生鲜食品微生物预测及评估平台研究

管 华，王宏勋，蒋丽华

(1.武汉轻工大学网络中心，湖北 武汉430023;2.武汉轻工大学食品科学与工程学院，湖北 武汉430023;3.武汉轻工大学 数学与计算机学院，湖北 武汉430023)

生鲜食品在人们的日常生活中是不可缺少的必需品，如何确保这些食品的安全，如何快速、有效地评估这些食品的安全性，预测出食品的货架期是所有食品销售机构急需要解决的问题。目前食品安全问题发生的数量、影响范围还在呈不断上升的趋势［1］。在现有的经济发展水平，消费观念和管理体制下，寻找适当可行的途径加强对食品安全问题的控制与管理已经刻不容缓。相较于一般的食品，生鲜食品一方面由于对时间、环境条件等的敏感性而存在着较多的食品安全隐患，另一方面由于涉及的范围广，食品种类众多，生产厂家数量庞大而参差不齐，使得生鲜食品食用的安全性很难仅仅依靠政府主管部门的一般行政监管而得到充分保障。

目前世界上已开发的预报软件多达十几种，其中以美国农业部开发的病原菌模型程序PMP、加拿大开发的微生物动态专家系统MKES以及英国农粮渔部开发的食品微生物模型FM系统软件最为著名。另外还有丹麦渔业技术研究所开发的海产食品腐败与安全预报系统(SSP)和澳大利亚Tasmania大学开发的食品腐败预报系统(RSP)［2］。现有的PMP、FM等软件就可以定量分析不同环境对微生物的生长、残存的影响。使用者可以模拟一种食品环境，通过输入相关数据(例如温度、酸度、湿度)，搜索到所有符合这些条件的数据档案［3］。国内有中国水产科学研究院东海水产研究所开发的FSLP。河南农业大学与河南双汇集团联合开发研制出“冷鲜肉超市预警系统”，杨宪时等开发的鱼类货架期预报系统(FSLP)［4］。这些预测软件针对不同地域、不同来源的产品，以特定腐败菌的生长模型为基础建立数据库，开发合适的境因子采集装置，最终形成界面友好的专家系统预测产品货架期。

生鲜食品微生物预测与品质评估平台(The Platform of Prediction and Assessment for Microorganism in Fresh Food，简称PAMP)是针对生鲜超市食品监测而定制开发的评估软件，帮助生鲜超市系统化管理各类生鲜食品，测定分析超市生鲜食品微生物的种类及其变化，建立微生物生长模型，并通过实验数据建立合理的数学模型，实现对生鲜食品货架期的预测，从而提高工作效率，避免工作失误。

1 平台的主要功能介绍

PAMP实现对生鲜食品在流通过程(超市)中微生物菌群的基本状况及优势菌群在不同的温度下生长规律进行研究，确定这些微生物的生长预测模型，并通过对货架期生鲜食品在不同温度下的主要微生物生长进行监测，利用获得的试验数据，建立一级、二级数学模型，同时通过统计分析，选择出较好的数学模型作为生鲜食品的微生物预测模型，并最终建立三级预测模型的应用软件程序。PAMP能够管理实验数据、根据实验数据生成微生物的生长曲线、计算相应的参数从而预测出食品的货架期。通过各种模型的计算还可以预测微生物在不同的温度下的生长曲线，从而很好地管理食品的货架期变化。

1.1 生鲜食品微生物预测与品质评估平台的整体组成

PAMP平台主要是将实验数据录入系统，得到相应产品的微生物生长曲线，SAS统计软件拟合一级动力学模型，结合所做实验的所有温度下的生长曲线，建立二级模型，最终得到产品的货架期及预测曲线。该平台主要包括前台功能和后台功能。如图1所示，前台包括新闻内容管理，通知公告，食品保鲜，数据查询，品质分析功能。生鲜食品微生物预测与品质评估平台的后台主界面如图2所示，生鲜食品微生物预测与品质评估平台的主要功能在系统后台完成，后台管理包括产品内容管理、实验参数管理、实验数据、实验数据查询、品质分析管理六大模块，各主要模块功能描述如下。

图1 PAMP平台整体架构

(1)新闻内容管理:实现系统网站内容的更新与维护，提供在后台输入、查询、修改、删除各类新闻内容的功能，可对每条新闻进行编辑，设定图片位置，实现图文编排，可设定热点新闻，优先显示，后台管理员维护界面可以按类别、日期、内容等条件进行新闻查询，实现新闻增加、修改、删除等功能。

(2)产品内容管理:实现系统生鲜食品的食品类别、食品品牌以及产品名称的管理，管理员用户可以录入食品类别、食品品牌以及产品等信息。

(3)实验参数管理:实现食品的微生物类别、实验类别、菌落特征、酶类型、显微特征、产品腐败阈值等信息的修改、录入、保存以及查询等功能。

图2 PAMP后台主页面

(4)实验数据查询:主要实现生鲜食品微生物实验数据综合查询功能，可以根据生鲜食品的食品品牌、品牌产品、食品类别以及微生物等各个方面，作为查询条件，进行相关信息的综合查询。点击查询按钮后即可看见详细的实验信息列表，实验信息列表中列出了实验人、实验名称、产品条形码SN、菌落总数、温度、湿度、PH值以及含氧量，同时也可对信息进行查看、编辑以及删除处理。

(5)实验管理:实现生鲜食品的微生物实验基本信息、菌株介绍、菌活特征、显微特征、菌株特征及照片、酶活特征、酶类型、培养条件、产品腐败阈值表等信息，记载不同温度不同时间点时相应的菌落数。

(6)品质分析:主要实现生鲜食品微生物菌落数预测、货架期预测及产品风险汇总，根据生鲜食品指定微生物的初始菌落数和储存温度，可以预测一段时间内，该生鲜食品指定微生物的菌落数的变化情况。根据不同温度不同时间点相应的菌落数，得到该产品某个时间段某温度下的生长曲线，根据该生长曲线，通过SAS统计软件拟合一级动力学模型，结合实验所有温度下的生长曲线，建立二级模型。根据一级生长预测数据、微生物的腐败限控量、各温度下达到稳定期的最大菌落数的平均值，通过初始菌落数繁殖到腐败限控量所用的时间，得到微生物的生长动力学模型和最大菌落数，从而计算一段温度范围内，储藏生鲜食品的剩余货架期。

1.2 生鲜食品微生物预测与品质评估平台的工作流程

PAMP平台在输入外部数据后，对生鲜食品单品进行主要腐败微生物增殖预测与品质评价，实现货架期预测与品质查询。进行一级生长模型(数据处理)，二级生长预测软件(条件变化)，三级生长模型(剩余货架期预测与品质评价)数据处理。该平台的活动图如图3所示。

2 生鲜食品微生物预测与品质评估平台的主要数据

PAMP平台的主要数据包括以下数据信息。

(1)生鲜食品的类别信息:生鲜食品分为水产品，禽肉制品，生鲜肉，净菜，水果五类。每一大类下又可分为很多子类，如生鲜肉包括羊肉，冷鲜猪肉，牛肉等。

(2)食品品牌信息:生鲜食品的品牌类别，如冷鲜猪肉品牌有志元，雨润，双汇，众品等。

(3)产品类别信息:食品品牌下面的产品类别，如家佳康冷鲜猪肉下有精制瘦肉馅、精制肋排、精制后腿肉丝等产品。

(4)微生物种类信息:细菌类别有很多，如微球菌，乳酸菌，热死环丝菌，假单胞菌，肠杆菌科是猪肉初始菌相的主要微生物。鱼的主要微生物有假单胞菌，乳酸菌，微球菌，肠杆菌科，希瓦氏菌。

图3 生鲜食品微生物预测与品质评估平台的活动图

(5)菌落特征表信息:管理菌落的特征信息，如热死环丝菌的菌落颜色为白色、圆形、圆形、略隆起、边缘略不规则、有光泽、不透明、杆状，线性不分支，革兰氏阳性，过氧化氢酶阳性，不运动等。为此要记录菌落的透明度，形态，光泽度，颜色，图片，大小，形态，质地，边缘结构，隆起程度等信息。

(6)酶活特征信息:包括酶类别，酶简介，酶照片。酶有很多类，常用的有蛋白酶，淀粉酶，纤维素酶，脂肪酶等。

(7)酶类型表信息:包括实验名称，酶类型名，酶简介，酶照片等。

(8)实验类型信息:关联实验基本表和微生物种类表，可能一个食品检测多个微生物，要记录实验名称，微生物类型等信息。

(9)实验基本信息:实验基本信息是对食品做的每一次实验的记录，通过该记录来为预测提供基础数据。包括实验人，单位，实验名称，时间，产品名称，品牌，食品种类，微生物，产品条形码，菌落总数，分离培养基，温度，培养时间，湿度，pH值，氧气，添加剂等。

(10)生长曲线信息:管理微生物在不同的温度或天数下的菌落数以及其他生长曲线所需要的数据，包括日期，温度，天数，小时，若干菌落数，菌落数平均值，标准差等。

(11)产品腐败阈值表信息:保存产品达到腐败的微生物总数，包括实验名称，温度，产品腐败阈值等。

(12)模型预测信息:保存模型预测的数据，包括实验名称，温度，天数，预测菌落数等。

3 PAMP平台的主要数学模型

生鲜食品的内外菌相分析及生长规律受储藏温度、pH值、氧含量等的影响，内源和外源污染的微生物种类、数量和增殖趋势会不同。需要测定生鲜食品中优势菌的数量变化情况与感官、挥发性盐基氮和菌落总数的变化。运用统计学软件SAS9.1拟合优势腐败菌在不同温度下的生长动力模型，以0—15℃温度区域内冷鲜猪肉储藏过程中的货架期预测模型为例介绍PAMP平台的主要数学模型。

3.1 一级模型

Gompertz方程式被认为是预测较为准确的拟合微生物生长的一级模型，Gompertz模型能很好的描述不同温度下热杀索丝菌的生长，尤其对较高温度的拟合更为理想［5］。以下以冷鲜肉中热杀索丝菌微生物为例讲述用到的数学模型。

实验员在实验基本表中确定了实验的相关信息之后，在一级模型界面自动获取当前正在进行实验的实验名称，实验员可以选择实验时测试的某一温度，根据该实验产品该微生物的所有实验数据。下面以4℃储存下不同浓度热水解单宁酸处理的冷鲜猪肉中热杀索丝菌的实验为例，阐述平台的预测和评估功能。通过SAS 9.1统计软件，分别拟合在4℃储存下不同浓度热水解单宁酸处理的冷鲜猪肉中热杀索丝菌的生长数据，用Gompertz模型拟合热杀索丝菌的一级生长模型如下:其中N0是初始菌落数的对数值［lg(cfu·g－1)］;C是随时间无限增加时菌增量的对数值［lg(cfu·g－1)］;B是在时间为M时的相对最大比生长速率，d－1;M是达到相对最大生长速率所需要的时间(d)。该温度下的最大菌落数Nmax与初始菌落数N0在生长曲线表中均有记录，参数C为该温度下的最大菌落数Nmax与初始菌落数N0之差。

通过SAS计算，得到上述参数，再利用以下公式求出 U、λ值。其中，最大比生长速率 U=B·C/e，e=2.7182(d－1);微生物生长的迟滞期 λ(d)=M －(1/B)。

预测模型的验证是对模型预测能力进行评估的重要步骤。将实验观测值和预测值进行比较，根据二者的残差计算偏差因子和准确因子。相关系数(R2)用来评价模型拟合优度。相关性R2是根据生长曲线表中记录的数据，进行样本抽样处理后得到的，若相关性R2的值越接近1，则说明描述的温度和微生物数量这两个变量之间有线性相关关系。

一级模型界面主要记录一级模型所需要的数据，包括实验名称，温度，初始菌N0，参数C，参数B，参数M，参数 U，参数 λ，最大菌数Nmax，相关性 R2等。在模型与预测过程中，生长曲线是关键的第一步，通过生长曲线直观地看出微生物长生随时间的变化曲线。生长曲线控件模块如图4所示。生长曲线界面即可自动获取当前正在进行实验的实验名称，温度、天数、小时、菌落数等信息并存储到生长曲线表，可将该实验产品在某温度有段时间的生长曲线随时生成，还能看到其菌落数平均值和标准差。生长曲线的图表生成采用 Dundas Chart控件的ASP.NET版本完成的。图4是生长曲线表的界面。

3.2 二级模型拟合

一级模型采用最佳拟合模型效果最好，通过对二级模型“平方根”模型的比较，可以得出平方根方程与实际实验数据吻合，表明生长速度的模型模拟数值与真实数值之间差异性并不是很大，与模型生根”模型对各个温度情况下的生长速度进行预测，从而了解不同温度下的细菌生长情况，以及生鲜食品货架期的预测。平方根模型是常用来描述温度对微生物生长的影响，其数学公式如下:

图4 生长曲线表

其中T是培养温度;TminU、TminL是最低生长温度，它是一个假设的概念，指的是微生物没有代谢活动时的温度是通过外推回归线与温度轴相交而得到的温度;b是方程的系数。

用平方根模型拟合温度对微生物生长的影响，根据不同温度下热杀索丝菌生长动力学参数，可以在二维坐标中绘制温度T与比生长速率温度T与延滞期的的位置关系，则可以应用平方根模型拟合温度与延滞期的关系。

二级模型界面主要记录实验名称，温度T，系数bU，最低生长温度 TminU，系数 bL，最小生长速率TminL，比生长速率U，比生长速率表达式，比生长速率相关性R2，延滞期相关性R2。在二级模型界面中，就可以根据实验员做实验时记录的数据，直接直观地查看温度T与比生长速率、温度T与延滞期的的关系，同时在图中能非常清晰地看到相关性R2的值。二级模型生成的图表如图5所示。

3.3 剩余货架期的预测与验证品质分析管理

冷鲜肉托盘包装条件下的货架期(Shelf Life，SL)是根据建立的特定腐败微生物生长动力学模型，通过热杀索丝菌初始菌数增加到腐败限控量所需要的增殖时间来预测冷鲜肉的货架期。

Nmax是增加到稳定期时最大的微生物数量，Ns是达到腐败限控量时的微生物数量。式(4)是在式(1)的基础上推导出来，以计算货架期。

货架期计算结果表主要包括实验名称，温度，腐败限控量，稳定期最大菌数平均值，初始菌数，比生长速 率U，延滞期λ，剩余货架期，实测值，相对误差。

图5 二级模型界面

4 结束语

PAMP平台测定并分析了流通过程中(生鲜超市)生鲜食品表面微生物的种类及其变化规律，建立微生物生长模型，根据一级模型和二级模型实验所推动出的预测模型，提供任一生鲜食品的品质评估及分析功能，让管理者和顾客能在第一时间，掌握食品品质的第一手资料，为管理者提供决策支持信息，为顾客提供食品品质的详尽信息。并通过模型实现对生鲜食品货架期和风险的预测。可以在相关条件已知的情况下预测环境、加工条件对有关微生物的影响，定量地评估该食品安全程度，有助于在HACCP体系中建立关键控制点，确定关键限值，在食品质量管理中有重要作用。

生鲜超市可通过本软件轻松自如地完成整个预测评估流程，使一线工作人员及时跟踪食品品质，减轻劳动强度，又使中、高层管理人员获得各种及时准确的货架期信息，起到辅助决策的作用。冷链物流中，通过对物流过程中农产品品质变化与状态的监控，也可利用本预测软件模型进行分析，控制物流过程中的温度、pH值等环境变化，控制农产品品质变坏过程。

［1］Soboleva T K，Pleasants A B.Predictivemicrobiology and food safety［J］.International Journal of Food Microbiology，2000，57:183-192.

［2］PawDalgaard.Qualitative and quantitative characterization of spoilage bacteria from packed fish［J］.Food Microbiology，1995，26:319-333.

［3］肖琳琳，张风英，杨宪时，等.预报微生物学及其在食品货架期预测领域的研究进展［J］.海洋渔业，2005，27(1):69-72.

［4］杨宪时，许钟，郭全友.养殖鱼类货架期预测系统的设计与评估［J］.农业工程学报，2006，22(8):129-134.

［5］刘超群，陈艳丽，王宏勋，等.冷鲜猪肉中热杀索丝茵生长预测模型的建立与验证［J］.食品科学，2010，31(18):86-89.