基于BP神經網絡的面包工業化生產發酵程度視覺判定

趙 純

陳學永1

吳少霜1

龐 杰2

(1. 福建農林大學機電工程學院，福建 福州 350000；2. 福建農林大學食品科學學院，福建 福州 350000)

隨著市場需求的增長，中國的面包生產由傳統的小作坊模式，轉變為大型的工廠批量化生產[1-2]。發酵是面包生產重要的一環。目前，大部分面包廠家對發酵程度的判斷方式，主要依賴于面包師傅的經驗判斷[3-4]，主觀性較大，常常出現面包發酵程度不足或發酵過度的問題。

面包的發酵過程是一個復雜的非線性過程，受到了多種外界因素的影響，包括面粉、酵母、添加劑、溫度、濕度等。由于面包工業化生產發展到現在，經過了多次改良，其制作早已形成了固定的流程，同一品種的面包原料與生產流程幾乎一致。因此，在建立工業化面包發酵預測模型時，不考慮面粉、酵母品種以及溫濕度等外界環境對發酵程度的影響[5-8]，而是只分析相同外界環境下，面包不同發酵狀態時的變化情況。

機器視覺由于不會與面包發生表面接觸，同時能夠提取面包的外部特征，是觀測面包發酵程度的有效方式。當前，有不少研究者將機器視覺引入到面包的生產中。Soleimani等[9]運用數字成像法檢測發酵面團的動態密度，但只考慮了體積、溫度、濕度因素，準確度不足。李國華等[10]運用機器視覺技術測量面包體積，對測量數據進行可視化重構，能夠有效得到體積數值，但測量單個面包體積需要耗時1 min，且對于環境要求嚴格。孫美艷等[11]將機器視覺結合決策樹算法，對面包發酵過程進行識別，準確率高，但是識別的發酵面團處于打樣過程，僅僅適用于家用面包機。實際工業生產中，面包都是打樣后，立刻進行造型加工，需要建立新的圖像采集系統來同時分析多個發酵面團。

BP(Back Propagation)神經網絡能夠有效分析非線性數據結構，得到輸入量與輸出量之間的關系[12-14]。因此，研究定時采集同一品種的面包圖像。對拍到的圖像進行圖像處理，取時間、面積、灰度值能量、灰度值相互關系、灰度值均勻性、灰度值對比度、瞬時速度和膨脹率，共計8個特征參數，作為BP神經網絡的輸入值。將面包發酵程度分為一級、二級、三級3個等級，分別對應發酵未完成、發酵完成、發酵過度3個階段，用這3個等級作為BP神經網絡的輸出值。期望通過建立BP神經網絡模型來實現對面團發酵成熟度的精準判定。

1 材料與方法

1.1 材料與儀器

1.1.1 主要材料

面粉：福建省晉江市惠家食品有限公司。

1.1.2 試驗儀器

和面機：CG-40雙速型，廣州市昌崗機械設備有限公司；

發酵箱：16A/單門型，龍巖璐盛機械設備有限公司；

工業攝像頭：SONY CCD高清800線型，日本索尼公司。

1.2 方法

1.2.1 發酵面團制作 取小麥粉500 g過篩，加入鹽5 g，奶粉20 g,酵母5 g,加入牛奶100 mL，放入攪拌機中。由于面包在攪拌過程中會產生熱量，導致提前發酵，因此需要再加入適量冰水。最初，攪拌機速度調為慢速，先將面粉慢速攪拌成團。30 min后，將攪拌速度加快，使得面團能夠起筋。攪拌過程中，加入50 g黃油。攪拌完成后，需要對面團冷卻降溫，使得面團溫度不高于20 ℃。

試驗所使用的面團，均為工廠提前1 d制作，放入冰箱冷藏24 h后取出，在常溫(溫度為30 ℃)中解凍30 min后[15]，切割成100 g的面團，共兩個批次，每批次5個面團。將其放入醒發箱中醒發。醒發箱溫度為40 ℃，濕度為80%。這10個面團采集到的數據用于訓練BP神經網絡。

為了測試BP神經網絡的準確性，用同樣的方法步驟制作第3個批次，共5個面團。在同樣的環境下進行醒發。

1.2.2 圖像采集方法 在醒發箱內部頂端裝有圓形均勻光源，相機安裝在醒發箱的頂部正中位置，相機與面團放置的平臺之間距離為60 cm，而發酵面團普遍不超過10 cm，因此由于面團高度上的增長所帶來的圖像變化可以忽略不計。調整光源、相機焦距、相機光圈、相機以及被測面團的位置，使得既能夠獲取被測面團完整清晰的圖像，同時不會拍到發酵箱托盤以外的部分，減少背景的干擾，如圖1所示。相機通過USB視頻采集卡，與外部筆記本電腦連接。每隔30 s對樣品采集一次圖像，傳輸到電腦內部，運用opencv自編程序來對圖片進行處理，單位時間單個面團的相關數據為一組樣本，最終共采集到1 540組訓練樣本和725組測試樣本。

圖1 試驗裝置示意圖Figure 1 Schematic diagram of experimental device

1.2.3 感官評定方法 建立一個由5人(均為面包廠經驗豐富的師傅)組成的感官評定小組，根據GB/T 14612—2008《糧油檢驗 小麥粉面包烘焙品質實驗 中種發酵法》，制定發酵分級細則(見表1)，對面團的發酵程度進行評級。

表1 發酵面團感官評定分級Table 1 Sensory evaluation and grading of fermented dough

1.2.4 圖像預處理及特征參數提取 相機拍攝到的原始圖像是5個面團在同一張圖片中，背景包含了托盤以及其他面粉雜屑。原始圖像均為720像素×480像素。背景為黑色托盤，而目標對象面團為白色，顏色對比鮮明，噪聲干擾較少，圖像質量較高。試驗對圖像的預處理部分包含了圖像二值化、灰度變化、高斯濾波、均值濾波的處理。通過腐蝕膨脹去除多余的散點，再填充面團的陰影部分，能夠準確繪制面團的輪廓，將單個面團從完整圖像上一一分割出來，如圖2。

圖2 發酵面包實物圖片Figure 2 Pictures of fermented bread

面包的體積變化是衡量面包發酵程度的最重要的一個指標[16-17]。使用圖像處理中的面積測量算子，能夠得到單個面團的面積。將面積的增長量除以初始面積，可以得到發酵面團的面積膨脹率。面積膨脹率計算公式：

(1)

式中：

E——膨脹率，%；

S——發酵面包在相應時刻的面積，mm2；

S0——發酵面包在初始時刻的面積，mm2。

每隔30 s采集一次圖像，時間間隔短，可以通過面積—時間公式，用30 s內的面積變化量除以30 s時長，近似得到面團的瞬時速度。公式如下：

(2)

式中：

vi——瞬時速度，mm2/s；

Si——第i時刻面團的面積，mm2;

Si-1——第i-1時刻面團的面積，mm2；

T——采樣周期時間，s。

面包在發酵過程中，表面特征會發生細微變化[18-19]。主要體現在：① 面團膨脹后，內部充滿空氣，面團的透光性會變好。反映到采集的圖像上，則是后期的面團要比前期的面團更亮。② 面團從發酵開始到成熟這個階段，表面均為光滑。但是面團發酵過度后，表面開始出現氣孔，變得粗糙。③ 隨著面包的發酵，顏色無明顯變化，但面團的陰影部分會增大。因此，也可以用灰度值來反映面包的發酵情況[20-21]。選擇用灰度值能量、相互關系、均勻性和對比度4個特征來提取面包的表面紋理特征。

1.2.5 BP神經網絡預測模型構建 基于誤差反向傳播算法的多層前饋網絡，即BP神經網絡，是當前應用較為廣泛的算法之一。能夠得到輸入量與輸出量之間的非線性關系[22]。BP神經網絡包含輸入層、隱含層、輸出層。輸入層有8個輸入量，輸出層則有1個輸出量。根據公式：

(3)

式中：

m——隱含層節點個數；

n——輸入層節點個數；

l——輸出層節點個數；

α——1～10的常數。

可以推出隱含層的節點個數為5個時較為合適。訓練算法選擇L-M算法(Levenberg-Marquardt)[23]。L-M算法是當前使用最廣泛的非線性最小二乘算法，能夠有效提高網絡的收斂速度。最大訓練次數為1 000次，神經網絡學習速率為0.000 1，誤差目標值為0.000 65。

由于此次訓練所用的8個評價指標具有不同的量綱，數值差異巨大。因此還需要對其進行歸一化處理[24]，將數據映射到[0，1]。運用Z-score標準化法將原始數據的均值和標準差進行數據的標準化，如式(4)所示。

(4)

式中：

X*——標準化后的數據；

x——原始數據；

μ——所有樣本數據的均值；

σ——所有樣本數據的標準差。

2 結果與分析

2.1 面團發酵過程中面積變化情況

分別對訓練樣本和測試樣本進行感官評定。在1 540組訓練樣本中，屬于一級的有779組樣本，屬于二級的有254組樣本，屬于三級的有507組樣本。在725組測試樣本中，屬于一級的有308組，屬于二級的有190組，屬于三級的有227組。

對上述訓練樣本進行圖像處理，得到面包的面積相關數據，包括面積、膨脹率、瞬時速度。繪制面包膨脹率與時間之間的關系圖，如圖3。對面包的面積膨脹率進行回歸擬合分析，比較發現四項多項式能大致擬合面積的變化趨勢，得到膨脹率與時間的數學模型為：

圖3 面包膨脹率隨時間變化關系Figure 3 Relationship between bread swellingrate and time

y=1.417 66×10-13x4-1.987 02×10-9x3+5.791 77×10-6x2+0.039 18x-4.436 96。

(5)

回歸系數R2為0.954 85，說明發酵面團面積的變化規律與擬合的曲線基本保持一致，面積的膨脹率隨著時間的增長在不斷增加。發酵初期，面積膨脹速度加快，當面積膨脹率達到85%～110%時，對應發酵時間2 000～3 000 s，發酵基本完成。3 000 s后，面積隨時間變化曲線趨緩，逐漸趨近于一條水平線，此時發酵過度，面積漲幅變小直至不再增長。

由于面積很難反映發酵過程中酵母的活性，因此引入面包膨脹的瞬時速度來觀察短時間面包的發酵變化[25]。對面積膨脹瞬時速度進行并置數據高斯(Gauss)擬合，迭代次數為13次時，擬合收斂。如圖4所示，面積膨脹的瞬時速度在發酵初始階段(0～1 000 s)有一個明顯的上升期，此時酵母活躍，面積增長加快。發酵完成時，面積增長瞬時速度緩慢下降并趨于平緩，說明此時面積雖然有所增長，但是增長速度減緩。當發酵過度后(3 000 s以后)，瞬時速度出現大幅度正負波動，均值開始趨近于0，與圖2的面積膨脹率變化規律一致。說明瞬時速度與面團發酵存在相關性。

圖4 面積膨脹瞬時速度隨時間變化關系Figure 4 Relationship between instantaneous velocityof area expansion and time

2.2 面團發酵過程中灰度值變化情況

如圖5所示，灰度值能量、均勻性、對比度整體呈下降趨勢，而相互關系則呈上升趨勢。在0～2 000 s，灰度值能量、均勻性和相互關系隨時間變化曲線較為平緩，灰度值對比度則急劇下降，這個時刻大致對應面團發酵未完成階段(一級)。此時，面包面積膨脹速度快，表面光滑均勻，陰影部分開始出現。在2 000～3 000 s，灰度值能量與均勻性快速下降，相互關系也有著明顯的上升。而對比度下降速度要小于上一階段，這個時刻大致對應面包發酵成熟階段(二級)。此時，面團表面光滑，陰影部分面積變大。3 000 s后，面團發酵過度，4個值的變化趨勢對比上一階段都逐漸趨近平緩。此時，面團表面將不再光滑，表面出現氣孔，變得粗糙，陰影部分定型。運用灰度值能夠有效區分發酵過度與否，因此將灰度值相關評價指標納入神經網絡，能夠顯著提高神經網絡預測模型的準確性。

圖5 面包灰度相關值隨時間變化關系Figure 5 Relationship between bread gray correlationvalue and time

2.3 BP神經網絡模型預測結果

導入發酵面包的時間、面積、灰度值能量、灰度值相互關系、灰度值均勻性、灰度值對比度、瞬時速度和膨脹率，共計8個特征參數，運用BP神經網絡建立了面包發酵過程模型，得到誤差平方和的擬合曲線見圖6，迭代1 000次時，誤差平方和趨近于一條水平線，收斂效果良好，BP神經網絡預測模型建模成功。

圖6 誤差平方和擬合曲線Figure 6 Fitting curve with sum of square error

為更好地驗證基于BP神經網絡的面包發酵預測模型的準確性。將第3批次發酵面團的相應數據導入預測模型中進行測試。將運用BP神經網絡建立的發酵面團成熟度預測模型得到的結果與專家感官評定法的分類結果進行比較，如圖7。

圖7 面包發酵程度預測模型擬合結果Figure 7 Fitting results of prediction model forbread fermentation degree

在預測結果中，一級的預測準確率為96.10%，二級為64.78%，三級為80.14%。最終，大部分目標數據與擬合值一致，準確率達到88.41%，能夠實現對面包發酵程度的準確評級。如表2所示，預測模型在一級、三級準確率較高，二級相對較低。同時，二級的測試樣本數量也遠遠小于一級、三級，與準確率呈正相關。

表2 預測結果與人工分級比較Table 2 Comparison between prediction results and manual classification

3 結論

(1) 研究構建的發酵面包識別系統能夠同步實現采集、分割、圖像處理分析。經過現場試驗，可以排除背景及光源的干擾，有效識別發酵箱內的發酵面包，分割的單個發酵面包圖像清晰，得到的發酵面包樣本的面積和表面紋理量化數值準確。

(2) 發酵時間、面積、瞬時速度、膨脹率、灰度值能量、灰度值相互關系、灰度值均勻性、灰度值對比度能夠表征面包的發酵程度；將其作為輸入神經元，構建BP神經網絡預測模型。經過實際測試，在一級308組樣本中，正確識別個數為296；二級190組樣本中，正確識別個數為123；三級277組樣本中，正確識別個數為222；最終準確率達到88.41%，能夠有效實現對面包發酵成熟度的預測。

(3) 由于二級的樣本量較少，并且只對面包的發酵圖像進行分析，因此試驗提出的面包發酵程度神經網絡預測模型在預測二級樣本時，準確率較低，仍需進一步提高。后續可以結合面包發酵過程中的生物化學特性，測定酵母菌數量以及面團中還原糖的變化，加大測試樣本采集量，提高模型的預測準確率。