《Food Chemistry: X》：Artificial intelligence in bread making: Applications in quality control, formulation and sensory prediction
编辑推荐：
本文综述了人工智能在面包制作领域的应用，系统阐述了AI技术如何通过数据驱动的方法，变革传统的质量控制、加工优化和产品创新。文章核心介绍了机器学习（ML）和深度学习（DL）算法，如人工神经网络（ANN）、支持向量机（SVM）、随机森林（RF）和卷积神经网络（CNN），在发酵控制、烘烤优化、保质期预测和配方设计中的具体应用。综述指出，AI与电子鼻（E-nose）、数字孪生、物联网（IoT）等技术的结合，有望实现更精准的实时分析与过程控制，推动面包行业向可持续、个性化方向发展，但同时面临数据质量、系统集成和工业化规模应用等挑战。
2. 人工智能在面包制作各环节的应用概览
如文内图表所示，人工智能（AI）在面包制作中是作为数据驱动的决策支持与过程控制框架来实施的，它系统地将原材料特性、加工参数和实时传感器数据与最终产品质量和安全结果联系起来。AI模型在输入层面会考虑原料属性（如面粉蛋白质含量、面筋强度、淀粉损伤、吸水率、酶活性、酵母活力）和过程变量（如搅拌能量、发酵温度、醒发时间、湿度、烘烤温度-时间曲线）。这些静态和动态的输入数据由在线和线内传感器的实时数据流补充，如pH传感器、CO2释放传感器、近红外光谱、红外热成像、湿度传感器、电子鼻和声学传感器，用于监测面团流变学、气体保留、表皮形成以及发酵和烘烤过程中的水分迁移。机器学习算法如ANN、RF、SVM以及深度学习模型如CNN和长短期记忆网络（LSTM）被广泛用于预测关键质量指标，如面包体积、面包屑结构、质地剖面、保质期和感官特性。在高端应用中，强化学习（RL）和深度强化学习（DRL）算法实现了自适应过程控制，能够根据实时质量轨迹值的偏差动态调整发酵条件或烘烤温度曲线。由此产生的AI输出可用于实时控制或配方优化。这种闭环框架使AI能够在原料和加工条件变化的情况下，实现产品一致性、减少批次间差异、提高资源利用率和增强面包制作过程的韧性。
2.1. 面包制作中AI应用的典型示例
为增强清晰度和实用性，本节通过代表性案例展示了AI在面包制作主要步骤中的应用模式。
示例1：基于LSTM网络的AI发酵控制。发酵的变异性是工业面包制作不一致性的主要原因。一种基于LSTM神经网络的AI解决方案被用来分析时间序列数据，如面团温度、pH值、CO2释放和醒发时间。例如，Barilla集团的试点规模实验表明，基于LSTM的模型能够预测醒发的最佳终点并动态改变发酵条件，从而在受控生产环境下提高了批次间一致性并缩短了处理时间。
示例2：用于智能烘烤控制的深度强化学习。另一个已开发的AI应用是烘烤控制。Grupo Bimbo探索了利用DRL结合红外热成像和湿度传感器来控制烤箱内的温度曲线和烘烤时间。DRL智能体持续测量面包表皮颜色变化和内部温度变化，并自动优化热量分布。内部评估显示，在特定生产线和最佳条件下，烘烤不足事件和能源使用均有所减少。
示例3：包装面包中基于ANN的保质期预测。利用与水分活度（aw）、微生物计数、储存温度和包装渗透性相关的数据进行训练的ANN常用于预测保质期。以Campbell's Bakery为例，ANN模型被发现在预测切片面包霉菌生长起始方面具有高准确性，并在试点研究中用于动态管理保质期，减少了产品退货。
示例4：使用电子鼻和DNN模型的AI驱动感官质量预测。结合深度神经网络（DNN）的电子鼻系统在感官质量建模中变得越来越流行。Yamazaki Baking Co. 使用的DNN模型整合了香气指纹、质构剖面数据和配方变量，这些输入与经过训练的感官小组评分显示出很强的相关性，大大加快了产品开发周期并减少了对重复人工感官测试的依赖。
示例5：机器学习辅助的配方优化。在配方设计中，随机森林和贝叶斯优化算法通常用于平衡营养目标、成本和感官可接受性。雀巢研发部门展示了使用此类混合AI框架来重新设计烘焙产品，在保持消费者接受度的同时，增加了纤维含量并降低了热量值，这说明了AI驱动的多目标优化在烘焙创新中的有效性。
3. AI驱动的发酵与烘烤控制
3.1. 发酵优化
发酵在面包制作中起着至关重要的作用，主要是由酿酒酵母将糖转化为二氧化碳和乙醇。传统方法容易受到环境变化、不可预测的微生物作用和手动控制的影响，从而导致批次间差异和产品质量下降。因此，面包店越来越多地采用基于AI的智能发酵系统。这些系统依赖于机器学习、传感器融合和实时数据分析，使发酵控制更加智能和灵活。神经网络模型中的CNN、RNN和LSTM利用来自生物传感器、近红外光谱和气体传感器的数据进行训练，可以预测发酵的关键细节，如微生物生长、pH水平和CO2释放。Barilla集团报告了基于LSTM的模型在受控生产环境下进行发酵监测和面团醒发控制的试点实施。同时，模型预测控制和强化学习等算法被用于监测和调整温度、相对湿度、氧气量和营养水平，据报道可在不影响或改善产品质量的情况下将生产时间减少约20%。另一个重要进展是应用基于AI的虚拟模型来模拟发酵过程，建模不同条件下微生物行为、气体滞留方式和温度变化。这种环境允许测试各种场景，使企业能够快速采取行动并在偏差发生前加以预防。此外，通过连接到物联网设备，可以获得更精细的多模态数据，深度学习模型分析这些复杂数据以确定发酵阶段、检测微生物问题，并建议进入醒发和烘烤的后续步骤。总体而言，AI、ML、数字孪生和物联网在发酵管理中的应用是从依赖操作员手动操作到数据驱动自主系统处理的重大转变。
3.2. 烘烤控制
烘烤涉及热量和质量传递同时发生，在此过程中，面团形成表皮、淀粉糊化、蛋白质变性、水分重新分布并发生美拉德褐变。实时应用AI进行烘烤控制，可以监测过程、预测结果并自动微调设置。这些系统利用高分辨率传感器，特别是红外热成像、热像仪、湿度传感器、声学探测器和气流传感器。机器学习算法将这些输入与关键特性（如表皮颜色、水分存在、面包屑柔软度和烘焙食品内部温度）联系起来。例如，Grupo Bimbo将AI应用于其烘烤控制系统，结合了深度强化学习、红外传感器和声音分析。该系统能自主控制烘烤时长、温度和空气流动，以确保热量均匀分布。内部评估报告称，在优化条件下，AI辅助的烘烤控制减少了烘烤不足产品的数量，并节省了特定生产线的能源。此外，工业烤箱还配备了模型预测控制，该系统能预测成分变化如何影响烘烤过程，并自动调整设置以确保均匀烘烤。数字孪生技术是此控制系统的重要补充，它创建了整个烘烤过程的虚拟表示，模拟不同条件下的热变化和化学变化。与AI结合时，数字孪生可以及早发现过程变化的迹象，并让操作员在问题发生前进行必要的纠正，从而减少返工和停机时间。同时，利用物联网基础设施可以增强智能系统的追踪和扩展能力。例如，智能烤箱连接到云服务，实时报告烘烤数据，有助于预测性维护、能耗检查和批次监控，同时满足HACCP和ISO 22000等标准。这些技术在可持续性方面也很重要，因为它们有助于减少能源使用、减轻环境影响并减少温室气体排放。通过传感器分析、AI控制和模拟，现代面包店可以在提供大规模定制、一致性产品的同时，确保生产线能耗更低、浪费更少，并实现数字可追溯性。
4. AI在面包制作食品安全与风险评估中的应用
除了质量优化，AI目前正被用于面包制造中的食品安全和风险监测，因为监管和消费者关注点集中在丙烯酰胺、重金属、农药残留的形成以及添加剂的滥用上。基于AI的分析框架有可能整合原材料成分、过程参数、传感器输出和分析测量等异构数据集，从而有助于在整个谷物基生产链中进行预测性风险识别和缓解。减轻丙烯酰胺是AI在烘焙安全中最古老的应用之一。利用ML模型（如ANN和集成方法）基于烘烤温度、时间、水分含量和前体物质的可用性来预测丙烯酰胺的形成。这些模型使得人们能够优化烘烤过程中的条件，在保持主要感官特性的同时降低丙烯酰胺浓度，从而有助于遵守监管标准。同时，AI结合光谱和色谱数据对原材料进行筛选，可以早期识别面粉中是否存在重金属和农药，确保及时决策并减轻下游的安全风险。AI还通过预测防腐剂、乳化剂和酶在法定范围内的最佳用量，同时保持产品的保质期和稳定性，来增强添加剂管理和法规遵从性。AI驱动的决策支持工具与数字食品安全管理体系相结合，可提供基于风险的监控、文档记录和过程控制。
5. AI驱动的面包行业预测建模：进展与应用
5.1. 保质期预测
准确预测烘焙产品的保质期对于确保安全、避免产品退货、方便分销和减少浪费是必要的。传统的动力学模型通常无法反映复杂的、非线性的、多因素对烘焙产品变质的影响。AI预测模型通过机器学习算法，整合微生物学、化学和传感器的大量数据，可以学习复杂的变质过程。Campbell's Bakery的案例很好地说明了这一点，他们依赖于一个ANN模型，该模型使用水分活度、温度变化、氧气渗透性以及产黄青霉和黑曲霉生长等数据进行训练。据报告，开发的ANN模型在所评估的操作环境下对变质起始具有很高的预测准确性，在试验期间有助于减少产品退货。AI与传统动力学模型的结合使用越来越普遍。例如，将ANN与威布尔和阿伦尼乌斯方程结合使用，增强了模型的可解释性，并在不同的储存条件下保持了良好的性能。这些混合模型可以利用传感器数据实时调整预测，因此在冷藏车、零售店或环境仓库等变化的环境下更加准确。将物联网与保质期模型集成的质量管理系统提高了行业中保质期管理的控制水平。智能面包店的传感器检查温度、湿度和CO2水平，并将数据报告给AI模型，AI模型据此调整保质期并向供应链经理发送早期警报。这样做可以根据“先过期先出”原则处理产品，有助于避免变质并减少库存损失。此外，保质期模型在塑造新型智能包装方面也发挥着作用。AI通过预测产品与环境的实时反应，帮助决定包装材料和除氧剂的选择，从而延长产品保质期并有助于减少塑料浪费。
5.2. 感官特征建模
烘焙产品的香气、味道、口感、酥脆度和咀嚼性对其被消费者接受和市场成功至关重要。传统的感官评估依赖训练有素的专家小组和描述性分析，这些方法主观性强、耗时且昂贵。因此，越来越多的面包店现在依赖基于AI的工具进行感官建模。这些系统利用ML算法以及来自电子鼻/电子舌、气相色谱-嗅觉测量、质构剖面分析仪和光谱传感器的数据来建模烘焙产品的感官特性。可以有效地训练随机森林、支持向量机、主成分回归和深度神经网络等ML模型，使其能够基于成分和过程数据预测感官描述符。Yamazaki Baking Co. 使用的基于DNN的模型在结合了面粉蛋白质、脂肪、乳化剂、发酵时间和烘烤条件等多模态数据上进行训练。这些输入与气味、质地和表皮酥脆度等描述符相关联，预测结果与专家小组评分的相关性高达r> 0.92。先进的系统利用近红外光谱、电子鼻/电子舌技术以及来自面包屑测试的振动/声学信号，构建产品的详细“指纹”。它们不仅能预测消费者行为，还有助于筛选原型，从而无需进行全面的生产或消费者测试。此外，预测性感官模型对于创造定制化产品非常重要。基于特定人群偏好（如年轻人、老年人或糖尿病患者）构建的模型可以预测配方变化对消费者的影响。这使得面包店能够提供适合不同年龄段、地区或饮食类型需求的产品。如今，将传感器与过程控制系统结合使用，有助于实时保持产品的感官一致性。如果烘焙食品的风味或香气与预测不符，这些系统会调整工艺参数或发出有关异味、表皮过黑或面包屑未烤熟的警报。
5.3. 面包系统中的AI驱动配方优化
烘焙需要仔细平衡面粉、水、酵母、脂肪、糖、亲水胶体和酶的配比，以实现产品正确的结构、质地、风味、健康性和保质期。过去，科学家们通过试错法或使用统计技术来测试不同的配方。尽管这些方法有帮助，但它们难以处理现代烘焙配方中存在的多样化、可变和高维因素。AI和ML在配方设计中的应用正在改变整个领域。先进的ML模型可以理解成分组成与输出质量之间的复杂关系。它们利用来自实验、历史生产数据、流变学报告和口味测试的大量多维数据进行开发，从而能够预测产品结果和消费者反应。例如，雀巢研发部门使用了一个混合了随机森林模型和贝叶斯优化的引擎来重新设计烘焙零食。他们的AI系统同时增加了纤维含量，调整了甜味剂和乳化剂比例，设计出一种新的面包配方，在未影响消费者享受的前提下，将热量减少了25%，将保质期延长了2.5天，并将生产成本降低了11%。这些模型可以通过特征重要性分析进行改进，以找出哪些变量对面包体积、表皮颜色或柔软度最重要。这样，配方设计师可以确定面筋蛋白与亲水胶体的协同作用，并注意到过量纤维会阻碍面团在发酵过程中的气体保留。研究人员现在正专注于将ML预测与基于食品科学的模型结合起来。此外，遗传算法、粒子群优化和贝叶斯优化被用来寻找平衡成本、质地、营养和消费者偏好等多重约束的配方。这些方法在制作无麸质、低血糖指数或纯素烘焙食品方面非常有用，因为传统成分被替换或修改。在数字孪生环境中，AI指导可以在虚拟烘烤、混合和醒发中快速测试的食谱创建过程。这些数字生态系统使面包店能够提前测试各种配方，从而节省时间、减少浪费并加速创新。在工业层面，这些方法使得配方能够即时开发和调整。利用传感器和AI模型来监控成分和环境，如果原材料质量发生变化，可以即时调整工艺参数，从而确保每批产品保持一致。
6. 挑战与未来方向
尽管AI有潜力彻底改变质量控制、优化流程并带来新产品，但它必须克服某些重大挑战才能成功实施并持久应用。
6.1. 面包制作中AI模型的批判性评估与性能比较
除了具体应用领域外，必须对AI模型的性能进行批判性比较，以衡量其在面包制作系统中的稳健性、可扩展性和工业就绪度。虽然AI在改善面包质量预测、过程控制和配方优化方面的潜力已被确定为有前景的，但现有的大部分研究都集中在AI的预测有效性上，而非模型的稳健性、对原材料变化的泛化能力以及工业可行性等方面。ML模型，特别是ANN和SVM，主要用于烘焙质量和面团特性的预测研究，且大多是在受控的实验环境中进行的。最近扩展到使用深度学习架构和基于图像的特征提取，例如提出的基于VGG的模型能够预测面团延展性和韧性，虽然提升了预测能力，但在数据强度、可解释性以及扩展到工业面包店环境等方面仍存在其他问题。总体而言，这些研究显示了模型复杂性、透明度水平和可部署系统之间的显著权衡，在商业面包制作系统中大规模使用之前需要进行系统评估。
6.1.1. AI驱动烘焙系统中的数据基础设施、标注限制与可重复性
尽管AI在烘焙操作中的应用正在兴起，但构建复杂且可泛化的模型仍然取决于能否提供足够的数据基础设施。与受控的实验室测试不同，工业烘焙条件的特点在于原材料因素（如面粉的季节性蛋白质含量、酶活性、淀粉损伤和吸水能力）存在高度可变性。此外，传感器测量数据（包括温度、湿度、气体释放、声学传感器和红外成像）由于传感器漂移、校准变化、污染以及醒发箱和烤箱内恶劣的热条件而存在噪声。因此，要获得高保真、时间同步的数据集，需要采用实现传感器融合、异常值检测、漂移校正和不确定性测量的复杂预处理流程。为了在将数据传递给基于云的模型训练之前减少延迟并增强数据完整性，边缘计算架构越来越多地被智能食品工厂采用，以便在生产线附近进行实时数据过滤和特征提取。与烘焙AI系统相关的另一个挑战是，只有少数高质量标注数据库可用。需要真实标签的属性（例如感官质量、面包屑结构、老化起始点、微生物腐败等）标注过程劳动密集、成本高昂且通常具有主观性。为了应对这些限制，半监督学习、弱监督和自表征学习在食品和制造AI中变得越来越普遍，这使得模型能够利用大量的未标记过程数据，并减少对手动标注的依赖。科学严谨性和可重复性仍然是现有烘焙AI研究的明确差距。很少有公开可用的、直接涉及面包制作（如发酵动力学、烘烤动力学或保质期退化动力学）的基准数据集。这代表了食品AI文献中一个更广泛的、普遍存在的问题，即缺乏标准化的评估协议和用于跨研究和宏观验证的通用数据集。开源生态系统为提高透明度和可重复性提供了方向。采用成熟的ML框架、版本控制的数据管道、标准元数据模式和容器化环境有助于提高应用AI研究的可重复性。此外，联邦学习模型在促进不同食品制造公司之间的协作模型训练方面变得越来越有前景，这些公司无需集中共享数据，从而在增强模型稳健性和泛化能力的同时保护隐私。
6.2. 数据质量、标准化与可及性
人工智能和机器学习的质量取决于用于训练它们的数据质量。各种传感器、不同批次和过程中未知的变化导致数据异构且非结构化，从而降低了模型的预测准确性。此外，由于制造商和设备供应商之间的数据协议没有标准化，AI解决方案无法在更大范围内使用。为了使AI工具能够在烘焙供应链中顺利使用，开发符合工业4.0标准（如OPC-UA和ISA-95）的可互操作数据框架非常重要。
6.3. 与遗留系统的集成
大多数商业面包店依赖于旧的机械和独特的控制系统，这些系统无法与AI协同工作或提供实时数据。更新这些系统需要大量资金投入，添加物联网设备并制作中间件来连接设备与AI软件。边缘AI和数字孪生是以最小基础设施影响将智能连接到制造设备的新方法。
6.4. 工业就绪度、可扩展性与经济限制
尽管许多案例研究和公司报告描述了AI在大型面包店中的成功应用，但对整体工业就绪度应持谨慎态度。大多数报道的实施仍处于试点、概念验证或单设施水平，并且依赖于先进的数字基础设施、内部数据科学专业知识以及定制的生产线，这些并不代表典型的面包店运营。因此，这些方法对中小型面包店或传统生产环境的适用性受到限制。阻碍更广泛实施的最大技术障碍之一是AI系统与旧式烘焙设备的不兼容性。传统的烤箱、醒发箱和搅拌机没有嵌入式传感器、标准连接协议和实时数据接口，限制了AI的轻松集成。在此类系统中增加物联网传感器和边缘计算解决方案会增加资本和运营的复杂性，这不利于对成本敏感的面包店运营。同时，劳动力准备是另一个限制，成功的AI应用意味着需要具备食品科学、过程工程、自动化和数据分析经验的跨学科知识，而许多面包店主要依赖操作员的经验。缺乏正式的培训计划，以及许多“黑箱”模型可能难以理解，也可能成为抵制或未充分利用AI工具的额外原因。扩展决策还面临经济不确定性的问题。尽管在受控条件下，AI系统可以提高效率、减少浪费并优化能源消耗，但在处理配方和生产规模各异的异质性烘焙操作时，投资回报率难以普遍化。传感硬件、软件、系统集成和工人培训的初始投资是短期的，但收益通常是长期的。最后，许多报道的工业成功案例来自企业可持续发展报告或内部研发披露，而非独立的、经过同行评审的实地研究；虽然具有参考价值，但此类来源应被视为技术成熟度的指示性证据，而非结论性证据。
6.5. 技能差距与劳动力培训
AI系统的使用和支持需要食品科学、数据分析、软件工程和控制系统领域的专家协同工作。由于既懂AI又懂食品加工的专家不足，这些技术的实施面临困难。因此，需要引入产学合作、专门设计的技能提升计划以及针对食品行业的AI训练营。可解释AI接口也可以通过解释预测结果而不仅仅是给出黑箱结果，来帮助用户信任系统并做出更好的决策。
6.6. 伦理、环境与监管考量
随着数据驱动系统的更多使用，我们必须更加关注数据所有权、隐私和算法潜在偏见等问题。如果训练数据存在偏差，配方或感官结果可能会出现不一致，导致消费者体验参差不齐。法规需要更新，以管理AI在食品生产中的应用，包括追溯、安全和网络安全等方面。
6.7. 未来研究与机遇
随着能够适应不同原料来源、烘烤条件和人们需求变化的系统的开发，AI在烘焙领域的应用将取得进展。强化学习和联邦学习等新方法允许在生产中进行实时改进，并在不同地点进行团队协作的模型训练，同时无需集中敏感数据。此外，AI可以根据不同人群的饮食、口味和健康需求定制烘焙食品，这是个性化营养的一个重要趋势。同时，AI可以通过减少资源消耗、更高效地利用烤箱和醒发箱的能源，以及利用预测找到副产品的高价值用途，来帮助烘焙变得更加可持续。将AI整合到生命周期评估工具中，可以促进环境友好型产品和高效生产方式的开发。
7. 结论
将AI整合到烘焙中已经摆脱了传统的试错方法，现在依赖于数据和智能技术。AI赋予面包店强大的预测能力、调整方法的能力以及定制产品以满足消费者的能力。Barilla、Grupo Bimbo、雀巢、Campbell's Bakery和Yamazaki Baking Co.等公司报告的案例研究，说明了在特定的运营和基础设施条件下，AI驱动方法的潜在益处，主要是在大规模或数字先进的烘焙系统内。然而，这些例子应被视为指示性的试点示范，而非广泛工业成熟度的证据，因为重大的技术、经济和组织障碍继续限制着大规模的采用。它们支持改进生产运营，并符合可持续性、可追溯性和个性化营养的目标。为了利用这些机会，行业应解决数据系统、旧式连接方式、员工技能和法规遵从方面的重要问题。通过适当投资于跨学科合作、数字资源和合乎伦理的AI，烘焙行业已准备好引领食品行业向智能化、强韧化和以客户为中心的方向转型。
