基于高光谱成像与距离相关波长选择的深度学习模型在鸡蛋新鲜度无损评估中的应用

针对传统鸡蛋新鲜度评估方法破坏性强、耗时费力的问题，研究人员创新性地结合高光谱成像（450-1100 nm）与距离相关（DC）波长选择技术，构建了卷积神经网络（CNN）预测模型，实现了Haugh unit值的无损快速检测（RP=0.9056，RMSEP=4.4152）。该研究为禽蛋品质智能化分级提供了新方法，对食品工业质量控制具有重要意义。

　　

鸡蛋作为重要的营养来源，其新鲜度直接影响食用安全与经济价值。传统Haugh unit检测需破坏蛋体测量蛋白高度，效率低下且难以满足工业化需求。随着全球蛋鸡养殖规模化发展，开发快速无损的评估技术成为行业迫切需求。高光谱成像技术虽能同时获取空间与光谱信息，但海量数据中存在大量冗余波长，如何筛选关键特征波长是提升模型性能的核心挑战。

台北医学大学的研究团队在《Current Research in Food Science》发表研究，首次将距离相关（DC）这一统计学方法引入高光谱波长选择领域。通过采集381枚鸡蛋在450-1100 nm范围的高光谱数据，结合标准正态变量变换（SNV）预处理，对比了DC与选择性比率（SR）、无信息变量消除（UVE）三种波长选择方法的效果，并构建了包括卷积神经网络（CNN）、梯度提升树（GBT）在内的五种回归模型。

关键技术方法包括：1）使用定制高光谱系统采集反射率数据；2）通过SNV消除基线漂移；3）采用DC方法筛选与Haugh unit强相关的特征波长；4）建立CNN等预测模型并评估性能；5）基于最优模型生成新鲜度分布伪彩图。所有鸡蛋样本来自台湾新北市养鸡场，在22±2°C条件下储存28天，定期测定Haugh unit参考值。

3.1 鸡蛋Haugh unit值分布特征
研究发现储存时间与Haugh unit值呈显著负相关，新鲜鸡蛋（0天）平均值为76.75，28天后降至48.32。根据美国农业部标准，62.36的临界值出现在储存第10天，这与蛋白液化进程相符。

3.2 光谱特征解析
SNV处理后的光谱在600-650 nm（脂质O-H键）和1050-1100 nm（蛋白质芳香环）呈现特征峰。载荷图显示970 nm（水分子O-H伸缩）和1020 nm（蛋白N-H伸缩）波长对新鲜度敏感，印证了储存过程中水分流失与蛋白质变性的生化机制。

3.3 模型性能对比
DC-CNN模型以仅11个特征波长（主要为740-1040 nm区间）实现最佳预测性能（R_P=0.9056），较全波段模型减少83.33%数据量。相比SR和UVE方法，DC使各模型RMSEP降低9-25%，其中CNN表现出最优的泛化能力，校准集与预测集误差差仅0.18，远优于GBT模型的过拟合现象（误差差达2.94）。

3.4 新鲜度可视化
伪彩图显示鸡蛋内部新鲜度存在空间异质性，新鲜区域（Haugh unit≥60）呈红色，随着储存时间延长逐渐变为蓝色。尽管蛋壳区域因光谱干扰出现异常值，但整体分布趋势与蛋白品质退化过程一致。

该研究创新性地将DC方法应用于高光谱特征选择，其优势在于能同时捕捉线性与非线性关系，且独立于模型假设。通过CNN模型的有效特征提取，仅用11个波长即实现优于传统方法（如SR需20个波长）的预测精度。研究成果为开发便携式鸡蛋分选设备奠定基础，未来可通过优化CNN架构（如引入注意力机制）和扩大样本多样性进一步提升性能。这项技术不仅适用于Haugh unit评估，还可拓展至S-卵蛋白含量等新型指标检测，为禽蛋产业链智能化升级提供新思路。