水產(chǎn)品貨架期模型的研究進(jìn)展

,,*,

(1.上海理工大學(xué)醫(yī)療器械與食品學(xué)院,上海 200093; 2.中國水產(chǎn)科學(xué)研究院東海水產(chǎn)所,上海 200090)

水產(chǎn)品貨架期模型的研究進(jìn)展

朱彥祺1,李保國1,*,郭全友2

(1.上海理工大學(xué)醫(yī)療器械與食品學(xué)院,上海 200093; 2.中國水產(chǎn)科學(xué)研究院東海水產(chǎn)所,上海 200090)

本文對水產(chǎn)品的貨架期模型研究進(jìn)行了全面的綜述,總結(jié)了水產(chǎn)品基于數(shù)學(xué)方程的預(yù)測模型和基于計(jì)算機(jī)人工神經(jīng)網(wǎng)絡(luò)模型的研究,包括:化學(xué)反應(yīng)動(dòng)力學(xué)模型、基于溫度變化的貨架期模型、微生物生長非生長預(yù)測模型以及人工神經(jīng)網(wǎng)絡(luò)模型在水產(chǎn)品中的應(yīng)用。通過比較分析各種預(yù)測模型的優(yōu)勢,為水產(chǎn)品的品質(zhì)保鮮與安全保障技術(shù)提供支持。

水產(chǎn)品,貨架期,微生物生長預(yù)測模型,人工神經(jīng)網(wǎng)絡(luò)模型

水產(chǎn)品是海洋和淡水漁業(yè)生產(chǎn)的動(dòng)植物及加工產(chǎn)品的統(tǒng)稱,包括魚、蝦、蟹、貝四大類。水產(chǎn)品因其含有豐富的蛋白質(zhì)和多種不飽和脂肪酸,且營養(yǎng)豐富、味道鮮美而成為人類食物的重要來源。近年來,隨著人們飲食結(jié)構(gòu)和習(xí)慣的改變,水產(chǎn)品的需求逐年升高[1],但是由于各種微生物、寄生蟲及化學(xué)污染水產(chǎn)品對人體造成危害時(shí)有發(fā)生[2-4],水產(chǎn)品的質(zhì)量安全越來越受到人們的關(guān)注,因此,水產(chǎn)品的質(zhì)量安全評價(jià)也成為了當(dāng)今的研究熱點(diǎn)。

據(jù)FAO(The Food and Agricultural Organization of the United Nations)調(diào)查,大約30%～50%捕獲的魚類,在食品供應(yīng)鏈的不同環(huán)節(jié)會(huì)發(fā)生質(zhì)量問題[5]。目前采用的低溫保藏技術(shù)還不完善,水產(chǎn)品易腐敗變質(zhì),造成經(jīng)濟(jì)損失[6]。因此控制水產(chǎn)品中微生物的生長,監(jiān)控水產(chǎn)品鮮度變化,延長水產(chǎn)品貨架期顯得尤為重要。計(jì)算機(jī)建模技術(shù)通過預(yù)測工具預(yù)測特定產(chǎn)品在不同環(huán)境條件下產(chǎn)品的變化及微生物安全的信息[7-9],得到相關(guān)水產(chǎn)品的貨架期,同時(shí)通過調(diào)整水產(chǎn)品運(yùn)輸、貯藏中的環(huán)境因子以達(dá)到延長貨架期的目的。

本文對水產(chǎn)品貨架期預(yù)測模型進(jìn)行綜述,為完善水產(chǎn)品質(zhì)量保鮮技術(shù)提供理論依據(jù)以及為構(gòu)建水產(chǎn)品的質(zhì)量安全評價(jià)體系提供參考。

1 貨架期預(yù)測模型的分類

食品的貨架期是指在推薦的貯藏條件下,能夠保持安全,確保理想的感官、理化和微生物特性;保留標(biāo)簽聲明營養(yǎng)值的一段時(shí)間[10]。對于水產(chǎn)品,目前主要有兩類貨架期預(yù)測模型,一類是基于水產(chǎn)品在儲(chǔ)藏過程中化學(xué)指標(biāo)、微生物指標(biāo)的變化,通過數(shù)學(xué)建模,對水產(chǎn)品中鮮度指標(biāo)及微生物的生長進(jìn)行預(yù)測,建立剩余貨架期的預(yù)測模型;另一類是,可預(yù)測產(chǎn)品貨架期和品質(zhì)變化的人工神經(jīng)網(wǎng)絡(luò)模型(Artificial Neural Network Model,ANN)。

2 基于數(shù)學(xué)模型的研究

2.1化學(xué)反應(yīng)動(dòng)力學(xué)模型

水產(chǎn)品的品質(zhì)變化大多由生化反應(yīng)引起,通過研究水產(chǎn)品在儲(chǔ)藏、流通過程中酸價(jià)、過氧化值、品鮮度(K值)、色澤、感官值等品質(zhì)變化,可建立起相應(yīng)的貨架期預(yù)測模型?；瘜W(xué)反應(yīng)動(dòng)力學(xué)主要研究水產(chǎn)品在儲(chǔ)運(yùn)過程中品質(zhì)損失、轉(zhuǎn)變的過程,多與二級阿倫尼烏斯方程結(jié)合構(gòu)建質(zhì)量變化模型,計(jì)算產(chǎn)品的貨架期。水產(chǎn)品的化學(xué)反應(yīng)符合零級、一級和二級反應(yīng)動(dòng)力學(xué)方程。Mahmoudreza等[11]發(fā)現(xiàn)藍(lán)貽貝(Mytilusedulis)的蒸煮損失,面積收縮和質(zhì)地分別遵循一級、二級和零級反應(yīng)。Hong等[12]發(fā)現(xiàn)鳙魚在-3、0、3、9和15 ℃的貯藏過程中，感官評定、揮發(fā)性鹽基總氮(TVB-N)、菌落總數(shù)和K值的變化符合零級反應(yīng)動(dòng)力學(xué)方程,可基于零級方程預(yù)測鳙魚的貨架期。Yao等[13]發(fā)現(xiàn)鯽魚在不同溫度下的電導(dǎo)率、TVB-N、菌落總數(shù)和K值遵循一級化學(xué)反應(yīng)模型,基于一級方程與阿倫尼烏斯方程結(jié)合構(gòu)建質(zhì)量變化模型,預(yù)測了鯽魚的貨架期。

表1 基于溫度變化的貨架期模型Table 1 Shelf life models based on temperature changes

化學(xué)反應(yīng)動(dòng)力學(xué)模型僅考慮在理想狀態(tài)下的變化規(guī)律,忽略了水產(chǎn)品環(huán)境因素的變化,其應(yīng)用范圍有一定的局限性,但可在生產(chǎn)儲(chǔ)藏過程中提供產(chǎn)品品質(zhì)的變化規(guī)律,為產(chǎn)品質(zhì)量安全提供參考。

2.2基于溫度變化的貨架期模型

溫度是影響水產(chǎn)品貨架期的主要因素,基于溫度變化的貨架期模型如表1所示,其中描述溫度對水產(chǎn)品品質(zhì)變化影響的預(yù)測模型有Arrhenius模型、Q10模型和Z值模型等[14-16],這類模型能夠預(yù)測不同溫度對品質(zhì)和貨架期影響;利用School-field模型、Square-root模型、Exponential模型開發(fā)的相對腐敗速率模型(relative rate of spoilage,RRS),可以計(jì)算產(chǎn)品的剩余貨架期[17]。

Zhang等[18]基于Arrhenius方程開發(fā)了不同溫度下草魚的感官評價(jià),提出了總計(jì)有氧數(shù)(TAC)、品鮮度(K值)、揮發(fā)性鹽基總氮(TVBN)和硫代巴比妥酸值(TBA)關(guān)于儲(chǔ)存時(shí)間和溫度的動(dòng)力學(xué)模型,預(yù)測草魚的新鮮度變化;Yao等[13]基于Arrhenius方程開發(fā)了動(dòng)力學(xué)模型,以此來監(jiān)控冷鏈循環(huán)的質(zhì)量變化,通過電導(dǎo)率(EC)的數(shù)值和總計(jì)有氧數(shù)(TAC)建立的動(dòng)力學(xué)模型可以準(zhǔn)確預(yù)測鯽魚的早熟;佟懿等[19]利用帶魚在273～283 K溫度范圍內(nèi)揮發(fā)性鹽基氮的變化規(guī)律,將Q10模型與Arrhenius方程相結(jié)合,建立了帶魚的貨架期預(yù)測模型。郭全友等[17]依據(jù)相對腐敗速率與溫度的相關(guān)性,構(gòu)建了不同貯藏溫度下養(yǎng)殖大黃魚的貨架期預(yù)測模型,發(fā)現(xiàn)School-field和Exponential貨架期模型優(yōu)于Square-root貨架期模型。

基于溫度變化的貨架期模型,能夠預(yù)測水產(chǎn)品不同溫度下的品質(zhì)與貨架期變化,可為減少生產(chǎn)、儲(chǔ)運(yùn)過程中環(huán)境溫度變化導(dǎo)致的腐敗變質(zhì)提供參考。

2.3微生物預(yù)測模型

2.3.1 微生物生長預(yù)測模型 微生物是導(dǎo)致水產(chǎn)品腐敗的主要因素之一。水產(chǎn)品中,在微生物的生長和代謝作用下,魚體中的蛋白質(zhì)、氨基酸及其它含氮物質(zhì)被分解產(chǎn)生氨及胺類、硫化物、醇類、醛類、酮類、有機(jī)酸和其它小分子產(chǎn)物,從而使魚產(chǎn)生腐敗異味,導(dǎo)致魚體腐敗變質(zhì),所以在生產(chǎn)儲(chǔ)運(yùn)過程中期望通過控制微生物的生長來減緩水產(chǎn)品的腐敗[20]。傳統(tǒng)微生物生長的研究方法主要為平板計(jì)數(shù)法,該方法復(fù)雜費(fèi)時(shí),同時(shí)在生產(chǎn)運(yùn)輸過程中也無法實(shí)時(shí)測量微生物的生長情況,因此,可通過建立微生物動(dòng)態(tài)生長預(yù)測模型來達(dá)到預(yù)測貨架期的目的。

目前,最常用的食品微生物生長預(yù)測模型有Gompertz模型,Baranyi模型和Logistic模型[21-22]等,如表2所示,一級模型包括Mond[23]模型、修正Gompertz模型、修正Logistic模型、Baranyi模型[24]、三階段線性模型等,僅考慮微生物的生長。其中修正Gompertz模型在水產(chǎn)品腐敗菌領(lǐng)域應(yīng)用預(yù)測效果較好,可以繪制微生物生長的S型曲線[24];Baranyi模型在預(yù)測延滯期和指數(shù)生長期的基礎(chǔ)上,對實(shí)驗(yàn)數(shù)據(jù)的吻合度優(yōu)于Gompertz模型[25]。許鐘等[26]建立了冷藏羅非魚特定腐敗菌在0、5、10、15 ℃的生長動(dòng)力學(xué)Gompertz模型,可實(shí)時(shí)預(yù)測0～15 ℃貯藏羅非魚的微生物量和剩余貨架期。焦維楨等[27]建立了真空包裝鱘魚在冷藏過程中優(yōu)勢腐敗菌的Gompertz生長預(yù)測模型,為延長貨架期提供參考依據(jù)。

二級模型包括Belehradek方程、平方根模型[28]、Arrhenius模型[29]、響應(yīng)面模型等,將環(huán)境因素納入考慮。丁婷等[30]以Arrhenius方程和Belehradek方程作為二級模型對三文魚片儲(chǔ)藏過程中的微生物生長情況進(jìn)行了擬合,結(jié)果表明,基于Belehradek方程所建立的貨架期模型能更好地反映三文魚片中微生物的變化規(guī)律,預(yù)測其貨架期。

三級模型為包括一級、二級模型的專家系統(tǒng),其中涉及水產(chǎn)品的模型有如下三種。

2.3.1.1 針對特定水產(chǎn)品的模型 FISH SHELF LIFE PREDICTIONS PROGRAM-FSLP與FSLP(fish shelf life predictor)系統(tǒng)[31]。FISH SHELF LIFE PREDICTIONS PROGRAM-FSLP[16](http://www.azti.es/es/en_la_red/software-prediccion-de-vida-util/)可對養(yǎng)殖多寶魚在恒定和波動(dòng)溫度條件下的感官變化、腐敗菌生長以及時(shí)間溫度(TTI)積分器的響應(yīng)進(jìn)行預(yù)測,該預(yù)測模型是基于在養(yǎng)殖多寶魚在0～15 ℃溫度間隔內(nèi)的實(shí)驗(yàn)數(shù)據(jù)所得;以及中國水產(chǎn)科學(xué)研究院東海水產(chǎn)研究所開發(fā)的針對于羅非魚品質(zhì)控制的FSLP(fish shelf life predictor)系統(tǒng)[31]。

2.3.1.2 能夠模擬腐敗菌在魚體、食品中的生長情況的模型 FISHMAP、Baseline和GroPIN。FISHMAP(http://www.azti.es/downloads/downloads/fishmap)包含了8種腐敗菌在魚體中的生長情況,同時(shí)可選擇不同的環(huán)境因子:溫度、氣調(diào)包裝及二氧化碳的濃度,主要適用于氣調(diào)包裝的水產(chǎn)品,還包含增長擬合功能[32],考慮的環(huán)境因素包括CO2、O2以及溫度等。Baseline(www.baselineapp.com)則能夠模擬5種不同的微生物在幾種食品中的生長。GroPIN(www.aua.gr/psomas/gropin)模擬了66種微生物的生長,提供了可以預(yù)測模型的數(shù)據(jù)庫。

2.3.1.3 能夠在動(dòng)態(tài)波動(dòng)溫度條件下進(jìn)行預(yù)測的模型 Food Spoilage and Safety Predictor、Seafood Spoilage and Safety Predictor(SSSP)。Food Spoilage and Safety Predictor(http://fssp.food.dtu.dk)可預(yù)測3種病原細(xì)菌的生長,描述3種肉類和海鮮產(chǎn)品中通用的微生物,包含12種環(huán)境參數(shù),18種語言,可在動(dòng)態(tài)條件下仿真預(yù)測;Seafood Spoilage and Safety Predictor,SSSP[33](http://sssp.dtuaqua.dk)是丹麥水產(chǎn)研究學(xué)院開發(fā)的用來預(yù)測海洋食品在恒溫或溫度波動(dòng)條件下海洋食品的貨架期和特定腐敗微生物生長的軟件。

依據(jù)產(chǎn)品品質(zhì)指標(biāo)、菌數(shù)生長變化規(guī)律符合某一數(shù)學(xué)方程,選擇只考慮微生物生長的一級模型,或者選擇考慮環(huán)境影響的二級模型,通過數(shù)學(xué)模型來預(yù)測微生物的生長,通過對方程參數(shù)進(jìn)行修正,得到其品質(zhì)變化、菌數(shù)生長的方程,進(jìn)而對其貨架期進(jìn)行預(yù)測。但一級、二級模型針對非穩(wěn)定運(yùn)輸、波動(dòng)溫度儲(chǔ)藏條件下的預(yù)測難以達(dá)到理想的效果。此時(shí)可針對特定水產(chǎn)品、特定腐敗菌或者波動(dòng)溫度條件選擇相應(yīng)合適的三級模型,來解決實(shí)際問題。

2.3.2 微生物生長/非生長預(yù)測模型 微生物生長預(yù)測模型主要預(yù)測微生物的動(dòng)態(tài)生長情況,不能夠反映非生長條件下的信息,生長/非生長模型為概率模型,主要研究在不同環(huán)境下微生物生長的可能性,通過微生物在不同環(huán)境因子下的生長/非生長信息,可以調(diào)節(jié)水產(chǎn)品的環(huán)境狀況,以達(dá)到抑制微生物生長的作用。Vermeulen等[34]利用生長/非生長模型確定了7 ℃條件下,pH、水分、醋酸對李斯特菌的生長抑制情況;Vermeulen使用生長/非生長模型描述了pH、乳酸和乙酸對乳酸菌的影響,以確定食品酸化醬汁的穩(wěn)定性。Polese等[35]開發(fā)了微生物生長/非生長簡明模型[式(1)],經(jīng)檢驗(yàn)該模型適用于多種食品微生物。

式(1)

式中:Tmin、pHmin、awmin為最低允許的生長條件,TP、pHP、awP為最適生長理論值,P為生長概率。

Dang[36]建立了結(jié)合糖酵母的生長/非生長模型如式2所示,該模型能準(zhǔn)確描述在22～30 ℃條件下結(jié)合酵母的生長抑制情況;陳琛[37]利用式(2)建立了環(huán)境因子交互作用下蠟樣芽孢桿菌的生長/非生長模型,確定其生長抑制條件。

式(2)

表2 基于數(shù)學(xué)模型的預(yù)測微生物學(xué)模型統(tǒng)計(jì)(1.2級模型)Table 2 The statistical of microbiology predictive model based on mathematical methods(Primary and secondary models)

除了上述多項(xiàng)式方程外,基于三級模型預(yù)測微生物生長/非生長模型軟件有FSSP與GROPIN[32],FSSP軟件包含在不同水分活度、鹽分、CO2、有機(jī)酸、pH、煙熏、溫度條件下,乳酸菌(LAB)、單增生李斯特菌(Listeriamonocytogenes)的生長/非生長情況;GROPIN軟件則包括在不同醋酸、aw、CO2、浸漬時(shí)間、乙醇、果糖、乳酸、水分含量、NaCl、硝酸鹽、O2、pH、酚類及溫度條件下,嗜水氣單胞菌、炭疽桿菌、蠟狀芽孢桿菌、葉綠假單胞菌、肉毒桿菌、大腸桿菌O157∶H7、果糖乳桿菌(Lactobaccilusfructivorans)、單增生李斯特菌、沙門氏菌、金黃色葡萄球菌、小腸結(jié)腸炎耶爾森氏菌、接合酵母等一系列食源性微生物的生長/非生長情況。

生長/非生長模型與同樣能夠納入環(huán)境因子的二級模型相比,其優(yōu)勢在于能夠同時(shí)將水分活度、pH、鹽度、糖分、殼聚糖等多種環(huán)境因素納入考慮,并衡量多因子的交互作用,對于有潛在腐敗、污染的產(chǎn)品來說可加強(qiáng)產(chǎn)品的柵欄因子,優(yōu)化工藝條件,起到抑菌作用,延長水產(chǎn)品的貨架期,但是目前針對波動(dòng)條件下不同環(huán)境因子交互作用還有待進(jìn)一步的研究。

2.4基于人工神經(jīng)網(wǎng)絡(luò)(ANN)模型的研究

人工神經(jīng)網(wǎng)絡(luò)(ANN)是一項(xiàng)針對不穩(wěn)定情況與非公式化計(jì)算結(jié)果的信息分析技術(shù),是基于生物神經(jīng)元結(jié)構(gòu)的非線性模型,能夠處理線性和非線性回歸問題,具有學(xué)習(xí)和適應(yīng)能力,并且不需要研究系統(tǒng)或過程物理意義的顯性表述,屬于一種黑匣子模型[38]。人工神經(jīng)網(wǎng)絡(luò)(ANN)能夠解決非線性預(yù)測問題,已被應(yīng)用于食品加工過程分析,例如:感官評價(jià)、質(zhì)量控制、微生物生長預(yù)測、干燥技術(shù)等。目前神經(jīng)網(wǎng)絡(luò)算法包括:感知器神經(jīng)網(wǎng)絡(luò)、線性神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、反饋性神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)、自由競爭型神經(jīng)網(wǎng)絡(luò),其中BP神經(jīng)網(wǎng)絡(luò)應(yīng)用最廣[38]。

BP神經(jīng)網(wǎng)絡(luò)是非線性不確定性的數(shù)學(xué)模型,是一種具有連續(xù)傳遞函數(shù)的多層前饋網(wǎng)絡(luò)。在運(yùn)行過程中通過不斷修改網(wǎng)絡(luò)的權(quán)值和閾值,使得均方誤差達(dá)到最小化,最終實(shí)現(xiàn)對數(shù)據(jù)的高度擬合,該模型有輸入層、隱含層和輸出層3層結(jié)構(gòu)組成,且整個(gè)網(wǎng)絡(luò)由一個(gè)個(gè)被稱為神經(jīng)元的基本單元組成。層與層之間、神經(jīng)元與神經(jīng)元之間形成互連結(jié)構(gòu)。每一層的信息通過傳遞系數(shù)由上一層向下一層輸出。每個(gè)神經(jīng)元的權(quán)重值代表它所占傳遞信息的比重強(qiáng)度,根據(jù)輸入層和輸出層之間的誤差進(jìn)行調(diào)整,最終達(dá)到誤差最小化的目的。常用的3個(gè)傳遞函數(shù)的方程為:

式(3)

式(4)

式(5)

BP神經(jīng)網(wǎng)絡(luò)已應(yīng)用于監(jiān)控供應(yīng)鏈環(huán)境、食品安全早期預(yù)警等方面[39]。毛貽政[40]等運(yùn)用BP神經(jīng)網(wǎng)絡(luò)建立了不同檸檬酸的濃度下沙門氏菌的動(dòng)力學(xué)預(yù)測模型,并將粒子群算法(PSO)與之結(jié)合,建立了更加精確的模型。陳東清等[41]以電子鼻傳感器輸出值作為輸入,通過BP神經(jīng)網(wǎng)絡(luò)方法分別對草魚片樣品貯藏天數(shù)、TVB-N值、菌落總數(shù)進(jìn)行預(yù)測。神經(jīng)網(wǎng)絡(luò)還可以對微生物的生長進(jìn)行預(yù)測,Francisco等[42]利用進(jìn)化q-高斯徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)確定了金黃色葡萄球菌的微生物生長/非生長界面;Hajmeer等[9]將混合貝葉斯神經(jīng)網(wǎng)絡(luò)方法用于細(xì)菌生長/非生長界面的概率建模,減少了多因素復(fù)雜實(shí)驗(yàn)帶來的誤差;Hajmeer等[9]通過反向誤差傳播方法訓(xùn)練多層前饋人工神經(jīng)網(wǎng)絡(luò)模型ANN(MFANN)來預(yù)測來自不同溫度、pH、水分活度,以及NaCl和NaNO2濃度條件下釀酒酵母、志賀氏菌屬和大腸桿菌O157∶H7的生長參數(shù)。

人工神經(jīng)網(wǎng)絡(luò)包括感知器神經(jīng)網(wǎng)絡(luò)、線性神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、反饋性神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)、自由競爭型神經(jīng)網(wǎng)絡(luò)等不同計(jì)算方法,每種算法有不同的優(yōu)勢,例如基于概率神經(jīng)網(wǎng)絡(luò)(PNN)方法,該方法結(jié)合了貝葉斯條件概率定理和密度函數(shù)Parzen估計(jì)法,主要優(yōu)點(diǎn)為其作為統(tǒng)計(jì)分類器的能力不受隨機(jī)變量分布或每個(gè)類別中數(shù)據(jù)相等分散的偏離限制,能夠準(zhǔn)確分類細(xì)菌生長和非生長狀態(tài),效果優(yōu)于基于線性回歸的數(shù)學(xué)模型。針對不同的環(huán)境條件及水產(chǎn)品特性可以選擇不同神經(jīng)網(wǎng)絡(luò)算法,目前在神經(jīng)網(wǎng)絡(luò)在解決腐敗菌生長/非生長問題上如何減少假陽性率的問題上仍有待進(jìn)一步研究,以期通過將多種神經(jīng)網(wǎng)絡(luò)算法相結(jié)合依次減少誤差,達(dá)到更高精度的預(yù)測。

基于神經(jīng)網(wǎng)絡(luò)的食品貨架期預(yù)測優(yōu)勢在于不需要事先確定品質(zhì)指標(biāo)變化規(guī)律,可以減少系統(tǒng)誤差,并且神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能可以在應(yīng)用過程中不斷提高預(yù)測模型的準(zhǔn)確性,這樣的結(jié)合將會(huì)在實(shí)際應(yīng)用中取得更好的發(fā)展。

3 結(jié)論與展望

水產(chǎn)品預(yù)測模型構(gòu)成水產(chǎn)品品質(zhì)鮮度的保障。為了預(yù)測監(jiān)控制水產(chǎn)品的質(zhì)量,貨架期預(yù)測模型逐漸興起,從單一預(yù)測微生物生長一級模型,到結(jié)合生長環(huán)境進(jìn)行預(yù)測的二級模型,綜合的三級模型專家系統(tǒng)也在逐步開放應(yīng)用中,能夠在生產(chǎn)、流通環(huán)節(jié)對水產(chǎn)品的貨架期進(jìn)行預(yù)測及監(jiān)控,還有助于加強(qiáng)產(chǎn)品柵欄因子,優(yōu)化工藝條件,相較于傳統(tǒng)研究方法使用數(shù)學(xué)模型預(yù)測更加快速、便于監(jiān)控,但對于非穩(wěn)定的運(yùn)輸、波動(dòng)溫度條件可能難以達(dá)到理想效果。新興的智能化的人工神經(jīng)網(wǎng)絡(luò)模型不需要事先確定各項(xiàng)指標(biāo)變化,可以減小誤差,在自學(xué)習(xí)中不斷提高預(yù)測模型的準(zhǔn)確性,能夠預(yù)測水產(chǎn)品的鮮度和貨架期,已用于加工后的水產(chǎn)品[42],在不久將來將推廣用于生鮮及水產(chǎn)制品的貨架期預(yù)測。

目前對于水產(chǎn)品的貨架期預(yù)測監(jiān)控具有較為完善的評價(jià)體系,將預(yù)測模型與快速檢測方法、智能技術(shù)結(jié)合,能更準(zhǔn)確預(yù)測結(jié)果的準(zhǔn)確性及模型的可行性是今后研究的方向,但對于水產(chǎn)品安全性方面目前還沒有綜合完備的評價(jià)系統(tǒng),開發(fā)的水產(chǎn)食品安全指數(shù)模型將為水產(chǎn)品的評價(jià)體系提供新的思路。

[1]農(nóng)業(yè)部漁業(yè)漁政管理局. 中國漁業(yè)統(tǒng)計(jì)年鑒[M]. 北京:中國農(nóng)業(yè)出版社,2014.

[2]Chen S,Ai L,Zhang Y,et al. Molecular detection of diphyllobothrium nihonkaiense in Humans[J]. China Emerg Infect Disease,2014,20(2):315-318.

[3]田禮欽,滕臣剛. 2001-2013年蘇州市食源性疾病暴發(fā)事故流行病學(xué)分析[J]. 中國食品衛(wèi)生雜志,2015,27(6):614-619.

[4]張維蔚,李迎月,余超,等. 2013-2014年廣州市市售鮮活水產(chǎn)品化學(xué)污染狀況分析[J]. 醫(yī)學(xué)動(dòng)物防制,2015,7(31):718-721.

[5]Garcia M R,Vilas C,Herrera J R,et al. Quality and shelf-life prediction for retail fresh hake(Merlucciusmerluccius)[J]. International Journal of Food Microbiology,2015,208:65-74.

[6]Lloyd M A,Hess S J,Drake M A. Effect of nitrogen flushing and storage temperature on flavor and shelf-life of whole milk powder[J]. Journal of Dairy Science,2009,92(6):2409-2422.

[7]Ferrer J,Prats C,Lopez D,et al. Mathematical modelling methodologies in predictive food microbiology:A SWOT analysis[J]. International Journal of Food Microbiology,2009,134(1-2):2-8.

[8]Delhallel L,Daube G,Adolphe Y,et al. A review of growth models in predictive microbiology to ensure food safety[J]. Biotechnologie Agronomie Societe Et Environnement,2012,16(3):369-381.

[9]Hajmeer M N,Basheer I A. A hybrid Bayesian-neural network approach for probabilistic modeling of bacterial growth/no-growth interface[J]. International Journal of Food Microbiology,2003,82(3):233-243.

[10]吳雪麗,劉紅英,韓冬嬌. 扇貝貯藏貨架期預(yù)測模型的建立與評價(jià)[J]. 食品科學(xué),2014,35(22):315-319.

[11]Ovissipour M,Rasco B,Tang J,et al. Kinetics of quality changes in whole blue mussel(Mytilusedulis)during pasteurization[J]. Food Research International,2013,53(1):141-148.

[12]Hong H,Luo Y K,Zhu S C,et al. Establishment of quality predictive models for bighead carp(Aristichthysnobilis)fillets during storage at different temperatures[J]. International Journal of Food Science and Technology,2012,47(3):488-494.

[13]Yao L,Luo Y K,Sun Y Y,et al. Establishment of kinetic models based on electrical conductivity and freshness indictors for the forecasting of crucian carp(Carassiuscarassius)freshness[J].Journal of Food Engineering,2011,107(2):147-151.

[14]曹悅,陸利霞,熊曉輝. 食品貨架期預(yù)測新技術(shù)進(jìn)展[J].食品研究與開發(fā),2009,30(5):165-168.

[15]史波林,趙鐳,支瑞聰. 基于品質(zhì)衰變理論的食品貨架期預(yù)測模型及其應(yīng)用研究進(jìn)展[J]. 食品科學(xué),2012,33(21):345-350.

[16]勵(lì)建榮,李婷婷,丁婷. 水產(chǎn)品新鮮度綜合評價(jià)與貨架期預(yù)測模型的構(gòu)建研究進(jìn)展[J]. 食品科學(xué)技術(shù)學(xué)報(bào),2016,34(1):1-8.

[17]郭全友,王錫昌,楊憲時(shí).不同貯藏溫度下養(yǎng)殖大黃魚貨架期預(yù)測模型的構(gòu)建[J]. 農(nóng)業(yè)工程學(xué)報(bào),2012,28(10):267-273.

[18]Zhang L N,Li X,Lu W,et al. Quality predictive models of grass carp(Ctenopharyngodonidellus)at different temperatures during storage[J]. Food Control,2011,22(8):1197-1202.

[19]佟懿,謝晶. 鮮帶魚不同貯藏溫度的貨架期預(yù)測模型[J].農(nóng)業(yè)工程學(xué)報(bào),2009,25(6):301-305.

[20]羅慶華. 水產(chǎn)品特定腐敗菌研究進(jìn)展[J]. 食品科學(xué),2010,31(23):468-472.

[21]丁婷,李婷婷,勵(lì)建榮,等.冷藏三文魚片微生物生長動(dòng)力學(xué)模型適用性分析及貨架期模型的建立[J].中國食品學(xué)報(bào),2015,15(5):63-73.

[22]劉璐,邢少華,張健,等.基于Baranyi模型的波動(dòng)溫度下鮐魚微生物生長動(dòng)力學(xué)模型[J].食品科學(xué)，2015,36(5):89-92.

[23]閆軍,遇曉杰,湯巖,等.金黃色葡萄球菌在生乳中生長預(yù)測模型的建立[J].中國食品衛(wèi)生雜志,2010,22(6):502-505.

[24]朱彥祺,郭全友,李保國,等.不同溫度下腐敗希瓦氏菌(Shewanelaputrefaciens)生長動(dòng)力學(xué)模型的比較與評價(jià)[J].食品科學(xué),2016,37(13):147-152.

[25]李琳,潘子強(qiáng). 水產(chǎn)品特定腐敗菌的確定及生長模型建立研究進(jìn)展[J]. 食品研究與開發(fā),2011,32(6):152-156.

[26]許鐘,肖琳琳,楊憲時(shí). 羅非魚特定腐敗菌生長動(dòng)力學(xué)模型和貨架期預(yù)測[J]. 水產(chǎn)學(xué)報(bào),2005(4):540-546.

[27]焦維楨,陳思璐,章志超. 真空包裝冷藏鱘魚中優(yōu)勢腐敗菌的分離、鑒定及生長預(yù)測[J]. 肉類研究,2014,28(6):18-21.

[28]Chaix E,Couvert O,Guillaume C,et al. Predictive microbiology coupled with gas(O2/CO2)transfer in food/packaging systems:how to develop an efficient decision support tool for food packaging dimensioning[J]. Comprehensive Reviews in Food Science and Food Safety,2015,14(1):1-21.

[29]Fall P A,Leroi F,Chevalier F,et al. Protective Effect of a Non-Bacteriocinogenic Lactococcus piscium CNCM I-4031 Strain Against Listeria monocytogenes in Sterilized Tropical Cooked Peeled Shrimp[J]. Journal of Aquatic Food Product Technology,2010,19(2):84-92.

[30]丁婷. 三文魚新鮮度綜合評價(jià)和貨架期模型的建立[D].錦州:渤海大學(xué),2015.

[31]郭全友,朱彥祺.水產(chǎn)品微生物預(yù)測與智能化評價(jià)研究進(jìn)展[J].漁業(yè)信息與戰(zhàn)略,2016,31(1):32-37.

[32]Tenenhaus-Aziza F,Ellouze M. Software for predictive microbiology and risk assessment:A description and comparison of tools presented at the ICPMF8 Software Fair[J]. Food Microbiology,2015(45):290-299.

[33]Dalgaard P,Buch P,Silberg S. Seafood spoilage predictor-development and distribution of a product specific application software[J]. International Journal of Food Microbiology,2002(73):343-349.

[34]Vermeulen A,Gysemans K P M,Bernaerts K,et al. Influence of pH,water activity and acetic acid concentration on Listeria monocytogenes at 7 degrees C:Data collection for the development of a growth/no growth model[J]. International Journal of Food Microbiology,2007,114(3):332-341.

[35]Polese P,Del Torre M,Spaziani M,et al. A simplified approach for modelling the bacterial growth/no growth boundary[J]. Food Microbiology,2011,28(3):384-391.

[36]Dang T D T,Vermeulen A,Mertens L,et al. The importance of expressing antimicrobial agents on water basis in growth/no growth interface models:A case study forZygosaccharomycesbailii[J]. International Journal of Food Microbiology,2011,145(1):258-266.

[37]陳琛,李學(xué)英,楊憲時(shí),等. 環(huán)境因子交互作用下蠟樣芽孢桿菌生長/非生長界面模型的建立與評價(jià)[J].現(xiàn)代食品科技,2015(12):205-213.

[38]Amina M,Panagou E Z,Kodogiannis V S,et al. Wavelet neural networks for modelling high pressure inactivation kinetics of Listeria monocytogenes in UHT whole milk[J]. Chemometrics and Intelligent Laboratory Systems,2010,103(2):170-183.

[39]Xiao J,Ma Z S,Zhang D J. The Research on the BP Neural Network in the Food Security Risk Early Warning Applied Under Supply Chain Environment[J]. Second International Symposium on Knowledge Acquisition and Modeling:Kam,2009(2)：281-284.

[40]毛貽政. 魚糜制品中沙門氏菌實(shí)時(shí)熒光PCR檢測方法及其預(yù)測模型的建立[D].上海:華東理工大學(xué),2016.

[41]陳東清. 草魚片調(diào)理處理及其貯藏過程中的品質(zhì)變化研究[D].武漢:華中農(nóng)業(yè)大學(xué),2015.

[42]Fernandez-Navarro F,Hervas-Martinez C,Cruz-Ramirez M,et al. Evolutionary q-Gaussian Radial Basis Function Neural Network to determine the microbial growth/no growth interface of Staphylococcus aureus[J]. Applied Soft Computing,2011,11(3):3012-3020.

Researchprogressontheshelflifepredictmodelofaquaticproducts

ZHUYan-Qi1,LIBao-Guo1,*,GUOQuan-you2

(1.University of Shanghai for Science and Technology School of Medical Instrument and Food Engineering,Shanghai 200093,China; 2.East China Sea Fisheries Research Institute,Shanghai 200090,China)

In this paper,a comprehensive review on the prediction model of shelf life and safety evaluation model for aquatic products was included. This paper summarized the research of shelf life prediction model and artificial neural network model of aquatic products,including chemical reaction kinetics models,shelf life models based on temperature change,microbial growth prediction models and artificial neural network model in aquatic products. It was compared that the advantages of the predictive models,which can provide the technical support to the quality preservation and security technology.

aquatic products;shelf life;microbial growth prediction model;artificial neural network model

2017-03-14

朱彥祺(1993-)，女，碩士研究生，研究方向：食品科學(xué)與工程，E-mail：shzhuyanqi@163.com。

*通訊作者:李保國(1961-)，男，博士，教授，研究方向：食品和農(nóng)產(chǎn)品加工新技術(shù)(干燥、保鮮)，E-mail：lbaoguo@126.com。

TS254.1

:A

:1002-0306(2017)16-0341-07

10.13386/j.issn1002-0306.2017.16.064