基于可視嗅覺指紋技術(shù)的水產(chǎn)品新鮮度快速表征

管彬彬，陳彬

(南通市食品藥品監(jiān)督檢驗中心， 江蘇 南通，226006)

我國是水產(chǎn)生產(chǎn)和貿(mào)易大國，水產(chǎn)品味道鮮美，因其具有豐富的蛋白質(zhì)和維生素和較低的脂肪含量而深受廣大消費(fèi)者喜愛[1-2]。然而，也正是由于水產(chǎn)品水分含量高、肌肉組織脆弱、內(nèi)源蛋白酶活躍，其在貯藏過程中極易導(dǎo)致腐敗、變質(zhì)，影響其實用品質(zhì)及安全性[3-4]。在收購、運(yùn)銷、加工過程中對水產(chǎn)品的新鮮度進(jìn)行快速檢驗已成為重要的課題。目前，水產(chǎn)品新鮮度常用的檢驗方法一般分為感官檢驗、物理檢驗、化學(xué)檢驗和微生物檢驗等。但是，這些傳統(tǒng)測定方法存在著主觀性大、耗時長、操作程序復(fù)雜、需要專業(yè)的人員、對產(chǎn)品有破壞性等缺點。 因此，開發(fā)一些快速無損檢測技術(shù)，具有較大的應(yīng)用前景。在水產(chǎn)品新鮮度的感官評定中，氣味占據(jù)很高的評分權(quán)重，氣味和滋味又密切相關(guān)，散發(fā)香氣的食品通常也伴隨著好滋味[5]。色敏傳感器技術(shù)是近年來出現(xiàn)的一種氣體表征的新方法，利用傳感色敏材料與待檢測氣體發(fā)生反應(yīng)[6-7]，根據(jù)反應(yīng)前后色敏材料的顏色變化對揮發(fā)氣體進(jìn)行定性定量分析，可將食品的氣味通過圖像方式直觀的表達(dá)出來。本研究以不同儲藏階段的對蝦、小黃魚和梭子蟹為檢測對象，通過可視嗅覺指紋技術(shù)來對水產(chǎn)品的新鮮度進(jìn)行快速表征。

1 材料與方法

1.1 試驗材料

試驗所需的新鮮對蝦、小黃魚和梭子蟹均購于南通市新城菜市場，購得后放入冰袋置于保溫袋送回實驗室，保存于4 ℃冰箱。分別取第1天、第3天、第5天、第7天、第9天的水產(chǎn)品進(jìn)行可視嗅覺指紋技術(shù)圖像采集，每天取10個樣本，共5 d，魚、蝦、蟹共150個樣本。

圖1是自制的嗅覺指紋技術(shù)檢測系統(tǒng)示意圖。本裝置采用一種亮度均勻的環(huán)形線光源，和CCD相機(jī)處于同一水平面，保證圖像的照度均勻，確保每次實驗都處于同一水平。

1-電腦；2-相機(jī)；3-環(huán)形光源；4-色敏傳感器圖1 嗅覺指紋技術(shù)檢測系統(tǒng)示意圖Fig.1 Diagram of artificial olfaction system

1.2 試驗方法

1.2.1 水產(chǎn)品儲藏過程中的揮發(fā)性鹽基氮(total volatile basic nitrogen，TVBN)的測定

按照GB 5009.228—2016用半微量定氮法測定TVBN[8]。

1.2.2 基于可視嗅覺指紋技術(shù)的水產(chǎn)品儲藏過程中的新鮮度檢測

通過前期試驗和經(jīng)驗，篩選出9種色敏材料，分別為(1)5,10,15,20-Tetraphenyl-21H,23H-porphine zinc，ZnTPP；(2)通過表面活性劑輔助再沉淀法自組裝修飾的ZnTPP納米化材料N-ZnTPP-12 h(靜置12 h)；(3)溴甲酚綠；(4)N-ZnTPP-24 h；(5)中性紅；(6)甲基紅；(7)N-ZnTPP-48 h；(8)N-ZnTPP-72 h；(9)甲酚紅；其中5種為卟啉類化合物，4種為pH指示劑。將9種色敏材料用二氯甲烷溶解，質(zhì)量濃度為1 mg/mL，用點樣毛細(xì)管將其印染在PVDF膜上，在氮氣環(huán)境下待其溶劑揮發(fā)，得到可視色敏材料傳感器陣列。

利用CCD相機(jī)獲取反應(yīng)前的傳感器陣列的圖像。將對蝦、小黃魚、梭子蟹分別稱重，置于保鮮盒中，將傳感器陣列固定在保鮮盒蓋上，扣上蓋子開始計時，當(dāng)色敏傳感器陣列分別與對蝦、小黃魚、梭子蟹的揮發(fā)性氣體充分接觸10 min后，獲取反應(yīng)后的傳感器陣列圖像。利用特定軟件獲得不同儲藏天數(shù)的對蝦、小黃魚和梭子蟹的揮發(fā)性氣體與反應(yīng)差值，并進(jìn)行質(zhì)量修正。

2 結(jié)果與討論

2.1 水產(chǎn)品揮發(fā)性氣體的可視色敏材料響應(yīng)

可視嗅覺指紋技術(shù)是一種將嗅覺信息轉(zhuǎn)化為視覺信息的技術(shù)，使氣味“看得見”[9]，當(dāng)水產(chǎn)品的揮發(fā)性氣體與色敏傳感器陣列發(fā)生反應(yīng)，相機(jī)獲取反應(yīng)后的色敏傳感器圖像，處理軟件分別將反應(yīng)前后的圖像進(jìn)行濾波、二值化、形態(tài)學(xué)處理，并獲取每個色敏材料的中心(9種色敏材料共9個中心)，構(gòu)建以色敏材料中心為原點、15個像素為半徑的圓作為模板，計算每個模板的R、G、B(共3個顏色分量)均值，即得到27個特征值(R、G、B3個顏色分量×9種色敏材料)；將色敏材料反應(yīng)前后的R、G、B分量均值相減后歸一化，并將3 個分量(R、G、B)差值圖融合，即得到色敏材料與樣本的反應(yīng)差值圖。圖2是新鮮對蝦、小黃魚和梭子蟹的揮發(fā)性氣體與色敏傳感器陣列的反應(yīng)差值圖譜，從圖2中可以看出，不同的水產(chǎn)品揮發(fā)性氣體與同樣的色敏材料充分接觸后，得到不同的響應(yīng)圖譜，對蝦、小黃魚、梭子蟹的顏色變化各不相同。與傳統(tǒng)的電子鼻技術(shù)相比，該方法更加直觀、生動，而且傳統(tǒng)的電子鼻對濕度敏感，難以應(yīng)用于濕度較大的水產(chǎn)品。

a-對蝦;b-小黃魚;c-梭子蟹圖2 水產(chǎn)品揮發(fā)性氣體響應(yīng)譜圖Fig.2 Characteristic images for aquatic products

2.2 不同儲藏時間的水產(chǎn)品揮發(fā)性鹽基氮含量的測定結(jié)果

圖3是用半微量定氮法測定不同儲藏時間下水產(chǎn)品的揮發(fā)性鹽基氮(TVBN)含量。根據(jù)GB 2733—2015[10]，對蝦、梭子蟹、小黃魚的TVBN限量值分別為20、25、30 mg/100g。從圖3中可以看出，在4 ℃條件下保存5 d后，小黃魚的TVBN含量超過了30 mg/100g，將其劃分為腐敗小黃魚，不能食用；對蝦在4 ℃條件下保存3 d后，大部分樣本的TVBN含量接近20 mg/100g，處于腐敗的臨界值，即將腐??；而梭子蟹在4 ℃條件下保存3 d后，大部分樣本TVBN含量超過25 mg/100g，已腐敗。

圖3 不同儲藏時間下水產(chǎn)品揮發(fā)性鹽基氮含量Fig.3 Results of TVBN of aquatic products at different storage times

2.3 水產(chǎn)品新鮮度的主成分分析(principal component analysis，PCA)

圖4-a是對不同儲藏天數(shù)的對蝦進(jìn)行區(qū)分，由前3個主成分構(gòu)建的三維散點圖。從圖4-a中可以看出，在儲藏過程中水產(chǎn)品樣本的散點圖呈現(xiàn)一定的聚類趨勢，隨著儲藏天數(shù)的增加，樣本呈現(xiàn)一定的延伸性傳播；盡管樣本隨儲藏過程呈現(xiàn)一定的趨勢性，但是由于腐敗過程是連續(xù)的，且水產(chǎn)品的腐敗受到自身微生物含量等因素影響，具有不均勻性。因此，有一些重疊。但是對蝦在不同階段的集群趨勢還是比較明顯的。結(jié)果表明，隨著儲藏時間的增加，水產(chǎn)品樣本的揮發(fā)性氣體有了明顯的成分組成差異。圖4-b、c、d分別以20、25、30 mg/100g為臨界值，將對蝦、梭子蟹和小黃魚分成新鮮和腐敗2組的三維主成分散點圖，可以看出，新鮮的對蝦、小黃魚、梭子蟹和腐敗的對蝦、小黃魚、梭子蟹具有明顯的成分組成差異，基本能從圖中進(jìn)行新鮮度區(qū)分，少量在分界線附近的樣本有一定的重疊。

a-不同儲藏天數(shù)的對蝦;b-新鮮對蝦和腐敗對蝦;c-新鮮梭子蟹和腐敗梭子蟹；d-新鮮小黃魚和腐敗小黃魚圖4 三維主成分散點分布圖Fig.4 Classification results achieved by PCA

2.4 水產(chǎn)品新鮮度的線性判別分析(linear discriminant analysis，LDA)

按照TVBN的含量(分別以20、25、30 mg/100g為臨界值)，將對蝦、梭子蟹和小黃魚分成新鮮和腐敗2組，將樣本數(shù)均為50的對蝦、小黃魚和梭子蟹的揮發(fā)性氣體與可視色敏傳感器材料反應(yīng)的27個特征響應(yīng)值進(jìn)行LDA分析。表1是3種水產(chǎn)品的LDA模式識別結(jié)果。

表1 水產(chǎn)品儲藏過程中新鮮度的LDA判別結(jié)果Table 1 Results of LDA model to identify the freshnessof aquatic products during the storage

從表1可以看出，18只新鮮對蝦中有17只分類成功，還有1只被識別為腐敗對蝦，識別率為94.44%；32只腐敗對蝦有2只被誤判為新鮮對蝦，識別率為93.75%。20個新鮮小黃魚的識別率為95%，其中19條分類成功，另外1條被分為腐敗小黃魚組；30條腐敗小黃魚的識別率為100%。11只新鮮梭子蟹的識別率為100%， 39只腐敗梭子蟹的識別率為92.31%，有3只被誤判為新鮮梭子蟹。結(jié)果表明，新鮮組和腐敗組的識別率均在90%以上，說明該方法結(jié)合LDA模型可以較好地判別水產(chǎn)品的新鮮度。

2.5 水產(chǎn)品新鮮度的誤差反向傳播人工神經(jīng)網(wǎng)絡(luò)(back propagation artificial neural network， BP-ANN)預(yù)測結(jié)果

本研究利用可視嗅覺指紋技術(shù)結(jié)合BP-ANN模型來定量預(yù)測水產(chǎn)品儲藏過程中的新鮮度。將每種水產(chǎn)品的50個樣本隨機(jī)抽取34個樣本作為訓(xùn)練集，剩下的16個樣本作為預(yù)測集。首先將27個特征值(R、G、B3個顏色分量×9種色敏材料)進(jìn)行主成分分析，分別以前5～10個主成分的特征變量作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，相應(yīng)儲藏天數(shù)下的TVBN實測值作為輸出變量，初始權(quán)重0.3，學(xué)習(xí)速率和動量因子為0.1，訓(xùn)練迭代次數(shù)設(shè)為100次；傳遞函數(shù)為雙曲正切函數(shù)(tanh)。通過比較訓(xùn)練集及預(yù)測集相關(guān)系數(shù)R、交互驗證均方根誤差(root mean squares error of cross validation, RMSECV)和預(yù)測均方根誤差(root mean square error of prediction, PMSEP)來評價模型。

表2是5～10個主成分因子數(shù)下新鮮度的BP-ANN模型評價指標(biāo)。從表2可以看出，當(dāng)主成分因子數(shù)分別為10、5和10時，對蝦、梭子蟹和小黃魚BP-ANN模型的TVBN訓(xùn)練集和預(yù)測集與TVBN實測值的相關(guān)系數(shù)均為最高，此時模型最優(yōu)；圖5-a是選取前 10個主成分?jǐn)?shù)作為輸入變量時，不同儲藏天數(shù)下對蝦實測TVBN和BP-ANN 模型TVBN預(yù)測值的相關(guān)關(guān)系。從圖中可以看出，此時訓(xùn)練集的Rc為1，RMSECV值為0.224 9，預(yù)測集的Rp值為0.988 4，RMSEP值為4.943 4；圖5(b)是選取前5個主成分?jǐn)?shù)作為輸入變量時，不同儲藏天數(shù)下梭子蟹實測TVBN和BP-ANN 模型TVBN預(yù)測值的相關(guān)關(guān)系，從圖中可以看出，訓(xùn)練集的Rc為0.999 5，RMSECV值為0.913 7，預(yù)測集的Rp值為0.995 4，RMSEP值為2.653 3；圖5(c)是選取前5個主成分?jǐn)?shù)作為輸入變量時，不同儲藏天數(shù)下小黃魚實測TVBN和BP-ANN 模型TVBN預(yù)測值的相關(guān)關(guān)系，從圖中可以看出，訓(xùn)練集的Rc為1，RMSECV值為0.014 7，預(yù)測集的Rp值為0.983 8，RMSEP值為4.846 8。綜上可以看出，利用可視嗅覺指紋技術(shù)采集到的不同儲藏天數(shù)的水產(chǎn)品的氣味信息與理化檢測得到的TVBN含量的相關(guān)度較高。因此，該技術(shù)不僅操作簡便無損，而且結(jié)果可靠，可以作為水產(chǎn)品儲藏過程中新鮮度的檢測方法。

表2 水產(chǎn)品儲藏過程中TVBN的BP-ANN模型評價指標(biāo)Table 2 BP-ANN model results of TVBN during the storage of aquatic products

a-對蝦;b-梭子蟹;c-小黃魚圖5 TVBN實測值與BP-ANN模型預(yù)測值的相關(guān)關(guān)系Fig.5 Correlation between the measured value and the BP-ANN model prediction of TVBN

3 結(jié)論

本研究通過自制的可視嗅覺指紋技術(shù)系統(tǒng)跟蹤了不同儲藏時間下的對蝦、梭子蟹和小黃魚的揮發(fā)性氣體成分變化。通過色敏傳感器陣列對不同的水產(chǎn)品的揮發(fā)性氣體進(jìn)行了整體表征，并通過PCA分析呈現(xiàn)水產(chǎn)品儲藏過程的氣味變化趨勢，通過LDA分析分別建立了對蝦、梭子蟹和小黃魚新鮮度的識別模型，結(jié)果表明腐敗水產(chǎn)品和新鮮水產(chǎn)品的識別率均為90%以上；利用該技術(shù)結(jié)合BP-ANN模型來定量預(yù)測水產(chǎn)品的TVBN含量，該模型與半微量定氮法測定對蝦、梭子蟹和小黃魚中TVBN含量的相關(guān)系數(shù)分別為0.988 4、0.995 4、0.983 8，表明該技術(shù)可用于水產(chǎn)品新鮮度的快速表征。