Um caso de aplicação da câmera hiperespectral CHNSpec FS-13 na detecção não destrutiva de aminoácidos em peixes vivos

A study published in "Food Research International" utilized visible/near-infrared hyperspectral imaging technology to achieve non-destructive prediction of muscle amino acid content in live common carpEste estudo foi concluído em conjunto pela Universidade Oceânica de Xangai, pela Academia Chinesa de Ciências da Pesca e por outras unidades.A câmara hiperspectral FS-13 (FigSpec FS-13) fornecida pela CHNSpec Technology foi utilizada como equipamento de detecção principalXiajun Qi, engenheiro da CHNSpec Technology, participou profundamente da pesquisa, fornecendo um novo caminho técnico para a avaliação em tempo real da qualidade nutricional dos peixes vivos.

I. Antecedentes da investigação e requisitos de detecção
A composição em aminoácidos da carne de peixe é um indicador importante para medir o seu valor nutricional e valor comercial.Embora os métodos de detecção tradicionais (como a cromatografia líquida de alto desempenho) sejam precisos,Para cenários de aplicação que exijam a manutenção do estado vivo dos peixes,como alimentação de precisãoA indústria não dispõe há muito de uma ferramenta de detecção rápida, não destrutiva e online.

O ponto de partida deste estudo é: as escamas dos peixes podem servir de "janela" para os sinais espectrais?transportando informações da composição química do músculo de volta ao detectorSe for viável, resolverá fundamentalmente o problema da detecção da nutrição dos peixes vivos.

II. Protocolo experimental e equipamento básico
A equipa de investigação recolheu duas populações de carpas comuns de diferentes anos e diferentes faixas de peso, num total de 481 peixes vivos.Foi primeiro anestesiado brevemente usando o anestésico MS222, e a superfície das escamas na região das barbatanas dorsais foi secada suavemente com papel absorvente.Resolução espectral 2.5 nm) foi utilizado para obter imagens hiperespectral da região das barbatanas dorsais das escamas.com cada pixel contendo informação espectral em 300 bandas.

Em seguida, a amostragem foi efectuada no local do músculo dorsal correspondente,e o teor real de 17 aminoácidos foi determinado por cromatografia líquida de alto desempenho para modelagem e validação.

III. Construção de modelos e efeitos de previsão
Os pesquisadores compararam cinco modelos: Regressão parcial de mínimos quadrados (PLSR), Máquina de vector de suporte de mínimos quadrados (LS-SVM), Máquina de aprendizagem extrema (ELM), Floresta aleatória (RF),e Rede Neural Artificial de Replicação (BP-ANN)A modelagem foi realizada utilizando sinais espectrais de banda completa (400-1000 nm), e os valores R2 de diferentes modelos nos conjuntos de formação e previsão eram geralmente superiores a 0.95.

Entre eles, o modelo BP-ANN mostrou efeitos de previsão relativamente estáveis para a maioria dos aminoácidos.Os valores de validação R2 do modelo BP-ANN excederam todos 0.777A validação R2 para os três aminoácidos com maior teor de ácido glutâmico, ácido aspártico e lisina alcançou 0.848, 0.858, e 0.858O estudo também descobriu que, após a substituição das bandas completas por comprimentos de onda característicos (selecionados pelo algoritmo CARS),A melhoria da precisão da previsão foi limitada (a média R2 aumentou cerca de 0.013), indicando que a informação espectral relacionada com os aminoácidos está amplamente distribuída.

IV. Fatores-chave que afectam a exatidão
O estudo avaliou sistematicamente o impacto de seis fatores na precisão da previsão e os resultados mostraram que: a heterogeneidade da população da amostra foi o fator mais significativo que afeta a precisão.Quando o modelo foi aplicado a populações independentes de diferentes anos e pesos, a média R2 diminuiu cerca de 0.182Isto pode estar relacionado com diferenças na distribuição do teor de aminoácidos entre as duas populações (por exemplo,a mediana da maioria dos aminoácidos na primeira população foi significativamente superior à da segunda população)Apesar disso, o modelo BP-ANN manteve uma precisão aceitável (R2 > 0,777) em populações heterogéneas.

Em contraste, o tipo de modelo, o tipo de aminoácidos, o método de seleção de comprimento de onda, o peso corporal dos peixes e o comprimento do corpo tiveram menos impacto na precisão (variação média de R2 inferior a 0,103).depois de dividir o peixe em partes superiores, grupos médios e inferiores de acordo com o peso corporal, a diferença média em R2 para o modelo BP-ANN foi de apenas 0,076 (quando se utilizam comprimentos de onda característicos).Isto indica que o sinal espectral é conduzido principalmente pela composição bioquímica do músculo, em vez de simples efeitos de dispersão de tamanho físico.

Em termos de comprimentos de onda característicos, o algoritmo CARS selecionou bandas sensíveis para ácido glutâmico e lisina concentrados em 516-584 nm, 707-738 nm, 828-834 nm e 939-1032 nm.Estas regiões estão associadas com os tons e freqüências de combinação de ligações C-H, ligações O-H e ligações N-H, validando a viabilidade da luz infravermelha próxima interagindo com moléculas de aminoácidos no músculo após penetrar nas escamas.

V. Distribuição espacial e valor de aplicação
Utilizando a informação espectral de cada pixel da câmera hiperespectral FS-13, a equipe de pesquisa mapeou a distribuição do mapa de calor do teor total de aminoácidos em todo o corpo do peixe vivo.Os resultados mostraram que: o teor total de aminoácidos no músculo da mandíbula inferior, na barbatana peitoral e no abdômen foi relativamente elevado, enquanto o da região das barbatanas dorsais e da cauda foi relativamente baixo. This distribution matches the functional differences in muscle fiber types (red muscle and white muscle) across different parts—the pectoral fin and abdomen are dominated by slow-twitch oxidative red muscleEste mapa de calor pode fornecer uma referência visual para que os consumidores selecionem partes com alto valor nutricional.

A câmara hiperspectral CHNSpec FS-13 emparelhada com algoritmos de aprendizagem profunda rompeu com sucesso o gargalo técnico da detecção não destrutiva de aminoácidos em produtos aquáticos vivos,fornecendo um peso leve, ferramenta prática de detecção para a aquicultura de precisão e o rastreio de produtos aquáticos de alta qualidade.com a melhoria contínua da base de dados de modelos e o desenvolvimento de equipamentos portáteis, esta solução pode ser promovida para uma variedade de espécies de peixes de água doce e marinhos, ajudando a indústria aquática a atualizar para inteligência, padronização e visualização nutricional.

Recomendação de produto: FigSpecFS-13 Câmara hiperespectral (linear scan)

• Faixa espectral: 400-1000 nm
• Resolução espectral: 2,5 nm
• Bandas espectrais: 1200
• Pixéis espaciais: 1920