АВТОМАТИЗИРОВАННОЕ ОПРЕДЕЛЕНИЕ ДИСПЕРСНОСТИ ВОЗДУШНОЙ ФАЗЫ В МОРОЖЕНОМ С ПРИМЕНЕНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
Аннотация и ключевые слова
Аннотация (русский):
Мороженое – популярный замороженный десерт, характеризующийся присутствием воздушной фазы в виде мельчайших пузырьков (средний диаметр 15–60 мкм). При создании новых рецептур мороженого необходимо учитывать влияние композиционного состава и производственных факторов на состояние воздушной фазы. Важно достоверно и с минимальными затратами времени определять ее дисперсность. Цель исследования – разработка и оптимизация алгоритма для автоматической разметки положения центров и диаметра воздушных пузырьков на микроскопических изображениях типа ограничивающая окружность на примере мороженого, а также создание компьютерной программы. Провел поиск и анализ статей по применению микроскопического метода исследований для оптимизации технологических параметров работы оборудования или рецептуры мороженого и замороженных десертов, опубликованных на русском и английском языках в базах данных WoS и RSCI за последние 20 лет. Выполнил сбор микроскопических изображений воздушной фазы в мороженом при помощи микроскопа Оlympus CX41RF. Для написания автоматической программы разметки использовал язык программирования Python, библиотеку машинного обучения Keras и фреймворк TensorFlow. Обучение моделей выполнено при помощи видеоускорителя NVIDIA GTX. Анализ научной литературы показал, что дисперсность воздушной фазы в мороженом зависит от его состава и параметров процесса фризерования и закаливания, а формирование воздушных пузырьков описывается теориями пенообразования. На основе ручной разметки микроскопических изображений пузырьков воздуха в мороженом создал обучающий массив данных. Определил оптимальное количество каналов в конволюционных слоях нейронной сети на базе архитектуры LeNet, которая позволила классифицировать изображения сфер/не сфер с точностью более 0,995. Установил пределы срабатывания нейронной сети при использовании метода скользящего окна: 7,5 % диаметра при боковом смещении, 12,5 % при масштабировании. Разработанный алгоритм позволяет автоматически размечать пузырьки на микроскопических изображениях. Погрешность определения среднего диаметра сфер не превышала 1,8 %. Разработал метод автоматизированного подсчета количества и диаметра пузырьков воздуха в мороженом, который позволяет снизить трудоемкость проводимых исследований. Исходный код проекта размещен в открытом доступе и может быть адаптирован исследователями для решения своих задач в области компьютерного зрения.

Ключевые слова:
Мороженое, дисперсность, пузырьки воздуха, микроскопия, машинное обучение, нейронная сеть
Текст
Текст произведения (PDF): Читать Скачать
Список литературы

1. Genovese A, Balivo A, Salvati A, Sacchi R. Functional ice cream health benefits and sensory implications. Food Research International. 2022;161. https://doi.org/10.1016/j.foodres.2022.111858

2. Akbari M, Eskandari MH, Davoudi Z. Application and functions of fat replacers in low-fat ice cream: A review. Trends in Food Science and Technology. 2019;86:34-40. https://doi.org/10.1016/j.tifs.2019.02.036

3. Gheisari HR, Heydari S, Basiri S. The effect of date versus sugar on sensory, physicochemical, and antioxidant properties of ice cream. Iranian Journal of Veterinary Research. 2020;21(1):9-14.

4. Arslaner A, Salik MA. Functional ice cream technology. Akademik Gıda. 2020;18(2):180-189. https://doi.org/10.24323/akademik-gida.758835

5. Ademosun AO. Glycemic properties of soursop-based ice cream enriched with moringa leaf powder. Foods and Raw Materials. 2021;9(2):207-214. https://doi.org/10.21603/2308-4057-2021-2-207-214

6. Wu B, Freire DO, Hartel RW. The effect of overrun, fat destabilization, and ice cream mix viscosity on entire meltdown behavior. Journal of Food Science. 2019;84(9):2562-2571. https://doi.org/10.1111/1750-3841.14743

7. Cheng J, Ma Y, Li X, Yan T, Cui J. Effects of milk protein-polysaccharide interactions on the stability of ice cream mix model systems. Food Hydrocolloids. 2015;45:327-336. https://doi.org/10.1016/j.foodhyd.2014.11.027

8. da Silva Faresin L, Devos RJB, Reinehr CO, Colla LM. Development of ice cream with reduction of sugar and fat by the addition of inulin, Spirulina platensis or phycocyanin. International Journal of Gastronomy and Food Science. 2022;27. https://doi.org/10.1016/j.ijgfs.2021.100445

9. Chang Y, Hartel RW. Development of air cells in a batch ice cream freezer. Journal of Food Engineering. 2002;55(1):71-78. https://doi.org/10.1016/S0260-8774(01)00243-6

10. Warren MM, Richard WH. Structural, compositional, and sensorial properties of United States commercial ice cream products. Journal of Food Science. 2014;79(10):E2005-E2013. https://doi.org/10.1111/1750-3841.12592

11. Yan G, Cui Y, Lia D, Ding Y, Han J, Wang S, et al. The characteristics of soybean protein isolate obtained by synergistic modification of high hydrostatic pressure and phospholipids as a promising replacement of milk in ice cream. LWT. 2022;160. https://doi.org/10.1016/j.lwt.2022.113223

12. Исследование воздушной фазы мороженого, содержащего НФ-концентрат творожной сыворотки / В. Н. Шохалова [и др.] // Молочнохозяйственный вестник. 2017. Т. 26. № 2. С. 130-137. https://www.elibrary.ru/ZBFZXF

13. Gurskiy IA, Tvorogova AA, Shobanova TV. The condition of the structure of the thawed aerated sour-milk desserts during its storage. Proceedings of the Voronezh State University of Engineering Technologies. 2020;82(2):94-100. (In Russ.). https://doi.org/10.20914/2310-1202-2020-2-94-100

14. Landikhovskaya AV, Tvorogova AA, Kazakova NV, Gursky IA. The effect of trehalose on dispersion of ice crystals and consistency of low-fat ice cream. Food Processing: Techniques and Technology. 2020;50(3):450-459. (In Russ.). https://doi.org/10.21603/2074-9414-2020-3-450-459

15. Gurskiy IA, Tvorogova AA. The effect of whey protein concentrates on technological and sensory quality indicators of ice cream. Food Processing: Techniques and Technology. 2022;52(3):439-448. (In Russ.). https://doi.org/10.21603/2074-9414-2022-3-2376

16. Jing X, Chen Z, Tang Z, Tao Y, Huang Q, Wu Y, et al. Preparation of camellia oil oleogel and its application in an ice cream system. LWT. 2022;169. https://doi.org/10.1016/j.lwt.2022.113985

17. Schroeder AB, Dobson ETA, Rueden CT, Tomancak P, Jug F, Eliceiri KW. The ImageJ ecosystem: Open-source software for image visualization, processing, and analysis. Protein Science. 2021;30(1):234-249. https://doi.org/10.1002/pro.3993

18. Ilonen J, Juránek R, Eerola T, Lensu L, Dubská M, Zemčík P, et al. Comparison of bubble detectors and size distribution estimators. Pattern Recognition Letters. 2018;101:60-66. https://doi.org/10.1016/j.patrec.2017.11.014

19. Cui Y, Li C, Zhang W, Ning X, Shi X, Gao J, et al. A deep learning-based image processing method for bubble detection, segmentation, and shape reconstruction in high gas holdup sub-millimeter bubbly flows. Chemical Engineering Journal. 2022;449. https://doi.org/10.1016/j.cej.2022.137859

20. Cerqueira RFL, Paladino EE. Development of a deep learning-based image processing technique for bubble pattern recognition and shape reconstruction in dense bubbly flows. Chemical Engineering Science. 2021;230. https://doi.org/10.1016/j.ces.2020.116163

21. Jabarkhyl S, Barigou M, Zhu S, Rayment P, Lloyd DM, Rossetti D. Foams generated from viscous non-Newtonian shear-thinning liquids in a continuous multi rotor-stator device. Innovative Food Science and Emerging Technologies. 2020;59. https://doi.org/10.1016/j.ifset.2019.102231

22. Cook KLK, Hartel RW. Mechanisms of ice crystallisation in ice cream production. Comprehensive Reviews in Food Science and Food Safety. 2010;9(2):213-222. https://doi.org/10.1111/j.1541-4337.2009.00101.x

23. Caillet A, Cogné C, Andrieu J, Laurent P, Rivoire A. Characterization of ice cream structure by direct optical microscopy. Influence of freezing parameters. LWT - Food Science and Technology. 2003;36(8):743-749. https://doi.org/10.1016/S0023-6438(03)00094-X

24. Eisner MD, Wildmoser H, Windhab EJ. Air cell microstructuring in a high viscous ice cream matrix. Colloids and Surfaces A: Physicochemical and Engineering Aspects. 2005;263(1-3):390-399. https://doi.org/10.1016/j.colsurfa.2004.12.017

25. Parra ODH, Ndoye F-T, Benkhelifa H, Flick D, Alvarez G. Effect of process parameters on ice crystals and air bubbles size distributions of sorbets in a scraped surface heat exchanger. International Journal of Refrigeration. 2018;92:225-234. https://doi.org/10.1016/j.ijrefrig.2018.02.013

26. Goraya RK, Singla M, Bajwa U, Kaur A, Pathania S. Impact of sodium alginate gelling and ingredient amalgamating order on ingredient interactions and structural stability of ice cream. LWT. 2021;147. https://doi.org/10.1016/j.lwt.2021.111558

27. Akalın AS, Kesenkas H, Dinkci N, Unal G, Ozer E, Kınık O. Enrichment of probiotic ice cream with different dietary fibers: Structural characteristics and culture viability. Journal of Dairy Science. 2018;101(1):37-46. https://doi.org/10.3168/jds.2017-13468

28. Samakradhamrongthai RS, Jannu T, Supawan T, Khawsud A, Aumpa P, Renaldi G. Inulin application on the optimization of reduced-fat ice cream using response surface methodology. Food Hydrocolloids. 2021;119. https://doi.org/10.1016/j.foodhyd.2021.106873

29. Narala VR, Orlovs I, Jugbarde MA, Masin M. Inulin as a fat replacer in pea protein vegan ice cream and its influence on textural properties and sensory attributes. Applied Food Research. 2022;2(1). https://doi.org/10.1016/j.afres.2022.100066

30. Baldominos A, Saez Y, Isasi P. A survey of handwritten character recognition with MNIST and EMNIST. Applied Sciences. 2019;9(15). https://doi.org/10.3390/app9153169

31. Rosebrock A. Deep learning for computer vision with python: Starter bundle. PyImageSearch; 2017. 330 p.

32. Prashanth DS, Mehta RVK, Ramana K, Bhaskar V. Handwritten Devanagari Character Recognition using modified lenet and alexnet convolution neural networks. Wireless Personal Communications. 2022;122:349-378. https://doi.org/10.1007/s11277-021-08903-4


Войти или Создать
* Забыли пароль?