占 可，陳季旺,2,, ，徐 言，倪楊帆，劉 言,2,，鄒圣碧

（1.武漢輕工大學(xué)食品科學(xué)與工程學(xué)院，湖北 武漢 430023；2.農(nóng)產(chǎn)品加工與轉(zhuǎn)化湖北省重點(diǎn)實(shí)驗(yàn)室（武漢輕工大學(xué)），湖北 武漢 430023；3.國(guó)家小龍蝦加工技術(shù)研發(fā)分中心（潛江），湖北 潛江 433100；4.武漢農(nóng)業(yè)檢測(cè)中心，湖北 武漢 430016）

小龍蝦不僅味道獨(dú)特鮮美，而且富含優(yōu)質(zhì)蛋白質(zhì)，深受消費(fèi)者喜愛[1]。但是，小龍蝦供給季短、區(qū)域性明顯，難以保證全年、全地區(qū)鮮活蝦供應(yīng)。為保證各地區(qū)加工生產(chǎn)及餐飲中的長(zhǎng)期消費(fèi)需求，大量整肢蝦、蝦尾及蝦仁等相關(guān)產(chǎn)品需要冷凍貯藏。在冷凍貯藏與冷鏈物流過程中小龍蝦容易發(fā)生腐敗，導(dǎo)致品質(zhì)劣化甚至產(chǎn)生有毒物質(zhì)，危害消費(fèi)者的健康[2]。常見的小龍蝦鮮度檢測(cè)方法主要有感官鑒定、物理鑒定、化學(xué)鑒定、微生物鑒定等[3]。這些傳統(tǒng)檢測(cè)方法存在不足，例如感官鑒定的結(jié)果客觀性較差；理化鑒定和微生物鑒定方法均需要具備一定專業(yè)素質(zhì)的人員完成，且操作繁瑣、時(shí)間長(zhǎng)、費(fèi)用高。我國(guó)小龍蝦產(chǎn)業(yè)龐大，傳統(tǒng)檢測(cè)技術(shù)不能滿足大批量生產(chǎn)加工中的需要，亟需能實(shí)現(xiàn)冷凍小龍蝦鮮度快速檢測(cè)的方法。

近紅外光譜技術(shù)（near-infrared spectroscopy，NIRS）提供了一種快速、方便、經(jīng)濟(jì)的分析方法，被證明有可能取代破壞性強(qiáng)和耗時(shí)的傳統(tǒng)方法[4]，已經(jīng)在食品成分檢測(cè)、真?zhèn)纹泛Y選等領(lǐng)域使用[5-6]。近紅外光譜來(lái)源于被檢測(cè)物中含氫基團(tuán)伸縮振動(dòng)的倍頻與合頻信息，蘊(yùn)含分子結(jié)構(gòu)、組成狀態(tài)等信息，利用這些信息可以分析待測(cè)物中與含氫基團(tuán)相關(guān)的成分以及物理、化學(xué)性質(zhì)等?；瘜W(xué)計(jì)量學(xué)算法與計(jì)算機(jī)技術(shù)的發(fā)展為這些弱強(qiáng)度有用信息的分析提供了條件，許多研究建立了近紅外鮮度評(píng)價(jià)模型，證實(shí)了基于近紅外光譜特征分析食品鮮度的可行性[7-8]。目前使用的建模方法大多為常規(guī)的偏最小二乘（partial least squares，PLS）算法與支持向量機(jī)（support vector machine，SVM）算法等，但是這些算法存在一定局限性，例如，PLS等線性回歸算法在處理成分變化很大的非均勻樣品集時(shí)，可能導(dǎo)致模型精度較低；SVM等非線性算法雖然可以使用核函數(shù)解決非線性的分類，但是難以訓(xùn)練大規(guī)模樣品集，并且需要先驗(yàn)知識(shí)降低權(quán)重，否則模型會(huì)面臨過擬合的風(fēng)險(xiǎn)。

較少研究將卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）等深度學(xué)習(xí)算法應(yīng)用于近紅外光譜分析。實(shí)際上，雖然CNN作為一種處理能力強(qiáng)大的深度學(xué)習(xí)方法被廣泛應(yīng)用于二維圖像的處理，自主提取輸入的原圖特征信息，但其本身的用處并不限于圖像處理，還可被引入一維光譜分析中，用于提取光譜數(shù)據(jù)的局部抽象特征，建立目標(biāo)參數(shù)預(yù)測(cè)模型，克服由于光譜數(shù)據(jù)和待測(cè)變量之間的非線性關(guān)系導(dǎo)致線性模型精度降低的問題，并且可以在沒有人類工程和先驗(yàn)知識(shí)的情況下從原始數(shù)據(jù)中提取隱藏特征的數(shù)據(jù)[9]。2017年，Acquarelli等[10]開發(fā)了具有一個(gè)卷積層的CNN模型，定性分析10 種振動(dòng)光譜數(shù)據(jù)。結(jié)果顯示，開發(fā)的CNN模型對(duì)光譜數(shù)據(jù)分類達(dá)到96%的平均準(zhǔn)確率，并且對(duì)數(shù)據(jù)預(yù)處理的依賴性小。自此，基于深度學(xué)習(xí)的近紅外光譜分析的研究不斷增加，但是將其應(yīng)用于建立鮮度預(yù)測(cè)模型的研究仍鮮有報(bào)道。

對(duì)于不同的食品原料，找到合適、準(zhǔn)確、快速的鮮度檢測(cè)方法是保證食品消費(fèi)安全的重要手段?？倱]發(fā)性鹽基氮（total volatile basic nitrogen，TVB-N）含量是GB 2733—2015《鮮、凍動(dòng)物性水產(chǎn)品衛(wèi)生標(biāo)準(zhǔn)》[11]中規(guī)定的淡水小龍蝦的理化限量指標(biāo)，是檢測(cè)新鮮度的常用指標(biāo)[12]。本研究以TVB-N含量作為冷凍小龍蝦鮮度評(píng)價(jià)指標(biāo)，針對(duì)冷凍小龍蝦的TVB-N含量，利用CNN算法結(jié)合近紅外光譜檢測(cè)技術(shù)，建立小龍蝦的TVB-N定量預(yù)測(cè)模型，同時(shí)利用PLS算法建模并對(duì)比，提供一種新的快速檢測(cè)冷凍小龍蝦鮮度的方法，以期為小龍蝦產(chǎn)業(yè)的安全健康發(fā)展提供技術(shù)支撐。

1 材料與方法

1.1 材料與試劑

鮮活小龍蝦（30 g/只）武漢武商量販連鎖有限公司。

氧化鎂（分析純）山東西亞化學(xué)工業(yè)有限公司；甲基紅指示劑、溴甲酚綠指示劑、三氯乙酸等國(guó)藥集團(tuán)化學(xué)試劑有限公司；鹽酸標(biāo)準(zhǔn)滴定溶液（0.010 mol/L）深圳市柏林達(dá)科技有限公司。

1.2 儀器與設(shè)備

Frontier 型近紅外光譜儀（近紅外波數(shù)范圍4 000～10 000 cm－1，掃描分辨率4 cm－1，掃描次數(shù)32 次）美國(guó)Perkin Elmer公司；Milli-Q Integral 5超純水儀 美國(guó)Millipore公司；半微量定氮裝置由武漢輕工大學(xué)畜禽水產(chǎn)制品加工與質(zhì)量控制科技創(chuàng)新團(tuán)隊(duì)自組裝。

1.3 方法

1.3.1 實(shí)驗(yàn)操作流程

實(shí)驗(yàn)操作流程如圖1所示。

圖1 實(shí)驗(yàn)操作流程圖Fig.1 Flow chart of experimental operation

1.3.2 小龍蝦樣品前處理

將鮮活小龍蝦置于超聲清洗機(jī)中清洗30 min，－50 ℃冰柜中放置2 h致死。每6 只小龍蝦為一組放入自封袋內(nèi)分裝，置于－18 ℃冰柜中凍藏。實(shí)驗(yàn)第1天將16 組小龍蝦樣品置于4 ℃的冷藏冰柜內(nèi)解凍并貯藏。從小龍蝦完全解凍時(shí)開始檢測(cè)，每24 h隨機(jī)抽取2 組小龍蝦樣品檢測(cè)，連續(xù)檢測(cè)8 d。實(shí)驗(yàn)重復(fù)10 次，共檢測(cè)160 組小龍蝦樣品。

1.3.3 TVB-N含量測(cè)定

參考GB 5009.228—2016《食品中揮發(fā)性鹽基氮的測(cè)定》[13]，采用半微量定氮法測(cè)定，按照式（1）計(jì)算：

式中：X為小龍蝦試樣中TVB -N 含量/（mg/100 g）；V1為濾液消耗鹽酸標(biāo)準(zhǔn)滴定溶液的體積/mL；V2為試劑空白消耗鹽酸標(biāo)準(zhǔn)滴定溶液的體積/mL；c為鹽酸標(biāo)準(zhǔn)滴定溶液的濃度/（mol/L）；14為滴定1.0 mL鹽酸（c（HCl）＝1.000 mol/L）標(biāo)準(zhǔn)滴定溶液相當(dāng)?shù)牡哪栙|(zhì)量/（g/mol）；m為小龍蝦試樣質(zhì)量/g；V為準(zhǔn)確吸取的濾液體積（本方法中V＝10）/mL；V0為樣液的總體積（本方法中V0＝25）/mL；100為計(jì)算結(jié)果換算為mg/100 g的換算系數(shù)。

1.3.4 近紅外光譜測(cè)定

采用近紅外漫反射方式采集光譜。開機(jī)后于室溫下穩(wěn)定30 min，測(cè)量前使用BaSO4白板進(jìn)行背景掃描。近紅外波數(shù)范圍設(shè)為4 000～10 000 cm－1，掃描分辨率設(shè)為4 cm－1，掃描次數(shù)設(shè)為32 次。實(shí)驗(yàn)室溫度20 ℃，整個(gè)實(shí)驗(yàn)過程采用冰袋與冰盒制造低溫環(huán)境。

如圖2所示，將一組小龍蝦樣品去除蝦頭，得到帶殼蝦尾，擦干表面水分，置于石英培養(yǎng)皿上，蓋上遮光蓋，分別采集6 只蝦尾（第3節(jié)最寬部位）的近紅外光譜；然后，去掉蝦線、蝦殼，取蝦仁，置于石英培養(yǎng)皿上，蓋上遮光蓋，分別采集6 只蝦仁（第3節(jié)最寬部位）的近紅外光譜；最后，將6 只蝦仁放入攪拌機(jī)中攪打成肉糜，取能遮蓋住近紅外光路的適量肉糜，置于石英培養(yǎng)皿上，蓋上遮光蓋，采集6 次近紅外光譜。6 次掃描的光譜數(shù)據(jù)求平均值，光譜數(shù)據(jù)以ASCII碼格式導(dǎo)出處理。

圖2 小龍蝦近紅外光譜采集示意圖Fig.2 Schematic diagram of the NIR spectral acquisition of crayfish

1.3.5 近紅外光譜預(yù)處理

預(yù)處理小龍蝦近紅外原始光譜能更有效挖掘目標(biāo)信息，建立精確、穩(wěn)定的數(shù)學(xué)模型；確定提高光譜解釋性和模型適用性的預(yù)處理方法[14]。

本研究分別采用一階導(dǎo)數(shù)（first derivative，1st）、多元散射校正（multiplicative scatter correction，MSC）、小波變換（wavelet transform，WT）和標(biāo)準(zhǔn)正態(tài)變換（standard normalized variate，SNV）4 種方法處理近紅外光譜數(shù)據(jù)，分析預(yù)處理方法對(duì)建模結(jié)果的影響。

1.3.6 模型建立與評(píng)價(jià)

小龍蝦樣品集劃分為校正集和驗(yàn)證集。校正集也稱為建模集，用來(lái)建立可靠穩(wěn)定的校正模型；驗(yàn)證集也稱為預(yù)測(cè)集，用來(lái)驗(yàn)證模型的效果。

本研究采用一維的CNN算法建模。如圖3所示，一維CNN模型包括一層一維卷積池化層、一層二維卷積池化層和一層全連接層。一維卷積池化層將輸入的一維向量轉(zhuǎn)化成二維矩陣。一維卷積池化層包括一維卷積、激活與池化操作，神經(jīng)元被組織到各個(gè)特征面中，每個(gè)神經(jīng)元通過一組權(quán)值被連接到上一層特征面的局部區(qū)域，即卷積層中的神經(jīng)元與輸入層中的特征面進(jìn)行局部連接。將經(jīng)過一維卷積池化層得到的二維矩陣輸入至二維卷積池化層，并經(jīng)過二維卷積、激活與二維池化操作，轉(zhuǎn)化成多個(gè)二維矩陣，輸入至全連接層，對(duì)卷積層和池化層提取的特征整合，輸出一維高階向量[15]。

圖3 CNN基本結(jié)構(gòu)示意圖Fig.3 Schematic diagram of the basic structure of CNN

損失值與均方根誤差的確定是CNN模型建立的關(guān)鍵步驟，直接影響CNN模型的預(yù)測(cè)準(zhǔn)確性，分別根據(jù)smooth損失函數(shù)（式（2））與均方誤差（mean squared error，MSE）函數(shù)（式（3））計(jì)算[16]：

式中：n為小龍蝦樣品數(shù)；ti為第i個(gè)小龍蝦樣品的參考值；yi為第i個(gè)小龍蝦樣品的預(yù)測(cè)值。

在建模過程中，以校正集的校正相關(guān)系數(shù)rc和校正均方根誤差（root mean square error of calibration，RMSEC）作為評(píng)估校正模型的擬合效果的指標(biāo)[17]，rc越接近1，RMSEC越接近0，則模型擬合效果越好。RMSEC按照式（4）計(jì)算：

式中：nc為校正集小龍蝦樣品數(shù)；Difi為第i個(gè)校正集小龍蝦樣品近紅外光譜測(cè)定值與該樣品參考值之差。

為評(píng)估CNN模型的性能，建立PLS模型進(jìn)行比較。PLS在主成分回歸基礎(chǔ)上發(fā)展而來(lái)，根據(jù)特征向量的相關(guān)性分解組分含量矩陣與吸光度矩陣建立回歸模型。

1.3.7 模型檢驗(yàn)

模型檢驗(yàn)是指利用驗(yàn)證集小龍蝦樣品檢驗(yàn)所建模型的性能。以預(yù)測(cè)相關(guān)系數(shù)rp和預(yù)測(cè)均方根誤差（root mean square error of prediction，RMSEP）作為模型的主要評(píng)價(jià)標(biāo)準(zhǔn)，rp越接近1，RMSEP越接近0，則模型的預(yù)測(cè)性能越好，準(zhǔn)確度越高[18]。RMSEP按照式（5）計(jì)算：

式中：np為驗(yàn)證集小龍蝦樣品數(shù)；Djfj為第j個(gè)驗(yàn)證集小龍蝦樣品近紅外光譜測(cè)定值與該樣品參考值之差。

1.3.8 方法驗(yàn)證

由于近紅外光譜檢測(cè)屬于間接分析檢測(cè)技術(shù)，準(zhǔn)確度、精密度與靈敏度有待考量。采集新一批潛江地區(qū)的小龍蝦樣品，應(yīng)用建立的近紅外光譜方法檢測(cè)3 種新鮮度（完全解凍第0、3、7天分別記為T0、T3、T7）的小龍蝦的TVB-N含量，考察近紅外光譜方法的準(zhǔn)確度、精密度與靈敏度。

計(jì)算近紅外光譜及國(guó)家標(biāo)準(zhǔn)方法檢測(cè)結(jié)果的差值與相對(duì)誤差，驗(yàn)證近紅外光譜檢測(cè)方法的準(zhǔn)確度[19]；定量檢測(cè)方法的精密度通過測(cè)定重復(fù)性來(lái)衡量。參照徐言[20]的方法稍作修改，計(jì)算檢測(cè)結(jié)果的相對(duì)標(biāo)準(zhǔn)差（relative standard deviation，RSD）。RSD越小，離散度越低，表明精密度越高[21]；靈敏度通過檢出限（limit of detection，LOD）與定量限（limit of quantification，LOQ）體現(xiàn)，值越小，靈敏度越高。LOD與LOQ的確定方法包括空白標(biāo)準(zhǔn)差法、校準(zhǔn)方程外推法、信噪比法[19]，本實(shí)驗(yàn)采用空白標(biāo)準(zhǔn)差法確定。挑選解凍盡可能新鮮的小龍蝦樣品平行測(cè)定10 次，計(jì)算標(biāo)準(zhǔn)差。

1.4 數(shù)據(jù)處理

數(shù)據(jù)統(tǒng)計(jì)和圖表繪制使用Excel 2016軟件和Origin 9.0軟件，近紅外光譜預(yù)處理、PLS與CNN建模等數(shù)據(jù)處理和計(jì)算等使用Matlab R2018a軟件。

2 結(jié)果與分析

2.1 TVB-N含量

小龍蝦的標(biāo)準(zhǔn)化學(xué)分析可能存在誤差，并且會(huì)隨著模型的建立作為變量被引入模型，需要對(duì)其進(jìn)行篩選，最終，用于建模的小龍蝦樣品共150 組，TVB-N含量范圍為10.8～28.8 mg/100 g。完全解凍（中心溫度達(dá)4 ℃）第0天小龍蝦的TVB-N含量為10.8 mg/100 g，可能是凍藏過程中形成冰晶，損傷肌肉細(xì)胞，導(dǎo)致解凍時(shí)蛋白質(zhì)變性和汁液流失，小龍蝦新鮮度降低。并且研究表明，隨著凍藏時(shí)間的延長(zhǎng)，冷凍小龍蝦蝦肉的機(jī)械損傷加劇[22]。對(duì)于淡水魚蝦，TVB-N含量超過20 mg/100 g即變質(zhì)[11]，本研究中小龍蝦樣品涵蓋了從新鮮到腐敗的過程，對(duì)于研究小龍蝦的新鮮度變化是可行的。將150 組小龍蝦樣品數(shù)據(jù)按照2∶1的比例隨機(jī)劃分為校正集和驗(yàn)證集，如表1所示，校正集小龍蝦樣品的TVB-N含量范圍包含驗(yàn)證集并且分布均勻，保證了所建模型的適用性和可靠性[23]。

表1 小龍蝦蝦肉中TVB-N含量（n＝3）Table 1 TVB-N content of crayfish meat (n =3)

2.2 近紅外光譜測(cè)定

2.2.1 近紅外光譜特征分析

冷凍小龍蝦的完整近紅外原始光譜如圖4所示，3 種形態(tài)下采集的不同新鮮度的小龍蝦的近紅外光譜譜線整體輪廓相似但不完全重合，主要在強(qiáng)度上存在差別。近紅外光譜不同波段代表的信息不同，在5 200 cm－1附近出現(xiàn)較強(qiáng)的吸收峰，是水分子O—H的合頻吸收峰，小龍蝦蝦肉中水分含量高達(dá)79%以上，因此O—H的吸收峰明顯；6 800 cm－1附近的吸收峰與N—H伸縮振動(dòng)的二倍頻等信息相關(guān)；8 000～8 800 cm－1之間的吸收峰則與C—H伸縮振動(dòng)的二倍頻相關(guān)。這些光譜區(qū)是指示小龍蝦水分、蛋白質(zhì)、脂肪等相關(guān)成分信息的典型譜區(qū)[24]，而水分、蛋白質(zhì)和脂肪等成分的改變是小龍蝦新鮮度變化的直接體現(xiàn)[25]，因此，這些吸收峰的變化對(duì)預(yù)測(cè)結(jié)果的準(zhǔn)確性尤其重要。

圖4 原始光譜Fig.4 Original spectra

2.2.2 近紅外光譜預(yù)處理

采用1st、MSC、WT和SNV分別對(duì)采集的蝦尾、蝦仁及蝦糜的近紅外光譜預(yù)處理，得到的校正光譜如圖5所示。光譜基線得到校正，噪音被過濾，集中度變高，有效消除了背景干擾，提高了光譜分辨率，削弱了散射影響[26]。小龍蝦近紅外光譜經(jīng)預(yù)處理后，5 200、6 800、8 000～8 800 cm－1處的吸收峰信號(hào)相對(duì)強(qiáng)度差異更明顯，但光譜曲線趨勢(shì)基本相同，難以直觀地從圖上區(qū)分不同的新鮮度，必須通過進(jìn)一步分析和建模來(lái)檢測(cè)小龍蝦的TVB-N含量。

圖5 校正光譜Fig.5 Corrected spectra

2.2.3 模型建立與評(píng)價(jià)

損失函數(shù)通過反向傳播訓(xùn)練網(wǎng)絡(luò)權(quán)重得到最小化，通過損失值LOSS和RMSE的變化分別監(jiān)控蝦尾、蝦仁、蝦糜的原始光譜及預(yù)處理后模型的訓(xùn)練進(jìn)程，如果損失較小，優(yōu)化度一般較高。在校正集上的LOSS和RMSE變化分別如圖6、7所示?；谖r尾、蝦仁、蝦糜光譜的所有CNN模型均在訓(xùn)練初始時(shí)刻開始收斂，隨著迭代次數(shù)的增加，模型的損失不斷下降并趨于穩(wěn)定，RMSE逐漸減小，分別于60、50、50 次迭代后，損失值達(dá)到較低水平和較高優(yōu)化度。

圖6 訓(xùn)練過程的損失值LOSS圖Fig.6 LOSS function for the training process

圖7 訓(xùn)練過程的RMSE圖Fig.7 RMSE for the training process

因?yàn)榻t外光譜數(shù)據(jù)包含了波長(zhǎng)吸收強(qiáng)度中的細(xì)微信息，這些信息并不像個(gè)別峰那樣可見[14]，確定迭代次數(shù)后，選擇全波數(shù)區(qū)域構(gòu)建TVB-N定量模型。

基于小龍蝦的3 種光譜建立的CNN-TVB-N定量模型、PLS-TVB-N定量模型參數(shù)如表2、3所示?；谖r尾、蝦仁、蝦糜原始光譜建立CNN模型的rc分別為0.69、0.79、0.80，PLS模型的rc分別為0.70、0.80、0.91。基于蝦糜原始光譜建立的TVB-N定量模型較其他2 種形態(tài)的原始光譜擬合度更高，與陳偉華等[27]得到的結(jié)果類似。一方面可能是蝦尾帶有蝦殼，新鮮度的改變主要體現(xiàn)于肉質(zhì)變化，蝦殼在一定程度上影響了分析光與小龍蝦樣品的相互作用；另一方面可能是采集整只小龍蝦的光譜時(shí)，表面平整度較差，且漫反射光掃描的具體部位存在偏差，不同部位新鮮度差異導(dǎo)致光譜信息存在偏差，而蝦糜較平整且均勻，光譜承載的特征信息干擾性小，因此建模效果相對(duì)較好。

表2 小龍蝦中TVB-N的CNN定量模型相關(guān)參數(shù)Table 2 Parameters of the CNN quantitative model for TVB-N content in crayfish

表3 小龍蝦中TVB-N的PLS定量模型相關(guān)參數(shù)Table 3 Parameters of the PLS quantitative model for TVB-N content in crayfish

基于校正光譜建立的CNN模型擬合效果均有明顯改善，其中，經(jīng)WT預(yù)處理建立的CNN模型校正集參數(shù)更優(yōu)。石吉勇等[7]曾報(bào)道使用SNV處理光譜建立的三文魚鮮度模型最優(yōu)，可能是對(duì)于不同的模型，最佳的算法組合存在差異，這與張朱珊瑩等[26]的研究結(jié)論一致，合適的預(yù)處理方法使小龍蝦TVB-N定量模型的預(yù)測(cè)結(jié)果更加準(zhǔn)確。另外，WT-CNN-蝦仁/蝦糜模型的RMSEC均小于PLS最優(yōu)模型，WT-CNN-蝦尾/蝦仁/蝦糜模型的rc比PLS最優(yōu)模型更接近于1，表明基于各種形態(tài)的小龍蝦建立的CNN最優(yōu)模型的擬合效果均優(yōu)于PLS最優(yōu)模型。

2.2.4 模型檢驗(yàn)

采用校正集小龍蝦樣品建立模型后，還需分別使用驗(yàn)證集檢驗(yàn)所建蝦尾/蝦仁/蝦糜TVB-N定量模型的預(yù)測(cè)能力。CNN模型驗(yàn)證集的RMSEP、rp結(jié)果如表2所示，蝦尾/蝦仁/蝦糜光譜經(jīng)WT預(yù)處理建立的模型預(yù)測(cè)集參數(shù)最優(yōu)，可能是在本研究中，WT較其他預(yù)處理方法可以較好地消除噪聲，保留小龍蝦樣品特征相關(guān)的原始屬性，提高信噪比，從而更細(xì)致地反映光譜特征，提高CNN模型預(yù)測(cè)能力，與Abasi等[28]得出的結(jié)論類似。3 個(gè)WT-CNN模型中，蝦仁光譜經(jīng)WT預(yù)處理建立CNN模型的RMSEP最小，rp最接近于1，且rc與rp接近，表明WT-CNN-蝦仁TVB-N定量模型的預(yù)測(cè)準(zhǔn)確度及穩(wěn)定性更高，且沒有過擬合[29]，因此，WT-CNN-蝦仁模型的性能更好，優(yōu)于Yu Haidong等[4]建立的預(yù)測(cè)羅非魚片TVB-N含量的PLS模型及盧文超等[30]建立的小龍蝦TVB-N含量預(yù)測(cè)模型。

為更直觀地顯示模型的預(yù)測(cè)準(zhǔn)確度，將驗(yàn)證集小龍蝦樣品TVB-N預(yù)測(cè)含量與參考含量線性擬合，如圖8所示，紅虛線是與理想預(yù)測(cè)結(jié)果對(duì)應(yīng)的理想回歸線，黑實(shí)線為實(shí)際擬合回歸線，擬合回歸的斜率和截距分別為0.96和0.91，與理想回歸線Y＝X重合度較高，表明模型對(duì)TVB-N含量的預(yù)測(cè)精度高。WT-CNN-蝦仁TVB-N定量模型驗(yàn)證集的樣品點(diǎn)聚集于理想回歸線，進(jìn)一步表明蝦仁模型的預(yù)測(cè)準(zhǔn)確度較高。因此，基于小龍蝦蝦仁光譜建立的WT-CNN-蝦仁TVB-N定量模型能夠保證良好的預(yù)測(cè)效果，更適合應(yīng)用于實(shí)際生產(chǎn)中進(jìn)行快速檢測(cè)。

圖8 驗(yàn)證集小龍蝦TVB-N含量的參考值和預(yù)測(cè)值的擬合圖Fig.8 Good agreement between reference and predicted values of crayfish TVB-N content in the validation set

2.2.5 方法驗(yàn)證

2.2.5.1 準(zhǔn)確度

應(yīng)用建立的WT-CNN-蝦仁TVB-N定量模型檢測(cè)新一批小龍蝦中的TVB-N含量，近紅外光譜檢測(cè)值與國(guó)家標(biāo)準(zhǔn)GB 5009.228—2016中的半微量定氮法測(cè)得的參考值及其差值與相對(duì)誤差結(jié)果如表4所示，對(duì)完全解凍第3天與第7天小龍蝦的10 次抽樣驗(yàn)證實(shí)驗(yàn)的相對(duì)誤差均小于5%，對(duì)完全解凍第0天的小龍蝦的5 次抽樣驗(yàn)證存在1 次相對(duì)誤差大于10%的情況。而對(duì)于近紅外光譜這種間接檢測(cè)技術(shù)，絕對(duì)誤差通常是一定的。如表4所示，每次檢測(cè)的絕對(duì)誤差在0.77 mg/100 g以內(nèi)，檢測(cè)值越小，相對(duì)誤差值越大。因此，盡管部分小龍蝦樣品相對(duì)誤差稍大，但從整體情況來(lái)看，絕對(duì)誤差的變化不大，處于穩(wěn)定和可以接受的水平?？傮w而言，近紅外光譜方法的整體檢測(cè)準(zhǔn)確度較高。

表4 小龍蝦中TVB-N含量的近紅外光譜檢測(cè)值與參考值及其差值與相對(duì)誤差（n＝3）Table 4 Absolute and relative errors between NIR predicted values and reference values of TVB-N content in crayfish (n=3)

2.2.5.2 精密度

近紅外光譜法與半微量定氮法對(duì)3 種新鮮度小龍蝦中TVB-N定量檢測(cè)的精密度如表5所示。近紅外光譜法檢測(cè)結(jié)果的RSD分別為5.27%、4.19%和3.49%，定氮法檢測(cè)結(jié)果的RSD分別為4.36%、3.05%、2.28%。根據(jù)GB/T 27404—2008《實(shí)驗(yàn)室質(zhì)量控制規(guī)范 食品理化檢測(cè)》[31]，被測(cè)組分含量為100 mg/kg的樣品，實(shí)驗(yàn)室內(nèi)的RSD應(yīng)控制在5.3%以內(nèi)，表明近紅外光譜法與定氮法相比，盡管精密度相對(duì)較低，但均小于5.3%，在誤差允許范圍內(nèi)，仍具有良好精密度。

表5 近紅外方法與標(biāo)準(zhǔn)方法對(duì)小龍蝦的鮮度檢測(cè)精密度的比較Table 5 Comparison of precision between the NIR method and the standard method for crayfish freshness detection

2.2.5.3 靈敏度

近紅外光譜法與半微量定氮法的靈敏度測(cè)定結(jié)果如表6所示。按式（6）、（7）計(jì)算，得LOD＝1.53 mg/100 g，LOQ＝5.12 mg/100 g；半微量定氮法的LOD＝0.63 mg/100 g，LOQ＝2.13 mg/100 g。近紅外光譜方法的檢出限與定量限高于半微量定氮法，表明近紅外光譜方法的靈敏度與半微量定氮法相比更低，與Pasquini[32]所述情況相吻合，但與Wang Wenxiu等[33]建立的豬肉TVB-N含量預(yù)測(cè)模型相比靈敏度更高。

表6 近紅外光譜方法與標(biāo)準(zhǔn)方法對(duì)小龍蝦的鮮度檢測(cè)的靈敏度比較Table 6 Comparison of sensitivity between the NIR method and the standard method for crayfish freshness detection

式中：LOD為檢出限/（mg/100 g）；LOQ為定量限/（mg/100 g）；s為標(biāo)準(zhǔn)差/（mg/100 g）。

3 討論與結(jié)論

小龍蝦形態(tài)對(duì)模型的建立存在一定影響，基于蝦糜的原始光譜建立的TVB-N定量模型較其他2 種形態(tài)的原始光譜擬合度更高，絞碎后提高了小龍蝦的均一性與平整度，有利于預(yù)測(cè)模型的建立，但增加了前處理過程。

近紅外光譜經(jīng)預(yù)處理建立的CNN模型與PLS模型相比，具備更好的預(yù)測(cè)小龍蝦TVB-N含量的能力，最終確定WT-CNN-蝦仁TVB-N定量模型為測(cè)定小龍蝦鮮度的更優(yōu)模型，檢測(cè)過程簡(jiǎn)便快捷、無(wú)污染，檢測(cè)結(jié)果精確，能夠?yàn)榭焖佟⑴吭u(píng)價(jià)冷凍小龍蝦新鮮度提供一種可行的辦法。

利用近紅外光譜方法對(duì)新一批小龍蝦樣品中TVB-N含量的15 次抽樣驗(yàn)證，僅1 次相對(duì)誤差大于10%，絕對(duì)誤差均小于0.77 mg/100 g；對(duì)3 種新鮮度小龍蝦樣品的重復(fù)實(shí)驗(yàn)RSD分別為5.27%、4.19%和3.49%，均小于5.3%；檢出限、定量限分別為1.53、5.12 mg/100 g。這些結(jié)果表明，近紅外光譜方法的整體檢測(cè)準(zhǔn)確度、精密度、靈敏度均在合理范圍內(nèi)，檢測(cè)效果良好。

本研究建立的WT-CNN-蝦尾TVB-N定量模型精度雖然稍差于最佳模型，但其模型參數(shù)良好，顯示基于小龍蝦蝦尾建立近紅外模型預(yù)測(cè)小龍蝦鮮度具有可行性，若采用便攜式近紅外光譜儀，可不去除蝦頭，直接檢測(cè)小龍蝦尾部，從而實(shí)現(xiàn)無(wú)損檢測(cè)。后續(xù)可根據(jù)企業(yè)實(shí)際應(yīng)用需求，利用便攜式近紅外光譜儀采集光譜建立鮮度預(yù)測(cè)模型。另外，不同儀器、不同使用條件進(jìn)行光譜采集存在差異，在不同儀器之間模型傳遞的可行性有待進(jìn)一步研究，從而為小龍蝦產(chǎn)業(yè)的安全發(fā)展提供更好的技術(shù)支撐。