趙清香 李大軍 李亞萍 姜宇純 李庚 袁永旭

摘要：為研究烤制鴿肉工藝便捷設(shè)計方法和確定關(guān)鍵工藝參數(shù)，采用烤制工藝制備烤制鴿肉，探究腌制時間、烘烤時間和烘烤溫度對產(chǎn)品食用性狀的影響，以回復(fù)性、彈性、硬度、咀嚼性、膠著性、內(nèi)聚性及感官評分為食用性狀評價指標(biāo)，采用信息熵法確定各指標(biāo)的熵權(quán)系數(shù)，計算出綜合值，利用響應(yīng)面法（response surface methodology，RSM）和反向傳播（back propagation，BP）人工神經(jīng)網(wǎng)絡(luò)耦聯(lián)遺傳算法（genetic algorithm，GA）（BP-GA）進(jìn)行參數(shù)優(yōu)化及預(yù)測。結(jié)果表明，RSM得到最優(yōu)工藝參數(shù)組合為腌制時間15.4 h、烘烤時間10 min、烘烤溫度205 ℃，該法相對誤差為2.54%；BP-GA神經(jīng)網(wǎng)絡(luò)得到最優(yōu)工藝參數(shù)組合為腌制時間14 h、烘烤時間10 min、烘烤溫度240 ℃，該模型相對誤差為0.17%。BP-GA神經(jīng)網(wǎng)絡(luò)的相對誤差小，擬合與優(yōu)化性能好，且試驗次數(shù)少，可容納參數(shù)多。依托BP-GA神經(jīng)網(wǎng)絡(luò)優(yōu)化的參數(shù)制作的烤制鴿肉綜合值與RSM一致。該研究可為鴿肉加工工藝優(yōu)化提供一定的參考。

關(guān)鍵詞：烤制鴿肉；神經(jīng)網(wǎng)絡(luò)；遺傳算法；響應(yīng)面法；工藝參數(shù)

中圖分類號：TS251.55文獻(xiàn)標(biāo)志碼：A 文章編號：1000-9973（2023）10-0128-06

Process Optimization of Roasted Pigeon Meat by Back Propagation Neural Network Coupled with Genetic Algorithm and Response Surface Methodology Design

ZHAO Qing-xiang， LI Da-jun*， LI Ya-ping， JIANG Yu-chun， LI Geng， YUAN Yong-xu

（College of Food Science and Engineering， Jilin Agricultural University， Changchun 130118， China）

Abstract： To study the convenient design method of roasted pigeon meat process and determine the key process parameters， roasted pigeon meat is prepared by roasting process， and the effects of curing time， baking time and baking temperature on the edible characters of the product are investigated. With resilience， elasticity， hardness， chewiness， adhesiveness， cohesiveness and sensory score as the edible character evaluation indexes， the entropy weight coefficient of each index is determined by information entropy method and the comprehensive value is calculated. Response surface methodology （RSM） and back propagation （BP） artificial neural network coupled with genetic algorithm （GA） （BP-GA） are used to optimize and predict parameters. The results show that the optimal combination of process parameters obtained by RSM are curing time of 15.4 h， baking time of 10 min and baking temperature of 205 ℃， and the relative error of this method is 2.54%. The optimal combination of process parameters obtained by BP-GA neural network is curing time of 14 h， baking time of 10 min and baking temperature of 240 ℃， and the relative error of this model is 0.17%. The relative error of BP-GA neural network is small， the fitting and optimization performance is good， the number of tests is few， and BP-GA neural network can accommodate many parameters. The comprehensive value of roasted pigeon meat optimized by BP-GA neural network is consistent with that of RSM. This study can provide some references for the optimization of pigeon meat processing technology.

Key words： roasted pigeon meat; neural network; genetic algorithm; response surface method; process parameters

鴿肉及其加工方法的研究對于滿足消費者的需求具有特別意義。鴿肉具有豐富的營養(yǎng)價值和保健功能，是一種理想型食用肉類[1-2]，唐代《食療本草》最早記載了鴿肉可以用于食療食補 [3]。中醫(yī)學(xué)認(rèn)為鴿肉具有補肝壯腎[4]、益氣補血、清熱解毒、生津止渴等功能，現(xiàn)代醫(yī)學(xué)認(rèn)為鴿肉具有健腦補神、提高記憶力、降血壓及降血糖等作用。鴿肉容易被人體消化吸收[5]，針對虛弱、頭暈疲憊、免疫力低下、記憶衰退有很好的補益效果[6-8]。目前，我國鴿肉加工以傳統(tǒng)的燉制方式為主[9]，其中燉制方式中又以紅燒為主要的烹飪方式[10]，紅燒乳鴿雖然顏色鮮紅，香氣濃郁，但其制作工藝非常繁瑣，且鮮味也不夠突出。而采用烤制工藝制作的鴿肉產(chǎn)品工藝簡單，軟硬適中，鹵肉香味濃郁。

信息熵法是一種對多項數(shù)據(jù)進(jìn)行整合分析的數(shù)據(jù)統(tǒng)計方法，通過降低人為主觀因素產(chǎn)生的試驗結(jié)果偏差，從而使結(jié)果更加合理客觀[11]。響應(yīng)面法（response surface methodology，RSM）和反向傳播（back propagation，BP）人工神經(jīng)網(wǎng)絡(luò)作為非線性優(yōu)化方法，經(jīng)常被應(yīng)用于工藝優(yōu)化設(shè)計和工藝參數(shù)組合的優(yōu)化[12]。RSM是一套統(tǒng)計方法，用于規(guī)劃試驗、構(gòu)建模型、評估過程參數(shù)對響應(yīng)值的影響，以及優(yōu)化提取過程[13]。BP是人工神經(jīng)網(wǎng)絡(luò)中最具廣泛性和代表性的一種模型[14]，遺傳算法（genetic algorithm，GA）是基于達(dá)爾文的遺傳進(jìn)化理論，采用選擇、變異和交叉等遺傳算子來尋找問題的最佳解[15]。研究表明，利用反向傳播人工神經(jīng)網(wǎng)絡(luò)耦聯(lián)遺傳算法（BP-GA）進(jìn)行全局尋優(yōu)，與傳統(tǒng)的回歸模型相比具有更高的準(zhǔn)確性。劉悅利用BP-GA神經(jīng)網(wǎng)絡(luò)模型對鹵烤兔關(guān)鍵工藝進(jìn)行優(yōu)化，與響應(yīng)面法相比[16]，相對誤差降低了2.27%，表明BP-GA神經(jīng)網(wǎng)絡(luò)模型比RSM具有更高的準(zhǔn)確性，但在烤制鴿肉關(guān)鍵工藝優(yōu)化方面的應(yīng)用較少。

為此，本試驗以烤制鴿肉為試驗樣品，通過信息熵法整合烤制鴿肉的質(zhì)構(gòu)參數(shù)及感官評分，將其綜合值作為評價指標(biāo)，使用BP-GA神經(jīng)網(wǎng)絡(luò)模型和RSM優(yōu)化烤制鴿肉的關(guān)鍵工藝參數(shù)，通過對比分析，獲得最佳工藝參數(shù)，為烤制產(chǎn)品工藝的優(yōu)化以及配方的優(yōu)化提供了參考。

1 材料與方法

1.1 材料

原料：白羽王鴿（吉林省誠成農(nóng)業(yè)發(fā)展有限公司），鴿子為已宰殺完成的25～28日齡的鴿子，從50只中隨機挑選3只進(jìn)行處理。其中前處理為20 g肉塊，成品指標(biāo)取樣數(shù)量為10 g，每個指標(biāo)3個平行。

輔料（添加比例以總?cè)庵貫榛鶞?zhǔn)）：花椒0.5%、香葉2.0%、大料0.6%、桂皮1.5%、姜2.6%、鹽0.3%、白糖6.0%、白酒40.0%、生抽46.0%、礦泉水75.0%。

1.2 主要儀器

TRTF32AL電烤箱 廣東偉仕達(dá)電器科技有限公司；TA.new Plus質(zhì)構(gòu)儀 上海瑞玢國際貿(mào)易有限公司。

1.3 加工工藝

鴿子→解凍→去內(nèi)臟→切成肉塊（20 g）→焯水（1 min）→沖洗→腌制（25 ℃、16 h）→烤制（200 ℃、10 min）→包裝→成品。

1.4 樣品檢測

1.4.1 質(zhì)構(gòu)測定

質(zhì)構(gòu)儀探頭型號為TA/36R，目標(biāo)模式為force，目標(biāo)值為10.000 gf，時間為3 s，測試速度為1.00 mm/s，每組3次平行。

1.4.2 感官評價

參照GB/T 22210－2008《肉與肉制品感官評定規(guī)范》，結(jié)合試驗產(chǎn)品實際情況制定感官評分標(biāo)準(zhǔn)表，見表1。分別由10名食品專業(yè)人員（5男5女）從色澤、口感、滋味及氣味和可接受度4個方面進(jìn)行評分。

1.5 信息熵法

經(jīng)過計算得到這7項指標(biāo)的信息熵及熵權(quán)系數(shù)，見表2。

1.6 單因素試驗

分別研究不同腌制時間（12，14，16，18，20 h）、不同烘烤時間（10，15，20，25，30 min）和不同烘烤溫度（160，180，200，220，240 ℃）對烤制鴿肉的質(zhì)構(gòu)參數(shù)和感官評分的影響。

1.7 Box-Behnken響應(yīng)面設(shè)計

采用Design-Expert 13.0.1軟件，選取腌制時間（A）、烘烤時間（B）以及烘烤溫度（C）作為影響因素，綜合值作為響應(yīng)值按照表3設(shè)計響應(yīng)面試驗。

1.8 BP-GA神經(jīng)網(wǎng)絡(luò)模型

以烤制鴿肉的腌制時間、烘烤時間和烘烤溫度作為模型的輸入變量，以信息熵法得到的綜合值作為模型的輸出變量，其中6個隱藏層示意圖見圖1。

使用Matlab軟件建立模型進(jìn)行目標(biāo)尋優(yōu)，訓(xùn)練集為80%，使用mapminmax函數(shù)數(shù)據(jù)歸一化，具體參數(shù)：總體進(jìn)化迭代次數(shù)為30次，種群規(guī)模為10，交叉概率為0.4，變異概率為0.05。

2 結(jié)果與分析

2.1 單因素試驗結(jié)果

2.1.1 腌制時間對烤制鴿肉品質(zhì)的影響

腌制處理是使肉制品呈現(xiàn)特有色澤，改善其食用品質(zhì)的重要加工環(huán)節(jié)。由表4可知，隨著腌制時間的增加，烤制鴿肉的回復(fù)性、彈性、硬度、咀嚼性、膠著性和內(nèi)聚性均呈先升高后降低的變化趨勢，這可能是因為腌制時間過長，造成蛋白質(zhì)和脂肪的過度氧化[17]。彈性的顯著變化是因為在腌制過程中微生物產(chǎn)生了蛋白酶，蛋白酶使膠原纖維和結(jié)締組織中的彈性蛋白質(zhì)降解；腌制過程中微生物的作用使肌纖維變短，膠原蛋白分解，影響肉質(zhì)的咀嚼性；由于膠原蛋白在腌制過程中分解，結(jié)合水變?yōu)樽杂伤?，腌制會?dǎo)致膠著性顯著降低[18]。感官評分在16 h時達(dá)到最高，16～20 h時，隨著腌制時間的增加，感官評分下降。感官評分的降低是由于腌制時間過長導(dǎo)致顏色、嫩度和口感降低，綜合值在18 h時達(dá)到最高，從而選擇16～20 h進(jìn)行優(yōu)化。

2.1.2 烘烤時間對烤制鴿肉品質(zhì)的影響

蛋白質(zhì)在加熱過程中發(fā)生變性、水解以及凝膠化等變化[19]，不同加熱溫度和時間都會對肉質(zhì)產(chǎn)生一定的影響，由表5可知，隨著烘烤時間的增加，烤制鴿肉的回復(fù)性、彈性、內(nèi)聚性變化趨勢不顯著（P>0.05），肉在加熱過程中肌原纖維蛋白的變性收縮會使蛋白質(zhì)分子形成一種較硬的穩(wěn)定結(jié)構(gòu)，其中硬度、咀嚼性及膠著性在15 min時達(dá)到最高，在15 min后變化差異不顯著，感官評分在20 min時達(dá)到最高，20～30 min由于烘烤時間的增加，口感變差，綜合值在15 min達(dá)到最高，從而選擇10～20 min進(jìn)行優(yōu)化。

2.1.3 烘烤溫度對烤制鴿肉品質(zhì)的影響

由表6可知，隨著烘烤溫度的升高，回復(fù)性及感官評分在220 ℃時達(dá)到最高，彈性和內(nèi)聚性變化差異不顯著（P>0.05），硬度、咀嚼性及膠著性在200 ℃時達(dá)到最高，220～240 ℃內(nèi)鴿肉的硬度、咀嚼性降低，這是因為烤制溫度的升高導(dǎo)致肌肉組織松散，使得硬度、咀嚼性下降，綜合值在200 ℃時達(dá)到最高，從而選擇180～220 ℃進(jìn)行優(yōu)化。

2.2 烤制鴿肉關(guān)鍵工藝優(yōu)化試驗設(shè)計與結(jié)果

2.2.1 響應(yīng)面優(yōu)化結(jié)果

根據(jù)以上結(jié)果以及Box-Behnken的中心組合試驗原理，選取腌制時間、烘烤溫度、烘烤時間，采用三因素三水平的響應(yīng)面分析法進(jìn)行試驗設(shè)計。響應(yīng)面法Box-Behnken試驗設(shè)計矩陣以及以綜合評分表示的響應(yīng)值見表7。對其進(jìn)行二次多元回歸擬合，得到回歸模型：Y=1 048.59－43.27A+12.57B+21.43C+13.48AB－42.08AC－59.87BC－115.32A2+23.55B2－149.79C2。

回歸方程模型的方差分析見表8。

對綜合評分構(gòu)建的二次多項模型具有極低的P值（<0.000 1），達(dá)到了極顯著的水平，說明該模型能夠反映各試驗因素及各試驗因素的交互作用對綜合評分的影響。AC、BC、A2和C2差異極顯著（P<0.01），B2差異顯著（P<0.05）。失擬項不顯著（P>0.05），R2=0.988 0，RAdj2=0.972 5，表明模型能較好地反映各因素對烤制鴿肉的影響。該模型的擬合程度較好，誤差較小，此模型可用于分析模擬絕大多數(shù)組合條件下的綜合評分。

各條件因素的交互作用對綜合評分影響的響應(yīng)面圖見圖2，結(jié)合表8中各條件因素交互作用的P值分析可以得知，對烤制鴿肉的綜合值影響從高到低依次是A腌制時間（min）>C烘烤溫度（℃）>B烘烤時間（min）。

通過Design-Expert分析，確定較佳工藝為腌制時間15.39 h、烘烤時間10.16 min、烘烤溫度206.61 ℃。考慮到實際操作時的方便性和可行性，將烘烤工藝條件在回歸方程得到的理論值修正為腌制時間15.4 h、烘烤時間10 min、烘烤溫度205 ℃。為了驗證整理后結(jié)果的可靠性，在此條件下進(jìn)行了3次平行試驗，理論值與實際值的吻合情況較好。

2.2.2 BP-GA神經(jīng)網(wǎng)絡(luò)試驗設(shè)計結(jié)果

烤制鴿肉工藝優(yōu)化后預(yù)測模型的誤差下降曲線圖見圖3，模型的均方誤差越小，模型的預(yù)測精度和通用度越高。

由圖3可知，隨著訓(xùn)練次數(shù)的增加，神經(jīng)網(wǎng)絡(luò)模型在迭代第7次時達(dá)到模型最優(yōu)。均方誤差僅為0.016 86，且模型的訓(xùn)練、測試、驗證、總的R值分別為0.992 93，0.996 12，0.970 49，0.988 79（見圖4），均大于0.9，說明模型建立成功，并且該神經(jīng)網(wǎng)絡(luò)模型不存在缺少擬合的情況。

為了進(jìn)一步觀察神經(jīng)網(wǎng)絡(luò)模型的結(jié)果，需要進(jìn)行目標(biāo)尋優(yōu)，得到了烤制鴿肉的綜合值適應(yīng)度曲線，見圖5。在迭代第7次后趨于一條直線，基本達(dá)到穩(wěn)定，預(yù)測最高綜合值為1 060.32，理論的最優(yōu)工藝參數(shù)為腌制時間14 h、烘烤時間10 min、烘烤溫度240 ℃。

2.3 工藝驗證

對RSM以及BP-GA神經(jīng)網(wǎng)絡(luò)模型分別得到的最優(yōu)工藝組合進(jìn)行驗證，驗證結(jié)果見表9。響應(yīng)面試驗相對誤差為2.54%，BP-GA神經(jīng)網(wǎng)絡(luò)模型相對誤差為0.17%。

3 討論

BP-GA神經(jīng)網(wǎng)絡(luò)可用于構(gòu)建模型[12]及工藝提取[20]等。Muthusamy等[20]使用RSM和BP-GA神經(jīng)網(wǎng)絡(luò)開發(fā)從向日葵中提取果膠的模型并優(yōu)化條件；Yu等[21]比較了人工神經(jīng)網(wǎng)絡(luò)和RSM超聲輔助提取忍冬中綠原酸的效果，這些研究都表明神經(jīng)網(wǎng)絡(luò)的預(yù)測及優(yōu)化優(yōu)于RSM。

烤制加工工藝參數(shù)主要包括腌制時間、腌制溫度、烘烤時間和烘烤溫度等，不同規(guī)格大小的產(chǎn)品，腌制時間、烘烤時間及烘烤溫度也會發(fā)生變化。如李志杰等[22]研究得出香酥兔肉烤制最佳工藝參數(shù)為腌制時間7 h、烘烤溫度220 ℃、烤制時間50 min；侯大軍等[23]研究得出香辣雞丁加工工藝的最優(yōu)工藝參數(shù)為腌制時間1.5 h、焙烤溫度180 ℃、焙烤時間16 min。因此，本試驗以腌制時間、烘烤時間和烘烤溫度作為關(guān)鍵加工工藝參數(shù)進(jìn)行研究。

4 結(jié)論

本試驗創(chuàng)新性地采用BP-GA神經(jīng)網(wǎng)絡(luò)進(jìn)行烤制鴿肉關(guān)鍵加工工藝的優(yōu)化，與RSM相比，預(yù)測值的相對誤差降低2.37%，腌制時間縮短1 h，使用BP-GA神經(jīng)網(wǎng)絡(luò)模型能有效地預(yù)測關(guān)鍵工藝參數(shù)，且可容納參數(shù)6個及以上。因此，本試驗以優(yōu)化烤制鴿肉關(guān)鍵加工工藝為目標(biāo)，比較RSM與BP-GA神經(jīng)網(wǎng)絡(luò)模型，得到使用BP-GA神經(jīng)網(wǎng)絡(luò)模型預(yù)測烤制鴿肉關(guān)鍵加工工藝的參數(shù)比RSM更準(zhǔn)確，最優(yōu)加工工藝參數(shù)為腌制時間14 h、烘烤時間10 min、烘烤溫度240 ℃。綜上所述，BP-GA神經(jīng)網(wǎng)絡(luò)模型可以運用于優(yōu)化烤制鴿肉關(guān)鍵加工工藝中，并且具有一定的借鑒價值和實際意義。

參考文獻(xiàn)：

[1]李柳冰，林婷婷，曾曉房，等.前處理方式對鴿湯品質(zhì)及風(fēng)味的影響[J].食品工業(yè)科技，2021，42（11）：15-22.

[2]湯青萍，常玲玲，卜柱，等.不同日齡和性別舞陽鴿胸肌肉常規(guī)肉品質(zhì)及主要營養(yǎng)成分的比較[J].食品安全質(zhì)量檢測學(xué)報，2022，13（14）：4698-4705.

[3]王翔.鴿肉營養(yǎng)而且保健[J].肉類工業(yè)，2014（4）：26.

[4]藥膳鴿子湯益氣補血[J].江蘇衛(wèi)生保健，2020（8）：46.

[5]淮亞紅，郭艷峰，張延杰，等.石岐鴿不同部位營養(yǎng)成分分析及評價[J].江蘇農(nóng)業(yè)科學(xué)，2019，47（23）：246-248.

[6]周晶虹.一鴿勝九雞滋補又益氣[J].家庭科技，2018（10）：37.

[7]張媛，劉迥，王艷萍，等.鴿肉營養(yǎng)成分與脂肪沉積相關(guān)基因的研究[J].黑龍江畜牧獸醫(yī)，2020（4）：121-124.

[8]王輝，馮鈺敏，曾曉房，等.冰鮮鴿腐敗菌菌相變化及品質(zhì)相關(guān)性分析[J].安徽農(nóng)業(yè)科學(xué)，2021，49（5）：189-191，228.

[9]黃桂穎，黃曉瑩，陳俊文，等.菊芋鴿子湯的燉制工藝優(yōu)化及其成分分析[J].中國調(diào)味品，2018，43（11）：98-102，112.

[10]鄭敏怡.紅燒乳鴿加工過程中品質(zhì)變化的研究[D].廣州：仲愷農(nóng)業(yè)工程學(xué)院，2019.

[11]柯寄明，江素萍，劉艷，等.基于Box-Behnken響應(yīng)面設(shè)計法結(jié)合熵權(quán)法優(yōu)化秋水仙堿醇傳遞體的制備工藝[J].醫(yī)藥導(dǎo)報，2023，42（2）：217-222.

[12]QI J T， ZHAO W W， KAN Z， et al. Parameter optimization of double-blade normal milk processing and mixing performance based on RSM and BP-GA[J].Food Science & Nutrition，2019，7（11）：3501-3512.

[13]SHAFI J， SUN Z H， JI M S， et al. ANN and RSM based modelling for optimization of cell dry mass of Bacillus sp. strain B67 and its antifungal activity against Botrytis cinerea[J].Biotechnology & Biotechnological Equipment，2018，32（1）：58-68.

[14]張曦予，李銳定，莫明規(guī)，等.基于人工神經(jīng)網(wǎng)絡(luò)耦聯(lián)遺傳算法（BP-GA）優(yōu)化干酪乳桿菌LTL1361凍干保護(hù)劑配方[J].食品工業(yè)科技，2022，43（21）：175-184.

[15]JHA A K， SIT N. Comparison of response surface methodology （RSM） and artificial neural network （ANN） modelling for supercritical fluid extraction of phytochemicals from Terminalia chebula pulp and optimization using RSM coupled with desirability function （DF） and genetic algorithm （GA） and ANN with GA[J].Industrial Crops and Products，2021，170：113769.

[16]劉悅.鹵烤兔肉制品的研制及貯藏期品質(zhì)變化研究[D].重慶：西南大學(xué)，2021.

[17]王引蘭，王恒鵬，饒勝其.不同腌制時間對調(diào)理豬肉干品質(zhì)特性的影響[J].食品與發(fā)酵工業(yè)，2021，47（16）：219-225.

[18]劉龍龍，張華，梁成云.腌制時間對辣白菜風(fēng)味牛肉干質(zhì)構(gòu)特性及色澤的影響[J].延邊大學(xué)農(nóng)學(xué)學(xué)報，2019，41（2）：80-85.

[19]楊昆，鄭文濤.香茅草烤雞翅的工藝優(yōu)化及品質(zhì)分析[J].食品安全質(zhì)量檢測學(xué)報，2020，11（16）：5601-5607.

[20]MUTHUSAMY S， MANICKAM L P， MURUGESAN V， et al. Pectin extraction from Helianthus annuus（sunflower） heads using RSM and ANN modelling by a genetic algorithm approach[J].International Journal of Biological Macromolecules，2019，124：750-758.

[21]YU H C， HUANG S M， LIN W M， et al. Comparison of artificial neural networks and response surface methodology towards an efficient ultrasound-assisted extraction of chlorogenic acid from Lonicera japonica[J].Molecules，2019，24（12）：2304.

[22]李志杰，薄存美，甄宗圓，等.香酥兔肉烤制工藝的優(yōu)化[J].肉類工業(yè)，2022，496（8）：1-8.

[23]侯大軍，楊雨馨，范淑英，等.香辣雞丁加工工藝研究[J].西南大學(xué)學(xué)報（自然科學(xué)版），2022，44（4）：78-87.