基于BP人工神经网络算法的苹果制干适宜性评价

张彪，刘璇，毕金峰，吴昕烨，金鑫，李旋，李潇



基于BP人工神经网络算法的苹果制干适宜性评价

张彪，刘璇，毕金峰，吴昕烨，金鑫，李旋，李潇

（中国农业科学院农产品加工研究所/农业农村部农产品加工重点实验室，北京 100193）

【目的】建立苹果原料制干适宜性评价模型，实现基于苹果原料指标预测干制品品质的目标，为苹果制干专用化原料的筛选提供方法依据，为明确苹果干制品品质形成的基础物质提供数据支持。【方法】以来自7个不同主产区的21个主栽品种，共34份苹果鲜果样本为研究对象，运用多种数据处理方法建立苹果脆片品质综合评价模型与苹果原料制干适宜性评价模型。（1）利用压差闪蒸干燥方法制备34份苹果鲜果的脆片样本，测定苹果脆片17项品质指标，采用因子分析进行降维并筛选得到苹果脆片品质评价核心指标，运用层次分析法得到脆片核心指标权重值，构建脆片品质综合评价模型并计算得到脆片综合评价得分。（2）测定34份苹果鲜果样本22项品质指标，与脆片核心指标进行相关性分析并筛选出与脆片品质相关的果实特征指标。选用29个样本以果实特征指标为输入，对应脆片综合评价得分为输出，利用误差反向传播（Error Back Propagation, BP）神经网络算法构建学习模型；其余5个样本为验证样本，评价学习模型的预测准确性。变换3组学习样本构建3个学习模型，对比3个模型的预测准确性，验证建模方法的合理性与稳定性。【结果】苹果脆片值、脆度、膨化度、可滴定酸含量、可溶性糖含量和粗蛋白含量被确定为不同样本脆片品质综合评价的核心指标，构建的苹果脆片品质综合评价模型为Y综合得分=值×0.3724+脆度×0.2665+膨化度×0.1583+可滴定酸含量×0.0890+可溶性糖含量×0.0569+粗蛋白含量×0.0569。34个苹果鲜果样本制得的脆片综合得分范围为0.2069—0.7933，存在较大差异，得分排名前3的苹果样本为‘辽宁华红’‘辽宁华金’和‘山东烟富6号’，排名最后的苹果样本为‘陕西秦冠’。基于脆片核心指标与苹果果实品质指标相关性分析结果，筛选出苹果果实的果形指数、果肉值、pH、可滴定酸含量、Vc含量、果核比例、粗蛋白含量、果肉值、密度、可溶性固形物含量、粗纤维含量、总糖含量12项指标作为果实制干适宜性评价的特征指标。以果实特征指标值为输入层，对应苹果脆片综合评分为输出层，建立BP神经网络学习模型，可实现苹果原料制干适宜性的定量预测。该方法建立的学习模型有较高的预测准确性与稳定性，变换学习样本得到的3个学习模型的预测值与实际值相对误差均不超过10%，实际值与模型预测值线性拟合后决定系数2均大于0.95。【结论】苹果制干适宜性可由果实的果形指数、果肉值、pH、可滴定酸含量、Vc含量、果核比例、粗蛋白含量、果肉值、密度、可溶性固形物含量、粗纤维含量、总糖含量12项指标进行评价，建立的适宜性评价模型可实现基于苹果原料指标定量预测其制干适宜性。

苹果；脆片；干制；适宜性评价；BP神经网络

0 引言

【研究意义】苹果是中国产量最大的果品，至2016年，中国苹果产量和产值分别达到4.39×107t和2 000亿元，占中国水果产量的15.5%、农林产值的4.7%[1]。中国苹果加工产业发展迅猛，产品消费量年均增长8.5%。目前浓缩汁已经成为苹果最主要的加工品和出口产品，但加工能力已趋于饱和[2]。苹果脆片作为一种新型的休闲食品，可以补充苹果加工产业的空白，具有较好的发展前景。构建苹果原料制干适宜性评价模型不仅可以指导企业对苹果品种进行制干专用化筛选，还有利于明确苹果干制品品质形成的物质基础。【前人研究进展】果品原料品质是生产优质加工品的基础，因此，对于原料加工适宜性评价尤为重要。近年来，针对多种果蔬原料加工适宜性评价的研究已有许多报道。焦艺等[3]采集了北京地区7个蟠桃品种，制汁后测定多项指标，采用层次分析法赋予桃汁核心指标权重后得到7个品种蟠桃汁品质得分。郭春苗等[4]测定了新疆36个品种绿色葡萄果实多项指标，采用灰色关联分析法筛选出10个适宜加工葡萄干的品种。沈月等[5]收集了我国20个青辣椒主栽品种，分析了20余项果实指标差异，结合层次分析法与灰色关联度分析法得到了20个青辣椒品种鲜切加工适宜性排序。国外学者在研究原料加工适宜性方面偏重对制品的营养成分分析及感官评价。Ağçam等[6]测定了3个柑橘品种的多种营养指标，分析了其制汁适宜性。Lamureanu等[7]收集了11个品种的桃原料，加工成桃泥后进行感官评价，对11个品种加工桃泥适宜性进行排序并分析影响桃泥口感的关键指标。FUJIWARA等[8]对不同成熟阶段日本梨果实制得的干果进行感官评价后排序，并测定相关果实指标，明确了日本梨适宜制干的成熟期。上述研究对不同果蔬品种的原料品质或制品品质进行分析，仅可以评价所研究品种加工适宜性，无法预测未知样品的加工性能。原料加工适宜性评价应关联原料指标与制品品质，实现基于原料指标预测制品品质的目标，目前国内已有一些学者对此进行了初步的探索。聂继云等[9]对苹果果汁品质指标与原料指标进行相关性分析，筛选出果实特征指标，运用判别分析对122个苹果品种制汁适宜性进行简单分类。张小燕等[10]收集了74个品种的马铃薯原料，采用逐步回归分析的方法关联原料指标与制品品质，实现了基于马铃薯原料指标定量预测薯片综合品质，预测值与真实值的相关系数为0.502。【本研究切入点】目前，对果蔬原料加工适宜性评价研究多集中在对原料品质或制品品质的单一评价，缺少基于原料指标预测加工制品品质的方法。现有的少数关联方法多利用线性模型定性或定量关联原料特性与制品品质，存在制品品质评价不合理、原料特征指标筛选不全面、模型关联性差等问题，预测准确率较低。【拟解决的关键问题】利用因子分析筛选出脆片核心评价指标后，通过层次分析法确定脆片核心指标权重，进而得到脆片样本的综合得分并以此作为苹果原料制干适宜性得分；为明确对脆片综合品质起主要作用的原料指标，本研究测定34个鲜果样本22项指标，与脆片核心指标进行相关性分析，筛选出与脆片核心指标显著相关的原料特征指标；为实现基于苹果果实指标客观、准确地预测脆片品质的目的，本研究以果实特征指标为输入，对应脆片综合评价得分为输出，利用BP神经网络算法构建学习模型，可客观、定量、准确地预测苹果原料制干适宜性。

1 材料与方法

试验于2016年10月至2017年5月在中国农业科学院农产品加工研究所进行。

1.1 试验原料

本研究中34个苹果样本均为主产区主栽品种，样品名称及采样地点、时间见表1。苹果于9成熟时采摘，每个品种采集3株果树，每株从树冠中部外围随机采集40个果实。取样果实大小均一、无病虫害与机械损伤。果实采摘后于4℃冷库贮藏备用。

表1 苹果原料名称及采收地点、时间

1.2 主要仪器与设备

DHG-9123A型电热恒温鼓风箱（上海精宏设备有限公司）、QDPH1021型果蔬变温压差膨化干燥设备（天津市勤德新材料科技有限公司）、FA-200型切片机（广东南海市德丰电热设备厂）、Volscan Prodiler VSP 3000045型食品体积自动测定仪（英国 Stable Micro System 公司）、D25LT型色差仪（美国Hunterlab 公司）、TA.XT 2i/50 型物性分析仪（英国Stable Micro System公司）、UV-1800 型紫外分光光度计（日本岛津公司）、WZB 45数显折光仪（上海精密科学仪器有限公司）。

1.3 苹果脆片制备

苹果原料—清洗—去梗、去核、去皮—切片—预干燥—均湿—压差闪蒸干燥—成品。脆片于室温条件下（温度为22—26℃，湿度为40%—60%）干燥器内贮藏备用，待测定完脆片物理指标后，打粉，过40目筛，装袋后冻存于-40℃冰箱，以测定脆片化学指标。

脆片制备的工艺参数为：

（1）切片：切片厚度为5 mm；

（2）预干燥（热风干燥）：温度为70℃，烘至苹果片含水量约为30%；

（3）均湿：预干燥后样品装于自封袋中于4℃冰箱中均湿12 h；

（4）压差闪蒸干燥：样品在温度为95℃的膨化罐中停滞10 min，在压差为0.09 MPa的条件下闪蒸1次，真空干燥温度为60℃，真空干燥时间为3 h。

1.4 苹果果实和脆片品质指标测定方法

（1）鲜果质量与体积：鲜果质量与体积分别使用电子天平与食品体积自动测定仪测定，单位分别为‘g’与‘cm3’。每个品种随机取10个果实，分别测定取平均值。

（2）鲜果密度：鲜果密度为质量与体积的比值，单位为g∙cm-3。

（3）鲜果果形指数：鲜果果形指数为果实纵径与横径的比值，其中果实纵径与横径由游标卡尺测得。每个品种随机取10个果实，分别测定后取平均值。

（4）鲜果果核比例：鲜果果核比例为果实最大横切面处果核直径与果实直径的比值，其中果核直径与果实直径由游标卡尺测得。每个品种随机取10个果实，分别测定后取平均值。

（5）鲜果pH：鲜果打浆后使用pH计测得。每个品种随机取3个果实，分别测定后取平均值。

（6）颜色[11]：颜色采用色差仪（国际照明委员会（Commission Internationale de L’Eclairage，CIE）测色系统）测定。结果以、、数值表示。

（7）硬度、脆度[12]：采用英国Stable Micro System公司生产的Ta.XT2i/50 型物性分析仪。参数设置如下：探头为0.25S型，测试距离为3 mm，刺入深度为4 mm，测试前1 mm∙s-1，测试中1 mm∙s-1，测试后2 mm∙s-1，触发力10 N。产品断裂时所需的最大应力为该样品的硬度值，数值越大表示硬度越大，单位为g；探头与样品接触至样品断裂时探头行进距离为该样品的脆度值，值越小代表产品越脆，单位为mm。每个品种随机取5片，每片测两次，分别测定后取平均值。

（8）可滴定酸[13]：可滴定酸含量的测定参照GB/T 12456—2008《食品中总酸的测定》。

（9）可溶性固形物[14]：可溶性固形物含量的测定参照NY/T 2637—2014《水果和蔬菜可溶性固形物含量的测定折射仪法》。

（10）含水率[15]：含水率的测定参照GB 5009.3—2010《食品中水分的测定》。

（11）粗纤维、蛋白质[16-17]：粗纤维、蛋白质的测定分别参照GB/T 5009.10—2003《植物类食品中粗纤维的测定》和GB 5009.5—2016《食品中蛋白质的测定》。

（12）VC[18]：VC含量的测定参照GB 5009.86—2016《食品安全国家标准食品中抗坏血酸的测定》（第一法）。

（13）还原糖与总糖[19]：还原糖与总糖含量的测定参照斐林试剂法。

（14）总酚含量[20]：总酚含量的测定参照福林酚法。

（15）果胶含量[21]：果胶含量的测定参照NY／T 2016—2011《水果及其制品中果胶含量的测定分光光度法》。

（16）可溶性糖含量[22]：可溶性糖含量的测定参照NY／T 2742—2015《水果及制品可溶性糖的测定3,5-二硝基水杨酸比色法》。

（17）糖酸比：糖酸比为可溶性糖与可滴定酸的比值。

（18）脆片复水比[23]：称量苹果脆片质量，记作m1，室温下按1﹕50（m﹕v）加蒸馏水，浸泡30 min后取出，沥干，称重，记为m2。复水比按公式计算。平行复水比=，测定3次，取平均值。

（19）脆片出品率[24]：每个品种鲜果切片后随机选出9片进行编号，分别称量其质量记作m1，称量后的苹果片进行变温压差干燥制成苹果脆片，电子天平分别测定其质量记作m2，出品率按公式（出品率=）计算，结果取平均值。

（20）脆片膨化度[25]：每个品种鲜果切片后随机选出5片进行编号，压差闪蒸前的厚度记作H1，压差闪蒸后的厚度记作H2，膨化度按公式计算，膨化度=，取平均值。

1.5 建模思路

原料加工适宜性评价实质上是基于原料的多指标对制品综合品质的评价，即多个描述不同方面且量纲不同的原料指标转化为无量纲的相对评价值，并且综合这些评价值对制品综合品质做出定性或定量评价的方法[26]。因此，对苹果原料进行制干适宜性评价，要解决的主要问题为评价脆片综合品质，筛选与脆片品质相关的原料特征指标，构建原料特征指标与脆片综合品质关联模型。为评价脆片综合品质，本研究测定34个脆片样本17项品质指标，利用因子分析筛选出核心指标，运用层次分析法确定核心指标权重，建立脆片品质综合评价模型，进而得到脆片综合得分；为筛选原料特征指标，测定34个苹果鲜果样本22项指标，将其与脆片核心指标进行相关性分析，筛选出显著相关的原料指标作为特征指标；为构建原料特征指标与脆片综合品质关联模型，本研究选用29个苹果样本采用BP神经网络算法构建学习模型，其中输入层为果实特征指标，输出层为脆片品质综合得分，剩余5个样本为验证样本，评价学习模型的预测准确性。为优化建模样本同时验证建模方法的稳定性，变换3组学习样本（29个）构建3个学习模型，对比三个模型的预测准确性。若预测准确率均在合理范围内，则说明该建模方法合理、稳定。

1.6 数据分析方法

采用SPSS 22.0（SPSS Inc.，Chicago，IL，USA）软件进行描述性分析、主成分分析、相关性分析，采用RapidMiner 7.5软件进行BP神经网络建模。

2 结果

2.1 苹果果实和脆片品质指标水平分析

34个品种苹果果实样本22项指标测定值如表2所示，果实及脆片样本品质指标均值、变幅、标准差、变异系数如表3所示。对于不同苹果果实样本，22项品质指标变异程度不同，变异范围为2.85%—122.83%（绝对值）。其中密度、果形指数、果肉值、果肉值、pH和含水率5项指标的变异系数均小于10%，说明离散程度较小；其余17项指标变异系数均较大，说明不同苹果果实样本品质指标差异较大，果皮值和果肉值两项指标变异系数分别高达100.12%和122.83%，数据离散程度大，各个样本间指标测定值差异大。不同果实样本果皮值差异大与试验选用果皮颜色有接近全红（如红星）和全绿（如青苹）的品种有关，果肉值差异大则与不同果实样本褐变速率不同有关。

对于不同苹果脆片样本，17项品质指标变异范围为7.03%—51.58%。其中，脆片值、值、可溶性固形物含量、可溶性糖含量和膨化度5项指标的离散程度小，变异系数均小于10%；其余12项品质指标变异系数均较大，数据离散程度大，说明采用压差闪蒸制得的苹果脆片品质由于品种和产地不同存在较大差异。

2.2 苹果脆片核心指标的筛选

对脆片17项指标进行因子分析，结果见表4。由表4可知，前6个因子的特征值大于1，累计方差贡献率为77.402%。因子1主要综合了可滴定酸和糖酸比的信息，两者表现出极显著相关性（=-0.849），且可滴定酸的权重值更高，因此筛选可滴定酸作为因子1的代表性指标。因子2主要综合了值、脆度和总酚的信息，其中脆度与总酚含量显著相关（=0.426），与值极显著相关（=-0.472），且脆度是衡量苹果脆片加工品质的重要感官指标，因此筛选脆度作为因子2的代表性指标。因子4主要综合了值、值的信息，值代表明暗程度，值代表红绿程度，均体现脆片色泽品质，并表现出极显著相关性（=-0.865），此处筛选权重值较高的值作为因子4的代表性指标。同时，因子3、因子5和因子6中膨化度、可溶性糖和粗蛋白的权重值明显高于其他指标，因此分别筛选膨化度、可溶性糖和粗蛋白作为因子3、因子5和因子6的代表性指标。综上，17项品质指标中筛选出可滴定酸、脆度、膨化度、值、可溶性糖和粗蛋白作为不同品种脆片品质评价的核心指标。

2.3 苹果脆片综合品质评价模型的建立

根据筛选得到的6项核心指标对脆片综合品质的重要程度，采用1—9标度法建立Y—P判断矩阵（表5），计算其一致性比率（consistency ratio，CR）为0.03，小于0.1，认为判断矩阵一致性可接受。对矩阵特征向量归一化处理后得到脆片核心指标值、脆度、膨化度、可滴定酸、可溶性糖和粗蛋白的权重分别为0.3724、0.2665、0.1583、0.0890、0.0569和0.0569，因此，苹果脆片品质综合评价模型可表示为Y综合得分=值×0.3724+脆度×0.2665+膨化度×0.1583+可滴定酸含量×0.0890+可溶性糖含量×0.0569+粗蛋白含量×0.0569。

表2 34个品种苹果果实22项指标数据

1—34为苹果品种编号，顺序与表1相同；X1—X22为果实指标编号。下同 1—34 is the apple variety number, the order is the same as table 1; X1-X22is the fruit index number. The same as below

表3 苹果果实和脆片品质指标水平分析

表4 脆片指标旋转成分矩阵

PC1—PC6分别表示第 1 至第6个主因子 PC1-PC6 represent the first to the sixth main factors, respectively

表5 判断矩阵Y—P

Y代表脆片综合品质，P代表脆片核心指标，P1—P6 分别表示脆片的值、脆度、膨化度、可滴定酸、可溶性糖和粗蛋白

Y represents the comprehensive quality of chips and P represents the core indexes of chips. P1-P6 represent thevalue, crispness, puffing degree, titratable acid, soluble sugar and crude protein of chips，respectively

由于脆片核心指标量纲不同，为消除量纲的影响，计算脆片品质综合得分时需对6项核心指标进行标准化处理。其中脆度值越大脆片脆度越小，因此作为负向指标（成本型指标）；其余核心指标值越大脆片品质越好，因此均为正向指标（效益型指标）。各指标计算公式如下:

其中Xij指第i个样本第j个指标的原始测定值。

根据构建的苹果脆片品质综合评价模型，计算34个苹果脆片样本品质综合得分，并对其进行排名，结果见表6。由表6可知，34个苹果脆片样本综合得分范围为0.2069—0.7933，差异较大，品质排名前3的苹果品种为‘辽宁华红’‘辽宁华金’和‘山东烟富6号’，品质排名最后的为‘陕西秦冠’。

表6 脆片综合品质排序与得分

2.4 苹果制干适宜性评价模型的构建

对苹果脆片核心指标与苹果果实品质指标进行相关性分析，结果如表7所示。由表7可知，脆片值与果实可滴定酸含量和pH极显著相关，与果肉值、果形指数和VC含量显著相关；脆片脆度与果核比例和粗蛋白含量显著相关；脆片膨化度与各项果实指标无显著相关性，可能与其变异系数小，各品种间测量值差异不大有关；脆片可滴定酸含量与果实果核比例和果肉值极显著相关；脆片可溶性糖含量与果实密度极显著相关，与果实可溶性固形物含量、粗纤维含量显著相关；脆片粗蛋白含量与果实总糖含量显著相关。综上可以得到果形指数、果肉值、pH、可滴定酸含量、VC含量、果核比例、粗蛋白含量、果肉值、密度、可溶性固形物含量、粗纤维含量、总糖含量12项指标可作为与苹果脆片综合品质相关的果实特征指标。

通过训练样本建立映射关系用于预测研究是人工神经网络的重要用途之一[27]。34个苹果样本中筛选出29个样本作为学习样本进行神经网络学习模型构建，剩余5个样本作为预测样本验证模型准确性，其中BP神经网络学习模型结构如图1所示。由图1可知，该模型包含输入层、隐含层和输出层3层，其中模型输入为苹果果实果形指数、果肉值、pH等12项果实特征指标值，因此有12个神经元。模型输出为苹果果实对应的脆片综合得分，因此输出层神经元有1个。隐含层神经元在BP神经网络中扮演特征检验算子的角色，起到决定性作用，一般按经验公式估算节点数[28]，本研究中模型最优隐含层数由RapidMiner软件自动生成，层数为8个。其余各训练参数选择如下：最大循环次数1 000，学习率0.3，动量因子0.2，误差值0.01。

本研究从34个苹果样本中随机筛选29个样本建立学习模型，剩余5个样本进行制干适宜性得分预测。为评价模型预测准确性及建模方法稳定性，变换29个学习样本构建了3个学习模型，其预测结果如表8所示。由表8可知，3个学习模型共15个验证样本脆片预测得分与实际得分相对误差均小于10%，最小相对误差仅为0.62%，说明BP神经网络模型预测效果较好。将脆片实际得分与神经网络预测得分进行回归分析，以脆片实际得分作为横坐标，模型预测值作为纵坐标进行线性拟合，3组预测结果的决定系数2分别为0.9536、0.9822、0.9676（图2），预测值与实际值相符程度均较高，证明神经网络模型能够较准确、稳定地评价苹果原料是否适宜脆片加工。不同苹果样本构建的学习模型预测效果存在较大差异，说明用于建立学习模型的样本数量仍较少，变换少量学习样本对预测效果产生较大影响。同时，学习模型所需的样本应具有典型性与代表性，部分苹果样本与其他样本差异较大也可能对预测效果产生较大影响。

图1 BP神经网络结构图

表7 原料指标与脆片核心指标相关性分析

表8 基于BP神经网络算法苹果制干适宜性得分预测结果

图2 苹果制干适宜性模型稳定性验证

3 讨论

3.1 建模苹果样本筛选及样本容量问题

本研究展开之前课题组已对兴城资源圃部分苹果品种进行指标测定，并进行脆片品质评价，在此基础上筛选出本研究所用试验原料。筛选原则为：一是属于苹果主产区代表性品种，二是品种间品质差异大。选取主产区主栽苹果品种有利于提高苹果制干适宜性评价模型的适用性；筛选品质差异大的品种则有利于定位影响脆片品质的果实指标，提高模型预测准确性。从模型整体预测效果来看，各样本预测偏差均在合理范围内，说明本模型选取的建模样本较为合理。从模型稳定性及适用性方面考虑，本研究建模样本的选取仍可进一步优化：首先可增加建模的总样本量，提高样本预测的容错率，从而减小变换学习样本对预测效果产生的影响；其次可进一步提高建模样本的全面性，如增加主产区中、早熟样本采集，提高建模样本的适用性。模型建立应尽量有足够大的样本容量，同时在建模样本的选取上应有针对性、代表性、广泛性，当模型预测准确性高且稳定时，可更好地应用于多品种苹果原料制干适宜性预测。

3.2 苹果脆片品质综合评价模型构建与果实特征指标筛选问题

为得到果实制干适宜性评分，即脆片品质综合评价得分，本研究采用采用层次分析法构建了苹果脆片综合品质评价模型。层次分析法不仅可以解决传统最优化评价方法无法量化综合品质的问题，还可以改善客观品质指标无法完全代表人体感官的不足。但层次分析法作为一种主观赋权法，也存在一些缺点：指标过多时易造成判断混乱，定性成分多、主观性强，对判断矩阵的合理性考虑不足等[29]。为减小指标过多对判断的影响，本研究首先运用因子分析对脆片17项品质指标进行降维，筛选出值、脆度、膨化度、可滴定酸、可溶性糖和粗蛋白作为核心指标，基本涵盖了脆片色泽、质构和口味等品质，可以比较全面地反映脆片综合品质。在核心指标标度问题上，本研究仅从消费者角度出发按照脆片色泽、质构、口感、营养由高到低重要程度对脆片核心指标进行重要性标度，所得出的核心指标权重值缺乏一定的说服力。为降低模型的主观性影响，在后续的研究中需要结合有关专家经验进行标度，同时应将多个专家的评价结果进行综合以使判断矩阵更加合理。

明确与脆片综合品质相关的原料特征指标是保证模型预测准确率的基础。苹果果实感官、理化、加工等指标众多，全部用做评价指标显然不现实，需从中选取对脆片品质起主要作用的特征指标。在苹果果实特征指标的筛选上，本研究将6项脆片核心指标与苹果原料22项品质指标进行相关性分析，筛选出果形指数、果肉值、pH、可滴定酸含量、VC含量、果核比例、蛋白质、果肉值、密度、可溶性固形物含量、粗纤维含量、总糖含量共12个显著相关的原料指标，为避免信息遗漏影响预测结果准确性，保留以上所有指标作为与苹果脆片综合品质相关的果实特征指标。由预测结果来看，上述苹果果实特征指标可以较好地反映脆片综合品质。本研究目前所测定的果实指标多为基础指标，后续试验可补充单体类物质如糖单体、酚单体、酸单体、氨基酸，酶，果胶等特征指标进行模型关联以提高准确率，同时也可根据该模型更好地 定位脆片品质形成相关的基础物质。

3.3 关于BP神经网络模型在苹果制干适宜性评价中的应用问题

BP人工神经网络是一种按误差逆传播算法训练的多层前馈网络[30]，是目前应用最广泛的神经网络模型之一。其模型拓扑结构包括输入层、隐含层和输出层，运算方式是一个权重参数不断调整以达到期望值的过程。与灰色关联、层次分析法、线性回归等传统适宜性评价方法相比，BP人工神经网络无需经验公式与数学模型，在客观定量地寻求变量间复杂的非线性对应关系的同时有较高的准确性。近年来，BP神经网络模型在食品工业领域的应用日渐增多，包括识别、分类与分级、加工过程仿真与控制、单一指标值预测等[31]，取得了较好的效果，但在食品品质综合评价特别是品质综合得分预测方面的研究较少，在加工适宜性评价应用方面更是未见报道。从本研究模型的预测结果来看，综合得分预测值与实际值相对误差小，预测精度高，说明输入层与输出层的选取较为合理，可较好地实现基于苹果原料指标预测干制品品质。

本研究讨论了一种基于BP人工神经网络算法的苹果制干适宜性评价方法，取得了较好的效果，但仍有许多需要优化与改进的地方。从方法应用方面考虑，在未来的工作中，一方面要提高模型预测准确性与稳定性，优化该评价方法；另一方面可以与软件结合，形成实用型苹果制干适宜性预测工具。从理论层面考虑，通过BP神经网络模型关联原料与制品品质，在提高预测准确性的基础上可以逐步锁定影响脆片品质的关键性原料指标甚至关键性物质，可为果蔬制品品质形成的物质基础研究提供方法支持，但神经网络作为一种输入、输出的黑匣子无法以直观的公式等形式表现处理过程，也是未来工作需要克服的难点。

4 结论

不同品种苹果制干适宜性可由原料果形指数、果肉值、pH、可滴定酸含量、VC含量、果核比例、粗蛋白含量、果肉值、密度、可溶性固形物含量、粗纤维含量、总糖含量共12个指标进行评价。本研究利用BP人工神经网络建立的苹果果实制干适宜性评价模型预测准确性高，可实现基于苹果原料指标定量预测脆片品质。

[1] 中华人民共和国国家统计局数据库. [2018-3-24]. http://www.stats. gov.cn/

National Bureau of Statistics of the People’s Republic of China. [2018-3-24]. http://www.stats.gov.cn/

[2] 宋哲, 王宏, 里程辉, 于年文, 张秀美, 李宏建. 我国苹果产业存在的主要问题、发展趋势及解决办法. 江苏农业科学, 2016, 44(9): 4-8. doi: 10.15889/j.issn.1002-1302.2016.09.002.

Song Z, Wang H, Li C H, Yu N W, Zhang X M, Li H J. The main problems, development trends and solutions of apple industry in China., 2016, 44(9): 4-8. doi: 10.15889 /j.issn.1002-1302.2016.09.002. (in Chinese)

[3] 焦艺, 刘璇, 毕金峰, 吴昕烨, 周沫, 曾目成. 蟠桃品种用于加工鲜榨汁的适宜性评价. 食品科学, 2015, 36(1): 41-45. doi: 10.7506/ spkx1002-6630-201501008.

Jiao Y, Liu X, Bi J F, Wu X Y, Zhou M, Zeng M C. Suitability evaluation of flat peach cultivars for fresh juice-processing., 2015, 36(1): 41-45. doi: 10.7506/spkx1002-6630-201501008. (in Chinese)

[4] 郭春苗, 周晓明, 张雯, 樊丁宇, 谢辉, 闰鹏, 卢春生. 不同葡萄品种加工绿葡萄干的适宜性分析. 食品科学, 2012, 33(19): 62-66.

GUO C M, ZHOU X M, ZHANG W, FAN D Y, XIE H, RUN P, LU C S. Suitability analysis of different grape varieties for preparing green raisins., 2012, 33(19): 62-66. (in Chinese)

[5] 沈月, 高美须, 杨丽, 赵鑫, 陈雪, 王志东, 李淑荣, 王丽. 中国主栽青辣椒品种鲜切加工适宜性评价. 农业工程学报, 2016, 32(s2): 359-368. doi: 10.11975/j.issn.1002-6819.2016.z2.051.

SHEN Y, GAO M X, YANG L, ZHAO X, CHEN X, WANG Z D, LI S R, WANG L. Suitability analysis of fresh-cut vegetable processing for twenty main green capsicum cultivars in China., 2016, 32(s2): 359-368. doi: 10.11975/j.issn.1002-6819.2016.z2.051. (in Chinese)

[6] AGCAM E, AKYILDIZ A. A study on the quality criteria of some mandarin varieties and their suitability for juice processing., 2014, 2014(12): 1-8. doi: 10.1155/2014/982721.

[7] LAMUREANU G, ALEXE C, VINTILA M. Suitability for processing as puree of some fruit varieties of peach group., 2014, 18(3): 51-57.

[8] FUJIWARA T, KUBO T. Suitability of unripe Japanese pear for semi-dried fruit processing., 2017, 64(11): 533-541. doi: 10.3136/nskkk.64.533.

[9] 聂继云, 毋永龙, 李海飞, 王昆, 李静, 李志霞, 徐国锋. 苹果品种用于加工鲜榨汁的适宜性评价. 农业工程学报, 2013, 29(17): 271-278. doi: 10.3969/j.issn.1002-6819.2013.17.035.

NIE J Y, WU Y L, LI H F, WANG K, LI J, LI Z X, XU G F. Suitability evaluation of apple cultivars for fresh juice-processing., 2013, 29(17): 271-278. doi: 10.3969/j.issn.1002-6819.2013.17.035. (in Chinese)

[10] 张小燕, 赵凤敏, 兴丽, 刘威, 杨延辰, 杨炳南. 不同马铃薯品种用于加工油炸薯片的适宜性. 农业工程学报, 2013, 29(8): 276-283. doi: 10.3969/j.issn.1002-6819.2013.08.033.

ZHANG X Y, ZHAO F M, XING L, LIU W, YANG Y C, YANG B N. Suitability evaluation of potato varieties used for chips processing., 2013, 29(8): 276-283. doi: 10.3969/j.issn.1002-6819.2013.08.033. (in Chinese)

[11] ONSEKIZOGLU P, BAHCECI K S, ACAR M J. Clarification and the concentration of apple juice using membrane processes: A comparative quality assessment., 2010, 352(1/2): 160-165. doi: 10.1016/j.memsci.2010.02.004.

[12] YI J Y, ZHOU L Y, BI J F, WANG P, LIU X, Wu X Y. Influence of number of puffing times on physicochemical, color, texture, and microstructure of explosion puffing dried apple chips., 2015, 34(7): 773-782. doi:10.1080/07373937.2015. 1076838.

[13] 龚玲娣, 徐清渠. GB/T 12456-2008食品中总酸的测定[S]. 北京: 中国标准出版社, 2008.

GONG L D, XU Q Q. GB/T 12456-2008 Determination of total acid in foods [S]. Beijing: Standards Press of China, 2008. (in Chinese)

[14] 聂继云, 李静, 徐国锋, 李海飞, 毋永龙, 李志霞, 闫震, 匡立学. NY/T 2637-2014水果和蔬菜可溶性固形物含量的测定折射仪法[S]. 北京: 中国农业出版社, 2014.

NIE J Y, LI J, XU G F, LI H F, WU Y L, LI Z X, YAN Z, KUANG L X. NY/T 2637-2014 Refractmetric method for determination of total soluble solids in fruits and vegetables [S]. Beijing: China Agriculture Press, 2014. (in Chinese)

[15] GB 5009.3-2016食品中水分的测定[S]. 北京: 中国标准出版社, 2016.

GB 5009.3-2016 Determination of moisture in foods [S]. Beijing: Standards Press of China, 2016. (in Chinese)

[16] 卫生部食品卫生监督检验所. GB /T 5009.10-2003植物类食品中粗纤维的测定[S]. 北京: 中国标准出版社, 2003.

Ministry of Health Food Hygiene Supervision and Inspection Institute. GB /T 5009.10-2003 Determination of crude fiber in vegetable foods [S]. Beijing: Standards Press of China, 2013. (in Chinese)

[17] GB 5009.5-2016食品中蛋白质的测定[S]. 北京: 中国标准出版社, 2016.

GB 5009.5-2016 Determination of protein in foods[S]. Beijing: Standards Press of China, 2016. (in Chinese)

[18] GB 5009.86-2016食品安全国家标准食品中抗坏血酸的测定[S]. 北京: 中国标准出版社, 2016.

GB 5009.86-2016 Determination of Ascorbic Acid in Foods [S]. Beijing: Standards Press of China, 2016. (in Chinese)

[19] SU H K, CHOI Y J, LEE H, LEE S H, AHN J B, NOH B S, MIN S H. Physicochemical properties of jujube powder from air, vacuum, and freeze drying and their correlations., 2012, 55(2): 271-279. doi: 10.1007/s13765-012-1039-3.

[20] ABID M, JABBAR S, WU T, HASHIM M M, HU B, LEI S C, ZHANG X, ZENG X X. Effect of ultrasound on different quality parameters of apple juice., 2013, 20(5): 1182-1187. doi: 10.1016/j.ultsonch.2013.02.010.

[21] 方金豹, 庞荣丽, 何为华, 李君, 吴斯洋, 郭琳琳, 俞宏. NY／T 2016-2011水果及其制品中果胶含量的测定—分光光度法[S]. 北京: 中国农业出版社, 2011.

FANG J B, PANG R L, HE W H, Li J, WU S Y, GUO L L, YU H. NY/T 2016-2011 Determination of pectin content in fruits and derived products—Spectrophotometry method [S]. Beijing: China Agriculture Press, 2011. (in Chinese)

[22] 聂继云, 李志霞, 匡立学, 李静, 李海飞, 徐国锋, 闫震. NY／T 2742-2015 水果及制品可溶性糖的测定—3,5-二硝基水杨酸比色法. 北京: 中国农业出版社, 2015.

NIE J Y, LI Z X, KUANG L X, LI J, LI H F, XU G F, YAN Z. NY/T 2742-2015 Determination of soluble sugars in fruits and derived products- 3,5-dinitrosalicylic acid colorimetry. Beijing: China Agriculture Press, 2015. (in Chinese)

[23] 龙映均, 刘四新, 余敏华, 陈桃, 李从发．椰纤果热风干燥工艺优化研究．食品与机械, 2011, 27(4): 146-148, 162. doi: 10.3969/j.issn. 1003-5788.2011.04.043.

LONG Y J, LIU S X, YU M H, CHEN T, LI C F. Optimization of the hot-air drying processing condition of nata., 2011, 27(4): 146-148,162. doi: 10.3969/j.issn.1003- 5788.2011.04.043. (in Chinese)

[24] 王沛, 毕金峰, 白沙沙, 公丽艳, 王轩. 不同原料品种的苹果脆片品质评价及其相关性分析. 食品与机械, 2012, 28(2): 9-10. doi: 10.3969/j.issn.1003-5788.2012.02.003.

WANG P, BI J F, BAI S S, GONG L Y, WANG X. Determination of quality evaluation and correlation analysis of varieties apple chips., 2012, 28(2): 9-10. doi:10.3969/j.issn.1003-5788.2012.02.003. (in Chinese)

[25] 毕金峰, 王雪媛, 周林燕, 吴昕烨, 高琨, 吕健, 彭健. 脉动压差闪蒸处理对苹果片水分散失特性及品质影响．农业工程学报, 2016, 32(2): 376-382. doi: 10.11975/j.issn.1002-6819.2016.z2.053.

BI J F, WANG X Y, ZHOU L Y, WU X Y, GAO K, LV J, PENG J. Effect of instant controlled pressure drop drying on water loss and quality in apple slices., 2016, 32(2): 376-382. doi: 10.11975/j.issn.1002-6819. 2016.z2.053. (in Chinese)

[26] 孙修东, 李宗斌, 陈富民. 基于人工神经网络的多指标综合评价方法研究. 郑州轻工业学院学报(自然科学版), 2003, 18(2): 11-14. doi:10.3969/j.issn.1004-1478.2003.02.003.

SUN X D, LI Z B, CHEN F M. Research on multiple attribute synthetical evaluation methods based on artificial neural network., 2003, 18(2): 11-14. doi: 10.3969/j.issn.1004-1478.2003.02. 003. (in Chinese)

[27] 刘俊威, 吕惠进. 人工神经网络在水质预测中的应用研究. 长江科学院院报, 2012, 29(9): 95-97. doi: 10.3969/j.issn.1001-5485.2012.09. 022.

LIU J W, LV H J. Artificial Neural Network applied in water quality prediction., 2012, 29(9): 95-97. doi: 10.3969/j.issn.1001-5485.2012.09.022. (in Chinese)

[28] 潘玉成, 叶乃兴, 潘玉华, 赵仕宇. 人工神经网络在坦洋工夫红茶感官品质评定中的应用研究. 茶叶科学, 2015(5): 465-472. doi: 10.3969/j.issn.1000-369X.2015.05.013.

PAN Y C, YE N X, PAN Y H, ZHAO S Y. Application research of Artificial Neural Network in sensory quality evaluation of TanYang GongFu black tea., 2015(5): 465-472. doi: 10.3969/j.issn.1000-369X.2015.05.013. (in Chinese)

[29] 吴殿廷, 李东方. 层次分析法的不足及其改进的途径. 北京师范大学学报(自然科学版), 2004, 40(2): 264-268. doi: 10.3321/j.issn: 0476-0301.2004.02.025.

WU D T, LI D F. Shortcomings of Analytical hierarchy process and the pain to Improve the method., 2004, 40(2): 264-268. doi: 10.3321/j.issn: 0476-0301.2004.02.025. (in Chinese)

[30] XIA M, FANG J, TANG Y, WANG Z. Dynamic depression control of chaotic neural networks for associative memory., 2010, 73(4/6): 776-783. doi: 10.1016/j.neucom.2009.10.015.

[31] FUNES E, ALLOUCHE Y, BELTRAN G, JIMENEZ A. A Review: Artificial Neural Networks as tool for control food industry process., 2015, 5(1): 28.

Suitability Evaluation of Apple for Chips-processing Based on BP Artificial Neural Network

ZHANG Biao, LIU Xuan, BI JinFeng, WU XinYe, JIN Xin, LI Xuan, LI Xiao

(Institute of Food Science and Technology, Chinese Academy of Agricultural Sciences/Key Laboratory of Agro-Products Processing, Ministry of Agriculture and Rural Affairs, Beijing 100193)

【Objective】The aim of the paper was to establish suitability evaluation model for apple chips-processing from different cultivars and to achieve the quality prediction of apple chips based on raw material indicators.【Method】34 fresh apple samples of 21 apple varieties from 7 major growing regions were selected as research objects. Factor analysis (FA) and analytic hierarchy process (AHP) were used to establish comprehensive quality evaluation model for chips, and Error Back Propagation (BP) artificial neural network was used to establish chips-processing suitability evaluation model for apple fruits. (1) Chips were prepared by instant controlled pressure drop (DIC, French for détente instantannée controlee, also known as explosion puffing) and 17 indicators were measured. The core indexes of chips were selected by FA and correlation analysis. The weights of the core indexes were determined by AHP, and then the comprehensive quality evaluation scores of chips were calculated. (2) 22 indicators of 34 fruit samples with different cultivars and regions were measured. Then the characteristic indicators of apple fruits related to chip qualities were screened out by correlation analysis between data groups of apple fruit indicators and chip core indexes. Learning model with input of fruit characteristic indicators and output of chip comprehensive evaluation scores was established by database of 29 apple samples. 5 apple samples were chosen as test samples to verify the prediction accuracy of the learning model. Modified leaning models from different sample groups were compared by prediction accuracy, which could be the evidence to evaluate rationality and stability for application of BP neural network in the present research.【Result】The results showed thatvalue, brittleness, puffing degree, titratable acid, soluble sugar and crude protein of apple chip were determined as the core indexes which the weights were 0.3724, 0.2665, 0.1583, 0.0890, 0.0569 and 0.0569, respectively. The comprehensive quality scores of chips from 34 apple samples ranged from 0.2069 to 0.7933, indicating significant variation. The top 3 apple samples with high scores were Liaoning Huahong, Liaoning Huajin and Shandong Yanfu 6, and the final ranking for Shanxi Qinguan. Correlation analysis was performed between core indexes of chips and quality indicators of apple raw materials to achieve characteristic indicators of apple fruits, including the fruit shape index,value (pulp), pH value, titratable acid content, Vc content, proportion of core, protein content,value (pulp), density, soluble solids content, crude fiber content and total sugar content. Therefore, learning models were established with input layer of the characteristic indicators value of fruit and output layer of the comprehensive quality score of apple chip, which could predict the comprehensive quality of apple chips from indicators of raw materials. Moreover, the model showed high prediction accuracy. The relative errors between the predicted and actual values of the three learning models groups did not exceed 10%, and the coefficients of determination2of linear fitting were higher than 0.95.【Conclusion】Suitability evaluation of apple fruit for chips-processing could be evaluated by fruit shape index,value (pulp), pH value, titratable acid content, Vc content, proportion of core, protein content,value (pulp), density, soluble solids content, crude fiber content and total sugar content. The established model could be used to quantitatively predict apple fruit suitability for chips-processing based on the indicators of raw fruits.

apple; chips; dehydration; suitability evaluation; BP neural network

10.3864/j.issn.0578-1752.2019.01.012

2018-05-29；

2018-09-18

“十三五”国家重点研发计划（2016YFD0400201-4）

张彪，E-mail：15829685595@163.com。通信作者刘璇，E-mail：liuxuancaas@126.com

（责任编辑 赵伶俐）