安徽
近日，合肥工业大学食品与生物工程学院陆剑锋教授团队与上海海洋大学水产与生命学院王成辉教授联合在中科院1区Top期刊Food Chemistry（IF：9.8）上发表题为“Nondestructive detection of biogenic amines in muscle of Chinese mitten crab (Eriocheir sinensis): A basis for quality assessment using infrared spectroscopy and deep learning”的研究论文（第一作者为合肥工业大学食品与生物工程学院博士生韩青莉）。
图形摘要（ Graphical Abstract ）
中华绒螯蟹（Eriocheir sinensis）作为我国重要的特色水产品，因其风味独特和营养丰富在消费市场广受青睐。但在商业流通中常因“死蟹不可食”的观念导致资源浪费。已有研究表明，在适宜条件下死亡螃蟹仍具食用价值，因此亟需对其死亡后的品质变化进行系统监测，以兼顾食品安全与资源利用。生物胺（BAs）是评价水产品鲜度与腐败的重要指标，但现有色谱、荧光及酶学方法耗时、破坏性强且操作繁琐，难以满足快速、现场化检测需求。相比之下，近红外光谱（NIR）具有快速、无损和环保优势，能够捕捉与蛋白质降解及代谢物积累相关的信息，但其数据特征复杂，传统算法难以充分解析。在此背景下，深度学习（deep learning）凭借端到端（end-to-end）特征提取和强大的模式识别能力，已在多领域展现出优越性能。
基于此，本研究提出了一种结合近红外光谱与深度学习的无损检测方法，用于实现中华绒螯蟹肌肉中生物胺的快速预测与品质分级，为螃蟹新鲜度的智能化评价提供理论依据和技术支撑。研究结果表明，在中华绒螯蟹肌肉中共检测出6种生物胺，其中腐胺和尸胺在冷藏过程中显著增加，与腐败进程密切相关。深度学习模型CNN-LSTM-SE对腐胺、尸胺、组胺、色胺的预测性能优异，R2值均高于0.84且RMSE小于2.0。根据质量指数，中华绒螯蟹被分为新鲜（fresh）、可接受（acceptable）和变质（spoiled）三个质量等级，且螃蟹死后在8±1℃下贮存超过24 h被认为由于过度腐败而不适合食用。CNN-LSTM-SE模型对变质蟹的识别准确率达到了100%，明显优于CNN、LSTM和传统机器学习模型。这项研究证明了近红外光谱和深度学习在评估中华绒螯蟹新鲜度方面的潜力，为水产品的智能监测提供了宝贵的工具。未来的工作将侧重于提高模型的可解释性和泛化性，实现可移植和实时部署，并将其应用扩展到其他物种和腐败相关化合物，以智能监测海产品质量和安全。
原文图表赏析：
图 1 . 不同时期中华绒螯蟹肌肉中BAs和NIR光谱的变化。（A-G）：PUT、CAD、HIS、TRY、SPD、SPE、QI含量变化；（H）：原始光谱；（I）：代表性光谱。蓝点和红点分别代表训练集和测试集数据（A-F）。不同字母（a-h）表示组间差异有统计学意义（p < 0.05）（A-G）。
图2. 基于CNN-LSTM-SE模型的BAs预测值与实测值散点图。
图3. 深度学习与传统机器学习模型在BAs预测性能上的比较。
图4. 深度学习与传统机器学习模型在螃蟹品质等级分类性能上的比较。
合肥工业大学陆剑锋教授团队长期致力于水产动物营养、水产品加工、贮藏保鲜与副产物高值化利用研究，本次研究成果为大闸蟹新鲜度及品质无损检测提供了重要技术保障，也为今后其他水产品品质智能化质量监测的发展拓展了新思路。该研究获得国家现代农业（虾蟹）产业技术体系（CARS-48）、安徽省现代农业（水产）产业技术体系（AARS-08）以及国家重点研发计划（2023YFD2401500）等项目资金的资助。
原文链接：https://doi.org/10.1016/j.foodchem.2025.146354
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
