豬肉是全球消費量最大的肉類之一，其新鮮度和安全性直接關系到消費者的健康和食品產業的健康發展。在儲藏和加工過程中，脂肪的氧化和蛋白質的降解是導致肉質劣變的關鍵過程。為了評估肉的新鮮程度，食品科學領域通常需要檢測多個關鍵理化指標，其中最常用的是pH值、硫代巴比妥酸反應物（TBARS）含量和揮發性鹽基氮（TVB-N）含量。然而，傳統的檢測方法（如化學滴定、色譜分析等）往往是破壞性的，需要復雜的樣品前處理，耗時費力且成本高昂，難以滿足現代食品工業對快速、無損、實時檢測的迫切需求。

近年來，可見/近紅外（Vis-NIR）光譜技術以其無損、快速和高靈敏度的特點，在食品品質檢測中展現出巨大潛力。這項技術通過建立化學計量學模型，可以從光譜信號中反演出樣品的成分或品質信息。但當前研究存在一個顯著局限：大多數模型是“單靶向”的，即一個模型只針對某一個指標（如pH）進行預測。在實際的肉類新鮮度評估中，需要同時考察多個指標，如果為每個指標都單獨建立和運行一個模型，會非常低效，無法實現真正的快速綜合評判。那么，能否開發一種先進的建模策略，只用“掃”一次光譜，就能同時、準確地預測出多個關鍵品質指標呢？這正是本研究試圖回答的核心問題。

為此，來自大連工業大學食品科學與技術學院的研究團隊在《LWT - Food Science and Technology》期刊上發表了一項創新性研究。他們巧妙地將深度學習領域前沿的“多任務學習”和“殘差網絡”思想，與Vis-NIR光譜技術相結合，開發了一種全新的多任務殘差一維卷積神經網絡（MTR-1D-CNN）模型，成功實現了對豬肉pH、TBARS和TVB-N三項指標的無損、同步、高精度檢測，為肉類產業的智能化品控開辟了新路徑。

為了開展這項研究，研究人員主要采用了以下幾項關鍵技術方法：首先，他們制備了225份豬背最長肌樣本，在4°C下儲存0-14天以獲取不同新鮮度的樣本，并采集了400-1800 nm范圍的Vis-NIR光譜。同時，他們采用國家標準方法測定了所有樣本的pH、TBARS和TVB-N含量作為參考真值。其次，在數據處理方面，他們使用了Savitzky-Golay平滑算法對原始光譜進行去噪預處理，并采用了SPXY算法以3:1的比例劃分校正集和預測集。為了增強模型在小樣本下的泛化能力，他們對校正集光譜進行了數據增強。最后，在建模環節，本研究核心是提出了MTR-1D-CNN模型，并與傳統的單任務深度學習模型（長短期記憶網絡LSTM和一維卷積神經網絡1D-CNN）進行性能對比。該MTR-1D-CNN模型采用了共享特征提取層與任務特定分支相結合的多任務架構，并在共享層中引入了殘差塊以優化梯度傳播和特征提取能力。模型通過網格搜索優化超參數，并使用均方誤差等指標進行評估。

研究表明，在4°C儲存條件下，豬肉樣本的pH、TBARS和TVB-N含量均隨儲存時間延長而逐漸增加。pH從第0天的5.18上升至第14天的6.15；TBARS含量（以MDA計）從0.16 mg/kg升高至1.60 mg/kg；TVB-N含量從5.87 mg/100g大幅增加至45.10 mg/100g。這些數據清晰地刻畫了豬肉從新鮮到腐敗的理化變化軌跡，為后續的建模預測提供了堅實的數據基礎。

所有樣本的光譜曲線趨勢一致，并顯示出明顯的吸收峰。例如，415-425 nm處的信號與肉中氧合肌紅蛋白和高鐵肌紅蛋白有關；540-580 nm與血紅蛋白和肌紅蛋白相關；980 nm附近的信號與O-H鍵的伸縮振動有關；而1300-1400 nm范圍內的信號則對應于亞甲基中C-H鍵的二次諧波振動。這些光譜信號反映了豬肉中不同化學鍵的振動信息，能夠間接揭示其化學成分（如pH、TBARS、TVB-N）的變化，為深度學習模型進行回歸預測分析提供了依據。

經過Savitzky-Golay平滑預處理后的光譜，有效去除了基線漂移和噪聲，同時保留了關鍵吸收峰，并使信號更平滑，提升了光譜數據質量，有助于模型更好地捕捉豬肉樣本的化學變化。

通過數據增強，每個原始光譜被擴展為5個增強光譜，使校正集樣本量從168個增至1008個。增強后的數據集在關鍵光譜波段分布上與原始集和預測集保持一致，但增加了數據分布的多樣性，這從根本上增強了神經網絡模型對于微小光譜偏移的泛化魯棒性。

單任務的LSTM和1D-CNN模型在預測pH和TVB-N時表現出較好的性能（例如LSTM預測pH的R²p為0.88，RPD為2.94）。然而，這兩個模型對TBARS的預測準確性相對較低（R²p在0.73–0.74之間，RPD < 2.0）。這表明TBARS由于其化學復雜性（代表多種次級氧化產物的混合物）及在近紅外區域可能缺乏特異性的強吸收峰，對單任務模型的特征提取能力提出了更大挑戰。

本研究提出的MTR-1D-CNN模型展現出了卓越的綜合性能。該模型通過網格搜索確定了最優超參數組合，并在訓練中快速收斂。其預測性能全面優于單任務基線模型：對于pH，R²p為0.84，RPD為2.52；對于TBARS，R²p提升至0.88，RPD顯著提高至2.90；對于TVB-N，R²p達到0.90，RPD高達3.12。預測值與實測值散點圖顯示二者高度吻合，證實了模型在綜合評估豬肉品質方面的穩定性和適用性。波長重要性分析進一步顯示，模型能夠關注到與各指標化學本質相關的特征波段，例如TVB-N對應的~1510 nm（N-H鍵），pH相關的可見光區及~970 nm（O-H鍵），以及TBARS相關的1150–1250 nm（C-H鍵），這表明模型的學習過程具有可解釋的化學意義。

本研究成功開發了一種新穎的多任務殘差一維卷積神經網絡（MTR-1D-CNN），用于豬肉新鮮度的無損同步評估。模型整合了殘差學習和多任務架構，有效克服了單靶向檢測的局限性。與需要為每個指標單獨訓練和維護模型的傳統方法相比，MTR-1D-CNN框架提供了一種“一步式”解決方案，在保持甚至提高各項指標預測精度的同時，顯著提升了檢測效率，更適用于工業部署。

討論部分深入分析了模型優勢的內在原因。多任務學習的成功，關鍵在于利用了不同品質指標（蛋白質降解產生的TVB-N、脂肪氧化產生的TBARS以及酸度變化pH）之間的內在生化耦合關系。模型通過共享底層特征提取層，能夠學習到對不同任務都有用的通用光譜表征，并利用TVB-N等任務中更明顯的光譜特征知識，來輔助提升對TBARS這種難以預測的任務的準確性，實現了單任務模型無法達到的全面優化。此外，模型中集成的殘差塊促進了梯度的直接傳播，使得網絡能夠提取更深層的高階抽象特征，避免了梯度消失問題，增強了模型的訓練穩定性和特征提取能力。

盡管取得了 promising 的結果，研究也存在一定局限，例如當前數據集僅限于豬背最長肌單一部位，模型對不同肌肉類型或其他肉類的泛化能力有待進一步驗證。未來工作可擴展樣本多樣性，并探索將此類方法與更全面的品質指數（如通過因子分析得出）相結合，以建立多維度的、更 holistic 的肉類品質評估體系。

總之，這項研究不僅實現了豬肉多項關鍵品質指標的無損同步檢測，更凸顯了多任務深度學習在食品質量監測中的優勢和廣泛應用潛力。它為食品工業實現高效檢測與質量控制提供了新的見解和技術方案，是人工智能賦能傳統食品檢測領域的一次成功實踐。