小龙虾是近年来广受消费者欢迎的淡水产品, 相关产业迅猛发展, 产生巨大的经济利益。 小龙虾整虾及虾仁、 虾尾在运输过程中极易腐败变质, 产生有害物质。 如果不能对小龙虾新鲜度进行及时检测, 任由腐败小龙虾进入食品流通环节, 极易酿成食品安全事故, 危害消费者生命安全, 对整个产业链造成不良影响。 挥发性盐基氮(TVBN)是衡量水产品新鲜度的主要指标, 也可以用于衡量小龙虾的新鲜度, 但传统的挥发性盐基氮检测方法存在步骤复杂、 检测时间长和化学试剂污染的等问题, 无法满足小龙虾庞大产业链的检测需求。 近红外光谱技术是一种快速、 无损、 环境友好的分析技术, 在食品分析领域中已有较为广泛的应用。 本研究基于近红外光谱分析技术(NIR), 结合化学计量学方法提出一种小龙虾新鲜度的快速检测方法。 使用偏最小二乘算法(PLS)建立小龙虾虾尾挥发性盐基氮定量分析模型。 为了提高模型的预测能力, 使用多元散射校正(MSC)、 标准正态变换(SNV)、 连续小波变换(CWT)和1阶导数(1st)法对光谱进行预处理, 扣除光谱背景; 使用蒙特卡洛-无信息消除(MC-UVE)和随机检测(RT)算法进行波长筛选, 选择光谱中有效变量。 结果显示, 光谱预处理和波长筛选技术能够有效提高模型的预测能力。 其中, 经过1阶导数和蒙特卡洛-无信息变量消除法组合优化处理之后的光谱所建立的偏最小二乘模型与其他模型相比具有更好的预测能力, 对于预测集样品, 其预测均方根误差和相关系数可达1.626和0.950, 能够实现对小龙虾新鲜度的快速、 准确检测。

挥发性盐基氮(TVB-N)是衡量肉品新鲜的重要理化指标, 利用可见/近红外(VIS/NIR)光谱对TVB-N含量进行定量检测具有重要意义。 预测模型是VIS/NIR光谱检测TVB-N含量性能的关键要素, 使其兼顾准确性与稳健性可有效改善TVB-N的定量分析结果。 以猪肉为例, 采集51组不同新鲜度样本的VIS/NIR光谱数据, 去除低信噪比区间200～450和900～1 000 nm, 选取有效波段450～900 nm的光谱数据用于建模。 随后利用主成分分析(PCA)对光谱信息降维, 构建一个反向传播神经网络(BPNN)模型。 在此基础上, 提出用平均影响值(MIV)方法从有效波段中优选与肉质TVB-N含量强相关的特征波长, 最终基于221个优选波长, 构建一个MIV-PCA-BPNN预测模型。 实验表明, 初步构建的PCA-BPNN非线性预测模型, 校正相关系数(RC)和校正均方根误差(RMSEC)分别为0.96和1.47 mg/100 g, 预测相关系数(RP)和预测均方根误差(RMSEP)分别为0.93和1.74 mg/100 g, 模型稳健性指标为1.18, 优于经典的线性预测模型主成分分析回归和偏最小二乘回归, 证明TVB-N具有较强的非线性效应。 最终构建的MIV-PCA-BPNN预测模型的RC和RMSEC分别为0.98和1.21 mg/100 g, RP和RMSEP分别为0.96和1.12 mg/100 g, 模型稳健性指标为1.08, 在所构建的预测模型中, RMSEC和RMSEP最小, RC和RP最大, 模型的准确性和稳健性最佳。 另外, MIV方法筛选出的特征波长集中在7个波峰附近, 皆分布于肉品中化学成分的吸收区内, 且与TVB-N中的含氢基团的特征吸收峰表现出高度一致性, 为利用MIV方法筛选波长变量提供了理论依据。 研究结果显示, MIV波长优选可有效改善预测模型的性能, 为利用神经网络剔除无关波长变量提供了新思路, 所构建的MIV-PCA-BPNN预测模型满足了肉质中TVB-N定量分析的需求。

河蟹的新鲜度是大多数消费者在购买时所考虑的最重要的因素, 挥发性盐基氮（TVB-N）是当前国际通用的评价肉类新鲜度的指标, 但其检测工序繁琐、 耗费时间长, 无法满足当前市场对河蟹新鲜度评价的迫切需求。 因此, 建立一种快速检测河蟹新鲜度的方法是当前急需解决的一大难题。 将购于水产市场的河蟹, 采用聚乙烯充氧袋快速运至实验室, 样本数共126只。 在洁净的工作台上处理后, 将螃蟹分为42个实验样品, 每个样品3只鲜活螃蟹； 42个实验样品放在低温4 ℃的恒温生化培养箱中贮藏, 每天从培养箱中按时取出6个螃蟹样品进行光谱数据采集及新鲜度指标TVB-N的测定, 历时7 d。 采用近红外光谱（NIRS）对贮藏在不同时间下的河蟹新鲜度进行评价, 使用挥发性盐基氮（TVB-N）作为评价河蟹新鲜度的指标, 首先通过比较经五折交叉验证（5-fold CrossValidation）算法、 kennard-stone（KS）算法、 光谱-理化值共生距离（SPXY）算法三种样本划分方法处理后所建模型的预测效果确定最优样本划分方法, 最终采用五折交叉验证（5-fold CrossValidation）算法对样本进行划分。 其中的32个样品被划分为训练集进行模型构建, 其余的10个样品被划分为测试集用于模型检验。 然后在经过五折交叉验证法对样本进行划分的基础上, 分别采用小波变换（WT）、 Savitzky-Golay平滑、 一阶导数法（Db1）、 二阶导数法（Db2）这4种单一算法以及小波变换（WT）与Savitzky-Golay平滑相结合的算法进行预处理, 通过比较预处理后所建模型的预测效果, 确定了小波变换（WT）预处理为最优光谱预处理方法, 从而消除了光谱中的无用信息并提高了信噪比。 再次, 在WT预处理的基础上, 分别采用主成分分析（PCA）法和连续投影 (SPA) 算法提取光谱特征波段, 通过建模比较确定主成分分析（PCA）法为最优波长选择方法, 以所选的16个特征波长作为模型的输入, 不仅提高了模型的运行速度还可以提高模型的稳定性。 最后, 在经过PCA特征提取后, 分别采用偏最小二乘回归（PLSR）算法和多元线性回归（MLR）算法构建TVB-N定量预测模型, 通过比较两种模型的预测效果, 确定了偏最小二乘回归（PLSR）模型为最优建模方法, 最终确定的最优模型为基于WT-PCA-PLSR建立的模型, 模型预测决定系数R2为0.89, 预测均方根误差RMSEP为3.00。 综上所述, 所建立的预测模型具有较高的精度, 可以实现对河蟹新鲜度的快速检测, 具有较好的市场应用前景。

为了探讨利用二维相关可见/近红外光谱法优选猪肉挥发性盐基氮(TVB-N)特征变量的可行性, 以贮藏时间为外扰, 研究了不同新鲜程度猪肉样本的二维相关光谱特性。 首先, 获取56个猪肉样本在贮藏1～14 d的400~1 000 nm范围的可见/近红外反射光谱, 经过标准正态变量变换(SNV)处理后, 基于全波段光谱建立TVB-N的偏最小二乘回归(PLSR)模型。 然后, 依据TVB-N实测值, 从中挑选出10个具有一定浓度梯度的样本(贮藏时间分别为0, 36, 72, 108, 144, 180, 216, 252, 288和324 h), 利用一阶导数对光谱进行预处理后, 根据不同样本之间的光谱差异, 选取7个波段用于二维相关光谱解析。 分析各个波段的二维相关同步谱和自相关谱, 从7个波段范围内共选取23个变量作为不同贮藏时间下与TVB-N相关的敏感波长, 并建立简化的PLSR模型。 相较于全波段光谱数据所建模型, 模型效果有所改善, 预测集决定系数R2p由0.792 1上升至0.865 8, 误差从3.658 2 mg·(100 g)-1下降至3.246 0 mg·(100 g)-1。 表明基于二维相关光谱对猪肉TVB-N特征变量进行优选的思路是可行的, 该方法能够从全光谱数据中筛选出与目标物质相关的敏感变量, 这也为近红外光谱特征波长选择提供了一个新的方法。

挥发性盐基氮(TVB-N)含量是评价猪肉新鲜度的重要理化指标。为了实现快速、无损检测猪肉的新鲜度,优选出与猪肉中TVB-N含量相关的特征波长,将包含特征波长的发光二极管(LED)光源用于多光谱检测系统,测定了猪肉中TVB-N的含量。首先利用可见-近红外(VIS-NIR)高光谱系统对猪肉进行检测,获取高光谱反射率数据,并采用一阶导数(FD)法、标准正态变量变换(SNV)以及其他预处理方法建立猪肉中TVB-N含量的偏最小二乘回归(PLSR)模型;然后分别利用逐步回归算法(SWA)、连续投影算法(SPA)、基因遗传算法(GA)筛选出与TVB-N含量相关的特征波长,利用筛选出的特征波长分别建立PLSR模型与多元线性回归(MLR)模型,比较模型结果后进一步优选特征波长;最后,将含有特征波长的LED光源用于多光谱检测系统,并建立PLSR模型与MLR模型,从而完成对猪肉中TVB-N含量的测定。实验结果表明:利用SWA、SPA、GA这3种算法筛选出的特征波长能够很好地反映全光谱的信息,建立的模型效果较好,变量数大大减少;包含优选特征波长的LED光源在多光谱检测系统中能很好地检测猪肉中的TVB-N含量; MLR模型结果好于PLSR模型结果,MLR模型的校正集相关系数和校正集均方根误差分别为0.9050和3.63×10 ^-5,预测集相关系数和预测集均方根误差分别为0.9040和3.81×10 ^-5。

挥发性盐基氮（TVB-N）通常被作为评价羊肉新鲜度的理化参考指标。为了揭示高光谱图像技术（HSI）快速检测羊肉新鲜度的可行性, 采集了71个新鲜度具有代表性的羊肉样品的漫反射高光谱图像（400～1　000 nm）, 并利用半微量定氮法测定了其挥发性盐基氮（TVB-N）的化学值。 选择感兴趣区域（ROIs）提取样品的代表性光谱, 采用含量梯度法划分校正集和预测集, 比较不同的光谱预处理方法, 比较逐步多元线性回归（SMLR）、 偏最小二乘（PLSR）和主成分分析（PCR）建模方法, 建立并验证了TVB-N的校正模型。结果表明, 利用多元散射校正（MSC）、 一阶导数、 Savitzky-Golay（S-G）平滑及中心化处理结合的预处理方法, PLSR和PCR模型都可以实现对羊肉TVB-N的定量检测。对于建立的PLSR模型, 采用的预处理方法为MSC、 15点2次S-G平滑、 1阶导数和中心化相结合的方法, 选择的潜变量因子数为11, 获得的校正集的相关系数（R）和校正均方根误差（RMSEC）分别为0.92和3.00 mg·(100 g)-1, 预测集的相关系数（r）、 预测均方根误差（RMSEP）和相对分析误差（RPD）分别为0.92, 3.46 mg·(100 g)-1和2.35。研究表明, 高光谱图像技术可用于准确快速地检测分析羊肉中新鲜度关键指标TVB-N的含量。该研究为采用高光谱图像技术进一步分析羊肉新鲜度其他指标、 改善TVB-N的建模效果及在实际生产中应用该技术提供了基础。

水产品的新鲜程度是评价其品质优劣的重要指标, 传统的评价方法费时、 费力, 无法满足实际的需求。 本实验采用近红外光谱分析技术(NIRS)对冰鲜大黄鱼(Pseudosciaena crocea)不同贮藏时间下的新鲜度进行评价, 以挥发性盐基氮(TVB-N)作为新鲜度的评价指标, 比较了不同预处理方法单独或联合使用、 不同建模方法以及不同波数范围所建模型定标集与验证集的相关系数与标准偏差, 构建了最优市售冰鲜大黄鱼TVB-N定量模型, 以期快速预测其新鲜度。 研究表明, 使用趋近归一化结合一阶导数(Ncl + Db1)和单位长度归一化结合一阶导数(Nle + Db1)作为光谱预处理方法, 偏最小二乘法(PLS)作为建模方法以及选择波数范围5 000～7 144 cm-1, 7 404～10 000 cm-1时可以达到最佳建模效果, 其定标集相关系数为0.992, 校正标准偏差(SEC)为1.045, 验证集相关系数为0.999, 预测标准偏差(SEP)为0.990。 本试验尝试将多种光谱预处理方法结合起来使用并对波数范围进行了筛选, 得到的模型效果良好, 在大黄鱼新鲜度检测及品质评价方面具有较好的市场应用前景。

挥发性盐基氮（TVB-N）含量是评价肉制品新鲜度的重要指标。尝试采用遗传联合区间偏最小二乘（GA-Si-PLS）从高光谱数据之光谱信息中筛选出最优波长。再提取各波长所对应的灰度图像的纹理特征，纹理特征变量经主成分优化后，作为输入层，运用反向传播神经网络（BP-ANN）构建鸡肉的TVB-N含量的定量模型。实验表明，模型对训练集和预测集的均方根误差分别6.61和9.84，相关系数分别为0.9054和0.8030。研究表明可以利用高光谱中的图像信息对鸡肉TVB-N含量进行快速无损检测。