日前，中国水产科学研究院黄海水产研究所渔业资源分子生态学团队在高光谱成像技术评价海水养殖鱼类肌肉品质方面取得新进展，成果发表在JCR一区期刊 Food Chemistry: X 上。该研究以我国重要海水养殖鱼类花鲈（Lateolabrax maculatus）为对象，利用高光谱成像技术结合机器学习算法，实现了活体花鲈肌肉多项质构参数的定量预测与可视化分析，为鱼类表型组学研究及优良种质筛选提供了全新工具。

鱼肉口感是消费者选择水产品的重要依据。弹性、硬度、咀嚼性等肌肉质构表型参数直接决定了鱼肉的风味释放、感官体验及市场价值。然而，传统肌肉品质评价方法存在明显局限：感官评定虽然直观，但主观性强、难以标准化；仪器测定虽客观精准，但需对鱼肉进行复杂前处理，破坏样品完整性，效率较低，无法满足活体检测的需要。如何实现活体鱼类肌肉品质的快速、无损、高通量获取，已成为制约智能化、精准化水产养殖技术发展的关键瓶颈。

针对上述问题，研究团队采集了来自广东珠海、福建福鼎、山东日照三个花鲈主产区的300尾活体花鲈，使用高光谱成像系统（波长范围400–1000 nm）获取其背部三种体表状态下的光谱数据：全鳞（SWS）状态、去鳞（SOS）状态，以及去鳞后逆鳞方向擦拭暴露表皮层的去鳞逆皮肤（RSOS）状态。这一创新性的实验设计有效消减了鳞片和皮肤对光谱信号的干扰，保障了光谱数据的准确性。

（a）高光谱成像系统示意图

（b）花鲈三种高光谱数据类型（SWS、SOS、RSOS）照片

为避免环境噪声对光谱数据的干扰，研究团队应用了Savitzky-Golay（S-G）平滑法、S-G结合标准正态变量变换（S-G+SNV）、S-G结合一阶导数（S-G+1st）、S-G结合二阶导数（S-G+2nd）以及去趋势法（detrend）等5种光谱预处理方法，并对比了偏最小二乘回归（PLSR）、最小二乘支持向量机回归（LS-SVR）、随机森林（RF）、卷积神经网络（CNN）和反向传播人工神经网络（BP-ANN）等5种机器学习算法的性能，分别构建了针对硬度、黏附性、弹性、黏聚性、胶黏性、咀嚼性和回复性等7项全质构测试（TPA）参数的最优预测模型，并生成了上述参数在鱼体上的可视化分布图谱。

花鲈SWS（蓝色）、SOS（绿色）、RSOS（红色）平均反射光谱（n=300）

实线为平均反射率，色带表示标准差范围

黄色虚线：反射峰

灰色虚线：吸收峰

研究表明，不同体表状态的光谱曲线存在显著差异，其中RSOS状态的光谱信息最为丰富，与肌肉组织的光学特性关联更为直接。在7项TPA参数中，胶黏性的预测效果最佳，随机森林模型的预测集决定系数（R⟡P）达到0.923，性能偏差比（RPD）为3.597，平均绝对百分比误差（MAPE）为6.378%。胶黏性、咀嚼性和硬度等3项参数的成功预测表明高光谱技术可替代传统质构仪进行定量评价（RPD > 3.0且MAPE < 10%）；黏聚性和弹性可实现可靠的定性分析（R⟡ > 0.85）。由最优模型生成的可视化图谱中，明显的颜色差异不仅证实了不同个体间TPA参数的区别，也揭示了同一条鱼不同部位肌肉质构表型的异质性。

七种TPA参数实测值与预测值的散点图

▲ 训练集（n=270）

★ 测试集（n=30）

图中可见胶黏性、咀嚼性、硬度的点紧密围绕对角线分布，预测误差小

采用最优模型对花鲈七种TPA参数的可视化结果

左、中、右三列分别对应各TPA参数的低、中、高数值范围，颜色从冷色（低值）到暖色（高值）渐变

该研究成果表明，高光谱成像技术结合机器学习为评估活体花鲈肌肉品质提供了一种有效且无损的方法。该技术无需宰杀或破坏鱼体，适用于鱼类全生命周期的连续监测，可快速筛选具有优良质构特性的个体，加速花鲈分子标记辅助育种进程，同时也为海水养殖鱼类加工品的高值化开发提供了标准化、自动化的品质分级工具。

黄海所博士后车帅为论文第一作者，柳淑芳研究员为论文通讯作者。该研究得到国家自然科学基金、国家海水鱼产业技术体系等项目的资助。

原文链接： https://doi.org/10.1016/j.fochx.2026.103773