高光谱成像技术可以快速预测鸡蛋液菌落总数吗？今天，让莱森小编带大家一起来看看~

对鸡蛋内容物进行病源微生物分离和鉴定可以发现，假单胞菌属是优势菌属，其中铜绿假单胞菌（又称绿脓杆菌）参与鸡蛋过程。铜绿假单胞菌作为肉源的优势菌种，具有来源范围广、耐药性强等特点，可分解肉中的氨基酸产生硫化物等有害次级代谢产物，并进一步加速肉的进程。而鸡蛋液作为优质蛋白质的丰富来源，是理想的微生物培养基，因此对鸡蛋液中微生物进行预测对保障鸡蛋品质安全具有重要意义。

因此，莱森小编通过收集不同程度鸡蛋液的光谱特性和菌落信息，结合多元统计分析方法，为实现高光谱技术对鸡蛋液中菌落总数的定量分析提供参考。

1、鸡蛋液中菌落总数的变化情况分析

随贮存时间的延长，两组样本蛋清中菌落数量变化趋势呈现S型曲线，存在明显的迟缓期和对数生长期，其中对照组变化相对平稳。污染组样本初始菌落数为3.2（lg（CFU/g）），在初始培养3 d内，菌落数量增幅仅为0.3（lg（CFU/g））；培养至第7天，增幅达到4.5（lg（CFU/g））。由于在接菌的初始阶段，蛋清中的抗菌成分（如和卵转铁蛋白等）仍对外界病源微生物起到抵抗作用；此外，这也由菌种自身生长特性所决定，在接种至新的环境中，需要通过短暂调节才能实现后期的快速增长和繁殖，类似的研究现象也出现在琼脂平板和猪肉上。

2、基于高光谱技术的鸡蛋液中菌落总数的预测

光谱分析

综上原因，对于鸡蛋液样本来说，随微生物数量的增加，蛋清和蛋黄均会发生相应的变化，导致整体鸡蛋液样本对可见-近红外光（400～1 000 nm）的吸收能力变强，反射率变小。

光谱预处理

对于蛋清和全蛋液，原始光谱经预处理后，除Autoscale预处理外其他预处理方法下PLS模型的RCV均有所下降；交互验证均方根误差（RMSECV）均有所上升，表明并不是所有的预处理方法都对模型的预测精度有所提高。

特征波长的提取

根据SPA得出的均方根误差（RMSE）作为挑选特征变量数的依据。蛋清、蛋黄和全蛋液样本的变量个数分别为11、12和15时，RMSE最小为0.48、0.54（lg（CFU/g））和0.69（lg（CFU/g）），此后随着变量数增加，RMSE不再减小，因此蛋清样本的特征波段数为11 个，蛋黄样本的特征波长数为12 个，鸡蛋样本的特征波段数为15 个。

模型的建立

对于蛋清样本，比较全波段-PLS和全波段-SVM模型，全波段-PLS模型中RC和RP（0.84和0.79）低于全波段-SVM模型中的RC和RP（0.85和0.80），RMSEP（0.67（lg（CFU/g）））高于SVM模型中的RMSEP（0.64（lg（CFU/g）））；经SPA算法筛选特征波段后所建的SPA-PLS模型中RP下降0.01，RMSEP上升0.02（lg（CFU/g）），SPA-SVM模型中RP上升0.01，RMSEP下降0.01（lg（CFU/g））。

结 论

在鸡蛋液污染过程中，微生物经历短暂适应期后快速繁殖扩增，并对蛋黄膜造成破坏，致使鸡蛋出现散黄现象，侵染全过程均会严重影响光谱的吸收和反射特性。

对原始光谱进行预处理后建立PLS预测模型发现：Autoscale预处理效果相对，对应蛋清样本的RCV和RMSECV为0.83和0.51（lg（CFU/g）），蛋黄样本的RCV和RMSECV为0.78和0.51（lg（CFU/g）），全蛋液样本的RCV和RMSECV为0.79和0.65（lg（CFU/g））。

对比全波段与特征波段下的蛋清、蛋黄和全蛋液样本的PLS和SVM预测模型发现，SPA-SVM预测效果。蛋清样本的RC和RP为0.85和0.81，RMSEC和RMSEP为0.50（lg（CFU/g））和0.63（lg（CFU/g））；蛋黄样本的RC和RP为0.86和0.82，RMSEC和RMSEP为0.42（lg（CFU/g））和0.47（lg（CFU/g））；全蛋液样本RC和RP为0.83和0.75，RMSEC和RMSEP为0.60（lg（CFU/g））和0.75（lg（CFU/g））；其中蛋清和蛋黄样本所建模型预测效果均高于全蛋样本所建模型。

在整个污染过程中，分析微生物在蛋液中生长情况和建模的效果表明，实际生产过程中建议选择蛋清的平均光谱对微生物进行预测。对于单个样本来说，整个预测过程只需几分钟便可完成，证实高光谱成像技术可以用于鸡蛋液中菌落污染程度的快速预测，为后续鸡蛋质量安全控制提供新的方案和思路。

好了，以上就是有关高光谱成像技术可以快速预测鸡蛋液菌落总数吗的解答，希望可以帮助到大家~