汕尾市晨洲生蠔品質(zhì)分析與檢測模型的建立與優(yōu)化

摘 要：晨洲生蠔是廣東省汕尾市重要的水產(chǎn)品品牌，其品質(zhì)直接關(guān)系到市場競爭力和消費(fèi)者健康。建立科學(xué)、高效的品質(zhì)檢測模型對于提升生蠔養(yǎng)殖水平和保障食品安全具有重要意義。本研究通過整合多種檢測技術(shù)，構(gòu)建了一套綜合評價體系，包括感官指標(biāo)、理化指標(biāo)和微生物指標(biāo)，并利用機(jī)器學(xué)習(xí)算法（神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林）優(yōu)化了檢測模型。實(shí)驗(yàn)結(jié)果表明，優(yōu)化后的模型在準(zhǔn)確性、穩(wěn)定性和效率方面均有顯著提升，總體準(zhǔn)確率達(dá)到94.2%，每樣本推理時間為0.08 s；在實(shí)際樣品檢測中，模型準(zhǔn)確率和分級效率均優(yōu)于人工，為晨洲生蠔的品質(zhì)管理提供了有力的技術(shù)支持。

關(guān)鍵詞：晨洲生蠔；品質(zhì)分析；檢測模型；機(jī)器學(xué)習(xí)；模型優(yōu)化

Abstract： Chenzhou Oysters are an important aquatic product in the Shanwei city， Guangdong province， and their quality is directly related to market competitiveness and consumer health. Establishing a scientific and efficient quality testing model is of great significance for improving oysters farming level and ensuring food safety. This study integrates a variety of testing technologies， builds a comprehensive evaluation system， including sensory indicators， physical and chemical indicators and microbial indicators， and uses machine learning algorithm （neural networks， support vector machines， and random forests） to optimize the testing model. The experimental results show that the optimized model has significantly improved in accuracy， stability and efficiency， the overall accuracy reached 94.2%， and the reasoning time per sample was 0.08 s. In the actual sample detection， the accuracy and grading efficiency of the model were better than those of manual work， which provides strong technical support for the quality management of Chenzhou Oysters.

Keywords： Chenzhou Oysters; quality analysis; detection model; machine learning; model optimization

晨洲生蠔作為廣東省重要的特色水產(chǎn)品，在當(dāng)?shù)亟?jīng)濟(jì)發(fā)展中占據(jù)重要地位。然而，生蠔的品質(zhì)受到多種因素的影響，如養(yǎng)殖環(huán)境、餌料品質(zhì)、收獲時間等，給品質(zhì)管理帶來了挑戰(zhàn)。傳統(tǒng)的檢測方法往往依賴于人工經(jīng)驗(yàn)，存在主觀性強(qiáng)、效率低下等問題。因此，建立一套科學(xué)、客觀、高效的品質(zhì)分析與檢測模型成為亟待解決的問題。

1 生蠔品質(zhì)指標(biāo)的確定與量化

本研究以傳統(tǒng)檢測方式獲得的數(shù)據(jù)為基準(zhǔn)，開發(fā)快速評價方法，提高檢測效率。

1.1 感官指標(biāo)的選擇與評分標(biāo)準(zhǔn)

本研究選擇外觀、氣味、口感和肉質(zhì)作為主要感官指標(biāo)。外觀評估殼體完整度、顏色和光澤；氣味評估鮮甜度和異味；口感評估鮮嫩度、多汁性和咀嚼感；肉質(zhì)評估肉體飽滿度和質(zhì)地均勻性。采用5分制評分標(biāo)準(zhǔn)，1分最差，5分最佳。為減少主觀性，組建專業(yè)評估小組，包括養(yǎng)殖戶、質(zhì)檢員和烹飪專家[1]。通過多輪培訓(xùn)和標(biāo)準(zhǔn)化操作確保評分一致性。引入圖像分析技術(shù)輔助外觀評估，提高客觀性[2]。

1.2 理化指標(biāo)的篩選與測定方法

研究篩選了蛋白質(zhì)、脂肪、糖原、水分含量、pH值和重金屬含量等指標(biāo)。①蛋白質(zhì)用凱氏定氮法，脂肪用索氏提取法，糖原用蒽酮比色法，水分用烘干法，pH值用pH計直接測量，重金屬用原子吸收分光光度法。每個樣品3次重復(fù)測定取平均值，建立標(biāo)準(zhǔn)曲線并定期校準(zhǔn)儀器確保精度。②引入近紅外光譜技術(shù)實(shí)現(xiàn)部分指標(biāo)快速無損測定，提高檢測效率[3]。

1.3 微生物指標(biāo)的確定與檢測技術(shù)

確定菌落總數(shù)、大腸菌群、沙門氏菌和副溶血性弧菌為主要微生物指標(biāo)。①菌落總數(shù)用平板計數(shù)法，大腸菌群用最大或然數(shù)法，沙門氏菌采用增菌—分離—生化鑒定方法，副溶血性弧菌用TCBS瓊脂培養(yǎng)基分離培養(yǎng)。②引入實(shí)時熒光定量聚合酶鏈反應(yīng)技術(shù)（Quantitative Real-time Polymerase Chain Reaction，qPCR）快速檢測特定病原菌，開發(fā)微生物快速檢測卡實(shí)現(xiàn)現(xiàn)場快速篩查，為大規(guī)模樣品檢測提供便捷方法[4]。

2 多源數(shù)據(jù)采集與預(yù)處理

2.1 圖像采集與處理技術(shù)

本研究使用FLIR Blackfly S BFS-U3-51S5C-C高分辨率工業(yè)相機(jī)采集生蠔圖像，分辨率為2 448×2 048像素。標(biāo)準(zhǔn)D65光源提供照明，色溫6 504 K，顯色指數(shù)Ra=98。研究團(tuán)隊(duì)為每個樣本拍攝3張圖片：俯視、側(cè)視和開殼后的肉質(zhì)圖。圖像預(yù)處理包括使用5×5核的中值濾波去除噪點(diǎn)，應(yīng)用對比度受限的自適應(yīng)直方圖均衡化（Contrast-Limited Adaptive Histogram Equalization，CLAHE）算法增強(qiáng)對比度，通過Otsu閾值法分割生蠔輪廓。特征提取涉及面積、周長、圓度和灰度共生矩陣（Grey-Level Co-occurrence Matrix，GLCM）紋理特征[5]。最終生成28維圖像特征向量，特征提取準(zhǔn)確率達(dá)98.5%，每樣本處理用時0.3 s。

2.2 光譜數(shù)據(jù)獲取與分析

研究采用Ocean Insight NIRQuest+2.5便攜式近紅外光譜儀采集生蠔肉質(zhì)光譜，波長范圍900～2 500 nm，分辨率6.3 nm。每個樣本在5個不同位置測量，每位置積分時間1 s，重復(fù)掃描32次。數(shù)據(jù)處理運(yùn)用Savitzky-Golay濾波器去除基線漂移和噪聲，標(biāo)準(zhǔn)正態(tài)變量法消除散射效應(yīng)。連續(xù)小波變換識別出4個關(guān)鍵波長，連續(xù)小波變換識別出4個關(guān)鍵波長：980 nm對應(yīng)水分含量，1 780 nm對應(yīng)脂肪含量，1 450 nm對應(yīng)蛋白質(zhì)含量，2 100 nm對應(yīng)糖原含量?；谶@些近紅外光譜數(shù)據(jù)，使用偏最小二乘法建立預(yù)測模型。該模型經(jīng)傳統(tǒng)理化分析方法驗(yàn)證后顯示高精度，各成分的R2值均超過0.95。

2.3 理化指標(biāo)數(shù)據(jù)的標(biāo)準(zhǔn)化處理

團(tuán)隊(duì)收集了6個關(guān)鍵理化指標(biāo)，包括蛋白質(zhì)、脂肪、糖原、水分含量、pH值和重金屬含量。這些指標(biāo)使用傳統(tǒng)實(shí)驗(yàn)室方法進(jìn)行測定，每個樣本重復(fù)測量3次。數(shù)據(jù)標(biāo)準(zhǔn)化過程包括3σ原則剔除異常值，K近鄰插補(bǔ)法填充缺失值，Z-score方法進(jìn)行標(biāo)準(zhǔn)化。Pearson相關(guān)分析發(fā)現(xiàn)pH值與水分含量存在一定相關(guān)性。最終得到6維標(biāo)準(zhǔn)化理化指標(biāo)向量，數(shù)據(jù)分布涵蓋了生蠔各項(xiàng)理化指標(biāo)的典型范圍。標(biāo)準(zhǔn)化后的數(shù)據(jù)集表現(xiàn)出接近正態(tài)分布的特征，為后續(xù)模型構(gòu)建奠定了基礎(chǔ)。表1概述了理化指標(biāo)數(shù)據(jù)的分布范圍和標(biāo)準(zhǔn)化后的特征。

3 品質(zhì)檢測模型的構(gòu)建

3.1 基于人工神經(jīng)網(wǎng)絡(luò)的模型設(shè)計

研究設(shè)計了一個多層感知機(jī)（Multi-Layer Perceptron，MLP）神經(jīng)網(wǎng)絡(luò)模型，輸入層44個節(jié)點(diǎn)，3個隱藏層（64-32-16節(jié)點(diǎn)）使用ReLU激活；輸出層5個節(jié)點(diǎn)使用Softmax激活。模型采用Adam優(yōu)化器，學(xué)習(xí)率0.001，批量大小32。應(yīng)用脫落法（0.3）和L2正則化（0.01）防止過擬合。1 000個樣本訓(xùn)練50輪后，模型在200個測試樣本上準(zhǔn)確率達(dá)92.5%?；煜仃囷@示對中等品質(zhì)生蠔識別最準(zhǔn)（95.3%），對最高品質(zhì)生蠔識別能力較弱（89.7%）?？梢暬治霭l(fā)現(xiàn)，模型主要依賴1 780 nm（脂肪含量）和2 100 nm（糖原含量）光譜波段及圖像紋理特征[6]。表2總結(jié)了神經(jīng)網(wǎng)絡(luò)模型的主要參數(shù)和性能指標(biāo)。

3.2 支持向量機(jī)在品質(zhì)分類中的應(yīng)用

支持向量機(jī)（Support Vector Machine，SVM）模型采用徑向基函數(shù)核（Radial Basis Function，RBF）核函數(shù)，通過網(wǎng)格搜索確定參數(shù)C=10，γ=0.01。使用一對一策略構(gòu)建10個二類分類器。遞歸特征消除算法從44個特征中選出25個。800個樣本訓(xùn)練，200個樣本測試，準(zhǔn)確率91.5%，宏平均F1得分0.908。SVM在最高品質(zhì)（精確率96.2%，召回率93.5%）和最低品質(zhì)（精確率94.8%，召回率95.6%）生蠔識別中表現(xiàn)優(yōu)異，中等品質(zhì)較弱（精確率88.9%，召回率90.4%）。2 100 nm波段（糖原含量）和1 450 nm波段（蛋白質(zhì)含量）對分類貢獻(xiàn)最大。

3.3 隨機(jī)森林算法在特征選擇中的運(yùn)用

隨機(jī)森林模型包含100棵決策樹，最大深度8，最小葉節(jié)點(diǎn)樣本數(shù)5，使用基尼不純度分裂。采用自助采樣，每棵樹使用特征總數(shù)平方根個特征。特征選擇用平均不純度減少法。前10個重要特征包括4個光譜數(shù)據(jù)，3個圖像特征，3個理化指標(biāo)。10特征模型在500個樣本上準(zhǔn)確率達(dá)90.8%，比44特征模型（92.6%）略低，但推理速度提高58%。部分依賴圖顯示2 100 nm波段（糖原含量）和GLCM對比度對準(zhǔn)確率影響最大。

4 模型性能評估與優(yōu)化

4.1 模型準(zhǔn)確性、穩(wěn)定性和效率的評估指標(biāo)

本研究使用多項(xiàng)指標(biāo)評估模型性能，結(jié)果見表3。在1 000個測試樣本上，神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)和隨機(jī)森林分別達(dá)到92.5%、91.5%、90.8%的總體準(zhǔn)確率。各模型的宏平均F1分?jǐn)?shù)分別為0.923、0.908和0.901。穩(wěn)定性評估以10次重復(fù)實(shí)驗(yàn)的標(biāo)準(zhǔn)差為指標(biāo)，神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)最穩(wěn)定，準(zhǔn)確率標(biāo)準(zhǔn)差為±0.8%。效率評估中，神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)、隨機(jī)森林的訓(xùn)練時間分別為15 min、8 min和12 min，每樣本平均推理時間均不超過0.05 s。綜合考慮，神經(jīng)網(wǎng)絡(luò)模型在準(zhǔn)確性和穩(wěn)定性上表現(xiàn)最佳，但效率略低。

4.2 交叉驗(yàn)證與模型參數(shù)調(diào)優(yōu)

采用5折交叉驗(yàn)證進(jìn)行參數(shù)調(diào)優(yōu)。神經(jīng)網(wǎng)絡(luò)模型最優(yōu)配置為3個隱藏層（64-32-16節(jié)點(diǎn)），學(xué)習(xí)率0.001，L2正則化系數(shù)0.01，交叉驗(yàn)證平均準(zhǔn)確率達(dá)91.8%±0.9%。支持向量機(jī)模型使用RBF核，C=8.5，γ=0.015，準(zhǔn)確率為90.6%±1.1%。隨機(jī)森林模型最佳參數(shù)為100棵樹，最大深度8，準(zhǔn)確率89.9%±1.3%。調(diào)優(yōu)過程中，神經(jīng)網(wǎng)絡(luò)對學(xué)習(xí)率最敏感，支持向量機(jī)對C值變化響應(yīng)最大，隨機(jī)森林則對樹的數(shù)量和深度均較為敏感[7]。參數(shù)優(yōu)化顯著提升了各模型性能，特別是處理邊界案例時的準(zhǔn)確性。表4展示了各模型的最優(yōu)參數(shù)和交叉驗(yàn)證結(jié)果。

4.3 集成學(xué)習(xí)方法的引入與效果分析

引入軟投票策略的集成學(xué)習(xí)方法，結(jié)合3個基模型。模型權(quán)重為神經(jīng)網(wǎng)絡(luò)0.5，支持向量機(jī)0.3，隨機(jī)森林0.2。如表5所示，在1 000個測試樣本上，集成模型準(zhǔn)確率達(dá)94.2%，比單一最佳模型提升1.7個百分點(diǎn)。集成模型在識別最高和最低品質(zhì)生蠔時優(yōu)勢明顯，準(zhǔn)確率分別為97.1%和96.8%?；煜仃嚪治鲲@示，集成模型減少了相鄰品質(zhì)等級間的誤分類，中等品質(zhì)類別準(zhǔn)確率從90.50%提升到93.70%。然而，集成模型每樣本推理時間增加到0.08 s?？傮w而言，集成學(xué)習(xí)方法有效結(jié)合了各模型優(yōu)勢，顯著提升了分類性能，尤其在處理復(fù)雜樣本時表現(xiàn)出色。

5 檢測模型的實(shí)際應(yīng)用與驗(yàn)證

5.1 不同養(yǎng)殖區(qū)域生蠔品質(zhì)的比較分析

本研究在廣東省汕尾市3個主要養(yǎng)殖區(qū)（分別編號A、B、C）應(yīng)用集成模型評估生蠔品質(zhì)，每區(qū)采集500個樣本。結(jié)果顯示，A區(qū)高品質(zhì)（4～5級）比例最高，達(dá)62.4%；B區(qū)中等品質(zhì)（3級）占主導(dǎo)，占比53.7%；C區(qū)低品質(zhì)（1～2級）比例較高，為41.2%。模型對A區(qū)樣本分類準(zhǔn)確率最高（95.8%），C區(qū)最低（92.1%）。主成分分析發(fā)現(xiàn)，水質(zhì)參數(shù)和餌料豐度是影響品質(zhì)的主要因素。A區(qū)溶解氧平均值（6.8 mg·L-1）和浮游植物密度（3.2×104 cells/L）顯著高于其他區(qū)域。模型成功識別出由于局部污染導(dǎo)致的品質(zhì)異常，為養(yǎng)殖管理提供了有力支持。

5.2 季節(jié)性因素對模型性能的影響評估

為評估季節(jié)性影響，在春、夏、秋、冬各采集1 000個樣本進(jìn)行測試。模型在冬季表現(xiàn)最佳，準(zhǔn)確率達(dá)96.3%；夏季最低，為91.7%。通過方差分析，發(fā)現(xiàn)光譜特征受季節(jié)影響最大（F=28.6，p＜0.001），尤其是與脂肪含量相關(guān)的1 780 nm波段。夏季樣本脂肪含量均值（1.8%）顯著低于冬季（2.7%），導(dǎo)致模型判別準(zhǔn)確率下降。為適應(yīng)季節(jié)變化，采用季節(jié)性微調(diào)策略：每季使用200個新樣本更新模型，將夏季準(zhǔn)確率提升至94.2%；引入溫度作為輔助特征，進(jìn)一步提高模型的季節(jié)適應(yīng)性，四季平均準(zhǔn)確率達(dá)到95.1%±1.2%。

5.3 模型在生蠔品質(zhì)分級中的應(yīng)用效果

在汕尾市某大型水產(chǎn)品加工廠實(shí)施為期1個月的實(shí)地測試，共處理50 000個生蠔樣本。模型集成了傳送帶上的實(shí)時圖像采集系統(tǒng)和便攜式近紅外光譜儀，平均處理速度達(dá)到3個/s。與人工分級相比，模型分級效率提高了300%，一致性（Cohen’s Kappa系數(shù)）達(dá)0.89。在最高品質(zhì)（5級）和最低品質(zhì)（1級）的識別中，模型準(zhǔn)確率分別為98.2%和97.5%，優(yōu)于人工分級（95.7%和94.8%）。經(jīng)濟(jì)效益分析顯示，采用模型分級后，高品質(zhì)生蠔（4～5級）的識別率提升5.8%，帶來約15%的額外收益。此外，模型成功檢測出2.3%的不合格樣本（主要是微生物指標(biāo)超標(biāo)），確保了食品安全。

6 結(jié)論

通過對晨洲生蠔品質(zhì)分析與檢測模型的建立與優(yōu)化，成功構(gòu)建了一套綜合評價體系。該模型整合了多種先進(jìn)的檢測技術(shù)和機(jī)器學(xué)習(xí)算法，在準(zhǔn)確性、穩(wěn)定性和效率方面均取得了顯著提升。實(shí)際應(yīng)用驗(yàn)證表明，優(yōu)化后的模型能夠有效識別不同品質(zhì)等級的生蠔，為生產(chǎn)管理和市場監(jiān)管提供了可靠的技術(shù)支持。未來研究可進(jìn)一步探索模型的泛化能力，以適應(yīng)更廣泛的應(yīng)用場景。

參考文獻(xiàn)

[1]賀興禹.牡蠣超高壓開殼處理技術(shù)及其對品質(zhì)的影響研究[D].湛江：廣東海洋大學(xué)，2023.

[2]鄒亞琪.基于數(shù)字圖像處理的食品成分識別與分析[D].武漢：武漢輕工大學(xué)，2022.

[3]鄧杰，常向陽，林恒宗，等.紅外心率測定技術(shù)在香港牡蠣?；钸\(yùn)輸過程中的應(yīng)用[J].漁業(yè)現(xiàn)代化，2024，51（2）：93-101.

[4]王迪.PCR技術(shù)在食品微生物檢測中的應(yīng)用研究[J].食品安全導(dǎo)刊，2024（13）：187-189.

[5]陳林昀，李汴生，阮征，等.短期凈養(yǎng)系統(tǒng)對帶殼牡蠣品質(zhì)的改善作用[J].肉類研究，2023，37（2）：32-39.

[6]陳慧斌，王梅英，黃鷺強(qiáng)，等.牡蠣高品質(zhì)加工關(guān)鍵技術(shù)的創(chuàng)新與應(yīng)用[EB/OL].（2021-11-12）[2024-07-26]. https：//kns.cnki.net/kcms2/article/abstract？v=01ddXewXOSA-2hlBAbZ57A_fO8ANB0e-kxv-Ww3d4wpQdcYo7N6EhpnZsgsx9-BZ1J75ETWdmrOc0GCEo2Cgf6ziYDcW4ePmkL-FycEiTuW0sMyTqsbtZQjBGy1P3uk5VGHmnBUhhloCclJx-960R1Aedme01yMaTuJBRo6HT6Com4-m-YekGEOB96tGXUf4amp;uniplatform=NZKPTamp;language=CHS.

[7]趙瀾鍇.基于機(jī)器視覺的牡蠣分級設(shè)備研究[D].大連：大連海洋大學(xué)，2024.

作者簡介：鐘婷婷（1996—），女，廣東汕尾人，本科，工程師。研究方向：食品檢驗(yàn)。

通信作者：楊嘉滿（1988—），男，廣東汕尾人，本科，工程師。研究方向：食品檢驗(yàn)檢測。E-mail： 18344287632@163.com。