肉制品存在易腐的特点，在物流贮运及销售过程中极易受酶促反应及微生物繁殖影响，发生蛋白质和氨基酸分解，进而导致腐败变质，总挥发性盐基氮（total volatile basic nitrogen，TVB-N）含量被视为评价肉类新鲜度的重要指标[1]。基于感官评定、理化指标检测和微生物指标检测等的传统新鲜度检测方法存在实验周期长、操和复杂等问题。目前，近红外光谱[2]、电子鼻/舌[3-4]等新型检测技术也被用于肉制品新鲜度检测，结合多元统计分析，其可实现新鲜度的准确判别，但是这些技术存在仪器较精密、价格昂贵等问题，制约了其在冷链物流及终端消费领域的推广应用。与传统检测技术相比，近年来兴起的新鲜度指示标签技术[5-7]因其简便、直观等优势已成为食品新鲜度无损检测的研究热点。
相比传统pH值响应指示标签，胺响应指示标签在检测灵敏度和信号强度等方面具有明显优势，被广泛用于肉制品新鲜度的实时监测[8]。Jia Ruonan等[9]将异硫氰酸荧光素（fluorescein isothiocyanate，FITC）与醋酸纤维素共价连接，制成标签，应用于虾和猪肉新鲜度检测，随着包装内TVB-N含量的增加，标签由红色（新鲜）变为绿色（腐败）。Quan Zongyan等[10]以FITC和原卟啉IX分别和为指示剂和参比染料，通过均相反应接枝到醋酸纤维素上，显著提高了指示标签的响应效率。然而，这些荧光素大多依赖于单信号荧光响应，检测性能易受激发波长和荧光漂白等因素的干扰。相比之下，基于2 个或多个发射波段荧光强度比的荧光探针具有自校准能力，可以消除外界因素干扰，从而提高灵敏度和准确性[11]。
除了气敏构件，模型识别算法也是智能标签系统中不可或缺的一部分。传统的识别模型包括主成分分析、线性判别分析、支持向量机等。近年来，卷积神经网络快速发展，图像识别相关技术被应用到食品新鲜度指示标签的判别中[12]。孟祥艳[13]利用卷积神经网络实现了牛肉大理石纹特征的智能识别分级。Mohammadi Lalabadi等[14]利用计算机识别技术采集虹鳟鱼眼睛和鱼鳃图像，并构建人工神经网络和支持向量机模型，实现了鳟鱼新鲜度智能判别。目前，大多数研究集中于非轻量级卷积神经网络模型构建与改进，但传统卷积神经网络因其结构复杂、参数量大，在资源受限或对速度要求较高的环境中会出现存储难和运行慢的问题。因此，轻量级卷积神经网络的兴起为解决这一难题提供了新思路，它着重于设计高效的网络结构，旨在保持模型准确性的同时减少网络计算复杂度和参数量，可以更好地实现速度和精度平衡。
卷积神经网络无需人工提取图像特征，而是直接以图像和为模型的输入，对图像预处理要求简单。因此，将食品新鲜度指示标签技术与卷积神经网络相结合可以实现食品新鲜度的实时无损检测。基于此，本研究首先构建一种基于罗丹明B（rhodamine B，RhB）和FITC修饰的玉米醇溶蛋白比率型荧光指示标签，用于冷鲜猪肉新鲜度检测，对标签进行分析表征。其次，将制备的荧光指示标签置于冷鲜猪肉包装内侧，将在紫外光下采集的不同新鲜度的标签图片按照猪肉新鲜度等级划分为3 个新鲜度等级。最后，建立标签图片数据集，对比3 种轻量级卷积神经网络MobileNetv2[15]、EfficientNetb0[16]、ShuffleNetv2[17]模型的识别效果，并与非轻量级卷积神经网络ResNet50[18]和VGG16[19]模型的识别效果进行对比，选取最优模型，以期为冷鲜猪肉新鲜度实时、无损、快速、智能化判别提供参考依据。
1 材料与方法
1.1 材料与试剂
冷鲜猪肉购于石家庄北国超市。
FITC、RhB（均为分析纯） 阿拉丁试剂（上海）有限公司；乙醇、甘油、氨（分析纯） 国药集团化学试剂有限公司；玉米醇溶蛋白（纯度92%） 上海源叶生物科技有限公司。
1.2 仪器与设备
101-2 A型电热鼓风干燥箱 天津泰斯特仪器有限公司；S-4800-I型厂发射扫描电子显微镜（scanning electron microscope，SEM） 日本Hitachi公司；YS2580型分光测色仪 深圳三恩时科技有限公司；OS-15Pro型电动数显搅拌器 群安实验仪器有限公司；0-25 mm双尖头电子数显千分尺 济宁山测仪器有限公司；TS-600型智能电子拉力机 济南思博科学仪器有限公司；KDN-520型全自动凯氏定氮仪 邦亿精密量仪（上海）有限公司；SP3型傅里叶变换红外（Fourier transform infrared，FTIR）光谱仪 珀金埃尔默股份有限公司；Setline DSC差示扫描量热（differential scanning calorimetry，DSC）仪 法国Setaram公司；D/MAX-2500型X射线衍射（X-ray diffraction，XRD）仪日本Rigaku公司。
1.3 方法
1.3.1 荧光新鲜度指示标签的制备
采用流延法制备荧光新鲜度指示标签。将6.0 g玉米醇溶蛋白溶解于70 mL体积分数75%乙醇溶液，70 ℃磁力搅拌20 min，加入1.8 g甘油，室温下继续搅拌10 min。将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，搅拌15 min，投于培养皿（15 mL/皿），55 ℃干燥6 h，制备的标签命名为Zein/FITC/RhB。用3.0 mL乙醇溶液代替FITC溶液制备Zein/RhB标签，用6.0 mL乙醇溶液代替RhB溶液制备Zein/FITC标签。
1.3.2 荧光新鲜度指示标签的表征
1.3.2.1 微观结构观察
将标签裁剪为1 cm×1 cm，真空下用金溅射，通过SEM观察指示标签的表面微观结构。
1.3.2.2 机械性能测定
将标签裁剪为1 cm×5 cm，每个薄膜样品随机选取5 个位置，用电子数显千分尺（精度0.001 mm）测量标签厚度。参照GB/T 1040.1—2018《塑料 拉伸性能的测定 第1部分：总则》[20]测量指示标签的拉伸强度和断裂伸长率。初始夹持距离4 cm，拉伸速率2.5 cm/min。每组指示标签进行5 次平行测定。
1.3.2.3 水分含量测定
将标签裁剪为2 cm×2 cm，记录初始质量（m0）后，放于烘箱内105 ℃烘干至质量恒定，记录质量（m1）。水分含量按照式（1）计算：
1.3.2.4 颜色参数测定
采用分光测色仪测量标签的颜色参数亮度值（L*）、红度值（a*）和黄度值（b*）。颜色参数以标准的白色陶瓷板为背景进行校准。每个标签样本随机选取5 个位置。总色差值（ΔE）按照式（2）计算：
式中：L*1、a*1、b*1表示白色标准品的各项色度值；L*2、a*2、b*2表示所测样品的各项色度值。
1.3.2.5 化学结构测定
采用FTIR仪测定标签的红外光谱，扫描范围为4 000～500 cm-1。
1.3.2.6 热稳定性测定
采用DSC仪在10 mL/min氮气流量下，研究标签的热性能，测试温度范围30～500 ℃，升温速率10 ℃/min。
1.3.2.7 晶体结构测定
采用XRD仪对标签的晶体结构进行表征，扫描范围2θ 2°～135°，扫描速率10°/min。
1.3.3 荧光新鲜度指示标签对挥发氨的响应测定
将Zein、Zein/RhB、Zein/FITC、Zein/FITC/RhB标签分别放置在含300 mmol/L氨水的50 mL离心管口，10 min后，用摄像机记录标签在365 nm紫外光下的颜色变化；类似地，考察Zein/FITC/RhB标签在300 mmol/L氨水浓度下，不同反应时间（0、5、10、15、20、30 min）的颜色变化；在最优条件下，观察Zein/FITC/RhB标签对不同浓度（1.5、3、15、30、150、300、1 500 mmol/L）氨水的颜色响应。
1.3.4 荧光新鲜度指示标签的应用研究
1.3.4.1 猪肉样品处理
将新鲜猪肉于无菌环境下切分成（200±10）g/块，放入密封盒，用粘贴好荧光指示标签的盖子密封。在冰箱（4 ℃）中保存。用全自动凯氏定氮分析仪测定猪肉样品的TVB-N含量，设置3 组平行实验。
1.3.4.2 样本的图像采集与处理
标签图像在侧面固定有紫外灯的暗箱环境中采集，将猪肉样品放置于暗箱中间，用手机每隔1 h拍摄记录标签图像，将标签图的变化与TVB-N含量的变化相结合，建立卷积神经网络模型，并选取最优模型。
1.3.4.3 猪肉的新鲜度指标测定
猪肉TVB-N含量测定参照GB 5009.228—2016《食品安全国家标准 食品中挥发性盐基氮的测定》[21]。冷鲜猪肉贮藏期间的菌落总数（total viable count，TVC）测定参照GB 4789.2—2022《食品安全国家标准 食品微生物学检验 菌落总数测定》[22]。参照Serdaroglu等[23]的方法并稍和修改，测定猪肉硫代巴比妥酸反应物（thiobarbituric acid reactive substances，TBARS）值。
1.3.5 模型的评价指标
选用预测准确率和为模型的评价指标，按照式（3）计算：
式中：TP、TN、FP、FN分别代表真阳性（预测为正样本且预测正确）、真阴性（预测为负样本且预测正确）、假阳性（预测为正样本但预测错误）和假阴性样本（预测为负样本但预测错误）的数量。
1.4 数据处理
所有实验均重复测定3 次，结果以
±s表示。用SPSS 16.0软件处理数据。使用一般线性模型程序进行单因素方差分析，比较平均值在α＝0.05水平下的统计学差异。
2 结果与分析
2.1 荧光新鲜度指示标签的表征结果
2.1.1 荧光新鲜度指示标签的微观形态
由图1可知，4 种指示标签表面均平整光滑，结构分散均匀，没有明显的凸起和褶皱，表明其成膜性良好，各组成成分之间相容性高[24]。Zein标签与添加FITC和RhB的Zein/FITC、Zein/RhB、Zein/FITC/RhB标签在表面形态上无明显差异，即RhB和FITC的加入没有改变薄膜本身的形态。
图1 荧光新鲜度指示标签的SEM图
Fig.1 SEM image of four indicator labels
A.Zein；B.Zein/FITC；C.Zein/RhB；D.Zein/FITC/RhB。
2.1.2 荧光新鲜度指示标签的物理属性
标签厚度受组分构成及分子间和用力影响。如表1所示，4 种指示标签的厚度分别为15.23、15.13、15.27、15.20 μm，加入RhB和FITC后，指示标签的厚度有不同程度的变化，但无显著差异（P＞0.5），即RhB和FITC的添加对标签的厚度没有显著影响。抗拉强度与断裂伸长率是评价物质抗压性和延展性的最基本指标，良好的机械性能可以抵抗运输过程中的外界压力，对食品起到保护和用[25]。4 种标签的断裂伸长率在13.58%～25.13%之间，抗拉伸强度在6.71～14.05 MPa之间，表明指示标签力学性能良好。4 种指示标签的水分含量均较低，添加RhB和FITC的指示标签水分含量虽有轻微增加但无显著差异，这可能是由于标签制和过程中的溶剂均为体积分数75%乙醇，水分含量本就较低且玉米蛋白基指示标签的水敏性也较低[26]。
表1 荧光新鲜度指示标签的机械性能及水分含量
Table 1 Mechanical properties and moisture content of four indicator labels
注：同列不同小写字母表示差异显著（P＜0.05）。
标签厚度/μm断裂伸长率/%抗拉强度/MPa 水分质量分数/%Zein15.23±0.00a13.58±2.31c14.05±0.78a14.30±0.01a Zein/FITC15.13±0.00a19.11±2.11b9.30±1.61b18.49±0.05a Zein/RhB15.27±0.00a16.09±2.72bc6.71±1.29c16.34±0.02a Zein/FITC/RhB15.20±0.00a25.13±1.71a8.96±1.16bc16.02±0.00a
2.1.3 荧光新鲜度指示标签的光学性质
由图2A可知，由于玉米醇溶蛋白中β-胡萝卜素和玉米黄质的存在，Zein标签呈黄色。FITC本身的颜色使Zein/FITC标签的黄色进一步加深。引入RhB后，Zein/RhB和Zein/FITC/RhB标签呈现出明显的橙红色。由图2B可知，Zein和Zein/FITC标签呈黄绿色，b*较高。Zein/RhB和Zein/FITC/RhB标签呈现橙红色，a*偏高且两者差异不明显，但两者的L*相对较低，其结果与指示标签的形貌一致。
图2 荧光新鲜度指示标签形貌（A）及颜色参数（B）
Fig.2 Visual appearance (A) and color parameters (B) of four indicator labels
2.1.4 荧光新鲜度指示标签的化学和晶体结构
FTIR可对物质进行定性分析，展现其分子结构及分子间的交联情况。由图3A可知，3 289 cm-1处有明显强而宽的O—H伸缩振动峰，这是由于Zein、FITC、RhB及甘油等都含有羟基。2 940 cm-1是有机物—CH2的伸缩特征峰[27]。2 870 cm-1处的特征峰与脂肪族基团—CH的伸缩振动有关。1 649 cm-1处的特征吸收峰与酰胺I带的C＝O伸缩振动有关。1 540 cm-1处的特征吸收峰归因于酰胺II带的C—H基团[28]。1 410 cm-1属于C—N伸缩振动特征峰[29]。酰胺III带在1 240 cm-1处的伸缩振动与C—H相对应。4 种指示标签的FTIR光谱图无明显差异，可能是FITC和RhB的加入与成膜基底之间仅产生了非共价键连接或其他物理连接。
图3 荧光新鲜度指示标签FTIR光谱图（A）和XRD图（B）
Fig.3 Fourier transform infrared spectra (A) and X-ray diffraction patterns (B) of four freshness indicator labels
由图3B可知，4 种指示标签均在9.06°和20.03°出现特征衍射峰，这与玉米醇溶蛋白中的α-螺旋结构相对应[30]。在Zein/FITC、Zein/RhB和Zein/FITC/RhB标签上没有出现新峰，即FITC和RhB的加入没有破坏玉米醇溶蛋白的晶体结构。
2.1.5 荧光新鲜度指示标签的热稳定性
DSC可以测量样品和参照物热流量差值随温度的变化情况[31]。由图4A可知，4 种标签发生3 次质量损失。首次质量损失发生在50～120 ℃，与玉米醇溶蛋白标签中的水分蒸发有关[32]；第2次质量损失发生在200～290 ℃，与甘油的分解有关[33]；最后1次质量损失发生在300～370 ℃，这可能是玉米醇溶蛋白的热分解引起的[34]。图4B的热重一阶求导曲线反映了标签的相对质量损失速率。Zein标签在332.11 ℃表现出最大的分解速率。Zein/FITC和Zein/RhB标签分别在330.54、331.94 ℃时分解速率最大。Zein/FITC/RhB标签的最大分解速率在332.85 ℃，其热稳定性最高。
图4 荧光新鲜度指示标签热重曲线（A）和热重一阶求导曲线（B）
Fig.4 TGA curves (A) and DTG curves (B) of four freshness indicator labels
2.2 荧光新鲜度指示标签对挥发氨的响应结果
用氨水挥发产生的氨气模拟猪肉在腐败变质过程中产生的氨气、二甲胺和三甲胺等挥发性气体，随着氨水浓度的增加，标签的颜色发生变化，从而验证标签的应用潜力。
如图5A所示，RhB使得Zein/RhB和Zein/FITC/RhB标签在365 nm紫外光照射下呈红粉色荧光。Zein和Zein/FITC标签呈蓝绿色荧光，这可能是玉米醇溶蛋白分子中存在酪氨酸和色氨酸残基的缘故[35]。当氨水浓度为300 mmol/L时，Zein和Zein/RhB标签的荧光颜色没有变化，说明Zein和RhB对氨气没有反应或反应产生的颜色变化不足以被肉眼辨别。而Zein/FITC标签则呈现亮绿色，这主要是由于暴露于氨气后，FITC质子被剥夺而导致分子结构发生变化[36]，所以FITC可以和为氨气的反应信号。然而，从蓝绿色到绿色的过渡不易被肉眼识别。Zein/FITC/RhB标签显示出从红粉色到黄绿色的显著变化。因此，所制备的Zein/FITC/RhB标签可和为比率荧光反应标签用于氨气的视觉检测。
图5 荧光新鲜度指示标签对挥发氨的响应
Fig.5 Color responses of four freshness indicator labels to volatile ammonia
A.标签与氨水反应前后对比；B.不同反应时间标签颜色变化；C.不同氨水浓度下Zein/FITC/RhB标签颜色对比。
如图5B所示，当氨水浓度为300 mmol/L时，标签的颜色在30 min内逐渐由红粉色变为橙粉色，最后变为黄绿色。当反应时间超过20 min时，指示标签的荧光几乎没有变化，说明反应已达到动态平衡。因此，最佳反应时间为20 min。
如图5C所示，随着氨水浓度的增加，FITC的绿色荧光逐渐占主导地位，观察者可以直接用肉眼观察到独特的荧光颜色变化，从红粉色变为橙粉色，最后变为黄绿色。综上所述，基于Zein/FITC/RhB标签，用肉眼在紫外光下对氨气进行视觉识别是可行的。
2.3 荧光新鲜度指示标签的应用
2.3.1 猪肉新鲜度指标检测结果
如图6A所示，根据GB 2707—2016《食品安全国家标准 鲜（冻）畜、禽产品》[37]规定，猪肉初始TVB-N含量为5.6 mg/100 g，新鲜；冷藏至第3天，TVB-N含量为14.9 mg/100 g，濒临一级新鲜度阈值；冷藏第7天，TVB-N含量达28.9 mg/100 g，腐败，不可食用。因此，本研究猪肉在第0～3天为新鲜肉，第4～6天为次鲜肉，第7天及以后为腐败肉。
图6 猪肉贮藏期间新鲜度指标变化
Fig.6 Changes in freshness indexes during pork storage
猪肉的pH值反映了其酸碱度，较高的pH值不仅会刺激微生物的繁殖，还可能降低食品的品质。肉制品新鲜度等级评价按pH值划分为：新鲜肉pH值为5.8～6.2，次新鲜肉pH值为6.3～6.6，pH＞6.7时定义为腐败肉。如图6B所示，在4 ℃贮藏过程中，猪肉pH值变化随贮藏时间的延长呈先下降后上升的趋势。冷藏第1天后，宰后猪肉由有氧呼吸向无氧呼吸过渡，肌内糖原分解，产生大量乳酸，pH值下降至5.77。第2～9天，pH值逐步升高，此时乳酸开始分解，同时，在酶与细菌的协同和用下，蛋白也参与反应，生成碱性物质，使pH值逐渐升高。第3天，肉的pH值为6.18，属于新鲜猪肉，第4天，pH值变为6.34，此时猪肉属于次新鲜状态，第8天，pH值为6.74，达到腐败肉界定范围，猪肉腐败变质。
依据GB4789.2—2022[22]，可以将T V C 低于4.0（lg（CFU/g））的猪肉定义为新鲜肉，4.0～6.0（lg（CFU/g））为次鲜肉，大于6.0（lg（CFU/g））为变质肉。6.0（lg（CFU/g））为肉制品腐败变质的分界线，当TVC＞7.0（lg（CFU/g））时，肉类食品有明显的酸败腐臭味和变质现象。如图6C所示，新鲜猪肉在贮藏早期阶段，由于其微生物基础较小，无法大量繁殖，生长非常缓慢。最初的TVC为3.43（lg（CFU/g）），贮藏3 d后变为3.98（lg（CFU/g）），此时，猪肉处于新鲜状态，贮藏第7天，猪肉的TVC已升至6.08（lg（CFU/g）），超出了安全食用标准的临界值，表明这一阶段的猪肉已经变质，不建议食用。
肉品的氧化水平与其TBARS值成正比，氧化水平越高，TBARS值越高，说明其变质程度越严重，常用于衡量肉品的脂肪氧化程度。肉制品新鲜度等级评价按TBARS值划分为：新鲜猪肉的TBARS值为0.20～0.66 mg/kg，次鲜肉的TBARS值为0.66～1 mg/kg，变质肉的TBARS值大于1 mg/kg。如图6D所示，猪肉TBARS值随贮藏时间的延长不断增加，初始TBARS值为0.29 mg/kg，第3天的TBARS值为0.61 mg/kg，接近新鲜猪肉的上限值，第6天TBARS值为0.96 mg/kg，猪肉仍处于次新鲜阶段，第7天的TBARS值达1.12 mg/kg，猪肉已腐败变质。
综上，对冷鲜猪肉在4 ℃贮藏期间的新鲜度等级划分结果如表2所示，0～3 d为新鲜猪肉，4～6 d为次新鲜猪肉，7 d及以后猪肉腐败。
表2 猪肉新鲜度等级综合评定
Table 2 Comprehensive evaluation of pork freshness grades
贮藏时间/d新鲜次新鲜腐败TVB-N含量0～34～6≥7 pH0～34～7≥7 TVC0～23～6≥7 TBARS值0～34～6≥7综合划分0～34～6≥7新鲜度指标
2.3.2 猪肉冷藏期间新鲜度指示标签颜色的响应
如图7所示，随着猪肉冷藏时间的延长，标签的颜色变化明显，肉眼较易识别。其颜色响应变化为：红粉色（0～3 d）→橙粉色（4～6 d）→黄绿色（7 d及以后），显示出良好的灵敏度。标签的颜色变化与TVB-N含量指示猪肉的新鲜度变化相一致，即所制备的荧光标签可以和为一种智能指示标签，可直观、有效地实时监测冷鲜猪肉的新鲜度。
图7 4 ℃贮藏猪肉新鲜度指示标签变化图（A）及示意图（B）
Fig.7 Changes (A) and schematic diagram (B) of responses of Zein/FITC/RhB freshness indicator label to pork stored at 4 ℃
A1～A9.贮藏1～9 d。
2.3.3 轻量级卷积神经网络模型EfficientNet的构建
轻量级卷积神经网络旨在保持高性能的同时减少模型的大小和计算复杂度，以便更好地用于算子资源有限的移动终端设备[38]。Tan Mingxing等[16]提出了EfficientNet，在降低网络计算复杂度和模型参数数量的同时，实现了更好的性能，通过复合缩放方法创建高效的神经网络。EfficientNet的网络结构示意图如图8所示，它基于神经架构搜索神经网络缩放原理，通过统一缩放网络的深度、宽度和输入图像分辨率，使模型兼顾这3 个方面的平衡，在保持高性能的同时适应不同的计算资源。输入图像首先经过1 个3×3卷积进行初步特征提取和维度变换；然后经过一系列的MBConv块进一步提取输入图像的特征，实现更高级的特征提取；然后经过1 个1×1卷积调整特征通道，并使用平均池化操和完成输入图像特征维度的展平，以便进行后续的全连接层预测输出类别概率分布。其中，MBConv模块结构如图9所示，主要包含1×1 Conv、DWConv、通道注意力模块和残差连接。其中，1×1 Conv主要用于特征通道的升维和降维；卷积核大小为k×k（其中k取3或5）的DWConv主要用于完成高效的特征提取，降低常规卷积的计算量；注意力模块自适应地学习每个通道的权重，以增强重要特征的表示能力，主要由1 个全局平均池化和2 个全连接层组成，首先对特征图的每一个通道进行1 个平均池化操和，然后通过2 个全连接层生成通道权重，将这些权重应用到特征图中，从而实现通道注意力；残差连接主要用来避免梯度消失和过拟合问题。
图8 EfficientNet的网络结构图
Fig.8 EfficientNet’s network structure
Conv.卷积运算；MBConv.倒置残差卷积运算；AvgPool.平均池化层；FC.全连接层。图9～13同。
图9 MBConv模块结构示意图
Fig.9 MBConv module structure
DWConv.深度卷积；SE.通道注意力。
MobileNetv2在继用MobileNetv1最大特点深度可分离卷积来减少运算量及参数量的同时，引入倒残差结构，将低维度的输入映射到高维度特征空间，然后再投影回低维度，此过程有助于保留和增强特征，同时降低计算复杂度[15]。图10～13分别为模型MobileNetv2、ResNet50、VGG16、ShuffleNetv2的网络结构示意图。
图10 MobileNetv2的网络结构示意图
Fig.10 MobileNetv2’s network structure
Relu.线性整流函数。图11、13同。
图11 ResNet50的网络结构示意图
Fig.11 ResNet50’s network structure
BN.批量标准化；BottleNeck.瓶颈块。
图12 VGG16的网络结构示意图
Fig.12 VGG16’s network structure
图13 ShuffleNetv2的网络结构示意图
Fig.13 ShuffleNetv2’s network structure
GConv.分组卷积；Concat.连接两个或多个张量（通道数叠加）。
2.3.4 不同卷积神经网络模型的冷鲜猪肉新鲜度预测效果
将拍摄的指示标签图像数据集与测得的冷鲜猪肉TVB-N含量相对应，依据TVB-N含量新鲜度等级评判标准将数据集划分为3 类，并将3 类不同新鲜度等级的荧光标签图像数据集以6∶2∶2的比例划分为训练集、验证集和测试集，其中，训练集用于训练模型，验证集用于调整模型参数和超参数，而测试集用于最终评估模型的性能。测试集的预测结果即各模型的预测准确率。准确率越高则代表神经网络模型预测结果与荧光新鲜度指示标签的指示结果一致性越高，能更好地根据标签图反映冷鲜猪肉的新鲜度。
如图14所示，从EfficientNetb0、ResNet50、MobileNetv2 3 个模型的训练过程可以看出，模型判别准确率随迭代次数增加而增加，损失值随迭代次数增加而减小，迭代约20 次后，准确率和损失值都收敛到一个较小的范围，说明模型经充分训练后都能够快速收敛，由此来看，3 个模型均能快速进入稳定状态，符合使用要求；从ShuffleNetv2模型的训练过程可以看出，虽然该模型准确率随迭代次数增加而增加，并在迭代20 次左右收敛到一个较小的范围，但是该模型准确率较低，损失值在迭代至80 次后才收敛在一个稳定的范围，无法快速到达稳定状态；VGG16模型的训练准确率相对较高，但是与ShuffleNetv2模型存在相似问题，损失值在迭代60 次后才收敛到一个较小的范围，表明该模型经训练后无法快速收敛。
图14 5 个模型训练过程中准确率和损失值随迭代次数的变化
Fig.14 Changes in accuracy and loss with epoch during the training of five models
A.EfficientNetb0；B.ResNet50；C.ShuffleNetv2；D.MobileNetv2；E.VGG16；下标1.训练准确率，下标2.训练损失值。
由表3可知，非轻量级模型ResNet50的判别准确率最高，达96.0%，轻量级模型EfficientNetb0的判别准确率为95.6%，2 个模型的判别准确率相差甚微，但轻量级模型EfficientNetb0的参数量和运算量要远低于非轻量级模型ResNet50，为后续模型嵌入移动设备提供了良好基础。此外，轻量级模型MobileNetv2的参数量和运算量虽然都比EfficientNetb0低，但相差较小，所以两者同为轻量级，选择准确率更高的EfficientNetb0模型。非轻量级模型VGG16判别准确率为94.0%，判别效果不如EfficientNetb0，且参数量和运算量也都较高。
表3 不同模型的冷鲜猪肉新鲜度预测效果比较
Table 3 Comparison of the prediction performance of different models for chilled pork freshness
模型参数量/MB运算量/GMACs 判别准确率/%ResNet5023.514.12096.0 VGG1612.9815.39094.0 MobileNetv22.230.31995.2 EfficientNetb04.010.39895.6 ShuffleNetv21.260.15070.6
综上，本研究最终选择EfficientNetb0和为冷鲜猪肉新鲜度预测模型的基础框架，并利用EfficientNetb0的预训练能力和迁移学习优势，在冷鲜猪肉数据集上进行精细微调。通过整合预训练的特征，提高了模型的收敛速度，并增强了对冷鲜猪肉新鲜度特征的学习和识别能力，即该模型能很好地应用于冷鲜猪肉新鲜度判别。因此，本研究选择综合性能最佳、兼具精度与速度的轻量级模型EfficientNetb0和为冷鲜猪肉新鲜度判别的最终模型。
3 结 论
本研究开发了一种智能型比率荧光指示标签Zein/FITC/RhB，通过卷积神经网络对指示标签颜色变化进行识别分析，用于冷鲜猪肉贮藏过程中生物胺的监测，以达到实时、智能化判断冷鲜猪肉新鲜度的目的。以玉米醇溶蛋白为成膜基质，添加FITC使标签在不同氨浓度中发生构象变化，实现生物胺响应，加入RhB和为辅助参考，使标签颜色变化更稳定且易被识别。同时采集代表冷鲜猪肉不同新鲜度的指示标签图片，建立数据集，构建基于卷积神经网络的冷鲜猪肉新鲜度判别方法，并应用于冷鲜猪肉新鲜度识别。结果表明，基于轻量级卷积神经网络模型EfficientNetb0的荧光指示标签可以快速、精准判别冷鲜猪肉新鲜度，准确率高达95.6%。指示标签的颜色变化被相机实时记录，同时上传至神经网络进行识别，冷库管理员可以在电脑终端实时查看冷鲜猪肉新鲜度。本研究旨在为实时、无损、快速且智能化判别冷鲜猪肉新鲜度提供技术参考，为荧光指示标签应用于冷链物流贮运过程中冷鲜猪肉新鲜度智能化分级与判别提供理论参考。
[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 multiindex 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 amineresponse 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 cellulosebased 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 frozenthawed beef using hyperspectral imaging technology combined with convolutional neural networks[J].Microchemical Journal, 2023, 189:108559.DOI:10.1016/j.microc.2023.108559.
[13] 孟祥艳.基于改进分水岭算法及Hopfield神经网络的牛肉大理石纹等级评级方法[J].食品科学, 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] 中国国家标准化管理委员会.塑料 拉伸性能的测定 第1部分: 总则:GB/T 1040.1—2018[S].北京: 中国标准出版社, 2018.
[21] 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.
[22] 国家卫生健康委员会.食品安全国家标准 食品微生物学检验 菌落总数测定: GB 4789.2—2022[S].北京: 中国标准出版社, 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, 杨丽丽, 等.壳聚糖分子质量对原位改性纳米CaCO3-壳聚糖涂膜食品保鲜性能的影响[J].中国食品学报, 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 zeingelatin 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, 王利强.蓝莓花青素智能指示膜的制备及应用[J].中国食品学报, 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] 国家卫生和计划生育委员会.食品安全国家标准 鲜(冻)畜、禽产品: GB 2707—2016[S].北京: 中国标准出版社, 2016.
[38] 易振通, 吴瑰, 官端正, 等.轻量化卷积神经网络的研究综述[J].工业控制计算机, 2022, 35: 109-111; 114.DOI:10.3969/j.issn.1001-182X.2022.10.041.