基于激发-发射矩阵荧光光谱和双通道多任务网络的牛肉新鲜度非破坏性多属性预测

《Food and Bioprocess Technology》：Non-destructive Multi-attribute Prediction of Beef Freshness Using Excitation–Emission Matrix Fluorescence Spectroscopy and a Dual-Channel Multi-task Network

　　

摘要

快速、无损的牛肉新鲜度评估对冷链运输、质量分级和安全控制具有重要意义。传统的理化方法耗时较长、具有破坏性，且不适合同时评价多个指标。本研究开发了一种以挥发性盐基氮（TVB-N）为导向的不对称级联激发-发射矩阵（EEM）网络（TAC-EEMNet），用于从EEM荧光光谱中同时预测TVB-N、pH值和CIELAB红度（a^*）。构建了两种互补的输入通道：一种是强度保持通道，表征荧光强度的变化；另一种是光谱形状增强通道，强调归一化后的峰形结构。两个独立的卷积神经网络（CNN）分支采用压缩-激励（SE）注意力机制分别从两个通道中提取特征，并将提取的特征与储藏时间信息进行融合。TVB-N被视为主要的鲜度任务，其梯度截断的中间表示引导了辅助的pH和a^*分支。在多次重复实验中，TAC-EEMNet在测试集上取得了TVB-N的平均R²值为0.9200、pH的平均R²值为0.8109，同时在a^*上仍保持了竞争力。与偏最小二乘回归（PLSR）、随机森林回归（RF）、支持向量回归（SVR）、MLP双分支网络和CNN双分支网络相比，该模型在核心鲜度指标和加权综合评价方面均表现出优越的性能。融合符号化Grad-CAM和感兴趣区域（ROI）遮挡分析进一步表明，预测主要依赖于约E_x 250–320 nm和E_m 300–400 nm范围内的主要EEM峰区域，同时光谱形状增强通道中与峰形相关的区域也作出了重要贡献。因此，TAC-EEMNet提供了一个可解释的框架，将EEM强度、光谱形状和储藏时间整合在一起，用于在储藏历史已知或可追溯的受控条件下，对牛肉新鲜度进行无损、多属性评估。