基于可视嗅觉指纹技术的水产品新鲜度快速表征

管彬彬，陈彬

(南通市食品药品监督检验中心， 江苏 南通，226006)

我国是水产生产和贸易大国，水产品味道鲜美，因其具有丰富的蛋白质和维生素和较低的脂肪含量而深受广大消费者喜爱[1-2]。然而，也正是由于水产品水分含量高、肌肉组织脆弱、内源蛋白酶活跃，其在贮藏过程中极易导致腐败、变质，影响其实用品质及安全性[3-4]。在收购、运销、加工过程中对水产品的新鲜度进行快速检验已成为重要的课题。目前，水产品新鲜度常用的检验方法一般分为感官检验、物理检验、化学检验和微生物检验等。但是，这些传统测定方法存在着主观性大、耗时长、操作程序复杂、需要专业的人员、对产品有破坏性等缺点。 因此，开发一些快速无损检测技术，具有较大的应用前景。在水产品新鲜度的感官评定中，气味占据很高的评分权重，气味和滋味又密切相关，散发香气的食品通常也伴随着好滋味[5]。色敏传感器技术是近年来出现的一种气体表征的新方法，利用传感色敏材料与待检测气体发生反应[6-7]，根据反应前后色敏材料的颜色变化对挥发气体进行定性定量分析，可将食品的气味通过图像方式直观的表达出来。本研究以不同储藏阶段的对虾、小黄鱼和梭子蟹为检测对象，通过可视嗅觉指纹技术来对水产品的新鲜度进行快速表征。

1 材料与方法

1.1 试验材料

试验所需的新鲜对虾、小黄鱼和梭子蟹均购于南通市新城菜市场，购得后放入冰袋置于保温袋送回实验室，保存于4 ℃冰箱。分别取第1天、第3天、第5天、第7天、第9天的水产品进行可视嗅觉指纹技术图像采集，每天取10个样本，共5 d，鱼、虾、蟹共150个样本。

图1是自制的嗅觉指纹技术检测系统示意图。本装置采用一种亮度均匀的环形线光源，和CCD相机处于同一水平面，保证图像的照度均匀，确保每次实验都处于同一水平。

1-电脑；2-相机；3-环形光源；4-色敏传感器图1 嗅觉指纹技术检测系统示意图Fig.1 Diagram of artificial olfaction system

1.2 试验方法

1.2.1 水产品储藏过程中的挥发性盐基氮(total volatile basic nitrogen，TVBN)的测定

按照GB 5009.228—2016用半微量定氮法测定TVBN[8]。

1.2.2 基于可视嗅觉指纹技术的水产品储藏过程中的新鲜度检测

通过前期试验和经验，筛选出9种色敏材料，分别为(1)5,10,15,20-Tetraphenyl-21H,23H-porphine zinc，ZnTPP；(2)通过表面活性剂辅助再沉淀法自组装修饰的ZnTPP纳米化材料N-ZnTPP-12 h(静置12 h)；(3)溴甲酚绿；(4)N-ZnTPP-24 h；(5)中性红；(6)甲基红；(7)N-ZnTPP-48 h；(8)N-ZnTPP-72 h；(9)甲酚红；其中5种为卟啉类化合物，4种为pH指示剂。将9种色敏材料用二氯甲烷溶解，质量浓度为1 mg/mL，用点样毛细管将其印染在PVDF膜上，在氮气环境下待其溶剂挥发，得到可视色敏材料传感器阵列。

利用CCD相机获取反应前的传感器阵列的图像。将对虾、小黄鱼、梭子蟹分别称重，置于保鲜盒中，将传感器阵列固定在保鲜盒盖上，扣上盖子开始计时，当色敏传感器阵列分别与对虾、小黄鱼、梭子蟹的挥发性气体充分接触10 min后，获取反应后的传感器阵列图像。利用特定软件获得不同储藏天数的对虾、小黄鱼和梭子蟹的挥发性气体与反应差值，并进行质量修正。

2 结果与讨论

2.1 水产品挥发性气体的可视色敏材料响应

可视嗅觉指纹技术是一种将嗅觉信息转化为视觉信息的技术，使气味“看得见”[9]，当水产品的挥发性气体与色敏传感器阵列发生反应，相机获取反应后的色敏传感器图像，处理软件分别将反应前后的图像进行滤波、二值化、形态学处理，并获取每个色敏材料的中心(9种色敏材料共9个中心)，构建以色敏材料中心为原点、15个像素为半径的圆作为模板，计算每个模板的R、G、B(共3个颜色分量)均值，即得到27个特征值(R、G、B3个颜色分量×9种色敏材料)；将色敏材料反应前后的R、G、B分量均值相减后归一化，并将3 个分量(R、G、B)差值图融合，即得到色敏材料与样本的反应差值图。图2是新鲜对虾、小黄鱼和梭子蟹的挥发性气体与色敏传感器阵列的反应差值图谱，从图2中可以看出，不同的水产品挥发性气体与同样的色敏材料充分接触后，得到不同的响应图谱，对虾、小黄鱼、梭子蟹的颜色变化各不相同。与传统的电子鼻技术相比，该方法更加直观、生动，而且传统的电子鼻对湿度敏感，难以应用于湿度较大的水产品。

a-对虾;b-小黄鱼;c-梭子蟹图2 水产品挥发性气体响应谱图Fig.2 Characteristic images for aquatic products

2.2 不同储藏时间的水产品挥发性盐基氮含量的测定结果

图3是用半微量定氮法测定不同储藏时间下水产品的挥发性盐基氮(TVBN)含量。根据GB 2733—2015[10]，对虾、梭子蟹、小黄鱼的TVBN限量值分别为20、25、30 mg/100g。从图3中可以看出，在4 ℃条件下保存5 d后，小黄鱼的TVBN含量超过了30 mg/100g，将其划分为腐败小黄鱼，不能食用；对虾在4 ℃条件下保存3 d后，大部分样本的TVBN含量接近20 mg/100g，处于腐败的临界值，即将腐败；而梭子蟹在4 ℃条件下保存3 d后，大部分样本TVBN含量超过25 mg/100g，已腐败。

图3 不同储藏时间下水产品挥发性盐基氮含量Fig.3 Results of TVBN of aquatic products at different storage times

2.3 水产品新鲜度的主成分分析(principal component analysis，PCA)

图4-a是对不同储藏天数的对虾进行区分，由前3个主成分构建的三维散点图。从图4-a中可以看出，在储藏过程中水产品样本的散点图呈现一定的聚类趋势，随着储藏天数的增加，样本呈现一定的延伸性传播；尽管样本随储藏过程呈现一定的趋势性，但是由于腐败过程是连续的，且水产品的腐败受到自身微生物含量等因素影响，具有不均匀性。因此，有一些重叠。但是对虾在不同阶段的集群趋势还是比较明显的。结果表明，随着储藏时间的增加，水产品样本的挥发性气体有了明显的成分组成差异。图4-b、c、d分别以20、25、30 mg/100g为临界值，将对虾、梭子蟹和小黄鱼分成新鲜和腐败2组的三维主成分散点图，可以看出，新鲜的对虾、小黄鱼、梭子蟹和腐败的对虾、小黄鱼、梭子蟹具有明显的成分组成差异，基本能从图中进行新鲜度区分，少量在分界线附近的样本有一定的重叠。

a-不同储藏天数的对虾;b-新鲜对虾和腐败对虾;c-新鲜梭子蟹和腐败梭子蟹；d-新鲜小黄鱼和腐败小黄鱼图4 三维主成分散点分布图Fig.4 Classification results achieved by PCA

2.4 水产品新鲜度的线性判别分析(linear discriminant analysis，LDA)

按照TVBN的含量(分别以20、25、30 mg/100g为临界值)，将对虾、梭子蟹和小黄鱼分成新鲜和腐败2组，将样本数均为50的对虾、小黄鱼和梭子蟹的挥发性气体与可视色敏传感器材料反应的27个特征响应值进行LDA分析。表1是3种水产品的LDA模式识别结果。

表1 水产品储藏过程中新鲜度的LDA判别结果Table 1 Results of LDA model to identify the freshnessof aquatic products during the storage

从表1可以看出，18只新鲜对虾中有17只分类成功，还有1只被识别为腐败对虾，识别率为94.44%；32只腐败对虾有2只被误判为新鲜对虾，识别率为93.75%。20个新鲜小黄鱼的识别率为95%，其中19条分类成功，另外1条被分为腐败小黄鱼组；30条腐败小黄鱼的识别率为100%。11只新鲜梭子蟹的识别率为100%， 39只腐败梭子蟹的识别率为92.31%，有3只被误判为新鲜梭子蟹。结果表明，新鲜组和腐败组的识别率均在90%以上，说明该方法结合LDA模型可以较好地判别水产品的新鲜度。

2.5 水产品新鲜度的误差反向传播人工神经网络(back propagation artificial neural network， BP-ANN)预测结果

本研究利用可视嗅觉指纹技术结合BP-ANN模型来定量预测水产品储藏过程中的新鲜度。将每种水产品的50个样本随机抽取34个样本作为训练集，剩下的16个样本作为预测集。首先将27个特征值(R、G、B3个颜色分量×9种色敏材料)进行主成分分析，分别以前5～10个主成分的特征变量作为BP神经网络的输入变量，相应储藏天数下的TVBN实测值作为输出变量，初始权重0.3，学习速率和动量因子为0.1，训练迭代次数设为100次；传递函数为双曲正切函数(tanh)。通过比较训练集及预测集相关系数R、交互验证均方根误差(root mean squares error of cross validation, RMSECV)和预测均方根误差(root mean square error of prediction, PMSEP)来评价模型。

表2是5～10个主成分因子数下新鲜度的BP-ANN模型评价指标。从表2可以看出，当主成分因子数分别为10、5和10时，对虾、梭子蟹和小黄鱼BP-ANN模型的TVBN训练集和预测集与TVBN实测值的相关系数均为最高，此时模型最优；图5-a是选取前 10个主成分数作为输入变量时，不同储藏天数下对虾实测TVBN和BP-ANN 模型TVBN预测值的相关关系。从图中可以看出，此时训练集的Rc为1，RMSECV值为0.224 9，预测集的Rp值为0.988 4，RMSEP值为4.943 4；图5(b)是选取前5个主成分数作为输入变量时，不同储藏天数下梭子蟹实测TVBN和BP-ANN 模型TVBN预测值的相关关系，从图中可以看出，训练集的Rc为0.999 5，RMSECV值为0.913 7，预测集的Rp值为0.995 4，RMSEP值为2.653 3；图5(c)是选取前5个主成分数作为输入变量时，不同储藏天数下小黄鱼实测TVBN和BP-ANN 模型TVBN预测值的相关关系，从图中可以看出，训练集的Rc为1，RMSECV值为0.014 7，预测集的Rp值为0.983 8，RMSEP值为4.846 8。综上可以看出，利用可视嗅觉指纹技术采集到的不同储藏天数的水产品的气味信息与理化检测得到的TVBN含量的相关度较高。因此，该技术不仅操作简便无损，而且结果可靠，可以作为水产品储藏过程中新鲜度的检测方法。

表2 水产品储藏过程中TVBN的BP-ANN模型评价指标Table 2 BP-ANN model results of TVBN during the storage of aquatic products

a-对虾;b-梭子蟹;c-小黄鱼图5 TVBN实测值与BP-ANN模型预测值的相关关系Fig.5 Correlation between the measured value and the BP-ANN model prediction of TVBN

3 结论

本研究通过自制的可视嗅觉指纹技术系统跟踪了不同储藏时间下的对虾、梭子蟹和小黄鱼的挥发性气体成分变化。通过色敏传感器阵列对不同的水产品的挥发性气体进行了整体表征，并通过PCA分析呈现水产品储藏过程的气味变化趋势，通过LDA分析分别建立了对虾、梭子蟹和小黄鱼新鲜度的识别模型，结果表明腐败水产品和新鲜水产品的识别率均为90%以上；利用该技术结合BP-ANN模型来定量预测水产品的TVBN含量，该模型与半微量定氮法测定对虾、梭子蟹和小黄鱼中TVBN含量的相关系数分别为0.988 4、0.995 4、0.983 8，表明该技术可用于水产品新鲜度的快速表征。