基于可见 - 近红外光谱技术预测恒河鲚鱼片总菌数的机器学习、深度学习与混合模型比较评估

《Food Control》：Comparative Evaluation of Machine Learning, Deep Learning, and Hybrid Models for Predicting Total Viable Count in Hilsa Fish Fillets Using VIS-NIR Spectroscopy

　　

摘要：鱼类新鲜度的快速无损评估对于确保食品安全至关重要，而传统方法具有破坏性、劳动强度大且耗时。本研究探讨了可见光 - 近红外（VIS–NIR）光谱与机器学习（ML）、深度学习（DL）及混合模型集成在预测海鲚鱼柳中总菌落数（TVC）方面的潜力。共分析了在 0 °C 储存 10 天和 4 °C 储存 9 天的 168 个样品。反射光谱（350–2500 nm）使用八种技术进行了预处理，其中萨维茨基 - 高莱平滑结合一阶导数（SG+D1）表现最佳。使用连续投影算法（SPA）、竞争性自适应重新加权采样（CARS）和模拟退火（SA）选择特征波长，其中 SPA 显示出优越的有效性。开发并评估了包括 PLSR、SVR、RF、XGB、CNN-1D 和基于 CNN 的混合模型在内的预测模型。在传统机器学习模型中，SPA-XGB 模型表现最佳，R2 = 0.914，RMSEP = 0.395，RRMSEP = 9.68%，RPD = 3.436。独立的 CNN-1D 模型进一步提高了预测精度（R2 = 0.937，RMSEP = 0.339，RRMSEP = 8.31%，RPD = 4.005）。在混合模型中，CNN-XGB 实现了最高的预测性能，R2 = 0.966，RMSEP = 0.303，RRMSEP = 7.43%，RPD = 4.475，显示出比传统机器学习和独立的 CNN-1D 模型更优越的预测性能。这些结果表明，混合可见光 - 近红外光谱结合深度特征提取提供了一种准确、快速且可靠的方法，用于在海鲚鱼柳冷藏储存期间进行非破坏性微生物质量监测。

引言：鱼类是一种营养丰富的食品；然而，其易受快速腐败的特性，主要由内源性酶和嗜冷微生物的作用引起，给食品行业带来了主要挑战（Wu et al., 2019; Zhang et al., 2020）。因此，快速准确地评估鱼类新鲜度对于确保食品安全和维持营养质量至关重要。海鲚（Tenualosa ilisha），通常称为海鲚鲱，属于鲱科，被认为是印度一种极受重视的食用鱼（Dutta et al., 2021）。除了在印度，海鲚在孟加拉国、缅甸和波斯湾地区等国家也具有相当大的生物、营养、经济、社会和文化重要性（Ahmed et al., 2021）。2021 年全球海鲚产量达到约 583,000 吨，其中孟加拉国贡献了大部分份额，约 565,000 吨，而印度在同一年生产了近 14,000 吨（FAO, 2022）。它是 omega-3 多不饱和脂肪酸（PUFAs）的绝佳来源，包括二十碳五烯酸（EPA）、二十二碳六烯酸（DHA）和优质蛋白质（Alam et al., 2025）。然而，由于其高水分和脂质含量，海鲚在储存和运输过程中极易迅速变质，突显了对新鲜度评估可靠技术的需求。

评估鱼类新鲜度的传统方法包括感官评估（Knowles et al., 2020）、化学分析（Kim et al., 2023）、微生物评估（Zhang et al., 2021）以及物理测量，如质地分析（Bernardo et al., 2022; Xie et al., 2023）。在这些方法中，总菌落数（TVC）被认为是最可靠的微生物指标之一，用于评估微生物生长和腐败进展。然而，传统的 TVC 测定方法具有破坏性、耗时、劳动强度大，且需要广泛的样品制备，这限制了其适用于鱼类质量的快速和实时监测（Lin et al., 2025）。

近年来，无损光谱技术因其在食品质量评估中的应用而备受关注。近红外（NIR）光谱因其快速检测能力和最小的样品制备需求，已成为一种有前景的分析工具。微生物生长引起蛋白质降解、脂质氧化、水分重新分布和挥发性代谢产物形成等生化变化，这些变化改变了鱼样品的可见光 - 近红外光谱响应（Han et al., 2025）。这些变化影响与 O–H、C–H 和 N–H 官能团相关的吸收和反射特性，允许通过光谱分析间接估计微生物负荷。此外，与中红外技术相比，近红外光谱允许更深地穿透生物样品，使其适用于非破坏性分析（Guo et al., 2025）。

最近的研究证明了近红外光谱结合机器学习在预测水产品新鲜度指标方面的有效性。例如，Han et al. (2025) 采用与近红外光谱集成的深度学习方法来评估小龙虾的新鲜度，对 TVB-N 和 TVC 实现了强烈的预测性能（R > 0.93）。Duan et al. (2014) 报告称，便携式近红外光谱结合 GA-BP（遗传算法 - 反向传播）神经网络可以准确预测比目鱼柳中的总细菌数（R ≈ 0.985），表明其适用于现场监测。同样，Xu et al. (2025) 表明，高光谱技术结合化学计量模型可以准确预测冷藏肉系统中的 TVC 和 TVB-N，相关系数超过 0.96。机器学习（ML）和深度学习（DL）的进步显著提高了光谱技术在食品质量评估中的预测性能。诸如支持向量机（SVM）、随机森林（RF）、偏最小二乘回归（PLSR）和卷积神经网络（CNN）等算法已被广泛用于分析复杂的光谱数据（Bristy et al., 2025）。混合模型，特别是 CNN–SVR，已显示出卓越的性能，在猪肉中实现了高预测准确度的 TVB-N，R2 值超过 0.93（Zhao et al., 2025）。同样，深度学习与多模态光谱的集成使得能够准确预测脂质氧化，CNN 模型报告三文鱼中 R2 ≈ 0.866（Guo et al., 2025）。这些进展突出了 ML 和 DL 技术在非破坏性食品质量监测中的稳健性和适用性。

机器学习最近的进展通过高斯过程回归（GPR）（Jin and Xu, 2025b; Jin and Xu, 2026d）、图形建模技术（Jin and Xu, 2026a; Jin and Xu, 2026b）、先进神经网络（Xu and Zhang, 2023a; Jin and Xu, 2025a）和集成学习框架（Xu, 2020; Xu and Zhang, 2021）等方法，进一步扩展了食品质量预测的能力。GPR 因其基于核的灵活性和固有的不确定性量化而备受关注，使其特别适合对光谱数据集中的复杂非线性关系进行建模（Jin and Xu, 2026c）。同样，集成和混合学习策略通过有效地整合互补的建模技术，已显示出改进的稳健性和预测准确性（Jin and Xu, 2024b）。这些发展突出了先进机器学习方法在非破坏性食品质量评估中的巨大潜力。

尽管光谱技术和机器学习应用取得了显著进展，但大多数研究主要关注虾（Hao et al., 2025）、三文鱼（Guo et al., 2025）、鲈鱼（Wang et al., 2023）、草鱼（Zhang et al., 2024）和猪肉（Zhao et al., 2025）等物种，而对海鲚鱼的关注有限。在使用可见光 - 近红外光谱非破坏性预测海鲚鱼柳中总菌落数（TVC）方面存在一个主要的研究空白，特别是通过系统比较机器学习（ML）、深度学习（DL）和混合模型。

因此，本研究旨在开发一个基于可见光 - 近红外光谱的稳健框架，用于非破坏性预测海鲚鱼柳中的总菌落数（TVC）。应用了多种预处理技术，包括 SG、SNV、MSC、D1、D2、SG+SNV、SG+MSC 和 SG+D1，以提高光谱质量，随后使用 CARS、SPA 和 SA 等特征选择方法识别信息波长并减少数据冗余。随后，开发并评估了包括 PLSR、SVR、RF、XGB、CNN-1D 和混合模型（CNN–PLSR、CNN–SVR、CNN–RF 和 CNN–XGB）在内的预测模型。使用决定系数（R2）、根均方误差（RMSE）和残差预测偏差（RPD）等统计参数进行了比较评估，以识别最准确和可靠的模型，用于海鲚鱼柳的快速和实时微生物质量评估。

章节片段
样品制备
新鲜的海鲚（Tenualosa ilisha）鱼从德里当地鱼市采购，并立即使用保温容器在冷藏条件下运输到实验室以保持新鲜度。到达后，将鱼清洗、切片，并在消毒的工作台上进行处理。共获得 168 个无皮鱼柳，并仔细去除多余的脂肪、骨头和结缔组织。将鱼柳切成大约 50 mm × 50 mm × 10 mm 的均匀部分。每个样品

TVC 参考测量
海鲚鱼柳在冷藏储存期间的测量 TVC 值如图 2 所示。在 0 °C 储存 10 天和 4 °C 储存 9 天期间，TVC 值分别从 3.3 log10 CFU/g 增加到 0 °C 下的 7.25 log10 CFU/g，从 3.3 log10 CFU/g 增加到 4 °C 下的 7.38 log10 CFU/g，表明微生物持续增殖和鱼类新鲜度的逐渐恶化。冷藏海鲚鱼柳中总菌落数（TVC）的方差分析为

结论
本研究证实了可见光 - 近红外光谱与机器学习、深度学习及混合建模方法集成，在快速和非破坏性预测海鲚鱼柳冷藏储存期间微生物质量变化方面的潜力。在预处理和特征选择方法中，SG+D1 和 SPA 显示出优越的性能，用于增强光谱质量和选择信息波长。开发的 CNN–XGB 混合框架表现出最佳

CRediT 作者贡献声明
P.K. Sahoo：写作 - 审阅与编辑，可视化，监督，软件，调查，数据整理。R. Pandiselvam：写作 - 审阅与编辑，写作 - 原稿，可视化，验证，资源，方法学，调查。Sangeeta Chopra：写作 - 审阅与编辑，验证，监督，资源，项目管理，方法学，调查，资金获取。Subrata Mandal：写作 - 原稿，方法学，调查，形式分析，数据整理。

未引用的参考文献
Li et al., 2023; Luo et al., 2024; Meri? Turgut and Gerdan Koc, 2025; Panwar et al., 2025; Tian et al., 2025; Xu and Zhang, 2024b; Xu et al., 2022.

数据可用性
本研究中生成和分析的数据集可根据合理要求从作者处获得。

利益冲突
作者声明，他们与本研究的任何利益冲突无关。

资助
作者声明，进行本研究未收到任何外部财政支持。

竞争性利益声明
? 作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。

致谢
作者衷心感谢印度农业研究学会印度农业研究所，新德里，印度，农业工程、微生物学和农业物理分校的部门负责人、教员和技术人员，为他们宝贵的支持以及为本工作提供所需的设施和资源表示感谢。

Subrata Mandal|Sangeeta Chopra|R. Pandiselvam|P.K. Sahoo|R.N. Sahoo|Seema Sangwan|Ashraful Haque|Roaf Ahmad Parray|Devinder Dhingra
农业工程系，印度农业研究学会印度农业研究所，普萨校区，新德里 – 110012，印度