小龙虾学名为克氏原螯虾，其肉质鲜美，具有高蛋白、低脂肪、低热量的优点，且富含人体必需氨基酸，受到国内消费者的欢迎[1]。相比于大多数水产品，小龙虾虾肉中酶和细菌更多[2]，更易腐败变质，因此对小龙虾保鲜指标的检测显得尤为重要。新鲜度作为肉制品品质评价的一个重要特征，包括感官检测、理化检验（质构、pH值、总挥发性盐基氮（total volatile basic nitrogen，TVB-N）含量、硫代巴比妥酸反应物值和K值等）和微生物检验[3]。然而这些方法在检测过程中耗时耗力、周期长、成本高、效率低，难以适应当下肉制品快速检测的要求[4-5]。
近红外光谱技术具有快速、无损、绿色无污染等优点，在食品品质检测和鉴别、生物制药和医学医疗等多个领域中发挥着重要作用[6-12]。国内外在近红外光谱技术快速检测鲫鱼[13-17]、鲢鱼[18]、草鱼[19]、鲈鱼[20]等水产品保鲜预测模型和货架期方面做了一些研究[21]，也取得了很多成果。近几年，近红外光谱技术在水产品快速检测中的应用愈加广泛，追求一种准确、高效的新鲜度预测模型符合水产品品质检测的趋势。因此，本研究利用近红外光谱技术实现小龙虾新鲜度的快速检测，构建基于表征效果良好的TVB-N含量[22]的小龙虾新鲜度定量预测模型。在建模过程中，比较了9 种光谱预处理方法的消噪效果，优化了小龙虾近红外光谱综合性聚类处理算法。
1 材料与方法
1.1 材料与试剂
大小较均一的中等型小龙虾，购于湖北省武汉市洪山区悦活里超市，采购时间2021年9月，单虾体长（5.3±0.6） cm，体质量（25.2±5.4） g。
轻质氧化镁、硼酸、溴甲酚绿、甲基红（均为分析纯）、95%乙醇（分析纯） 武汉泰晟生物科技有限公司。
1.2 仪器与设备
BSA124S天平 德国Sartorius公司；K1100F自动凯氏定氮仪 济南海能仪器股份有限公司；Foodscan近红外品质分析仪 丹麦Foss公司；恒温冰箱 青岛海尔公司；所搭建的Hadoop集群为4 台虚拟机（1 台主机master、3 台从机slave，均采用Windons 7操作系统，系统配置要求内存1 G以上，硬盘80 G以上，CPU在Intel Celeron 2.40 GHz以上） 联想公司。
1.3 方法
1.3.1 虾肉样品的制备
将采购的小龙虾采用泡沫塑料箱保活运至实验室。对小龙虾进行剔除虾线和脱壳处理，得到虾肉样品2 份，每份500 g。将其中1 份虾肉样品绞碎制成肉糜，另1 份不作处理，2 份样品均保存在4 ℃的恒温冰箱里。
1.3.2 近红外光谱的采集
将2 份样品各取350 g依次均匀平铺在样品杯中，使用近红外品质分析仪扫描得出光谱图，样品及环境温度均为20 ℃，室内安静、无明显噪音，光谱扫描范围为850～1 050 nm。每份样品每天测8 次，时间为8:00—16:00，每次间隔1 h，重复扫描3 次，且每次扫描时样品重新装样，保持装样的均一性，求得平均光谱曲线。实验在连续12 d内共取得96 条平均光谱曲线。
1.3.3 TVB-N含量的测定
对绞碎前后2 种样品各剩下的150 g虾肉，参考GB 5009.228—2016《食品安全国家标准 食品中挥发性盐基氮的测定》[23]方法，利用自动凯氏定氮仪对其TVB-N含量进行测定，测定时间及贮藏条件与近红外扫描样品相同。
1.3.4 数据处理与算法优化
利用丹麦Foss公司的WinISI软件、Origin Pro 2018软件和WPS Office软件对采集的近红外光谱数据进行预处理，比较九点平滑（smoothing average，SM）、卷积平滑（smoothing Savitzky-Golay，SG）、一阶导数（first derivative，1stD）、标准正态变量（standard normal variate，SNV）变换、标准正态化结合去趋势化校正（SNV+De-trending）和多元散射校正（multiplicative signal correction，MSC）以及部分方法相互结合共9 种光谱预处理方法的消噪效果，利用Hadoop集群并行处理小龙虾近红外光谱数据，迭代分析算法的收敛性和拟合度，采用偏最小二乘法（partial least square，PLS）数学校正方法对2 种样品分别建模。用交叉验证误差（standard error of cross validation，SECV）和交叉验证相关系数（1 minus the variance ratio，1-VR）作为模型精度评价和模型准确度检验的指标。SECV是定标建模过程中进行交叉验证时所获得的近红外预测值与化学分析值标准偏差，通过它可以大致评估定标模型的预测准确度。1-VR是定标建模过程中进行交叉验证时所得到的相关系数，即模型对样品集浓度变化所能描述出的百分率。如果1-VR=1，说明在交叉验证过程中，定标样品集浓度的变化被100%解释。
将满足Bias偏差为方程定标误差（standard error of calibration，SEC）的0.6 倍、预测标准偏差为SEC的1.3 倍或实验室数据列与近红外预测数据列的标准偏差差值大于实验室标准偏差的20% 3 个条件中任意一个条件的数据剔除。其中，实验室标准偏差受实验室噪声、温度、湿度等环境因素影响。
在Canopy算法[24]的支持下，优化传统K-means算法对谱图数据识别和预处理方法计算的性能[25]。算法结合高斯核卷积[26]、主成分分析方法[27]和余弦相似度[28]，建立基于特征匹配算法[29]的识别模块，最终利用Hadoop集群并行处理数据。
2 结果与分析
2.1 虾肉绞碎前后的TVB-N含量测定结果
GB 5009.228—2016《食品安全国家标准 食品中挥发性盐基氮的测定》规定，当淡水鱼、虾的TVB-N含量超过20 mg/100 g时即为不新鲜。本研究通过将96 个样本按3:1的比例划分成校正集和验证集2 组，同时保证验证集样本的TVB-N含量范围小于校正集[30]，采用数学统计方法保证划分过程的随机。
表 1 虾肉绞碎前后的校正集与验证集TVB-N含量
Table 1 TVB-N contents of intact and minced crayfish meat in calibration set and verification set
状态 项目 样本数 TVB-N含量/（mg/100 g）最小值 最大值 平均值 标准差绞碎前 校正集 72 3.23 26.45 15.43 6.84验证集 24 6.17 24.32 14.38 5.41绞碎后 校正集 72 3.31 30.29 16.64 8.12验证集 24 4.54 30.01 14.97 9.04
由表1可知，化学方法所得数据的4 个特征值较好，满足构建模型的需要。
2.2 光谱预处理
绞碎前后小龙虾虾肉的近红外原始光谱图见图1～2。近红外光谱主要是由分子中O-H、C-N、N-H、C-H、S-H键的振动吸收引起的，是这些振动的组频和倍频吸收带。近红外光谱不同波段代表不同的信息[31]，而TVB-N是肉在腐败过程中产生的碱性含氮物质与有机酸结合后形成的盐基态氮，其含量与C-N、N-H键等谱区峰值有关，光谱范围为850～1 050 nm，在925～1 025 nm有较强的吸收峰，在850～925 nm的光谱区相对平坦。经比较可明显发现，绞碎前的小龙虾虾肉近红外光谱曲线差异性较为明显，绞碎后的小龙虾虾肉近红外光谱曲线的均匀性得到大幅提升。绞碎前的虾肉因无法避免装样空隙，导致其扫描光谱形状存在差异，而绞碎后的虾肉光谱形状则趋于一致。另外，绞碎前虾肉的光谱在900～1 000 nm范围内的吸光度高于绞碎后的虾肉，这可能是在此波长范围内由于水分（O-H键）有特征吸收[32]。本研究还发现绞碎后虾肉表面水分残留较绞碎前有所减少，这是因为虾肉在绞碎过程中损失了部分肌肉中不易流动的水（包括自由水和结合水）[33]。
图 1 虾肉绞碎前原始光谱图
Fig. 1 Original spectra of intact crayfish meat
图 2 虾肉绞碎后原始光谱图
Fig. 2 Original spectra of minced crayfish meat
由于实验环境（噪声、温度、水分等）和样品本身（内部肉质不均一、有空隙、表面凹凸不平整）等因素可能导致采集到的光谱信息不够准确，难以进行数据挖掘，所以需要选用合适的光谱预处理方法对其进行优化。在研究应用近红外光谱技术无损检测猪肉脂肪酸的含量时，González-Martin等[34]结合使用多种光谱预处理方法提高了模型预测效果。因此，本研究通过比较9 种光谱预处理方法的消噪效果对所得原始光谱进行预处理后，再利用PLS法对全波段进行回归分析。因为绞碎后的虾肉光谱曲线更均匀，所以绞碎前最优的预处理方法对绞碎后必然有良好效果，故以绞碎前的虾肉为例，通过比较所建模型的优劣，选择合适的光谱预处理方法。
由表2可知，对TVB-N含量来说，统计数据列SECV最低、1-VR最高的模型，即为最佳模型。2 组数据基本能反映定标模型对其他未知样品的预测性能。通过比较SECV和1-VR可以看出，使用单一预处理方法时效果不太理想，仅SNV处理后的1-VR超过0.900，这可能与SNV能够消除虾肉颗粒大小、表面散射及光程变化对光谱的影响有关[35]。经过1stD+SNV处理后的SECV为3.123，1-VR为0.947，综合效果最好。这可能是因为导数可以用于消除光谱的基线漂移及背景干扰[35]，分辨重叠峰，提高分辨率和灵敏度。标准正态变量变换结合一阶导数对光谱进行预处理时，模型的各评价指标均得到了优化，建立模型所用主因子数也较小，说明建模效率得到提升。
表 2 不同光谱预处理方法对绞碎前虾肉TVB-N含量的PLS模型结果
Table 2 Effect of different spectral preprocessing methods on the performance of PLS models for TVB-N content of intact crayfish meat
光谱预处理方法 主成分数 SECV 1-VR无14 4.848 0.826 SM 9 3.651 0.890 1stD 6 3.672 0.878 MSC 10 3.664 0.874 SNV 6 3.448 0.931 SNV+De-trending 6 3.314 0.933 SG 8 4.121 0.897 1stD+SNV 7 3.123 0.947 1stD+SG 6 3.417 0.924 SM+1stD+SNV 8 3.421 0.942
经1stD+SNV处理后的绞碎前虾肉近红外光谱图见图3，经1stD+SNV处理后的绞碎后虾肉TVB-N定量预测模型近红外光谱图见图4，经其他8 种预处理后的绞碎前虾肉TVB-N定量预测模型近红外光谱图见图5。
图 3 经1st D
SNV处理后的绞碎前虾肉近红外光谱图
Fig. 3 Near infrared spectra of intact crayfish meat subjected to 1stD + SNV treatment
图 4 经1st D
SNV处理后的绞碎后虾肉近红外光谱图
Fig. 4 Near infrared spectra of minced crayfsih meat treated by 1stD + SNV
图 5 经其他8 种预处理后的绞碎前虾肉近红外光谱图
Fig. 5 Near infrared spectra of intact crayfish meat subjected to 8 other pretreatments
A. SM；B. 1stD；C. MSC；D. SNV；E. SNV+De-trending；F. SG；G. 1stD+SG；H. SM+1stD+SNV。
分析可知，对于绞碎前后的小龙虾虾肉TVB-N含量来说，均采用1stD+SNV处理光谱建立的PLS回归模型预测能力最好。尽管绞碎后的虾肉新鲜度预测模型效果更好，但是相对于虾肉绞碎的损坏和时间代价，对绞碎前的虾肉新鲜度进行快速、无损检测更便于食品检测的实际应用。
2.3 模型的算法优化及验证
以绞碎前小龙虾虾肉的TVB-N含量数据为基础，对模型的算法进行优化及验证。综合性算法在谱图识别、预处理时间和聚类效果上明显优于传统串行算法。
2.3.1 算法运行时间实验
图 6 传统串行算法与综合性算法性能对比曲线
Fig. 6 Comparison of information processing time between traditional serial algorithm and combinatorial algorithm
对比近红外光谱技术综合性信息处理算法与传统信息处理串行算法性能，利用迭代方法绘制的收敛曲线数据聚类过程如图6所示。综合性算法运行时间少于传统串行算法的运行时间，这说明综合性算法通过Hadoop集群调用多台机器共同处理数据，减少了时间成本。同时，在增加预处理算法的前提下，综合性算法的运行效率仍然高于传统串行算法，证明综合性算法具有较强的鲁棒性（鲁棒性是算法或系统处理异常能力的指标）[36]。
2.3.2 加速比实验
采用Canopy算法改进K-means聚类算法的综合性算法运行结果明显优于传统K-means算法，其收敛也更加快速。由图7可知，优化的K-means聚类算法具有良好的加速比，其收敛效果也更好。这可能是由于算法所结合的粗聚类和原始数据覆盖手段，实现了对初始聚类中心的快速获取，避免了对不在同一树冠的节点的重复计算，降低了算法时间复杂度，提高了收敛效率。通过高斯核卷积将图像平滑，利用主成分分析方法将可能重叠的原始数据进行简化表征，实现对近红外光谱信息的去噪和降维处理；通过计算近红外光谱谱图数据的余弦相似度，建立基于特征匹配算法的识别模块，避免了固定灰度阵列的苛刻要求，同时也极大程度降低了时间和空间复杂度，实现了对近红外光谱谱图信息的特征提取；通过4 台并行计算机，利用Hadoop集群同时进行数据处理，实现处理速度快、处理数据量大的目标。
图 7 传统串行算法与综合性算法性能对比曲线
Fig. 7 Speedup comparison between traditional serial algorithm and combinatorial algorithm
2.3.3 验证实验
图 8 综合性信息处理算法结果对比曲线
Fig. 8 Linear relationship between predicted TVB-N contents obtained using combinatorial algorithm and actual TVB-N contents
采用近红外光谱技术综合性信息处理算法，将验证集的24 个样品代入模型中，进行小龙虾虾肉的新鲜度测定。由图8可知，虾肉的TVB-N含量预测值和实测值SECV为3.023，1-VR为0.951 4，说明模型对样品集浓度变化描述能力极强，2 组数据相关性显著。
3 结 论
利用近红外光谱技术对采集到的绞碎前后虾肉谱图与TVB-N含量进行建模，可以构建定量预测模型。比较光谱预处理后的各模型预测能力可知，绞碎前后的模型均采用1stD+SNV方法，在PLS法上所建立的模型最好，且绞碎后的虾肉近红外光谱比绞碎前的建模效果更好。绞碎虽然提高了样品的均一性，但其无法满足快速、无损的要求，难以适用于实际检测。综合比较之下，通过预处理可以有效提升绞碎前虾肉的光谱信息挖掘，预测准确性损失很低，节省更多的时间成本和人力物力，更适应当下的检测需求。同时，用Hadoop集群优化后的综合性算法有效提高了近红外光谱的识别效率。
通过对绞碎前的虾肉TVB-N含量模型进行分析，其SECV为3.123，1-VR为0.947。用此模型对预测集24 个样品进行预测，虾肉的TVB-N含量预测值和实测值SECV为3.023，1-VR为0.951 4，模型效果较好。因此，近红外光谱技术可应用于快速检测小龙虾新鲜度，本研究将为近红外光谱技术的应用和优化带来一些新的启发。
[1] 高晓光, 吕蒙, 臧芳波, 等. 小龙虾加工与保鲜技术研究进展[J].保鲜与加工, 2021, 21(12): 126-131; 139. DOI:10.3969/j.issn.1009-6221.2021.12.018.
[2] RAWIA F G, TAREK S E, ENAS I R, et al. Optimization of chitin yield from shrimp shell waste by Bacillus subtilis and impact of gamma irradiation on production of low molecular weight chitosan[J].International Journal of Biological Macromolecules, 2016, 91:598-608. DOI:10.1016/j.ijbiomac.2016.06.008.
[3] 葛雨珺. 基于黑米花色苷的可视化活性包装构建及其在银鲳保鲜中的应用[D]. 杭州: 浙江大学, 2020: 6-12. DOI:10.27461/d.cnki.gzjdx.2020.004362.
[4] 石长波, 姚恒喆, 袁惠萍, 等. 近红外光谱技术在肉制品安全性检测中的应用研究进展[J]. 美食研究, 2021, 38(2): 62-67. DOI:10.19913/j.cnki.2095-8730msyj.2021.0022.
[5] ANDUEZA D, PICARD F, HOCQUETTE J F, et al. Prediction of the intramuscular connective tissue components of fresh and freeze-dried samples by near infrared spectroscopy[J]. Meat Science, 2021, 179:1-8. DOI:10.1016/j.meatsci.2021.108537.
[6] 杨建云, 田孟玉, 裴梓烨, 等. 基于近红外光谱技术的初烤烟叶致香成分含量特性快速定量评价[J]. 轻工学报, 2018(5): 60-68.DOI:10.3969/j.issn.2096-1553.2018.05.008.
[7] 赵存, 谢遇春, 杨峰, 等. 近红外光谱快速检测乌珠穆沁羊肉氨基酸含量[J]. 肉类研究, 2020, 34(9): 46-51. DOI:10.7506/rlyj1001-8123-20200729-178.
[8] 郎玉苗, 杨春柳, 李翠, 等. 光谱技术在肉品掺杂掺假鉴别中的应用研究进展[J]. 肉类研究, 2019, 33(2): 72-77. DOI:10.7506/rlyj1001-8123-20181217-231.
[9] 刘雅回, 谭丹, 母健, 等. 稳定同位素、矿质元素及可见-近红外光谱技术在禽制品真实性鉴别中的应用研究进展[J]. 肉类研究, 2021,35(11): 64-72. DOI:10.7506/rlyj1001-8123-20210426-114.
[10] JAMES C, AARON E, VI KHANH T, et al. Shining light into meat:a review on the recent advances in in vivo and carcass applications of near infrared spectroscopy[J]. International Journal of Food Science and Technology, 2020, 55(3): 1-7. DOI:10.1111/ijfs.14367.
[11] ROGERIO N S, JUAN M M, FLAVIA S, et al. Effects of a rehabilitation program on microvascular function of CHD patients assessed by near-infrared spectroscopy[J]. Physiological Reports,2019, 7(11): 1-7. DOI:10.14814/phy2.14145.
[12] CHEN Minling, LIN Boxi, SU Chengwei, et al. The application of wireless near infrared spectroscopy on detecting peripheral circulation in patients with diabetes foot ulcer when doing Buerger’s exercise[J].Lasers in Surgery and Medicine, 2017, 49(7): 152-167. DOI:10.1002/lsm.22667.
[13] FOLKESTAD A, WOLD J P, RRVIK K A, et al. Rapid and noninvasive measurements of fat and pigment concentrations in live and slaughtered Atlantic salmon (Salmo salar L.)[J]. Aquaculture, 2008,280(1/4): 129-135. DOI:10.1016/j.aquaculture.2008.04.037.
[14] SHEN Jiangang, QIAO Weiming, CHEN Huizhe, et al. Application of visible/near infrared spectrometers to quickly detect the nitrogen,phosphorus, and potassium content of chemical fertilizers[J]. Applied Sciences, 2021, 11(11): 5103. DOI:10.3390/app11115103.
[15] TROCINO A, XICCATO G, MAJOLINI D, et al. Assessing the quality of organic and conventionally-farmed European sea bass(Dicentrarchus labrax)[J]. Food Chemistry, 2012, 131(2): 427-433.DOI:10.1016/j.foodchem.2011.08.082.
[16] 陶瑞, 史智佳, 贡慧, 等. 傅里叶变换近红外光谱技术快速检测金枪鱼新鲜度[J]. 肉类研究, 2017, 31(4): 43-49. DOI:10.7506/rlyj1001-8123-201704008.
[17] 刘欢, 徐文杰, 刘友明, 等. 鲫鱼新鲜度近红外定量预测模型的建立[J]. 现代食品科技, 2015(7): 173-182. DOI:10.13982/j.mfst.1673-9078.2015.7.028.
[18] 徐文杰, 刘欢, 陈东清, 等. 基于近红外光谱技术的鲢鱼营养成分的快速分析[J]. 食品安全质量检测学报, 2014(2): 516-527.DOI:10.19812/j.cnki.jfsq11-5956/ts.2014.02.034.
[19] 谢雯雯, 李俊杰, 刘茹, 等. 基于近红外光谱技术的鱼肉新鲜度评价方法的建立[J]. 淡水渔业, 2013(4): 85-90. DOI:10.3969/j.issn.1000-6907.2013.04.016.
[20] 田华, 侯志杰, 陈报阳, 等. 近红外光谱在鱼类及鱼制品定性定量分析中的应用[J]. 食品与发酵工业, 2017(6): 274-278. DOI:10.13995/j.cnki.11-1802/ts.201706047.
[21] 周娇娇, 吴潇扬, 陈周, 等. 近红外光谱技术快速预测团头鲂新鲜度[J].华中农业大学学报, 2019(4): 120-126. DOI:10.13300/j.cnki.hnlkxb.2019.04.016.
[22] 方瑶, 谢天铧, 郭渭, 等. 基于近红外光谱的金鲳鱼新鲜度快速检测技术[J]. 江苏农业学报, 2021(1): 213-218. DOI:10.3969/j.issn.1000-4440.2021.01.028.
[23] 中华人民共和国国家卫生和计划生育委员会. 食品安全国家标准食品中挥发性盐基氮的测定: GB 5009.228—2016[S]. 北京: 中国标准出版社, 2016.
[24] LIN Xiaojuan, XU Min, CAO Chunxiang, et al. Estimates of forest canopy height using a combination of ICESat-2/ATLAS data and stereo-photogrammetry[J]. Remote Sensing, 2020, 12(21): 3649.DOI:10.3390/rs12213649.
[25] 汪一百. 基于Hadoop云计算平台的聚类K-means算法的研究与实现[J]. 信息与电脑(理论版), 2017(11): 92-94. DOI:10.3969/j.issn.1003-9767.2017.11.035.
[26] 汪鸿翔, 柳培忠, 骆炎民, 等. 高斯核函数卷积神经网络跟踪算法[J].智能系统学报, 2018(3): 388-394. DOI:10.11992/tis.201612040.
[27] 叶霞, 许飞翔, 曹军博, 等. 基于主成分分析和K-Modes蚁群聚类的本体映射方法[J]. 计算机应用与软件, 2020(12): 231-237.DOI:10.3969/j.issn.1000-386x.2020.12.036.
[28] 魏泉增, 杨自翔, 肖付刚. 气相色谱-质谱联用结合偏最小二乘法在生鲜牛、鸭混合肉含量判别分析中的应用[J]. 肉类研究, 2020,34(5): 53-58. DOI:10.7506/rlyj1001-8123-20200210-032.
[29] 黄运稳, 陈光, 叶建芳. 基于余弦相似度的加权K近邻室内定位算法[J].计算机应用与软件, 2019(2): 159-162. DOI:10.3969/j.issn.1000-386x.2019.02.029.
[30] 李春婷, 张优优, 陈华舟, 等. 基于模拟退火的土壤钾含量近红外光谱波段优选[J]. 激光与光电子学进展, 2022, 59(13): 2. DOI:10.3788/lop59.1330002.
[31] 倪玲珊. 基于中红外光谱的黄土丘陵沟壑区泥沙来源示踪研究[D].咸阳: 中国科学院教育部水土保持与生态环境研究中心, 2020.DOI:10.27558/d.cnki.gsthc.2020.000001.
[32] ZHOU Lulu, LU Gang, TIAN Yanling. Image registration and stitching of feature matching of topology constraints optimization[J].Computer Technology and Development, 2019, 29(6): 37-41.DOI:10.3969/j.issn.1673-629x.2019.06.008.
[33] 张玉伟, 罗海玲, 贾慧娜, 等. 肌肉系水力的影响因素及其可能机制[J].动物营养学报, 2012(8): 1389-1396. DOI:10.3969/j.issn.1006-267x.2012.08.001.
[34] G O N Z Á L E Z-M A R T I N I, G O N Z Á L E Z-P É R E Z C,ALVAREZGARCIA N, et al. On-line determination of fatty acid composition in intramuscular fat of Iberian pork loin by NIRs with a remote reflectance fibre optic probe[J]. Meat Science, 2005, 69(2):243-248. DOI:10.1016/j.meatsci.2004.07.003.
[35] 王海朋, 褚小立, 陈瀑, 等. 光谱基线校正算法研究与应用进展[J]. 分析化学, 2021, 49(8): 1270-1281. DOI:10.19756/j.issn.0253-3820.201679.
[36] 纪守领, 杜天宇, 邓水光, 等. 深度学习模型鲁棒性研究综述[J].计算机学报, 2 0 2 2, 4 5(1): 1 9 0-2 0 6. D O I:1 0.1 1 8 9 7/SP.J.1016.2022.00190.