合肥工業(yè)大學(xué)聯(lián)合上海海洋大學(xué)登頂刊！這項(xiàng)中華絨螯蟹無損檢測(cè)研究，為水產(chǎn)品監(jiān)測(cè)打開新思路

近日，合肥工業(yè)大學(xué)食品與生物工程學(xué)院陸劍鋒教授團(tuán)隊(duì)與上海海洋大學(xué)水產(chǎn)與生命學(xué)院王成輝教授聯(lián)合在中科院1區(qū)Top期刊Food Chemistry（IF：9.8）上發(fā)表題為“Nondestructive detection of biogenic amines in muscle of Chinese mitten crab (Eriocheir sinensis): A basis for quality assessment using infrared spectroscopy and deep learning”的研究論文（第一作者為合肥工業(yè)大學(xué)食品與生物工程學(xué)院博士生韓青莉）。

圖形摘要（ Graphical Abstract ）

中華絨螯蟹（Eriocheir sinensis）作為我國重要的特色水產(chǎn)品，因其風(fēng)味獨(dú)特和營養(yǎng)豐富在消費(fèi)市場(chǎng)廣受青睞。但在商業(yè)流通中常因“死蟹不可食”的觀念導(dǎo)致資源浪費(fèi)。已有研究表明，在適宜條件下死亡螃蟹仍具食用價(jià)值，因此亟需對(duì)其死亡后的品質(zhì)變化進(jìn)行系統(tǒng)監(jiān)測(cè)，以兼顧食品安全與資源利用。生物胺（BAs）是評(píng)價(jià)水產(chǎn)品鮮度與腐敗的重要指標(biāo)，但現(xiàn)有色譜、熒光及酶學(xué)方法耗時(shí)、破壞性強(qiáng)且操作繁瑣，難以滿足快速、現(xiàn)場(chǎng)化檢測(cè)需求。相比之下，近紅外光譜（NIR）具有快速、無損和環(huán)保優(yōu)勢(shì)，能夠捕捉與蛋白質(zhì)降解及代謝物積累相關(guān)的信息，但其數(shù)據(jù)特征復(fù)雜，傳統(tǒng)算法難以充分解析。在此背景下，深度學(xué)習(xí)（deep learning）憑借端到端（end-to-end）特征提取和強(qiáng)大的模式識(shí)別能力，已在多領(lǐng)域展現(xiàn)出優(yōu)越性能。

基于此，本研究提出了一種結(jié)合近紅外光譜與深度學(xué)習(xí)的無損檢測(cè)方法，用于實(shí)現(xiàn)中華絨螯蟹肌肉中生物胺的快速預(yù)測(cè)與品質(zhì)分級(jí)，為螃蟹新鮮度的智能化評(píng)價(jià)提供理論依據(jù)和技術(shù)支撐。研究結(jié)果表明，在中華絨螯蟹肌肉中共檢測(cè)出6種生物胺，其中腐胺和尸胺在冷藏過程中顯著增加，與腐敗進(jìn)程密切相關(guān)。深度學(xué)習(xí)模型CNN-LSTM-SE對(duì)腐胺、尸胺、組胺、色胺的預(yù)測(cè)性能優(yōu)異，R2值均高于0.84且RMSE小于2.0。根據(jù)質(zhì)量指數(shù)，中華絨螯蟹被分為新鮮（fresh）、可接受（acceptable）和變質(zhì)（spoiled）三個(gè)質(zhì)量等級(jí)，且螃蟹死后在8±1℃下貯存超過24 h被認(rèn)為由于過度腐敗而不適合食用。CNN-LSTM-SE模型對(duì)變質(zhì)蟹的識(shí)別準(zhǔn)確率達(dá)到了100%，明顯優(yōu)于CNN、LSTM和傳統(tǒng)機(jī)器學(xué)習(xí)模型。這項(xiàng)研究證明了近紅外光譜和深度學(xué)習(xí)在評(píng)估中華絨螯蟹新鮮度方面的潛力，為水產(chǎn)品的智能監(jiān)測(cè)提供了寶貴的工具。未來的工作將側(cè)重于提高模型的可解釋性和泛化性，實(shí)現(xiàn)可移植和實(shí)時(shí)部署，并將其應(yīng)用擴(kuò)展到其他物種和腐敗相關(guān)化合物，以智能監(jiān)測(cè)海產(chǎn)品質(zhì)量和安全。

原文圖表賞析：

圖 1 . 不同時(shí)期中華絨螯蟹肌肉中BAs和NIR光譜的變化。（A-G）：PUT、CAD、HIS、TRY、SPD、SPE、QI含量變化；（H）：原始光譜；（I）：代表性光譜。藍(lán)點(diǎn)和紅點(diǎn)分別代表訓(xùn)練集和測(cè)試集數(shù)據(jù)（A-F）。不同字母（a-h）表示組間差異有統(tǒng)計(jì)學(xué)意義（p < 0.05）（A-G）。

圖2. 基于CNN-LSTM-SE模型的BAs預(yù)測(cè)值與實(shí)測(cè)值散點(diǎn)圖。

圖3. 深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)模型在BAs預(yù)測(cè)性能上的比較。

圖4. 深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)模型在螃蟹品質(zhì)等級(jí)分類性能上的比較。

合肥工業(yè)大學(xué)陸劍鋒教授團(tuán)隊(duì)長期致力于水產(chǎn)動(dòng)物營養(yǎng)、水產(chǎn)品加工、貯藏保鮮與副產(chǎn)物高值化利用研究，本次研究成果為大閘蟹新鮮度及品質(zhì)無損檢測(cè)提供了重要技術(shù)保障，也為今后其他水產(chǎn)品品質(zhì)智能化質(zhì)量監(jiān)測(cè)的發(fā)展拓展了新思路。該研究獲得國家現(xiàn)代農(nóng)業(yè)（蝦蟹）產(chǎn)業(yè)技術(shù)體系（CARS-48）、安徽省現(xiàn)代農(nóng)業(yè)（水產(chǎn)）產(chǎn)業(yè)技術(shù)體系（AARS-08）以及國家重點(diǎn)研發(fā)計(jì)劃（2023YFD2401500）等項(xiàng)目資金的資助。

原文鏈接：https://doi.org/10.1016/j.foodchem.2025.146354