引言：
雞肉因其富含較高的蛋白質含量、易于人體消化、雞肉口感好，它已經成為*受消費者歡迎的肉制品之一。在生產、運輸、銷售和儲藏過程中雞肉容易變質，吃變質的雞肉可能會引起**的健康反應和**。因此，雞肉品質和**受到了越來越多的關注。雞肉的變質是由于酶和**的作用，在腐敗過程中使蛋白質分解而產生氨以及胺類等堿性含氮等物質，這些物質可以統稱為揮發性鹽基氮（TVB-N）。因此，可用TVB-N含量判斷肉類的新鮮程度，其被認為是監測肉類質量的*重要和*常用的指標之一。另外，肉類的高水分含量有助于腐敗微生物的生長；檢測肉類中的微生物含量并及時進行測量可以有效控制微生物引起的腐敗。因此，代表微生物生長的菌落總數含量（TVC）也是控制和評估肉類質量的重要指標。本研究利用高光譜成像技術結合數據融合策略開發了雞肉TVB和TVC含量的快速、無損準確檢測方法。
樣本制備及其光譜數據提取：
該研究從廣州當地市場隨機購買了100只新鮮的雞胸脯肉，用無菌刀具從雞胸脯肉中心切下約30mm×30mm×20mm的立方體，共得到240個新鮮雞肉樣品。然后，將所有樣品均單獨放置在無菌一次性塑料盒中并貼上標簽。*后，將樣品儲藏在4℃的環境下，在儲藏的第0、2、4、6、8、10、12和14天隨機抽取了30個樣品用于高光譜圖像采集和其對應的理化值（TVB和TVC）測定。其中，利用了GaiaField-Pro-V10E型和GaiaField-Pro-N17E型高光譜相機采集了不同儲藏期雞肉樣品的高光譜圖像，使用圖像處理技術提取了雞肉樣品區域的平均光譜數據，光譜數據提取流程如圖1所示。
圖1 光譜數據提取流程
數據處理與結果分析：
1）雞肉TVB和TVC含量統計及光譜分析。在儲藏期14天內，雞肉樣品的TVB-N和TVC含量變化如圖2所示，TVB-N含量和TVC含量變化都呈現逐漸上升的趨勢。以TVB-N含量的四個不同范圍為例，分別繪制了Vis-NIR和NIR范圍的平均光譜曲線，如圖3所示。從圖中可以發現隨著雞肉樣品中TVB-N含量的增加，光譜曲線整體趨勢向下移動，表明腐敗程度較高的雞肉反射率較低。
圖2 雞肉樣本TVB-N和TVC含量的變化（儲藏期14天）
圖3 TVB-N含量不同范圍的平均光譜曲線（a：Vis-NIR，b：NIR）
2）數據融合策略。該研究采用了低級融合方法（LLF）和中級融合方法（ILF）分別對雞肉的Vis-NIR和NIR光譜范圍的數據進行了融合，數據融合過程如圖4所示。其中，低級融合方法是指對Vis-NIR和NIR范圍的光譜數據進行串行拼接；中級融合方法是指分別提取Vis-NIR和NIR范圍的特征并進行串行拼接。然后，將單數據（Vis-NIR、NIR）、LLF融合數據和ILF數據融合分別用于建立雞肉的TVB-N含量和TVC含量預測模型。
圖4 數據融合過程
3）光譜數據預處理及結果分析。由于光譜數據包含儀器和檢測條件引起的噪聲和雜散光等干擾信息，該研究利用了高斯濾波平滑（GFS）、Savitzky–Golay平滑（SGS）方法、*小二乘擬合導數系數、一階導數（FD）、二階導數（SD）和標準正態變換等七種不同預處理方法分別對Vis-NIR、NIR和LLF的全光譜數據進行了預處理并建立了PLSR模型。根據校正集、交叉驗證集和測試集的決定系數（RC2、RCV2和RP2）、以及均方根誤差（RMSEC、RMSECV和RMSEP）分別確定了Vis-NIR、NIR和LLF光譜數據對TVB-N含量的*佳預處理方法為SNV、SD和SD，TVC含量的*佳預處理方法為Nor、GFS和NOR；并使用*佳預處理方法進行后續的研究。
4）單數塊（Vis-NIR、NIR）建立的PLSR模型分析。該研究使用了連續投影算法（SPA）、競爭性自適應加權算法（CARS）、隨機森林（RF）、遺傳算法（GA）和變量組合集群分析法聯合遺傳算法（VCPA-GA）五種特征提取方法分別提取了Vis-NIR、NIR光譜范圍的特征波長，并建立PLSR模型預測雞肉的TVB-N含量和TVC含量，建模結果如表1所示。對于雞肉的TVB-N含量預測而言，使用GA方法提取NIR光譜范圍內的87個特征波長建立的模型預測TVB-N含量精度*高，其RP2和RMESP分別為0.8346，2.8910，這與全光譜建模的結果相似，而與256個全光譜波長相比，波長數量減少了近66.02%。對于雞肉的TVC含量預測而言，使用CARS方法提取NIR光譜范圍內的86個特征波長建立的模型預測TVB-N含量精度*高，其RP2和RMESP分別為0.9143，0.1976，這與全光譜建模的結果相似，而與256個全光譜波長相比，波長數量減少了近66.40%。總的來說，盡管特征波長提取方法沒有顯著改善模型的預測性能，但它顯著減少了波長的數量，這是非常有意義的。
表1 單數據（Vis-NIR、NIR）的PLSR模型比較
5）融合數據（LLF、ILF）建立的PLSR模型分析。融合數據（LLF、ILF）建模結果如表2所示，在LLF低級融合策略中對于雞肉的TVB-N含量預測而言，使用VCPA-GA方法提取的34個特征波長建立的模型預測TVB-N含量精度*高，其RP2和RMESP分別為0.8514，2.7397。對于雞肉的TVC含量預測而言，使用CARS方法提取的116個特征波長建立的模型預測TVC含量精度*高，其RP2和RMESP分別為0.9275，0.1889。在ILF中級融合策略中對于雞肉的TVB-N含量預測而言，使用VCPA-GA方法提取的88個特征波長建立的模型預測TVB-N含量精度*高，其RP2和RMESP分別為0.8653，2.6094。對于雞肉的TVC含量預測而言，使用GA方法提取的100個特征波長建立的模型預測TVC含量精度*高，其RP2和RMESP分別為0.9176，0.1998。總之可以得出結論，使用融合數據（LLF、ILF）建立的PLSR模型都優于單數塊（Vis-NIR、NIR）的預測精度。其中，使用中級融合數據（VCPA-GA方法）建立的PLSR模型預測TVB-N含量精度*佳；使用低級融合數據（CARS方法）建立的PLSR模型預測TVC含量精度*佳。
表2 融合數據（LLF、ILF）的PLSR模型比較
6）雞肉TVB-N含量和TVC含量可視化。該研究利用*佳模型構建TVB-N含量和TVC含量的可視化分布圖。四種不同TVB-N含量的雞肉樣品的可視化分布圖如圖5上半部分所示。同時，圖5的下半部分顯示了四種不同TVC含量的雞肉樣品的可視化分布圖。從圖中可以直��地看到雞肉的TVB-N含量和TVC含量變化。TVB-N含量從圖5a~5d逐漸增加，可視化分布圖的紅色*域也逐漸增加；TVC含量的變化也具有類似趨勢，如圖5e~5h所示。總的來說，以可視化分布圖的形式表示雞肉的質量指標有助于企業更準確地分割雞肉，并讓消費者更快速的地了解雞肉質量，這是高光譜成像技術相對于其他無損檢測技技術的*大優勢。
圖5 TVB-N和TVC含量從低到高的可視化和分布圖
論文摘自SCI一區文章：Xiaoxin Li, Mingrui Cai, Mengshuang Li, et al. Combining Vis-NIR and NIR hyperspectral imaging techniques with a data fusion strategy for the rapid qualitative evaluation of multiple qualities in chicken [J], Food Control, Volume 145(2023):109416.https://doi.org/10.1016/j.foodcont.2022.109416.
