基于低场核磁共振与深度学习的冷冻模型食品无损品质评估新方法

针对冷冻食品因冰晶损伤导致品质劣变的行业难题，研究人员创新性地将低场核磁共振（LF-NMR）与反向传播人工神经网络（BP-ANN）相结合，构建了冷冻凝胶模型食品的非破坏性品质预测体系。研究表明，LF-NMR-BP-ANN模型在预测滴水损失和质构指标上显著优于传统偏最小二乘回归（PLSR），为智能冷冻食品质量控制提供了新范式。

　　

冷冻技术作为食品保鲜的重要手段，通过抑制微生物活动和生化反应延长货架期。然而，冰晶形成导致的细胞结构破坏会引发质地软化、营养流失和滴水损失等问题，成为制约行业发展的瓶颈。传统品质评估方法依赖破坏性检测，耗时费力且无法实时监控。尽管新兴冷冻技术（如液氮冷冻、电磁场辅助冷冻）不断涌现，其效果评价仍缺乏高效手段。

为解决这一难题，来自中国的研究团队在《Food Chemistry》发表研究，以水分含量90%和80%的凝胶模型食品为对象，系统探究了梯度温度（-5°C至-80°C）冷冻条件下的品质变化规律。研究创新性地将低场核磁共振（LF-NMR，通过检测氢质子弛豫时间分析水分状态）与机器学习结合，构建了LF-NMR-PLSR和LF-NMR-BP-ANN预测模型。结果显示，BP-ANN模型在R²
、RMSE和RPD等参数上均显著优于PLSR，证实深度学习能更精准关联冷冻过程中水分状态（T₂
弛豫时间）与终产品品质指标。

关键技术包括：1）制备标准化的凝胶模型食品（90%和80%含水量）以控制生物变异性；2）采用LF-NMR采集冷冻态样品的横向弛豫时间（T₂
）分布；3）结合PLSR和BP-ANN算法建立预测模型；4）通过滴水损失和质构测试验证模型有效性。

【研究结果】
◆ Preparation of frozen gel model foods
通过精确控制明胶与去离子水比例（1:9和2:8），制备出均质凝胶模型，消除了天然食品的异质性干扰。

◆ T₂
distribution of frozen model food
LF-NMR检测显示，不同冷冻温度下T₂
弛豫时间分布呈现规律性变化：快速冷冻（-80°C）样品中结合水比例更高，而慢速冷冻（-5°C）则导致自由水比例增加，与后续测得的滴水损失正相关。

◆ Conclusions
BP-ANN模型对90%含水量凝胶的滴水损失预测R²
达0.94，显著优于PLSR（R²
=0.82）。该研究证实LF-NMR结合深度学习可突破传统检测局限，为冷冻食品工艺优化提供实时监控工具。

【意义】
该研究通过标准化模型体系，首次系统论证了LF-NMR与深度学习联用在冷冻食品品质预测中的优势。BP-ANN模型对水分迁移与品质劣变关联规律的精准捕捉，不仅为智能冷冻设备研发提供理论支撑，更推动了食品工业向数字化、非破坏性检测转型。研究团队特别指出，该方法未来可扩展至肉类、果蔬等实际食品体系，具有广阔的产业化应用前景。