高光谱成像技术在鱼类品质检测研究中的应用进展

1. 鱼类品质检测的重要性

人们普遍认为，鱼、虾和蟹等海鲜构成了营养和健康饮食的重要组成部分，因为它们是优质和易消化的动物蛋白、维生素和矿物质的直接来源，以及主要与长链ω-3二十碳五烯酸和二十二碳六烯酸相关的特定多不饱和脂肪酸的供应。近年来消费者对这些水产品的需求有所增加，但也出现了相关问题，如食品掺假造假、营养损失、新鲜度品质下降、线虫污染，以及冻融、盐渍、烟熏等加工因素、渔场、捕捞和上岸时间等捕捞因素造成的其他干扰和影响 (Cheng et al., 2014)。因此，食品安全和质量控制与检验问题日益突出，严重影响了消费者的信心和接受度。特别是对于鱼类来说，与此类海鲜相关的最困难的技术问题是它的脆弱性和易腐性，这对质量参数有很大影响，包括保水能力、水分含量、脂肪和蛋白质含量和结构、颜色、质地和新鲜度。至于鱼的新鲜度，它一直被认为是评估鱼质量的最重要综合质量属性之一，无论是直接食用还是作为加工业的原材料。这个关键的新鲜度指标在很大程度上影响着安全性、营养质量、可用性和可食用性，这主要是由物理、化学、生化和微生物过程产生的 (Cheng et al., 2015)。

随着水产品贸易的日益全球化，制造商、消费者和政府监管机构迫切需要寻找快速、可靠和实用的分析方法和技术来对水产品进行安全检查和评估。更重要的是，在从农场到餐桌的整个生产过程链中，防止食源性疾病的发生，避免消费者的严重健康危害，就是要证明原材料的优良品质，控制海产品的质量，保持现代海产品业的健康发展。传统的分析方法（感官评价、化学方法）通常耗时、破坏性强，并且需要训练有素的人员或有毒污染。由于这些缺点和缺陷，这些方法通常不适合在线检测和大规模作。因此，快速、非破坏性和可靠的技术和方法来确定鱼类和其他海鲜的质量，对渔业和消费者都有很大的好处。目前，新兴的高光谱成像在食品质量和安全评估方面比光谱学或计算机视觉更有利，因为它将光谱学和成像这两种流行的技术集成到一个系统中。近年来，这种创新技术的能力在鱼类和其他海鲜品质检测中得到了普遍发展。

2. 高光谱成像技术在鱼类新鲜度检测中的应用

为了满足消费者对新鲜鱼类的需求，零售商可能打算将冷冻解冻的鱼类标记为新鲜鱼类。然而，在每次冻融循环之后，鱼中的一些蛋白质、氨基酸和其他营养物质会随着水流失，从而改变鱼的质地和风味。它甚至可能导致微生物的生长，加速产品的变质和变质。从外观上很难区分鲜鱼和反复解冻的鱼，因此检测冻融鱼对于保证鱼的品质和保护消费者利益具有重要意义。在以往的研究中，Shao et al. (2023)选取了160条小黄鱼样本，分为新鲜、冻融一次、冻融两次和冻融三次四组，利用高光谱成像技术获取了小黄鱼的图像（图1）。通过灰度共生矩阵提取纹理特征，运用随机蛙算法选取特征波长，构建LIBSVM分类模型和PLSR回归模型。研究发现，基于特征波长和纹理特征融合建立的LIBSVM 模型分类准确率最高，达96.88%；PLSR模型预测小黄鱼新鲜度性能良好，R2v=0.90，RPD=3.17。研究表明，高光谱成像技术可用于小黄鱼新鲜度无损检测，为水产品质量检测和品质保障提供了技术支持。

图1. 小黄鱼的高光谱图像采集

罗非鱼是全球重要淡水鱼，但肉质易腐，其新鲜度评估对品质把控意义重大。总挥发性碱氮（TVB-N）是评价水产品新鲜度的重要指标，Yu et al. (2021)利用可见近红外（Vis-NIR）和近红外（NIR）高光谱成像系统采集了4℃冷藏罗非鱼片图像（图2），并测定TVB-N值，运用低级和中级数据融合及多种变量选择方法建立预测模型。研究结果表明，在单数据块中，Vis-NIR数据用GA算法、NIR数据用IRIV算法效果最佳；低级融合数据经变量选择后模型性能提升；中级融合数据中，CARS算法构建的模型最优。此外，研究还利用最佳模型绘制TVB-N值可视化分布图（图3）。研究表明，高光谱成像结合数据融合分析在罗非鱼片新鲜度无损评估方面具有高度可行性。

图2. 罗非鱼的高光谱图像采集

图3. 罗非鱼片中 TVB-N 含量的可视化分布图

鲭鱼营养丰富但易变质，其新鲜度评估至关重要。传统评估方法存在诸多缺陷，而高光谱成像技术结合多元分析为无损检测提供了新途径。Ryu et al. (2024)等以96条鲭鱼为研究样本，设置5种存储条件，在6天存储期内测定pH、TVB-N和K值，并采集278 - 1723nm的高光谱图像（图4）。运用PLSR、VIP-PLSR、SVR 和 VIP-SVR 模型进行分析，通过相关性分析去除噪声像素，筛选显著波长。结果表明，VIP-PLSR模型预测性能最佳，预测pH、TVB-N和K值的分别达0.86、0.86和0.91。基于pH、TVB-N和K值的最佳 VIP-PLSR 模型，使用高光谱图像的像素级预测结果绘制了化学图，如图5所示。化学图显示了贮存期间新鲜度指标分布的变化。研究表明，高光谱成像结合多元回归分析可定量无损评估鲭鱼新鲜度，为鱼类新鲜度检测提供了有效方法。

图4. 贮藏期的鲭鱼样品的平均光谱。（a）环境温度;（b）冰镇;（c）冷藏;（d）冰箱中冷冻和解冻;（e）自来水中冷冻和解冻

图5. 基于贮藏期间（第0-6天）像素预测的新鲜度指标的化学图。（a） pH 值;（b）TVB-N;（c）K值

Hardy et al. (2024)使用高光谱相机（400–1000 nm）通过吸收光谱分析鲑鱼片连续储存4天。对所有变量（波长）进行优化的K最近邻分析，返回77.0%的存储日预测（跨所有天数）的平均分类准确率。五主成分（PC）模型返回的平均准确率为73.7%（所有天）。与参考光谱匹配的高光谱图像中光谱像素的直方图分析显示，随着尾部底部圆角截面的圆角老化，损坏区域的破坏区域增加。总体而言，12个鱼片区域中有5个区域显示腐败变质单调增加（p值≈0.01）。虽然主成分分析显示最重要的PC在几天之间的分离最小，但通过使用高光谱数据规定的“新鲜”和“变质”类标签，这种情况得到了改善。通过平均光谱分析，600 nm附近吸光度带的阻尼被确定为新鲜数据集和破坏数据集之间的主要判别因素。因此，在鱼类新鲜度研究中应考虑样品新鲜度的空间不均匀性，高光谱成像可以作为有用的工具来实现这一点。

图6. 高光谱成像概述。（a）HSI系统（i）照片和 ii）示意图。（b）鲑鱼主鱼片（绿色）和白蛋白（红色）的分类;（i）分类区域，（ii）相关光谱（未缩放），（iii）定义的分类区域。（iv）鱼片表面白蛋白的各个部分定义和分类。（c）参考圆角样本（i）确定的分类区域和（ii）与（iii）彩色照片的相关光谱。在5%相似度阈值下使用标准缩放器。光谱范围= 402–998 nm。（d） 将圆角初步分为头部、尾部和三个参考部分。在（b）（i）和（c）（i）中，I=强度（任意单位）

Wu et al. (2025)创新性地将高光谱成像（HSI）技术与气味成像传感器（OIS）相结合，实现了对大型黄花鱼中TVB-N含量的无损预测（图7）。通过OIS捕获鱼体内的气体变化。在此之后，使用高光谱成像仪同时表征OIS和鱼类样本本身的高光谱信息。随后，选择鱼眼和鱼体区域作为两个感兴趣区域（ROI）来表示鱼样本的高光谱信息。比较来自鱼眼和身体的ROI的HSI数据的建模性能，发现身体ROI可以更好地表示大型黄鱼的腐败信息。最后，应用数据融合分析不同数据源光谱信息配对融合的优化效果。研究发现，OIS与大型黄鱼体部位的HSI融合可以获得具有预测集决定系数为 0.9506，为水产品安全评估提供了新的视角。

图7. 使用OIS耦合HSI技术测量大型黄鱼体内TVB-N含量的示意图

3. 高光谱成像技术在鱼类掺假检测中的应用

鱼类和其他海鲜掺假是食品安全的一个重要方面，也是一种严重的欺诈行为，因为非法贸易商和企业经常狡猾地利用更便宜、劣质、不合格的原料和原料，作为高成本原料和优质产品的替代品。这种经济掺假的行为以不合理的价格欺骗了消费者，扰乱了市场的正常运作。Li et al. (2023)究两个高光谱成像（HSI）系统分别覆盖可见光和近红外范围（VNIR，397-1003 nm）和短波近红外范围（SWIR，935-1720 nm）的潜力（图8），以快速准确地确定大西洋鲑鱼糜中的掺假情况。手动制备含有11个掺假水平（0-100%（w/w），间隔10%）的掺假样品。采用4种光谱预处理方法和5种特征波长选择算法结合卷积神经网络（CNN）建立预测掺假水平的定量模型。比较了两个HSI系统的预测能力，以揭示最佳光谱检测范围。经过分析发现使用VNIR数据的建模结果总是优于使用SWIR数据的建模结果。具体而言，VNIR的最佳预测来自组合模型SNV-CNN，平均值R2p、RMSEP和RPD分别为0.9885、3.3526和9.6882。SWIR的最佳性能来自组合模型 SNV-VCPA-IRIV-CNN，平均值R2p、RMSEP和RPD分别为 0.9839、3.9926和8.0251。此外，最佳模型成功地用于可视化了制备样品中掺杂物的分布（图9）。总体而言，这项研究表明，HSI与CNN 相结合是快速、无损和准确检测大西洋鲑鱼掺假的一种有前途的解决方案。此外，VNIR-HSI被认为具有更合理的检测范围，因为它的成本低，与SWIR-HSI相比具有更好的预测性。

图8. 在（a）VNIR和（B）SWIR范围内不同掺杂水平的平均反射光谱

图 9. VNIR-HSI和SWIR-HSI中不同掺杂水平样品的可视化结果

Sanhueza et al. (2025)提出了使用多变量分析和可见-近红外高光谱成像（HSI）的快速表征的鱼，包括特定的形态感兴趣的区域（ROI）在鱼的图像或intrasample 光谱变异性，物种分化和新鲜度评估的评价。这项研究涉及三个远洋物种：沙丁鱼（Strangomera lingincki）、银汉鱼（Odontesthes regia）和鳀鱼（Engraulis ringens）。主成分分析（PCA），支持向量机回归（SVM-R），偏最小二乘回归（PLS-R），偏最小二乘判别分析（PLS-DA）作为多变量技术应用于这些目的。形态感兴趣区的比较研究显示，不同鱼类区的光谱特征之间存在显着差异。检测到由于新鲜度损失而导致的反射强度的降低，并且使用SVM-R可以实现对这种新鲜度的预测，量化为“捕获后的时间”，预测的相对误差为9%。总体而言，可见-近红外HSI，支持多变量分析，使研究物种之间的差异，突出了其作为一个强大的鱼类物种识别和表征工具的潜力。

图 10. HSI在鱼类表征中的应用包括：a）分析不同的 ROI 以评估鱼类的样本内光谱变异性，b）使用HSI作为中上层物种区分的工具，以及c）8小时内的鱼类新鲜度估计

Qin et al. (2020)开发了多模式高光谱成像技术来检测鱼片的替代和错误标记。以可见光和近红外（VNIR）区域的反射率、365 nm紫外激发的荧光、短波红外 （SWIR）区域的反射率和785 nm激光激发的拉曼光谱四种模式从鱼片中获取线扫描高光谱图像。采用红鲷鱼、朱红鲷鱼、马拉巴尔鲷鱼、夏鲈鱼、白鲈鱼和罗非鱼等6种鱼片进行物种区分，冻融红鲷鱼片用于新鲜度评价（图11）。所有鱼片样本都经过DNA测试以验证该物种。共有24个机器学习分类器，分为6类（即决策树、判别分析、朴素贝叶斯分类器、支持向量机、k最近邻分类器和集成分类器）用于鱼类物种和新鲜度分类，使用三个不同数据集中的四种类型的光谱数据（即全光谱、主成分分析的前十个分量和通过顺序特征选择方法选择的波段）。使用全VNIR反射光谱进行物种分类时，精度为100%，使用全SWIR反射光谱进行新鲜度分类时，精度为99.9%（图12）。VNIR反射模式在物种和新鲜度检查方面都提供了总体最佳性能，它将作为检测鱼片替换和错误标记的快速技术进一步研究。

图 11. 鱼片样品的图片：（a）用于物种区分研究的六种鱼，以及（b）用于新鲜度评估研究的红鲷鱼片示例

图 12. 使用线性支持向量机对鱼类物种进行分类的混淆矩阵，该矩阵具有（a）VNIR反射率、（b）荧光、（c）SWIR反射率和（d）拉曼光谱的完整光谱数据

Xu et al. (2017)探索计算机视觉系统（CVS）和两个高光谱成像 （HSI）系统的潜力，分别覆盖可见光和短波近红外范围（400-1000 nm）和长波近红外范围（897-1753 nm），用于区分新鲜和冷藏条件下的有机和传统养殖鲑鱼片（图12）。采用偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）和随机森林（RF）分类器建立分类模型，对测试样本进行识别和认证（图13）。结果表明，高光谱判别性能远远优于CVS。对于同一个验证集，最高的正确分类率（CCR）相当于98.2%，在两个SVM模型，一个是建立在400-1000 nm的全光谱变量，另一个是建立在同一光谱区域的四个最佳波长。最佳预测CVS的PLS-DA的CCR为83.6%的验证，而HSI在897-1753 nm的最令人满意的结果，通过应用SVM算法的全光谱区域，以及10个重要的波长，CCRs为92.7%的验证。简而言之，400-1000 nm的高光谱成像具有区分有机和传统鲑鱼片的最佳预测能力（图14），而SVM分类器已被证实在该研究的情况下对于多变量分析非常强大。

图 13. 识别分析全过程的关键步骤

图 14. 样本在470、490、510和630 nm的四个重要波长下获得彩色图像

4. 高光谱成像技术在鱼类加工过程检测中的应用

鱼类加工业在保持鱼糜产品质量方面面临重大挑战，这可能会影响消费者吸引力和整体产品质量。Xia et al. (2025)调查了在鱼糜两阶段水浴加热过程中使用高光谱成像对质量变化进行快速、无损、在线监测的使用。鱼糜样品在40°C下加热 30分钟，在90°C下加热20分钟，每5分钟收集一次关键质量指标的数据，包括凝胶强度、持水能力和白度。为全面评价鱼糜在两阶段加热过程中的品质变化，利用高光谱成像开发了两个模型：偏最小二乘法（PLS）模型和卷积神经网络长短期记忆（CNN-LSTM）模型。创建了一个单独的CNN-LSTM模型来同时预测多个质量指标。尽管预测单个质量指标的最佳模型略优于多指标预测模型（R2p> 0.93，RPD >3.9），两种方法都是有效的。此外，还对加热过程中观察到的质量变化进行了可视化和分析（图14）。这项研究表明，高光谱成像与化学计量学相结合，为预测鱼糜热加工过程中的质量变化提供了一种无损、快速和在线的方法。这种方法满足了行业对创新质量评估工具的需求，并有可能提高加工鱼糜市场的产品质量和消费者满意度。

图 15. 单指标预测分布图的优化模型及可视化。(A-C)凝胶强度的最优模型过程图、回归图和可视化分布图;（D-F）持水力的最优模型过程图、回归图和可视化分布图;（G-I）最优模型的损失图、回归图和可视化分布图

Ortega et al. (2025) 评估了高光谱成像在估计肝脏脂肪含量在三个商业相关的水产养殖物种：大西洋鲑鱼，欧洲鲈鱼，大西洋鳕鱼。两台高光谱相机用于覆盖不同的光谱范围，包括可见光和近红外（VNIR）和短波红外（SWIR）区域（图15）。偏最小二乘回归（PLSR）模型的基础上VNIR和SWIR光谱显示中等至高精度预测肝脏脂肪（R2 =0.62-0.89），这取决于物种和波长区域。 三个物种的肝组织之间的光谱差异是不同的，因为是PLSR模型预测脂肪含量的回归系数。这些结果证明了高光谱成像作为一种高通量方法来评估水产养殖鱼类肝脏脂肪的实用性。

图 16. 鲑鱼（A）和鲈鱼（B）肝脏脂肪预测图。每个物种的三个图像，从左到右：彩色图像（RGB），可见光和近红外（VNIR）和短波红外（SWIR）

Wang et al. (2022) 人工神经网络与可见-近红外高光谱成像（Vis-NIR hyperspectral imaging，HSI）技术相结合，对大黄鱼鱼片在低温贮藏过程中的颜色变化进行监测（图16）。前馈神经网络（FNN）被赋予了泄漏整流线性单元（Leaky-Relu）作为一种非线性定量分析模型。它提供了基于最佳光谱的颜色变化的准确预测能力（L*、a*和B*的R2分别为0.908、0.915和0.977；RMSEP分别为1.062、3.315和0.082）。最后，利用简化的FNN-Leaky-Relu模型（S-FNN-L）可视化了鱼片颜色参数的分布图。实验结果表明，HSI可以替代传统的色度计，以快速、无创的方式测定鱼片颜色的空间分布。

图 17. 研究过程

总结与展望

高光谱成像技术凭借其集光谱分析与图像处理于一体的优势，在鱼类及其他海鲜的质量检测中展现出广阔的应用前景。该技术可实现对鱼类新鲜度、掺假行为、加工状态及物种鉴别等多个品质指标的快速、无损与高精度检测。研究表明，高光谱成像结合多变量分析、机器学习算法和数据融合技术，能够显著提升检测的准确性和可视化能力，为水产品从捕捞、加工到流通各环节的质量控制提供了有力技术支持。尽管当前高光谱成像技术在实验研究中取得了显著进展，其在实际工业应用中仍面临诸多挑战，如设备成本高、数据处理复杂及实时性不足等。未来的发展应聚焦于设备的便携化、数据处理算法的优化与自动化、以及与其他传感技术（如气味成像、拉曼光谱等）的融合应用。此外，还需加强高光谱数据库的建设与标准化，推动其在水产品质量检测领域的产业化和规模化应用。

综上所述，高光谱成像技术作为一种新兴的智能检测手段，具有推动海鲜产品质量保障体系现代化的巨大潜力，将在未来水产品安全与品质控制中发挥越来越重要的作用。

参考文献

Cheng, J.-H., Sun, D.-W., Hyperspectral imaging as an effective tool for quality analysis and control of fish and other seafoods: Current research and potential applications, Trends in Food Science & Technology. 37(2) (2014) 78-91. https://doi.org/10.1016/j.tifs.2014.03.006

Cheng, J.-H., Da-Wen, S., Xin-An, Z., et al., Recent Advances in Methods and Techniques for Freshness Quality Determination and Evaluation of Fish and Fish Fillets: A Review, Critical Reviews in Food Science and Nutrition. 55(7) (2015) 1012-1225. 10.1080/10408398.2013.769934

Shao, Y., Shi, Y., Wang, K., et al., Detection of small yellow croaker freshness by hyperspectral imaging, Journal of Food Composition and Analysis. 115 (2023) 104980. https://doi.org/10.1016/j.jfca.2022.104980

Yu, H.-D., Qing, L.-W., Yan, D.-T., et al., Hyperspectral imaging in combination with data fusion for rapid evaluation of tilapia fillet freshness, Food Chemistry. 348 (2021) 129129. https://doi.org/10.1016/j.foodchem.2021.129129

Ryu, J., Hong, S.-J., Park, S., et al., Nondestructive freshness evaluation of mackerel fish using Vis/NIR hyperspectral imaging and multivariate analysis, Journal of Food Engineering. 377 (2024) 112086. https://doi.org/10.1016/j.jfoodeng.2024.112086

Hardy, M., Moser, B., Haughey, S.A., et al., Does the fish rot from the head? Hyperspectral imaging and machine learning for the evaluation of fish freshness, Chemometrics and Intelligent Laboratory Systems. 245 (2024) 105059. https://doi.org/10.1016/j.chemolab.2023.105059

Wu, J., Xia, Y., Kang, C., et al., Application of odor imaging sensor coupled with hyperspectral imaging technology in monitoring the large yellow croaker (Larimichthys crocea) freshness, Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. 330 (2025) 125651. https://doi.org/10.1016/j.saa.2024.125651

Li, P., Tang, S., Chen, S., et al., Hyperspectral imaging combined with convolutional neural network for accurately detecting adulteration in Atlantic salmon, Food Control. 147 (2023) 109573. https://doi.org/10.1016/j.foodcont.2022.109573

Sanhueza, M.I., Montes, C.S., Sanhueza, I., et al., VIS-NIR hyperspectral imaging and multivariate analysis for direct characterization of pelagic fish species, Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. 328 (2025) 125451. https://doi.org/10.1016/j.saa.2024.125451

Qin, J., Vasefi, F., Hellberg, R.S., et al., Detection of fish fillet substitution and mislabeling using multimode hyperspectral imaging techniques, Food Control. 114 (2020) 107234. https://doi.org/10.1016/j.foodcont.2020.107234

Xu, J.-L., Riccioli, C., Sun, D.-W., Comparison of hyperspectral imaging and computer vision for automatic differentiation of organically and conventionally farmed salmon, Journal of Food Engineering. 196 (2017) 170-182. https://doi.org/10.1016/j.jfoodeng.2016.10.021

Xia, Y., Xiao, X., Yao-Say Solomon Adade, S., et al., Physicochemical properties and gel quality monitoring of surimi during thermal processing using hyperspectral imaging combined with deep learning, Food Control. 175 (2025) 111258. https://doi.org/10.1016/j.foodcont.2025.111258

Ortega, S., Lutfi, E., Horn, S.S., et al., Quantification of fat content in the liver of different aquaculture fish species using hyperspectral image analysis, Aquaculture. 597 (2025) 741924. https://doi.org/10.1016/j.aquaculture.2024.741924

Wang, S., Das, A.K., Pang, J., et al., Real-time monitoring the color changes of large yellow croaker (Larimichthys crocea) fillets based on hyperspectral imaging empowered with artificial intelligence, Food Chemistry. 382 (2022) 132343. https://doi.org/10.1016/j.foodchem.2022.132343