基于电泳图像与深度回归模型的大菱鲆冷藏存储时间预测

《Journal of Future Foods》:Electrophoresis Image-Based Deep Regression Model for Storage Time Prediction of Cold-Stored Turbot (Scophthalmus maximus)

【字体: 大 中 小 】 时间:2026年07月06日 来源:Journal of Future Foods 10.6

编辑推荐:

  摘要:在冷藏储存期间,快速、客观地评估鱼类新鲜度仍然具有挑战性。纸电泳可以分离三磷酸腺苷(ATP)相关代谢物,生成随时间演变的图像,作为一种低成本的新鲜度代理指标。在本研究中,研究人员收集了295张大菱鲆(Scophthalmus maximus)(存储0-6

  
摘要:在冷藏储存期间,快速、客观地评估鱼类新鲜度仍然具有挑战性。纸电泳可以分离三磷酸腺苷(ATP)相关代谢物,生成随时间演变的图像,作为一种低成本的新鲜度代理指标。在本研究中,研究人员收集了295张大菱鲆(Scophthalmus maximus)(存储0-6天)的原始电泳图像,通过限制性增强(保留条带拓扑结构)扩展到1770张,并使用滑动窗口策略转换为6244个序列。研究人员评估了三种渐进式模型:基线卷积神经网络(CNN)、中间CNN-长短期记忆网络(LSTM)以及高级CNN-LSTM-注意力机制模型(后续使用Optuna进行进一步调优)。模型性能通过平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R2)进行量化,并通过注意力权重和梯度加权类激活映射(Grad-CAM)实现可解释性。调优前,高级CNN-LSTM-注意力模型取得了最佳性能,MAE=0.1235,RMSE=0.1699,R2=0.9906;调优后,指标提升至MAE=0.0932,RMSE=0.1285,R2=0.9946。散点图显示了稳健的校准(早期/晚期阶段的离散度降低)。注意力机制强调了早期和晚期帧,而Grad-CAM定位了与时间相关的条带淡化、分裂和稳定化相一致的区域。平行的感官评价和K值测量结果与图像演变趋势一致。这些发现表明,基于电泳图像的深度回归是估算冷藏鱼类货架期的有效工具。该方法简单、可扩展,且基于死后生物化学原理,通过调整实验方案,可适用于其他物种和冷链场景。
**论文解读:基于电泳图像与深度回归模型的大菱鲆冷藏存储时间预测**

**研究背景与问题**
鱼类因其固有的高水分、高蛋白含量、疏松的肌肉组织以及活跃的内源酶等组成和结构特性,极易在死后发生快速品质劣变。即使在冷藏条件下,微生物增殖和生化反应仍持续进行,导致鱼肉质地、风味和颜色发生不良变化,降低消费者接受度并增加食品安全风险。联合国粮农组织指出,冷链系统不完善是导致鲜鱼品质显著下降和腐败的重要因素,造成大量食物损失和浪费。据估计,全球相当一部分易腐鱼类在捕捞后损失,在某些地区可达渔获量的10%或更多。因此,开发准确、快速的新鲜度检测方法对于促进冷链管理、保障消费者健康和减少经济损失至关重要。

三磷酸腺苷(ATP)及其相关化合物的降解已被证明与鱼类新鲜度及冷藏储存期间的腐败进程密切相关。死后,ATP在内源酶作用下依次转化为二磷酸腺苷(ADP)、一磷酸腺苷(AMP),进而转化为肌苷酸(IMP),然后是肌苷(HxR)和次黄嘌呤(Hx)。常用的新鲜度指标K值反映了ATP降解产物的积累,新鲜捕捞的鱼K值通常低于20%,而超过60%则通常表明已严重腐败。然而,传统K值测定依赖于高效液相色谱法(HPLC),存在仪器昂贵、操作复杂、分析时间长等缺点,不适用于快速现场应用。其他经典指标,如总挥发性盐基氮(TVB-N)、总活菌数(TVC)和感官评价,也存在滞后性、主观性强或依赖专业评价员等问题。近红外光谱、高光谱成像、电子鼻/电子舌等无损分析技术近年来被探索,但它们通常需要专用设备、易受环境变化影响且数据处理复杂,限制了其在海鲜供应链常规质量监测中的实际应用。

纸电泳是一种简单而强大的工具,可用于分离食品样品中的生化成分。与传统色谱分析相比,它具有操作简便、分离快速和成本低廉的优点。研究表明,纸电泳和毛细管电泳均可有效分离ATP相关代谢物,从而间接评估水产品在储存期间的新鲜度。然而,从电泳图谱中提取信息传统上依赖于人工判读,不仅主观且难以标准化。与此同时,计算机视觉和深度学习的进步重塑了食品质量评估的格局。卷积神经网络(CNN)广泛用于自动图像特征提取,尤其在捕捉局部空间结构方面具有优势。长短期记忆网络(LSTM)通过建模时间依赖性和序列模式扩展了这种能力,这对于分析储存期间食品的时间序列或渐进变化尤其相关。注意力机制通过自适应地聚焦于图像中最具信息性的区域或序列片段,进一步提升了模型性能。这些架构的集成在复杂食品系统中显示出实现准确且可解释预测任务的巨大潜力。

**研究内容与意义**
本研究旨在开发一个回归框架,直接利用电泳图像预测冷藏大菱鲆的存储时间,以自动图像分析取代主观的人工判读,为海鲜供应链的新鲜度监测提供客观、高效的解决方案。研究人员构建了三种架构渐进的回归模型,以评估时间和注意力机制的影响。首先构建了基线卷积神经网络(CNN)模型,用于从电泳图像中提取空间特征。为了捕捉与储存进程相关的时间依赖性,随后引入了LSTM层,形成了CNN-LSTM模型。最后,在LSTM输出之上集成了注意力机制,使得CNN-LSTM-注意力模型能够自适应地关注最具信息量的时间特征,从而提高可解释性和预测性能。此外,研究还利用Optuna平台系统性地调整了超参数,通过高效的搜索策略迭代优化模型性能。总体而言,本研究引入了一种自动化、可扩展且基于生物化学原理的货架期预测方法,为鱼类新鲜度的实时、标准化评估提供了新视角。该研究发表于《Journal of Future Foods》。

**关键技术方法**
为开展研究,研究人员首先从中国青岛杰诚水产品有限公司获取活力良好、体表无损伤的大菱鲆,制备鱼片样本并在4°C下真空储存0至6天。关键方法包括:1. **样本处理与指标测定**:在多个时间点对鱼片进行感官评价,并采用高效液相色谱法(HPLC)测定ATP及其降解产物以计算K值。2. **电泳成像与数据集构建**:使用三(羟甲基)氨基甲烷-乙酸-乙二胺四乙酸(TAE)缓冲液进行纸电泳分离ATP相关代谢物,在254 nm紫外灯下成像获取原始电泳图像(295张)。通过限制性增强技术(仅调整亮度、对比度和锐度以保护条带拓扑)将数据集扩展至1770张图像,并采用滑动窗口策略构建了6244个时间序列样本用于时序建模。3. **深度学习模型开发与优化**:构建并比较了三种模型:基线CNN、CNN-LSTM混合模型以及CNN-LSTM-注意力模型。使用平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R2)评估性能,并利用梯度加权类激活映射(Grad-CAM)和注意力权重进行模型可解释性分析。最后,使用Optuna框架对CNN-LSTM-注意力模型进行超参数优化以提升性能。

**研究结果**
**3.1 冷藏期间大菱鲆的感官评价和K值变化**
感官评分在冷藏储存期间持续下降,而K值则呈现显著上升趋势。第0天感官评分接近5分(代表极佳新鲜度),第3天后评分低于3分(失去新鲜度),第5-6天大部分评分低于2分(感官品质不可接受)。相反,K值从初始约3%持续增加至第6天接近100%。感官评分与K值之间存在清晰的负相关关系,表明核苷酸分解代谢的生化变化与大菱鲆鱼片的感官劣变密切相关。

**3.2 电泳图像变化与数据集分布**
电泳图像显示出明显的随时间变化模式。第0天,检测到一个显着的条带(颜色深、迁移距离长),表明新鲜大菱鲆肌肉中ATP和ADP占主导。随着储存时间延长,该目标条带颜色强度和尺寸逐渐减小,迁移距离缩短。在第2至4天之间,初始的单一条带分解为两个不同的可见区域,对应于ATP逐渐降解为具有不同电泳迁移率的中间代谢物。到第5和6天,条带在迁移位置和形态外观上趋于稳定,这与ATP的近乎完全耗尽及其终端降解产物(如HxR和Hx)的积累相一致。数据集经过增强和序列构建后,最终用于建模。

**3.3 模型性能**
三种模型在训练集(5折交叉验证)和测试集上的性能被系统评估。CNN基线模型在测试集上MAE为0.1475,RMSE为0.2176,R2为0.9858。CNN-LSTM模型性能有所提升,测试集MAE为0.1039,RMSE为0.1983,R2为0.9871。CNN-LSTM-注意力模型取得了最佳定量性能,测试集MAE为0.1235,RMSE为0.1699,R2为0.9906。训练损失曲线和预测值与实际值的散点图分析表明,从CNN基线到CNN-LSTM,再到CNN-LSTM-注意力模型,性能逐步提升。时序建模减少了逐帧学习的固有偏差,而注意力机制通过引导序列模型关注显著的电泳线索,进一步降低了预测方差。

**3.4 模型优化结果**
使用Optuna对CNN-LSTM-注意力模型进行超参数优化。优化后,模型测试性能显著提升:MAE从0.1235降至0.0932,RMSE从0.1699降至0.1285,R2从0.9906增至0.9946。训练和验证曲线保持紧密对齐,表明性能提升并非以过拟合为代价。排列测试(p=0.0099)证实了优化模型预测能力的统计显著性。

**3.5 模型解释**
模型可解释性从时间权重模式和空间显著性映射两个层面进行分析。注意力权重分析显示,序列的第一步(早期)和最后几步(晚期)获得了最高的平均注意力权重,而中间步骤的权重较低。这表明早期图像包含新鲜样本特有的强判别信号,晚期图像则捕捉了延长储存时间样本的稳定模式,中间过渡状态提供的信息一致性较低。Grad-CAM可视化显示,在第0天,激活集中在单个中心区域(对应ATP/ADP主导的条带);第3天,激活突出显示两个不同的区域(对应条带分裂,反映ATP降解为AMP/IMP);第6天,激活焦点转移到一个更小、强度较低的区域(对应ATP前体耗尽,下游代谢物积累)。这些空间归因与电泳条带强度、迁移距离和条带分离的变化相一致,表明模型学习了具有明确生物物理化学意义的特征。

**讨论与结论**
**讨论部分总结**:研究表明,大菱鲆的电泳图像包含与冷藏储存期间新鲜度下降相关的时间依赖性特征。基于CNN-LSTM-注意力机制的序列感知回归框架能够有效利用这些特征。超参数调优进一步提升了模型性能。模型解释性分析表明,注意力机制优先考虑早期和晚期帧,而Grad-CAM将显著区域定位在电泳条带上,为预测提供了机制上的可解释性。平行测定的常规指标(K值和感官评分)趋势与图像结果一致,验证了视觉代理作为可靠新鲜度指标的可行性。该方法简单、可扩展,将常规纸电泳图像转化为定量的货架期估计,有望促进冷链监测中的快速决策。主要局限性包括使用天级标签、数据集相对较小以及单点采集。未来工作可能涉及集成学习率调度和分层正则化,探索推理过程中的序列聚合策略,以及评估手持或在线成像设备的部署。该方法也可扩展到其他物种以及冰藏或超冷产品,前提是成像方案和标注标准得到标准化。

**结论翻译**:研究发现大菱鲆样品的电泳图像包含与冷藏储存期间新鲜度降解相关的时间依赖性特征。研究人员开发了一个基于CNN-LSTM-注意力机制的序列感知回归框架来利用这些特征;通过Optuna进行超参数调优后,其在测试集上取得了MAE=0.0932、RMSE=0.1285和R2=0.9946的性能指标。注意力权重分布突出显示早期和晚期帧是关键,而Grad-CAM可视化将显著区域定位在电泳条带——为预测提供了机制上的可解释性。平行测定的常规指标(包括K值和感官评分)显示出与图像结果一致的趋势,验证了该视觉代理作为可靠新鲜度指标的可靠性。该方法简单且可扩展:它将常规纸电泳图像转化为定量的货架期估计,可能有助于冷链监测中的快速决策。主要局限性包括使用天级标签、相对较小的数据集和单点采集。未来工作可能涉及集成学习率调度和分层正则化,探索推理过程中的序列聚合策略,以及评估手持或在线成像设备的部署。该方法扩展到其他物种以及冰藏或超冷产品也是可行的,前提是成像方案和标注标准得到标准化。总体而言,基于电泳图像的深度回归为常规新鲜度监测提供了一种快速、低成本的替代方案。它是对传统检测方法的补充,并有望为海鲜冷链管理中的决策提供支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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