可见/近红外技术与感官评价信息融合预测冷藏条件下罗非鱼TVB-N的研究

,,,, ,,,*

(1.北京农业信息技术研究中心,北京 100097; 2.天津科技大学电子信息与自动化学院，天津 300222; 3.国家农业信息化工程技术研究中心,北京 100097; 4.农产品质量安全追溯技术及应用国家工程实验室,北京 100097)

可见/近红外技术与感官评价信息融合预测冷藏条件下罗非鱼TVB-N的研究

史策1,3,4,孙立涛1,2,钱建平1,3,4,韩帅1,3,4,范蓓蕾1,3,4,杨信廷1,3,4,*

(1.北京农业信息技术研究中心,北京 100097; 2.天津科技大学电子信息与自动化学院，天津 300222; 3.国家农业信息化工程技术研究中心,北京 100097; 4.农产品质量安全追溯技术及应用国家工程实验室,北京 100097)

应用可见/近红外光谱技术与感官评价信息融合实现冷藏条件下有鳞罗非鱼不同部位鱼肉挥发性盐基氮(TVB-N)的预测。通过便携式近红外光谱仪采集有鳞罗非鱼胸部、中部和尾部鱼肉在340～1063 nm的光谱数据,分别采用卷积平滑法、变量标准化、一阶(1st Der)和二阶(2nd Der)导数进行光谱预处理,利用连续投影算法(SPA)提取罗非鱼不同部位鱼肉的特征波长,建立鱼肉光谱与TVB-N偏最小二乘回归(PLSR)模型,结果表明尾部鱼肉的1st Der-SPA-PLSR模型预测均方根误差(RMSEP)=1.1295 mg/100 g,预测相关系数(Rp2)=0.8998,预测结果高于其胸部和中部鱼肉模型,并稍高于尾部鱼肉全波段模型。因此,选择尾部鱼肉作为罗非鱼光谱采样区域。为进一步提高模型预测准确性,将尾部鱼肉特征光谱数据与感官评价进行信息融合。通过对比尾部鱼肉光谱、尾部鱼肉光谱与感官评价融合的SPA-PLSR、SPA-BP神经网络和SPA-偏最小二乘支持向量机(LS-SVM)模型,结果表明,尾部光谱和感官评价信息融合的SPA-LS-SVM模型预测结果为RMSEP=0.9701 mg/100 g,Rp2=0.9255,能更准确预测罗非鱼冷藏条件下TVB-N变化。为冷藏过程中罗非鱼新鲜度预测方法提供了新的思路。

可见/近红外光谱技术,罗非鱼,新鲜度,预测模型,贮藏,信息融合

罗非鱼(Oreochromis),又名非洲鲫鱼,自2000年以来我国罗非鱼养殖产量发展迅猛,现已成为世界上最大的罗非鱼养殖国家[1]。罗非鱼含有丰富的蛋白质和多种不饱和脂肪酸,有望成为未来动物性蛋白质的主要来源之一。然而由于富含蛋白质和水分,导致贮藏过程中极易腐败变质。目前主要采用理化分析、微生物检测来鉴别鱼类的新鲜度,而传统的理化、微生物等分析方法费时费力、具有破坏性,因此,迫切需要一种无损的新鲜度检测技术对鱼类进行品质评价。

表1 罗非鱼感官评价标准Table 1 The criterion of sensory index for tilapia

可见/近红外光谱技术是近年来发展起来的一种高效、快速、无损的检测技术[2],目前广泛的应用于食品领域。陈伟华等[3]采集绞碎前后罗非鱼片背肉及腹肉的近红外光谱,并将其与挥发性盐基氮(total volatile basic nitrogen,TVB-N)含量进行拟合,能够较好的预测TVB-N的变化;Nilsen等[4]利用近红外光谱研究冰藏鳕鱼和三文鱼的冷藏时间,应用多元统计分析光谱数据与冷藏时间的相关性,相关系数分别为0.97和0.98;Sivertsen等[5]采用可见/近红外光谱检测了解冻鳕鱼在冰藏条件下的存储时间,通过偏最小二乘法对光谱数据和存储时间建模,预测鳕鱼的贮藏时间精度在1.6 d左右。目前大部分的研究集中在近红外光谱与冷藏时间或TVB-N等之间的相关性。然而仅凭光谱信息单一指标判定鱼类冷藏条件下的新鲜度或货架期,其准确性有限。因此,将光谱信息与感官评价等内外品质信息融合用于鱼新鲜度无损检测,有助于综合评价鱼类的新鲜度。

本研究提出了基于可见/近红外光谱和感官评价信息融合预测罗非鱼新鲜度的研究思路。主要采用商业化便携式手持近红外光谱仪,分别测定并对比了冷藏条件下有鳞罗非鱼胸部、中部和尾部鱼肉的光谱数据与TVB-N的相关性,选择较优的罗非鱼新鲜度检测部位;其次采用光谱数据和感官评价进行信息融合,建立PLSR,BP-ANN和LS-SVM预测模型,以期获得更好的罗非鱼TVB-N预测结果。为进一步提高冷藏过程中罗非鱼新鲜度预测准确率提供依据。

1 材料与方法

1.1材料与仪器

60条罗非鱼(657±67) g 北京农贸市场;氧化镁,硼酸,甲基红,次甲基蓝(均为分析纯)北京化学试剂公司。

D2010W电动搅拌器 上海梅颖浦仪器仪表制造有限公司;YP30002越平电子天平 上海右一仪器有限公司;KDY-9820凯氏定氮仪 北京通润源机电技术公司；便携式可见近红外光谱仪 美国ASD公司,采集光谱波段范围是325～1075 nm,光谱采样间隔为0.81 nm,扫描次数20次。

1.2实验方法

1.2.1 样品前处理 鲜活罗非鱼击毙后,装入聚乙烯袋中并密封,置于4 ℃培养箱中贮藏。在贮藏0、2、4、6、8、10 d时取样,每次取10条罗非鱼用于实验。每条鱼左右两侧作为2个样本,共120个样本。其中80个样本作为建模集,40个样本作为预测集。

1.2.2 感官评价 参照李杉等[6]和史策等[7]关于鱼体感官指标的测定方法,并做部分修改。经过感官培训的7位食品专业同学作为评审成员,在光线充足无气味的环境中,从鱼体的眼球、体表色泽、肌肉弹性和气味4个方面分别进行感官评分,每个部分满分为25分。以60分为食用标准,100分为新鲜鱼,低于60分为不可食用。

1.2.3 挥发性盐基氮(TVB-N) 参照董伟坤[8]的方法,按照半微量蒸馏法进行测定。

1.2.4 光谱的采集 将罗非鱼体表面水分擦干后置于黑色背景布上,以标准白板(聚四氟乙烯)为参比,以漫反射的方式采集光谱,采集区域如图1标识所示。分别采集罗非鱼胸部、中部和尾部各20次(图1),每个部位采集区域不重叠。取每个样品得到的20条光谱曲线的平均值。

图1 罗非鱼近红外光谱采集部位Fig.1 Spectra extraction regions of tilapia

1.3数据分析

光谱预处理:分别采用Savitzky-Golay(SG)卷积平滑法、变量标准化(Standard Normal Variate,SNV)、一阶(1stDer)和二阶(2ndDer)求导算法对光谱进行预处理分析;

特征波长选择:采用连续投影算法(Successive projections algorithm,SPA)进行特征波长选择;

建模方法:采用BP人工神经网络(Back-propagation Artificial Neural Network,BP-ANN)、偏最小二乘回归法(Partial Least Squares Regression,PLSR)和最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)进行建模。

实验数据(均方根误差(RMSE)、平方相关系数(R2)等)使用Excel 2007进行数据处理,采用SAS软件进行方差分析和差异显著性分析,算法主要采用Unscrambler(CAMO,Process,AS,OSLO,Norway)、ASD View Spec Pro、MATLAB 2014a(The Math Works,Natick,USA)实现。

2 结果与分析

2.1冷藏过程中罗非鱼感官值和TVB-N的变化

图2对罗非鱼的眼球、体表色泽、肌肉弹性和气味4个方面分别进行了评分,随着贮藏时间的延长感官值逐渐下降。0～6 d时罗非鱼感官值下降速率较慢,6 d后,罗非鱼感官值下降速率显著增加。当贮藏至第6 d时,对应的感官值为68,6 d后,鱼肉逐渐失去使用价值。李莎等[9]研究发现4 ℃贮藏5 d后罗非鱼片品质明显下降;Hong等[10]研究4 ℃冷藏下鳙鱼的感官值发现,8 d后鳙鱼不可食用。以上报道都与本研究结果类似。

图2 罗非鱼4 ℃贮藏过程中感官值和TVB-N的变化Fig.2 The change of sensory evaluation and TVB-N value of tilapia during storage at 4 ℃

TVB-N是酶和细菌分解蛋白质产生的氨及胺类等碱性含氮物质[11],目前被广泛用于判断水产品及肉品的新鲜度。其中,一级鲜度淡水鱼为TVB-N≤13 mg/100 g,二级鲜度淡水鱼为TVB-N≤20 mg/100 g。如图2所示,新鲜罗非鱼的TVB-N含量为7.6 mg/100 g,随着贮藏时间的延长TVB-N含量逐渐增加,在第6 d达到感官拒绝值时的TVB-N含量为17.2 mg/100 g。

本实验所采集的罗非鱼感官评价和TVB-N的范围分别为12.54～100和7.6～23.5 mg/100 g,两种指标数据范围均较大,可满足光谱技术定量建模的需求。

2.2冷藏过程中罗非鱼胸部、中部和尾部的可见/近红外原始光谱曲线的变化

由于前后波段噪声较大,最终选取340～1063 nm波长范围的吸光值作为罗非鱼原始光谱曲线。将原始光谱平均后,得到罗非鱼胸部、中部和尾部平均后的光谱曲线(如图3)。三个部位罗非鱼肉的光谱峰谷变化趋势基本一致,与zhu等[12]测定的比目鱼片近红外光谱谷峰趋势类似。413 nm处光谱吸光度都达到最高值;3个部位的鱼肉光谱在452～628 nm波段都出现峰谷波动,552 nm附近的波峰可能是由于血红蛋白(Hb)和肌红蛋白(Mb)分子上血红素的吸收,512 nm和620 nm处的波谷可能是由于高铁血红蛋白(metHb)和高铁肌红蛋白(metMb)分子上氧化血红素的吸收[5];3个部位鱼肉的光谱曲线在977 nm处的波峰可能是由于水分子中O-H键的二级倍频吸收带在970 nm附近有特征吸收[13]。

图3 罗非鱼胸部、中部和尾部的平均光谱曲线Fig.3 Average spectra of three regions for tilapia

2.3不同预处理方法对罗非鱼胸部、中部和尾部建模的影响

光谱除样品本身的信息外,还会受到鱼体表面不均匀、纹理等物理因素,甚至背景噪声等无关信息的干扰,因此需要对光谱进行预处理[2]。SG平滑不仅能够减少噪声对该数据点数值的干扰,还能保持数据信号的真实性[14],SNV处理通常用于校正样本间由散射引起的光谱误差[14],1st Der和2nd Der常用于近红外光谱的预处理,能够一定程度上解决光谱信号中由于倍频和合频引起的光谱信号重叠问题[15]。本实验主要比较了原始光谱(Raw)、SG、SNV、1st Der和2nd Der以及不同方法组合对建模结果的影响。

表2 4 ℃冷藏过程中经过不同预处理的罗非鱼胸部、中部和尾部鱼肉光谱与TVB-N的PLS建模结果Table 2 The result of PLSR models for correlating between spectral measurement of different positions for tilapia by different preprocessing methods and TVB-N

经过不同预处理的胸部、中部和尾部鱼肉光谱与TVB-N建立PLSR的模型,如表2所示。对比胸部、中部和尾部鱼肉的校正集、交互验证集和预测集结果,其中胸部鱼肉经过SNV和1st Der处理的建模结果总体较优,中部鱼肉经过2nd Der处理的光谱建模结果总体较优,尾部鱼肉经过1st Der和2nd Der处理的光谱建模结果总体较优,这可能由于导数能够消除光谱基线漂移及鱼表面不平等背景干扰。胸部鱼肉经过1st Der处理的模型校正集均方根误差(RMSEP=1.1694 mg/100 g)大于其SNV结果(RMSEP=0.8804 mg/100 g),但交互验证集和预测集均方根误差(RMSEP=1.6437 mg/100 g和1.5092 mg/100 g)小于其SNV处理结果(RMSEP=1.6837 mg/100 g和1.6788 mg/100 g),由于SNV处理后胸部鱼肉的校正集与交互验证集和预测集的均方根误差及相关系数差距较大,可能出现过拟合情况,因此选择1st Der处理的胸部鱼肉数据进行下一步建模。尾部鱼肉光谱经过1st Der处理的模型校正集和交互验证集均方根误差分别与其2nd Der结果相近,但尾部鱼肉光谱经过1st Der预处理的模型预测集均方根误差(1.2293 mg/100 g)小于其2nd Der处理的结果(1.3998 mg/100 g),因此尾部鱼肉光谱经过1st Der处理的建模结果总体较优;而罗非鱼中部建模结果中,经过2nd Der处理的光谱预测集效果较优,RMSEP=1.0345 mg/100 g,Rp2=0.9088。通过对比预处理后的胸部、中部和尾部鱼肉建模效果发现,胸部和尾部鱼肉经过1st Der处理、中部经2nd Der处理的全波段光谱建模结果总体较优。

2.4基于连续投影法(SPA)的胸部、中部和尾部鱼肉特征波长选取及TVB-N预测

为了减少不必要和多余的信息,并优化检测速度,本文选择SPA进行最优波长的选择。SPA被广泛的用于变量的选择,能最大程度的减少光谱信息的重叠[16],简化校正模型和缩短校正时间。图4为罗非鱼胸部1st Der、中部2nd Der和尾部1st Der预处理光谱经过SPA选择的过程,胸部、中部和尾部鱼肉分别优选出15、15和19个光谱变量。罗非鱼胸部鱼肉光谱变量主要集中在347～366 nm和976～1062 nm,中部鱼肉光谱变量主要集中在502～652 nm和968～1039 nm,尾部鱼肉光谱变量主要集中在347～369 nm和935～1061 nm。3个部位选择的特征波段都集中在900～1060 nm之间,主要由于这部分波段是水分吸收带,而水分是鱼肉最主要的成分[16]。

图4 罗非鱼胸部、中部和尾部鱼肉光谱SPA法选择变量过程Fig.4 Selection of optimum spectral variables of different tilapia positions by SPA

基于SPA算法选择的特征波长分别建立了胸部、中部和尾部鱼肉SPA-PLSR模型(表3)。通过对比不同部位建模结果发现,尾部鱼肉SPA-PLSR模型的校正集、交互验证集和预测集的相关系数(R2)显著高于胸部和中部。与尾部鱼肉全波段建模结果相比,经过SPA算法预处理后的尾部鱼肉PLSR模型RMSEP=1.1295 mg/100 g,Rp2=0.8998,较全波段建模结果有所提高(RMSEP=1.2293 mg/100 g,Rp2=0.8698),且尾部鱼肉SPA-PLSR模型仅使用19个变量,建模的速度和效率得到提升。因此,罗非鱼尾部鱼肉光谱经过1st Der、SPA算法预处理后能够良好的预测4 ℃贮藏条件下罗非鱼TVB-N的变化。

2.5罗非鱼尾部鱼肉光谱与感官值信息融合的预测模型

表3 经过连续投影法选择特征波长后的PLSR建模结果Table 3 The result of PLSR models of different positions for tilapia by SPA

表4 PLSR,BP-ANN和LS-SVM模型结合多种变量对TVB-N建模与预测结果的参数统计Table 4 Comparison of storage time with different data variables based on PLSR,BP-ANN and LS-SVM

信息融合根据融合系统所处理的信息层面主要分为原始数据层融合、特征层融合和决策层融合。在本文中,由于光谱和感官评价特性不一致,较难直接关联;而决策层融合需要与光谱及感官相关的先验知识进行决策,所需数据库庞大,因此,本文选择特征层融合。通过将光谱数据进行特征处理后,与感官数据联合进行特征层融合完成对罗非鱼新鲜度的综合评价。

为了提高罗非鱼贮藏过程TVB-N的预测精度,将上文中经过1st Der、SPA预处理的尾部鱼肉光谱特征波长与感官评价联合进行信息融合,采用PLSR,BP-ANN和LS-SVM建立TVB-N预测模型(表4)。

BP-ANN是一种多层前馈神经网络,从输出层反向经过隐含层回到输入层,逐步修正各连接权值。本文中BP-ANN模型选取的是单隐含层模型,隐含层和输出层的传递函数分别选取logsig和purelin,经过10000次训练后,光谱、光谱和感官值融合的BP-ANN模型的隐含层的神经元分别为10、11时,逼近效果最好。LS-SVM是一种遵循结构风险最小化原则的核函数学习机器。利用非线性映射函数将输入向量映射到高维特征空间,采用拉格朗日乘子计算向量的偏微分,从而以较快的方法解决多元校正问题[17-18],能够降低计算机的复杂性,提高计算效率[14]。本文中LS-SVM模型采用的径向基核函数,并通过交叉验证优化参数建立LS-SVM模型。

对比3种建模方法,光谱和感官信息融合的LS-SVM预测模型的结果总体略优。这可能是由于变量较多并且变量之间线性关系并不明显,而PLSR模型只能处理光谱数据中的线性关系;在2组BP-ANN模型中RMSEP显著大于RMSECV,在运行过程中可能出现过拟合情况;而LS-SVM模型可以利用光谱数据的非线性信息,提高了模型预测的准确性[19]。2组LS-SVM模型的交互验证集结果接近,而光谱和感官值融合模型的预测集RMSEP=0.9701 mg/100 g优于光谱模型的预测集RMSEP=1.2364 mg/100 g,光谱和感官值融合的LS-SVM模型能较好的预测罗非鱼的TVB-N含量。罗非鱼的品质劣变是个复杂的过程,伴随着内部指标和外部指标变化,可见/近红外光谱数据反映了罗非鱼内部化学变化,感官评价反映了罗非鱼外部感官变化。将光谱数据和感官评价信息融合的LS-SVM模型能更全面的反映罗非鱼冷藏条件下新鲜度变化。

3 结论

通过商业化便携式手持近红外光谱仪采集不同部位(胸部、中部和尾部)罗非鱼光谱与TVB-N进行拟合,构建预测模型以评价冷藏过程中新鲜度。通过SG、SNV、1st Der和2nd Der以及不同方法组合的光谱预处理及SPA算法的优化,结果表明罗非鱼尾部1st Der-SPA-PLSR模型预测效果好于其胸部和中部预测模型,并较尾部全波段建模结果有所提高。因此,选取尾部鱼肉作为罗非鱼光谱采样区域。

为提高罗非鱼冷藏过程中TVB-N的预测准确性,将经过1st Der、SPA预处理的尾部鱼肉光谱数据与感官评价特征层信息融合,对比光谱、光谱和感官值信息融合的PLSR,BP-ANN和LS-SVM模型效果。尾部鱼肉光谱和感官评价信息融合的SPA-LS-SVM模型略优,预测集的RMSEP=0.9701 mg/100 g,Rp2=0.9255。通过尾部鱼肉光谱和感官评价信息融合能更全面的反映罗非鱼冷藏条件下新鲜度变化,为提高冷藏过程中罗非鱼新鲜度检测准确率提供理论依据。

[1]杨弘. 我国罗非鱼产业现状及产业技术体系建设[J]. 中国水产,2010(9):6-10.

[2]黄涛,李小昱,彭毅,等. 基于近红外光谱的淡水鱼新鲜度在线检测方法研究[J]. 光谱学与光谱分析,2014(10):2732-2736.

[3]陈伟华,许长华,樊玉霞,等. 近红外光谱技术快速无损评价罗非鱼片新鲜度[J]. 食品科学,2014,35(24):164-168.

[4]Nilsen H,Esaiassen M,Heia K,et al. Visible/Near-Infrared Spectroscopy:A New Tool for the Evaluation of Fish Freshness?[J]. Journal of Food Science,2002,67(5):1821-1826.

[5]Sivertsen A H,Kimiya T,Heia K. Automatic freshness assessment of cod(Gadus morhua)fillets by Vis/Nir spectroscopy[J]. Journal of Food Engineering,2011,103(3):317-323.

[6]李杉,马海霞,李来好,等. 减菌化预处理对鲜罗非鱼片质量的影响[J]. 食品科学,2009(18):379-384.

[7]史策,崔建云,王航,等. 反复冷冻-解冻对鲢品质的影响[J]. 中国水产科学,2012,19(1):167-173.

[8]董伟坤. 食品检验与分析[Z]. 北京:中国轻工业出版社,1989.

[9]李莎,李来好,杨贤庆,等. 罗非鱼片在冷藏过程中的品质变化研究[J]. 食品科学,2010,31(20):444-447.

[10]Hong H,Luo Y,Zhou Z,et al. Effects of low concentration of salt and sucrose on the quality of bighead carp(Aristichthysnobilis)fillets stored at 4 C[J]. Food Chemistry,2012,133(1):102-107.

[11]Olafsdóttir G,Martinsdóttir E,Oehlenschläger J,et al. Methods to evaluate fish freshness in research and industry[J]. Trends in Food Science & Technology,1997,8(8):258-265.

[12]Zhu F,Zhang D,He Y,et al. Application of visible and near infrared hyperspectral imaging to differentiate between fresh and frozen-thawed fish fillets[J]. Food and Bioprocess Technology,2013,6(10):2931-2937.

[13]B. G. O,T. F. Near Infrared Spectroscopy in Food Analysis[M].New York:Longman Scientific & Technical,1986.

[14]朱逢乐.基于光谱和高光谱成像技术的海水鱼品质快速无损检测[D]. 浙江大学生物系统工程,2014.

[15]Lin M,Cavinato A G,Huang Y,et al. Predicting sodium chloride content in commercial king(Oncorhynchustshawytscha)and chum(O.keta)hot smoked salmon fillet portions by short-wavelength near-infrared(SW-NIR)spectroscopy[J]. Food Research International,2003,36(8):761-766.

[16]Cheng J,Sun D,Zeng X,et al. Non-destructive and rapid determination of TVB-N content for freshness evaluation of grass carp(Ctenopharyngodonidella)by hyperspectral imaging[J]. Innovative Food Science & Emerging Technologies,2014,21:179-187.

[17]顾燕萍,赵文杰,吴占松. 基于最小二乘支持向量机的电站锅炉燃烧优化[J]. 中国电机工程学报,2010,30(17):91-97.

[18]Suykens J A,Vandewalle J. Least squares support vector machine classifiers[J]. Neural processing letters,1999,9(3):293-300.

[19]朱逢乐,何勇,邵咏妮. 应用近红外高光谱成像预测三文鱼肉的水分含量[J]. 光谱学与光谱分析,2015(1):113-117.

TVB-Npredictionoftilapiawithscalesbyinformationfusionofnearinfraredspectrumtechnologyandsensoryevaluationduringchilledstorage

SHICe1,3,4,SUNLi-tao1,2,QIANJian-ping1,3,4,HANShuai1,3,4,FANBei-lei1,3,4,YANGXin-ting1,3,4,*

(1.Beijing Research Center for Information Technology in Agriculture,Beijing 100097,China; 2.College of Electronic Information and Automation,Tianjin University of Science & Technology,Tianjin 300222,China; 3.National Engineering Research Center for Information Technology in Agriculture,Beijing 100097,China; 4.National Engineering Laboratory for Agri-product Quality Traceability,Beijing 100097,China)

The information fusion of near infrared spectrum technology and sensory evaluation was applied to predict the freshness of different parts for tilapia with scales during chilled storage.Spectral signatures ofbreast,middle and tail region in the range of 340～1063 nm were extracted.Smoothing Savitzky-Golay(SG),standard normal variate(SNV),polynomial derivative filters(1st Der and 2nd Der)were used for spectral pre-processing.Partial least square regression(PLSR)was used to correlate the whole wavelengths spectra with total volatile basic nitrogen(TVB-N).Optimal wavelengths of different tilapia positions were selected by successive projections algorithm(SPA)to develop new SPA-PLSR models,and the SPA-PLSR predictive performances of tails position(root mean square error of prediction(RMSEP)=1.1295 mg/100 g,determination coefficient(Rp2)=0.8998)was better than that of breast and middle region,and also better than whole wavelengths model of tails region.Therefore,tail region was selected as spectrum sampling area. In order to evaluate the comprehensively fish freshness and improve the accuracy of model,spectral data and sensory evaluation were integrated for nondestructive measurement of freshness for tail region of tilapia based on PLSR,back-propagation artificial neural network(BP-ANN)and least squares support vector machines(LS-SVM). Compared with single characteristic,information fusion of spectral data and sensory evaluation for LS-SVM had its superiority,which achieved accurate results with Rp2of 0.9255,RMSEP of 0.9701 mg/100 g. This result indicated that information fusion by integrating spectral data and sensory evaluation could significantly improve the TVB-N prediction performance,and it has tremendous potential in prediction of freshness in fish during chilled storage.

near infrared spectrum technology;tilapia;freshness;predictive model;storage;information fusion

2017-03-03

史策(1989-)，女，博士，助理研究员，研究方向：农产品质量安全控制技术，E-mail：shic@nercita.org.cn。

*

杨信廷(1974-)，男，博士，研究员，主要从事农业信息化关键技术及农产品质量安全控制研究，E-mail:yangxt@nercita.org.cn。

北京市自然科学基金项目(6174040)；北京市农林科学院青年科研基金(QNJJ201720)；国家重点研发计划(2016YFD0401205)。

TS254.1

A

1002-0306(2017)21-0268-06

10.13386/j.issn1002-0306.2017.21.053