孫嘉，鄭遠(yuǎn)榮，劉振民*，徐杏敏，張娟

（1.上海大學(xué)生命科學(xué)學(xué)院，上海 201899；2.乳業(yè)生物技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，上海乳業(yè)生物工程技術(shù)研究中心，光明乳業(yè)股份有限公司乳業(yè)研究院，上海 200436）

新鮮奶酪，也稱新鮮干酪，是一種以生牛乳或生羊乳為原料乳，在加工過程中不經(jīng)過熟化的奶酪。新鮮奶酪通常具有質(zhì)地柔軟、水分含量相對(duì)較高、奶酪味清淡、奶香濃郁的特點(diǎn)，因此擁有著很好的市場(chǎng)發(fā)展前景[1]。隨著國(guó)內(nèi)生活水平的提高，人們?cè)陲嬍车臓I(yíng)養(yǎng)性和多樣性上展示出更大的需求，因而新鮮奶酪逐漸受到國(guó)內(nèi)研究者和消費(fèi)者的關(guān)注，尤其是馬蘇里拉奶酪（Mozzarella cheese）和哈羅米奶酪（Halloumi cheese）。

相較于美國(guó)、歐洲等其他國(guó)家和地區(qū)，目前我國(guó)工業(yè)化生產(chǎn)新鮮奶酪的廠家較少，導(dǎo)致國(guó)產(chǎn)新鮮奶酪產(chǎn)量難以滿足日益增長(zhǎng)的市場(chǎng)需求，因此，優(yōu)化新鮮奶酪的生產(chǎn)工藝，對(duì)提高奶酪的生產(chǎn)得率顯得十分必要。然而，新鮮奶酪的生產(chǎn)過程具有多變量耦合性，因而僅通過試驗(yàn)的方式來尋求最優(yōu)生產(chǎn)工藝具有一定難度，且容易導(dǎo)致產(chǎn)品研發(fā)周期過長(zhǎng)、試驗(yàn)成本過高、優(yōu)化結(jié)果不理想等問題。因此，當(dāng)前在新鮮奶酪生產(chǎn)工藝方面缺乏一種科學(xué)高效的工藝優(yōu)化方法。

人工神經(jīng)網(wǎng)絡(luò)是一種能夠模仿生物進(jìn)行歸納、學(xué)習(xí)、分析和邏輯思考等神經(jīng)行為的數(shù)學(xué)模型，通常簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。經(jīng)過近80年的發(fā)展[2]，ANN 已經(jīng)具備了良好的智能性，并憑借其強(qiáng)大的自學(xué)習(xí)能力和高速尋優(yōu)能力，在圖像處理、醫(yī)學(xué)、生物學(xué)等領(lǐng)域中均得到了廣泛應(yīng)用。在食品中的新鮮奶酪領(lǐng)域，ANN 目前多用于對(duì)生產(chǎn)和貯存過程中的指標(biāo)數(shù)據(jù)進(jìn)行預(yù)測(cè)，并取得了很好的應(yīng)用效果。

1 新鮮奶酪的種類及研究進(jìn)展

受各地奶源品質(zhì)差異和飲食習(xí)慣不同的影響，各個(gè)國(guó)家或地區(qū)出現(xiàn)了各種具備當(dāng)?shù)靥厣男迈r奶酪[3]，如意大利的馬蘇里拉奶酪、法國(guó)的白干酪（fromage frais）、英國(guó)的農(nóng)家奶酪（cottage cheese）、丹麥的奶油奶酪（cream cheese）以及塞浦路斯的哈羅米奶酪等。其中，馬蘇里拉奶酪是全球產(chǎn)量最多、應(yīng)用最為廣泛的新鮮奶酪，而哈羅米奶酪在近幾年逐漸成為研究熱點(diǎn)，因此本文選取這2 種新鮮奶酪進(jìn)行重點(diǎn)介紹，為未來該新鮮奶酪的生產(chǎn)研究和優(yōu)化提供參考。

1.1 馬蘇里拉奶酪

馬蘇里拉奶酪是一種拉伸型的半硬質(zhì)奶酪，呈乳白色或乳黃色，口感清淡、味道柔和、并具有一定咀嚼性。在馬蘇里拉奶酪的生產(chǎn)加工中，熱燙拉伸是其獨(dú)特工藝。這一工藝使得馬蘇里拉奶酪具備纖維狀的蛋白結(jié)構(gòu)以及融化拉絲的功能，因此馬蘇里拉奶酪通常被用于制作比薩、漢堡夾心、意面調(diào)料、焗飯調(diào)料等[4]。馬蘇里拉奶酪的工藝流程如圖1所示。

圖1 馬蘇里拉奶酪的工藝流程Fig.1 Preparation process of mozzarella cheese

目前，國(guó)內(nèi)外學(xué)者對(duì)馬蘇里拉奶酪的原料乳及關(guān)鍵工藝參數(shù)的影響展開了較多研究。在原料乳方面，Gon?alves 等[5]研究表明，牛奶中脂肪含量的降低會(huì)引起馬蘇里拉奶酪硬度的增加，進(jìn)而導(dǎo)致其融化性降低。Bhat 等[6]研究了不同奶源（牛奶和水牛奶）對(duì)馬蘇里拉奶酪化學(xué)特性、流動(dòng)性和感官特性的影響，研究結(jié)果顯示，由牛奶制備的馬蘇里拉奶酪的蛋白含量更高、彈性更好、感官品質(zhì)更好，而由水牛奶制備的馬蘇里拉奶酪的脂肪含量更高、奶酪得率更高。盡管馬蘇里拉奶酪在生產(chǎn)時(shí)具有高溫拉伸過程，但這并不能完全消除奶酪中的病原體，因此仍需對(duì)原料乳進(jìn)行巴氏殺菌處理。根據(jù)Rynne 等[7]研究，巴氏殺菌溫度為72 ℃最佳，更高的溫度會(huì)降低馬蘇里拉奶酪的流動(dòng)性和拉伸性，更低的溫度會(huì)降低殺菌效果。在發(fā)酵pH 值方面，Mcauliffe 等[8]認(rèn)為馬蘇里拉奶酪的最佳pH 值范圍為5.2～5.5，低于該范圍的pH 值會(huì)導(dǎo)致酪蛋白流失，高于該范圍的pH 值會(huì)導(dǎo)致奶酪中的鈣含量偏高，從而影響硬度和流動(dòng)性。在添加鹽方面，張文青等[9]研究了3 種鈣鹽對(duì)再制馬蘇里拉奶酪質(zhì)構(gòu)的影響，認(rèn)為3 種鈣鹽按影響力大小的排序?yàn)闄幟仕徕}＞氯化鈣＞乳酸鈣，并且3 種鈣鹽的最適添加量分別為1.0%，2.0%和1.5%。熱燙拉伸過程對(duì)奶酪的功能特性和得率均有一定影響[10]。因此，周穎喆[4]研究了熱燙溫度（40、60 ℃和80 ℃）和拉伸程度（40、80 次和120 次）對(duì)馬蘇里拉奶酪功能特性的影響，并認(rèn)為60 ℃下中高程度的拉伸處理更能保證奶酪良好的功能特性。此外，F(xiàn)ox 等[10]研究了拉伸時(shí)間（180、420 s 和600 s）和拉伸溫度（55、60 ℃和70 ℃）對(duì)馬蘇里拉奶酪得率的影響，與恒溫下凝乳的初始質(zhì)量相比，當(dāng)拉伸溫度從55 ℃升高到70 ℃，奶酪產(chǎn)量會(huì)從0.88 g/g 降低到0.59 g/g，并且得率會(huì)隨著拉伸時(shí)間的延長(zhǎng)而降低。因此，綜合來看，55～60 ℃的拉伸溫度有利于保證奶酪具有良好的功能特性和較高的得率，而較多的拉伸次數(shù)（即拉伸時(shí)間更長(zhǎng)）雖然有利于提高奶酪的功能特性，但會(huì)導(dǎo)致奶酪得率降低，這需要在實(shí)際生產(chǎn)中進(jìn)行權(quán)衡。此外，為提高馬蘇里拉奶酪的保質(zhì)期，劉沛毅等[11]通過應(yīng)用一種新型凝膠鹵水的方式，將馬蘇里拉奶酪的保質(zhì)期提高了10 d 以上。在工藝參數(shù)優(yōu)化方面，目前傳統(tǒng)的方法是將正交試驗(yàn)法[12]與響應(yīng)面分析法[13]相結(jié)合，這一方法能夠通過合理設(shè)計(jì)試驗(yàn)方案的方式來減少試驗(yàn)次數(shù)，但由于回歸方程相對(duì)簡(jiǎn)單，因此計(jì)算值與試驗(yàn)值之間的誤差通常較大。

1.2 哈羅米奶酪

哈羅米奶酪是一種煎烤型的半硬質(zhì)奶酪，多呈金黃色。新鮮哈羅米奶酪具有溫和的奶油風(fēng)味，呈現(xiàn)無孔半固體狀態(tài)，富有彈性而易切割[14]。區(qū)別于其他新鮮奶酪，在哈羅米奶酪的生產(chǎn)加工中，其凝乳過程可以僅使用凝乳酶而不添加其他發(fā)酵劑[15]。此外，經(jīng)過在乳清中進(jìn)行燙漂[16]，哈羅米奶酪具有了更好的抗融性，因此其通常作為燒烤或油炸食品的原料。哈羅米奶酪的工藝流程[17]如圖2所示。

圖2 哈羅米奶酪的工藝流程Fig.2 Preparation process of halloumi cheese

在原料乳的選取上，有研究對(duì)比了羊奶和牛奶的差異。在以羊奶為原料制備哈羅米奶酪時(shí)，奶酪的得率和蛋白質(zhì)含量相對(duì)更高，但容易保留羊奶的奶腥味，從而在一定程度上影響奶酪的口感和風(fēng)味[18]。作為對(duì)比，在以牛奶為原料時(shí)，哈羅米奶酪的奶香味更易被人們接受，但奶酪的咀嚼性相對(duì)較差[16]。根據(jù)趙賽楠等[18]研究，綜合考慮奶酪得率、質(zhì)地和感官評(píng)分，當(dāng)牛羊乳體積比為1∶1 時(shí)，奶酪的整體情況最佳，此時(shí)的奶酪得率為11.99%。此外，趙賽楠等[19]認(rèn)為65 ℃和30 min的巴氏殺菌條件，0.015%的CaCl2添加量以及分級(jí)壓榨（先0.2 MPa 預(yù)壓20 min，后0.6 MPa 壓榨40 min）是哈羅米奶酪的最佳工藝方案。Kaminarides 等[20]研究了加熱排乳清時(shí)間對(duì)哈羅米奶酪化學(xué)特性、結(jié)構(gòu)特性以及揮發(fā)性成分的影響，研究結(jié)果表明：通過加熱乳排清工藝，奶酪中的Ca 和P 含量會(huì)增加，硬度會(huì)由于水分的顯著降低而增大，揮發(fā)物中醇類化合物的占比降低，而γ-十內(nèi)酯、3-羥基丁醛、2-呋喃甲醇和2-羥基呋喃酮的占比會(huì)增加。之后，該研究通過感官評(píng)價(jià)，認(rèn)為30 min 的加熱排乳清時(shí)間優(yōu)于60 min。為了進(jìn)一步探究加熱排乳清過程的影響，李紅娟等[21]研究了加熱排乳清溫度（60～90 ℃）對(duì)哈羅米奶酪理化特性的影響，研究表明，隨加熱溫度升高，奶酪的油脂析出性、硬度、脂肪含量逐漸增大，而蛋白質(zhì)、水分含量的變化不明顯，綜合評(píng)價(jià)后認(rèn)為加熱溫度為80～90 ℃最佳，此時(shí)的哈羅米奶酪質(zhì)地較為堅(jiān)硬，油脂易于析出，品質(zhì)相對(duì)較好。為了進(jìn)一步分析不同鹽漬過程的影響，Kaminarides 等[22]對(duì)比了干鹽漬和鹽水鹽漬對(duì)哈羅米奶酪化學(xué)和結(jié)構(gòu)特性的影響，試驗(yàn)發(fā)現(xiàn)：經(jīng)鹽水鹽漬的奶酪，其水分含量會(huì)隨著鹽水濃度、鹽水溫度以及鹽漬時(shí)間的增加從53.55 g/100 g 逐漸降低至45.53 g/100 g，且其鉀、鈣、鎂、磷的含量均低于干鹽漬，因此，該研究認(rèn)為干鹽漬更適合于哈羅米奶酪。Kamleh 等[23]通過試驗(yàn)觀察不同冷藏溫度下哈羅米奶酪微生物的變化情況，發(fā)現(xiàn)當(dāng)冷藏溫度從15 ℃降低至5 ℃時(shí)，奶酪的保質(zhì)期會(huì)從37.8 d 增加至79.6 d。

2 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)的概念最早由心理學(xué)家McCulloch和數(shù)理邏輯學(xué)家Pitts 于1943年提出[2]。之后，Rosenblatt[24]進(jìn)一步提出了感知機(jī)的概念。但是，作為第一代神經(jīng)網(wǎng)絡(luò)，感知機(jī)的單層結(jié)構(gòu)限制了其自學(xué)習(xí)的能力，因此只能被用來處理一些線性問題[25]。第二代神經(jīng)網(wǎng)絡(luò)出現(xiàn)于19世紀(jì)80年代，由Hopfield 等[26]和Rumelhart等[27]提出。相較于第一代，其優(yōu)點(diǎn)是采用了多層結(jié)構(gòu)，并使用了反向傳播（back-propagation，BP）算法，通用性更好，但仍存在網(wǎng)絡(luò)收斂速度慢、容易出現(xiàn)局部最小值的問題。因此，Hinton 等[28]于2006年提出了第三代人工神經(jīng)網(wǎng)絡(luò)，也被稱為深度置信網(wǎng)絡(luò)（deep belief networks，DBN）。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）和全連接神經(jīng)網(wǎng)絡(luò)（fully connected neural network，F(xiàn)CNN）是2 種常見的深度算法[29]。相比于第二代人工神經(jīng)網(wǎng)絡(luò)，DBN 降低了學(xué)習(xí)隱藏層參數(shù)的難度。以下對(duì)當(dāng)前應(yīng)用較為廣泛的3 種ANN 模型進(jìn)行詳細(xì)介紹。

2.1 多層感知器神經(jīng)網(wǎng)絡(luò)

單層感知器（single-layer perceptron，SLP）是人工神經(jīng)網(wǎng)絡(luò)最基本的模型，其結(jié)構(gòu)示意圖如圖3所示。

圖3 SLP 示意圖Fig.3 Schematic diagram of SLP

由圖3 可知，在SLP 工作時(shí)，首先將輸入值xi和權(quán)值wj分別相乘，求和后經(jīng)激活函數(shù)運(yùn)算后進(jìn)入輸出層，進(jìn)行輸出。在SLP 基礎(chǔ)上提出的多層感知器（multi-layer perceptron，MLP）共分為3 層，分別為輸入層、隱藏層（一層或多層）和輸出層。MLP 的具體計(jì)算公式如下。

Key words: “Internet +”; professional ability of university teachers; strategies for professional development

式中：x為輸入層的輸入；z為隱藏層的輸出；i、j、p為神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)的標(biāo)號(hào)；n為層數(shù)的索引；w、w0分別為神經(jīng)元間的權(quán)重和偏向；a為輸出層的輸入；F（·）為激活函數(shù)；y為輸出層的輸出。

僅含有一個(gè)隱藏層的MLP 示意圖如圖4所示。

圖4 含有一個(gè)隱藏層的MLP 示意圖Fig.4 Schematic diagram of an MLP with one hidden layer

相比于SLP，MLP 具有很好的非線性計(jì)算能力和全局優(yōu)化的特點(diǎn)，因此，MLP 能夠很好地應(yīng)用于相對(duì)復(fù)雜的非線性目標(biāo)的預(yù)測(cè)[30]。目前，MLP 在奶酪研究中已經(jīng)得到了廣泛應(yīng)用。Barile 等[31]將MLP 與主成分分析（principal component analysis，PCA）相結(jié)合，實(shí)現(xiàn)了對(duì)奶酪產(chǎn)地的準(zhǔn)確鑒定。Cho 等[32]將壓電和超聲傳感器測(cè)量的數(shù)據(jù)輸入MLP 中，建立了能夠高精度預(yù)測(cè)奶酪楊氏模量和硬度的ANN 模型，預(yù)測(cè)精度分別達(dá)到97.5%和98.4%。Soto-Barajas 等[33]驗(yàn)證了利用脂肪酸和近紅外光譜數(shù)據(jù)建立的MLP 模型預(yù)測(cè)乳酪乳型和成熟程度的可行性。此外，Santos 等[34]和Ghasemi-Varnamkhasti 等[35]還分別研究了MLP 在奶酪分類上的應(yīng)用，研究結(jié)果均表明所建立MLP 模型能夠?qū)崿F(xiàn)奶酪的有效識(shí)別和分類。然而，盡管MLP 具有上述優(yōu)點(diǎn)，但由于缺少對(duì)輸出結(jié)果誤差的反饋修正，MLP 容易出現(xiàn)訓(xùn)練誤差遠(yuǎn)小于測(cè)試誤差的問題，即產(chǎn)生過擬合現(xiàn)象。

2.2 反向傳播神經(jīng)網(wǎng)絡(luò)

反向傳播神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖5所示。圖5 中各字母注釋與上式（1）～式（3）保持一致，因此不再重復(fù)。

圖5 BP 神經(jīng)網(wǎng)絡(luò)示意圖Fig.5 Schematic diagram of BP neural network

相較于MLP，BP 增加了由輸出層向隱藏層的反向傳輸，即圖5 中的虛線。其作用是傳輸實(shí)際輸出與期望輸出之間的誤差，并以此為依據(jù)不斷地調(diào)整式（1）～式（2）中的權(quán)重和偏向來減小誤差，最終達(dá)到實(shí)際輸出接近期望輸出的目的。從本質(zhì)上講，BP 算法就是采用梯度下降法來計(jì)算網(wǎng)絡(luò)誤差平方最小值的一種局部?jī)?yōu)化技術(shù)。BP 神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛一種的神經(jīng)網(wǎng)絡(luò)。Morita 等[36]利用BP 神經(jīng)網(wǎng)絡(luò)成功地識(shí)別和排序了影響奶酪感官評(píng)分的香氣成分，并實(shí)現(xiàn)了對(duì)奶酪質(zhì)量的快速評(píng)價(jià)。Hernández-Ramos 等[37]研究了使用BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)奶酪生產(chǎn)所用牛奶的體細(xì)胞數(shù)量的可行性，并認(rèn)為脂肪酸度是影響該模型正確運(yùn)作的關(guān)鍵變量。

2.3 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種深度算法，具有自動(dòng)提取輸入目標(biāo)特征，并能按規(guī)律進(jìn)行分類的功能，主要應(yīng)用于圖像處理、目標(biāo)識(shí)別和自然語言處理等領(lǐng)域[38]，其示意圖如圖6所示。

圖6 CNN 示意圖Fig.6 Schematic diagram of CNN

區(qū)別于MLP 和BP 神經(jīng)網(wǎng)絡(luò)，CNN 的各層是由神經(jīng)元組成的二維平面所構(gòu)成，且其隱藏層由三部分組成，分別為卷積層、池化層和全連接層。其中，卷積層是CNN 的關(guān)鍵步驟，其作用是對(duì)輸入層進(jìn)行特征提取。卷積層的輸出通過池化層進(jìn)行壓縮，以簡(jiǎn)化網(wǎng)絡(luò)計(jì)算的復(fù)雜度。在進(jìn)行池化處理時(shí)，一般選取均值池化法或最大池化法[39]。全連接層則是負(fù)責(zé)將池化層提取到的特征圖轉(zhuǎn)變?yōu)樘卣飨蛄?，并將這些特征進(jìn)行非線性組合，以此得到輸出。

CNN 是近年來逐漸興起的深度神經(jīng)網(wǎng)絡(luò)，因此，相較于MLP 和BP，CNN 在奶酪研究中的應(yīng)用還相對(duì)較少。將計(jì)算機(jī)視覺和圖像分析方法與CNN 相結(jié)合是一種能夠?qū)崿F(xiàn)奶酪品質(zhì)評(píng)價(jià)的新方法[40]，相較于傳統(tǒng)的評(píng)價(jià)方法，該方法將更加高效、可靠。

3 ANN 在新鮮奶酪中的應(yīng)用

在使用傳統(tǒng)的工藝優(yōu)化方法時(shí)，如正交試驗(yàn)法、響應(yīng)面分析法等，即使選取的工藝參數(shù)和優(yōu)化目標(biāo)不同，但其優(yōu)化流程大致相同?；贏NN 的工藝優(yōu)化方法同樣具有這一特點(diǎn)。也就是說，雖然不同ANN 方法的使用方式各有差異，但在使用ANN 對(duì)新鮮奶酪的生產(chǎn)工藝參數(shù)進(jìn)行優(yōu)化時(shí)，其流程大致相同。圖7 為以感官評(píng)分為優(yōu)化目標(biāo)，對(duì)某一生產(chǎn)方案進(jìn)行優(yōu)化時(shí)的流程示意圖，主要包括以下4 個(gè)步驟：設(shè)計(jì)正交試驗(yàn)并建立數(shù)據(jù)樣本、訓(xùn)練并檢驗(yàn)神經(jīng)網(wǎng)絡(luò)模型、對(duì)新工藝參數(shù)組合進(jìn)行預(yù)測(cè)、試驗(yàn)檢驗(yàn)。

圖7 基于人工神經(jīng)網(wǎng)絡(luò)的工藝優(yōu)化流程示意圖Fig.7 Schematic diagram of process optimization based on artificial neural network

3.1 在發(fā)酵過程中的應(yīng)用

奶酪的發(fā)酵機(jī)理比較復(fù)雜，這使得建立發(fā)酵質(zhì)量的評(píng)估模型具有很大的挑戰(zhàn)性。第一性原理模型已經(jīng)被用于奶酪發(fā)酵過程的研究[41]。然而，由于第一性原理模型計(jì)算所需的一些數(shù)據(jù)不能被直接測(cè)量，如生物量、底物乳糖和產(chǎn)物乳酸等，使得第一性原理模型不能及時(shí)地獲取發(fā)酵情況[42]。因此，需要尋找一種更為高效、可靠，且能夠及時(shí)預(yù)測(cè)和反映發(fā)酵情況的替代模型。為了驗(yàn)證ANN 作為替代模型的可行性，Ebrahimpour 等[43]建立了一種用以預(yù)測(cè)奶油奶酪發(fā)酵pH 值的ANN 模型，并將ANN 模型預(yù)測(cè)結(jié)果與基于第一性原理所建立的動(dòng)力學(xué)模型作比較。研究結(jié)果表明：由于pH值不能簡(jiǎn)單地與模型狀態(tài)（如乳酸濃度）相關(guān)聯(lián)，因此使用動(dòng)力學(xué)模型很難實(shí)現(xiàn)對(duì)發(fā)酵pH 值的準(zhǔn)確計(jì)算；而在使用ANN 模型時(shí)，雖然在預(yù)測(cè)發(fā)酵過程中間pH值時(shí)有一定誤差，但對(duì)發(fā)酵結(jié)束時(shí)pH 值的預(yù)測(cè)準(zhǔn)確度較高，預(yù)測(cè)值與試驗(yàn)值之間的相對(duì)誤差僅為0.2%～1.5%。此外，ANN 模型的輸入量為可直接測(cè)量獲取的數(shù)據(jù)，這將有利于在大規(guī)模實(shí)際生產(chǎn)中，及時(shí)對(duì)發(fā)酵過程進(jìn)行調(diào)整和優(yōu)化，以保證奶酪的最終質(zhì)量。

3.2 在鹽漬過程中的應(yīng)用

在鹽漬過程中，浸泡在飽和鹽溶液中的奶酪會(huì)在其表面形成一層薄膜，該薄膜對(duì)不同鹽溶液的擴(kuò)散有不同的阻礙作用。為了研究NaCl 和KCl 在馬蘇里拉奶酪表面薄膜中的擴(kuò)散速率，Borsato 等[44]基于COMSOL Multiphysics 軟件建立了三維有限元模型，模擬了NaCl和KCl 在奶酪表面薄膜中的擴(kuò)散過程。使用仿真軟件是一種很好的研究手段，但是仿真結(jié)果會(huì)在一定程度上受到模型簡(jiǎn)化處理的影響，從而導(dǎo)致其與試驗(yàn)結(jié)果之間出現(xiàn)一定誤差。為了驗(yàn)證通過ANN 實(shí)現(xiàn)對(duì)NaCl和KCl 擴(kuò)散速率預(yù)測(cè)的可行性，Borsato 等[44]建立了一種MLP 神經(jīng)網(wǎng)絡(luò)，以鹽漬時(shí)間、鹽濃度以及鹽水有無攪拌作為輸入數(shù)據(jù)，以NaCl 和KCl 擴(kuò)散到奶酪不同位置的時(shí)間作為輸出數(shù)據(jù)，研究表明：在5%置信水平（Tukey 檢驗(yàn)）下，MLP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果是可信的。之后，De Oliveira 等[45]還進(jìn)一步通過可視化的自組織圖（self-organized maps，SOM）神經(jīng)網(wǎng)絡(luò)研究了馬蘇里拉奶酪表面薄膜對(duì)Na+和K+擴(kuò)散的影響，并得到了相似的結(jié)論。

3.3 在預(yù)測(cè)質(zhì)構(gòu)特性中的應(yīng)用

奶酪的成分參數(shù)對(duì)其質(zhì)構(gòu)特性具有直接影響，如奶酪中的鈣含量與其硬度成正比。對(duì)于馬蘇里拉奶酪來說，奶酪硬度的增加意味著其流動(dòng)性的降低[46]。因此，需要先采取合適的方法將馬蘇里拉奶酪的鈣含量與流動(dòng)性相關(guān)聯(lián)，以在實(shí)際生產(chǎn)過程中控制其鈣含量大小。Ganesan 等[47]建立了一種BP 神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了基于馬蘇里拉奶酪鈣含量的流動(dòng)性的預(yù)測(cè)，并將該模型的預(yù)測(cè)精度與傳統(tǒng)的統(tǒng)計(jì)回歸模型進(jìn)行了比較，研究結(jié)果表明：在以奶酪的熔融面積、軟化溫度、軟化時(shí)間、融化時(shí)間、流動(dòng)程度和流動(dòng)速率為預(yù)測(cè)目標(biāo)時(shí)，回歸模型的預(yù)測(cè)值與試驗(yàn)值之間的R2分別為0.57、0.52、0.66、0.74、0.53 和0.67，而BP 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值與試驗(yàn)值之間的R2分別為0.92、0.89、0.95、0.97、0.95 和0.99。相關(guān)系數(shù)越接近于1.0 表示模型的預(yù)測(cè)結(jié)果越接近于試驗(yàn)結(jié)果。該研究表明，相較于統(tǒng)計(jì)回歸模型，ANN 模型在預(yù)測(cè)精度上具有明顯優(yōu)勢(shì)。

3.4 在預(yù)測(cè)保質(zhì)期中的應(yīng)用

保質(zhì)期以及奶酪存放一段時(shí)候后的酸度是評(píng)價(jià)新鮮奶酪的兩個(gè)重要指標(biāo)。奶酪的保質(zhì)期受存儲(chǔ)環(huán)境的溫度、濕度以及包裝條件等因素影響。為了評(píng)估ANN模型對(duì)新鮮奶酪保質(zhì)期及酸度的預(yù)測(cè)能力，Sánchez-González 等[48]建立了一種BP 人工神經(jīng)網(wǎng)絡(luò)模型，并利用Weibull 分析法來計(jì)算奶酪的保質(zhì)期。研究結(jié)果表明，在對(duì)保質(zhì)期和酸度分別進(jìn)行預(yù)測(cè)時(shí)，BP 人工神經(jīng)網(wǎng)絡(luò)模型的R2分別為0.999 6 和0.689 7。因此，結(jié)合Weibull 分析法的BP 人工神經(jīng)網(wǎng)絡(luò)模型能夠很好地預(yù)測(cè)奶酪的保質(zhì)期，但在預(yù)測(cè)其酸度時(shí)表現(xiàn)一般。

3.5 在預(yù)測(cè)滲濾液量中的應(yīng)用

放置一段時(shí)間后，馬蘇里拉奶酪會(huì)釋放出少量的滲濾液，這將直接影響奶酪的口感和消費(fèi)者的喜愛程度。研究表明，奶酪的原料乳、切割方式以及包裝方式會(huì)對(duì)馬蘇里拉奶酪釋放的滲濾液量產(chǎn)生影響[49]，具體表現(xiàn)：相較于鹽水包裝，馬蘇里拉奶酪在真空包裝下的滲濾液量明顯更多，同時(shí)，在真空包裝下，奶酪的切割方式會(huì)對(duì)滲濾液產(chǎn)生顯著影響；此外，在牛奶中添加羊奶能夠在一定程度上削弱真空包裝對(duì)滲濾液釋放的影響。為了實(shí)現(xiàn)對(duì)馬蘇里拉奶酪滲濾液的預(yù)測(cè)，Biegalski 等[49]建立了一種MLP 人工神經(jīng)網(wǎng)絡(luò)，模型的輸入包括4 個(gè)獨(dú)立變量，分別為時(shí)間（24 h 內(nèi)）、原料類型（牛奶或牛羊奶）、奶酪切割方式（整份、1/4 份、切片）以及包裝方法（真空包裝和鹽水包裝），模型的輸出為不同時(shí)間下滲濾液的體積。在該研究中，模型預(yù)測(cè)結(jié)果的R2達(dá)到了0.996。因此，Biegalski 等[49]認(rèn)為ANN 模型可用于馬蘇里拉奶酪的生產(chǎn)工藝優(yōu)化，并有潛力應(yīng)用于其他新鮮奶酪的加工中。這一結(jié)論進(jìn)一步支撐了ANN 在當(dāng)前新鮮奶酪的工藝優(yōu)化中有著很好的發(fā)展前景。

3.6 ANN 的優(yōu)勢(shì)及存在的問題

通過上述研究可以看出，在新鮮奶酪的研究中應(yīng)用ANN 方法主要有以下優(yōu)勢(shì)：1）相較于傳統(tǒng)的預(yù)測(cè)模型，ANN 模型在預(yù)測(cè)精度上具有明顯優(yōu)勢(shì)；2）在通過ANN 進(jìn)行預(yù)測(cè)時(shí)，對(duì)模型輸入量的約束更少，可使用能夠直接測(cè)量獲取的數(shù)據(jù)，因此更容易實(shí)現(xiàn)對(duì)生產(chǎn)過程的及時(shí)調(diào)整和優(yōu)化；3）ANN 能夠避免預(yù)測(cè)結(jié)果受仿真模型簡(jiǎn)化處理的影響，使預(yù)測(cè)結(jié)果更為可靠。

然而，ANN 方法在當(dāng)前應(yīng)用時(shí)仍存在以下問題：1）相較于ANN 在其他相關(guān)食品領(lǐng)域中應(yīng)用的廣泛性，比如在成熟奶酪[34-35，50]或牛奶[37]中，當(dāng)前在新鮮奶酪領(lǐng)域中，基于ANN 方法開展的研究相對(duì)較少，這體現(xiàn)在ANN 尚沒有被應(yīng)用于多種關(guān)鍵工藝的研究中，如馬蘇里拉奶酪的熱燙拉伸工藝、哈羅米奶酪的加熱排乳清和燙漂工藝等；2）在以往的研究中，所應(yīng)用的ANN模型多為第二代人工神經(jīng)網(wǎng)絡(luò)，而缺少對(duì)已經(jīng)發(fā)展成熟的第三代深度神經(jīng)網(wǎng)絡(luò)的應(yīng)用，且缺少對(duì)不同神經(jīng)網(wǎng)絡(luò)方法應(yīng)用效果的橫向?qū)Ρ纫约皩?duì)ANN 模型本身參數(shù)的優(yōu)化；3）當(dāng)前研究更多是將ANN 模型用于單個(gè)目標(biāo)結(jié)果的預(yù)測(cè)，而沒有進(jìn)一步將該方法用于生產(chǎn)過程的多工藝參數(shù)優(yōu)化。

3.7 ANN 在新鮮奶酪領(lǐng)域中的發(fā)展前景

目前，我國(guó)是全球主要的乳制品進(jìn)口市場(chǎng)之一。僅2021年，我國(guó)進(jìn)口的乳品數(shù)量就累積達(dá)到了395 萬t，累積金額高達(dá)1 382.55 億人民幣，累積數(shù)量和累積金額分別比2020年同期增加18.5%和13.9%[51]。這表明，國(guó)內(nèi)乳制品的生產(chǎn)量與需求量之間尚存較大差距。此外，由于國(guó)內(nèi)對(duì)乳制品質(zhì)量的要求也在不斷提升，迫使國(guó)內(nèi)乳制品行業(yè)進(jìn)入快速發(fā)展和升級(jí)階段[52-53]。而新鮮奶酪憑借其獨(dú)特的口感和高營(yíng)養(yǎng)價(jià)值的優(yōu)勢(shì)，將受到更多青睞。因此，結(jié)合ANN 方法，加快新鮮奶酪的研發(fā)和工藝優(yōu)化進(jìn)度，將為企業(yè)快速占據(jù)國(guó)內(nèi)市場(chǎng)提供關(guān)鍵支撐。

通過對(duì)馬蘇里拉奶酪和哈羅米奶酪的調(diào)研可以看出，新鮮奶酪的評(píng)價(jià)指標(biāo)往往不是單一的，需兼顧生產(chǎn)得率、感官評(píng)分、保質(zhì)期等多個(gè)指標(biāo)，且這些指標(biāo)又受到不同生產(chǎn)過程的影響。因此，在之后的研究中，ANN 方法的發(fā)展前景如下：1）將ANN 方法用于更多工藝參數(shù)的研究中，如馬蘇里拉奶酪的熱燙拉伸過程、哈羅米奶酪的加熱和燙漂過程等，進(jìn)一步明確各工藝參數(shù)對(duì)不同評(píng)價(jià)指標(biāo)的影響力大小，為后續(xù)關(guān)鍵參數(shù)的選取提供參考；2）將ANN 用于多目標(biāo)（如奶酪得率、感官評(píng)分等）預(yù)測(cè)，并結(jié)合遺傳算法、魚群算法等方式對(duì)預(yù)測(cè)結(jié)果進(jìn)行尋優(yōu)，實(shí)現(xiàn)對(duì)生產(chǎn)過程的多工藝參數(shù)優(yōu)化，從而獲得綜合評(píng)分最佳的新鮮奶酪；3）構(gòu)建和應(yīng)用結(jié)合深度算法或模型本身參數(shù)被深度優(yōu)化的ANN 模型，進(jìn)一步提高ANN 模型的預(yù)測(cè)能力和計(jì)算精度。

4 結(jié)語

近年來，國(guó)內(nèi)對(duì)新鮮奶酪領(lǐng)域的研究逐漸增加，但在該領(lǐng)域內(nèi)缺少對(duì)人工神經(jīng)網(wǎng)絡(luò)方法的關(guān)注，而國(guó)外基于人工神經(jīng)網(wǎng)絡(luò)方法已在該領(lǐng)域內(nèi)取得一定研究成果，并證明了該方法具有很好的應(yīng)用前景。通過研究人工神經(jīng)網(wǎng)絡(luò)方法在新鮮奶酪領(lǐng)域中的研究進(jìn)展，提供了一種科學(xué)、高效且同樣具有普適性的工藝優(yōu)化思路，并分析了應(yīng)用該方法的優(yōu)勢(shì)以及當(dāng)前存在的主要問題。之后，指出了該方法在新鮮奶酪領(lǐng)域內(nèi)的未來發(fā)展前景，即使用深度人工神經(jīng)網(wǎng)絡(luò)模型，并結(jié)合遺傳算法和魚群算法等尋優(yōu)方式，實(shí)現(xiàn)對(duì)生產(chǎn)過程的多目標(biāo)預(yù)測(cè)和多工藝參數(shù)優(yōu)化，從而提高新鮮奶酪的優(yōu)化效率和綜合評(píng)分。