《Foods》:Predicting the Freshness of Starch-Coated Snakehead Fish Fillets During Storage Using Hyperspectral Imaging Combined with Transfer Learning
编辑推荐:
研究人员开发了高光谱成像(HSI)结合迁移学习(TL)的方法,用于预测短期冷藏和长期冷冻储存期间淀粉涂层乌鱼鱼片的新鲜度。结果表明,储存导致质地劣化、pH升高、总挥发性盐基氮(TVB-N)积累和脂质氧化,而淀粉涂层有效延缓了品质恶化。与仅基于短期或长期数据的模
研究人员开发了高光谱成像(HSI)结合迁移学习(TL)的方法,用于预测短期冷藏和长期冷冻储存期间淀粉涂层乌鱼鱼片的新鲜度。结果表明,储存导致质地劣化、pH升高、总挥发性盐基氮(TVB-N)积累和脂质氧化,而淀粉涂层有效延缓了品质恶化。与仅基于短期或长期数据的模型相比,域迁移卷积神经网络(DT-CNN)模型提高了跨储存阶段新鲜度预测的鲁棒性。基于可见光(VIS)光谱的DT-CNN模型在淀粉涂层处理组中取得了最好的硫代巴比妥酸(TBA)预测性能,RP2为0.76,RMSEP为0.13,并且在淀粉涂层处理组的TVB-N预测中表现强劲,RP2为0.85,RMSEP为8.66。这些结果表明,HSI结合TL是一种有前景的无损方法,用于储存期间淀粉涂层乌鱼鱼片的新鲜度评估。
鱼类产品在储存过程中易发生蛋白质降解、脂质氧化、水分迁移和组织结构劣化等系列变化,导致风味下降、质地变差及货架期缩短。对于高蛋白、高水分的加工水产品如乌鱼鱼片,储存阶段不仅直接决定最终食用品质,还影响后续流通稳定性和市场接受度。现有研究表明,不同储存条件下鱼类产品表现出差异化的品质劣化模式,乌鱼鱼片在冷冻或冷藏储存下同样经历显著的品质变化。淀粉涂层处理通过面糊调理改善鱼片表面状态和内部持水行为,可增强嫩度、光滑度、稳定性和烹饪适应性,但可能改变储存过程中品质演变路径。目前,鱼类储存品质和新鲜度评估主要依赖质构、总挥发性盐基氮(TVB-N)和硫代巴比妥酸(TBA)等理化指标,传统检测方法具有破坏性且难以满足快速筛查需求。高光谱成像(HSI)技术因其同时获取空间和连续光谱信息的能力,在新鲜度识别和储存品质监测中展现出潜力,但针对淀粉涂层乌鱼鱼片储存品质变化及相应光谱响应模式的研究有限。此外,现有鱼类品质评估模型多集中于单一储存条件,泛化能力和实际适用性受限。迁移学习(TL)通过从数据丰富的源域转移可泛化光谱特征至数据有限的目标域,可减少对大规模标注样本的依赖。短期冷藏样本作为源域、长期冷冻样本作为目标域,利用TL框架有望克服长期储存样本建模的局限性。为此,研究人员开展了本研究,旨在开发结合HSI与TL的框架,用于快速评估储存期间淀粉涂层乌鱼鱼片的新鲜度。该论文发表在《Foods》。
研究人员采用了以下主要关键技术方法:样本来源于商业水产养殖场(佛山,中国),制备了对照组和淀粉涂层处理组乌鱼鱼片,分别进行4℃短期冷藏(0、3、6、9、12、15天)和-18℃长期冷冻(0、1、2、3、4、5、6、7个月)储存。利用HSI系统采集可见光(VIS, 400–1000 nm)和近红外(NIR, 1000–2500 nm)波段的高光谱图像,经黑白校正后提取平均反射光谱。数据预处理采用一阶导数(1-st der)以放大细节并减少基线漂移。采用Kennard-Stone(KS)算法将数据集划分为训练集(3/4)和测试集(1/4),训练集再以4:1比例划分为训练数据和验证数据,并使用10折交叉验证。构建域迁移卷积神经网络(DT-CNN)模型,该模型包含依次的输入层、卷积层(核数16,大小9)、最大池化层(池化大小2,步长1)、卷积层(核数32,大小7)、最大池化层、扁平层、密集层(神经元数64)和输出层(1个神经元对应TVB-N或TBA)。采用ReLU激活函数和Adam优化器(学习率0.0001,批次大小8)。在TL策略中,短期储存样本作为源域,长期储存样本作为目标域;先在源域预训练模型,再在目标域微调所有层。
研究结果如下:
3.1 质构和pH分析:通过质构剖面分析(TPA)和pH测量发现,冷藏储存导致两组鱼片硬度、弹性、回复性持续下降,而内聚性、粘附性和咀嚼性呈现复杂动态变化。对照组硬度从4420 g降至2546 g(降幅42.4%),处理组从3131 g降至1742 g(降幅44.4%)。处理组初始硬度较低但弹性较高,表明淀粉涂层改善了嫩度但使组织更软。pH值在储存早期略有波动后显著上升,对照组在12–15天急剧升至7.29,处理组上升较缓至6.92,表明淀粉涂层延缓了酸碱平衡变化和腐败代谢物积累。
3.2 TVB-N和TBA分析:通过自动凯氏定氮法和硫代巴比妥酸法检测,发现短期储存中对照组TVB-N在第9天后加速上升至88.67 mg/100 g,处理组总体较低且上升更缓;长期冷冻储存中两组TVB-N在前3个月保持低水平,4个月后显著上升,处理组仍低于对照组。TBA值在短期和长期储存中均呈上升趋势,处理组上升速率显著低于对照组,表明淀粉涂层通过物理屏障效应减少了氧接触和水分迁移,延缓了脂质氧化。
3.3 光谱分析:VIS(400–1000 nm)和NIR(1000–2500 nm)平均反射光谱显示,储存时间延长导致光谱位置和局部吸收特征发生显著变化。VIS波段在400–700 nm差异明显,尤其500–600 nm和630 nm附近波动,与肌红蛋白衍生物转化和表面散射变化有关。NIR波段在1000–1400 nm和2200 nm以上出现明显时间分离特征,与O-H、C-H和N-H振动相关,反映水分状态、蛋白质降解和脂质氧化。长期储存光谱表现出更强的非线性和周期性波动,表明品质演变受冰晶形成、水分迁移和氧化反应等多因素综合影响。
3.4 基于短期和长期光谱数据的新鲜度预测:采用CNN模型分别基于短期或长期光谱数据预测TVB-N和TBA。短期储存中,VIS模型在测试集上表现优于NIR,对照组TBA预测的R
P2达0.86、RMSEP为0.17。长期储存中,VIS模型在测试集上同样优于NIR,处理组TVB-N预测的R
P2为0.86、RMSEP为8.36。VIS光谱的优越性归因于其对表面颜色、组织结构和氧化状态的敏感性。
3.5 基于迁移学习的新鲜度预测:结合短期和长期光谱数据的DT-CNN模型进一步提升了预测性能。在大多数情况下,DT-CNN模型的测试集表现优于或相当于单独短期或长期模型。VIS-Control-TBA模型取得最佳测试性能(R
P2=0.88,RMSEP=0.19),VIS-Treatment-TVB-N模型表现强劲(R
P2=0.85,RMSEP=8.66)。TL策略有效利用了短期储存中的通用性光谱特征,缓解了长期储存样本有限导致的建模困难,但改进效果因光谱波段、处理条件和新鲜度指标而异。
讨论部分指出,储存期间质构稳定性下降、pH及TVB-N、TBA升高反映了组织软化、蛋白质降解和脂质氧化;淀粉涂层处理普遍延缓了这些变化。VIS和NIR光谱变化与品质变化一致,VIS预测性能更好。DT-CNN模型在多数情况下改善或维持了预测性能,证明利用短期储存信息辅助长期新鲜度预测的可行性。但本研究未直接测量脂质含量、水分流失、汁液流失和微生物计数,也未进行正式感官评估,TVB-N和TBA仅作为新鲜度相关化学指标解释。结论:本研究开发了HSI结合TL的方法预测短期冷藏和长期冷冻储存下淀粉涂层乌鱼鱼片的新鲜度。理化结果表明储存促进质地软化、pH升高、TVB-N积累和脂质氧化,而淀粉涂层延缓了新鲜度劣化并改善了储存稳定性。预测结果显示,基于VIS光谱的DT-CNN模型总体优于NIR模型。引入TL后,DT-CNN模型在大多数情况下取得了改善或相当的预测性能,尤其对VIS光谱的TBA和TVB-N预测。总之,HSI结合TL为监测淀粉涂层乌鱼鱼片的新鲜度提供了一种快速、无损且鲁棒的策略。