基于可視嗅覺指紋技術的水產品新鮮度快速表征

管彬彬，陳彬

(南通市食品藥品監督檢驗中心， 江蘇 南通，226006)

我國是水產生產和貿易大國，水產品味道鮮美，因其具有豐富的蛋白質和維生素和較低的脂肪含量而深受廣大消費者喜愛[1-2]。然而，也正是由于水產品水分含量高、肌肉組織脆弱、內源蛋白酶活躍，其在貯藏過程中極易導致腐敗、變質，影響其實用品質及安全性[3-4]。在收購、運銷、加工過程中對水產品的新鮮度進行快速檢驗已成為重要的課題。目前，水產品新鮮度常用的檢驗方法一般分為感官檢驗、物理檢驗、化學檢驗和微生物檢驗等。但是，這些傳統測定方法存在著主觀性大、耗時長、操作程序復雜、需要專業的人員、對產品有破壞性等缺點。 因此，開發一些快速無損檢測技術，具有較大的應用前景。在水產品新鮮度的感官評定中，氣味占據很高的評分權重，氣味和滋味又密切相關，散發香氣的食品通常也伴隨著好滋味[5]。色敏傳感器技術是近年來出現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生反應[6-7]，根據反應前后色敏材料的顏色變化對揮發氣體進行定性定量分析，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來對水產品的新鮮度進行快速表征。

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天的水產品進行可視嗅覺指紋技術圖像采集，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檢測系統示意圖。本裝置采用一種亮度均勻的環形線光源，和CCD相機處于同一水平面，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；3-環形光源；4-色敏傳感器圖1 嗅覺指紋技術檢測系統示意圖Fig.1 Diagram of artificial olfaction system

1.2 試驗方法

1.2.1 水產品儲藏過程中的揮發性鹽基氮(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的水產品儲藏過程中的新鮮度檢測

通過前期試驗和經驗，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，質量濃度為1 mg/mL，用點樣毛細管將其印染在PVDF膜上，在氮氣環境下待其溶劑揮發，得到可視色敏材料傳感器陣列。

利用CCD相機獲取反應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，當色敏傳感器陣列分別與對蝦、小黃魚、梭子蟹的揮發性氣體充分接觸10 min后，獲取反應后的傳感器陣列圖像。利用特定軟件獲得不同儲藏天數的對蝦、小黃魚和梭子蟹的揮發性氣體與反應差值，并進行質量修正。

2 結果與討論

2.1 水產品揮發性氣體的可視色敏材料響應

可視嗅覺指紋技術是一種將嗅覺信息轉化為視覺信息的技術，使氣味“看得見”[9]，當水產品的揮發性氣體與色敏傳感器陣列發生反應，相機獲取反應后的色敏傳感器圖像，處理軟件分別將反應前后的圖像進行濾波、二值化、形態學處理，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差值圖。圖2是新鮮對蝦、小黃魚和梭子蟹的揮發性氣體與色敏傳感器陣列的反應差值圖譜，從圖2中可以看出，不同的水產品揮發性氣體與同樣的色敏材料充分接觸后，得到不同的響應圖譜，對蝦、小黃魚、梭子蟹的顏色變化各不相同。與傳統的電子鼻技術相比，該方法更加直觀、生動，而且傳統的電子鼻對濕度敏感，難以應用于濕度較大的水產品。

a-對蝦;b-小黃魚;c-梭子蟹圖2 水產品揮發性氣體響應譜圖Fig.2 Characteristic images for aquatic products

2.2 不同儲藏時間的水產品揮發性鹽基氮含量的測定結果

圖3是用半微量定氮法測定不同儲藏時間下水產品的揮發性鹽基氮(TVBN)含量。根據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，即將腐敗；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品揮發性鹽基氮含量Fig.3 Results of TVBN of aquatic products at different storage times

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

圖4-a是對不同儲藏天數的對蝦進行區分，由前3個主成分構建的三維散點圖。從圖4-a中可以看出，在儲藏過程中水產品樣本的散點圖呈現一定的聚類趨勢，隨著儲藏天數的增加，樣本呈現一定的延伸性傳播；盡管樣本隨儲藏過程呈現一定的趨勢性，但是由于腐敗過程是連續的，且水產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。結果表明，隨著儲藏時間的增加，水產品樣本的揮發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，基本能從圖中進行新鮮度區分，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，將樣本數均為50的對蝦、小黃魚和梭子蟹的揮發性氣體與可視色敏傳感器材料反應的27個特征響應值進行LDA分析。表1是3種水產品的LDA模式識別結果。

表1 水產品儲藏過程中新鮮度的LDA判別結果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，說明該方法結合LDA模型可以較好地判別水產品的新鮮度。

2.5 水產品新鮮度的誤差反向傳播人工神經網絡(back propagation artificial neural network， BP-ANN)預測結果

本研究利用可視嗅覺指紋技術結合BP-ANN模型來定量預測水產品儲藏過程中的新鮮度。將每種水產品的50個樣本隨機抽取34個樣本作為訓練集，剩下的16個樣本作為預測集。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神經網絡的輸入變量，相應儲藏天數下的TVBN實測值作為輸出變量，初始權重0.3，學習速率和動量因子為0.1，訓練迭代次數設為100次；傳遞函數為雙曲正切函數(tanh)。通過比較訓練集及預測集相關系數R、交互驗證均方根誤差(root mean squares error of cross validation, RMSECV)和預測均方根誤差(root mean square error of prediction, PMSEP)來評價模型。

表2是5～10個主成分因子數下新鮮度的BP-ANN模型評價指標。從表2可以看出，當主成分因子數分別為10、5和10時，對蝦、梭子蟹和小黃魚BP-ANN模型的TVBN訓練集和預測集與TVBN實測值的相關系數均為最高，此時模型最優；圖5-a是選取前 10個主成分數作為輸入變量時，不同儲藏天數下對蝦實測TVBN和BP-ANN 模型TVBN預測值的相關關系。從圖中可以看出，此時訓練集的Rc為1，RMSECV值為0.224 9，預測集的Rp值為0.988 4，RMSEP值為4.943 4；圖5(b)是選取前5個主成分數作為輸入變量時，不同儲藏天數下梭子蟹實測TVBN和BP-ANN 模型TVBN預測值的相關關系，從圖中可以看出，訓練集的Rc為0.999 5，RMSECV值為0.913 7，預測集的Rp值為0.995 4，RMSEP值為2.653 3；圖5(c)是選取前5個主成分數作為輸入變量時，不同儲藏天數下小黃魚實測TVBN和BP-ANN 模型TVBN預測值的相關關系，從圖中可以看出，訓練集的Rc為1，RMSECV值為0.014 7，預測集的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采集到的不同儲藏天數的水產品的氣味信息與理化檢測得到的TVBN含量的相關度較高。因此，該技術不僅操作簡便無損，而且結果可靠，可以作為水產品儲藏過程中新鮮度的檢測方法。

表2 水產品儲藏過程中TVBN的BP-ANN模型評價指標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模型預測值的相關關系Fig.5 Correlation between the measured value and the BP-ANN model prediction of TVBN

3 結論

本研究通過自制的可視嗅覺指紋技術系統跟蹤了不同儲藏時間下的對蝦、梭子蟹和小黃魚的揮發性氣體成分變化。通過色敏傳感器陣列對不同的水產品的揮發性氣體進行了整體表征，并通過PCA分析呈現水產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，結果表明腐敗水產品和新鮮水產品的識別率均為90%以上；利用該技術結合BP-ANN模型來定量預測水產品的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含量的相關系數分別為0.988 4、0.995 4、0.983 8，表明該技術可用于水產品新鮮度的快速表征。