CN108133313B

CN108133313B - 一种人工智能感官评价食品风味***及其构建方法

Info

Publication number: CN108133313B
Application number: CN201711358141.0A
Authority: CN
Inventors: 曹庸; 丘芷柔; 常会友; 陈浩然; 孙圣伟; 胡勇军; 陈彤; 刘果; 阚启鑫; 温林凤; 符姜燕; 刘占; 扈圆舒
Original assignee: South China Agricultural University
Current assignee: South China Agricultural University
Priority date: 2017-11-12
Filing date: 2017-12-17
Publication date: 2021-07-20
Anticipated expiration: 2037-12-17
Also published as: CN108133313A; WO2019114052A1

Abstract

本发明提供一种人工智能感官评价食品风味***及其构建方法，包括成分感官检测***、计算机智能分析***和食品气味数据库，所述成分感官检测***由GC‑MS和GC‑O组成，GC‑MS用于获得食品的气味特征原始数据，GC‑O用于获得食品气味的人工感官评价数据；所述计算机智能分析***，用于对气味特征原始数据和人工感官评价数据进行预处理与特征提取，对原始数据进行降维、聚类分析；所述食品气味数据库是由计算机对感官检测***获得的气味特征原始数据和人工感官评价数据进行拟合分析，建立的气味原始数据和人工评价数据相结合的食品挥发性成分相互关联的各类数据。本发明将仪器分析与人体感官评价合二为一，其不仅克服了现有食品风味检测方法的片面性和需人工重复性检测的弊端，而且评价结果更加全面可靠。

Description

一种人工智能感官评价食品风味***及其构建方法

技术领域

本发明涉及一种评价食品风味的***，特别是一种基于人工智能构建的用于评价食品风味的***。

背景技术

作为食品工业原始创新的源泉与动力，食品风味（气味）是反映食品品质的重要特征，其快速、全面评价及其物质基础和变化规律值得深入研究。在我国，尤其是广东省，感官风味评价有着悠久的历史，特别是在白酒、茶叶、烟草等传统嗜好性食品的生产、加工与流通管理中的应用尤为广泛。风味感官评价技术主要经历三个阶段，即：从管理者品评起步；专业感官品评小组品评成主体，多学科交叉与应用，感官评价活动标准化；感官分析与理化分析相结合，仪器测量辅助感官评价。而进入二十一世纪后，随着信息技术、生命科学、仪器分析技术的发展，感官科学技术与多个学科交叉，表现为人机一体化的发展趋势。其中，电子鼻、电子舌等模拟人的感觉器官的传感器技术得到了发展。如中国专利公开的“一种嗅觉模拟装置及嗅觉模拟方法”（02111936.5）及“便携式电子笔及其制备方法”就提供了模拟人的感觉器官的传感器技术。

然而，无论是人工感官品评、仪器分析还是模拟人感官的电子鼻等均不能很好的满足食品工业发展的需要。人工感官评价虽然可以对食品风味进行全面评价，但是随着食品生产规模化、集团化发展，仅靠专业人员进行人工感官评价，难以达到控制产品品质的目的，同时人工感官评价受品评人员心理和生理影响,人为误差在所难免，且感官评价无法得知影响食品风味的物质基础；化学分析和仪器分析等评价技术虽然可以对食品中的主要典型风味特征物质准确定量分析，但难以像专业人员评价一样进行全面的风味评价；电子鼻虽然可以对特定成分的气味进行分析，然而受限于传感器技术的发展，对微量成分、复杂的气味难以做出满意的分析与评价，缺乏自学习与全面分析能力。

近年来，人工智能技术的应用发展迅猛，尤其是***公司推出的Alpha Go，进一步将人工智能技术的应用推向高峰，各行业纷纷引入人工智能技术。Alpha Go的技术充分体现了深度学习技术、增强学习技术等带有自学习特点的人工智能技术的迅猛发展。面对这一趋势，若能在食品风味评价领域引入人工智能的自学习技术，更好的融合多源、多模态数据，包括人工感官评价数据、仪器分析数据以及图像数据等，将人工感官评价的全面性与仪器分析的精确性相结合, 既克服了传感器技术为主的电子鼻和电子舌的局限性，又提升了人工感官评价的客观性和全面性，构建评价食品风味的新型自学习“人工智能感官”***，这不仅是技术发展和应用需求的必然趋势，也必将具有重要的科学价值和应用前景。

发明内容

本发明的目的在于提供一种人工智能感官评价食品风味***，其采用分析仪器及人体感官评价食品风味，评价数据经过联合计算机在生物特征识别和食品物性分析领域深度学习，形成食品气味自主评价模型，构建人工智能感官评价食品风味（气味）的***，用以评价挥发性食品的风味。

为实现上述目的，本发明的实施方案为：一种人工智能感官评价食品风味***，包括成分感官检测***、计算机智能分析***和食品气味数据库，

所述成分感官检测***由GC-MS和GC-O组成，GC-MS用于获得食品的气味特征原始数据（食品各挥发性成分含量及化学结构的色谱和质谱数据），GC-O用于获得食品气味的人工感官评价数据（气味强度和气味特征）；

所述计算机智能分析***，用于对感官检测***获得的气味特征原始数据和人工感官评价数据进行预处理与特征提取，对数据进行降维、聚类分析；

所述食品气味数据库是由计算机人工智能算法对感官检测***获得的气味特征原始数据和人工感官评价数据进行拟合分析，剔除误差点，找到数据的关联与规律，建立的气味原始数据和人工评价数据相结合的食品挥发性成分相互关联的各类数据。

作为具体的实施方式，所述计算机智能分析***采用多模态、多任务深度学习架构M³TDN，所述多模态是指数据的多模态，包括色谱数据、质谱数据及食品外观图像数据，所述多任务指将同时学习的多个目标，包括风味类型、风味强度、风味幅度。

作为具体的实施方式，所述食品气味数据库中包括挥发性成分的色谱信息、质谱信息、香气特征、香气强度、物质图像。

本发明还提供一种上述***的构建方法，包括：

（1）将食品样品进入GC，经由毛细管柱分离后，流出组分被分流阀分成两路，一路进入化学检测器（FID或MS），获得由色谱和质谱原始数据构成的气味特征原始数据（即食品各挥发性成分含量及化学结构的色谱和质谱数据），另一路通过专用的传输管线进入嗅探口（O），获得人工感官评价数据；

（2）通过计算机软件对气味特征原始数据和人工感官评价数据（含量、香气强度及香气类型等）进行拟合分析，剔除误差点，找到数据的关联与规律，从而建立气味特征原始数据和人工感官评价数据相结合的食品气味数据库；

（3）对食品气味数据库中的气味特征原始数据及人工感官评价数据进行归一化和量化处理，得到高维风味数据，采用深度受限玻尔兹曼机对该高维风味数据进行特征提取；

（4）对特征提取后的高维多源特征数据进行训练，构建多模态、多任务的深度学习架构M³TDN,在特征提取的基础上，分别采用多层LSTM和多层受限玻尔兹曼机训练评判模型，从而建立食品的人工智能风味评价体系。

作为具体的实施方式，步骤（1）中，所述人工评价数据获得的方法是，样品进入嗅探口，由人鼻闻嗅的同时进行手动旋钮电子信号记录，记录数据结果由计算机处理形成谱图或转换信息数据。

作为另外一种实施方式，步骤（3）中，所述特征提取的方法也可以是，将食品数据库中的用机器判决、人工判读方式得到的气味特征原始数据及人工感官评价数据作为特征处理的输入数据，应用LDA、PCA学习经典算法进行特征提取分析。

本发明的验证（使用）方法是，选用食品气味数据库中同等类型的样品预处理后经过GC-MS仪器分析检测后获得色谱及质谱原始数据，将色谱及质谱原始数据导入本发明的人工智能风味评价***，***将自动生成对该食品的风味评价。

本发明将仪器分析与人体感官评价合二为一，获得更加科学有效的评价方式，既能反映人体对食品风味的直观感受，又体现出分析仪器获得精准检测数据的优势。其不仅克服了现有食品风味检测方法的片面性和需人工重复性检测的弊端，而且评价结果更加全面可靠。

附图说明

图1为本发明提供的人工智能感官评价食品风味***结构图；

图2为本发明研究方案流程示意图；

图3为本发明实施例3中的GC谱图峰面积与乙醇含量的关系；

图4为本发明实施例3中的乙醇溶液香气评分与含量关系图。

具体实施方式

下面给出附图和实施例，详细说明本发明。

实施例1：人工智能感官评价食品风味***及其和构建方法

如图1所示，一种人工智能感官评价食品风味***，由成分感官检测***、计算机智能分析***和食品气味数据库组成，所述成分感官检测***由GC-MS（气相色谱质谱检测仪）和GC-O（气相色谱嗅觉检测仪）组成，GC-MS用于获得食品样品由色谱和质谱数据构成的气味特征原始数据，GC-O用于获得食品样品的气味人工感官评价数据；所述计算机智能分析***，用于对感官检测***获得的气味特征原始数据和人工感官评价数据进行预处理与特征提取，对原始数据进行降维、聚类分析；所述食品气味数据库是由计算机人工智能算法对感官检测***获得的气味特征原始数据和人工感官评价数据进行拟合分析，剔除误差点，找到数据的关联与规律，建立的气味原始数据和人工评价数据相结合的食品挥发性成分相互关联的各类数据，包括食品样品挥发性成分的色谱信息、质谱信息、香气特征、香气强度、食品样品的物质图像等。

上述人工智能感官评价食品风味***的构建方法如下：

1、建立食品气味数据库。

采用合适的前处理手段和提取分离方法对食品原料中的气味成分进行前处理和富集；建立嗅觉人工感官评价的GC-MS-O体系（气相色谱-质谱-嗅觉测量体系）：即将样品进入GC，经由毛细管柱分离后，流出组分被分流阀分成两路，一路进入化学检测器（FID或MS），通过TIC图（分子离子峰）及质谱图（碎片离子峰）对各挥发性成分定性判断，再通过标准品内标法对挥发性成分精准定量，获得分析仪器对食品气味的评价结果。将化合物特征图谱转化成各物质色谱及质谱原始数据，即气味特征原始数据，以作为计算机对特定物质的气味识别数据；另一路通过专用的传输管线进入嗅探口，由专业闻香师对分离出的挥发性成分进行嗅闻检测，同时进行手动旋钮电子信号记录，记录各成分的香气特征及香气强度，获得人体感官对食品气味的人工评价数据。通过计算机软件对对应物质的含量、香气强度及香气类型进行拟合分析，剔除误差点，找到数据的关联与规律，将仪器检测的气味特征原始数据和人工感官评价数据结合作为人工智能感官评价食品风味***全面的基础数据，建立食品气味数据库。

2、计算机气味数据预处理与特征提取及评价模型的建立

构建仪器检测的食品气味特征数据与人工感官评价数据结合的多模态、多任务深度学习架构M³TDN，以满足风味智能评价的需要。在具体实现中，将采集到的气味特征原始数据

作为物质结构成分的原始输入数据

。其中

是色谱数据，

是质谱数据，下标

对应特征气味。色谱数据

属于时间序列信号，其波峰对应相应的物质成分，波峰的面积对应相应物质成分的相对含量。同时，对应每个波峰均有一个对应的质谱数据

，是不同质/核比（M/Z）分子或离子的强度谱图，可依据现有的谱图数据库检索出对应物质成分的分子结构。将人鼻闻嗅感官数据（即人工评价数据）作为待匹配评判的输出数据

。其中，

是人感官评价做出的风味类型判断，如柠檬味、木质味、花香、胶味等，

是人感官评价做出的强度判断，如微辣中的“微”，

是人感官评价做出的风味幅度，即风味持续时间的判断。具体包括：数据预处理、特征提取、深度学习模型构建。

（1）数据预处理。依据仪器分析时样品物质的总量以及相关仪器参数，对采集到的色谱和质谱数据（食品气味特征数据）进行归一化和量化处理，将分别得到物质含量的归一化向量

（其中

是第k个物质成分在色谱图中测到的相对含量的归一化值）以及物质成分的归一化向量

，（其中

是第k个物质成分中质/核比（M/Z）排序为p的分子或离子在质谱图上对应强度的归一化值）。经归一化后，一次测试得到风味数据可以表示为高维向量：

。

（2）特征提取。特征提取将两种方式进行比照分析。第一种方式，对上述质谱、色谱数据延用传统的机器判决、人工判读方式得到物质成分、物质含量等原始数据（包括气味特征原始数据和人工感官评价数据），作为特征处理的输入数据，然后应用LDA、PCA等机器学习经典算法进行特征提取分析。第二种方式，将经过数据预处理由色谱、质谱信号数据归一化后得到的高维风味数据

作为输入数据，采用深度受限玻尔兹曼机对该高维风味数据进行特征提取和学习。

（3）深度学习评判模型构建。对气味高维多源特征数据进行训练，在现有的CNN、LSTM等深度学习模型基础上，构建一种新的多模态、多任务的深度学习架构M³TDN。将在特征提取的基础上，分别采用多层LSTM和多层受限玻尔兹曼机构建训练评判模型。其中，深度结构中采用了LSTM是考虑到不同物质成分在形成风味特征的相互关联性；多模态是指数据的多模态，包括色谱数据、质谱数据及食品外观图像数据等；多任务是指将同时学习风味类型、风味强度、风味幅度等多个目标。

实施例2：利用人工智能感官评价食品风味***对不同贮藏年份新会陈皮进行风味评价。

陈皮作为理气中药材，自古有“陈久者良”的说法，其挥发性香气突出，且随着贮藏年份的延长，挥发性成分的含量和香气特征均会发生改变，通过建立陈皮挥发性成分的数据库，搭建陈皮气味人工智能评价体系，对不同年份、产地的陈皮发挥鉴别功效。另外，评价体系可通过对陈皮样品GC-MS数据的比对，关联出对应样品的风味，节省了劳动力，更加精准地获知样品的风味数据。

（1）数据采集

如图1所示，研究陈皮气味物质，选用不同年份的新会陈皮作为实验原料，陈皮年份包括1978年、1980年、1982年、1997年、1999年、2000年、2001年、2004年、2009年、2010年及2012年。制备样品时，忽略其年份，并对各个样品编号1-11。用研磨仪将样品粉碎，每个样品称取2 g，75μm CAR/PDMS针头在90℃下顶空-固相微萃取30 min，在进样口解析10 min。

GC-MS选用DB-5非极性弹性石英毛细管柱，升温程序为进样口温度为260℃，流速为1.0ml/min，载气为高纯氦气（＞99.999%）；初温70℃，保持2 min，以4℃/min的速率升到210℃，保持10 min，分流比为50:1。质谱条件：离子源为230℃，电子能量70eV，MS四级杆温度为150℃。

挥发性成分经过气相色谱柱分离后，进入质谱端，并通过多重质谱分析后，获得各年份新会陈皮的挥发性成分类型，出峰时间及相对含量，及包括色谱及质谱原始数据。数据如表1。

（2）数据预处理及比对

将数据整理成计算机可识别形式，对每个年份陈皮及所有陈皮包含的挥发性成分编号，如1978年陈皮数据编号为1978000，记录上该样品气相色谱原始数据，包括TIC图每个点的时间和强度，每个色谱峰对应的峰面积和峰高。将所有样品出峰物质的原始质谱数据汇总，包括该物质每个碎片离子的质荷比和强度。通过原始数据确定对陈皮挥发性成分定性定量，将数据导入食品气味人工智能评价***，获得陈皮挥发性成分的香气信息。结果如表2。

（3）风味品评校对

闻香师对陈皮挥发性成分进行GC-O检测，感官评定陈皮风味。方法如下：

取各年份样品2 g，研磨机粉碎，90℃下吸附30min，75μm CAR/PDMS萃取针头萃取30min，进样口解析10min。

色谱条件：色谱柱为DB-5非极性弹性石英毛细管柱．程序升温为进样口温度为260℃，流速为1.0ml/min，载气为高纯氦气（＞99.999%）；柱初温70℃，保持2min，以4℃/min的速率上升到210℃，保持10min，分流比为50:1。

质谱条件：离子源为230℃，电子能量70eV，MS四级杆温度为150℃。

嗅觉检测器：ODP 加热温度为270℃，尾吹气流量50mL/min，加湿器在嗅闻出口处对尾吹气进行加湿以减少干燥气体对鼻黏膜的伤害。用前期训练嗅辨员进行实验，嗅辨员在嗅觉检测口记录下闻到气味的时间，香味特性及香气强度。表4为专业闻香师与人工智能评价***评价结果的比对，以专业闻香师的正确率为100%。

实施例3：对不同浓度的乙醇溶液进行风味评价。

（1）建立感官评价数据库和风味智能评价模型：

在室温20℃下，取21个洁净干燥的100 ml容量瓶，分别准确量取0、5、10、15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、95、100ml的无水乙醇置入100 ml容量瓶中，加入水定容，制得浓度为0%、5%、10%、15%、20%、25%、30%、35%、40%、45%、50%、55%、60%、65%、70%、75%、80%、85%、90%、95%、100% 共21个乙醇溶液标准样品。

将该21个乙醇溶液标准样品，以闻香纸法训练感官评定小组的闻香师，确定初步的人工感官评价。方法参照GB/T 22366-2008如下：将一种浓度的乙醇溶液连同两个相同的其他浓度乙醇溶液标准样品一起提供给闻香师，闻香师从中选出浓度异于其他两个的样品。以此法训练闻香师2周，使闻香师熟悉判别能力。

另将21个乙醇溶液标准样品进入GC，经由毛细管柱分离后，流出组分被分流阀分成两路，一路进入化学检测器MS，另一路通过专用的传输管线进入嗅探口，由闻香师闻嗅并同时进行手动旋钮电子信号记录。GC-MS条件如下：

色谱条件：色谱柱为DB-1型极性弹性石英毛细管柱。程序升温为进样口温度为250℃，流速为1.0ml/min，载气为高纯氦气（＞99.999%）；柱初温50℃，保持1min，以15℃/min的速率上升到110℃，保持1min，分流比为8:1。

质谱条件：接口温度230℃，离子源电子能量70eV，电子倍增器高压1.0 kV质量数扫描范围20 ~ 100，采样速率0.2 s。

嗅觉检测器：ODP 加热温度为150℃，尾吹气流量50mL/min，加湿器在嗅闻出口处对尾吹气进行加湿以减少干燥气体对鼻黏膜的伤害。

记录数据结果（香气特性、强度），将闻香师嗅闻得出的香气信息数据，结合GC分析中导出的数据，建立成分及相对含量关系数据库（如表5、图3），构建风味智能评价模型（如表6、图4）。

评分设定：将乙醇香气分为无（0-10）、淡香（10-20）、清香（20-30）、浓香（30-40）、刺鼻（40-50）、辛辣刺激（50-60）6个气味等级，香气强度评分区间即为0-60。

（2）验证感官评价模型

制备5个随机浓度的乙醇待测样品：在闻香师视野外，取一个洁净干燥的100ml量筒，随意倒入任意量的无水乙醇，记下无水乙醇体积，移入洁净干燥的100 ml容量瓶，用水定容，记下但不标出其乙醇含量，重复5次，用数字1-5给各溶液编号。

闻香师评价：将该5个样品每份取三个重复，将所有样品顺序打乱，以字母a-o重新标记，交由闻香师独立嗅闻，描述香味类型及强度，记下结果。

将该5个乙醇待测样品进入GC-MS分析以及GC-O分析，方法如下：

将GC-MS中导出的原始数据，转入已建立的风味智能评价模型进行演算，得出乙醇含量及香气强度的数据。结果如表7。

Claims

1.一种人工智能感官评价食品风味***，其特征在于，包括成分感官检测***、计算机智能分析***和食品气味数据库，

所述成分感官检测***由GC-MS和GC-O组成，GC-MS用于获得食品的气味特征原始数据，GC-O用于获得食品气味的人工感官评价数据，即气味强度和气味特征；

所述计算机智能分析***，用于对感官检测***获得的气味特征原始数据和人工感官评价数据进行预处理与特征提取，对原始数据进行降维、聚类分析；所述计算机智能分析***采用多模态、多任务深度学习架构M³TDN，所述多模态是指数据的多模态，包括色谱数据、质谱数据及食品外观图像数据，所述多任务指将同时学习的多个目标，包括风味类型、风味强度、风味幅度；

数据预处理：依据仪器分析时样品物质的总量以及相关仪器参数，对采集到的色谱数据和质谱数据进行归一化和量化处理，将分别得到的物质含量的归一化向量以及物质成分的归一化向量，经归一化后，一次测试得到风味数据表示为高维向量；

特征提取：特征提取将两种方式进行比照分析，第一种方式，对所述质谱数据、色谱数据延用传统的机器判决、人工判读方式得到物质成分、物质含量原始数据，包括气味特征原始数据和人工感官评价数据，作为特征处理的输入数据，然后应用LDA、PCA机器学习经典算法进行特征提取分析；第二种方式，将经过数据预处理由质谱数据、色谱数据归一化后得到的高维风味数据，即高维向量，作为输入数据，采用深度受限玻尔兹曼机对该高维风味数据进行特征提取和学习；

2.根据权利要求1所述的一种人工智能感官评价食品风味***，其特征在于，所述食品气味数据库中包括挥发性成分的色谱信息、质谱信息、香气特征、香气强度、物质图像。

3.一种人工智能感官评价食品风味***的构建方法，其特征在于，包括：

（1）将食品样品进入GC，经由毛细管柱分离后，流出组分被分流阀分成两路，一路进入化学检测器FID或MS，获得由色谱和质谱原始数据构成的气味特征原始数据，另一路通过专用的传输管线进入嗅探口O，获得人工感官评价数据；

（2）通过计算机软件对气味特征原始数据和人工感官评价数据进行拟合分析，剔除误差点，找到数据的关联与规律，从而建立气味特征原始数据和人工感官评价数据相结合的食品气味数据库；所述气味特征原始数据和人工感官评价数据包括含量、香气强度及香气类型；

所述特征提取的方法，第一种方式是，将食品数据库中的用机器判决、人工判读方式得到的气味特征原始数据及人工感官评价数据作为特征处理的输入数据，应用LDA、PCA学习经典算法进行特征提取分析；第二种方式，将经过数据预处理由质谱数据、色谱数据归一化后得到的高维向量作为输入数据，采用深度受限玻尔兹曼机对该高维风味数据进行特征提取和学习；

（4）对特征提取后的高维多源特征数据进行训练，构建多模态、多任务的深度学习架构M³TDN，在特征提取的基础上，分别采用多层LSTM和多层受限玻尔兹曼机训练评判模型，从而建立食品的人工智能风味评价体系。

4.根据权利要求3所述的一种人工智能感官评价食品风味***的构建方法，其特征在于，步骤（1）中，所述人工感官评价数据获得的方法是，样品进入嗅探口，由人鼻闻嗅的同时进行手动旋钮电子信号记录，记录数据结果由计算机处理形成谱图或转换信息数据。