基于近红外光谱(NIRS)的红肉pH值预测综合评估：跨物种、肌肉与设备的CNN模型

《Meat Science》：Comprehensive assessment of prediction of pH in red meat based on near-infrared spectroscopy (NIRS)

　　

基于近红外光谱（Near-Infrared Spectroscopy, NIRS）对红肉pH值预测的综合评估。卷积神经网络（Convolutional Neural Network, CNN）模型能够跨物种、肌肉类型和NIRS设备预测pH值。训练数据集包含2539个样本，具有高度的生物学和技术多样性。手持式设备INDIGO显示出偏差，尤其是在LT和SM肌肉上。模型在校准集达到R²=0.95，在验证集达到R²=0.82，标准预测误差（Standard Error of Prediction, SEP）=0.14。NIRS能够实现快速的pH控制，但在任何部署之前都需要稳健的校准。

基于近红外光谱预测红肉pH值的综合评估：跨物种、肌肉与设备的深度学习建模

肉类pH值是衡量肉质的关键参数，与保水性、色泽、嫩度及货架期密切相关，并作为肌肉能量代谢和宰后变化的重要指标。高极限pH（>5.8，宰后24 h）会导致暗色、坚硬、干燥（Dark, Firm, and Dry, DFD）肉类缺陷，降低消费者接受度并造成经济损失；而过低pH则损害质地和色泽，影响分级和市场化。全球多种质量控制体系已将pH纳入标准，例如法国Label Rouge、原产地保护（Appellation d'Origine Protégée, AOP）及大型零售商质量计划，澳大利亚肉类标准（Meat Standards Australia, MSA）将pH作为嫩度主要预测因子，日本分级系统用于高品质和牛，美国USDA分级虽未直接采用但也通过pH排除异常肉。传统pH测量依赖探针直接插入或样品均质化后电位测定，后者虽准确但具破坏性、耗时，难以适应在线高通量工业应用。近红外光谱（Near-Infrared Spectroscopy, NIRS）作为一种快速、非侵入且可自动化的替代技术受到关注。已有研究表明，肌肉结构和光散射特性与pH相关：高pH肌肉纤维膨胀、光散射较少；低pH肌纤维直径更小、散射增强。此外，光照方向与肌纤维走向的相对关系影响NIRS信号与pH的相关性。然而，大多数现有研究局限于单一物种、肌肉类型、加工阶段或单一设备，跨更大范围工业条件（不同仪器、解剖部位、肉品状态如新鲜、成熟、冷藏或冻融，以及不同生物类型如物种、品种、生产系统）的稳健预测仍未充分探索。因此，开发能跨越多样化商业环境的稳健校准模型是大规模采用NIRS进行pH评估的主要挑战。

针对上述问题，研究人员开展了一项综合性研究。他们汇集了来自法国、新西兰和澳大利亚12项独立试验的2539个样本，涵盖3个红肉物种（牛肉、羊肉、鹿肉）、17种不同肌肉（包括氧化型与糖酵解型、嫩与韧部位）、宰前与宰后状态，并使用4种类型NIRS仪器（台式LabSpec、光纤探头KES、高光谱成像（Hyperspectral Imaging, HSI）和手持式INDIGO），统一光谱窗口为700–1100 nm以保证跨设备可比性。研究人员基于一维卷积神经网络（Convolutional Neural Network, CNN）构建回归模型，预测全部样本的pH值。模型训练集为2057个样本，验证集为482个样本，采用分层划分保留物种、仪器和肌肉的代表性。另设一个完全独立的外部测试集，包含80个样本（20头牛，4种肌肉，2种仪器），用于评估模型对未见动物类型、肌肉组合和设备的泛化能力。

主要技术方法方面，研究人员整合了多个来源的历史光谱数据集，样本来自AgResearch（新西兰）、INRAE/Bordeaux Sciences Agro（法国）和CSIRO（澳大利亚）的内部试验，并因保密协议不公开。光谱统一为81个波长变量（700–1100 nm）。模型采用深度卷积神经网络回归框架：3个一维卷积层（核大小3，滤波器数16、32、64），每层后接池化层（池大小2），ReLU激活，随后展平并连接3个全连接层（节点数512、128、64），Dropout率10%，输出层为1个节点。损失函数为均方误差（Mean Squared Error, MSE），使用Adadelta优化器和反向传播算法，初始学习率0.1，批大小32，训练3000轮次。模型性能通过决定系数（R²）、标准预测误差（Standard Error of Prediction, SEP）和残差预测偏差（Residual Prediction Deviation, RPD）评估。此外，研究人员采用梯度灵敏度分析计算样本杠杆分数，并通过集成梯度（Integrated Gradients）方法解释光谱变量贡献。

研究结果部分。第一小节为“3.1 模型构建、训练与验证”。研究人员在训练集和验证集上评估了CNN模型。训练集样本pH均值为5.75±0.33，验证集为5.74±0.32。初步主成分分析显示数据存在强非线性。模型在多数试验中预测良好，内部验证线几乎与校准线重合，未表现出过拟合或欠拟合。训练集pH预测的决定系数R²=0.95，SEP=0.07，偏差为?0.02；验证集R²=0.82，SEP=0.14，RPD=2.35。按试验分别统计时，部分试验（如试验4、8、9）验证集残差标准差与校准集相近，可能因使用HSI于羊或鹿肉且肌肉面积较小；其他试验验证集残差标准差略高，但剔除极值后统计显著改善，表明原始差异主要源于随机变异而非模型一致局限。尽管存在同一样本可能同时出现在校准和验证集中的局限，但验证性能并未显示人为膨胀，且与无重叠的试验性能相当。

第二小节为“3.2 外部数据集上的模型测试”。研究人员在独立外部数据集上检验模型泛化能力。首先，pH计重复测量的残差分析显示85%残差落在2倍标准差（0.05）以内，62.5%低于1倍标准差，表明参考测量重复性高。对于预测残差，使用LabSpec设备时，多数肌肉和动物类型的残差中位数接近零，偏差低，仅牛或公牛的臀中肌（Gluteus medius, GM）出现轻微低估，大多数残差在±5%内。使用INDIGO手持设备时，残差离散度显著增大，中位数系统性低于零线，常低于?5%，且需注意最长肌（Longissimus thoracis, LT）和半膜肌（Semimembranosus, SM）残差最大。进一步按平均pH值分层分析显示，多数肌肉-动物组合的预测误差与pH值本身无强趋势，表明偏差并非随pH水平变化。

讨论部分。原文讨论包括模型构建与验证的解读、模型解释与外部测试两部分。研究人员指出，训练曲线已收敛，模型结构与先前研究一致且能描述数据复杂性。验证集R²和RPD低于校准集，但残差分析支持差异源于随机变异。模型杠杆分数分析表明，肌肉类型是影响建模的最主要因素，而仪器类型也形成聚类，说明不同设备的光照和检测设计影响光谱信息。外部测试中INDIGO的显著偏差提示，设备设计可能增强光与肌纤维相互作用的各向异性效应，而校准数据中INDIGO样本主要来自法国Limousin母牛，与外部验证中的新西兰奶牛和杂交牛在年龄、体况和生产系统上存在差异，可能影响光谱响应。尽管LabSpec和INDIGO在校准样本数量相近，但INDIGO在外部测试中的偏差更大，说明并非样本代表性不足，而是设备光学构造（如LED照明角度和狭缝设计）与LabSpec（垂直入射光）不同所致。研究人员提出，未来需改进手持设备的探针角度、接触压力和扫描面积。

最后，研究结论部分翻译如下：本研究评估了NIRS作为预测红肉pH值的非侵入性快速方法的价值。通过利用包含多物种、多种肌肉类型和多种NIRS仪器的大型异质数据集，研究证明了NIRS可作为红肉pH值通用代理指标的有效性。研究同时指出了需要改进的关键领域：手持式设备（如INDIGO）表现出较低的预测精度和偏差。差异分析表明，照明/检测系统的设计在捕获肌肉结构相关信息中起关键作用，而无法成功捕获这些信息降低了传感器预测性能并引入偏差。为减少手持设备（如INDIGO）与台式系统之间的变异性，应考虑探针角度、接触压力和扫描区域等技术改进。