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

Abstract

It is now established that artificial neural networks (ANNs) provide better modeling and prediction of the number of microorganisms in raw materials and food. In this case, the INS can be used as informative, fast and cost-effective means. According to European food safety requirements, the main microbiological indicator is the established total number of microorganisms and the number of bacteria of the family Enterobacteriaceae, since they are most often associated with foodborne diseases and poisonings. The aim of the work was to develop a method for predicting the number of bacteria of the Enterobacteriaceae family in raw milk when stored cold and to evaluate the prognostic potential of ANNs. The development of the method consisted of 4 stages. At the first stage, the number of enterobacteria was studied depending on the physicochemical composition of raw milk, temperature and time of storage in the refrigerator. At the second stage, a database of experimental data obtained in research models was formed. At the next stage, the resulting database was entered into the INS. And at the last stage, the effectiveness of the prediction method was assessed. Created by INS consists of three layers: input layer (5 parameters: milk storage temperature (4, 6, 8 and 10 ° С), milk storage period (from 1 to 48 hours); milk acidity (17-20%), fat content (3.2; 3.6; 4.0; 4.5%) and protein content (2.9; 3.0; 3.3%) in milk, hidden layers (with 30 neurons) and the output layer (the number of bacteria is predicted 1200 experimental data were used to train and optimize ANNs, which showed that the prediction had the highest deviation rate of 2.497% (or 370 bacterial cells per ml). Thus, the developed method nozirovaniya can be used to predict the number of bacteria in view of the complex variable environmental conditions in various food products. Also this approach, as the artificial intelligence can be used in the assessment of microbiological risks for the rapid control of food safety. В даний час встановлено, що штучні нейронні мережі (ШНМ) забезпечують краще моделювання та прогноз щодо кількості мікроорганізмів в сирови¬ни та харчових продуктах. Тому їх можна викори¬стати 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 показника¬ми є встановленя загальної кількості мікроорганізмів і кількості бактерій родини Enterobacteriaceae, так як вони найчастіше пов’язані з харчовими захворюван¬нями та отруєннями. Метою роботи було розроблен¬ня методу прогнозування кількості бактерій родини Enterobacteriaceae в сирому молоці при його зберіган¬ні охолодженим та оцінити прогностичну спромож¬ність ШНМ. Розробка методу складалася з 4-х ета¬пів. На першому етапі проводили вивчення кількості ентеробактерій в залежності від фізико-хімічного складу сирого молока, температури і часу зберіган¬ня в умовах холодильника. На другому етапі фор¬мували базу експериментальних даних, отриманих в дослідних моделях. На наступному етапі вводили отриману базу даних до ШНМ. І на останньому етапі проводили оцінку ефективності способу прогнозу¬вання. 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 екс-периментальних даних, які показали, що прогнозуван¬ня має найбільший показник відхилення – 2,497 % (або 370 бактеріальних клітин в 1 мл). Таким чином, розро¬блений метод прогнозування може бути використано для прогнозування кількості бактерій з врахуванням комплексу перемінних умов навколишнього середови¬ща в різних харчових продуктах. Також даний підхід, в якості штучного інтелекту, може бути використа¬ний при оцінці мікробіологічних ризиків та для швид¬кого контролю за безпечністю харчових продуктів.