Artificial neural network as the tool in prediction rheological Features of raw minced meat

• Autorzy: Balejko J. A. , Nowak Z. , Balejko E.

Warianty tytułu

PL

Sztuczna sieć neuronowa jako narzędzie prognozowania właściwości reologicznych surowych farszów mięsnych

• Języki publikacji: EN

Abstrakty

EN

Background. The aim of the study was to elaborate a method of modelling and forecasting rheological features which could be applied to raw minced meat at the stage of mixture preparation with a given ingredient composition. Material and methods. The investigated material contained pork and beef meat, pork fat, fat substitutes, ice and curing mixture in various proportions. Seven texture parameters were measured for each sample of raw minced meat. The data obtained were processed using the artificial neural network module in Statistica 9.0 software. Results. The model that reached the lowest training error was a multi-layer perceptron MLP with three neural layers and architecture 7:7-11-7:7. Correlation coefficients between the experimental and calculated values in training, verification and testing subsets were similar and rather high (around 0.65) which indicated good network performance. Conclusion. High percentage of the total variance explained in PCA analysis (73.5%) indicated that the percentage composition ofraw minced meat can be successfully used in the prediction of its rheological features. Statistical analysis of the resuits revealed, that artificial neural network model is able to predict rheological parameters and thus a complete texture profile of raw minced meat.

PL

Cel. Analiza matematyczna możliwych kombinacji udziału składników farszu w modelu opartym na trzech poziomach zmienności głównego składnika (mięso) daje 5832 wszystkich możliwych rozwiązań. Tak duża liczba kombinacji wymaga użycia narzędzi, które będą w stanie zoptymalizować proces doboru procentowego udziału składników farszu. Celem niniejszej rozprawy jest opracowanie metody pozwalającej na modelowanie i prognozowanie cech Teologicznych surowych farszów mięsnych na etapie przygotowania mieszaniny o założonym składzie surowcowym. Materiał i metody. Materiałem badawczym było mięso wieprzowe i wołowe z udziałem tłuszczu, zamienników tłuszczu w postaci skrobi i błonnika, solanki peklującej o różnym składzie oraz wody w postaci lodu. Instrumentalnie zbadano siedem głównych parametrów tekstury surowych farszów mięsnych. Do prognozowania wykorzystano moduł sztucznej sieci neuronowej programu Statistica 9.0, a zmiennymi objaśniającymi były procentowe zawartości poszczególnych składników farszu oraz średnica oczka sita urządzenia do rozdrabniania. Wyniki. Na podstawie zgromadzonych danych badawczych przetestowano 1000 sieci neuronowych metodą wstecznej propagacji błędów. Z przetrenowanych na zbiorze danych sieci wybrano cechującą się najmniejszym błędem uczącym. Wybranym modelem sztucznej sieci neuronowej była sieć o architekturze 7:7-11-7:7. Wnioski. Wysoka korelacja wyników uzyskanych z pomiarów instrumentalnych i wyników uzyskanych z predykcji za pomocą sztucznych sieci neuronowych wykazała, że sztuczna sieć neuronowa 7:7-11-7:7, oparta na architekturze perceptronu wielowarstwowego uczonego metodą wstecznej propagacji błędów, pozwala na prognozowanie parametrów Teologicznych surowych farszów mięsnych.

• Wydawca: -
• Czasopismo: Acta Scientiarum Polonorum. Technologia Alimentaria
• Rocznik: 2012
• Tom: 11
• Numer: 3
• Opis fizyczny: p.273-281,fig.,ref.

Twórcy

autor

Balejko J. A.

• Department of Food Engineering, West Pomeranian University of Technology in Szczecin, Papieza Pawla VI/3, 71-459 Szczecin, Poland

autor

Nowak Z.

autor

Balejko E.

Bibliografia

• Balejko J., 2003. Opracowanie dynamicznej metody wyznaczania Teologicznych właściwości artykułów żywnościowych [Study on dynamie method of food rheological features analysis]. Rozprawy nr 218. Wyd. AR Szczecin [in Polish],
• Balejko J., 2007. Reologia żywności [Food rheology]. Wyd. AR Szczecin [in Polish].
• Balejko J., 2012. Analysis of rheological features of viscoelastic materials and apparatus for such studies. Patent no: 210484.
• Boume M.C., 1978. Texture profile analysis. Food Technol. 7, 62-66.
• Boume M.C., 1982. Food texture and viscosity: Concept a measurement. Academic Press.
• Lachowicz K., Żochowska J., 2002. Wpływ dodatku mięsa dzików na teksture drobno rozdrobnionych modelowych farszów mięsnych [Influence of wild boar meat addition on the texture of modelling raw minced meat], Zesz. Nauk. AR Szczec. 2, 81-88 [in Polish],
• Marsili R., 1993. Texture and mouthfeel making rheology real. Food Prod. Design. 8, 54.00-58.
• Peleg M., 1977. Contact and fracture elements as components of the rheological memory of solid foods. J. Texture Stud. 8, 39-4.008.
• Piątek J.W., Dąbrowski K.J., 1980. Instrumentalna ocena tekstury żywności [Instrumental measurement and assessment of food texture], Przem. Spoż. 34, 419-421 [in Polish].
• Piggott J.R., 1988. Sensory analysis of foods. Elsevier Sci. Publ., London.
• Pons M., Fiszman S.M., 1996. Instrumental texture profile analysis with particular reference to gelled Systems. J. Texture Stud. 27, 597-624.
• Qiao J., Wang N., Ngadi M.O., Kazemi S., 2007. Predicting mechanical properties of fried chicken nuggets using image processing and neural network techniques. J. FoodEng. 79, 1065-1070.
• Rai R, Majumdar G.C., DasGupta S., De S., 2005. Prediction of the viscosity of clarified fruit juice using artificial neural network: a combined effect of concentration and temperature. J. Food Eng. 68, 527-533.
• Raptis C.G., Siettos C.I., Kiranoudis C.T., Bafas G.V., 2000. Classification of aged winę distillates using fuzzy and neural network systems. J. Food Eng. 46, 267-275.
• Boccorh R.K., Paterson A., 2002. An artificial neural network model for predicting flavour intensity in blackcurrant concentrates. Food Qual. Prefer. 13, 117-128.
• Ruan R., Almaer S., Zhang J., 2003. Prediction of dough rheological properties using neural networks. Cereal Chem. 72,308-311.
• Steffe J.F., 1996. Rheological methods in food process engineering. Freeman Press. East Lansing, USA.
• Tyszkiewicz S., Baryłko-Pikielna N., Dobrzycki J., Kłosowska D., Jankowski T., Fornal J., Gwiazda S., Poliszko S., 1989. Postęp w analizie żywności. T. 2. Wybrane zagadnienia analizy sensorycznej i fizykochemicznej [Advances in food analysis. Vol 2. Selected issues on sensory and physico-chemical analysis]. Ed. S. Tyszkiewicz. Warszawa [in Polish].
• www.tz.ar.szczecin.pl/jb.
• Xie G., Xiong R., Church I., 1998. Comparison of kinetics, neural network and fuzzy logie in modelling texture changes of dry peas in long time ccooking. Lebensm. Wiss. Technol. 31, 639-647.

Uwagi

Rekord w opracowaniu