综述：冷冻海鲜质量评估：传感技术与人工智能的进展

《Foods》：Quality Assessment in Frozen Seafood: Advances in Sensing Technologies and Artificial Intelligence

　　

冷冻海鲜在全球食品供应中扮演重要角色，但在冷冻储存和冷链分销期间维持其质量仍然是一个重大挑战。尽管冷冻能有效减缓微生物生长和酶活性，但无法完全阻止品质劣变。在冷冻储存过程中，海鲜会经历一系列相互关联的物理化学变化，包括冰晶生长、蛋白质变性与氧化、脂质氧化、水分再分布以及质地劣变。这些变化逐渐降低感官品质、营养价值以及整体商业可接受性。传统的质量评估方法，包括破坏性实验室分析和感官评价，仍被广泛使用。然而，这些方法通常劳动密集、耗时，且不适合现代冷链系统中快速或实时监测。因此，非破坏性传感技术受到越来越多的关注，其能够快速、客观地评估海鲜质量。本综述总结了冷冻海鲜品质劣变的主要机制，以及用于监测这些变化的最新传感技术进展。所讨论的传感方法包括近红外（NIR）和拉曼光谱、高光谱与荧光成像、低场核磁共振（LF-NMR）、电子鼻（E-nose）、电子舌（E-tongue）、比色传感器阵列（CSAs）和生物传感器。本综述还讨论了人工智能在冷冻海鲜质量评估中日益增长的作用，包括化学计量学、机器学习、深度学习以及多传感器数据融合。特别关注它们在质量预测、工业实施和决策支持中的应用。最后，指出了当前的挑战和未来的研究需求，重点是开发可解释、可迁移和实时监测系统，以支持整个冷冻海鲜供应链中更可靠的质量保证。

1. 引言

冷冻海鲜产业在全球食品供应中具有重要作用，冷冻是延长货架期、减少采后损失的主要手段。然而，冷冻并不能完全阻止品质劣变，冰晶形成、蛋白质变性、脂质氧化等机制导致感官和营养质量下降。传统质量评估依赖破坏性实验室分析和感官评价，耗时且不宜实时监测，因此非破坏性传感技术与人工智能的结合受到广泛关注。

2. 冷冻海鲜质量劣变机制

冷冻储存期间的海鲜品质劣变是多种物理化学变化相互交织的过程，包括冰晶生长、蛋白质变性氧化、脂质氧化、水分迁移和质地软化等。理解这些机制是开发有效传感监测方法的基础。

2.1. 关键质量属性

冷冻海鲜质量由物理、化学、微生物和感官属性共同决定。其中质地（硬度和弹性）和颜色是储存劣变的敏感指标，且易于通过非破坏性技术监测，因此成为质量监控的主要目标。

2.2. 蛋白质氧化与变性

冰晶形成和重结晶破坏肌原纤维蛋白结构，导致蛋白质解析叠、疏水基团暴露、分子间聚集和功能性质丧失，表现为保水性降低、质地变硬。氧化修饰（如羰基化、巯基损失）进一步加剧劣变。肌红蛋白中的氧合肌红蛋白（含Fe²⁺）转化为高铁肌红蛋白（含Fe³⁺）引起颜色变化，这些分子变化为光谱和电化学传感器提供了监测基础。

2.3. 脂质氧化

多不饱和脂肪酸（如EPA和DHA）氧化生成氢过氧化物，继而分解为丙二醛、醛、酮等二级产物，产生腥味和营养损失。氧化产物还会促进蛋白质氧化，因此脂质氧化也是重要的质量监测指标。

2.4. 冰晶形成与机械损伤

冻结速率和储存温度稳定性决定冰晶大小与分布，慢速冻结形成大冰晶，损伤细胞膜和肌肉纤维；温度波动通过Ostwald熟化促进冰晶重结晶，加剧组织破坏，导致解冻后滴水损失增加和质地劣变。

2.5. 劣变机制的互作

冰晶损伤释放自由基和促氧化因子，同时激活脂质和蛋白质氧化；氧化产物又促进蛋白聚集，形成恶性循环。因此单一质量指标难以全面评估劣变程度，需要多传感器数据融合。

3. 冷冻海鲜质量监测传感技术进展

近年来发展了多种非破坏性传感技术，可快速客观地检测化学组分、水分分布、组织结构和挥发性物质。

3.1. 光谱与光谱成像技术

此类技术提供分子组成信息和空间分布，适合监测蛋白质、脂质和水分变化。

3.1.1. 近红外（NIR）光谱

NIR光谱基于C-H、O-H、N-H基团的倍频和合频吸收，可用于区分新鲜与冷冻-解冻样品，分类准确率达90%左右。便携式NIR设备在冻融鱼样识别中表现出潜力，但受季节和生物差异影响。

3.1.2. 拉曼光谱

拉曼光谱提供分子指纹信息，水信号干扰小，适合监测蛋白质二级结构、脂质不饱和度及色素状态。与NIR融合并结合CNN可以提高脂质氧化指标如TBARS的预测精度。

3.1.3. 高光谱与多光谱成像

高光谱成像（HSI）同时获取空间和光谱信息，可可视化质量劣变的分布。结合深度学习可识别冻融历史，准确率超过90%。多光谱成像作为低成本替代方案，更适合工业在线应用。

3.1.4. 荧光光谱与成像

荧光光谱利用内源性荧光分子（色氨酸、NADH、脂质氧化产物等）的激发发射矩阵反映质量变化，可用于预测K值，但需要开发便携设备并扩大验证。

3.1.5. 低场核磁共振（LF-NMR）

LF-NMR通过测量质子横向弛豫时间（T₂）区分结合水、固定水和自由水。冻藏过程中水分从固定水向自由水迁移，与滴水损失和质地劣变相关，是评估持水性的有力工具。

3.2. 用于挥发性、味道和气体检测的传感器阵列

电子感官技术可快速嗅闻和品尝，补充光谱信息。

3.2.1. 电子鼻（E-nose）

电子鼻使用气体传感器阵列响应挥发性有机物（VOCs）模式，可区分不同冻藏时间和新鲜度。与电子舌、色度计融合可提高多项质量指标的预测性能。

3.2.2. 电子舌（E-tongue）

电子舌用电化学传感器检测游离氨基酸、核苷酸等味觉化合物，可评价冷冻水产品的鲜美度变化，但需要针对特定产品和储存条件建立模型。

3.2.3. 比色传感器阵列（CSAs）

CSA利用染料与胺类、硫化物等腐败气体反应变色，可作包装内新鲜度指示。然而在腐败后期响应饱和，导致分辨能力下降。

3.3. 新兴传感模态

生物传感器能检测特定生物标志物（如次黄嘌呤、组胺），超声可评估内部结构和脂肪含量，智能包装通过时间-温度指示器（TTI）和RFID标签记录冷链温度历史，这些技术在特定场景下有价值。

3.4. 从实验室到工业：成本、稳健性与监管挑战

从实验室走向工业面临多重障碍：校准转移和传感器漂移、维护成本、物种间模型迁移性差、监管认可缺失等。目前NIR和智能标签相对成熟，而HSI、拉曼和LF-NMR仍以研究为主。

4. 数据集成与人工智能用于质量预测

AI方法能够从高维传感数据中提取有用信息，用于质量预测和分级。

4.1. 化学计量学与经典机器学习

主成分分析（PCA）用于降维，偏最小二乘回归（PLSR）和判别分析（PLS-DA）用于定量和分类。支持向量机、随机森林等机器学习算法建立了传感信号与质量指标之间的非线性映射，但需要严格的验证。

4.2. 深度学习用于特征提取和质量建模

卷积神经网络（CNN）可自动从原始光谱和图像中学习特征，在冻融虾新鲜度分类和冻融历史识别中表现出色。混合模型（如CNN-LSTM）可捕捉随时间演变的质量变化。但深度学习需要大样本和可解释性分析。

4.3. 多传感器数据融合

融合策略包括低层、中层和高层融合。NIR-拉曼融合可改善蛋白质和脂质氧化预测。然而，传感器数据异质性要求仔细选择互补传感器，避免增加冗余。

5. 在冷冻海鲜质量监测中的应用

5.1. 新鲜度和腐败评估

结合光学传感器、电子鼻和AI可同时评估K值、TVB-N、TBARS和Ca²⁺-ATPase活性等指标，实现了冷冻-解冻虾的新鲜度分类和大黄鱼新鲜度监测。

5.2. 蛋白质、质地与持水性评估

拉曼光谱监测蛋白质二级结构变化，LF-NMR监测水分状态，结合AI可识别冻融历史并间接评估持水性和质地。

5.3. 脂质氧化与风味相关质量监测

NIR-拉曼融合模型成功预测了三文鱼的TBARS值，电子鼻提供挥发性物质轮廓，而GC-MS与脂质组学的整合可用于解析风味劣变机制。

5.4. 货架期预测与质量分级

利用NIR光谱和可解释机器学习，可在磷虾等产品中预测冻藏时间，并通过SHAP分析识别关键波长。智能包装与TTI结合可动态更新剩余货架期，但需要多物种验证。

6. 挑战与未来方向

6.1. 物种和产品特异的质量劣变

不同物种的脂质含量和结构差异导致劣变模式不同，需要开发物种特异性和产品形式特异性模型，并进行跨批次验证。

6.2. 冷链监测中的传感器稳定性

低温、冷凝、振动等因素影响传感器信号，需要防冷凝设计、漂移补偿和校准策略，以保障实际冷链中的可靠性。

6.3. 监测耦合质量变化的困难

水分迁移、脂肪氧化和蛋白质变性同时发生，互相耦合，难以用单一传感器监测，需采用多种互补技术联合。

6.4. 检测解冻、再冷冻和温度波动

这些问题不易通过外观发现，但会造成结构损伤。需要温度记录仪、TTI和光谱技术结合以检测温度滥用。

6.5. 预测模型的可迁移性有限

模型通常针对单一条件训练，换物种、设备或季节后性能下降。迁移学习和校准传递可能增强鲁棒性，但需外部验证。

6.6. 多传感器融合的实际困难

不同传感器的数据尺度、噪声和时间特性不同，不当融合会降低性能。应基于明确目标选择传感器并采用数据对齐、特征降维和可解释模型。

6.7. 工业成本、速度与可用性

工业应用需在成本、速度和易用性之间平衡。便携式NIR、色度标签和TTI适合现场快速筛查，而HSI、LF-NMR等更适合实验室或高附加值产品。

7. 结论

本综述总结了冷冻海鲜质量劣变机制、非破坏性传感技术和人工智能应用的最新进展。多传感器融合与深度学习提高了质量预测的准确性和全面性，但要实现工业应用仍需克服可迁移性、稳定性和成本等挑战。未来智能冷链管理系统将融合边缘计算、物联网和区块链，实现全链路的实时质量监控。