姜鵬飛,鄭杰,陳瑤,孫娜,祁立波,李德陽,林松毅*

1(大連工業(yè)大學(xué) 食品學(xué)院,國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]、分類與識別[4]、優(yōu)化計算[5]、知識處理[6]。具有信息存儲的分布式存儲、計算的并行性與存儲的分布性(結(jié)構(gòu)特點)、非線性、魯棒性與容錯性(性能特點)以及自學(xué)習(xí)和自適應(yīng)性(能力特點),在信息存儲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:一是需要對樣品進行學(xué)習(xí)訓(xùn)練及預(yù)測的有管理的人工神經(jīng)網(wǎng)絡(luò);二是無須訓(xùn)練的無管理的人工神經(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、自動化領(lǐng)域、工程領(lǐng)域、醫(yī)學(xué)領(lǐng)域、經(jīng)濟領(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,水產(chǎn)品工藝優(yōu)化,活性成分分析,產(chǎn)品品質(zhì)評價等方面就人工神經(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,我國漁業(yè)捕撈量增長迅猛,與養(yǎng)殖量不匹配,并且生產(chǎn)效率和專業(yè)技術(shù)與國外相比相差較大[10]。水生生物生長主要受環(huán)境、種群和物種的影響,如圖1所示,本文從ANN預(yù)測養(yǎng)殖環(huán)境、種群豐度和養(yǎng)殖品種對水產(chǎn)養(yǎng)殖生物生長相關(guān)性研究進展進行系統(tǒng)整理,并從經(jīng)濟角度對養(yǎng)殖管理方式和水產(chǎn)價格進行分析,以期為水產(chǎn)后續(xù)生長研究提供借鑒,從而更好地服務(wù)于我國水產(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)品的生長發(fā)育,進而關(guān)系到養(yǎng)殖產(chǎn)量以及經(jīng)濟效益。謝萬里等[11]將反向傳播和徑向基函數(shù)人工神經(jīng)網(wǎng)絡(luò)的評估方法綜合運用于活魚運輸中,確定了不同訓(xùn)練函數(shù)及不同隱含層神經(jīng)元個數(shù),該方法避免了傳統(tǒng)運輸水質(zhì)評價方法存在局限性和單一性的問題,對實現(xiàn)活魚運輸儲存過程中水質(zhì)的精準調(diào)控有重要意義;馬真[12]通過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)測模型,并根據(jù)養(yǎng)殖周期水質(zhì)實時監(jiān)測數(shù)據(jù)對模型進行了訓(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)測效果較好,能以較高精度預(yù)測養(yǎng)殖水質(zhì)狀況,并能對水質(zhì)惡化進行早期預(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準值,會導(dǎo)致池中潛在的致病因子突然釋放。CARBAJAL等[13]通過監(jiān)測溶氧量的相關(guān)環(huán)境因子,對破壞生態(tài)穩(wěn)定因子進行分類,以預(yù)測相關(guān)水質(zhì)指標;CAO等[14]在利用紫外吸收光譜法快速測定養(yǎng)殖廢水中化學(xué)需氧量的過程中,使用BP-ANN,以有效波長為基礎(chǔ),得到了最佳預(yù)測結(jié)果。

由于水產(chǎn)動物屬于變溫動物,體溫隨水溫的變化而變化,因此養(yǎng)殖水溫是水產(chǎn)生物生長和繁殖的重要條件。柳海濤等[15]基于大量實測數(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)報模型,通過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)測出下游魚類繁殖地水溫變化過程;倪玉紅等[16]基于BP-ANN的逐層水溫及溶氧量預(yù)報模型,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

在水生生物種群預(yù)測方面,利用ANN高效、精確智能的特點,對群落資源豐度進行預(yù)測,JABEEN等[17]利用前饋多層感知器(multilayer perceptron,MLP)網(wǎng)絡(luò),根據(jù)鮑魚物理屬性,對鮑魚生長程度進行預(yù)測,結(jié)果表明基于Levenberg-Marquardt算法的MLP網(wǎng)絡(luò)模型是預(yù)測鮑魚生長階段的最佳方法。同時,ANN還可以應(yīng)用于種群生長曲線的監(jiān)測預(yù)報,從而對我國傳統(tǒng)的經(jīng)濟魚類、貝類、蝦類和藻類的生長趨勢進行實時檢測。朱藝峰[18]通過分析各影響因素,采用交叉驗證方法,對實驗數(shù)據(jù)進行了人工神經(jīng)網(wǎng)絡(luò)預(yù)測分析,結(jié)果表明:人工神經(jīng)網(wǎng)絡(luò)對花鱸增重、特定生長率具有良好的預(yù)測效果;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)測模型,該系統(tǒng)能夠識別主要藻類。

1.3 物種識別

養(yǎng)殖品種識別主要利用了人工視覺技術(shù),該技術(shù)在物種識別方面應(yīng)用廣泛,可為實現(xiàn)良種引進,提高水產(chǎn)養(yǎng)殖的經(jīng)濟效率提供理論支持(如圖2所示)。研究表明,CNN模型是目前常用的人工視覺技術(shù),基于CNN深度學(xué)習(xí)特性,HIMABINDU等[20]利用視覺技術(shù)提取魷魚的形態(tài)特征,通過對圖像中指定區(qū)域的裁剪,采用反向傳播MLP方法將魷魚不同部位的數(shù)據(jù)進行分類,準確率高達98.6%,實現(xiàn)養(yǎng)殖水產(chǎn)品生長狀態(tài)識別。另外,現(xiàn)階段我國更加注重水產(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爭型神經(jīng)網(wǎng)絡(luò)相結(jié)合的蟹苗密度估算識別系統(tǒng),采用全局性密度等級分類算法結(jié)合局部性線性回歸算法,對蟹苗圖像的密度等級特征由競爭型神經(jīng)網(wǎng)絡(luò)進行劃分和判斷,得到較高的正確率,再次證實人工視覺技術(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,MOSLEH等[22]研發(fā)出一種淡水藻類自動識別系統(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個步驟組成,通過對藻類圖像特征參數(shù)的提取,經(jīng)過主成分分析,使系統(tǒng)的準確率達到93%。

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

1.4 養(yǎng)殖管理

通常來講,水產(chǎn)養(yǎng)殖管理方法具有季節(jié)性、長期性以及多樣性等特點。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)動的擴散式曝氣系統(tǒng),通過控制輸入氣體流量來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,對降雨量進行控制,結(jié)果表明:總溢水量、總溢時間和溢水頻率每年增加37%、32%,實際值與預(yù)測結(jié)果相符。

1.5 價格

水產(chǎn)養(yǎng)殖的收益離不開對市場價格的判斷,但其價格受供求和時節(jié)等因素的影響,因此具有一定的周期性和波動性。傳統(tǒng)的價格預(yù)估方法是基于時間的指數(shù)及回歸方程進行預(yù)判,誤差較大。目前,經(jīng)驗證利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測價格,既克服了信息的不對稱性也提高了預(yù)測精度。XU等[26]提出了應(yīng)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測價格的可行性;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)元中的激勵函數(shù)換成小波子函數(shù),進而組建出小波神經(jīng)網(wǎng)絡(luò),通過對新疆烏倫古湖水產(chǎn)綜合基地三類主要魚類價格預(yù)測驗證,結(jié)果表明:該模型可用于預(yù)測魚類價格的短期預(yù)測;胡濤[28]建立了松散型小波層神經(jīng)網(wǎng)絡(luò)預(yù)測模型,在預(yù)測模型中,利用了遺傳算法對神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)進行優(yōu)化,通過實證檢驗,預(yù)測值誤差較小。

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、正交試驗和均勻設(shè)計等。他們均可以通過嚴格反復(fù)的試驗獲得最佳的實驗結(jié)果,但試驗精度不夠是其顯著的缺陷。另外,人工神經(jīng)網(wǎng)絡(luò)一般使用標準的非線性最小二乘回歸法來擬合數(shù)據(jù),因此容易在處理數(shù)據(jù)的過程中存在數(shù)據(jù)過度擬合的問題。但是隨著科技的不斷進步與發(fā)展,人工神經(jīng)網(wǎng)絡(luò)越來越多地應(yīng)用于食品加工中的各個環(huán)節(jié),可以對加工過程中的數(shù)據(jù)進行非線性的處理,設(shè)計動態(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)品加工過程中的品質(zhì)和風(fēng)味調(diào)控過程中應(yīng)用廣泛。CHINDAPAN等[29]在用電滲析降低魚露中鈉離子濃度的過程中,采用遺傳算法對人工神經(jīng)網(wǎng)絡(luò)進行目標優(yōu)化,優(yōu)化后的人工神經(jīng)網(wǎng)絡(luò)模型對魚露的基本特性、總氨基酸和總芳香化合物的濃度以及風(fēng)味差異預(yù)測準確;王回憶等[30]將動力學(xué)和徑向基神經(jīng)網(wǎng)絡(luò)相結(jié)合用于預(yù)測鱘魚片冷藏過程中品質(zhì)變化,其預(yù)測值與試驗值之間的相對誤差較小;TATAR等[31]在以半纖維素作為包覆材料對微膠囊魚油吸附能力優(yōu)化過程中,采用ANN與平衡含水率相互擬合,預(yù)測樣品的電磁兼容,其結(jié)果與經(jīng)驗?zāi)Ｐ拖啾雀鼫蚀_,滿足焓-熵補償理論;GHOSH等[32]在木糖醇生產(chǎn)工藝的研究中,通過對比響應(yīng)面法(response surface method,RSM)和ANN來確定最優(yōu)反應(yīng)條件和預(yù)測最優(yōu)產(chǎn)率,結(jié)果表明ANN的預(yù)測精準度優(yōu)于RSM;張斌等[33]利用RSM數(shù)據(jù)輔助ANN進行訓(xùn)練與仿真,建立級聯(lián)BP-ANN對超高壓技術(shù)法提取河蚌肉多糖工藝進行分析優(yōu)化,雖然對比ANN 與RSM最佳工藝條件下多糖得率實測值略小,但其優(yōu)化結(jié)果的準確率高,預(yù)測值的可信度強。

由于ANN對非線性和非穩(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)品酶解過程中工藝條件優(yōu)化方向。吳燕燕等[34]利用Matlab軟件,對風(fēng)味蛋白酶水解合浦珠母貝柱的工藝條件進行優(yōu)化,克服了抗菌肽純度低、提取率低等缺點;鄧志程等[35]利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測胰蛋白酶及胰凝乳蛋白酶的雙酶解過程,驗證人工神經(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)過樣本訓(xùn)練以及徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測,建立間歇式酶膜耦合制備紫菜降壓肽模型,同樣可以實現(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際生產(chǎn)要求,ANN可以通過模型仿真進而預(yù)測提取效果,為達到批量可控化生產(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)對生物活性物質(zhì)進行定量預(yù)測,具有生物學(xué)檢測所不具備的優(yōu)點,它不僅可以較為準確地預(yù)測糖類、脂類和蛋白質(zhì)含量,還能對其他生物活性物質(zhì)含量的變化進行估計,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,而且可以保證精準度與建模效果。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)測結(jié)果取平均值,改善了全局模型的統(tǒng)計特性,CP-ANN通過對每個單獨線性模型中出現(xiàn)的6個描述符中選取4個來取平均值,提供了良好的外部預(yù)測性;PAPADOPOULOS等[46]用實驗設(shè)計方法結(jié)合人工神經(jīng)網(wǎng)絡(luò)以基質(zhì)固相分散萃取法測定魚類中氯化物得到準確的預(yù)測結(jié)果;MOGHADDAM等[47]通過比較ANN和RSM,預(yù)測出微波輔助提取魚肉中鋅元素含量,實驗采用Box-Behnken Design法驗證,結(jié)果表明:與RSM模型相比,ANN模型預(yù)測準確率更高;CHEN等[48]通過對高光譜像數(shù)據(jù)進行相關(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)測值低于BP-ANN預(yù)測值;相對誤差MLR預(yù)測值誤差更小,二者均可以檢測和準確預(yù)測儲藏期太平洋牡蠣總揮發(fā)性鹽基氮(total volatile based nitrogen,TVB-N)含量,進而判斷新鮮度。

4 品質(zhì)評價

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、營養(yǎng)性、可食性、保藏性、經(jīng)濟性和方便性等。對食品品質(zhì)的調(diào)控可以體現(xiàn)在產(chǎn)品的相關(guān)國家標準中,如安全衛(wèi)生標準、感官特性標準、營養(yǎng)和成分標準等,還包括包裝、貯運等方面的要求。本節(jié)就人工神經(jīng)網(wǎng)絡(luò)在食品的營養(yǎng)性、安全性和保藏性的應(yīng)用進行總結(jié),旨在為食品品質(zhì)安全提供理論性的模型預(yù)測結(jié)果。

4.1 營養(yǎng)性

人工神經(jīng)網(wǎng)絡(luò)模型在預(yù)測出水產(chǎn)品營養(yǎng)價值方面也得到廣泛應(yīng)用,如預(yù)測營養(yǎng)組成、感官評分、水分含量以及產(chǎn)品新鮮度等。

食品中的營養(yǎng)成分主要包括:水、無機鹽、糖類、脂肪、蛋白質(zhì)和維生素六大類,人工神經(jīng)網(wǎng)絡(luò)與其檢測方法結(jié)合,可以達到準確、快速、多組分同時測定等目的,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種鰱魚營養(yǎng)成分近紅外定量模型。

傳統(tǒng)感官評價方法可對感知屬性進行即時測定,但由于評價人員對相同刺激水平的反應(yīng)存在差異,可能導(dǎo)致測試的結(jié)果不準確。ANN模擬生物視覺、嗅覺和味覺等感官特性,不僅避免了傳統(tǒng)感官檢測中評價人員的主觀性,還大幅提高了檢測效率和準確性。LIU等[50]建立了一種動力學(xué)模型結(jié)合人工神經(jīng)網(wǎng)絡(luò)的組合模型,用于預(yù)測真空包裝的鳙魚魚片在不同溫度下感官評分、TAC和k值變化,結(jié)果表明:預(yù)測值相對誤差均在5%以內(nèi)。

水分含量是判斷水產(chǎn)品品質(zhì)的重要指標之一,目前常用的水分檢測方法對產(chǎn)品破壞度較高,導(dǎo)致測試結(jié)果差異性較大,因此檢測水分含量等指標需要通過ANN預(yù)測技術(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)測出化學(xué)法測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)測了蝦的含水率。

水產(chǎn)品新鮮度直接與消費者感官屬性如外觀、質(zhì)地、氣味和口感有關(guān),同時對于水產(chǎn)食品安全、運輸倉儲及加工過程也有著重要意義。因此,通過人工神經(jīng)網(wǎng)絡(luò)建立新鮮度預(yù)測模型,是保證水產(chǎn)品消費安全的重要手段。薛大為等[53]采提出了綜合阻抗模值結(jié)合ANN預(yù)測淡水魚新鮮度的方法,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)測淡水魚新鮮度的3層BP-NAA模型得到較高預(yù)測率;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建立了鯽魚新鮮度預(yù)測定量模型,結(jié)果表明:以pH為鮮度指標,采用偏最小二乘法和 BP-NAA結(jié)合模型預(yù)測效果最佳。

4.2 營養(yǎng)性

食品中對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。

生物危害物包括細菌、病毒、寄生蟲、原生動物、藻類及其所產(chǎn)生的毒性物質(zhì),其中致病性微生物(細菌)是造成食品生物危害最廣泛的全球性問題。DUAN等[55]研究一種比目魚冷凍魚片細菌總數(shù)的測定方法,并用便攜式近紅外光譜儀進行驗證,結(jié)果表明:遺傳算法和BP-ANN相結(jié)合的方法檢測時間短,檢測效率高,該技術(shù)可以為漁業(yè)無損、現(xiàn)場以及快速檢測提供理論依據(jù);段翠等[56-57]以便攜式近紅外光譜儀為基礎(chǔ),以三文魚為研究對象得到了相同驗證;BRION等[58]以ANN結(jié)合MLR模型用PCR方法預(yù)測歐洲不同國家市售的貝類中病毒種類,結(jié)果表明:ANN模型比MLR模型更精準地預(yù)測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對汞離子的吸附性能進行預(yù)測,結(jié)果表明:該模型具有較高的預(yù)測Hg(II)吸附的潛力;KIM等[60]利用ANN研發(fā)出一種氣味監(jiān)測系統(tǒng),以檢測室溫或冰箱中,牛肉、魚、貝類等食物分解產(chǎn)生的有害氣體,檢測結(jié)果準確全面,為水產(chǎn)品有害揮發(fā)性物質(zhì)檢測提供理論依據(jù)。

4.3 保藏性

食品保藏是為了防止食品腐敗變質(zhì)延長其儲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,也是淡水魚主要的成味物質(zhì),SHI等[61]通過建立了BP-ANN,在不同溫度、不同熱加工時間下,完成了未經(jīng)處理的淡鹽鰱魚和1.8%鹽漬鰱魚中的肌苷酸含量貯藏過程中降解曲線的預(yù)測;席慶等[62]利用 Box-Behnken 響應(yīng)面實驗設(shè)計建立數(shù)據(jù)集合,以貯藏10 d后的菌落總數(shù)以及感官評分為響應(yīng)因子,建立了即食鮑魚柵欄模式的神經(jīng)網(wǎng)絡(luò)模型,結(jié)果表明:建立的神經(jīng)網(wǎng)絡(luò)模型對于魚類貯藏過程中品質(zhì)變化具有良好的預(yù)測精確性。

5 展望

水產(chǎn)制品對人體健康有益,但是水產(chǎn)品在養(yǎng)殖、加工、流通、儲藏等過程中十分復(fù)雜,無論是在水產(chǎn)品養(yǎng)殖過程中環(huán)境、管理等因素、水產(chǎn)品原料安全性,還是水產(chǎn)品的加工過程以及加工后對產(chǎn)品品質(zhì)的評價等都十分重要。本文以人工神經(jīng)網(wǎng)絡(luò)為論述對象,從水產(chǎn)品養(yǎng)殖、生產(chǎn)以及品質(zhì)調(diào)控過程等角度入手,歸納總結(jié)了其對于養(yǎng)殖環(huán)境預(yù)測、物種分類識別、貯存品質(zhì)及風(fēng)味變化檢測等特點;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)評價。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),加強標準化、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),實現(xiàn)傳統(tǒng)水產(chǎn)食品生產(chǎn)加工模式實現(xiàn)向智能化、自動化、標準化生產(chǎn)的跨越。希望通過對人工神經(jīng)網(wǎng)絡(luò)在水產(chǎn)領(lǐng)域中應(yīng)用的研究,為計算機模擬技術(shù)在食品相關(guān)領(lǐng)域的發(fā)展提供一定的理論基礎(chǔ)。