引用本文
束沁炟, 张佳汇, 王琪, 岳宝华, 李倩倩. 基于消费者感官评价能力评估的近红外固态复合调味料鲜美度AI模型构建[J]. 光谱学与光谱分析, 2025,45(8): 2228-2233.
SHU Qin-da, ZHANG Jia-hui, WANG Qi, YUE Bao-hua, LI Qian-qian. Construction of a NIR Solid-State Composite Seasoning Freshness AI Model Based on Consumer Sensory Evaluation Ability Assessment[J]. Spectroscopy and Spectral Analysis, 2025,45(8): 2228-2233.
Doi:10.3964/j.issn.1000-0593(2025)08-2228-06  
Permissions
Copyright©2025, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于消费者感官评价能力评估的近红外固态复合调味料鲜美度AI模型构建
束沁炟1, 张佳汇2,*, 王琪3, 岳宝华3, 李倩倩1,*
1.上海大学管理学院工商管理系, 上海 200444
2.上海太太乐食品有限公司, 上海 201802
3.上海大学理学院, 上海 200444
*通讯作者 e-mail: Jiahui.zhang@cn.nestle.com; qianqian.li@shu.edu.cn

作者简介: 束沁炟, 2004年生, 上海大学管理学院工商管理系本科生 e-mail: simonshuqd7@126.com

收稿日期: 2025-05-08 修回日期: 2025-06-09
基金: 国家自然科学基金青年基金项目(21706156)资助
摘要

针对固态复合调味料鲜美度感官评价主观性强、 数据可靠性低的问题, 本研究提出一种基于近红外光谱(NIRS)与深度学习融合的鲜美度预测模型。 通过筛选1963个市售样品, 结合消费者鲜美度感官评价能力评估, 优化数据质量, 并分别构建一维卷积神经网络(1D-CNN)和二维卷积神经网络(2D-CNN)定量预测模型。 结果表明: 未筛选消费者评价数据时, 模型平均相对误差(MRE)为12.79%~15.86%, 相关系数( R)为0.70~0.74; 经筛选剔除6名评价能力较差的消费者评价数据后, 2D-CNN模型性能显著提升(建模集MRE=4.94%, R=0.90; 验证集MRE=5.25%, R=0.87)。 研究表明, 消费者鲜美度感官评价能力筛选与二维卷积特征提取可有效提高模型预测精度, 为固态复合调味料品质评价及新产品开发提供高效、 客观的技术支持。

关键词: 鲜美度; 感官评价; 近红外光谱; 一维卷积; 二维卷积
中图分类号:O657.3 文献标志码:A
Construction of a NIR Solid-State Composite Seasoning Freshness AI Model Based on Consumer Sensory Evaluation Ability Assessment
SHU Qin-da1, ZHANG Jia-hui2,*, WANG Qi3, YUE Bao-hua3, LI Qian-qian1,*
1. Department of Business Administration, School of Management, Shanghai University, Shanghai 200444, China
2. Shanghai TotoleFood Co., Ltd., Shanghai 201802, China
3. College of Sciences Shanghai University, Shanghai 200444, China
*Corresponding authors
Abstract

To address the issues of intense subjectivity and low reliability in sensory evaluation of umami intensity in solid composite seasonings, this study proposes a prediction model integrating near-infrared spectroscopy (NIRS) and deep learning. By screening 1963 commercial samples and optimizing data quality through consumer sensory evaluation capability assessment, one-dimensional convolutional neural network (1D-CNN) and two-dimensional convolutional neural network (2D-CNN) models were constructed for quantitative prediction. The results showed that without consumer screening, the model achieved a mean relative error (MRE) of 12.79%~15.86% and a correlation coefficient ( R) of 0.70~0.74. After excluding data from 6 consumers with poor evaluation capability, the performance of the 2D-CNN model significantly improved (training set: MRE=4.94%, R=0.90; validation set: MRE=5.25%, R=0.87). This study demonstrates that consumer evaluation capability screening and 2D-CNN-based feature extraction effectively enhance prediction accuracy, providing a robust and objective technical solution for quality assessment and product development of solid composite seasonings.

Keyword: Umami; Sensory evaluation; Near-infrared spectroscopy; 1-dimensional convolutional neural network; 2-dimensional convolusional neural network
0. 引言

随着国内消费者生活质量的显著提升, 对于调味料的要求已从单一型向复合型、 低档向中高档逐步转变。 具有调味、 增鲜、 赋香等功能的固态复合调味料产品在市场上越来越受到消费者的青睐[1]。 调味料口感品质的关键因素, 越来越受到生产厂家的重视。 企业渴望通过精准把握消费者对于固态复合调味料鲜美度的反馈, 以开发出更具针对性的产品, 并实现精准营销。 鲜美度感官评价是一个复杂的过程, 涉及瞬间口腔中感受到的滋味强度、 味道浓郁醇度在口腔中的整体分布、 各种滋味协调与柔性、 促进唾液分泌和食欲程度, 以及咽下后滋味在口腔中持续的时间这5个维度[2]。 这一评价过程, 容易受消费者所处环境情况、 身体状况、 心情等诸多主观因素的影响。 不同消费者对于同一固态复合调味料鲜美度的评价一方面主观性比较强, 差异性比较大; 另一方面, 同一消费者对同一固态复合调味鲜美度评价的重现性也不高。 这种评价的主观性和不稳定性, 给企业在市场调研和新产品开发中带来了极大的挑战。 企业难以收集到客观的、 精准的消费者数据, 导致新产品的开发往往偏离市场需要, 造成企业人力、 物力上的浪费。 因此, 探索出一种快速、 准确地获取消费者鲜美度感官评价数据的技术, 成为企业亟待解决的问题。

近红外光谱(near-infrared spectroscopy, NIRS)技术是一种绿色、 便捷的分析技术, 近年来在食品成分测定[3, 4]、 食品感官分析[5, 6]等诸多方面得到广泛应用。 该技术利用有机物质在近红外光谱区内的光学特征, 结合人工智能(artificial intelligence, AI)算法, 能够快速、 准确地检测食品中一项或多项化学成分的性质和含量。 其优点在于方便、 快速、 高效、 准确、 无污染, 且样品无需预处理, 不会遭到破坏, 同时不消耗化学试剂[7]。 固态复合调味料中的鲜味成分主要包括氨基酸、 核苷酸以及鲜味寡肽等, 这些有机物的信息在近红外光谱中可以很好地得以体现。 鉴于此, 本研究旨在将NIRS技术与AI算法相结合, 应用于固态复合调味料的鲜美度感官评价中, 以期为企业提供一种快速、 客观、 准确的鲜美度预报方法。

本研究收集了大量国内外市售固态复合调味料样品, 涵盖鸡精、 鸡粉、 蘑菇精、 高汤精、 排骨精等多个品种。 通过对消费者评价小组的系统培训, 对样品的鲜美度进行评价, 同时利用NIRS技术获取样品的近红外光谱数据。 在此基础上, 运用AI算法中的深度学习算法探究近红外光谱数据与鲜美度感官评价数据直接的关联性, 构建固态复合调味料的NIR鲜美度AI定量预报模型。 通过消费者感官评价能力的筛选和二维卷积特征提取来提高模型的预测精度, 为固态复合调味料的品质评价及新产品开发提供科学依据和技术支持。

1 实验部分
1.1 试验材料

本研究所包含的固态复合调味料样品共计1 963个, 涵盖了国内外市场上不同品牌、 不同产地、 不同品种的样品, 主要涉及鸡精、 鸡粉、 其他固态复合调味料(如蘑菇精、 高汤精、 排骨精等)三大类, 共计50个品牌。 这1 963个样品中, 其中1 661个作为建模集样品, 302个作为验证集样品。 将收集的每份固态复合调味料样品平均分为两部分, 一部分用于鲜美度感官评价, 另一部分用于近红外检测。

1.2 试验仪器

Spotlight400傅里叶变换红外光谱仪(配置ATR衰减全反射附件及DTGS检测器)(英国PerkinElmer公司); A 11 basic Analytical mill型研磨粉碎机(德国IKA公司); XP4002S型电子分析天平(梅特勒-托利多仪器(上海)有限公司); HY-C700型连续封口机(温州宇骏机械); BPG-9140A型精密鼓风干燥箱(上海一恒科学仪器有限公司); C22-RT22E01型电磁炉(美的集团(上海)有限公司)。

1.3 方法

1.3.1 鲜美度感官评价

由20人消费者组成评价小组, 并对该评价小组进行每周2次、 为期2个月的系统培训, 尽可能确保消费者评价小组人员在感官强度认知上的准确性和统一性。 培训结束后, 消费者评价小组完成1963个样品鲜美度评价打分。

1.3.2 近红外光谱测定方法

分别随机称取样品10.0 g, 用粉碎机粉碎后混匀, 置于10 mm培养皿中, 立即上机测定, 采用漫反射模式进行光谱采集。 每个样品重复三次。 设置测定的参数如下, 波数范围: 7 400~3 800 cm-1; 分辨率: 7 cm-1; 扫描次数: 16次; 室内环境温度: (22± 1)℃。

1.3.3 深度学习算法

一维卷积神经网络的结构包含了输入层、 卷积层、 池化层、 全连接层以及输出层。 在这个结构中, 输入层接受一维信号输入, 卷积层则通过学习可调整的卷积核对上一层的输入或特征进行卷积操作, 通过激活函数处理卷积结果, 生成下一层的输入。 随后, 池化层用于数据降维, 旨在减少计算复杂度的同时有助于保留主要特征。 而全连接层通过结合激活函数实现对组分含量的预测效果[8]。 一维卷积神经网络的结构图如图1所示。

图1 一维卷积神经网络的结构图Fig.1 1D-CNN structure diagram

二维卷积神经网络的结构包含了输入层、 卷积层、 池化层、 全连接层以及输出层, 如图2所示。 在这个结构中, 输入层接受二维信号输入, 卷积层通过二维卷积核在空间维度上提取局部特征, 并结合激活函数增强模型的表达能力。 池化层用于减少计算复杂度, 同时提高模型对局部特征的鲁棒性[9]。 经过卷积和池化操作后, 数据被展平, 并通过全连接层学习深层次的特征表示。 最终, 输出层实现对组分含量的预测结果。

图2 二维卷积神经网络的结构图Fig.2 2D-CNN structure diagram

1.3.4 近红外数据预处理

固态复合调味料的近红外光谱数据如图3(a)所示, 波数范围为7 400~3 800 cm-1, 光谱维度为512, 吸光度范围大约为0.5~1.8。 利用二阶导数以及Savitzky-Golay方法对光谱数据作求导平滑预处理, 预处理后的光谱数据结果如图3(b) 所示。

图3 近红外光谱图及预处理后数据
(a): 原始光谱数据; (b): 预处理后光谱数据Fig.3 NIR and preprocessed data
(a): Raw spectra; (b): 2st derivative+S-G

1.3.5 数据建模流程

建模集数据为1 661个样品, 验证集数据为302个。 数据处理过程如图4所示, 先对光谱数据进行预处理, 再基于预处理后的1 661个建模数据通过一维卷积神经网络或二维卷积神经网络建立NIR鲜美度AI定量预报模型, 然后利用302个验证数据考察该模型的准确性, 如果准确率高, 模型可以应用。 如果准确率低, 考察消费者感官评价能力的差异, 清洗评价能力不高的消费者数据后, 重复预处理和建模过程, 直到验证模型的准确率高后, 再对模型进行应用。

图4 数据处理流程Fig.4 Data processing process

2 结果与讨论

模型的参数为卷积层层数为1, 最大池化层数为1, 一层展平层, 一层全连接层使用随机梯度下降(stochastic gradient descent, SGD)优化器, 学习率为0.001, 采用MSE的损失函数, 训练轮数为20。 以训练集和验证集的平均相对误差(mean relative error, MRE)、 相关系数(R)作为评价模型准确性的标准。

2.1 全部评价人员的模型结果

2.1.1 建模结果

基于20人消费者评价小组的鲜美度值和扫描的近红外光谱构成的1 661个建模集数据, 分别利用一维卷积神经网络和二维卷积神经网络对建模集建立NIR鲜美度AI定量预报模型, 其建模准确性如图5所示。 图5(a)和(b)分别是一维卷积神经网络和二维卷积神经网络的建模结果, 两个模型的训练集MRE分别为10.42%和9.28%、 相关系数R分别为0.62和0.67。 从结果来看, 利用20人消费者评价小组的鲜美度值和近红外光谱数据建立的NIR鲜美度AI定量预报模型准确率比较低。

图5 20人评价小组建模结果
(a): 一维卷积建模结果; (b): 二维卷积建模结果Fig.5 The training results of 20 person evaluation team
(a): The training results of 1D-CNN; (b): The training results of 2D-CNN

2.1.2 验证结果

利用20人消费者评价小组的鲜美度值和扫描的近红外光谱数据构成的302个验证集数据, 对建立的NIR鲜美度AI定量预报模型的准确性进行检验。 其结果如图6(a)和图6(b) 所示。 两个模型的验证集MRE分别为11.56%和10.61%、 相关系数R分别为0.36和0.57。 从验证集结果来看, 模型准确率也比较低。

图6 20人评价小组验证结果
(a): 一维卷积验证结果; (b): 二维卷积验证结果Fig.6 The validation results of 20 person evaluation team
(a): The validation results of 1D-CNN; (b): The validation results of 1D-CNN

从基于20人消费者评价小组数据的模型结果来看, 其建模和验证准确率都比较低, 不能满足企业需求。 由于不同消费者对固态复合调味料鲜美度评价能力有差异, 而且个别消费者的评价数据准确性不高, 导致整个评价小组评价结果的准确性降低, 后续工作需要甄别这些评价能力不高的消费者及其评价数据。

2.2 消费者评价能力的筛选

2.2.1 不同人员评价结果的差异性

对不同人员就鲜美度评价结果的差异性考察是分析其结果是否准确的一项重要工作。 同一样品, 不同消费者的评价结果出现了明显的差异。 图7为两位消费者对同一样品的鲜美度感官评价结果。 其中消费者1鲜美度评价的范围64.38~77.12, 其均值为70.05。 消费者2鲜美度评价的范围73.28~77.28, 其均值为75.05。 可以看出不同消费者的评价结果差异性比较大和均值的相差的也比较大。 对比展示出消费者2对同一固态复合调味料鲜美度评价的差异性比较小, 其评价结果更可靠。

图7 消费者鲜美度评价差异性图Fig.7 Sensory evaluation of difference consumer

2.2.2 不同人员评价结果的一致性

对评价人员评价结果的一致性评价也是考察消费者评价能力的重要工作。 对同一样品, 消费者1和消费者2分别评价10次, 考察其评价结果的一致性。 结果如图8所示, 消费者2对固态复合调味料鲜美度评价的10次数据的一致性比较好。

图8 一致性评价图Fig.8 Consistency estimate of consumer

通过差异性和一致性评价可以看出: 不同消费者对固态复合调味料鲜美度评价结果有着不小的差距, 基于此, 考察了20个消费者对固态复合调味料鲜美度的评价能力, 结果发现其中有6位消费者评价结果差异性大, 一致性差。 因此在后续建模工作中, 我们基于全部20位消费者评价数据和14位评价能力比较好的消费者评价数据分别建立了固态复合调味料的NIR鲜美度AI定量预报模型, 并且对比了两种模型的准确性。

2.3 清洗评价能力不高的评价人员的模型结果

清洗了评价能力不高的6位消费者评价数据, 再分别利用一维卷积神经网络或二维卷积神经网络对建模集的1 661个样品建立NIR鲜美度AI定量预报模型, 并利用302个验证集数据检验该模型的准确性。 图9(a)和(b)分别是一维卷积神经网络和二维卷积神经网络的建模结果, 两个模型的训练集MRE分别为5.60%和4.94%、 相关系数R分别为0.86和0.90。 图10(a)和(b)分别是一维卷积神经网络和二维卷积神经网络的验证结果, 两个模型测试集MRE分别为6.20%和5.25%、 相关系数R分别为0.82和0.87. 结果表明: (1) 清洗了评价能力不高的6位消费者评价数据, 模型的准确性有明显的提高, 可以看出清除不准确的数据, 有利于建立更准确的模型。 (2) 在数据准确的基础上, 基于一维卷积神经网络和二维卷积神经网络建立NIR鲜美度AI定量预报模型都有着比较高的准确率, 但二维卷积神经网络建立的模型效果更好。

图9 建模结果
(a): 一维卷积建模结果; (b): 二维卷积建模结果Fig.9 The training results
(a): The training results of 1D-CNN; (b): The training results of 2D-CNN

图10 验证结果
(a): 一维卷积建模结果; (b): 二维卷积建模结果Fig.10 The validation results
(a): The training results of 1D-CNN; (b): The training results of 2D-CNN

3 结论

针对固态复合调味料鲜美度感官评价主观性强、 数据可靠性低的问题, 提出了一种基于近红外光谱(NIRS)与深度学习融合的鲜美度预测模型。 通过分析发现, 消费者评价结果存在显著差异, 部分个体的低一致性和高离散性数据严重制约模型性能。 经筛选剔除6名评价能力不高的消费者数据后, 模型预测精度显著提升, 其中二维卷积神经网络(2D-CNN)凭借其空间特征提取优势, 能够更有效地捕捉特征间的空间结构和局部模式, 从而建立准确率更高的预测模型, 平均相对误差(MRE)达到4.94%, 相关系数(R)达到0.90, 显著优于一维卷积神经网络模型。 综上, 本研究提出的基于NIRS与深度学习融合的鲜美度预测模型, 为企业提供了一种快速、 客观、 准确的鲜美度预测方法。 该方法能够对大量的消费者评价数据进行甄别和清洗, 提升评价数据的准确性, 同时通过近红外建模, 有助于企业快速获取与消费者感知相近的评价数据, 提升消费者调研的效率, 降低调研成本, 为产品研发维护提供支撑。

参考文献
[1] GU Yan-jun, WANG Fang, ZHANG Jia-hui(顾艳君, 王芳, 张佳汇). The Food Industry(食品工业), 2018, 39(1): 298. [本文引用:1]
[2] LI Xiao-yan, WANG Si-jia, WANG Fang(李晓燕, 王思佳, 王芳). The Food Industry(食品工业), 2022, 43(5): 162. [本文引用:1]
[3] WANG Wen-jun, SHA Yun-fei, WANG Yang-zhong, et al(王文俊, 沙云菲, 汪阳忠, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2023, 43(1): 133. [本文引用:1]
[4] GAO Fang, BAO Lei(高芳, 鲍蕾). Journal of Food Safety & Quality(食品安全质量检测学报), 2024, 15(24): 42. [本文引用:1]
[5] ZHANG Jia-hui, WANG Fang(张佳汇, 王芳). The Food Industry(食品工业), 2023, 44(9): 111. [本文引用:1]
[6] Tolessa K, Rademaker M, De Baets B, et al. Talanta, 2016, 150: 367. [本文引用:1]
[7] Liu T, Zhang Q, Chang D, et al. Analytical Letters, 2018, 51(12): 1935. [本文引用:1]
[8] Kiranyaz S, Avci O, Abdeljaber O, et al. Mechanical Systems and Signal Processing, 2021, 151: 107398. [本文引用:1]
[9] Liu Z, Mao H, Wu C Y, et al. ConvNet for the 2020s[C]. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2022, 11976. [本文引用:1]