農業行業
一項發表于《Food Research International》的研究利用可見/近紅外高光譜成像技術，實現了對活體鯉魚肌肉氨基酸含量的無損預測。該研究由上海海洋大學、中國水產科學研究院等單位聯合完成，彩譜科技提供的FS-13高光譜相機（FigSpec FS-13）作為核心檢測設備，彩譜科技工程師戚夏君深度參與研究，為活魚營養品質的實時評估提供了新的技術路徑。
魚肉的氨基酸組成是衡量其營養價值和商業價值的重要指標。傳統檢測方法（如高效液相色譜）雖然準確，但存在破壞性——檢測后的魚無法繼續銷售或用于選育。對于需要保持活魚狀態的應用場景，如精準投喂、營養分級、親本選育，行業長期缺乏一種快速、無損、可在線檢測的工具。
本研究的出發點在于：魚鱗是否可以作為光譜信號的“窗口”？近紅外光能否穿透魚鱗及皮膚，攜帶肌肉中的化學成分信息返回探測器？如果可行，將從根本上解決活魚營養檢測的難題。
研究團隊采集了兩個不同年份、不同體重范圍的鯉魚群體，共計481尾活魚。對每尾魚，首先使用MS222麻醉劑短暫麻醉，用吸水紙輕輕干燥鱗片表面，然后采用彩譜科技FS-13高光譜相機（光譜范圍400-1000 nm，光譜分辨率2.5 nm）獲取魚鱗背鰭區域的高光譜圖像。每個樣本的感興趣區域覆蓋200×200像素，每個像素包含300個波段的光譜信息。
隨后，在對應的背部肌肉部位取樣，通過高效液相色譜測定17種氨基酸的實際含量，用于建模和驗證。
研究人員對比了五種模型：偏最小二乘回歸（PLSR）、最小二乘支持向量機（LS-SVM）、極限學習機（ELM）、隨機森林（RF）和反向傳播人工神經網絡（BP-ANN）。利用全波段光譜信號（400-1000 nm）進行建模，不同模型在訓練集和預測集上的R2值普遍高于0.95。
其中，BP-ANN模型對大部分氨基酸的預測效果較為穩定。在獨立驗證集（來自不同年份、不同養殖環境的181尾魚）中，BP-ANN模型的驗證R2值均超過0.777。含量最高的三種氨基酸——谷氨酸、天冬氨酸和賴氨酸——的驗證R2分別達到0.848、0.858和0.858。研究同時發現，使用特征波長（通過CARS算法篩選）替代全波段后，預測精度提升幅度有限（平均R2增加約0.013），表明氨基酸相關的光譜信息分布較廣。
研究系統評估了六個因素對預測精度的影響，結果顯示：樣本群體異質性是影響精度最為顯著的因素。當模型應用于不同年份、不同體重的獨立群體時，平均R2下降約0.182。這可能與兩個群體氨基酸含量分布的差異有關（如第一群體中多數氨基酸中位數顯著高于第二群體）。盡管如此，BP-ANN模型在異質群體中仍保持了可接受的精度（R2 > 0.777）。
相比之下，模型類型、氨基酸種類、波長選擇方法、魚體體重和體長對精度的影響較小（平均R2變化小于0.103）。例如，將魚按體重分為上、中、下三個分組后，BP-ANN模型的R2差異平均值僅為0.076（使用特征波長時）。這說明光譜信號主要受肌肉生化成分驅動，而非簡單的物理尺寸散射效應。
在特征波長方面，CARS算法篩選出谷氨酸和賴氨酸的敏感波段集中在516-584 nm、707-738 nm、828-834 nm和939-1032 nm。這些區域與C-H鍵、O-H鍵、N-H鍵的倍頻和組合頻振動相關，驗證了近紅外光穿透鱗片后與肌肉中氨基酸分子相互作用的可行性。
利用FS-13高光譜相機每個像素的光譜信息，研究團隊繪制了活魚全身總氨基酸含量的熱圖分布。結果顯示：下頜部、胸鰭部和腹部肌肉的總氨基酸含量較高，而背鰭區和尾部相對較低。這一分布與不同部位肌肉纖維類型（紅肌與白肌）的功能差異相符——胸鰭和腹部以慢速氧化型紅肌為主，蛋白質代謝更活躍。該熱圖可為消費者選擇高營養價值部位提供直觀參考。
彩譜FS-13高光譜相機搭配深度學習算法，成功突破活體水產氨基酸無損檢測的技術瓶頸，為精準水產養殖、高品質水產品篩選提供輕量化、可落地的檢測工具。未來，隨著模型數據庫不斷完善與便攜式設備開發，該方案可進一步推廣至多種淡水、海水魚類，助力水產行業向智能化、標準化、營養可視化升級。
FigSpecFS-13高光譜相機（線掃描）
l光譜范圍：400-1000nm
l光譜分辨率：2.5nm
l光譜波段：1200
l空間像素數：1920
