鲜奶酪中的应用现状及发展前景

孙嘉，郑远荣，刘振民*，徐杏敏，张娟

（1.上海大学生命科学学院，上海 201899；2.乳业生物技术国家重点实验室，上海乳业生物工程技术研究中心，光明乳业股份有限公司乳业研究院，上海 200436）

新鲜奶酪，也称新鲜干酪，是一种以生牛乳或生羊乳为原料乳，在加工过程中不经过熟化的奶酪。新鲜奶酪通常具有质地柔软、水分含量相对较高、奶酪味清淡、奶香浓郁的特点，因此拥有着很好的市场发展前景[1]。随着国内生活水平的提高，人们在饮食的营养性和多样性上展示出更大的需求，因而新鲜奶酪逐渐受到国内研究者和消费者的关注，尤其是马苏里拉奶酪（Mozzarella cheese）和哈罗米奶酪（Halloumi cheese）。

相较于美国、欧洲等其他国家和地区，目前我国工业化生产新鲜奶酪的厂家较少，导致国产新鲜奶酪产量难以满足日益增长的市场需求，因此，优化新鲜奶酪的生产工艺，对提高奶酪的生产得率显得十分必要。然而，新鲜奶酪的生产过程具有多变量耦合性，因而仅通过试验的方式来寻求最优生产工艺具有一定难度，且容易导致产品研发周期过长、试验成本过高、优化结果不理想等问题。因此，当前在新鲜奶酪生产工艺方面缺乏一种科学高效的工艺优化方法。

人工神经网络是一种能够模仿生物进行归纳、学习、分析和逻辑思考等神经行为的数学模型，通常简称为神经网络或类神经网络。经过近80年的发展[2]，ANN 已经具备了良好的智能性，并凭借其强大的自学习能力和高速寻优能力，在图像处理、医学、生物学等领域中均得到了广泛应用。在食品中的新鲜奶酪领域，ANN 目前多用于对生产和贮存过程中的指标数据进行预测，并取得了很好的应用效果。

1 新鲜奶酪的种类及研究进展

受各地奶源品质差异和饮食习惯不同的影响，各个国家或地区出现了各种具备当地特色的新鲜奶酪[3]，如意大利的马苏里拉奶酪、法国的白干酪（fromage frais）、英国的农家奶酪（cottage cheese）、丹麦的奶油奶酪（cream cheese）以及塞浦路斯的哈罗米奶酪等。其中，马苏里拉奶酪是全球产量最多、应用最为广泛的新鲜奶酪，而哈罗米奶酪在近几年逐渐成为研究热点，因此本文选取这2 种新鲜奶酪进行重点介绍，为未来该新鲜奶酪的生产研究和优化提供参考。

1.1 马苏里拉奶酪

马苏里拉奶酪是一种拉伸型的半硬质奶酪，呈乳白色或乳黄色，口感清淡、味道柔和、并具有一定咀嚼性。在马苏里拉奶酪的生产加工中，热烫拉伸是其独特工艺。这一工艺使得马苏里拉奶酪具备纤维状的蛋白结构以及融化拉丝的功能，因此马苏里拉奶酪通常被用于制作比萨、汉堡夹心、意面调料、焗饭调料等[4]。马苏里拉奶酪的工艺流程如图1所示。

图1 马苏里拉奶酪的工艺流程Fig.1 Preparation process of mozzarella cheese

目前，国内外学者对马苏里拉奶酪的原料乳及关键工艺参数的影响展开了较多研究。在原料乳方面，Gonçalves 等[5]研究表明，牛奶中脂肪含量的降低会引起马苏里拉奶酪硬度的增加，进而导致其融化性降低。Bhat 等[6]研究了不同奶源（牛奶和水牛奶）对马苏里拉奶酪化学特性、流动性和感官特性的影响，研究结果显示，由牛奶制备的马苏里拉奶酪的蛋白含量更高、弹性更好、感官品质更好，而由水牛奶制备的马苏里拉奶酪的脂肪含量更高、奶酪得率更高。尽管马苏里拉奶酪在生产时具有高温拉伸过程，但这并不能完全消除奶酪中的病原体，因此仍需对原料乳进行巴氏杀菌处理。根据Rynne 等[7]研究，巴氏杀菌温度为72 ℃最佳，更高的温度会降低马苏里拉奶酪的流动性和拉伸性，更低的温度会降低杀菌效果。在发酵pH 值方面，Mcauliffe 等[8]认为马苏里拉奶酪的最佳pH 值范围为5.2～5.5，低于该范围的pH 值会导致酪蛋白流失，高于该范围的pH 值会导致奶酪中的钙含量偏高，从而影响硬度和流动性。在添加盐方面，张文青等[9]研究了3 种钙盐对再制马苏里拉奶酪质构的影响，认为3 种钙盐按影响力大小的排序为柠檬酸钙＞氯化钙＞乳酸钙，并且3 种钙盐的最适添加量分别为1.0%，2.0%和1.5%。热烫拉伸过程对奶酪的功能特性和得率均有一定影响[10]。因此，周颖喆[4]研究了热烫温度（40、60 ℃和80 ℃）和拉伸程度（40、80 次和120 次）对马苏里拉奶酪功能特性的影响，并认为60 ℃下中高程度的拉伸处理更能保证奶酪良好的功能特性。此外，Fox 等[10]研究了拉伸时间（180、420 s 和600 s）和拉伸温度（55、60 ℃和70 ℃）对马苏里拉奶酪得率的影响，与恒温下凝乳的初始质量相比，当拉伸温度从55 ℃升高到70 ℃，奶酪产量会从0.88 g/g 降低到0.59 g/g，并且得率会随着拉伸时间的延长而降低。因此，综合来看，55～60 ℃的拉伸温度有利于保证奶酪具有良好的功能特性和较高的得率，而较多的拉伸次数（即拉伸时间更长）虽然有利于提高奶酪的功能特性，但会导致奶酪得率降低，这需要在实际生产中进行权衡。此外，为提高马苏里拉奶酪的保质期，刘沛毅等[11]通过应用一种新型凝胶卤水的方式，将马苏里拉奶酪的保质期提高了10 d 以上。在工艺参数优化方面，目前传统的方法是将正交试验法[12]与响应面分析法[13]相结合，这一方法能够通过合理设计试验方案的方式来减少试验次数，但由于回归方程相对简单，因此计算值与试验值之间的误差通常较大。

1.2 哈罗米奶酪

哈罗米奶酪是一种煎烤型的半硬质奶酪，多呈金黄色。新鲜哈罗米奶酪具有温和的奶油风味，呈现无孔半固体状态，富有弹性而易切割[14]。区别于其他新鲜奶酪，在哈罗米奶酪的生产加工中，其凝乳过程可以仅使用凝乳酶而不添加其他发酵剂[15]。此外，经过在乳清中进行烫漂[16]，哈罗米奶酪具有了更好的抗融性，因此其通常作为烧烤或油炸食品的原料。哈罗米奶酪的工艺流程[17]如图2所示。

图2 哈罗米奶酪的工艺流程Fig.2 Preparation process of halloumi cheese

在原料乳的选取上，有研究对比了羊奶和牛奶的差异。在以羊奶为原料制备哈罗米奶酪时，奶酪的得率和蛋白质含量相对更高，但容易保留羊奶的奶腥味，从而在一定程度上影响奶酪的口感和风味[18]。作为对比，在以牛奶为原料时，哈罗米奶酪的奶香味更易被人们接受，但奶酪的咀嚼性相对较差[16]。根据赵赛楠等[18]研究，综合考虑奶酪得率、质地和感官评分，当牛羊乳体积比为1∶1 时，奶酪的整体情况最佳，此时的奶酪得率为11.99%。此外，赵赛楠等[19]认为65 ℃和30 min的巴氏杀菌条件，0.015%的CaCl2添加量以及分级压榨（先0.2 MPa 预压20 min，后0.6 MPa 压榨40 min）是哈罗米奶酪的最佳工艺方案。Kaminarides 等[20]研究了加热排乳清时间对哈罗米奶酪化学特性、结构特性以及挥发性成分的影响，研究结果表明：通过加热乳排清工艺，奶酪中的Ca 和P 含量会增加，硬度会由于水分的显著降低而增大，挥发物中醇类化合物的占比降低，而γ-十内酯、3-羟基丁醛、2-呋喃甲醇和2-羟基呋喃酮的占比会增加。之后，该研究通过感官评价，认为30 min 的加热排乳清时间优于60 min。为了进一步探究加热排乳清过程的影响，李红娟等[21]研究了加热排乳清温度（60～90 ℃）对哈罗米奶酪理化特性的影响，研究表明，随加热温度升高，奶酪的油脂析出性、硬度、脂肪含量逐渐增大，而蛋白质、水分含量的变化不明显，综合评价后认为加热温度为80～90 ℃最佳，此时的哈罗米奶酪质地较为坚硬，油脂易于析出，品质相对较好。为了进一步分析不同盐渍过程的影响，Kaminarides 等[22]对比了干盐渍和盐水盐渍对哈罗米奶酪化学和结构特性的影响，试验发现：经盐水盐渍的奶酪，其水分含量会随着盐水浓度、盐水温度以及盐渍时间的增加从53.55 g/100 g 逐渐降低至45.53 g/100 g，且其钾、钙、镁、磷的含量均低于干盐渍，因此，该研究认为干盐渍更适合于哈罗米奶酪。Kamleh 等[23]通过试验观察不同冷藏温度下哈罗米奶酪微生物的变化情况，发现当冷藏温度从15 ℃降低至5 ℃时，奶酪的保质期会从37.8 d 增加至79.6 d。

2 人工神经网络概述

人工神经网络的概念最早由心理学家McCulloch和数理逻辑学家Pitts 于1943年提出[2]。之后，Rosenblatt[24]进一步提出了感知机的概念。但是，作为第一代神经网络，感知机的单层结构限制了其自学习的能力，因此只能被用来处理一些线性问题[25]。第二代神经网络出现于19世纪80年代，由Hopfield 等[26]和Rumelhart等[27]提出。相较于第一代，其优点是采用了多层结构，并使用了反向传播（back-propagation，BP）算法，通用性更好，但仍存在网络收敛速度慢、容易出现局部最小值的问题。因此，Hinton 等[28]于2006年提出了第三代人工神经网络，也被称为深度置信网络（deep belief networks，DBN）。卷积神经网络（convolutional neural network，CNN）和全连接神经网络（fully connected neural network，FCNN）是2 种常见的深度算法[29]。相比于第二代人工神经网络，DBN 降低了学习隐藏层参数的难度。以下对当前应用较为广泛的3 种ANN 模型进行详细介绍。

2.1 多层感知器神经网络

单层感知器（single-layer perceptron，SLP）是人工神经网络最基本的模型，其结构示意图如图3所示。

图3 SLP 示意图Fig.3 Schematic diagram of SLP

由图3 可知，在SLP 工作时，首先将输入值xi和权值wj分别相乘，求和后经激活函数运算后进入输出层，进行输出。在SLP 基础上提出的多层感知器（multi-layer perceptron，MLP）共分为3 层，分别为输入层、隐藏层（一层或多层）和输出层。MLP 的具体计算公式如下。

Key words: “Internet +”; professional ability of university teachers; strategies for professional development

式中：x为输入层的输入；z为隐藏层的输出；i、j、p为神经网络节点的标号；n为层数的索引；w、w0分别为神经元间的权重和偏向；a为输出层的输入；F（·）为激活函数；y为输出层的输出。

仅含有一个隐藏层的MLP 示意图如图4所示。

图4 含有一个隐藏层的MLP 示意图Fig.4 Schematic diagram of an MLP with one hidden layer

相比于SLP，MLP 具有很好的非线性计算能力和全局优化的特点，因此，MLP 能够很好地应用于相对复杂的非线性目标的预测[30]。目前，MLP 在奶酪研究中已经得到了广泛应用。Barile 等[31]将MLP 与主成分分析（principal component analysis，PCA）相结合，实现了对奶酪产地的准确鉴定。Cho 等[32]将压电和超声传感器测量的数据输入MLP 中，建立了能够高精度预测奶酪杨氏模量和硬度的ANN 模型，预测精度分别达到97.5%和98.4%。Soto-Barajas 等[33]验证了利用脂肪酸和近红外光谱数据建立的MLP 模型预测乳酪乳型和成熟程度的可行性。此外，Santos 等[34]和Ghasemi-Varnamkhasti 等[35]还分别研究了MLP 在奶酪分类上的应用，研究结果均表明所建立MLP 模型能够实现奶酪的有效识别和分类。然而，尽管MLP 具有上述优点，但由于缺少对输出结果误差的反馈修正，MLP 容易出现训练误差远小于测试误差的问题，即产生过拟合现象。

2.2 反向传播神经网络

反向传播神经网络的结构如图5所示。图5 中各字母注释与上式（1）～式（3）保持一致，因此不再重复。

图5 BP 神经网络示意图Fig.5 Schematic diagram of BP neural network

相较于MLP，BP 增加了由输出层向隐藏层的反向传输，即图5 中的虚线。其作用是传输实际输出与期望输出之间的误差，并以此为依据不断地调整式（1）～式（2）中的权重和偏向来减小误差，最终达到实际输出接近期望输出的目的。从本质上讲，BP 算法就是采用梯度下降法来计算网络误差平方最小值的一种局部优化技术。BP 神经网络是目前应用最为广泛一种的神经网络。Morita 等[36]利用BP 神经网络成功地识别和排序了影响奶酪感官评分的香气成分，并实现了对奶酪质量的快速评价。Hernández-Ramos 等[37]研究了使用BP 神经网络预测奶酪生产所用牛奶的体细胞数量的可行性，并认为脂肪酸度是影响该模型正确运作的关键变量。

2.3 卷积神经网络

卷积神经网络（CNN）是一种深度算法，具有自动提取输入目标特征，并能按规律进行分类的功能，主要应用于图像处理、目标识别和自然语言处理等领域[38]，其示意图如图6所示。

图6 CNN 示意图Fig.6 Schematic diagram of CNN

区别于MLP 和BP 神经网络，CNN 的各层是由神经元组成的二维平面所构成，且其隐藏层由三部分组成，分别为卷积层、池化层和全连接层。其中，卷积层是CNN 的关键步骤，其作用是对输入层进行特征提取。卷积层的输出通过池化层进行压缩，以简化网络计算的复杂度。在进行池化处理时，一般选取均值池化法或最大池化法[39]。全连接层则是负责将池化层提取到的特征图转变为特征向量，并将这些特征进行非线性组合，以此得到输出。

CNN 是近年来逐渐兴起的深度神经网络，因此，相较于MLP 和BP，CNN 在奶酪研究中的应用还相对较少。将计算机视觉和图像分析方法与CNN 相结合是一种能够实现奶酪品质评价的新方法[40]，相较于传统的评价方法，该方法将更加高效、可靠。

3 ANN 在新鲜奶酪中的应用

在使用传统的工艺优化方法时，如正交试验法、响应面分析法等，即使选取的工艺参数和优化目标不同，但其优化流程大致相同。基于ANN 的工艺优化方法同样具有这一特点。也就是说，虽然不同ANN 方法的使用方式各有差异，但在使用ANN 对新鲜奶酪的生产工艺参数进行优化时，其流程大致相同。图7 为以感官评分为优化目标，对某一生产方案进行优化时的流程示意图，主要包括以下4 个步骤：设计正交试验并建立数据样本、训练并检验神经网络模型、对新工艺参数组合进行预测、试验检验。

图7 基于人工神经网络的工艺优化流程示意图Fig.7 Schematic diagram of process optimization based on artificial neural network

3.1 在发酵过程中的应用

奶酪的发酵机理比较复杂，这使得建立发酵质量的评估模型具有很大的挑战性。第一性原理模型已经被用于奶酪发酵过程的研究[41]。然而，由于第一性原理模型计算所需的一些数据不能被直接测量，如生物量、底物乳糖和产物乳酸等，使得第一性原理模型不能及时地获取发酵情况[42]。因此，需要寻找一种更为高效、可靠，且能够及时预测和反映发酵情况的替代模型。为了验证ANN 作为替代模型的可行性，Ebrahimpour 等[43]建立了一种用以预测奶油奶酪发酵pH 值的ANN 模型，并将ANN 模型预测结果与基于第一性原理所建立的动力学模型作比较。研究结果表明：由于pH值不能简单地与模型状态（如乳酸浓度）相关联，因此使用动力学模型很难实现对发酵pH 值的准确计算；而在使用ANN 模型时，虽然在预测发酵过程中间pH值时有一定误差，但对发酵结束时pH 值的预测准确度较高，预测值与试验值之间的相对误差仅为0.2%～1.5%。此外，ANN 模型的输入量为可直接测量获取的数据，这将有利于在大规模实际生产中，及时对发酵过程进行调整和优化，以保证奶酪的最终质量。

3.2 在盐渍过程中的应用

在盐渍过程中，浸泡在饱和盐溶液中的奶酪会在其表面形成一层薄膜，该薄膜对不同盐溶液的扩散有不同的阻碍作用。为了研究NaCl 和KCl 在马苏里拉奶酪表面薄膜中的扩散速率，Borsato 等[44]基于COMSOL Multiphysics 软件建立了三维有限元模型，模拟了NaCl和KCl 在奶酪表面薄膜中的扩散过程。使用仿真软件是一种很好的研究手段，但是仿真结果会在一定程度上受到模型简化处理的影响，从而导致其与试验结果之间出现一定误差。为了验证通过ANN 实现对NaCl和KCl 扩散速率预测的可行性，Borsato 等[44]建立了一种MLP 神经网络，以盐渍时间、盐浓度以及盐水有无搅拌作为输入数据，以NaCl 和KCl 扩散到奶酪不同位置的时间作为输出数据，研究表明：在5%置信水平（Tukey 检验）下，MLP 神经网络的预测结果是可信的。之后，De Oliveira 等[45]还进一步通过可视化的自组织图（self-organized maps，SOM）神经网络研究了马苏里拉奶酪表面薄膜对Na+和K+扩散的影响，并得到了相似的结论。

3.3 在预测质构特性中的应用

奶酪的成分参数对其质构特性具有直接影响，如奶酪中的钙含量与其硬度成正比。对于马苏里拉奶酪来说，奶酪硬度的增加意味着其流动性的降低[46]。因此，需要先采取合适的方法将马苏里拉奶酪的钙含量与流动性相关联，以在实际生产过程中控制其钙含量大小。Ganesan 等[47]建立了一种BP 神经网络模型，实现了基于马苏里拉奶酪钙含量的流动性的预测，并将该模型的预测精度与传统的统计回归模型进行了比较，研究结果表明：在以奶酪的熔融面积、软化温度、软化时间、融化时间、流动程度和流动速率为预测目标时，回归模型的预测值与试验值之间的R2分别为0.57、0.52、0.66、0.74、0.53 和0.67，而BP 神经网络模型的预测值与试验值之间的R2分别为0.92、0.89、0.95、0.97、0.95 和0.99。相关系数越接近于1.0 表示模型的预测结果越接近于试验结果。该研究表明，相较于统计回归模型，ANN 模型在预测精度上具有明显优势。

3.4 在预测保质期中的应用

保质期以及奶酪存放一段时候后的酸度是评价新鲜奶酪的两个重要指标。奶酪的保质期受存储环境的温度、湿度以及包装条件等因素影响。为了评估ANN模型对新鲜奶酪保质期及酸度的预测能力，Sánchez-González 等[48]建立了一种BP 人工神经网络模型，并利用Weibull 分析法来计算奶酪的保质期。研究结果表明，在对保质期和酸度分别进行预测时，BP 人工神经网络模型的R2分别为0.999 6 和0.689 7。因此，结合Weibull 分析法的BP 人工神经网络模型能够很好地预测奶酪的保质期，但在预测其酸度时表现一般。

3.5 在预测渗滤液量中的应用

放置一段时间后，马苏里拉奶酪会释放出少量的渗滤液，这将直接影响奶酪的口感和消费者的喜爱程度。研究表明，奶酪的原料乳、切割方式以及包装方式会对马苏里拉奶酪释放的渗滤液量产生影响[49]，具体表现：相较于盐水包装，马苏里拉奶酪在真空包装下的渗滤液量明显更多，同时，在真空包装下，奶酪的切割方式会对渗滤液产生显著影响；此外，在牛奶中添加羊奶能够在一定程度上削弱真空包装对渗滤液释放的影响。为了实现对马苏里拉奶酪渗滤液的预测，Biegalski 等[49]建立了一种MLP 人工神经网络，模型的输入包括4 个独立变量，分别为时间（24 h 内）、原料类型（牛奶或牛羊奶）、奶酪切割方式（整份、1/4 份、切片）以及包装方法（真空包装和盐水包装），模型的输出为不同时间下渗滤液的体积。在该研究中，模型预测结果的R2达到了0.996。因此，Biegalski 等[49]认为ANN 模型可用于马苏里拉奶酪的生产工艺优化，并有潜力应用于其他新鲜奶酪的加工中。这一结论进一步支撑了ANN 在当前新鲜奶酪的工艺优化中有着很好的发展前景。

3.6 ANN 的优势及存在的问题

通过上述研究可以看出，在新鲜奶酪的研究中应用ANN 方法主要有以下优势：1）相较于传统的预测模型，ANN 模型在预测精度上具有明显优势；2）在通过ANN 进行预测时，对模型输入量的约束更少，可使用能够直接测量获取的数据，因此更容易实现对生产过程的及时调整和优化；3）ANN 能够避免预测结果受仿真模型简化处理的影响，使预测结果更为可靠。

然而，ANN 方法在当前应用时仍存在以下问题：1）相较于ANN 在其他相关食品领域中应用的广泛性，比如在成熟奶酪[34-35，50]或牛奶[37]中，当前在新鲜奶酪领域中，基于ANN 方法开展的研究相对较少，这体现在ANN 尚没有被应用于多种关键工艺的研究中，如马苏里拉奶酪的热烫拉伸工艺、哈罗米奶酪的加热排乳清和烫漂工艺等；2）在以往的研究中，所应用的ANN模型多为第二代人工神经网络，而缺少对已经发展成熟的第三代深度神经网络的应用，且缺少对不同神经网络方法应用效果的横向对比以及对ANN 模型本身参数的优化；3）当前研究更多是将ANN 模型用于单个目标结果的预测，而没有进一步将该方法用于生产过程的多工艺参数优化。

3.7 ANN 在新鲜奶酪领域中的发展前景

目前，我国是全球主要的乳制品进口市场之一。仅2021年，我国进口的乳品数量就累积达到了395 万t，累积金额高达1 382.55 亿人民币，累积数量和累积金额分别比2020年同期增加18.5%和13.9%[51]。这表明，国内乳制品的生产量与需求量之间尚存较大差距。此外，由于国内对乳制品质量的要求也在不断提升，迫使国内乳制品行业进入快速发展和升级阶段[52-53]。而新鲜奶酪凭借其独特的口感和高营养价值的优势，将受到更多青睐。因此，结合ANN 方法，加快新鲜奶酪的研发和工艺优化进度，将为企业快速占据国内市场提供关键支撑。

通过对马苏里拉奶酪和哈罗米奶酪的调研可以看出，新鲜奶酪的评价指标往往不是单一的，需兼顾生产得率、感官评分、保质期等多个指标，且这些指标又受到不同生产过程的影响。因此，在之后的研究中，ANN 方法的发展前景如下：1）将ANN 方法用于更多工艺参数的研究中，如马苏里拉奶酪的热烫拉伸过程、哈罗米奶酪的加热和烫漂过程等，进一步明确各工艺参数对不同评价指标的影响力大小，为后续关键参数的选取提供参考；2）将ANN 用于多目标（如奶酪得率、感官评分等）预测，并结合遗传算法、鱼群算法等方式对预测结果进行寻优，实现对生产过程的多工艺参数优化，从而获得综合评分最佳的新鲜奶酪；3）构建和应用结合深度算法或模型本身参数被深度优化的ANN 模型，进一步提高ANN 模型的预测能力和计算精度。

4 结语

近年来，国内对新鲜奶酪领域的研究逐渐增加，但在该领域内缺少对人工神经网络方法的关注，而国外基于人工神经网络方法已在该领域内取得一定研究成果，并证明了该方法具有很好的应用前景。通过研究人工神经网络方法在新鲜奶酪领域中的研究进展，提供了一种科学、高效且同样具有普适性的工艺优化思路，并分析了应用该方法的优势以及当前存在的主要问题。之后，指出了该方法在新鲜奶酪领域内的未来发展前景，即使用深度人工神经网络模型，并结合遗传算法和鱼群算法等寻优方式，实现对生产过程的多目标预测和多工艺参数优化，从而提高新鲜奶酪的优化效率和综合评分。