Использование интеллектуальных технологий для контроля качества творога Текст научной статьи по специальности «Компьютерные и информационные науки»

ВестникВГУИТ, №2, 2014■

УДК 637.057

Профессор М.М. Благовещенская, аспирант Г.Р. Давыдова, доцент Н.А. Семина

(Московский государственный университет пищевых производств, г. Москва) кафедра информационных технологий и автоматизированных систем тел.+7 (499) 750-01-11 E-mail: [email protected]

профессор И.Г. Благовещенский

(Московский государственный технический университет имени Н.Э. Баумана, г. Москва) кафедра теоретической механики тел.+7 (916) 964-72-81 E-mail: [email protected]

Professor M.M. Blagoveshchenskaia, graduate G.R. Davydova, associate Professor N.A. Semina

(Moscow State University of Food Production, Moscow) Department of information technologies and automated systems phone +7 (499) 750-01-11 E-mail: [email protected]

professor I.G. Blagoveshchenskii

(Baumann Moscow state technical university, Moscow) Department of theoretical mechanics. phone (916) 964-72-81 E-mail [email protected]

Использование интеллектуальных технологий для контроля качества творога

Use of intellectual technologies for quality control of curd

Реферат. В статье описывается способ контроля качества творога и творожной продукции на основе нейросетевой модели, позволяющей без участия профессиональных дегустаторов максимально объективно оценить вкус готового изделия. Способ заключается в построении нейросетевой модели оценки качества творога по входным и выходным данным. Для решения задачи объективной оценки качества готового продукта предлагается внедрить на производстве программно- аппаратный комплекс определения вкусовых показателей творога и творожной продукции, в основе алгоритма работы которого заложена нейросетевая модель. Функционирование 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 модели искусственного нейрона реализовано по упрощенной аналогии с работой нервной клетки. При решении задачи оценки вкусовых показателей творога и творожной продукции была опробована сеть прямого распространения типа MLP (многослойный персептрон). 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. Для правильной работы искусственной нейронной сети было проведено ее обучение, которое сводилось к подбору оптимальных синаптических весовых коэффициентов. В статье представлена разработанная для этих целей Блок-схема алгоритма обучения. Приведена последовательность основных операций, необходимых для составления нейросетевых моделей и предложены рекомендации для составления программно-аппаратного комплекса. Результаты экспериментов показали, что такой способ оценки показателей вкуса с помощью искусственных нейронных сетей упрощает контроль качества готового продукта, так как позволяет своевременно реагировать на отклонения в процессе производства (исходя из данных, предложенных нейронной сетью).

Summary. Method of curds quality control, based on neural network model is introduced in the paper. It allows to give fair estimate of final product's quality without use of professional degustators. Method consists in construction of neural network model to estimate quality of curds by input and output parameters. Hardware software complex of curds taste control is proposed to apply in industry for independent estimate of final product. Operation of neural network model based on usage of artificial neural networks, which is one of directions of artificial intelligence theory. Neural network model consists of several artificial neurons layers, which emulate nerve cells functioning. Feed forward network of MLP type was used in solving of curds taste control problem. Feature of this network is that signals passed from one layer's neurons to next layer's neurons only from input layer to output, not the other way. Neural network was trained for its correct operation by selection of optimal synaptic factors. Flow diagram of training algorithm is introduced in the paper. Algorithm of neural network tuning is described in the paper. Author proposed set of recommendations for software-hardware complex deployment. Experiment results show that this taste estimate method based on neural net works simplify a problem of final product control as allow to react to deviations in production process on proper time.

Ключевые слова: производство творога, нейросетевое моделирование, программно-аппаратный комплекс, контроль качества, органолептические показатели

Key words: curd production, neural networks projection, hardware/software solution, quality control, organoleptic properties

© Благовещенская М.М., Давыдова Г.Р., Семина Н.А., Благовещенский И.Г., 2014

ВестникВГУИТ, №2, 2014_

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 обоснованные 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 органо-лептическим 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 комиссии по предложенной шкале. На основе известных входных (Х1, Х2...Хп) и выходных Y2) 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 густоветвящиеся отростки нейрона -дендриты, в тело клетки - сому, внутри которого находится ядро. 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 возбуждения клетки считается уровень поляризации ее мембраны, зависящий от суммарного количества химических субстанций выделенного на всех синапсах. Если возбуждение клетки не велико, то на ее выходе никакие изменения не регистрируются. Если же сумма возбуждений превысила порог активации клетки, значение выходного сигнала начинает лавинообразно 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.

QewnuKjBTyWlt, №2, 2014_

Синапс

Синапс

Дендриты

Рисунок 1. Структура биологического нейрона

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

Искусственная нейронная сеть имеет один входной слой, один выходной слой и слои,

размещенные между входным и выходным, которые называются скрытыми слоями. Количество скрытых слоев может быть различным, и оно определяется в процессе адаптации нейросе-тевой модели при решении конкретной задачи.

Синаптические веса

Функция активации

Рисунок 2. Структура искусственного нейрона

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].

Рисунок 3. Структура многослойного персептрона

Расчет результирующих выходных сигналов у(т) в сети, состоящей из Ъ слоев, проводится в несколько этапов [8].

Вначале рассчитываются выходные сиг-

налы первого скрытого слоя y(1 :

N

У? = f (I<) Xxt),

(1)

i=0

где k - количество нейронов в скрытом слое; N - количество входных сигналов; ^) - синаптические веса входных сигналов; xi - величины

N

входных сигналов; /) х xi) - функция

активации сигмоидального вида.

Затем рассчитываются выходные сигналы следующего скрытого слоя у((Т> [9]:

К К N

У(2) = /(К ху«) = х /£>« хх^ (2)

1=0 1=0 i=0

где I - количество нейронов в следующем скрытом слое; К - количество выходных сигналов первого скрытого слоя, которые в свою очередь являются входными для следующего

(2)

скрытого слоя; ^ - синаптические веса

входных сигналов второго скрытого слоя.

Исходя из представленных вычислений, результирующие выходные сигналы у^) будут равны:

Вестшк,<ВТУИЩ №2, 2014_

ym) = f (Zw™ -уПZ

(3)

n=o

где т - количество нейронов в выходном слое; L - количество выходных сигналов последнего скрытого слоя, которые в свою очередь явля-

ются входными для выходного слоя; w

( Z ) mn

синаптические веса входных сигналов послед-

п.( 2-1)

него скрытого слоя; уп - величины выходных сигналов последнего скрытого слоя.

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

f (s) =

, • (4)

1 + е

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 (Z * W1, )* w

2 jk

(5)

где X i - значение входного параметра; -вес связи >го входа и j-го нейрона первого слоя; W2]к - весь связи j-го нейрона первого

слоя и к-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.

Сервер Базы Данных

Рисунок 5. Блок-схема алгоритма обучения

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 обучить нейронную сеть для оценки качества всех последующих партий готового продукта.

Результаты экспериментов показали, что оценка показателей вкуса с помощью искус-

ЛИТЕРАТУРА

1 Брижашева О.В. Маркетинг торговли: учебное пособие. Ульяновск: УлГТУ, 2007. 170 с.

2 Ребрин Ю.И. Управление качеством: учебное пособие. Таганрог: ТРТУ, 2004. 174 с.

3 Апанасенко С.И., Благовещенская М.М. Системы регулирования показателей качества пищевых продуктов на основе нейросе-тевых алгоритмов // Сборник докладов II конференции молодых ученых «Реология и физико-химическая механика гетерофазных систем», Звенигород, 7-11 июля 2009г. М.: МГУ, 2009. С. 65 - 67

4 Меркулова Н.Г. Производственный контроль в молочной промышленности: практическое руководство: учебное пособие. СПб: Профессия, 2009. 656 с.

5 Апанасенко С.И., Благовещенская М.М. О построении системы регулирования показателей качества пищевых продуктов с применением нейронных сетей // Сборник докладов международной научной конференции студентов и молодых ученых «Экологически безопасные, ресурсосберегающие технологии и средства переработки сельскохозяйственного сырья и производства продуктов питания», М.: МГУПБ, 2009. С. 157 - 159.

6 Апанасенко С.И., Благовещенская М.М. Применение нейронных сетей для построения автоматизированной системы корректировки рецептуры приготовления кондитерских масс // Сборник докладов научного семинара «Интенсификация и автоматизация процессов обработки пищевых продуктов», М.: МГУПБ, 2010. С. 26 - 30.

7 Апанасенко С.И., Благовещенская М.М. Построение виртуальных датчиков на основе нейросетевых алгоритмов для определения качественных показателей пищевых масс // Вестник ВГТА. 2010. № 2. С. 5 - 8.

ственных нейронных сетей исключает необъективность, исходящую от непрофессионализма членов специальной комиссии при проведении дегустации, и позволяет оценить вкусовые качества изделия по различным критериям за достаточно короткий промежуток времени, что способствует повышению результирующего показателя качества выпускаемой молочной продукции.

8 Шаверин А.В., Благовещенская М.М. Исследование возможностей современных автоматизированных технологических линий для построения интеллектуального модуля прогнозирования вкусовых качеств кондитерских масс // Сборник докладов V Юбилейной школы - конференции с международным участием «Высокоэффективные пищевые технологии, методы и средства для их реализации», М.: МГУПП, 2007. С. 391 - 393.

9 Шаверин А.В., Благовещенская М.М. Создание программно-аппаратного комплекса для оценки показателей вкуса кондитерских изделий // Сборник докладов II конференции молодых ученых «Реология и физико-химическая механика гетерофазных систем», Звенигород, 711 июля 2009 г. М.: МГУ, 2009. С. 58 - 60.

10 Шаверин А.В., Благовещенская М.М. Автоматизированная система интеллектуального контроля вкуса шоколадных изделий // Хранение и переработка сельхозсырья. 2009. №11. С. 55 - 57.

REFERENCES

1 Brizhasheva O.V. Marketing torgovli [Marketing of trade]. Ulyanovsk, UlGTU, 2007. 170 p. (In Russ.).

2 Rebrin Iu.I. Upravlenie kachestvom [Quality control]. Taganrog, TRTU, 2004. 174 p. (In Russ.).

3 Apanasenko S.I., Blagoveshchenskaia M.M. System of quality control indicators of foodstuff based on neural network algorithms. Sbornik dokla-dov II konferentsii molodykh uchenykh «Reologiia i fiziko-khimicheskaia mekhanika geterofaznykh system» [Collection reporters IIth Int. Conf. «Rheology and physical-chemical mechanics of heterogeneous systems»]. Moscow, 2009, pp. 65-67. (In Russ).

4 Merkylova N.G. Proizvodstvennyi kontrol' v molochnoi promyshlennosti: praktich-eskoe rukovodstvo [Production control in the dairy industry: practical guide]. St. Petersburg, Professiia, 2009. 656 p. (In Russ.).

QecmmtKjBTyMr, №2, 2014_

5 Apanasenko S.I., Blagoveshchenskaia M.M. About creation of regulation system for quality indicators of foodstuff with neural networks. Sbornik dokladov mezhdunarodnoi nauchnoi kon-ferentsii stydentov i molodykh uchenykh «Ecolog-icheski bezopasnye, resyrsosberegaiushchie tekhnologii i sredstva pererabotki sel'skokho-ziaistvennogo» [Collection reporters Int. Conf. «Environment friendly, resource-saving technologies and processing facilities of agricultural raw materials and food production»]. Moscow, 2009, pp. 157-159. (In Russ.).

6 Apanasenko S.I., Blagoveshchenskaia M.M. Neural networks application for elaboration of automated system to adjust recipes of confectionery products. Sbornik dokladov nauchnogo seminara «Intensifikatsiia i avtomatizatsiia protsessov obrabotki pishchevykh produktov» [Collection reporters Int. Conf «Intensification and automation the processing of foodstuffs»]. Moscow, 2010, pp. 26-30. (In Russ.).

7 Apanasenko S.I., Blagoveshchenskaia M.M. Elaboration of virtual sensors based on neural network algorithms for determination of food masses quality indicators. Vestnik VGTA. [Bulletin of VSTA], 2010, no. 2, pp. 5-8. (In Russ.).

8 Shaverin A.V., Blagoveshchenskaia M.M. Research of contemporary automatized process lines possibilities for developing intellectual module of forecasting confectionery products flavor. Sbornik dokladov V Iubileinoi shkoly-konferentsii s mezhdunarodnym uchastiem «Vysokoeffektivnye pishchevye tekhnologii, meto-dy i sredstva dlia ikh realizatsii» [Collection reporters Vth Int. Conf. «Highly effective food technologies, methods and facilities for its achieve-ment»]. Moscow, 2007, pp. 391-393. (In Russ.).

9 Shaverin A.V., Blagoveshchenskaia M.M. Creation of a hardware-software complex for taste estimation of confectionery products. Sbornik dokladov II konferentsii molodykh uchenykh «Re-ologiia i fiziko-khimicheskaia mekhanika get-erofaznykh system» [Collection reporters IIth Int. Conf. «Rheology and physical-chemical mechanics of heterogeneous systems»]. Moscow, 2009, pp. 58-60. (In Russ.).

10 Shaverin A.V., Blagoveshchenskaia M.M. The automatized system of intellectual control of chocolate products taste. Khranenie i pererabotka sel'khozsyr'ia. [Storage and processing of agricultural products], 2009, no. 11, pp. 55-57. (In Russ.).

П р и л о ж е н и е 1 Рекомендуемая шкала дегустационной оценки творога и творожных изделий

Показатели продукта, общая оценка Снижение оценки, баллы Оценка, баллы

Вкус

Очень хорошо: чистый, кисломолочный, без посторонних привкусов и запахов, 0 5

с легким привкусом пастеризации, для творога с использованием сухого молока

Хорошо: наличие не более одного из следующих признаков: кислый вкус, привкус сыворотки, ореховый (для творога без наполнителей), слабо-кормовой 1 4

привкус

Удовлетворительно: одновременно наличие не более двух из следующих при- 2 3

знаков: слабо выраженные характерные для творога вкус и запах, наличие

дрожжевого запаха и привкуса, чрезмерно кислый вкус, слабая горечь

Плохо и очень плохо: (в зависимости от степени выраженности порока): вкус и 3-4 2-1

запах - не характерные для продукта, присутствуют выраженные посторонние

привкусы и запахи

Внешний вид и консистенция

Очень хорошо: однородная, мягкая, слегка мажущаяся, рассыпчатая, с наличи- 0 3

ем или без видимых частиц молочного белка. Для нежирного - незначительное

отделение сыворотки

Хорошо: наличие не более двух следующих признаков: мажущая консистенция, 1 2

легкая крупитчатость, незначительная мучнистость. Для нежирного - заметное

отделение сыворотки

Удовлетворительно: наличие не более двух следующих признаков: рыхлая, 2 1

чрезмерно рассыпчатая, слегка неоднородная консистенция. Для нежирного

продукта - значительное отделение сыворотки

Плохо и очень плохо: (в зависимости от степени выраженности порока): выра- 3 0

женная резинистая, комковатая, грубая, крошливая, чрезмерно мажущая, слизи-

стая консистенция, сильное отделение сыворотки

Цвет

Удовлетворительно: равномерный от белого до светло-кремового. 0 1

Неудовлетворительно: неравномерный 1 0

Внешний вид потребительской упаковки и маркировки

Отлично и хорошо: правильные надписи на этикетках и маркировке 0 1

Удовлетворительно: правильные надписи на этикетках и маркировке, недоста- 0.5 0.5

точно четкая маркировка и яркость надписи, незначительные дефекты в заделке

упаковочного материала, отдельные вмятины на поверхности

Плохо: грязная, поврежденная тара, значительная деформация упаковки и про- 1 0

дукта с нарушением герметичности упаковки, нечеткая, нечитаемая, неправиль-

ная маркировка или ее отсутствие