论文部分内容阅读
食源性致病菌(Bacterial Foodborne Pathogens,BFP)是导致食品安全问题的主要来源之一,快速检测BFP至关重要。本研究采用电子鼻(Electronic nose,E-nose)、高光谱成像技术(Hyperspectral Imaging,HSI)结合化学计量学方法对BFP进行快速检测与定量分析。经过元启发式优化和波长变量筛选算法,模型性能得到提高。提出用HSI、E-nose和顶空-气相色谱-离子迁移谱技术多信息融合方法实现对致病菌更有效的分类和识别。还探讨了HSI和E-nose作为过程分析技术在致病菌超声灭活过程监测中的应用。第一部分研究采用电子鼻和高光谱成像技术在菌种和菌株水平上对琼脂和肉汤培养的食源性致病菌进行识别和分类。研究了电子鼻在磷酸盐缓冲溶液中用单菌落细菌进行食源性致病菌的分类和识别。分别建立了线性判别分析(Linear Discriminant Analysis,LDA)和支持向量机(Support Vector Machine,SVM)模型,对训练集的分类准确率分别为90.3%和91%,预测集的分别为89.5%和90.6%。提出采用粒子群优化(Particle Swarm Optimization,PSO)方法强化模型性能,模型的分类准确率显著提高,训练集达到100%,预测集达到98.95%。探究了采用逐个像素分析法改进高光谱图像预处理并使其可视化,从而对琼脂平板上生长的食源性致病菌进行更好分类的可行性。建立的LDA和SVM模型对训练集分类精度达到91.7%和83.9%,预测集达到90.7%和82.2%。对SVM参数c和g进行优化,采用PSO改善光谱数据分类效果。结果显示,PSO-SVM模型对训练集和预测集的检测准确率分别为100%和98.44%。进一步采用波长筛选算法对波长数量进行了缩减,竞争性自适应加权采样-粒子群优化支持向量机模型的分类精度最高,训练集和预测集分别达到99.48%和98.44%第二部分工作,提出电子鼻、高光谱和顶空气相离子迁移谱数据在特征层融合的策略,结果表明对食源性致病菌的判别结果比单一技术更好。进一步开展试验,通过对HIS、E-nose和HS-GC-IMS数据中提取的特征向量的融合以开发理想的融合系统。分别对琼脂平板培养和猪肉接种的致病菌进行了研究,以提高对致病菌的检测和分类能力。将E-nose和HSI数据融合,对琼脂平板培养的致病菌菌种进行分类和鉴别。结果表明,融合模型的准确率得以提高,LDA的训练集和预测集准确率分别提高到99.17%和98.75%,k近邻的训练集和预测集准确率分别提高到98.75%和98.33%。本研究还探索了微生物挥发性有机化合物的电子鼻和HS-GC-IMS分析方法,用于食品微生物污染的早期检测。单独使用电子鼻或HS-GC-IMS数据建立的模型对于肉汤样品和猪肉接种样品的识别能力均是令人满意的。而数据融合方法可以获得鲁棒性更好的分类模型,精度更高,超过98%,识别能力更强。研究结果表明,通过电子鼻和HS-GC-IMS数据融合的挥发性有机化合物分析具有提高预测准确性的潜力。第三,我们研究采用电子鼻和高光谱技术定量预测猪肉样本中食源性致病菌的含量。进一步研究开发一种改进的高效简化谱模型对食源性致病菌进行定量跟踪的方法。采用高光谱成像的光谱数据和偏最小二乘回归(Partial Least Squares Regression,PLSR)算法实现了对新鲜猪肉中食源性致病菌:大肠杆菌O157和金黄色葡萄球菌污染的检测。采用的光谱缩减变量选择算法包括竞争性自适应加权采样法、遗传算法、变量组合总体分析法、蚁群优化和迭代保留信息变量算法等。变量组合总体分析结合遗传算法杂交策略得到的残留预测偏差(Residual Predictive Deviation,RPD)最小,分别为0.1532和0.1225;模型性能最佳,大肠杆菌和金黄色葡萄球菌检测的Rp2分别为0.9977和0.9960;均方根误差(root-mean-squared error of prediction,RMSEP)分别为13.5910和16.8032。类似地,将电子鼻用于猪肉样品中鼠伤寒沙门氏菌污染的识别、区分和定量分析。成功应用主成分分析(PCA)区分不同污染物水平的接种样品。通过支持向量机回归(supper vector machine regression,SVMR)结合PSO、GA和格子搜寻算法,GA-SVMR模型得到最好预测精度,预测集Rp2为0.989、RMSEP为0.137、RPD为14.93。最后,我们测试了在用超声灭活致病菌的过程中,应用电子鼻和高光谱成像技术对食源性致病菌进行原位识别和定量测定的整体效果。主要目的是通过高光谱成像和电子鼻技术监测超声预处理对接种猪肉食源性致病菌失活的影响。采用E-nose和HSI作为过程分析技术对伤寒沙门氏菌和大肠杆菌的超声灭活进行了无损监测。受污染的猪肉分别处理10、20和30分钟。LDA模型显示基于电子鼻的鼠伤寒沙门氏菌和大肠杆菌分类精度分别为99.26%和99.63%,基于高光谱成像的两种致病菌的分类精度分别为99.70%和99.43%。基于电子鼻数据集的PLSR定量模型显示对于鼠伤寒沙门氏菌和大肠杆菌,模型的Rp2分别为0.9375和9.7240;RMSEP分别为0.2107和0.2057;RPD分别9.7240,9.9604。同样,基于高光谱数据集的定量模型对鼠伤寒沙门氏菌和大肠杆菌的Rp2分别为0.9687和0.9687;RMSEP分别为0.1985和0.2014;RPD分别为10.3217,10.1731。总体而言,本研究验证并推动了电子鼻和高光谱成像技术在琼脂、肉汤,更重要的是在食品基质食源性致病菌检测中的应用。研究进一步证明了对电子鼻,高光谱成像和顶空-气相色谱-离子迁移谱的数据集进行特征层融合比单一技术更好的论断。本研究提出了新方法和新思路,用于控制猪肉或类似食品生产中的食源性致病菌污染,以确保食品安全。