为了研究贮藏期与淡水鱼鱼肉质构品质的相关关系,以武昌鱼为研究对象,建立了近红外光谱淡水鱼鱼肉质构品质的快速无损检测模型。利用AntarisⅡ傅里叶变换近红外光谱仪采集武昌鱼鱼肉样本的光谱数据,并使用TMS-PRO型质构仪测量样本的硬度值、弹性值和咀嚼性值;采用S-G平滑法对原始光谱进行预处理,结合竞争性自适应重加权(CARS)算法、稳定性竞争自适应重加权采样(SCARS)算法和连续投影(SPA)算法进行一次特征波长的提取。基于上述3项质构指标建立的最小偏二乘回归(PLSR)模型,在一次特征波长提取的基础上再结合SPA算法进行二次特征波长的提取,根据二次特征提取的最优波长建立淡水鱼鱼肉硬度、弹性和咀嚼性的最优模型,该模型校正集的相关系数R_c分别为0.968、0.947、0.927,预测集的相关系数R_p分别为0.964、0.939、0.926,校正集的均方根误差RMSEC分别为0.753、0.827、0.986,预测集的均方根误差RMSEP分别为0.846、0.897、0.964。研究结果表明,该方法适用于淡水鱼鱼肉贮藏期质构品质的快速无损检测,具有较高的准确度,可为后续淡水鱼鱼肉品质的在线检测提供帮助。

新鲜度是反映鱼类品质以及可否食用的重要指标, 在线检测直接关系到食品质量与安全的实施应用, 因此对淡水鱼新鲜度进行在线无损检测具有重要意义。 应用近红外光谱对淡水鱼新鲜度进行在线检测, 试验装置采用自行搭建的淡水鱼近红外光谱在线采集装置, 试验时样品在输送链上以0.5 m·s-1的速度运动, 采集其近红外漫反射光谱(900～2 500 nm), 并用支持向量机(support vector machine, SVM)建立淡水鱼新鲜度在线检测模型。 采用光谱理化值共生距离(sample set partitioning based on joint X-Y distance algorithm, SPXY)算法对样本集进行划分, 其中校正集111条(新鲜57条, 变质54条)、 测试集37条(新鲜19条, 变质18条), 通过对比不同的光谱预处理方法对预测结果的影响, 明确了一阶导结合标准化预处理为最优光谱预处理方法, 经过该方法预处理后所建模型对校正集的正确识别率为97.96%, 对测试集的识别率为95.92%。 为了提高模型运行速度对建模所用光谱变量进行优化, 分别采用遗传算法(genetic algorithm, GA)、 连续投影算法(successive projection algorithm, SPA)和竞争性自适应重加权算法(competitive adaptive reweighed sampling algorithm, CARS) 三种不同的特征变量选择方法对特征波长进行筛选, 通过建模比较分析确定CARS为最优波长选择方法, 以所选的10个特征波长建立淡水鱼新鲜度支持向量机检测模型, 模型对校正集的正确识别率为100%, 对测试集的识别率为93.88%。 该研究可为近红外光谱用于淡水鱼新鲜度在线检测提供技术支持。