基于图像分析的豆蛋白挤出居住时间和质地预测研究

科学领域:

• 食品科学与技术 食品科学与技术
• 材料科学 材料科学 材料科学
• 工程 工程师 工程师 工程师

背景情况:

• 了解加工参数和材料行为之间的关系对于优化挤出工艺至关重要.
• 机器视觉和人工智能为产品质量评估提供了新的方法.

研究的目的:

• 研究螺丝速度,料速度和初始水分含量对挤出机中材料的停留时间分布 (RTD) 的影响.
• 使用机器视觉和人工智能开发和优化挤出产品的纹理预测模型.

主要方法:

• 在不同的螺旋转速,料速度和初始材料水分含量下探索RTD.
• 使用在图像特征上训练的反向传播 (BP) 神经网络开发纹理预测模型.
• 使用粒子群优化 (PSO) 和遗传算法 (GA) 优化BP神经网络的优化.

主要成果:

• 料速度对挤出过程的影响比螺丝速度更大.
• 增加的初始材料含水量缩短了RTD,并导致更多孔的微观结构.
• 更高的螺丝转速会导致更密集的产品结构,而更高的料速度会减少孔径大小.
• 基因算法 (GA) 在减少预测错误方面比粒子群优化 (PSO) 更有效 (p < 0.05).
• 粒子集群优化 (PSO) 模型展示了对产品纹理的优异预测性能.

结论:

• 处理参数显著影响材料RTD和挤出产品微观结构.
• 机器视觉与优化的AI模型相结合,可以从产品图像中准确预测关键的纹理特性 (硬度,弹性,性).
• 该研究强调了先进的计算方法在质量控制和挤出过程中的产品开发中的潜力.