Использование интеллектуальных технологий для контроля качества творога

В настоящее время в пищевой промышленности наблюдается тенденция повышенного внимания к качеству выпускаемой продукции.

При формировании спроса на творог решающую роль для потребителя играют вкус, запах и внешний вид продукта, тогда как его химический состав и пищевая ценность большинством потребителей принимаются во внимание лишь во вторую очередь [1].

Традиционно оценку этих свойств осуществляют органолептическим путем. Однако такие оценки качества субъективны и несовершенны. Чтобы получить достоверные результаты, необходимо использовать научно обосно- ванные методы отбора дегустаторов и оценки продуктов, выполнить требования, предъявляемые к помещению, освещению и другие условия проведения анализа [2]. Успешное решение этой задачи при минимальных затратах на подготовку и проведение анализов станет возможным благодаря внедрению в производственный процесс автоматизированного программно-аппаратного комплекса (ПАК) контроля вкусовых показателей творога, в основе алгоритма работы которого заложена нейросетевая модель (НСМ) [3].

Контроль качества творога по органолептическим показателям по ГОСТу не обязателен, однако многие производители используют такой метод оценки. Контроль проводится всего один раз в смену, что может привести к выпуску изделий с неудовлетворительными вкусовыми показателями, обусловленными отклонениями технологического процесса от установленных норм. Реализация такой продукции может привести как к материальным издержкам, так и к потере репутации, снижении стоимости бренда.

В связи с этим была разработана условная 5-бальная шкала для органолептической оценки творога и творожных изделий, представленная в приложении 1.

Оценка внешнего вида потребительской упаковки и маркировки осуществляется по рекомендации ГНУ ВНИМИ и Российского союза предприятий молочной отрасли.

Максимальная суммарная оценка творога и творожных изделий составляет 10 баллов, которые складываются из оценки следующих показателей:

• 5    баллов – вкус и запах;

• 3    балла – консистенция и внешний вид;

• 1    балл – цвет;

• 1    балл – внешний вид потребительской упаковки и маркировка [4].

Для решения задачи объективной оценки качества готового продукта предлагается внедрить на производстве программно-аппаратный комплекс (ПАК), в основе алгоритма работы которого заложена нейросетевая модель.

Для разработки ПАК необходимо получить набор входных параметров, влияющих на качество готового изделия (жирность сливок, количество закваски и сычужного фермента, количество влаги в твороге, жирность молока, температура сгустка и т.д.), и выходных – результаты оценки продукта дегустационной комиссией по предложенной шкале. На основе известных входных (X 1, X 2 …X n ) и выходных (Y 1, Y 2 ) данных можно обучить нейронную сеть.

Создание нейросетевой модели базируется на применении аппарата искусственных нейронных сетей, который является одним из направлений развития теории искусственного интеллекта. Модель нейронной сети состоит из нескольких слоев искусственных нейронов, которые имитируют работу своих биологических собратьев (нервных клеток). Функционирование биологического нейрона осуществляется следующим образом: входные сигналы поступают с синапсов через тонкие густовет-вящиеся отростки нейрона – дендриты, в тело клетки – сому, внутри которого находится яд- ро. Синапсы отличаются друг от друга размерами и возможностью концентрации особых химических субстанций вблизи своей оболочки. По этой причине импульсы одинаковой величины, поступающие на входы нервной клетки через различные синапсы, могут возбуждать ее в разной степени. Мерой возбуж- дения клетки считается уровень поляризации ее мембраны, зависящий от суммарного количества химических субстанций, выделенного на всех синапсах. Если возбуждение клетки невелико, то на ее выходе никакие изменения не регистрируются. Если же сумма возбуждений превысила порог активации клетки, значение выходного сигнала начинает лавинообраз- но нарастать, принимая вид нервного импульса. Этот импульс отводится из клетки аксоном через его многочисленные нервные окончания и попадает на синапс, через который входной сигнал поступает на другие нейроны, подключенные к данной клетке [5]. Схема нейронной сети представлена на рисунке 1.

Рисунок 1. Структура биологического нейрона

Функционирование модели искусственного нейрона реализовано по упрощенной аналогии с работой нервной клетки (рисунок 2). Входные сигналы x домножаются на соответствующие синаптические веса w и поступают в тело нейрона. Нейрон суммирует все произведения сигналов и весов x w , вычисляет нелинейную функцию F(u) , названную функцией активации, и передает результирующее значение y связанным с ним нейронам [6].

Рисунок 2. Структура искусственного нейрона

Искусственная нейронная сеть имеет один входной слой, один выходной слой и слои, раз- мещенные между входным и выходным, которые называются скрытыми слоями. Количество скрытых слоев может быть различным, и оно определяется в процессе адаптации нейросетевой модели при решении конкретной задачи.

При решении задачи оценки показателей качества творога была опробована сеть прямого распространения типа MLP (многослойный персептрон), изображенная на рисунке 3. Особенностью такой сети является то, что входные сигналы передаются от нейронов одного слоя всем нейронам следующего слоя только в направлении от входного слоя к выходному [7].

X3i

X2i

w

w

w

w

w

w

w

Рисунок 3. Структура многослойного персептрона

Расчет результирующих выходных сигналов у⁽_т Z ) в сети, состоящей из Z слоев, проводится в несколько этапов [8]:

Вначале рассчитываются выходные сигналы первого скрытого слоя у ⁽¹⁾:

N

У ® = f ( £ w k ) ^х xi ) ,         ⁽¹⁾

i = 0

где k – количество нейронов в скрытом слое;

N - количество входных сигналов; w^ - си- наптические веса входных сигналов; x – вели-

N чины входных сигналов;  f (Z w(1) х xt)  - i=0

функция активации сигмоидального вида.

Затем рассчитываются выходные сигна лы следующего скрытого слоя у(2) [9]:

K   KN

р ⁽²⁾ _ _f(y _w⁽²⁾_{х v}ah _ fry _w ⁽²⁾ _х f(V _wa) _{х r} u y / = f ⁽ Z W ^X y j ) = f ⁽ Z W ^X f ⁽ Z ^Wki ^X x i ))

j =0                          j =0               i =0

где l – количество нейронов в следующем скрытом слое; K – количество выходных сиг- налов первого скрытого слоя, которые в свою очередь являются входными для следующего скрытого слоя; w

–

синаптические веса

входных сигналов второго скрытого слоя.

Исходя из представленных вычислений, результирующие выходные сигналы у(тZ) бу- дут равны:

L ymZ)=f (Z wmn x ynz-1)),         (3)

n = 0

где m – количество нейронов в выходном слое; L – количество выходных сигналов последнего скрытого слоя, которые в свою очередь являются (z)

входными для выходного слоя; w – синапти-111 n i ческие веса входных сигналов последнего скры-

( Z - 1)

того слоя; y – величины выходных сигналов последнего скрытого слоя.

Во всех вычислениях функция активации графически представляет собой сигмоид и в общем случае вычисляется по формуле:

• f ( » ) = ,   '                      (4)

• 1    + e *

Работа программно-аппаратного комплекса заключается в:

• 1.    сборе данных:

• •    от технологического оборудования;

• •    из результатов измерений лабораторий;

• 2.    обработке данных;

• 3.    оценке вкусовых показателей по нескольким критериям.

Нейронную сеть можно описать формулой:

Z(ZX. * W-«)• W2Ik ji

где X - значение входного параметра; W - вес связи i-го входа и j-го нейрона первого слоя; W -весь связи j-го нейрона первого слоя и k-го второго.

Сбор данных осуществляется со средств измерения, установленных на большинстве стадий технологического процесса производства творога. Также данные поступают из центральной и цеховой лабораторий, где проводится большинство измерений параметров качества сырья, полуфабрикатов и готовой продукции. Собранные данные являются входными для искусственной нейронной сети, которая, исходя из заложенного в ней алгоритма, оценивает результирующий показатель вкуса по нескольким критериям по десятибалльной шкале.

Принцип работы нейронной сети (рисунок 4) заключается в следующем: через нейронную сеть пропускаются наборы входных параметров, для которых известны выходные. Происходит вычисление весовых коэффициентов связей нейронов – обучение сети. Затем, если на вход подать параметры, для которых не известны выходные, то нейронная сеть построит прогноз их значений на основе весовых коэффициентов [10].

Рисунок 4. Схема нейронной сети

Для правильной работы искусственной нейронной сети необходимо ее обучить. Для обучения на вход нейронной сети должна быть подана обучающая выборка, состоящая не менее чем из ста экспериментов. Обучающую выборку подготавливают следующим образом: осуществляется сбор всех данных, которые впоследствии будут поступать на вход нейронной сети. А далее экспертная комиссия, состоящая из профессиональных дегустаторов, в условиях, необходимых для проведения дегустации, проводит оценку показателей вкуса готовых изделий, изготовленных при измеренных в ходе эксперимента параметрах, по ряду критериев.

Обучение нейронной сети сводится к подбору оптимальных синаптических весовых коэффициентов. Наиболее популярным алгоритмом обучения сетей типа MLP является алгоритм обратного распространения ошибки, основную суть которого можно изобразить на блок-схеме, представленной на рисунке 5.

Таким образом, можно оценить качество готового творога, что до этого составляло некоторую сложность, исходя из субъективности оценки. Необходимо провести ряд испытаний, что позволит дать наиболее полную оценку качества продукта и по полученным результатам