安徽
近日，合肥工業大學食品與生物工程學院陸劍鋒教授團隊與上海海洋大學水產與生命學院王成輝教授聯合在中科院1區Top期刊Food Chemistry（IF：9.8）上發表題為“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大學食品與生物工程學院博士生韓青莉）。
圖形摘要（ Graphical Abstract ）
中華絨螯蟹（Eriocheir sinensis）作為我國重要的特色水產品，因其風味獨特和營養豐富在消費市場廣受青睞。但在商業流通中常因“死蟹不可食”的觀念導致資源浪費。已有研究表明，在適宜條件下死亡螃蟹仍具食用價值，因此亟需對其死亡后的品質變化進行系統監測，以兼顧食品安全與資源利用。生物胺（BAs）是評價水產品鮮度與腐敗的重要指標，但現有色譜、熒光及酶學方法耗時、破壞性強且操作繁瑣，難以滿足快速、現場化檢測需求。相比之下，近紅外光譜（NIR）具有快速、無損和環保優勢，能夠捕捉與蛋白質降解及代謝物積累相關的信息，但其數據特征復雜，傳統算法難以充分解析。在此背景下，深度學習（deep learning）憑借端到端（end-to-end）特征提取和強大的模式識別能力，已在多領域展現出優越性能。
基于此，本研究提出了一種結合近紅外光譜與深度學習的無損檢測方法，用于實現中華絨螯蟹肌肉中生物胺的快速預測與品質分級，為螃蟹新鮮度的智能化評價提供理論依據和技術支撐。研究結果表明，在中華絨螯蟹肌肉中共檢測出6種生物胺，其中腐胺和尸胺在冷藏過程中顯著增加，與腐敗進程密切相關。深度學習模型CNN-LSTM-SE對腐胺、尸胺、組胺、色胺的預測性能優異，R2值均高于0.84且RMSE小于2.0。根據質量指數，中華絨螯蟹被分為新鮮（fresh）、可接受（acceptable）和變質（spoiled）三個質量等級，且螃蟹死后在8±1℃下貯存超過24 h被認為由于過度腐敗而不適合食用。CNN-LSTM-SE模型對變質蟹的識別準確率達到了100%，明顯優于CNN、LSTM和傳統機器學習模型。這項研究證明了近紅外光譜和深度學習在評估中華絨螯蟹新鮮度方面的潛力，為水產品的智能監測提供了寶貴的工具。未來的工作將側重于提高模型的可解釋性和泛化性，實現可移植和實時部署，并將其應用擴展到其他物種和腐敗相關化合物，以智能監測海產品質量和安全。
原文圖表賞析：
圖 1 . 不同時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。藍點和紅點分別代表訓練集和測試集數據（A-F）。不同字母（a-h）表示組間差異有統計學意義（p < 0.05）（A-G）。
圖2. 基于CNN-LSTM-SE模型的BAs預測值與實測值散點圖。
圖3. 深度學習與傳統機器學習模型在BAs預測性能上的比較。
圖4. 深度學習與傳統機器學習模型在螃蟹品質等級分類性能上的比較。
合肥工業大學陸劍鋒教授團隊長期致力于水產動物營養、水產品加工、貯藏保鮮與副產物高值化利用研究，本次研究成果為大閘蟹新鮮度及品質無損檢測提供了重要技術保障，也為今后其他水產品品質智能化質量監測的發展拓展了新思路。該研究獲得國家現代農業（蝦蟹）產業技術體系（CARS-48）、安徽省現代農業（水產）產業技術體系（AARS-08）以及國家重點研發計劃（2023YFD2401500）等項目資金的資助。
原文鏈接：https://doi.org/10.1016/j.foodchem.2025.146354
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
