Ein Anwendungsfall der CHNSpec FS-13 Hyperspektralkamera bei der nicht zerstörenden Detektion von Aminosäuren in lebenden Fischen

Eine in „Food Research International“ veröffentlichte Studie nutzte die hyperspektrale Bildgebungstechnologie im sichtbaren/nahen Infrarot, um eine zerstörungsfreie Vorhersage des Muskelaminosäuregehalts in lebenden Karpfen zu erreichen. Diese Studie wurde gemeinsam von der Shanghai Ocean University, der Chinesischen Akademie der Fischereiwissenschaften und anderen Einheiten durchgeführt. Als Kernerkennungsausrüstung wurde die Hyperspektralkamera FS-13 (FigSpec FS-13) von CHNSpec Technology verwendet. Xiajun Qi, ein Ingenieur von CHNSpec Technology, war maßgeblich an der Forschung beteiligt und stellte einen neuen technischen Weg für die Echtzeitbewertung der Ernährungsqualität lebender Fische bereit.

I. Forschungshintergrund und Nachweisanforderungen
Die Aminosäurezusammensetzung von Fischfleisch ist ein wichtiger Indikator zur Messung seines Nährwerts und Handelswerts. Obwohl herkömmliche Nachweismethoden (z. B. Hochleistungsflüssigkeitschromatographie) genau sind, sind sie destruktiv – der Fisch kann nach dem Nachweis nicht weiter verkauft oder für die selektive Zucht verwendet werden. Für Anwendungsszenarien, die die Aufrechterhaltung des Lebendstatus von Fischen erfordern, wie z. B. Präzisionsfütterung, Nährwertbewertung und Elternselektion, fehlte der Branche lange Zeit ein schnelles, zerstörungsfreies Online-Erkennungstool.

Der Ausgangspunkt dieser Studie liegt in der Frage: Können Fischschuppen als „Fenster“ für Spektralsignale dienen? Kann Nahinfrarotlicht die Schuppen und die Haut von Fischen durchdringen und Informationen über die chemische Zusammensetzung vom Muskel zurück zum Detektor übertragen? Wenn dies möglich ist, wird das Problem der Ernährungserkennung lebender Fische grundsätzlich gelöst.

II. Experimentelles Protokoll und Kernausrüstung
Das Forschungsteam sammelte zwei Populationen von Karpfen aus verschiedenen Jahren und unterschiedlichen Gewichtsklassen, insgesamt 481 lebende Fische. Jeder Fisch wurde zunächst kurz mit dem Anästhetikum MS222 betäubt und die Oberfläche der Schuppen im Rückenflossenbereich vorsichtig mit saugfähigem Papier getrocknet. Anschließend wurde die Hyperspektralkamera FS-13 von CHNSpec Technology (Spektralbereich 400–1000 nm, spektrale Auflösung 2,5 nm) verwendet, um Hyperspektralbilder des Rückenflossenbereichs der Schuppen zu erfassen. Der interessierende Bereich für jede Probe umfasste 200 x 200 Pixel, wobei jedes Pixel Spektralinformationen über 300 Bänder enthielt.

Anschließend wurde eine Probenahme an der entsprechenden Stelle des Rückenmuskels durchgeführt und der tatsächliche Gehalt an 17 Aminosäuren zur Modellierung und Validierung durch Hochleistungsflüssigkeitschromatographie bestimmt.

III. Modellkonstruktion und Vorhersageeffekte
Die Forscher verglichen fünf Modelle: Partial Least Squares Regression (PLSR), Least Squares Support Vector Machine (LS-SVM), Extreme Learning Machine (ELM), Random Forest (RF) und Backpropagation Artificial Neural Network (BP-ANN). Die Modellierung wurde unter Verwendung von Vollbandspektralsignalen (400–1000 nm) durchgeführt und die R²-Werte verschiedener Modelle in den Trainings- und Vorhersagesätzen lagen im Allgemeinen über 0,95.

Unter diesen zeigte das BP-ANN-Modell für die meisten Aminosäuren relativ stabile Vorhersageeffekte. Im unabhängigen Validierungssatz (181 Fische aus verschiedenen Jahren und verschiedenen Zuchtumgebungen) überstiegen die Validierungs-R²-Werte des BP-ANN-Modells alle 0,777. Der Validierungs-R² für die drei Aminosäuren mit dem höchsten Gehalt – Glutaminsäure, Asparaginsäure und Lysin – erreichte 0,848, 0,858 bzw. 0,858. Die Studie ergab außerdem, dass nach dem Ersetzen der gesamten Banden durch charakteristische Wellenlängen (ausgewählt durch den CARS-Algorithmus) die Verbesserung der Vorhersagegenauigkeit begrenzt war (der durchschnittliche R² erhöhte sich um etwa 0,013), was darauf hindeutet, dass Aminosäure-bezogene Spektralinformationen weit verbreitet sind.

IV. Schlüsselfaktoren, die die Genauigkeit beeinflussen
Die Studie untersuchte systematisch den Einfluss von sechs Faktoren auf die Vorhersagegenauigkeit und die Ergebnisse zeigten, dass die Heterogenität der Stichprobenpopulation der wichtigste Faktor war, der die Genauigkeit beeinflusste. Als das Modell auf unabhängige Populationen aus unterschiedlichen Jahren und Gewichten angewendet wurde, verringerte sich der durchschnittliche R² um etwa 0,182. Dies kann mit Unterschieden in der Verteilung des Aminosäuregehalts zwischen den beiden Populationen zusammenhängen (z. B. war der Median der meisten Aminosäuren in der ersten Population deutlich höher als in der zweiten Population). Trotzdem behielt das BP-ANN-Modell in heterogenen Populationen immer noch eine akzeptable Genauigkeit (R² > 0,777) bei.

Im Gegensatz dazu hatten Modelltyp, Aminosäuretyp, Wellenlängenauswahlmethode, Fischkörpergewicht und Körperlänge weniger Einfluss auf die Genauigkeit (durchschnittliche R²-Variation weniger als 0,103). Nach der Einteilung der Fische in obere, mittlere und untere Gruppen nach Körpergewicht betrug der durchschnittliche Unterschied im R² für das BP-ANN-Modell beispielsweise nur 0,076 (bei Verwendung charakteristischer Wellenlängen). Dies weist darauf hin, dass das Spektralsignal hauptsächlich durch die biochemische Zusammensetzung des Muskels und nicht durch einfache physikalische Größenstreuungseffekte bestimmt wird.

Hinsichtlich der charakteristischen Wellenlängen wählte der CARS-Algorithmus empfindliche Banden für Glutaminsäure und Lysin aus, die in den Bereichen 516–584 nm, 707–738 nm, 828–834 nm und 939–1032 nm konzentriert waren. Diese Regionen sind mit den Obertönen und Kombinationsfrequenzen von CH-Bindungen, OH-Bindungen und NH-Bindungen verbunden, was die Machbarkeit einer Wechselwirkung von Nahinfrarotlicht mit Aminosäuremolekülen im Muskel nach dem Durchdringen der Schuppen bestätigt.

V. Räumliche Verteilung und Anwendungswert
Mithilfe der Spektralinformationen jedes Pixels der Hyperspektralkamera FS-13 kartierte das Forschungsteam die Heatmap-Verteilung des gesamten Aminosäuregehalts im gesamten lebenden Fischkörper. Die Ergebnisse zeigten, dass der Gesamtaminosäuregehalt im Muskel des Unterkiefers, der Brustflosse und des Bauches relativ hoch war, während der im Rückenflossenbereich und im Schwanz relativ niedrig war. Diese Verteilung entspricht den funktionellen Unterschieden der Muskelfasertypen (roter Muskel und weißer Muskel) in verschiedenen Teilen – die Brustflosse und der Bauch werden von langsam zuckenden oxidativen roten Muskeln dominiert, wo der Proteinstoffwechsel aktiver ist. Diese Heatmap kann Verbrauchern eine visuelle Referenz zur Auswahl von Teilen mit hohem Nährwert bieten.

Die Hyperspektralkamera CHNSpec FS-13 gepaart mit Deep-Learning-Algorithmen hat den technischen Engpass bei der zerstörungsfreien Erkennung von Aminosäuren in lebenden Wasserprodukten erfolgreich überwunden und ein leichtes, praktisches Erkennungswerkzeug für Präzisionsaquakultur und hochwertiges Screening von Wasserprodukten bereitgestellt. Mit der kontinuierlichen Verbesserung der Modelldatenbank und der Entwicklung tragbarer Geräte kann diese Lösung in Zukunft weiter auf eine Vielzahl von Süßwasser- und Meeresfischarten ausgeweitet werden und so der Wasserindustrie dabei helfen, sich in Richtung Intelligenz, Standardisierung und Nährwertvisualisierung zu verbessern.

Produktempfehlung: FigSpecFS-13 Hyperspektralkamera (Zeilenscan)

• Spektralbereich: 400–1000 nm
• Spektrale Auflösung: 2,5 nm
• Spektralbänder: 1200
• Raumpixel: 1920