摘 要：熒光新鮮度標(biāo)簽的顏色指示是實(shí)時監(jiān)測肉制品品質(zhì)的重要手段。以冷鮮豬肉為研究對象，提出一種由異硫氰酸熒光素（fluorescein isothiocyanate，F(xiàn)ITC）、羅丹明B（rhodamine B，RhB）2 種熒光素組成的比率型熒光新鮮度指示標(biāo)簽，其中發(fā)綠色熒光的FITC為反應(yīng)信號，發(fā)紅色熒光的RhB為參考信號。結(jié)果表明：當(dāng)標(biāo)簽與腐敗胺反應(yīng)時，表現(xiàn)出雙發(fā)射特性，F(xiàn)ITC熒光增強(qiáng)，RhB熒光不受干擾，標(biāo)簽呈現(xiàn)紅粉色到黃綠色的明顯過渡，顯著提高了標(biāo)簽的靈敏性和精確性；其次，利用卷積神經(jīng)網(wǎng)絡(luò)對熒光新鮮度標(biāo)簽的色澤變化進(jìn)行智能化判別，以減少人為視覺誤差，對比3 種輕量級（MobileNetv2、EfficientNetb0、ShuffleNetv2）和2 種非輕量級卷積神經(jīng)網(wǎng)絡(luò)（ResNet50、VGG16）的判別效果，其中輕量級神經(jīng)網(wǎng)絡(luò)EfficientNetb0的效果優(yōu)于其他4 種模型，識別準(zhǔn)確率高達(dá)95.6%，且參數(shù)量和運(yùn)算量僅為4.01 MB和0.398 GMACs，實(shí)現(xiàn)了最佳運(yùn)算速度和精度的平衡。因此，利用該模型可滿足快速、準(zhǔn)確、無損判別冷鮮豬肉新鮮度的需求。研究結(jié)果可為熒光指示標(biāo)簽應(yīng)用于冷鏈物流貯運(yùn)過程中智能化判別冷鮮豬肉新鮮度提供理論參考。

關(guān)鍵詞：輕量級卷積神經(jīng)網(wǎng)絡(luò)；熒光指示標(biāo)簽；新鮮度；冷鮮豬肉

Freshness Discrimination of Chilled Pork with Fluorescent Indicator Labels Based on

Lightweight Convolutional Neural Network

CHEN Danni1， ZHU Lei1， WANG Lin1，*， GAO Xiaoguang1， ZHU Chenxin1， DENG Wenjing1， CHEN Bochao2

（1. College of Food Science and Biology， Hebei University of Science and Technology， Shijiazhuang 050018， China;

2. Hebei Shuangge Food Co. Ltd.， Shijiazhuang 050021， China）

Abstract： Color indications of fluorescent labels for freshness provide an important tool for monitoring meat quality in real time. This study developed a fluorescent label based on a zein film modified with rhodamine B （RhB） and fluorescein isothiocyanate （FITC）. In the label， green fluorescence from FITC acted as a response signal， and red fluorescence from RhB as a reference signal. This fluorescent label exhibited dual emission responses when exposed to amines， FITC fluorescence increased whilst the fluorescence of RhB was undisturbed. The fluorescent label presented a clearly distinguishable color transition from pink to yellow-green， indicating significantly enhanced sensitivity and accuracy. Furthermore， convolutional neural network （CNN） was used to intelligently distinguish the color changes of the fluorescent label to reduce human visual errors. Lightweight CNN EfficientNetb0 was found to be superior to two other lightweight CNN （MobileNetv2 and ShuffleNetv2） and two non-lightweight CNN （ResNet50 and VGG16） in terms of discriminant effectiveness， with a recognition accuracy of 95.6%. The parameters and floating-point operations per second （FLOPs） of the EfficientNetb0 model were 4.01 MB and 0.398 GMACs， respectively， which achieved the best balance between FLOPs and accuracy. Therefore， this model can meet the need for the fast， accurate and nondestructive identification of chilled pork freshness. The research results provide a theoretical reference for the intelligent grading of the freshness of chilled pork using fluorescent indicator labels during cold storage and cold-chain transportation.

Keywords： lightweight convolutional neural network; fluorescent indicator label; freshness; chilled pork

DOI：10.7506/rlyj1001-8123-20240315-054

中圖分類號：TS251.7 " " " " " " " " " " " " " " " " 文獻(xiàn)標(biāo)志碼：A 文章編號：1001-8123（2024）06-0060-11

引文格式：

陳單妮， 朱磊， 王琳， 等. 基于輕量級卷積神經(jīng)網(wǎng)絡(luò)的熒光指示標(biāo)簽用于冷鮮豬肉新鮮度判別[J]. 肉類研究， 2024， 38（6）： 60-70. DOI：10.7506/rlyj1001-8123-20240315-054. " "http：//www.rlyj.net.cn

CHEN Danni， ZHU Lei， WANG Lin， et al. Freshness discrimination of chilled pork with fluorescent indicator labels based on lightweight convolutional neural network[J]. Meat Research， 2024， 38（6）： 60-70. （in Chinese with English abstract） DOI：10.7506/rlyj1001-8123-20240315-054. " "http：//www.rlyj.net.cn

肉制品存在易腐的特點(diǎn)，在物流貯運(yùn)及銷售過程中極易受酶促反應(yīng)及微生物繁殖影響，發(fā)生蛋白質(zhì)和氨基酸分解，進(jìn)而導(dǎo)致腐敗變質(zhì)，總揮發(fā)性鹽基氮（total volatile basic nitrogen，TVB-N）含量被視為評價肉類新鮮度的重要指標(biāo)[1]。基于感官評定、理化指標(biāo)檢測和微生物指標(biāo)檢測等的傳統(tǒng)新鮮度檢測方法存在實(shí)驗(yàn)周期長、操作復(fù)雜等問題。目前，近紅外光譜[2]、電子鼻/舌[3-4]等新型檢測技術(shù)也被用于肉制品新鮮度檢測，結(jié)合多元統(tǒng)計(jì)分析，其可實(shí)現(xiàn)新鮮度的準(zhǔn)確判別，但是這些技術(shù)存在儀器較精密、價格昂貴等問題，制約了其在冷鏈物流及終端消費(fèi)領(lǐng)域的推廣應(yīng)用。與傳統(tǒng)檢測技術(shù)相比，近年來興起的新鮮度指示標(biāo)簽技術(shù)[5-7]因其簡便、直觀等優(yōu)勢已成為食品新鮮度無損檢測的研究熱點(diǎn)。

相比傳統(tǒng)pH值響應(yīng)指示標(biāo)簽，胺響應(yīng)指示標(biāo)簽在檢測靈敏度和信號強(qiáng)度等方面具有明顯優(yōu)勢，被廣泛用于肉制品新鮮度的實(shí)時監(jiān)測[8]。Jia Ruonan等[9]將異硫氰酸熒光素（fluorescein isothiocyanate，F(xiàn)ITC）與醋酸纖維素共價連接，制成標(biāo)簽，應(yīng)用于蝦和豬肉新鮮度檢測，隨著包裝內(nèi)TVB-N含量的增加，標(biāo)簽由紅色（新鮮）變?yōu)榫G色（腐?。uan Zongyan等[10]以FITC和原卟啉IX分別作為指示劑和參比染料，通過均相反應(yīng)接枝到醋酸纖維素上，顯著提高了指示標(biāo)簽的響應(yīng)效率。然而，這些熒光素大多依賴于單信號熒光響應(yīng)，檢測性能易受激發(fā)波長和熒光漂白等因素的干擾。相比之下，基于2 個或多個發(fā)射波段熒光強(qiáng)度比的熒光探針具有自校準(zhǔn)能力，可以消除外界因素干擾，從而提高靈敏度和準(zhǔn)確性[11]。

除了氣敏構(gòu)件，模型識別算法也是智能標(biāo)簽系統(tǒng)中不可或缺的一部分。傳統(tǒng)的識別模型包括主成分分析、線性判別分析、支持向量機(jī)等。近年來，卷積神經(jīng)網(wǎng)絡(luò)快速發(fā)展，圖像識別相關(guān)技術(shù)被應(yīng)用到食品新鮮度指示標(biāo)簽的判別中[12]。孟祥艷[13]利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了牛肉大理石紋特征的智能識別分級。Mohammadi Lalabadi等[14]

利用計(jì)算機(jī)識別技術(shù)采集虹鱒魚眼睛和魚鰓圖像，并構(gòu)建人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型，實(shí)現(xiàn)了鱒魚新鮮度智能判別。目前，大多數(shù)研究集中于非輕量級卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建與改進(jìn)，但傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)因其結(jié)構(gòu)復(fù)雜、參數(shù)量大，在資源受限或?qū)λ俣纫筝^高的環(huán)境中會出現(xiàn)存儲難和運(yùn)行慢的問題。因此，輕量級卷積神經(jīng)網(wǎng)絡(luò)的興起為解決這一難題提供了新思路，它著重于設(shè)計(jì)高效的網(wǎng)絡(luò)結(jié)構(gòu)，旨在保持模型準(zhǔn)確性的同時減少網(wǎng)絡(luò)計(jì)算復(fù)雜度和參數(shù)量，可以更好地實(shí)現(xiàn)速度和精度平衡。

卷積神經(jīng)網(wǎng)絡(luò)無需人工提取圖像特征，而是直接以圖像作為模型的輸入，對圖像預(yù)處理要求簡單。因此，將食品新鮮度指示標(biāo)簽技術(shù)與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合可以實(shí)現(xiàn)食品新鮮度的實(shí)時無損檢測?；诖?，本研究首先構(gòu)建一種基于羅丹明B（rhodamine B，RhB）和FITC修飾的玉米醇溶蛋白比率型熒光指示標(biāo)簽，用于冷鮮豬肉新鮮度檢測，對標(biāo)簽進(jìn)行分析表征。其次，將制備的熒光指示標(biāo)簽置于冷鮮豬肉包裝內(nèi)側(cè)，將在紫外光下采集的不同新鮮度的標(biāo)簽圖片按照豬肉新鮮度等級劃分為3 個新鮮度等級。最后，建立標(biāo)簽圖片數(shù)據(jù)集，對比3 種輕量級卷積神經(jīng)網(wǎng)絡(luò)MobileNetv2[15]、EfficientNetb0[16]、ShuffleNetv2[17]模型的識別效果，并與非輕量級卷積神經(jīng)網(wǎng)絡(luò)ResNet50[18]和VGG16[19]模型的識別效果進(jìn)行對比，選取最優(yōu)模型，以期為冷鮮豬肉新鮮度實(shí)時、無損、快速、智能化判別提供參考依據(jù)。

1 材料與方法

1.1 材料與試劑

冷鮮豬肉購于石家莊北國超市。

FITC、RhB（均為分析純） 阿拉丁試劑（上海）有限公司；乙醇、甘油、氨（分析純） 國藥集團(tuán)化學(xué)試劑有限公司；玉米醇溶蛋白（純度92%） 上海源葉生物科技有限公司。

1.2 儀器與設(shè)備

101-2A型電熱鼓風(fēng)干燥箱 天津泰斯特儀器有限公司；

S-4800-I型廠發(fā)射掃描電子顯微鏡（scanning electron microscope，SEM） 日本Hitachi公司；YS2580型分光測色儀 深圳三恩時科技有限公司；OS-15Pro型電動數(shù)顯攪拌器 群安實(shí)驗(yàn)儀器有限公司；0-25 mm雙尖頭電子數(shù)顯千分尺 濟(jì)寧山測儀器有限公司；TS-600型智能電子拉力機(jī) 濟(jì)南思博科學(xué)儀器有限公司；KDN-520型全自動凱氏定氮儀 邦億精密量儀（上海）有限

公司；SP3型傅里葉變換紅外（Fourier transform infrared，F(xiàn)TIR）光譜儀 珀金埃爾默股份有限

公司；Setline DSC差示掃描量熱（differential scanning calorimetry，DSC）儀 法國Setaram公司；D/MAX-2500型X射線衍射（X-ray diffraction，XRD）儀 日本Rigaku公司。

1.3 方法

1.3.1 熒光新鮮度指示標(biāo)簽的制備

采用流延法制備熒光新鮮度指示標(biāo)簽。將6.0 g玉米醇溶蛋白溶解于70 mL體積分?jǐn)?shù)75%乙醇溶液，70 ℃磁力攪拌20 min，加入1.8 g甘油，室溫下繼續(xù)攪拌10 min。將FITC-乙醇溶液（3.0 mL，1 mg/mL）和RhB-乙醇溶液（6.0 mL，1 mg/mL）溶于上述混合物中，制得膜液，攪拌15 min，投于培養(yǎng)皿（15 mL/皿），55 ℃干燥6 h，制備的標(biāo)簽命名為Zein/FITC/RhB。用3.0 mL乙醇溶液代替FITC溶液制備Zein/RhB標(biāo)簽，用6.0 mL乙醇溶液代替RhB溶液制備Zein/FITC標(biāo)簽。

1.3.2 熒光新鮮度指示標(biāo)簽的表征

1.3.2.1 微觀結(jié)構(gòu)觀察

將標(biāo)簽裁剪為1 cm×1 cm，真空下用金濺射，通過SEM觀察指示標(biāo)簽的表面微觀結(jié)構(gòu)。

1.3.2.2 機(jī)械性能測定

將標(biāo)簽裁剪為1 cm×5 cm，每個薄膜樣品隨機(jī)選取5 個位置，用電子數(shù)顯千分尺（精度0.001 mm）測量標(biāo)簽厚度。參照GB/T 1040.1—2018《塑料 拉伸性能的測定 第1部分：總則》[20]測量指示標(biāo)簽的拉伸強(qiáng)度和斷裂伸長率。初始夾持距離4 cm，拉伸速率2.5 cm/min。每組指示標(biāo)簽進(jìn)行5 次平行測定。

1.3.2.3 水分含量測定

將標(biāo)簽裁剪為2 cm×2 cm，記錄初始質(zhì)量（m0）后，放于烘箱內(nèi)105 ℃烘干至質(zhì)量恒定，記錄質(zhì)量（m1）。水分含量按照式（1）計(jì)算：

（1）

1.3.2.4 顏色參數(shù)測定

采用分光測色儀測量標(biāo)簽的顏色參數(shù)亮度值（L*）、紅度值（a*）和黃度值（b*）。顏色參數(shù)以標(biāo)準(zhǔn)的白色陶瓷板為背景進(jìn)行校準(zhǔn)。每個標(biāo)簽樣本隨機(jī)選取5 個位置?？偵钪担é）按照式（2）計(jì)算：

（2）

式中：L1*、a1*、b1*表示白色標(biāo)準(zhǔn)品的各項(xiàng)色度值；L2*、a2*、b2*表示所測樣品的各項(xiàng)色度值。

1.3.2.5 化學(xué)結(jié)構(gòu)測定

采用FTIR儀測定標(biāo)簽的紅外光譜，掃描范圍為4 000～500 cm－1。

1.3.2.6 熱穩(wěn)定性測定

采用DSC儀在10 mL/min氮?dú)饬髁肯?，研究?biāo)簽的熱性能，測試溫度范圍30～500 ℃，升溫速率10 ℃/min。

1.3.2.7 晶體結(jié)構(gòu)測定

采用XRD儀對標(biāo)簽的晶體結(jié)構(gòu)進(jìn)行表征，掃描范圍2θ 2°～135°，掃描速率10°/min。

1.3.3 熒光新鮮度指示標(biāo)簽對揮發(fā)氨的響應(yīng)測定

將Zein、Zein/RhB、Zein/FITC、Zein/FITC/RhB標(biāo)簽分別放置在含300 mmol/L氨水的50 mL離心管口，10 min后，用攝像機(jī)記錄標(biāo)簽在365 nm紫外光下的顏色變化；類似地，考察Zein/FITC/RhB標(biāo)簽在300 mmol/L氨水濃度下，不同反應(yīng)時間（0、5、10、15、20、30 min）的顏色變化；在最優(yōu)條件下，觀察Zein/FITC/RhB標(biāo)簽對不同濃度（1.5、3、15、30、150、300、1 500 mmol/L）氨水的顏色響應(yīng)。

1.3.4 熒光新鮮度指示標(biāo)簽的應(yīng)用研究

1.3.4.1 豬肉樣品處理

將新鮮豬肉于無菌環(huán)境下切分成（200±10）g/塊，放入密封盒，用粘貼好熒光指示標(biāo)簽的蓋子密封。在冰箱（4 ℃）中保存。用全自動凱氏定氮分析儀測定豬肉樣品的TVB-N含量，設(shè)置3 組平行實(shí)驗(yàn)。

1.3.4.2 樣本的圖像采集與處理

標(biāo)簽圖像在側(cè)面固定有紫外燈的暗箱環(huán)境中采集，將豬肉樣品放置于暗箱中間，用手機(jī)每隔1 h拍攝記錄標(biāo)簽圖像，將標(biāo)簽圖的變化與TVB-N含量的變化相結(jié)合，建立卷積神經(jīng)網(wǎng)絡(luò)模型，并選取最優(yōu)模型。

1.3.4.3 豬肉的新鮮度指標(biāo)測定

豬肉TVB-N含量測定參照GB 5009.228—2016《食品安全國家標(biāo)準(zhǔn) 食品中揮發(fā)性鹽基氮的測定》[21]。冷鮮豬肉貯藏期間的菌落總數(shù)（total viable count，TVC）測定參照GB 4789.2—2022《食品安全國家標(biāo)準(zhǔn) 食品微生物學(xué)檢驗(yàn) 菌落總數(shù)測定》[22]。參照Serdaroglu等[23]

的方法并稍作修改，測定豬肉硫代巴比妥酸反應(yīng)物（thiobarbituric acid reactive substances，TBARS）值。

1.3.5 模型的評價指標(biāo)

選用預(yù)測準(zhǔn)確率作為模型的評價指標(biāo)，按照式（3）

計(jì)算：

（3）

式中：TP、TN、FP、FN分別代表真陽性（預(yù)測為正樣本且預(yù)測正確）、真陰性（預(yù)測為負(fù)樣本且預(yù)測正確）、假陽性（預(yù)測為正樣本但預(yù)測錯誤）和假陰性樣本（預(yù)測為負(fù)樣本但預(yù)測錯誤）的數(shù)量。

1.4 數(shù)據(jù)處理

所有實(shí)驗(yàn)均重復(fù)測定3 次，結(jié)果以±s表示。用SPSS 16.0軟件處理數(shù)據(jù)。使用一般線性模型程序進(jìn)行單因素方差分析，比較平均值在α＝0.05水平下的統(tǒng)計(jì)學(xué)差異。

2 結(jié)果與分析

2.1 熒光新鮮度指示標(biāo)簽的表征結(jié)果

2.1.1 熒光新鮮度指示標(biāo)簽的微觀形態(tài)

由圖1可知，4 種指示標(biāo)簽表面均平整光滑，結(jié)構(gòu)分散均勻，沒有明顯的凸起和褶皺，表明其成膜性良好，各組成成分之間相容性高[24]。Zein標(biāo)簽與添加FITC和RhB的Zein/FITC、Zein/RhB、Zein/FITC/RhB標(biāo)簽在表面形態(tài)上無明顯差異，即RhB和FITC的加入沒有改變薄膜本身的形態(tài)。

2.1.2 熒光新鮮度指示標(biāo)簽的物理屬性

標(biāo)簽厚度受組分構(gòu)成及分子間作用力影響。如表1所示，4 種指示標(biāo)簽的厚度分別為15.23、15.13、15.27、15.20 μm，加入RhB和FITC后，指示標(biāo)簽的厚度有不同程度的變化，但無顯著差異（P＞0.5），即RhB和FITC的添加對標(biāo)簽的厚度沒有顯著影響?？估瓘?qiáng)度與斷裂伸長率是評價物質(zhì)抗壓性和延展性的最基本指標(biāo)，良好的機(jī)械性能可以抵抗運(yùn)輸過程中的外界壓力，對食品起到保護(hù)作用[25]。4 種標(biāo)簽的斷裂伸長率在13.58%～25.13%之間，抗拉伸強(qiáng)度在6.71～14.05 MPa之間，表明指示標(biāo)簽力學(xué)性能良好。4 種指示標(biāo)簽的水分含量均較低，添加RhB和FITC的指示標(biāo)簽水分含量雖有輕微增加但無顯著差異，這可能是由于標(biāo)簽制作過程中的溶劑均為體積分?jǐn)?shù)75%乙醇，水分含量本就較低且玉米蛋白基指示標(biāo)簽的水敏性也較低[26]。

2.1.3 熒光新鮮度指示標(biāo)簽的光學(xué)性質(zhì)

由圖2A可知，由于玉米醇溶蛋白中β-胡蘿卜素和玉米黃質(zhì)的存在，Zein標(biāo)簽呈黃色。FITC本身的顏色使Zein/FITC標(biāo)簽的黃色進(jìn)一步加深。引入RhB后，Zein/RhB和Zein/FITC/RhB標(biāo)簽呈現(xiàn)出明顯的橙紅色。由圖2B可知，Zein和Zein/FITC標(biāo)簽呈黃綠色，b*較高。Zein/RhB和Zein/FITC/RhB標(biāo)簽呈現(xiàn)橙紅色，a*偏高且兩者差異不明顯，但兩者的L*相對較低，其結(jié)果與指示標(biāo)簽的形貌一致。

2.1.4 熒光新鮮度指示標(biāo)簽的化學(xué)和晶體結(jié)構(gòu)

FTIR可對物質(zhì)進(jìn)行定性分析，展現(xiàn)其分子結(jié)構(gòu)及分子間的交聯(lián)情況。由圖3A可知，3 289 cm－1處有明顯強(qiáng)而寬的O—H伸縮振動峰，這是由于Zein、FITC、RhB及甘油等都含有羥基。2 940 cm－1是有機(jī)物—CH2的伸縮特征峰[27]。2 870 cm－1處的特征峰與脂肪族基團(tuán)—CH

的伸縮振動有關(guān)。1 649 cm－1處的特征吸收峰與酰胺I帶的C＝O伸縮振動有關(guān)。1 540 cm－1處的特征吸收峰歸因于酰胺II帶的C—H基團(tuán)[28]。1 410 cm－1屬于C—N伸縮振動特征峰[29]。酰胺III帶在1 240 cm－1處的伸縮振動與C—H相對應(yīng)。4 種指示標(biāo)簽的FTIR光譜圖無明顯差異，可能是FITC和RhB的加入與成膜基底之間僅產(chǎn)生了非共價鍵連接或其他物理連接。

由圖3B可知，4 種指示標(biāo)簽均在9.06°和20.03°出現(xiàn)特征衍射峰，這與玉米醇溶蛋白中的α-螺旋結(jié)構(gòu)相對應(yīng)[30]。

在Zein/FITC、Zein/RhB和Zein/FITC/RhB標(biāo)簽上沒有出現(xiàn)新峰，即FITC和RhB的加入沒有破壞玉米醇溶蛋白的晶體結(jié)構(gòu)。

2.1.5 熒光新鮮度指示標(biāo)簽的熱穩(wěn)定性

DSC可以測量樣品和參照物熱流量差值隨溫度的變化情況[31]。由圖4A可知，4 種標(biāo)簽發(fā)生3 次質(zhì)量損失。首次質(zhì)量損失發(fā)生在50～120 ℃，與玉米醇溶蛋白標(biāo)簽中的水分蒸發(fā)有關(guān)[32]；第2次質(zhì)量損失發(fā)生在200～290 ℃，與甘油的分解有關(guān)[33]；最后1次質(zhì)量損失發(fā)生在300～370 ℃，這可能是玉米醇溶蛋白的熱分解引

起的[34]。圖4B的熱重一階求導(dǎo)曲線反映了標(biāo)簽的相對質(zhì)量損失速率。Zein標(biāo)簽在332.11 ℃表現(xiàn)出最大的分解速率。Zein/FITC和Zein/RhB標(biāo)簽分別在330.54、331.94 ℃時分解速率最大。Zein/FITC/RhB標(biāo)簽的最大分解速率在332.85 ℃，其熱穩(wěn)定性最高。

2.2 熒光新鮮度指示標(biāo)簽對揮發(fā)氨的響應(yīng)結(jié)果

用氨水揮發(fā)產(chǎn)生的氨氣模擬豬肉在腐敗變質(zhì)過程中產(chǎn)生的氨氣、二甲胺和三甲胺等揮發(fā)性氣體，隨著氨水濃度的增加，標(biāo)簽的顏色發(fā)生變化，從而驗(yàn)證標(biāo)簽的應(yīng)用潛力。

如圖5A所示，RhB使得Zein/RhB和Zein/FITC/RhB標(biāo)簽在365 nm紫外光照射下呈紅粉色熒光。Zein和Zein/FITC

標(biāo)簽呈藍(lán)綠色熒光，這可能是玉米醇溶蛋白分子中存在酪氨酸和色氨酸殘基的緣故[35]。當(dāng)氨水濃度為300 mmol/L時，Zein和Zein/RhB標(biāo)簽的熒光顏色沒有變化，說明Zein和RhB對氨氣沒有反應(yīng)或反應(yīng)產(chǎn)生的顏色變化不足以被肉眼辨別。而Zein/FITC標(biāo)簽則呈現(xiàn)亮綠色，這主要是由于暴露于氨氣后，F(xiàn)ITC質(zhì)子被剝奪而導(dǎo)致分子結(jié)構(gòu)發(fā)生變化[36]，

所以FITC可以作為氨氣的反應(yīng)信號。然而，從藍(lán)綠色到綠色的過渡不易被肉眼識別。Zein/FITC/RhB標(biāo)簽顯示出從紅粉色到黃綠色的顯著變化。因此，所制備的Zein/FITC/RhB標(biāo)簽可作為比率熒光反應(yīng)標(biāo)簽用于氨氣的視覺檢測。

如圖5B所示，當(dāng)氨水濃度為300 mmol/L時，標(biāo)簽的顏色在30 min內(nèi)逐漸由紅粉色變?yōu)槌确凵?，最后變?yōu)辄S綠色。當(dāng)反應(yīng)時間超過20 min時，指示標(biāo)簽的熒光幾乎沒有變化，說明反應(yīng)已達(dá)到動態(tài)平衡。因此，最佳反應(yīng)時間為20 min。

如圖5C所示，隨著氨水濃度的增加，F(xiàn)ITC的綠色熒光逐漸占主導(dǎo)地位，觀察者可以直接用肉眼觀察到獨(dú)特的熒光顏色變化，從紅粉色變?yōu)槌确凵?，最后變?yōu)辄S綠色。綜上所述，基于Zein/FITC/RhB標(biāo)簽，用肉眼在紫外光下對氨氣進(jìn)行視覺識別是可行的。

2.3 熒光新鮮度指示標(biāo)簽的應(yīng)用

2.3.1 豬肉新鮮度指標(biāo)檢測結(jié)果

如圖6A所示，根據(jù)GB 2707—2016《食品安全國家標(biāo)準(zhǔn) 鮮（凍）畜、禽產(chǎn)品》[37]規(guī)定，豬肉初始TVB-N含量為5.6 mg/100 g，新鮮；冷藏至第3天，TVB-N含量為14.9 mg/100 g，瀕臨一級新鮮度閾值；冷藏第7天，TVB-N含量達(dá)28.9 mg/100 g，腐敗，不可食用。因此，本研究豬肉在第0～3天為新鮮肉，第4～6天為次鮮肉，第7天及以后為腐敗肉。

豬肉的pH值反映了其酸堿度，較高的pH值不僅會刺激微生物的繁殖，還可能降低食品的品質(zhì)。肉制品新鮮度等級評價按pH值劃分為：新鮮肉pH值為5.8～6.2，次新鮮肉pH值為6.3～6.6，pH＞6.7時定義為腐敗肉。如

圖6B所示，在4 ℃貯藏過程中，豬肉pH值變化隨貯藏時間的延長呈先下降后上升的趨勢。冷藏第1天后，宰后豬肉由有氧呼吸向無氧呼吸過渡，肌內(nèi)糖原分解，產(chǎn)生大量乳酸，pH值下降至5.77。第2～9天，pH值逐步升高，此時乳酸開始分解，同時，在酶與細(xì)菌的協(xié)同作用下，蛋白也參與反應(yīng)，生成堿性物質(zhì)，使pH值逐漸升高。第3天，肉的pH值為6.18，屬于新鮮豬肉，第4天，pH值變?yōu)?.34，此時豬肉屬于次新鮮狀態(tài)，第8天，pH值為6.74，達(dá)到腐敗肉界定范圍，豬肉腐敗變質(zhì)。

依據(jù)GB 4789.2—2022[22]，可以將TVC低于4.0（lg（CFU/g））的豬肉定義為新鮮肉，4.0～6.0（lg（CFU/g））為次鮮肉，大于6.0（lg（CFU/g））為變質(zhì)肉。6.0（lg（CFU/g））為肉制品腐敗變質(zhì)的分界線，當(dāng)TVC＞7.0（lg（CFU/g））時，肉類食品有明顯的酸敗腐臭味和變質(zhì)現(xiàn)象。如圖6C所示，新鮮豬肉在貯藏早期階段，由于其微生物基礎(chǔ)較小，無法大量繁殖，生長非常緩慢。最初的TVC為3.43（lg（CFU/g）），貯藏3 d后變?yōu)?.98（lg（CFU/g）），此時，豬肉處于新鮮狀態(tài)，貯藏第7天，豬肉的TVC已升至6.08（lg（CFU/g）），超出了安全食用標(biāo)準(zhǔn)的臨界值，表明這一階段的豬肉已經(jīng)變質(zhì)，不建議食用。

肉品的氧化水平與其TBARS值成正比，氧化水平越高，TBARS值越高，說明其變質(zhì)程度越嚴(yán)重，常用于衡量肉品的脂肪氧化程度。肉制品新鮮度等級評價按TBARS值劃分為：新鮮豬肉的TBARS值為0.20～0.66 mg/kg，次鮮肉的TBARS值為0.66～1 mg/kg，變質(zhì)肉的TBARS值大于1 mg/kg。如圖6D所示，豬肉TBARS值隨貯藏時間的延長不斷增加，初始TBARS值為0.29 mg/kg，第3天的TBARS值為0.61 mg/kg，接近新鮮豬肉的上限值，第6天TBARS值為0.96 mg/kg，豬肉仍處于次新鮮階段，第7天的TBARS值達(dá)1.12 mg/kg，豬肉已腐敗變質(zhì)。

綜上，對冷鮮豬肉在4 ℃貯藏期間的新鮮度等級劃分結(jié)果如表2所示，0～3 d為新鮮豬肉，4～6 d為次新鮮豬肉，7 d及以后豬肉腐敗。

2.3.2 豬肉冷藏期間新鮮度指示標(biāo)簽顏色的響應(yīng)

如圖7所示，隨著豬肉冷藏時間的延長，標(biāo)簽的顏色變化明顯，肉眼較易識別。其顏色響應(yīng)變化為：紅粉色（0～3 d）→橙粉色（4～6 d）→黃綠色（7 d及以后），顯示出良好的靈敏度。標(biāo)簽的顏色變化與TVB-N含量指示豬肉的新鮮度變化相一致，即所制備的熒光標(biāo)簽可以作為一種智能指示標(biāo)簽，可直觀、有效地實(shí)時監(jiān)測冷鮮豬肉的新鮮度。

2.3.3 輕量級卷積神經(jīng)網(wǎng)絡(luò)模型EfficientNet的構(gòu)建

輕量級卷積神經(jīng)網(wǎng)絡(luò)旨在保持高性能的同時減少模型的大小和計(jì)算復(fù)雜度，以便更好地用于算子資源有限的移動終端設(shè)備[38]。Tan Mingxing等[16]提出了EfficientNet，在降低網(wǎng)絡(luò)計(jì)算復(fù)雜度和模型參數(shù)數(shù)量的同時，實(shí)現(xiàn)了更好的性能，通過復(fù)合縮放方法創(chuàng)建高效的神經(jīng)網(wǎng)絡(luò)。EfficientNet的網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖8所示，它基于神經(jīng)架構(gòu)搜索神經(jīng)網(wǎng)絡(luò)縮放原理，通過統(tǒng)一縮放網(wǎng)絡(luò)的深度、寬度和輸入圖像分辨率，使模型兼顧這3 個方面的平衡，在保持高性能的同時適應(yīng)不同的計(jì)算資源。輸入圖像首先經(jīng)過1 個3×3卷積進(jìn)行初步特征提取和維度變換；然后經(jīng)過一系列的MBConv塊進(jìn)一步提取輸入圖像的特征，實(shí)現(xiàn)更高級的特征提?。蝗缓蠼?jīng)過1 個1×1卷積調(diào)整特征通道，并使用平均池化操作完成輸入圖像特征維度的展平，以便進(jìn)行后續(xù)的全連接層預(yù)測輸出類別概率分布。其中，MBConv模塊結(jié)構(gòu)如圖9所示，主要包含1×1 Conv、DWConv、通道注意力模塊和殘差連接。其中，1×1 Conv主要用于特征通道的升維和降維；卷積核大小為k×k（其中k取3或5）的DWConv主要用于完成高效的特征提取，降低常規(guī)卷積的計(jì)算量；注意力模塊自適應(yīng)地學(xué)習(xí)每個通道的權(quán)重，以增強(qiáng)重要特征的表示能力，主要由1 個全局平均池化和2 個全連接層組成，首先對特征圖的每一個通道進(jìn)行1 個平均池化操作，然后通過2 個全連接層生成通道權(quán)重，將這些權(quán)重應(yīng)用到特征圖中，從而實(shí)現(xiàn)通道注意力；殘差連接主要用來避免梯度消失和過擬合問題。

MobileNetv2在繼用MobileNetv1最大特點(diǎn)深度可分離卷積來減少運(yùn)算量及參數(shù)量的同時，引入倒殘差結(jié)構(gòu)，將低維度的輸入映射到高維度特征空間，然后再投影回低維度，此過程有助于保留和增強(qiáng)特征，同時降低計(jì)算復(fù)雜度[15]。圖10～13分別為模型MobileNetv2、ResNet50、VGG16、ShuffleNetv2的網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

2.3.4 不同卷積神經(jīng)網(wǎng)絡(luò)模型的冷鮮豬肉新鮮度預(yù)測效果

將拍攝的指示標(biāo)簽圖像數(shù)據(jù)集與測得的冷鮮豬肉TVB-N含量相對應(yīng)，依據(jù)TVB-N含量新鮮度等級評判標(biāo)準(zhǔn)將數(shù)據(jù)集劃分為3 類，并將3 類不同新鮮度等級的熒光標(biāo)簽圖像數(shù)據(jù)集以6∶2∶2的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集，其中，訓(xùn)練集用于訓(xùn)練模型，驗(yàn)證集用于調(diào)整模型參數(shù)和超參數(shù)，而測試集用于最終評估模型的性能。測試集的預(yù)測結(jié)果即各模型的預(yù)測準(zhǔn)確率。準(zhǔn)確率越高則代表神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果與熒光新鮮度指示標(biāo)簽的指示結(jié)果一致性越高，能更好地根據(jù)標(biāo)簽圖反映冷鮮豬肉的新鮮度。

如圖14所示，從EfficientNetb0、ResNet50、MobileNetv2 3 個模型的訓(xùn)練過程可以看出，模型判別準(zhǔn)確率隨迭代次數(shù)增加而增加，損失值隨迭代次數(shù)增加而減小，迭代約20 次后，準(zhǔn)確率和損失值都收斂到一個較小的范圍，說明模型經(jīng)充分訓(xùn)練后都能夠快速收斂，由此來看，3 個模型均能快速進(jìn)入穩(wěn)定狀態(tài)，符合使用要求；從ShuffleNetv2模型的訓(xùn)練過程可以看出，雖然該模型準(zhǔn)確率隨迭代次數(shù)增加而增加，并在迭代20 次左右收斂到一個較小的范圍，但是該模型準(zhǔn)確率較低，損失值在迭代至80 次后才收斂在一個穩(wěn)定的范圍，無法快速到達(dá)穩(wěn)定狀態(tài)；VGG16模型的訓(xùn)練準(zhǔn)確率相對較高，但是與ShuffleNetv2模型存在相似問題，損失值在迭代60 次后才收斂到一個較小的范圍，表明該模型經(jīng)訓(xùn)練后無法快速收斂。

由表3可知，非輕量級模型ResNet50的判別準(zhǔn)確率最高，達(dá)96.0%，輕量級模型EfficientNetb0的判別準(zhǔn)確率為95.6%，2 個模型的判別準(zhǔn)確率相差甚微，但輕量級模型EfficientNetb0的參數(shù)量和運(yùn)算量要遠(yuǎn)低于非輕量級模型ResNet50，為后續(xù)模型嵌入移動設(shè)備提供了良好基礎(chǔ)。此外，輕量級模型MobileNetv2的參數(shù)量和運(yùn)算量雖然都比EfficientNetb0低，但相差較小，所以兩者同為輕量級，選擇準(zhǔn)確率更高的EfficientNetb0模型。非輕量級模型VGG16判別準(zhǔn)確率為94.0%，判別效果不如EfficientNetb0，且參數(shù)量和運(yùn)算量也都較高。

綜上，本研究最終選擇EfficientNetb0作為冷鮮豬肉新鮮度預(yù)測模型的基礎(chǔ)框架，并利用EfficientNetb0的預(yù)訓(xùn)練能力和遷移學(xué)習(xí)優(yōu)勢，在冷鮮豬肉數(shù)據(jù)集上進(jìn)行精細(xì)微調(diào)。通過整合預(yù)訓(xùn)練的特征，提高了模型的收斂速度，并增強(qiáng)了對冷鮮豬肉新鮮度特征的學(xué)習(xí)和識別能力，即該模型能很好地應(yīng)用于冷鮮豬肉新鮮度判別。因此，本研究選擇綜合性能最佳、兼具精度與速度的輕量級模型EfficientNetb0作為冷鮮豬肉新鮮度判別的最終模型。

3 結(jié) 論

本研究開發(fā)了一種智能型比率熒光指示標(biāo)簽Zein/FITC/RhB，通過卷積神經(jīng)網(wǎng)絡(luò)對指示標(biāo)簽顏色變化進(jìn)行識別分析，用于冷鮮豬肉貯藏過程中生物胺的監(jiān)測，以達(dá)到實(shí)時、智能化判斷冷鮮豬肉新鮮度的目的。以玉米醇溶蛋白為成膜基質(zhì)，添加FITC使標(biāo)簽在不同氨濃度中發(fā)生構(gòu)象變化，實(shí)現(xiàn)生物胺響應(yīng)，加入RhB作為輔助參考，使標(biāo)簽顏色變化更穩(wěn)定且易被識別。同時采集代表冷鮮豬肉不同新鮮度的指示標(biāo)簽圖片，建立數(shù)據(jù)集，構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的冷鮮豬肉新鮮度判別方法，并應(yīng)用于冷鮮豬肉新鮮度識別。結(jié)果表明，基于輕量級卷積神經(jīng)網(wǎng)絡(luò)模型EfficientNetb0的熒光指示標(biāo)簽可以快速、精準(zhǔn)判別冷鮮豬肉新鮮度，準(zhǔn)確率高達(dá)95.6%。指示標(biāo)簽的顏色變化被相機(jī)實(shí)時記錄，同時上傳至神經(jīng)網(wǎng)絡(luò)進(jìn)行識別，冷庫管理員可以在電腦終端實(shí)時查看冷鮮豬肉新鮮度。本研究旨在為實(shí)時、無損、快速且智能化判別冷鮮豬肉新鮮度提供技術(shù)參考，為熒光指示標(biāo)簽應(yīng)用于冷鏈物流貯運(yùn)過程中冷鮮豬肉新鮮度智能化分級與判別提供理論參考。

參考文獻(xiàn)：

[1] BEKHIT A， HOLMAN， GITERU S， et al. Total volatile basic nitrogen （TVB-N） and its role in meat spoilage： a review[J]. Trends in Food Science and Technology， 2021， 109： 280-302. DOI：10.1016/j.tifs.2021.01.006.

[2] QU F F， REN D， HE Y， et al. Predicting pork freshness using multi-index statistical information fusion method based on near infrared spectroscopy[J]. Meat Science， 2018， 146： 59-67. DOI：10.1016/j.meatsci.2018.07.023.

[3] CHENG J H， SUN J， YAO K S， et al. A decision fusion method based on hyperspectral imaging and electronic nose techniques for moisture content prediction in frozen-thawed pork[J]. LWT-Food Science and Technology， 2022， 165： 113778. DOI：10.1016/j.lwt.2022.113778.

[4] LI H Y， WANG Y， ZHANG J X， et al. Prediction of the freshness of horse mackerel （Trachurus japonicus） using E-nose， E-tongue， and colorimeter based on biochemical indexes analyzed during frozen storage of whole fish[J]. Food Chemistry， 2023， 402： 134325. DOI：10.1016/j.foodchem.2022.134325.

[5] CHE S Y， PAN S L， SHAO X S， et al. Portable and reversible smart labels for non-destructive detection of seafood freshness via amine-response fluorescent ionic liquids[J]. Food Chemistry， 2024， 430： 136946. DOI：10.1016/j.foodchem.2023.136946.

[6] FANG S L， GUAN Z H， SU C， et al. Accurate fish-freshness prediction label based on red cabbage anthocyanins[J]. Food Control， 2022， 138： 109018. DOI：10.1016/j.foodcont.2022.109018.

[7] HAN T T， XIA C Y， HUANG Y， et al. An electrospun sensing label based on poly（vinyl alcohol）-Ag-grape seed anthocyanidin nanofibers for smart， real-time meat freshness monitoring[J]. Sensors and Actuators B： Chemical， 2023， 376： 132975. DOI：10.1016/j.snb.2022.132975.

[8] ZHANG D D， ZHU L， JIANG Q W， et al. Real-time and rapid prediction of TVB-N of livestock and poultry meat at three depths for freshness evaluation using a portable fluorescent film sensor[J]. Food Chemistry， 2023， 400： 134041. DOI：10.1016/j.foodchem.2022.134041.

[9] JIA R N， TIAN W W， BAI H T， et al. Amine-responsive cellulose-based ratiometric fluorescent materials for real-time and visual detection of shrimp and crab freshness[J]. Nature Communications， 2019， 10： 795. DOI：10.1038/s41467-019-08675-3.

[10] QUAN Z Y， HE H， ZHOU H， et al. Designing an intelligent nanofiber ratiometric fluorescent sensor sensitive to biogenic amines for detecting the freshness of shrimp and pork[J]. Sensors and Actuators B： Chemical， 2021， 333： 129535. DOI：10.1016/j.snb.2021.129535.

[11] ZHAN Y J， YANG J， GUO L H， et al. Targets regulated formation of boron nitride quantum dots-gold nanoparticles nanocomposites for ultrasensitive detection of acetylcholinesterase activity and its inhibitors[J]. Sensors and Actuators B： Chemical， 2019， 279： 61-68. DOI：10.1016/j.snb.2018.09.097.

[12] PU H B， YU J X， SUN D W， et al. Distinguishing fresh and frozen-thawed beef using hyperspectral imaging technology combined with convolutional neural networks[J]. Microchemical Journal， 2023， 189： 108559. DOI：10.1016/j.microc.2023.108559.

[13] 孟祥艷. 基于改進(jìn)分水嶺算法及Hopfield神經(jīng)網(wǎng)絡(luò)的牛肉大理石紋等級評級方法[J]. 食品科學(xué)， 2013， 34（1）： 140-145.

[14] MOHAMMADI LALABADI H， SADEGHI M， MIREEI S A. Fish freshness categorization from eyes and gills color features using multi-class artificial neural network and support vector machines[J]. Aquacultural Engineering， 2020， 90： 102076. DOI：10.1016/j.aquaeng.2020.102076.

[15] SANDLER M， HOWARD A， ZHU M， et al. MobileNetV2： inverted residuals and linear bottlenecks[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， Salt Lake City， UT， USA， 2018： 4510-4520. DOI：10.1109/cvpr.2018.00474.

[16] TAN M X， LE Q V. Efficientnet： rethinking model scaling for convolutional neural networks[C]//Proceedings of the 36th International Conference on Machine learning， Long Beach， California， 2019： 6105-6114. DOI：10.48550/arXiv.1905.11946

[17] ZHANG X Y， ZHOU X Y， LIN M X， et al. ShuffleNet： an extremely efficient convolutional neural network for mobile devices[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， Salt Lake City， UT， USA， 2018： 6848-6856. DOI：10.1109/cvpr.2018.00716.

[18] HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， Las Vegas， NV， USA， 2016， 2016： 770-778. DOI：10.1109/cvpr.2016.90.

[19] SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J]. Computer Vision and Pattern Recognition， 2014， 2014： 1409. DOI：10.48550/arXiv.1409.1556.

[20] 中國國家標(biāo)準(zhǔn)化管理委員會. 塑料 拉伸性能的測定 第1部分： 總則： GB/T 1040.1—2018[S]. 北京： 中國標(biāo)準(zhǔn)出版社， 2018.

[21] 國家衛(wèi)生和計(jì)劃生育委員會. 食品安全國家標(biāo)準(zhǔn) 食品中揮發(fā)性鹽基氮的測定： GB 5009.228—2016[S]. 北京： 中國標(biāo)準(zhǔn)出版社， 2016.

[22] 國家衛(wèi)生健康委員會. 食品安全國家標(biāo)準(zhǔn) 食品微生物學(xué)檢驗(yàn) 菌落總數(shù)測定： GB 4789.2—2022[S]. 北京： 中國標(biāo)準(zhǔn)出版社， 2022.

[23] SERDAROGLU M， CAN H， SARI B， et al. Effects of natural nitrite sources from arugula and barberry extract on quality characteristic of heat-treated fermented sausages[J]. Meat Science， 2023， 198： 109090. DOI：10.1016/j.meatsci.2022.109090.

[24] KOCHKINA N E， LUKIN N D. Structure and properties of biodegradable maize starch/chitosan composite films as affected by PVA additions[J]. International Journal of Biological Macromolecules， 2020， 157： 377-384. DOI：10.1016/j.ijbiomac.2020.04.154.

[25] 王明， 郝文婷， 楊麗麗， 等. 殼聚糖分子質(zhì)量對原位改性納米CaCO3-殼聚糖涂膜食品保鮮性能的影響[J]. 中國食品學(xué)報， 2020， 20（8）： 191-200. DOI：10.16429/j.1009-7848.2020.08.023.

[26] BUENO J N， CORRADINI E， SOUZA P R， et al. Films based on mixtures of zein， chitosan， and PVA： development with perspectives for food packaging application[J]. Polymer Testing， 2021， 101： 107279. DOI：10.1016/j.polymertesting.2021.107279.

[27] CHEN X， XIAO J， CAI J Y， et al. Phase separation behavior in zein-gelatin composite film and its modulation effects on retention and release of multiple bioactive compounds[J]. Food Hydrocolloids， 2020， 109： 106105. DOI：10.1016/j.foodhyd.2020.106105.

[28] KARIM M， FATHI M， SOLEIMANIAN-ZAD S. Incorporation of zein nanofibers produced by needle-less electrospinning within the casted gelatin film for improvement of its physical properties[J]. Food and Bioproducts Processing， 2020， 122： 193-204. DOI：10.1016/j.fbp.2020.04.006.

[29] AHAMMED S， LIU F， KHIN M N， et al. Improvement of the water resistance and ductility of gelatin film by zein[J]. Food Hydrocolloids， 2020， 105： 105804. DOI：10.1016/j.foodhyd.2020.105804.

[30] VAHEDIKIA N， GARAVAND F， TAJEDDIN B， et al. Biodegradable zein film composites reinforced with chitosan nanoparticles and cinnamon essential oil： physical， mechanical， structural and antimicrobial attributes[J]. Colloids and Surfaces B： Biointerfaces， 2019， 177： 25-32. DOI：10.1016/j.colsurfb.2019.01.045.

[31] 封晴霞， 王利強(qiáng). 藍(lán)莓花青素智能指示膜的制備及應(yīng)用[J]. 中國食品學(xué)報， 2022， 22（2）： 281-290. DOI：10.16429/j.1009-7848.2022.02.030.

[32] WANG L， MU R J， LI Y Z， et al. Characterization and antibacterial activity evaluation of curcumin loaded konjac glucomannan and zein nanofibril films[J]. LWT-Food Science and Technology， 2019， 113： 108293. DOI：10.1016/j.lwt.2019.108293.

[33] HAN Y Y， YU M， WANG L J. Soy protein isolate nanocomposites reinforced with nanocellulose isolated from licorice residue： water sensitivity and mechanical strength[J]. Industrial Crops and Products， 2018， 117： 252-259. DOI：10.1016/j.indcrop.2018.02.028.

[34] CHEN S， LI H Q， MCCLEMENTS D J， et al. Co-delivery of curcumin and piperine in zein-carrageenan core-shell nanoparticles： formation， structure， stability and in vitro gastrointestinal digestion[J]. Food Hydrocolloids， 2020， 99： 105334. DOI：10.1016/j.foodhyd.2019.105334.

[35] LIU Q Y， CHEN J J， QIN Y， et al. Zein/fucoidan-based composite nanoparticles for the encapsulation of pterostilbene： preparation， characterization， physicochemical stability， and formation mechanism[J]. International Journal of Biological Macromolecules， 2020， 158： 461-470. DOI：10.1016/j.ijbiomac.2020.04.128.

[36] YAN F， FAN K Q， BAI Z J， et al. Fluorescein applications as fluorescent probes for the detection of analytes[J]. Trends in Analytical Chemistry， 2017， 97： 15-35. DOI：10.1016/j.trac.2017.08.013

[37] 國家衛(wèi)生和計(jì)劃生育委員會. 食品安全國家標(biāo)準(zhǔn) 鮮（凍）畜、禽產(chǎn)品： GB 2707—2016[S]. 北京： 中國標(biāo)準(zhǔn)出版社， 2016.

[38] 易振通， 吳瑰， 官端正， 等. 輕量化卷積神經(jīng)網(wǎng)絡(luò)的研究綜述[J]. 工業(yè)控制計(jì)算機(jī)， 2022， 35： 109-111; 114. DOI：10.3969/j.issn.1001-182X.2022.10.041.

收稿日期：2024-03-15

基金項(xiàng)目：河北省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（19227140D）；河北省高等學(xué)校科學(xué)技術(shù)研究青年拔尖人才項(xiàng)目（BJ2019034）；

石家莊市駐冀高校產(chǎn)學(xué)研合作項(xiàng)目（241170082A）

第一作者簡介：陳單妮（1998—）（ORCID： 0009-0000-5459-5933），女，碩士研究生，研究方向?yàn)閯游镌葱允称芳庸づc控制。

E-mail： 632057504@qq.com

*通信作者簡介：王琳（1989—）（ORCID： 0000-0002-2875-2234），女，講師，博士，研究方向?yàn)檗r(nóng)產(chǎn)品加工及貯藏工程。

E-mail： w592148022@163.com