深度学习与高光谱成像技术：冷藏牛肉中嗜冷菌的快速监测与建模

在中国，冷链系统的不完善导致冷藏牛肉容易受到嗜冷菌的影响，从而引起品质下降和腐败，带来食品安全问题。为了更好地监测和预测这些嗜冷菌的生长，研究人员采用了深度学习与高光谱成像技术相结合的方法，对冷藏牛肉中的假单胞菌和乳酸菌进行了实时监测和生长建模。

研究人员从宁夏大学的肉类质量和安全控制实验室获取了牛肉样本。在样本准备过程中，他们将牛肉切成标准尺寸，经过处理后真空密封并冷藏于4℃。每天取出一定数量的样本进行高光谱检测和菌落计数，实验持续了10天。菌落计数参照中国国家标准，通过平板计数法确定假单胞菌和乳酸菌的数量。

图 1：冷鲜牛肉中假单胞菌和乳酸菌随储存时间变化的菌落数趋势图，显示两者先增长后趋稳再下降。

高光谱成像技术结合了二维成像与一维光谱分析，能够同时获取物体的空间和光谱信息。在获取图像前，对仪器进行预热和黑白校准，以确保数据的准确性。通过手动划定感兴趣区域，提取平均光谱反射率，并进行了一系列的预处理步骤，包括异常值检测、数据集划分和光谱预处理，以增强模型的稳健性。

图 2：冷鲜牛肉在 4℃储存时的近红外原始光谱图，标注了不同波长对应的化学键振动特征（如 C-H、O-H 伸缩振动）。

为了提高模型的计算效率，研究人员采用了四种方法提取特征波长：竞争自适应重加权采样、连续投影算法、变量组合惩罚分析和迭代保留信息变量。接着，利用偏最小二乘回归、能量谷优化的时间卷积网络结合多头注意力机制和随机配置神经网络回归模型来预测嗜冷菌的含量。模型性能通过校准集决定系数、校准集均方根误差、预测集决定系数和预测集均方根误差等指标进行评估。

图 3：乳酸菌光谱数据预处理效果对比图，展示不同预处理方法（GF、SG 等）对模型预测指标（\(R_c^2\)、RMSEC 等）的影响。

实验结果显示，假单胞菌和乳酸菌是冷藏牛肉中最主要的腐败菌。从第0天到第4天，这两种菌的菌落数量显著增加，进入对数生长期。在第5天到第7天，生长进入稳定期，菌落数量差异不显著。在整个实验期间，假单胞菌的生长速率高于乳酸菌。通过高光谱成像技术获取的光谱特征显示，在1001 - 1655nm光谱区域内的特征倍频振动与有机化合物中的C - H/N - H伸缩倍频振动相关。

图 4：假单胞菌光谱数据预处理效果对比图，呈现多种预处理方法下模型性能指标的差异。

对于乳酸菌，采用高斯滤波预处理的偏最小二乘回归模型获得了最佳建模结果。而对于假单胞菌，采用多重散射校正预处理的偏最小二乘回归模型效果最佳。此外，研究人员还利用Baranyi模型、Gompertz模型和Huang模型对微生物生长进行了拟合，发现Gompertz模型更适合描述乳酸菌的生长，而Huang模型更适合描述假单胞菌的生长。

图 5：四种特征波长提取方法（CARS、VCPA、SPA、IRIV）对光谱变量的筛选结果对比图，显示不同算法保留的特征波长分布与权重。

图 6：假单胞菌和乳酸菌生长拟合曲线图，对比了平板计数法与高光谱预测法在三种模型（Baranyi、Gompertz、Huang）下的拟合效果。

这项研究表明，结合高光谱成像技术和预测模型可以替代传统的平板计数法，实现对冷藏牛肉中主要嗜冷菌的快速定量分析。通过建立微生物含量与光谱响应之间的非线性关系，可以实时监测细菌动态，精确估算肉类的储存时间和新鲜度。未来的研究将扩展高光谱成像技术在其他嗜冷菌中的应用，并开发更全面的指标模型，以推动肉类行业的智能化和数据驱动发展，确保消费者安全和操作效率。

参考文献：Wang G, Yan X, Feng Y, et al. Deep learning-driven hyperspectral imaging for real-time monitoring and growth modeling of psychrophilic spoilage Bacteria in chilled beef[J]. International Journal of Food Microbiology, 2025: 111254.