基于近红外光谱的条斑紫菜菌落总数快速检测技术

为了探究快速、无损地检测条斑紫菜质量的可行性,本研究开发了一种基于近红外光谱技术的条斑紫菜微生物污染程度的定量分析方法。首先对来自不同海域的紫菜样本的菌落总数进行了测定,然后采集了155组样本的原始光谱信息和菌落总数信息。用标准正态变量变换（SNV）、多元散射校正（MSC）、二阶导数（Second-order derivative）等方法对光谱数据进行预处理。在完成最佳预处理方法筛选后,建立了基于光谱信息的非线性拟合（MLR）、支撑向量回归（SVR）、人工神经网络（ANN）、卷积神经网络（CNN）菌落总数预测模型。结果表明,标准正态变量变换与二阶导数的组合预处理效果最优,基于全波段下深度学习模型CNN预测效果最好（r值为0.940）。由此说明,CNN作为一种深度学习模型,可以实现针对条斑紫菜微生物品质的快速评价。