Freshness recognition of small yellow croaker based on image processing and improved DenseNet network
-
摘要:
传统水产品新鲜度检测方法存在对样本破坏较大、操作步骤繁琐、检测准确率及效率较低等一系列问题。针对上述问题，以小黄鱼(Larimichthys polyactis)新鲜度高效、准确识别为目标，提出了一种基于改进DenseNet网络的小黄鱼新鲜度识别模型。首先，在DenseNet网络结构中的每个Denseblock模块引入SENet注意力机制模块，实现特征通道特征重标定，加强网络对当前有益特征的提取，摒弃无作用的特征。其次，改进卷积层的第一层，增加网络的非线性能力和特征表达能力。为防止训练过程中出现梯度消失的现象，用PReLU激活函数代替原网络的ReLU激活函数。最后，与原DenseNet网络模型及其他经典神经网络模型进行对比实验。结果表明，构建的基于迁移学习的FishNet模型在自建的小黄鱼新鲜度数据集上识别准确率达91.53%，模型具有较高的识别准确率和较强的鲁棒性，解决了水产品新鲜度检测高效和精准识别问题，也为开发智能新鲜度识别系统提供了参考。
Abstract:Traditional freshness detection methods for aquatic products have problems such as great sample damage, trivial operation steps, low detection accuracy and efficiency. To solve these problems, in order to efficiently and accurately identify the freshness of small yellow croaker (Larimichthys polyactis), we proposed a freshness recognition model based on an improved DenseNet network. Firstly, we introduced the SENet attention mechanism module into each dense block module in the DenseNet network structure to achieve feature channel feature recalibration, enhance the network's extraction of current beneficial features, and eliminate irrelevant features. Secondly, we improved the first layer of the convolutional layer to enhance the network's non-linear ability and feature representation ability. To prevent the phenomenon of gradient vanishing during the training process, we used the PReLU activation function instead of the ReLU activation function of the original network. Finally, we conducted comparative experiments with the DenseNet network model and other classic neural network models. The experimental results show that the FishNet model based on transfer learning constructed in this paper has a recognition accuracy of 91.53% on the built L. polyactis freshness dataset. The model has high recognition accuracy and strong robustness, achieving efficient and accurate recognition of aquatic product freshness detection, and providing references for the development of intelligent freshness recognition systems.
-
Keywords:
- Larimichthys polyactis /
- Freshness detection /
- DenseNet /
- Attention mechanism /
- Image recognition
-
大型海藻主要分布在近岸海域的潮间带和潮下带区域，是海洋生态系统初级生产力的巨大贡献者，也是重要的海水养殖对象[1]。生活在潮间带的大型海藻经历着巨大的环境变化，如光照、温度、水分以及盐度变化等，这些环境因子共同影响着大型海藻的生长、生理和生态位等[1]。研究表明，温度胁迫通过影响植物光合机构的结构和功能，抑制光系统II (PSII) 供体侧水光解反应和PSII下游碳同化反应，进而影响光合电子传递，降低光合速率[2]；在高光条件下，植物则会因吸收过量的光而产生光抑制现象，对光合系统造成损伤，导致光合能力下降、生长发育受阻[3]；此外，高光胁迫也会影响叶绿体的形态结构和光合色素的组分[3]。由此可见，温度和光照对植物光合生理的影响尤为突出。
大型海藻属于低等植物，光合生理是所有光合藻类积累有机物、增加生物量的关键生理反应，同时也是大型海藻重要的碳汇过程[4]。有研究表明，大型海藻经过长期的进化已衍生出一套抵御温度和光照胁迫的高效策略，通过降低叶绿素a等光合色素的含量以减少光能吸收是其应对高光胁迫的关键方式之一[3,5]：缘管浒苔 (Ulva linza) 为了避免高光胁迫，其叶绿素a和叶绿素b含量随光照强度的增加而显著降低[5]；而通过热耗散机制应对过剩的产能则是大型海藻应对温度和光照胁迫的另一重要方式[3,6-7]；海带 (Saccharina japonica) 孢子体在高温条件下，暗适应后的藻体PSII最大光化学效率 (Fv/Fm) 显著下降，但它可以通过非光化学淬灭 (NPQ) 的增加使其热耗散 (光保护) 能力增强，从而使所能利用的光合有效辐射范围更广[7]。然而，尽管目前关于温度和光照对大型海藻光合生理影响的研究已有报道，但不同种属大型海藻的适应范围不同，如：针叶蕨藻 (Caulerpa sertularioides) 在26 ℃时光合活性最好[8]，而海带孢子体在环境温度达到14 ℃以上时，光合作用原初光反应过程会受抑制[7]；皱紫菜 (Porphyra crispata) 的适合生长光照强度为4 000~7 500 lx，光照强度过低时其光合作用降低[9]，而龙须菜 (Gracilaria lemaneiformis) 在光照强度3 000 lx以下生长较好，大于6 000 lx则生长相对较差[10]。因此，开展大型海藻对温度和光照的光合生理响应研究，有助于更科学地指导大型海藻在海水养殖、海洋生态修复等方面的应用。
异枝江蓠 (Gracilariopsis bailinae) 属于大型经济红藻，其生长速度快，全年可生长，可用于鲍鱼养殖、琼胶提取[11]及养殖水处理等[12-14]，在海水养殖和海洋生态修复上具有较好的应用前景，常见于我国的广东省和海南省[15]。目前，针对异枝江蓠的生长[11]、琼胶提取[14]与经济动物混养[16]等已有研究报道，但关于其光合生理方面的研究鲜有报道。为此，本研究利用叶绿素荧光技术，结合藻体光合色素含量和生长率的变化，探究了异枝江蓠对温度和光照强度的光合生理响应特征，以期丰富异枝江蓠在光合生理方面的研究，为其进一步的开发利用提供基础数据支撑。
1. 材料与方法
1.1 实验材料
异枝江蓠于2021年7月采集自广东省湛江市雷州市乌石镇。采集后的鲜藻低温运回实验室，用灭菌海水和毛刷除去藻体表面的杂质后暂养于藻类培养室。暂养条件为温度25 ℃、光照强度5 000 lx、盐度30‰、pH 8.1、光周期12 L∶12 D。
1.2 实验设计
选取暂养后健康且生长状态相近的藻体，用吸水纸吸干表面水分后各称取1 g分别放入含有藻类营养液的不同烧杯 (500 mL) 中备用。根据前期预实验结果，设置了不同的温度梯度 (15、20、25、30和35 ℃) 和光照梯度 (1 000、3 000、6 000和9 000 lx)，将选取好的藻体放入对应温度或光照强度的光照培养箱中。藻体培养周期为7 d，每个处理设置3个平行，每2 d更换一次新鲜培养液。7 d后称取藻体鲜质量，并取定量的样品用于藻体光合色素和叶绿素荧光参数的测定。
1.3 特定生长率测定
用吸水纸吸干处理7 d后藻体表面水分并用分析天平 (FA1104，上海) 称量，根据Yong等[17]提出的公式计算藻体特定生长率 (SGR)，公式如下：
$$ {R}_{\mathrm{S}\mathrm{G}\mathrm{R}}=\frac{\mathrm{l}\mathrm{n}{M}_{7}-\mathrm{l}\mathrm{n}{M}_{0}}{7}\times 100\mathrm{\%} $$ (1) 式中：RSGR表示特定生长率 (%·d−1)；M0表示藻体初始鲜质量 (g)；M7表示藻体 7 d后的鲜质量 (g)。
1.4 光合色素测定
叶绿素a (Chl a)、类胡萝卜素 (Car) 使用甲醇法提取，称取处理7 d后的藻体0.1 g放入含有4颗研磨钢珠和2 mL甲醇的研磨管中 ，转入到组织细胞研磨仪 (JFstgrp-24，上海) 中，70 Hz研磨180 s，4 ℃黑暗提取24 h后转入高速离心机 (Heraeus Multifuge 3XR，德国) 5 000 r·min−1离心10 min，使用紫外分光光度计 (UV-2450，日本) 分别测量研磨管上清液在波长480、510、652、665、750 nm处的吸收值，根据以下公式计算Chl a和Car的质量分数[18]：
$$ {W}_{\mathrm{C}\mathrm{h}\mathrm{l}a}=\frac{[16.29\times ({A}_{665}-{A}_{750})-8.54\times ({A}_{652}-{A}_{750}\left)\right]\times V}{1\mathrm{ }000\times m} $$ (2) $$ {W}_{\mathrm{C}\mathrm{a}\mathrm{r}}=\frac{\left\{7.6\times \left[\left({A}_{480}-{A}_{750}\right)-1.49\times \left({A}_{510}-{A}_{750}\right)\right]\right\}\times V}{1\mathrm{ }000\times m} $$ (3) 式中：WChla为叶绿素a质量分数 (mg·g−1)；WCar为类胡萝卜素质量分数(mg·g−1)；A 为吸光值；V 为色素提取液的总体积 (mL)；m为藻体鲜质量 (g)
藻红蛋白 (PE)、藻蓝蛋白 (PC) 采用0.1 mol·L−1磷酸盐缓冲液 (pH 6.8) 提取，提取方法与上述提取Chl a和Car的方法一致，按以下公式计算质量分数[19]：
$$ {W}_{\mathrm{P}\mathrm{E}}=\frac{\left[\left({A}_{564}-{A}_{592}\right)-\left({A}_{455}-{A}_{592}\right)\times 0.20\right]\times 0.12\times V}{F_{\mathrm{w}} }$$ $$ {W}_{\mathrm{P}\mathrm{C}}=\frac{\left[\left({A}_{618}-{A}_{645}\right)-\left({A}_{592}-{A}_{645}\right)\times 0.51\right]\times 0.15\times V}{F_{\mathrm{w}}} $$ 式中：WPE为藻红蛋白的质量分数 (mg·g−1)；WPC为藻蓝蛋白质量分数 (mg·g−1)；A为吸光值；V为定容后的溶液体积 (mL)；FW为藻体鲜质量 (g)
1.5 叶绿素荧光参数测定
处理7 d后的样品暗适应30 min后，使用便携式脉冲调制荧光仪 (FMS-2，英国) 测定其PSII最大光化学效率 (Fv/Fm)、实际光能转化效率 (ΦPSII)、电子传递速率 (ETR)、光化学淬灭系数 (qP) 和非光化学淬灭系数 (NPQ)。
1.6 数据处理
所有数据以“平均值±标准差 (
$\overline x \pm {s} $ )”表示，采用IBM SPSS Statistics 25软件进行Pearson相关性分析、单因素方差 (One-way ANOVA) 分析和Duncan's多重比较检验处理 (P<0.05作为差异的显著性水平)。利用双因素方差 (Two-way ANOVA) 分析温度和光照强度对特定生长率、光合色素含量及叶绿素荧光参数的交互作用。2. 结果
2.1 温度和光照强度对异枝江蓠生长的影响
由图1可知，不同温度条件下，光照强度对异枝江蓠的生长有不同程度的促进作用。除15 ℃外，异枝江蓠的特定生长率随光照强度的增加显著上升 (P<0.05)，均在9 000 lx达到最大值 [(0.83±0.18)、(4.60±0.25)、(4.41±0.10)和(4.78±0.40)%·d−1]，相对1 000 lx分别增加了76.60%、61.75%、173.91%和256.72%；在1 000和3 000 lx下，随温度的上升，特定生长率先上升后下降，特定生长率最大值均出现在25 ℃；而在6 000和9 000 lx下，特定生长率随温度的升高而上升，25~35 ℃的特定生长率[(1.33~4.78)%·d−1]显著高于15~20 ℃[(0.25~0.83)%·d−1, P<0.05]。相关性分析结果显示，在20~35 ℃和3 000~9 000 lx下，特定生长率分别与光照强度和温度呈正相关 (P<0.05)，且随温度上升或光照强度增加相关性越强 (表1)。温度和光照强度对异枝江蓠特定生长率产生了极显著的影响 (P<0.01)，且存在交互作用 (表2)。表明在一定范围内升高温度和增加光照强度均能促进异枝江蓠的生长。
![]()
图 1 不同温度和光照强度下的异枝江蓠特定生长率注：不同小写字母表示在相同温度条件下不同光照强度处理间差异显著 (P<0.05)，不同大写字母表示在相同光照强度条件下不同温度处理间差异显著 (P<0.05)；后图同此。Figure 1. Specific growth rate of G. bailinae at different temperatures and light intensitiesNote: Different lowercase letters indicate significant differences between different light intensity treatments under the same temperature condition (P<0.05), while different uppercase letters indicate significant differences between different temperature treatments under the same light intensity condition (P<0.05). The same case in the following figures.表 1 温度、光照强度与异枝江蓠生长、光合色素及叶绿素荧光参数的相关性分析Table 1. Correlation analysis between temperature and light intensity and growth, photosynthetic pigments and chlorophyll fluorescence parameters of G. bailinae项目
Item光照强度 Light intensity/lx 温度 Temperature/℃ 1 000 3 000 6 000 9 000 15 20 25 30 35 特定生长率 SGR 0.501 0.668** 0.873** 0.889** 0.197 0.766** 0.898** 0.938** 0.958** 叶绿素 a Chl a 0.242 −0.195 −0.704** −0.727** −0.130 −0.782** −0.910** −0.935** −0.950** 类胡萝卜素 Car −0.042 0.041 −0.188 −0.215 −0.310 −0.736** −0.910** −0.101 −0.730** 藻红蛋白 PE 0.978** 0.948** 0.886** 0.842** 0.011 −0.849** −0.910** −0.937** −0.950** 藻蓝蛋白 PC 0.951** 0.969** 0.992** 0.923** −0.130 −0.882** −0.920** −0.947** −0.950** PSII最大光化学效率 Fv/Fm 0.804** 0.745** 0.752** 0.792** −0.710** −0.799** −0.420 −0.532 −0.230 实际光能转化效率 ΦPSII 0.885** 0.776** 0.878** 0.895** −0.910** −0.853** −0.940** −0.913** −0.790** 电子传递速率 ETR 0.859** 0.537* 0.784** 0.890** −0.910** −0.902** −0.900** −0.771** −0.600* 光化学淬灭系数 qP 0.918** 0.866** 0.912** 0.929** −0.920** −0.835** −0.920** −0.755** −0.760** 非光化学淬灭系数 NPQ 0.007 0.679** 0.952** 0.848** 0.912** 0.936** 0.937** 0.966** 0.902** 注：** 表示在0.01水平 (双尾) 极显著相关，* 表示在0.05水平 (双尾) 显著相关。 Note: **. Extremely significant correlation at 0.01 level (Two-tailed); *. A significant correlation at 0.05 level (Two-tailed). 表 2 温度和光照强度对异枝江特定生长率的双因素方差分析Table 2. Two-way ANOVA analysis for effects of temperature and light intensity on specific growth rate of G. bailinae变异来源
Source of variation自由度
DFF 显著性
Sig.温度
Temperature4 802.800 <0.000 1 光照强度
Light intensity3 233.200 <0.000 1 温度×光照强度
Temperature×Light intensity12 37.810 <0.000 1 残差
Residual40 2.2 温度和光照强度对异枝江蓠色素含量的影响
在温度为15 ℃时，异枝江蓠的Chl a、Car、PE和PC质量分数随光照强度的增加均无显著性变化 (P>0.05)；而温度介于20~35 ℃时，4种色素质量分数整体上随光照强度的增加而显著下降 (P<0.05)，且均在光照强度为1 000 lx时达到最大值、在9 000 lx时 (除30 ℃时的Car) 取得最小值 (图2)。在相同的光照强度下，随着温度的上升，Chl a和Car质量分数的变化不一 (图2-a和2-b)，而PE和PC质量分数整体上呈增加趋势 (图2-c和2-d)，且不同光照强度下两者均在35 ℃时达到最大值，分别为PE：(0.205±0.009)、(0.185±0.014)、(0.119±0.030) 和 (0.104±0.009) mg·g−1，PC：(0.349±0.015)、(0.336±0.020)、(0.243±0.008) 和 (0.168±0.015) mg·g−1。相关性分析结果显示 (表1)，PE和PC质量分数在不同光照强度下与温度呈极显著正相关 (P<0.01)，在20~35 ℃时与光照强度呈极显著负相关 (P<0.01)；Chl a质量分数在6 000~9 000 lx和20~35 ℃时分别与温度和光照强度呈极显著负相关 (P<0.01)；Car质量分数与温度无显著相关性 (P>0.05)，在20、25和35 ℃时与光照强度呈极显著负相关 (P<0.01)。温度和光照强度对4种色素均有极显著影响 (P<0.01)，除Car外 (P>0.05)，温度和光照强度对Chl a、PE和PC含量的影响均存在交互作用 (P<0.01，表3)。
![]()
图 2 不同温度和光照强度下的异枝江蓠色素质量分数Figure 2. Pigment mass fraction of G. bailinae at different temperatures and light intensities表 3 温度和光照强度对异枝江蓠光合色素的双因素方差分析Table 3. Two-way ANOVA analysis for effects of temperature and light intensity on photosynthetic pigments of G. bailinae光合色素 Photosynthetic pigment 变异来源 Source of variation 自由度 DF F 显著性 Sig. 叶绿素 a Chl a 温度 Temperature 4 36.650 <0.000 1 光照强度 Light intensity 3 53.480 <0.000 1 温度×光照强度 Temperature×Light intensity 12 4.415 0.000 2 残差 Residual 40 类胡萝卜素 Car 温度 Temperature 4 23.850 <0.000 1 光照强度 Light intensity 3 14.830 <0.000 1 温度×光照强度 Temperature×Light intensity 12 1.490 0.168 4 残差 Residual 40 藻红蛋白 PE 温度 Temperature 4 448.300 <0.000 1 光照强度 Light intensity 3 219.400 <0.000 1 温度×光照强度 Temperature×Light intensity 12 25.370 <0.000 1 残差 Residual 40 藻蓝蛋白 PC 温度 Temperature 4 356.000 <0.000 1 光照强度 Light intensity 3 131.500 <0.000 1 温度×光照强度 Temperature×Light intensity 12 14.400 <0.000 1 残差 Residual 40 2.3 温度和光照强度对异枝江蓠叶绿素荧光参数的影响
2.3.1 PSII光化学效率参数
PSII最大光化学效率在15和20 ℃时随光照强度的增加显著下降 (P<0.05)，25~35 ℃时则无显著性变化 (P>0.05)；在不同光照强度条件下，PSII最大光化学效率与温度呈极显著正相关 (P<0.01，表1)，且25~35 ℃时PSII最大光化学效率 (0.738~0.803) 显著高于15~20 ℃ (0.513~0.610) (P<0.05，图3-a)。实际光能转化效率在不同温度下随光照强度的增加而下降，而电子传递速率在15~30 ℃时与实际光能转化效率的表现一致，在35 ℃时呈先下降后上升再下降的趋势；在相同光照强度下，实际光能转化效率和电子传递速率均随温度上升整体呈上升趋势，且均在35 ℃时达到最大值 (图3-b和3-c)。相关性分析结果显示，实际光能转化效率和电子传递速率与温度呈正相关，与光照强度呈负相关 (P<0.05，表1)。温度和光照强度对PSII的最大光化学效率、实际光能转化效率和电子传递速率均有极显著影响 (P<0.01)，且对实际光能转化效率和电子传递速率有交互作用 (表4)。
![]()
图 3 不同温度和光照强度下的异枝江蓠光化学效率参数Figure 3. Photochemical efficiency parameters of G. bailinae at different temperatures and light intensities表 4 温度和光照强度对异枝江蓠 PSII 光化学效率参数的双因素方差分析Table 4. Two-way ANOVA analysis for effects of temperature and light intensity on photochemical efficiency parameters of PSII of G. bailinae光化学效率参数
Photochemical efficiency parameter变异来源
Source of variation自由度
DFF 显著性
Sig.PSII 最大光化学效率 Fv/Fm 温度 Temperature 4 290.800 <0.000 1 光照强度 Light intensity 3 10.380 <0.000 1 温度×光照强度 Temperature×Light intensity 12 1.864 0.069 9 残差 Residual 40 实际光能转化效率 ΦPSII 温度 Temperature 4 61.560 <0.000 1 光照强度 Light intensity 3 106.000 <0.000 1 温度×光照强度 Temperature×Light intensity 12 4.071 0.000 4 残差 Residual 40 电子传递速率 ETR 温度 Temperature 4 53.820 <0.000 1 光照强度 Light intensity 3 70.460 <0.000 1 温度×光照强度 Temperature×Light intensity 12 4.001 0.000 4 残差 Residual 40 2.3.2 荧光淬灭参数
图4为不同温度和光照强度下的异枝江蓠光化学淬灭系数和非光化学淬灭系数。结果显示：在不同温度下，光化学淬灭系数随光照强度的增加显著下降 (P<0.05)，与光照强度呈极显著负相关 (P<0.01，表1)；相反，在不同的光照强度条件下，光化学淬灭系数随温度的上升显著上升 (P<0.05)，且与温度呈极显著正相关 (P<0.01，图4-a和表1)。非光化学淬灭系数在不同温度下随光照强度的增加显著上升 (P<0.05)；在 6 000和9 000 lx时，非光化学淬灭系数随温度的上升显著上升 (P<0.05)，在1 000和3 000 lx时则均表现为先上升后下降 (图4-b)。表明温度和光照强度对异枝江蓠荧光淬灭参数具有显著影响 (P<0.05)，且存在交互作用 (表5)。
![]()
图 4 不同温度和光照强度下的异枝江蓠荧光淬灭参数Figure 4. Fluorescence quenching parameters of G. bailinae at different temperatures and light intensities表 5 温度和光照强度对异枝江蓠荧光淬灭参数的双因素方差分析Table 5. Two-way ANOVA analysis for effects of temperature and light intensity on fluorescence quenching parameters of G. bailinae荧光淬灭参数
Fluorescence quenching parameter变异来源
Source of variation自由度
DFF 显著性
Sig.光化学淬灭系数 qP 温度 Temperature 4 86.340 <0.000 1 光照强度 Light intensity 3 73.660 <0.000 1 温度×光照强度 Temperature×Light intensity 12 3.471 0.001 5 残差 Residual 40 非光化学淬灭系数 NPQ 温度 Temperature 4 204.600 <0.000 1 光照强度 Light intensity 3 338.400 <0.000 1 温度×光照强度 Temperature×Light intensity 12 33.670 <0.000 1 残差 Residual 40 3. 讨论
不同大型海藻对温度和光照强度的适应性不同，生长率的变化可直观反映其生长状况的变化[8,20]。本研究中，温度 (15和20 ℃) 和光照强度 (1 000 lx) 较低时，异枝江蓠的生长受到抑制；而在20~35 ℃和3 000~9 000 lx下，异枝江蓠的特定生长率分别与光照强度和温度呈正相关 (P<0.05)，并在35 ℃、9 000 lx时达到最大。而其他研究显示，龙须菜在水温19~27 ℃和光照强度3 000 lx以下时生长最佳；皱紫菜在17~20 ℃和4 000~7 500 lx时生长较好，高于23 ℃时其生长受到抑制，光照强度过低时其光合作用也会减弱[9]。由此可见，大型海藻对温度和光照强度的适应存在种属差异，过高或过低的温度和光照强度均会抑制藻体生长。大部分大型海藻生长的适宜温度为15~25 ℃[21]，而本研究中，异枝江蓠生长最适温度为35 ℃，这与钟志海等[16]报道的结果 (33 ℃) 相近，表明异枝江蓠是一种喜高温的大型海藻。
光合作用是绿色植物最基本的生命能量来源[22]，叶绿素荧光包含了丰富的光合生理信息，是探究不同环境条件对藻类光合作用能力影响的最佳方法[8,23]。PSII最大光化学效率值的变化可以反映光抑制的程度，值越大其发生光抑制的程度越低[24]。相关研究表明，低温、高光条件可能使藻体PSII能量吸收和耗散平衡功能受损，导致PSII最大光化学效率降低，藻体光合系统吸收过剩光能后引起PSII反应中心关闭，即产生光抑制或光保护现象，以保护PSII免受光损伤[21,25]。本研究中，异枝江蓠PSII最大光化学效率在15~20 ℃时随光照强度的增加而显著下降 (P<0.05)，且在15~20 ℃时的值显著低于25~35 ℃。可见，低温以及低温时给予的高光可能导致异枝江蓠PSII反应中心关闭，PSII活性降低，有效光能转化效率下降，具体表现为藻体生长受到一定程度的抑制。然而，在25~35 ℃时，高光并未导致异枝江蓠PSII最大光化学效率的显著下降，与缘管浒苔[5]、皱紫菜[6]等的研究结果不一致，这可能与温度和光照强度的共同作用效应相关，具体原因有待进一步研究。
实际光能转化效率、电子传递速率和光化学淬灭系数与PSII电子传递活性和效率相关，其值越高说明电子传递活性越大[24]。研究表明，针叶蕨藻的生长率变化与其实际光能转化效率、电子传递速率及光化学淬灭系数的变化表现一致[8]；然而，在本研究中，三种叶绿素荧光参数均随光照强度的增加而下降，但异枝江蓠的特定生长率却有相反的表现，说明光照强度增加所导致的异枝江蓠电子传递速率下降可能并未达到最终影响藻体生长的程度，异枝江蓠可能通过其他策略适应高光。目前认为，植物在响应高光时主要通过增加热耗散 (即非光化学淬灭系数) 来调节PSII的活性，避免光抑制，实现光保护[25-27]。大型海藻，如海带孢子体[7]、缘管浒苔[5]、皱紫菜[6]、裙带菜 (Undaria pinnatifida)[6] 等相关研究也表明非光化学淬灭系数的增加在藻体适应环境改变的过程中起重要作用。本研究中，异枝江蓠非光化学淬灭系数随光照强度的增加而上升，说明其可能通过增加热耗散的方式调节PSII的活性实现自我保护，整体表现为藻体特定生长率随光照强度的增加而上升。此外，异枝江蓠实际光能转化效率、电子传递速率和光化学淬灭系数在不同光照强度下均随温度的上升而升高，但低光照 (1 000和3 000 lx) 时，其特定生长率和非光化学淬灭系数却随温度的升高先升后降；这可能是因为在低光照条件下，过高的温度造成藻体吸收的多余能量无法耗散，最终导致藻体生长率下降。值得注意的是，目前有研究认为植物通过热耗散保护光系统的现象与光系统的循环电子流 (CEF) 相关，植物在干旱、强光、弱光、高温和低温等逆境胁迫下可以激发CEF来适应环境胁迫，但其响应机制仍不清楚[28]，进一步深入研究可能有助于加深对大型海藻逆境响应机制的了解。
光合色素是植物光合作用的关键物质[21]。研究表明，光合色素含量的下调也是植物实现光保护的一种重要手段[3]。本研究中，异枝江蓠4种色素含量在高光照时显著下降，说明其通过下调光合色素含量进行光保护；而色素含量减少生长率却上升，则可能与色素对能量利用效率的提高有关[29]。此外，PE和PC在高温时含量较高且与温度呈显著正相关 (P<0.05)。PE和PC既是红藻中重要的两种捕光色素蛋白[30]，也是藻体细胞的贮存蛋白，有利于藻类在自然界中的生存竞争[31]。温度升高促进了异枝江蓠PE和PC的合成，说明异枝江蓠在高温条件下通过增加藻胆蛋白含量从而提高捕光效率及蛋白贮存，增强其生存能力，实现了在高温条件下的快速生长；这与刺枝鱼栖苔 (Acanthophora spicifera)[32]、皱紫菜[9]等的研究结果类似。
综上所述，温度和光照强度对异枝江蓠生长及光合生理具有重大影响。异枝江蓠是一种喜高温的大型海藻，藻胆蛋白含量的增加有助于提高其在高温条件下的生存能力；高光照降低了异枝江蓠的电子传递速率，但其可通过增加热耗散和减少光合色素的合成来实现光保护。鉴于在实际的海水养殖和海洋生态修复中，随着纬度的不同以及季节的更替，温度和光合有效辐射均会有较大的波动，且海水深度的改变也会影响光合有效辐射；因此，异枝江蓠比较适合在我国热带、亚热带地区栽培或用作海洋生态修复的备选藻种。在应用过程中，应着重关注温度和光照强度的变化，优先选择水温25 ℃以上、光照强度9 000 lx左右的水域环境；温度和光照强度过低时，可能会使藻体光合生理受限而导致其养殖产量低、碳汇效果不佳、死亡等。
-
表 1 4 ℃储存条件下小黄鱼TVB-N变化
Table 1 Change of TVB-N value of L. polyactis at 4 ℃ storage mg·100 g−1
时间
t/d样品1
Sample 1样品2
Sample 2样品3
Sample 3平均值
Mean1 9.70 10.10 10.40 10.06 2 12.10 12.10 12.90 12.36 3 15.30 14.90 15.60 15.26 4 21.80 21.40 22.10 21.76 5 29.70 29.50 29.20 29.46 6 47.60 46.70 47.80 47.36 7 68.90 72.40 74.20 71.83 
下载: 导出CSV
表 2 增强前后小黄鱼新鲜度图像数量
Table 2 Freshness images of small yellow croaker before and after enhancement
数据集
Dataset一级品
First-grade
products合格品
Qualified
products不合格品
Unaccepted
products总数量
Total
number增强前
Before enhancement300 325 307 932 增强后
After enhancement1 500 1 625 1 535 4 660
下载: 导出CSV
表 3 小黄鱼数据集划分表
Table 3 Partition table for L. polyactis dataset
新鲜度等级
Freshness grade训练集
Train set测试集
Test set总数量
Total number一级品 First-grade 1 200 300 1 500 合格品 Qualified 1 300 325 1 625 不合格品 Unaccepted 1 228 307 1 535 总计 Total 3 728 932 4 660
下载: 导出CSV
表 4 不同激活函数实验结果
Table 4 Experimental results of different activation functions
序号
No.激活函数
Activation准确率
Accuracy/%时间
t/s1 ReLU 88.00 30 2 Mish 81.78 29 3 LeakyReLU 86.71 28 4 PReLU 90.78 29 5 SELU 75.24 28
下载: 导出CSV
表 5 不同改进方案结果
Table 5 Results of different improvement plans
方案
Plan改进策略
Improvement strategy准确率
Accuracy/%损失值
Loss时间
t/s1 DenseNet 88.00 0.30 30 2 DenseNet-3×3 90.25 0.27 28 3 SE- DenseNet 90.89 0.26 29 4 FishNet 91.53 0.24 28
下载: 导出CSV
表 6 各模型实验对比结果
Table 6 Comparison results of various model experiments
序号
No.模型
Model准确率
Accuracy/%损失值
Loss时间
t/s1 ResNet18 78.67 0.50 28 2 GoogleNet 79.74 0.55 27 3 ResNet101 83.39 0.42 29 4 MobileNetV3 84.89 0.38 27 5 FishNet 91.53 0.24 28
下载: 导出CSV
-
[1] 梁龙, 宋大德, 康中杰, 等. 基于耳石地标点法的南黄海和东海小黄鱼种群关系研究[J]. 南方水产科学, 2023, 19(6): 21-29. [2] 王腾, 高春霞, 王少琴, 等. 浙江南部近海小黄鱼肌肉脂肪酸组成及食源指示分析[J]. 上海海洋大学学报, 2021, 30(6): 992-1001. [3] ZHOU T, DING Y X, BENJAKUL S, et al. Characterization of endogenous enzymes in sword prawn (Parapenaeopsis hardwickii) and their effects on the quality of muscle proteins during frozen storage[J]. LWT, 2023, 177: 152-165.
[4] KHUMNGERN S, NONTIPICHET N, THAVARUNGKUL P, et al. A simple colorimetric histamine sensor based on smartphone digital image processing for fish quality assessment[J]. J Food Compos Anal, 2024: 126105934.
[5] DOYEONG K, SUNGWOO P, HANSEUNG S. Fish freshness indicator for sensing fish quality during storage[J]. Foods (Basel, Switzerland), 2023, 12(9): 112-145.
[6] 刘琳, 焦文娟, 赵甜甜. 电子鼻结合生物胺分析淡水鱼贮藏过程中的品质变化[J]. 现代食品科技, 2024, 40(1): 137-148. [7] CHEN L H, WANG Y Y, ZHU C, et al. Effects of high-pressure processing on aquatic products with an emphasis on sensory evaluation[J]. Int J Food Sci Technol, 2022, 57(11): 6980-6996. doi: 10.1111/ijfs.16068
[8] El F A S, YOUNES A A, EMEL O, et al. Edible Xanthan/Propolis coating and its effect on physicochemical, microbial, and sensory quality indices in mackerel tuna (Euthynnus affinis) fillets during chilled storage[J]. Gels, 2022, 8(7): 42-113.
[9] ZHANG L J, ZHOU G X, CHEN A B, et al. Rapid computer vision detection of apple diseases based on AMCFNet[J]. Multimed Tools Appl, 2023, 82(29): 44697-44717. doi: 10.1007/s11042-023-15548-x
[10] TAHERI-GARAVAND A, FATAHI S, BANAN A, et al. Real-time nondestructive monitoring of Common Carp Fish freshness using robust vision-based intelligent modeling approaches[J]. Comp Electron Agric, 2019, 159: 16-27.
[11] CARLOS E M, MACIEL L A, TEIXEIRA A D. Computer vision and machine learning for tuna and salmon meat classification[J]. Informatics, 2021, 8(4): 61-70.
[12] 焦俊, 王文周, 侯金波, 等. 基于改进残差网络的黑毛猪肉新鲜度识别方法[J]. 农业机械学报, 2019, 50(8): 364-371. [13] AMIN U, SHAHZAD I M, SHAHZAD A, et al. Automatic fruits freshness classification using CNN and transfer learning[J]. Appl Sci, 2023, 13(14): 2812-2856.
[14] LIU Z. Soft-shell shrimp recognition based on an improved AlexNet for quality evaluations[J]. J Food Engin, 2020, 26: 50-73.
[15] BANWARI A, JOSHI R C, SENGAR N, et al. Computer vision technique for freshness estimation from segmented eye of fish image[J]. Ecol Inform, 2022, 69: 101602. doi: 10.1016/j.ecoinf.2022.101602
[16] 李振波, 李萌, 赵远洋, 等. 基于改进VGG-19卷积神经网络的冰鲜鲳鱼新鲜度评估方法[J]. 农业工程学报, 2021, 37(22): 286-294. [17] TAHERI-GARAVAND A, NASIRI A, BANAN A, et al. Smart deep learning-based approach for non-destructive freshness diagnosis of common carp fish[J]. J Food Engin, 2020, 278: 13-25.
[18] 杨兆甜, 李方巍, 王震昊, 等. 食品颜色评价及在食品工业中的应用[J]. 食品工业科技, 2021, 42(24): 417-423. [19] 肖莹莹, 宋思园, 全育集, 等. 马头鱼挥发性盐基氮含量测定不确定度评定[J]. 广州化工, 2023, 51(7): 101-102, 106. [20] 邵宏宏, 周秀锦, 相兴伟, 等. 4种海产品冷藏期间挥发性盐基氮和生物胺含量变化[J]. 食品安全质量检测学报, 2022, 13(9): 2794-2801. [21] HUANG G, LIU Z, LAURENS V, et al. Densely connected convolutional networks[J]. IEEE Comp So, 2016. DOI: 10.1109/CVPR.2017.243.
[22] 张国忠, 吕紫薇, 刘浩蓬, 等. 基于改进DenseNet和迁移学习的荷叶病虫害识别模型[J]. 农业工程学报, 2023, 39(8): 188-196. [23] PAN C Y, LIAN L Y, CHEN J Y, et al. FemurTumorNet: bone tumor classification in the proximal femur using DenseNet model based on radiographs[J]. J Bone Oncol, 2023, 42: 100491-100504.
[24] ELIF M, CANER O, DILARA O, et al. DenseNet-based ensemble network for land cover and land use classification of patch-based denoised SAR images[J]. Arab J Geosci, 2023, 16(11): 37-39.
[25] LI X, SHEN X, ZHOU Y X, et al. Classification of breast cancer histopathological images using interleaved DenseNet with SENet (IDS Net)[J]. PLoS One, 2020, 15(5): e0232127. doi: 10.1371/journal.pone.0232127
[26] MASOOD A, YE Z F. Improvement of joint optimization of masks and deep recurrent neural networks for monaural speech separation using optimized activation functions[J]. Chin J Acoust, 2020, 39(3): 420-432.
[27] JASNA C, MARKO K, ANGELINA T, et al. Adaptive sigmoid-like and PReLU activation functions for all-optical perceptron[J]. Opt Lett, 2021, 46(9): 2003-2006. doi: 10.1364/OL.422930
[28] HIMANI K, YOTI A, MANOJ K. An improved method for text detection using Adam optimization algorithm[J]. Global Trans Proc, 2022, 3(1): 230-234. doi: 10.1016/j.gltp.2022.03.028
[29] ZHOU Y X, CHANG S, YAN F, et al. Balanced loss function for accurate surface defect segmentation[J]. Appl Sci, 2023, 13(2): 821-826. doi: 10.3390/app13020821
[30] 杨魏华, 阮爱国, 黄国勇. 基于预训练GoogleNet模型和迁移学习的齿轮箱故障检测方法[J]. 机电工程, 2024, 40(2): 262-270. [31] 魏天琪, 郑雄胜, 李天兵, 等. 基于多组卷积神经网络的梭子蟹性别识别研究[J]. 南方水产科学, 2024, 20(1): 89-98. [32] 熊政, 车文刚, 保永莉, 等. 改进的MobileNetV3热轧钢带表面缺陷分类算法[J]. 陕西理工大学学报(自然科学版), 2023, 39(5): 30-37. -
期刊类型引用(6)
1. 蒋利进，衣萌萌，可小丽，曹建萌，刘志刚，王章，谭泽加，卢迈新，王淼. 碱度对尼罗罗非鱼肝脏免疫、肠道菌群结构和代谢物的影响. 淡水渔业. 2025(01): 49-59 . 
百度学术
2. 江德泓，陈思宇，徐佳慧，张海洋，汪杨怀煜，李学军，石西. 淇河鲫幼鱼对碳酸盐碱度的耐受性研究. 河南水产. 2024(04): 23-26 . 百度学术
3. 肖黄璇，刘天奇，鲁翠云，孙志鹏，那荣滨，常玉梅，郑先虎. 急性碳酸氢钠碱度胁迫对草鱼存活及相关酶活性的影响. 广东海洋大学学报. 2024(06): 1-9 . 百度学术
4. 艾克达·热合曼，李雯，黄晶，梁利群，张立民，常玉梅. NaHCO_3碱度和NaCl盐度对两种规格高体雅罗鱼幼鱼的急性毒理研究. 水产学杂志. 2023(05): 32-41 . 百度学术
5. 赵贺，赵年桦，李丽，聂竹兰，魏杰，沈建忠. 南疆地区四种土著裂腹鱼类幼鱼对氯化钠和碳酸氢钠的急性耐受能力. 淡水渔业. 2022(02): 34-41 . 百度学术
6. 逯冠政，么宗利，来琦芳，高鹏程，周凯，朱浩拥，刘一萌，孙真. 高盐碱环境下大口黑鲈幼鱼生长性能、血液生理指标与质构特征研究. 渔业科学进展. 2022(04): 1-11 . 百度学术
其他类型引用(5)
计量
- 文章访问数: 249
- HTML全文浏览量: 125
- PDF下载量: 55
- 被引次数: 11
粤公网安备 44010502001741号
