汕尾市晨洲生蠔品質分析與檢測模型的建立與優化

摘 要：晨洲生蠔是廣東省汕尾市重要的水產品品牌，其品質直接關系到市場競爭力和消費者健康。建立科學、高效的品質檢測模型對于提升生蠔養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，構建了一套綜合評價體系，包括感官指標、理化指標和微生物指標，并利用機器學習算法（神經網絡、支持向量機和隨機森林）優化了檢測模型。實驗結果表明，優化后的模型在準確性、穩定性和效率方面均有顯著提升，總體準確率達到94.2%，每樣本推理時間為0.08 s；在實際樣品檢測中，模型準確率和分級效率均優于人工，為晨洲生蠔的品質管理提供了有力的技術支持。

關鍵詞：晨洲生蠔；品質分析；檢測模型；機器學習；模型優化

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品，在當地經濟發展中占據重要地位。然而，生蠔的品質受到多種因素的影響，如養殖環境、餌料品質、收獲時間等，給品質管理帶來了挑戰。傳統的檢測方法往往依賴于人工經驗，存在主觀性強、效率低下等問題。因此，建立一套科學、客觀、高效的品質分析與檢測模型成為亟待解決的問題。

1 生蠔品質指標的確定與量化

本研究以傳統檢測方式獲得的數據為基準，開發快速評價方法，提高檢測效率。

1.1 感官指標的選擇與評分標準

本研究選擇外觀、氣味、口感和肉質作為主要感官指標。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；肉質評估肉體飽滿度和質地均勻性。采用5分制評分標準，1分最差，5分最佳。為減少主觀性，組建專業評估小組，包括養殖戶、質檢員和烹飪專家[1]。通過多輪培訓和標準化操作確保評分一致性。引入圖像分析技術輔助外觀評估，提高客觀性[2]。

1.2 理化指標的篩選與測定方法

研究篩選了蛋白質、脂肪、糖原、水分含量、pH值和重金屬含量等指標。①蛋白質用凱氏定氮法，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次重復測定取平均值，建立標準曲線并定期校準儀器確保精度。②引入近紅外光譜技術實現部分指標快速無損測定，提高檢測效率[3]。

1.3 微生物指標的確定與檢測技術

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

2 多源數據采集與預處理

2.1 圖像采集與處理技術

本研究使用FLIR Blackfly S BFS-U3-51S5C-C高分辨率工業相機采集生蠔圖像，分辨率為2 448×2 048像素。標準D65光源提供照明，色溫6 504 K，顯色指數Ra=98。研究團隊為每個樣本拍攝3張圖片：俯視、側視和開殼后的肉質圖。圖像預處理包括使用5×5核的中值濾波去除噪點，應用對比度受限的自適應直方圖均衡化（Contrast-Limited Adaptive Histogram Equalization，CLAHE）算法增強對比度，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，特征提取準確率達98.5%，每樣本處理用時0.3 s。

2.2 光譜數據獲取與分析

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，重復掃描32次。數據處理運用Savitzky-Golay濾波器去除基線漂移和噪聲，標準正態變量法消除散射效應。連續小波變換識別出4個關鍵波長，連續小波變換識別出4個關鍵波長：980 nm對應水分含量，1 780 nm對應脂肪含量，1 450 nm對應蛋白質含量，2 100 nm對應糖原含量。基于這些近紅外光譜數據，使用偏最小二乘法建立預測模型。該模型經傳統理化分析方法驗證后顯示高精度，各成分的R2值均超過0.95。

2.3 理化指標數據的標準化處理

團隊收集了6個關鍵理化指標，包括蛋白質、脂肪、糖原、水分含量、pH值和重金屬含量。這些指標使用傳統實驗室方法進行測定，每個樣本重復測量3次。數據標準化過程包括3σ原則剔除異常值，K近鄰插補法填充缺失值，Z-score方法進行標準化。Pearson相關分析發現pH值與水分含量存在一定相關性。最終得到6維標準化理化指標向量，數據分布涵蓋了生蠔各項理化指標的典型范圍。標準化后的數據集表現出接近正態分布的特征，為后續模型構建奠定了基礎。表1概述了理化指標數據的分布范圍和標準化后的特征。

3 品質檢測模型的構建

3.1 基于人工神經網絡的模型設計

研究設計了一個多層感知機（Multi-Layer Perceptron，MLP）神經網絡模型，輸入層44個節點，3個隱藏層（64-32-16節點）使用ReLU激活；輸出層5個節點使用Softmax激活。模型采用Adam優化器，學習率0.001，批量大小32。應用脫落法（0.3）和L2正則化（0.01）防止過擬合。1 000個樣本訓練50輪后，模型在200個測試樣本上準確率達92.5%。混淆矩陣顯示對中等品質生蠔識別最準（95.3%），對最高品質生蠔識別能力較弱（89.7%）。可視化分析發現，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總結了神經網絡模型的主要參數和性能指標。

3.2 支持向量機在品質分類中的應用

支持向量機（Support Vector Machine，SVM）模型采用徑向基函數核（Radial Basis Function，RBF）核函數，通過網格搜索確定參數C=10，γ=0.01。使用一對一策略構建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個樣本訓練，200個樣本測試，準確率91.5%，宏平均F1得分0.908。SVM在最高品質（精確率96.2%，召回率93.5%）和最低品質（精確率94.8%，召回率95.6%）生蠔識別中表現優異，中等品質較弱（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（蛋白質含量）對分類貢獻最大。

3.3 隨機森林算法在特征選擇中的運用

隨機森林模型包含100棵決策樹，最大深度8，最小葉節點樣本數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個光譜數據，3個圖像特征，3個理化指標。10特征模型在500個樣本上準確率達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對比度對準確率影響最大。

4 模型性能評估與優化

4.1 模型準確性、穩定性和效率的評估指標

本研究使用多項指標評估模型性能，結果見表3。在1 000個測試樣本上，神經網絡模型、支持向量機和隨機森林分別達到92.5%、91.5%、90.8%的總體準確率。各模型的宏平均F1分數分別為0.923、0.908和0.901。穩定性評估以10次重復實驗的標準差為指標，神經網絡模型表現最穩定，準確率標準差為±0.8%。效率評估中，神經網絡模型、支持向量機、隨機森林的訓練時間分別為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，神經網絡模型在準確性和穩定性上表現最佳，但效率略低。

4.2 交叉驗證與模型參數調優

采用5折交叉驗證進行參數調優。神經網絡模型最優配置為3個隱藏層（64-32-16節點），學習率0.001，L2正則化系數0.01，交叉驗證平均準確率達91.8%±0.9%。支持向量機模型使用RBF核，C=8.5，γ=0.015，準確率為90.6%±1.1%。隨機森林模型最佳參數為100棵樹，最大深度8，準確率89.9%±1.3%。調優過程中，神經網絡對學習率最敏感，支持向量機對C值變化響應最大，隨機森林則對樹的數量和深度均較為敏感[7]。參數優化顯著提升了各模型性能，特別是處理邊界案例時的準確性。表4展示了各模型的最優參數和交叉驗證結果。

4.3 集成學習方法的引入與效果分析

引入軟投票策略的集成學習方法，結合3個基模型。模型權重為神經網絡0.5，支持向量機0.3，隨機森林0.2。如表5所示，在1 000個測試樣本上，集成模型準確率達94.2%，比單一最佳模型提升1.7個百分點。集成模型在識別最高和最低品質生蠔時優勢明顯，準確率分別為97.1%和96.8%。混淆矩陣分析顯示，集成模型減少了相鄰品質等級間的誤分類，中等品質類別準確率從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。總體而言，集成學習方法有效結合了各模型優勢，顯著提升了分類性能，尤其在處理復雜樣本時表現出色。

5 檢測模型的實際應用與驗證

5.1 不同養殖區域生蠔品質的比較分析

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

5.2 季節性因素對模型性能的影響評估

為評估季節性影響，在春、夏、秋、冬各采集1 000個樣本進行測試。模型在冬季表現最佳，準確率達96.3%；夏季最低，為91.7%。通過方差分析，發現光譜特征受季節影響最大（F=28.6，p＜0.001），尤其是與脂肪含量相關的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%），導致模型判別準確率下降。為適應季節變化，采用季節性微調策略：每季使用200個新樣本更新模型，將夏季準確率提升至94.2%；引入溫度作為輔助特征，進一步提高模型的季節適應性，四季平均準確率達到95.1%±1.2%。

5.3 模型在生蠔品質分級中的應用效果

在汕尾市某大型水產品加工廠實施為期1個月的實地測試，共處理50 000個生蠔樣本。模型集成了傳送帶上的實時圖像采集系統和便攜式近紅外光譜儀，平均處理速度達到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）達0.89。在最高品質（5級）和最低品質（1級）的識別中，模型準確率分別為98.2%和97.5%，優于人工分級（95.7%和94.8%）。經濟效益分析顯示，采用模型分級后，高品質生蠔（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（主要是微生物指標超標），確保了食品安全。

6 結論

通過對晨洲生蠔品質分析與檢測模型的建立與優化，成功構建了一套綜合評價體系。該模型整合了多種先進的檢測技術和機器學習算法，在準確性、穩定性和效率方面均取得了顯著提升。實際應用驗證表明，優化后的模型能夠有效識別不同品質等級的生蠔，為生產管理和市場監管提供了可靠的技術支持。未來研究可進一步探索模型的泛化能力，以適應更廣泛的應用場景。

參考文獻

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

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

[3]鄧杰，常向陽，林恒宗，等.紅外心率測定技術在香港牡蠣保活運輸過程中的應用[J].漁業現代化，2024，51（2）：93-101.

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

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

[6]陳慧斌，王梅英，黃鷺強，等.牡蠣高品質加工關鍵技術的創新與應用[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.基于機器視覺的牡蠣分級設備研究[D].大連：大連海洋大學，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。

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