Construction of a method for predicting the number of enterobacteria in milk using artifical neural networks

Abstract

В даний час встановлено, що штучні нейронні мережі (ШНМ) забезпечують краще моделювання та прогноз щодо кількості мікроорганізмів в сировини та харчових продуктах. Тому їх можна використати для контролю безпечності харчових продуктів та оцінки мікробіологічного ризику. В цьому випадку ШНМ можуть бути використані як інформативні, швидкі та економічно ефективні засоби. Відповідно до Європейських вимог щодо безпечності харчових продуктів, основними мікробіологічними показниками є встановленя загальної кількості мікроорганізмів і кількості бактерій родини Enterobacteriaceae, так як вони найчастіше пов’язані з харчовими захворюваннями та отруєннями. Метою роботи було розроблення методу прогнозування кількості бактерій родини Enterobacteriaceae в сирому молоці при його зберіганні охолодженим та оцінити прогностичну спроможність ШНМ. Розробка методу складалася з 4-х етапів. На першому етапі проводили вивчення кількості ентеробактерій в залежності від фізико-хімічного складу сирого молока, температури і часу зберігання в умовах холодильника. На другому етапі формували базу експериментальних даних, отриманих в дослідних моделях. На наступному етапі вводили отриману базу даних до ШНМ. І на останньому етапі проводили оцінку ефективності способу прогнозування. Створена ШНМ складається з трьох шарів: вхідний шар (5 параметрів: температура зберігання молока (4; 6; 8 і 10 °С); період зберігання молока (від 1 до 48 годин); кислотність молока (17–20 %), вміст жиру (3,2; 3,6; 4.0; 4,5 %) і вмісту білка (2,9; 3,0; 3,3 %) у молоці, прихованих шарів (з 30 нейронами) і вихідного шару (спрогнозоване число бактерій). Для навчання та оптимізації ШНМ використали 1200 експериментальних даних, які показали, що прогнозування має найбільший показник відхилення – 2,497 % (або 370 бактеріальних клітин в 1 мл). Таким чином, розроблений метод прогнозування може бути використано для прогнозування кількості бактерій з врахуванням комплексу перемінних умов навколишнього середовища в різних харчових продуктах. Також даний підхід, в якості штучного інтелекту, може бути використа-ний при оцінці мікробіологічних ризиків та для швидкого контролю за безпечністю харчових продуктів.

There is growing trend to conduct using the artificial intelligence in food microbiology and safety. Currently, artificial neural networks (ANNs) have been found to offer better modeling and predictive approach in microbial behavior in raw material and food. ANNs are currently accepted as informative, rapid and cost-effective tools for assessment of microbial number in food for food safety control, microbial risk assessment and for prevention of human foodborne diseases. According to the current requirements for food products, the main microbiological indicators are the total number of microorganisms and the number of bacteria of the family Enterobacteriaceae due to their association with foodborne disease or poisoning among of consumers. In this case they are used to control the level of hygiene and sanitary practices in food production process. The aim of this work was to develop method of prediction of Enterobacteriaceae in raw milk during it storage in refrigerator conditions and to assess the predictive capacity of the ANN. The developing of the method included next steps: to study the number of the Enterobacteriaceae depending on the composition of the raw milk, temperature and time of refrigerator conditions saving; to form a database of the experimental data obtained in research models with raw milk samples; to enter the received database into the ANN; to assess the effectiveness of the method for predicting the number of bacteria of the family Enterobacteriaceae in raw milk during storage in refrigerator conditions. The created ANN consists of three layers: the input layer (5 input parameters: temperature of milk storage (4; 6; 8 and 10°C); period of milk storage (from 1 to 48 hours); acidity of milk (17 – 20°T); fat (3.2; 3.6; 4.0; 4.5 %) and protein (2.9; 3.0; 3.3 %) content in milk, the hidden layers (with 30 neurons) and the output layer (the predicted number of bacteria of the Enterobacteriaceae family). Total of 1200 experimental data sets were used for ANN training and optimization. The results exhibited that growth prediction has the highest degree of deviation – 2.497% (or 370 bacterial cells in 1 ml).Thus, the use of ANN modeling technique can be used to predict bacterial number in the complex effects of environmental variable conditions in liquid food and to assess the predictive capacity of the ANN as an artificial intelligence for fast method of control the safety of food.