1 西安邮电大学电子工程学院, 陕西 西安 710121
2 西安邮电大学电子工程学院, 陕西 西安 710121 中国科学院西安光学精密机械研究所, 中国科学院光谱成像技术重点实验室, 陕西 西安 710119
3 中国科学院西安光学精密机械研究所, 中国科学院光谱成像技术重点实验室, 陕西 西安 710119
针对传统光谱法检测鸡蛋新鲜度存在的效率低、 准确率不够高等问题, 提出采用可见-近红外光谱结合极度提升树(XGBoost)等算法对鸡蛋新鲜度分类进行研究, 以期在保证足够高准确度的同时大幅提高检测效率。 将不同储存条件下的鸡蛋作为样本, 并分别划分为训练集和测试集, 采用训练集的综合评价指标(F-measure)和准确率(Accuracy)评估分类模型的性能。 具体地, 首先利用可见-近红外光谱系统采集鸡蛋的反射光谱, 将所得的光谱数据经过不同预处理后再结合随机森林(random forest, RF)、 偏最小二乘(partial least squares, PLS)、 支持向量机(support vector machine , SVM)、 多层感知机(muhi-layer perception , MLP)以及XGBoost等分类算法构建鸡蛋新鲜度分类评估模型, 并对比各模型性能指标。 分析结果发现, 经Savitzky-Golay一阶导(Savitzky Golay first-order derivative, SG-1st-Der)预处理后的RF、 SVM、 XGBoost模型和经标准正态变量(standardized normal variate, SNV)预处理后的PLS、 MLP模型具有较好的训练结果。 为进一步提高模型精度和运算效率, 提出利用区间偏最小二乘法(interval partial least squares, IPLS)对SG-1st-Der和SNV预处理后的光谱数据首先进行降维, 然后再分别建立基于RF、 SVM、 XGBoost、 PLS及MLP等算法的预估模型, 最后通过测试集对模型进行验证。 结果发现原始光谱数据经SG-1st-Der预处理后所建立的IPLS-XGBoost分类模型性能最优, 在不同储藏条件下测试集的F-measure分别为92.33%和90%, Accuracy分别达到94.44％和91.67％, 而程序运行时间均不超过0.6 s。 表明, 可见-近红外光谱结合IPLS-XGBoost分类算法可应用于鸡蛋新鲜度评估, 该方法在模型分类性能、 准确度评估、 运行速度等方面比传统方法更具优越性。
可见/近红外光谱技术 XGBoost算法 区间偏最小二乘法 鸡蛋新鲜度 VIS-NIR spectrum Interval partial least squares XGBoost algorithm Egg freshness 光谱学与光谱分析
2023, 43(6): 1711
1 河南科技大学食品与生物工程学院, 食品加工与安全国家级教学示范中心, 食品微生物河南省工程技术研究中心, 功能食品资源研究与利用河南省教育厅科技创新团队, 河南 洛阳 471023
2 河南科技大学丽正书院, 河南 洛阳 471023
鸡卵黄免疫球蛋白作为新生代抗体, 具有安全、 性质稳定且无药物残留等特点, 对多种病原微生物具有抑制作用, 是抗生素最理想的替代品之一。 但生产成本较高, 易被蛋白酶分解导致抑菌活性降低, 在一定程度上限制了其大规模应用。 因此, 通过改性方式提升其经济效益及生物可利用度具有重要的意义。 将儿茶素与鸡卵黄免疫球蛋白(IgY)进行相互作用并制备其复合物, 为提升鸡卵黄免疫球蛋白的抑菌性能制备更加安全高效的抑菌剂提供支持。 利用紫外-可见光谱、 荧光光谱、 傅里叶变换红外光谱研究儿茶素与鸡卵黄免疫球蛋白的互作机制, 并以鸡卵黄免疫球蛋白及鸡卵黄免疫球蛋白与儿茶素的混合物为对照, 研究鸡卵黄免疫球蛋白-儿茶素复合物的抑菌性能。 随着儿茶素浓度的增加, 鸡卵黄免疫球蛋白的紫外可见吸收峰逐渐升高并发生蓝移; 儿茶素对鸡卵黄免疫球蛋白的荧光猝灭类型主要为静态猝灭, 二者结合形成结合位点数接近于1的复合物, 作用力类型为范德华力和氢键; 相较于鸡卵黄免疫球蛋白, 复合物二级结构中β-折叠、 β-转角含量无明显变化, α-螺旋含量升高、 无规卷曲含量降低, 表明儿茶素的引入使蛋白质构象发生变化; 相较于鸡卵黄免疫球蛋白与混合物, 复合物对金黄色葡萄球菌抑菌率平均分别提高了135.8%和9.95%, 在浓度大于0.05 mg·mL-1时对大肠杆菌抑菌率分别平均提高了15.74%和13.27%。 儿茶素与鸡卵黄免疫球蛋白能够相互作用形成复合物, 相较于鸡卵黄免疫球蛋白与混合物, 复合物表现出较优的抑菌性能。 该研究有助于了解儿茶素对鸡卵黄免疫球蛋白结构及功能的影响, 可为制备更加安全高效的抗生素替代品及其在食品加工过程中的性质变化提供理论指导。
儿茶素 鸡卵黄免疫球蛋白 相互作用 光谱分析 抑菌 Catechin Egg yolk immunoglobulin Interaction Spectroscopic analysis Bacteriostasis 光谱学与光谱分析
2022, 42(7): 2297
辐射研究与辐射工艺学报
2022, 40(5): 050401
1 河南科技大学农业装备工程学院, 河南 洛阳 471003
4 河南科技大学动物科技学院, 河南 洛阳 471023
5 江苏省农业科学院畜牧研究所, 江苏 南京 210014
由于猪瘟影响, 鸡蛋作为动物性蛋白的需求大幅增加, 蛋鸡养殖行业也在逐步发展与壮大以满足人们的需求。 如何在幼雏阶段甚至胚胎发育阶段能够简单、 准确与方便地判断出雌雄, 对蛋鸡养殖行业的发展具有重要意义。 对此, 选用96个壳色相近、 表面无裂纹的新鲜种鸡蛋, 以其可见/近红外漫反射光谱为研究对象, 探讨数据采集位置、 光谱预处理方法对种蛋胚胎性别鉴定定性模型的影响。 在样本表面钝端、 锐端和赤道共三个不同位置分别采集漫反射光谱强度, 经校正后选择(440.27~874.6) nm作为有效光谱波段进行分析, 并按照2∶1的比例划分训练集和测试集, 分析了采用归一化(Normalize), 二阶导数(2nd Derivative), 标准正态变量变换(SNV), 多元散射校正(MSC), 去趋势法(Detrend), 光谱转换法(Spectroscopic)共六种方法预处理后的偏最小二乘法判别模型和线性判别分析模型的预测集准确率, 与原始数据(Raw)的预测集准确率进行对比, 得出准确率差异。 通过对入孵后216, 240, 264, 288和312 h不同位置所采光谱数据, 与种蛋性别信息综合分析, 发现胚胎发育288 h时的预处理效果最好, 有效提高了35个模型的准确率; 264 h时的预处理效果在分析时间内最差, 其处理降低了19个模型的判别准确率; 312 h的预处理降低了12个模型的判别准确率; Detrend和Spectroscopic两种预处理方法可显著提高判别效果, 其中经Spectroscopic处理后的模型可能无法进行预测; SNV和MSC对模型具有相同作用效果, Normalize对模型的作用效果不能确定, 经2nd Derivative处理后准确率不确定, 有时与原始数据建模效果一致。 综合实验结果发现, 对种鸡蛋胚胎发育288 h的数据进行预处理可有效提高模型的判别准确率, 其中对种蛋钝端处数据进行Detrend去趋势预处理并利用LDA模型分析较好。 研究结果为建立种鸡蛋基于可见/近红外的性别信息早期、 快速检测模型提供了参考。
可见/近红外光谱 漫反射 种鸡蛋 预处理方法 判别位置 性别鉴定 Visible/near infrared spectroscopy Diffuse reflection Hatching egg Pretreatment method Judgement position Gender Determination 
河南科技大学农业装备工程学院, 河南 洛阳 471003
种鸡蛋孵化过程耗时、 耗能, 但种蛋由于未受精导致胚胎发育率不足100%, 种鸡蛋孵化早期快速判别, 可有效提高种蛋孵化效率和降低经济损失。 近红外光谱分析技术可实现快速、 无损检测, 用于判别研究孵化早期种鸡蛋受精信息, 但现有光谱检测方法未能满足孵化早期受精判别位置要求, 亟需构建采集数据时的检测位置与内部信息之间的关系。 该研究利用可见/近红外光谱检测系统采集种蛋壳漫反射光谱强度, 试验选用壳色相近、 表面无裂纹的181个新鲜种鸡蛋, 从中随机选择61个样本完成交叉验证。 为消除暗电流的影响, 进行光谱校正, 得出种蛋壳漫反射率, 发现受精蛋与未受精蛋的光谱曲线趋势相同, 受精蛋和无精蛋赤道处的光谱曲线均高于两端。 剔除光谱曲线两端噪声大、 信噪比低的波段, 选择440.27~874.6 nm作为有效光谱波段, 并采用Savitzkg-Golay(S-G)平滑法、 二阶导数法Second Derivative、 标准正态变量校正SNV、 变量标准化Normalization和多元散射校正MSC预处理法分别构建PCA-SVM判别模型。 通过对入孵后24, 48, 72, 96和120 h不同位置所采光谱数据, 与受精信息综合分析, 结果发现二阶导数法Second Derivative和多元散射校正MSC两种预处理方式在同一时间、 不同位置的训练集和验证集的判别准确率均相同, 说明这两种预处理方法对数据来源位置不敏感; 变量标准化Normalization预处理和S-G平滑法预处理验证集的判别准确率则随着时间的推移在一定范围内波动, 在种鸡蛋胚胎发育120h时的判别准确率可达91.71%; SNV预处理赤道处验证集判别准确率随着时间的推移呈现上升趋势, 对数据来源时间及位置敏感, 种鸡蛋胚胎发育越长判别效果越佳, 120 h赤道侧的判别准确率为91.16%。 且平滑处理、 标准正态变量校正和变量标准化三种预处理方式均存在赤道侧判别准确率高于种蛋端部的现象, 这主要是由于赤道侧较种鸡蛋两端表面平缓, 采集到的信息更多, 该研究为早期判别受精蛋与无精蛋的数据采集位置提供新思路和新方法。
可见/近红外光谱 漫反射 种鸡蛋 判别位置 判别时间 Visible/near infrared spectroscopy Diffuse reflection Hatching egg Judgement position Judgement time 光谱学与光谱分析
2021, 41(10): 3064
华南农业大学数学与信息学院/广东省农业大数据工程技术研究中心, 广东 广州 510642
种蛋气室的大小是监测种蛋孵化过程的重要指标之一。 根据种蛋的热力学结构, 种蛋在孵化过程中, 包裹气室部分蛋壳会与其他部分蛋壳产生温差, 从而可通过热红外图像进行观察。 针对在种蛋孵化过程中, 人工照蛋检测气室效率低的问题, 探索设计了一种基于热图像的种蛋气室变化俯视监测算法。 监测种蛋气室热图像的算法主要包括种蛋目标检测, 种蛋图像分割和种蛋气室面积计算3个部分, 其中种蛋的目标检测采用Faster-RCNN算法实现; 种蛋图像分割采用BP神经网络算法实现; 种蛋气室面积是在种蛋图像分割的基础上进行计算。 使用孵化5天及以上的种蛋作为研究对象, 并拍取种蛋的热图像进行试验。 试验结果表明: 种蛋热图像的目标检测的平均精度(mAP)为99.85%, 拥有较好的检测效果。 使用BP网络对种蛋进行图像分割。 BP神经网络经过调参后, 其网络最佳的结构为三层隐藏层, 每个隐藏层拥有1 000个神经元, 最优初始学习率为0.000 1, 最优最大迭代次数为500。 以F1-measure作为分割效果的评价指标, BP神经网络的图像分割总体结果为87.02%, Otsu算法的总体结果为65.25%。 其中只有一个蛋的情况下, BP神经网络的分割结果为87.17%, Otsu算法的结果为68.86%。 存在其他种蛋的干扰条件下, BP神经网络的分割结果为86.94%, Otsu算法的结果为61.64%, BP神经网络的分割效果优于Otsu分割算法, BP神经网络拥有更强的抗干扰能力。 最后提取了孵化5~19 d种蛋的气室变化, 通过观察种蛋气室大小曲线来监测种蛋的孵化情况, 可看出随着天数的增加, 气室有着明显变大的趋势。 人工测量法与热红外测量法比较结果说明两者相关性为0.934 3, 拥有较好的相关性。 基于热图像的种蛋气室变化监测算法可在实际生产中实现种蛋的识别与气室大小的快速监测, 为实现监测种蛋孵化的自动化提供了技术参考。
热图像 种蛋气室 机器视觉 深度学习 BP神经网络 图像分割 Thermal-image Size of egg’s air-cell Machine vision Deep learning BP neural network Image segment
1 湖南农业大学食品科学技术学院，长沙 410128
2 湖南省发酵食品工程技术中心，长沙 410128
3 芷江侗族自治县农业农村局，芷江 419100
4 长沙理工大学化学与食品工程学院，长沙 410128
采用盐溶法对鲤鱼卵的卵黄高磷蛋白(Pv)进行分离纯化并探究其理化特性，旨在为鲤鱼卵及水产品的进一步开发利用提供实际参考。结果显示：鲤鱼卵 Pv粗提物可分为 3种组分(P1、P2、P3)其中 P2、P3条带为 Pv， P2分子量为 34.0 kD，P3分子量为 16.0 kD；纯化后的 Pv亚基的分子量分布较广，分别为15，.0、17.7、20.0、33.0、 96.0和 98.0 kD；Pv的氮含量和磷含量分别为 11.74%和 4.28%，氮磷含量比值为 6.07；鲤鱼卵 Pv得率为 0.40%，吸收峰出现在 201.0 nm和 257.8 nm处；鲤鱼卵 Pv中磷含量及丝氨酸含量均低于鸡蛋 Pv。试验结果表明，鲤鱼卵中含有 Pv，且鲤鱼卵 Pv中的苯丙氨酸含量较鸡蛋 Pv多。这一结果为进一步研究鲤鱼卵的精深加工提供了理论依据。
鲤鱼卵 盐溶法 卵黄高磷蛋白 理化性质 egg yolk of carp salt bath method phosvitin physicochemical property
1 湖南农业大学食品科技学院, 长沙 410128
2 湖南省发酵食品工程技术研究中心, 长沙 410128
3 食品科技和生物技术湖南省重点实验室, 长沙 410128
为研究腐败变质鸡蛋内容物细菌群落, 本研究以蛋白液化(J)、发臭(JC)的鸡蛋为样品, 鸡蛋内容物细菌基因组DNA为模板进行16S rDNA(V4+V5)区域Miseq测序、多样性指数分析及物种组成分析。结果表明, J样品和JC样品分别得到了42 550条和38 477条高质量序列, 可归为19个操作分类单元(OTU), 分属于2门、14科、19属、23种; 多样性指数分析表明J样品的细菌丰度小于JC样品, 而群落多样性高于JC样品。两样品的优势菌群均为变形菌门(Proteobacteria)肠杆菌科(Enterobacteriaceae)的柠檬酸杆菌属(Citrobacter)、沙雷氏菌属(Serratia)和莫拉菌科(Moraxellaceae)不动杆菌属(Acinetobacter)、假单胞菌科(Pseudomonadaceae)假单胞菌属(Pseudomonas)细菌以及厚壁菌门(Firmicutes)芽孢杆菌科(Bacillaceae)芽孢杆菌属(Bacillus)和肉杆菌科(Carnobacteriaceae)肉杆菌属(Carnobacterium)的细菌; 其中, J样品中芽孢杆菌属(Bacillus)相对丰度最大(40.10%), 但在种水平上未分类; 而JC样品中主要是柠檬酸杆菌属(Citrobacter)相对丰度最大(81.23%), 多为吉伦氏柠檬酸杆菌(Citrobacter gillenii)、埃希氏-志贺氏菌属(Escherichia-Shigella)和肠球菌属(Enterococcus)等序列极少, 丰度很低; 在种水平上23个种中, 有14个种为未分类或未培养, 同一个种分属于不同OTU。本研究得出, 腐败变质鸡蛋内容物细菌种群复杂, 其菌群组成及丰度能对鸡蛋腐败变质造成影响, 为进一步研究鸡蛋主要腐败菌及其控制提供了参考。
鸡蛋 腐败变质 物种多样性 群落结构 egg spoiled diversity community
1 华中农业大学工学院, 湖北 武汉 430070
2 农业部长江中下游农业装备重点实验室, 湖北 武汉 430070
3 华中农业大学食品科学技术学院, 湖北 武汉 430070
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8286%, 7714%, 7571%, 8429%和8143%, 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8429%。 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8143%。 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7857%; 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8714%, SPA筛选特征波长建立的GA-ELM模型, 预测集准确率为8714%, CARS筛选特征波长建立的GA-ELM模型, 预测集准确率为8143%。 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214%, 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8714%, 其中, 雌性识别率为8857%, 雄性识别率为8571%, 单个样本平均判别时间0080 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。
种蛋 鸡胚 雌雄 识别 紫外-可见-近红外光谱 极限学习机 Egg Chicken embryo Male and female Recognition UV 光谱学与光谱分析
2019, 39(9): 2780
