合肥工业大学食品与生物工程学院林琳、陆剑锋教授团队在Food Control发表题目为“Non-destructive detection of freshness in crayfish (Procambarus clarkii) based on near-infrared spectroscopy combined with deep learning”研究论文（基于近红外光谱结合深度学习的小龙虾新鲜度无损检测）。摘要： 白度（W）、总挥发性盐基氮（TVB-N）和总活菌数（TVC）是评价小龙虾新鲜度的三个重要指标。本研究旨在基于近红外（NIR）光谱技术开发用于冷藏过程中小龙虾多项新鲜度指标无损检测的稳健模型。采集小龙虾的近红外光谱后，采用传统方法测量W、TVB-N和TVC。构建了偏最小二乘回归（PLSR）模型以及多种预处理和变量选择方法以及基于原始光谱的一维卷积神经网络（1D-CNN）模型，结果表明小波阈值去噪（WTD）和竞争自适应加权采样（CARS）可以提高PLSR模型的性能。与其他模型相比，1D-CNN 模型在预测 TVB-N 和 TVC 方面表现出最佳性能，Rp2 分别为 0.9397 和 0.9318，RPD 分别为 2.8279 和 2.7560，表明 CNN 在近红外光谱分析中具有突出优势。总而言之，结果表明，近红外光谱结合深度学习是一种检测小龙虾新鲜度的可行方法。研究结果：3.2 光谱数据分析Figure 2. The NIR spectra of crayfish during cold storage.3.3 重要变量选取Figure 3. The results of model optimization based on CARS for predicting TVB-N.Figure 4. The results of model optimization based on CARS for predicting TVC.Figure 5. The results of model optimization based on SiPLS for predicting TVB-N.Figure 6. The results of model optimization based on SiPLS for predicting TVC.3.4. 1D-CNN 结果Figure 7. The results of the 1D-CNN model for predicting TVB-N.Fig. 8. The results of 1D-CNN models for predicting TVC.原文链接：https://doi.org/10.1016/j.foodcont.2024.110858
