多温度多部位草鱼切割品新鲜度监测模型构建与实时预测平台的创新研究

《LWT》：Development of freshness monitoring models for grass carp cutting products at multiple storage temperatures and construction of a real-time prediction platform

本研究针对水产品腐败导致的经济损失与健康风险问题，开展了多温度条件下草鱼切割品新鲜度监测模型开发及实时预测平台构建的研究。通过六种机器学习模型对比，发现RBFNN、BPNN、GBM等模型对TVC、TVB-N、K值等指标预测精度最高（R2达0.9552-0.9734），并成功开发出可在0.06秒内完成新鲜度分级（新鲜/次新鲜/腐败）的智能平台。该研究为水产供应链提供了非破坏性、数据驱动的品质管理创新方案。

　　

随着鱼类加工机械化与智能化发展，淡水鱼产业正从整鱼销售向高附加值定制化切割产品转型。草鱼作为全球产量最高的淡水鱼种之一，其不同切割部位（背肌、腹肌、腹侧肌和尾肌）具有独特的营养组成和风味特征，但较大的切割面积、更快的氧化速率和微生物活动使其更易腐败。这种加工模式的转变对多部位草鱼切割品的新鲜度监测提出了新需求。

传统的水产品新鲜度评价方法依赖微生物学、化学和物理指标检测，如总活菌数（TVC）、挥发性盐基氮（TVB-N）、ATP降解衍生的K值以及感官评价等，但这些方法通常具有破坏性、耗时且受操作者主观影响。更重要的是，现有研究多局限于单一鱼种或单一温度条件，忽视了实际冷链物流中温度波动（-5°C至10°C以上）和多部位差异对新鲜度的复合影响。

为突破这些局限，《LWT》期刊发表了一项创新研究，开发了多温度多部位草鱼切割品新鲜度监测模型并构建了实时预测平台。研究人员通过采集96条活草鱼的四个切割部位（背肌、腹肌、腹侧肌和尾肌），在五种温度条件下（0、3、6、9、12°C）进行0-10天的贮藏实验，系统测定了TVC、TVB-N、K值、总体感官可接受度和感官评价得分五项新鲜度指标。运用支持向量回归（SVR）、随机森林（RF）、梯度提升机（GBM）、极限学习机（ELM）、反向传播神经网络（BPNN）和径向基函数神经网络（RBFNN）六种机器学习算法建立预测模型，最终集成最优模型开发了实时预测平台。

关键技术方法包括：采用倾注平板法测定TVC，半微量凯氏定氮法分析TVB-N，高效液相色谱法（HPLC）定量K值，改良感官评价方法；数据预处理使用rmmissing函数处理缺失值，groupsummary函数聚合平行重复，dummyvar函数进行类别编码；模型训练采用5折交叉验证（SVR）和留出法（其他模型），网格搜索优化超参数；使用R2、RMSE、MSE和MAPE等指标评估模型性能。

3.1. 多温度多部位草鱼切割品新鲜度指标动态变化

研究结果显示，所有新鲜度指标均随贮藏时间延长而恶化，且温度越高恶化速度越快。TVC初始值为4.03-5.06 log CFU/g，在12°C条件下所有部位在2天内均超过6 log CFU/g的可接受限值，尾肌在0°C下保存时间最长（10天）。TVB-N初始值为6.72-11.08 mg N/100g，腹侧肌最先超过20 mg N/100g的腐败阈值。K值初始为15.65%-19.99%，背肌基于K值的货架期最长（0°C下超过10天）。感官指标显示尾肌的感官品质下降最快。这些非线性变化规律为机器学习建模提供了理论基础。

3.2. 新鲜度预测模型性能比较

六种机器学习模型中，RBFNN对TVC预测效果最佳（R2=0.9552），BPNN对TVB-N预测最优（R2=0.9673），GBM对K值预测最好（R2=0.9581），RBFNN对总体感官可接受度预测最准确（R2=0.9734），SVR对感官评价得分预测性能最高（R2=0.9659）。RBFNN预测TVC的验证相对误差仅为0.00-0.21，表现出色。相比之下，RF模型在所有指标上表现最差（R2均低于0.85），表明其难以捕捉小样本数据中的复杂非线性关系。

3.3. 实时监测平台开发

基于最优模型集成的"草鱼新鲜度预测平台"可在0.06秒内完成预测，用户只需选择鱼体部位、贮藏温度和时长即可获得TVC、TVB-N、K值等指标预测结果和货架期建议。平台将新鲜度分为"新鲜"、"次新鲜"和"腐败"三个等级：TVC<6/6-8/>8 log CFU/g；TVB-N<15/15-20/>20 mg N/100g；K值<40%/40-60%/>60%；总体感官可接受度>16/6-16/<6；感官评价得分>70/50-70/<50。对4°C贮藏10天的验证显示，TVC预测准确率最高（87.50%），TVB-N最低（45.83%），腐败等级识别真阳性率可达100%（TVC和K值）。

该研究成功开发了多部位、多指标、多温度的草鱼新鲜度监测模型和实时预测平台，解决了传统方法破坏性、耗时和专业依赖性强的问题。创新性地采用机器学习算法捕捉复杂非线性关系，BPNN和RBFNN表现出优异预测性能。智能平台只需输入部位、温度和时间即可快速输出新鲜度状态和货架期，为水产供应链提供了低门槛、高效率的品质管理工具。虽然当前研究针对草鱼，但该方法和平台架构具有扩展到其他鱼种的潜力。未来结合物联网和区块链技术，可实现冷链的实时监测、溯源和智能管理，推动水产品品质控制向数字化、智能化方向发展。