水分含量（Moisture content, MC）在海参腌制过程中起着重要作用。较高的MC会导致胶原纤维断裂，使海参在储存过程中更容易受损，较低的MC会降低海参的口感和营养价值。准确控制海参腌制过程中MC的含量，对海参的口感品质和商品价值具有重要意义。

大量研究使用高光谱成像（Hyperspectral imaging, HSI）和低场核磁共振（Low field nuclear magnetic resonance, LF-NMR）研究水的迁移和变化并预测MC。HSI是一种用于探测浅水表面物理和化学性质的快速、无损监测技术。LF-NMR是另一种流行的无创检测技术，用于监测食品中水分状态的变化和水分迁移。低频核磁共振之所以有效，是因为当电磁脉冲（Electromagnetic pulse, EMP）在垂直方向辐射时，氢质子由于能量从低能级到高能级的转变而处于不稳定状态，而当EMP消失时，这一过程是可逆的。对于海参浅层表面复杂的棘皮结构和内部复杂的腔体、体壁等结构，HSI和LF-NMR联合检测可以更准确地预测MC。

深度学习（Deep learning, DL）网络可以减少模型对人类经验的依赖，提高模型的泛化能力。CS（Cuckoo search）优化算法通过提取数据的显著特征实现降维，可以有效提高基于小样本空间和低类间差异数据的模型性能。因此，本研究基于HSI和LF-NMR数据，采用DL网络和CS优化算法联合构建预测模型，对盐渍海参的MC进行预测分析。

具体研究目标如下：（1）分别针对HSI和LF-NMR数据构建基于变种CS算法的MC深度学习预测模型；（2）通过探索模型的性能，确定了HSI和LF-NMR的最优模型；（3）根据最优模型和核磁共振成像（Magnetic resonance imaging, MRI），分别基于HSI和LF-NMR数据可视化MC分布；（4）构建基于融合数据的MC的Fusion-net DL（FDL）预测模型，并与以往基于单一数据的模型进行比较，选择最终的最优模型。

大连工业大学王慧慧教授团队利用Image-λ-N17E近红外高光谱成像系统（江苏公司）获取了510个不同腌制处理下的海参高光谱影像（图1a）。高光谱数据由350张640×803像素的单波段光谱图像组成，波长范围为934.8-1710.6 nm。如图1e所示，将盐渍海参样品置于核磁共振分析仪（Niumag电气公司）中进行LF-NMR测，得到如图1f所示的横向松弛曲线。每个腌制周期取同一样品进行MRI分析，通过自旋回波成像序列获得MC在不同腌制时间的氢质子MRI（图1g）。

数据的强相关性可能导致“维度诅咒”，有必要对冗余的高维信息进行降维处理。使用CS算法选择特征，如图1h所示。针对不同的应用领域，CS有不同的变体，本研究使用的三个变体分别为Traditional-CS（TCS）、Binary-CS（BCS）和Chaotic-CS（CCS）。

将降维后的数据输入到相应的模型中进行训练，选择最优模型（图1i），实现MC分布变化的可视化（图1j）。在本文中，MC的预测模型包括基于高光谱数据的单独DL模型、基于LF-NMR数据的单独DL模型和基于HSI和LF-NMR数据的FDL模型。对于HSI数据，DL框架中使用了两个1D卷积层，分别包含32个和64个卷积核，大小为1×3（图2a）。

对于LF-NMR数据，DL框架的总体结构与上述HSI相同。但对于LF-NMR曲线，除了纵向数值差异外，吸收峰也有明显的横向位移。因此，LF-NMR数据比HSI数据更复杂，需要更多的卷积核来提取潜在特征来解决这种复杂的情况。因此，如图2b所示，将大小为1×3的64、128和256个卷积核组成的三个卷积层应用于LF-NMR预测模型。对于HSI和LF-NMR，分别建立了基于整体和降维数据（W和DR）的MC预测深度学习模型，并讨论了它们之间的性能差异。

图2c给出了MC融合预测模型的融合策略。将约简后的两种特征分别放入相应的DL框架中，在flatten层和dense层之间添加concatenate层，将两种特征合并。

▲

图1 研究流程图

▲

图2 多种深度学习模型。基于光谱的深度学习模型（a）；基于LF-NMR的深度学习模型（b）；融合深度学习模型（c）。

图3为不同腌制阶段样品的光谱反射率变化图。在图3a中，不同腌制时间样品的光谱反射率变化趋势大致一致。但在1100 nm之前，0 h样品的反射率值与其他样品相差很大。可以得出结论，腌制过程的持续时间将是导致反射率变化的重要因素。在960 nm、1190 nm和1430 nm处可以观察到三个明显的吸收峰。在图3b中，平均光谱反射率呈现出与腌制时间相关的变化规律，在960 nm左右，随着腌制时间的延长，反射率显著增加，说明样品内部水分有所降低。在1190 nm左右，反射率逐渐增大，说明海参样品中的脂质和蛋白质含量在腌制过程中损失较慢。

▲

图3 不同腌制阶段海参样品的平均光谱反射率曲线

海参样品在各腌制周期的CPMG弛豫衰减曲线和T₂弛豫光谱如图4所示。如图4a所示，样品中质子的衰变速率随着腌制时间的延长而增加，在前三个腌制阶段变化较大。由此可以推断，在腌制初期，样品中大量水分流失，样品中氢质子的含量同时下降，导致质子衰变速率明显增加。在腌制过程后期，样品的内部和外部几乎接近渗透压平衡，导致MC变化很小。如图4b所示，在未腌制（0h）的海参弛豫曲线上存在3个质子弛豫峰，分别为束缚水（T₂₁）、不动水（T₂₂）和游离水（T₂₃）。腌制处理后，T₂₁先减少后消失，T₂₂和T₂₃逐渐减少。随着腌制时间的增加，海参样品中的束缚水向右迁移，逐渐变为不动水。不动水向左移动并压实。随着时间的推移，游离水也会转移到剩余的地方，很容易丢失，从而创造了一个抑制微生物活动的环境，这有利于海参的储存。

▲

图4 LF-NMR数据

结合CS降维算法和1D-CNN DL框架，构建了基于HSI、LF-NMR信息的MC预测模型。图5为基于全部特征的MC估测模型精度图。证明了DL框架适用于基于HIS以及LF-NMR数据的MC预测。将HSI中所有波长和LF-NMR中时间点对应的数据输入到FDL框架中进行MC计算。预测效果如图5e和图5f所示，可以看到W-FDL具有明显的优势。这表明两类数据在训练中是相辅相成的，即在单一数据类型中，不可避免的会出现个别数据的异常导致某一样本的预测失败，但同一样本的两类数据几乎不可能同时出现异常，这为预测模型的准确性提供了保证。

▲

图5 HSI-W-DL模型在校准集（a）和预测集（b）、LF-NMR-WDL模型在校准集（c）和预测集（d）、W-FDL模型在校准集（e）和预测集（f）的模型精度。

图6为三种不同降维算法在HSI数据集中选择的具体波段，用虚线表示。TCS选择的20个波段如图6a所示，在整个波长范围内分散，既提供了丰富的信息，又降低了相关性。图6b为BCS算法选取的159个波段，虽然在1000-1050 nm、1200-1250 nm和1500-1600 nm波长范围内所选波段的密度高于其他地区，但其分布基本覆盖了整个波长范围。这意味着所有的特征都包含在选择的波段中，BCS通过大幅减少数据量来降低计算成本，而不是消除非显著特征，这可能不利于提高模型的泛化能力，并可能导致过拟合现象。图6c显示了CCS选择的20个特定波段，所选波段在全波长范围内的分布比TCS更加离散。在优化过程中，前20次迭代HSI-TCS-DL和HSI-CCS-DL的MSE远小于HSI-BCS-DL，50次迭代后HSI-BCS-DL的MSE没有减小。同时，自第10次迭代以来，HSI-CCS-DL的MSE约为HSI-TCS-DL的一半，证明混沌映射算法在寻找最优解方面优于随机算法。

▲

图6 选自HSI-TCS-DL（a）、HSI-BCS-DL（b）、HSI-CCS-DL（c）模型的具体波段以及HSI-TCS-DL（d）、HSI-BCS-DL（e）、HSI-CCSDL（f）模型的MSE衰减。

对于CARS，当采样次数为31时RMSECV最小。如图5所示，我们选取了13个用于预测SSC和硬度的变量。在SSC和硬度两方面，CARS-MLR模型的预测精度均优于CARS-BP模型（表2）。其中，CARS-MLR模型对SSC具有较好的预测精度（R2P = 0.926, RMSEP = 0.573%， RPD = 3.728）。

图7显示了HSITCS-DL、HSI-BCS-DL和HSI-CCS-DL模型的性能。与全数据模型相比，特征约简后的数据点更收敛于45°直线，对较低MC值的预测效果提高最为显著。与HSI-W-DL相比，HSI-TCS-DL模型的准确性和稳定性得到了显著提高，表明降维后的数据更具代表性。虽然HSI-BCS-DL的性能比HSI-W-DL略有提高，但在数据适应性和预测精度方面不如HSI-TCS-DL。与HSI-TCS-DL模型相比，HSI-CCS-DL的性能有所提升，这是因为在CCS降维算法中使用混沌序列初始化种群，有效地解决了模型因随机初始化而陷入局部最优解的问题。根据上述对比，在HSI数据中，选择CCS作为最优降维算法，确定HSI-CCS-DL模型为最优模型

基于HSI-CCS-DL的MC可视化如图8所示。可以清晰地显示样品浅表面同一阶段内不同点的MC差异以及不同阶段间的变化规律。海参没有腌制时，基本呈蓝色，说明其MC最高。随着腌制时间的延长，中间区域的颜色由蓝色变为绿色，最终变为黄色，同时黄色区域逐渐向边缘扩展。

▲

图7 HSI-TCS-DL模型在校准集（a）和预测集（b）、HSI-BCS-DL模型在校准集（c）和预测集（d）、HSI-CCS-DL模型在校准集（e）和预测集（f）的模型精度。

▲

图8 基于HSI-CCS-DL模型的海参腌制过程MC分布可视化

图9详细描述了LF-NMR-TCS-DL、LF-NMR-BCS-DL和LF-NMR-CCS-DL的特征选择以及MSE衰减结果。CCS算法是最优的，BCS算法提前收敛，但三种算法的结果差异减小。对于LF-NMR数据，选择CCS作为最优降维算法，并确认LF-NMR-CCS-DL为最优模型，这与HSI数据的结果一致。

▲

图9 利用LF-NMR-TCS-DL（a）, LF-NMR-BCS-DL（b）, LF-NMR-CCS-DL（c）模型选择的波段以及其MSE衰减（d）。

结合HSI和LF-NMR数据的FDL框架用于海参MC预测。由于前文确定CCS降维算法效果最好，因此选择CCS和FDL框架构建CCS-FDL模型。如图10所示，校正集和预测集的R2均达到0.99。在数据点的分布上，图10a中的训练集的数据点更加紧凑，更接近真实值，图10b中的预测集也出现了同样的情况。FDL框架的优异性能可能是由于HSI和LF-NMR数据之间的互补优势，即在检测过程中，同时使用HSI和LF-NMR数据可以大大减少单个数据不准确造成的预测偏差。各模型的比较分析结果见表1。可以看出，对于FDL框架，基于HSI和LF-NMR数据的模型的性能都得到了显著提高，特别是在整个数据模型中，并且CCS-FDL模型使用40个特征输入实现了最佳性能。

▲

图10 在HSI和LF-NMR数据集中使用CCS提取特征的FDL模型的预测结果

表1 基于FW、TCS、BCS和CCS的深度学习模型性能

▼

PRODUCT

▲

GaiaField 便携式成像光谱系统

参考文献：

Zeng, F., Shao, W., Kang, J., Yang, J., Zhang, X., Liu, Y., & Wang, H. (2022). Detection of moisture content in salted sea cucumbers by hyperspectral and low field nuclear magnetic resonance based on deep learning network framework. Food Res Int, 156.

https://doi.org/10.1016/j.foodres.2022.111174