ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCHDO OCENY SUSZU MELONA ŻÓŁTEGO

(1)

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY SUSZU MELONA ŻÓŁTEGO

Krzysztof Pruski, Bartosz Jaźwiec, Deta Łuczycka, Bogdan Stępień Instytut Inżynierii Rolniczej

Uniwersytet Przyrodniczy we Wrocławiu

Wstęp

Materiały roślinne charakteryzują się krótkim okresem przydatności do spo- życia. Jedną z metod pozwalających na przechowywanie warzyw i owoców jest suszenie, które należy do grupy najstarszych i najczęściej wykorzystywanych technologii utrwalania żywności. Proces ten polega na zredukowaniu wody w suszonym produkcie [K^RZYSZTOFIK i Ł^APCZYŃSKA-K^ORDON 2008].

Podstawową metodą określania jakości produktów spożywczych wprowadza- nych na rynek są badania sensoryczne [GONDEK i MARZEC 2007]. Analiza sensoryczna pozwala określić smak, zapach, barwę czy konsystencję przy wykorzystaniu jednego lub kilku zmysłów stosowanych jako aparat pomiarowy [B^ARYŁKO-P^IKIEL-

NA 1998; P^ANASIEWICZ i in. 2005]. Jednak wysoki koszt i długi czas trwania badań skłania naukowców do poszukiwania nowych metod.

Coraz większe znaczenie w produkcji żywności zaczynają odgrywać badania instrumentalne, które pozwalają na określanie właściwości tekstury produktów za pomocą testów mechanicznych (działanie sił ściskających, rozciągających i in.) [J^AKUBCZYK i U^ZIAK 2005]. Wykorzystywane są m.in. do opracowania i projekto- wania produktów oraz porównywania produktów ze wzorcem [M^ARZEC 2008].

Problemem jest powiązanie wyników analizy sensorycznej z efektami badań instrumentalnych dla uzyskania spójnego systemu opisu jakości produktu. Rozwią- zaniem tego problemu mogą okazać się analizy wykonywane za pomocą sztucznych sieci neuronowych (SSN). Sztuczne sieci neuronowe mogą być stosowane w wielu dziedzinach, wszędzie tam gdzie pomiędzy analizowanymi zmiennymi istnieją za- leżności, nawet jeśli są one bardzo skomplikowane [www.statsoft.pl]. W ostatnich latach zauważono ogromny wzrost zainteresowania tą formą analizy także w agro- fizyce. Na przykład ŁÂPCZYŃSKA-KÔRDON i F^RANCIK [2006] wykorzystali SSN do analizy twardości selera w czasie suszenia. Oceniając uzyskany model, stwierdzili, że SSN dobrze rozwiązuje zadany problem, a na tej podstawie, że twardość zale- ży od dużej liczby zmiennych niezależnych, zarówno dla selera blanszowanego, jak i nieblanszowanego. Zastosowanie SSN pozwoliło na ograniczenie liczby wy- konywanych badań. Natomiast ŁÛCZYCKA i PÊNTOŚ [2010] zastosowały SSN do opisu zależności przenikalności elektrycznej mąki od jej parametrów chemicznych

(2)

i granulacji. Zarówno analiza zastosowanego modelu, jak i jego weryfikacja wyka- zały, że można go z powodzeniem wykorzystać do uzyskania użytecznego do ce- lów praktycznych, numerycznego modelu. Model taki otrzymywany jest wyłącznie na podstawie danych empirycznych.

W świetle danych literaturowych wydaje się zasadna próba stworzenia modelu wiążącego wyznaczane cechy mechaniczne z efektami oceny sensorycznej suszu melona żółtego.

Materiały i metody

Celem pracy było stworzenie modelu neuronowego zdolnego do określenia oceny jakości suszu melona żółtego na podstawie doświadczalnie uzyskanych wy- ników pomiarów cech mechanicznych stanowiących dane wejściowe dla modelu.

Pomiary przeprowadzono w Instytucie Inżynierii Rolniczej Uniwersytetu Przyrod- niczego we Wrocławiu.

Materiał badawczy stanowił melon żółty. Do badań wycięto próbki w formie walców o średnicy 20 mm i wysokości 10 mm. Surowiec suszono trzema metodami: konwekcyjnie, mikrofalowo w warunkach obniżonego ciśnienia oraz sub- limacyjnie. Przed suszeniem wykonano obróbkę wstępną w postaci blanszowania niskotemperaturowego (w 60°C przez 10 minut) oraz wysokotemperaturowego (w 95°C przez 2 minuty).

Suszenie konwekcyjne polegało na ułożeniu surowca w pojedynczej warstwie w suszarce kominowej. Proces suszenia przeprowadzono przy temperaturze powietrza wynoszącej 50°C i prędkości przepływu powietrza wynoszącym 1,5 m·s^–1.

Suszenie mikrofalowe w warunkach obniżonego ciśnienia poprzedzono pod- suszaniem konwekcyjnym trwającym 2 h. Spowodowane to było dużą wilgotnością surowca oraz dużą zawartością cukru, co prowadziło do sklejania się próbek w trakcie suszenia mikrofalowego w warunkach obniżonego ciśnienia. Suszenie mikrofalowe w warunkach obniżonego ciśnienia wykonano za pomocą mikrofal o mocy 480 W i podciśnieniu w komorze wahającym się od 4 do 10 kPa.

Suszenie sublimacyjne przeprowadzono przy kontaktowym sposobie dostarcza- nia ciepła. Temperatura płyty grzejnej wynosiła 40°C. Przed wykonaniem suszenia próbki zamrażano przez 24 godziny z prędkością zamrażania wynoszącą 1°C·min^–1.

Badania cech mechanicznych i reologicznych przeprowadzono za pomocą maszyny wytrzymałościowej Instron 5566. Próbki poddano testom ściskania, przecinania i relaksacji naprężeń. W celu wykonania testów ściskania susz układano w postaci walców wysokości 20 mm. Następnie próbka była odkształcana o 20% jej wysokości początkowej, przy prędkości odkształcania wynoszącej 1,8 mm·min^–1. Testy przecinania wykonano przy wykorzystaniu przystawki firmy Instron, z no- żem o kącie ostrza i kącie rozwarcia wynoszącym po 60°. Przecinano pojedyncze próbki. Prędkość penetracji noża wynosiła 10 mm·min^–1. Testy relaksacji naprężeń przeprowadzono na 20-milimetrowej warstwie próbek. Proces relaksacji naprężeń rozpoczynał się w chwili osiągnięcia średniego naprężenia wywołanego w materia- le odkształconym o 20% wysokości początkowej. Trwał on 10 minut. W celu po- równania przebiegu krzywych relaksacji naprężeń obliczono wartość wskaźnika a, określającego poziom zaniku naprężeń w trakcie testu relaksacji, oraz wskaźnika b, mówiącego o prędkości zaniku naprężeń [STĘPIEŃ 2009].

(3)

Ocenę sensoryczną przeprowadził przeszkolony 10-osobowy zespół pracow- ników i doktorantów Katedry Technologii Rolnej i Przechowalnictwa UP we Wro- cławiu. Wyróżniki określono według 9-punktowej skali ocen, gdzie: 1 to ocena najgorsza, 9 – ocena najlepsza. Oceny dokonano na podstawie skali opracowanej zgodnie z normami ISO 4121 i ISO 11036.

Otrzymane wyniki poddano analizie statystycznej, a następnie podjęto próbę stworzenia modelu neuronowego przy wykorzystaniu pakietu Statistica 9.

Wyniki i dyskusja

Wykonano wieloczynnikową analizę wariancji na poziomie istotności wyno- szącej α = 0,05 dla określenia wpływu techniki suszenia i obróbki wstępnej na ce- chy wyznaczone metodami instrumentalnymi i na ocenę sensoryczną przedstawio- ną w tabeli 1. Analiza wykazała, że jedynie metoda suszenia miała istotny wpływ na analizowane wyróżniki określone instrumentalnie i sensorycznie. W przypadku obróbki wstępnej nie odnotowano wpływu na badane wyróżniki.

Tabela 1; Table 1 Wyniki analizy statystycznej (p – prawdopodobieństwo odrzucenia hipotezy 0) Results of the statistical analysis (p – probability of rejecting the null hypothesis)

Zmienna Variable

Praca ściskania

Work compression

Praca przecinania Work cutting

Twardość Hardness

Elastyczność Flexibility

Ciągliwość Ductility

Metoda

suszenia 0,000000 0,000000 0,000000 0,000000 0,000000

Obróbka

wstępna 0,220285 0,200733 0,654830 0,131741 0,106678

Uzyskane wyniki wykorzystano do budowy modelu sztucznej sieci neuronowej, pozwalającego na ocenę jakości suszu melona żółtego na podstawie wyników analizy instrumentalnej. Za dane wejściowe posłużyły wartości uzyskane na podstawie badań empirycznych (rodzaj suszenia, obróbka wstępna, cechy mechaniczne i reologiczne), natomiast zbiorem wyjściowym były dane uzyskane na podstawie oceny sensorycznej suszu (twardość, elastyczność, ciągliwość).

W badaniach wykorzystano perceptron wielowarstwowy MLP o jednokierun- kowym przepływie sygnałów z jedną warstwą ukrytą. Dla sieci wykonano szereg analiz w celu znalezienia optymalnej struktury sieci. Przeprowadzono symulację dla trzech warstw neuronów i różnej liczby neuronów w warstwie ukrytej. Wyko- rzystano algorytm uczenia Broyden-Fletcher-Goldfarb-Shanno (BFGS). W proce- sie tworzenia sieci sprawdzano możliwość wykorzystania różnych funkcji aktywa- cyjnych neuronów ukrytych i wyjściowych i ich wpływ na jakość sieci neuronowej.

Wybór odpowiednich funkcji jest bardzo istotny, gdyż są one odpowiedzialne bez- pośrednio za jakość modelu. Jakość sieci oceniano na podstawie średniej arytme- tycznej błędów względnych (ε_a), korzystając ze wzoru:

(4)

u o a

a

y y

ε = y⁻ ·100%

W tabeli 2 przedstawiono wartości błędów względnych dziesięciu najlepszych sieci neuronowych. Poszczególne sieci neuronowe różniły się między sobą archi- tekturą oraz funkcjami aktywacji neuronów w warstwie ukrytej oraz w warstwie wyjściowej. Każda sieć neuronowa zawierała 10 neuronów wejściowych, zmienną liczbę neuronów ukrytych oraz 3 neurony w warstwie wyjściowej.

Tabela 2; Table 2 Wykaz 10 wyselekcjonowanych sieci neuronowych o zmiennej liczbie neuronów w war-

stwie ukrytej i różnych funkcjach aktywacji neuronów w warstwie ukrytej i wyjściowej The 10 selected neural networks with a variable number of neurons in the hidden layer

and different activation functions of neurons in the hidden layer and output layer Liczba neuronów

w warstwie ukrytej The number

of neurons in the hidden layer

Średni błąd względny

Average relative error

(%)

Funkcja aktywacji neuronów ukrytych

The activation of the hidden neurons

Funkcja aktywacji neuronów wyjściowych

The activation of the output neurons

4 4,21 tangensoidalna liniowa

8 5,36 tangensoidalna wykładnicza

22 6,40 tangensoidalna wykładnicza

19 3,54 wykładnicza liniowa

8 4,16 wykładnicza wykładnicza

10 3,86 wykładnicza wykładnicza

Wartości błędów względnych świadczą o tym, że sieci neuronowe o wskaza- nej architekturze rozwiązują zadany problem. Przy maksymalnym błędzie względ- nym 5,36% błąd rzeczywisty oceny sensorycznej (skala punktowa 1–9) jest bardzo mały, więc sieć doskonale spełnia swoje zadanie. Globalna analiza wrażliwości wy- kazała, że wszystkie zmienne w modelu są konieczne, gdyż usunięcie którejkol- wiek ze zmiennych pogorsza jego jakość.

(5)

Wnioski

1. Wykorzystanie SSN pozwoli ograniczyć badania sensoryczne i zastąpić je analizą instrumentalną.

2. Sieci neuronowe typu MLP dobrze rozwiązują zadany problem. Średnie błędy względne na poziomie 3,16–6,4% ograniczają błąd punktowej oceny sensorycznej do poziomu 0,3–0,6 punktu.

3. Wszystkie zmienne wybrane do modelu miały wpływ na cechy sensoryczne, więc nie ma możliwości uproszczenia modelu (mniejsza liczba neuronów wejściowych).

Literatura

BARYŁKO-PIKIELNA N. 1998. Analiza sensoryczna w zapewnieniu jakości żywności.

Przemysł Spożywczy 12: 25–28.

DE BELIE N., PEDERSEN D. K., MARTENS M., BRO R., MUNCK L., DE BAERDE-

MAEKER 2003. The use of visible and near-infrared reflectance measurements to as- sess sensory changes in carrot texture and sweetness during heat treatment. Biosys- tems Engineering 85 (2): 213–225.

GONDEK E., MARZEC A. 2007. Sensoryczna ocena tekstury pieczywa chrupkiego o zróż- nicowanej aktywności wody. Inżynieria Rolnicza 5 (93): 169–177.

JAKUBCZYK E., UZIAK D. 2005. Charakterystyka instrumentalnych metod badania właściwości mechanicznych wybranych owoców i warzyw. Inżynieria Rolnicza 11, 71: 181–187.

KRZYSZTOFIK B., ŁAPCZYŃSKA-KORDON B. 2008. Wpływ sposobów i czasu przecho- wywania na wybrane cechy sensoryczne jabłek. Inżynieria Rolnicza 2 (100): 121–

–128.

ŁAPCZYŃSKA-KORDON B., FRANCIK S. 2006. Analiza twardości selera w czasie su- szenia. Inżynieria Rolnicza 13 (88): 29–302.

ŁUCZYCKA D., PENTOŚ K. 2010. Zastosowanie sztucznych sieci neuronowych do opi- su przenikalności elektrycznej mąki. Inżynieria Rolnicza 2 (120): 43–47.

MARZEC A. 2008. Tekstura żywności. Część I – Wybrane metody instrumentalne.

Analiza Żywności 2: 12–15.

PANASIEWICZ M., GROCHOWICZ J., ZAWIŚLAK K., SOBCZAK P. 2005. Ocena senso- ryczna produktów zbożowych poddanych obróbce hydrotermicznej i termicznej. In- żynieria Rolnicza 9 (69): 249–254.

PN-ISO 4121:1998 Analiza sensoryczna. Metodologia. Ocena produktów żywno- ściowych przy użyciu metod skalowania.

PN-ISO 11036:1999 Analiza sensoryczna. Metodologia. Profilowanie tekstury.

S^TĘPIEŃ B. 2009. Modyfikacja cech mechanicznych i reologicznych wybranych wa- rzyw pod wpływem różnych metod suszenia. Wydawnictwo Uniwersytetu Przyrodni- czego we Wrocławiu, Wrocław.

(6)

Słowa kluczowe: sztuczne sieci neuronowe, melon żółty, badania sensoryczne, badania instrumentalne, suszenie

Streszczenie

W pracy dokonano analizy działania różnych modeli neuronowych do oceny suszu melona żółtego. Zastosowane modele różnią się między sobą architekturą sieci (liczbą neuronów w warstwie ukrytej). Ocenę jakości działania sieci dokonano na podstawie średnich błędów względnych. Do nauki sieci wykorzystano za- leżności między oceną sensoryczną suszu melona żółtego a wynikami badań reologicznych i mechanicznych oraz sposobem suszenia i obróbki wstępnej materiału badawczego. Na podstawie uzyskanych wyników stwierdzono, że wykorzystanie SSN pozwoli ograniczyć badania sensoryczne i zastąpić je analizą instrumentalną.

USING ARTIFICIAL NEURAL NETWORKS FOR THE EVALUATION OF DRIED MELON YELLOW

Krzysztof Pruski, Bartosz Jaźwiec, Deta Łuczycka, Bogdan Stępień Institute of Agricultural Engineering

Wrocław University of Environmental and Life

Key words: artificial neural networks, melon yellow, sensory testing, research instrument, drying

Summary

The paper presents an analysis of various neural models for the evaluation of dried melon yellow. The used models differ in network architecture (number of neurons in the hidden layer). Assessment of the quality of the network was made on the basis of the average relative error. Networks were used to study the relationship between the sensory evaluation of dried melon yellow, and the results of the rheo- logical and mechanical properties and drying method and pretreatment of research material. Based on the results, it was found that the use of ANN will reduce sensory tests and replace them with instrumental analysis.

Mgr inż. Krzysztof Pruski Instytut Inżynierii Rolniczej ul. Chełmońskiego 37/41 51-630 WROCŁAW

e-mail: krzysztof.pruski@up.wroc.pl