1. 魚類品質檢測的重要性

人們普遍認為，魚、蝦和蟹等海鮮構成了營養和健康飲食的重要組成部分，因為它們是優質和易消化的動物蛋白、維生素和礦物質的直接來源，以及主要與長鏈ω-3二十碳五烯酸和二十二碳六烯酸相關的特定多不飽和脂肪酸的供應。近年來消費者對這些水產品的需求有所增加，但也出現了相關問題，如食品摻假造假、營養損失、新鮮度品質下降、線蟲污染，以及凍融、鹽漬、煙熏等加工因素、漁場、捕撈和上岸時間等捕撈因素造成的其他干擾和影響 (Cheng et al., 2014)。因此，食品安全和質量控制與檢驗問題日益突出，嚴重影響了消費者的信心和接受度。特別是對于魚類來說，與此類海鮮相關的最困難的技術問題是它的脆弱性和易腐性，這對質量參數有很大影響，包括保水能力、水分含量、脂肪和蛋白質含量和結構、顏色、質地和新鮮度。至于魚的新鮮度，它一直被認為是評估魚質量的最重要綜合質量屬性之一，無論是直接食用還是作為加工業的原材料。這個關鍵的新鮮度指標在很大程度上影響著安全性、營養質量、可用性和可食用性，這主要是由物理、化學、生化和微生物過程產生的 (Cheng et al., 2015)。

隨著水產品貿易的日益全球化，制造商、消費者和政府監管機構迫切需要尋找快速、可靠和實用的分析方法和技術來對水產品進行安全檢查和評估。更重要的是，在從農場到餐桌的整個生產過程鏈中，防止食源性疾病的發生，避免消費者的嚴重健康危害，就是要證明原材料的優良品質，控制海產品的質量，保持現代海產品業的健康發展。傳統的分析方法（感官評價、化學方法）通常耗時、破壞性強，并且需要訓練有素的人員或有毒污染。由于這些缺點和缺陷，這些方法通常不適合在線檢測和大規模作。因此，快速、非破壞性和可靠的技術和方法來確定魚類和其他海鮮的質量，對漁業和消費者都有很大的好處。目前，新興的高光譜成像在食品質量和安全評估方面比光譜學或計算機視覺更有利，因為它將光譜學和成像這兩種流行的技術集成到一個系統中。近年來，這種創新技術的能力在魚類和其他海鮮品質檢測中得到了普遍發展。

2. 高光譜成像技術在魚類新鮮度檢測中的應用

為了滿足消費者對新鮮魚類的需求，零售商可能打算將冷凍解凍的魚類標記為新鮮魚類。然而，在每次凍融循環之后，魚中的一些蛋白質、氨基酸和其他營養物質會隨著水流失，從而改變魚的質地和風味。它甚至可能導致微生物的生長，加速產品的變質和變質。從外觀上很難區分鮮魚和反復解凍的魚，因此檢測凍融魚對于保證魚的品質和保護消費者利益具有重要意義。在以往的研究中，Shao et al. (2023)選取了160條小黃魚樣本，分為新鮮、凍融一次、凍融兩次和凍融三次四組，利用高光譜成像技術獲取了小黃魚的圖像（圖1）。通過灰度共生矩陣提取紋理特征，運用隨機蛙算法選取特征波長，構建LIBSVM分類模型和PLSR回歸模型。研究發現，基于特征波長和紋理特征融合建立的LIBSVM 模型分類準確率最高，達96.88%；PLSR模型預測小黃魚新鮮度性能良好，R2v=0.90，RPD=3.17。研究表明，高光譜成像技術可用于小黃魚新鮮度無損檢測，為水產品質量檢測和品質保障提供了技術支持。

圖1. 小黃魚的高光譜圖像采集

羅非魚是全球重要淡水魚，但肉質易腐，其新鮮度評估對品質把控意義重大。總揮發性堿氮（TVB-N）是評價水產品新鮮度的重要指標，Yu et al. (2021)利用可見近紅外（Vis-NIR）和近紅外（NIR）高光譜成像系統采集了4℃冷藏羅非魚片圖像（圖2），并測定TVB-N值，運用低級和中級數據融合及多種變量選擇方法建立預測模型。研究結果表明，在單數據塊中，Vis-NIR數據用GA算法、NIR數據用IRIV算法效果*佳；低級融合數據經變量選擇后模型性能提升；中級融合數據中，CARS算法構建的模型*優。此外，研究還利用最佳模型繪制TVB-N值可視化分布圖（圖3）。研究表明，高光譜成像結合數據融合分析在羅非魚片新鮮度無損評估方面具有高度可行性。

圖2. 羅非魚的高光譜圖像采集

圖3. 羅非魚片中 TVB-N 含量的可視化分布圖

鯖魚營養豐富但易變質，其新鮮度評估至關重要。傳統評估方法存在諸多缺陷，而高光譜成像技術結合多元分析為無損檢測提供了新途徑。Ryu et al. (2024)等以96條鯖魚為研究樣本，設置5種存儲條件，在6天存儲期內測定pH、TVB-N和K值，并采集278 - 1723nm的高光譜圖像（圖4）。運用PLSR、VIP-PLSR、SVR 和 VIP-SVR 模型進行分析，通過相關性分析去除噪聲像素，篩選顯著波長。結果表明，VIP-PLSR模型預測性能最佳，預測pH、TVB-N和K值的分別達0.86、0.86和0.91?；趐H、TVB-N和K值的最佳 VIP-PLSR 模型，使用高光譜圖像的像素級預測結果繪制了化學圖，如圖5所示?；瘜W圖顯示了貯存期間新鮮度指標分布的變化。研究表明，高光譜成像結合多元回歸分析可定量無損評估鯖魚新鮮度，為魚類新鮮度檢測提供了有效方法。

圖4. 貯藏期的鯖魚樣品的平均光譜。（a）環境溫度;（b）冰鎮;（c）冷藏;（d）冰箱中冷凍和解凍;（e）自來水中冷凍和解凍

圖5. 基于貯藏期間（第0-6天）像素預測的新鮮度指標的化學圖。（a） pH 值;（b）TVB-N;（c）K值

Hardy et al. (2024)使用高光譜相機（400–1000 nm）通過吸收光譜分析鮭魚片連續儲存4天。對所有變量（波長）進行優化的K最近鄰分析，返回77.0%的存儲日預測（跨所有天數）的平均分類準確率。五主成分（PC）模型返回的平均準確率為73.7%（所有天）。與參考光譜匹配的高光譜圖像中光譜像素的直方圖分析顯示，隨著尾部底部圓角截面的圓角老化，損壞區域的破壞區域增加?？傮w而言，12個魚片區域中有5個區域顯示腐敗變質單調增加（p值≈0.01）。雖然主成分分析顯示最重要的PC在幾天之間的分離最小，但通過使用高光譜數據規定的“新鮮"和“變質"類標簽，這種情況得到了改善。通過平均光譜分析，600 nm附近吸光度帶的阻尼被確定為新鮮數據集和破壞數據集之間的主要判別因素。因此，在魚類新鮮度研究中應考慮樣品新鮮度的空間不均勻性，高光譜成像可以作為有用的工具來實現這一點。

圖6. 高光譜成像概述。（a）HSI系統（i）照片和 ii）示意圖。（b）鮭魚主魚片（綠色）和白蛋白（紅色）的分類;（i）分類區域，（ii）相關光譜（未縮放），（iii）定義的分類區域。（iv）魚片表面白蛋白的各個部分定義和分類。（c）參考圓角樣本（i）確定的分類區域和（ii）與（iii）彩色照片的相關光譜。在5%相似度閾值下使用標準縮放器。光譜范圍= 402–998 nm。（d） 將圓角初步分為頭部、尾部和三個參考部分。在（b）（i）和（c）（i）中，I=強度（任意單位）

Wu et al. (2025)創新性地將高光譜成像（HSI）技術與氣味成像傳感器（OIS）相結合，實現了對大型黃花魚中TVB-N含量的無損預測（圖7）。通過OIS捕獲魚體內的氣體變化。在此之后，使用高光譜成像儀同時表征OIS和魚類樣本本身的高光譜信息。隨后，選擇魚眼和魚體區域作為兩個感興趣區域（ROI）來表示魚樣本的高光譜信息。比較來自魚眼和身體的ROI的HSI數據的建模性能，發現身體ROI可以更好地表示大型黃魚的腐敗信息。最后，應用數據融合分析不同數據源光譜信息配對融合的優化效果。研究發現，OIS與大型黃魚體部位的HSI融合可以獲得具有預測集決定系數為 0.9506，為水產品安全評估提供了新的視角。

圖7. 使用OIS耦合HSI技術測量大型黃魚體內TVB-N含量的示意圖

3. 高光譜成像技術在魚類摻假檢測中的應用

魚類和其他海鮮摻假是食品安全的一個重要方面，也是一種嚴重的欺詐行為，因為非法貿易商和企業經常狡猾地利用更便宜、劣質、不合格的原料和原料，作為高成本原料和優質產品的替代品。這種經濟摻假的行為以不合理的價格欺騙了消費者，擾亂了市場的正常運作。Li et al. (2023)究兩個高光譜成像（HSI）系統分別覆蓋可見光和近紅外范圍（VNIR，397-1003 nm）和短波近紅外范圍（SWIR，935-1720 nm）的潛力（圖8），以快速準確地確定大西洋鮭魚糜中的摻假情況。手動制備含有11個摻假水平（0-100%（w/w），間隔10%）的摻假樣品。采用4種光譜預處理方法和5種特征波長選擇算法結合卷積神經網絡（CNN）建立預測摻假水平的定量模型。比較了兩個HSI系統的預測能力，以揭示最佳光譜檢測范圍。經過分析發現使用VNIR數據的建模結果總是優于使用SWIR數據的建模結果。具體而言，VNIR的最佳預測來自組合模型SNV-CNN，平均值R2p、RMSEP和RPD分別為0.9885、3.3526和9.6882。SWIR的最佳性能來自組合模型 SNV-VCPA-IRIV-CNN，平均值R2p、RMSEP和RPD分別為 0.9839、3.9926和8.0251。此外，最佳模型成功地用于可視化了制備樣品中摻雜物的分布（圖9）?？傮w而言，這項研究表明，HSI與CNN 相結合是快速、無損和準確檢測大西洋鮭魚摻假的一種有前途的解決方案。此外，VNIR-HSI被認為具有更合理的檢測范圍，因為它的成本低，與SWIR-HSI相比具有更好的預測性。

圖8. 在（a）VNIR和（B）SWIR范圍內不同摻雜水平的平均反射光譜

圖 9. VNIR-HSI和SWIR-HSI中不同摻雜水平樣品的可視化結果

Sanhueza et al. (2025)提出了使用多變量分析和可見-近紅外高光譜成像（HSI）的快速表征的魚，包括特定的形態感興趣的區域（ROI）在魚的圖像或intrasample 光譜變異性，物種分化和新鮮度評估的評價。這項研究涉及三個遠洋物種：沙丁魚（Strangomera lingincki）、銀漢魚（Odontesthes regia）和鳀魚（Engraulis ringens）。主成分分析（PCA），支持向量機回歸（SVM-R），偏最小二乘回歸（PLS-R），偏最小二乘判別分析（PLS-DA）作為多變量技術應用于這些目的。形態感興趣區的比較研究顯示，不同魚類區的光譜特征之間存在顯著差異。檢測到由于新鮮度損失而導致的反射強度的降低，并且使用SVM-R可以實現對這種新鮮度的預測，量化為“捕獲后的時間"，預測的相對誤差為9%。總體而言，可見-近紅外HSI，支持多變量分析，使研究物種之間的差異，突出了其作為一個強大的魚類物種識別和表征工具的潛力。

圖 10. HSI在魚類表征中的應用包括：a）分析不同的 ROI 以評估魚類的樣本內光譜變異性，b）使用HSI作為中上層物種區分的工具，以及c）8小時內的魚類新鮮度估計

Qin et al. (2020)開發了多模式高光譜成像技術來檢測魚片的替代和錯誤標記。以可見光和近紅外（VNIR）區域的反射率、365 nm紫外激發的熒光、短波紅外 （SWIR）區域的反射率和785 nm激光激發的拉曼光譜四種模式從魚片中獲取線掃描高光譜圖像。采用紅鯛魚、朱紅鯛魚、馬拉巴爾鯛魚、夏鱸魚、白鱸魚和羅非魚等6種魚片進行物種區分，凍融紅鯛魚片用于新鮮度評價（圖11）。所有魚片樣本都經過DNA測試以驗證該物種。共有24個機器學習分類器，分為6類（即決策樹、判別分析、樸素貝葉斯分類器、支持向量機、k最近鄰分類器和集成分類器）用于魚類物種和新鮮度分類，使用三個不同數據集中的四種類型的光譜數據（即全光譜、主成分分析的*十個分量和通過順序特征選擇方法選擇的波段）。使用全VNIR反射光譜進行物種分類時，精度為100%，使用全SWIR反射光譜進行新鮮度分類時，精度為99.9%（圖12）。VNIR反射模式在物種和新鮮度檢查方面都提供了總體最佳性能，它將作為檢測魚片替換和錯誤標記的快速技術進一步研究。

圖 11. 魚片樣品的圖片：（a）用于物種區分研究的六種魚，以及（b）用于新鮮度評估研究的紅鯛魚片示例

圖 12. 使用線性支持向量機對魚類物種進行分類的混淆矩陣，該矩陣具有（a）VNIR反射率、（b）熒光、（c）SWIR反射率和（d）拉曼光譜的完整光譜數據

Xu et al. (2017)探索計算機視覺系統（CVS）和兩個高光譜成像 （HSI）系統的潛力，分別覆蓋可見光和短波近紅外范圍（400-1000 nm）和長波近紅外范圍（897-1753 nm），用于區分新鮮和冷藏條件下的有機和傳統養殖鮭魚片（圖12）。采用偏最小二乘判別分析（PLS-DA）、支持向量機（SVM）和隨機森林（RF）分類器建立分類模型，對測試樣本進行識別和認證（圖13）。結果表明，高光譜判別性能遠遠優于CVS。對于同一個驗證集，最高的正確分類率（CCR）相當于98.2%，在兩個SVM模型，一個是建立在400-1000 nm的全光譜變量，另一個是建立在同一光譜區域的四個最佳波長。最佳預測CVS的PLS-DA的CCR為83.6%的驗證，而HSI在897-1753 nm的最令人滿意的結果，通過應用SVM算法的全光譜區域，以及10個重要的波長，CCRs為92.7%的驗證。簡而言之，400-1000 nm的高光譜成像具有區分有機和傳統鮭魚片的最佳預測能力（圖14），而SVM分類器已被證實在該研究的情況下對于多變量分析非常強大。

圖 13. 識別分析全過程的關鍵步驟

圖 14. 樣本在470、490、510和630 nm的四個重要波長下獲得彩色圖像

4. 高光譜成像技術在魚類加工過程檢測中的應用

魚類加工業在保持魚糜產品質量方面面臨重大挑戰，這可能會影響消費者吸引力和整體產品質量。Xia et al. (2025)調查了在魚糜兩階段水浴加熱過程中使用高光譜成像對質量變化進行快速、無損、在線監測的使用。魚糜樣品在40°C下加熱 30分鐘，在90°C下加熱20分鐘，每5分鐘收集一次關鍵質量指標的數據，包括凝膠強度、持水能力和白度。為全面評價魚糜在兩階段加熱過程中的品質變化，利用高光譜成像開發了兩個模型：偏最小二乘法（PLS）模型和卷積神經網絡長短期記憶（CNN-LSTM）模型。創建了一個單獨的CNN-LSTM模型來同時預測多個質量指標。盡管預測單個質量指標的最佳模型略優于多指標預測模型（R2p> 0.93，RPD >3.9），兩種方法都是有效的。此外，還對加熱過程中觀察到的質量變化進行了可視化和分析（圖14）。這項研究表明，高光譜成像與化學計量學相結合，為預測魚糜熱加工過程中的質量變化提供了一種無損、快速和在線的方法。這種方法滿足了行業對創新質量評估工具的需求，并有可能提高加工魚糜市場的產品質量和消費者滿意度。

圖 15. 單指標預測分布圖的優化模型及可視化。(A-C)凝膠強度的*優模型過程圖、回歸圖和可視化分布圖;（D-F）持水力的*優模型過程圖、回歸圖和可視化分布圖;（G-I）*優模型的損失圖、回歸圖和可視化分布圖

Ortega et al. (2025) 評估了高光譜成像在估計肝臟脂肪含量在三個商業相關的水產養殖物種：大西洋鮭魚，歐洲鱸魚，大西洋鱈魚。兩臺高光譜相機用于覆蓋不同的光譜范圍，包括可見光和近紅外（VNIR）和短波紅外（SWIR）區域（圖15）。偏最小二乘回歸（PLSR）模型的基礎上VNIR和SWIR光譜顯示中等至高精度預測肝臟脂肪（R2 =0.62-0.89），這取決于物種和波長區域。 三個物種的肝組織之間的光譜差異是不同的，因為是PLSR模型預測脂肪含量的回歸系數。這些結果證明了高光譜成像作為一種高通量方法來評估水產養殖魚類肝臟脂肪的實用性。

圖 16. 鮭魚（A）和鱸魚（B）肝臟脂肪預測圖。每個物種的三個圖像，從左到右：彩色圖像（RGB），可見光和近紅外（VNIR）和短波紅外（SWIR）

Wang et al. (2022) 人工神經網絡與可見-近紅外高光譜成像（Vis-NIR hyperspectral imaging，HSI）技術相結合，對大黃魚魚片在低溫貯藏過程中的顏色變化進行監測（圖16）。前饋神經網絡（FNN）被賦予了泄漏整流線性單元（Leaky-Relu）作為一種非線性定量分析模型。它提供了基于最佳光譜的顏色變化的準確預測能力（L*、a*和B*的R2分別為0.908、0.915和0.977；RMSEP分別為1.062、3.315和0.082）。最后，利用簡化的FNN-Leaky-Relu模型（S-FNN-L）可視化了魚片顏色參數的分布圖。實驗結果表明，HSI可以替代傳統的色度計，以快速、無創的方式測定魚片顏色的空間分布。

圖 17. 研究過程

總結與展望

高光譜成像技術憑借其集光譜分析與圖像處理于一體的優勢，在魚類及其他海鮮的質量檢測中展現出廣闊的應用前景。該技術可實現對魚類新鮮度、摻假行為、加工狀態及物種鑒別等多個品質指標的快速、無損與高精度檢測。研究表明，高光譜成像結合多變量分析、機器學習算法和數據融合技術，能夠顯著提升檢測的準確性和可視化能力，為水產品從捕撈、加工到流通各環節的質量控制提供了有力技術支持。盡管當前高光譜成像技術在實驗研究中取得了顯著進展，其在實際工業應用中仍面臨諸多挑戰，如設備成本高、數據處理復雜及實時性不足等。未來的發展應聚焦于設備的便攜化、數據處理算法的優化與自動化、以及與其他傳感技術（如氣味成像、拉曼光譜等）的融合應用。此外，還需加強高光譜數據庫的建設與標準化，推動其在水產品質量檢測領域的產業化和規?；瘧?。

綜上所述，高光譜成像技術作為一種新興的智能檢測手段，具有推動海鮮產品質量保障體系現代化的巨大潛力，將在未來水產品安全與品質控制中發揮越來越重要的作用。

參考文獻

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.

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.

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.

Ryu, J., Hong, S.-J., Park, S., et al., Nondestructive freshness evaluation of mackerel fish using Vis/NIR hyperspectral imaging and mu*tivariate analysis, Journal of Food Engineering. 377 (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.

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.

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.

Sanhueza, M.I., Montes, C.S., Sanhueza, I., et al., VIS-NIR hyperspectral imaging and mu*tivariate analysis for direct characterization of pelagic fish species, Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. 328 (2025) 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.

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.

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.

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.

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.