人工神經(jīng)網(wǎng)絡(luò)在水產(chǎn)領(lǐng)域中的應(yīng)用

姜鵬飛,鄭杰,陳瑤,孫娜,祁立波,李德陽(yáng),林松毅*

1(大連工業(yè)大學(xué) 食品學(xué)院,國(guó)家海洋食品工程技術(shù)研究中心,遼寧 大連,116033) 2(遼寧省海洋水產(chǎn)科學(xué)研究院,遼寧 大連,116023)

人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks,ANN)建立在仿生學(xué)的基礎(chǔ)上,主要原理是模擬人類大腦的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與功能特征[1]。它可以應(yīng)用于聯(lián)想記憶[2]、非線性映射[3]、分類與識(shí)別[4]、優(yōu)化計(jì)算[5]、知識(shí)處理[6]。具有信息存儲(chǔ)的分布式存儲(chǔ)、計(jì)算的并行性與存儲(chǔ)的分布性(結(jié)構(gòu)特點(diǎn))、非線性、魯棒性與容錯(cuò)性(性能特點(diǎn))以及自學(xué)習(xí)和自適應(yīng)性(能力特點(diǎn)),在信息存儲(chǔ)方面主要有卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks,RNN)和生成對(duì)抗網(wǎng)絡(luò)(generative adversarial networks,GAN)三種結(jié)構(gòu)[7],如表1所示。

表1 神經(jīng)網(wǎng)絡(luò)主要解釋方法Table 1 The main interpretation methods for neural networks

人工神經(jīng)網(wǎng)絡(luò)有多種算法,但大體可以分為兩類:一是需要對(duì)樣品進(jìn)行學(xué)習(xí)訓(xùn)練及預(yù)測(cè)的有管理的人工神經(jīng)網(wǎng)絡(luò);二是無(wú)須訓(xùn)練的無(wú)管理的人工神經(jīng)網(wǎng)絡(luò)[8]。

人工神經(jīng)網(wǎng)絡(luò)目前已經(jīng)在信息處理領(lǐng)域、自動(dòng)化領(lǐng)域、工程領(lǐng)域、醫(yī)學(xué)領(lǐng)域、經(jīng)濟(jì)領(lǐng)域等應(yīng)用并取得的一定的成果。本文分別從水產(chǎn)養(yǎng)殖技術(shù)檢測(cè),水產(chǎn)品工藝優(yōu)化,活性成分分析,產(chǎn)品品質(zhì)評(píng)價(jià)等方面就人工神經(jīng)網(wǎng)絡(luò)在相關(guān)領(lǐng)域中的應(yīng)用進(jìn)行歸納總結(jié),為后續(xù)人工神經(jīng)網(wǎng)絡(luò)在水產(chǎn)品中的應(yīng)用梳理思路,提供理論依據(jù)[9]。

1 養(yǎng)殖技術(shù)

目前,我國(guó)漁業(yè)捕撈量增長(zhǎng)迅猛,與養(yǎng)殖量不匹配,并且生產(chǎn)效率和專業(yè)技術(shù)與國(guó)外相比相差較大[10]。水生生物生長(zhǎng)主要受環(huán)境、種群和物種的影響,如圖1所示,本文從ANN預(yù)測(cè)養(yǎng)殖環(huán)境、種群豐度和養(yǎng)殖品種對(duì)水產(chǎn)養(yǎng)殖生物生長(zhǎng)相關(guān)性研究進(jìn)展進(jìn)行系統(tǒng)整理,并從經(jīng)濟(jì)角度對(duì)養(yǎng)殖管理方式和水產(chǎn)價(jià)格進(jìn)行分析,以期為水產(chǎn)后續(xù)生長(zhǎng)研究提供借鑒,從而更好地服務(wù)于我國(guó)水產(chǎn)養(yǎng)殖業(yè)。

1.1 環(huán)境因素

影響水產(chǎn)養(yǎng)殖的環(huán)境因素主要有水質(zhì)、溫度、溶氧量、亞硝酸鹽含量、氨氮和硫化氫濃度以及酸堿度等,水質(zhì)情況直接影響到水產(chǎn)品的生長(zhǎng)發(fā)育,進(jìn)而關(guān)系到養(yǎng)殖產(chǎn)量以及經(jīng)濟(jì)效益。謝萬(wàn)里等[11]將反向傳播和徑向基函數(shù)人工神經(jīng)網(wǎng)絡(luò)的評(píng)估方法綜合運(yùn)用于活魚(yú)運(yùn)輸中,確定了不同訓(xùn)練函數(shù)及不同隱含層神經(jīng)元個(gè)數(shù),該方法避免了傳統(tǒng)運(yùn)輸水質(zhì)評(píng)價(jià)方法存在局限性和單一性的問(wèn)題,對(duì)實(shí)現(xiàn)活魚(yú)運(yùn)輸儲(chǔ)存過(guò)程中水質(zhì)的精準(zhǔn)調(diào)控有重要意義;馬真[12]通過(guò)ANN輸入變量,以確定模型的各結(jié)構(gòu)參數(shù),建立了凡納濱養(yǎng)殖蝦水質(zhì)預(yù)測(cè)模型,并根據(jù)養(yǎng)殖周期水質(zhì)實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)對(duì)模型進(jìn)行了訓(xùn)練和擬合,結(jié)果顯示:反向傳播人工神經(jīng)網(wǎng)絡(luò)(back-propagation artificial neural network， BP-ANN)的預(yù)測(cè)效果較好,能以較高精度預(yù)測(cè)養(yǎng)殖水質(zhì)狀況,并能對(duì)水質(zhì)惡化進(jìn)行早期預(yù)警提示。

圖1 人工神經(jīng)網(wǎng)絡(luò)在養(yǎng)殖技術(shù)中的應(yīng)用Fig.1 Application of artificial neural network in breeding technology

水產(chǎn)養(yǎng)殖池中如果溶氧量低于標(biāo)準(zhǔn)值,會(huì)導(dǎo)致池中潛在的致病因子突然釋放。CARBAJAL等[13]通過(guò)監(jiān)測(cè)溶氧量的相關(guān)環(huán)境因子,對(duì)破壞生態(tài)穩(wěn)定因子進(jìn)行分類,以預(yù)測(cè)相關(guān)水質(zhì)指標(biāo);CAO等[14]在利用紫外吸收光譜法快速測(cè)定養(yǎng)殖廢水中化學(xué)需氧量的過(guò)程中,使用BP-ANN,以有效波長(zhǎng)為基礎(chǔ),得到了最佳預(yù)測(cè)結(jié)果。

由于水產(chǎn)動(dòng)物屬于變溫動(dòng)物,體溫隨水溫的變化而變化,因此養(yǎng)殖水溫是水產(chǎn)生物生長(zhǎng)和繁殖的重要條件。柳海濤等[15]基于大量實(shí)測(cè)數(shù)據(jù)分析,建立了松花江站水溫人工神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型,通過(guò)輸入上游吉林水文站的水溫與流量,以及地區(qū)氣象條件,利用遞推法,預(yù)測(cè)出下游魚(yú)類繁殖地水溫變化過(guò)程;倪玉紅等[16]基于BP-ANN的逐層水溫及溶氧量預(yù)報(bào)模型,提高了江蘇省夏季蝦塘管理水平,為龍蝦養(yǎng)殖和氣象災(zāi)害防御提供理論支持。

1.2 種群預(yù)測(cè)

在水生生物種群預(yù)測(cè)方面,利用ANN高效、精確智能的特點(diǎn),對(duì)群落資源豐度進(jìn)行預(yù)測(cè),JABEEN等[17]利用前饋多層感知器(multilayer perceptron,MLP)網(wǎng)絡(luò),根據(jù)鮑魚(yú)物理屬性,對(duì)鮑魚(yú)生長(zhǎng)程度進(jìn)行預(yù)測(cè),結(jié)果表明基于Levenberg-Marquardt算法的MLP網(wǎng)絡(luò)模型是預(yù)測(cè)鮑魚(yú)生長(zhǎng)階段的最佳方法。同時(shí),ANN還可以應(yīng)用于種群生長(zhǎng)曲線的監(jiān)測(cè)預(yù)報(bào),從而對(duì)我國(guó)傳統(tǒng)的經(jīng)濟(jì)魚(yú)類、貝類、蝦類和藻類的生長(zhǎng)趨勢(shì)進(jìn)行實(shí)時(shí)檢測(cè)。朱藝峰[18]通過(guò)分析各影響因素,采用交叉驗(yàn)證方法,對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分析,結(jié)果表明:人工神經(jīng)網(wǎng)絡(luò)對(duì)花鱸增重、特定生長(zhǎng)率具有良好的預(yù)測(cè)效果;FRANCO等[19]利用不同藻類吸光值差異特性,以單藻和混合藻培養(yǎng)物的吸光度作為輸入數(shù)據(jù),建立了一種區(qū)分單藻和混合藻的人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,該系統(tǒng)能夠識(shí)別主要藻類。

1.3 物種識(shí)別

養(yǎng)殖品種識(shí)別主要利用了人工視覺(jué)技術(shù),該技術(shù)在物種識(shí)別方面應(yīng)用廣泛,可為實(shí)現(xiàn)良種引進(jìn),提高水產(chǎn)養(yǎng)殖的經(jīng)濟(jì)效率提供理論支持(如圖2所示)。研究表明,CNN模型是目前常用的人工視覺(jué)技術(shù),基于CNN深度學(xué)習(xí)特性,HIMABINDU等[20]利用視覺(jué)技術(shù)提取魷魚(yú)的形態(tài)特征,通過(guò)對(duì)圖像中指定區(qū)域的裁剪,采用反向傳播MLP方法將魷魚(yú)不同部位的數(shù)據(jù)進(jìn)行分類,準(zhǔn)確率高達(dá)98.6%,實(shí)現(xiàn)養(yǎng)殖水產(chǎn)品生長(zhǎng)狀態(tài)識(shí)別。另外,現(xiàn)階段我國(guó)更加注重水產(chǎn)新品種的選育工作,張帆等[21]提出一種基于圖像特征與競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)相結(jié)合的蟹苗密度估算識(shí)別系統(tǒng),采用全局性密度等級(jí)分類算法結(jié)合局部性線性回歸算法,對(duì)蟹苗圖像的密度等級(jí)特征由競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)進(jìn)行劃分和判斷,得到較高的正確率,再次證實(shí)人工視覺(jué)技術(shù)將成為水產(chǎn)養(yǎng)殖優(yōu)質(zhì)高產(chǎn)的重要途徑;不僅如此,基于人工神經(jīng)網(wǎng)絡(luò)具有處理速度快、結(jié)果預(yù)估客觀和可重復(fù)性較高的特點(diǎn),MOSLEH等[22]研發(fā)出一種淡水藻類自動(dòng)識(shí)別系統(tǒng),該系統(tǒng)由圖像預(yù)處理、分割、特征提取和人工神經(jīng)網(wǎng)絡(luò)分類4個(gè)步驟組成,通過(guò)對(duì)藻類圖像特征參數(shù)的提取,經(jīng)過(guò)主成分分析,使系統(tǒng)的準(zhǔn)確率達(dá)到93%。

圖2 物種識(shí)別的基本原理Fig.2 Basic principles of species identification

1.4 養(yǎng)殖管理

通常來(lái)講,水產(chǎn)養(yǎng)殖管理方法具有季節(jié)性、長(zhǎng)期性以及多樣性等特點(diǎn)。傳統(tǒng)的養(yǎng)殖管理方法包括飼料管理、水質(zhì)管理和底質(zhì)管理以及塘口環(huán)境管理、疾病預(yù)防管理等。在養(yǎng)殖蝦場(chǎng)燃料管理方面,ATIA等[23]建立了以質(zhì)子交換膜燃料電池驅(qū)動(dòng)的擴(kuò)散式曝氣系統(tǒng),通過(guò)控制輸入氣體流量來(lái)控制燃料電池的輸出功率;LEUNG等[24]建立了一種越南養(yǎng)殖蝦疾病控制的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,比較了概率神經(jīng)網(wǎng)絡(luò)和logistic回歸方法在相同數(shù)據(jù)集上的預(yù)測(cè)性能,結(jié)果表明:概率神經(jīng)網(wǎng)絡(luò)模型比logistic回歸模型具有更好的預(yù)測(cè)能力;ABDELLATIF等[25]利用HadCM3、CSIRO和CGCM2CMS的氣候變量,采用混合廣義線性人工神經(jīng)網(wǎng)絡(luò)模型,對(duì)降雨量進(jìn)行控制,結(jié)果表明:總溢水量、總溢時(shí)間和溢水頻率每年增加37%、32%,實(shí)際值與預(yù)測(cè)結(jié)果相符。

1.5 價(jià)格

水產(chǎn)養(yǎng)殖的收益離不開(kāi)對(duì)市場(chǎng)價(jià)格的判斷,但其價(jià)格受供求和時(shí)節(jié)等因素的影響,因此具有一定的周期性和波動(dòng)性。傳統(tǒng)的價(jià)格預(yù)估方法是基于時(shí)間的指數(shù)及回歸方程進(jìn)行預(yù)判,誤差較大。目前,經(jīng)驗(yàn)證利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)價(jià)格,既克服了信息的不對(duì)稱性也提高了預(yù)測(cè)精度。XU等[26]提出了應(yīng)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)價(jià)格的可行性;李宏偉等[27]嘗試在傳統(tǒng)反向傳播算法的基礎(chǔ)上將網(wǎng)絡(luò)神經(jīng)元中的激勵(lì)函數(shù)換成小波子函數(shù),進(jìn)而組建出小波神經(jīng)網(wǎng)絡(luò),通過(guò)對(duì)新疆烏倫古湖水產(chǎn)綜合基地三類主要魚(yú)類價(jià)格預(yù)測(cè)驗(yàn)證,結(jié)果表明:該模型可用于預(yù)測(cè)魚(yú)類價(jià)格的短期預(yù)測(cè);胡濤[28]建立了松散型小波層神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,在預(yù)測(cè)模型中,利用了遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化,通過(guò)實(shí)證檢驗(yàn),預(yù)測(cè)值誤差較小。

2 水產(chǎn)品工藝優(yōu)化

傳統(tǒng)的食品加工以及配方優(yōu)化的方法已經(jīng)比較成熟,如響應(yīng)面設(shè)計(jì)、正交試驗(yàn)和均勻設(shè)計(jì)等。他們均可以通過(guò)嚴(yán)格反復(fù)的試驗(yàn)獲得最佳的實(shí)驗(yàn)結(jié)果,但試驗(yàn)精度不夠是其顯著的缺陷。另外,人工神經(jīng)網(wǎng)絡(luò)一般使用標(biāo)準(zhǔn)的非線性最小二乘回歸法來(lái)擬合數(shù)據(jù),因此容易在處理數(shù)據(jù)的過(guò)程中存在數(shù)據(jù)過(guò)度擬合的問(wèn)題。但是隨著科技的不斷進(jìn)步與發(fā)展,人工神經(jīng)網(wǎng)絡(luò)越來(lái)越多地應(yīng)用于食品加工中的各個(gè)環(huán)節(jié),可以對(duì)加工過(guò)程中的數(shù)據(jù)進(jìn)行非線性的處理,設(shè)計(jì)動(dòng)態(tài)型模型以選擇出最優(yōu)的方案。

人工神經(jīng)網(wǎng)絡(luò)在水產(chǎn)品加工過(guò)程中的品質(zhì)和風(fēng)味調(diào)控過(guò)程中應(yīng)用廣泛。CHINDAPAN等[29]在用電滲析降低魚(yú)露中鈉離子濃度的過(guò)程中,采用遺傳算法對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)優(yōu)化,優(yōu)化后的人工神經(jīng)網(wǎng)絡(luò)模型對(duì)魚(yú)露的基本特性、總氨基酸和總芳香化合物的濃度以及風(fēng)味差異預(yù)測(cè)準(zhǔn)確;王回憶等[30]將動(dòng)力學(xué)和徑向基神經(jīng)網(wǎng)絡(luò)相結(jié)合用于預(yù)測(cè)鱘魚(yú)片冷藏過(guò)程中品質(zhì)變化,其預(yù)測(cè)值與試驗(yàn)值之間的相對(duì)誤差較小;TATAR等[31]在以半纖維素作為包覆材料對(duì)微膠囊魚(yú)油吸附能力優(yōu)化過(guò)程中,采用ANN與平衡含水率相互擬合,預(yù)測(cè)樣品的電磁兼容,其結(jié)果與經(jīng)驗(yàn)?zāi)Ｐ拖啾雀鼫?zhǔn)確,滿足焓-熵補(bǔ)償理論;GHOSH等[32]在木糖醇生產(chǎn)工藝的研究中,通過(guò)對(duì)比響應(yīng)面法(response surface method,RSM)和ANN來(lái)確定最優(yōu)反應(yīng)條件和預(yù)測(cè)最優(yōu)產(chǎn)率,結(jié)果表明ANN的預(yù)測(cè)精準(zhǔn)度優(yōu)于RSM;張斌等[33]利用RSM數(shù)據(jù)輔助ANN進(jìn)行訓(xùn)練與仿真,建立級(jí)聯(lián)BP-ANN對(duì)超高壓技術(shù)法提取河蚌肉多糖工藝進(jìn)行分析優(yōu)化,雖然對(duì)比ANN 與RSM最佳工藝條件下多糖得率實(shí)測(cè)值略小,但其優(yōu)化結(jié)果的準(zhǔn)確率高,預(yù)測(cè)值的可信度強(qiáng)。

由于ANN對(duì)非線性和非穩(wěn)態(tài)系統(tǒng)的酶催化反應(yīng)具有較好的預(yù)測(cè)能力,目前,已經(jīng)有大量研究將其應(yīng)用在水產(chǎn)品酶解過(guò)程中工藝條件優(yōu)化方向。吳燕燕等[34]利用Matlab軟件,對(duì)風(fēng)味蛋白酶水解合浦珠母貝柱的工藝條件進(jìn)行優(yōu)化,克服了抗菌肽純度低、提取率低等缺點(diǎn);鄧志程等[35]利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)胰蛋白酶及胰凝乳蛋白酶的雙酶解過(guò)程,驗(yàn)證人工神經(jīng)網(wǎng)絡(luò)可以提高產(chǎn)率;劉斌等[36]利用newrbe(P,T,SPREAD)函數(shù)建立徑向基網(wǎng)絡(luò),經(jīng)過(guò)樣本訓(xùn)練以及徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測(cè),建立間歇式酶膜耦合制備紫菜降壓肽模型,同樣可以實(shí)現(xiàn)提高產(chǎn)率的效果。

3 活性成分分析

由于水產(chǎn)品中功能性活性成分提取條件的復(fù)雜性,目前傳統(tǒng)提取方法已不能滿足實(shí)際生產(chǎn)要求,ANN可以通過(guò)模型仿真進(jìn)而預(yù)測(cè)提取效果,為達(dá)到批量可控化生產(chǎn)提供依據(jù)。

表2 人工神經(jīng)網(wǎng)絡(luò)在水產(chǎn)品活性成分中的應(yīng)用Table 2 Application of artificial neural network in aquatic active ingredients

應(yīng)用人工神經(jīng)網(wǎng)絡(luò)對(duì)生物活性物質(zhì)進(jìn)行定量預(yù)測(cè),具有生物學(xué)檢測(cè)所不具備的優(yōu)點(diǎn),它不僅可以較為準(zhǔn)確地預(yù)測(cè)糖類、脂類和蛋白質(zhì)含量,還能對(duì)其他生物活性物質(zhì)含量的變化進(jìn)行估計(jì),例如,水產(chǎn)品中的毒素、微量元素以及含氮化合物等。人工神經(jīng)網(wǎng)絡(luò)可以避免盲目投入造成的浪費(fèi),而且可以保證精準(zhǔn)度與建模效果。ERTüRK等[45]分析了30種酚類化合物源于海洋藻鄧氏藻毒性,利用四參數(shù)對(duì)反向傳播人工神經(jīng)網(wǎng)絡(luò)(counter propagation artificial neural network,CP-ANN)結(jié)合多元線性回歸(multiple linear regression,MLR)方法建立模型,該模型將多次預(yù)測(cè)結(jié)果取平均值,改善了全局模型的統(tǒng)計(jì)特性,CP-ANN通過(guò)對(duì)每個(gè)單獨(dú)線性模型中出現(xiàn)的6個(gè)描述符中選取4個(gè)來(lái)取平均值,提供了良好的外部預(yù)測(cè)性;PAPADOPOULOS等[46]用實(shí)驗(yàn)設(shè)計(jì)方法結(jié)合人工神經(jīng)網(wǎng)絡(luò)以基質(zhì)固相分散萃取法測(cè)定魚(yú)類中氯化物得到準(zhǔn)確的預(yù)測(cè)結(jié)果;MOGHADDAM等[47]通過(guò)比較ANN和RSM,預(yù)測(cè)出微波輔助提取魚(yú)肉中鋅元素含量,實(shí)驗(yàn)采用Box-Behnken Design法驗(yàn)證,結(jié)果表明:與RSM模型相比,ANN模型預(yù)測(cè)準(zhǔn)確率更高;CHEN等[48]通過(guò)對(duì)高光譜像數(shù)據(jù)進(jìn)行相關(guān)系數(shù)分析建立一種MLR和BP-ANN模型,結(jié)果表明:相關(guān)系數(shù)MLR預(yù)測(cè)值低于BP-ANN預(yù)測(cè)值;相對(duì)誤差MLR預(yù)測(cè)值誤差更小,二者均可以檢測(cè)和準(zhǔn)確預(yù)測(cè)儲(chǔ)藏期太平洋牡蠣總揮發(fā)性鹽基氮(total volatile based nitrogen,TVB-N)含量,進(jìn)而判斷新鮮度。

4 品質(zhì)評(píng)價(jià)

食品品質(zhì),是指食品的各種固有特性滿足要求的程度。食品的固有特性包括安全性、營(yíng)養(yǎng)性、可食性、保藏性、經(jīng)濟(jì)性和方便性等。對(duì)食品品質(zhì)的調(diào)控可以體現(xiàn)在產(chǎn)品的相關(guān)國(guó)家標(biāo)準(zhǔn)中,如安全衛(wèi)生標(biāo)準(zhǔn)、感官特性標(biāo)準(zhǔn)、營(yíng)養(yǎng)和成分標(biāo)準(zhǔn)等,還包括包裝、貯運(yùn)等方面的要求。本節(jié)就人工神經(jīng)網(wǎng)絡(luò)在食品的營(yíng)養(yǎng)性、安全性和保藏性的應(yīng)用進(jìn)行總結(jié),旨在為食品品質(zhì)安全提供理論性的模型預(yù)測(cè)結(jié)果。

4.1 營(yíng)養(yǎng)性

人工神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)出水產(chǎn)品營(yíng)養(yǎng)價(jià)值方面也得到廣泛應(yīng)用,如預(yù)測(cè)營(yíng)養(yǎng)組成、感官評(píng)分、水分含量以及產(chǎn)品新鮮度等。

食品中的營(yíng)養(yǎng)成分主要包括:水、無(wú)機(jī)鹽、糖類、脂肪、蛋白質(zhì)和維生素六大類,人工神經(jīng)網(wǎng)絡(luò)與其檢測(cè)方法結(jié)合,可以達(dá)到準(zhǔn)確、快速、多組分同時(shí)測(cè)定等目的,徐文杰等[49]采用近紅外光譜數(shù)據(jù)分別與偏最小二乘法、主成分分析和BP-ANN結(jié)合技術(shù)、偏最小二乘法和BP-ANN結(jié)合技術(shù)建立了3種鰱魚(yú)營(yíng)養(yǎng)成分近紅外定量模型。

傳統(tǒng)感官評(píng)價(jià)方法可對(duì)感知屬性進(jìn)行即時(shí)測(cè)定,但由于評(píng)價(jià)人員對(duì)相同刺激水平的反應(yīng)存在差異,可能導(dǎo)致測(cè)試的結(jié)果不準(zhǔn)確。ANN模擬生物視覺(jué)、嗅覺(jué)和味覺(jué)等感官特性,不僅避免了傳統(tǒng)感官檢測(cè)中評(píng)價(jià)人員的主觀性,還大幅提高了檢測(cè)效率和準(zhǔn)確性。LIU等[50]建立了一種動(dòng)力學(xué)模型結(jié)合人工神經(jīng)網(wǎng)絡(luò)的組合模型,用于預(yù)測(cè)真空包裝的鳙魚(yú)魚(yú)片在不同溫度下感官評(píng)分、TAC和k值變化,結(jié)果表明:預(yù)測(cè)值相對(duì)誤差均在5%以內(nèi)。

水分含量是判斷水產(chǎn)品品質(zhì)的重要指標(biāo)之一,目前常用的水分檢測(cè)方法對(duì)產(chǎn)品破壞度較高,導(dǎo)致測(cè)試結(jié)果差異性較大,因此檢測(cè)水分含量等指標(biāo)需要通過(guò)ANN預(yù)測(cè)技術(shù)輔佐。MOHEBBI等[51]應(yīng)用多層反向傳播神經(jīng)網(wǎng)絡(luò)模型成功預(yù)測(cè)出化學(xué)法測(cè)定的活體蝦水分含量與顏色特征;HOSSEINPOUR等[52]利用多層感知器人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)利用圖像紋理參數(shù)成功預(yù)測(cè)了蝦的含水率。

水產(chǎn)品新鮮度直接與消費(fèi)者感官屬性如外觀、質(zhì)地、氣味和口感有關(guān),同時(shí)對(duì)于水產(chǎn)食品安全、運(yùn)輸倉(cāng)儲(chǔ)及加工過(guò)程也有著重要意義。因此,通過(guò)人工神經(jīng)網(wǎng)絡(luò)建立新鮮度預(yù)測(cè)模型,是保證水產(chǎn)品消費(fèi)安全的重要手段。薛大為等[53]采提出了綜合阻抗模值結(jié)合ANN預(yù)測(cè)淡水魚(yú)新鮮度的方法,以模值和相角作為輸入因子,以TVB-N作為輸出因子,建立預(yù)測(cè)淡水魚(yú)新鮮度的3層BP-NAA模型得到較高預(yù)測(cè)率;劉歡等[54]在確定近紅外光譜數(shù)據(jù)最佳預(yù)處理方法和適宜波段的基礎(chǔ)上,分別采用偏最小二乘法、主成分分析和BP-NAA、偏最小二乘法和BP-NAA建立了鯽魚(yú)新鮮度預(yù)測(cè)定量模型,結(jié)果表明:以pH為鮮度指標(biāo),采用偏最小二乘法和 BP-NAA結(jié)合模型預(yù)測(cè)效果最佳。

4.2 營(yíng)養(yǎng)性

食品中對(duì)人體健康造成危害的物質(zhì)主要有生物危害物、化學(xué)危害物和物理危害物。在水產(chǎn)養(yǎng)殖過(guò)程中,生物危害物和化學(xué)危害物的影響較大。

生物危害物包括細(xì)菌、病毒、寄生蟲(chóng)、原生動(dòng)物、藻類及其所產(chǎn)生的毒性物質(zhì),其中致病性微生物(細(xì)菌)是造成食品生物危害最廣泛的全球性問(wèn)題。DUAN等[55]研究一種比目魚(yú)冷凍魚(yú)片細(xì)菌總數(shù)的測(cè)定方法,并用便攜式近紅外光譜儀進(jìn)行驗(yàn)證,結(jié)果表明:遺傳算法和BP-ANN相結(jié)合的方法檢測(cè)時(shí)間短,檢測(cè)效率高,該技術(shù)可以為漁業(yè)無(wú)損、現(xiàn)場(chǎng)以及快速檢測(cè)提供理論依據(jù);段翠等[56-57]以便攜式近紅外光譜儀為基礎(chǔ),以三文魚(yú)為研究對(duì)象得到了相同驗(yàn)證;BRION等[58]以ANN結(jié)合MLR模型用PCR方法預(yù)測(cè)歐洲不同國(guó)家市售的貝類中病毒種類,結(jié)果表明:ANN模型比MLR模型更精準(zhǔn)地預(yù)測(cè)出貝類中所含的病毒。

化學(xué)危害物包括了藥物殘留、天然毒素和食品添加劑等物質(zhì),一般為生產(chǎn)中環(huán)境或人為因素造成的。YANG等[59]使用褐藻作為一種低成本的吸附劑,采用ANN對(duì)汞離子的吸附性能進(jìn)行預(yù)測(cè),結(jié)果表明:該模型具有較高的預(yù)測(cè)Hg(II)吸附的潛力;KIM等[60]利用ANN研發(fā)出一種氣味監(jiān)測(cè)系統(tǒng),以檢測(cè)室溫或冰箱中,牛肉、魚(yú)、貝類等食物分解產(chǎn)生的有害氣體,檢測(cè)結(jié)果準(zhǔn)確全面,為水產(chǎn)品有害揮發(fā)性物質(zhì)檢測(cè)提供理論依據(jù)。

4.3 保藏性

食品保藏是為了防止食品腐敗變質(zhì)延長(zhǎng)其儲(chǔ)藏期所采用的處理方法,食品的腐敗變質(zhì)也是本身所含的酶和受外界污染的微生物產(chǎn)生一系列的化學(xué)反應(yīng)造成的。肌苷酸是重要的風(fēng)味前體物,也是淡水魚(yú)主要的成味物質(zhì),SHI等[61]通過(guò)建立了BP-ANN,在不同溫度、不同熱加工時(shí)間下,完成了未經(jīng)處理的淡鹽鰱魚(yú)和1.8%鹽漬鰱魚(yú)中的肌苷酸含量貯藏過(guò)程中降解曲線的預(yù)測(cè);席慶等[62]利用 Box-Behnken 響應(yīng)面實(shí)驗(yàn)設(shè)計(jì)建立數(shù)據(jù)集合,以貯藏10 d后的菌落總數(shù)以及感官評(píng)分為響應(yīng)因子,建立了即食鮑魚(yú)柵欄模式的神經(jīng)網(wǎng)絡(luò)模型,結(jié)果表明:建立的神經(jīng)網(wǎng)絡(luò)模型對(duì)于魚(yú)類貯藏過(guò)程中品質(zhì)變化具有良好的預(yù)測(cè)精確性。

5 展望

水產(chǎn)制品對(duì)人體健康有益,但是水產(chǎn)品在養(yǎng)殖、加工、流通、儲(chǔ)藏等過(guò)程中十分復(fù)雜,無(wú)論是在水產(chǎn)品養(yǎng)殖過(guò)程中環(huán)境、管理等因素、水產(chǎn)品原料安全性,還是水產(chǎn)品的加工過(guò)程以及加工后對(duì)產(chǎn)品品質(zhì)的評(píng)價(jià)等都十分重要。本文以人工神經(jīng)網(wǎng)絡(luò)為論述對(duì)象,從水產(chǎn)品養(yǎng)殖、生產(chǎn)以及品質(zhì)調(diào)控過(guò)程等角度入手,歸納總結(jié)了其對(duì)于養(yǎng)殖環(huán)境預(yù)測(cè)、物種分類識(shí)別、貯存品質(zhì)及風(fēng)味變化檢測(cè)等特點(diǎn);主要可以分為四類:養(yǎng)殖技術(shù)、工藝優(yōu)化、活性成分分析和品質(zhì)評(píng)價(jià)。目前人工神經(jīng)網(wǎng)絡(luò)技術(shù)在水產(chǎn)品中的應(yīng)用仍有一定的局限性,今后需要加快食品的智能化加工和智能產(chǎn)品的研發(fā),加強(qiáng)標(biāo)準(zhǔn)化、智能化生產(chǎn)技術(shù)的研發(fā),并結(jié)合水產(chǎn)品可追溯體系,建立全程監(jiān)控的智能化監(jiān)控系統(tǒng),實(shí)現(xiàn)傳統(tǒng)水產(chǎn)食品生產(chǎn)加工模式實(shí)現(xiàn)向智能化、自動(dòng)化、標(biāo)準(zhǔn)化生產(chǎn)的跨越。希望通過(guò)對(duì)人工神經(jīng)網(wǎng)絡(luò)在水產(chǎn)領(lǐng)域中應(yīng)用的研究,為計(jì)算機(jī)模擬技術(shù)在食品相關(guān)領(lǐng)域的發(fā)展提供一定的理論基礎(chǔ)。