金属有机骨架材料（MOFs）是一类高比表面积、 结构多样性、 可修饰性较强的无机配位多孔骨架材料, 在挥发性有机化合物的吸附、 传感等领域有巨大应用前景。 新鲜度的评价对于肉类工业发展具有重要意义, 肉类在品质劣变时会产生挥发性物质, 是指示其新鲜度变化的灵敏的信息。 据此, 研究制备了一种基于荧光传感的冷鲜猪肉新鲜度指示MOFs复合膜, 并且依据膜对劣变挥发性化合物的响应信息、 对应猪肉样品的新鲜度指标（TVB-N值）建立PLS定量分析模型, 证实其有望成为冷鲜肉品质劣变监测的新技术。 主要结论如下: 以六水硝酸锌∶对苯二甲酸=2∶1的比例, 并向其中添加浓度为2×10-3 mol·L-1的罗丹明B, 制备得到RhB@MOF-5, 并对其进行表征。 根据RhB@MOF-5吸附冷鲜猪肉劣变气味前后的红外光谱变化, 推测其中可能有胺类物质。 之后以MOF∶PVDF(w/w)=4∶5的比例按照混合基质法制得MOFs复合薄膜。 并通过贮藏期实验验证了MOFs复合膜的贮藏稳定性, 证明其能在4 ℃避光环境中维持至少60 d的荧光稳定性。 此外, 利用MOFs 复合膜结合荧光传感技术对冷鲜猪肉整个劣变期间的挥发性化合物进行吸附、 响应, 观察其荧光性质的变化。 同时采用三维荧光技术观察到吸附后MOF-5相关峰和罗丹明B相关峰强度减弱, 分析是由胺类物质引起的罗丹明B电子云改变, 从而产生荧光猝灭。 采集激发波长340 nm处的表面荧光光谱可同时得到两个发射波长分别为435nm和550nm的特征峰与TVB-N值的响应信息, 使用偏最小二乘算法（PLS）建立新鲜度指标（TVB-N）预测模型, 建模结果R2c为0.908, R2p为0.821, RMSEC和RMSEP分别为3.435和3.647 mg·(100 g)-1, 具有良好的预测精度。 表明功能化MOFs复合膜可用于冷鲜猪肉的新鲜度预测。

针对传统光谱法检测鸡蛋新鲜度存在的效率低、 准确率不够高等问题, 提出采用可见-近红外光谱结合极度提升树(XGBoost)等算法对鸡蛋新鲜度分类进行研究, 以期在保证足够高准确度的同时大幅提高检测效率。 将不同储存条件下的鸡蛋作为样本, 并分别划分为训练集和测试集, 采用训练集的综合评价指标(F-measure)和准确率(Accuracy)评估分类模型的性能。 具体地, 首先利用可见-近红外光谱系统采集鸡蛋的反射光谱, 将所得的光谱数据经过不同预处理后再结合随机森林(random forest, RF)、 偏最小二乘(partial least squares, PLS)、 支持向量机(support vector machine , SVM)、 多层感知机(muhi-layer perception , MLP)以及XGBoost等分类算法构建鸡蛋新鲜度分类评估模型, 并对比各模型性能指标。 分析结果发现, 经Savitzky-Golay一阶导(Savitzky Golay first-order derivative, SG-1st-Der)预处理后的RF、 SVM、 XGBoost模型和经标准正态变量(standardized normal variate, SNV)预处理后的PLS、 MLP模型具有较好的训练结果。 为进一步提高模型精度和运算效率, 提出利用区间偏最小二乘法(interval partial least squares, IPLS)对SG-1st-Der和SNV预处理后的光谱数据首先进行降维, 然后再分别建立基于RF、 SVM、 XGBoost、 PLS及MLP等算法的预估模型, 最后通过测试集对模型进行验证。 结果发现原始光谱数据经SG-1st-Der预处理后所建立的IPLS-XGBoost分类模型性能最优, 在不同储藏条件下测试集的F-measure分别为92.33%和90%, Accuracy分别达到94.44％和91.67％, 而程序运行时间均不超过0.6 s。 表明, 可见-近红外光谱结合IPLS-XGBoost分类算法可应用于鸡蛋新鲜度评估, 该方法在模型分类性能、 准确度评估、 运行速度等方面比传统方法更具优越性。

猪肉是我国主要肉类消费产品, 其新鲜度与居民健康息息相关。 目前感官检测、 理化检测、 微生物检测是其新鲜度的通用检测方法, 但感官检测存在可靠性、 可比性差, 理化检测和微生物检测存在耗时长、 操作繁琐、 破坏样品等问题, 因此建立猪肉快速无损检测方法应用意义重大。 拉曼光谱作为一种检测技术, 具有快速、 无损的特点, 仅用激光探头照射样品就可获得样本拉曼谱图, 便携式拉曼光谱更是为食品现场检测提供了新途径, 有望实现加工业快速实时大批量检测。 目前未见拉曼光谱技术快速检测猪肉新鲜度理化指标的研究, 因此采用便携式拉曼光谱仪对冷藏猪瘦肉新鲜度进行快速检测。 对随时间变化的样本进行拉曼光谱采集并同时监测其对应的新鲜度指标, 如挥发性盐基氮（TVB-N）、 pH、 颜色L*值、 a*值、 b*值, 采用标准正态变量变换（SNV）、 曲线平滑(SG)、 归一化（NL）、 多元散射校正（MSC）、 基线校正（BL）、 去趋势化处理（DFA）等单方法对拉曼光谱进行预处理, 采用偏最小二乘回归（PLSR）建立基于全波段光谱的猪瘦肉新鲜度指标定量预测模型。 结果表明, 各指标全波段PLSR模型预测性能较为理想, TVB-N和pH的全谱最佳模型为SNV-PLSR, 预测集相关系数（RP）分别为0.948和0.886, 颜色L*、 颜色a*、 颜色b*的全谱最优模型分别为SNV-PLSR、 DFA-PLSR、 MSC-PLSR, RP分别为0.827, 0.858和0.900。 采用回归系数法（RC）筛选各指标最优模型光谱波段, 建立各指标优选波段PLSR模型, 结果表明, TVB-N模型和pH模型可以简化, 仅用20%的光谱波段就可达到较好的预测效果, 优选波段TVB-N模型和pH模型的RP分别为0.933和0.880。 便携式拉曼光谱在快速检测猪瘦肉新鲜度方面尤其是在预测与新鲜度最相关的指标TVB-N含量显示出巨大的潜力, 为猪瘦肉新鲜度的现场快速无损检测提供了一种新方法。

以凡纳滨对虾为研究对象, 探索一种高效快速无损的新鲜度检测方法。 挥发性盐基氮(TVB-N)是判断虾新鲜度的重要化学指标, 然而传统方法耗时耗力, 限制了大批量的实时检测。 高光谱技术是一种集成图像和光谱信息的分析技术, 高光谱图像上的每个像素包含整个波段的光谱信息, 近年来, 该技术已经被应用于肉类新鲜度检测。 连续8 d采集了样品的860~1 700 nm高光谱数据, 在去除异常样本后确定150组试验样本, 每组采集254维光谱数据, 对原始的高光谱图像进行黑白校正, 并从高光谱图像中提取光谱数据。 为确保所提取的光谱数据和TVB-N指数之间有对应关系, 所选择的感兴趣区域的位置保持固定在虾样本的第二和第四肢。 计算了感兴趣区域的平均光谱以获得光谱数据矩阵, 该矩阵被转换成ASCII码并保存。 同时, 通过凯氏定氮法获得TVB-N真实值含量。 为减少环境和虾表面的高含水量的干扰, 有效地消除不相关的信息和噪声, 预处理方法是多元散射校正(MSC)算法, 并选择出7个敏感波段, 分别为875, 894, 919, 953, 983, 1 024和1 094 nm。 最后, 以120组训练集样本, 建立了凡纳滨对虾TVB-N总量的定量预测模型, 以30组验证集样本, 对比BP神经网络、 径向基神经网络、 主成分分析三种预测模型算法。 BPNN算法预测模型的相关系数(r)和归一化均方根误差(NRMSE)分别为0.902 1和0.214 0, RBFNN算法的预测模型为0.868 3和0.223 0, PCR算法预测模型为0.757 6和0.390 0。 结果表明, MSC-BPNN模型的预测效果最佳, 凡纳滨对虾的高光谱反射率与新鲜度间存在较密切的相关性, 为基于光谱的虾类新鲜度检测提供了支持。

啤酒新鲜度是市场消费者非常关注的品质指标, 也是各大啤酒公司的核心竞争力。 传统啤酒新鲜度检测方法一般需要十分昂贵的分析仪器和化学试剂, 消耗大量时间, 检测成本较高。 随着啤酒的老化, 啤酒中的成分物质亦将发生变化, 其对应的光谱特征也将发生改变。 利用光谱分析技术, 挖掘表征啤酒老化的光谱特征, 构建啤酒新鲜度指数(BFI), 可实现啤酒新鲜度的快速、 无损检测。 将新鲜啤酒分三等份装入相同容器, 其中2份为避光保存, 1份为光照下保存, 用PSR-3500光谱仪对啤酒样品进行光谱采集, 每隔24 h采集一次, 共采集6次, 获得不同新鲜程度啤酒的光谱数据。 对采集的光谱数据进行特征波段选择、 包络线去除等预处理, 增强后的光谱显示842.0 nm处的波谷深度随放置时间的增长而变小, 因此基于842.0 nm的波谷深度构建反应啤酒新鲜度的光谱特征指数(BFI)。 实验结果表明, BFI值随放置时间的增长而逐渐下降, 且避光保存的两组样品BFI值下降速率基本一致, 而由于光照加速了啤酒中的老化反应, 使得光照保存的样品BFI值下降速率较快, 结果显示BFI能够较好指示啤酒的新鲜程度。 此外, 通过模拟不同光谱分辨率与信噪比水平, 评价BFI对光谱检测设备性能的敏感性。 具体地, 利用高斯函数分布函数和平均分布函数分别生成光谱分辨率为5～40 nm的数据和信噪比为10～60 dB的数据, 对其进行特征波段选择、 包络线去除等预处理, 计算BFI值并进行分析。 实验显示, 当光谱分辨率低于15 nm、 信噪比低于10 dB时, 样品842.0 nm的光谱吸收特征逐渐被掩盖, BFI将难以指示啤酒的新鲜程度。 然而, 只要在798～872 nm及附近波段光谱分辨率优于10 nm、 信噪比不低于35 dB, BFI即可准确指示啤酒新鲜度, BFI对光谱仪的性能要求并不严苛。 综上所述, BFI能够准确指示啤酒新鲜度, 服务于便携式啤酒新鲜度光谱检测设备的设计与研发, 促进光谱分析技术在啤酒品质无损检测及相关领域的应用推广。

河蟹的新鲜度是大多数消费者在购买时所考虑的最重要的因素, 挥发性盐基氮（TVB-N）是当前国际通用的评价肉类新鲜度的指标, 但其检测工序繁琐、 耗费时间长, 无法满足当前市场对河蟹新鲜度评价的迫切需求。 因此, 建立一种快速检测河蟹新鲜度的方法是当前急需解决的一大难题。 将购于水产市场的河蟹, 采用聚乙烯充氧袋快速运至实验室, 样本数共126只。 在洁净的工作台上处理后, 将螃蟹分为42个实验样品, 每个样品3只鲜活螃蟹； 42个实验样品放在低温4 ℃的恒温生化培养箱中贮藏, 每天从培养箱中按时取出6个螃蟹样品进行光谱数据采集及新鲜度指标TVB-N的测定, 历时7 d。 采用近红外光谱（NIRS）对贮藏在不同时间下的河蟹新鲜度进行评价, 使用挥发性盐基氮（TVB-N）作为评价河蟹新鲜度的指标, 首先通过比较经五折交叉验证（5-fold CrossValidation）算法、 kennard-stone（KS）算法、 光谱-理化值共生距离（SPXY）算法三种样本划分方法处理后所建模型的预测效果确定最优样本划分方法, 最终采用五折交叉验证（5-fold CrossValidation）算法对样本进行划分。 其中的32个样品被划分为训练集进行模型构建, 其余的10个样品被划分为测试集用于模型检验。 然后在经过五折交叉验证法对样本进行划分的基础上, 分别采用小波变换（WT）、 Savitzky-Golay平滑、 一阶导数法（Db1）、 二阶导数法（Db2）这4种单一算法以及小波变换（WT）与Savitzky-Golay平滑相结合的算法进行预处理, 通过比较预处理后所建模型的预测效果, 确定了小波变换（WT）预处理为最优光谱预处理方法, 从而消除了光谱中的无用信息并提高了信噪比。 再次, 在WT预处理的基础上, 分别采用主成分分析（PCA）法和连续投影 (SPA) 算法提取光谱特征波段, 通过建模比较确定主成分分析（PCA）法为最优波长选择方法, 以所选的16个特征波长作为模型的输入, 不仅提高了模型的运行速度还可以提高模型的稳定性。 最后, 在经过PCA特征提取后, 分别采用偏最小二乘回归（PLSR）算法和多元线性回归（MLR）算法构建TVB-N定量预测模型, 通过比较两种模型的预测效果, 确定了偏最小二乘回归（PLSR）模型为最优建模方法, 最终确定的最优模型为基于WT-PCA-PLSR建立的模型, 模型预测决定系数R2为0.89, 预测均方根误差RMSEP为3.00。 综上所述, 所建立的预测模型具有较高的精度, 可以实现对河蟹新鲜度的快速检测, 具有较好的市场应用前景。

滩羊肉的新鲜度是其品质安全的一个重要衡量指标, 也是肉品品质安全控制的关键环节。 挥发性盐基氮（TVB-N）是表征肉品腐败过程主要的化学信息, 能有效地评价出滩羊肉的新鲜度。 然而, TVB-N的传统检测过程繁琐且人为影响因素大, 检测结果缺乏客观性和一致性, 不能满足当今肉品检测过程无损、 快速、 高效的需求。 高光谱成像技术符合现代检测技术向多源信息融合方向发展的需求, 已在食品安全领域得到广泛应用。 利用可见/近红外高光谱成像技术（400~1 000 nm）结合动力学和化学计量学方法以及计算机编程技术, 将同时实现滩羊肉贮存期内（15 ℃环境）TVB-N 浓度的快速检测和贮藏期的预测。 研究中提取每个样品感兴趣区域的平均光谱数据, 选用蒙特卡洛算法剔除异常样本。 采用X-Y共生距离（SPXY）法划分为校正集和预测集, 分别选用多元散射校正（multiplicative scatter correction, MSC）、 卷积平滑（savitzky-golay, SG）、 标准变量变换（standard normalized variate, SNV）、 归一化（normalization）、 基线校准（baseline）五种方法对原始光谱数据进行预处理, 优选出最佳预处理方法。 采用竞争性自适应重加权法（campetitive adaptive reweighted sampling, CARS）和连续投影算法（successive projections algorithm, SPA）分别提取了21个和6个特征波长。 为优化模型并提高其模型精度, 采用SPA算法对 CARS 所选特征波长进行二次提取, 优选出14个特征波长。 基于所提取的特征波长建立TVB-N浓度的PLSR模型, 优选出 SNV-CARS-SPA-PLSR 模型具有较高的预测能力（R2c=0.88, RMSEC=2.51, R2p=0.65, RMSEP=2.11）。 同时, 建立了滩羊肉TVB-N变化与贮藏时间的动力学模型, 并将优化后的光谱模型和动力学反应模型相结合建立了滩羊肉光谱吸光度值与贮藏时间的高光谱动力学模型, 实现对贮藏时间的预测, 并通过 PLS-DA判别模型对滩羊肉贮藏时间进行判别分析（校正集判别准确率为100%, 预测集为97%）。 研究表明, 利用可见/近红外高光谱成像技术结合动力学和化学计量学方法以及计算机编程技术, 可以有效地实现滩羊肉品质智能监控与质量安全快速无损分析, 为开发实时在线检测装备提供理论参考。

为了实现原料肉新鲜度参数的无损在线实时评估, 基于双波段可见/近红外反射光谱（350~1 100和1 000~2 500 nm）技术建立了原料肉新鲜度主要指标的在线检测系统。 研究设计了装置的光源单元、 光谱采集单元、 控制单元和驱动单元, 优化设计了光源固定支架和安放角度, 编写了相应的控制程序, 开发了实验室用和便于在不同生产线应用的两套在线检测系统。 首先, 对试验参数（传送带速度和样品到透镜入光口距离）进行了优化研究, 通过光谱相似度比较和显著性分析, 确定传送带速度是275 mm·s-1、 距离是12 cm时能够获得更加稳定的光谱信号。 然后, 基于该试验参数, 分别在静止和在线条件下采集了贮藏时间为1~13 d共50个猪肉样本的反射光谱, 并利用抛物线拟合法对双波段光谱进行融合, 以获取整条覆盖可见及近红外区域的完整光谱。 为了使两个波段范围内的光谱数据点权重相同, 在整个波段范围内均匀分布, 借助三次样条插值法将所有光谱数据点以2 nm为间隔进行重新排布。 采用窗口移动多项式最小二乘拟合法对光谱作平滑处理, 采用标准正态变量变换对每条光谱进行标准化预处理, 分别建立了静止和在线条件下新鲜度主要表征指标-颜色（L*, a*和b*）、 pH和挥发性盐基氮的预测模型, 以此验证所搭建系统的可靠性。 经过对比分析, 发现在线条件下的建模结果不如静止状态下的建模结果, 这可能与在线采集时光谱存在漂移现象有关。 进一步尝试利用一阶导数处理来消除基线漂移强化谱带特征, 并对一阶导数和标准化处理顺序对建模结果的影响进行了探讨。 结果发现先经过一阶导数再经过标准化处理, 能更好地消除外部干扰造成的影响, 建模结果更佳。 在该处理方式下, 基于第一波段光谱建立了颜色参数（L*, a*, b*）的预测模型, 基于双波段光谱建立了pH和挥发性盐基氮的在线检测模型, 预测相关系数分别为0.955 3, 0.924 7, 0.955 1, 0.961 5和0.966 8。 最后, 为了验证模型的适用性, 基于开发的便于在不同生产线应用的在线检测系统, 利用独立的20个样本对在线模型进行外部验证, 对颜色参数（L*, a*, b*）, pH和挥发性盐基氮的预测相关系数分别为0.918 9, 0.914 1, 0.947 7, 0.950 4和0.960 6。 研究结果表明, 该系统通过双波段光谱的实时采集和融合, 可以获取更多反应样本内部信息的光学信号, 具有更强的检测能力。 结合设计的光路等其他硬件单元, 可以同时获取样本表面更大区域的反射光谱信息, 从而实现对原料肉新鲜度主要表征参数的无损、 在线、 实时评估。 该系统便于组装和拆卸, 可以适应不同企业生产线的实际需要, 具有较强的实用价值和较好的市场前景。