劉小花,周彬靜,彭菁,屠康,吳菊清,徐靜,武杰*,潘磊慶*

(1.南京農(nóng)業(yè)大學食品科學技術學院,江蘇 南京 210095;2.蚌埠學院食品與生物工程學院,安徽 蚌埠 233030)

牛肉是我國僅次于豬肉的第二大消耗肉品,冷鮮牛肉更是憑借肉質(zhì)鮮嫩多汁、低脂低膽固醇、高營養(yǎng)價值等優(yōu)勢成為肉品消費界的新星[1]。通常,冷鮮牛肉一直貯藏于0～4 ℃的低溫環(huán)境,大部分微生物的生長繁殖受到抑制。但我國冷鏈系統(tǒng)不完善仍可能造成微生物的大量繁殖[2],引起冷鮮牛肉腐敗變質(zhì)。實際上,微生物是造成冷鮮肉腐敗最直接最主要的原因。根據(jù)肉品衛(wèi)生標準,新鮮肉的菌落總數(shù)低于 104CFU·g-1,次新鮮肉為104～106CFU·g-1,變質(zhì)肉高于106CFU·g-1,而Borch等[3]認為當肉中的菌落數(shù)量為107～109CFU·g-1時,肉就開始腐敗。因此,監(jiān)測冷鮮牛肉貯藏過程中微生物數(shù)量的變化,模擬微生物的生長曲線對肉品質(zhì)量和公共衛(wèi)生安全控制具有重要而深遠的意義。

預測微生物學結合傳統(tǒng)平板計數(shù)法是微生物生長曲線擬合的常用方法。平板計數(shù)法是微生物測定的黃金法則[4],PCR及免疫學檢測也是常見的食品微生物檢測方法。平板計數(shù)法用于微生物檢測的耗時較長、效率較低;PCR屬于分子生物學方法,快速、靈敏、特異性強,但成本及技術水平要求較高;免疫學檢測法經(jīng)濟實用、重現(xiàn)性好、靈敏度和特異性強,但無法用于在線監(jiān)測[5-6],難以滿足現(xiàn)代工業(yè)化、自動化、精細化生產(chǎn)的需求。因此,探索簡單有效的快速無損檢測技術在微生物生長曲線擬合方面的適用性,有望實現(xiàn)食品工業(yè)生產(chǎn)中微生物的在線監(jiān)測。

電子鼻和高光譜成像技術(hyperspectral imaging technique,HSI)是常見的典型無損檢測技術,可分別從肉類腐敗過程中產(chǎn)生的揮發(fā)性物質(zhì)(即氣味)和肉類表面固有物理化學屬性2個層面無損快速獲取微生物信息。電子鼻技術通過感知微生物產(chǎn)生的揮發(fā)性化學物質(zhì)可快速鑒別和檢測食品微生物,已廣泛應用于各種食品場景,如過程監(jiān)控、新鮮度評估、保質(zhì)期調(diào)查、摻假鑒定和產(chǎn)品可追溯性[7-8]。Ye等[9]使用電子鼻評估了牛肉新鮮度;Li等[10]通過電子鼻定量預測了豬肉中的菌落總數(shù)。HSI集成了成像和光譜技術,在微生物代謝物提供特征指紋的前提下,被廣泛用于肉類微生物檢測。如,Duan等[11]及Khoshnoudi-Nia等[12]基于HSI成功檢測了羊肉及魚肉中的菌落總數(shù)。單一的檢測技術在獲取多性狀信息方面具有一定局限性,可能無法準確評估肉類新鮮度,如電子鼻技術忽略了食品固有特性,HSI則無法描述肉類氣味特征。已有研究聚焦于將電子鼻和HSI結合以獲取更全面的信息,提高食品質(zhì)量評價的準確性。Liu等[13]使用電子鼻和HSI檢測了羊肉新鮮度;Aheto等[14]則采用電子鼻和HSI檢測豬肉的肌內(nèi)脂肪和過氧化值。目前,國內(nèi)外基于電子鼻和HSI的研究主要集中在肉類新鮮度評價及微生物預測,本文側重于探索電子鼻和HSI在微生物生長擬合上的適用性。

基于此,本研究測定冷鮮牛肉冷藏過程中的菌落總數(shù),并采集其電子鼻和HSI數(shù)據(jù),通過與傳統(tǒng)平板計數(shù)法所建生長模型比較,探討電子鼻和HSI特征信息在擬合冷鮮牛肉中微生物生長曲線上的適用性,旨在為無損檢測技術在微生物生長擬合的應用提供理論和技術支持。

1 材料與方法

1.1 材料與儀器

新鮮牛肉(牛背最長肌)購于南京蘇果超市。平板計數(shù)瓊脂培養(yǎng)基購于青島海博科技有限公司。

BD-HWS型恒溫培養(yǎng)箱購于南京貝蒂實驗儀器有限公司;PEN 3便攜式電子鼻購于德國AIRSENSE公司;可見-近紅外高光譜成像系統(tǒng)主要由Im Spector V10E型光譜成像儀(芬蘭Specim公司)、ICLB1620CCD相機(美國Imperx公司)、IT3900ER 150W鹵素光源(美國Illumination Technologies公司)、高光譜分析軟件(五鈴光學股份有限公司)等組成。

1.2 試驗方法

1.2.1 樣品處理將冷鮮牛肉置于裝有冰袋的泡沫盒中,15 min內(nèi)運至實驗室進行處理。在超凈臺上剔除脂肪、筋膜后,將其分割成4 cm×4 cm×1 cm的牛肉塊(約30 g)。制備好的樣本貯藏于(4±1) ℃恒溫培養(yǎng)箱中,每天采集10個樣本的電子鼻和高光譜數(shù)據(jù),并測定菌落總數(shù),共計12 d(包括0 d),獲得120個樣本數(shù)據(jù)。

1.2.2 電子鼻數(shù)據(jù)采集采用顧欣哲[15]的方法并略有改動。試驗前,打開電子鼻儀器預熱30 min。將牛肉樣本放入250 mL玻璃燒杯中,室溫下用錫箔紙密封,頂空15 min,采集電子鼻數(shù)據(jù)。試驗參數(shù)如下:進樣時間為45 s,洗氣時間為120 s,調(diào)零時間和樣本準備時間均為5 s,流速為300 mL·min-1。

1.2.3 高光譜數(shù)據(jù)采集與校正采用戈永慧等[16]的方法并略有改動。高光譜成像系統(tǒng)光譜分辨率為 2.8 nm,有效波段范圍為400～1 000 nm,共420個波段,數(shù)據(jù)采集模式為反射。通過預試驗,高光譜數(shù)據(jù)采集參數(shù)設置如下:光源為90 W的鹵素燈,曝光時間為2.5 ms,輸送速度為7.23 mm·s-1。

為消除相機暗流和光源強度等造成的不良影響,對原始圖像進行黑白校正。校正方法為:采集聚四氟乙烯白板(反射率99.9%)獲得全白反射圖像,蓋住相機鏡頭以獲得全黑反射圖像,再通過公式(1)[17]獲得校正后圖像。

(1)

式中:Ical為校正后圖像;Iraw為原始圖像;Iwhite為全白反射圖像;Idark為全黑反射圖像。

1.2.4 菌落總數(shù)(TVC)測定參照《食品安全國家標準 食品微生物學檢驗 菌落總數(shù)測:GB 4789.2—2016》,并略有修改。無菌環(huán)境下,取5 g牛肉置于無菌均質(zhì)袋,加入45 mL 8.5 g·L-1無菌生理鹽水,均質(zhì)器拍打2 min,10倍梯度稀釋。選擇2個合適梯度,取100 μL稀釋液涂布于平板計數(shù)瓊脂培養(yǎng)基,(36±1) ℃恒溫培養(yǎng)(48±1)h后計數(shù)。

1.3 數(shù)據(jù)處理

1.3.1 電子鼻數(shù)據(jù)處理記錄樣本對應的10個傳感器信號響應值,傳感器響應值為相對電導率(G/G0),其值越偏離1,表明氣體濃度越大。電子鼻信號通過Origin 2021b軟件(OriginLab公司)進行主成分分析(PCA),獲得前3個主成分(PC)得分的加權平均值[公式(2),方法ⅰ];并經(jīng)Pearson相關性分析獲取與菌落總數(shù)相關性最強的傳感器,提取特征傳感器的響應值(方法ⅱ),基于上述獲取的特征信息用于微生物的生長擬合。

(2)

式中:PC為前3個主成分得分的加權平均值;PC1、PC2和PC3分別為第1、第2和第3主成分的得分值;a、b和c分別為第1、第2和第3主成分的方差貢獻率。

1.4 數(shù)學模型

本文采用的生長模型為修正的Gompertz[公式(3)]、Logistic[公式(4)]、Huang[公式(5)和(6)]以及Baranyi模型[公式(7)和(8)]。

(3)

(4)

N(t)=N0+Nmax-ln[eN0+(eNmax-eN0)×e-μmax×B(t)]

(5)

(6)

(7)

(8)

式中:Y0、Y(t)和Ymax分別為初始、t時刻及最大細菌濃度,lg(CFU·g-1);N0、N(t)和Nmax分別為初始、t時刻及最大細菌濃度,ln(CFU·g-1)[為便于模型比較,數(shù)據(jù)被轉(zhuǎn)換成lg(CFU·g-1)];μmax為最大比生長速率,h-1;λ為遲滯期,h;t為時間,h。

1.5 模型評價與驗證

采用均方根誤差(RMSE)、決定系數(shù)(R2)和赤池信息準則(AIC)評價模型性能與可靠性[公式(9)—(11)]。RMSE反映模型誤差大小,其越接近0,模型準確度越高;R2越接近1,模型回歸性能越好;AIC越小,模型擬合效果越好。模型驗證數(shù)據(jù)來自重復進行的上述冷藏試驗,通過準確因子(Af)[公式(12)]、偏差因子(Bf)[公式(13)]及殘差分布圖評價模型驗證結果[18-19],Af表示實際值與預測值的平均誤差,Bf表示預測值對實測值的評估是否過低或過高,殘差分布圖則用于反映模型系統(tǒng)偏差。

(9)

(10)

(11)

(12)

(13)

2 結果與分析

2.1 基于傳統(tǒng)平板計數(shù)法的冷鮮牛肉中微生物生長曲線擬合

由圖1可見:微生物生長的延滯期不明顯,其數(shù)量隨時間呈上升趨勢,約168 h后趨于平穩(wěn)?；谛拚腉ompertz、Logistic、Huang和Baranyi模型擬合冷鮮牛肉中微生物生長的效果良好,菌落總數(shù)(TVC)實測值在各生長曲線上下小范圍波動。

圖1 基于平板計數(shù)法擬合的冷鮮牛肉中微生物的生長曲線Fig.1 Growth curves of microorganisms in chilledbeef by the plate count method

由表1可見:4個生長模型估計的初始菌落數(shù)約為5.50 lg(CFU·g-1),最大菌落數(shù)平均約為9.33 lg(CFU·g-1),μmax約為0.033 h-1。遲滯期λ很難預測[20],不同預測模型得到的λ不同。Logistic模型的λ約為64.21 h,其余模型的λ約為0.30 h,差別較大?？傮w而言,4個模型的RMSE為0.128～0.227 lg(CFU·g-1),R2為0.976～0.993,都能很好地模擬冷鮮牛肉中微生物的生長。Huang模型和Baranyi模型的AIC最小,修正Gompertz模型次之,Logistic模型不僅AIC最大,λ估計值較大,且R2較其他三者而言最小。Huang模型和Baranyi模型雖均為機理模型,但擬合效果近乎相同,難以區(qū)分最佳模型,故均被用于后續(xù)基于電子鼻和高光譜成像技術的冷鮮牛肉中微生物的生長曲線擬合。

2.2 基于電子鼻技術的冷鮮牛肉中微生物生長曲線擬合

由圖2可見:傳感器S6、S7、S9和S10響應值較大,可能是由于牛肉中蛋白質(zhì)、不飽和脂肪酸和碳水化合物被氧化分解,釋放出NO2、H2S、H2和CH4等揮發(fā)性物質(zhì)造成的[13]。表明電子鼻可以檢測牛肉變質(zhì)過程產(chǎn)生的揮發(fā)性物質(zhì),從而間接表征微生物數(shù)量,尤其是傳感器S6、S7、S9和S10,其響應值在0～10 s變化迅速,30～40 s趨于平穩(wěn)。故將第35秒的傳感器響應值用于進一步的數(shù)據(jù)分析。

表1 基于平板計數(shù)法的冷鮮牛肉中微生物動力學參數(shù)及模型評價Table 1 Kinetic parameters and model evaluation of the microbes in chilled beef by the plate count method

圖2 冷鮮牛肉貯藏72 h時10個電子鼻傳感器(S1—S10)的響應值Fig.2 Response values of 10 E-nose sensors(S1-S10)when chilled beef was stored for 72 hG/G0表示傳感器響應值,下同。G/G0 indicates sensor response values,the same below.

對10個傳感器進行主成分分析(PCA),得出前3個主成分(PC1、PC2和PC3)的方差貢獻率分別為67.7%、17.2%和5.7%,累計方差貢獻率為90.6%,可代表牛肉樣本大部分的電子鼻信息。將PC1、PC2和PC3的加權平均數(shù)(PC)用于冷鮮牛肉中微生物的生長擬合(方法ⅰ)。由圖3可見:傳感器S7、S9和S10與TVC之間的相關系數(shù)分別為 0.85、0.86和0.93,具有顯著相關性。方法ⅱ選擇相關性最強的傳感器S10的響應值(G/G0)作為冷鮮牛肉微生物生長擬合的輸入值。

圖3 冷鮮牛肉貯藏過程中電子鼻響應值與菌落總數(shù)(TVC)之間的相關性分析Fig.3 Correlation analysis between E-nose response values and total viable count(TVC)during storage of the chilled beef*P<0.05.

由圖4可見:不論是方法ⅰ還是方法ⅱ,Huang模型和Baranyi模型都表現(xiàn)出良好的擬合精度,PC值和G/G0值都分布在Huang模型和Baranyi模型模擬的生長曲線附近。由表2可見:在模型擬合效果方面,方法ⅰ和方法ⅱ中Baranyi模型性能更優(yōu),具有比Huang模型更低的RMSE和AIC,以及更高的R2,但二者差異不顯著,均比平板計數(shù)法所得生長模型精度略低。方法ⅰ和方法ⅱ中Huang模型的μmax值為0.071和0.019 h-1,Baranyi模型的μmax值分別為0.119和0.044 h-1,這與基于平板計數(shù)法所得μmax有略微差別;而λ值卻與平板計數(shù)法的相差甚遠。盡管在生長動力學參數(shù)的估計上存在不足,但整體上看,基于電子鼻技術采用方法ⅰ和方法ⅱ的生長曲線的R2均高于0.871,結果大體令人滿意,且兩者所得模型與基于傳統(tǒng)計數(shù)法所得生長模型之間的相關系數(shù)(r)為0.917～0.994,二者高度相關。其中,方法ⅱ的r值更接近1,故與單個傳感器響應值相比,主成分能更全面充分地表達電子鼻信息,獲得更準確的生長模型。

圖4 基于電子鼻信息擬合的冷鮮牛肉中微生物的生長曲線Fig.4 Growth curves of microorganisms in chilled beef by E-nose information

表2 基于電子鼻信息的冷鮮牛肉中微生物動力學參數(shù)及模型評價Table 2 Kinetic parameters and model evaluation of the microbes in chilled beef by E-nose information

2.3 基于高光譜成像技術的冷鮮牛肉中微生物生長曲線擬合

2.3.1 光譜分析由圖5可見:不同貯藏時間的平均光譜曲線形狀大致相同,響應值(相對反射率)存在差異,暗示各貯藏時間牛肉樣本的化學成分存在差異,這與Zhou等[21]的研究結果一致。700～1 000 nm內(nèi)光譜相對反射率隨時間降低,原因可能是貯藏時間延長,肉體腐爛、顏色變暗造成肉體表面反射光強變小,故后續(xù)取光譜響應值的相反數(shù)擬合微生物生長曲線。此外,本試驗還觀察到光譜曲線中存在多處波峰或波谷。其中,430、490和560 nm處的峰值可能與呼吸色素血紅蛋白有關[22],755 nm處的波谷可能與水分子的O—H鍵有關[23],800 nm處的波峰可能是水分子中O—H的第一泛音引起的[24],970 nm處的波谷可能歸因于水分子的O—H伸縮振動二級倍頻[25]。光譜變化通常由牛肉微生物腐敗時蛋白質(zhì)降解與水分子變化引起,代謝物能夠指示微生物的特征指紋,故光譜可檢測牛肉變質(zhì)過程微生物的數(shù)量變化。

圖5 不同貯藏時間牛肉樣本的平均光譜值(400～1 000 nm)Fig.5 Mean spectra of beef samples at differentstorage time(400-1 000 nm)

2.3.2 基于高光譜成像技術的生長曲線擬合采用2種方法基于高光譜數(shù)據(jù)擬合冷鮮牛肉中微生物的生長曲線。方法Ⅰ用不同算法對高光譜數(shù)據(jù)進行預處理,建立TVC的偏最小二乘回歸(PLSR)預測模型,使用最佳PLSR模型所得TVC預測值進行冷鮮牛肉中微生物的生長曲線擬合。方法Ⅱ利用400～1 000 nm內(nèi)峰值較高的2處光譜值(755和800 nm),表示為方法Ⅱ755 nm和方法Ⅱ800 nm。

由表3可見:比較各個模型的均方根誤差、決定系數(shù)和相對預測性能(RPD)可知,除2nd Derivative和Autoscale算法外,其余預處理算法的PLSR模型精度均有所提高。最佳模型為MSC-PLSR模型,RPD接近3.0,是比較理想的模型。因此,MSC-PLSR模型的預測值被用于生長曲線擬合(方法Ⅰ)。

由圖6可見:基于方法Ⅰ利用Huang模型和Baranyi模型繪制的生長曲線幾乎重合,數(shù)據(jù)點均勻分布在生長曲線附近;基于方法Ⅱ755 nm和Ⅱ800 nm利用Huang模型模擬得到的曲線雖貼近各個數(shù)據(jù)點,但穩(wěn)定階段不明顯,Baranyi模型在圖中的表現(xiàn)更符合微生物的生長階段。由表4可知:方法Ⅰ的R2為0.983,RMSE為0.187,AIC為-37.105,其預測精度可與平板計數(shù)法相媲美;方法Ⅱ755 nm的RMSE和AIC相對較小,但R2僅為0.75,其模型性能不及方法Ⅰ和平板計數(shù)法;方法Ⅱ800 nm的RMSE為0.010和0.009,R2為0.897和0.918,AIC低至-107.389和-109.918,模型預測準確度雖不及平板計數(shù)法,但模型R2接近0.90,預測效果良好。

此外,Huang模型和Baranyi模型在方法Ⅰ中表現(xiàn)出良好的參數(shù)估計能力,μmax和λ約為0.034 h-1和0.30 h,這與平板計數(shù)法的估計值相當。方法Ⅱ755 nm和Ⅱ800 nm中Baranyi模型的μmax值與傳統(tǒng)平板計數(shù)法一致,但λ值相差較大;而Huang模型的μmax和λ值與平板計數(shù)法相比都存在較大差異。另外,基于高光譜信息的冷鮮牛肉中微生物生長模型與平板計數(shù)法所得模型之間的相關系數(shù)r為0.761～0.998。其中,方法Ⅰ的r值可以達到0.998,高于電子鼻技術中的方法ⅰ和方法ⅱ,表明高光譜技術可能更適用于微生物的生長曲線擬合。即,相比于氣味,肉品固有的物理化學屬性能更真實地反映肉品質(zhì)量。方法Ⅱ755 nm的r值0.823和0.822,方法Ⅱ800 nm的r值為0.859和0.761,其模型精度和參數(shù)估計準確度仍有很大提升空間。由此可見,高光譜數(shù)據(jù)的提取方法仍需要改進,以提高模型性能。

表3 不同預處理算法的冷鮮牛肉中微生物定量偏最小二乘回歸(PLSR)預測模型(400～1 000 nm)Table 3 Partial least squares regression(PLSR)quantitative prediction model for microbes inchilled beef with different pretreatment algorithms(400-1 000 nm)

圖6 基于高光譜成像技術信息擬合的冷鮮牛肉中微生物的生長曲線Fig.6 Growth curves of microorganisms in chilled beef by hyperspectral imaging technique(HSI)information

表4 基于高光譜成像技術的冷鮮牛肉中微生物動力學參數(shù)及模型評價Table 4 Kinetic parameters and model evaluation of the microbes in chilled beef by HSI

2.4 模型驗證

為驗證生長模型的準確性和魯棒性,重復上述牛肉恒溫冷藏試驗。由圖7可知:基于傳統(tǒng)平板計數(shù)法擬合的冷鮮牛肉中微生物的生長曲線十分貼近驗證數(shù)據(jù)點,預測性能較好,基于電子鼻技術的方法ⅰ和方法ⅱ以及基于高光成像技術的方法Ⅰ、方法Ⅱ755 nm和方法Ⅱ800 nm也具有同樣好的預測效果。

一般,1.015

圖7 生長模型的驗證Fig.7 Validation of growth modelsa.傳統(tǒng)平板計數(shù)法Plate count method;b.方法ⅰ Method ⅰ;c.方法ⅱ Method ⅱ;d.方法ⅠMethodⅠ;e.方法Ⅱ755 nm Method Ⅱ755 nm;f.方法Ⅱ800 nm Method Ⅱ800 nm.

表5 模型驗證結果Table 5 Results of model validation

圖8 驗證試驗殘差擬合分布圖Fig.8 Distribution of residual errors for the validation experimenta.傳統(tǒng)平板計數(shù)法Plate count method;b.方法ⅰ Method ⅰ;c.方法ⅱ Method ⅱ;d.方法ⅠMethodⅠ;e.方法Ⅱ755 nm Method Ⅱ755 nm;f.方法Ⅱ800 nm Method Ⅱ800 nm.

3 討論與結論

本研究通過平板計數(shù)采用2種經(jīng)驗模型(修正的Gompertz模型和Logistic模型)及2種機理模型(Huang模型和Baranyi模型)分別擬合了冷鮮牛肉中微生物的生長曲線。經(jīng)驗模型和機理模型側重點不同,二者的差異較難定義,前者忽略了細胞的生化過程,擬合能力是其被使用的唯一標準,而后者偏向?qū)毎^程及細胞行為的理解[27]。當模型擬合能力可被接受時,機理模型或可認為是首選。因此,本研究采用Huang模型和Baranyi模型基于電子鼻和高光譜成像技術對冷鮮牛肉微生物進行了生長擬合。然而,依據(jù)模型評價指標(RMSE、R2和AIC)判斷各模型對微生物生長曲線擬合的適宜性時,顯示機理模型相對較好,這可能還需要更多試驗進一步驗證。

基于電子鼻技術采用主成分(方法ⅰ)和相關性(方法ⅱ)分析所建生長模型R2高于0.871,準確度略低于平板計數(shù)法,所得μmax值與之略有不同,但二者的相關系數(shù)r高達0.917～0.994,表明基于電子鼻構建的生長模型準確度和可信度較好。另外,研究還表明主成分能夠反映大多數(shù)的電子鼻信息,比單個傳感器的響應值更能準確地描述微生物的生長曲線。

對于高光譜成像技術,依據(jù)MSC-PLSR模型的預測值(方法Ⅰ)構建的生長模型精度和生長參數(shù)(μmax和λ)與平板計數(shù)法一致,相關系數(shù)r高達0.998。這在一定程度上表明了高光譜成像技術在微生物生長曲線擬合中的優(yōu)越性高于電子鼻技術。而基于光譜值(方法Ⅱ)的生長模型整體上表現(xiàn)稍差,相關系數(shù)r僅為0.761～0.859。驗證試驗證實了基于電子鼻和高光譜成像技術構建的微生物生長模型的有效性和可靠性。

本研究僅探討了電子鼻和高光譜成像技術在冷鮮牛肉菌落總數(shù)生長曲線擬合上的適用性,其在某一特定微生物或多種微生物間相互作用上的應用仍有待研究,如假單胞菌、熱殺索絲菌、氣單胞菌等優(yōu)勢腐敗菌等。若能從電子鼻和高光譜信息中提取每種微生物的指紋氣味或指紋光譜,或可實現(xiàn)依據(jù)電子鼻和高光譜擬合任意一種微生物的生長曲線。其次,電子鼻和高光譜各自在菌落總數(shù)生長曲線擬合上表現(xiàn)良好,但二者結合后或能更全面地表征微生物以提高擬合優(yōu)度。

綜上所述,電子鼻和高光譜成像技術在冷鮮牛肉微生物生長曲線擬合方面具有巨大潛力,這不僅可以豐富電子鼻和高光譜成像技術在肉品微生物檢測研究中的理論和技術,也有助于推廣其在肉品質(zhì)量和安全評價中的應用。但還應注意到,電子鼻和高光譜成像技術在預測微生物學應用方面還有很大的提升空間,如何在消除冗余信息的同時獲取有效信息的方法還需深入研究,生長參數(shù)的準確性還有待提高。