胚蛋雌雄识别一直是家禽业发展的瓶颈问题, 在禽肉生产过程中倾向于养殖雄性个体, 而禽蛋生产产业倾向于养殖雌性家禽。 若能在孵化过程中较早鉴别出种蛋的雌雄, 不仅能够降低家禽孵化产业的成本, 还能够提高禽蛋和禽肉生产行业的经济效益。 该文以种鸭蛋为研究对象, 为了在种鸭蛋孵化早期实现对种蛋的雌雄识别, 构建了可见/近红外透射光谱信息采集系统, 在200～1 100 nm的波长范围内采集了345枚孵化了0~8 d的种鸭蛋光谱数据。 搭建了适用于种鸭蛋光谱信息的6层卷积神经网络（convolutional neural network, CNN）, 其中包括输入层、 3个卷积层、 全连接层与输出分类层。 卷积层可以提取光谱中的有效信息, 全连接层通过对卷积层提取的局部特征进行整合供输出层分类决策。 另外在卷积神经网络中引入局部响应归一化和dropout操作能够加快网络的收敛速度。 利用该卷积神经网络构建鸭胚雌雄信息识别网络, 通过对比与分析不同孵化天数的识别效果, 发现孵化7d的识别效果最佳。 随后将孵化7 d的种鸭蛋原始光谱数据进行噪声去除, 选取500~900 nm波段用于后续的特征波长选取和建模。 分别运用了竞争性自适应重加权算法(CARS)、 连续投影算法( SPA)与遗传算法(GA)选择能够区分鸭胚性别的波长点, 将选取的特征波长转换为二维的光谱信息矩阵, 二维光谱信息矩阵保留了一维光谱的有效信息, 同时极大地方便了与卷积神经网络的结合。 利用二维光谱信息矩阵和卷积神经网络相结合, 实现孵化早期阶段鸭胚的雌雄识别。 经检验, 基于 SPA算法和CNN网络建立的模型效果较佳, 其中训练集、 开发集及测试集的准确率分别为93.36%, 93.12%和93.83%; 基于GA算法和CNN网络建立的模型效果次之, 训练集、 开发集及测试集的准确率分别为90.87%, 93.12%和86.42%; 基于CARS算法和CNN网络建立的模型的训练集、 开发集及测试集的准确率分别为84.65%, 83.75%和77.78%。 研究结果表明基于可见/近红外光谱技术和卷积神经网络可以实现孵化早期鸭胚胎雌雄的无损鉴别, 为后续相关自动化检测装置的研发提供了技术支撑。

为了对鸡种蛋胚胎进行雌雄识别, 探究利用紫外-可见-近红外透射光谱进行鸡胚雌雄识别的可行性, 搭建了鸡种蛋透射光谱检测系统, 采用横向和竖向大头朝上2种放置方式获取210枚鸡种蛋孵化0~15 d的光谱, 光谱范围为360~1 000 nm。 构建极限学习机（ELM）鸡胚雌雄识别模型, 通过比较不同放置方式和孵化天数下模型的识别准确率, 发现竖向放置且孵化第7 d的识别效果最好; 将竖向放置孵化第7 d的光谱初步分为紫外（360~380 nm）、 可见光（380~780 nm）、 近红外（780~1 000 nm）、 紫外-可见光（360~780 nm）和全波段（360~1 000 nm）5个不同的波段范围来分析, 预测集准确率分别为8286%, 7714%, 7571%, 8429%和8143%, 筛选出360~780 nm的紫外-可见光波段为有效波段; 在紫外-可见光（360~780 nm）波段, 采用多元散射校正（MSC）去噪, 并用竞争性自适应重加权采样算法（CARS）和连续投影算法（SPA）筛选特征波长降维, 建立不经筛选特征波长、 CARS筛选特征波长和SPA筛选特征波长的3种ELM模型。 其中不经筛选特征波长的ELM模型识别效果最好, 但输入变量最多, 隐含层神经元为680且激活函数为sig时, 预测集准确率为8429%。 SPA筛选特征波长的ELM模型识别效果次之, 输入变量有9个, 隐含层神经元为840且激活函数为hardlim时, 预测集准确率为8143%。 CARS筛选特征波长的ELM模型识别效果最差, 输入变量有27个, 隐含层神经元为100且激活函数为sig时, 预测集准确率为7857%; 用遗传算法（GA）优化ELM模型的权值变量和隐含层阈值, 不经筛选特征波长建立的GA-ELM模型, 预测集准确率为8714%, SPA筛选特征波长建立的GA-ELM模型, 预测集准确率为8714%, CARS筛选特征波长建立的GA-ELM模型, 预测集准确率为8143%。 紫外-可见光波段不经筛选特征波长的GA-ELM模型识别效果和经SPA筛选特征波长的GA-ELM模型相同, 表明SPA筛选的特征波长变量能够有效反映360~780 nm波段的信息, SPA使用的变量数仅占紫外-可见光波段的214%, 因此, 雌雄识别最佳模型为紫外-可见光波段经SPA筛选特征波长的GA-ELM模型, 预测集准确率为8714%, 其中, 雌性识别率为8857%, 雄性识别率为8571%, 单个样本平均判别时间0080 ms。 结果表明紫外-可见透射光谱技术和ELM模型为孵化早期鸡胚蛋雌雄识别提供了一种可行方法。

传统食品掺假分析多集中于检测特定已知或者怀疑可能存在的掺假物, 然而由于掺假形式的多样性以及新的掺假物不断出现, 使得传统检测方法具有局限性。 目前, 全蛋粉作为鲜蛋理想替代品掺假现象十分严重, 然而不管是国内还是国外, 其掺假检测都鲜有研究。 因此, 为了探索一种快速检测全蛋粉掺假的方法, 研究尝试使用最近快速发展起来的具有绿色、 无损等优点的高光谱技术来检测全蛋粉掺假的可行性。 从不同地区收集不同品牌的鸡蛋全蛋粉, 按不同比例分别掺入淀粉、 大豆分离蛋白、 麦芽糊精以及三种掺假物的混合物进行试验样品的制备。 样品进行光谱采集后, 采用ENVI软件选取感兴趣区域(ROI)后提取出平均光谱。 根据获得的光谱数据建立全波段下支持向量机(SVM)模型进行掺假的判别并采用偏最小二乘回归(PLSR)模型建立全波段与掺假浓度之间的关系。 结果显示, 采用径向基核函数所建立的SVM模型, 其分类的正确率达到90%以上, 基于PLSR建立掺假模型实际值与预测值相关系数R2P均高于0.90。 为了简化模型, 采用回归系数法(RC)及连续投影法(SPA)提取特征波长, 根据特征波长下的光谱数据建立RC-PLSR和SPA-PLSR模型, 结果显示, 经简化的模型依然具有良好的性能, 说明使用高光谱技术来检测全蛋粉掺假是可行且高效的。

鸡蛋新鲜度是反映鸡蛋内部品质的一个重要指标。 为了能够实现鸡蛋新鲜度的快速无损检测, 利用微型光纤光谱仪采集鸡蛋550～950 nm的透射率光谱曲线, 与鸡蛋的哈夫单位值进行了定量分析。 通过不同的预处理方式分别结合偏最小二乘回归(partial least squares regression, PLSR)与支持向量回归(support vector regression, SVR)建立模型, 比较了不同模型的预测结果, 发现一阶微分结合SVR能够实现较好地预测, 且利用SVR建模要优于PLSR。 为了提高运算效率, 减少无用信息对建模的不良影响, 分别利用线性降维主成分分析法(principal component analysis, PCA)与非线性降维局部线性嵌入(locally linear embedding, LLE)对一阶微分后的光谱数据降维, 比较两种降维方法的预测效果, 得出了LLE降维要优于PCA降维, 其训练集和预测集的相关系数与均方根误差分别为92.2%, 7.21和91.1%, 8.80, 训练集交叉验证的均方根误差相比减少了0.79。 实验结果表明, 利用局部线性嵌入结合支持向量回归进行非线性建模, 能够提高鸡蛋新鲜度的预测能力, 表明该方法对鸡蛋新鲜度的可见/近红外光谱检测可行。

三聚氰胺对人体有害,鸡蛋内三聚氰胺定量检测非常有必要.以鸡蛋蛋清为研究对象,应用表面增强拉曼光谱技术结合化学计量学方法对蛋清内三聚氰胺进行了定量检测.首先采用人工饲养蛋鸡的方法获取含有三聚氰胺的样品鸡蛋.然后使用便携式拉曼光谱检测仪(Opto Trace RamTracer-200)和拉曼增强试剂测定蛋清的表面增强拉曼光谱,同时利用气相色谱质谱技术测定相应蛋清中三聚氰胺的含量.利用Raman Analyzer对拉曼光谱基线进行校正.应用相关系数法从表面增强拉曼光谱中选取320个光谱变量作为输入变量,建立偏最小二乘定量校正模型;并应用谱峰分解法建立谱峰分解定量校正模型.两种模型建立过程中均选定90个样本做为模型校正集,44个样本做为模型验证集,两种模型都有较好的预测效果.偏最小二乘定量校正模型预测值与气相色谱质谱联用法(GC-MS)测定值的决定系数R2为0.856,预测均方根误差RMSEP为1.547;谱峰分解定量校正模型R2为0.947,RMSEP为0.893.实验结果表明,该方法能有效定量检测鸡蛋内三聚氰胺,检测一个样本仅需15 min,为蛋品的三聚氰胺检测提供了一种新途径.

研究了单甲氧基聚乙二醇(mPEG)对鸡卵黄免疫球蛋白(IgY)的化学修饰, 并通过傅里叶变换红外光谱、 圆二色光谱和荧光光谱分析比较了修饰前后IgY的稳定性。 首先用N-羟基琥珀酰亚胺活化的单甲氧基聚乙二醇(NHS-mPEG)对IgY进行化学修饰, 确定了mPEG的最佳修饰条件, 即IgY与mPEG摩尔比为1∶10、 pH值为7、 反应时间为1 h, 所得产物mPEG-IgY修饰率为20.56%, 活性保持率为87.62%。 其次通过光谱分析法对IgY以及mPEG-IgY的热稳定性和酸碱稳定性进行了研究。 结果表明, 70 ℃温育120 min后, IgY的α-Helix, β-sheet, β-Turn, Random各二级结构含量由14.5%, 42.1%, 6.2%, 37.2%变为1.6%, 55.25%, 5.8%, 37.5%; mPEG-IgY的各二级结构含量由12.9%, 42.7%, 6.3%, 38.1%变为3.1%, 50.5%, 7.2%, 39.2%。 同样酸碱处理后, mPEG-IgY比修饰前IgY所引起的二级结构变化更小。 因此可以推断出IgY经过mPEG修饰后对温度、 酸碱处理所引起的变性有着更强的稳定性。

采用酶联免疫吸附法(ELISA)、 圆二色谱(CD)、 ANS荧光探针和紫外光谱(UV)系统研究了热处理对蛋清卵类粘蛋白过敏原性及构象的影响。 结果显示, 加热处理卵类粘蛋白的过敏原性降低, 且随加热温度升高和加热时间延长, 不断降低。 经不同温度热处理后的卵类粘蛋白二级结构的α-螺旋, β-折叠, β-转角和无规卷曲之间相互转化, 分子有序性降低; 卵类粘蛋白的表面疏水性随加热温度的升高而降低; 随加热的温度的升高, 具有紫外吸收的氨基酸残基逐渐暴露, 最大吸光度逐渐增大。 由此可以推断, 卵类粘蛋白的构象改变导致其过敏原性变化。

采用傅里叶变换红外光谱(FTIR)和二维相关光谱分析技术研究了无铁卵转铁蛋白和饱和铁卵转铁蛋白在加热条件下(25～95 ℃)构象变化规律。 结果表明, 随着温度升高, 无铁卵转铁蛋白在3 300 cm-1处的峰的迁移程度比饱和铁卵转铁蛋白大, 说明卵转铁蛋白结合铁后氢键作用增强, 对热的抵抗性增强。 二维红外图谱分析显示, 无铁卵转铁蛋白与饱和铁卵转铁蛋白的二级结构变化顺序为β-折叠>酰胺Ⅱ>-CH2-弯曲振动。 通过对比无铁卵转铁蛋白和饱和铁卵转铁蛋白的二维同步和异步图谱发现, 在1 652和1 688 cm-1处的交叉峰存在差异, 卵转铁蛋白结合铁后温度对其二级结构中α-螺旋影响变小, 而对β-转角的影响变大。

利用近红外漫反射光谱分析技术对种蛋中的无精蛋和受精蛋进行检测。 通过不同波段范围、 不同主成分因子数和不同光谱预处理方法对种蛋类型检测结果的比较分析， 建立了种蛋的定性检测模型。 结果表明： 选取光谱范围为4 119.20～9 881.46 cm-1， 19个主成分因子数， 原始光谱经过SNV+一阶导数+Norris微分过滤的预处理方法， 利用马氏距离建立种蛋定性检测模型， 校正集正确率达到92.50%， 验证集正确率达到91.67%。 该研究为上孵前无精蛋和受精蛋的无损检测提供了新的途径。