劉曉暢, 羅永康

(中國農(nóng)業(yè)大學(xué)食品科學(xué)與營養(yǎng)工程學(xué)院, 北京 100083)

水產(chǎn)品貯運(yùn)過程品質(zhì)預(yù)測(cè)技術(shù)研究進(jìn)展

劉曉暢, 羅永康*

(中國農(nóng)業(yè)大學(xué)食品科學(xué)與營養(yǎng)工程學(xué)院, 北京 100083)

水產(chǎn)品在貯運(yùn)過程中受到微生物和生化反應(yīng)的作用品質(zhì)會(huì)迅速下降。通過水產(chǎn)品的品質(zhì)指標(biāo)檢測(cè)了解水產(chǎn)品品質(zhì)，存在著耗時(shí)、耗力等缺點(diǎn)，不能即時(shí)監(jiān)控水產(chǎn)品在貯運(yùn)過程中的品質(zhì)變化。水產(chǎn)品品質(zhì)預(yù)測(cè)技術(shù)是借助數(shù)學(xué)模型模擬并預(yù)測(cè)水產(chǎn)品的品質(zhì)，借助該技術(shù)可以實(shí)現(xiàn)對(duì)水產(chǎn)品品質(zhì)的快速預(yù)測(cè)。文章介紹并分析了目前已有的幾類水產(chǎn)品品質(zhì)預(yù)測(cè)模型，包括動(dòng)力學(xué)模型、微生物生長預(yù)測(cè)模型、基于整體穩(wěn)定性指數(shù)的數(shù)學(xué)模型和人工智能數(shù)學(xué)模型，以期為各類水產(chǎn)品品質(zhì)預(yù)測(cè)技術(shù)的建立和完善提供參考。[中國漁業(yè)質(zhì)量與標(biāo)準(zhǔn), 2016, 6(2):1-6]

水產(chǎn)品；預(yù)測(cè)技術(shù)；貯運(yùn)；模型

近年來，隨著人們生活質(zhì)量的不斷提高,對(duì)于水產(chǎn)品的消費(fèi)需求也越來越大，大部分水產(chǎn)品在捕撈后需要經(jīng)過運(yùn)輸、貯藏等環(huán)節(jié)才能到達(dá)消費(fèi)者手中。而在貯運(yùn)過程中，在外源微生物和內(nèi)源酶的共同作用，水產(chǎn)品的品質(zhì)會(huì)迅速下降，從而影響其食用價(jià)值和加工適性[1]。通過檢測(cè)水產(chǎn)品的理化和微生物指標(biāo)，可以了解水產(chǎn)品的鮮度。但傳統(tǒng)基于理化指標(biāo)和微生物指標(biāo)的檢測(cè)，既耗時(shí)又耗力，不能及時(shí)地對(duì)貯運(yùn)過程中的指標(biāo)變化情況進(jìn)行監(jiān)控，在實(shí)際生產(chǎn)中的應(yīng)用效果不佳[2]。因此，水產(chǎn)品品質(zhì)預(yù)測(cè)技術(shù)應(yīng)運(yùn)而生。

水產(chǎn)品品質(zhì)預(yù)測(cè)技術(shù)是一門綜合食品科學(xué)、微生物學(xué)、化學(xué)、計(jì)算機(jī)科學(xué)和數(shù)學(xué)等多個(gè)學(xué)科發(fā)展而來的技術(shù)。主要借助數(shù)學(xué)模型對(duì)水產(chǎn)品的品質(zhì)進(jìn)行預(yù)測(cè)，從而準(zhǔn)確并提前了解水產(chǎn)品的品質(zhì)情況，以較少的成本實(shí)現(xiàn)對(duì)水產(chǎn)品質(zhì)量和安全的快速評(píng)估和預(yù)測(cè)，為水產(chǎn)品的加工和銷售提供指導(dǎo)。

目前已有很多水產(chǎn)品品質(zhì)預(yù)測(cè)模型，且不同的模型適用條件和對(duì)象不同。因此要進(jìn)行水產(chǎn)品品質(zhì)的預(yù)測(cè)，首先要明確影響水產(chǎn)品品質(zhì)的因素，并據(jù)此選擇合適的模型[3]。文章主要闡述了目前已有的水產(chǎn)品品質(zhì)預(yù)測(cè)模型，并簡要介紹了各類模型的應(yīng)用狀況，以便為今后水產(chǎn)品的品質(zhì)預(yù)測(cè)研究提供參考。

1 動(dòng)力學(xué)預(yù)測(cè)模型

動(dòng)力學(xué)預(yù)測(cè)模型是描述食品品質(zhì)和貯藏時(shí)間、溫度的函數(shù)。首先，品質(zhì)衰變動(dòng)力學(xué)原理描述了食品品質(zhì)和貯藏時(shí)間的關(guān)系，而品質(zhì)衰變動(dòng)力學(xué)與貯藏溫度的關(guān)系可用Arrhenius模型、Q10模型和Z值模型等描述，其中Arrhenius模型的應(yīng)用最廣。因此，動(dòng)力學(xué)預(yù)測(cè)模型的建立是基于品質(zhì)衰變動(dòng)力學(xué)原理和Arrhenius模型。

1.1 品質(zhì)衰變動(dòng)力學(xué)原理

水產(chǎn)品在貯運(yùn)過程中品質(zhì)指標(biāo)的變化遵循品質(zhì)衰變動(dòng)力學(xué)原理，如式(1)所示[4]。

-dC/dt=k×Cn

式(1)

式(1)中：C為品質(zhì)指標(biāo)，t為時(shí)間；dC/dt為品質(zhì)變化速率；k為品質(zhì)變化速率常數(shù)；n為反應(yīng)級(jí)數(shù)。

對(duì)于不同衰變特征的品質(zhì)指標(biāo)，需要由相應(yīng)級(jí)數(shù)(n)的品質(zhì)衰變函數(shù)來描述其變化規(guī)律[5]。對(duì)式(1)積分，可得到不同反應(yīng)級(jí)數(shù)的品質(zhì)函數(shù)表達(dá)式(表1)。

品質(zhì)指標(biāo)反應(yīng)級(jí)數(shù)的確定要利用已有的指標(biāo)測(cè)定值進(jìn)行線性回歸分析，分別對(duì)品質(zhì)指標(biāo)的不同形式(C、lnC和1/C)與時(shí)間的關(guān)系進(jìn)行線性回歸分析，根據(jù)相關(guān)系數(shù)來比較不同級(jí)數(shù)品質(zhì)函數(shù)所對(duì)應(yīng)的擬合精度，最終選擇最合適的反應(yīng)級(jí)數(shù)。利用擬合方程，可以計(jì)算出水產(chǎn)品在特定貯藏條件下，品質(zhì)指標(biāo)C達(dá)到任一特定值所需要的時(shí)間以及任一時(shí)間t對(duì)應(yīng)的品質(zhì)值。

表1 不同反應(yīng)級(jí)數(shù)的品質(zhì)函數(shù)
Tab.1 Quality function with different reaction orders

反應(yīng)級(jí)數(shù)(n)Reactionorder品質(zhì)函數(shù)f(t)Qualityfunction0C-C0=k×t1lnC-lnC0=-k×t21/C-1/C0=k×t

注：C0為品質(zhì)指標(biāo)C的初始值;k為品質(zhì)變化速率常數(shù)t為時(shí)間。

1.2 Arrhenius方程

品質(zhì)函數(shù)中的變化速率常數(shù)k受多種因素(溫度、pH、濕度、光照和壓力等)的影響，其中溫度對(duì)其影響最大。通常，品質(zhì)變化速率常數(shù)與溫度的關(guān)系符合Arrhenius方程[6]，見式(2)。

k=k0×exp [-Ea/(R×T)]

式(2)

式(2)中：k0為指前因子；Ea為表觀活化能；R為氣體常數(shù)，取值為8.314 J/(mol·K)，T為絕對(duì)溫度。

1.3 動(dòng)力學(xué)預(yù)測(cè)模型的應(yīng)用

動(dòng)力學(xué)預(yù)測(cè)模型已被廣泛應(yīng)用于水產(chǎn)品品質(zhì)預(yù)測(cè)的研究中。Hong等[4, 8-11]測(cè)定了多種淡水魚片在不同溫度貯藏條件下品質(zhì)指標(biāo)的變化情況，建立了淡水魚在貯藏過程中品質(zhì)變化的動(dòng)力學(xué)預(yù)測(cè)模型體系，如表2所示。

表2 不同淡水魚類在貯藏過程中品質(zhì)指標(biāo)變化的動(dòng)力學(xué)預(yù)測(cè)模型
Tab.2 Kinetic models for the quality prediction of different freshwater fish during storage

品種Species品質(zhì)指標(biāo)Qualityin?dicator動(dòng)力學(xué)模型表達(dá)式Expressionofkineticmodels相對(duì)誤差Relativeer?ror適用溫度范圍/KAppliedtem?peraturerange鯽[8]ECTVB-NTACK值BEC=BEC0×exp﹛5．25×1016×t×exp[-97752．40/(R×T)]﹜BTVB-N=BTVB-N0×exp{1．82×1017×t×exp[-95765．26/(R×T)]}BTAC=BTAC0×exp{5．70×1018×t×exp[105933．77/(R×T)]}BK-value=BK-value0×exp{1．42×1017×t×exp[-94401．70/(R×T)]}﹤±5%———270～288草魚[9]TACK值TVB-NBTAC=BTAC0×exp{1．12×1015×t×exp[-75883．54/(R×T)]}BK-value=BK-value0×exp{8．3×109×t×exp[-57109．7/(R×T)]}BTVB-N=BTVB-N0×exp{8．34×1019×t×exp[-111548．9/(R×T)]}﹤±10%﹤±10%﹤±10%270～288鳙[4]SATACTVB-NK值BSA=BSA0-1．16×1015×t×exp[-78173．65/(R×T)]BTAC=BTAC0+4．05×1019×t×exp[-106532．40/(R×T)]BTVB-N=BTVB-N0+2．60×1014×t×exp[-75925．44/(R×T)]BK-value=BK-value0+1．36×1015×t×exp[-76212．28/(R×T)]﹤±10%﹤±10%——270～288鰱[10]ECSATACTVB-NBEC=BEC0×exp{2．82×1020×t×exp[-118．41×103/(R×T)]}BSA=BSA0-4．46×1017×t×exp[-93．30×103/(R×T)]BTAC=BTAC0×exp{1．31×1013×t×exp[-76．32×103/(R×T)])BTVB-N=BTVB-N0×exp{2．13×1015×t×exp[-87．13×103/(R×T)]}﹤±10%﹤±10%——270～288松浦鏡鯉[11]ECTACTVB-NSA1/BEC=1/BEC0-7．15×109×t×exp[-77923．13/(R×T)]BTAC=BTAC0+1．68×1017×t×exp[-93471．69/(R×T)]1/BTVB-N=1/BTVB-N0-1．12×1014×t×exp[-85122．76/(R×T)]BSA=BSA0-3．19×1016×t×exp[-87293．68/(R×T)]﹤±5%———270～288

注：t為貯藏時(shí)間；T為貯藏溫度；B0為指標(biāo)初始值；B為經(jīng)過時(shí)間t后的指標(biāo)值；EC為電導(dǎo)率；TVB-N為揮發(fā)性鹽基氮值；TAC為菌落總數(shù)；SA為感官評(píng)分?！硎緹o。

2 微生物生長預(yù)測(cè)模型

水產(chǎn)品在貯藏過程中只有少數(shù)微生物參與腐敗過程，并產(chǎn)生具有臭味或異味的代謝產(chǎn)物，這些腐敗微生物就是該水產(chǎn)品的特定腐敗菌(specific spoilage organisms，SSOs)[12]。SSOs是造成水產(chǎn)品腐敗的主要原因，因此依據(jù)SSOs的生長狀況可以判斷水產(chǎn)品的品質(zhì)和剩余貨架期[13]。微生物生長預(yù)測(cè)模型是利用數(shù)學(xué)模型模擬微生物的生長狀況，通常它可分為一級(jí)模型、二級(jí)模型和三級(jí)模型[14]。

2.1 一級(jí)模型及應(yīng)用

1]}

式(3)

式(3)中，t為貯藏時(shí)間，N為時(shí)間t時(shí)的菌落總數(shù)，N0為初始菌落總數(shù)，Nmax為N的最大值，μmax為微生物的最大比生長速率，λ為微生物生長的延滯時(shí)間。

崔正翠等[16]利用大菱鲆(Penaeusnotialis)在273、276、240和283 K貯藏條件下特定腐敗菌——希瓦氏菌的生長數(shù)據(jù)，建立了描述希瓦氏菌生長狀況的Gompertz模型。李學(xué)英等[17]首先確定了有氧包裝鯉(Cyprinuscarpio)在冷藏條件下的優(yōu)勢(shì)腐敗菌是假單胞菌，然后利用修正的Gompertz方程構(gòu)建了假單胞菌在273～288 K條件下的生長模型，該模型能準(zhǔn)確描述假單胞菌在該溫度范圍內(nèi)的生長狀況。Dabadé等[18]研究了Pseudomonaspsychrophila和Carnobacteriummaltaromaticum在熱帶對(duì)蝦(Penaeusnotialis)中的生長情況，并建立了這兩種腐敗菌生長的修正Gompertz模型和Baranyi模型，結(jié)果表明修正Gompertz模型的擬合優(yōu)度優(yōu)于Baranyi模型。

2.2 二級(jí)模型及應(yīng)用

二級(jí)模型是描述環(huán)境因子(溫度、pH、水分活度等)對(duì)一級(jí)模型中參數(shù)的影響，其中溫度是研究最多的環(huán)境因子。常見的二級(jí)模型包括平方根模型、Arrhenius模型、主要參數(shù)模型和響應(yīng)面模型等。

Mejlholm等[19]利用6個(gè)二級(jí)模型(4個(gè)主要參數(shù)模型、1個(gè)平方根模型和11個(gè)神經(jīng)網(wǎng)絡(luò)模型)模擬即食水產(chǎn)食品中Listeriamonocytogenes的生長情況，并比較了這6種模型的擬合性能，結(jié)果表明模型中包含的環(huán)境因子越多，則模型的擬合性能越好，越接近Listeriamonocytogenes的真實(shí)生長情況。隨后，Mejlholm等[20]建立了在12個(gè)環(huán)境因子(乙亞硝酸鹽、醋酸、安息香、檸檬、山梨酸、溫度等)作用下，水產(chǎn)品中嗜冷乳桿菌生長情況的主要參數(shù)模型。Dabadé等[18]在Gompertz模型的基礎(chǔ)上，進(jìn)一步利用平方根模型和Arrhenius模型研究了溫度對(duì)Pseudomonaspsychrophila最大比生長速率的影響，并分別利用恒定溫度和波動(dòng)溫度驗(yàn)證了模型的可行性。García等[21]利用Logistic模型和平方根模型建立了鱈(Merlucciusmerluccius)中腐敗菌的生長預(yù)測(cè)模型。

2.3 三級(jí)模型及應(yīng)用

三級(jí)模型是將一個(gè)或多個(gè)一級(jí)模型和二級(jí)模型整合起來的軟件化模型。三級(jí)模型將原始數(shù)據(jù)模型和計(jì)算機(jī)軟件結(jié)合起來，使用者只需輸入微生物生長的相關(guān)數(shù)據(jù)(如溫度、時(shí)間、pH等)，即可搜索到與之相符的數(shù)據(jù)檔案，微生物預(yù)測(cè)模型軟件的應(yīng)用大大增加了模型的實(shí)際應(yīng)用功能。三級(jí)模型的功能主要有預(yù)測(cè)微生物在變動(dòng)的環(huán)境條件下的生長變化；比較不同環(huán)境條件下微生物的生長情況；比較不同微生物在相同環(huán)境條件下的生長情況等。

Dalgaard等[22]開發(fā)了針對(duì)海洋食品的腐敗與安全預(yù)測(cè)程序(seafood spoilage and safety predictor，SSSP)軟件，該軟件包含了特定腐敗菌的生長模型和腐敗模型的相關(guān)速率以及不同腐敗菌產(chǎn)生組胺的模型，據(jù)此可以估測(cè)恒溫或波動(dòng)溫度條件下特定腐敗菌的數(shù)量、組胺的含量以及產(chǎn)品的貨架期。Dalgaard[23]在SSSP基礎(chǔ)上又進(jìn)一步發(fā)展了食品腐敗與安全預(yù)測(cè)程序(food spoilage and safety predictor, FSSP)軟件，該程序增加了乳酸菌的生長模型以及乳酸菌和單增李斯特菌的交互生長模型。目前，中國水產(chǎn)科學(xué)研究院東海水產(chǎn)研究所也開發(fā)了可用于羅非魚(Oreochromisniloticu)品質(zhì)預(yù)測(cè)的系統(tǒng)(fish shelf life predictor，F(xiàn)SLP)[24]。

3 其他新模型

3.1 基于整體穩(wěn)定性指數(shù)的數(shù)學(xué)模型

由于一些食品體系的復(fù)雜性或指標(biāo)的多樣性，往往會(huì)遇到多個(gè)指標(biāo)反而更難清晰地反映食品在貯藏過程中品質(zhì)變化的問題[3]。此時(shí)，可先借助統(tǒng)計(jì)學(xué)的方法，將繁雜的多指標(biāo)問題轉(zhuǎn)化成一個(gè)或少數(shù)幾個(gè)獨(dú)立變量的問題。整體穩(wěn)定性指數(shù)法(global stability index，GSI)是同步考慮食品在貯藏過程中多個(gè)指標(biāo)的變化，然后根據(jù)不同指標(biāo)的重要性為其分配不同的權(quán)重系數(shù)，最后把這些品質(zhì)變化整合成一個(gè)單一的指標(biāo)來反映產(chǎn)品的整體品質(zhì)特性。Hong等[25]首先將整體穩(wěn)定性指數(shù)引入水產(chǎn)品的品質(zhì)預(yù)測(cè)，按照不同的權(quán)重系數(shù)將感官評(píng)分、TVB-N、菌落總數(shù)、K值整合單一的指標(biāo)——GSI，利用GSI預(yù)測(cè)鳙(Aristichthysnobilis)魚頭在不同冷藏溫度下整體品質(zhì)變化的情況，結(jié)果表明該模型可以很好地預(yù)測(cè)鳙魚頭在270～288 K貯藏條件下的整體品質(zhì)變化。此外，Bao等[26]和Zhu等[27]分別建立了武昌魚(Megalobramaamblycephala)和異育銀鯽(Carassiusauratusgibelio)在冷藏過程中基于GSI的品質(zhì)預(yù)測(cè)模型。但目前已有的GSI預(yù)測(cè)模型還存在一些問題，例如如何更合理地選擇權(quán)重系數(shù)，今后可以嘗試通過運(yùn)用其他統(tǒng)計(jì)學(xué)方法(如灰色模型)或者調(diào)查消費(fèi)者的喜好來確定更合理的權(quán)重系數(shù)。

3.2 Weibullian模型

Gacula等首次將失效的概念引入食品，認(rèn)為食品品質(zhì)隨時(shí)間的延長而下降，最終降低到人們拒絕食用的程度，即為食品失效，食品失效時(shí)間的分布從理論上符合Weibullian模型[28-29]。Corradini等[30]對(duì)Weibullian模型稍作變形后得到了可用于食品品質(zhì)預(yù)測(cè)的模型，如式(4)所示。

C(t)=C0×exp [-b(T) ×tn(T)]

式(4)

式(4)中，C(t)代表指標(biāo)C在時(shí)間t時(shí)的數(shù)值，C0代表指標(biāo)C的初始值，b(T)表示反應(yīng)速率，n(T)表示反應(yīng)級(jí)數(shù)，其中b(T)和n(T)與溫度有關(guān)。利用非線性回歸分析可求得未知參數(shù)——b(T)和n(T)。

Barraza等[31]研究了大西洋鮭(Salmosalar)在不同凍藏溫度(268、264、260和255 K)下鹽溶性蛋白、硬度、黏性和咀嚼性的變化規(guī)律，并利用Weibullian模型擬合這些指標(biāo)的變化情況，結(jié)果表明，Weibullian模型可以準(zhǔn)確反映鹽溶性蛋白、硬度、黏性和咀嚼性的變化情況。

3.3 人工智能數(shù)學(xué)模型

人工智能數(shù)學(xué)模型主要包括神經(jīng)網(wǎng)絡(luò)模型和貝葉斯模型等數(shù)學(xué)模型。Liu等[7]將人工神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于水產(chǎn)品的品質(zhì)預(yù)測(cè)中，首先分別測(cè)定了虹鱒(Oncorhynchusmykiss)在270、273、276、282和288 K貯藏溫度下感官評(píng)分、菌落總數(shù)、K值和電導(dǎo)率的變化，隨后利用實(shí)驗(yàn)數(shù)據(jù)建立了描述品質(zhì)指標(biāo)變化與溫度和時(shí)間關(guān)系的動(dòng)力學(xué)模型和前饋型人工神經(jīng)網(wǎng)絡(luò)模型。結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)模型可以準(zhǔn)確預(yù)測(cè)虹鱒魚片感官評(píng)分、K值、電導(dǎo)率和菌落總數(shù)的變化情況，預(yù)測(cè)值和實(shí)測(cè)值之間的相對(duì)誤差均在±10%以內(nèi)，而動(dòng)力學(xué)模型只能準(zhǔn)確預(yù)測(cè)電導(dǎo)率和菌落總數(shù)的變化，對(duì)感官評(píng)分、K值的預(yù)測(cè)效果較差。Wang等[32]建立了徑向基人工神經(jīng)網(wǎng)絡(luò)模型，用以預(yù)測(cè)鹽腌武昌魚在冷藏條件下的品質(zhì)指標(biāo)(感官評(píng)分、菌落總數(shù)、K值、TVB-N、硫代巴比妥酸值和肌苷含量)變化情況。表3對(duì)傳統(tǒng)的動(dòng)力學(xué)模型和人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了比較。神經(jīng)網(wǎng)絡(luò)模型最大的優(yōu)點(diǎn)是具有自主學(xué)習(xí)能力和適用性很高[33]。因此，在今后的研究中，應(yīng)嘗試將更多地人工智能數(shù)學(xué)模型應(yīng)用于水產(chǎn)品的品質(zhì)預(yù)測(cè)中。

表3 人工神經(jīng)網(wǎng)絡(luò)模型和動(dòng)力學(xué)模型的比較
Tab.3 Comparison of artificial neural network model and kinetic model

4 結(jié)論與展望

對(duì)于一種水產(chǎn)品可以嘗試用不同的品質(zhì)預(yù)測(cè)模型對(duì)其品質(zhì)進(jìn)行模擬和預(yù)測(cè),最終確定最佳的預(yù)測(cè)模型。借助建立的水產(chǎn)品品質(zhì)預(yù)測(cè)模型,可以迅速而有效地預(yù)測(cè)和監(jiān)控貯運(yùn)過程中水產(chǎn)品的品質(zhì)情況，并據(jù)此設(shè)計(jì)和評(píng)估水產(chǎn)品貯運(yùn)過程的一系列技術(shù)參數(shù)。在今后的研究中，應(yīng)嘗試將更多的人工智能數(shù)學(xué)模型應(yīng)用于水產(chǎn)品的品質(zhì)預(yù)測(cè)中，同時(shí)將更多的水產(chǎn)品品質(zhì)預(yù)測(cè)模型納入計(jì)算機(jī)軟件，并逐漸完善現(xiàn)有的微生物預(yù)測(cè)模型軟件，以增加模型的實(shí)際應(yīng)用功能，為水產(chǎn)品的貯運(yùn)提供更多便利和參考價(jià)值。

[1] 夏文水. 大宗淡水魚貯運(yùn)保鮮與加工技術(shù)[M]. 北京: 中國農(nóng)業(yè)出版社, 2014.

[2] Zhu S, Luo Y, Hong H, et al. Correlation between electrical conductivity of the gutted fish body and the quality of bighead carp (Aristichthysnobilis) heads stored at 0 and 3 °C[J]. Food Bioprocess Technol, 2013, 6(11): 3068-3075.

[3] 曹悅, 陸利霞, 熊曉輝. 食品貨架期預(yù)測(cè)新技術(shù)進(jìn)展[J]. 食品研究與開發(fā), 2009, 30(5):165-168.

[4] Hong H, Luo Y, Zhu S, et al. Establishment of quality predictive models for bighead carp (Aristichthysnobilis) fillets during storage at different temperatures [J]. Int J Food Sci Technol, 2012, 47(3):488-494.

[5] 史波林, 趙鐳, 支瑞聰. 基于品質(zhì)衰變理論的食品貨架期預(yù)測(cè)模型及其應(yīng)用研究進(jìn)展[J]. 食品科學(xué), 2012, (21):345-350.

[6] Boekel M. Statistical aspects of kinetic modeling for food science problems [J]. J Food Sci, 1996, 61(3): 477-486.

[7] Liu X, Jiang Y, Shen S, et al. Comparison of arrhenius model and artificial neuronal network for the quality prediction of rainbow trout (Oncorhynchusmykiss) fillets during storage at different temperatures [J]. LWT - Food Sci Technol, 2015, 60(1):142-147.

[8] Yao L, Luo Y, Sun Y, et al. Establishment of kinetic models based on electrical conductivity and freshness indictors for the forecasting of crucian carp (Carassiuscarassius) freshness [J]. J Food Eng, 2011, 107(2):147-151.

[9] Zhang L, Li X, Lu W, et al. Quality predictive models of grass carp (Ctenopharyngodonidellus) at different temperatures during storage [J]. Food Contr, 2011, 22(8):1197-1202.

[10] Shi C, Lu H, Cui J, et al. Study on the predictive models of the quality of silver carp (Hypophthalmichthysmolitrix) fillets stored under variable temperature conditions [J]. J Food Process Pres, 2014, 38(1): 356-363.

[11] Bao Y, Zhou Z, Lu H, et al. Modelling quality changes in Songpu mirror carp (Cyprinuscarpio) fillets stored at chilled temperatures: comparison between Arrhenius model and log-logistic model [J]. Int J Food Sci Technol, 2013, 48(2):387-393.

[12] Dalgaard P. Qualitative and quantitative characterization of spoilage bacteria from packed fish[J]. Int J Food Microbiol, 1995, 26(3): 319-333.

[13] 楊憲時(shí), 許鐘, 肖琳琳. 水產(chǎn)食品特定腐敗菌與貨架期的預(yù)測(cè)和延長[J]. 水產(chǎn)學(xué)報(bào), 2004, 28(1):106-111.

[14] Isabelle L, André L. Quantitative prediction of microbial behaviour during food processing using an integrated modelling approach: a review [J]. Int J Refrig, 2006, 29(6):968-984.

[15] Zwietering M H, Koos J T D, Hasenack B E, et al. Modeling of bacterial growth as a function of temperature.[J]. Appl Environ Microb, 1991, 57(4):1094-101.

[16] 崔正翠, 許鐘, 楊憲時(shí), 等. 大菱鲆腐敗菌生長動(dòng)力學(xué)研究和貨架期預(yù)測(cè) [J]. 海洋漁業(yè), 2010, 32(4):454-460.

[17] 李學(xué)英, 楊憲時(shí), 郭全友. 鯉魚假單胞菌生長動(dòng)力學(xué)研究和貨架期預(yù)測(cè) [J]. 食品與機(jī)械, 2011, 27(1):56-59.

[18] Dabadé D S, Azokpota P, Nout M J R, et al. Prediction of spoilage of tropical shrimp (Penaeusnotialis) under dynamic temperature regimes[J]. Int J Food Microbiol, 2015, 210(1):121-130.

[19] Mejlholm O, Gunvig A, Borggaard C, et al. Predicting growth rates and growth boundary ofListeriamonocytogenes-an international validation study with focus on processed and ready-to-eat meat and seafood [J]. Int J Food Microbiol, 2010, 141(3):137-150.

[20] Mejlholm O, Dalgaard P. Development and validation of an extensive growth and growth boundary model for psychrotolerantLactobacillusspp. in seafood and meat products [J]. Int J Food Microbiol, 2013, 167(2):244-260.

[21] García M R, Vilas C, Herrera J R, et al. Quality and shelf-life prediction for retail fresh Hake (Merlucciusmerluccius)[J]. Int J Food Microbiol, 2015, 208(2):65-74.

[22] Dalgaard P, Cowan B J, Heilmann, et al. The seafood spoilage and safety predictor (SSSP)[C]//Catholic University of Louvain. Proceedings of the 4th international conference in predictive modelling in foods. Louvain:Catholic University of Louvain, 2003: 258.

[23] Dalgaard P. Food spoilage and safety predictor (FSSP) software: annual report on zoonoses in denmark[R]. Denmark: Technical University of Denmark, 2013.

[24] 楊憲時(shí), 許鐘, 郭全友. 養(yǎng)殖魚類貨架期預(yù)測(cè)系統(tǒng)的設(shè)計(jì)與評(píng)估[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2006, 22(8):129-134.

[25] Hong H, Luo Y, Zhu S, et al. Application of the general stability index method to predict quality deterioration in bighead carp (Aristichthysnobilis) heads during storage at different temperatures [J]. J Food Eng, 2012, 113:554-558.

[26] Bao Y, Luo Y, Zhang Y, et al. Application of the global stability index method to predict the quality deterioration of blunt-snout bream (Megalobramaamblycephala) during chilled storage [J]. Food Sci Biotechnol, 2013, 22(5):1-5.

[27] Zhu S, Luo Y, Feng L, et al. Establishment of kinetic models based on electrical conductivity and global stability index for predicting the quality of Allogynogenetic crucian carps (Carassiusauratusgibelio) during Chilling Storage [J]. J Food Process Pres, 2015, 39(2): 167-174.

[28] Gacula M C. The design of experiments for shelf life study [J]. J Food Sci, 2006, 40(2): 399-403.

[29] Gacula M C, Kubala J J. Statistical models for shelf life failures [J]. J Food Sci, 1975, 40(2): 404-409.

[30] Corradini M G, Peleg M. A model of non-isothermal degradation of nutrients, pigments and enzymes [J]. J Sci Food Agr, 2004, 84(3): 217-226.

[31] Barraza F A A. Kinetics of protein and textural changes in Atlantic salmon under frozen storage [J]. Food Chem, 2015, 182(1): 120-127.

[32] Wang H, Kong C, Li D, et al. Modeling quality changes in brined bream (Megalobramaamblycephala) fillets during storage: comparison of the arrhenius model, BP, and RBF neural network [J]. Food Bioprocess Technol,2015,8(12):2429-2443.

[33] Boekel M. Kinetic modeling of food quality: a critical review [J]. Compr Rev Food Sci F, 2008, 7(1):144-158.

Developments of quality prediction techniques in storage and transportation ofaquatic products

LIU Xiaochang, LUO Yongkang*

(College of Food Science and Nutritional Engineering, China Agricultural University, Beijing 100083)

Aquatic products quality degrades rapidly during storage and transportation as a consequence of biochemical and microbial breakdown mechanisms. Traditional quality detection methods of aquatic products are time-consuming and tedious. As a result, they are not suitable for real-time monitoring during commodity circulation. Quality prediction technology, based on mathematical models to simulate and predict aquatic products quality, can realize real-time monitoring of aquatic products quality. This paper reviewed and compared several prediction models which have been used in aquatic products, such as kinetic models, microbial growth prediction models, mathematical models based on global stability index and artificial intelligence, with a view to providing useful information for the development and improvement of prediction techniques in aquatic products. [Chinese Fishery Quality and Standards, 2016, 6(2):1-6]

aquatic product; prediction technique; storage; model

LUO Yongkang, luoyongkang@263.net

2015-08-01：；接收日期：2015-10-09

現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系建設(shè)專項(xiàng)資金資助(CARS-46)；北京市自然科學(xué)基金資助項(xiàng)目(6152017)；國家科技支撐項(xiàng)目(2015BAD17B00)

劉曉暢(1990-)，女，博士，研究方向?yàn)槭称焚A藏與保鮮，lxc_cau@163.com

：羅永康，教授，研究方向?yàn)樗a(chǎn)品貯藏與加工，luoyongkang@263.net

S94

：A

：2095-1833(2016)02-0001-06