基于近红外光谱与深度学习融合技术的中华绒螯蟹肌肉生物胺无损检测及品质评估研究

【编辑推荐】本研究创新性地将近红外光谱（NIR）与深度学习模型（CNN-LSTM-SE）结合，实现了中华绒螯蟹肌肉中生物胺（BAs）的无损检测与品质分级。该模型对腐胺（PUT）、尸胺（CAD）等关键腐败标志物的预测精度（R2 >0.84）显著优于传统方法，对腐败蟹的识别准确率达100%，为水产品智能监测提供了突破性技术方案。

　　

Highlight

缩写与术语表

生物胺（BAs）|尸胺（CAD）|腐胺（PUT）|色胺（TRY）|组胺（HIS）|亚精胺（SPD）|精胺（SPE）|β-苯乙胺（β-PHE）|章鱼胺（OCT）|酪胺（TYR）|品质指数（QI）|高活力期（HV）|低活力期（LV）|死后1~48小时（PM-1~PM-48）|卷积神经网络（CNN）|长短期记忆网络（LSTM）|压缩激励模块（SE）|全局平均池化（GAP）|线性整流函数（ReLU）

化学试剂与标准溶液

所有生物胺标准品（≥98%纯度）均购自Sigma-Aldrich公司，包括组胺二盐酸盐、β-苯乙胺盐酸盐等，以盐酸盐形式存在。

生物胺动态分析

蟹肌肉中检测到6种BAs（图2A-F），其中PUT和CAD在冷藏期间显著上升（与腐败进程强相关）。濒死期BAs水平较低，而死后24小时（8±1°C）的蟹肉即达到不可食用状态。

结论

本研究构建的CNN-LSTM-SE混合模型对PUT、CAD、HIS和TRY的预测表现优异（R²>0.84，RMSE<2.0），腐败蟹识别率达100%，显著超越传统机器学习模型。该技术为水产品新鲜度智能监控开辟了新途径。