鲜鸡胸肉中金黄色葡萄球菌定性检测的VIS-NIR 高光谱成像光谱分类模型的建立与比较

  家禽是世界上重要的消费肉类之一，某些食源性病原体可能会污染家禽产品并在人体中引起肠道疾病或食物中毒，因此检测家禽中的这些食源性病原体非常重要。目前用于检测细菌性食源性病原体的两个标准方法是传统培养和聚合酶链反应(PCR)方法。虽然这两种方法可以获得高准确性的满意结果，但对操作人员和操作环境要求严格。培养和PCR方法都具有破坏性、耗时且劳动密集的特点。因此，需要开发快速、非破坏性的食源性细菌病原体检测方法。

  因此，本文主要目的是研究HSI在鸡肉中检测食源性病原体的潜力并促进其实际应用。使用传统方法和深度学习方法结合HSI开发模型，对未受污染和受污染的鸡肉进行分类。本研究始终使用常见的食源性病原体金黄色葡萄球菌作为目标。本研究的子目标是：(1)使用传统数据分析方法基于全光谱和有效波长开发分类模型，对未受污染和受污染的鸡肉样品进行分类;(2)开发深度学习架构进行建模;(3)评估和比较所开发模型的性能，探索改善鲜鸡中SA定性检测的最佳模型。

  该研究探讨了应用VIS-NIR HSI技术对鸡胸肉中的SA污染水平进行分类。观察到了未被污染和被污染的鸡样本在VIS-NIR波长范围内的光谱差异。特别是在496 nm、550 nm、716-926 nm和977 nm波长处的差异更为明显。这种现象可以归因于缺氧效应和由细菌性食源性病原体引起的液体浓度变化。利用HSI为基础，构建了基于传统机器学习和深度学习技术的鸡样本分类模型，用于检测SA。结果表明，基于HSI分析，深度学习在检测鸡胸肉中的SA方面具有很大的潜力。

  原文doi：10.1016/j.saa.2022.121838