基于此，本研究提出了一种连系近红外光谱取深度进修的无损检测方式，用于实现中华绒螯蟹肌肉中生物胺的快速预测取质量分级，为螃蟹新颖度的智能化评价供给理论根据和手艺支持。研究成果表白，正在中华绒螯蟹肌肉检测出6种生物胺，此中腐胺和尸胺正在冷藏过程中显著添加，取历程亲近相关。深度进修模子CNN-LSTM-SE对腐胺、尸胺、组胺、色胺的预测机能优异，R2值均高于0。84且RMSE小于2。0。按照质量指数，中华绒螯蟹被分为新颖（fresh）、可接管（acceptable）和变质（spoiled）三个质量品级，且螃蟹身后正在8±1℃下储存跨越24 h被认为因为过度而不适合食用。CNN-LSTM-SE模子对变质蟹的识别精确率达到了100%，较着优于CNN、LSTM和保守机械进修模子。这项研究证了然近红外光谱和深度进修正在评估中华绒螯蟹新颖度方面的潜力，为水产物的智能监测供给了贵重的东西。将来的工做将侧沉于提高模子的可注释性和泛化性，实现可移植和及时摆设，并将其使用扩展到其他和相关化合物，以智能监测海产质量量和平安。

　　中华绒螯蟹（Eriocheir sinensis）做为我国主要的特色水产物，因其风味奇特和养分丰硕正在消费市场广受青睐。但正在贸易畅通中常因“死蟹不成食”的不雅念导致资本华侈。已有研究表白，正在适宜前提下灭亡螃蟹仍具食用价值，因而亟需对其灭亡后的品量变化进行系统监测，以兼顾食物平安取资本操纵。生物胺（BAs）是评价水产物鲜度取的主要目标，但现有色谱、荧光及酶学方式耗时、性强且操做繁琐，难以满脚快速、比拟之下，近红外光谱（NIR）具有快速、无损和环保劣势，但其数据特征复杂，保守算法难以充实化析。正在此布景下，深度进修（deep learning）凭仗端到端（end-to-end）特征提取和强大的模式识别能力，已正在多范畴展示出优胜机能。

　　图 1 。 分歧期间中华绒螯蟹肌肉中BAs和NIR光谱的变化。（A-G）：PUT、CAD、HIS、TRY、SPD、SPE、QI含量变化；（H）：原始光谱；（I）：代表性光谱。蓝点和红点别离代表锻炼集和测试集数据（A-F）。分歧字母（a-h）暗示组间差别有统计学意义（p 0。05）（A-G）。