孫文珂，沈照鵬，權(quán)浩嚴(yán)，徐錫明，喬樂(lè)克，杜春影，王 鵬,

（1.中國(guó)海洋大學(xué)食品科學(xué)與工程學(xué)院，山東青島 266104；2.中國(guó)海洋大學(xué)醫(yī)藥學(xué)院，山東青島 266104；3.青島海洋生物醫(yī)藥研究院，山東青島 266071）

紫菜（Porphyra）屬于紅藻門(mén)（Rhodophyta）紅藻綱（Rhodophyceae）紅毛菜亞綱紅毛菜目紅毛菜科[1]。我國(guó)常見(jiàn)紫菜品種有條斑紫菜（Pyropia yezoensis）和壇紫菜（Pyropia haitnensis）、圓紫菜、甘紫菜等，其中條斑紫菜和壇紫菜是我國(guó)主要的栽培物種[2]。條斑紫菜是北太平洋西部特有種，在韓國(guó)、日本等國(guó)廣泛栽培，為我國(guó)引進(jìn)日本紫菜品種，主要產(chǎn)區(qū)在江蘇等地[3]。條斑紫菜含有豐富的營(yíng)養(yǎng)物質(zhì)如蛋白質(zhì)、氨基酸、多不飽和脂肪酸、EPA、維生素等[4]，因此條斑紫菜具有預(yù)防高血壓及冠心病、降低血脂水平、預(yù)防動(dòng)脈粥樣硬化等生物活性[5-8]，具有較高的商業(yè)價(jià)值。

目前，中國(guó)、日本、韓國(guó)為世界紫菜生產(chǎn)量前三的國(guó)家，產(chǎn)量之和占世界總產(chǎn)量的96%，貿(mào)易量占世界的98%以上[9]，中日韓三國(guó)在紫菜貿(mào)易方面的競(jìng)爭(zhēng)也日益激烈。因缺少國(guó)際標(biāo)準(zhǔn)，三國(guó)在國(guó)際紫菜標(biāo)準(zhǔn)的制定上出現(xiàn)分歧，尤其在水分、重金屬、農(nóng)藥殘留及微生物等方面。他國(guó)為保護(hù)本國(guó)紫菜相關(guān)貿(mào)易優(yōu)勢(shì)，借助技術(shù)優(yōu)勢(shì)，遏制我國(guó)紫菜國(guó)際貿(mào)易發(fā)展[10-11]。因此，加強(qiáng)相關(guān)檢測(cè)技術(shù)的研發(fā)，有利于在國(guó)際標(biāo)準(zhǔn)制定中占據(jù)主導(dǎo)地位。對(duì)于微生物這一質(zhì)量指標(biāo)，目前仍采用傳統(tǒng)方法檢測(cè)，存在檢測(cè)樣品批量大、周期長(zhǎng)、時(shí)間成本高等問(wèn)題。因此，革新紫菜微生物質(zhì)量指標(biāo)檢測(cè)技術(shù)，建立快速檢測(cè)方法，有利于提高我國(guó)紫菜產(chǎn)業(yè)生產(chǎn)與監(jiān)管能力，提高國(guó)際競(jìng)爭(zhēng)力，使我國(guó)紫菜產(chǎn)業(yè)在世界市場(chǎng)上占據(jù)優(yōu)勢(shì)地位。

近紅外譜區(qū)是波長(zhǎng)范圍在780～2526 nm 的電磁波[12]，近紅外光譜技術(shù)則是在這一波長(zhǎng)范圍內(nèi)，以光譜學(xué)、化學(xué)計(jì)量學(xué)、基礎(chǔ)測(cè)量學(xué)和計(jì)算機(jī)等技術(shù)為基礎(chǔ)的綜合技術(shù)[13]，具有快速、無(wú)損檢測(cè)等優(yōu)勢(shì)，目前廣泛應(yīng)用于食品、醫(yī)藥等領(lǐng)域。Marques 等[14]測(cè)評(píng)了兩種手持式近紅外光譜儀對(duì)烏姆布果質(zhì)的分析性能；Hadi 等[15]將便攜手持式近紅外（NIR）光譜技術(shù)與分類算法相結(jié)合；開(kāi)發(fā)了一種預(yù)測(cè)雞肉的真實(shí)性的方法。除此之外，近紅外光譜也被應(yīng)用于微生物快速檢測(cè)中，閆思雨等[16]通過(guò)傅里葉變換近紅外光譜儀及偏最小二乘回歸（PLSR）方法建立了冷藏鮮切獼猴桃片微生物污染水平的快速檢測(cè)模型[16]。本研究結(jié)合近紅外光譜技術(shù)、化學(xué)計(jì)量學(xué)與機(jī)器學(xué)習(xí)等手段，構(gòu)建了條斑紫菜菌落總數(shù)的預(yù)測(cè)模型，實(shí)現(xiàn)了條斑紫菜品質(zhì)的快速評(píng)價(jià)，建立了針對(duì)條斑紫菜微生物這一質(zhì)量指標(biāo)的快速檢測(cè)方法。

1 材料與方法

1.1 材料與儀器

紫菜 于2020 年江蘇贛榆采集條斑紫菜干樣品155 組（每張紫菜樣品尺寸為19 cm×21 cm，每組共采集10 張條斑紫菜樣品作為平行）包含按照江蘇省地標(biāo)DB32/T 1021 定義的五級(jí)二十二等，來(lái)自贛榆、秦皇島、青島、威海等地；PCA 培養(yǎng)基 青島海博生物技術(shù)有限公司；NaCl（分析純）國(guó)藥集團(tuán)化學(xué)試劑有限公司。

MicroNIR 1700ES VIAVI 近紅外光譜儀 美國(guó)VIAVI；LDZX-30KBS 型高壓滅菌鍋 上海申安醫(yī)療器械廠；LRH-70 型恒溫干燥箱 上海一恒科學(xué)儀器有限公司；ME203E 型電子天平 上海梅特勒-利特多有限公司；HWS24 型恒溫水浴鍋 上海元析儀器有限公司等。

1.2 實(shí)驗(yàn)方法

1.2.1 紫菜樣品菌落總數(shù)檢測(cè) 方法參照GB 4789.2-2016 《食品安全國(guó)家標(biāo)準(zhǔn) 食品微生物學(xué)檢驗(yàn) 菌落總數(shù)測(cè)定》。

1.2.2 光譜采集 所采用儀器參數(shù)為：波長(zhǎng)范圍為900～1650 nm、光譜分辨率為6.2 nm、樣品工作距離（即樣品與探頭距離）為3 mm、信噪比為23000（掃描次數(shù)為100 次，采集后取平均值）、工作溫度為25 ℃。預(yù)熱設(shè)備15 min，采用漫反射積分球模式采集紫菜樣品（紫菜樣品圖片如圖1 所示，均為交易干制紫菜樣品）的近紅外光譜，校正暗電流并以四氟乙烯白板為參比，調(diào)整儀器后采集條斑紫菜樣品的近紅外光譜數(shù)據(jù)。在采集光譜時(shí)，將樣品豎立放置，每張紫菜樣品分為20 等份，采集對(duì)角線上8 份區(qū)域的光譜數(shù)據(jù)（具體采集方式見(jiàn)圖1）。

圖1 條斑紫菜樣品光譜采集區(qū)域Fig.1 Spectral collection area of Pyropia yezoensis

1.2.3 樣本集劃分 利用進(jìn)行近紅外光譜分析的對(duì)象大多數(shù)需要采集大量的實(shí)際樣本數(shù)據(jù)，但會(huì)有許多重復(fù)樣本，所以需要從中選擇具有代表性的樣本用于校正模型數(shù)據(jù)集的建立。常見(jiàn)的樣本選擇的方法有，隨機(jī)選取法、K-S 法、SPXY 法等[17]。本研究選用SPXY 法，該方法在計(jì)算樣品間歐氏距離時(shí)，同時(shí)考慮樣品光譜信息和理化參數(shù)信息，達(dá)到充分選擇具有代表性樣本的目的，從而改善校正模型預(yù)測(cè)能力。

將所測(cè)得樣本集劃分為測(cè)試集與校正集，通過(guò)校正集的校正結(jié)果和預(yù)測(cè)集樣本的預(yù)測(cè)結(jié)果來(lái)判斷所建模型的質(zhì)量。采用SPXY 算法以4:1 的比例分成校正集和預(yù)測(cè)集，其中校正集為124 個(gè)樣本，測(cè)試集為31 個(gè)樣本。校正集用于訓(xùn)練校正模型，測(cè)試集用于評(píng)估校正模型。

1.2.4 近紅外光譜數(shù)據(jù)預(yù)處理 為消除誤差，提高建模準(zhǔn)確性和穩(wěn)定性，采用標(biāo)準(zhǔn)正態(tài)變量變換（Standard Normal Variate trans-formation，SNV）、多元散射校正（Multiplicative Scatter Correction，MSC）、一階/二階導(dǎo)數(shù)（導(dǎo)數(shù)程度參數(shù)為2，drop 參數(shù)設(shè)置為T(mén)rue）、S-G 平滑（平滑點(diǎn)數(shù)為5，多項(xiàng)式次數(shù)為3）等方法進(jìn)行光譜數(shù)據(jù)預(yù)處理。其中SNV 主要是用來(lái)消除固體顆粒大小、表面散射以及光程變化對(duì)NIR 漫反射光譜的影響；MSC 主要是消除顆粒分布不均勻及顆粒大小產(chǎn)生的散射影響；導(dǎo)數(shù)算法則主要可以消除樣品背景的干擾、分辨重疊峰、提高靈敏度[18]。在本研究中通過(guò)建立相同算法模型（卷積神經(jīng)網(wǎng)絡(luò)CNN），比較各預(yù)處理后所得模型預(yù)測(cè)均方根誤差和皮爾遜相關(guān)系數(shù)評(píng)價(jià)預(yù)處理效果。

本研究開(kāi)源Python 3.8.2 與相關(guān)數(shù)據(jù)科學(xué)包進(jìn)行模型建立及數(shù)據(jù)分析。

1.2.5 不同的算法預(yù)測(cè)模型建立與對(duì)比分析 光譜數(shù)據(jù)經(jīng)預(yù)處理及特征波長(zhǎng)篩選后，將光譜數(shù)據(jù)分為測(cè)試集和驗(yàn)證集，應(yīng)用不同的算法建立預(yù)測(cè)模型。應(yīng)用非線性擬合（mixed logistic regression，MLR）、支撐向量回歸（Support Vector Regression，SVR）、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neuro Network，ANN）等方法建立模型。與卷積神經(jīng)網(wǎng)絡(luò)建立的校正模型進(jìn)行對(duì)比，探究建立表現(xiàn)優(yōu)秀的條斑紫菜菌落總數(shù)含量定量校正模型。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是一類深度神經(jīng)網(wǎng)絡(luò)，是機(jī)器學(xué)習(xí)中常見(jiàn)的模型結(jié)構(gòu)。其基本架構(gòu)由輸入層、卷積層、池化層、全連接層和輸出層堆疊而成[19]，其中卷積層和池化層常以先卷積后池化的形式多組存在。卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域應(yīng)用較為廣泛，其可以通過(guò)深度學(xué)習(xí)使機(jī)器準(zhǔn)確的識(shí)別圖像特征信息[20]。本研究中采用CNN 的結(jié)構(gòu)由3 層一維卷積層（conv1d）、2 層最大池化層（maxpooling1d）和2 個(gè)全連接層（dense）組成（架構(gòu)圖如圖2 所示）。

圖2 卷積神經(jīng)網(wǎng)絡(luò)（CNN）架構(gòu)圖Fig.2 Convolutional Neural Network（CNN）architecture diagram

1.2.6 模型評(píng)價(jià)與優(yōu)化 本研究以預(yù)測(cè)集的相關(guān)系數(shù)r和預(yù)測(cè)均方根誤差（root-mean-square error of prediction，RMSEP）為指標(biāo)評(píng)估各模型。通常RMSEP值越小，且r值越大，模型的預(yù)測(cè)效果越好。

式中，yi,真實(shí)代表第i 個(gè)樣品的指標(biāo)真實(shí)值；為第i 個(gè)樣品的指標(biāo)預(yù)測(cè)值；n 表示樣品數(shù)量。

式中，yi,真實(shí)為第i 樣本的指標(biāo)真實(shí)值；為第i 個(gè)樣品的指標(biāo)預(yù)測(cè)值；為校正集或測(cè)定集中所有樣品真實(shí)值的平均值；n 表示樣品數(shù)量。

在CNN 模型優(yōu)化階段，對(duì)CNN 模型的迭代次數(shù)和學(xué)習(xí)率超參數(shù)進(jìn)行優(yōu)化，并以預(yù)測(cè)均方根誤差（root-mean-square error of prediction，RMSEP）和皮爾遜相關(guān)系數(shù)（Pearson correlation coefficient，P）為指標(biāo)評(píng)估優(yōu)化后模型，且P值越小，表示相關(guān)系數(shù)越顯著。

2 結(jié)果與分析

2.1 紫菜樣品菌落總數(shù)檢測(cè)結(jié)果

按照上述方法對(duì)紫菜樣品進(jìn)行菌落總數(shù)測(cè)定后，最終統(tǒng)計(jì)如下：菌落總數(shù)最大值為7.38 lg（CFU/g），最小值為4.65 lg（CFU/g），平均值為6.19 lg（CFU/g）。將其菌落總數(shù)測(cè)定結(jié)果進(jìn)行可視化后發(fā)現(xiàn)，其數(shù)據(jù)符合正態(tài)分布規(guī)律（見(jiàn)圖3），可以作為數(shù)據(jù)集進(jìn)行進(jìn)一步模型的建立。

圖3 條斑紫菜樣品菌落總數(shù)分布圖Fig.3 Total number of colonies distribution of Pyropia yezoensis samples

2.2 近紅外光譜數(shù)據(jù)采集

本實(shí)驗(yàn)對(duì)155 組條斑紫菜樣品進(jìn)行近紅外光譜數(shù)據(jù)采集結(jié)果如圖4 所示，光譜數(shù)據(jù)較為雜亂且噪聲影響、樣品背景影響較大，無(wú)法直接用于建模分析。因此需要對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，識(shí)別特征波長(zhǎng)信息，提高所建模型的準(zhǔn)確性和可靠性。

圖4 155 組條斑紫菜近紅外光譜采集Fig.4 Raw near infrared spectra of 155 groups of Pyropia yezoensis samples

2.3 近紅外光譜數(shù)據(jù)預(yù)處理

由于直接利用近紅外光譜儀掃描得到的近紅外光譜數(shù)據(jù)受基線漂移、噪聲等信號(hào)的影響，會(huì)導(dǎo)致之后建模準(zhǔn)確性和穩(wěn)定性下降。因此在進(jìn)行建模前，為了消除樣品的不均一性帶來(lái)的誤差及樣品背景的影響，均需要對(duì)光譜數(shù)據(jù)進(jìn)行合理的預(yù)處理[18,21]。光譜數(shù)據(jù)預(yù)處理是近紅外分析中至關(guān)重要的一步，不同的預(yù)處理方法對(duì)校正模型的建立產(chǎn)生的影響也不相同。在本研究中，選用SNV、MSC、導(dǎo)數(shù)和平滑等多種預(yù)處理方法以單一或組合的方式處理原始光譜，從而消除因樣品本身以及環(huán)境因素對(duì)近紅外光譜的影響，各方法分析結(jié)果見(jiàn)圖5。從圖5 中可以看出，在用SNV 及MSC 方法對(duì)光譜數(shù)據(jù)進(jìn)行處理后，光譜平移被消除但趨勢(shì)并為改變，無(wú)法突出特征光譜波長(zhǎng)段，因僅用SNV 和MSC 處理光譜數(shù)據(jù)并不足以建立較為準(zhǔn)確的光譜數(shù)據(jù)集（圖5A，圖5B）。用一階導(dǎo)數(shù)處理后的光譜數(shù)據(jù)可以明顯的反映特征光譜數(shù)據(jù)波長(zhǎng)階段，而二階導(dǎo)數(shù)處理后的光譜數(shù)據(jù)則導(dǎo)致峰較為混亂、噪聲增大且無(wú)法突出光譜特征波段（圖5C，圖5D）。在評(píng)估了這四種光譜數(shù)據(jù)預(yù)處理方法后，發(fā)現(xiàn)其中一階導(dǎo)數(shù)對(duì)于光譜數(shù)據(jù)的處理效果較為優(yōu)秀，因此在一階導(dǎo)數(shù)對(duì)光譜數(shù)據(jù)的處理基礎(chǔ)上進(jìn)行了SG 平滑處理（圖5E），由圖可見(jiàn)，相對(duì)于未經(jīng)S-G 平滑處理的一階導(dǎo)數(shù)處理光譜數(shù)據(jù)，經(jīng)過(guò)S-G 平滑處理后，光譜數(shù)據(jù)噪音減少且有效信息及特征波長(zhǎng)段保留，處理效果較好。

圖5 經(jīng)過(guò)不同預(yù)處理方法處理后的近紅外光譜Fig.5 Near infrared spectra after different pretreatment methods

為進(jìn)一步驗(yàn)證幾種光譜數(shù)據(jù)預(yù)處理方法對(duì)光譜數(shù)據(jù)的處理結(jié)果，基于這幾種預(yù)處理方法（MSC、SNV、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、S-G 平滑）處理原始光譜后，分別建立CNN 模型，模型的表現(xiàn)見(jiàn)表1，從表中可以觀察得出，二階導(dǎo)數(shù)作為預(yù)處理方法的效果最好，校正模型表現(xiàn)為Rp=0.558，預(yù)測(cè)集的Rp相比于未進(jìn)行預(yù)處理的組，提升了0.048。為進(jìn)一步通過(guò)預(yù)處理方法提升菌落總數(shù)校正模型的表現(xiàn)，將SNV 和導(dǎo)數(shù)處理結(jié)合進(jìn)行模型表現(xiàn)提升的探究，結(jié)果如表2。發(fā)現(xiàn)SNV 與二階導(dǎo)數(shù)共同處理光譜后建立的CNN 模型RP為0.543，模型表現(xiàn)相比一階導(dǎo)數(shù)預(yù)處理后的模型表現(xiàn)（RP為0.518）有少量提升，所以將二階導(dǎo)數(shù)和SNV+二階導(dǎo)數(shù)兩種方法都用于后面探究最優(yōu)預(yù)處理和模型組合的研究中。

表1 不同預(yù)處理方法對(duì)建立菌落總數(shù)預(yù)測(cè)模型的結(jié)果Table 1 Results of different pretreatment methods on the establishment of the total number of prediction model

表2 不同組合預(yù)處理方法對(duì)建立菌落總數(shù)預(yù)測(cè)模型的結(jié)果Table 2 Results of different combinations of pretreatment methods on the establishment of total number of colonies prediction model

2.4 預(yù)測(cè)模型建立

在確定合適的光譜數(shù)據(jù)預(yù)處理方法后需要建立合適的模型進(jìn)行預(yù)測(cè)。對(duì)于近紅外光譜數(shù)據(jù)分析任務(wù)來(lái)說(shuō)，主要分為定性和定量?jī)煞N，在本研究中為定量任務(wù)，模型輸出的結(jié)果為連續(xù)值。本研究在2.3 分析得到光譜數(shù)據(jù)預(yù)處理較優(yōu)方法的基礎(chǔ)上，對(duì)經(jīng)預(yù)處理得到的光譜數(shù)據(jù)進(jìn)行模型建立，三種傳統(tǒng)定量校正模型（MLR、SVR、ANN）與預(yù)處理方法建立模型結(jié)果見(jiàn)表3。表中觀察得到，表現(xiàn)最好的模型組合為用SNV+二階導(dǎo)數(shù)進(jìn)行光譜數(shù)據(jù)預(yù)處理后用SVR 進(jìn)行建模，由此組合建立得到的模型RP值最高，為0.724。

表3 最佳預(yù)處理方法和建模方法建立菌落總數(shù)校正模型的結(jié)果Table 3 Results f the best pretreatment method with modeling methods to establish total number of colonies calibration model

近年來(lái)也有眾多研究報(bào)道有關(guān)微生物的預(yù)測(cè)模型，如劉鵬等[22]采用多元散射校正（MSC）的預(yù)處理方法。先通過(guò)主成分分析（PCA）提取主要數(shù)據(jù)并排除異常值，再通過(guò)判別分析（DA）對(duì)培養(yǎng)四個(gè)階段的花生生長(zhǎng)狀況進(jìn)行區(qū)分；最后通過(guò)偏最小二乘回歸分析（PLSR）對(duì)花生中菌落總數(shù)進(jìn)行定量分析，最終所得模型R值為0.8741，RMSE 為0.276；劉建學(xué)等[23]對(duì)原料乳中大腸菌群建立了偏最小二乘回歸模型、逐步回歸模型等，其中效果最優(yōu)模型R 值為0.9126、Pereira 等[24]采用S-G 平滑、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理后，建立偏最小二乘判別分析（Partial least squares Discriminant Analysis,PLSDA）模型，對(duì)牛奶中沙門(mén)氏菌的污染程度進(jìn)行了定量分析，所建立模型RMSE 為0.1639。相對(duì)于其他報(bào)道中對(duì)于微生物的預(yù)測(cè)模型，本研究基于傳統(tǒng)計(jì)量學(xué)的預(yù)測(cè)效果相對(duì)較差，因此又考慮通過(guò)建立深度學(xué)習(xí)模型進(jìn)行數(shù)據(jù)處理分析。

相較于傳統(tǒng)計(jì)量學(xué)模型，深度學(xué)習(xí)模型則具有較優(yōu)的非線性數(shù)據(jù)擬合能力，其對(duì)于特征提取的能力表現(xiàn)也更好。除此之外，深度學(xué)習(xí)在巨大數(shù)據(jù)集上的表現(xiàn)要優(yōu)于傳統(tǒng)計(jì)量學(xué)學(xué)習(xí)，更適合處理高維度的數(shù)據(jù)。目前已有研究將CNN 應(yīng)用到近紅外光譜分析上，如Zhang 等[25]用CNN 來(lái)處理近紅外光譜數(shù)據(jù)集（玉米、片劑、小麥和土壤）從而評(píng)估預(yù)處理效果。在本實(shí)驗(yàn)中，CNN 模型表現(xiàn)如表3 所示，RP為0.899，比傳統(tǒng)計(jì)量學(xué)方法建立的最佳模型（SNV+二階導(dǎo)數(shù)）表現(xiàn)（RP=0.724）相對(duì)最優(yōu)，其R2為0.810 大于0.8，說(shuō)明模型建立成功且具有一定實(shí)際意義，同時(shí)說(shuō)明了CNN 可以更好地從光譜中特征提取相關(guān)特征，而且建立的校正模型表現(xiàn)要比傳統(tǒng)計(jì)量學(xué)方法更加優(yōu)秀。

為獲得表現(xiàn)最優(yōu)秀的校正模型，繼續(xù)對(duì)校正模型進(jìn)行優(yōu)化，優(yōu)化的對(duì)象為CNN 的兩個(gè)超參數(shù)，分別是迭代次數(shù)和學(xué)習(xí)率。結(jié)果如表4，合適的模型超參數(shù)設(shè)定為：迭代次數(shù)為500、學(xué)習(xí)率為0.001，此時(shí)模型RMSE 由未優(yōu)化的0.530 降低到0.290，P從未優(yōu)化的0.146 降低到0.068，R值則升高至0.940，在所有CNN 優(yōu)化模型表現(xiàn)最優(yōu)。

表4 CNN 建立菌落總數(shù)校正模型的結(jié)果Table 4 Results of CNN model hyperparameter optimization

雖然與Cristina 等[26]對(duì)于醫(yī)療產(chǎn)品、Achata 等[27]對(duì)于牛肉、曾思杰等[28]對(duì)于青金桔果粉、閆思雨等[16]對(duì)于獼猴桃建立的菌落數(shù)校正模型表現(xiàn)仍有較大差距（＞0.95），但相比于這些研究中采用的較為復(fù)雜的預(yù)處理方法，本論文僅通過(guò)采集條斑紫菜片表面的光譜簡(jiǎn)單預(yù)處理就建立了效果較為理想的條斑紫菜菌落總數(shù)定量模型，且CNN 模型本身是基于TensorFlow建立的，所以模型相比于其他商業(yè)軟件建立的模型擁有更好的應(yīng)用場(chǎng)景，可以將模型部署于移動(dòng)智能設(shè)備上[29]，隨時(shí)結(jié)合便攜式光譜儀設(shè)備用于現(xiàn)場(chǎng)評(píng)價(jià)條斑紫菜質(zhì)量，效果較優(yōu)。

在對(duì)比了不同模型的預(yù)測(cè)效果后，最后選擇了20 組非數(shù)據(jù)集內(nèi)條斑紫菜樣品光譜，進(jìn)行模型的外部驗(yàn)證，驗(yàn)證結(jié)果如表5、圖6，模型預(yù)測(cè)結(jié)果與真實(shí)樣品的菌落總數(shù)偏差很小，說(shuō)明該CNN 模型可以在實(shí)際使用場(chǎng)景中擁有較好的預(yù)測(cè)效果，可以實(shí)現(xiàn)快速準(zhǔn)確地預(yù)測(cè)條斑紫菜菌落總數(shù)。

表5 外部樣本模型驗(yàn)證結(jié)果Table 5 Results of Model verification by external samples

圖6 外部樣本模型驗(yàn)證結(jié)果Fig.6 Results of Model verification by external samples

3 結(jié)論

本文采用非線性擬合、支撐向量回歸、人工神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)對(duì)條斑紫菜中菌落總數(shù)含量建立了模型和優(yōu)化，在建模過(guò)程中對(duì)不同光譜預(yù)處理方法進(jìn)行篩選。結(jié)果表明，在同種模型情況下，SNV 與二階導(dǎo)數(shù)的組合預(yù)處理效果最優(yōu)。在最優(yōu)的預(yù)處理方法下，又對(duì)比了不同模型的預(yù)測(cè)效果，其中深度學(xué)習(xí)模型CNN 預(yù)測(cè)效果最好，進(jìn)一步將其進(jìn)行優(yōu)化后RMSE 值為0.290，P值為0.068，R值為0.940，同時(shí)外部驗(yàn)證效果良好，能夠快速準(zhǔn)確地預(yù)測(cè)條斑紫菜菌落總數(shù)。由此可以說(shuō)明，CNN 作為一種深度學(xué)習(xí)模型，可以實(shí)現(xiàn)針對(duì)條斑紫菜微生物品質(zhì)的快速評(píng)價(jià)，為豐富紫菜微生物質(zhì)量指標(biāo)檢測(cè)技術(shù)奠定理論基礎(chǔ)。