基于近红外透射光谱与深度学习算法的原料奶嗜冷菌快速定量检测方法研究

《Journal of Dairy Science》：Dose-dependent effects of the Asparagopsis taxiformis variety Brominata on enteric methane emissions of dairy cows

本研究针对传统嗜冷菌检测方法耗时长、操作复杂的问题，开发了一种结合近红外透射光谱(NIRTS)与化学计量学的新型快速检测技术。研究人员通过Savitzky-Golay(SG)光谱预处理、无信息变量消除(UVE)特征波长筛选和长短期记忆网络(LSTM)建模，构建了SG-UVE-LSTM最优预测模型，预测集决定系数Rp2达0.9277，相对分析误差RPD为3.8256。该技术将检测时间从传统方法的数十小时缩短至秒级，为乳品微生物安全监控提供了高效解决方案。

　　

在乳制品行业高速发展的今天，原料奶的质量安全监控始终是行业关注的焦点。其中，嗜冷菌污染问题尤为突出——这些能在7°C低温下旺盛生长的微生物，不仅会分解乳制品中的营养成分，其代谢产生的耐热酶更会在巴氏杀菌后继续作用，导致产品出现沉淀、凝固和异味等现象，严重影响着乳品的保质期和经济价值。然而，传统的嗜冷菌检测方法如标准平板计数需耗时10天，PCR和流式细胞术等技术虽能缩短至1-2小时，但仍存在操作复杂、设备昂贵或易受干扰等局限，难以满足现代化乳品生产线上快速筛查的需求。

面对这一行业痛点，发表在《Journal of Dairy Science》上的最新研究开创性地将近红外透射光谱技术与深度学习算法相结合，建立了一种原料奶中嗜冷菌的快速定量检测方法。研究团队从宁夏灵武市不同规模的3个牧场采集了71份原料奶样本，涵盖大型(存栏≥500头)、中型(100-500头)和小型(<100头)牧场，确保样本的代表性。通过便携式近红外光谱仪在900-1,700 nm波长范围内采集光谱数据，并采用SPXY样本划分方法将样本按3:1比例分为训练集和测试集。

技术方法核心包括：近红外透射光谱采集、Savitzky-Golay光谱预处理、四种特征波长选择方法(iVISSA、CARS、UVE、IRIV)、三种定量建模算法(PLSR、RF、LSTM)以及模型性能评估指标(R_p²、RMSEP、RPD)。

光谱数据分析显示，经对数转换后的嗜冷菌浓度(1-8 log cfu/mL)分布更接近正态分布。不同浓度梯度的原料奶光谱在1,680 nm处表现出最显著的吸光度差异，该特征与嗜冷菌代谢产生的胞外聚合物中羟基含量变化相关。在930 nm、970 nm、1,150 nm和1,450 nm等特征吸收峰分别对应脂肪C-H键、水分子O-H键、C-H键伸缩振动和水分子O-H键的一级倍频振动。

光谱预处理结果表明，SG预处理在三种模型中均表现最优，特别是SG-LSTM组合使预测集R_p²达到0.8546。研究人员通过比较四种特征选择方法发现，UVE算法选取的78个特征波长在峰值区域分布均匀，有效保留了关键光谱信息。UVE-LSTM模型将预测集R_p²进一步提升至0.9277。

定量模型构建结果显示，深度学习模型显著优于传统方法。LSTM模型在捕捉光谱序列数据的非线性特征方面表现突出，其预测性能排序为LSTM > RF > PLSR。最优的SG-UVE-LSTM模型关键指标为：R_p²=0.9277，RMSEP=0.2820 log cfu/mL，RPD=3.8256。根据RPD评价标准(RPD≥3表示预测性能优异)，该模型展现出卓越的预测能力。

模型性能验证通过配对样本t检验进行统计验证。结果显示t统计量为0.2595，小于单尾临界值1.7396，P(T≤t)单尾为0.3992(P>0.05)，表明实测值与预测值无显著差异，验证了模型的可靠性。

该研究的创新性在于首次将LSTM算法应用于原料奶嗜冷菌的NIRS定量检测，证实了深度学习在复杂非线性光谱数据分析中的独特优势。与传统方法相比，将检测时间从数十小时缩短至秒级，且无需复杂样品前处理，为乳品微生物安全监控提供了突破性的技术解决方案。研究还指出，未来将通过样本扩增和生成对抗网络数据增强策略进一步提升模型稳定性和泛化能力，为食品微生物快速检测领域树立了新的技术标杆。

这项研究不仅为乳品行业提供了实用的快速检测工具，更为其他食品基质中微生物检测提供了可借鉴的技术框架，对推动食品安全检测技术向快速化、智能化方向发展具有重要意义。