近紅外光譜技術(shù)快速檢測(cè)小龍蝦新鮮度

盧文超 邱亮 熊光權(quán) 白嬋 鉏曉艷 廖濤

摘 要：應(yīng)用近紅外光譜技術(shù)實(shí)現(xiàn)對(duì)小龍蝦新鮮度的快速檢測(cè)。利用化學(xué)計(jì)量學(xué)方法，通過對(duì)近紅外品質(zhì)分析儀采集的蝦肉絞碎前后光譜（850～1 050 nm）調(diào)整不同預(yù)處理方法、偏最小二乘法和組合算法，建立一種基于總揮發(fā)性鹽基氮（total volatile basic nitrogen，TVB-N）含量的小龍蝦新鮮度定量預(yù)測(cè)模型。結(jié)果表明：采用標(biāo)準(zhǔn)正態(tài)變量變換與一階導(dǎo)數(shù)結(jié)合的預(yù)處理方法模型預(yù)測(cè)效果最好，且絞碎后的蝦肉光譜比絞碎前建模效果更好;為滿足實(shí)際應(yīng)用需要，對(duì)絞碎前的蝦肉TVB-N含量預(yù)測(cè)模型進(jìn)行分析，其交叉驗(yàn)證誤差為3.123，交叉驗(yàn)證相關(guān)系數(shù)為0.947，用此模型對(duì)預(yù)測(cè)集24 個(gè)樣品進(jìn)行預(yù)測(cè)，預(yù)測(cè)值與實(shí)測(cè)值的交叉驗(yàn)證相關(guān)系數(shù)為0.951 4，在TVB-N含量超過20 mg/100 g（不新鮮）的檢測(cè)準(zhǔn)確率為100%。近紅外光譜技術(shù)可應(yīng)用于快速檢測(cè)小龍蝦新鮮度，所建模型具有較好的預(yù)測(cè)能力。

關(guān)鍵詞：近紅外光譜;小龍蝦;揮發(fā)性鹽基氮;新鮮度;預(yù)測(cè)模型

Rapid Detection of Freshness of Crayfish by Near Infrared Spectroscopy

LU Wenchao1，2， QIU Liang2， XIONG Guangquan2， BAI Chan2， ZU Xiaoyan2， LIAO Tao2，*

（1.School of Chemistry and Environmental Engineering， Wuhan Institute of Technology， Wuhan 430073， China;

2.Key Laboratory of Agricultural Products Cold Chain Logistics， Ministry of Agriculture and Rural Affairs， Hubei Engineering Research Center for Agricultural Products Irradiation， Institute of Agro-Products Processing and Nuclear Agricultural Technology，

Hubei Academy of Agricultural Sciences， Wuhan 430064， China）

Abstract： Near infrared spectroscopy （NIRS） combined with chemometrics was used to quickly detect the freshness of crayfish. Near infrared spectra of intact and minced crayfish flesh were recorded in the wavelength range of 850–1 050 nm and preprocessed for the development of a quantitative prediction model for crayfish freshness based on total volatile basic nitrogen （TVB-N） content using partial least square （PLS） and a combinatorial algorithm. The model established using a spectral pretreatment method combining standard normal variate transformation with first derivative had the best prediction performance， and the model based on the spectra of minced crayfish meat had better performance than that developed from the spectra of intact crayfish meat. In order to meet the needs of practical application， the TVB-N content prediction model for minced shrimp meat was analyzed， revealing that the cross-validation error and the cross-validation correlation coefficient were 3.123 and 0.947， respectively. This model was used to predict 24 samples in the prediction set， and it was found that the cross-validation correlation coefficient between the predicted and measured values was 0.951 4， and that the accuracy of prediction was 100% for TVB-N content exceeding 20 mg/100 g （stale samples）. In conclusion， NIRS can be used to quickly detect the freshness of crayfish， and the established model has good predictive ability.B07A3443-B1AE-46FA-961A-68D820A5AF29

Keywords： near infrared spectroscopy; crawfish; volatile base nitrogen; freshness; prediction model

DOI：10.7506/rlyj1001-8123-20220311-017

中圖分類號(hào)：TS251.7? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1001-8123（2022）06-0036-06

引文格式：

盧文超， 邱亮， 熊光權(quán)， 等. 近紅外光譜技術(shù)快速檢測(cè)小龍蝦新鮮度[J]. 肉類研究， 2022， 36（6）： 36-41. DOI：10.7506/rlyj1001-8123-20220311-017.? ? http：//www.rlyj.net.cn

LU Wenchao， QIU Liang， XIONG Guangquan， et al. Rapid detection of freshness of crayfish by near infrared spectroscopy[J]. Meat Research， 2022， 36（6）： 36-41. DOI：10.7506/rlyj1001-8123-20220311-017.? ? http：//www.rlyj.net.cn

小龍蝦學(xué)名為克氏原螯蝦，其肉質(zhì)鮮美，具有高蛋白、低脂肪、低熱量的優(yōu)點(diǎn)，且富含人體必需氨基酸，受到國內(nèi)消費(fèi)者的歡迎[1]。相比于大多數(shù)水產(chǎn)品，小龍蝦蝦肉中酶和細(xì)菌更多[2]，更易腐敗變質(zhì)，因此對(duì)小龍蝦保鮮指標(biāo)的檢測(cè)顯得尤為重要。新鮮度作為肉制品品質(zhì)評(píng)價(jià)的一個(gè)重要特征，包括感官檢測(cè)、理化檢驗(yàn)（質(zhì)構(gòu)、pH值、總揮發(fā)性鹽基氮（total volatile basic nitrogen，TVB-N）含量、硫代巴比妥酸反應(yīng)物值和K值等）和微生物檢驗(yàn)[3]。然而這些方法在檢測(cè)過程中耗時(shí)耗力、周期長(zhǎng)、成本高、效率低，難以適應(yīng)當(dāng)下肉制品快速檢測(cè)的要求[4-5]。

近紅外光譜技術(shù)具有快速、無損、綠色無污染等優(yōu)點(diǎn)，在食品品質(zhì)檢測(cè)和鑒別、生物制藥和醫(yī)學(xué)醫(yī)療等多個(gè)領(lǐng)域中發(fā)揮著重要作用[6-12]。國內(nèi)外在近紅外光譜技術(shù)快速檢測(cè)鯽魚[13-17]、鰱魚[18]、草魚[19]、鱸魚[20]等水產(chǎn)品保鮮預(yù)測(cè)模型和貨架期方面做了一些研究[21]，也取得了很多成果。近幾年，近紅外光譜技術(shù)在水產(chǎn)品快速檢測(cè)中的應(yīng)用愈加廣泛，追求一種準(zhǔn)確、高效的新鮮度預(yù)測(cè)模型符合水產(chǎn)品品質(zhì)檢測(cè)的趨勢(shì)。因此，本研究利用近紅外光譜技術(shù)實(shí)現(xiàn)小龍蝦新鮮度的快速檢測(cè)，構(gòu)建基于表征效果良好的TVB-N含量[22]的小龍蝦新鮮度定量預(yù)測(cè)模型。在建模過程中，比較了9 種光譜預(yù)處理方法的消噪效果，優(yōu)化了小龍蝦近紅外光譜綜合性聚類處理算法。

1 材料與方法

1.1 材料與試劑

大小較均一的中等型小龍蝦，購于湖北省武漢市洪山區(qū)悅活里超市，采購時(shí)間2021年9月，單蝦體長(zhǎng)（5.3±0.6） cm，體質(zhì)量（25.2±5.4） g。

輕質(zhì)氧化鎂、硼酸、溴甲酚綠、甲基紅（均為分析純）、95%乙醇（分析純） 武漢泰晟生物科技有限公司。

1.2 儀器與設(shè)備

BSA124S天平 德國Sartorius公司;K1100F自動(dòng)凱氏定氮儀 濟(jì)南海能儀器股份有限公司;Foodscan近紅外品質(zhì)分析儀 丹麥Foss公司;恒溫冰箱 青島海爾公司;所搭建的Hadoop集群為4 臺(tái)虛擬機(jī)（1 臺(tái)主機(jī)master、3 臺(tái)從機(jī)slave，均采用Windons 7操作系統(tǒng)，系統(tǒng)配置要求內(nèi)存1 G以上，硬盤80 G以上，CPU在Intel Celeron 2.40 GHz以上） 聯(lián)想公司。

1.3 方法

1.3.1 蝦肉樣品的制備

將采購的小龍蝦采用泡沫塑料箱?；钸\(yùn)至實(shí)驗(yàn)室。對(duì)小龍蝦進(jìn)行剔除蝦線和脫殼處理，得到蝦肉樣品2 份，每份500 g。將其中1 份蝦肉樣品絞碎制成肉糜，另1 份不作處理，2 份樣品均保存在4 ℃的恒溫冰箱里。

1.3.2 近紅外光譜的采集

將2 份樣品各取350 g依次均勻平鋪在樣品杯中，使用近紅外品質(zhì)分析儀掃描得出光譜圖，樣品及環(huán)境溫度均為20 ℃，室內(nèi)安靜、無明顯噪音，光譜掃描范圍為850～1 050 nm。每份樣品每天測(cè)8 次，時(shí)間為8∶00—16∶00，每次間隔1 h，重復(fù)掃描3 次，且每次掃描時(shí)樣品重新裝樣，保持裝樣的均一性，求得平均光譜曲線。實(shí)驗(yàn)在連續(xù)12 d內(nèi)共取得96 條平均光譜曲線。

1.3.3 TVB-N含量的測(cè)定

對(duì)絞碎前后2 種樣品各剩下的150 g蝦肉，參考GB 5009.228—2016《食品安全國家標(biāo)準(zhǔn) 食品中揮發(fā)性鹽基氮的測(cè)定》[23]方法，利用自動(dòng)凱氏定氮儀對(duì)其TVB-N含量進(jìn)行測(cè)定，測(cè)定時(shí)間及貯藏條件與近紅外掃描樣品相同。

1.3.4 數(shù)據(jù)處理與算法優(yōu)化

利用丹麥Foss公司的WinISI軟件、Origin Pro 2018軟件和WPS Office軟件對(duì)采集的近紅外光譜數(shù)據(jù)進(jìn)行預(yù)處理，比較九點(diǎn)平滑（smoothing average，SM）、卷積平滑（smoothing Savitzky-Golay，SG）、一階導(dǎo)數(shù)（first derivative，1stD）、標(biāo)準(zhǔn)正態(tài)變量（standard normal variate，SNV）變換、標(biāo)準(zhǔn)正態(tài)化結(jié)合去趨勢(shì)化校正（SNV+De-trending）和多元散射校正（multiplicative signal correction，MSC）以及部分方法相互結(jié)合共9 種光譜預(yù)處理方法的消噪效果，利用Hadoop集群并行處理小龍蝦近紅外光譜數(shù)據(jù)，迭代分析算法的收斂性和擬合度，采用偏最小二乘法（partial least square，PLS）數(shù)學(xué)校正方法對(duì)2 種樣品分別建模。用交叉驗(yàn)證誤差（standard error of cross validation，SECV）和交叉驗(yàn)證相關(guān)系數(shù)（1 minus the variance ratio，1-VR）作為模型精度評(píng)價(jià)和模型準(zhǔn)確度檢驗(yàn)的指標(biāo)。SECV是定標(biāo)建模過程中進(jìn)行交叉驗(yàn)證時(shí)所獲得的近紅外預(yù)測(cè)值與化學(xué)分析值標(biāo)準(zhǔn)偏差，通過它可以大致評(píng)估定標(biāo)模型的預(yù)測(cè)準(zhǔn)確度。1-VR是定標(biāo)建模過程中進(jìn)行交叉驗(yàn)證時(shí)所得到的相關(guān)系數(shù)，即模型對(duì)樣品集濃度變化所能描述出的百分率。B07A3443-B1AE-46FA-961A-68D820A5AF29

如果1-VR=1，說明在交叉驗(yàn)證過程中，定標(biāo)樣品集濃度的變化被100%解釋。

將滿足Bias偏差為方程定標(biāo)誤差（standard error of calibration，SEC）的0.6 倍、預(yù)測(cè)標(biāo)準(zhǔn)偏差為SEC的1.3 倍或?qū)嶒?yàn)室數(shù)據(jù)列與近紅外預(yù)測(cè)數(shù)據(jù)列的標(biāo)準(zhǔn)偏差差值大于實(shí)驗(yàn)室標(biāo)準(zhǔn)偏差的20% 3 個(gè)條件中任意一個(gè)條件的數(shù)據(jù)剔除。其中，實(shí)驗(yàn)室標(biāo)準(zhǔn)偏差受實(shí)驗(yàn)室噪聲、溫度、濕度等環(huán)境因素影響。

在Canopy算法[24]的支持下，優(yōu)化傳統(tǒng)K-means算法對(duì)譜圖數(shù)據(jù)識(shí)別和預(yù)處理方法計(jì)算的性能[25]。算法結(jié)合高斯核卷積[26]、主成分分析方法[27]和余弦相似度[28]，建立基于特征匹配算法[29]的識(shí)別模塊，最終利用Hadoop集群并行處理數(shù)據(jù)。

2 結(jié)果與分析

2.1 蝦肉絞碎前后的TVB-N含量測(cè)定結(jié)果

GB 5009.228—2016《食品安全國家標(biāo)準(zhǔn) 食品中揮發(fā)性鹽基氮的測(cè)定》規(guī)定，當(dāng)?shù)~、蝦的TVB-N含量超過20 mg/100 g時(shí)即為不新鮮。本研究通過將96 個(gè)樣本按3∶1的比例劃分成校正集和驗(yàn)證集2 組，同時(shí)保證驗(yàn)證集樣本的TVB-N含量范圍小于校正集[30]，采用數(shù)學(xué)統(tǒng)計(jì)方法保證劃分過程的隨機(jī)。

由表1可知，化學(xué)方法所得數(shù)據(jù)的4 個(gè)特征值較好，滿足構(gòu)建模型的需要。

2.2 光譜預(yù)處理

絞碎前后小龍蝦蝦肉的近紅外原始光譜圖見圖1～2。近紅外光譜主要是由分子中O-H、C-N、N-H、C-H、S-H鍵的振動(dòng)吸收引起的，是這些振動(dòng)的組頻和倍頻吸收帶。近紅外光譜不同波段代表不同的信息[31]，而TVB-N是肉在腐敗過程中產(chǎn)生的堿性含氮物質(zhì)與有機(jī)酸結(jié)合后形成的鹽基態(tài)氮，其含量與C-N、N-H鍵等譜區(qū)峰值有關(guān)，光譜范圍為850～1 050 nm，在925～1 025 nm有較強(qiáng)的吸收峰，在850～925 nm的光譜區(qū)相對(duì)平坦。經(jīng)比較可明顯發(fā)現(xiàn)，絞碎前的小龍蝦蝦肉近紅外光譜曲線差異性較為明顯，絞碎后的小龍蝦蝦肉近紅外光譜曲線的均勻性得到大幅提升。絞碎前的蝦肉因無法避免裝樣空隙，導(dǎo)致其掃描光譜形狀存在差異，而絞碎后的蝦肉光譜形狀則趨于一致。另外，絞碎前蝦肉的光譜在900～1 000 nm范圍內(nèi)的吸光度高于絞碎后的蝦肉，這可能是在此波長(zhǎng)范圍內(nèi)由于水分（O-H鍵）有特征吸收[32]。本研究還發(fā)現(xiàn)絞碎后蝦肉表面水分殘留較絞碎前有所減少，這是因?yàn)槲r肉在絞碎過程中損失了部分肌肉中不易流動(dòng)的水（包括自由水和結(jié)合水）[33]。

由于實(shí)驗(yàn)環(huán)境（噪聲、溫度、水分等）和樣品本身（內(nèi)部肉質(zhì)不均一、有空隙、表面凹凸不平整）等因素可能導(dǎo)致采集到的光譜信息不夠準(zhǔn)確，難以進(jìn)行數(shù)據(jù)挖掘，所以需要選用合適的光譜預(yù)處理方法對(duì)其進(jìn)行優(yōu)化。在研究應(yīng)用近紅外光譜技術(shù)無損檢測(cè)豬肉脂肪酸的含量時(shí)，González-Martin等[34]結(jié)合使用多種光譜預(yù)處理方法提高了模型預(yù)測(cè)效果。因此，本研究通過比較9 種光譜預(yù)處理方法的消噪效果對(duì)所得原始光譜進(jìn)行預(yù)處理后，再利用PLS法對(duì)全波段進(jìn)行回歸分析。因?yàn)榻g碎后的蝦肉光譜曲線更均勻，所以絞碎前最優(yōu)的預(yù)處理方法對(duì)絞碎后必然有良好效果，故以絞碎前的蝦肉為例，通過比較所建模型的優(yōu)劣，選擇合適的光譜預(yù)處理方法。

由表2可知，對(duì)TVB-N含量來說，統(tǒng)計(jì)數(shù)據(jù)列SECV最低、1-VR最高的模型，即為最佳模型。2 組數(shù)據(jù)基本能反映定標(biāo)模型對(duì)其他未知樣品的預(yù)測(cè)性能。通過比較SECV和1-VR可以看出，使用單一預(yù)處理方法時(shí)效果不太理想，僅SNV處理后的1-VR超過0.900，這可能與SNV能夠消除蝦肉顆粒大小、表面散射及光程變化對(duì)光譜的影響有關(guān)[35]。經(jīng)過1stD+SNV處理后的SECV為3.123，1-VR為0.947，綜合效果最好。這可能是因?yàn)閷?dǎo)數(shù)可以用于消除光譜的基線漂移及背景干擾[35]，分辨重疊峰，提高分辨率和靈敏度。標(biāo)準(zhǔn)正態(tài)變量變換結(jié)合一階導(dǎo)數(shù)對(duì)光譜進(jìn)行預(yù)處理時(shí)，模型的各評(píng)價(jià)指標(biāo)均得到了優(yōu)化，建立模型所用主因子數(shù)也較小，說明建模效率得到提升。

經(jīng)1stD+SNV處理后的絞碎前蝦肉近紅外光譜圖見圖3，經(jīng)1stD+SNV處理后的絞碎后蝦肉TVB-N定量預(yù)測(cè)模型近紅外光譜圖見圖4，經(jīng)其他8 種預(yù)處理后的絞碎前蝦肉TVB-N定量預(yù)測(cè)模型近紅外光譜圖見圖5。

分析可知，對(duì)于絞碎前后的小龍蝦蝦肉TVB-N含量來說，均采用1stD+SNV處理光譜建立的PLS回歸模型預(yù)測(cè)能力最好。盡管絞碎后的蝦肉新鮮度預(yù)測(cè)模型效果更好，但是相對(duì)于蝦肉絞碎的損壞和時(shí)間代價(jià)，對(duì)絞碎前的蝦肉新鮮度進(jìn)行快速、無損檢測(cè)更便于食品檢測(cè)的實(shí)際應(yīng)用。

2.3 模型的算法優(yōu)化及驗(yàn)證

以絞碎前小龍蝦蝦肉的TVB-N含量數(shù)據(jù)為基礎(chǔ)，對(duì)模型的算法進(jìn)行優(yōu)化及驗(yàn)證。綜合性算法在譜圖識(shí)別、預(yù)處理時(shí)間和聚類效果上明顯優(yōu)于傳統(tǒng)串行算法。

2.3.1 算法運(yùn)行時(shí)間實(shí)驗(yàn)

對(duì)比近紅外光譜技術(shù)綜合性信息處理算法與傳統(tǒng)信息處理串行算法性能，利用迭代方法繪制的收斂曲線數(shù)據(jù)聚類過程如圖6所示。綜合性算法運(yùn)行時(shí)間少于傳統(tǒng)串行算法的運(yùn)行時(shí)間，這說明綜合性算法通過Hadoop集群調(diào)用多臺(tái)機(jī)器共同處理數(shù)據(jù)，減少了時(shí)間成本。同時(shí)，在增加預(yù)處理算法的前提下，綜合性算法的運(yùn)行效率仍然高于傳統(tǒng)串行算法，證明綜合性算法具有較強(qiáng)的魯棒性（魯棒性是算法或系統(tǒng)處理異常能力的指標(biāo)）[36]。

2.3.2 加速比實(shí)驗(yàn)

采用Canopy算法改進(jìn)K-means聚類算法的綜合性算法運(yùn)行結(jié)果明顯優(yōu)于傳統(tǒng)K-means算法，其收斂也更加快速。由圖7可知，優(yōu)化的K-means聚類算法具有良好的加速比，其收斂效果也更好。這可能是由于算法所結(jié)合的粗聚類和原始數(shù)據(jù)覆蓋手段，實(shí)現(xiàn)了對(duì)初始聚類中心的快速獲取，避免了對(duì)不在同一樹冠的節(jié)點(diǎn)的重復(fù)計(jì)算，降低了算法時(shí)間復(fù)雜度，提高了收斂效率。通過高斯核卷積將圖像平滑，利用主成分分析方法將可能重疊的原始數(shù)據(jù)進(jìn)行簡(jiǎn)化表征，實(shí)現(xiàn)對(duì)近紅外光譜信息的去噪和降維處理;通過計(jì)算近紅外光譜譜圖數(shù)據(jù)的余弦相似度，建立基于特征匹配算法的識(shí)別模塊，避免了固定灰度陣列的苛刻要求，同時(shí)也極大程度降低了時(shí)間和空間復(fù)雜度，實(shí)現(xiàn)了對(duì)近紅外光譜譜圖信息的特征提取;通過4 臺(tái)并行計(jì)算機(jī)，利用Hadoop集群同時(shí)進(jìn)行數(shù)據(jù)處理，實(shí)現(xiàn)處理速度快、處理數(shù)據(jù)量大的目標(biāo)。B07A3443-B1AE-46FA-961A-68D820A5AF29

2.3.3 驗(yàn)證實(shí)驗(yàn)

采用近紅外光譜技術(shù)綜合性信息處理算法，將驗(yàn)證集的24 個(gè)樣品代入模型中，進(jìn)行小龍蝦蝦肉的新鮮度測(cè)定。由圖8可知，蝦肉的TVB-N含量預(yù)測(cè)值和實(shí)測(cè)值SECV為3.023，1-VR為0.951 4，說明模型對(duì)樣品集濃度變化描述能力極強(qiáng)，2 組數(shù)據(jù)相關(guān)性顯著。

3 結(jié) 論

利用近紅外光譜技術(shù)對(duì)采集到的絞碎前后蝦肉譜圖與TVB-N含量進(jìn)行建模，可以構(gòu)建定量預(yù)測(cè)模型。比較光譜預(yù)處理后的各模型預(yù)測(cè)能力可知，絞碎前后的模型均采用1stD+SNV方法，在PLS法上所建立的模型最好，且絞碎后的蝦肉近紅外光譜比絞碎前的建模效果更好。絞碎雖然提高了樣品的均一性，但其無法滿足快速、無損的要求，難以適用于實(shí)際檢測(cè)。綜合比較之下，通過預(yù)處理可以有效提升絞碎前蝦肉的光譜信息挖掘，預(yù)測(cè)準(zhǔn)確性損失很低，節(jié)省更多的時(shí)間成本和人力物力，更適應(yīng)當(dāng)下的檢測(cè)需求。同時(shí)，用Hadoop集群優(yōu)化后的綜合性算法有效提高了近紅外光譜的識(shí)別效率。

通過對(duì)絞碎前的蝦肉TVB-N含量模型進(jìn)行分析，其SECV為3.123，1-VR為0.947。用此模型對(duì)預(yù)測(cè)集24 個(gè)樣品進(jìn)行預(yù)測(cè)，蝦肉的TVB-N含量預(yù)測(cè)值和實(shí)測(cè)值SECV為3.023，1-VR為0.951 4，模型效果較好。因此，近紅外光譜技術(shù)可應(yīng)用于快速檢測(cè)小龍蝦新鮮度，本研究將為近紅外光譜技術(shù)的應(yīng)用和優(yōu)化帶來一些新的啟發(fā)。

參考文獻(xiàn)：

[1] 高曉光， 呂蒙， 臧芳波， 等. 小龍蝦加工與保鮮技術(shù)研究進(jìn)展[J].?保鮮與加工， 2021， 21（12）： 126-131; 139. DOI：10.3969/j.issn.1009-6221.2021.12.018.

[2] RAWIA F G， TAREK S E， ENAS I R， et al. Optimization of chitin yield from shrimp shell waste by Bacillus subtilis and impact of gamma irradiation on production of low molecular weight chitosan[J]. International Journal of Biological Macromolecules， 2016， 91：?598-608. DOI：10.1016/j.ijbiomac.2016.06.008.

[3] 葛雨珺. 基于黑米花色苷的可視化活性包裝構(gòu)建及其在銀鯧保鮮中的應(yīng)用[D]. 杭州： 浙江大學(xué)， 2020： 6-12. DOI：10.27461/d.cnki.gzjdx.2020.004362.

[4] 石長(zhǎng)波， 姚恒喆， 袁惠萍， 等. 近紅外光譜技術(shù)在肉制品安全性檢測(cè)中的應(yīng)用研究進(jìn)展[J]. 美食研究， 2021， 38（2）： 62-67. DOI：10.19913/j.cnki.2095-8730msyj.2021.0022.

[5] ANDUEZA D， PICARD F， HOCQUETTE J F， et al. Prediction of the intramuscular connective tissue components of fresh and freeze-dried samples by near infrared spectroscopy[J]. Meat Science， 2021， 179： 1-8. DOI：10.1016/j.meatsci.2021.108537.

[6] 楊建云， 田孟玉， 裴梓燁， 等. 基于近紅外光譜技術(shù)的初烤煙葉致香成分含量特性快速定量評(píng)價(jià)[J]. 輕工學(xué)報(bào)， 2018（5）： 60-68. DOI：10.3969/j.issn.2096-1553.2018.05.008.

[7] 趙存， 謝遇春， 楊峰， 等. 近紅外光譜快速檢測(cè)烏珠穆沁羊肉氨基酸含量[J]. 肉類研究， 2020， 34（9）： 46-51. DOI：10.7506/rlyj1001-8123-20200729-178.

[8] 郎玉苗， 楊春柳， 李翠， 等. 光譜技術(shù)在肉品摻雜摻假鑒別中的應(yīng)用研究進(jìn)展[J]. 肉類研究， 2019， 33（2）： 72-77. DOI：10.7506/rlyj1001-8123-20181217-231.

[9] 劉雅回， 譚丹， 母健， 等. 穩(wěn)定同位素、礦質(zhì)元素及可見-近紅外光譜技術(shù)在禽制品真實(shí)性鑒別中的應(yīng)用研究進(jìn)展[J]. 肉類研究， 2021， 35（11）： 64-72. DOI：10.7506/rlyj1001-8123-20210426-114.

[10] JAMES C， AARON E， VI KHANH T， et al. Shining light into meat： a review on the recent advances in in vivo and carcass applications of near infrared spectroscopy[J]. International Journal of Food Science and Technology， 2020， 55（3）： 1-7. DOI：10.1111/ijfs.14367.

[11] ROGERIO N S， JUAN M M， FLAVIA S， et al. Effects of a rehabilitation program on microvascular function of CHD patients assessed by near-infrared spectroscopy[J]. Physiological Reports， 2019， 7（11）： 1-7. DOI：10.14814/phy2.14145.B07A3443-B1AE-46FA-961A-68D820A5AF29

[12] CHEN Minling， LIN Boxi， SU Chengwei， et al. The application of wireless near infrared spectroscopy on detecting peripheral circulation in patients with diabetes foot ulcer when doing Buergers exercise[J]. Lasers in Surgery and Medicine， 2017， 49（7）： 152-167. DOI：10.1002/lsm.22667.

[13] FOLKESTAD A， WOLD J P， RRVIK K A， et al. Rapid and non-invasive measurements of fat and pigment concentrations in live and slaughtered Atlantic salmon （Salmo salar L.）[J]. Aquaculture， 2008， 280（1/4）： 129-135. DOI：10.1016/j.aquaculture.2008.04.037.

[14] SHEN Jiangang， QIAO Weiming， CHEN Huizhe， et al. Application of visible/near infrared spectrometers to quickly detect the nitrogen， phosphorus， and potassium content of chemical fertilizers[J]. Applied Sciences， 2021， 11（11）： 5103. DOI：10.3390/app11115103.

[15] TROCINO A， XICCATO G， MAJOLINI D， et al. Assessing the quality of organic and conventionally-farmed European sea bass （Dicentrarchus labrax）[J]. Food Chemistry， 2012， 131（2）： 427-433. DOI：10.1016/j.foodchem.2011.08.082.

[16] 陶瑞， 史智佳， 貢慧， 等. 傅里葉變換近紅外光譜技術(shù)快速檢測(cè)金槍魚新鮮度[J]. 肉類研究， 2017， 31（4）： 43-49. DOI：10.7506/rlyj1001-8123-201704008.

[17] 劉歡， 徐文杰， 劉友明， 等. 鯽魚新鮮度近紅外定量預(yù)測(cè)模型的建立[J]. 現(xiàn)代食品科技， 2015（7）： 173-182. DOI：10.13982/j.mfst.1673-9078.2015.7.028.

[18] 徐文杰， 劉歡， 陳東清， 等. 基于近紅外光譜技術(shù)的鰱魚營(yíng)養(yǎng)成分的快速分析[J]. 食品安全質(zhì)量檢測(cè)學(xué)報(bào)， 2014（2）： 516-527. DOI：10.19812/j.cnki.jfsq11-5956/ts.2014.02.034.

[19] 謝雯雯， 李俊杰， 劉茹， 等. 基于近紅外光譜技術(shù)的魚肉新鮮度評(píng)價(jià)方法的建立[J]. 淡水漁業(yè)， 2013（4）： 85-90. DOI：10.3969/j.issn.1000-6907.2013.04.016.

[20] 田華， 侯志杰， 陳報(bào)陽， 等. 近紅外光譜在魚類及魚制品定性定量分析中的應(yīng)用[J]. 食品與發(fā)酵工業(yè)， 2017（6）： 274-278. DOI：10.13995/j.cnki.11-1802/ts.201706047.

[21] 周嬌嬌， 吳瀟揚(yáng)， 陳周， 等. 近紅外光譜技術(shù)快速預(yù)測(cè)團(tuán)頭魴新鮮度[J].?華中農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2019（4）： 120-126. DOI：10.13300/j.cnki.hnlkxb.2019.04.016.

[22] 方瑤， 謝天鏵， 郭渭， 等. 基于近紅外光譜的金鯧魚新鮮度快速檢測(cè)技術(shù)[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)， 2021（1）： 213-218. DOI：10.3969/j.issn.1000-4440.2021.01.028.

[23] 中華人民共和國國家衛(wèi)生和計(jì)劃生育委員會(huì). 食品安全國家標(biāo)準(zhǔn) 食品中揮發(fā)性鹽基氮的測(cè)定： GB 5009.228—2016[S]. 北京： 中國標(biāo)準(zhǔn)出版社， 2016.

[24] LIN Xiaojuan， XU Min， CAO Chunxiang， et al. Estimates of forest canopy height using a combination of ICESat-2/ATLAS data and stereo-photogrammetry[J]. Remote Sensing， 2020， 12（21）： 3649. DOI：10.3390/rs12213649.

[25] 汪一百. 基于Hadoop云計(jì)算平臺(tái)的聚類K-means算法的研究與實(shí)現(xiàn)[J]. 信息與電腦（理論版）， 2017（11）： 92-94. DOI：10.3969/j.issn.1003-9767.2017.11.035.

[26] 汪鴻翔， 柳培忠， 駱炎民， 等. 高斯核函數(shù)卷積神經(jīng)網(wǎng)絡(luò)跟蹤算法[J]. 智能系統(tǒng)學(xué)報(bào)， 2018（3）： 388-394. DOI：10.11992/tis.201612040.

[27] 葉霞， 許飛翔， 曹軍博， 等. 基于主成分分析和K-Modes蟻群聚類的本體映射方法[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2020（12）： 231-237. DOI：10.3969/j.issn.1000-386x.2020.12.036.B07A3443-B1AE-46FA-961A-68D820A5AF29

[28] 魏泉增， 楊自翔， 肖付剛. 氣相色譜-質(zhì)譜聯(lián)用結(jié)合偏最小二乘法在生鮮牛、鴨混合肉含量判別分析中的應(yīng)用[J]. 肉類研究， 2020， 34（5）： 53-58. DOI：10.7506/rlyj1001-8123-20200210-032.

[29] 黃運(yùn)穩(wěn)， 陳光， 葉建芳. 基于余弦相似度的加權(quán)K近鄰室內(nèi)定位算法[J].?計(jì)算機(jī)應(yīng)用與軟件， 2019（2）： 159-162. DOI：10.3969/j.issn.1000-386x.2019.02.029.

[30] 李春婷， 張優(yōu)優(yōu)， 陳華舟， 等. 基于模擬退火的土壤鉀含量近紅外光譜波段優(yōu)選[J]. 激光與光電子學(xué)進(jìn)展， 2022， 59（13）： 2. DOI：10.3788/lop59.1330002.

[31] 倪玲珊. 基于中紅外光譜的黃土丘陵溝壑區(qū)泥沙來源示蹤研究[D].?咸陽： 中國科學(xué)院教育部水土保持與生態(tài)環(huán)境研究中心， 2020. DOI：10.27558/d.cnki.gsthc.2020.000001.

[32] ZHOU Lulu， LU Gang， TIAN Yanling. Image registration and stitching of feature matching of topology constraints optimization[J]. Computer Technology and Development， 2019， 29（6）： 37-41. DOI：10.3969/j.issn.1673-629x.2019.06.008.

[33] 張玉偉， 羅海玲， 賈慧娜， 等. 肌肉系水力的影響因素及其可能機(jī)制[J].?動(dòng)物營(yíng)養(yǎng)學(xué)報(bào)， 2012（8）： 1389-1396. DOI：10.3969/j.issn.1006-267x.2012.08.001.

[34] GONZ?LEZ-MARTIN I， GONZ?LEZ-P?REZ C， ALVAREZGARCIA N， et al. On-line determination of fatty acid composition in intramuscular fat of Iberian pork loin by NIRs with a remote reflectance fibre optic probe[J]. Meat Science， 2005， 69（2）： 243-248. DOI：10.1016/j.meatsci.2004.07.003.

[35] 王海朋， 褚小立， 陳瀑， 等. 光譜基線校正算法研究與應(yīng)用進(jìn)展[J]. 分析化學(xué)， 2021， 49（8）： 1270-1281. DOI：10.19756/j.issn.0253-3820.201679.

[36] 紀(jì)守領(lǐng)， 杜天宇， 鄧水光， 等. 深度學(xué)習(xí)模型魯棒性研究綜述[J].?計(jì)算機(jī)學(xué)報(bào)， 2022， 45（1）： 190-206. DOI：10.11897/SP.J.1016.2022.00190.

收稿日期：2022-03-11

基金項(xiàng)目：“十三五”國家重點(diǎn)研發(fā)計(jì)劃重點(diǎn)專項(xiàng)（2019YFD0902000）;

湖北省農(nóng)業(yè)科技創(chuàng)新中心重大科技研發(fā)項(xiàng)目（2020-620-000-002-03）

第一作者簡(jiǎn)介：盧文超（1997—）（ORCID： 0000-0003-1909-5030），男，碩士研究生，研究方向?yàn)樗a(chǎn)品加工與安全檢測(cè)、計(jì)算機(jī)輔助現(xiàn)代農(nóng)業(yè)技術(shù)。E-mail： 1471812137@qq.com

*通信作者簡(jiǎn)介：廖濤（1979—）（ORCID： 0000-0003-0348-5296），男，研究員，博士，研究方向?yàn)樗a(chǎn)品加工與質(zhì)量安全。

E-mail： 17418431@qq.comB07A3443-B1AE-46FA-961A-68D820A5AF29