人工神经网络用于快速低成本评估枣糖浆-酪乳饮料的颜色质量

《Processes》：Artificial Neural Networks for Rapid and Low-Cost Assessment of Color Quality of Date Syrup–Buttermilk Beverages

　　

饮料的视觉质量是影响消费者感知、质量评价和市场接受度的一个主要因素。传统的比色分析准确，但需要专用设备、耗时的样品制备以及大量的财力和时间投入。本研究的目的是开发一种快速、廉价且准确的替代方法，利用人工神经网络（ANN）方法预测枣糖浆-酪乳饮料在加工和储存过程中的主要颜色属性。研究人员使用反向传播算法开发了一个多层感知器ANN。该ANN包括三个输入变量（枣糖浆浓度、储存冷却温度和储存时间）、一个含有二十个神经元的隐藏层以及九个输出颜色属性（亮度（L*）、红绿度（a*）、黄蓝度（b*）、色调角（h°）、彩度（C*）、总色差（ΔE）、褐变指数（BI）、白度指数（WI）和黄度指数（YI））。为了比较ANN模型在预测颜色属性方面的有效性，研究人员使用相同的输入和相同的训练数据集开发了多元线性回归（MLR）模型。实验结果表明，所有加工变量及其相互作用对饮料的颜色属性均有显著影响（p < 0.001）。经过训练的ANN模型在验证阶段表现出优异的预测能力，决定系数高（R²范围在0.9974至0.9997之间），且均方根误差低于MLR。此外，敏感性分析表明，枣糖浆浓度是影响最终颜色特征的最主要因素。所开发的ANN模型为实验室条件下加工和储存过程中颜色质量的离线预测提供了一种有效方法。尽管将ANN模型与在线传感器集成可能为未来的智能质量控制应用提供机会，但本研究未评估其实时实施和工业部署。

**论文解读：人工神经网络预测枣糖浆-酪乳饮料颜色质量的研究**

**1. 研究背景与意义**

饮料的外观质量，尤其是颜色，是影响消费者感知、产品接受度和市场销售的关键因素。颜色不仅反映产品配方的均匀性和新鲜度，还指示风味强度和储存稳定性。传统比色分析方法（如CIELAB色空间）虽然准确，但依赖专用色度计或分光光度计，存在破坏性强、耗时长、成本高且不适用于实时工业监测等局限性。随着消费者对富含天然甜味剂的功能性乳制品需求增加，枣糖浆（当地称为“dibs”）因其富含单糖、矿物质、多酚和抗氧化剂而被视为替代精制糖的候选物。然而，枣糖浆加入乳体系后，其色素与乳蛋白相互作用，并通过非酶褐变反应（如美拉德反应）显著改变饮料颜色，给质量控制带来复杂挑战。现有数学模型难以描述复杂食品基质的非线性相互作用，而人工神经网络（ANN）因其无需固定机理方程即可映射复杂关系的能力，在食品质量监测中显示出潜力。然而，针对富含多酚和糖分的基质（如枣糖浆-酪乳混合物）在不同热力和时间条件下的非线性颜色动力学，尚缺乏系统性建模研究。为此，本研究旨在开发一种基于ANN的快速、低成本、非破坏性的计算工具，用于离线预测枣糖浆-酪乳饮料在加工和储存过程中的颜色属性，并验证其相对于传统多元线性回归（MLR）模型的优势。该研究填补了功能性乳制品颜色动力学建模的空白，为工业质量控制、货架期优化和未来实时过程控制提供了新途径。论文发表于《Processes》。

**2. 关键技术与方法**

研究人员采用多层感知器人工神经网络（MLP-ANN），结合反向传播算法进行建模。模型输入变量为枣糖浆浓度（5%、10%、15% w/w）、储存冷却温度（0、5、10、15°C）和储存时间（0至15天），共三个因素。输出变量为九个颜色属性：亮度（L*）、红绿度（a*）、黄蓝度（b*）、色调角（h°）、彩度（C*）、总色差（ΔE）、褐变指数（BI）、白度指数（WI）和黄度指数（YI）。实验采用全因子设计，共72个处理组合，每个组合三次重复，总计216个数据点。颜色测量使用CR-400色差计（Konica Minolta，日本）在实验室条件下完成（样本来源：沙特阿拉伯利雅得当地市场的商业枣糖浆和新鲜酪乳）。数据按70:15:15比例随机划分为训练集、测试集和验证集。为评估ANN性能，同时使用相同数据集构建MLR模型进行对比。模型性能通过决定系数（R²）、均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）等统计指标衡量，并利用Qnet V.2000软件进行输入贡献百分比分析以确定各因素的重要性。

**3. 研究结果**

**3.1 统计与相关性分析** 通过三因素方差分析（ANOVA）发现，枣糖浆浓度、储存冷却温度、储存时间及其交互作用对所有颜色属性均有极显著影响（p < 0.001）。Pearson相关性分析显示，褐变指数（BI）与黄度指数（YI）呈高度正相关（r = 0.999，p < 0.01）；亮度L*与a*、b*、ΔE呈负相关，而a*、b*、ΔE之间呈正相关。

**3.2 基本与衍生颜色参数实验数据分析** 随着枣糖浆浓度从5%增至15%，L*和WI降低，而b*、ΔE、色调角、C*、BI和YI增加。储存时间延长（0至15天）导致L*、b*、色调角、C*、WI、BI和YI降低，a*的绿色度增加，ΔE升高。储存冷却温度升高（0至15°C）使L*、a*、色调角和WI略微上升，而b*、C*、ΔE、BI和YI下降。总体而言，枣糖浆浓度是颜色变化的主导因素，其引起的颜色幅度远大于储存时间和温度的影响。

**3.3 开发的人工神经网络（ANN）性能评估** 最佳ANN架构为3-20-9（三个输入层、一个含20个神经元的隐藏层、九个输出层），采用sigmoid激活函数。训练和测试数据的最终相关系数分别为0.999675和0.999608，RMSE分别为0.006326和0.006555。验证集R²范围在0.9994至0.9997之间，RMSE在0.0270至0.1561之间，MAPE均低于3.5%，表明模型预测精度极高且泛化能力强。

**3.4 人工神经网络（ANN）模型与多元线性回归（MLR）模型预测效果比较** 验证阶段，ANN模型的R²范围（0.9994-0.9997）显著高于MLR模型（0.7989-0.9973），且ANN的RMSE（0.0270-0.1561）远低于MLR（0.3183-0.9623）。ANN因能捕捉非线性关系而表现更优，相对百分比误差范围仅-1.17%至3.18%，表明预测非常准确。

**3.5 各输入变量对输出贡献百分比分析** 敏感性分析表明，枣糖浆浓度是所有颜色属性的最主要影响因素，平均贡献百分比超过77.33%（对于L*、a*、b*）和85.64%（对于ΔE、h°、WI、C*、BI、YI），其次是储存时间和储存冷却温度。这一结果归因于枣糖浆本身富含天然色素（如类黑精），其初始色素负荷主导了颜色特征，而短期冷藏条件下储存引起的反应（如美拉德褐变）贡献较小。

**3.6 实际应用** 该ANN模型可作为软传感器，利用易获取的加工参数预测颜色质量，无需破坏性实验室测试，有助于制造商在储存过程中及时调整工艺参数，维持产品颜色稳定性。

**3.7 创新、局限性与总体建议** 本研究的创新点在于将饮料颜色质量评价从破坏性、资源消耗型实验室程序转为智能多变量预测框架，并通过敏感性分析揭示了非线性动力学相互作用。局限性包括实验条件范围较窄（储存温度0-15°C、浓度5-15%、时间15天），且未评估实时在线传感器集成。未来应扩展数据集、纳入更多品质参数（如黏度、感官属性），并探索工业条件下的应用。

**4. 讨论与结论总结**

讨论部分指出，ANN模型的高预测能力使其成为监测复杂乳制品的有效工具，尤其适合富含天然甜味剂的配方。尽管MLR模型表现尚可，但ANN在捕捉非线性关系方面优势明显。敏感性分析确认枣糖浆浓度为颜色变化的主因，这为配方优化提供了依据。研究同时强调，颜色仅是整体质量矩阵的一个维度，未来应结合其他理化指标构建全面质量控制系统。研究结论如下：本研究表明，人工神经网络（ANN）和多元线性回归（MLR）模型均能成功预测不同加工和储存条件下的枣糖浆-酪乳饮料颜色特征。MLR模型的R²范围为0.7989至0.9973，RMSE范围为0.3183至0.9623；而相同验证数据集下，ANN模型的结果显著更优，R²范围为0.9994至0.9997，RMSE范围为0.0270至0.1561。所有研究的颜色参数（L*、a*、b*、ΔE、C*、h°、BI、WI、YI）均受储存冷却温度、枣糖浆含量、储存时间及其交互作用的高度影响。所开发的多层感知器ANN模型被证明是所有颜色属性的良好预测模型，可作为可靠工具在不需大量实验室观测的情况下预测饮料颜色质量。在所研究的输入变量中，枣糖浆含量是影响饮料颜色特征的最显著因素。基于ANN的方法具有分析时间短、运行成本低、对实验室设备依赖小以及饮料生产和储存期间快速质量评估等优势。因此，所提出的ANN模型可帮助生产商维持消费者对枣糖浆-酪乳饮料的接受度，优化加工条件并提升产品质量控制。然而，尽管有这些贡献，本研究仍存在若干局限性。首先，实验是在受控实验室条件下、在有限的枣糖浆浓度、储存冷却温度和储存时间范围内进行的，这可能限制结果对其他乳制品体系或工业加工条件的适用性。此外，未评估封闭或无菌加工环境、实时操作、在线传感或基于摄像头的测量系统。因此，所开发的软传感器概念是作为潜在的未来应用提出，而非经过验证的工业实施。未来使用此类建模技术的研究可纳入乳基功能性饮料的其他理化、流变和感官品质特性。