基于可见/近红外光谱与多任务残差一维卷积神经网络模型实现猪肉品质无损同步检测的研究

《LWT》:Non-destructive Simultaneous Detection of Pork Quality Using a Multi-task Residual 1-Dimensional CNN Model Based on Visible and Near-Infrared Spectroscopy

【字体: 大 中 小 】 时间:2026年03月01日 来源:LWT 6.0

编辑推荐:

  为突破传统理化检测的破坏性、耗时性限制,并解决现有光谱检测方法需为不同指标独立建模的难题,研究人员开展了一项利用可见/近红外(Vis-NIR)光谱结合多任务残差一维卷积神经网络(MTR-1D-CNN)对猪肉品质进行无损同步检测的研究。结果表明,该模型可同步、精准预测pH、TBARS和TVB-N三项关键新鲜度指标(R2p>0.80, RPD>2.5),为肉类行业实现高效、全面的品质在线监控提供了创新解决方案。

  
猪肉是全球消费量最大的肉类之一,其新鲜度和安全性直接关系到消费者的健康和食品产业的健康发展。在储藏和加工过程中,脂肪的氧化和蛋白质的降解是导致肉质劣变的关键过程。为了评估肉的新鲜程度,食品科学领域通常需要检测多个关键理化指标,其中最常用的是pH值、硫代巴比妥酸反应物(TBARS)含量和挥发性盐基氮(TVB-N)含量。然而,传统的检测方法(如化学滴定、色谱分析等)往往是破坏性的,需要复杂的样品前处理,耗时费力且成本高昂,难以满足现代食品工业对快速、无损、实时检测的迫切需求。
近年来,可见/近红外(Vis-NIR)光谱技术以其无损、快速和高灵敏度的特点,在食品品质检测中展现出巨大潜力。这项技术通过建立化学计量学模型,可以从光谱信号中反演出样品的成分或品质信息。但当前研究存在一个显著局限:大多数模型是“单靶向”的,即一个模型只针对某一个指标(如pH)进行预测。在实际的肉类新鲜度评估中,需要同时考察多个指标,如果为每个指标都单独建立和运行一个模型,会非常低效,无法实现真正的快速综合评判。那么,能否开发一种先进的建模策略,只用“扫”一次光谱,就能同时、准确地预测出多个关键品质指标呢?这正是本研究试图回答的核心问题。
为此,来自大连工业大学食品科学与技术学院的研究团队在《LWT - Food Science and Technology》期刊上发表了一项创新性研究。他们巧妙地将深度学习领域前沿的“多任务学习”和“残差网络”思想,与Vis-NIR光谱技术相结合,开发了一种全新的多任务残差一维卷积神经网络(MTR-1D-CNN)模型,成功实现了对猪肉pH、TBARS和TVB-N三项指标的无损、同步、高精度检测,为肉类产业的智能化品控开辟了新路径。
为了开展这项研究,研究人员主要采用了以下几项关键技术方法:首先,他们制备了225份猪背最长肌样本,在4°C下储存0-14天以获取不同新鲜度的样本,并采集了400-1800 nm范围的Vis-NIR光谱。同时,他们采用国家标准方法测定了所有样本的pH、TBARS和TVB-N含量作为参考真值。其次,在数据处理方面,他们使用了Savitzky-Golay平滑算法对原始光谱进行去噪预处理,并采用了SPXY算法以3:1的比例划分校正集和预测集。为了增强模型在小样本下的泛化能力,他们对校正集光谱进行了数据增强。最后,在建模环节,本研究核心是提出了MTR-1D-CNN模型,并与传统的单任务深度学习模型(长短期记忆网络LSTM和一维卷积神经网络1D-CNN)进行性能对比。该MTR-1D-CNN模型采用了共享特征提取层与任务特定分支相结合的多任务架构,并在共享层中引入了残差块以优化梯度传播和特征提取能力。模型通过网格搜索优化超参数,并使用均方误差等指标进行评估。
研究结果
3.1. 肉质指标结果
研究表明,在4°C储存条件下,猪肉样本的pH、TBARS和TVB-N含量均随储存时间延长而逐渐增加。pH从第0天的5.18上升至第14天的6.15;TBARS含量(以MDA计)从0.16 mg/kg升高至1.60 mg/kg;TVB-N含量从5.87 mg/100g大幅增加至45.10 mg/100g。这些数据清晰地刻画了猪肉从新鲜到腐败的理化变化轨迹,为后续的建模预测提供了坚实的数据基础。
3.2. 样本光谱分析
所有样本的光谱曲线趋势一致,并显示出明显的吸收峰。例如,415-425 nm处的信号与肉中氧合肌红蛋白和高铁肌红蛋白有关;540-580 nm与血红蛋白和肌红蛋白相关;980 nm附近的信号与O-H键的伸缩振动有关;而1300-1400 nm范围内的信号则对应于亚甲基中C-H键的二次谐波振动。这些光谱信号反映了猪肉中不同化学键的振动信息,能够间接揭示其化学成分(如pH、TBARS、TVB-N)的变化,为深度学习模型进行回归预测分析提供了依据。
3.3. 光谱预处理结果
经过Savitzky-Golay平滑预处理后的光谱,有效去除了基线漂移和噪声,同时保留了关键吸收峰,并使信号更平滑,提升了光谱数据质量,有助于模型更好地捕捉猪肉样本的化学变化。
3.4. 数据增强结果
通过数据增强,每个原始光谱被扩展为5个增强光谱,使校正集样本量从168个增至1008个。增强后的数据集在关键光谱波段分布上与原始集和预测集保持一致,但增加了数据分布的多样性,这从根本上增强了神经网络模型对于微小光谱偏移的泛化鲁棒性。
3.5. 单任务深度学习模型预测结果
单任务的LSTM和1D-CNN模型在预测pH和TVB-N时表现出较好的性能(例如LSTM预测pH的R2p为0.88,RPD为2.94)。然而,这两个模型对TBARS的预测准确性相对较低(R2p在0.73–0.74之间,RPD < 2.0)。这表明TBARS由于其化学复杂性(代表多种次级氧化产物的混合物)及在近红外区域可能缺乏特异性的强吸收峰,对单任务模型的特征提取能力提出了更大挑战。
3.6. MTR-1D-CNN模型预测结果
本研究提出的MTR-1D-CNN模型展现出了卓越的综合性能。该模型通过网格搜索确定了最优超参数组合,并在训练中快速收敛。其预测性能全面优于单任务基线模型:对于pH,R2p为0.84,RPD为2.52;对于TBARS,R2p提升至0.88,RPD显著提高至2.90;对于TVB-N,R2p达到0.90,RPD高达3.12。预测值与实测值散点图显示二者高度吻合,证实了模型在综合评估猪肉品质方面的稳定性和适用性。波长重要性分析进一步显示,模型能够关注到与各指标化学本质相关的特征波段,例如TVB-N对应的~1510 nm(N-H键),pH相关的可见光区及~970 nm(O-H键),以及TBARS相关的1150–1250 nm(C-H键),这表明模型的学习过程具有可解释的化学意义。
研究结论与讨论
本研究成功开发了一种新颖的多任务残差一维卷积神经网络(MTR-1D-CNN),用于猪肉新鲜度的无损同步评估。模型整合了残差学习和多任务架构,有效克服了单靶向检测的局限性。与需要为每个指标单独训练和维护模型的传统方法相比,MTR-1D-CNN框架提供了一种“一步式”解决方案,在保持甚至提高各项指标预测精度的同时,显著提升了检测效率,更适用于工业部署。
讨论部分深入分析了模型优势的内在原因。多任务学习的成功,关键在于利用了不同品质指标(蛋白质降解产生的TVB-N、脂肪氧化产生的TBARS以及酸度变化pH)之间的内在生化耦合关系。模型通过共享底层特征提取层,能够学习到对不同任务都有用的通用光谱表征,并利用TVB-N等任务中更明显的光谱特征知识,来辅助提升对TBARS这种难以预测的任务的准确性,实现了单任务模型无法达到的全面优化。此外,模型中集成的残差块促进了梯度的直接传播,使得网络能够提取更深层的高阶抽象特征,避免了梯度消失问题,增强了模型的训练稳定性和特征提取能力。
尽管取得了 promising 的结果,研究也存在一定局限,例如当前数据集仅限于猪背最长肌单一部位,模型对不同肌肉类型或其他肉类的泛化能力有待进一步验证。未来工作可扩展样本多样性,并探索将此类方法与更全面的品质指数(如通过因子分析得出)相结合,以建立多维度的、更 holistic 的肉类品质评估体系。
总之,这项研究不仅实现了猪肉多项关键品质指标的无损同步检测,更凸显了多任务深度学习在食品质量监测中的优势和广泛应用潜力。它为食品工业实现高效检测与质量控制提供了新的见解和技术方案,是人工智能赋能传统食品检测领域的一次成功实践。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号