,,,, ,,,*

(1.北京農(nóng)業(yè)信息技術研究中心,北京 100097; 2.天津科技大學電子信息與自動化學院，天津 300222; 3.國家農(nóng)業(yè)信息化工程技術研究中心,北京 100097; 4.農(nóng)產(chǎn)品質(zhì)量安全追溯技術及應用國家工程實驗室,北京 100097)

可見/近紅外技術與感官評價信息融合預測冷藏條件下羅非魚TVB-N的研究

史策1,3,4,孫立濤1,2,錢建平1,3,4,韓帥1,3,4,范蓓蕾1,3,4,楊信廷1,3,4,*

(1.北京農(nóng)業(yè)信息技術研究中心,北京 100097; 2.天津科技大學電子信息與自動化學院，天津 300222; 3.國家農(nóng)業(yè)信息化工程技術研究中心,北京 100097; 4.農(nóng)產(chǎn)品質(zhì)量安全追溯技術及應用國家工程實驗室,北京 100097)

應用可見/近紅外光譜技術與感官評價信息融合實現(xiàn)冷藏條件下有鱗羅非魚不同部位魚肉揮發(fā)性鹽基氮(TVB-N)的預測。通過便攜式近紅外光譜儀采集有鱗羅非魚胸部、中部和尾部魚肉在340～1063 nm的光譜數(shù)據(jù),分別采用卷積平滑法、變量標準化、一階(1st Der)和二階(2nd Der)導數(shù)進行光譜預處理,利用連續(xù)投影算法(SPA)提取羅非魚不同部位魚肉的特征波長,建立魚肉光譜與TVB-N偏最小二乘回歸(PLSR)模型,結果表明尾部魚肉的1st Der-SPA-PLSR模型預測均方根誤差(RMSEP)=1.1295 mg/100 g,預測相關系數(shù)(Rp2)=0.8998,預測結果高于其胸部和中部魚肉模型,并稍高于尾部魚肉全波段模型。因此,選擇尾部魚肉作為羅非魚光譜采樣區(qū)域。為進一步提高模型預測準確性,將尾部魚肉特征光譜數(shù)據(jù)與感官評價進行信息融合。通過對比尾部魚肉光譜、尾部魚肉光譜與感官評價融合的SPA-PLSR、SPA-BP神經(jīng)網(wǎng)絡和SPA-偏最小二乘支持向量機(LS-SVM)模型,結果表明,尾部光譜和感官評價信息融合的SPA-LS-SVM模型預測結果為RMSEP=0.9701 mg/100 g,Rp2=0.9255,能更準確預測羅非魚冷藏條件下TVB-N變化。為冷藏過程中羅非魚新鮮度預測方法提供了新的思路。

可見/近紅外光譜技術,羅非魚,新鮮度,預測模型,貯藏,信息融合

羅非魚(Oreochromis),又名非洲鯽魚,自2000年以來我國羅非魚養(yǎng)殖產(chǎn)量發(fā)展迅猛,現(xiàn)已成為世界上最大的羅非魚養(yǎng)殖國家[1]。羅非魚含有豐富的蛋白質(zhì)和多種不飽和脂肪酸,有望成為未來動物性蛋白質(zhì)的主要來源之一。然而由于富含蛋白質(zhì)和水分,導致貯藏過程中極易腐敗變質(zhì)。目前主要采用理化分析、微生物檢測來鑒別魚類的新鮮度,而傳統(tǒng)的理化、微生物等分析方法費時費力、具有破壞性,因此,迫切需要一種無損的新鮮度檢測技術對魚類進行品質(zhì)評價。

表1 羅非魚感官評價標準Table 1 The criterion of sensory index for tilapia

可見/近紅外光譜技術是近年來發(fā)展起來的一種高效、快速、無損的檢測技術[2],目前廣泛的應用于食品領域。陳偉華等[3]采集絞碎前后羅非魚片背肉及腹肉的近紅外光譜,并將其與揮發(fā)性鹽基氮(total volatile basic nitrogen,TVB-N)含量進行擬合,能夠較好的預測TVB-N的變化;Nilsen等[4]利用近紅外光譜研究冰藏鱈魚和三文魚的冷藏時間,應用多元統(tǒng)計分析光譜數(shù)據(jù)與冷藏時間的相關性,相關系數(shù)分別為0.97和0.98;Sivertsen等[5]采用可見/近紅外光譜檢測了解凍鱈魚在冰藏條件下的存儲時間,通過偏最小二乘法對光譜數(shù)據(jù)和存儲時間建模,預測鱈魚的貯藏時間精度在1.6 d左右。目前大部分的研究集中在近紅外光譜與冷藏時間或TVB-N等之間的相關性。然而僅憑光譜信息單一指標判定魚類冷藏條件下的新鮮度或貨架期,其準確性有限。因此,將光譜信息與感官評價等內(nèi)外品質(zhì)信息融合用于魚新鮮度無損檢測,有助于綜合評價魚類的新鮮度。

本研究提出了基于可見/近紅外光譜和感官評價信息融合預測羅非魚新鮮度的研究思路。主要采用商業(yè)化便攜式手持近紅外光譜儀,分別測定并對比了冷藏條件下有鱗羅非魚胸部、中部和尾部魚肉的光譜數(shù)據(jù)與TVB-N的相關性,選擇較優(yōu)的羅非魚新鮮度檢測部位;其次采用光譜數(shù)據(jù)和感官評價進行信息融合,建立PLSR,BP-ANN和LS-SVM預測模型,以期獲得更好的羅非魚TVB-N預測結果。為進一步提高冷藏過程中羅非魚新鮮度預測準確率提供依據(jù)。

1 材料與方法

1.1材料與儀器

60條羅非魚(657±67) g 北京農(nóng)貿(mào)市場;氧化鎂,硼酸,甲基紅,次甲基藍(均為分析純)北京化學試劑公司。

D2010W電動攪拌器 上海梅穎浦儀器儀表制造有限公司;YP30002越平電子天平 上海右一儀器有限公司;KDY-9820凱氏定氮儀 北京通潤源機電技術公司；便攜式可見近紅外光譜儀 美國ASD公司,采集光譜波段范圍是325～1075 nm,光譜采樣間隔為0.81 nm,掃描次數(shù)20次。

1.2實驗方法

1.2.1 樣品前處理 鮮活羅非魚擊斃后,裝入聚乙烯袋中并密封,置于4 ℃培養(yǎng)箱中貯藏。在貯藏0、2、4、6、8、10 d時取樣,每次取10條羅非魚用于實驗。每條魚左右兩側作為2個樣本,共120個樣本。其中80個樣本作為建模集,40個樣本作為預測集。

1.2.2 感官評價 參照李杉等[6]和史策等[7]關于魚體感官指標的測定方法,并做部分修改。經(jīng)過感官培訓的7位食品專業(yè)同學作為評審成員,在光線充足無氣味的環(huán)境中,從魚體的眼球、體表色澤、肌肉彈性和氣味4個方面分別進行感官評分,每個部分滿分為25分。以60分為食用標準,100分為新鮮魚,低于60分為不可食用。

1.2.3 揮發(fā)性鹽基氮(TVB-N) 參照董偉坤[8]的方法,按照半微量蒸餾法進行測定。

1.2.4 光譜的采集 將羅非魚體表面水分擦干后置于黑色背景布上,以標準白板(聚四氟乙烯)為參比,以漫反射的方式采集光譜,采集區(qū)域如圖1標識所示。分別采集羅非魚胸部、中部和尾部各20次(圖1),每個部位采集區(qū)域不重疊。取每個樣品得到的20條光譜曲線的平均值。

圖1 羅非魚近紅外光譜采集部位Fig.1 Spectra extraction regions of tilapia

1.3數(shù)據(jù)分析

光譜預處理:分別采用Savitzky-Golay(SG)卷積平滑法、變量標準化(Standard Normal Variate,SNV)、一階(1stDer)和二階(2ndDer)求導算法對光譜進行預處理分析;

特征波長選擇:采用連續(xù)投影算法(Successive projections algorithm,SPA)進行特征波長選擇;

建模方法:采用BP人工神經(jīng)網(wǎng)絡(Back-propagation Artificial Neural Network,BP-ANN)、偏最小二乘回歸法(Partial Least Squares Regression,PLSR)和最小二乘支持向量機(Least Squares Support Vector Machine,LS-SVM)進行建模。

實驗數(shù)據(jù)(均方根誤差(RMSE)、平方相關系數(shù)(R2)等)使用Excel 2007進行數(shù)據(jù)處理,采用SAS軟件進行方差分析和差異顯著性分析,算法主要采用Unscrambler(CAMO,Process,AS,OSLO,Norway)、ASD View Spec Pro、MATLAB 2014a(The Math Works,Natick,USA)實現(xiàn)。

2 結果與分析

2.1冷藏過程中羅非魚感官值和TVB-N的變化

圖2對羅非魚的眼球、體表色澤、肌肉彈性和氣味4個方面分別進行了評分,隨著貯藏時間的延長感官值逐漸下降。0～6 d時羅非魚感官值下降速率較慢,6 d后,羅非魚感官值下降速率顯著增加。當貯藏至第6 d時,對應的感官值為68,6 d后,魚肉逐漸失去使用價值。李莎等[9]研究發(fā)現(xiàn)4 ℃貯藏5 d后羅非魚片品質(zhì)明顯下降;Hong等[10]研究4 ℃冷藏下鳙魚的感官值發(fā)現(xiàn),8 d后鳙魚不可食用。以上報道都與本研究結果類似。

圖2 羅非魚4 ℃貯藏過程中感官值和TVB-N的變化Fig.2 The change of sensory evaluation and TVB-N value of tilapia during storage at 4 ℃

TVB-N是酶和細菌分解蛋白質(zhì)產(chǎn)生的氨及胺類等堿性含氮物質(zhì)[11],目前被廣泛用于判斷水產(chǎn)品及肉品的新鮮度。其中,一級鮮度淡水魚為TVB-N≤13 mg/100 g,二級鮮度淡水魚為TVB-N≤20 mg/100 g。如圖2所示,新鮮羅非魚的TVB-N含量為7.6 mg/100 g,隨著貯藏時間的延長TVB-N含量逐漸增加,在第6 d達到感官拒絕值時的TVB-N含量為17.2 mg/100 g。

本實驗所采集的羅非魚感官評價和TVB-N的范圍分別為12.54～100和7.6～23.5 mg/100 g,兩種指標數(shù)據(jù)范圍均較大,可滿足光譜技術定量建模的需求。

2.2冷藏過程中羅非魚胸部、中部和尾部的可見/近紅外原始光譜曲線的變化

由于前后波段噪聲較大,最終選取340～1063 nm波長范圍的吸光值作為羅非魚原始光譜曲線。將原始光譜平均后,得到羅非魚胸部、中部和尾部平均后的光譜曲線(如圖3)。三個部位羅非魚肉的光譜峰谷變化趨勢基本一致,與zhu等[12]測定的比目魚片近紅外光譜谷峰趨勢類似。413 nm處光譜吸光度都達到最高值;3個部位的魚肉光譜在452～628 nm波段都出現(xiàn)峰谷波動,552 nm附近的波峰可能是由于血紅蛋白(Hb)和肌紅蛋白(Mb)分子上血紅素的吸收,512 nm和620 nm處的波谷可能是由于高鐵血紅蛋白(metHb)和高鐵肌紅蛋白(metMb)分子上氧化血紅素的吸收[5];3個部位魚肉的光譜曲線在977 nm處的波峰可能是由于水分子中O-H鍵的二級倍頻吸收帶在970 nm附近有特征吸收[13]。

圖3 羅非魚胸部、中部和尾部的平均光譜曲線Fig.3 Average spectra of three regions for tilapia

2.3不同預處理方法對羅非魚胸部、中部和尾部建模的影響

光譜除樣品本身的信息外,還會受到魚體表面不均勻、紋理等物理因素,甚至背景噪聲等無關信息的干擾,因此需要對光譜進行預處理[2]。SG平滑不僅能夠減少噪聲對該數(shù)據(jù)點數(shù)值的干擾,還能保持數(shù)據(jù)信號的真實性[14],SNV處理通常用于校正樣本間由散射引起的光譜誤差[14],1st Der和2nd Der常用于近紅外光譜的預處理,能夠一定程度上解決光譜信號中由于倍頻和合頻引起的光譜信號重疊問題[15]。本實驗主要比較了原始光譜(Raw)、SG、SNV、1st Der和2nd Der以及不同方法組合對建模結果的影響。

表2 4 ℃冷藏過程中經(jīng)過不同預處理的羅非魚胸部、中部和尾部魚肉光譜與TVB-N的PLS建模結果Table 2 The result of PLSR models for correlating between spectral measurement of different positions for tilapia by different preprocessing methods and TVB-N

經(jīng)過不同預處理的胸部、中部和尾部魚肉光譜與TVB-N建立PLSR的模型,如表2所示。對比胸部、中部和尾部魚肉的校正集、交互驗證集和預測集結果,其中胸部魚肉經(jīng)過SNV和1st Der處理的建模結果總體較優(yōu),中部魚肉經(jīng)過2nd Der處理的光譜建模結果總體較優(yōu),尾部魚肉經(jīng)過1st Der和2nd Der處理的光譜建模結果總體較優(yōu),這可能由于導數(shù)能夠消除光譜基線漂移及魚表面不平等背景干擾。胸部魚肉經(jīng)過1st Der處理的模型校正集均方根誤差(RMSEP=1.1694 mg/100 g)大于其SNV結果(RMSEP=0.8804 mg/100 g),但交互驗證集和預測集均方根誤差(RMSEP=1.6437 mg/100 g和1.5092 mg/100 g)小于其SNV處理結果(RMSEP=1.6837 mg/100 g和1.6788 mg/100 g),由于SNV處理后胸部魚肉的校正集與交互驗證集和預測集的均方根誤差及相關系數(shù)差距較大,可能出現(xiàn)過擬合情況,因此選擇1st Der處理的胸部魚肉數(shù)據(jù)進行下一步建模。尾部魚肉光譜經(jīng)過1st Der處理的模型校正集和交互驗證集均方根誤差分別與其2nd Der結果相近,但尾部魚肉光譜經(jīng)過1st Der預處理的模型預測集均方根誤差(1.2293 mg/100 g)小于其2nd Der處理的結果(1.3998 mg/100 g),因此尾部魚肉光譜經(jīng)過1st Der處理的建模結果總體較優(yōu);而羅非魚中部建模結果中,經(jīng)過2nd Der處理的光譜預測集效果較優(yōu),RMSEP=1.0345 mg/100 g,Rp2=0.9088。通過對比預處理后的胸部、中部和尾部魚肉建模效果發(fā)現(xiàn),胸部和尾部魚肉經(jīng)過1st Der處理、中部經(jīng)2nd Der處理的全波段光譜建模結果總體較優(yōu)。

2.4基于連續(xù)投影法(SPA)的胸部、中部和尾部魚肉特征波長選取及TVB-N預測

為了減少不必要和多余的信息,并優(yōu)化檢測速度,本文選擇SPA進行最優(yōu)波長的選擇。SPA被廣泛的用于變量的選擇,能最大程度的減少光譜信息的重疊[16],簡化校正模型和縮短校正時間。圖4為羅非魚胸部1st Der、中部2nd Der和尾部1st Der預處理光譜經(jīng)過SPA選擇的過程,胸部、中部和尾部魚肉分別優(yōu)選出15、15和19個光譜變量。羅非魚胸部魚肉光譜變量主要集中在347～366 nm和976～1062 nm,中部魚肉光譜變量主要集中在502～652 nm和968～1039 nm,尾部魚肉光譜變量主要集中在347～369 nm和935～1061 nm。3個部位選擇的特征波段都集中在900～1060 nm之間,主要由于這部分波段是水分吸收帶,而水分是魚肉最主要的成分[16]。

圖4 羅非魚胸部、中部和尾部魚肉光譜SPA法選擇變量過程Fig.4 Selection of optimum spectral variables of different tilapia positions by SPA

基于SPA算法選擇的特征波長分別建立了胸部、中部和尾部魚肉SPA-PLSR模型(表3)。通過對比不同部位建模結果發(fā)現(xiàn),尾部魚肉SPA-PLSR模型的校正集、交互驗證集和預測集的相關系數(shù)(R2)顯著高于胸部和中部。與尾部魚肉全波段建模結果相比,經(jīng)過SPA算法預處理后的尾部魚肉PLSR模型RMSEP=1.1295 mg/100 g,Rp2=0.8998,較全波段建模結果有所提高(RMSEP=1.2293 mg/100 g,Rp2=0.8698),且尾部魚肉SPA-PLSR模型僅使用19個變量,建模的速度和效率得到提升。因此,羅非魚尾部魚肉光譜經(jīng)過1st Der、SPA算法預處理后能夠良好的預測4 ℃貯藏條件下羅非魚TVB-N的變化。

2.5羅非魚尾部魚肉光譜與感官值信息融合的預測模型

表3 經(jīng)過連續(xù)投影法選擇特征波長后的PLSR建模結果Table 3 The result of PLSR models of different positions for tilapia by SPA

表4 PLSR,BP-ANN和LS-SVM模型結合多種變量對TVB-N建模與預測結果的參數(shù)統(tǒng)計Table 4 Comparison of storage time with different data variables based on PLSR,BP-ANN and LS-SVM

信息融合根據(jù)融合系統(tǒng)所處理的信息層面主要分為原始數(shù)據(jù)層融合、特征層融合和決策層融合。在本文中,由于光譜和感官評價特性不一致,較難直接關聯(lián);而決策層融合需要與光譜及感官相關的先驗知識進行決策,所需數(shù)據(jù)庫龐大,因此,本文選擇特征層融合。通過將光譜數(shù)據(jù)進行特征處理后,與感官數(shù)據(jù)聯(lián)合進行特征層融合完成對羅非魚新鮮度的綜合評價。

為了提高羅非魚貯藏過程TVB-N的預測精度,將上文中經(jīng)過1st Der、SPA預處理的尾部魚肉光譜特征波長與感官評價聯(lián)合進行信息融合,采用PLSR,BP-ANN和LS-SVM建立TVB-N預測模型(表4)。

BP-ANN是一種多層前饋神經(jīng)網(wǎng)絡,從輸出層反向經(jīng)過隱含層回到輸入層,逐步修正各連接權值。本文中BP-ANN模型選取的是單隱含層模型,隱含層和輸出層的傳遞函數(shù)分別選取logsig和purelin,經(jīng)過10000次訓練后,光譜、光譜和感官值融合的BP-ANN模型的隱含層的神經(jīng)元分別為10、11時,逼近效果最好。LS-SVM是一種遵循結構風險最小化原則的核函數(shù)學習機器。利用非線性映射函數(shù)將輸入向量映射到高維特征空間,采用拉格朗日乘子計算向量的偏微分,從而以較快的方法解決多元校正問題[17-18],能夠降低計算機的復雜性,提高計算效率[14]。本文中LS-SVM模型采用的徑向基核函數(shù),并通過交叉驗證優(yōu)化參數(shù)建立LS-SVM模型。

對比3種建模方法,光譜和感官信息融合的LS-SVM預測模型的結果總體略優(yōu)。這可能是由于變量較多并且變量之間線性關系并不明顯,而PLSR模型只能處理光譜數(shù)據(jù)中的線性關系;在2組BP-ANN模型中RMSEP顯著大于RMSECV,在運行過程中可能出現(xiàn)過擬合情況;而LS-SVM模型可以利用光譜數(shù)據(jù)的非線性信息,提高了模型預測的準確性[19]。2組LS-SVM模型的交互驗證集結果接近,而光譜和感官值融合模型的預測集RMSEP=0.9701 mg/100 g優(yōu)于光譜模型的預測集RMSEP=1.2364 mg/100 g,光譜和感官值融合的LS-SVM模型能較好的預測羅非魚的TVB-N含量。羅非魚的品質(zhì)劣變是個復雜的過程,伴隨著內(nèi)部指標和外部指標變化,可見/近紅外光譜數(shù)據(jù)反映了羅非魚內(nèi)部化學變化,感官評價反映了羅非魚外部感官變化。將光譜數(shù)據(jù)和感官評價信息融合的LS-SVM模型能更全面的反映羅非魚冷藏條件下新鮮度變化。

3 結論

通過商業(yè)化便攜式手持近紅外光譜儀采集不同部位(胸部、中部和尾部)羅非魚光譜與TVB-N進行擬合,構建預測模型以評價冷藏過程中新鮮度。通過SG、SNV、1st Der和2nd Der以及不同方法組合的光譜預處理及SPA算法的優(yōu)化,結果表明羅非魚尾部1st Der-SPA-PLSR模型預測效果好于其胸部和中部預測模型,并較尾部全波段建模結果有所提高。因此,選取尾部魚肉作為羅非魚光譜采樣區(qū)域。

為提高羅非魚冷藏過程中TVB-N的預測準確性,將經(jīng)過1st Der、SPA預處理的尾部魚肉光譜數(shù)據(jù)與感官評價特征層信息融合,對比光譜、光譜和感官值信息融合的PLSR,BP-ANN和LS-SVM模型效果。尾部魚肉光譜和感官評價信息融合的SPA-LS-SVM模型略優(yōu),預測集的RMSEP=0.9701 mg/100 g,Rp2=0.9255。通過尾部魚肉光譜和感官評價信息融合能更全面的反映羅非魚冷藏條件下新鮮度變化,為提高冷藏過程中羅非魚新鮮度檢測準確率提供理論依據(jù)。

[1]楊弘. 我國羅非魚產(chǎn)業(yè)現(xiàn)狀及產(chǎn)業(yè)技術體系建設[J]. 中國水產(chǎn),2010(9):6-10.

[2]黃濤,李小昱,彭毅,等. 基于近紅外光譜的淡水魚新鮮度在線檢測方法研究[J]. 光譜學與光譜分析,2014(10):2732-2736.

[3]陳偉華,許長華,樊玉霞,等. 近紅外光譜技術快速無損評價羅非魚片新鮮度[J]. 食品科學,2014,35(24):164-168.

[4]Nilsen H,Esaiassen M,Heia K,et al. Visible/Near-Infrared Spectroscopy:A New Tool for the Evaluation of Fish Freshness?[J]. Journal of Food Science,2002,67(5):1821-1826.

[5]Sivertsen A H,Kimiya T,Heia K. Automatic freshness assessment of cod(Gadus morhua)fillets by Vis/Nir spectroscopy[J]. Journal of Food Engineering,2011,103(3):317-323.

[6]李杉,馬海霞,李來好,等. 減菌化預處理對鮮羅非魚片質(zhì)量的影響[J]. 食品科學,2009(18):379-384.

[7]史策,崔建云,王航,等. 反復冷凍-解凍對鰱品質(zhì)的影響[J]. 中國水產(chǎn)科學,2012,19(1):167-173.

[8]董偉坤. 食品檢驗與分析[Z]. 北京:中國輕工業(yè)出版社,1989.

[9]李莎,李來好,楊賢慶,等. 羅非魚片在冷藏過程中的品質(zhì)變化研究[J]. 食品科學,2010,31(20):444-447.

[10]Hong H,Luo Y,Zhou Z,et al. Effects of low concentration of salt and sucrose on the quality of bighead carp(Aristichthysnobilis)fillets stored at 4 C[J]. Food Chemistry,2012,133(1):102-107.

[11]Olafsdóttir G,Martinsdóttir E,Oehlenschl?ger J,et al. Methods to evaluate fish freshness in research and industry[J]. Trends in Food Science & Technology,1997,8(8):258-265.

[12]Zhu F,Zhang D,He Y,et al. Application of visible and near infrared hyperspectral imaging to differentiate between fresh and frozen-thawed fish fillets[J]. Food and Bioprocess Technology,2013,6(10):2931-2937.

[13]B. G. O,T. F. Near Infrared Spectroscopy in Food Analysis[M].New York:Longman Scientific & Technical,1986.

[14]朱逢樂.基于光譜和高光譜成像技術的海水魚品質(zhì)快速無損檢測[D]. 浙江大學生物系統(tǒng)工程,2014.

[15]Lin M,Cavinato A G,Huang Y,et al. Predicting sodium chloride content in commercial king(Oncorhynchustshawytscha)and chum(O.keta)hot smoked salmon fillet portions by short-wavelength near-infrared(SW-NIR)spectroscopy[J]. Food Research International,2003,36(8):761-766.

[16]Cheng J,Sun D,Zeng X,et al. Non-destructive and rapid determination of TVB-N content for freshness evaluation of grass carp(Ctenopharyngodonidella)by hyperspectral imaging[J]. Innovative Food Science & Emerging Technologies,2014,21:179-187.

[17]顧燕萍,趙文杰,吳占松. 基于最小二乘支持向量機的電站鍋爐燃燒優(yōu)化[J]. 中國電機工程學報,2010,30(17):91-97.

[18]Suykens J A,Vandewalle J. Least squares support vector machine classifiers[J]. Neural processing letters,1999,9(3):293-300.

[19]朱逢樂,何勇,邵詠妮. 應用近紅外高光譜成像預測三文魚肉的水分含量[J]. 光譜學與光譜分析,2015(1):113-117.

TVB-Npredictionoftilapiawithscalesbyinformationfusionofnearinfraredspectrumtechnologyandsensoryevaluationduringchilledstorage

SHICe1,3,4,SUNLi-tao1,2,QIANJian-ping1,3,4,HANShuai1,3,4,FANBei-lei1,3,4,YANGXin-ting1,3,4,*

(1.Beijing Research Center for Information Technology in Agriculture,Beijing 100097,China; 2.College of Electronic Information and Automation,Tianjin University of Science & Technology,Tianjin 300222,China; 3.National Engineering Research Center for Information Technology in Agriculture,Beijing 100097,China; 4.National Engineering Laboratory for Agri-product Quality Traceability,Beijing 100097,China)

The information fusion of near infrared spectrum technology and sensory evaluation was applied to predict the freshness of different parts for tilapia with scales during chilled storage.Spectral signatures ofbreast,middle and tail region in the range of 340～1063 nm were extracted.Smoothing Savitzky-Golay(SG),standard normal variate(SNV),polynomial derivative filters(1st Der and 2nd Der)were used for spectral pre-processing.Partial least square regression(PLSR)was used to correlate the whole wavelengths spectra with total volatile basic nitrogen(TVB-N).Optimal wavelengths of different tilapia positions were selected by successive projections algorithm(SPA)to develop new SPA-PLSR models,and the SPA-PLSR predictive performances of tails position(root mean square error of prediction(RMSEP)=1.1295 mg/100 g,determination coefficient(Rp2)=0.8998)was better than that of breast and middle region,and also better than whole wavelengths model of tails region.Therefore,tail region was selected as spectrum sampling area. In order to evaluate the comprehensively fish freshness and improve the accuracy of model,spectral data and sensory evaluation were integrated for nondestructive measurement of freshness for tail region of tilapia based on PLSR,back-propagation artificial neural network(BP-ANN)and least squares support vector machines(LS-SVM). Compared with single characteristic,information fusion of spectral data and sensory evaluation for LS-SVM had its superiority,which achieved accurate results with Rp2of 0.9255,RMSEP of 0.9701 mg/100 g. This result indicated that information fusion by integrating spectral data and sensory evaluation could significantly improve the TVB-N prediction performance,and it has tremendous potential in prediction of freshness in fish during chilled storage.

near infrared spectrum technology;tilapia;freshness;predictive model;storage;information fusion

2017-03-03

史策(1989-)，女，博士，助理研究員，研究方向：農(nóng)產(chǎn)品質(zhì)量安全控制技術，E-mail：shic@nercita.org.cn。

*

楊信廷(1974-)，男，博士，研究員，主要從事農(nóng)業(yè)信息化關鍵技術及農(nóng)產(chǎn)品質(zhì)量安全控制研究，E-mail:yangxt@nercita.org.cn。

北京市自然科學基金項目(6174040)；北京市農(nóng)林科學院青年科研基金(QNJJ201720)；國家重點研發(fā)計劃(2016YFD0401205)。

TS254.1

A

1002-0306(2017)21-0268-06

10.13386/j.issn1002-0306.2017.21.053