1. AI新视界首页
  2. AI食品

系统综述人工神经网络在食品加工过程中的建模应用

今天给大家介绍一篇由G. V. S. Bhagya Raj等人合作的,于近期发表在Critical Reviews in Food Science and Nutrition的一篇综述,文章中作者系统综述了ANN在食品加工等领域的应用进展并进行了展望。

摘要

今天给大家介绍一篇由G. V. S. Bhagya Raj等人合作的,于近期发表在Critical Reviews in Food Science and Nutrition的一篇综述,文章中作者系统综述了ANN在食品加工等领域的应用进展并进行了展望。

1. 简介

人工神经网络(ANN)是由神经细胞或神经元组成的生物神经系统的简化模型。神经网络在食品加工工程中的应用是相对比较新颖的。目前,人工神经网络已被广泛应用于食品安全和质量分析,食品图像分析,各种热和非热食品加工过程建模等领域。人工神经网络具有在不需要任何先验知识的情况下映射非线性关系的能力,甚至可以在信息不完整的情况下预测响应值。每个神经网络都具有输入层到隐层神经元之间的连接权值和隐层到输出层神经元之间的权值形式的数据,这对预测输出数据具有重要作用。

系统综述人工神经网络在食品加工过程中的建模应用

论文介绍了人工神经网络在食品加工不同操作单元中的应用,包括利用智能特性进行适应性,自动学习,分类和预测的理论发展。人工神经网络的并行结构使其响应速度快,计算时间短,适合应用于不同食品加工过程的实时系统。由于ANN模型具有较低的相对偏差和均方根误差以及较高的相关系数,预测结果通常具有较高的精度。论文介绍了人工神经网络在非线性食品工程问题建模中的各种应用。 综述了人工神经网络在提取,挤压,干燥,过滤,罐装,发酵,烘焙,乳品加工,品质评价等过程建模中的应用。

系统综述人工神经网络在食品加工过程中的建模应用

图1:两个隐藏层的前馈网络。

2. 内容概览

人工神经网络(ANN)是基于由神经细胞组成的生物神经系统的简化模型。在人脑中,一个典型的神经元通过一系列精细结构收集信号。树突通过突触关节接收来自神经元的电化学信号,并传递给神经元。输出通道称为轴突,轴突通过突触关节连接到其他树突。单个神经元可能有许多突触输入和输出。ANN的每个神经元的输入来自许多其他神经元或外部刺激。ANN被发现是一种用于食品领域分析非线性计算建模的新兴方法,其中基于分析的方法在计算中非常麻烦。ANN 作为一种新颖的方法和广泛接受的技术,其提供了数学建模的优势,它可以实现真实条件下工程问题的快速解决,显著减少成本和时间。

ANN 建模有可能对与食品工程相关的非线性复杂过程进行建模,而传统方法的实现方式。在食品加工中,响应面方法(RSM)是一种广泛使用的建模辅助工具,但ANN是一种替代建模方法,具有高性能、更出色的预测能力和非线性问题建模能力,独立变量和依赖变量之间的非线性关系可以很容易地建立。此外,ANN 具有容错性、自适应性、健壮性、灵活性,能够映射、泛化、高速信息处理和噪声免疫,并学习实验数据,不需要物理模型的变量。ANN 可以通过更新体系结构和连接权重来有效地执行特定任务。连接权重从训练模式中学习,通过频繁更新网络中的权重可以提高性能。ANN 的学习取决于输入和输出参数。 ANN 之所以引起食品加工研究人员的兴趣,是因为它能够计算复杂的非线性问题,并且能够从过去的数据中得出结论进行预测。ANN 的许多应用是由不同食品加工领域的许多研究人员以更实用和工业的观点实现的。

在此基础上,作者对ANN在食品工艺,食品工程中的各种应用进行探讨,并展示ANN作为食品系统预测和建模工具的应用深度和程度。总的来说,作者综述的内容主要涵盖以下几个方面。

  • ANN的类型、神经网络的学习方法、ANN的训练算法以及食品过程操作中不同神经网络的实现过程。
  • 详细介绍了 ANN 在干燥、萃取、挤出、烘烤、罐头、浸泡、过滤、封装、流变特性和保质期评价等食品加工作业中的应用。
  • ANN在食品加工行业以及食品科学研究领域的未来。

3. 展望

作者主要展望了ANN在食品加工工业领域和研究领域的发展方向。食品加工的新兴技术在建模上更加非线性和复杂。ANN 可被视为一种有希望的工具,用于对新兴技术在食品加工中的不同应用进行建模,因为它具有关联任何形式的非线性关系的上限能力,并且不需要事先指定合适的拟合功能。表3显示了ANN在食品加工中的不同应用,如挤出、过滤、烘焙产品、流变学、罐头、发酵、封装、浸泡、保质期、流变、 发酵等。ANN建模可适当应用于食品加工中不同的新兴技术,如高压工艺、脉冲电场处理、高强度脉冲光技术、射频电场、辐照、超声波辅助食品冷冻、冷等离子体处理等。

由于高压处理过程中食品的热性能,超高压技术(HPP)的建模非常困难。ANN 可通过将温度、压力和时间作为控制产品的微生物或酶活性的独立变量,成为对 HPP 过程建模的最佳解决方案。脉冲电场(PEF)是另一种新兴的非热技术,与其他传统技术相比,在极低的能量输入下可以提高质量传递速率。应用ANN进行模态检测,通过考虑PEF温度、电场强度等处理参数,可以准确预测颜色、微生物或酶活性等输出参数,从而用PEF处理食品的质地,改善PEF处理过程。再比如,ANN建模对于超声辅助提取技术工艺参数的非线性多变量建模(即超声波强度、超声持续时间和温度)是一个很有前途的工具。此外,冷等离子体处理可以改善经过处理的蛋白的物理、营养和感官特性,并保留不稳定的生物活性化合物和乳度酶活性。ANN 建模还可用于食品的冷等离子处理,其中电气输入(电压、频率、功率)、处理时间和食品材料特性可被视为建模的独立变量。

4. 结论

从上述研究中可以明显地发现,ANN 目前已经应用于领域中建模和预测各类食品过程。虽然实现ANN建模有几个优点,但也有一些小缺点。比如,对于形成 ANN 体系结构并没有固定的经验法则,网络的结构(隐藏层中的神经元和隐藏层的数量)是通过试验和误差法和经验法确定的。形成 ANN 的持续时间取决于试错运行的数量。ANN 的主要缺点是他们的 “黑匣子” 性质,我们不知道如何为ANN输出的结果进行解释。ANN 通常需要大量数据,与传统的机器学习算法相比,也容易过度拟合。

随着ANN在食品各个方面的应用,我们对ANN应用的理解也在不断提高。此处介绍的应用实例的数量既不完整也不详尽,而只是展示一些实例表明ANN 在食品加工领域的有用性。许多传统的化学计量方法都未能解决数据中的非线性趋势。相比之下,ANN能够求解和应对实验数据中的非线性趋势,从而获得显著的结果,这使得它们相较于其他建模方法更加多面。在不同类型的神经网络工作中,多层前馈网络是大多数食品加工建模中使用最广泛的ANN。除了之外,Kohonen的网络、CNNs、AEs、GANs 也用于不同的食品过程建模操作。LSTM、RBM、DBMs 和集成方法的应用在食品过程建模中仍然非常有限。ANN 在学习算法方面具有灵活性,具有多种网络拓扑、快速学习算法和高容错性。论文表明,ANN是最强大的分析工具,可以充分实施,以有效地预测不同食品加工作业中涉及的复杂数据模式。

参考文献

Bhagya Raj G V S, Dash K K. Comprehensive study on applications of artificial neural network in food process modeling[J]. Critical Reviews in Food Science and Nutrition, 2020: 1-28.

关注我们

系统综述人工神经网络在食品加工过程中的建模应用系统综述人工神经网络在食品加工过程中的建模应用

原创文章,作者:ifyoung,如若转载,请注明出处:https://www.drugfoodai.com/food-ann.html

注意:本站原创指的是原创编译,并不主张对所介绍的工作的版权,如有侵权,请联系删除!

发表评论

邮箱地址不会被公开。 必填项已用*标注