利用智能手机内置的机器学习技术对角豆糖浆进行比色质量监测

《Food Analytical Methods》：Colorimetric Quality Monitoring of Carob Syrup Using Smartphone-Embedded Machine Learning

车饼糖浆两种制备方法（快速煮沸与24小时浸泡）的理化特性、多酚/黄酮含量及抗氧化/乳化性能对比。传统浸泡法获得更高矿物质、多酚（2311 mg GAE/100g）、黄酮（199 mg QE/100g）及乳化能力（61.1%），但糖浓度较低。手机-ANN模型可实时预测糖浆质量与化学属性。

　　

摘要

角豆（Ceratonia siliqua L.）糖浆是一种具有功能性且营养价值丰富的产品，广泛应用于食品领域。本研究比较了两种制备方法：一种是快速的30分钟煎煮法（糖浆1），另一种是传统的24小时浸泡法（糖浆2），并利用基于智能手机的颜色评估和人工神经网络（ANN）模型对其转化为糖蜜的过程进行了实时监测。物理化学分析表明，两种糖浆的pH值均略呈酸性，总可溶性固体含量相似，但糖浆1的密度、导电率和可溶性糖含量更高；由于提取时间较长，糖浆2中的矿物质含量也更高。此外，糖浆2含有更多的多酚（2311毫克 vs 581毫克 GAE/100克）、黄酮类化合物（199毫克 vs 128毫克 QE/100克）和单宁（93.8毫克 vs 595.3毫克 TAE/100克）。这些差异使得糖浆具有更优异的功能特性，如更强的抗氧化活性（89.5% DPPH抑制率 vs 71.4%）和更好的乳化能力（61.1% vs 35.5%）。研究未发现其对S. aureus或E. coli具有抗菌作用。颜色分析显示，在浓缩过程中糖浆逐渐变暗，RGB和L*a*b参数持续下降。人工神经网络回归模型能够根据智能手机拍摄的图像准确预测糖浆的质量，表明颜色指数与化学/功能特性之间存在强烈相关性。总体而言，延长浸泡时间提高了角豆糖浆的营养价值和功能性，而基于智能手机的人工神经网络监测方法在食品加工中的快速、无损质量控制方面表现出色。

图形摘要

角豆（Ceratonia siliqua L.）糖浆是一种具有功能性且营养价值丰富的产品，广泛应用于食品领域。本研究比较了两种制备方法：一种是快速的30分钟煎煮法（糖浆1），另一种是传统的24小时浸泡法（糖浆2），并利用基于智能手机的颜色评估和人工神经网络（ANN）模型对其转化为糖蜜的过程进行了实时监测。物理化学分析表明，两种糖浆的pH值均略呈酸性，总可溶性固体含量相似，但糖浆1的密度、导电率和可溶性糖含量更高；由于提取时间较长，糖浆2中的矿物质含量也更高。此外，糖浆2含有更多的多酚（2311毫克 vs 581毫克 GAE/100克）、黄酮类化合物（199毫克 vs 128毫克 QE/100克）和单宁（93.8毫克 vs 595.3毫克 TAE/100克）。这些差异使得糖浆具有更优异的功能特性，如更强的抗氧化活性（89.5% DPPH抑制率 vs 71.4%）和更好的乳化能力（61.1% vs 35.5%）。研究未发现其对S. aureus或E. coli具有抗菌作用。颜色分析显示，在浓缩过程中糖浆逐渐变暗，RGB和L*a*b参数持续下降。人工神经网络回归模型能够根据智能手机拍摄的图像准确预测糖浆的质量，表明颜色指数与化学/功能特性之间存在强烈相关性。总体而言，延长浸泡时间提高了角豆糖浆的营养价值和功能性，而基于智能手机的人工神经网络监测方法在食品加工中的快速、无损质量控制方面表现出色。

图形摘要