基于近红外-拉曼多模态光谱融合的大黄鱼纹理特性无损检测技术研究

为解决传统鱼类新鲜度检测方法效率低、破坏性强的问题，中国海洋大学团队创新性地将NIR和Raman光谱与MLDF策略结合，通过PLSR模型实现了大黄鱼鱼片弹性(springiness)、咀嚼性(chewiness)、硬度(hardness)的高精度预测（R2p>0.87），为水产品供应链质量监控提供了非破坏性解决方案。

　　

研究背景
大黄鱼（Larimichthys crocea）作为中国重要的经济海产，其新鲜度直接影响商业价值和消费者健康。传统检测方法如TVB-N（总挥发性盐基氮）测定存在滞后性，而质构参数（texture profile）作为关键新鲜度指标，现有技术难以实现快速无损检测。近红外光谱（NIR）虽能快速分析分子振动（如C-H/N-H键），但对痕量物质敏感性不足；拉曼光谱（Raman）虽具分子指纹识别优势，却易受信号重叠干扰。如何整合两种技术的互补优势，成为突破水产品质控技术瓶颈的关键。

研究设计与方法
中国海洋大学团队以17条大黄鱼为样本，通过正交信号校正（OSC）、标准正态变量变换（SNV）预处理NIR和Raman光谱数据，结合竞争性自适应重加权采样（CARS）等特征选择算法，构建了基于中层级数据融合（MLDF）的偏最小二乘回归（PLSR）模型。实验涵盖0-14天冷藏周期，同步测定弹性、咀嚼性、硬度等参数，系统评估单模态与多模态模型的预测性能。

研究结果
1. 纹理参数变化规律
随着贮藏时间延长，鱼片弹性从2.76 mm降至1.80 mm（降幅34.78%），咀嚼性从4.84 mj降至2.21 mj，硬度同步下降。第8-14天的劣变速率显著高于前7天，印证蛋白质变性和脂质氧化的累积效应。

2. 光谱特征与模型优化
NIR光谱中C-H/N-H键强度衰减与质地劣变强相关；拉曼光谱则敏感捕获蛋白质二级结构变化。MLDF策略通过整合两类光谱的互补信息，使PLSR模型预测性能全面提升：弹性（R²p=0.8753，RMSEP=0.0774 mm）、咀嚼性（R²p=0.8887，RMSEP=0.2346 mj）、硬度（R²p=0.8711，RMSEP=0.2261 N），显著优于单一光谱模型。

3. 技术对比优势
相比传统化学分析法，该技术将检测时间从数小时缩短至分钟级，且无需破坏样本。CARS算法筛选的特征变量数较全谱模型减少72%，大幅提升运算效率。

结论与意义
该研究首次证实NIR-Raman多模态融合可精准量化水产品纹理参数，为实时监测冷链物流中的品质变化提供了创新工具。其价值体现在三方面：

1. 方法学突破：MLDF策略通过协同NIR的快速筛查与Raman的分子特异性，克服单一技术局限；
2. 产业应用：便携式设备适配生产线，助力实现从"经验判断"到"数据驱动"的质量管控转型；
3. 学术启示：为其他易腐食品（如肉类、乳制品）的多模态检测研究提供了范式参考。

论文发表于《Microchemical Journal》，通讯作者Kaiqiang Wang强调，未来可通过嵌入物联网系统，将技术扩展至全供应链智能监控领域。该成果获得国家自然科学基金（32102065）和国家现代农业产业技术体系（CARS-47）支持，彰显其在食品安全领域的战略价值。