神经网络优化南美白对虾虾仁热烫工艺

屈小娟，范瀚文，张 良，刘书成，*，吉宏武，毛伟杰，解万翠

（1.广东海洋大学食品科技学院，广东湛江 524088;2.广东普通高校水产品深加工重点实验室，广东湛江 524088)

神经网络优化南美白对虾虾仁热烫工艺

屈小娟1，2，范瀚文1，2，张 良1，2，刘书成1，2，*，吉宏武1，2，毛伟杰1，2，解万翠1，2

（1.广东海洋大学食品科技学院，广东湛江 524088;2.广东普通高校水产品深加工重点实验室，广东湛江 524088)

热烫是南美白对虾熟制产品加工中的一个重要步骤。为控制南美白对虾的热烫过程和产品品质，建立了南美白对虾虾仁热烫工艺的神经网络模型，并对其工艺参数进行了优化。结果表明：热烫温度和时间对杀菌效果、感官评分和硬度有显著的影响，而食盐浓度的影响相对较小，优化的热烫工艺参数为盐浓度2%、热烫温度（93±1)℃、热烫时间120s，在该条件下热烫的虾仁，既可以达到水产熟制品卫生标准，又具有较好的食用品质。

南美白对虾，神经网络，热烫，品质

南美白对虾（Litopenaeus vannamei)，学名凡纳滨对虾，因营养丰富、肉质鲜美而深受人们喜爱[1-2]。但是虾类在微生物及内源酶的作用下非常易于腐败变质，且会在多酚氧化酶的作用下发生黑变现象[3]，货架期很短。因此，南美白对虾在加工过程中必须进行预处理，以满足南美白对虾精深加工的需要。热烫是熟虾制品加工中常用且有效的预处理方法，可以起到杀菌和灭酶的作用，防止腐败和黑变[4];但是如果热烫处理不合适，则会导致虾产品的品质变差，因此需要对虾仁的热烫过程进行有效地控制，使其不仅能达到杀菌灭酶的目的，而且能够保持良好的产品品质。在热烫工艺优化的研究中，常见的分析方法是正交实验（orthogonal test)和响应面（response surface methodology，RSM)。正交实验所得的优选值只限于实验所用水平的某种组合，不能在给出的整个区域上找到因素和响应值之间的一个明确的函数表达式即回归方程，从而无法找到整个区域上因素的最佳组合和响应值的最优值[5]。而响应面法虽然能够克服这一缺点，但是在分析之前需要寻求适合的模型，且只适用于二次函数模型的模拟，适用范围也有一定的局限性[6]。人工神经网络简称神经网络，是在现代神经科学研究的基础上对生物神经系统的结构和功能进行数学抽象、简化和模仿而逐步发展起来的一种新型信息处理和计算系统[7]。近些年，有关利用人工神经网络来优化控制食品加工过程的报道越来越多[8-13]。影响热烫工艺的因素有很多，而且产品品质也会由于热烫参数的不同而有所改变，所以很难用一个数学模型来简单的描述其相互之间的关系。热烫过程属于非线性和非稳态系统，非常适合用人工神经网络来进行优化和控制。基于人工神经网络对非线性系统有较强处理能力的特点，本实验以产品的细菌总数下降对数、感官评分以及硬度作为指标，对影响产品指标的关键因素（盐浓度、热烫温度和时间)进行模拟训练，建立热烫过程的神经网络模型，优化热烫工艺参数，为熟虾产品生产过程的控制提供参考。

1 材料与方法

1.1 材料与设备

南美白对虾 湛江霞山东风水产批发市场，保活运至广东省高等学校水产品深加工重点实验室，挑选对虾时尽量挑选个体适中、无伤、体表光滑、无烂眼、烂尾、每条虾质量为15～18g;平板计数琼脂（PCA) 北京陆桥公司;碘盐 市售。

UX2200H电子天平 日本岛津;HH-8数显恒温水浴箱 常州澳华仪器有限公司;DHG-9240A型电热鼓风干燥箱 上海一恒科学仪器有限公司;EYELA SLI-700恒温培养箱 上海爱朗仪器有限公司;C21-SK2102电磁炉 广东美的生活电器制造有限公司;TMS-Pro型物性分析质构仪 美国FTC公司;YXQLS-18SI手提式压力蒸汽灭菌锅 上海博迅实业有限公司;QL-861振荡器 上海市爱宝家用医疗器械;SW-CJ-2F超净工作台 上海博迅实业有限公司医疗设备厂。

1.2 实验方法

1.2.1 热烫工艺流程 原料→挑选→去头、去壳、去肠腺→清洗→热烫→沥水→装袋

1.2.2 菌落总数的测定 按照GB/T 4789.2-2010[14]进行。

1.2.3 感官品质评定 参考曹荣等[15]的方法，略有改动。由5位感官检验员组成评定小组，根据表1对热烫后南美白对虾虾仁的色泽、滋味气味、组织质地等进行综合评定。评分结果以平均分显示（平均分＝总评分/评价员数)，评分尺度：5=好，4=较好，3=一般，2=差，1=最差。

1.2.4 硬度测定 参考曹荣等[15]的方法。采用TMSPro型物性分析仪测试硬度。测试参数值：测试速度60mm/min;测试深度（应变)50%;量程1000N;起始力0.2N;样品高度16mm。采用P/0.5cm柱形探头对虾仁第二腹节的硬度进行测试，测试3个平行样。

1.2.5 数据处理 采用JMP7.0数据处理软件中的神经网络平台。

2 结果与讨论

2.1 神经网络输入数据的采集

本实验以细菌总数下降对数Y1（-lg（N/N0))（N表示处理后的细菌总数，N0表示初始细菌总数)、感官评分Y2、虾仁硬度Y3作为响应变量，考察盐浓度、热烫温度、热烫时间对其的影响。采用Box-Behnken设计来确定人工神经网络优化需要输入的训练数据，因素水平见表2，实验方案及结果见表3。

表2 因素水平表Table 2 Code of factors and levels

表3 实验设计及结果Table 3 Experimental design and results

2.2 神经网络模型的建立

根据实验数据，选择“K折叠”交叉验证的方法拟合响应变量的神经网络模型。在进行拟合迭代之前，需要先设定以下参数值：隐藏节点数、过拟合罚项、历程数、最大跌代数、收敛准则、交叉验证组数，通过改变各参数值的大小，对神经网络进行多次训练，选择最佳的神经网络模型。当输入的各参数值分别为：5、0.001、20、50、0.00001、5时，确定的3×5×3结构的三层神经网络（图1)，即3个输入神经元，分别代表盐水浓度（X1)、热烫温度（X2)和热烫时间（X3);5个隐含层神经元;3个输出神经元，分别代表实验指标细菌总数下降对数（-lg（N/N0))（Y1)、感官评分（Y2)、硬度（Y3)。三个实验指标对应的拟合决定系数R2分别为0.9953、0.9967、0.9940，说明3×5×3结构的三层神经网络模型具有较好的预测能力。

表1 热烫南美白对虾虾仁的感官评价标准Table 1 Standards of organoleptic evaluation on blanched shelled fresh Pacific white shrimp

图1 神经网络结构图Fig.1 Structure of artificial neural network

2.3 神经网络模型的优化与分析

为了研究X1、X2、X3对Y1、Y2、Y3的影响，先固定其中的1个因素为0水平，利用JMP7.0软件中的曲面刻画器作三维曲面图，然后对其进行正投影处理，结果见图2～图4。

2.3.1 对细菌总数下降对数（-lg（N/N0))（Y1)的分析从图2a可以看出，盐浓度（X1)对杀菌效果影响不显著，尤其是在长时间的热烫过程中（图2a阴影的上边界)，这与何学连[4]的研究结果一致;热烫温度（X2)在83℃以下对杀菌效果影响不大，但是随着温度的继续升高，细菌总数下降较快（图2b)，这可能是因为在热烫过程中，温度升高到83℃，虾体温度超出了微生物的耐受范围，微生物体内蛋白质发生变性，酶类失活，从而导致其快速死亡;热烫时间（X3)越长，杀菌效果越好，超过90s后，热烫时间对杀菌效果的影响变小（图2c)。

图2 盐浓度（X1)、温度（X2)、热烫时间（X3)对杀菌效果（Y1)的影响Fig.2 Effect of salt concentration（X1)，temperature（X2)and time（X3)on bacteria inactivation（Y1)

2.3.2 对感官评分（Y2)的分析 从图3a可以看出，在相同的热烫温度和较短的处理时间区域内（图3a阴影的下边界)，随着盐浓度（X1)的上升，感官评分呈急剧下降，而当处理时间较长（图3a阴影的上边界)，盐浓度对感官分数几乎没有影响，这可能是因为在热烫初期，已有大量盐分进入肌肉组织内部，虾仁失水过多，感官品质达到最低[15]，继续延长时间，虾仁品质不再变化。从图3b可以看出，在75～90℃范围内，随着热烫温度（X2)的升高，感官评分持续上升，而达到90℃后继续升温，感官评分趋于平稳。从图3c可以看出，随着热烫时间（X3)的增加，感官评分持续上升，当热烫时间达到75s时，感官分数达到最高，继续加热，虾仁的感官品质反而有所下降，这可能是虾仁在煮制过程中，蛋白质会发生热变性，表现为氢键减少，蛋白质的二级结构受到影响，持水力降低，使得肌肉组织中的吸附水与部分结合水被释放出来[16]，造成虾仁失水。

图3 盐浓度（X1)、温度（X2)、热烫时间（X3)对感官评分（Y2)的影响Fig.3 Effect of salt concentration（X1)，temperature（X2)and time（X3)on sensory index（Y2)

2.3.3 对硬度（Y3)的分析 从图4a可以看出，盐浓度（X1)对硬度几乎没有影响;从图4b可以看出，随着热烫温度（X2)升高，虾仁硬度先减小后增大，当温度达到90℃以上时，温度对硬度的影响较显著;Lespinard研究了不同加热处理条件对蘑菇质构的影响，结果表明，当温度高于一定值时，随着温度的增加，热烫蘑菇硬度呈显著增加的趋势[17]。加热过程中虾仁硬度的增加与肌原纤维蛋白质的热变性、水分流失等有关，从而使肌肉组织产生一定程度的收缩，呈现致密性，则表现为硬度的增加[18-19];从图4c可以看出，热烫时间（X3)为75s时，硬度最小。

图4 盐浓度（X1)、温度（X2)、热烫时间（X3)对硬度（Y3)的影响Fig.4 Effect of salt concentration（X1)，temperature（X2)and time（X3)on hardness（Y3)

2.3.4 南美白对虾虾仁热烫工艺参数的确定 由前面的分析可知，盐浓度（X1)对杀菌效果（Y1)、感官分数（Y2)和硬度（Y3)的影响均不明显，但是在烫漂液中添加适量的食盐，不仅能够提高烫漂液的渗透压，缩短烫漂时间，减少因烫漂造成的不必要的营养损失，而且能杀灭部分微生物，因此综合考虑选用盐浓度为2%。热烫温度（X2)和热烫时间（X3)对杀菌效果（Y1)、感官分数（Y2)和硬度（Y3)的影响较大。在寻求较佳的热烫温度和热烫时间时，最值得关注的指标是杀菌效果。根据相关熟制水产品卫生要求[20]，当菌落总数下降至104CFU/g时，即能达到水产熟制品卫生标准。经过清水冲洗后的新鲜虾仁起始细菌总数经测定为6.5×103CFU/g，已达到上述标准，但是虾仁中可能还携带有一些致病菌。为了获得更安全可靠的熟制虾仁，本实验选取菌落总数下降至102CFU/g，即菌落总数下降1.5-lg数为基本标准，借助JMP7.0软件的预测刻画器对热烫工艺进行优化，确定合适的热烫温度（X2)和热烫时间（X3)，结果见图5。

图5 神经网络预测刻画图Fig.5 Prediction plot of artificial neural network

从图5可知，为达到菌落总数下降1.5-lg数的标准，固定盐浓度为2%，当温度达到最大值100℃，热烫时间需要达到（85±1)s左右（图5a)，但是感官分数较低，而且硬度达到了最大;将时间设定到最大120s，并且为使感官评价达到最好，硬度达到较低，调节热烫温度为（93±1)℃即可达到菌落总数下降1.5-lg数的标准（图5b)。因此，优化得到的南美白对虾虾仁热烫工艺参数为盐浓度2%、热烫时间120s、热烫温度为（93±1)℃。

2.4 神经网络模型的验证

为了验证建立的神经网络模型是否符合实际情况，选取2组新的因素水平组合数据：最佳工艺条件（2%，93℃，120s)，对比条件（2%，83℃，120s)分别做三组平行实验取平均值（见表4)来测试该神经网络模型。以2组实验数据为验证输入，利用建立好的神经网络模型对结果进行预测，然后与实验结果进行比较，以检验人工神经网络预测的准确性和稳定性，结果见表4。

表4 神经网络模型的预测值与实验值的比较Table 4 Comparison of the predicted values of ANN and the experimental values

从表4可知，建立的神经网络模型具有较好的预测能力，能较为准确地预测南美白对虾的热烫过程，预测值与实验值的相对误差较小，因此可利用该神经网络对整个热烫过程进行控制预测。

3 结论

利用Box-Behnken响应面实验设计建立数据集，以菌落总数下降1.5-lg为基本标准，建立了南美白对虾虾仁热烫工艺参数对虾仁品质影响的神经网络模型;分析阐明了盐浓度、热烫温度和时间对杀菌效果、硬度和感官品质的影响规律;经综合优化分析后，确定的热烫工艺参数为：盐浓度2%，热烫温度在（93±1)℃，热烫时间120s;验证实验表明建立的神经网络模型可以实现对南美白对虾虾仁热烫过程的控制和预测。

[1]迟淑艳，杨奇慧，周歧存，等.南美白对虾幼体和仔虾淀粉酶和脂肪酶活力的研究[J].水产科学，2005，24（4)：4-5.

[2]Nilesh P N，Soottawat B.Effect of ferulic acid on inhibition of polyphenoloxidase and quality changes of Pacific white shrimp（Litopenaeus vannamei)during iced storage[J].Food Chemistry，2009，116（1)：323-331.

[3]常耀光，李兆杰，薛长湖，等.超高压处理对南美白对虾在冷藏过程中贮藏特性的影响[J].农业工程学报，2008，24（12)：230-237.

[4]何学连，袁信华，过世东.烫漂工艺对白对虾品质的影响[J].食品与发酵工业，2007（10)：115-118.

[5]Liang Ren Jie.Orthogonal test design for optimization of the extraction of polysaccharides from Phascolosoma esulenta and evaluation of its immunity activity[J].Carbohydrate Polymers，2008，73（4)：558-563.

[6]Desai K M，Survase S A，Saudagar P S，et al.Comparison of artificial neural network（ANN)and response surface methodology（RSM)in fermentation media optimization：Case study of fermentative production of scleroglucan[J].Biochemical Engineering Journal，2008，41（3)：266-273.

[7]史德芳，高虹，程薇，等.人工神经网络在食品加工过程模拟控制中的应用[J].食品研究与开发，2009，30（1)：176-179.

[8]Torrecilla J S，Otero L，Sanz P D.A neural network approach for thermal/pressure food processing[J].JournalofFood Engineering，2004，62（1)：89-95.

[9]Movagharnejad K，Nikzad M.Modeling of tomato drying using artificialneuralnetwork[J].Computersand Electronicsin Agriculture，2007，59（1-2)：78-85.

[10]刘静，管骁.SVM方法在肉品新鲜度分类问题中的应用[J].食品工业科技，2011，32（4)：112-116.

[11]张良，刘书成，章超桦，等.神经网络优化牡蛎的高密度CO2杀菌工艺[J].农业工程学报，2011，27（12)：369-373.

[12]Adam Bucinski，Magdalena Karamac，Ryszard Amarowicz. Modeling the tryptic hydrolysis of pea proteins using an artificial neural network[J].LWT－Food Science and Technology，2008，41（5)：942-945.

[13]侯清娥，秦小明，林华娟.基于神经网络法制备牡蛎呈味肽工艺优化研究[J].食品工业科技，2011，32（11)：301-304.

[14]GB/T 4789.2-2010食品微生物学检验，菌落总数[S].

[15]曹荣，薛长湖，李兆杰，等.鹰爪虾虾仁煮制工艺研究及残留微生物分析[J].食品工业科技，2009，30（8)：212-215.

[16]吴燕燕，邱澄宇.草鱼加热过程中肌肉蛋白质的热变性[J].水产学报，2005，29（1)：133-136.

[17]Lespinard A R，Goñi S M，Salgado P R.Experimental determination and modelling of size variation，heat transfer and quality indexes during mushroom blanching[J].Journal of Food Engineering，2009，92（1)：8-17.

[18]Tornberg E.Effects of heat on meat proteins-Implications on structure and quality of meat products[J].2005，70（3)：493-508.

[19]张维益，李春保，徐幸莲，等.油煎过程中猪排质构及感官品质的变化[J].食品科学，2010，31（13)：23-26.

[20]DB11/617-2009熟制水产品卫生要求[S].北京.

Optimization of blanching parameters of shelled fresh Pacific white shrimp based on neural network

QU Xiao-juan1，2，FAN Han-wen1，2，ZHANG Liang1，2，LIU Shu-cheng1，2，*，JI Hong-wu1，2，MAO Wei-jie1，2，XIE Wan-cui1，2
（1.College of Food Science and Technology，Guangdong Ocean University，Zhanjiang 524088，China;2.Key Laboratory of Advanced Processing of Aquatic Products of Guangdong Higher Education Institution，Zhanjiang 524088，China)

Blanching is an important step during the process of cooked shrimp.In order to control the blanching process and shrimp quality，a neural network model was established and the process parameters of blanching shrimp was optimized.The results showed that both blanching temperature and time had significant effect on bacteria inactivation，sensory index and hardness，while salt concentration had a less effect on these indexes. The optimal blanching process parameters were 2%salt concentration，（93±1)℃blanching temperature，120s blanching time.Under these conditions，the blanched shelled fresh shrimps not only met the sanitary standards of aquatic cooked products but also had a better edible quality.

Pacific white shrimp;neural network;blanching;quality

TS254.4

B

1002-0306（2012)14-0291-05

2011－11－28 *通讯联系人

屈小娟（1986-)，女，在读硕士研究生，主要从事水产品高值化加工与利用研究。

2010年广东海洋大学大学生创新实验项目（1056610017);国家虾产业技术体系建设专项资金（CARS-47);广东省水产蛋白改性技术研究团队专项资金（2011A020102005)。