丹贝固态发酵过程时间序列分析与预测

谢元澄，马 瑶，沈 毅，王玥天，樊 娟，董明盛，梁敬东,*

（1.南京农业大学信息科学与技术学院，江苏 南京 210095；2.南京农业大学食品科技学院，江苏 南京 210095）

丹贝固态发酵过程时间序列分析与预测

谢元澄1，马 瑶1，沈 毅1，王玥天1，樊 娟2，董明盛2，梁敬东1,*

（1.南京农业大学信息科学与技术学院，江苏 南京 210095；2.南京农业大学食品科技学院，江苏 南京 210095）

基于机器视觉替代物理化学方法和人工方法检测丹贝发酵过程。计算色调、饱和度、亮度彩色模型空间灰度共生矩阵来提取丹贝发酵图像纹理特征。通过和人工感官评定方法的对比，丹贝图像纹理特征曲线转折点被证明可以作为决策依据来区分丹贝发酵的4 个时期，并进一步细分为6 个阶段。纹理数据分析表明，少孢根霉菌丝发酵起点比人工方法提前3 h确定，丹贝发酵纹理特征值的极值点即为丹贝发酵过程的终点。通过移动观测窗来构建纹理特征时间序列，进而利用神经网络集成训练构建丹贝发酵过程的非线性时间序列模型，并最终通过此模型预测图像纹理特征曲线变化的极值点来实现对丹贝固态发酵过程和发酵终点的分析与预测。

丹贝；固态发酵；时间序列；神经网络集成

印度尼西亚传统固态发酵食品丹贝（tempeh），又称填贝，以豆类为基质通过接种根霉发酵而成[1]。其生产加工分为预加工和发酵两个过程。预加工过程包括浸泡、去皮、蒸煮和接种少孢根霉（米根霉、无根根霉、匍匐根霉）4 个步骤[1]；发酵过程包括发酵前期、发酵中期、发酵终点期和过度发酵期4 个时期。丹贝成熟度取决于真菌生物量的增加值，目前真菌生物量的测定主要通过间接测量法获得。可通过化学量，如CO2排出量、几丁质、N-乙酰葡糖胺、漆酶、葡糖胺、麦角固醇等，进行间接测量；也可以通过物理量的间接测量获取，如：基于固态发酵体内部电容值检测的真菌生物量在线测定[2]，基于近红外光谱（near infra-red spectroscopy，NIRS）技术的真菌生物量（几丁质、麦角甾醇）的测量和真菌毒素检测[3]。生物量的快速检测目前最主要一类技术手段是结合机器学习算法进行NIRS分析，如通过对NIRS图像特征进行学习和建立神经网络模型可以对普洱茶发酵过程进行判定[4]，基于一类支持向量机和NIRS技术进行秸秆固态发酵过程检测[5]，基于NIRS技术结合极限学习机快速检测固态发酵过程中的pH值[6]，NIRS结合遗传算法快速检测红曲霉固态发酵生物量[7]，基于NIRS和支持向量对小麦秸秆固态发酵进行监控[8]，基于NIRS和最小二乘支持向量机检测醋的分类和总酸含量[9]；另一类是以传感器为主要技术手段的，如基于电子鼻对固态发酵过程进行监测[10]；第3类是基于图像处理技术和机器学习算法构建的非接触式测量技术，如高光谱图像结合主成分分析和逐步多元线性回归模型快速判断醋醅发酵均匀性[11]。菌丝的发育程度决定丹贝的质量，发酵成熟的新鲜丹贝，整体外观色调由黄变白，质构紧实呈糕团状，可切薄片，具独特清香，无异味，基于这些特征，凭借经验和感官等主观观测方法可判定丹贝发酵终点，其缺陷主要是评判标准无法量化导致稳定性较差[12-13]。化学和物理方法成本高且操作复杂的特性和人工评定方法无法满足工业化生产低成本快速无损检测的要求。

丹贝发酵过程的图像特征如亮度标准差与麦角固醇含量存在相关性，而麦角固醇含量直接反映了发酵过程中真菌生物量的变化[14]。基于上述分析，借鉴人工判定方法，通过工业相机构建机器视觉系统，采集丹贝可见光图像，经图像分析来判定发酵的成熟度，实现非接触条件下的快速无损检测。

伴随发酵过程的延续，根霉菌丝的发育逐步改变了丹贝表面的彩色纹理结构和平均亮度，表面纹理结构由细腻到粗糙，表面亮度由增强到减弱，表面黄白颜色区域面积比由缩小到增大。在此过程中图像相关特征出现极值点，通过极值点的判断可以正确判断丹贝发酵时间终点。在发酵终点附近，亮度标准差等简单图像特征变化缓慢，并不能精确确定发酵终点，根本缺陷在于极值点的判断依赖于过度发酵过程，这说明目前的方法仅适合于验证，而非预测，无法应用于工业生产。此类方法只能给出定性描述，而不能给出定量分析。本研究通过计算色调、饱和度、亮度（hue，saturation，intensity， HSI）颜色模型[15]下的彩色灰度共生矩特征，采用基于神经网络集成的时间序列预测方法，可实现丹贝发酵过程的全程监控，为丹贝生产工艺的优化提供了决策依据，同时也为丹贝生产的全自动化提供了可能。

1 材料与方法

1.1 材料、试剂及菌株

小黄豆和米粉 安徽燕之坊食品有限公司；乳酸（分析纯） 国药集团化学试剂有限公司。

少孢根霉（Rhizopus oligosporus，RT-3）由南京农业大学食品科技学院食品微生物实验室分离鉴定并命名。

1.2 仪器与设备

D90三角架固定相机（分辨率4288×2848） 日本Nikon公司。

1.3 方法

1.3.1 丹贝制作感官评分

材料制备参照文献[16-17]，发酵剂制备参照文献[18]，采用马铃薯葡萄糖琼脂（potato dextrose agar，PDA）培养基活化RT-3，发酵温度恒定为35 ℃。分别从外观（占35%，菌丝的覆盖面积）、质地（占35%，以是否可切薄片来判定紧实程度）、气味（占30%，是否有清香）及异味3 个方面来评定丹贝发酵质量，总分达到90 分及以上即可判定为发酵终点。

1.3.2 图像纹理特征向量抽取

为了能够降低噪声和规范化图像数据，同时保证图像质量的稳定性，遮蔽室外阳光，选择室内稳定光源。丹贝发酵全程用三脚架固定相机位置，正前方拍摄，采用随机采样和固定图片规格的方式进行。图1为图像样本采集方法示意图。实线矩形框内为采集区域，虚线矩形为1 024×800大小随机采样区，在采集区内随机采集。

图1 图像采样Fig. 1 Image sampling

将图像样本彩色模型从红、绿、蓝（red，green，blue，RGB）颜色空间转换到HSI颜色空间，HSI颜色空间模型更加接近人的视觉感知方式，且与显示设备无关，因此这种彩色模型更加利于模拟人的视觉感官判断。由于丹贝发酵过程直接导致表面彩色纹理的变化，因此可通过计算颜色通道的灰度共生矩阵，并在此基础上求取对应的纹理描述来描述丹贝外表的纹理变化。共生矩阵公式如式（1）所示。

式中：分子是具有某种空间关系、灰度值分别为gi和gj的像素对的个数；分母为像素对总和的个数（#代表数量）。这样得到的p是归一化的。

该矩阵元素可以理解为在具有灰度级gi和gj的两个像素在特定位置结构关系W上出现的频率。在0°、45°、90°、135°方向，以距离为1分别计算对应的共生矩阵。Haralick定义了14 个纹理特征量[19]，选取其中4 个常用特征：

对比度（contrast，Con）：

相关度（correlation，Cor）：

2 结果与分析

2.1 纹理特征变化

采用如1.3.2节采样方法分别以第0、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、30小时为采样时间点，从每个整小时时刻丹贝发酵图像中随机采集100 个样本，共计1 800个样本。计算H分量图，并求取相应的灰度共生矩阵，分别计算对比度、相关度、能量和一致性4 个特征值（纵轴）。其平均值对应时间坐标（水平轴）的关系见图2。如图2所示，纹理特征曲线出现了4 个显著的转折点和1 个不显著的转折点，分别为12、15、18、22、20 h，将发酵全程分为6 个阶段。在0～12 h阶段，丹贝的色调图中共生纹理特征对比度、相关度、能量和一致性值变化缓慢，12～15 h阶段，各指标开始发生快速变化；15～18 h阶段各指标进入一个相对平台期，纹理特征值变化缓慢；18～20 h阶段各指标再次进入一个快速变化期；在20～22 h阶段这种变化进一步加速，并在22 h时形成显著波峰（极值点）。通过感官比对，此时丹贝发酵完全成熟，即到达发酵终点；随后在22～30 h发酵过度，导致共生纹理特征值朝反方向退化，并且这种退化过程是线性的。

图2 丹贝RT-3发酵纹理图对比度（A）、相关度（B）、能量（C）和一致性（D）随发酵时间的变化Fig. 2 Contrast (A), correlation (B), energy (C) and homogeneity (D) of texture images of tempeh fermented with RT-3 as a function of fermentation time

2.2 丹贝发酵不同阶段的感官评定与图像分析

人工感官评测是判断丹贝发酵过程的传统方法，该法依赖工作人员经验进行主观决策。丹贝发酵过程可分为4 个时期：发酵前期、发酵中期、发酵终点期和过度发酵期。一般而言，发酵前期，时间较长，菌丝在此时间段内生长不明显；发酵中期是菌丝萌发及快速生长期；发酵终点期，丹贝质构逐步达到临界状态；发酵过度期，超过发酵终点则进入过度发酵状态，在此过程中丹贝外观和气味等均呈现显著变化。结合图2分析，为了更好地确定最佳发酵终点，分别选择0、12、15、18、20、22、24、30 h丹贝发酵图像及样品进行主观评定。如图3所示，水平方向为时间轴；垂直方向由上至下，第1行为丹贝发酵过程的RGB真彩图像，第2～4行分别为HSI模型中色调H灰度图、饱和度S灰度图及亮度I灰度图。固态发酵图像特征如亮度标准差与麦角固醇含量存在相关性[14]，借鉴这一思想用彩色纹理特征取代亮度标准差构建与发酵过程的关联，表1中展示了图2显示的纹理特征曲线和丹贝感官评定标准[16]之间的关系，菌丝的发育状况被综合量化在感官得分中，人工评定与纹理特征曲线完全一致。

图3 丹贝少孢根霉RT-3生长情况影像对比（RGB & HSI）Fig. 3 Comparative images of Rhizopus oligosporus RT-3 growth in tempeh over time (RGB & HSI)

表1 丹贝发酵过程中的感官评定与图像分析Table 1 Sensory evaluation scores and image analysis of tempeh during fermentation

对比图2、3和综合纹理曲线分析与感官评测（表1），丹贝发酵过程的4 个阶段可进一步细分为6 个阶段：第1阶段，发酵前期：静默期（0～12 h）；第2阶段，发酵中期Ⅰ：起步期（12～15 h）；第3阶段，发酵中期Ⅱ：稳定期（15～18 h）；第4阶段，发酵中期Ⅲ：加速期（18～20 h）；第5阶段，发酵终点期：成熟（20～22 h）；第6阶段，过度发酵期：变味变质（22～30 h）。

2.3 基于时间序列预测丹贝发酵终点

丹贝发酵进程中，丹贝表面逐步覆盖白色菌丝，使得丹贝图像从大豆堆积形成的粗糙纹理向菌丝堆积形成的精细纹理发生逐步过渡，成熟后纹理又从精细逐步过渡到粗糙，这说明在发酵终点的前后期，纹理特征存在相似性，给发酵成熟的判定引入了歧义。特别在21～23 h期间内，丹贝发酵经历了从成熟到过度发酵的转折过程，其中发酵终点以后22～23 h时间段内人工打分方法依然高于90 分，从视觉判断上是合格的。现有模式识别方法则是用算法学习人工打分与特征值之间的非线性关系进行预测，因此也会导致和人工判断相同的结论，即无法判断丹贝发酵产品合格是发生在发酵终点前或者后。显然，在发酵终点前后品质是存在巨大差异的。有鉴于此，通过对比图2和图3，将发酵终点判定问题转化为纹理特征曲线变化极值点的预测判定问题。

时间序列中可以观测待定研究对象某一时期内的总体水平，也可以观测某一时间点上对象的水平。这一特性符合发酵过程的自有规律。图2显示丹贝发酵成熟度与图像纹理特征之间呈现高度的非线性关系，传统的预测方法无法胜任。近年来非线性时间序列预测方法，如神经网络[20]、改进的支持向量回归[21]等学习算法得到了迅速发展。Google公司利用搜索引擎中流感相关信息的时间序列预测流感的爆发趋势[22]，运用二元时间序列算法可以预测推特的热门话题[23]，融合空间尺度特征的时间序列可以构建年降水量和PM2.5指数浓度预测模型[24]，基于神经网络的时间序列模型可以进行非线性预测，如对医院日门诊量分析与预测[25]。

由此引入时间序列预测，通过多个连续时间段内的图像特征来预测下一时刻图像特征值的变化。由图2和表1分析可知，图2中极值点即为发酵终点，此后图像特征曲线开始转向。因此只要通过时间序列预测特征值变化趋势，即可以判定当前时刻为发酵终点。

利用时间序列对丹贝发酵图像纹理特征进行统计：设定统计滑动窗口宽度为4 h；窗口在时间轴上进行滑动，在滑动窗口内对图像纹理特征时间序列数据进行求和并生成对应的新的特征时间序列。

按照此方法得到的特征值与原有特征值的差别在于，当发酵达到终点时，其值不会出现回落，而是会在后面的一段时间内继续增加，从而可以用一个固定的特征值区域来描述发酵终点阶段，而不会出现在发酵终点前后会出现相同的特征值，从而避免给最终的决策带来歧义。

1）学习方法。利用神经网络的非线性学习能力来判断丹贝发酵终点。由于丹贝发酵过程的重点在于其发酵终点的判断，因此将表1中的感官评定分为两类，即发酵终点和非发酵终点，对应到图2上即为21～22 h时段，为发酵终点区域，用+1表示；其他时段，为非发酵终点区域，用-1表示。3 层前向神经网络在理论上可以拟合任意非线性关系。在本研究中构建3 层前向神经网络，其中输入层为4（对应时间窗口宽度）和隐层为5 个节点，输出层为1 个节点，采用后向传播（back propagation，BP）算法进行训练。学习样本使用Bootstrap方法采样（有放回的重复采样），同时随机初始化12 个BP神经网络进行训练并采用Bagging算法集成，生成神经网络集成学习器，此方法可克服单一BP网络固有缺陷及大幅提升预测器的泛化性能与预测精度[26]。

2）检验方法。在相机分辨率、拍摄距离以及焦距不变的前提下，学习样本和测试样本采集方法如图1所示。进行10 次丹贝发酵实验，每间隔1 h拍摄图像并提取图像纹理特征，采用十折交叉验证方法分别进行学习和测试。即每次抽取9 组发酵时间序列样本进行神经网络集成学习，一组发酵时间序列样本进行测试，共进行10 次，取平均值。其中每组样本采集第12～30小时的特征数据，并根据前述新的特征时间序列生成方法生成新的样本序列，时间序列长度为16，每个样本值都代表着一个发酵时间段。实验结果表明对发酵终点的预测准确率达到97.7%，其中误判的样本也全部在23 h之内。

3 讨 论

丹贝无法大规模工业生产的根本原因是人工判定方法稳定性差，导致产品质量的不稳定。传统的人工主观判定只能定性，基于图像纹理特征分析的机器视觉则可以给出定量描述和定性判断。如图1所示，实验中大豆被肠衣包裹成圆柱状，在近距离拍摄中，从相机拍摄位观测，可以发现在圆柱两侧出现阴影区，并且其在底片上的投影发生水平方向压缩，造成数据失真。实验中对该部分数据进行抛弃，该方法优点在于可以兼顾各种大豆排列纹理和霉菌纹理，尽可能多地获取各类纹理特征图片。采样样本效果明显优于整幅图片，最大限度避免了各类光线、图像畸变及黄豆颗粒图像自身纹理对发酵图像纹理生产的干扰，并有利于样本间的均衡。通过对比图2和表1的感官评定打分，可以用图2中纹理特征时间变化曲线的折点来区分丹贝发酵的不同阶段，为改进丹贝发酵工艺提供定量化依据。

根据视觉和嗅觉感官经验的判断，在35 ℃条件下丹贝理想发酵时间为22 h，此时间可判断为发酵终点。而通过图像色度纹理分析得到的结果，其相应的共生矩阵对比度、相关度、能量以及一致性在30 h内的变化曲线显示最佳发酵时间同样为22 h，和人工经验判断完全一致。这说明，丹贝发酵图像的彩色纹理特征变化与少孢根霉的固态发酵过程是一致的，可以利用相应的纹理特征来预测发酵过程以及理想的发酵终点并给出基于纹理特征的定量描述。本研究中利用神经网络集成学习丹贝发酵图像纹理时间序列特征量变化趋势，完全屏蔽人为因素，实现了对丹贝发酵终点的准确预测。在Feng Xinmei[14]工作基础上，进一步证明了采用图像处理方法实现丹贝发酵过程监控的可行性，并给出了具体的预测方法，并可以明确区分发酵终点前和发酵终点后。与传统的物理化学方法相比，基于机器视觉和人工智能，给真菌发酵过程的监控提供了新的思路。该方法简便易行，反应迅速，成本低廉，在不损坏丹贝发酵体的前提下实现了定量的无损检测，便于工业化推广。

在实验中也发现在发酵过程的12～15 h区间段内，视觉感知和图像纹理分析的结果发生了背离。其主要原因是人的眼睛对精细纹理变化的感应要弱于机器视觉对亮度颜色变化的感应。而纹理分析克服了亮度及颜色的干扰，可以检测到少孢根霉发酵对丹贝的细微影响，传统的人类感官无法感知。该过程可以理解为，12～15 h时间段内，少孢根霉开始发酵，但由于菌丝较细，其形成的精细纹理明显弱于大豆轮廓间隙形成的纹理，同时精细纹理的变化从整体上对丹贝发酵图像的颜色亮度影响较弱，但这种精细的纹理变化可以被计算机图像纹理分析准确地捕捉到。这也可以说明少孢根霉菌丝的发酵起点应该在12 h处，而非本次实验中传统人工方法判断的15 h处，也就是说机器视觉方法可以先于人工方法3 h确定发酵起点。进而本研究根据纹理特征分析，进一步细化了丹贝发酵过程，分别为4 个时期，6 个阶段，为丹贝发酵工艺的改进提供了一定的实验依据。

目前丹贝都是恒温发酵实验生产，由于发酵过程与温度密切相关，后续工作将考虑基于纹理分析来研究发酵过程中不同阶段与温度的相关性，进而研究丹贝发酵工艺中温度控制的方法和策略，如优化发酵时间等。

[1] 周思静. 丹贝生产工艺优化及功能特性的研究[D]. 北京: 中国农业科学院, 2012: 8-10.

[2] DAVEY C L, PENALOZA W, KELL D B, et al. Real-time monitoring of the accretion of Rhizopus oligosporus biomass during the solidsubstrate tempe fermentation[J]. World Journal of Microbiology & Biotechnology, 1991, 7: 248-259. DOI:10.1007/BF00328998.

[3] 易永艳, 李德荣, 张蕴薇, 等. 近红外技术在真菌生物量和真菌毒素检测中的研究与应用[J]. 光谱学与光谱分析, 2009, 29(7): 1826-1829. DOI:10.3964/j.issn.1000-0593(2009)07-1826-04.

[4] 宁井铭, 宛晓春, 张正竹, 等. 近红外光谱技术结合人工神经网络判别普洱茶发酵程度[J]. 农业工程学报, 2013, 29(11): 255-260. DOI:10.3969/j.issn.1002-6819.2013.11.033.

[5] 江辉, 刘国海, 梅从立, 等. 基于OC-SVM和近红外光谱的秸秆固态发酵进程监测[J]. 农业机械学报, 2012, 43(10): 114-117; 166. DOI:10.6041/j.issn.1000-1298.2012.10.021.

[6] 刘国海, 江辉, 肖夏宏, 等. 近红外光谱结合ELM快速检测固态发酵过程参数pH值[J]. 光谱学与光谱分析, 2012, 32(4): 970-973. DOI:10.3964/j.issn.1000-0593(2012)04-0970-04.

[7] 黄常毅, 范海滨, 刘飞, 等. 近红外光谱结合遗传算法快速检测红曲菌固态发酵生物量[J]. 分析测试学报, 2014, 33(5): 520-526. DOI:10.3969/j.issn.1004-4957.2014.05.005.

[8] JIANG Hui, LIU Guang, XIAO Xu, et al. Monitoring of solid-state fermentation of wheat straw in a pilot scale using FT-NIR spectroscopy and support vector data description[J]. Microchemical Journal, 2012, 102(6): 68-74. DOI:10.1016/j.microc.2011.12.003.

[9] SHI Jiyong, ZOU Xiaobo, HUANG Xiaowei, et al. Rapid detecting total acid content and classifying different types of vinegar based on near infrared spectroscopy and least-squares support vector machine[J]. Food Chemistry, 2013, 138(1): 192-199. DOI:10.1016/ j.foodchem.2012.10.060.

[10] 梅从立, 束栋鑫, 江辉, 等. 基于电子鼻和高斯过程的秸秆固态发酵过程监测技术[J]. 农业机械学报, 2014, 45(11): 188-193. DOI:10.6041/j.issn.1000-1298.2014.11.029.

[11] 朱瑶迪, 邹小波, 石吉勇, 等. 高光谱图像技术快速预测发酵醋醅总酸分布[J]. 农业工程学报, 2014, 30(16): 320-327. DOI:10.3969/ j.issn.1002-6819.2014.16.041.

[12] ABU-SALEM F M, ABOU-ARAB E A. Physico-chemical properties of tempeh produced from chickpea seeds[J]. Journal of American Science, 2011, 7(7): 107-118. DOI:10.7537/marsjas.

[13] JENNESSEN J, SCHNÜRER J, OLSSON J, et al. Morphological characteristics of sporangiospores of the tempe fungus Rhizopus oligosporus differentiate it from other taxa of the R. microsporus group[J]. Mycological Research, 2008, 112: 547-563. DOI:10.1016/ j.mycres.2007.11.006.

[14] FENG X M, OLSSON J, SWANBERG M, et al. Image analysis for monitoring the barley tempeh fermentation process[J]. Journal of Applied Microbiology, 2007, 103(4): 1113-1121. DOI:10.1111/j.1365-2672.2007.03341.x.

[15] 章毓晋. 图形处理, 图像工程(上册)[M]. 北京: 清华大学出版社, 2006: 168-170.

[16] 梁敬东, 孙吉祥, 樊娟, 等. 基于图像分析的丹贝发酵终点判定方法[J]. 食品科学, 2013, 34(17): 38-42. DOI:10.7506/spkx1002-6630-201317009.

[17] 樊娟. 丹贝发酵过程的图像分析及后加工工艺研究[D]. 南京: 南京农业大学, 2013: 3-6.

[18] 丁一. 添加谷物的新型丹贝研发及其抗氧化活性评价[D]. 南京: 南京农业大学, 2012: 17-19.

[19] HARALICK R M, SHANMUGAM K, DINSTEIN I. Textural features for image classification[J]. Systems Man & Cybernetics IEEE Transactions on, 1973, 3(6): 610-621. DOI:10.1109/ TSMC.1973.4309314.

[20] LU C J. Integrating independent component analysis: based denoising scheme with neural network for stock price prediction[J]. Expert Systems with Applications, 2010, 37(10): 7056-7064. DOI:10.1016/ j.eswa.2010.03.012.

[21] LU C J, LEE T S, CHIU C C. Financial time series forcasting using independent component analysis and support vector regression[J]. Decision Support Systems, 2009, 47(2): 115-125. DOI:10.1016/ j.dss.2009.02.001.

[22] GINSBERG J, MOHEBBI M H, PATEL R S, et al. Detecting influenza epidemics using search engine query data[J]. Nature, 2008, 457: 1012-1014. DOI:10.1038/nature07634.

[23] NIKOLOV S. Trend or no trend: a novel nonparametric method for classifying time series[D]. Cambridge: Massachusetts Institute of Technology, 2012: 35-48.

[24] 邓敏, 陈倜, 杨文涛. 融合空间尺度特征的时空序列预测建模方法[J]. 武汉大学学报(信息科学版), 2015, 40(12): 1625-1631. DOI:10.13203/j.whugis20130842.

[25] 朱顺痣, 王大寒, 何亚男, 等. 基于时间序列模型的医院门诊量分析与预测[J]. 中国科学技术大学学报, 2015, 45(10): 797-803. DOI:10.3969/j.issn.0253-2778.2015.10.001.

[26] BREIMAN L. Bagging predictors[J]. Machine Learning, 1996, 24(2): 123-140. DOI:10.1007/BF00058655.

Time Series Analysis and Prediction of the Solid-State Fermentation Process of Tempeh

XIE Yuancheng1, MA Yao1, SHEN Yi1, WANG Yuetian1, FAN Juan2, DONG Mingsheng2, LIANG Jingdong1,*
(1. College of Information Science and Technology, Nanjing Agricultural University, Nanjing 210095, China; 2. College of Food Science and Technology, Nanjing Agricultural University, Nanjing 210095, China)

A machine vision based method was developed as an alternative to the physical and chemical methods and the manual method to detect the fermentation process of tempeh. The texture characteristics of the tempeh images taken during fermentation were extracted by calculating the gray level co-occurrence matrix (GLCM) for HSI (hue, saturation, intensity) color model. Compared with the manual sensory evaluation method, the turning point of texture feature curves of tempeh images could be better used as decision basis to distinguish four fermentation periods and further divide them into six stages. Texture data analysis showed that the starting point of tempeh fermentation by Rhizopus oligosporus was determined to be 3 h earlier than by using the manual method, and the extreme point of texture feature curves of tempeh images represented the end point of tempeh fermentation. Texture feature time series was developed by sliding the observation window, and then a nonlinear time series model for tempeh fermentation process was established by neural networks ensemble training. Finally, the extreme points of texture feature curves were predicted using the model, achieving the analysis of the solid-state fermentation process of tempeh and the prediction of its end point.

tempeh; solid-state fermentation; time series; neural network ensemble

10.7506/spkx1002-6630-201621028

TS201.3；TQ92

A

1002-6630（2016）21-0164-06

谢元澄, 马瑶, 沈毅, 等. 丹贝固态发酵过程时间序列分析与预测[J]. 食品科学, 2016, 37(21): 164-169. DOI:10.7506/ spkx1002-6630-201621028. http://www.spkx.net.cn

XIE Yuancheng, MA Yao, SHEN Yi, et al. Time series analysis and prediction of the solid-state fermentation process of tempeh[J]. Food Science, 2016, 37(21): 164-169. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-201621028. http://www.spkx.net.cn

2016-01-27

国家高技术研究发展计划（863计划）项目（2013BAD18B01-4）；南京农业大学中央高校基本科研业务费自主创新重点项目（KYZ201550；KYZ201548）

谢元澄（1976—），男，副教授，博士，研究方向为模式识别、生物信息学。E-mail：Xieych@njau.edu.cn

*通信作者：梁敬东（1966—），男，副教授，硕士，研究方向为数据挖掘、农业信息化。E-mail：ljd@njau.edu.cn