基于深度学习的框架，用于实时、无创地测量酸奶发酵的动力学过程

《Journal of Food Measurement and Characterization》：Deep learning-enabled framework for real-time non-invasive measurement of yoghurt fermentation kinetics

　　非侵入式计算机视觉系统结合深度学习模型，通过色度特征(L*,a*,b*)实时预测酸奶发酵时间与pH值，验证了FFNN4架构的高精度（R2达0.996±0.001），并开发Python框架实现工业级自动化监测。

　　

摘要

酸奶发酵是一个复杂的生化过程，受微生物活动和酸化动态的控制，直接影响产品质量。传统上，监测这一过程依赖于侵入性采样和pH值测量，这些方法劳动强度大，存在污染风险，并且妨碍了持续的质量控制。目前，尚不存在一种成熟的非侵入式系统能够整合深度学习模型来实时预测关键的发酵参数，如pH值和时间。为了解决这一难题，本研究引入了一种基于计算机视觉的系统，利用深度学习技术通过表面色度特征（L*、a*、b*）无损地评估酸奶的发酵质量。研究采用了多种深度学习架构进行建模，包括前馈神经网络（Feedforward Neural Network）、长短期记忆网络（Long Short-Term Memory）、门控循环单元（Gated Recurrent Unit）以及Transformer，其中FFNN4（256、128、64）模型被证明是最准确的。该系统在预测发酵时间和pH值方面取得了高精度：发酵时间的预测准确率为R2：0.993 ± 0.004，RMSE：8.03 ± 1.85，MAE：6.54 ± 1.75，MBE：0.11 ± 0.55；pH值的预测准确率为R2：0.996 ± 0.001，RMSE：0.06 ± 0.01，MAE：0.04 ± 0.005，MBE：-0.001 ± 0.01。研究人员使用Python开发了一个基于FFNN4的框架，实现了实时预测功能，该框架集成了图形用户界面（GUI）、实时摄像头传输、基于感兴趣区域（ROI）的图像捕捉和数据记录功能。校准分析显示，该系统的预测结果与实际标准具有极好的一致性（R2：0.9998，RMSE：0.5799，MAE：0.4527），验证了色度数据的可靠性。实验所得的酸奶在物理化学性质、感官特性、质地和微生物特性方面与商业样品一致，无显著差异（p > 0.05）。这种非侵入式监测框架可有效应用于工业生产，提高微生物安全性，实现持续的质量控制，减少对人工操作的依赖，从而支持智能乳制品环境中可扩展的自动化酸奶生产。

酸奶发酵是一个复杂的生化过程，受微生物活动和酸化动态的控制，直接影响产品质量。传统上，监测这一过程依赖于侵入性采样和pH值测量，这些方法劳动强度大，存在污染风险，并且妨碍了持续的质量控制。目前，尚不存在一种成熟的非侵入式系统能够整合深度学习模型来实时预测关键的发酵参数，如pH值和时间。为了解决这一难题，本研究引入了一种基于计算机视觉的系统，利用深度学习技术通过表面色度特征（L*、a*、b*）无损地评估酸奶的发酵质量。研究采用了多种深度学习架构进行建模，包括前馈神经网络（Feedforward Neural Network）、长短期记忆网络（Long Short-Term Memory）、门控循环单元（Gated Recurrent Unit）以及Transformer，其中FFNN4（256、128、64）模型被证明是最准确的。该系统在预测发酵时间和pH值方面取得了高精度：发酵时间的预测准确率为R2：0.993 ± 0.004，RMSE：8.03 ± 1.85，MAE：6.54 ± 1.75；pH值的预测准确率为R2：0.996 ± 0.001，RMSE：0.06 ± 0.01，MAE：0.04 ± 0.005，MBE：-0.001 ± 0.01。研究人员使用Python开发了一个基于FFNN4的框架，实现了实时预测功能，该框架集成了图形用户界面（GUI）、实时摄像头传输、基于感兴趣区域（ROI）的图像捕捉和数据记录功能。校准分析显示，该系统的预测结果与实际标准具有极好的一致性（R2：0.9998，RMSE：0.5799，MAE：0.4527），验证了色度数据的可靠性。实验所得的酸奶在物理化学性质、感官特性、质地和微生物特性方面与商业样品一致，无显著差异（p > 0.05）。这种非侵入式监测框架可有效应用于工业生产，提高微生物安全性，实现持续的质量控制，减少对人工操作的依赖，从而支持智能乳制品环境中可扩展的自动化酸奶生产。