劉宇佳，朱 杰，張書艷，李 琳

（東莞理工學(xué)院化學(xué)工程與能源技術(shù)學(xué)院，食品營(yíng)養(yǎng)健康工程與智能化加工研究中心，廣東 東莞 523808）

感官評(píng)定是一門包括測(cè)量、分析以及解釋由食品與其他物質(zhì)相互作用所引發(fā)的、最終通過(guò)參評(píng)人的視覺(jué)、嗅覺(jué)、味覺(jué)及觸覺(jué)等進(jìn)行評(píng)價(jià)的科學(xué)[1]。通常需要完整的評(píng)定程序與評(píng)價(jià)體系，對(duì)參評(píng)人也具有非常嚴(yán)格的要求，才能得到較為真實(shí)的評(píng)價(jià)結(jié)果。感官評(píng)定可以很好地彌補(bǔ)化學(xué)或物理檢測(cè)過(guò)程中無(wú)法解釋的感官狀況，因此在食品行業(yè)中起到不可替代的作用[2]。產(chǎn)品喜好度是新型食品產(chǎn)品進(jìn)入市場(chǎng)前的一個(gè)重要參數(shù)，對(duì)于新產(chǎn)品研發(fā)、原料替代、產(chǎn)品更新以及市場(chǎng)預(yù)期具有決定性作用，是影響消費(fèi)者對(duì)產(chǎn)品購(gòu)買意向的關(guān)鍵因素[3-4]，感官評(píng)定是產(chǎn)品喜好度的主要評(píng)價(jià)方法。然而，食品的感官評(píng)定結(jié)果容易受到環(huán)境因素、品評(píng)過(guò)程以及參評(píng)人狀態(tài)等諸多因素的影響[5]。另外，我國(guó)很多中、小食品企業(yè)不具備完整的評(píng)價(jià)體系與實(shí)施條件，嚴(yán)重阻礙了產(chǎn)品創(chuàng)新與市場(chǎng)開發(fā)能力。

食品體系具有多樣性與復(fù)雜性的特點(diǎn)，原料與加工方式對(duì)產(chǎn)品的特性都具有顯著影響?？茖W(xué)的產(chǎn)品評(píng)價(jià)有助于新產(chǎn)品的開發(fā)與市場(chǎng)推廣，是食品研發(fā)領(lǐng)域的一個(gè)重要環(huán)節(jié)[6]。食品產(chǎn)品喜好度的預(yù)測(cè)涉及到食品物性學(xué)、統(tǒng)計(jì)學(xué)以及消費(fèi)心理學(xué)等諸多學(xué)科，具有非常廣闊的研究?jī)?nèi)容與發(fā)展空間[7-8]。自組織映射（self-organizing maps，SOM）是一種無(wú)導(dǎo)師學(xué)習(xí)信息處理算法[9]，目前廣泛應(yīng)用于水文土壤分類[10-11]、植物群落分布[12]、森林健康評(píng)估[13]等具有空間拓?fù)湫再|(zhì)的圖像化處理研究，同時(shí)在食品加工工藝條件優(yōu)化[14]、檢測(cè)檢驗(yàn)新方法[15-16]以及農(nóng)產(chǎn)品原料溯源[17-19]等應(yīng)用中也有出色表現(xiàn)。因其具有良好的非線性映射特征逼近能力，在食品品種分類方面也取得了良好的效果[20-22]，但該技術(shù)對(duì)食品喜好度預(yù)測(cè)的應(yīng)用國(guó)內(nèi)外鮮見(jiàn)相關(guān)報(bào)道。

本研究通過(guò)采集9 種原料香腸的質(zhì)構(gòu)參數(shù)與顏色信息，基于感官評(píng)定結(jié)果，結(jié)合相關(guān)性和主成分分析（principal component analysis，PCA）建立SOM網(wǎng)絡(luò)模型，將十維特征值映射到二維平面，對(duì)香腸產(chǎn)品的喜好度進(jìn)行預(yù)測(cè)，建立一種準(zhǔn)確高效的食品喜好度預(yù)測(cè)方法，為食品新產(chǎn)品研發(fā)與市場(chǎng)開發(fā)提供數(shù)據(jù)參考。

1 材料與方法

1.1 材料與試劑

魚肉、雞肉與豬肉購(gòu)買于東莞市松山湖農(nóng)貿(mào)市場(chǎng)；食鹽 廣東鹽業(yè)有限公司；白砂糖 東莞市東糖集團(tuán)有限公司。

1.2 儀器與設(shè)備

TA.XT Plus質(zhì)構(gòu)儀 英國(guó)Stable Micro Systems 公司；Hunter Lab比色計(jì) 上海精密科學(xué)儀器有限公司。

1.3 方法

1.3.1 香腸樣品的制備

實(shí)驗(yàn)香腸由9 種原料（魚肉、雞肉與豬肉各3 種）共制備99 個(gè)樣品，樣品編號(hào)與原料信息如表1所示。魚肉香腸樣品通過(guò)調(diào)控擂潰時(shí)間（20、30、40 min）、食鹽添加量（1%、2%、3%，以魚肉質(zhì)量計(jì)）、擂潰溫度（5、10、20 ℃）與烘烤時(shí)間（32、34、36 h）4 個(gè)因素共制備39 個(gè)樣品；雞肉與豬肉香腸樣品分別經(jīng)調(diào)控鹽糖質(zhì)量比（1∶1、1∶2、1∶3）、烘烤時(shí)間（32、34、36 h）與烘烤溫度（45、55、60 ℃）3 個(gè)因素共制備60 組樣品。

表 1 香腸樣品分類編號(hào)與基本信息Table 1 Meat sources of sausage samples

1.3.2 感官評(píng)定分析

感官評(píng)定方法依據(jù)GB/T 29605ü 2013《感官分析 食品感官質(zhì)量控制導(dǎo)則》[23]與GB/T 22210ü 2008《肉與肉制品 感官評(píng)定規(guī)范》[24]作為實(shí)施指導(dǎo)標(biāo)準(zhǔn)，每個(gè)樣品由10 位評(píng)分員在設(shè)置小隔間的感官實(shí)驗(yàn)室獨(dú)立完成；燈光采取自然光為主，日光燈輔助的形式；每個(gè)產(chǎn)品用3 位隨機(jī)數(shù)字編號(hào)，置于白色塑料盤中；每次評(píng)定于上午10∶00開始，規(guī)定時(shí)間段內(nèi)完成，每天完成1 種產(chǎn)品（表1），共9 d完成所有評(píng)定。評(píng)分員分別對(duì)香腸的色澤、外觀、風(fēng)味、口感以及總體接受度5 項(xiàng)指標(biāo)評(píng)分，采用10 分制，評(píng)定標(biāo)準(zhǔn)如圖2所示。累加各項(xiàng)指標(biāo)分值計(jì)算總分，每個(gè)樣品盲評(píng)3 次，結(jié)果取平均值。共得到594 個(gè)得分結(jié)果作為輸入目標(biāo)進(jìn)行預(yù)測(cè)比較。同時(shí)為判斷所建立模型的預(yù)測(cè)準(zhǔn)確率，將總評(píng)分預(yù)先分級(jí)，其中總分高于35 分為1級(jí)、30～35 分為2級(jí)、25～30 分為3級(jí)、20～25 分 為4級(jí)、低于20 分為5級(jí)。

表 2 感官評(píng)定評(píng)分標(biāo)準(zhǔn)Table 2 Criteria for sensory evaluation

1.3.3 質(zhì)構(gòu)分析

參考文獻(xiàn)[ 2 5 ] 的方法， 將香腸樣品切成2.0 cmh 2.0 cmh 2.0 cm的方塊，采用TA.XT Plus質(zhì)構(gòu)儀測(cè)定香腸樣品質(zhì)構(gòu)參數(shù)。測(cè)試條件：使用柱形P/50探針，測(cè)前速率2 mm/s，測(cè)試速率1 mm/s，測(cè)后速率5 mm/s， 壓縮比50%。通過(guò)Texture Expert軟件計(jì)算得到硬度、彈性、黏聚性、膠著性、咀嚼性和回復(fù)性。

1.3.4 顏色數(shù)字化

通過(guò)Hunter Lab比色計(jì)測(cè)量香腸樣品顏色[26]。使用CIE Lab顏色模型對(duì)香腸樣品顏色進(jìn)行數(shù)字化，每個(gè)樣品分別隨機(jī)選取20 個(gè)點(diǎn)進(jìn)行檢測(cè)，去除明顯誤差值并計(jì)算平均值。樣品白度（W）按式（1）計(jì)算。

1.3.5 模型性能評(píng)價(jià)

考察預(yù)測(cè)準(zhǔn)確率與泛化能力用于評(píng)價(jià)構(gòu)建模型的性能。準(zhǔn)確率表示模型預(yù)測(cè)結(jié)果的準(zhǔn)確程度，泛化能力以預(yù)測(cè)集與真實(shí)值均方根誤差（root mean squared error，RMSE）表示，分別按式（2）、（3）計(jì)算。

式中： 為預(yù)測(cè)值；yi為真實(shí)值；n為樣品數(shù)。

1.4 數(shù)據(jù)處理與分析

采用Excel 2016軟件進(jìn)行數(shù)據(jù)整理、線性回歸分析與RMSE計(jì)算；采用SPSS 19.0軟件因子分析模塊進(jìn)行PCA；采用MATLAB R2010b軟件中SOM模塊進(jìn)行判別分類與預(yù)測(cè)。

2 結(jié)果與分析

2.1 9 種香腸感官評(píng)定各指標(biāo)評(píng)分與總分的相關(guān)性分析結(jié)果

圖 1 9 種香腸感官評(píng)定各指標(biāo)評(píng)分與總分的線性回歸分析Fig. 1 Linear regression analysis of individual sensory attributes against total sensory score

通過(guò)計(jì)算得到香腸色澤、外觀、風(fēng)味、口感及總體可接受度評(píng)分與感官評(píng)定總分的線性回歸方程分別為：y＝0.086＋3.807x（R2＝0.186 1）、y＝0.234－0.706x（R2＝0.709 6）、y＝0.185＋0.512x（R2＝0.589 2）、y＝0.259－2.268x（R2＝0.845 8）、y＝0.232－1.260x（R2＝0.818 0）。由圖1A～E可知，在5 項(xiàng)感官指標(biāo)中，色澤評(píng)分與感官評(píng)定總分的線性相關(guān)性最低 （R2＝0.186 1），其次是風(fēng)味評(píng)分（R2＝0.589 2）。所測(cè)樣品中魚肉腸肉質(zhì)白皙細(xì)膩，雞肉腸經(jīng)過(guò)烘烤后顏色略黃，豬肉腸因其含有較多的血紅蛋白和大量的Fe2＋，經(jīng)烘制后進(jìn)一步被氧化，從而具有較深的紅褐色與特殊的香味[27]，導(dǎo)致3 種不同肉類香腸產(chǎn)品在色澤與風(fēng)味上產(chǎn)生較大差異。較低的相關(guān)性表明，色澤與風(fēng)味指標(biāo)對(duì)于總分貢獻(xiàn)率較低，同時(shí)也體現(xiàn)出不同種類香腸產(chǎn)品的喜好度也存在差異。外觀、口感與總體可接受度3 項(xiàng)指標(biāo)與總分均表現(xiàn)出良好的正相關(guān)線性關(guān)系，表明這3 項(xiàng)指標(biāo)在香腸總體感官評(píng)定過(guò)程中具有趨同性，對(duì)總分具有較高的貢獻(xiàn)率。由圖1F可知，9 種香腸樣品的總分為15～35 分，具有較大的分?jǐn)?shù)分布區(qū)間，因此將感官評(píng)定總分作為香腸品質(zhì)參數(shù)的輸出目標(biāo)值是合理的。

表 3 質(zhì)構(gòu)參數(shù)、顏色信息與感官評(píng)定總分的線性回歸方程與相關(guān)系數(shù)Table 3 Linear regression equations and correlation coefficients of texture and color parameters against total sensory score

以感官評(píng)定總分為基礎(chǔ)進(jìn)一步分析質(zhì)構(gòu)參數(shù)、顏色信息與總分的線性關(guān)系。由表3可知，質(zhì)構(gòu)參數(shù)、顏色信息與感官評(píng)分總分的線性關(guān)系均不明顯，尤其是質(zhì)構(gòu)參數(shù)與總分決定系數(shù)（R2）均小于0.1，表明通過(guò)線性回歸方程無(wú)法直觀體現(xiàn)質(zhì)構(gòu)和顏色指標(biāo)與感官評(píng)定的內(nèi)在關(guān)系，因此需要采取更為有效的數(shù)據(jù)預(yù)處理方法。本研究將所得到的感官評(píng)定與儀器測(cè)定結(jié)果組合為包含16h 99 個(gè)數(shù)據(jù)的二維矩陣，進(jìn)一步提取有效數(shù)據(jù)，增加有效信息量的權(quán)重。

2.2 PCA結(jié)果

圖 2 感官評(píng)定與儀器測(cè)定結(jié)果的PCAFig. 2 PCA plot of sensory evaluation and instrumental measurement results

PCA是一種有效的數(shù)據(jù)挖掘手段，可將龐大的無(wú)規(guī)律數(shù)據(jù)進(jìn)行優(yōu)化，從而體現(xiàn)各指標(biāo)之間的相關(guān)性。相較于線性回歸方程，PCA法將原始的16h 99維矩陣信息映射到二維象限中，所有參數(shù)歸一于X、Y軸為±1的坐標(biāo)系中，更直觀、簡(jiǎn)明地發(fā)掘各參數(shù)指標(biāo)間的內(nèi)在關(guān)系。由圖2可知，第1主成分與第2主成分貢獻(xiàn)率分別為54.42%與44.26%，總和達(dá)到98.68%，說(shuō)明2 個(gè)主成分可以有效表達(dá)原始數(shù)據(jù)的特征。感官評(píng)分、質(zhì)構(gòu)參數(shù)與顏色信息的分布呈現(xiàn)區(qū)域化，感官評(píng)分主要分布在X軸上方，其中口感與總分最接近，表明二者的相關(guān)性最強(qiáng)，這與線性回歸方程相關(guān)性結(jié)果一致。質(zhì)構(gòu)參數(shù)主要分布在X軸附近，并且更趨近于直徑為1的圓形邊緣，說(shuō)明質(zhì)構(gòu)參數(shù)對(duì)于目標(biāo)整體特征具有較大的貢獻(xiàn)率。同時(shí)，回復(fù)性、彈性與黏聚性分布在X軸負(fù)軸，3 個(gè)參數(shù)都描述了與香腸彈性相關(guān)的信息；硬度、咀嚼性以及膠著性分布在X軸正軸，體現(xiàn)了香腸與硬度相關(guān)的信息，符合香腸在實(shí)際咀嚼過(guò)程中的參數(shù)分類情況。另外，顏色信息主要分布在Y軸負(fù)軸，表明顏色信息對(duì)總分的貢獻(xiàn)較小，這與線性回歸分析中色澤評(píng)分與總分的線性關(guān)系較低一致。

PCA是一種將高維度變量數(shù)通過(guò)相關(guān)性轉(zhuǎn)化為低維度變量數(shù)的統(tǒng)計(jì)分析方法，當(dāng)輸入數(shù)據(jù)的線性程度不高時(shí)，應(yīng)用PCA方法會(huì)出現(xiàn)提取特征能力不足的缺點(diǎn)[28]。分析結(jié)果雖然能夠進(jìn)一步闡述各個(gè)參數(shù)間的相互關(guān)系，但仍無(wú)法準(zhǔn)確構(gòu)建儀器分析結(jié)果與感官評(píng)價(jià)的內(nèi)在關(guān)系模型。食品樣品具有復(fù)雜性與多樣性的特點(diǎn)，很難得到準(zhǔn)確的線性關(guān)系，因此PCA方法對(duì)于食品體系中提取特征變量后的數(shù)據(jù)分類具有局限性，需要選用其他方法優(yōu)化。本研究進(jìn)一步采用非線性的SOM模型，進(jìn)一步建立更為準(zhǔn)確、優(yōu)化的預(yù)測(cè)分類模型。

2.3 SOM模型的建立與結(jié)果預(yù)測(cè)

SOM模型通過(guò)對(duì)客觀事物的觀察、分析與比較自主尋找樣本屬性，提取事物的內(nèi)在規(guī)律，并對(duì)其特征進(jìn)行正確自主分類。因其算法是通過(guò)對(duì)輸入?yún)?shù)的反復(fù)學(xué)習(xí)，捕捉模式特點(diǎn)，在競(jìng)爭(zhēng)層將分類結(jié)果表現(xiàn)出來(lái)，分類結(jié)果與網(wǎng)絡(luò)的初始狀態(tài)無(wú)關(guān)，具有較強(qiáng)的保持拓?fù)浣Y(jié)構(gòu)不變的能力，因此特別適用于具有復(fù)雜多樣性特點(diǎn)的食品體系。本研究建立由儀器測(cè)定的質(zhì)構(gòu)參數(shù)與顏色信息組成的10h 99二維矩陣作為輸入層，設(shè)置競(jìng)爭(zhēng)層為6、輸出層為36的SOM網(wǎng)絡(luò)，最終只有1 個(gè)神經(jīng)元在競(jìng)爭(zhēng)層中獲勝以適應(yīng)當(dāng)前的輸入樣本。模型結(jié)構(gòu)如圖3所示。

圖 3 SOM模型結(jié)構(gòu)圖Fig. 3 Structure diagram of SOM model

利用訓(xùn)練函數(shù)train和仿真函數(shù)sim進(jìn)行仿真預(yù)測(cè)分類，在網(wǎng)絡(luò)輸出誤差小于收斂誤差臨界值時(shí)完成訓(xùn)練目標(biāo)，形成模型預(yù)測(cè)的拓?fù)浣Y(jié)構(gòu)。由圖4A可知，網(wǎng)絡(luò)結(jié)構(gòu)中神經(jīng)元分類具有明顯的傾向性，右上角神經(jīng)元顏色較深，顯示出拓?fù)浣Y(jié)構(gòu)的權(quán)重，表明具有更多的預(yù)測(cè)特征性；圖4C為各變量參數(shù)對(duì)于總矩陣的權(quán)重貢獻(xiàn)度，顏色越深表明貢獻(xiàn)度越大。進(jìn)一步計(jì)算分類數(shù)量（圖4B），有38 個(gè)樣本被集中分布在拓?fù)渖窠?jīng)圖的右上角，為第1類；56 個(gè)樣本分布在中部，為第2類；其余5 個(gè)樣本分布在左下角，為第3類；結(jié)果表明通過(guò)對(duì)輸入信息的自組織學(xué)習(xí)，模型成功對(duì)所有樣本進(jìn)行了分類預(yù)測(cè)。

圖 4 SOM模型預(yù)測(cè)的拓?fù)浣Y(jié)構(gòu)Fig. 4 Topological structure predicted by SOM model

圖 5 SOM模型中香腸樣品的預(yù)測(cè)值分布（A）及其 與實(shí)際值的均方差（B）Fig. 5 SOM model predicted results of sausage samples (A) and RMSE between the predicted and actual values (B)

對(duì)模型預(yù)測(cè)優(yōu)劣的評(píng)價(jià)主要依據(jù)鑒別的準(zhǔn)確率。通過(guò)計(jì)算真實(shí)集與預(yù)測(cè)集的RMSE，研究建立的模型是否有效逼近真實(shí)樣品所蘊(yùn)含的規(guī)律，具有很強(qiáng)的逼近能力與良好的泛化能力[29]。將感官評(píng)定總分的分級(jí)值與模型預(yù)測(cè)值進(jìn)行比較，由圖5A可知，可以發(fā)現(xiàn)所有樣品均獲得準(zhǔn)確預(yù)測(cè)，都分布在各分級(jí)值附近，并且各樣品間具有明顯間隔，鑒別準(zhǔn)確率為100%，說(shuō)明所建立的模型具有良好的鑒別能力，能夠?qū)ο隳c產(chǎn)品的喜好度進(jìn)行有效的準(zhǔn)確預(yù)測(cè)。圖5B為所有香腸樣品實(shí)際值與預(yù)測(cè)值的均方差，可以觀察每個(gè)樣品的預(yù)測(cè)值與實(shí)際值的誤差。最后計(jì)算得到預(yù)測(cè)集RMSE為0.118 4，表明模型已有效逼近樣本的內(nèi)在規(guī)律，具有良好的泛化能力。

3 結(jié) 論

通過(guò)采集99 個(gè)香腸制品的質(zhì)構(gòu)參數(shù)與顏色信息，結(jié)合相關(guān)性和PCA建立SOM模型，對(duì)香腸產(chǎn)品的喜好度進(jìn)行預(yù)測(cè)。結(jié)果表明，線性回歸方程無(wú)法完整體現(xiàn)各儀器參數(shù)與感官評(píng)定總分的相關(guān)性，進(jìn)一步結(jié)合PCA分析，探討了感官評(píng)定指標(biāo)、質(zhì)構(gòu)參數(shù)與顏色信息的關(guān)聯(lián)性，消除冗余性數(shù)據(jù)，并建立競(jìng)爭(zhēng)層為6、輸出層為36的SOM模型。通過(guò)對(duì)香腸樣本特征值的提取與分類預(yù)測(cè)，模型預(yù)測(cè)準(zhǔn)確率為100%，鑒別結(jié)果準(zhǔn)確，此時(shí)預(yù)測(cè)集RMSE為0.118 4，模型具有良好的泛化能力?；赟OM模型可對(duì)香腸產(chǎn)品喜好度進(jìn)行有效預(yù)測(cè)，為新型食品的研發(fā)及其市場(chǎng)喜好預(yù)期提供科學(xué)依據(jù)。