水产品货架期预测模型的研究进展

史 策,钱建平,韩 帅,杨信廷*,刘寿春

(北京农业信息技术研究中心,国家农业信息化工程技术研究中心,农产品质量安全追溯技术及应用国家工程实验室,北京 100097)

摘 要:水产品货架期预测的研究为监测和控制水产品安全提供了理论基础。水产品是一类极易腐败变质的产品,利用货架期预测可以对水产品贮藏、运输、销售等流通环节下的品质进行及时监控,从理论上预测水产品剩余货架期。本文分析了影响水产品货架期的主要因素,包括微生物作用、水产品化学反应、水产品物理变化以及环境温度的作用等;提出了2 种水产品货架期的建模思路;并总结了几类常用水产品货架期预测模型(基于水产品品质损失的动力学模型、基于温度变化的模型、基于统计学的模型和人工神经网络模型等);最后分析了水产品货架期预测目前存在的问题,为未来研究提供思路。

关键词:水产品;货架期;建模思路;预测模型

水产品主要指鱼类、甲壳类、贝类、藻类、头足类等新鲜品或其加工制品[1]。2015年,我国新鲜水产品产量已达到6 699万 t,居世界首位[2]。水产品营养丰富、味道鲜美,含有丰富的蛋白质和多种不饱和脂肪酸,增加水产品的食用,有利于丰富和改善膳食结构,提高营养水平和国民健康素质。随着人们收入水平和对水产品营养价值认识水平的普遍提高,水产品人均消费量也逐年提高。由于水产品具有水分含量高、蛋白质含量丰富、肉质细腻等特点,死后极易发生腐败变质及脂肪的氧化劣变。据不完全统计,我国水产品于物流环节上的损失率惊人。因此,及时监控和预测水产品贮藏过程中的新鲜度和货架期,能够有效降低物流环节水产品的损失,具有十分重要的意义。

1993年,国际食品科学技术学会对货架期进行了定义:货架期是指食品经过加工和包装后,在确定贮藏条件下产品的保持时间;在这个期限内食品必须是安全的,且保持期望的感官、物理、化学、微生物的特性和功能性,同时与标签上的营养信息相一致[1]。通常根据食品的微生物、物理化学和感官指标分别评价微生物货架期[3]、物理化学货架期和感官货架期[4-5]。最终,产品的货架期反映理想贮藏条件下各方面作用(物理化学、微生物等)对产品品质的综合影响。目前食品货架期的概念不仅适用于加工和包装后的食品,也适用于生鲜类食品,包括肉类产品、水产品、水果等。然而传统货架期的测定面临很多问题:一方面,虽然传统包装加工食品在稳定贮藏环境下其货架期是恒定的,但生鲜类食品的货架期却不能准确的提前预知。这主要由于食品的初始微生物菌落、物理、化学性质及感官值不同,导致货架期之间存在差异。为了及时掌握此时生鲜类食品的品质和货架期结果,需要对产品进行相关检测,不仅费时费力,而且检测结果具有滞后性,并不能达到及时预知的效果;另一方面,由于冷链物流发展滞后,食品在生产、运输、销售、贮存等各个环节中,可能会受到冷链过程影响从而导致食品的贮藏环境发生波动,例如温度、氧气含量、湿度等,而食品品质受贮藏环境影响较大,这些都会导致最终货架期的改变[6]。由于不能对货架期进行及时预知和实时监控,肉类、水产品、水果蔬菜在流通环节的腐败率极高,造成极大资源浪费,进而造成我国农产品及相关食品产业的发展受到流通过程的严重影响[7]

在水产品流通过程中通过动态监测水产品的温度波动和品质变化情况,建立微生物、理化指标、感官评价等与影响水产品货架期各个因素之间的预测模型,准确及时地预测流通过程中水产品货架期,标识出水产品真实的质量和安全性,才能最大程度地减少水产品不正当处理的风险[8-9]。因此,将数学预测模型应用于预测水产品货架期具有十分重要的意义。本文从影响水产品货架期的因素、水产品货架期的建模思路、常用的水产品货架期预测模型3 个方面进行了阐述,介绍近年来国内外关于水产品货架期预测模型的研究,为水产品在生产、运输、销售、贮存等流通环节货架期的预测提供理论参考。

1 影响水产品货架期的主要因素及水产品品质变化

水产品与畜禽类相比是一类高度易腐败变质的产品,货架期较短。其货架期受多种因素影响,主要分为内因和外因2 个部分。内因主要指水产品本身的性质,包括pH值、水分活度、酶活性、组成成分、水产品种类、初始微生物群等;外因主要指水产品生长、捕捞、生产、运输、销售、贮存过程中的外界环境因素,例如水体质量、捕捞季节、捕获方式、环境温度、分割和包装过程等[10-12]。其中,生产、运输、销售、贮存过程中的温度被认为是影响食品腐败变质的最重要因素[8]。通过内因、外因的共同作用,水产品从化学、物理、微生物、感官等方面发生了变化,导致蛋白质、脂肪、糖类被分解,微生物大量繁殖,鱼体逐渐变软,色泽发生变化,并逐渐产生鱼腥臭味,最终达到货架期终点。不同水产品发生变化时其特征品质指标是不同的,因此,选择合适的监控指标是构建准确货架期预测系统的基本步骤。

1.1 影响水产品货架期的主要因素

1.1.1 微生物的作用

微生物存在于鱼体的体表、鳃、皮肤黏膜、消化道等部位。当鱼体死后,附着在鱼体上的腐败微生物迅速繁殖,导致鱼体的腐败变质,鱼体组织被分解,产生代谢产物,鱼体逐渐变软,导致感官、风味鲜度下降。目前大量研究发现,鲜活水产品的腐败是一小部分微生物生长繁殖引起的,不同种类微生物的腐败机理各不相同,因此若要了解、控制水产品的微生物变化,必须了解导致水产品腐败的微生物,即特定腐败菌的变化。研究发现鲜活鱼类附着的微生物大多属低温微生物,特定腐败菌主要是弧菌科等发酵型革兰氏阴性菌,低温冷藏并不能防止微生物的繁殖;冷藏条件下革兰氏阴性菌假单胞菌和希瓦氏菌等是主要的特定腐败菌;真空或者气调包装条件下特定腐败菌是磷发光杆菌、乳酸菌和肠杆菌[13-14];其次水产品在捕获后至加工、流通环节,还可能受到环境中病原微生物和腐败微生物的二次污染[15]。因此,微生物是引起水产品腐败变质的主要原因之一,特定腐败菌的选择对水产品货架期的准确预测十分重要。

1.1.2 温度的作用

温度是影响水产品货架期的重要因素,不同加工和贮藏温度条件下水产品的品质和货架期有显著差异。大量研究表明贮藏温度的降低能够有效延缓水产品品质的下降,显著延长水产品货架期。0~4 ℃贮藏条件下水产品的货架期一般为4~10 d,而低于0 ℃水产品货架期可超过10 d。苏辉等[16]研究了冷藏(4 ℃)、微冻(-3 ℃)和冻藏条件下(-18 ℃)鲳鱼的货架期,发现货架期分别为4~6 d、16~20 d和大于60 d,-18 ℃显著抑制了微生物的繁殖、挥发性盐基氮(total volatilebasic nitrogen,TVB-N)值的增长、pH值的变化速率和巯基含量的下降;Song Yongling等[17]研究发现武昌鱼在冷藏和微冻条件下货架期分别为10、33 d,微冻条件下抑制了微生物的生长和核苷酸的降解速率;汤元睿等[18]研究了在冷链物流过程中波动温度对金枪鱼品质及组织形态的影响,发现金枪鱼在波动温度条件下相比恒温条件下品质及组织形态显著劣变,温度波动次数越多,鱼肉的感官越差、持水力下降越大,同时色泽发生褐变、质构特性下降。温度的高低及变化对水产品微生物生长繁殖、酶活性、蛋白质脂肪变性和感官品质等的影响十分明显。因此,研究水产品贮藏过程中温度对品质及货架期的影响具有重要意义。

1.2 水产品品质变化

1.2.1 化学反应

水产品死后,体内迅速发生一系列生化反应。随着体内氧气逐渐减少,体内糖原逐渐分解,ATP逐渐降解,pH值逐渐下降,其肌肉中的组织水解酶发生酶解反应,蛋白质逐渐分解为氨基酸,随后被分解为氨、三甲胺、硫化氢、吲哚及尸胺等[19];水产品中的脂肪也受脂肪酶的作用发生水解,生成醛、醇、酮等化合物[20]。这些变化导致腐败加快,货架期缩短。

1.2.2 物理和感官变化

水产品中各种生化反应的发生及微生物的作用对水产品的食用品质即物理特性及感官造成了影响。丹麦学者Anderson于2000年提出肉品的食用品质主要涉及色泽、风味、嫩度、多汁性等[21]。由于蛋白质不断被分解,导致质构特性即硬度、弹性、咀嚼性、恢复性逐渐下降,发生汁液流失,持水力逐渐减小[22];同时,水产品的色泽也逐渐发生变化[23-24]。除此之外,水产品的风味也逐渐发生变化,风味是由气味和滋味两部分组成。水产品死后,微生物作用及氧化作用使水产品生成胺类、酸类物质、羰基化合物和醇类及含硫化合物等挥发性物质,产生腥臭味[25];滋味主要由呈味物质体现,呈味物质即含氮成分(游离氨基酸、多肽、核苷酸、核酸类化合物、有机酸、三甲胺、氧化三甲胺及尿素等)和非含氮成分(有机酸和糖类),随贮藏过程逐渐释放,导致水产品滋味改变[25-26]。物理特性及感官值的显著下降导致水产品逐渐失去食用价值。

2 水产品货架期预测模型的建模思路

数学模型是由一系列输入数据得到输出数据的公式构成的,它的构建主要提供3 个目标:认识、预测和控制。水产品货架期预测模型的构建是以特定环境下水产品微生物生长繁殖、化学反应、物理变化为基础,通过研究水产品微生物、理化指标、感官特性的变化及消费者拒绝阈值确定货架期终点,选择合适的数学模型,建立相应的货架期预测模型。得知水产品初始的品质指标后,不需要进行传统的分析检测,可快速对水产品货架期和安全性作出评估,实现对水产品剩余货架期的预测。目前研究的水产品货架期预测的建模思路主要分为2 种[27]。一种是基于传统的食品品质损失、微生物变化的动力学,依据水产品劣变时品质和微生物的变化机理,发现其某个品质变化规律、劣变速率变化符合某个数学公式或方程,通过实验对方程的参数进行修正,得到相应的品质和微生物变化动力学方程,进而对其货架期进行预测,例如Arrhenius方程、Gompertz方程、Square-root方程等。此类方法有助于研究者了解所研究的水产品发生的物理、化学、微生物等变化,缺点是由于需要考虑生物体机理和微生物变化,在环境条件不稳定情况下有一定误差。另外一种不考虑食品品质劣变机理的具体过程,如化学反应速率、微生物繁殖速率加快等,仅通过各变量数据之间的相关性分析水产品特定环境与品质变化之间的关系,例如人工神经网络模型等。此种方法不仅适用于恒温条件下食品货架期的预测,针对温度波动、条件不稳定情况下货架期的预测也可通过不断地拟合数据,达到良好的预测效果,但根据这种方法建立的模型适用范围较窄。

3 水产品货架期预测模型的类型

根据以上2 种水产品货架期预测的建模原理,本文主要总结了几类常用的水产品货架期预测模型,分别是基于水产品品质损失的动力学模型、基于温度变化的模型、基于统计学的模型、人工神经网络模型和TTT(time-temperature-tolerance)理论。

3.1 基于水产品品质损失的动力学模型

3.1.1 微生物预测模型

水产品品质变化的主要原因是微生物的生命活动,通过研究特定环境条件下(环境温度、贮藏时间、pH值、水分活度等)水产品微生物的生长、存活和死亡,构建一系列在环境条件下微生物生长和衰亡的模型,依据模型判断水产品中微生物的生长繁殖状态,可预测水产品的剩余货架期。由于水产品的腐败是一小部分微生物生长繁殖引起的,目前微生物预测模型主要根据导致水产品腐败的特定腐败菌的变化来建立。最早应用的预测模型是1920年提出的用于预测不同加热时间和温度条件下微生物失活的模型——Bigelow模型。目前国际上学者将预测微生物模型分为3 类,分别是初级模型、二级模型和三级模型(表1)[28]。初级模型主要描述微生物与时间的关系,常用的模型有修正的Gompertz方程、Logistic模型。张璐等[29]应用修正的Gompertz方程和平方根模型建立了0~15 ℃贮藏条件下多宝鱼优势腐败菌微生物动态模型,准确预测了0~15 ℃贮藏条件下多宝鱼的剩余货架期。二级模型用于描述环境因素对微生物生长的影响,其中环境因素主要是内因(pH值、水分活度等)和外因(环境温度、气体构成等),常用的模型主要有Arrhenius方程、Square-root方程等。Tsironi等[30]采用修正的Arrhenius方程建立了0、5、10、15 ℃和不同水分活度下金头鲷鱼片中假单胞菌(Pseudomonas spp.)的生长速率方程,通过方程准确预测了假单胞菌的生长状态及金头鲷鱼片的剩余货架期;Pang Yuhsin等[31]采用二阶多项式模型拟合不同环境温度、不同抑菌剂浓度和气调包装下鲶鱼片中铜绿假单胞杆菌(Pseudomonas pudita)的迟滞期和鲶鱼片的剩余货架期,预测迟滞期与实测迟滞期具有良好的相关性,准确预测了鲶鱼片的剩余货架期。三级模型是将初级模型和二级模型与计算机结合起来的计算机程序,三级模型也被称为专家模型,通过程序可计算不同环境下微生物的活动。除此之外,三级模型还可考虑外污染源、病原菌和微生物的数量、培养基和环境因素(例如pH值、水分活度、温度、有机酸等)的影响[32-33]。例如:西班牙的学者开发的FISHMAP,能够根据温度和CO2浓度的变化建立微生物的最大比生长速率模型,丹麦的学者建立的FSSP(food spoilage and safety prediction),能够同时考虑多种环境因素对微生物生长的影响[34];中国水产科学院东海水产研究所开发的用于罗非鱼品质控制的FSLP(f i sh shelf life predictor)[35]

水产品中特定腐败菌是导致水产品腐败的重要原因,因此模拟特定腐败菌生长特性的微生物预测模型在水产品剩余货架期研究中有广泛的应用。但微生物预测模型也有一定不足,一是水产品中通常有多种特定腐败菌混合生长,菌群之间有一定的交互作用;二是水产品的加工方式等对腐败菌生长也有影响。这些都会导致预测模型的准确度下降。

表1 常用模型分类[36]
Table 1 Predictive microbiology odel classif i cation[36]

3.1.2 化学反应动力学预测模型

水产品中的化学反应是水产品品质变化的基础,通过研究生鲜水产品和水产食品贮藏、流通过程中品质损失的机理,确定影响水产品货架期终点的关键指标,例如酸价、过氧化值、鲜度指标K值、色泽、感官值等,建立相应的货架期预测模型。化学反应动力学主要研究反应物在反应过程中转变为另一种物质的过程,包括反应速率以及反应机理[39]。在不考虑环境因素影响的情况下,大多数水产品质量损失符合品质函数(式(1)、(2)):

式中:A为可定量的、期望的品质指标;B为不期望的品质指标;k、k’为反应速率常数;n、n’为反应级数。下同。

不同的反应级数为不同的函数表达式:

式中:t为时间/min;A0为当t=0 min时品质指标的初始值。

选择合适的反应级数才能使水产品品质函数准确模拟化学反应的变化,水产品的化学反应一般符合零级、一级或二级反应动力学方程(式(3)~(5))。零级动力学反应方程常用于描述生成物是小部分前体物质的生成反应,或仅生成小部分生成物的分解反应等;Hong Hui等[5]发现鳙鱼贮藏过程中感官值、TVB-N值、菌落总数和K值的变化符合零级反应动力学方程;林琳等[40]研究小黄鱼干常温贮藏下品质变化,发现一级反应动力学方程可描述小黄鱼干常温贮藏过程中菌落总数、酸价、过氧化值的变化;Zhang Lina等[41]同样发现草鱼的品质指标即感官评价、菌落总数、K值、TVB-N值的变化符合一级反应动力学方程;加热条件下三文鱼中VB1的降解变化符合二级反应动力学方程[42]。由于食品品质函数没有考虑环境因素的影响,仅简单描述理想环境化学反应的变化规律,在水产品货架期预测中实用性及准确性有限,因此应用上有一定局限性。

3.2 基于温度变化的模型

加工温度和贮藏温度是影响水产品货架期的重要外因之一,加工和贮藏温度条件的不同对水产品货架期的影响十分显著。其次,温度波动也会对水产品品质造成很大的影响。因此,采用模型及时监测多种温度下水产品的货架期具有实用性和简便性,无需进行传统检测就可快速对不同温度条件下水产品剩余货架期进行预测。通常用来描述温度对水产品品质变化的影响所采用的预测模型有Arrhenius模型、Q10模型和Z值模型等。

3.2.1 Arrhenius模型

1889年阿伦尼乌斯受范特霍夫方程的启发,提出了描述反应速率常数与温度关系的经验方程——Arrhenius方程[43]

式中:k0为指前因子(也称为频率因子),物理意义是指所有分子都有足够的反应能量时(Ea=0 kJ/mol)的反应速率常数;Ea为活化能/(kJ/mol),从ln k与1/T的线性回归方程求得;R为摩尔气体常数,8.3144 J/(mol·K);T为温度/℃;k为温度T时的反应速率常数。

温度升高,水产品化学反应的反应速率随之增大,反应加快。Arrhenius模型可用于描述温度变化对反应速率的影响,且在温度范围不大的情况下具有良好的精准性[44]。因此,被广泛应用于研究水产品贮藏环境中生化反应的变化及货架期的预测。为了更好地描述环境因素影响下水产品化学反应的变化规律,通常将Arrhenius方程与食品品质函数结合,表达不同温度条件下水产品的品质劣变、成分分解等品质指标的变化,求得各品质指标的活化能,建立基于不同加工或贮藏温度的水产品货架期预测模型[42,45]。奚春蕊[46]联合一级反应动力学方程-Arrhenius方程建立了金枪鱼0、4、8 ℃条件下K值和高铁肌红蛋白含量的货架期预测模型;Yao Lei等[47]建立了冷藏条件下鲫鱼货架期预测模型,鲫鱼的K值、电导率、菌落总数和感官值变化符合一级反应动力学方程,Arrhenius方程较好地拟合了-3、0、3、9、12 ℃条件下各品质指标的变化速率,联合一级反应动力学方程-Arrhenius方程建立各品质指标反应动力学模型,并通过综合考虑鲫鱼贮藏过程中各品质指标的变化,判定鲫鱼剩余货架期;Kong Fanbin等[42]研究了100、111、121、 131 ℃加热条件下三文鱼品质变化,通过零级反应动力学方程-Arrhenius方程建立了三文鱼色泽(亮度、红度)变化预测模型,二级反应动力学方程-Arrhenius方程建立了三文鱼剪切力变化预测模型,都具有较好的拟合精度。

Arrhenius方程通过与反应动力学结合,可更好地描述不同温度条件下水产品化学反应的变化规律,因此,反应动力学-Arrhenius方程结合的模型被广泛应用于研究水产品贮藏环境下生化反应的变化及货架期的预测。

3.2.2 Q10模型

Q10模型是指当温度升高10 ℃时,反应速率为原来速率的倍数或货架期的变化率[48]

式中:Qs为货架期/d;T为温度/℃。

Q10模型一般与Arrhenius模型结合使用:

借助Arrhenius模型求出相差10 ℃的活化能Ea,通过综合感官评定和理化指标,判断货架期终点后,得到Q10预测模型。佟懿等[49]通过电子鼻研究鲳鱼货架期预测模型发现,通过引起气味变化的切分点来选择温度范围,运用Q10模型建立的预测模型能够很好地对剩余货架期进行预测。

对比Arrhenius模型与Q10模型发现,Q10模型为经验方程,预测温度范围较小,其次需借助Arrhenius模型求出Ea,导致Q10模型应用范围有限。

3.2.3 Z值模型

Z值模型与Arrhenius模型都是反映温度对反应速率的影响,Z值模型是杀菌过程中微生物致死的动力模型,指孢子对数的降低与时间的关系呈线性的;而Arrhenius模型主要代表微生物的理想生长状态,在杀菌致死过程微生物的变化不符合理想状态的生长,因此描述杀菌致死预测常用Z值模型[50]

3.3 基于统计学的模型

3.3.1 Weibull危害分析法

对于食品来说,感官评价是判断食品货架期的重要因素,尤其对于新鲜水产品,仅用微生物生长理化变化衡量剩余货架期十分片面。在贮藏过程中微生物、理化指标并未超标,然而感官评价值已达到拒绝值,这种情况通常采用生存分析方法对水产品货架期进行研究。Weibull危害分析法(Weibull hazard analysis,WHA)是生存分析方法中的一种。

1937年Waloddi Weibull创造性的提出了威布尔分布,它是用于失效数据分析分布中应用最广泛的分布之一,也用于寿命数据分析[51]。1975年,Gacula等[52]在理论上验证了食品失效时间分布服从Weibull模型,由此诞生了一种全新的预测食品货架期的方法,即威布尔危险值分析法,被广泛应用于牛奶、燕麦、乳酪等货架期预测。WHA根据感官实验数据可准确预测水产品货架期,而且还能在统计学理论上掌握水产品发生失效的可能性。然而,由于WHA对感官评价人员的专业知识和实验技能要求更高,对采样量及感官评价人员人数需求更大,其次不能对理化或微生物检测结果进行分析,一定程度上限制了该方法的应用[53-54]

有学者将WHA与水产品微生物和品质变化预测模型结合使用,综合判断基于温度影响的货架期终点。戴阳军等[55]研究微波速冻草鱼片微生物的控制,发现菌落总数的分布符合Weibull分布,可通过WHA预测草鱼片微生物的生长。目前,将WHA与水产品微生物和品质变化结合的应用研究较少。

3.3.2 最小二乘法

最小二乘法同样也是一种基于统计的方法,是处理和分析测量数据的一种经典方法,能够根据测量数据确定未知参数,获得最佳的函数关系式[56]

偏最小二乘法被称为第二代回归方法,集合了多元线性回归分析、典型分析和主成分分析的功能,是一种多元统计数据分析方法[57]。在应用过程中可消除随机成分或噪音、提高模型的相关系数、降低均方误差,能够得到稳定性较高的预测模型[58]。Bonilla等[59]以感官评价值作为预测货架期的变量,采用偏最小二乘法建立冰藏条件下鳕鱼片的剩余货架期预测模型;谢雯雯等[60]采用偏最小二乘法分别建立了基于近红外光谱技术的鳙鱼、鲢鱼、草鱼鱼肉新鲜度的分析模型。

偏最小二乘法通常与快速检测技术结合,例如电子鼻、近红外光谱技术等,通过偏最小二乘法研究检测数据之间的函数关系,建立偏最小二乘法回归模型,其在基于快速检测的水产品货架期预测的应用比较广泛。

3.4 人工神经网络

人工神经网络是一种具有人工智能的数学方法,通过模拟人脑的功能进行运算[61]。近年来,广泛应用在水产品货架期预测领域。与其他模型相比,人工神经网络模型能够综合各个品质指标对货架期进行评价,而不是根据单一的品质指标片面判断货架期。并且不需要提前考虑参数之间的关系,通过对已知数据的反复学习,调整变量之间的权重,构建神经网络预测模型。目前应用于水产品货架期预测的人工神经网络主要有反向传播(back-propagation,BP)人工神经网络,径向基人工神经网络等。Siripatrawan等[62]研究了气调包装条件下鲍鱼的感官和生化变化,基于人工神经网络建立的预测模型准确预测了鲍鱼的鲜度变化;人工神经网络还可描述不同处理和加工工艺下鱼糜的品质变化,建立鱼糜品质预测模型[63];Liu Xiaochang等[64]基于BP人工神经网络和Arrhenius方程同时建立冷藏条件下虹鳟鱼品质预测模型,结果发现人工神经网络模型相比Arrhenius方程能够更准确地预测贮藏过程中虹鳟鱼的品质变化。

由于人工神经网络可从大量数据中反复自学习从而提高模型预测准确性,目前被广泛应用于水产品品质及货架期预测。虽然人工神经网络模型预测精度更高,但所需要的用于训练、验证及预测的数据量较大,并且与传统动力学相比,从神经网络本身得不到任何语义信息,需要后续加以解释说明。

3.5 TTT理论

大多数预测模型只能描述恒定温度下水产品的剩余货架期,然而水产品流通过程中环境温度的波动都是不可避免的,迫切需要能够描述波动温度条件下水产品货架期的预测模型。TTT理论为我们解决了这个问题,该理论总结了冻结食品的品质保持所容许时间与温度之间存在的关系,指出冻结食品在流通过程中由时间、温度经历所引起的品质降低是累积的、不可逆的,与所经历的顺序无关[65]。水产品预测可借鉴TTT理论对冷链流通过程中水产品的品质进行预测。将水产品流通过程中所经历的温度-时间变化进行记录,计算各个阶段的品质降低,通过叠加后得到最终水产品品质的变化程度,然后对剩余货架期进行预测[66]。目前,有些学者通过该理论预测建立了动态温度条件下水产品的品质或货架期预测模型,Koutsoumanis等[67]将海鲷鱼变温过程分成几个恒温段,建立海鲷鱼每个恒温段微生物生长的预测模型,求得每个恒定温度段微生物的生长情况,对海鲷鱼变温条件下剩余货架期进行预测;Giannoglou等[68]根据冷冻水产品贮藏过程中时间-温度变化曲线建立了货架期预测方程,能够对冷链中水产品品质及货架期进行良好的预测;郭全友等[69]根据不同温度条件下微生物相对腐败速率不同建立了变温下货架期预测模型,验证结果表明,能够快速有效地预测0~25 ℃变温条件下大黄鱼的品质。

TTT理论能够用于建立描述波动温度条件下水产品货架期的预测模型,为冷链流通过程中货架期的预测提供了思路。但由于该理论的应用需要对流通过程中的温度进行实时监控,目前该理论在水产品货架期预测的应用较少。

4 结 语

水产品货架期预测对水产品的品质和安全具有重要的意义。通过对流通环节中水产品各个指标的变化和货架期信息的积累,了解水产品关键控制点,对研究水产品品质控制和保鲜技术都具有重要作用。随着研究的逐渐深入,水产品货架期预测逐渐从理论性研究朝准确性和应用性研究发展,任何预测失误都关乎未来整个产业的发展及公共健康,在真正应用于实践之前都要保证一定程度的准确性和可靠性。实现准确性和应用性的前提是模拟水产品实际流通环境,因此,准确反映水产品理化和感官变化的特征指标和在多种环境中(非恒温、CO2浓度变化等)水产品货架期的预测仍是研究热点。当前水产品货架期预测中较为成熟的预测系统是基于微生物建立的预测模型,例如:FISHMAP、FSSP系统等。2013年,第8届食品预测模型国际会议举办的预测微生物学与风险评估软件展销会建立学者与食品部门之间的交流和联系,进一步改进预测软件,考虑模型参数的可变性和多样性;其次,不少学者将预测模型与快速检测设备、智能检测技术结合并通过将实测结果与预测结果相互对应,互相验证预测结果的准确性及模型的可行性[70-72];为了更好地持续监控从生产到消费过程中贮藏条件对水产品品质和安全性的影响,一些学者着眼研究水产品货架期预测应用于智能包装系统等[68]。这些都为水产品货架期预测提供了新的思路。

参考文献:

[1] 刘宝林. 食品冷冻冷藏学[M]. 北京: 中国农业出版社, 2010: 242.

[2] 农业部渔业渔政管理局. 中国渔业统计年鉴[M]. 北京: 中国农业出版社, 2016: 23.

[3] 宋志强, 刘超群, 侯温甫. 草鱼鱼整片品质变化研究及货架期预测[J].食品工业, 2013, 34(9): 123-127.

[4] SHI Ce, LU Han, CUI Jianyu, et al. Study on the predictive models of the quality of silver carp (Hypophthalmichthys molitrix) fi llets stored under variable temperature conditions[J]. Journal of Food Processing and Preservation, 2014, 38(1): 356-363. DOI:10.1111/j.1745-4549.2012.00783.x.

[5] HONG Hui, LUO Yongkang, ZHU Sichao, et al. Establishment of quality predictive models for bighead carp (Aristichthys nobilis) fi llets during storage at different temperatures[J]. International Journal of Food Science and Technology, 2012, 47(3): 488-494. DOI:10.1111/ j.1365-2621.2011.02868.x.

[6] 潘治利, 黄忠民, 王娜, 等. BP神经网络结合有效积温预测速冻水饺变温冷藏货架期[J]. 农业工程学报, 2012, 28(22): 276-281. DOI:10.3969/j.issn.1002-6819.2012.22.038.

[7] 王金伟. 上海农产品冷链物流发展研究[D]. 大连: 大连海事大学, 2013: 8-11.

[8] KOUTSOUMANIS K, STAMATIOU A, SKANDAMIS P, et al. Development of a microbial model for the combined effect of temperature and pH on spoilage of ground meat, and validation of the model under dynamic temperature conditions[J]. Applied and Environmental Microbiology, 2006, 72(1): 124-134. DOI:10.1128/ AEM.72.1.124-134.2006.

[9] KOUTSOUMANIS K, TAOUKIS P S, NYCHAS G. Development of a safety monitoring and assurance system for chilled food products[J]. International Journal of Food Microbiology, 2005, 100(1): 253-260. DOI:10.1016/j.ijfoodmicro.2004.10.024.

[10] 陈炳卿, 刘志诚, 王茂起. 现代食品卫生学[M]. 北京: 人民卫生出版社, 2001: 618.

[11] 汪勋清, 哈益明, 高美须. 食品辐照加工技术[M]. 北京: 化学工业出版社, 2004: 162.

[12] 杨寿清. 食品杀菌和保鲜技术[M]. 北京: 化学工业出版社, 2005: 87.

[13] 李琳, 潘子强. 水产品特定腐败菌的确定及生长模型建立研究进展[J]. 食品研究与开发, 2011, 32(6): 152-156. DOI:10.3969/ j.issn.1005-6521.2011.06.045.

[14] CORRY J E, JARVIS B, PASSMORE S, et al. A critical review of measurement uncertainty in the enumeration of food microorganisms[J]. Food Microbiology, 2007, 24(3): 230-253. DOI:10.1016/ j.fm.2006.05.003.

[15] 陈奖励, 何昭阳, 赵文. 水产微生物学[M]. 北京: 农业出版社, 1993: 526.

[16] 苏辉, 谢晶, 黎柳, 等. 不同温度下鲳鱼品质及微观组织的变化研究[J].现代食品科技, 2014, 30(8): 106-111.

[17] SONG Yongling, LUO Yongkang, YOU Juan, et al. Biochemical, sensory and microbiological attributes of bream (Megalobrama amblycephala) during partial freezing and chilled storage[J]. Journal of the Science of Food and Agriculture, 2012, 92(1): 197-202. DOI:10.1002/jsfa.4572.

[18] 汤元睿, 谢晶, 李念文, 等. 不同冷链物流过程对金枪鱼品质及组织形态的影响[J]. 农业工程学报, 2014, 30(5): 285-292. DOI:10.3969/ j.issn.1002-6819.2014.05.036.

[19] 夏松养. 水产食品加工学[M]. 北京: 化学工业出版社, 2008: 32.

[20] 周星宇. 鲐鱼原料及其腌制品的脂肪氧化与组胺控制技术研究[D].宁波: 宁波大学, 2010: 2.

[21] 黄丽娟. 肉品品质的电子舌评价研究[D]. 杭州: 浙江工商大学, 2008: 1.

[22] 林婉玲, 关熔, 曾庆孝, 等. 影响脆肉鲩鱼背肌质构特性的因素[J]. 华南理工大学学报(自然科学版), 2009, 37(4): 134-137. DOI:10.3321/j.issn:1000-565X.2009.04.027.

[23] 尚艳丽, 杨金生, 霍健聪, 等. 运输过程中金枪鱼生鱼片色泽变化的模拟[J]. 食品工业, 2012, 33(11): 60-62.

[24] 郑海波, 宋运猛. 干银鱼贮藏过程中色泽变化动力学研究[J]. 湖北民族学院学报(自然科学版), 2012, 30(4): 435-437.

[25] 高瑞昌, 苏丽, 黄星奕, 等. 水产品风味物质的研究进展[J]. 水产科学, 2013, 32(1): 59-62. DOI:10.3969/j.issn.1003-1111.2013.01.012.

[26] 刘敬科. 鲢鱼风味特征及热历史对鲢鱼风味的影响[D]. 武汉: 华中农业大学, 2009: 10-11.

[27] 陈晓宇, 朱志强, 张小栓, 等. 食品货架期预测研究进展与趋势[J]. 农业机械学报, 2015, 46(8): 192-199. DOI:10.6041/ j.issn.1000-1298.2015.08.026.

[28] WHITING R C, BUCHANAN R L. A classification of models in predictive microbiology-reply[J]. Food Microbiology, 1993, 10(2): 175-177.

[29] 张璐, 侯红漫, 伦成成. 多宝鱼优势腐败菌生长动态模型和货架期预测[J]. 食品科技, 2010, 35(7): 158-162.

[30] TSIRONI T N, TAOUKIS P S. Effect of processing parameters on water activity and shelf life of osmotically dehydrated fish filets[J]. Journal of Food Engineering, 2014, 123: 188-192. DOI:10.1016/ j.jfoodeng.2013.09.020.

[31] PANG Yuhsin, ZHANG Li, ZHOU Siyuan, et al. Growth behavior prediction of fresh catfish fillet with Pseudomonas aeruginosa under stresses of allyl isothiocyanate, temperature and modified atmosphere[J]. Food Control, 2015, 47: 326-333. DOI:10.1016/ j.foodcont.2014.07.030.

[32] ALFARO B, HERNÁNDEZ I, LE MARC Y, et al. Modelling the effect of the temperature and carbon dioxide on the growth of spoilage bacteria in packed fi sh products[J]. Food Control, 2013, 29(2): 429-437. DOI:10.1016/j.foodcont.2012.05.046.

[33] PLAZA-RODRÍGUEZ C, THOENS C, FALENSKI A, et al. A strategy to establish food safety model repositories[J]. International Journal of Food Microbiology, 2015, 204: 81-90. DOI:10.1016/ j.ijfoodmicro.2015.03.010.

[34] TENENHAUS-AZIZA F, ELLOUZE M. Software for predictive microbiology and risk assessment: a description and comparison of tools presented at the ICPMF8 software fair[J]. Food Microbiology, 2015, 45: 290-299. DOI:10.1016/j.fm.2014.06.026.

[35] 杨宪时, 许钟, 郭全友. 养殖鱼类货架期预测系统的设计与评估[J]. 农业工程学报, 2006, 22(8): 129-134. DOI:10.3321/ j.issn:1002-6819.2006.08.027.

[36] MCDONALD K, SUN D. Predictive food microbiology for the meat industry: a review[J]. International Journal of Food Microbiology, 1999, 52(1): 1-27. DOI:10.1016/S0168-1605(99)00126-9.

[37] MCCLURE P J, BLACKBURN C D W, COLE M B, et al. Modelling the growth, survival and death of microorganisms in foods: the UK food micromodel approach[J]. International Journal of Food Microbiology, 1994, 23(3/4): 265-275. DOI:10.1016/0168-1605(94)90156-2.

[38] NYATI H. Survival characteristics and the applicability of predictive mathematical modelling to Listeria monocytogenes growth in sous vide products[J]. International Journal of Food Microbiology, 2000, 56(2): 123-132. DOI:10.1016/S0168-1605(99)00193-2.

[39] 佟懿, 谢晶. 动力学模型预测鲳鱼货架寿命的实验研究[J]. 食品科学, 2009, 30(10): 265-268. DOI:10.3321/j.issn:1002-6630.2009.10.063.

[40] 林琳, 孙媛, 谢超. 动力学模型预测小黄鱼(Pseudoscia polyactis)鱼干常温保藏下的货架期[J]. 海洋与湖沼, 2014, 45(1): 178-182. DOI:10.11693/hyhz20140300073.

[41] ZHANG Lina, LI Xue, LU Wei, et al. Quality predictive models of grass carp (Ctenopharyngodon idellus) at different temperatures during storage[J]. Food Control, 2011, 22(8): 1197-1202. DOI:10.1016/ j.foodcont.2011.01.017.

[42] KONG Fanbin, TANG Juming, RASCO B, et al. Kinetics of salmon quality changes during thermal processing[J]. Journal of Food Engineering, 2007, 83(4): 510-520. DOI:10.1016/ j.jfoodeng.2007.04.002.

[43] 郭子成, 任聚杰, 罗青枝. 物理化学(下册)[M]. 北京: 化学工业出版社, 2013: 136.

[44] 周遗品, 赵永金, 张延金. Arrhenius公式与活化能[J]. 石河子农学院学报, 1993, 32 (4): 76-80.

[45] WU Hua, WANG Zhiying, LUO Yongkang, et al. Quality changes and establishment of predictive models for bighead carp (Aristichthys nobilis) fi llets during frozen storage[J]. Food and Bioprocess Technology, 2014, 7(12): 3381-3389. DOI:10.1007/s11947-014-1340-8.

[46] 奚春蕊. 金枪鱼生鱼片品质变化及快速评价方法建立[D]. 上海: 上海海洋大学, 2013: 22.

[47] YAO Lei, LUO Yongkang, SUN Yunyun, et al. Establishment of kinetic models based on electrical conductivity and freshness indictors for the forecasting of crucian carp (Carassius carassius) freshness[J]. Journal of Food Engineering, 2011, 107(2): 147-151. DOI:10.1016/ j.jfoodeng.2011.06.034.

[48] 蔡燕芬. 食品储存期加速测试及其应用[J]. 食品科技, 2004(1): 80-82. DOI:10.3969/j.issn.1005-9989.2004.01.027.

[49] 佟懿, 谢晶, 肖红, 等. 鲳鱼货架期预测模型的电子鼻评价与研究[J]. 水产学报, 2010, 34(3): 367-374. DOI:10.3724/ SP.J.1231.2010.06587.

[50] 钱和. HACCP原理与实施[M]. 北京: 轻工业出版社, 2006: 261-262. [51] 蒋仁言. 威布尔模型特性、参数估计和应用[M]. 北京: 科学出版社, 1998: 5-15.

[52] GACULA M C, KUBALA J J. Statistical models for shelf life failures[J]. Journal of Food Science, 1975, 40(2): 404-409. DOI:10.1111/j.1365-2621.1975.tb02212.x.

[53] PALAZÓN M A, PÉREZ-CONESA D, ABELLÁN P, et al. Determination of shelf-life of homogenized apple-based beikost storage at different temperatures using Weibull hazard model[J]. LWTFood Science and Technology, 2009, 42(1): 319-326. DOI:10.1016/ j.lwt.2008.03.011.

[54] DUYVESTEYN W S, SHIMONI E, LABUZA T P. Determination of the end of shelf-life for milk using Weibull hazard method[J]. LWTFood Science and Technology, 2001, 34(3): 143-148. DOI:10.1006/ fstl.2000.0736.

[55] 戴阳军, 庄俊茹, 金素云, 等. HACCP体系对微波速冻草鱼片微生物控制[J]. 食品研究与开发, 2011, 32(11): 147-150. DOI:10.3969/ j.issn.1005-6521.2011.11.042.

[56] 张歆, 张小蓟. 测控技术[M]. 西安: 西北工业大学出版社, 2013: 40.

[57] 吴炜, 陶青川. 基于学习的图像增强技术[M]. 西安: 西安电子科技大学出版社, 2013: 165-166.

[58] 尹芳缘, 曾小燕, 徐薇薇, 等. 基于电子鼻的芒果储存时间预测方法研究[J]. 传感技术学报, 2012, 25(9): 1199-1203. DOI:10.3969/ j.issn.1004-1699.2012.09.005.

[59] BONILLA A C, SVEINSDOTTIR K, MARTINSDOTTIR E. Development of quality index method (QIM) scheme for fresh cod (Gadus morhua) fillets and application in shelf life study[J]. Food Control, 2007, 18(4): 352-358. DOI:10.1016/j.foodcont.2005.10.019.

[60] 谢雯雯, 李俊杰, 刘茹, 等. 基于近红外光谱技术的鱼肉新鲜度评价方法的建立[J]. 淡水渔业, 2013, 43(4): 85-90. DOI:10.3969/ j.issn.1000-6907.2013.04.016.

[61] BILA S, HARKOUSS Y, IBRAHIM M, et al. An accurate wavelet neural-network-based model for electromagnetic optimization of microwave circuits[J]. International Journal of RF and Microwave Computer-Aided Engineering, 1999, 9(3): 297-306. DOI:10.1002/ (SICI)1099-047X(199905)9:3<297::AID-MMCE13>3.0.CO;2-W.

[62] SIRIPATRAWAN U, SANGUANDEEKUL R, NARAKAEW V. An alternative freshness index method for modif i ed atmosphere packaged abalone using an artif i cial neural network[J]. LWT-Food Science and Technology, 2009, 42(1): 343-349. DOI:10.1016/j.lwt.2008.06.008.

[63] PETERS G, MORRISSEY M T, SYLVIA G, et al. Linear regression, neural network and induction analysis to determine harvesting and processing effects on surimi quality[J]. Journal of Food Science, 1996, 61(5): 876-880. DOI:10.1111/j.1365-2621.1996.tb10893.x.

[64] LIU Xiaochang, JIANG Yan, SHEN Song, et al. Comparison of Arrhenius model and artificial neuronal network for the quality prediction of rainbow trout (Oncorhynchus mykiss) fillets during storage at different temperatures[J]. LWT-Food Science and Technology, 2015, 60(1): 142-147. DOI:10.1016/j.lwt.2014.09.030.

[65] 华泽钊, 李云飞, 刘宝林. 食品冷冻冷藏原理与设备[M]. 北京: 机械工业出版社, 1999: 116-118.

[66] 傅泽田, 张小栓. 生鲜农产品质量安全可追溯系统研究[M]. 北京:中国农业大学出版社, 2012: 152-154.

[67] KOUTSOUMANIS K. Predictive modeling of the shelf life of fish under nonisothermal conditions[J]. Applied and Environmental Microbiology, 2001, 67(4): 1821-1829. DOI:10.1128/AEM.67.4.1821-1829.2001.

[68] GIANNOGLOU M, TOULI A, PLATAKOU E, et al. Predictive modeling and selection of TTI smart labels for monitoring the quality and shelf-life of frozen seafood[J]. Innovative Food Science and Emerging Technologies, 2014, 26: 294-301. DOI:10.1016/ j.ifset.2014.10.008.

[69] 郭全友, 王锡昌, 杨宪时, 等. 不同贮藏温度下养殖大黄鱼货架期预测模型的构建[J]. 农业工程学报, 2012, 28(10): 267-273. DOI:10.3969/j.issn.1002-6819.2012.10.042.

[70] HASSOUN A, KAROUI R. Front-face fluorescence spectroscopy coupled with chemometric tools for monitoring fi sh freshness stored under different refrigerated conditions[J]. Food Control, 2015, 54: 240-249. DOI:10.1016/j.foodcont.2015.01.042.

[71] 程旎. 基于近红外光谱和机器视觉技术的淡水鱼新鲜度检测方法研究[D]. 武汉: 华中农业大学, 2013: 33-50.

[72] GUOHUA H, LVYE W, YANHONG M, et al. Study of grass carp (Ctenopharyngodon idellus) quality predictive model based on electronic nose[J]. Sensors and Actuators B: Chemical, 2012, 166: 301-308. DOI:10.1016/j.snb.2012.02.066.

Progress in Shelf Life Prediction Models for Aquatic Products

SHI Ce, QIAN Jianping, HAN Shuai, YANG Xinting*, LIU Shouchun
(National Engineering Laboratory for Agri-Product Quality Traceability, National Engineering Research Center for Information Technology in Agriculture, Beijing Research Center for Information Technology in Agriculture, Beijing 100097, China)

Abstract:Studies concerning the shelf life prediction of aquatic products can offer a theoretical foundation for monitoring and controlling the safety of aquatic products. The shelf life prediction of aquatic products, which are highly perishable, enables timely quality monitoring during storage, transportation and sales and prediction of the remaining shelf life. This article elucidates the major factors affecting the shelf life of aquatic products, including microbes and chemical reaction, physical change and environmental temperature. Herein, we put forward two new strategies for establishing shelf life prediction models for aquatic products, and we also summarize several common shelf life prediction models such as kinetic models based on reduced quality of aquatic products, based on temperature change, based on statistical analysis and based on artif i cial neural network. Finally, we discuss the existing problems in the shelf life prediction of aquatic products. We hope that this review will provide references for future research.

Key words:aquatic products; shelf life; modeling solutions; predictive model

DOI:10.7506/spkx1002-6630-201715046

中图分类号:S984

文献标志码:A

文章编号:1002-6630(2017)15-0294-08

引文格式:

史策, 钱建平, 韩帅, 等. 水产品货架期预测模型的研究进展[J]. 食品科学, 2017, 38(15): 294-301. DOI:10.7506/ spkx1002-6630-201715046. http://www.spkx.net.cn

SHI Ce, QIAN Jianping, HAN Shuai, et al. Progress in shelf life prediction models for aquatic products[J]. Food Science, 2017, 38(15): 294-301. (in Chinese with English abstract)

DOI:10.7506/spkx1002-6630-201715046. http://www.spkx.net.cn

收稿日期:2016-07-26

基金项目:北京市自然科学基金项目(6174040);北京市农林科学院青年科研基金项目(QNJJ201720);“十三五”国家重点研发计划重点专项(2016YFD0401205)

作者简介:史策(1989—),女,助理研究员,博士,研究方向为农产品质量安全控制技术。E-mail:shic@nercita.org.cn

*通信作者:杨信廷(1974—),男,研究员,博士,研究方向为农业信息化关键技术及农产品质量安全控制。E-mail:yangxt@ nercita.org.cn