基于反向傳播神經(jīng)網(wǎng)絡(luò)和遺傳算法的新鮮Halloumi奶酪生產(chǎn)工藝優(yōu)化

孫嘉,鄭遠(yuǎn)榮,劉振民*,張娟,徐杏敏,賈向飛

1(乳業(yè)生物技術(shù)國家重點(diǎn)實(shí)驗(yàn)室,上海乳業(yè)生物工程技術(shù)研究中心,光明乳業(yè)股份有限公司乳業(yè)研究院,上海,200436) 2(上海大學(xué) 生命科學(xué)學(xué)院,上海,201899)

新鮮奶酪是一種在加工過程中不經(jīng)過成熟的奶酪[1]。新鮮奶酪生產(chǎn)時(shí)間短、質(zhì)地緊密有彈性、營養(yǎng)價(jià)值高、風(fēng)味柔和不刺激、奶香濃郁,因此擁有較好的市場發(fā)展前景[2]。隨著國內(nèi)生活水平的提高,人們在飲食的營養(yǎng)性和多樣性上展示出更大需求,因而新鮮奶酪逐漸受到更多關(guān)注,尤其是以Halloumi奶酪為代表的煎烤型新鮮奶酪[3]。

Halloumi奶酪不但具有新鮮奶酪的優(yōu)點(diǎn),還有著良好的抗融性,因此能夠被用作燒烤或油炸食品的原料[2]。Halloumi奶酪的這一特性主要受其生產(chǎn)過程中熱燙過程(將壓榨成型后的奶酪在熱乳清中進(jìn)行燙漂)的影響[4-5]。研究表明,經(jīng)燙漂后,奶酪的水分含量顯著降低(約20%)[6],硬度和蛋白含量升高,酪蛋白分子作用力增強(qiáng),從而使得蛋白結(jié)構(gòu)致密性增加,因此Halloumi奶酪受熱不易融化[7-8]。為了探究熱燙過程對Halloumi奶酪品質(zhì)的影響,李紅娟等[6]研究了不同熱燙溫度(60～90 ℃)對Halloumi奶酪理化和質(zhì)構(gòu)特性的影響,該研究發(fā)現(xiàn),隨熱燙溫度升高,奶酪的油脂析出性、脂肪含量和硬度逐漸增大,而pH值、蛋白質(zhì)和水分含量變化不明顯,并經(jīng)綜合評價(jià)后認(rèn)為熱燙溫度為80～90 ℃最佳。此外,較多研究表明,凝乳過程中添加劑(如CaCl2、KCl和NaCl)的添加量對Halloumi奶酪品質(zhì)同樣有著顯著影響[9-13]。由于Halloumi奶酪在加工過程中包括熱燙過程,熱燙時(shí)的高溫具有很好的殺菌作用。此外,Halloumi奶酪在生產(chǎn)后經(jīng)鹽漬處理,且其保存方式為真空冷藏保存,因此在使用CaCl2和KCl替代NaCl作為添加劑時(shí),也能夠很好地避免微生物污染,并保證貨架期穩(wěn)定性和安全性。根據(jù)羅毅皓等[12]研究,隨著CaCl2添加量從0.01%增加到0.05%,奶酪得率先增大后減小,并在CaCl2添加量為0.03%時(shí)達(dá)到峰值。而在趙賽楠等[13]研究中,奶酪得率在CaCl2添加量為0.015%時(shí)就達(dá)到最大值,繼續(xù)增大CaCl2添加量至0.03%會導(dǎo)致奶酪過硬且出現(xiàn)明顯苦味,從而降低奶酪的感官品質(zhì)。因此,當(dāng)所使用原料乳[14]及其他工藝條件不同時(shí),鈣離子對凝乳過程的影響不同,使得最高奶酪得率對應(yīng)的CaCl2添加量通常是不同的。此外,不能忽視過高CaCl2添加量對感官品質(zhì)的負(fù)面影響。由于新鮮奶酪具有較高水分含量,因此壓榨成型過程中壓榨壓強(qiáng)的大小也會影響奶酪品質(zhì)。研究表明,在壓榨壓強(qiáng)過低時(shí),奶酪在受擠壓時(shí)的排水量少,因此奶酪得率通常較高,但此時(shí)的奶酪難以成型,因而感官品質(zhì)較低;反之,當(dāng)壓榨壓強(qiáng)過高時(shí),容易導(dǎo)致奶酪在受擠壓時(shí)從模具孔/縫中流出,進(jìn)而使得損失率過高[15]。因此,在Halloumi奶酪的工藝參數(shù)優(yōu)化中,需進(jìn)一步探索兼顧奶酪得率和感官品質(zhì)的熱燙溫度、CaCl2添加量以及壓榨壓強(qiáng)。

然而,Halloumi奶酪的生產(chǎn)過程具有多變量耦合性[16],因而僅通過實(shí)驗(yàn)的方式來尋求最優(yōu)生產(chǎn)工藝具有一定難度,且容易導(dǎo)致產(chǎn)品研發(fā)周期過長、成本過高、優(yōu)化結(jié)果不理想等問題。因此,本研究提出將神經(jīng)網(wǎng)絡(luò)(neural network,NN)方法[17-23]與遺傳算法[22]應(yīng)用到Halloumi奶酪的生產(chǎn)工藝優(yōu)化中,利用模型與算法強(qiáng)大的自學(xué)習(xí)能力和高速尋優(yōu)能力,實(shí)現(xiàn)不同目標(biāo)下Halloumi奶酪多工藝參數(shù)的優(yōu)化。在傳統(tǒng)的正交試驗(yàn)法和響應(yīng)面分析法中,只有當(dāng)最優(yōu)參數(shù)條件包含在數(shù)據(jù)樣本內(nèi)時(shí),才能獲取最優(yōu)參數(shù)條件,因此在優(yōu)化前必須通過單因素實(shí)驗(yàn)確定合適的參數(shù)范圍。而神經(jīng)網(wǎng)絡(luò)模型能夠?qū)崿F(xiàn)數(shù)據(jù)樣本外的預(yù)測,因此其數(shù)據(jù)樣本可以不包括最優(yōu)參數(shù)條件,且在優(yōu)化前不需要進(jìn)行單因素實(shí)驗(yàn)分析。

本研究選取Halloumi奶酪的3個(gè)關(guān)鍵工藝參數(shù):CaCl2添加量、熱燙溫度和壓榨壓強(qiáng)作為優(yōu)化變量,并分別以奶酪得率和感官品質(zhì)為優(yōu)化目標(biāo)建立神經(jīng)網(wǎng)絡(luò)模型。之后,結(jié)合遺傳算法尋求不同目標(biāo)下的最優(yōu)工藝條件,為加快Halloumi奶酪工業(yè)化生產(chǎn)進(jìn)度提供理論基礎(chǔ),并為其他相關(guān)產(chǎn)品工藝優(yōu)化提供參考。

1 材料與方法

1.1 材料與試劑

生牛乳,光明乳業(yè)股份有限公司;小牛皺胃凝乳酶,北京多愛特生物科技有限公司;無水CaCl2(分析純),國藥集團(tuán)化學(xué)試劑有限公司。

1.2 儀器與設(shè)備

FH16-D型干酪槽,英國Armfield公司;PHSJ-6L型便攜式pH計(jì),英國Stable Micro System公司;SM-523型電烤爐,新麥機(jī)械有限公司;GFL1013型恒溫水浴箱,美國 Hunter Lab;奶酪壓榨模具,光明乳業(yè)股份有限公司。

1.3 實(shí)驗(yàn)方法

1.3.1 Halloumi奶酪生產(chǎn)工藝流程

生牛乳→標(biāo)準(zhǔn)化→巴氏殺菌(73 ℃,15 s)→降溫至32 ℃→加入CaCl2→加入0.04‰凝乳酶→凝乳30～45 min→凝塊切割,靜置5 min→加熱排乳清→放入模具壓榨1 h→一定溫度乳清熱燙1 h→取出、晾干,鹽漬→真空包裝,放入4 ℃冷藏。

1.3.2 奶酪得率計(jì)算

奶酪得率的計(jì)算如公式(1)所示:

(1)

式中:m1為成品奶酪的質(zhì)量,kg;m2為所有原料的總質(zhì)量,kg,包括原料乳、凝乳酶和鹽。

1.3.3 感官品質(zhì)評定

成品奶酪的感官品質(zhì)依據(jù)表1進(jìn)行評定,分為外觀、質(zhì)構(gòu)、風(fēng)味和煎炸4部分,各部分得分的總和為單次評定得分。在評定時(shí),優(yōu)選10名經(jīng)過培訓(xùn)的評測員(其中從事于食品行業(yè)的不少于8人),依次對所有成品奶酪進(jìn)行評分,并將10個(gè)評分的平均值作為各個(gè)成品奶酪在本次評定中的感官得分。在品嘗奶酪前,評測員需先用純凈水漱口。之后,打亂奶酪的評測順序,重復(fù)上述步驟,以3次評定的平均值作為各個(gè)成品奶酪的最終得分。

表1 感官品質(zhì)評分細(xì)則Table 1 Scoring rubric of sensory quality

1.3.4 反向傳播(back-propagation,BP)神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是一種采用梯度下降法來計(jì)算網(wǎng)絡(luò)誤差平方最小值的機(jī)器學(xué)習(xí)模型,主要由輸入層、隱藏層和輸出層組成,其結(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖Fig.1 The structure schematic diagram of BP neural network model

在圖1所示的結(jié)構(gòu)中,每一層都含有多個(gè)神經(jīng)元(節(jié)點(diǎn)),且每一個(gè)神經(jīng)元都有一個(gè)激活函數(shù)。在模型工作時(shí),這些神經(jīng)元首先按照輸入層、隱藏層和輸出層的順序(按實(shí)線方向)進(jìn)行正向傳輸,具體過程可由公式(2)～公式(4)進(jìn)行描述。之后,模型會進(jìn)行由輸出層向隱藏層的反向傳輸,即圖1中虛線所代表的傳輸,其作用是傳輸實(shí)際輸出與期望輸出之間的誤差,并以此為依據(jù)不斷調(diào)整公式(2)中的權(quán)重(w)和公式(3)中的偏向(w0),以達(dá)到減小誤差的目的。

(2)

(3)

(4)

本研究選取Halloumi奶酪的3個(gè)關(guān)鍵工藝參數(shù):CaCl2添加量、熱燙溫度(T)和壓榨壓強(qiáng)(P)作為模型的輸入變量,變量取值如表2所示,并分別以奶酪得率和感官評分作為模型輸出建立2個(gè)單輸出神經(jīng)網(wǎng)絡(luò)模型(NN1和NN2),如圖2所示。本研究所有實(shí)驗(yàn)重復(fù)進(jìn)行3次。在建立模型時(shí),將27組數(shù)據(jù)樣本隨機(jī)分為3份,分別作為模型的訓(xùn)練集(21組)、測試集(3組)和驗(yàn)證集(3組)。模型的訓(xùn)練過程由MATLAB軟件實(shí)現(xiàn),訓(xùn)練算法為Levenberg-Marquardt。

表2 參數(shù)變量及取值范圍Table 2 Parameter variables and value range

圖2 兩個(gè)單輸出神經(jīng)網(wǎng)絡(luò)模型Fig.2 Two single output neural network models

1.3.5 遺傳算法

使用MATLAB軟件自帶的遺傳算法(genetic algorithm)工具箱可以進(jìn)一步求得BP神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)解。在設(shè)置時(shí),需根據(jù)表2規(guī)定變量數(shù)和變量的取值范圍。此外,設(shè)置初始種群為隨機(jī)產(chǎn)生。

2 結(jié)果與分析

2.1 隱藏層層數(shù)確定

隱藏層層數(shù)對模型精度有著顯著影響。通常認(rèn)為,增加隱藏層層數(shù)有利于提高模型精度(以相關(guān)系數(shù)R表示),但也會增大模型網(wǎng)絡(luò)的復(fù)雜性,從而增加訓(xùn)練時(shí)間,甚至?xí)霈F(xiàn)“過擬合”傾向。因此,本研究中分別測試了2個(gè)神經(jīng)網(wǎng)絡(luò)模型在隱藏層層數(shù)為2～10時(shí)所對應(yīng)的R值,如圖3所示。對于NN1和NN2兩個(gè)模型來說,當(dāng)隱藏層層數(shù)分別超過6和5后,R值均已超過98%,且繼續(xù)增加層數(shù)對R值提升不明顯,因此將2個(gè)模型的隱藏層層數(shù)分別確定為6和5。

圖3 隱藏層層數(shù)對R值的影響Fig.3 Effect of the number of hidden layers on R value

2.2 模型預(yù)測結(jié)果及回歸性能

表3展示了不同參數(shù)組合下的實(shí)驗(yàn)值及預(yù)測值。實(shí)驗(yàn)值包括得率和感官評分,分別用于訓(xùn)練NN1和NN2。在模型的建立過程中,模型會先對實(shí)驗(yàn)的27組參數(shù)組合進(jìn)行預(yù)測,并根據(jù)預(yù)測值不斷來修正模型參數(shù),直至模型精度滿足要求。

表3 不同參數(shù)組合的實(shí)驗(yàn)值及預(yù)測值Table 3 Experimental and predicted values of different parameter combinations

模型的回歸性能決定了預(yù)測結(jié)果的準(zhǔn)確性。如圖4和圖5所示,2個(gè)模型均表現(xiàn)出較好的回歸性能,具有較高的擬合準(zhǔn)確率。在訓(xùn)練過程中,NN1和NN2的擬合準(zhǔn)確率分別為99.869%和99.495%;在驗(yàn)證過程中,NN1和NN2的擬合準(zhǔn)確率分別為99.433%和98.848%;在測試過程中,NN1和NN2的擬合準(zhǔn)確率分別為99.571%和99.016%;此外,NN1和NN2整體的擬合準(zhǔn)確率也分別達(dá)到了98.936%和98.255%。這表明,該模型能夠準(zhǔn)確地模擬輸入?yún)?shù)和目標(biāo)輸出之間的關(guān)系。圖6和圖7進(jìn)一步地展示了2個(gè)模型的誤差直方圖。誤差直方圖的分格數(shù)均設(shè)置為10。NN1和NN2在3個(gè)過程中的誤差均接近于零誤差線,且二者之間的絕對誤差分別不超過0.5和1.4。這表明,2個(gè)模型的預(yù)測值與實(shí)驗(yàn)值之間的誤差均較小。因此,可以認(rèn)為2個(gè)模型在表3中對Y和GS的預(yù)測是可靠的。

a-訓(xùn)練;b-驗(yàn)證;c-測試;d-整體圖4 NN1的回歸性能Fig.4 The regression performance of NN1

a-訓(xùn)練;b-驗(yàn)證;c-測試;d-整體圖5 NN2的回歸性能Fig.5 The regression performance of NN2

a-訓(xùn)練;b-驗(yàn)證;c-測試圖6 NN1的誤差直方圖Fig.6 The error histogram of NN1

a-訓(xùn)練;b-驗(yàn)證;c-測試圖7 NN2的誤差直方圖Fig.7 The error histogram of NN2

此外,在表2所示的參數(shù)變量范圍內(nèi),還可以將這2個(gè)模型用于對其他參數(shù)變量值所對應(yīng)Y和GS的預(yù)測。本研究將樣本數(shù)量從原有的27組擴(kuò)展為125(5×5×5=125)組,預(yù)測結(jié)果詳見電子增強(qiáng)出版附件1(https://doi.org/10.13995/j.cnki.11-1802/ts.034871)。預(yù)測結(jié)果顯示,最高得率在第13組獲得,達(dá)到11.57%,對應(yīng)的CaCl2添加量、T和P分別為0.015%、85 ℃和5 kPa;最高感官評分在第64組獲得,為93.9,對應(yīng)的CaCl2添加量、T和P分別為0.017 5%、85 ℃和10 kPa。然而,通過將電子增強(qiáng)出版附件與表2中預(yù)測得到的最優(yōu)值進(jìn)行對比后發(fā)現(xiàn),雖然最高感官評分從92.1提升至93.9,但最高得率仍為11.57%,即增長小步長后,預(yù)測結(jié)果中的得率并沒有得到有效提升。因此,僅通過BP神經(jīng)網(wǎng)絡(luò)模型對增加小步長后的輸入?yún)?shù)進(jìn)行預(yù)測,難以達(dá)到期望效果,需進(jìn)一步結(jié)合遺傳算法進(jìn)行尋優(yōu)。

2.3 遺傳算法優(yōu)化及實(shí)驗(yàn)驗(yàn)證

為了進(jìn)一步實(shí)現(xiàn)對生產(chǎn)工藝條件的優(yōu)化效果,本研究將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型作為遺傳算法的適應(yīng)度函數(shù),通過遺傳算法進(jìn)行單目標(biāo)尋優(yōu)。為了保證尋優(yōu)結(jié)果能夠兼顧較高的得率和較好的感官品質(zhì),在尋優(yōu)時(shí),設(shè)置尋優(yōu)限制條件為:得率≥10%,且感官評分≥85。之后,分別以最高得率和最高感官評分為尋優(yōu)目標(biāo)找到各自的最佳輸入?yún)?shù)值,并將該值輸入到另一個(gè)模型中,求出另一個(gè)目標(biāo)值。遺傳算法的優(yōu)化情況及實(shí)驗(yàn)的驗(yàn)證結(jié)果如表4所示。在表4中,通過遺傳算法尋優(yōu)得到的得率和感官評分的最高值均高于僅通過神經(jīng)網(wǎng)絡(luò)模型預(yù)測得到的最高值。經(jīng)過計(jì)算,在最優(yōu)條件下,通過遺傳算法獲得的得率和感官評分的預(yù)測值與實(shí)驗(yàn)值之間的誤差均不超過1%。最終確定,以得率為目標(biāo)的Halloumi奶酪最優(yōu)生產(chǎn)工藝條件為:CaCl2添加量0.014 4%、熱燙溫度83.5 ℃、壓榨壓強(qiáng)5.12 kPa,該條件下獲得的成品奶酪的得率和感官評分分別為(12.01±0.5)%和89.3±2.7;以感官品質(zhì)為目標(biāo)的最優(yōu)生產(chǎn)工藝條件為:CaCl2添加量0.017 1%、熱燙溫度83.7 ℃、壓榨壓強(qiáng)10.38 kPa,該條件下獲得成品奶酪的得率和感官評分分別為(10.69±1.1)%和94.5±1.2。通過本研究,在得率≥10%,且感官評分≥85的限制條件下,在兩個(gè)最優(yōu)工藝條件獲得的驗(yàn)證結(jié)果中,最高得率為12.01%,最高感官評分為94.5,相較于表3數(shù)據(jù)樣本中實(shí)驗(yàn)值的最高值(11.46%和92.4)分別提升4.8%和2.3%,達(dá)到了期望效果。

表4 遺傳算法優(yōu)化及實(shí)驗(yàn)驗(yàn)證Table 4 Genetic algorithm optimization and experimental verification

2.4 微生物檢測結(jié)果

為保證產(chǎn)品安全性,需對得到的產(chǎn)品進(jìn)行微生物檢測。在檢測時(shí),首先根據(jù)上述確定的最優(yōu)生產(chǎn)工藝條件(以得率為目標(biāo))進(jìn)行實(shí)驗(yàn),獲得檢測樣品。之后,分別對冷藏保存24 h和120 h的樣品進(jìn)行霉菌、菌落總數(shù)和大腸菌群檢測。檢測方法及結(jié)果如表5所示。在冷藏保存時(shí)間為24 h時(shí),3種微生物的檢測結(jié)果均<10 CFU/g;在冷藏保存時(shí)間為120 h時(shí),菌落總數(shù)的檢測結(jié)果為90 CFU/g,而霉菌和大腸菌群仍為<10 CFU/g,滿足產(chǎn)品的安全性要求。

表5 微生物檢測方法及結(jié)果Table 5 Methods and results of microbial detection

3 討論

本研究基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法,實(shí)現(xiàn)了對新鮮Halloumi奶酪生產(chǎn)工藝參數(shù)的優(yōu)化。在研究時(shí),選取CaCl2添加量、熱燙溫度和壓榨壓強(qiáng)作為優(yōu)化變量,以奶酪得率和感官評分作為優(yōu)化目標(biāo)。通過實(shí)驗(yàn)獲得數(shù)據(jù)樣本后,分別以奶酪得率和感官評分建立了2個(gè)多輸入、單輸出的BP神經(jīng)網(wǎng)絡(luò)模型。經(jīng)驗(yàn)證,2個(gè)模型均具有較高的擬合精度,擬合準(zhǔn)確率分別達(dá)到了98.936%和98.255%。之后,利用遺傳算法尋求最優(yōu)工藝條件,以得率為目標(biāo)的Halloumi奶酪最優(yōu)生產(chǎn)工藝條件為:CaCl2添加量0.014 4%、熱燙溫度83.5 ℃、壓榨壓強(qiáng)5.12 kPa,該條件下獲得的成品奶酪的得率和感官評分分別為(12.01±0.5)%和89.3±2.7;以感官品質(zhì)為目標(biāo)的最優(yōu)生產(chǎn)工藝條件為:CaCl2添加量0.017 1%、熱燙溫度83.7 ℃、壓榨壓強(qiáng)10.38 kPa,該條件下獲得的成品奶酪的得率和感官評分分別為(10.69±1.1)%和94.5±1.2。在得率≥10%以及感官評分≥85的限制條件下,相較于通過實(shí)驗(yàn)獲得的數(shù)據(jù)樣本中的最優(yōu)值,本研究得到的2個(gè)最優(yōu)工藝條件分別實(shí)現(xiàn)了奶酪得率和感官評分分別提升4.8%和2.3%,達(dá)到了期望效果。

本研究發(fā)現(xiàn),CaCl2添加量應(yīng)控制在0.015%左右,此時(shí)的奶酪得率和感官評分均較高。隨熱燙溫度從75 ℃增加至95 ℃,奶酪得率和感官評分均呈現(xiàn)先增加后降低的趨勢,但是二者的最適溫度范圍并不完全重疊:80～85 ℃的熱燙溫度更有利于得到較高的奶酪得率,而85～90 ℃的熱燙溫度更有利于提高感官品質(zhì)。隨壓榨壓強(qiáng)從5 kPa增加至15 kPa,受水分含量降低影響,奶酪得率逐漸降低,而感官品質(zhì)呈現(xiàn)出先增大后輕微下降的趨勢,最高感官評分通常在10 kPa左右獲得。

本研究將BP神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于Halloumi奶酪生產(chǎn)工藝參數(shù)的優(yōu)化中,具有一定的創(chuàng)新性。同時(shí),證明了基于該方法建立的模型具有較高的預(yù)測精度,能夠?qū)崿F(xiàn)對輸入?yún)?shù)范圍內(nèi)更小步長參數(shù)值所對應(yīng)目標(biāo)結(jié)果的預(yù)測,從而減少實(shí)驗(yàn)所需的時(shí)間成本和經(jīng)濟(jì)成本,加快Halloumi奶酪的研發(fā)進(jìn)度。此外,在尋求最優(yōu)工藝條件時(shí),本研究發(fā)現(xiàn)僅通過BP神經(jīng)網(wǎng)絡(luò)模型難以達(dá)到期望效果,需進(jìn)一步結(jié)合遺傳算法,以快速準(zhǔn)確地獲取最優(yōu)條件,從而提高優(yōu)化質(zhì)量。在之后的工作中,為進(jìn)一步提高Halloumi奶酪品質(zhì)的優(yōu)化效果,可在現(xiàn)有基礎(chǔ)上增加更多工藝參數(shù)條件作為模型的輸入變量,考慮凝乳酶種類[24]、熱燙時(shí)間、發(fā)酵pH值和壓榨時(shí)間等因素的影響,擴(kuò)大數(shù)據(jù)樣本,實(shí)現(xiàn)更多工藝參數(shù)的綜合優(yōu)化。此外,還可以將該方法應(yīng)用于探索不同原料乳比例[12,15]和脂肪含量[25-26]的影響,以及對Halloumi奶酪其他品質(zhì)(如保質(zhì)期[8,27-29]、存儲期間滲濾液量[30]等)的優(yōu)化工作中。