J. Future Foods | 机器学习结合感官评价和多传感器技术评估中国市售豆酱的综合品质

本文系Journal of Future Foods原创编译，欢迎分享，转载请授权

Introduction

豆酱通常是以大豆和小麦粉为原料，经蒸煮、制曲，利用微生物发酵数月，从而形成的一种半流体状态的发酵食品。目前，传统食品质量的评价和表征方法主要采用人工感官实验和传统的理化仪器检测方法，具有强烈的主观性。而通过传统的实验方法来评估复杂食品的风味耗时且难以同时处理大量数据。为更好的研究发酵豆酱的质量改进方法，需要一种相对客观、准确的豆酱评价方法。相比之下，应用基于传感器技术的仪器，例如色差仪、电子鼻、电子舌等，具备重现性好、操作简便、样品前处理简单等优点。这些智能感官技术已经成功地应用于评估和表征食品的视觉、嗅觉和味觉特性。已有研究证明了利用色度仪、电子鼻和电子舌来定量预测食品关键理化特性的可行性，但将多种传感器技术结合起来对市售豆酱综合品质进行综合评价的相关研究较少，亟待深入研究。

Results

豆酱的颜色分析

样本的地理分布见表1

表1 豆酱样品的来源和编号

豆酱样品的a*存在显著差异。样品D-24和D-32的a*显著高于其他样品；样品D-4的a*最低。

豆酱的气味分析

电子鼻检测结果如图1所示。本研究分析的豆酱样品显示出不同的气味，电子鼻传感器对这些气味有显著的反应。在整个电子鼻气味测试过程中，W1C、W3C、W5C、W6S和W3S传感器表现出了更高的灵敏度。基于电子鼻传感器的响应数据，初步评估了不同豆酱样品之间的气味差异。

图1 豆酱样品对10个电子鼻传感器的响应值结果

采用主成分分析（PCA）对电子鼻测量结果进行进一步检验。33 个不同豆酱样品的电子鼻传感器响应值的PCA结果如图2所示。PC1对方差的贡献率为95.60%，PC2对方差的贡献率为1.87%，累积贡献率为97.47%，涵盖了大部分与豆酱有关的气味信息。值得注意的是，样品D-4、D-25和D-33聚在一起，表明它们的风味特征相似，香气也有很强的相关性。样品D-29、D-26和D-16聚在一起，表明了与上述组不同的独特风味特征。33 个豆酱样品具有相似的气味成分，但它们各自具有独特的气味特征。因此，电子鼻是区分不同品牌豆酱风味特性的有效工具。

图2豆酱样品的电子鼻响应数据PCA得分图

豆酱的滋味分析

结果表明，豆酱样品的电子舌传感器显著的响应值变化，这可能归因于大豆酱发酵过程中产生的游离氨基酸浓度的差异。样品D-33鲜味值最高，咸度仅次于D-5。样品D-5也表现出较高的鲜味值，略低于D-33。相比之下，鲜味值较低的豆酱往往表现出减少的咸味。此外，D-14的丰富度值最高，鲜味和咸味水平也相对较高。综上所述，虽然电子舌的传感器响应值能够定量分析豆酱样品中的各种味道属性，但它们主要用于比较和评估单个味道特征，使对给定豆酱整体风味特征的综合评估复杂化。

基于电子舌响应值对33 种不同豆酱进行PCA，结果如图3所示。PC1方差贡献率62.5%，PC2方差贡献率27.2%，累积贡献率为89.7%。这表明PCA有效地捕获了样品的整体味道信息。值得注意的是，样品D-26和D-27聚集，D-21和D-22聚集，D-20和D-16聚集，表明风味特征相似。相比之下，其他样品如D-8和D-17在PCA中没有重叠或聚类，突出了这些样品之间明显的味道差异。因此，电子舌可以成为区分各种豆酱风味特征的工具。

图3豆酱样品的电子舌响应数据PCA得分图

基于人工智能和机器学习的豆瓣品质评价分析

选择机器学习方法对豆酱样本进行筛选和分类。采用7 个不同模型对豆酱综合质量评分的性能评价（SVR、RF、XGBoost、BRR、RR、KNN、ANN）。如图4所示，对R²和RMSE的分析显示，当应用于训练和测试数据集时，模型之间存在显着的性能差异。SVR模型表现出优异的性能，训练集的R²＝0.999 8，预测集的R²＝0.997，均接近最优值1。RMSE越小，模型的预测精度越高。预测集的RMSE最低，为0.535 9，说明该SVR模型不仅能有效拟合训练数据，而且在预测未知数据时具有较强的泛化能力，能够准确反映豆酱质量的真实特征。

A. SVR; B. RF; C. XGBoost; D. BRR; E. RR; F. KNN; AND G. ANN。

图4 7种机器学习模型预测的豆酱综合品质评分比较

SVR模型在所有评估指标中表现出卓越的性能。结果表明该模型具有良好的拟合能力和泛化能力。SVR通常在小样本情况下表现更好，因为它通过最大化区间来避免过拟合。此外，SVR模型生成的预测结果与实际数据非常接近，表明其在捕获传感器数据与大豆酱质量之间的非线性关系方面是有效的。实验结果表明，通过整合色度计、电子鼻和电子舌的传感器数据，可以定量评估大豆酱的质量特征，从而将SVR模型定位为传统人类感官评估方法的可行替代方案。

Conclusion

本研究采用33 个商品豆酱样品进行感官评价。色度仪、电子鼻和电子舌检测结果表明，不同豆酱样品之间存在明显差异。在SVR、RF、XGBoost、BRR、RR、KNN和ANN模型中，SVR模型的结果优于其他6 种模型。支持向量回归模型在各指标上表现最佳；SVR训练集的R²最高，达到0.999 8；SVR预测集的R²也为0.997 0，接近理想值1；SVR预测集的RMSE最低（0.535 9）。训练和预测数据的高R2值和低RMSE值反映了它们良好的拟合和泛化能力。此外，SVR预测结果与实际数据吻合较好，说明该方法能够捕捉到传感器数据与豆酱质量之间的非线性关系。因此，通过融合色度计、电子鼻和电子舌的传感器信息，利用SVR模型代替人的感官评价，可以定量表征豆酱的质量特征，从而实现如何评价豆酱的质量。该方法将传感器信息与现代机器学习技术相结合，可用于豆酱产品质量的综合表征。

第一作者

姜锦惠，沈阳农业大学2022级博士研究生，研究方向为食品生物技术。参与发表SCI论文3 篇，EI论文1 篇，中文核心文章1 篇，参与申请国家专利12 项。参与编写著作和教材3 部。参与国家自然科学基金面上项目2 项。获2023年沈阳农业大学校长奖学金、沈阳农业大学学业二等奖学金、优秀共青团员、社会实践先进个人等荣誉。

通信作者

乌日娜，教授，博士生导师，博士后合作导师，辽宁省食品发酵技术工程研究中心主任，益生菌发酵与生物智造团队带头人，全国百篇优秀博士论文提名论文获得者。入选教育部国家重大人才计划、农业部重大人才计划、全国食品工业科技创新领军人物、辽宁省优秀科技工作者、辽宁省学术头雁、百千万人才工程百人层次、“兴辽英才”、农业领域青年科技创新人才、高等学校优秀人才，沈阳市高层次领军人才、中青年科技创新人才，天柱山学者等。兼任国家食药同源科技创新联盟发酵分委会副会长、中国食品科学技术学会传统酿造食品分会、特殊食品分会常务理事，益生菌分会理事，中国微生物学会酿造专委会、北京伍连德公益基金会微生态健康管理专委会委员等。兼任Frontier in Microbiology副主编、Food Science of Animal Products、《中国微生态学杂志》《中国酿造》《食品研究与开发》《乳业科学与技术》等杂志编委等。主持科研项目30余项，国家级项目课题5项，参加国家863重大项目等课题40余项。发表论文210余篇，SCI收录101 篇。编著教材和著作16 部，英文专著2 部。申请国家专利75 件，授权42 件。

Machine learning combined with sensory evaluation and multi-sensor technology to evaluate the overall quality of commercial soybean paste in China

Jinhui Jiangab, Shuaiqi Jiab, Guoyang Panab, Xinyu Taoab, Feiyu Anab, Qu Liuab, Junrui Wuac, Rina Wuab*

aCollege of Food Science, Shenyang Agricultural University, Shenyang 110866, China

bEngineering Research Center of Food Fermentation Technology, Shenyang 110161, China

cKey Laboratory of Microbial Fermentation Technology Innovation, Shenyang 110866, China

*Corresponding authors.

Abstract

Soybean paste has been a prominent condiment in East Asia for millennia. Nonetheless, the current methodologies for comprehensively assessing the quality of commercially available soybean paste through sensory evaluation or traditional instruments present significant challenges. In this study, contemporary detection techniques and machine learning methodologies were employed to quantitatively characterize and evaluate the overall quality of soybean paste. Sensory evaluations were conducted on 33 varieties of commercial soybean paste using three types of sensors: a colorimeter, an electronic nose (E-nose), and an electronic tongue (E-tongue) for detection purposes. Subsequently, machine learning models, including support vector regression (SVR), random forest, extreme gradient boosting, Bayesian ridge regression, ridge regression, k-nearest neighbors, and artificial neural network, were developed based on the sensory evaluation data to characterize and assess the overall quality of the soybean paste. The findings from both sensory evaluations and sensor detection indicated notable differences between the various soybean pastes. Soybean pastes can be distinguished using three sensors. The quantitative characterization model informed by the sensor data revealed that the SVR model exhibited the highest coefficient of determination (R²) of 0.999 8 for the training set and 0.997 0 for the prediction set, which was close to the ideal value of 1. Additionally, the root mean square error for the prediction set was the lowest at 0.535 9. These results suggest that SVR demonstrates superior performance in cross-validation and testing, aligning closely with human sensory perceptions, thereby establishing it as the most effective predictive model. This study underscores the potential of integrating sensor data with modern machine learning techniques to supplement traditional sensory evaluations for comprehensive characterization and assessment of soybean paste quality. The outcomes of this study offer significant insights and guidance for the advancement of the soybean paste industry and the enhancement of soybean paste quality.

Reference:

JIANG J H, JI S Q, PAN G Y, et al. Machine learning combined with sensory evaluation and multi-sensor technology to evaluate the overall quality of commercial soybean paste in China[J]. Journal of Future Foods, 2026, 6(4): 554-564. DOI:10.1016/j.jfutfo.2025.04.015.

文章翻译由作者团队提供

编辑：龚艺；责任编辑：梁安琪

封面图片来源：摄图网

J. Future Foods | 基于代谢组学的银耳低分子质量多糖对秀丽隐杆线虫的抗氧化活性研究

北京食品科学研究院、中国食品杂志社和全国糖酒会组委会将于2026年10月15-17日在江苏省南京市南京国际博览中心举办第115届全国糖酒会食品科技成果交流会。食品科技成果交流会期间举办食品科技成果展，本届科技成果展以我国当前食品产业科技需求为导向，重点邀请“十四五”以来获得国家和省部级重要科研项目支持产出的食品科技新成果、新技术、新产品参展，并针对企业技术需要开展精准对接服务。扫描下方二维码即可申请展位。

为进一步促进动物源食品科学理论的完善与创新，加速科研成果向实际生产力的转化，助力产业实现高质量、可持续发展，由北京食品科学研究院、中国肉类食品综合研究中心、中国食品杂志社与海南大学、海南热带海洋学院、江西农业大学共同举办的“2026年动物源食品科学与人类健康研讨会”，将于2026年11月14-15日（11月13日报到）在中国 海南 海口召开。

长按或微信扫码进行注册

会议招商招展

联系人：杨红；电话：010-83152138；手机：13522179918（微信同号）