光谱技术在水产品品质检测中的应用研究进展.docxVIP

光谱技术在水产品品质检测中的应用研究进展 引 言 随着我国消费者对于水产品的需求快速增加，水产养殖业和加工业也随之急速发展，目前我国的水产品养殖规模位于世界首位。根据《2018年中国渔业统计年鉴》，2018年全国水产养殖面积约为7 449.03千公顷，水产品总产量达6 457.7万吨。同时水产品进出口总额超300亿美元，进出口总量超过900万吨，产生了巨大的经济效益[1]。鱼虾贝等水产品是重要的白肉来源，白肉肌肉纤维细腻、富含蛋白质、不饱和脂肪酸等多种人体必需元素，同时具有脂肪含量低、胆固醇含量低等特点，为广大消费者所喜爱[2],为国人的饮食结构丰富性提供了重要的保障。 水产品品质检测主要包括新鲜度检测、质量分级、掺假分析、有害物残留等方面[3-5]，传统实验室物理化学分析方法难以实现大批量样品的快速、无损检测，并且由于操作相对繁琐而易出现人为误差。近年来在水产检测行业新兴的光谱技术利用样品测得的光谱特性来定性或定量研究物质结构和组成，具有快速、无损、测试重现度好，精度高、成本较低、方法简便等优点[6]。目前，在基于光谱的水产品品质检测技术当中，近红外光谱技术起步早，相对成熟，属于分子振动吸收光谱；高光谱成像技术将物体的光谱信息和图像信息进行了融合，可精确采集每个像素点信息，并对检测结果进行可视化；拉曼光谱是一种散射光谱,可与近红外光谱相互补充以更好地研究分子振动状态[7-9]。 分析了水产品质检测中常用的各类光谱技术的优势以及局限性，综述了国内外光谱检测技术在水产品品质检测应用中的研究进展，及光谱数据预处理和建模的主要方法，最后，分析了水产品光谱检测技术的未来发展趋势。 1 水产品质检测中光谱技术概述 基于光谱分析技术对水产品质进行检测已成为近年来的一个研究热点，光谱技术在水产品新鲜度检测、有害物残留检测、有害微生物含量检测、质量分级、掺假分析等方面具有良好的应用前景[10]。几种常用的光谱技术特点如表1所示。 表1 水产检测中3种常用光谱技术特点Table 1 Characteristics of three common spectral techniques for aquatic products quality inspection 1.1 光谱检测技术的优势 (1)快速。不需要对样品进行繁琐处理即可进行光谱采集，通过建立预测模型能迅速检测水产中化学组分的含量或性质，大大缩短了检测周期。Yu等利用高光谱成像技术结合深度学习算法快速预测冷藏期间太平洋白虾的TVB-N含量，模型计算时间仅为3.9 ms[11]。 (2)无损。光谱检测过程不会对样品本身产生影响，待测样品从外观到内部的物质结构与性质都不发生变化，只需应用相关装置采集光谱信息即可。鉴于这一特性，光谱检测技术可以良好应用于水产品加工流水线及消费者市场。 (3)测试重现度高。样品测得的每个特征波段处光谱特性可以代表相应物质的特性，根据特征波长处的波谱可推算出样品中的物质组分与含量。由于光谱测量过程很少受外界因素的干扰,且仪器操作相对简便不容易出现人为失误，测量结果相对平稳。 (4)成本低。面向大规模检验时，光谱分析不消耗样品和试剂，不论用于定性判别样品性质还是定量检测样品成分都无需雇佣专业人员进行检测[12]。通过多参数耦合建模，可有效同时预测多个指标含量，相对于传统实验室分析方法，显著降低了大量检测费用。 1.2 光谱技术局限性 (1)前期投入较高。模型的可靠性依赖于足够的样品数量，因此光谱分析的实现需提前选取大量代表性样品进行定性或定量检测，这一过程需要雇佣专业的检验员并且检测周期长、成本高[13]。此外，研究人员建模过程相对复杂，精度符合要求的光谱分析仪器价格也相对昂贵，较难普及到大众市场。 (2)模型普适性差且需持续维护。不同光谱方法适用于不同物质检测，且不同检测对象所适用的特征波段不同，难以实现同一方法全覆盖检测。另外，建模后难免会遇到模型对某些样品预测效果差的情况,所以需要不断对模型进行优化、修正和完善。鉴于以上特点，光谱分析技术适合于大规模连续检测却不适用于分散性样品检测。 (3)每种光谱技术都有其局限性和缺点。近红外光谱灵敏度相对较低，谱带较宽波峰易重叠，易受干扰，信噪比较低[14]；高光谱每个像素都含有连续的波谱信息，数据量极大，临近波段冗余且间距狭窄导致了数据处理难度增加[15-16]；拉曼光谱波峰易重叠，且拉曼散射信号较弱[17]。 2 水产品质光谱检测中的数据解析 利用光谱技术检测水产品品质依赖于数学模型的建立。首先，要将样本集划分为训练集和验证集，建立训练集模型的样本应在组成及性质上与验证集样品基本一致。建立模型之前应先消除与样本无关的信息与噪声，并对光谱进行特征波段的提取。最后，需要对模型的泛化能力进行性能度量并不断改进和优化。本文