基于新型深度回归框架的水产浸泡液中甲醛智能定量分析

《Frontiers in Nutrition》:Intelligent quantification of formaldehyde in aquatic product soaking solutions via a novel deep regression framework

【字体: 大 中 小 】 时间:2026年06月05日 来源:Frontiers in Nutrition 5.1

编辑推荐:

  摘要 引言:甲醛(FA)作为水产品防腐剂的非法使用,由于其已被证实具有致癌性,会带来严重公共卫生风险。尽管高效液相色谱(HPLC)等金标准技术具有较高精度,但其实时监测应用受限于繁琐的前处理流程以及对昂贵仪器的依赖,因此亟需发展智能化、无损检测平台。 方法

  
摘要

引言:甲醛(FA)作为水产品防腐剂的非法使用,由于其已被证实具有致癌性,会带来严重公共卫生风险。尽管高效液相色谱(HPLC)等金标准技术具有较高精度,但其实时监测应用受限于繁琐的前处理流程以及对昂贵仪器的依赖,因此亟需发展智能化、无损检测平台。

方法:研究人员提出了Res-Reg,这是一种用于快速甲醛定量的新型图像到数值(image-to-value)深度回归框架。该传感范式结合了Hantzsch显色反应的高特异性与数字显微成像,采用基于残差(residual-based)的主干网络以及用于多层特征聚合的专用回归头。为提高系统对基质干扰的环境鲁棒性,训练数据集通过高斯模糊核进行了扩增。

结果:在1,548幅显微图像上的系统评估表明,Res-Reg实现了平均绝对误差(MAE)0.0027、均方误差(MSE)0.0028以及几何均值误差(GM)0.0002。该模型显著优于传统基于卷积神经网络(CNN)的模型,尤其是在低浓度区间内仍能保持更高灵敏度;在该区间中,光学信号通常易被浑浊度所掩盖。

讨论:Res-Reg在无需复杂纯化步骤的前提下,有效建立了显微光学特征与精确化学浓度之间的联系。该模块化且可扩展的技术支持食品质量控制的数字化转型,为食品工业4.0(Food Industry 4.0)时代主动式安全监测以及全球营养标准维护提供了有力解决方案。
该论文发表于《Frontiers in Nutrition》,围绕水产浸泡液中甲醛(FA)的快速、智能与高精度定量检测展开。研究背景在于,甲醛作为一种高反应性、挥发性醛类,虽然已被严格限制用于食品,但在部分易腐高蛋白食品中,仍可能被非法添加以延长货架期并改善感官质构,尤其在水产制品中具有较高风险。甲醛不仅被国际癌症研究机构(IARC)列为1类致癌物,还可能干扰必需氨基酸的生物可及性并破坏肠道菌群稳态,因此食品链中甲醛的筛查需求具有明确的公共卫生与营养安全意义。现有甲醛检测主要依赖高效液相色谱(HPLC)、气相色谱-质谱(GC-MS)及紫外-可见分光光度法等实验室方法,虽然灵敏度高、定量可靠,但普遍存在样品纯化复杂、检测链条长、仪器昂贵、难以现场部署等问题。另一方面,纸基分析装置(PADs)与微流控纸基分析装置(μPADs)虽改善了便携性,但目视判读主观性强,且在低浓度或复杂基质背景下容易出现假阴性。随着食品工业4.0(Food Industry 4.0)和人工智能(AI)技术的发展,构建兼具化学特异性、现场适用性和智能判读能力的新型检测体系,成为该领域的重要方向。

基于上述问题,研究人员提出了一种新型深度回归框架Res-Reg,用于实现水产浸泡液中甲醛的高通量定量。该研究将Hantzsch显色反应与数字显微成像结合,通过甲醛与乙酰丙酮、乙酸铵反应生成黄色产物3,5-二乙酰基-1,4-二氢鲁啶(DDL),并利用其在约415 nm处的特征吸收以及显微图像中的像素级色度变化,建立图像到浓度值的直接映射关系。与传统卷积神经网络(CNN)多用于分类任务不同,Res-Reg针对连续化学量回归进行了结构优化,采用残差主干网络提取细粒度光学特征,并借助专用回归头进行多尺度信息聚合,从而提升了对低浓度“灰区”样品细微色变的分辨能力。研究结论表明,该系统在模拟水产浸泡液复杂背景和浑浊干扰条件下,仍能实现实验室级精度的甲醛定量,并在多设备、多光照条件下保持较高稳健性。其重要意义在于,该方法无需复杂前处理即可实现较高精度定量,为食品安全现场快速筛查提供了可推广的数字化方案,也为其他污染物或营养标志物的智能检测提供了方法学蓝图。

研究人员采用的主要关键技术方法包括:基于Hantzsch显色反应建立甲醛比色检测体系,并优化乙酰丙酮添加量、反应温度与反应时间;以模拟水产浸泡液作为样本基质,采集来自iPhone 11、iPhone 14、OPPO Reno5和Redmi Note 11t Pro四类移动终端的显微图像;利用高斯模糊进行数据扩增以模拟现场采集中的失焦与噪声;构建由残差主干网络和多尺度上采样回归头组成的Res-Reg深度回归模型,并采用Grad-CAM(梯度加权类激活映射)进行可解释性可视化分析。

以下为论文结果与讨论内容的分项解读。

3.1 Evaluation of data augmentation method
该部分主要评估高斯模糊数据扩增策略的有效性。研究人员分别使用原始数据集与扩增数据集训练相同的CNN模型,并比较训练误差和测试误差变化趋势。结果显示,扩增数据集可使训练损失下降更快且更平稳,测试集损失在整个训练过程中也更低,提示模型获得了更强的泛化能力。相较之下,原始数据集上训练的模型损失波动更明显,测试误差较高,显示出数据多样性不足和过拟合风险。由此可见,高斯模糊扩增不仅扩大了样本规模,也有效模拟了现场光学退化情形,增强了模型对复杂环境的适应性。

3.2 Evaluation of different network models
该部分通过与多种代表性网络模型比较,验证Res-Reg架构的优越性。研究人员选取VGG16、VGG19、ResNet18、ResNet34、ResNet50、ResNeXt、InceptionV3和EfficientNetB5等模型,在增强数据集上进行训练,并在1,548张测试图像上评价性能。结果表明,Res-Reg取得最佳综合表现,在增强数据集上达到MAE 0.0027、MSE 0.0003、GM 0.0002。尽管EfficientNetB5训练损失较低,但测试MAE和GM高于Res-Reg,提示其在本任务中存在一定过拟合或对增强特征敏感的问题;InceptionV3在整体拟合上具有一定能力,但精细回归性能不足;ResNet18与ResNet34表现稳定,但仍弱于Res-Reg。该结果说明,Res-Reg在捕捉甲醛显色体系微弱光学差异方面具有更高适配性,其多尺度聚合与残差结构更适合连续浓度估计任务。

3.3 Analysis of prediction results
该部分分析模型在整体浓度区间和低浓度区间的预测性能。散点图表明,预测值与真实值总体高度一致,整体测试误差较低,MSE为0.0004、MAE为0.0045、GM为0.0004,尤其在高浓度样本中,预测值与真实值几乎重合。对于低标签值区间,尽管存在轻微偏差,但MSE 0.0009与GM 0.0002仍处于极低水平,说明模型在低浓度甲醛检测中仍具有较强能力。进一步地,研究人员将Res-Reg预测结果与紫外-可见分光光度法标准结果进行相关与线性回归分析,Pearson相关系数R达到0.9992,决定系数R2为0.9984,回归斜率为0.9919,截距为0.0064,且p < 0.001,说明该模型与传统实验室方法具有高度一致性。为进一步检验低浓度“灰区”内性能是否下降,研究人员将样本分为≤1.0 mg/L和>1.0 mg/L两组,采用Welch单侧t检验比较误差,结果MSE和MAE的p值分别为0.968和0.999,均远高于0.05,表明低浓度区间误差并未显著高于高浓度区间。研究还比较了四种智能手机设备间的跨平台表现,所有设备R2均超过0.994,其中iPhone 14达到0.9999,提示模型对不同CMOS传感器和图像信号处理算法具有较强鲁棒性。对于1W和5W两种光照强度条件,模型分别达到R2 0.9972和0.9996,说明其对光强变化不敏感,具备良好的现场适用性。此外,模型在NVIDIA GeForce RTX 5070 Ti平台上对10,372张图像的总推理时间为2.498 s,单样本平均推理时间1.61 ms,展现出较高计算效率。该部分也总结了局限性,包括Hantzsch反应对pH和温度敏感、复杂基质中可能存在415 nm吸收干扰、不同手机硬件仍需标准化校准,以及当前尚未在大规模真实市场水产样本上完成充分验证。

3.4 Visualization of the regression network
该部分利用Grad-CAM对Res-Reg的回归决策机制进行了可视化解释。研究人员分析了主干网络不同层以及最终回归头对低、中、高浓度样本的关注区域。结果显示,模型在浅层主要关注反应孔边界和局部纹理,在中间层逐渐扩展到颜色梯度和更大结构区域,在深层则聚焦于溶液中心与显色最显著的核心区域,说明网络实现了从低级视觉特征到高级化学语义特征的层级演化。回归头则整合前述高维特征,通过上采样和1 × 1卷积形成单通道密度图,再输出连续浓度值。对0.1 mg/L、10.0 mg/L和25.0 mg/L样本的热图分析表明,即使在肉眼近乎透明的低浓度条件下,模型仍可识别微弱光学纹理和局部显色信号;在较高浓度下,注意力则更集中且更均匀地分布于溶液中央。该结果支持了Res-Reg确实依赖化学相关光学特征进行预测,而非依赖背景伪影或环境噪声。论文进一步指出,多尺度特征聚合和训练中的高斯噪声/模糊增强,是降低碎屑、气泡、照明不均等非目标干扰所致假阳性风险的重要保障。

讨论部分表明,该研究的核心价值在于打通了显微化学传感与连续数值估计之间的技术链条。传统实验室方法虽然精确,但不适合即时、分布式监测;传统便携比色法虽然简单,但缺乏客观定量能力。Res-Reg通过将Hantzsch反应的化学特异性、显微成像的细粒度信息获取能力与深度回归模型的非线性表征能力相结合,在无需复杂纯化前处理的前提下,实现了对甲醛浓度的高精度估算。尤其值得注意的是,模型在低浓度区间未发生显著性能衰减,且在多手机、多光照条件下均维持稳定输出,这使其具备面向现场食品安全筛查的应用基础。不过,论文也明确指出,该体系仍受反应条件、基质吸收干扰、设备异质性和真实样本验证范围不足等因素限制,因此未来仍需在真实水产样本、跨终端标准化和边缘部署方面进一步完善。

研究结论部分可翻译为:
本研究成功开发并验证了Res-Reg,这是一种新型深度回归框架,旨在弥合显微化学传感与高通量食品安全监测之间的差距。通过将Hantzsch显色反应的稳健化学动力学与先进的残差特征聚合相结合,研究人员构建了一种精简的分析体系,能够以实验室级精度实现甲醛(FA)浓度定量。不同于传统定性方法或基于分类的方法,Res-Reg系统利用专用回归头实现超高精度的“图像到数值”映射,能够有效感知发色团3,5-二乙酰基-1,4-二氢鲁啶(DDL)中肉眼或传统机器学习模型难以识别的极微弱光学变化。

本研究的实际意义体现在其在模拟食品基质,尤其是水产浸泡液中的优异表现。这类基质通常具有固有浑浊度和复杂生化背景,会对光学传感造成显著干扰;然而,Res-Reg框架通过显微成像捕捉反应的细粒度特征,表现出卓越鲁棒性。此外,基于高斯模糊的数据扩增流程保证了系统在现场工业环境常见光学退化条件下的可靠性,例如对焦不稳和环境照明波动。在低浓度“灰区”内仍可维持高精度的能力,对于满足国际食品安全标准和防范甲醛摄入相关慢性健康风险具有关键意义。

从更广泛视角看,Res-Reg框架是迈向食品工业4.0的重要一步,为食品质量控制数字化转型提供了一种通用且可扩展的工具。该架构具有模块化特征,未来有望在无需中心化实验室基础设施的条件下,推广至其他关键食品污染物或营养标志物在不同食品基质中的智能监测。通过消除劳动密集型样品前处理和昂贵仪器的瓶颈,该技术为主动式食品安全监测提供了可持续且具成本效益的解决方案。未来工作将聚焦于将该深度回归模型集成至便携式智能设备中,从而为全球食品供应链相关方提供实时、数据驱动的决策支持,以保障营养完整性和公共健康。
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