基于荧光传感阵列的肉类新鲜度智能检测方法、系统及介质

1.本发明属于食品无损检测的技术领域，具体涉及一种基于荧光传感阵列的肉类新鲜度智能检测方法、系统及介质。


背景技术：

2.在肉类食品腐败过程中，蛋白质在微生物和酶的共同作用下发生分解反应生成包括氨、三甲胺、二甲胺、组胺、腐胺、尸胺等在内的胺类化合物，这些化合物中大部分具有强挥发性，故统称挥发性含氮化合物(tvb-n)，其含量的高低可用来指示肉类的新鲜程度。
3.在众多对tvb-n的检测研究中，光学传感阵列分析技术通过模拟动物嗅觉功能，将传统的从单通道获取单一信息的检测方式拓展为多通道、多维信息的同时获取，能显著提高了识别通量，可为发展肉类腐败过程中多目标分析技术提供新思路。
4.根据光学信号的不同，光学传感器阵列主要可分为比色传感器阵列和荧光传感器阵列两大类。其中，比色传感器阵列已广泛地应用于肉类新鲜度的检测，中国专利cn202010746884.0公开了“一种肉类新鲜度指示阵列、其制备方法及应用”，该方法采用酚红、溴百里酚蓝、间甲酚紫、甲基红等9种酸碱指示剂或卟啉类化合物制备出比色传感阵列，并将其用于检测肉类新鲜度。类似地，中国专利cn201910971265.9公开了“纸基比色型传感阵列标签及其制备方法与应用”，该方法配置了9种不同比例的酚红-溴甲酚绿敏感指示剂，制备出比色型传感器阵列标签并用于鱼肉新鲜度的检测。上述方法虽然能获得一个较好的效果，但所采用的指示剂均具有一定的毒性，在实际使用的过程中会存在潜在的安全隐患，不是制备食品智能标签的理想材料。因此，目前研究会更多地考虑采用天然色素代替化学合成指示剂用于制备比色传感阵列用于肉类新鲜度的检测。比如在中国专利cn202111568540.6“一种鱼肉新鲜度指示比色阵列的制备方法及应用”中，该比色阵列所采用的指示剂则是花青素、姜黄素和甜菜红，制作比色阵列的聚合物均为食品级，但是天然色素相比于化学合成染料，容易受到外界因素影响，稳定性差、着色力低且成本高。另外，无论是采用化学合成指示剂还是天然合成指示剂，在检测肉类新鲜度的过程中，除对挥发性胺类物质响应外，还对包装环境中的co2、硫化氢、醛类物质、醇类物质等响应，是一种非特异性识别，从而使得比色传感阵列的灵敏性降低且响应慢。
5.相比于比色传感器阵列，荧光传感器的应用范围则更为广泛且更具优势，原因如下：(1)荧光传感器阵列灵敏度更高，荧光信号作为一种光致发光信号相对于吸收信号对待测物浓度的微小变化会更为敏感；(2)荧光信号通道更为丰富、可提供激发、发射光谱、荧光偏振等多种通道，而比色传感器阵列往往是单通道输出；(3)荧光传感器材料的选取相对于比色传感器更为丰富，不仅有多种经典的荧光团可以修饰调控，还有大量的纳米荧光材料可供选择。因此采用荧光传感阵列检测肉类新鲜度有很大的应用前景。
6.目前，荧光传感阵列在肉类新鲜度检测也有相关的报道，如田颜清等人将姜黄素及其类似物进行改性构建了一个多色荧光传感器阵列，用于监测虾的新鲜度(sensor and actuators b:chemical,2022,367,132153)。类似地，bahram hemmateenejad等人利用不同
的封闭剂制备了四种环铂化(ii)配合物和八种金属团簇，所制备的荧光传感纸基阵列可区分7种浓度范围在5～100ppm的胺类气体(sensor and actuators b:chemical,2021,334,129582)。虽然上述研究对腐败标志物检测都有较好的准确性，但所使用阵列的模式识别算法仍然局限于传统的多元统计分析方法，即聚类算法(层聚类分析、主成分分析、线性判别分析等)和分类算法(支持向量机、随机森林、k近邻等)。这类算法仅在处理小样本数据集时会有良好的效果，当处理多维度、复杂、数据量庞大的数据集时，传统的聚类和分类算法则无法满足分析的要求，尤其是在处理多维度和信号通道丰富的荧光传感阵列时。另外，应用上述算法还需对阵列的特征信息进行手工提取和筛选，这无疑会带来人为误差以及不便利性，因此需要探究更为方便、快捷、功能更为强大的模式识别算法以满足荧光传感阵列在肉类新鲜度检测过程中快速、智能、准确的要求。


技术实现要素：

7.本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于荧光传感阵列的肉类新鲜度智能检测方法、系统及介质。
8.为了达到上述目的，本发明采用以下技术方案：
9.本发明的一个方面，提供了一种基于荧光传感阵列的肉类新鲜度智能检测方法，其特征在于，包括下述步骤：
10.制备荧光传感阵列指示标签；
11.将荧光传感阵列指示标签与肉类反应，拍摄、标注，得到带有新鲜度标签的荧光传感阵列标签图片数据集，构建并训练肉类新鲜度智能检测模型；
12.利用荧光传感阵列指示标签与训练好的肉类新鲜度智能检测模型对待测肉类进行新鲜度检测。
13.作为优选的技术方案，所述制备荧光传感阵列指示标签，具体为：
14.将能与生物胺类物质响应的荧光物质溶解于溶剂中，制备成荧光指示剂；
15.将疏水薄膜裁剪出多个传感器响应区域，将纸基材料粘贴于两张疏水薄膜之间，形成具有隔绝传感单元互相影响功能的荧光阵列传感标签基底；
16.采用人工点样的方法将荧光指示剂滴加到所述荧光阵列传感标签基底的响应区域后干燥，即得荧光传感阵列指示标签。
17.作为优选的技术方案，所述将能与生物胺类物质响应的荧光物质包括ph敏感型荧光物质、生物胺类响应型荧光物质、硫化氢响应型荧光物质、醛类响应型荧光物质、醇类响应型荧光物质、醚类响应型荧光物质、烷烃类响应型荧光物质以及co2响应型荧光物质；所述疏水薄膜包括有机薄膜类基材、无纺布/绒布类基材、泡棉类基材、金属类基材以及复合基材；所述的响应区域形状包括圆形、正方形、三角形、菱形及其组合。
18.作为优选的技术方案，还包括利用制备得到的荧光传感阵列指示标签检测肉类挥发性腐败标志物气体，进行可行性验证，具体为：
19.根据气体扩散公式计算不同气体浓度挥发性腐败标志物气体所需的体积，将荧光传感阵列标签粘贴于密闭容器中与不同浓度的挥发性腐败标志物气体进行反应，在紫外条件下拍摄并捕获标签的颜色变化，根据颜色欧式距离公式，计算荧光传感阵列前后颜色变化值δe，并根据δe的大小区分不同种类以及不同浓度的挥发性腐败标志物，从而验证所
制备的荧光传感阵列在检查肉类腐败过程的可行性；
20.所述挥发性腐败标志物气体包括生物胺类、硫化氢、醛类、醇类、醚类、烷烃类以及co2；
21.所述气体扩散公式具体为：
[0022][0023]
其中，v
μl
为反应液体积、d
mg/
为反应液密度、w为反应液质量分数、m
g/mol
为反应液摩尔分数、v
l
为容器体积；
[0024]
所述颜色变化，采用颜色的欧式距离δe变化：
[0025][0026]
其中δr、δg、δb分别为反应前后的r、g、b颜色通道的差值。
[0027]
作为优选的技术方案，所述将荧光传感阵列指示标签与肉类反应，拍摄、标注，得到带有新鲜度标签的荧光传感阵列标签图片数据集具体为：
[0028]
将荧光传感阵列指示标签粘贴在保鲜盒内部顶端，与新鲜肉类存放于恒温恒湿箱中，在紫外条件下实时获取传感阵列的数字图像，并根据国标gb5009.228—2016规定的理化指标对生鲜肉类进行tvb-n标准值测定，并对图像进行标注上新鲜度等级标签以及tvb-n含量标签，得到带有标签的荧光传感阵列图像数据集。
[0029]
作为优选的技术方案，所述肉类新鲜度智能检测模型包括肉类新鲜度评估模型以及肉类tvb-n含量预测模型，具体为：
[0030]
将带有标签的荧光传感阵列图像数据集进行预处理，除去噪声，归一化处理，并设置批处理大小，根据所分类类别设置分类器标签，然后基于迁移学习思想，将图像输入到由imagenet数据库预训练好的深度卷积神经网络，经优化模型参数后得到肉类新鲜度评估模型；
[0031]
重复上述步骤，建立基于深度卷积神经网络的肉类tvb-n含量预测模型，与肉类新鲜度评估模型不同是，肉类tvb-n含量预测模型是利用荧光传感阵列图片所标注的tvb-n标准值而非类别信息进行训练；
[0032]
将待测荧光传感阵列图片分别输入肉类新鲜度评估模型以及肉类tvb-n含量预测模型，分别输出对生鲜肉类新鲜度类别以及tvb-n含量的预测结果。
[0033]
本发明的另一个方面，还提供了一种基于荧光传感阵列的肉类新鲜度智能检测系统，应用于上述的基于荧光传感阵列的肉类新鲜度智能检测方法，包括荧光传感阵列指示标签制备模块、模型构建及训练模块，以及肉类新鲜度检测模块；
[0034]
所述标签制备模块用于制备荧光传感阵列指示标签；
[0035]
所述模型构建及训练模块用于将荧光传感阵列指示标签与肉类反应，拍摄、标注，得到带有新鲜度标签的荧光传感阵列标签图片数据集，构建并训练肉类新鲜度智能检测模型；
[0036]
所述肉类新鲜度检测模块用于利用荧光传感阵列指示标签与训练好的肉类新鲜度智能检测模型对待测肉类进行新鲜度检测。
[0037]
本发明的另一个方面，还提供了一种存储介质，存储有程序，所述程序被处理器执
行时，实现上述的基于荧光传感阵列的肉类新鲜度智能检测方法。
[0038]
本发明与现有技术相比，具有如下优点和有益效果：
[0039]
(1)相比于比色传感阵列，本发明所制备的荧光传感阵列具有更高的灵敏度，对生物胺类气体浓度的微小变化更为敏感，响应速度快，检测范围更广，并且阵列中的每种指示剂能同时指示肉类新鲜度状态，荧光信号通道更为丰富，可从多维度判断肉类的新鲜度。
[0040]
(2)本发明基于迁移学习的思想，利用多种预训练好的深度卷积神经网络算法对荧光阵列信息图像进行特征进行提取并构建肉类新鲜度定性识别模型，无需手动提取特征且能减少训练时间。所得模型均能够实现快速、准确的判别肉类腐败程度以及对tvb-n含量进行预测，为荧光传感阵列的模式识别过程提供了一种新思路。
附图说明
[0041]
图1为本发明实施例基于荧光传感阵列的肉类新鲜度智能检测方法的流程示意图；
[0042]
图2为本发明实施例2的步骤1中所制备的铜纳米团簇的紫外可见吸收光谱和荧光发射、激发光谱；
[0043]
图3为本发明实施例2的步骤2中所制备的荧光传感阵列标签按实施例2的步骤3中方法与不同气体浓度的生物胺类气体(氨气、三甲胺、二甲胺)响应结果图；
[0044]
图4为本发明实施例2的步骤2中所制备的荧光传感阵列按实施例2的步骤3中方法与不同气体浓度的腐败标志物气体(氨气、三甲胺、二甲胺)响应后的欧式距离变化图；
[0045]
图5为本发明实施例2的步骤2中所制备的荧光传感阵列标签在牛肉储藏过程中的荧光颜色变化图；
[0046]
图6为本发明实施例2的步骤4中所述基于最佳分类模型(resnet-50)的预测集混淆矩阵图；
[0047]
图7为本发明实施例2的步骤4中所述基于最佳回归模型(vgg-19)的预测值与真实值分别图；
[0048]
图8为本发明实施例3的对比例1中单一荧光传感单元标签与不同浓度氨气反应后荧光颜色欧式距离变化图；
[0049]
图9为本发明实施例3的对比例2中基于荧光素传感阵列标签与不同浓度氨气反应后荧光颜色欧式距离变化图；
[0050]
图10为本发明实施例3的对比例3中所制备的荧光传感阵列新鲜度指示标签在牛肉储藏过程中荧光颜色的欧式距离变化与牛肉tvb-n变化。
[0051]
图11是本发明实施例基于荧光传感阵列的肉类新鲜度智能检测系统的结构示意图；
[0052]
图12是本发明实施例的存储介质的结构示意图。
具体实施方式
[0053]
为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没
有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0054]
近年来，计算机技术，尤其是人工智能的发展为我们提供了便捷、准确和高效地检测肉类新鲜等级的可能。深度学习模型在多个领域得到了非常广泛的应用，卷积神经网络因其强大的图像特征提取能力在图像识别与分类应用十分广泛，对于荧光传感阵列而言，阵列上的每种传感器在肉类腐败过程都会产生响应的荧光信号的变化，也即所采集的荧光图像信息在不同的腐败阶段会有明显的变化。若捕捉到这些图像变化，即可知道所测样品的新鲜度，因此选择合适的模式识别算法就显得尤其的重要，而具有强大图像特征提取能力和分析能力的深度学习在荧光传感阵列模式识别过程中则会显示出巨大的优势。另外，随着迁移学习概念的提出，当自建数据集规模较小时，可以利用预训练模型初始权重，在浅层网络上有效提取图像的通用特征，从而能更高效地对图像进行识别与分类。因此，本发明通过结合基于迁移学习的深度学习技术和基于生物胺类物质响应的荧光物质复合所组成的荧光阵列来完成对肉类制品腐败过程中新鲜度等级的特异性识别与tvb-n含量的预测，该技术对于保障食品安全具有重要的意义。
[0055]
实施例1
[0056]
如图1所示，本实施例提供了一种基于荧光传感阵列的肉类新鲜度智能检测方法，包括以下步骤：
[0057]
s1、制备荧光传感阵列指示标签；
[0058]
s1.1、通过合成或购买多种能与生物胺类物质响应的荧光物质，并将其溶解于合适的溶剂中，将其中一种或两两复合制备成多种荧光指示剂；
[0059]
更进一步的，所述的荧光物质为包括：ph敏感型荧光物质、生物胺类响应型荧光物质、硫化氢响应型荧光物质、醛类响应型荧光物质、醇类响应型荧光物质等。
[0060]
s1.2、将疏水薄膜裁剪出多个大小合适的传感器响应区域，然后将纸基材料粘贴于两张疏水材料之间，使形成具有隔绝传感单元互相影响能力的荧光阵列传感标签基底；采用人工点样的方法将上述制备好的荧光指示剂添加到传感阵列基底的响应区域后，放置于烘箱中干燥，即可得到荧光传感阵列指示标签。
[0061]
更进一步的，所述的疏水薄膜包括聚四氟乙烯、涤纶、聚氯乙烯、聚丙烯、碳纤维薄膜等；所述的响应区域形状包括圆形、正方形、三角形、菱形及其组合；所述阵列响应区域面积为3～5cm2；所述阵列响应区域为8～25个；所述的纸基材料种类包括滤纸、棉纸、有机微孔滤膜、聚酰胺薄膜等；所述的荧光指示剂滴加量为80～100μl；干燥温度为30～50℃；干燥时间为20～40min。
[0062]
s2、利用荧光传感阵列指示标签检测肉类挥发性腐败标志物气体，进行可行性验证；
[0063]
根据气体扩散公式(公式1)计算不同浓度、种类的挥发性腐败标志物气体所需的体积，然后将荧光传感阵列指示标签分别放置在密闭容器中与不同浓度、种类的挥发性腐败标志物气体进行反应，并通过智能手机在紫外灯激发下拍摄标签的颜色变化，以欧式距离(公式2)指标衡量荧光传感阵列颜色的变化，从而验证制备得到的荧光传感阵列指示标签对肉类挥发性腐败标志物气体的检测的可行性，具体为：如图4所示，当腐败类气体浓度超过20ppm的时候，与三种气体反应后荧光阵列颜色变化(δe)值已经有较大差别。另外，随着气体浓度的增加，三条δe变化曲线的变化趋势是不重合的，因此可根据δe值的大小来
区分不同浓度以及不同种类的腐败气体。最后，由于δe值代表着阵列的颜色变化程度，意味着值越大，颜色变化越明显，当δe值超过15时，是可被肉眼所观察到，阵列的颜色在发生变化。
[0064]
更进一步的，所述的挥发性腐败标志物气体为生物胺类、硫化氢、醛类、醇类等；挥发性腐败标志物气体浓度均为5～500ppm；密闭容器体积为3～5l；反应时间为15～30min。
[0065]
更进一步的，所述不同气体浓度的挥发性腐败标志物计算公式(1)为：
[0066][0067]
其中：v
μl
‑‑‑
反应液体积、d
mg/
‑‑‑
反应液密度、w
‑‑‑
反应液质量分数、m
g/mol
‑‑‑
反应液摩尔分数、v
l
‑‑‑
容器体积。
[0068]
更进一步的，所述颜色变化为采用颜色的欧式距离δe变化：
[0069][0070]
其中δr、δg、δb分别为反应前后的r、g、b颜色通道的差值。
[0071]
s3、将荧光传感阵列指示标签与肉类反应，拍摄、标注，得到带有新鲜度标签的荧光传感阵列标签图片数据集，构建并训练肉类新鲜度智能检测模型，所述肉类新鲜度智能检测模型包括肉类新鲜度评估模型以及肉类tvb-n含量预测模型；
[0072]
s3.1、将制备的荧光传感阵列新鲜度指示标签粘贴在透明保鲜盒内部的顶端，与新鲜肉类存放于恒温恒湿箱中，随着肉类储藏期的延长，所产生的tvb-n也随储藏天数的增加而增加，荧光阵列传感标签上各传感单元的颜色也相应的发生变化，通过智能手机在紫外条件下可实时获取传感阵列的数字图像，再根据国标gb5009.228—2016规定的理化指标对生鲜肉类进行tvb-n标准值测定后，对图像进行标注新鲜度类别信息以及tvb-n含量信息，从而得到带有新鲜度标签的荧光传感阵列标签图片数据集。
[0073]
更进一步的，所述恒温恒湿箱温度设置为4℃、10℃、28℃。
[0074]
s3.2、将收集到的图片信息进行预处理，除去噪声，归一化处理后输入预训练好的深度卷积神经网络，并提前设置批处理大小，分类器标签。在设置模型迭代次数、初始学习率、模型评估指标后，经模型参数优化好后即可得到肉类新鲜度评估模型。
[0075]
更进一步的，所述深度卷积神经网络为alexnet、vggnet-16、vggnet-19、resnet-30、resnet-50、googlenet等；所述模型迭代次数30～100次；所述初始学习率0.0001～0.001；所述学习率优化方法为指数衰减动态调整或指定间隔；所述模型参数优化为sgd优化器或adam梯度下降算法；所述模型评估指标为训练集、测试机和验证集的损失和准确率以及混淆矩阵。
[0076]
s3.3、使用步骤s3.3中训练好的深度卷积神经网络模型，输入待测荧光传感阵列图片，经训练好的卷积神经网络模型提取特征之后，通过决策函数可输出模型对生鲜肉类新鲜度等级的预测结果。
[0077]
s3.4、重复s3.1～s3.3步骤，建立基于深度卷积神经网络的肉类tvb-n含量预测模型，与新鲜度分类模型不同是，荧光阵列图片所标注的是tvb-n标准值而非类别信息。
[0078]
s3.5、使用步骤s3.4中训练好的卷积神经网络模型，输入带有标注tvb-n标准值的荧光阵列图片，模型提取特征之后，通过决策函数输出模型对生鲜肉类中tvb-n含量的预测
结果。
[0079]
更进一步的，每张图片都会标注两个信息，一个是tvb-n含量，一个是根据tvb-n含量大小划分三类的新鲜度等级，在s3.3、s3.4训练卷积神经模型的时候，输入的都是同一张照片，唯一不同的就是最后一层的分类器不一样，其训练过程类似，只是参数的设置不一样，评价指标不一样。最终肉类新鲜度智能检测模型是包括了两个模型，tvb-n含量预测模型输出tvb-n信息，肉类新鲜度评估模型输出类别信息。
[0080]
s4、利用荧光传感阵列指示标签与训练好的肉类新鲜度评估模型对待测肉类进行新鲜度检测。
[0081]
实施例2
[0082]
由于金属纳米团簇因具有尺寸小、光稳定性好、stokes位移大、制备条件温和以及无毒无害等优点，是一种非常有潜力成为制备荧光传感器的材料用于检测肉类的新鲜度，因此本实施例采用金属纳米团簇、荧光染料以及两者复合的方式制备出与能与胺类物质有不同响应程度的荧光指示剂，并以此制备荧光传感阵列，图1为荧光传感阵列的制备、检测、应用流程示意图。
[0083]
步骤1：荧光传感指示剂的制备
[0084]
铜纳米团簇(cuncs)通过d-青霉胺(dpa)在酸性条件下作为模板和还原剂还原cu
2+
形成au-s键而得到。将100μl(0.4mol/l)的cu(no3)2·
3h2o溶液加入到40ml(0.01mol/l)的dpa溶液当中，在35℃搅拌下，逐滴滴加1mol/l的hcl溶液使前驱液的ph达到4.5，在该条件下继续搅拌1h后，将反应液以8000rpm离心10min，去除未反应的dpa溶液，真空冷冻干燥后得到荧光铜纳米团簇；最后，将0.2g铜纳米团簇溶于25ml的水溶液中，0.2g的荧光素(异硫氰酸荧光素、7-羟基香豆素、罗丹明6g、荧光素、4,4
’‑
双(2-磺基苯乙烯基)联基二钠、吖啶黄素)溶于100ml的乙醇溶液中，分别按表1中体积比混合搅拌均匀后即可得到9种荧光传感指示剂。
[0085]
编号指示剂组成指示剂配比1异硫氰酸荧光素100％27-羟基香豆素100％3dpa-cuncs100％4dpa-cuncs@异硫氰酸荧光素75:15dpa-cuncs@7-羟基香豆素150:16dpa-cuncs@罗丹明6g375:17dpa-cuncs@4,4
’‑
双(2-磺酸苯乙烯基)联基二钠600:18dpa-cuncs@荧光素100:19dpa-cuncs@吖啶黄素100:1
[0086]
表1.荧光传感指示剂配比表
[0087]
通过紫外可见光谱、荧光光谱及光学性能进行表征。结果如图2所示，合成的铜纳米团簇固体在可见光下显示灰白色，在紫外灯下发出较强的红光。从紫外可见光谱图可见，dpa-cuncs的紫外吸收曲线没有任何金属粒子的表面等离子共振吸收峰，说明了合成的铜纳米团簇没有较大粒径的金属纳米粒子等副产物的生成；从荧光光谱图上可知，dpa-cuncs在667nm处有较强的荧光发射峰。综上，cuncs具有良好的荧光性质。
[0088]
步骤2：荧光传感阵列指示标签的制备
[0089]
利用打孔器将两张4cm
×
4cm的黑色正方形碳纤维疏水材料打出9(3
×
3)个直径为8mm圆形传感器响应区域，然后将同样为4cm
×
4cm的正方形棉纸基底粘贴于两张碳纤维疏水材料之间，使其形成具有隔绝传感单元互相影功能的荧光阵列传感标签基底；采用人工点样的方法将100μl荧光指示剂滴加到传感基底的响应区域后，放置于40℃烘箱中干燥30min，即可得到荧光传感阵列新鲜度指示标签。
[0090]
步骤3：验证制备的荧光传感阵列指示标签用于检测肉类挥发性腐败标志物气体的方法的可行性。
[0091]
以检测生物氨类气体为例，根据气体扩散公式(公式1)计算5、20、50、100、300、500ppm等生物胺类物质(氨气、三甲胺、二甲胺)所需的体积，将荧光传感阵列标签放置于5l密闭容器中与不同浓度的生物胺类物质进行反应15min后，通过智能手机在紫外条件下拍摄并捕获标签颜色的欧式距离δe变化(公式2)，以此探究荧光阵列智能标签能否检测不同浓度、种类的生物胺类物质以及能否应用于牛肉新鲜度检测。
[0092]
由图3可知，荧光传感阵列标签能与不同种类、浓度的氨气、三甲胺、二甲胺发生响应，随气体浓度的不断增大，反应更加充分，即颜色变化更为明显。由图4可知，该荧光传感阵列标签能区分三种不同的生物胺类物质，并且δe均大于15，即颜色变化明显，肉眼可区分。
[0093]
步骤4：荧光传感阵列指示标签结合深度学习应用于生鲜肉类新鲜度的智能检测，包括以下步骤：
[0094]
(1)将从市场购买回来的新鲜牛肉，吸干牛肉表面的水分后，取35g牛肉作为实验样品并放置于500ml透明保鲜盒内；将荧光传感阵列粘贴于包装盒内部顶端；在28℃恒定温度下，将装有牛肉和荧光传感阵列的保鲜盒放置36h,每隔2h通过智能手机，在紫外激发下对荧光传感阵列标签进行拍摄，所拍摄的照片长宽比保持在2:1，然后随机抽取3盒牛肉按照国标gb5009.228—2016规定的理化指标对牛肉进行tvb-n标准值测定。根据3盒牛肉tvb-n标准值得平均值对所拍摄荧光传感阵列照片标注上牛肉tvb-n标准值以及新鲜度等级信息(tvb-n《15mg/100g视为新鲜样品，15mg/100g≤tvb-n《20mg/100g视为次新鲜样品，tvb-n≥20mg/100g视为腐败样品，从图5可知，根据此标准该阵列标签可有效区分牛肉不同的新鲜度等级。将标签进行标注后即可得到带有新鲜度标签的荧光阵列传感标签图片数据集，将图像数据集按照3:1:1的比例划分为训练集、验证集、测试集。
[0095]
(2)将收集到的图片信息(约3000张图片)进行预处理，除去由于包装盒在紫外条件下发出背景蓝色荧光，并将图片转化为448
×
224
×
3的矩阵格式，并将其做归一化处理。
[0096]
将处理好的数据集分别输入以下深度卷积网络进行训练，设置参数和选择优化参数的方法：
[0097]
利用在imagenet预训练完成的alexnet权重对网络参数初始化。模型迭代次数为30，初始学习率设置为0.01，采用指数衰减策略动态调整学习率，优化器sgd。得到基于荧光传感阵列的牛肉新鲜度评估模型，记为alexnet。
[0098]
利用在imagenet预训练完成的vgg-16和vgg-19权重对网络参数初始化。模型迭代次数为30，初始学习率0.001，为特征提取模块设置的初始学习率为0.0001，使用指定间隔的学习率动态调整策略加快模型训练，采用adam梯度下降算法优化训练过程中的模型参
数。得到基于荧光传感阵列的牛肉新鲜度评估模型，记为vgg-16和vgg-19。
[0099]
利用在imagenet预训练完成的restnet-30和resnet-50权重对模型参数初始化。模型迭代次数为20，权重的初始学习率设置为0.01，选择sgd作为优化器。得到基于荧光传感阵列的牛肉新鲜度评估模型，记为restnet-30和resnet-50。
[0100]
以上模型均采用训练集、测试集、验证集的准确率和损失来衡量模型性能的高低以及混淆矩阵来衡量分类预测的准确性。
[0101]
(3)使用步骤(2)中训练好的alexnet、vgg-16、vgg-19、resnet-30、resnet-50卷积神经网络模型，输入待测的荧光传感阵列图片，经训练好的卷积神经网络模型提取特征之后，通过决策函数输出模型对牛肉新鲜度及其类别的预测结果。
[0102]
由图6混淆矩阵可知，最佳模型(resnet-50)在测试集中准确率可以达到0.985，能准确的识别出不同新鲜度等级的牛肉。
[0103]
(4)重复(1)～(3)步骤，建立基于alexnet、vgg-16、vgg-19和resnet-50的生鲜肉类tvb-n含量预测模型，与分类模型不同是，荧光阵列图片所标注的是tvb-n标准值而非类别信息。
[0104]
以训练集、测试集和验证集的均方根误差(rmse)和模型的决定系数(r2)来衡量tvb-n预测模型的性能。
[0105]
(5)使用步骤(4)中训练好的卷积神经网络模型，输入带有标注tvb-n标准值的荧光传感阵列图片，待模型提取特征之后，通过决策函数分别输出模型对待测牛肉样品中tvb-n含量的预测结果。
[0106]
由图7可知，最佳tvb-n预测模型(vgg-19)对预测集样本的均方根误差(rmsep)为1.89mg/100g，回归系数(r2)可达0.9596。
[0107]
实施例3
[0108]
本实施例提供了3种不同新鲜度荧光标签的检测效果作为对比，具体如下：
[0109]
对比例1
[0110]
单一传感单元新鲜度荧光标签的制备：配置8g/l dpa-cuncs水溶液，取100μl滴加到实施例2中所制备的标签基底后，放置于40℃烘箱中干燥30min，即可得到基于dpa-cuncs的单一传感单元的新鲜度荧光智能指示标签。按实施例2的步骤3中方法对不同浓度氨气气体进行检测，结果如图8所示，基于单一传感单元的新鲜度荧光标签的荧光颜色随氨气浓度的增大，欧式距离变化也随着增大，但所变化的区间小于实施例2的步骤3中所制的荧光传感阵列标签，且变化程度小，可说明单一传感单元荧光变化并不能完全、准确指示牛肉储藏期内的新鲜度变化以及tvb-n含量的变化。这是因为单一传感单元新鲜度荧光标签只有1个响应区域，而不是如上述实施例由多个响应区域组成阵列标签，由于阵列中多个的响应区域对不同物质响应程度不一样，而荧光阵列存在着交叉响应效应，使得响应区域之间互相验证，可应用于多种且复杂的物质检测。另外，所设计的传感单元对目标分析物的特异性要求不高，具有一定的通用性，并且随着模式识别算法的不断更新迭代，多维度多信息的荧光阵列标签能进一步提高预测肉类新鲜度的准确性。
[0111]
对比例2
[0112]
基于荧光染料的新鲜度荧光阵列标签的制备：配置0.2g/l荧光素(异硫氰酸荧光素、7-羟基香豆素、罗丹明6g、4,4
’‑
双(2-磺酸苯乙烯基)联基二钠、吖啶黄素、荧光素)乙醇
溶液，取100μl滴加到实施例2的步骤2中所制备的标签基底后，放置于40℃烘箱中干燥30min，即可得到基于商用荧光素的新鲜度荧光阵列标签。按实施例2的步骤3中方法对不同浓度氨气进行检测，结果如图9所示，基于荧光素所制备的荧光阵列能一定程度上指示牛肉的新鲜度，但随氨气浓度的增加，荧光阵列的欧式距离变化缓慢，即可说明该阵列不能指示储藏后期新鲜度的变化，主要是由于阵列上存在几种不与tvb-n发生特异性结合或者随环境中ph变化而变化的荧光素。
[0113]
对比例3
[0114]
采用实施例2的步骤2中所得新鲜度荧光阵列智能标签用于检测牛肉的新鲜度，与实施例2的步骤4不同是，本例采用荧光阵列中9种荧光传感器在牛肉储藏期中颜色的欧式距离变化δe与tvb-n含量变化进行线性拟合，进而通过荧光传感阵列颜色的欧式距离变化预测牛肉新鲜度的度变化，如图10所示，采用颜色的欧式距离变化与tvb进行拟合优度为0.75，可见该方法对tvb-n预测精度有所下降。
[0115]
实施例4
[0116]
如图11所示，在本实施例中，提供了一种基于荧光传感阵列的肉类新鲜度智能检测系统，该系统包括标签制备模块、模型构建及训练模块，以及肉类新鲜度检测模块；
[0117]
所述标签制备模块用于制备荧光传感阵列指示标签；
[0118]
所述模型构建及训练模块用于将荧光传感阵列指示标签与肉类反应，拍摄、标注，得到带有新鲜度标签的荧光传感阵列标签图片数据集，构建并训练肉类新鲜度智能检测模型；
[0119]
所述肉类新鲜度检测模块用于利用荧光传感阵列指示标签与训练好的肉类新鲜度智能检测模型对待测肉类进行新鲜度检测。
[0120]
在此需要说明的是，上述实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，该系统是应用于上述实施例的基于荧光传感阵列的肉类新鲜度智能检测方法。
[0121]
实施例5
[0122]
如图12所示，在本实施例中，还提供了一种存储介质，存储有程序，所述程序被处理器执行时，实现上述实施例的基于荧光传感阵列的肉类新鲜度智能检测方法，具体为：
[0123]
制备荧光传感阵列指示标签；
[0124]
将荧光传感阵列指示标签与肉类反应，拍摄、标注，得到带有新鲜度标签的荧光传感阵列标签图片数据集，构建并训练肉类新鲜度智能检测模型；
[0125]
利用荧光传感阵列指示标签与训练好的肉类新鲜度智能检测模型对待测肉类进行新鲜度检测。
[0126]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0127]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。