J. Future Foods | 鸡蛋贮藏期间的新鲜度：采用一种新型混合建模方法对蛋鸡日龄和货架期进行预测

本文系Journal of Future Foods原创编译，欢迎分享，转载请授权。

Introduction

鸡蛋富含各种营养物质，如蛋白质、维生素、脂肪和矿物质，深受消费者喜爱。由于老化过程的影响，鸡蛋的化学、物理、微生物和功能特性在产蛋后立即开始发生变化。鸡蛋在贮藏过程中的品质变化关系到其货架期和经济价值。事实证明，温度、相对湿度、是否清洁和微生物等因素对鸡蛋贮藏过程中的质量有着至关重要的影响。

据报道，随着蛋鸡年龄的增长，肝细胞体积的减小、细胞核形态发生变化造成肝脏卵黄前体的合成和运输减少、卵巢抗氧化能力降低，最终导致蛋鸡产蛋量下降。目前，较少有研究调查母鸡年龄对鸡蛋货架期的影响。为了对货架期进行适当评估，有必要研究其对鸡蛋整个贮藏过程中新鲜度的影响。

随着计算机科学的发展，机器学习方法已逐渐渗透到食品质量与安全检测领域。人工神经网络（ANN）、支持向量回归和随机森林等算法可以通过建立复杂的线性和非线性关系，灵活而精确地表示食品中的物理和化学变化。在鸡蛋科学领域，机器学习方法主要与光谱学、机器视觉和电子鼻等非破坏性检测技术相结合，用于新鲜度检测、裂纹识别和蛋壳强度评估，而有关货架期预测的研究很少。这可能是由于影响新鲜鸡蛋在贮藏过程中质量变化的因素较多，而且目前还没有统一的标准来定义鸡蛋的货架期。鸡蛋货架期模型的构建可以减少鸡蛋长时间贮藏造成的损失，保证上市鸡蛋的质量。通过构建HU、气室高度（ACD）、蛋黄指数（YI）、蛋清pH（ApH）和质量损失率（WL）等新鲜度指标与鸡蛋剩余货架期之间的联系，可以实现对鸡蛋货架期的实时、快速和准确预测。

作为机器学习的一种，反向传播人工神经网络（BP-ANN）已被广泛应用于机器人学、环境科学、力学等领域。在食品质量与安全控制、风味研究和过程优化等领域，BP-ANN 凭借其强大的非线性映射和自学习能力，已被用于解决信息提取、特征选择、分类和回归等高维问题。另一方面，BP-ANN是一种局部搜索优化策略，对网络的起始权重极为敏感。在以往的研究中，遗传算法和粒子群优化技术最常用于优化BP-ANN权重和阈值。布谷鸟搜索（CS）算法是一种新的生物启发算法，它通过模仿布谷鸟寄生育雏的习性来解决优化问题。将CS算法纳入BP-ANN并命名为CS-BP，可防止其陷入局部最小值问题。Freund和Schapire的自适应提升（AdaBoost）算法将多个弱学习模型合并为一个强学习模型，并在分类和回归应用中取得了令人满意的效果。在本研究中，将CS-BP作为AdaBoost算法的弱学习模型，称为CS-BP-AdaBoost，这种混合模型既能解决 BP-ANN的缺点，又能提高收敛速度和预测精度。

因此，本文旨在：1）研究母鸡年龄对鸡蛋贮藏品质的影响；2）随后建立CS-BP-AdaBoost模型，根据多个鸡蛋质量指标预测剩余货架期。在模型构建步骤中，对超参数进行了优化，并与其他机器学习模型进行了比较。这项研究旨在为准确、全面地预测鸡蛋在常温条件下的货架期提供技术支持。

Results

鸡蛋贮藏过程中新鲜度的变化

如图1A所示，随着贮藏时间的延长，S26、O27、S57和O58组样品的HU呈下降趋势。贮藏初期，4 组之间的HU差异显著，从大到小依次为O27＞S26＞O58＞S57）。以HU＜60作为鸡蛋货架期的终点，可以得出结论，S26、O27、S57和O58组的样品在室温下的货架期分别为9、12、6、6 d，且年轻组鸡蛋的货架期明显长于年长组。由此可见，母鸡年龄对鸡蛋贮藏初期的HU有重要影响。此外，在相同品种和贮藏时间下，母鸡年龄对HU有显著影响当贮藏时间相同时，O27组在整个贮藏期间的HU值明显高于O58组；同样，在大部分时间内，S26组的HU明显高于S57组。

图1 蛋鸡年龄对鸡蛋贮藏过程中HU（A）、YI（B）、ACD（C）、ApH（D）和WL（E）的影响

4 组鸡蛋的YI变化趋势如图1B所示，在贮藏过程中呈下降趋势，这是由于蛋内蛋黄膜变薄，水分从蛋白转移到蛋黄。贮藏初期，4 个组的初始YI存在一定差异，S26组最高，为0.429，而O27、S57和O58组分别为0.401、0.400和0.411。母鸡年龄对YI的影响在第9天后逐渐显现，年轻组的YI高于年长组。

如图1C所示，随着贮藏时间的延长，各组的ACD均逐渐增大。在相同的贮藏时间内，年轻组的ACD在整个贮藏期内均低于年长组。如图1D所示，S26、O27、S57和O58在贮藏的前3天显著增加，第 6～15天增加不显著。母鸡年龄的差异对整个贮藏期的ApH没有显著影响。

如图1E所示，S26、O27、S57和O58组的WL在整个贮藏期间都有显著增加。结果表明，贮藏时间的变化对WL有重要影响。此外，在相同的贮藏时间内，年轻组母鸡的WL均低于年长组母鸡。

模型构建和超参数调整

图2反映了新鲜度指标（HU、YI、ACD、Aph和WL）与剩余货架期之间的相关性。从图中可以看出，所有指标均与鸡蛋剩余货架期有较强相关性，从高到低依次为：ACD、WL、YI、ApH和HU。因此，采用上述指标来评价鸡蛋的剩余货架期是合理的。

图2 鸡蛋新鲜度指标与剩余货架期相关性的热图

本研究采用 BP-ANN、CS-BP、经AdaBoost优化的BP-ANN模型（BP-AdaBoost）和CS-BP-AdaBoost模型来建立鸡蛋新鲜度与剩余货架期之间的关系，模型构建及预测过程如图3所示。选择HU、YI、ACD、ApH、品种和鸡龄作为输入参数，剩余货架期作为输出参数。

图3 BP-ANN预测流程图

如图4A所示，随着学习率（lr）增大，模型性能呈现先增大后减小的趋势。当lr为0.000 1时，CS-BP-AdaBoost的RMSE最低，为0.690 5，R2最高，为0.964 8。

图4 不同学习率（A）和不同隐层神经元数量（B）的CS-BP-AdaBoost模型在验证集上的预测性能

本文选取了7 种典型训练算法进行比较（表1）。与其余6种算法相比，trainlm的RMSE最低（0.870 9），R2最高（0.955 6）。在预测鸡蛋的剩余货架期方面，trainlm在BP-ANN 结构中表现出最佳性能。traingdm表现最差，RMSE最高（2.384 5），R2最低（0.640 5）。这些算法预测性能差异的原因可能是数据集的组合性和非线性条件。

表1 不同训练函数下的CS-BP-AdaBoost模型性能

如表2所示，当传递函数组合为（tansig、purelin）时，CS-BP-AdaBoost在验证集上获得了最高的鲁棒性（R2＝0.954 8，RMSE＝0.820 7）。

表2 不同传递函数组合下的CS-BP-AdaBoost模型性能

图4B显示了训练集、验证集和测试集中各节点下模型的拟合优度和预测误差。结果发现，当神经元数为5时，验证集的RMSE最低（0.751 6），R2最高（0.966 6）。优化后的CS-BP-AdaBoost超参数为：学习率0.000 1，训练函数trainlm，传递函数组合为（tansig、purelin），隐层神经元数为5。在验证集上，应用相同的程序调整BP-ANN、BP-AdaBoost和CS-BP的参数。最佳超参数组合接下来将用于预测测试集数据。

模型评估和测试

由表3可知，加入CS和AdaBoost算法后，每个混合模型在测试集上的预测准确率都有不同程度的提高。结果表明，基于CS算法和AdaBoost算法的混合BP-ANN模型在预测鸡蛋剩余货架期方面表现最佳，明显优于BP-ANN。

表3 不同模型的预测性能比较

此外，当输入参数不包括母鸡年龄时，预测准确率下降（表3）。在测试集中，CS-BP-AdaBoost-WHA 的R2降低，RMSE增加；同样，CS-BP-AdaBoost-WHA 在测试集中的相对误差也很高（图5）。结果表明，将母鸡年龄作为输入参数有助于提高鸡蛋货架期的预测精度。

图5 BP-ANN、CS-BP、BP-AdaBoost、CS-BP-adaboost、CS-BP-adaboost- wha预测的绝对误差

Conclusion

本文研究了母鸡年龄对鸡蛋货架期的影响。以HU＜60作为鸡蛋货架期的标准，发现26、27、57、58 周龄蛋鸡所产鸡蛋在室温下的货架期分别为9、12、6、6 d。年轻组的鸡蛋货架期长于年长组，这反映出母鸡年龄对鸡蛋货架期有较大影响。通过合并CS、BP-ANN和AdaBoost技术，提出了一种称为CS-BP-AdaBoost的新型混合模型。根据验证集的性能对超参数进行了调整。结果发现，调整后的CS-BP-AdaBoost可以实现对鸡蛋剩余货架期的高精度预测，并且在测试集上收敛速度快（R2＝0.971 1，RMSE＝0.678 8）。与单一BP-ANN技术相比，RMSE降低36.69%，R2提高5.11%。从CS-BP-AdaBoost模型的输入参数中去除产蛋鸡年龄后，构建的CS-BP-AdaBoost-WHA 预测准确率降低（R2＝0.949 0，RMSE＝1.004 0）。结果表明，母鸡年龄是影响鸡蛋货架期预测的重要因素。此外，使用CS-BP-AdaBoost预测鸡蛋货架期是可行的，并有望为其余食品货架期预测研究提供一定参考。

第一作者

陆逸峰，南京农业大学硕士研究生，主要研究方向肉品质量安全控制与加工。已发表国内外研究论文6 篇，其中第一作者发表论文2 篇。

通信作者

韩敏义，南京农业大学副教授，温氏食品集团股份有限公司常驻专家，研究方向为畜禽屠宰加工副产物综合利用、营养健康肉制品加工研究。近年来，主持“十三五”国家重点研发计划子课题1 项，国家自然基金面上项目2 项，河北省自然基金面上项目1 项，参与国家级及省级项目多项。以第一作者或通信作者发表论文20余篇，其中SCI论文15 篇。

Egg freshness during storage: the effect of laying hen age and shelf life prediction using a novel hybrid modeling method

Yifeng Lu ab, Jing Li ab, Zihao He b, Linyun Chen c, Huixin Tian a, Chen Xu ab, Xinglian Xu a, Minyi Han ab*

aKey Laboratory of Animal Products Processing, Ministry of Agriculture, Key Laboratory of Meat Processing and Quality Control, Ministry of Education, Jiangsu Synergetic Innovation Center of Meat Production and Processing, College of Food Science and Technology, Nanjing Agricultural University, Nanjing 210095, China

bWens Foodstuff Group Co., Ltd., Yunfu 527400, China

cResearch Unit Food Microbiology and Food Preservation (FMFP), Department of Food Technology, Safety and Health, Faculty of Bioscience Engineering, Ghent University, Ghent 9000, Belgium

*Corresponding author.

Abstract

Changes in the quality of eggs during storage relate to their shelf life and economic value. Factors such as temperature, relative humidity, the operation of cleaning, and microorganisms have been shown to play a role in the storage quality of eggs. This study thus aimed at investigating the effect of hen age on the storage quality of egg, and predicting egg shelf life using back propagation artificial neural network (BP-ANN) based models. Eggs laid by Jingfen No.1 (27 and 58 weeks of age) and Jingfen No.6 (26 and 57 weeks of age) hens were stored under ambient conditions and evaluated by physicochemical properties. It was found that the shelf life of the lower age group was significantly longer than that of the higher age group. A novel hybrid model combining BP-ANN, cuckoo search and adaptive boosting (CS-BP-AdaBoost) was proposed for predicting the remaining egg shelf life, with the input being Haugh unit, yolk index, air cell depth, albumen pH, hen age, and breed. The tuning process of hyperparameters such as learning rate, training function, and transfer function was presented in detail. Results show that CS-BP-AdaBoost had satisfactory performance on the test set with root mean square error (RMSE) and coefficient of determination ( R 2 ) of 0.68 and 0.97, respectively. And it outperformed BP-ANN by reducing RMSE by 0.39 and improving R 2 by 0.05. The model used solved the problem that the traditional BP-ANN tends to fall into local minima. The removal of hen age from the input parameters caused a decrease in prediction accuracy ( R 2  = 0.95, RMSE = 1.00), suggesting an important role of hen age in shelf life prediction. This study demonstrates the great potential of applying combinatorial modeling approaches to predict egg shelf life and the crucial impact of hen age on egg shelf life prediction.

Reference:

LU Y F, LI J, HE Z H, et al. Egg freshness during storage: the effect of laying hen age and shelf life prediction using a novel hybrid modeling method[ J]. Journal of Future Foods, 2025, 5(6): 614-627. DOI:10.1016/j.jfutfo.2024.11.009.

文章翻译由作者团队提供

编辑：龚艺；责任编辑：孙勇

封面图片来源：摄图网

J. Future Foods | 用GC×GC-TOF MS构建麦芽威士忌新酒的感官词典J. Future Foods | 1-甲基环丙烯对北虫草贮藏品质的影响

J. Future Foods | 基于代谢组学结合网络药理学探究酸枣仁治疗失眠的活性成分及机制

为深入探讨未来食品在大食物观框架下的创新发展机遇与挑战，促进产学研用各界的交流合作，由北京食品科学研究院、中国肉类食品综合研究中心、国家市场监督管理总局技术创新中心（动物替代蛋白）及中国食品杂志社《食品科学》杂志、《Food Science and Human Wellness》杂志、《Journal of Future Foods》杂志主办，西华大学食品与生物工程学院、四川旅游学院烹饪与食品科学工程学院、西南民族大学药学与食品学院、四川轻化工大学生物工程学院、成都大学食品与生物工程学院、成都医学院检验医学院、四川省农业科学院农产品加工研究所、中国农业科学院都市农业研究所、四川大学农产品加工研究院、西昌学院农业科学学院、宿州学院生物与食品工程学院、大连民族大学生命科学学院、北京联合大学保健食品功能检测中心共同主办的“第二届大食物观·未来食品科技创新国际研讨会”即将于2025年5月24-25日在中国 四川 成都召开。

长按或微信扫码进行注册

会议招商招展

联系人：杨红；电话：010-83152138；手机：13522179918（微信同号）

为进一步深入探讨食品产业在当前复杂多变环境下的高质量发展路径，并着重关注食品科学、营养安全保障的基础研究与关键技术研发，贯彻落实“大食物观”和“健康中国2030”国家战略，北京食品科学研究院和中国食品杂志社《食品科学》杂志、《Food Science and Human Wellness》杂志、《Journal of Future Foods》杂志，将与国际谷物科技协会（ICC）、湖南省食品科学技术学会、湖南省农业科学院农产品加工研究所、湖南农业大学、中南林业科技大学、长沙理工大学、湘潭大学、湖南中医药大学、湖南农业大学长沙现代食品创新研究院共同举办“第十二届食品科学国际年会”。本届年会将于2025年8月9-10日在中国 湖南 长沙召开。

长按或微信扫码进行注册

会议招商招展

联系人：杨红；电话：010-83152138；手机：13522179918（微信同号）