基于BP神經(jīng)網(wǎng)絡(luò)的面包工業(yè)化生產(chǎn)發(fā)酵程度視覺(jué)判定

趙 純

陳學(xué)永1

吳少霜1

龐 杰2

(1. 福建農(nóng)林大學(xué)機(jī)電工程學(xué)院，福建 福州 350000；2. 福建農(nóng)林大學(xué)食品科學(xué)學(xué)院，福建 福州 350000)

隨著市場(chǎng)需求的增長(zhǎng)，中國(guó)的面包生產(chǎn)由傳統(tǒng)的小作坊模式，轉(zhuǎn)變?yōu)榇笮偷墓S批量化生產(chǎn)[1-2]。發(fā)酵是面包生產(chǎn)重要的一環(huán)。目前，大部分面包廠家對(duì)發(fā)酵程度的判斷方式，主要依賴于面包師傅的經(jīng)驗(yàn)判斷[3-4]，主觀性較大，常常出現(xiàn)面包發(fā)酵程度不足或發(fā)酵過(guò)度的問(wèn)題。

面包的發(fā)酵過(guò)程是一個(gè)復(fù)雜的非線性過(guò)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(yè)化生產(chǎn)發(fā)展到現(xiàn)在，經(jīng)過(guò)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(chǎn)流程幾乎一致。因此，在建立工業(yè)化面包發(fā)酵預(yù)測(cè)模型時(shí)，不考慮面粉、酵母品種以及溫濕度等外界環(huán)境對(duì)發(fā)酵程度的影響[5-8]，而是只分析相同外界環(huán)境下，面包不同發(fā)酵狀態(tài)時(shí)的變化情況。

機(jī)器視覺(jué)由于不會(huì)與面包發(fā)生表面接觸，同時(shí)能夠提取面包的外部特征，是觀測(cè)面包發(fā)酵程度的有效方式。當(dāng)前，有不少研究者將機(jī)器視覺(jué)引入到面包的生產(chǎn)中。Soleimani等[9]運(yùn)用數(shù)字成像法檢測(cè)發(fā)酵面團(tuán)的動(dòng)態(tài)密度，但只考慮了體積、溫度、濕度因素，準(zhǔn)確度不足。李國(guó)華等[10]運(yùn)用機(jī)器視覺(jué)技術(shù)測(cè)量面包體積，對(duì)測(cè)量數(shù)據(jù)進(jìn)行可視化重構(gòu)，能夠有效得到體積數(shù)值，但測(cè)量單個(gè)面包體積需要耗時(shí)1 min，且對(duì)于環(huán)境要求嚴(yán)格。孫美艷等[11]將機(jī)器視覺(jué)結(jié)合決策樹(shù)算法，對(duì)面包發(fā)酵過(guò)程進(jìn)行識(shí)別，準(zhǔn)確率高，但是識(shí)別的發(fā)酵面團(tuán)處于打樣過(guò)程，僅僅適用于家用面包機(jī)。實(shí)際工業(yè)生產(chǎn)中，面包都是打樣后，立刻進(jìn)行造型加工，需要建立新的圖像采集系統(tǒng)來(lái)同時(shí)分析多個(gè)發(fā)酵面團(tuán)。

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)能夠有效分析非線性數(shù)據(jù)結(jié)構(gòu)，得到輸入量與輸出量之間的關(guān)系[12-14]。因此，研究定時(shí)采集同一品種的面包圖像。對(duì)拍到的圖像進(jìn)行圖像處理，取時(shí)間、面積、灰度值能量、灰度值相互關(guān)系、灰度值均勻性、灰度值對(duì)比度、瞬時(shí)速度和膨脹率，共計(jì)8個(gè)特征參數(shù)，作為BP神經(jīng)網(wǎng)絡(luò)的輸入值。將面包發(fā)酵程度分為一級(jí)、二級(jí)、三級(jí)3個(gè)等級(jí)，分別對(duì)應(yīng)發(fā)酵未完成、發(fā)酵完成、發(fā)酵過(guò)度3個(gè)階段，用這3個(gè)等級(jí)作為BP神經(jīng)網(wǎng)絡(luò)的輸出值。期望通過(guò)建立BP神經(jīng)網(wǎng)絡(luò)模型來(lái)實(shí)現(xiàn)對(duì)面團(tuán)發(fā)酵成熟度的精準(zhǔn)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(yàn)儀器

和面機(jī)：CG-40雙速型，廣州市昌崗機(jī)械設(shè)備有限公司；

發(fā)酵箱：16A/單門(mén)型，龍巖璐盛機(jī)械設(shè)備有限公司；

工業(yè)攝像頭：SONY CCD高清800線型，日本索尼公司。

1.2 方法

1.2.1 發(fā)酵面團(tuán)制作 取小麥粉500 g過(guò)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(jī)中。由于面包在攪拌過(guò)程中會(huì)產(chǎn)生熱量，導(dǎo)致提前發(fā)酵，因此需要再加入適量冰水。最初，攪拌機(jī)速度調(diào)為慢速，先將面粉慢速攪拌成團(tuán)。30 min后，將攪拌速度加快，使得面團(tuán)能夠起筋。攪拌過(guò)程中，加入50 g黃油。攪拌完成后，需要對(duì)面團(tuán)冷卻降溫，使得面團(tuán)溫度不高于20 ℃。

試驗(yàn)所使用的面團(tuán)，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(tuán)，共兩個(gè)批次，每批次5個(gè)面團(tuán)。將其放入醒發(fā)箱中醒發(fā)。醒發(fā)箱溫度為40 ℃，濕度為80%。這10個(gè)面團(tuán)采集到的數(shù)據(jù)用于訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。

為了測(cè)試BP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性，用同樣的方法步驟制作第3個(gè)批次，共5個(gè)面團(tuán)。在同樣的環(huán)境下進(jìn)行醒發(fā)。

1.2.2 圖像采集方法 在醒發(fā)箱內(nèi)部頂端裝有圓形均勻光源，相機(jī)安裝在醒發(fā)箱的頂部正中位置，相機(jī)與面團(tuán)放置的平臺(tái)之間距離為60 cm，而發(fā)酵面團(tuán)普遍不超過(guò)10 cm，因此由于面團(tuán)高度上的增長(zhǎng)所帶來(lái)的圖像變化可以忽略不計(jì)。調(diào)整光源、相機(jī)焦距、相機(jī)光圈、相機(jī)以及被測(cè)面團(tuán)的位置，使得既能夠獲取被測(cè)面團(tuán)完整清晰的圖像，同時(shí)不會(huì)拍到發(fā)酵箱托盤(pán)以外的部分，減少背景的干擾，如圖1所示。相機(jī)通過(guò)USB視頻采集卡，與外部筆記本電腦連接。每隔30 s對(duì)樣品采集一次圖像，傳輸?shù)诫娔X內(nèi)部，運(yùn)用opencv自編程序來(lái)對(duì)圖片進(jìn)行處理，單位時(shí)間單個(gè)面團(tuán)的相關(guān)數(shù)據(jù)為一組樣本，最終共采集到1 540組訓(xùn)練樣本和725組測(cè)試樣本。

圖1 試驗(yàn)裝置示意圖Figure 1 Schematic diagram of experimental device

1.2.3 感官評(píng)定方法 建立一個(gè)由5人(均為面包廠經(jīng)驗(yàn)豐富的師傅)組成的感官評(píng)定小組，根據(jù)GB/T 14612—2008《糧油檢驗(yàn) 小麥粉面包烘焙品質(zhì)實(shí)驗(yàn) 中種發(fā)酵法》，制定發(fā)酵分級(jí)細(xì)則(見(jiàn)表1)，對(duì)面團(tuán)的發(fā)酵程度進(jìn)行評(píng)級(jí)。

表1 發(fā)酵面團(tuán)感官評(píng)定分級(jí)Table 1 Sensory evaluation and grading of fermented dough

1.2.4 圖像預(yù)處理及特征參數(shù)提取 相機(jī)拍攝到的原始圖像是5個(gè)面團(tuán)在同一張圖片中，背景包含了托盤(pán)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(pán)，而目標(biāo)對(duì)象面團(tuán)為白色，顏色對(duì)比鮮明，噪聲干擾較少，圖像質(zhì)量較高。試驗(yàn)對(duì)圖像的預(yù)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(guò)腐蝕膨脹去除多余的散點(diǎn)，再填充面團(tuán)的陰影部分，能夠準(zhǔn)確繪制面團(tuán)的輪廓，將單個(gè)面團(tuán)從完整圖像上一一分割出來(lái)，如圖2。

圖2 發(fā)酵面包實(shí)物圖片F(xiàn)igure 2 Pictures of fermented bread

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

(1)

式中：

E——膨脹率，%；

S——發(fā)酵面包在相應(yīng)時(shí)刻的面積，mm2；

S0——發(fā)酵面包在初始時(shí)刻的面積，mm2。

每隔30 s采集一次圖像，時(shí)間間隔短，可以通過(guò)面積—時(shí)間公式，用30 s內(nèi)的面積變化量除以30 s時(shí)長(zhǎng)，近似得到面團(tuán)的瞬時(shí)速度。公式如下：

(2)

式中：

vi——瞬時(shí)速度，mm2/s；

Si——第i時(shí)刻面團(tuán)的面積，mm2;

Si-1——第i-1時(shí)刻面團(tuán)的面積，mm2；

T——采樣周期時(shí)間，s。

面包在發(fā)酵過(guò)程中，表面特征會(huì)發(fā)生細(xì)微變化[18-19]。主要體現(xiàn)在：① 面團(tuán)膨脹后，內(nèi)部充滿空氣，面團(tuán)的透光性會(huì)變好。反映到采集的圖像上，則是后期的面團(tuán)要比前期的面團(tuán)更亮。② 面團(tuán)從發(fā)酵開(kāi)始到成熟這個(gè)階段，表面均為光滑。但是面團(tuán)發(fā)酵過(guò)度后，表面開(kāi)始出現(xiàn)氣孔，變得粗糙。③ 隨著面包的發(fā)酵，顏色無(wú)明顯變化，但面團(tuán)的陰影部分會(huì)增大。因此，也可以用灰度值來(lái)反映面包的發(fā)酵情況[20-21]。選擇用灰度值能量、相互關(guān)系、均勻性和對(duì)比度4個(gè)特征來(lái)提取面包的表面紋理特征。

1.2.5 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建 基于誤差反向傳播算法的多層前饋網(wǎng)絡(luò)，即BP神經(jīng)網(wǎng)絡(luò)，是當(dāng)前應(yīng)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(guān)系[22]。BP神經(jīng)網(wǎng)絡(luò)包含輸入層、隱含層、輸出層。輸入層有8個(gè)輸入量，輸出層則有1個(gè)輸出量。根據(jù)公式：

(3)

式中：

m——隱含層節(jié)點(diǎn)個(gè)數(shù)；

n——輸入層節(jié)點(diǎn)個(gè)數(shù)；

l——輸出層節(jié)點(diǎn)個(gè)數(shù)；

α——1～10的常數(shù)。

可以推出隱含層的節(jié)點(diǎn)個(gè)數(shù)為5個(gè)時(shí)較為合適。訓(xùn)練算法選擇L-M算法(Levenberg-Marquardt)[23]。L-M算法是當(dāng)前使用最廣泛的非線性最小二乘算法，能夠有效提高網(wǎng)絡(luò)的收斂速度。最大訓(xùn)練次數(shù)為1 000次，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率為0.000 1，誤差目標(biāo)值為0.000 65。

由于此次訓(xùn)練所用的8個(gè)評(píng)價(jià)指標(biāo)具有不同的量綱，數(shù)值差異巨大。因此還需要對(duì)其進(jìn)行歸一化處理[24]，將數(shù)據(jù)映射到[0，1]。運(yùn)用Z-score標(biāo)準(zhǔn)化法將原始數(shù)據(jù)的均值和標(biāo)準(zhǔn)差進(jìn)行數(shù)據(jù)的標(biāo)準(zhǔn)化，如式(4)所示。

(4)

式中：

X*——標(biāo)準(zhǔn)化后的數(shù)據(jù)；

x——原始數(shù)據(jù)；

μ——所有樣本數(shù)據(jù)的均值；

σ——所有樣本數(shù)據(jù)的標(biāo)準(zhǔn)差。

2 結(jié)果與分析

2.1 面團(tuán)發(fā)酵過(guò)程中面積變化情況

分別對(duì)訓(xùn)練樣本和測(cè)試樣本進(jìn)行感官評(píng)定。在1 540組訓(xùn)練樣本中，屬于一級(jí)的有779組樣本，屬于二級(jí)的有254組樣本，屬于三級(jí)的有507組樣本。在725組測(cè)試樣本中，屬于一級(jí)的有308組，屬于二級(jí)的有190組，屬于三級(jí)的有227組。

對(duì)上述訓(xùn)練樣本進(jìn)行圖像處理，得到面包的面積相關(guān)數(shù)據(jù)，包括面積、膨脹率、瞬時(shí)速度。繪制面包膨脹率與時(shí)間之間的關(guān)系圖，如圖3。對(duì)面包的面積膨脹率進(jìn)行回歸擬合分析，比較發(fā)現(xiàn)四項(xiàng)多項(xiàng)式能大致擬合面積的變化趨勢(shì)，得到膨脹率與時(shí)間的數(shù)學(xué)模型為：

圖3 面包膨脹率隨時(shí)間變化關(guān)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(shù)R2為0.954 85，說(shuō)明發(fā)酵面團(tuán)面積的變化規(guī)律與擬合的曲線基本保持一致，面積的膨脹率隨著時(shí)間的增長(zhǎng)在不斷增加。發(fā)酵初期，面積膨脹速度加快，當(dāng)面積膨脹率達(dá)到85%～110%時(shí)，對(duì)應(yīng)發(fā)酵時(shí)間2 000～3 000 s，發(fā)酵基本完成。3 000 s后，面積隨時(shí)間變化曲線趨緩，逐漸趨近于一條水平線，此時(shí)發(fā)酵過(guò)度，面積漲幅變小直至不再增長(zhǎng)。

由于面積很難反映發(fā)酵過(guò)程中酵母的活性，因此引入面包膨脹的瞬時(shí)速度來(lái)觀察短時(shí)間面包的發(fā)酵變化[25]。對(duì)面積膨脹瞬時(shí)速度進(jìn)行并置數(shù)據(jù)高斯(Gauss)擬合，迭代次數(shù)為13次時(shí)，擬合收斂。如圖4所示，面積膨脹的瞬時(shí)速度在發(fā)酵初始階段(0～1 000 s)有一個(gè)明顯的上升期，此時(shí)酵母活躍，面積增長(zhǎng)加快。發(fā)酵完成時(shí)，面積增長(zhǎng)瞬時(shí)速度緩慢下降并趨于平緩，說(shuō)明此時(shí)面積雖然有所增長(zhǎng)，但是增長(zhǎng)速度減緩。當(dāng)發(fā)酵過(guò)度后(3 000 s以后)，瞬時(shí)速度出現(xiàn)大幅度正負(fù)波動(dòng)，均值開(kāi)始趨近于0，與圖2的面積膨脹率變化規(guī)律一致。說(shuō)明瞬時(shí)速度與面團(tuán)發(fā)酵存在相關(guān)性。

圖4 面積膨脹瞬時(shí)速度隨時(shí)間變化關(guān)系Figure 4 Relationship between instantaneous velocityof area expansion and time

2.2 面團(tuán)發(fā)酵過(guò)程中灰度值變化情況

如圖5所示，灰度值能量、均勻性、對(duì)比度整體呈下降趨勢(shì)，而相互關(guān)系則呈上升趨勢(shì)。在0～2 000 s，灰度值能量、均勻性和相互關(guān)系隨時(shí)間變化曲線較為平緩，灰度值對(duì)比度則急劇下降，這個(gè)時(shí)刻大致對(duì)應(yīng)面團(tuán)發(fā)酵未完成階段(一級(jí))。此時(shí)，面包面積膨脹速度快，表面光滑均勻，陰影部分開(kāi)始出現(xiàn)。在2 000～3 000 s，灰度值能量與均勻性快速下降，相互關(guān)系也有著明顯的上升。而對(duì)比度下降速度要小于上一階段，這個(gè)時(shí)刻大致對(duì)應(yīng)面包發(fā)酵成熟階段(二級(jí))。此時(shí)，面團(tuán)表面光滑，陰影部分面積變大。3 000 s后，面團(tuán)發(fā)酵過(guò)度，4個(gè)值的變化趨勢(shì)對(duì)比上一階段都逐漸趨近平緩。此時(shí)，面團(tuán)表面將不再光滑，表面出現(xiàn)氣孔，變得粗糙，陰影部分定型。運(yùn)用灰度值能夠有效區(qū)分發(fā)酵過(guò)度與否，因此將灰度值相關(guān)評(píng)價(jià)指標(biāo)納入神經(jīng)網(wǎng)絡(luò)，能夠顯著提高神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的準(zhǔn)確性。

圖5 面包灰度相關(guān)值隨時(shí)間變化關(guān)系Figure 5 Relationship between bread gray correlationvalue and time

2.3 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果

導(dǎo)入發(fā)酵面包的時(shí)間、面積、灰度值能量、灰度值相互關(guān)系、灰度值均勻性、灰度值對(duì)比度、瞬時(shí)速度和膨脹率，共計(jì)8個(gè)特征參數(shù)，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)建立了面包發(fā)酵過(guò)程模型，得到誤差平方和的擬合曲線見(jiàn)圖6，迭代1 000次時(shí)，誤差平方和趨近于一條水平線，收斂效果良好，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)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(yàn)證基于BP神經(jīng)網(wǎng)絡(luò)的面包發(fā)酵預(yù)測(cè)模型的準(zhǔn)確性。將第3批次發(fā)酵面團(tuán)的相應(yīng)數(shù)據(jù)導(dǎo)入預(yù)測(cè)模型中進(jìn)行測(cè)試。將運(yùn)用BP神經(jīng)網(wǎng)絡(luò)建立的發(fā)酵面團(tuán)成熟度預(yù)測(cè)模型得到的結(jié)果與專家感官評(píng)定法的分類結(jié)果進(jìn)行比較，如圖7。

圖7 面包發(fā)酵程度預(yù)測(cè)模型擬合結(jié)果Figure 7 Fitting results of prediction model forbread fermentation degree

在預(yù)測(cè)結(jié)果中，一級(jí)的預(yù)測(cè)準(zhǔn)確率為96.10%，二級(jí)為64.78%，三級(jí)為80.14%。最終，大部分目標(biāo)數(shù)據(jù)與擬合值一致，準(zhǔn)確率達(dá)到88.41%，能夠?qū)崿F(xiàn)對(duì)面包發(fā)酵程度的準(zhǔn)確評(píng)級(jí)。如表2所示，預(yù)測(cè)模型在一級(jí)、三級(jí)準(zhǔn)確率較高，二級(jí)相對(duì)較低。同時(shí)，二級(jí)的測(cè)試樣本數(shù)量也遠(yuǎn)遠(yuǎn)小于一級(jí)、三級(jí)，與準(zhǔn)確率呈正相關(guān)。

表2 預(yù)測(cè)結(jié)果與人工分級(jí)比較Table 2 Comparison between prediction results and manual classification

3 結(jié)論

(1) 研究構(gòu)建的發(fā)酵面包識(shí)別系統(tǒng)能夠同步實(shí)現(xiàn)采集、分割、圖像處理分析。經(jīng)過(guò)現(xiàn)場(chǎng)試驗(yàn)，可以排除背景及光源的干擾，有效識(shí)別發(fā)酵箱內(nèi)的發(fā)酵面包，分割的單個(gè)發(fā)酵面包圖像清晰，得到的發(fā)酵面包樣本的面積和表面紋理量化數(shù)值準(zhǔn)確。

(2) 發(fā)酵時(shí)間、面積、瞬時(shí)速度、膨脹率、灰度值能量、灰度值相互關(guān)系、灰度值均勻性、灰度值對(duì)比度能夠表征面包的發(fā)酵程度；將其作為輸入神經(jīng)元，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。經(jīng)過(guò)實(shí)際測(cè)試，在一級(jí)308組樣本中，正確識(shí)別個(gè)數(shù)為296；二級(jí)190組樣本中，正確識(shí)別個(gè)數(shù)為123；三級(jí)277組樣本中，正確識(shí)別個(gè)數(shù)為222；最終準(zhǔn)確率達(dá)到88.41%，能夠有效實(shí)現(xiàn)對(duì)面包發(fā)酵成熟度的預(yù)測(cè)。

(3) 由于二級(jí)的樣本量較少，并且只對(duì)面包的發(fā)酵圖像進(jìn)行分析，因此試驗(yàn)提出的面包發(fā)酵程度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在預(yù)測(cè)二級(jí)樣本時(shí)，準(zhǔn)確率較低，仍需進(jìn)一步提高。后續(xù)可以結(jié)合面包發(fā)酵過(guò)程中的生物化學(xué)特性，測(cè)定酵母菌數(shù)量以及面團(tuán)中還原糖的變化，加大測(cè)試樣本采集量，提高模型的預(yù)測(cè)準(zhǔn)確率。