南美白對蝦貨架期預測指標選擇及模型研究

黃幸幸 - 陳 明,2 ,2 葛 艷,2 ,2 王文娟,2 -,2

(1. 上海海洋大學信息學院，上海 201306；2. 農業部漁業信息重點實驗室，上海 201306)

南美白對蝦貨架期預測指標選擇及模型研究

黃幸幸1HUANGXing-xing1陳 明1,2CHENMing1,2葛 艷1,2GEYan1,2王文娟1,2WANGWen-juan1,2

(1. 上海海洋大學信息學院，上海 201306；2. 農業部漁業信息重點實驗室，上海 201306)

為研究南美白對蝦品質指標與貨架期之間的關系及南美白對蝦在貯藏過程中的品質變化過程，精確預測其剩余貨架期，通過檢測277，272.2，255 K溫度下南美白對蝦的感官指標、理化指標和微生物指標，分別針對南美白對蝦品質檢測的綜合指標和部分關鍵指標，以支持向量機模型和BP神經網絡模型為基礎，建立南美白對蝦貨架期預測模型。結果表明：基于綜合指標構建的貨架期預測模型的預測精度(支持向量機為97.71%，BP為91.41%)比基于關鍵指標的(支持向量機為84.08%，BP為83.76%)高；基于支持向量機的預測模型的預測精度(關鍵指標為84.08%，綜合指標為97.71%)比BP預測模型的(關鍵指標為83.76%，綜合指標為91.41%)高；基于綜合指標的支持向量機預測模型的預測精度是4種模型中最高的，為97.71%。該結論也可為支持向量機方法和預測指標選擇在其他食品領域貨架期的應用研究提供一定的參考。

南美白對蝦；貨架期；預測指標；支持向量機；BP神經網絡

南美白對蝦因富含有人體必需的蛋白質、維生素、礦物質，并且低脂肪、低碳水化合物，而使消費者的需求量逐漸增加，同時對其新鮮度以及品質的要求也越來越高。貨架期是消費者了解食品品質、保障食品安全的重要依據之一[1]。南美白對蝦的貨架期是指南美白對蝦從加工或包裝結束后進入流通過程中能夠保證其安全可食用，保持理想的感官、理化和微生物特性的時間長度[2]。快速評估南美白對蝦的新鮮度及準確預測其剩余貨架期在實際應用中具有重要意義。

現階段國內外關于生鮮食品貨架期預測的研究主要是基于動力學方法來構建預測模型，如化學動力學法[3-5]、微生物動力學法[6-8]等。從上述文獻的分析可得，傳統動力學方法大多是從食品品質變化的機理建立模型的，但由于現有條件的限制，在水產品品質變化過程中尚且存在一些未知的機理及規律，這對模型的可信度及精度存在影響[1]。同時，這些研究大多選取某一種特定品質指標(如菌落總數、特定腐敗菌或揮發性鹽基氮)作為模型的參數，但沒有相關論證表明其他品質指標與食品貨架期預測模型構建之間沒有關聯。目前關于南美白對蝦貨架期的研究多采用動力學模型，但預測結果并不是很理想[3,8]，急需構建一種預測指標更精確、模型精度更高的貨架期預測模型。

國外有學者嘗試采用人工智能方法來研究南美白對蝦品質變化過程，如Ahmad I等[9]采用基于遺傳算法的人工神經網絡方法研究了凍結率、解凍速率、存儲時間、冷凍蝦的長度、寬度和厚度對冷凍蝦仁的色差和紋理特性的影響，試驗結果表明所選擇的輸入變量可以成功地預測冷凍蝦仁的色差和紋理特性。這為基于人工智能的南美白對蝦貨架期預測提供了理論基礎。基于人工智能的貨架期預測模型構建方法已經在其他食品領域有較多的運用，預測結果比同等條件下的動力學模型精度更高[10-13]。

選擇南美白對蝦品質檢測的關鍵指標(溫度、TVB-N值和菌落總數，下文均簡稱為南美白對蝦關鍵指標)和綜合指標(溫度、感官評分、色差值、TVB-N值、pH值和菌落總數，下文均簡稱為南美白對蝦綜合指標)作為建立貨架期預測模型的輸入參數，選擇支持向量機和BP神經網絡方法來構建南美白對蝦貨架期預測模型，研究南美白對蝦品質指標的選擇對預測模型精度的影響，旨在建立更高精度的貨架期預測模型。

1 材料與方法

1.1 材料與儀器

1.1.1 試驗材料

南美白對蝦：同產地、同批次、外觀相近的鮮活南美白對蝦,購自上海市浦東新區臨港新城古棕路菜市場。

1.1.2 主要儀器設備

電子天平：JT202N型，上海精天電子儀器有限公司；

智能溫度記錄儀：YB-HY001-00型，青島海爾特種電器有限公司；

酸度計：PB-10型，德國賽多利斯集團；

全自動色差計：SC-80型，北京康光儀器有限公司；

醫用低溫箱：MDF-U541型，三洋電機株式會社；

電熱恒溫鼓風干燥箱：DHG-9143BS-II型，上海新苗醫療器械制造有限公司；

自動定氮儀：FOSS 2300型，丹麥Foss Tecator公司；

質構分析儀：TA-XT2i型，英國Stable Micro System公司。

1.2 方法

將試驗南美白對蝦60只流水洗凈后，加冰使其猝死，隨機分成3組(每組20只)分別在277，272.2，255 K環境下貯藏，定期檢測每個貯藏溫度每組樣品的感官評分、色差值、TVB-N值、pH值和菌落總數，直到貨架期終止。

1.2.1 感官評分 從組織、氣味以及色澤3個方面對其進行打分，分值為0(完全腐敗)到9(非常新鮮)，其評分標準是參考食品感官鑒別手冊[14]。

1.2.2 色差分析 采用SC-80型全自動色差計進行色度分析。

1.2.3 TVB-N值的測定 按GB/T 5009.44—2003執行。

1.2.4 pH值的測定 根據GB/T 5009.45—2003方法處理后用酸度計測定。

1.2.5 菌落總數值的測定 按GB/T 4789.20—2003執行。

1.3 預測模型的建立

1.3.1 模型參數的選擇 現有的關于南美白對蝦貨架期預測的研究大部分聚焦在南美白對蝦關鍵指標上，如溫度、菌落總數和TVB-N值[3,8]。但除了菌落總數和TVB-N值，反映南美白對蝦品質變化的指標還有許多，如蝦體的感官評分、色差值(L*、a*和b*)、pH值等[15]9。而且目前還沒有研究表明這些指標與南美白對蝦貨架期品質之間的關系，即這些指標作為模型輸入參數時對最終模型精度的影響有待研究。

因此，本試驗將分別選取關鍵指標(溫度、菌落總數和TVB- N值)和綜合指標(溫度、感官評分、色差值、TVB-N值、pH值和菌落總數)作為表征南美白對蝦品質的指標，并將它們作為預測模型的輸入參數，南美白對蝦的剩余貨架期作為實際輸出參數，來研究其對南美白對蝦貨架期預測模型精度的影響。

1.3.2 預測模型的建立

(1) 基于支持向量機的南美白對蝦貨架期預測模型。針對模式識別相關問題，相關學者專家在統計學習理論中的 VC維理論以及結構風險最小原理的基礎上提出了支持向量機算法(Support Vector Machine，SVM)[16]。其中，支持向量回歸算法(Support Vector Regression，SVR)可以解決線性或非線性回歸問題，進行時間序列預測或非線性建模與預測[17]。由于支持向量機具有樣本數據少、不依賴于經驗、全局最優及良好的泛化性能等優點，因此在眾多領域上得到應用[18][19]18-30。

非線性支持向量機回歸預測模型可用下列方程表示：

(1)

式中：

φ(x)——非線性映射函數；

K(xi,x)——核函數；

b——閾值。

從已有的研究[18][19]13結果來看，高斯核函數是最常用的核函數，且在大多數情況下都獲得了很好的預測效果，所以本試驗也選擇高斯函數作為核函數。

圖1為根據支持向量機回歸算法建立的南美白對蝦貨架期預測模型。其中，輸入參數(x1,x2,…,xn)就是與南美白對蝦品質變化相關的指標，輸出參數(y)為南美白對蝦的剩余貨架期。

根據以上原理，對應圖1所示的模型，分別構建基于南美白對蝦關鍵指標的SVM模型和基于南美白對蝦綜合指標的SVM模型。這2種模型的區別在于模型的輸入參數不同：基于南美白對蝦關鍵指標的SVM模型的輸入參數為溫度、菌落總數和TVB-N值，而基于南美白對蝦綜合指標的SVM模型的輸入參數為溫度、感官評分、色差值、TVB-N值、pH值和菌落總數。在Matlab環境下，對建立的基于SVM的預測模型進行試驗。

圖1 基于SVM的南美白對蝦貨架期預測模型結構Figure 1 Structure of the prediction model of shelf-life of Penaeus Vannamei based on SVM

(2) 基于BP神經網絡的南美白對蝦貨架期預測模型。BP神經網絡又稱多層前饋式誤差反傳神經網絡，由輸入層、輸出層和若干隱含層組成。它可以很好地解決各個指標間的非線性關系，常用于構建預測模型，現已廣泛應用于食品貨架期預測研究[10-13]。

3層 BP神經網絡的非線性映射能力比較強[10]，因此選擇3層結構的BP神經網絡，含有1個輸入層、1個輸出層和 1個隱含層，結構見圖2。xi(x1,x2,…,xn)為模型的輸入層節點，其中，基于南美白對蝦關鍵指標的BP網絡模型的輸入數據為溫度、菌落總數和TVB-N值，而基于南美白對蝦綜合指標的BP網絡模型的輸入數據為溫度、感官評分、色差值、TVB-N值、pH值和菌落總數；y為模型的輸出層節點，指剩余貨架期。

隱含層節點數的計算公式：

n=(n1+n0)1/2+a，

(2)

圖2 基于BP神經網絡的南美白對蝦貨架期預測模型Figure 2 Prediction model of shelf-life of Penaeus Vannamei based on BP neural network

式中：

n0——輸入層節點數；

n1——輸出層節點數；

a——1～10的常數。

根據式(2)計算結果，對網絡隱含層節點數在3～12下的性能進行測試，結果表明隱含層節點數為10時網絡收斂速度最快，故2種模型中隱含層節點數都為10。

2 結果與分析

2.1 試驗測定數據

由于不同貯藏溫度下南美白對蝦品質變化速率不同，所以對277 K貯藏下的南美白對蝦每天檢測一次指標，272.2 K貯藏下的南美白對蝦每2 d檢測一次指標，255 K貯藏下的南美白對蝦每7 d檢測一次指標，分別取平均值。根據GB 2733—2015，對蝦的TVB-N值超過30 mg/100 g 時，蝦是不可食用的，即貨架期終止。因此，把南美白對蝦剩余貨架期定義為當前檢測指標日期和南美白對蝦貨架期終止日期的時間間隔。3組南美白對蝦的各指標數據見表1。與文獻[3]和[15]12-22中的南美白對蝦品質指標數據對比，發現試驗所得數據與其比較吻合，基本可以支撐本試驗理論研究。試驗共獲得20組數據，隨機選取第3、7、12和17組數據作為測試集，剩下的16組數據作為訓練集。

表1 南美白對蝦的指標數據Table 1 Indexes values for Penaeus Vannamei

由于本試驗所選取的模型輸入參數和輸出參數有不同的量綱，為減少貨架期預測模型的誤判概率，需對以上數據進行歸一化處理[11]：

(3)

式中：

p′——歸一化數據；

p——原始數據；

pmin——原始數據最小值；

pmax——原始數據最大值。

2.2 南美白對蝦貨架期預測模型預測結果

2.2.1 基于SVM模型的南美白對蝦貨架期預測結果 首先利用交叉驗證尋找模型最優懲罰參數c和核函數參數g。交叉驗證后得到基于南美白對蝦關鍵指標的SVM模型的最優懲罰參數c為20，g為0.471；基于南美白對蝦綜合指標的SVM模型的最優懲罰參數c為20，g為0.3。然后分別利用得到的最優參數對前面選定的4組測試數據集進行測試和預測，其預測結果見圖3。

由圖3可知，基于綜合指標的SVM預測模型中每一組測試數據預測值與實際值之間的偏差都比基于關鍵指標的SVM預測模型的小；基于關鍵指標的SVM預測模型的相關系數R約為0.995 74，MSE約為0.427%，而基于綜合指標的SVM預測模型的相關系數R約為0.999 77，MSE約為0.052%，其整體預測效果更好。

圖3 基于SVM模型的南美白對蝦貨架期預測結果圖Figure 3 Prediction of Penaeus Vannamei shelf -life based on SVM model

2.2.2 基于BP網絡的南美白對蝦貨架期預測結果 通過訓練，最終在2種模型的網絡訓練中動量常數都取為0.9，學習速率取為0.05，訓練的最大步數設為10 000，網絡性能目標誤差為0.001，隱含層和輸出層采用Sigmoid傳輸函數，訓練函數選取trainlm函數，學習函數選取learngdm 函數，將樣本數據對生成的BP網絡預測模型進行訓練并測試。基于南美白對蝦關鍵指標的BP網絡模型經過12次訓練滿足性能誤差條件停止訓練，基于南美白對蝦綜合指標的BP網絡模型經過10次訓練停止訓練。將選定的4組測試數據分別代入2個模型進行預測，得到的測試結果見圖4。

圖4 基于BP網絡的南美白對蝦貨架期預測結果圖Figure 4 Prediction of Penaeus Vannamei shelf -life based on BP model

由圖4可知，基于綜合指標的BP預測模型要比基于關鍵指標的BP預測模型整體預測效果好，其每組測試數據預測值與實際值之間的偏差更小；但與圖3(b)基于綜合指標的SVM預測模型相比，圖4(b)基于綜合指標的BP預測模型每組測試數據的預測值與實際值之間的偏差要大一點，其預測效果沒有基于綜合指標的SVM預測模型好。

2.3 預測結果分析

將每一種模型預測到的值反歸一化后，可得所預測的貨架期，反歸一化的計算公式：

p1=p′(pmax-pmin)+pmin，

(4)

式中：

p1——反歸一化的預測值；

p′——歸一化數據；

pmin——原始數據最小值；

pmax——原始數據最大值。

根據式(4)計算，基于SVM和BP神經網絡的南美白對蝦貨架期預測模型所預測的貨架期與實際貨架期的比較見表2、3。

表2 基于SVM預測模型的預測貨架期與 實際貨架期的比較Table 2 Comparison between the predicted shelf life based on SVM model and the actual

表3 基于BP神經網絡預測模型的預測貨架期 與實際貨架期的比較Table 3 Comparison between the predicted shelf life based on BP model and the actual

由表2可知，基于關鍵指標的SVM模型的平均相對誤差為15.92%，基于綜合指標的SVM模型的平均相對誤差為2.29%，基于關鍵指標的BP網絡模型的平均相對誤差為16.24%，基于綜合指標的BP網絡模型的平均相對誤差為8.59%。

從參數的選擇來看，不管是采用支持向量機方法還是BP神經網絡方法，基于綜合指標構建的模型都比基于關鍵指標的精度高。這說明，影響南美白對蝦品質變化的各個指標與其貨架期都是相關的，影響著貨架期預測模型的精度。因此，在預測貨架期時，應綜合考慮南美白對蝦所有的品質指標變化情況，包括感官指標、理化指標和微生物指標。

從同等條件下的SVM模型和BP網絡模型的預測結果來看，基于SVM的南美白對蝦貨架期預測模型的精度更高一點，預測結果更接近真實貨架期情況。這是由于本試驗模型所訓練的樣本數據比較少，而支持向量機算法相對于BP網絡更適合解決小樣本問題[20-22]。

綜合4種模型的預測結果對比分析，發現基于綜合指標的SVM模型的精度是最高的，誤差在5%以內，最大相對誤差為5.1%，平均相對誤差為2.29%，預測精度為97.71%。而同等條件下的BP模型的平均相對誤差為8.59%，傳統動力學模型的平均相對誤差一般為10%左右[3,8]。這表明，采用SVM方法來分析南美白對蝦的品質變化過程，并選取溫度、感官指標、色差值、TVB-N值、pH值和菌落總數作為模型的輸入參數，從而預測南美白對蝦的剩余貨架期是可行的，且預測精度要高于傳統的動力學方法。

3 結論

本試驗分析了不同溫度環境下貯藏的南美白對蝦的品質變化過程，采取南美白對蝦品質檢測的綜合指標和部分關鍵指標，基于支持向量機和BP神經網絡方法，建立了南美白對蝦貨架期預測模型。試驗結果表明，南美白對蝦的各個品質指標與其貨架期都是相關的，將南美白對蝦的綜合指標(溫度、感官指標、色差值、TVB-N值、pH值和菌落總數)作為模型輸入參數得到的預測結果精度更高。同等條件下支持向量機模型預測的精度比BP神經網絡的高，這說明在小樣本的非線性問題解決時應采用支持向量機方法。此外，基于綜合指標的SVM預測模型的精度可達97.71%，高于同等條件下的BP模型(91.41%)和動力學模型(約90%[3,8])。以上結論可以為支持向量機方法以及預測指標選擇在其他食品領域貨架期的應用研究提供一定的參考。但以上研究是基于恒溫貯藏條件下南美白對蝦剩余貨架期的預測，對于波動溫度條件下貯藏的研究不一定適用，故下一步工作將研究變溫條件下貯藏的南美白對蝦剩余貨架期的預測。

[1] 陳曉宇, 朱志強, 張小栓, 等. 食品貨架期預測研究進展與趨勢[J]. 農業機械學報, 2015, 46(8): 192-199.

[2] KILCAST D, SUBRAMANIAM P. The stability and shelf-life of food[M]. Abington: Woodhead Publishing Limited, 2000: 2, 70-73.

[3] 林進, 楊瑞金, 張文斌, 等. 動力學模型預測即時南美白對蝦貨架壽命[J]. 食品科學, 2009, 30(22): 361-365.

[4] 于濱, 王喜波. 雞蛋貯藏過程中品質變化的動力學模型[J]. 農業工程報, 2012, 28(15): 276-280.

[5] 張利平, 謝晶. Arrhenius方程結合特征指標在蔬菜貨架期預測中的應用[J]. 食品與機械, 2012, 28(5): 163-168.

[6] 邢少華, 張小栓, 馬常陽, 等. 波動溫度下羅非魚微生物生長動力學模型[J]. 農業機械學報, 2013, 44(7): 194-198.

[7] TOMACA A, MASCHERONIB R H, YEANNES M I. Mode-ling the effect of gamma irradiation on the inactivation and growth kinetics of psychrotrophic bacteria in squid tings during refrigerated storage. Shelf-life predictions[J]. Journal of Food Engineering, 2013, 117(2): 211-216.

[8] 王歡, 謝超, 孫媛. 凡納濱對蝦即時蝦仁在常溫保藏中的貨架期預測及品質分析[J]. 海洋與湖沼, 2013, 44(4): 1 095-1 102.

[9] AHMAD I, JEENANUNTA C, CHANVARASUTH P, et al. Prediction of physical quality parameters of frozen shrimp (Litopenaeus vannamei): an artificial neural networks and genetic algorithm approach[J]. Food Bioprocess Technol, 2014, 7: 1 433-1 444.

[10] 潘治利, 黃忠民, 王娜, 等. BP神經網絡結合有效積溫預測速凍水餃變溫冷藏貨架期[J]. 農業工程學報, 2012, 28(22): 276-281.

[11] 劉雪, 李亞妹, 劉嬌, 等. 基于BP神經網絡的鮮雞蛋貨架期預測模型[J]. 農業機械學報, 2015, 46(10): 328-334.

[12] MI Chun-qiao, YANG Jian-yu, LI Shao-ming, et al. Prediction of accumulated temperature in vegetation period using artificial neuralnetwork[J].Mathematical and Computer Modelling, 2010, 51(11/12): 1 453-1 460.

[13] 曾祥燕, 趙良忠, 孫文兵, 等. 基于PCA和BP神經網絡的葡萄酒品質預測模型[J]. 食品與機械, 2014, 30(1): 40-44.

[14] 傅德成, 劉明堂. 食品感官鑒別手冊[M]. 北京: 中國輕工出版社, 1991: 52-53.

[15] 李蕾蕾. 南美白對蝦低溫貯藏過程中的菌相變化及貨架期預測模型的建立[D]. 天津: 天津商業大學, 2014.

[16] VAPNIK V N.數據挖掘中的新方法——支持向量機[M]. 張學工, 譯. 北京: 科學出版社, 2000: 71-74.

[17] 陳金鳳. 支持向量機回歸算法的研究與應用[D]. 無錫: 江南大學, 2008: 4-14.

[18] 王定成, 方延健 , 高理富, 等. 支持向量機回歸在線建模及應用[J]. 控制與決策, 2003, 18(1): 89-91.

[19] 王芳. 基于支持向量機的滬深300指數回歸預測[D]. 濟南: 山東大學, 2015.

[20] 侯偉真. 求解支持向量機的若干優化算法的研究[D]. 青島: 山東科技大學, 2007: 4-6.

[21] 劉靜, 管驍, 易翠平. 近紅外光譜技術結合支持向量機對食用醋品牌溯源的研究[J]. 食品與機械, 2016, 32(1): 38-50.

[22] 劉洋, 王濤, 左月明. 基于支持向量機野生蘑菇近紅外識別模型[J]. 食品與機械, 2016, 32(4): 92-112.

基金項目：“十二五”國家科技支撐計劃項目課題(編號：2015BAD16B07)；重慶市社會民生科技創新專項項目(編號：cstc2015shmszx80004)；重慶市社會事業與民生保障科技創新專項項目(編號：cstc2016shms-ztzx80005)

作者簡介：王文軍，男，西南大學在讀碩士研究生。

通信作者：曾凱芳(1972—)，女，西南大學教授，博士。 E-mail:zengkaifang@163.com

收稿日期：2017—01—19

The prediction index and model of the shelf-life of Penaeus Vannamei

(1.CollegeofInformation,ShanghaiOceanUniversity,Shanghai201306,China;2.KeyLaboratoryofFisheriesInformationMinistryofAgriculture,Shanghai201306,China)

In order to precisely predict the remaining shelf life ofPenaeusVannamei, the relationship between quality indexes and remaining shelf life and the quality change process of it during the storage process were studied. The sensory and physical-chemical indexes, and microorganisms ofP.Vannameiat 277 K, 272.2 K and 255 K were first tested in this study. Then, the prediction models of the shelf life ofP.vannameiwere established for the comprehensive and some key indexes of its quality, and this were based on both the support vector machine and the BP neural network models. The results showed that the prediction accuracies of the shelf-life prediction models based on the comprehensive indexes ofP.Vannamei(97.71% for SVM model and 91.41% for BP model) were higher than those of the prediction models based on several key indexes (84.08% for SVM model and 83.76% for BP model). Meanwhile, the prediction accuracies of the prediction models based on support vector machine (84.08% for key indexes and 97.71% for comprehensive indexes) were higher than those of BP prediction models (83.76% for key indexes and 91.41% for comprehensive indexes). Moreover, the prediction accuracy of the support vector machine (SVM) model based on the comprehensive indexes was 97.71%, which were the highest among the four models. The conclusion also provided a reference for the application of support vector machine and selection of prediction indexes in the shelf-life of other food fields.

PenaeusVannamei; shelf-life; prediction indexes; supp-ort vector machines; BP neural network

10.13652/j.issn.1003-5788.2017.04.021

湖南省食品科學與工程類專業大學生創新訓練中心建設項目(編號：湘教通[2014]272號)；湖南省普通高校學科帶頭人培養對象資助項目(編號：湘教辦通[2014]209號)；首批湖南省高等學校“2011 協同創新中心”糧油深加工與品質控制湖南省協同創新中心建設項目(編號：湘教通〔2013〕448 號)

李立華，女，中南林業科技大學在讀碩士研究生。

周文化(1969-)，男，中南林業科技大學教授，博士。 E-mail:zhouwenhua@126.com

2017-02-19