CN112348232A - 一种基于bp神经网络预测食品感官鲜味强度的方法 - Google Patents
一种基于bp神经网络预测食品感官鲜味强度的方法 Download PDFInfo
- Publication number
- CN112348232A CN112348232A CN202011104525.1A CN202011104525A CN112348232A CN 112348232 A CN112348232 A CN 112348232A CN 202011104525 A CN202011104525 A CN 202011104525A CN 112348232 A CN112348232 A CN 112348232A
- Authority
- CN
- China
- Prior art keywords
- sensory
- food
- intensity
- sodium glutamate
- delicate flavor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000001953 sensory effect Effects 0.000 title claims abstract description 101
- 235000013305 food Nutrition 0.000 title claims abstract description 95
- 239000000796 flavoring agent Substances 0.000 title claims abstract description 71
- 235000019634 flavors Nutrition 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 235000013923 monosodium glutamate Nutrition 0.000 claims abstract description 69
- PXEDJBXQKAGXNJ-QTNFYWBSSA-L disodium L-glutamate Chemical compound [Na+].[Na+].[O-]C(=O)[C@@H](N)CCC([O-])=O PXEDJBXQKAGXNJ-QTNFYWBSSA-L 0.000 claims abstract description 63
- 229940073490 sodium glutamate Drugs 0.000 claims abstract description 63
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 238000012937 correction Methods 0.000 claims abstract description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 23
- 230000004044 response Effects 0.000 claims abstract description 18
- 235000019640 taste Nutrition 0.000 claims abstract description 10
- 238000010187 selection method Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 235000019583 umami taste Nutrition 0.000 claims description 63
- 238000012360 testing method Methods 0.000 claims description 23
- 239000007787 solid Substances 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 12
- 239000007788 liquid Substances 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 230000007115 recruitment Effects 0.000 claims description 6
- 235000019607 umami taste sensations Nutrition 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000005119 centrifugation Methods 0.000 claims description 4
- 238000009210 therapy by ultrasound Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000000523 sample Substances 0.000 description 51
- KRKNYBCHXYNGOX-UHFFFAOYSA-N citric acid Chemical compound OC(=O)CC(O)(C(O)=O)CC(O)=O KRKNYBCHXYNGOX-UHFFFAOYSA-N 0.000 description 12
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 10
- 229910021642 ultra pure water Inorganic materials 0.000 description 10
- 239000012498 ultrapure water Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010411 cooking Methods 0.000 description 8
- 238000002360 preparation method Methods 0.000 description 7
- 238000009835 boiling Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- LPUQAYUQRXPFSQ-DFWYDOINSA-M monosodium L-glutamate Chemical compound [Na+].[O-]C(=O)[C@@H](N)CCC(O)=O LPUQAYUQRXPFSQ-DFWYDOINSA-M 0.000 description 6
- 210000000214 mouth Anatomy 0.000 description 6
- 229910001220 stainless steel Inorganic materials 0.000 description 6
- 239000010935 stainless steel Substances 0.000 description 6
- 239000000706 filtrate Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000011780 sodium chloride Substances 0.000 description 5
- AKYHKWQPZHDOBW-UHFFFAOYSA-N (5-ethenyl-1-azabicyclo[2.2.2]octan-7-yl)-(6-methoxyquinolin-4-yl)methanol Chemical compound OS(O)(=O)=O.C1C(C(C2)C=C)CCN2C1C(O)C1=CC=NC2=CC=C(OC)C=C21 AKYHKWQPZHDOBW-UHFFFAOYSA-N 0.000 description 4
- 239000001576 FEMA 2977 Substances 0.000 description 4
- 229930006000 Sucrose Natural products 0.000 description 4
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 description 4
- LOUPRKONTZGTKE-UHFFFAOYSA-N cinchonine Natural products C1C(C(C2)C=C)CCN2C1C(O)C1=CC=NC2=CC=C(OC)C=C21 LOUPRKONTZGTKE-UHFFFAOYSA-N 0.000 description 4
- 239000013065 commercial product Substances 0.000 description 4
- 235000009508 confectionery Nutrition 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 229960003110 quinine sulfate Drugs 0.000 description 4
- 239000005720 sucrose Substances 0.000 description 4
- 239000006228 supernatant Substances 0.000 description 4
- 241000206607 Porphyra umbilicalis Species 0.000 description 3
- 235000013372 meat Nutrition 0.000 description 3
- 206010027654 Allergic conditions Diseases 0.000 description 2
- 235000001715 Lentinula edodes Nutrition 0.000 description 2
- 240000000599 Lentinula edodes Species 0.000 description 2
- 241001441722 Takifugu rubripes Species 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 235000008429 bread Nutrition 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 210000003195 fascia Anatomy 0.000 description 2
- 239000011888 foil Substances 0.000 description 2
- 238000013095 identification testing Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 239000002244 precipitate Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000010025 steaming Methods 0.000 description 2
- 230000009967 tasteless effect Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 238000002137 ultrasound extraction Methods 0.000 description 2
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 206010034203 Pectus Carinatum Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 230000001339 gustatory effect Effects 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000012488 sample solution Substances 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009461 vacuum packaging Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Economics (AREA)
- Immunology (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Preparation And Processing Of Foods (AREA)
Abstract
本发明公开了一种基于BP神经网络预测食品感官鲜味强度的方法，包括：通过感官评价中的二点选配法获得每种食品的谷氨酸钠浓度‑选择率方程；计算选择率为50％时的相对谷氨酸钠浓度；结合谷氨酸钠浓度‑感官鲜味强度曲线评定食品的感官鲜味强度；借助电子舌技术分析食品的水提取液的滋味轮廓，获得不同传感器的响应值；对电子舌数据进行预处理以获得校正集和预测集；基于校正集数据，以电子舌传感器响应值为输入，感官鲜味强度为输出，建立和校正BP神经网络预测模型；基于预测集数据，预测食品感官鲜味强度。此方法可以快速、准确、定量预测食品的感官鲜味强度，建立与完善鲜味快速评价体系。
Description
技术领域
本发明涉及食品检测和品质评价领域，具体涉及一种基于BP神经网络预测食品感官鲜味强度的方法。
背景技术
鲜味在食品风味的调和中起着重要作用，选择及建立合适的鲜味强度评价方法对食品研发、质量检测和产品评级等各方面意义重大。食品的消费终端为人，因此通过人工感官评价得到的结果最具实用性和说服力，但耗费较多的资源。电子舌，由传感器阵列、信号采集单元和模式识别工具组成，分别模拟人类味觉系统中人舌受体、神经网络及大脑的功能，具有良好的重复性及不易疲劳的优点。反向传播神经网络(Back Propagation NeuralNetwork，BPNN)作为一种按误差逆传播算法训练的多层前馈网络，可使用其建立非线形的回归模型，以达到定性区分食物类别和定量预测感官属性强度和理化指标的目的。因此，基于BP神经网络建立食品感官鲜味强度的预测模型，结合两种评价方法的优势，为量化和预测各种食品的鲜味强度提供了有效且快速的方法。
发明内容
针对上述问题，本发明提供一种基于BP神经网络预测食品感官鲜味强度的方法，包括步骤如下：
(1)通过感官评价中的二点选配法获得每种食品的谷氨酸钠浓度-选择率方程；
(2)计算选择率为50％时的相对谷氨酸钠浓度；
(3)结合谷氨酸钠浓度-感官鲜味强度曲线评定食品的感官鲜味强度；
(4)借助电子舌技术分析食品的水提取液的滋味轮廓，获得不同传感器的响应值；
(5)对电子舌数据进行预处理以获得校正集和预测集；
(6)基于校正集数据，以电子舌传感器响应值为输入，感官鲜味强度为输出，建立和校正BP神经网络预测模型；
(7)基于预测集数据，预测食品感官鲜味强度。
步骤(1)中，需要通过招募、筛选、培训步骤，组建一支由24名以上优选评价员组成的评价小组。
步骤(1)中，所述食品需进行加工处理，根据日常食用方式烹制。
步骤(1)中，所述二点选配法的步骤为：以随机顺序向评价员分次呈递四组测试样品，每组样品都包括一个感官鲜味强度级别下的谷氨酸钠溶液和一个食品，谷氨酸钠溶液根据预实验结果确定，并设定四种感官鲜味强度级别，分别为弱、中、中-强和强。
步骤(1)中，以特定的感官鲜味强度级别为x轴，每组样品中选择谷氨酸钠溶液更鲜的评价员的比例为y轴，建立谷氨酸钠浓度-选择率方程。
步骤(2)中，计算选择率为50％时的相对谷氨酸钠溶液浓度。
步骤(3)中，所示谷氨酸钠浓度-感官鲜味强度曲线公式为：InUI＝0.82InCMSG+4.2，式中，UI表示感官鲜味强度值；CMSG表示谷氨酸钠浓度(g/100mL)。
步骤(3)中，具体步骤为：将步骤(2)得出的相对谷氨酸钠浓度作为CMSG代入谷氨酸钠浓度-感官鲜味强度曲线公式中，计算得到UI值，即为该食品的感官鲜味强度值。
步骤(4)中，所述食品的水提取液根据质地进行分类处理，固体样品经过匀浆、超声、离心步骤，半固体/液体样品经过过滤步骤。
步骤(4)中，所述电子舌对每个食品的采集时间为120s，每个食品包括不低于3次平行和7次重复。
步骤(5)中，每个食品舍弃每次平行的第一个检测值，其余数据为各传感器响应值的原始数据，并分为校正集和预测集。
步骤(6)中，具体通过下列操作得到：
构建三层结构的神经网络，包括一个输入层、一个输出层和一个隐含层，确定所述隐含层节点的个数，选择所述神经网络的函数，选取所述校正集中的样本数据训练所述神经网络，通过调整隐含层个数的训练方法优化神经网络模型结构，提高预测性能，校正效果由决定系数R2来评价。
步骤(6)中，传递函数采用线性变换函数Purelin，网络的学习算法采用Levenberg-Marquardt反向传播算法。
步骤(7)中，将所述预测集中的样本数据输入所述神经网络预测模型中进行感官鲜味强度评价。
本发明的有益效果
通过感官评价中的二点选配法获得每种食品的谷氨酸钠浓度-选择率方程，以50％选择率为基准计算得到食品的相对谷氨酸钠浓度，结合谷氨酸钠浓度-感官鲜味强度曲线评定食品的感官鲜味强度。二点选配法的优势是可以直接比较两种刺激的滋味强度之间的差异，对于感官评价员而言，这一方法较为简便，可以避免大量的培训工作带来的资源消耗，而将二点选配法与该方程进行结合分析可以更准确地量化鲜味强度。由于食品的感官评价主要由评价员完成，涉及复杂的机理反应，而食品的鲜味是各鲜味成分互作后的整体反馈，因此食品中的鲜味成分与其感官评价强度之间存在非线性关系。以电子舌传感器响应值为输入，感官鲜味强度为输出，建立非线性的BP神经网络预测模型，用神经网络更符合人的思考和感受方法，以实现对食品进行快速、准确的感官鲜味强度定量预测，建立与完善鲜味快速评价体系。
附图说明
图1是本发明中基于BP网络预测食品感官鲜味强度的方法流程图。
图2是实施例中基于二点选配法得出各样品的谷氨酸钠浓度-选择率曲线。
图3是本发明中基于七个传感器响应(x变量)和感官评分(y变量)的反向传播神经网络模型的在(a)校正集和(b)预测集预测鲜味强度和实际鲜味强度的回归结果。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
如图1所示，本发明中一种基于BP神经网络预测食品感官鲜味强度的方法，包括步骤如下：
(1)通过感官评价中的二点选配法获得每种食品的谷氨酸钠浓度-选择率方程。感官评价包括前期招募、筛选、培训评价员的流程，具体过程如下：根据国际标准ISO 3972:2011和ISO 8586:2012招募、筛选和培训具有正常感官能力、一定感官灵敏度以及对本发明涉及的食品没有过敏情况的候选评价员，其积极参与的意愿也被考虑在内。在开始前，所有候选评价员都签署知情同意书。
其中，招募可通过网络、宣传海报等途径。
其中，筛选流程包括：
(1-1)匹配检验：制备显著高于五种基本滋味阈值的样品，即酸味(柠檬酸，1.00g/L)，甜味(蔗糖，16.00g/L)，苦味(硫酸奎宁，0.15g/L)，咸味(氯化钠，5.00g/L)和鲜味(谷氨酸钠，2.00g/L)，每份溶液10mL。向候选评价员随机呈递10杯样品(每种滋味重复两次)要求候选评价员从左到右评估所有溶液，然后将具有相同滋味的样品匹配在一起，所有样品均以三位随机数字编码的方式呈现，筛选正确匹配率高于80％的候选评价员(1-2)刺激物识别测试：制备较低浓度的五种基本滋味样品，即酸味(柠檬酸，0.60g/L)，甜味(蔗糖，12.00g/L)，苦味(硫酸奎宁，0.08g/L)，咸味(氯化钠，2.00g/L)和鲜味(谷氨酸钠，1.00g/L)，并另外准备纯水样品，每份溶液10mL。采用三角测试，以一种滋味为一组，一组包括两份份纯水样品和一份滋味样品，分次向候选评价员随机呈递5组样品，要求他们从每组三个样品中选择有感官差异的一个样品。所有样品均以三位随机数字编码的方式呈现。筛选正确率达到100％的候选评价员。
(1-3)刺激物强度水平之间辨别测试：呈递一组具有4个不同鲜味强度的样品(0.24，0.34，0.49和0.70g/L的谷氨酸钠溶液)给候选评价员，并告知需以鲜味强度递增的顺序进行样品排序，筛选正确率达到50％的候选评价员。
其中，培训流程包括帮助候选评价员熟悉二点选配法的评估方案和不同的食品，提高其辨别不同鲜味强度样品的能力。在一项二点选配测试中，向小组成员提供一份在对应鲜味感官强度级别下的谷氨酸钠溶液和一份测试样品，要求小组成员品尝这一对样品，并选择出其中鲜味强度更强的一个。
其中，感官实验在专业感官室内进行，配备白光照明，控制人体适宜室温和室内湿度25±1℃，室内湿度55％。
步骤(1)中，感官评价包括食品的加工处理，根据日常食用方式烹制，建立每种食品烹饪方法的标准化程序，包括每种食品和水的特定比例，烹饪时间和烹饪条件等，部分商业产品制备方法参考于食品本身的外包装说明。制备期间不添加额外调味品，以避免其对样品本身鲜味的影响。
其中，在感官测试前2-3h制备完成当天感官用样品，置于烧杯中，使样品温度均维持在室温(25℃)时呈递给评价员。
其中，样品分别装在30mL无味品尝杯中呈递并3位随机数字进行编码，固体样品提供各5g，液体样品提供各10mL。
步骤(1)中，感官评价使用二点选配法，步骤为：以随机顺序向评价员分次呈递四组测试样品，每组样品都包括一个感官鲜味强度级别下的谷氨酸钠溶液和一个食品。对于液体样品，评价员需将样品在口腔内充分品尝10s后吐出；对固体样品，小组成员需将样品在口中完全咀嚼至少20s，充分品尝其滋味后吐出，要求评价员综合考虑感知期间内样品的总体鲜味强度并选择出鲜味更强的样品，随后在评价表上填写对应编号。评价期间，小组成员需用超纯水漱口并用无盐馒头清除异味，每组的单个样品之间休息2min，每对样品之间休息5min。
其中，根据三位熟悉鲜味研究的经验丰富的评估员使用量值估计法进行的预实验结果，设定四种鲜味感官强度级别(弱，中，中-强和强)，分别配制浓度如表1所示的谷氨酸钠溶液。
表1：二点选配法实验中使用的谷氨酸钠浓度
| 鲜味感官强度级别 | MSG浓度(g/100mL) | 间隔因子 |
| 弱鲜 | 0.03，0.05，0.07，0.09 | 1.5 |
| 中鲜 | 0.09，0.12，0.16，0.20 | 1.3 |
| 中-强鲜 | 0.12，0.16，0.20，0.26 | 1.3 |
| 强鲜 | 0.20，0.26，0.34，0.44 | 1.3 |
在完成感官评价后，将数据处理，以特定的感官鲜味强度级别为x轴，每组样品中选择谷氨酸钠溶液更鲜的评价员的比例为y轴，建立谷氨酸钠浓度-选择率方程。
(2)计算选择率为50％时的相对谷氨酸钠浓度。50％选择率基于以下原则：如果某个食品的鲜味强度与某一浓度MSG溶液产生的鲜味强度相同，则选择此MSG溶液比食品更鲜概率为0.5。
(3)结合谷氨酸钠浓度-感官鲜味强度曲线评定食品的感官鲜味强度。具体操作为：将步骤(2)得出的相对谷氨酸钠浓度作为CMSG代入谷氨酸钠浓度-感官鲜味强度曲线公式中，计算得到UI值，即为该食品的感官鲜味强度值。其中，谷氨酸钠浓度-感官鲜味强度曲线公式为：InUI＝0.82InCMSG+4.2，式中，UI表示感官鲜味强度值；CMSG表示谷氨酸钠浓度(g/100mL)。
(4)借助电子舌技术分析食品的水提取液的滋味轮廓，获得不同传感器的响应值。食品的水提取液根据质地进行分类处理，固体样品经过匀浆、超声、离心等步骤，半固体/液体样品经过过滤等步骤。其中，固体样品称取2.0g样品置于50mL的离心管中，加入20.0mL超纯水，匀浆2min，超声提取10min，离心10min(4℃，9500rpm)后取上清液备用，剩余沉淀重复上述步骤。合并两次处理所得上清液，定容至100mL，取80.0mL滤液倒入电子舌专用进样杯中进行测试，液体样品过滤后量取80mL滤液倒入电子舌专用进样杯中进行测试；电子舌对每个食品的采集时间为120s，每个食品至少包括3次平行和7次重复。
(5)对电子舌数据进行预处理以获得校正集和预测集。
每个食品舍弃每次平行的第一个检测值，其余数据为各传感器响应值的原始数据，并分为校正集和预测集。
(6)基于校正集数据，以电子舌传感器响应值为输入，感官鲜味强度为输出，建立和校正BP神经网络预测模型。具体步骤如下：构建三层结构的神经网络，包括一个输入层、一个输出层和一个隐含层，确定隐含层节点的个数，选择神经网络的函数，选取校正集中的样本数据训练神经网络，通过调整隐含层个数等训练方法优化神经网络模型结构，提高预测性能，校正效果由决定系数R2来评价。步骤(6)中，传递函数可采用线性变换函数Purelin，网络的学习算法可采用Levenberg-Marquardt反向传播算法。
(7)基于预测集数据，预测食品感官鲜味强度。可将预测集中的样本数据输入神经网络预测模型中进行感官鲜味强度评价。
实施例
本发明以下以具体实施例来进一步说明该发明的实施过程。
构建一种基于BP神经网络预测食品感官鲜味强度的方法，步骤为：
步骤(1)：通过感官评价中的二点选配法获得每种食品的谷氨酸钠浓度-选择率方程。
步骤(1)中，感官评价包括前期招募、筛选、培训评价员流程，具体过程如下：根据国际标准ISO 3972:2011和ISO 8586:2012招募、筛选和培训具有正常感官能力、一定感官灵敏度以及对本研究涉及的食品没有过敏情况的候选评价员，其积极参与的意愿也被考虑在内。在开始前，所有候选评价员都签署了知情同意书。
其中，招募可通过网络、宣传海报等途径。
其中，筛选流程包括：
(1-1)匹配检验：制备显著高于五种基本滋味阈值的样品，即酸味(柠檬酸，1.00g/L)，甜味(蔗糖，16.00g/L)，苦味(硫酸奎宁，0.15g/L)，咸味(氯化钠，5.00g/L)和鲜味(谷氨酸钠，2.00g/L)，每份溶液10mL。向候选评价员随机呈递10杯样品(每种滋味重复两次)要求候选评价员从左到右评估所有溶液，然后将具有相同滋味的样品匹配在一起。所有样品均以三位随机数字编码的方式呈现，筛选正确匹配率高于80％的候选评价
(1-2)刺激物识别测试：制备较低浓度的五种基本滋味样品，即酸味(柠檬酸，0.60g/L)，甜味(蔗糖，12.00g/L)，苦味(硫酸奎宁，0.08g/L)，咸味(氯化钠，2.00g/L)和鲜味(谷氨酸钠，1.00g/L)，并另外准备纯水样品，每份溶液10mL。采用三角测试，以一种滋味为一组，一组包括两份份纯水样品和一份滋味样品，分次向候选评价员随机呈递5组样品，要求他们从每组三个样品中选择有感官差异的一个样品。所有样品均以三位随机数字编码的方式呈现。筛选正确率达到100％的候选评价员。
(1-3)刺激物强度水平之间辨别测试：呈递一组具有4个不同鲜味强度的样品(0.24，0.34，0.49和0.70g/L的谷氨酸钠溶液)给候选评价员，并告知需以鲜味强度递增的顺序进行样品排序。筛选正确率达到50％的候选评价员。
其中，培训流程包括帮助候选评价员熟悉二点选配法的评估方案和不同的食品，提高其辨别不同鲜味强度样品的能力。在一项二点选配测试中，向小组成员提供一份在对应鲜味感官强度级别下的谷氨酸钠溶液和一份测试样品，要求小组成员品尝这一对样品，并选择出其中鲜味强度更强的一个。
其中，感官实验在专业感官室内进行，配备白光照明，控制人体适宜室温和室内湿度25±1℃，室内湿度55％。
步骤(1)中，感官评价包括食品的加工处理，根据日常食用方式烹制，建立了每种食品烹饪方法的标准化程序，包括每种食品和水的特定比例，烹饪时间和烹饪条件等，部分商业产品制备方法参考于食品本身的外包装说明。制备期间不添加额外调味品，以避免其对样品本身鲜味的影响。
其中，水产类样品的加工方式为：红鳍东方鲀运回当日，剔除鱼体表面筋膜及鱼骨，取肌肉部分清洗后立即用不锈钢锅在电磁炉上进行沸水(1600w)蒸煮20min。文蛤用不锈钢锅在电磁炉上进行沸水(1600w)蒸煮20min。紫菜洗净后，与水以1:200(w/v,g/mL)的质量体积比用不锈钢锅在电磁炉上进行加热熬制，先大火(2100w)加热至沸腾后开始计时，继续小火(300w)煮制20min。
其中，肉类样品的加工方式为：鸡胸肉购买当日，剔除表面筋膜和脂肪，按肌肉纹理切成大小10×2×1cm3的肉片，每200±11.3g至于铝箔包装袋中，并用真空封口机在最大压力的99％处密封包装。调节水浴锅温度到90℃，将装有肉片的真空包装袋置于90℃水浴中30min。
其中，食用菌类样品的加工方式为：将香菇(干)与超纯水以1:5(w/v,g/mL)的质量体积比于室温25℃下浸泡3h，清洗后用剪刀去除香菇蒂，随后放入不锈钢锅中在电磁炉上进行沸水(1600w)蒸煮20min。香菇(新鲜)去蒂后清洗，随后放入不锈钢锅中在电磁炉上进行沸水(1600w)蒸煮20min。
其中，蔬菜类样品的加工方式为：将芦笋用水清洗，取芦笋前8cm片段并切为2cm长小段，随后放入不锈钢锅中在电磁炉上进行沸水(1600w)蒸煮20min。
其中，商业产品类样品的加工方式如表2所示。
表2：商业产品制备方法
其中，样品制备和处理完成后，每个样品取三分之二用于感官评价，剩余样品粉碎后，置于17×23cm规格的铝箔包装袋中，并用真空封口机在最大压力的99％处密封包装，随后将样品储存在-80℃以备后续鲜味成分及电子舌分析。
其中，在感官测试前2-3h制备完成当天感官用样品，置于烧杯中，使样品温度均维持在室温(25℃)时呈递给评价员。
其中，样品分别装在30mL无味品尝杯中呈递并3位随机数字进行编码。固体样品提供各5g，液体样品提供各10mL。
步骤(1)中，感官评价使用二点选配法，步骤为：以随机顺序向评价员分次呈递四组测试样品，每组样品都包括一个感官鲜味强度级别下的谷氨酸钠溶液和一个食品。对于液体样品，评价员需将样品在口腔内充分品尝10s后吐出；对固体样品，小组成员需将样品在口中完全咀嚼至少20s，充分品尝其滋味后吐出。要求评价员综合考虑感知期间内样品的总体鲜味强度并选择出鲜味更强的样品，随后在评价表上填写对应编号。评价期间，小组成员需用超纯水漱口并用无盐馒头清除异味，每组的单个样品之间休息2min，每对样品之间休息5min。
其中，根据三位熟悉鲜味研究的经验丰富的评估员使用量值估计法进行的预实验结果，设定了四种鲜味感官强度级别(弱，中，中-强和强)，分别配制浓度如表3所示的谷氨酸钠溶液。
表3：二点选配法实验中使用的谷氨酸钠浓度及对应样品
在完成感官评价后，将数据处理，以特定的感官鲜味强度级别为x轴，每组样品中选择谷氨酸钠溶液更鲜的评价员的比例为y轴，建立谷氨酸钠浓度-选择率方程，建立结果如图2所示，并将详细参数总结于表4中。
步骤(2)：计算选择率为50％时的相对谷氨酸钠浓度。
其中，50％选择率基于以下原则：如果某个食品的鲜味强度与某一浓度MSG溶液产生的鲜味强度相同，则选择此MSG溶液比食品更鲜概率为0.5，结果如表4所示。
步骤(3)：结合谷氨酸钠浓度-感官鲜味强度曲线评定食品的感官鲜味强度。具体操作为：将步骤(2)得出的相对谷氨酸钠浓度作为CMSG代入谷氨酸钠浓度-感官鲜味强度曲线公式中，计算得到UI值，即为该食品的感官鲜味强度值，结果如表4所示。
其中，谷氨酸钠浓度-感官鲜味强度曲线公式为：InUI＝0.82InCMSG+4.2，式中，UI表示感官鲜味强度值；CMSG表示谷氨酸钠浓度(g/100mL)。
表4：食品的谷氨酸钠浓度-选择率曲线回归方程、相对谷氨酸钠浓度和感官鲜味强度
步骤(4)：借助电子舌技术分析食品的水提取液的滋味轮廓，获得不同传感器的响应值。食品的水提取液根据质地进行分类处理，固体样品经过匀浆、超声、离心等步骤，半固体/液体样品经过过滤等步骤。
其中，固体样品称取2.0g样品置于50mL的离心管中，加入20.0mL超纯水，匀浆2min，超声提取10min，离心10min(4℃，9500rpm)后取上清液备用，剩余沉淀重复上述步骤。合并两次处理所得上清液，定容至100mL，取80.0mL滤液倒入电子舌专用进样杯中进行测试。液体样品过滤后量取80mL滤液倒入电子舌专用进样杯中进行测试。
步骤(4)中，为了确保检测数据的准确性和稳定性，需要对电子舌进行活化、初始化、校准和诊断：将传感器阵列浸入超纯水中，浸泡30min进行传感器活化；在自动进样器的1号与2号位分别放置超纯水和0.01M HCl，进行初始化；在3号与4号位放置超纯水和0.01MHCl，进行传感器自动校准；在自动进样器指定位置超纯水、0.01M HCl、0.01M NaCl和0.01MMSG溶液，按设定的程序进行诊断。此过程环境温度控制在25℃左右，完成后将待测样品溶液盛入电子舌专用烧杯中，采用待测样品和超纯水交替的方式进行检测，每个样品的采集时间为120s，每个样品包括3次平行和7次重复。
步骤(5)：对电子舌数据进行预处理以获得校正集和预测集。每个食品舍弃每次平行的第一个检测值，其余数据为各传感器响应值的原始数据，并分为校正集和预测集。
其中，从每个样品的传感器响应值中选取14个数据为校正集，剩余4个数据为预测集，建立预测模型以评价校正模型。
步骤(6)：基于校正集数据，以电子舌传感器响应值为输入，感官鲜味强度为输出，建立和校正BP神经网络预测模型。具体操作为：
构建三层结构的神经网络，包括一个输入层、一个输出层和一个隐含层，确定隐含层节点的个数，选择神经网络的函数，选取校正集中的样本数据训练神经网络，通过调整隐含层个数等训练方法优化神经网络模型结构，提高预测性能，校正效果由决定系数R2来评价。其中，将7个传感器响应信号值作为自变量输入，感官鲜味强度作为因变量输出；传递函数采用Purelin线性变换函数，网络的学习算法采用Levenberg-Marquardt反向传播算法。其中，通过计算得到最优隐含层神经元数目为30，使用最优参数建立模型，此时模型结果如图3所示，BPNN模型校正集之间具有良好的分布情况，决定系数R2为0.97。
步骤(7)：基于预测集数据，预测食品感官鲜味强度。将预测集中的样本数据输入神经网络预测模型中进行感官鲜味强度评价。模型结果如图3所示，BPNN模型预测集之间具有良好的分布情况，决定系数R2为0.95，可用此模型定量预测食品的感官鲜味强度。
Claims (10)
1.一种基于BP神经网络预测食品感官鲜味强度的方法，其特征在于，包括如下步骤：
(1)通过感官评价中的二点选配法获得每种食品的谷氨酸钠浓度-选择率方程；
(2)计算选择率为50％时的相对谷氨酸钠浓度；
(3)结合谷氨酸钠浓度-感官鲜味强度曲线评定食品的感官鲜味强度；
(4)借助电子舌技术分析食品的水提取液的滋味轮廓，获得不同传感器的响应值；
(5)对电子舌数据进行预处理以获得校正集和预测集；
(6)基于所述校正集数据，以电子舌传感器响应值为输入，感官鲜味强度为输出，建立和校正BP神经网络预测模型；
(7)基于所述预测集数据，预测食品感官鲜味强度。
2.根据权利要求1所述预测食品感官鲜味强度的方法，其特征在于，
步骤(1)中，通过招募、筛选、培训步骤，组建一支由24名以上优选评价员组成的评价小组；
和/或所述食品需进行加工处理，根据日常食用方式烹制；
和/或所述二点选配法的步骤为：以随机顺序向评价员分次呈递四组测试样品，每组样品都包括一个感官鲜味强度级别下的谷氨酸钠溶液和一个食品，谷氨酸钠溶液根据预实验结果确定，并设定四种感官鲜味强度级别，分别为弱、中、中-强和强；
和/或以特定的感官鲜味强度级别为x轴，每组样品中选择谷氨酸钠溶液更鲜的评价员的比例为y轴，建立谷氨酸钠浓度-选择率方程。
3.根据权利要求1所述预测食品感官鲜味强度的方法，其特征在于，步骤(3)中，所示谷氨酸钠浓度-感官鲜味强度曲线公式为：InUI＝0.82InCMSG+4.2，UI表示感官鲜味强度值，CMSG表示谷氨酸钠浓度(g/100mL)。
4.根据权利要求1所述预测食品感官鲜味强度的方法，其特征在于，步骤(3)中，具体步骤为：将步骤(2)得出的相对谷氨酸钠浓度作为CMSG代入谷氨酸钠浓度-感官鲜味强度曲线公式中，计算得到UI值，即为该食品的感官鲜味强度值。
5.根据权利要求1所述预测食品感官鲜味强度的方法，其特征在于，步骤(4)的食品中，水提取液根据质地进行分类处理，固体样品经过匀浆、超声、离心步骤，半固体/液体样品经过过滤步骤。
6.根据权利要求1所述预测食品感官鲜味强度的方法，其特征在于，步骤(4)中，所述电子舌对每个食品的采集时间为120s，每个食品包括不低于3次平行和7次重复。
7.根据权利要求1所述预测食品感官鲜味强度的方法，其特征在于，步骤(5)中，每个食品舍弃每次平行的第一个检测值，其余数据为各传感器响应值的原始数据，并分为校正集和预测集。
8.根据权利要求1所述预测食品感官鲜味强度的方法，其特征在于，步骤(6)中，具体步骤为：构建三层结构的神经网络，包括一个输入层、一个输出层和一个隐含层，确定所述隐含层节点的个数，选择所述神经网络的函数，选取所述校正集的样本数据训练所述神经网络，通过调整隐含层个数的训练方法优化神经网络模型结构，提高预测性能，校正效果由决定系数R2来评价。
9.根据权利要求1所述预测食品感官鲜味强度的方法，其特征在于，步骤(6)中，传递函数采用线性变换函数Purelin，网络的学习算法采用Levenberg-Marquardt反向传播算法。
10.根据权利要求1所述预测食品感官鲜味强度的方法，其特征在于，步骤(7)中，将所述预测集中的样本数据输入所述神经网络预测模型进行感官鲜味强度评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011104525.1A CN112348232A (zh) | 2020-10-15 | 2020-10-15 | 一种基于bp神经网络预测食品感官鲜味强度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011104525.1A CN112348232A (zh) | 2020-10-15 | 2020-10-15 | 一种基于bp神经网络预测食品感官鲜味强度的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112348232A true CN112348232A (zh) | 2021-02-09 |
Family
ID=74360843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011104525.1A Pending CN112348232A (zh) | 2020-10-15 | 2020-10-15 | 一种基于bp神经网络预测食品感官鲜味强度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112348232A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113238004A (zh) * | 2021-05-10 | 2021-08-10 | 云南中烟工业有限责任公司 | 一种利用mlp神经网络模型预测酸味、甜味的方法 |
| CN115541830A (zh) * | 2022-10-28 | 2022-12-30 | 中盐工程技术研究院有限公司 | 一种食盐感官评价模型的构建方法、食盐感官评价模型及食盐感官评价方法 |
| WO2024107356A1 (en) * | 2022-11-17 | 2024-05-23 | Mars, Incorporated | Three-dimensional modeling of mixtures for determining activation level of taste receptors |
| WO2024107878A1 (en) * | 2022-11-17 | 2024-05-23 | Wm. Wrigley Jr. Company | Systems and methods for modeling and displaying sweetener synergy |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090234196A1 (en) * | 2005-05-23 | 2009-09-17 | Keio University | Method of taste measuring, taste sensosr therefor and taste measuring apparatus |
| CN101793886A (zh) * | 2010-03-24 | 2010-08-04 | 北京林业大学 | 一种基于bp神经网络预测发酵酸乳感官评定方法 |
| CN109991368A (zh) * | 2019-03-20 | 2019-07-09 | 华南理工大学 | 基于电子舌的酱油滋味评价方法、装置、介质和计算设备 |
| CN110771848A (zh) * | 2019-11-06 | 2020-02-11 | 江南大学 | 一种基于调味料鲜度评价的极鲜复合调味料的制备方法 |
| CN111639761A (zh) * | 2020-05-19 | 2020-09-08 | 珠海格力电器股份有限公司 | 一种基于bp神经网络预测烘烤食品的感官评价方法 |
-
2020
- 2020-10-15 CN CN202011104525.1A patent/CN112348232A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090234196A1 (en) * | 2005-05-23 | 2009-09-17 | Keio University | Method of taste measuring, taste sensosr therefor and taste measuring apparatus |
| CN101793886A (zh) * | 2010-03-24 | 2010-08-04 | 北京林业大学 | 一种基于bp神经网络预测发酵酸乳感官评定方法 |
| CN109991368A (zh) * | 2019-03-20 | 2019-07-09 | 华南理工大学 | 基于电子舌的酱油滋味评价方法、装置、介质和计算设备 |
| CN110771848A (zh) * | 2019-11-06 | 2020-02-11 | 江南大学 | 一种基于调味料鲜度评价的极鲜复合调味料的制备方法 |
| CN111639761A (zh) * | 2020-05-19 | 2020-09-08 | 珠海格力电器股份有限公司 | 一种基于bp神经网络预测烘烤食品的感官评价方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李露芳: "基于电子舌技术的酱油分析识别研究", 《中国食品学报》 * |
| 肖立中等: "鸡精人工感官评价与电子舌评价的相关模型研究", 《中国调味品》 * |
| 邴芳玲: "食用菌鲜味味觉定性定量方法的电子舌研究", 《现代食品科技》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113238004A (zh) * | 2021-05-10 | 2021-08-10 | 云南中烟工业有限责任公司 | 一种利用mlp神经网络模型预测酸味、甜味的方法 |
| CN115541830A (zh) * | 2022-10-28 | 2022-12-30 | 中盐工程技术研究院有限公司 | 一种食盐感官评价模型的构建方法、食盐感官评价模型及食盐感官评价方法 |
| WO2024107356A1 (en) * | 2022-11-17 | 2024-05-23 | Mars, Incorporated | Three-dimensional modeling of mixtures for determining activation level of taste receptors |
| WO2024107878A1 (en) * | 2022-11-17 | 2024-05-23 | Wm. Wrigley Jr. Company | Systems and methods for modeling and displaying sweetener synergy |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112348232A (zh) | 一种基于bp神经网络预测食品感官鲜味强度的方法 | |
| ELLEKJAER et al. | Assessment of sensory quality of meat sausages using near infrared spectroscopy | |
| Mah et al. | Reduction of oil absorption in deep‐fried, battered, and breaded chicken patties using whey protein isolate as a postbreading dip: Effect on flavor, color, and texture | |
| CN113178261A (zh) | 基于机器学习的糖尿病预测模型构建方法及系统 | |
| Zhu et al. | The evaluation of overall umami intensity in Takifugu obscurus and Ctenopharyngodon idella based on the Steven’s law | |
| Pereira et al. | Sensory Lexicon Development for a P ortuguese Cooked Blood Sausage–M orcela de A rroz de M onchique–to Predict Its Usefulness for a Geographical Certification | |
| Dawson | Sensory methods for measuring differences in food quality: review of literature and proceedings of conference | |
| CN109464027A (zh) | 一种自动炒菜机炒菜方法及自动炒菜机 | |
| CH708057B1 (de) | Nahinfrarot-Verfahren zur Bestimmung von Inhaltsstoffen der Lotuswurzel. | |
| JP7498982B2 (ja) | 炒飯の食味特性を速やかに定量評価する方法 | |
| Morin et al. | Use of experienced panelists and the projective mapping task in comparison to trained panelists and naïve consumers | |
| US9883687B2 (en) | Dehydrated vegetable food product and methods of making the same | |
| KR101853535B1 (ko) | 명태튀김 제조방법 | |
| Chauhan | Acrylamide in crisps (reducing acrylamide in crisps) | |
| Potter | in Foods | |
| ROUSSET et al. | An effective hedonic analysis tool: Weak/strong points | |
| Ishiwaki | Application of taste sensor to blending of coffee | |
| CN111323543B (zh) | 固态复合调味料中鲜美度五维度感官评价标尺的建立方法 | |
| Rose et al. | Sensory profiling by children aged 6–7 and 10–11 years. Part 1: A descriptor approach | |
| KR100914242B1 (ko) | 오상체질진단방법 | |
| US20130268289A1 (en) | Dietary Analysis Tool | |
| Judal et al. | Role of machine vision system in food quality and safety evaluation | |
| Bercot et al. | Effects on texture, appearance, and palatability of gluten-free flour in potato gnocchi | |
| Nurlela et al. | The quality of nugget of broiler chicken meat with addition of sago flour (Metroxylon Sp.) | |
| Lestari et al. | Addition of squid ink (Loligo vulgaris Lamarck, 1798) on tortilla chips to favorite levels |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210209 |