Пример применения гиперспектральной камеры CHNSpec FS-13 для неразрушающего определения аминокислот в живой рыбе

В исследовании, опубликованном в журнале*Food Research International*, для неразрушающего прогнозирования содержанияаминокислот в мышцах живого обыкновенного карпа была применена технологиягиперспектральной визуализации в видимом и ближнем инфракрасном диапазонах.Работа была выполнена совместно Шанхайским океанологическим университетом,Китайской академией рыбохозяйственных наук и другими организациями. В качествеосновного оборудования для измерений использовалась гиперспектральная камераFS-13 (FigSpec FS-13) производства компании CHNSpec Technology. Инженер CHNSpecTechnology Сяцзюнь Ци (Xiajun Qi) принял активное участие в исследовании,предложив новый технический подход к оценке пищевой ценности живой рыбы врежиме реального времени.

I. Предпосылки исследования и требованияк методам анализа

Аминокислотный состав рыбьего мяса является важным показателем, определяющим его пищевую и коммерческую ценность. Хотя традиционные методы анализа (например, высокоэффективная жидкостная хроматография)отличаются высокой точностью, они являются разрушающими: после проведения анализа рыбу уже нельзя продать или использоватьдля селекции. В таких сферах применения, как точное кормление, сортировка попищевой ценности и отбор производителей, где необходимосохранять рыбу живой, отрасли давно не хватало инструментадля быстрого, неразрушающего анализа в режиме реальноговремени.

В основе данного исследования лежит вопрос:могут ли чешуйки рыбы служить «окном» для передачи спектральных сигналов? Способенли ближний инфракрасный свет проникать сквозь чешую и кожу, переносяинформацию о химическом составе мышц к детектору? Если этовозможно, то проблема анализа пищевой ценности живой рыбыбудет решена кардинальным образом.

II. Протокол эксперимента и основноеоборудование

Исследовательская группа отобрала две группы обыкновенного карпа, различающиеся по годам выращивания и весовым категориям; всего было исследовано 481 живую особь. Каждую рыбу кратковременно анестезировали препаратом MS222, а поверхность чешуи в области спинного плавника аккуратнопросушивали впитывающей бумагой. Затем с помощью гиперспектральнойкамеры CHNSpec Technology FS-13 (спектральный диапазон 400–1000 нм, спектральноеразрешение 2,5 нм) получали гиперспектральныеизображения участка чешуи в области спинного плавника. Областьинтереса для каждого образца составляла 200×200 пикселей, причем каждый пиксель содержалспектральную информацию в 300 спектральных каналах.

Впоследствии из соответствующего участка спинной мышцы отбиралипробу и методом высокоэффективной жидкостной хроматографии определяли фактическоесодержание 17 аминокислот для целей построения и проверкимодели.

III. Построение модели и результаты прогнозирования

Исследователи сравнили пять моделей: регрессиюметодом частичных наименьших квадратов (PLSR), метод опорныхвекторов на основе наименьших квадратов (LS-SVM), методэкстремального обучения (ELM), случайный лес (RF) и искусственную нейронную сеть с обратным распространениемошибки (BP-ANN). Моделирование проводилось с использованиемспектральных сигналов во всем диапазоне длин волн (400–1000 нм); значения коэффициента детерминации (R²) для различных моделей на обучающихи прогностических выборках, как правило, превышали 0,95.

Среди них модель BP-ANN продемонстрировалаотносительно стабильные результаты прогнозирования для большинства аминокислот. На независимой проверочной выборке (181 рыба, полученная в разные годы и в различных условиях выращивания) значения R² для модели BP-ANN во всех случаях превышали 0,777. Показатели R² при проверке для трех аминокислот с наибольшим содержанием— глутаминовой кислоты, аспарагиновой кислоты и лизина —достигли значений 0,848, 0,858 и 0,858соответственно. Исследование также показало, что замена полного спектрального диапазона на набор характеристическихдлин волн (отобранных с помощью алгоритма CARS) приводила лишь к незначительному повышению точности прогнозирования (среднее значение R² увеличилось примернона 0,013), что свидетельствует о широком распределении спектральнойинформации, связанной с аминокислотами.

IV. Ключевые факторы, влияющие на точность

В ходе исследования систематически оценивалось влияние шестифакторов на точность прогнозирования; результаты показали, что наиболее значимым фактором, влияющимна точность, является неоднородность выборок. При применении модели к независимым выборкам, различающимся по годам и массе особей, среднеезначение R² снижалось примерно на0,182. Это может быть связано с различиями в распределении содержания аминокислотмежду двумя выборками (например, медианныезначения содержания большинства аминокислот в первой выборке были существенно выше, чем во второй). Несмотря на это, модель BP-ANN сохранила приемлемый уровеньточности (R² > 0,777) при работес неоднородными выборками.

Напротив, такие факторы, как тип модели, вид аминокислоты, метод выбора длин волн, а также массаи длина тела рыбы, оказали меньшее влияние на точность (изменение среднего значения R² составиломенее 0,103). Например, после разделениярыб на группы (с низкой, среднейи высокой массой тела) среднее различие в показателях R² для модели BP-ANN составило всего 0,076 (при использовании характеристических длин волн). Это свидетельствует о том, что спектральныйсигнал определяется преимущественно биохимическим составом мышечной ткани, а не эффектами рассеяния, обусловленнымилишь физическими размерами объекта.

Что касается характерных длин волн,алгоритм CARS выделил чувствительные спектральные диапазоны для глутаминовойкислоты и лизина: 516–584 нм, 707–738 нм, 828–834 нм и 939–1032 нм. Эти областисоответствуют обертонам и комбинационным частотам колебаний связей C–H, O–H иN–H, что подтверждает возможность взаимодействия излучения ближнегоинфракрасного диапазона с молекулами аминокислот в мышечной ткани послепрохождения через чешую.

V. Пространственное распределение и практическаяценность

Используя спектральные данные каждого пикселя, полученные с помощью гиперспектральной камеры FS-13, исследовательская группа построила тепловую карту распределенияобщего содержания аминокислот в теле живой рыбы. Результатыпоказали, что общее содержание аминокислот в мышцах нижнейчелюсти, грудного плавника и брюшной части было относительновысоким, тогда как в области спинного плавника и хвоста— относительно низким. Такое распределение соответствуетфункциональным различиям типов мышечных волокон (красныхи белых мышц) в разных частях тела: вмышцах грудного плавника и брюшной части преобладают медленносокращающиеся окислительныекрасные мышцы, для которых характерен более активный белковыйобмен. Данная тепловая карта может служить наглядным ориентиромдля потребителей при выборе частей рыбы с высокой пищевой ценностью.

Использование гиперспектральной камерыCHNSpec FS-13 в сочетании с алгоритмами глубокого обучения позволило успешнопреодолеть технические ограничения, препятствовавшие неразрушающемуанализу содержания аминокислот в живой гидробионтной продукции.Это решение представляет собой компактный и практичный инструмент для нуждточного рыбоводства и контроля качества продукции аквакультуры.В дальнейшем, по мере расширения базы данных моделейи совершенствования портативного оборудования, данная технологияможет быть адаптирована для широкого спектра видов пресноводных и морских рыб, способствуя переходу отрасли на качественно новый уровень засчет внедрения интеллектуальных систем, стандартизации ивизуализации показателей пищевой ценности.

Рекомендуемый продукт: гиперспектральнаякамера FigSpec FS-13 (линейное сканирование).

• Спектральный диапазон: 400–1000 нм

• Спектральное разрешение: 2,5 нм

• Спектральные каналы: 1200

• Пространственные пиксели: 1920