ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY SUSZU MELONA ŻÓŁTEGO

ZESZYTY PROBLEMOWE POSTĘPÓW NAUK ROLNICZYCH 2012 z. 571: 93 98 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 spożycia. 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 [KRZYSZTOFIK i ŁAPCZYŃSKA-KORDON 2008]. Podstawową metodą określania jakości produktów spożywczych wprowadzanych 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 [BARYŁKO-PIKIEL- NA 1998; PANASIEWICZ 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.) [JAKUBCZYK i UZIAK 2005]. Wykorzystywane są m.in. do opracowania i projektowania produktów oraz porównywania produktów ze wzorcem [MARZEC 2008]. Problemem jest powiązanie wyników analizy sensorycznej z efektami badań instrumentalnych dla uzyskania spójnego systemu opisu jakości produktu. Rozwiązaniem 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 zależności, nawet jeśli są one bardzo skomplikowane [www.statsoft.pl]. W ostatnich latach zauważono ogromny wzrost zainteresowania tą formą analizy także w agrofizyce. Na przykład ŁAPCZYŃSKA-KORDON i FRANCIK [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 zależy od dużej liczby zmiennych niezależnych, zarówno dla selera blanszowanego, jak i nieblanszowanego. Zastosowanie SSN pozwoliło na ograniczenie liczby wykonywanych badań. Natomiast ŁUCZYCKA i PENTOŚ [2010] zastosowały SSN do opisu zależności przenikalności elektrycznej mąki od jej parametrów chemicznych

94 K. Pruski, B. Jaźwiec, D. Łuczycka, B. Stępień i granulacji. Zarówno analiza zastosowanego modelu, jak i jego weryfikacja wykazały, że można go z powodzeniem wykorzystać do uzyskania użytecznego do celów 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 wyników pomiarów cech mechanicznych stanowiących dane wejściowe dla modelu. Pomiary przeprowadzono w Instytucie Inżynierii Rolniczej Uniwersytetu Przyrodniczego 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 sublimacyjnie. 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 podsuszaniem 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 dostarczania 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 nożem 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 materiale odkształconym o 20% wysokości początkowej. Trwał on 10 minut. W celu porównania 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].

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY SUSZU... 95 Ocenę sensoryczną przeprowadził przeszkolony 10-osobowy zespół pracowników i doktorantów Katedry Technologii Rolnej i Przechowalnictwa UP we Wrocławiu. 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 wynoszącej α = 0,05 dla określenia wpływu techniki suszenia i obróbki wstępnej na cechy wyznaczone metodami instrumentalnymi i na ocenę sensoryczną przedstawioną 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 Obróbka wstępna 0,000000 0,000000 0,000000 0,000000 0,000000 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 jednokierunkowym 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. Wykorzystano algorytm uczenia Broyden-Fletcher-Goldfarb-Shanno (BFGS). W procesie tworzenia sieci sprawdzano możliwość wykorzystania różnych funkcji aktywacyjnych neuronów ukrytych i wyjściowych i ich wpływ na jakość sieci neuronowej. Wybór odpowiednich funkcji jest bardzo istotny, gdyż są one odpowiedzialne bezpośrednio za jakość modelu. Jakość sieci oceniano na podstawie średniej arytmetycznej błędów względnych (ε a ), korzystając ze wzoru:

96 K. Pruski, B. Jaźwiec, D. Łuczycka, B. Stępień ε a y y u o = 100% y a W tabeli 2 przedstawiono wartości błędów względnych dziesięciu najlepszych sieci neuronowych. Poszczególne sieci neuronowe różniły się między sobą architekturą 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 warstwie 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 14 3,37 tangensoidalna liniowa 29 3,24 tangensoidalna liniowa 32 3,16 tangensoidalna liniowa 35 3,46 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 wskazanej architekturze rozwiązują zadany problem. Przy maksymalnym błędzie względnym 5,36% błąd rzeczywisty oceny sensorycznej (skala punktowa 1 9) jest bardzo mały, więc sieć doskonale spełnia swoje zadanie. Globalna analiza wrażliwości wykazała, że wszystkie zmienne w modelu są konieczne, gdyż usunięcie którejkolwiek ze zmiennych pogorsza jego jakość.

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY SUSZU... 97 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 assess sensory changes in carrot texture and sweetness during heat treatment. Biosystems Engineering 85 (2): 213 225. GONDEK E., MARZEC A. 2007. Sensoryczna ocena tekstury pieczywa chrupkiego o zróżnicowanej 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 przechowywania na wybrane cechy sensoryczne jabłek. Inżynieria Rolnicza 2 (100): 121 128. ŁAPCZYŃSKA-KORDON B., FRANCIK S. 2006. Analiza twardości selera w czasie suszenia. Inżynieria Rolnicza 13 (88): 29 302. ŁUCZYCKA D., PENTOŚ K. 2010. Zastosowanie sztucznych sieci neuronowych do opisu 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 sensoryczna produktów zbożowych poddanych obróbce hydrotermicznej i termicznej. Inżynieria Rolnicza 9 (69): 249 254. PN-ISO 4121:1998 Analiza sensoryczna. Metodologia. Ocena produktów żywnościowych przy użyciu metod skalowania. PN-ISO 11036:1999 Analiza sensoryczna. Metodologia. Profilowanie tekstury. STĘPIEŃ B. 2009. Modyfikacja cech mechanicznych i reologicznych wybranych warzyw pod wpływem różnych metod suszenia. Wydawnictwo Uniwersytetu Przyrodniczego we Wrocławiu, Wrocław.

98 Słowa kluczowe: K. Pruski, B. Jaźwiec, D. Łuczycka, B. Stępień 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 zależności 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 rheological 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