黃 序，杜昱蒙，陳 艷，祝 潔，崔朝陽，張瑞雪

（1. 中糧營養(yǎng)健康研究院有限公司，營養(yǎng)健康與食品北京市重點(diǎn)實(shí)驗(yàn)室，老年?duì)I養(yǎng)食品研究北京市工程實(shí)驗(yàn)室，北京 102209；2. 中糧海嘉（廈門）面業(yè)有限公司，福建 廈門 361000；3. 中糧糧谷控股有限公司，北京 100020）

小麥原料的品質(zhì)是影響面粉應(yīng)用特性的關(guān)鍵因素之一，近年來國產(chǎn)優(yōu)質(zhì)小麥的品質(zhì)完全可與部分進(jìn)口麥媲美[1]，但是不同品種小麥中淀粉顆粒大小、直支鏈淀粉比例、蛋白質(zhì)的含量和成分存在較大差異[2-3]，導(dǎo)致制作的烘焙產(chǎn)品其質(zhì)構(gòu)及感官特性間存在較大的差異。因此合理評(píng)估小麥原糧的理化及應(yīng)用特性對(duì)面粉（尤其是烘焙專用粉）的生產(chǎn)能起到關(guān)鍵的指導(dǎo)作用。利用感官評(píng)價(jià)的方法對(duì)面包進(jìn)行評(píng)價(jià)，可以有效地對(duì)小麥原料的品質(zhì)狀況做出判斷。但由于面包制作工藝復(fù)雜，影響因素較多[4]，感官評(píng)價(jià)的方法在日常使用時(shí)對(duì)于工廠的生產(chǎn)效率和人工成本均有不利影響。眾多學(xué)者的研究表明，小麥的理化及流變學(xué)指標(biāo)對(duì)其制作面包的烘焙感官品質(zhì)有重要影響。王美芳等[5]測(cè)定了 30個(gè)小麥品種的面團(tuán)流變學(xué)特性，結(jié)果表明大多數(shù)品質(zhì)指標(biāo)之間存在顯著相關(guān)性，并與面包烘焙感官品質(zhì)存在極顯著相關(guān)性。張強(qiáng)濤通過對(duì)小麥粉品質(zhì)特性與吐司面包感官總評(píng)分的回歸分析，得出小麥粉的濕面筋、穩(wěn)定時(shí)間、弱化度、拉伸面積、延伸度、最大拉伸阻力均對(duì)吐司面包的感官總評(píng)分有顯著影響[6]。因此，通過建立烘焙感官特性與理化及流變指標(biāo)間的關(guān)系模型，快速評(píng)估不同小麥制作面包的優(yōu)劣情況，可大力節(jié)約人工及時(shí)間成本，提高生產(chǎn)效能。但目前的研究以相關(guān)性分析為主，模型建立的方法也比較單一，未進(jìn)行篩選和優(yōu)化。

本文收集了66個(gè)2021年國產(chǎn)高筋優(yōu)質(zhì)小麥樣品（涉及12個(gè)品種），并對(duì)其理化指標(biāo)分析以及制作的面包感官屬性進(jìn)行評(píng)價(jià)。感官評(píng)價(jià)方法采用以定量描述分析法為基礎(chǔ)的感官評(píng)價(jià)體系，該方法既可獲得樣本的感官描述，又能鑒定樣本成分、過程變化等的感官特性及其強(qiáng)度之間具體的差異[7]，最大限度描述不同品種小麥的應(yīng)用特性差異，更加準(zhǔn)確表達(dá)各差異的強(qiáng)度。基于理化及感官評(píng)價(jià)的數(shù)據(jù)，對(duì)小麥品種進(jìn)行主成分和聚類分析，主成分分析可將無量綱標(biāo)準(zhǔn)化處理的數(shù)據(jù)進(jìn)行降維，以各主成分的方差貢獻(xiàn)率為權(quán)重，將這些品質(zhì)指標(biāo)進(jìn)行合理的簡化[8]，而聚類分析則是根據(jù)數(shù)據(jù)間的內(nèi)在聯(lián)系對(duì)其進(jìn)行分類，將較大量的樣品分成相對(duì)同質(zhì)群組，聚到同一類則表示其性質(zhì)彼此相似[9]。隋勇[10]等通過主成分和聚類分析方法綜合評(píng)價(jià)小麥次粉品質(zhì)特性，為其食品化高值利用提供參考。以不同品種小麥制粉制作面包的感官評(píng)分為響應(yīng)值，對(duì)各項(xiàng)理化指標(biāo)進(jìn)行建模分析，對(duì)比三種不同建模方法，篩選出更加準(zhǔn)確且有效的面包烘焙品質(zhì)預(yù)測(cè)模型。

1 方法與材料

1.1 實(shí)驗(yàn)材料

測(cè)試樣品：JS（3個(gè)）；FDC（3個(gè)）；JN（16個(gè)）；JQ（3個(gè)）；NM（1個(gè)）；SL（4個(gè)）；WL（2個(gè)）；XN（19個(gè)）；XM（3個(gè)）；ZMJ（5個(gè)）；ZMH（1個(gè)）；ZMQ（6個(gè)）。

參比樣品：加拿大小麥（蛋白含量：13.0%）；立陶宛小麥（蛋白含量：12%）。

1.2 儀器與設(shè)備

實(shí)驗(yàn)用磨粉機(jī)（三皮三心）：布勒（中國）機(jī)械制造有限公司；自動(dòng)和面機(jī)：日本株式會(huì)社；醒發(fā)箱（FZH—32）、烤箱（WSK—23T—R）：無錫祥靖機(jī)械有限公司；粉制儀（Mixer S 300 N）、拉伸儀（Extensograph-E）：德國布拉本德公司。

1.3 實(shí)驗(yàn)方法

1.3.1 小麥制粉

稱取小麥樣品3 kg，經(jīng)過挑選去除雜質(zhì)，根據(jù)近紅外檢測(cè)儀水分測(cè)定結(jié)果，加水調(diào)節(jié)小麥水分至15%左右，潤麥24 h后通過實(shí)驗(yàn)用磨粉機(jī)（三皮三心）磨粉，出粉率為70%±3%。

1.3.2 理化指標(biāo)測(cè)試

面筋含量：根據(jù)GB/T 5506.2—2008 小麥和小麥粉 面筋含量 第2部分：儀器法測(cè)定濕面筋。

面筋指數(shù)：根據(jù)LS/T 6102—1995 小麥粉濕面筋質(zhì)量測(cè)定法面筋指數(shù)法。

水分含量：根據(jù)GB 5009.3—2016 食品安全國家標(biāo)準(zhǔn) 食品中水分的測(cè)定。

雜質(zhì)含量：根據(jù)GB/T 5494—2019 糧油檢驗(yàn)糧食、油料的雜質(zhì)、不完善粒檢驗(yàn)。

容重：根據(jù)GB/T 5498—2013 糧油檢驗(yàn) 容重測(cè)定。

吸水率、形成時(shí)間、穩(wěn)定時(shí)間：根據(jù) GB/T 14614—2019 糧油檢驗(yàn) 小麥粉面團(tuán)流變學(xué)特性測(cè)試 粉質(zhì)儀法。

延伸、最大阻力、拉伸面積：根據(jù)GB/T 14615—2019 糧油檢驗(yàn) 小麥粉面團(tuán)流變學(xué)特性測(cè)試 拉伸儀法。

1.3.3 面包制作

（1）配方為小麥粉：200 g，水：100～120 g，白砂糖：40 g，鹽：2 g，酵母：2 g，黃油：20 g。

（2）實(shí)驗(yàn)方法：將除黃油外所有的原料倒入打面缸攪拌至面筋六成；加入黃油，打面至完全擴(kuò)展，記錄從面團(tuán)開始攪拌至面團(tuán)攪拌完成所需的總時(shí)間；靜置10 min后將面團(tuán)進(jìn)行分割：2個(gè)80 g圓包和1個(gè)120 g方包，松弛10 min；圓包搓圓排氣收底，放入烤盤，方包搟平成型，放入方包盒，一起放進(jìn)36～38 ℃醒發(fā)箱。圓包發(fā)酵至約原來2.5倍大小，方包發(fā)酵至高出模具1.5 cm左右，即可進(jìn)行烘烤。圓包烘烤溫度上火170 ℃，下火 190 ℃，烘烤 12～14 min。方包烘烤溫度上火160 ℃，下火210 ℃，烘烤16～18 min。

（3）樣品數(shù)量：每種面粉制作兩組平行樣品待測(cè)。

1.3.4 烘焙制品感官評(píng)價(jià)

（1）建立專家評(píng)價(jià)小組：選擇具有2～5年烘焙產(chǎn)品制作及評(píng)價(jià)相關(guān)工作經(jīng)驗(yàn)的專家評(píng)價(jià)員 5人，選拔、培訓(xùn)及管理方法參考《GB/T 16291.2—2010 感官分析 選拔、培訓(xùn)和管理評(píng)價(jià)員一般導(dǎo)則 第2部分：專家評(píng)價(jià)員》。

（2）感官評(píng)價(jià)方法：評(píng)價(jià)方法見表1。最后將所有的屬性評(píng)價(jià)加和算總分，均值再進(jìn)行方差分析。

表1 面包感官評(píng)價(jià)評(píng)分表Table 1 Sensory evaluation scale of bread

1.4 數(shù)據(jù)分析

使用JMP 16進(jìn)行主成分分析，聚類分析以及建模分析，建模分析包括逐步回歸，偏最小二乘以及記憶學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)法。

2 結(jié)果與分析

2.1 不同品種小麥理化指標(biāo)和感官評(píng)分結(jié)果

設(shè)置穩(wěn)定性較好的參比樣，根據(jù)參比樣小麥粉制作面包的分?jǐn)?shù)，評(píng)估待測(cè)樣品的各項(xiàng)指標(biāo)得分。參比樣評(píng)價(jià)結(jié)果見表2。參比樣品1：加拿大小麥（蛋白含量：13.0%）；參比樣品 2：立陶宛小麥（蛋白含量：12%）。

表2 參照樣品感官評(píng)價(jià)結(jié)果Table 2 Sensory evaluation scale of reference sample 分

12個(gè)品種，66個(gè)2021年國產(chǎn)高筋優(yōu)質(zhì)小麥樣品經(jīng)磨粉后制作面包，面粉的12個(gè)理化及流變指標(biāo)均值和面包的感官評(píng)價(jià)總分均值結(jié)果如表3a～b所示。

表3a 不同品種小麥理化指標(biāo)及面包感官評(píng)分Table 3a Physical and chemical indexes and bread sensory evaluation of different wheat varieties

表3b 不同品種小麥理化指標(biāo)及面包感官評(píng)分Table 3b Physical and chemical indexes and bread sensory evaluation of different wheat varieties

面筋蛋白與水在水合和剪切作用的共同影響下，形成面筋網(wǎng)絡(luò)結(jié)構(gòu)[11]，面筋網(wǎng)絡(luò)支撐起的均一且細(xì)膩的氣室結(jié)構(gòu)是衡量發(fā)酵面制品品質(zhì)優(yōu)劣的關(guān)鍵因素[12]。而相比起面筋含量，面筋指數(shù)，即面筋質(zhì)量，對(duì)于面包評(píng)分的影響更為明顯。有研究表明，對(duì)面包體積的影響最顯著的因素為濕面筋指數(shù)[13]。另外一項(xiàng)研究表明，不同小麥品種的面筋質(zhì)量、濕面筋含量和穩(wěn)定時(shí)間共同決定了面包體積變異的90.0%[14]。穩(wěn)定時(shí)間、最大拉伸阻力、拉伸面積、攪拌時(shí)間等指標(biāo)也與面筋質(zhì)量息息相關(guān)，因此對(duì)面包品質(zhì)優(yōu)劣也有較大的影響。張強(qiáng)濤等的研究表明，拉伸面積、延伸度與面包感官總評(píng)分呈極顯著正相關(guān)，相關(guān)系數(shù)分別為0.738、0.768，最大拉伸阻力與面包感官總評(píng)分呈顯著正相關(guān)，相關(guān)系數(shù)為0.635[6]。

利用12個(gè)品種，66個(gè)不同小麥的12個(gè)理化指標(biāo)及面包感官評(píng)價(jià)指標(biāo)進(jìn)行主成分分析，通過二維分布圖，可以直觀表達(dá)出不同品種小麥樣品之間的分類關(guān)系以及小麥品種與各項(xiàng)理化指標(biāo)之間的關(guān)系，如圖1所示。通過該方法共提取2個(gè)主成分，第1主成分為56.3%，第2主成分為16.8%。面包感官評(píng)分的高低與面筋指數(shù)、最大拉伸阻力、攪拌時(shí)間、拉伸面積以及穩(wěn)定時(shí)間等關(guān)系密切。

圖1 不同品種小麥理化指標(biāo)和感官評(píng)分的主成分分析Fig.1 Principal component analysis of physical and chemical indexes and sensory scores of different wheat varieties

由表3a、b及圖1可以看出，JQ，XM和NM更接近拉伸面積、面筋指數(shù)、最大阻力、攪拌時(shí)間及穩(wěn)定時(shí)間這幾個(gè)指標(biāo)，因此面包感官評(píng)分也較高；SL，ZMQ和ZMJ各項(xiàng)指標(biāo)較為接近，SL略優(yōu)，故面包感官評(píng)分也處于中等偏上水平。WL和XN和FDC雖然與面包感官評(píng)分接近，均處于中等水平，但 WL的其他理化性質(zhì)相差較遠(yuǎn)。ZMH、JN和 JS的面包感官評(píng)分均較低，JN和JS比較接近，而ZMH的面包感官評(píng)分最低，各項(xiàng)品質(zhì)也相對(duì)較差，它們?cè)趫D1中的位置距離上述幾個(gè)理化指標(biāo)也最遠(yuǎn)，相關(guān)性不高。

2.2 不同品種小麥聚類分析結(jié)果

如圖2所示，可將12個(gè)品種的小麥理化指標(biāo)及感官評(píng)價(jià)結(jié)果通過JMP16進(jìn)行聚類分析，結(jié)果顯示細(xì)分可分成6類，粗分可分為兩類。細(xì)分結(jié)果中，ZMH，JQ，WL和XM均為單獨(dú)一類，與其他小麥品種綜合品質(zhì)差異較大，在實(shí)際生產(chǎn)過程中，需要根據(jù)具體需求進(jìn)行專門采購。而其他兩類，一類為JS，F(xiàn)DC，JN和XN，另一類為SL，NM，ZMQ和ZMJ，整體小麥品質(zhì)和評(píng)分接近，在實(shí)際生產(chǎn)中可根據(jù)具體情況做配麥及配粉的參考。

圖2 不同品種小麥聚類分析圖Fig.2 Cluster analysis diagram of different varieties of wheat

2.3 使用不同建模方法進(jìn)行面包感官評(píng)分預(yù)測(cè)

以面包感官評(píng)分為Y值，面筋含量、面筋指數(shù)、水分含量、容重、吸水率、形成時(shí)間、穩(wěn)定時(shí)間、延伸距離、最大阻力、拉伸面積分別為X1～X10，分別使用JMP16進(jìn)行逐步回歸分析，偏最小二乘分析和神經(jīng)網(wǎng)絡(luò)建模分析。結(jié)果如下。

2.3.1 逐步回歸分析

使用逐步回歸法，得到擬合公式為Y=0.134*X2+ 0.382*X5+ 44.487。其R2為0.478，調(diào)整R2為0.462，整體模型擬合質(zhì)量不高。10個(gè)X值中，僅有面筋指數(shù)和吸水率與面包感官評(píng)分呈現(xiàn)強(qiáng)相關(guān)性（見表4），因此，擬合公式中僅使用了兩個(gè)參數(shù)。

表4 模型估計(jì)值Table 4 Model estimates

2.3.2 偏最小二乘分析

使用偏最小二乘 NIPALS模型分析，如表5所示，即使當(dāng)引入因子數(shù)達(dá)到 10時(shí)，模型對(duì)Y的解釋程度也較低（僅為50.417%），說明使用偏最小二乘法擬合的模型效果不理想。

表5 模型比較匯總Table 5 Model comparison summary

當(dāng)引入因子數(shù)為6時(shí)，模型對(duì)X的解釋程度可以達(dá)到85%以上，對(duì)Y的解釋程度也相對(duì)較高（與引入10個(gè)因子時(shí)接近），此時(shí)得到擬合公式為：Y=–0.133*X1+ 0.106*X2–0.033*X3+ 0.008*X4+0.435*X5– 0.066*X6+0.011*X7– 0.277*X8+ 0.003*X9+ 0.002*X10+ 44.468。

使用該模型，選取了7個(gè)重要變量，如表6所示，按其重要程度排序由高到低分別為面筋指數(shù)、最大拉伸阻力、拉伸面積、穩(wěn)定時(shí)間、吸水率、形成時(shí)間、面筋含量。由于偏最小二乘法是基于主成分分析建立的預(yù)測(cè)模型，因此主成分分析中的重要指標(biāo)與偏最小二乘模型中的變量重要程度吻合。

表6 變量重要性表Table 6 Variable importance table

2.3.3 神經(jīng)網(wǎng)絡(luò)模型

使用神經(jīng)網(wǎng)絡(luò)NTANH模型，得到擬合公式為：Y=1.055*H1–9.838*H2–7.073*H3+ 78.048（隨機(jī)種子數(shù)8，2/3樣本進(jìn)行訓(xùn)練，1/3樣本驗(yàn)證）。

使用該模型，由表7可知，其訓(xùn)練和驗(yàn)證的R2都可達(dá)到0.8以上，整體擬合效果較好。

表7 模型質(zhì)量評(píng)價(jià)Table 7 Model quality evaluation

人工神經(jīng)網(wǎng)絡(luò)，是通過模仿生物神經(jīng)網(wǎng)絡(luò)的行為特征，進(jìn)行分布式并行信息處理的數(shù)學(xué)模型[15]。近幾年，人工神經(jīng)網(wǎng)絡(luò)在各個(gè)領(lǐng)域都是非常熱門的話題，并且在圖像處理、醫(yī)學(xué)、生物學(xué)等領(lǐng)域均取得了非常多的成就[16]。

2.3.4 模型對(duì)比

以面包評(píng)分為X值，預(yù)測(cè)公式預(yù)測(cè)結(jié)果為Y值，繪制散點(diǎn)圖，其點(diǎn)分布越趨于一條直線，說明其預(yù)測(cè)效果越好。由圖3可知，逐步回歸和偏最小二乘法的模型預(yù)測(cè)程度相似，因?yàn)樯鲜?個(gè)方法依然是進(jìn)行一次方程的建模，其原理相似。而神經(jīng)網(wǎng)絡(luò)模型其模型質(zhì)量明顯提升，數(shù)據(jù)集中度更強(qiáng)，更加接近線性關(guān)系。

圖3 不同模型預(yù)測(cè)效果對(duì)比圖Fig.3 Comparison charts of prediction effect of different models

對(duì)逐步回歸、偏最小二乘和神經(jīng)網(wǎng)絡(luò)模型的三個(gè)散點(diǎn)圖分別擬合方程（如圖4），其R2分別為0.478、0.489、0.806，這也驗(yàn)證神經(jīng)網(wǎng)絡(luò)模型擬合情況最優(yōu)的結(jié)論。

圖4 不同模型擬合方程對(duì)比圖Fig.4 Comparison charts of fitting equations of different models

從以上三個(gè)預(yù)測(cè)模型的對(duì)比可以看出，逐步回歸法可采用的強(qiáng)相關(guān)的理化參數(shù)僅有兩個(gè)，模擬度不高，預(yù)測(cè)結(jié)果存在很大誤差。偏最小二乘法也類似，即便選取10個(gè)理化參數(shù)進(jìn)行模擬，其線性程度不高，得到的R2也未能提升，對(duì)預(yù)測(cè)結(jié)果的貢獻(xiàn)度不大。對(duì)于面粉和面制品這樣影響因素多、制作工藝復(fù)雜的樣品，采用人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行擬合，通過對(duì)所有影響因子進(jìn)行擬合，所有樣品的試驗(yàn)值與預(yù)測(cè)值吻合度良好，其R2均可達(dá) 0.8以上，表明該模型更加適用于運(yùn)用面粉的理化指標(biāo)對(duì)感官評(píng)價(jià)結(jié)果進(jìn)行預(yù)測(cè)。

3 結(jié)論

通過對(duì)66個(gè)小麥樣品（涉及12個(gè)品種）的面粉各項(xiàng)理化指標(biāo)及制成的面包的感官評(píng)價(jià)指標(biāo)進(jìn)行主成分分析，其結(jié)果顯示，面包感官評(píng)分的高低與面筋指數(shù)、最大拉伸阻力、攪拌時(shí)間、拉伸面積以及穩(wěn)定時(shí)間等關(guān)系密切。聚類分析可將多品種的小麥進(jìn)行分類，從而對(duì)面粉生產(chǎn)過程中的配麥、配粉提供參考依據(jù)，同時(shí)可根據(jù)麥源行情進(jìn)行小麥品種的替代，提升生產(chǎn)效率或者節(jié)約生產(chǎn)成本。在本研究中提及的小麥，相似度較高的有兩類，一類為JS，F(xiàn)DC，JN和XN，這類小麥制成的面粉延展性更好、易操作，比較適合制作對(duì)體積要求不高、但更需要延展性的產(chǎn)品，如開酥類面包。另一類為SL，NM，ZMQ和ZMJ，其面筋質(zhì)量更好，制作面包體積更大，比較適合制作體積大、耐操作性強(qiáng)、口感較勁道的面包產(chǎn)品。聚類分析對(duì)烘焙專用面粉的原糧采購、生產(chǎn)研發(fā)起到一定的指導(dǎo)作用。

對(duì)比逐步回歸、偏最小二乘和神經(jīng)網(wǎng)絡(luò)模型三個(gè)方法建立的預(yù)測(cè)模型，使用人工神經(jīng)網(wǎng)絡(luò)建立的模型擬合性明顯優(yōu)于其他模型。由于小麥的品質(zhì)受天氣和地域的影響較大，因此批次間存在一定的波動(dòng)，對(duì)面粉終產(chǎn)品的品質(zhì)穩(wěn)定性有一定的不利影響。使用神經(jīng)網(wǎng)絡(luò)模型，能夠?qū)⑺杏绊懸蛩匕谝粋€(gè)網(wǎng)絡(luò)模型中，具有便捷性和準(zhǔn)確性等優(yōu)勢(shì)，可快速預(yù)測(cè)不同品種小麥的烘焙特性，實(shí)時(shí)調(diào)整配麥、配粉方案，保證產(chǎn)品穩(wěn)定性，開發(fā)更具有針對(duì)性的烘焙專用面粉，在相關(guān)領(lǐng)域的研究中進(jìn)行廣泛的應(yīng)用。此研究結(jié)果，可以為面粉粉質(zhì)及面包感官評(píng)價(jià)相關(guān)性方面提供一些研究思路和技術(shù)參考。

備注：本文的彩色圖表可從本刊官網(wǎng)（http//lyspkj.ijournal.cn）、中國知網(wǎng)、萬方、維普、超星等數(shù)據(jù)庫下載獲取。