一种基于脉动压处理的带壳溏心蛋制备方法及其熟度检测方法

本发明属于蛋品加工技术及智能检测，具体涉及一种基于脉动压处理的带壳溏心蛋制备方法及其熟度检测方法。

背景技术：

1、溏心蛋作为即食蛋制品中的高附加值品类，相较于市面上常见的全熟蛋制品，其蛋白完全凝固，而蛋黄保持半流质状态，营养成分流失少、适口性强，广受消费者青睐。然而传统溏心蛋生产工艺中，盐分渗透依赖静态腌制，所需时间大致为3-5天，且煮制条件依赖人工经验，使得溏心蛋在工业化生产中面临严峻挑战。为加速壳蛋腌制过程，使用了涂膜腌制、添加剂腌制、超声波腌制、脉动压腌制等，在一定程度上缩短了腌制时间。然而这些腌制方法多用于生产皮蛋和咸蛋，在溏心蛋生产中鲜有使用。在煮制工艺方面，通过精准控温控时，结合快速冷却，实现蛋白完全凝固且蛋黄半凝固的溏心状态；使用六段式变温煮制，实现溏心蛋的巴氏杀菌与烹煮。此外，现阶段市面上出售的带壳溏心蛋大多需要冷藏保存，在运输及存储过程中耗能较高，而常温保存的溏心蛋保质期一般不超过15天。面对生产效率与能耗限制的实际问题，推动溏心蛋生产工艺的创新与优化已成为行业亟待突破的关键。

2、另外，市场上即食带壳溏心蛋主要分为大溏心和小溏心两类，二者的主要区别为：大溏心蛋黄边缘仅少量凝固，内部完全呈液态，流动性较强，因此也被称为流心蛋；小溏心蛋黄外侧完全凝固，中心呈膏状或布丁状，流动性较差。两种溏心蛋和熟蛋适配不同的消费者口感偏好与饮食场景需求，熟度低的鸡蛋脂溶性维生素与生物活性物质保留更完整，而熟蛋虽部分热敏性营养略有损失，但能满足食品安全要求极高的消费场景。区分不同熟度鸡蛋不仅能够帮助消费者根据自身健康诉求做出合理选择，也能推动蛋品加工的工业化与标准化发展，为产业规模化生产提供支撑。因此，研究鸡蛋熟度的无损检测与分级技术，对于推动实现蛋品营养品质精准控制及食品工业自动化具有重要的理论价值与实践意义。

3、目前，鸡蛋不同熟度的传统无损检测技术大多为感官检测技术，主要包括光学透视法、声学检测法和密度测试法。其中光学透视法通过强光照射鸡蛋，观察内部透光性差异来区分鸡蛋熟度；声学检测法通过敲击蛋壳获取振动信号，借助不同熟度鸡蛋的声音频率特征差异进行判别；密度测试法则利用浮力原理，基于熟度越高的鸡蛋因水分蒸发与蛋白质凝固导致密度略微增大的特性，实现熟度区分。但这些方法高度依赖操作人员的实际经验，主观干扰因素显著，难以作为严谨统一的判断标准。而可见/近红外光谱技术因其快速、准确、无破坏性的特点，已在鸡蛋内部品质检测方面得到了广泛运用，其原理是被检测物中含氢基团伸缩振动的倍频与合频信息可以分析相关成分及物理、化学性质。鸡蛋蛋白与蛋黄中的蛋白质含大量n-h基团，水分则以o-h基团为核心特征，两类基团均为可见/近红外光谱的敏感基团。煮制时的热作用使蛋白质天然构象解旋，n-h基团由结合态转化为游离态，同时自由水被变性蛋白质的空间网络包裹为结合水，o-h基团的振动受束缚，二者的基团状态变化会直接导致其伸缩振动的倍频、合频吸收峰的吸光度、峰位发生特征性变化，且熟度越高，光谱特征变化越显著。针对鸡蛋熟度检测与分级的研究仍处于空白状态，现有蛋品光谱检测研究多针对单一品质指标的分析，未涉及煮制过程中鸡蛋蛋白质变性、水分状态动态变化的光谱特征解析。且现有光谱检测模型多基于传统化学计量学算法，对鸡蛋熟度这类细微特征差异的识别能力不足，难以满足工业化生产中鸡蛋熟度精准分级的需求。

技术实现思路

1、本发明为解决上述问题，提供一种基于脉动压处理的带壳溏心蛋制备方法及其熟度检测方法。

2、本发明技术方案为：

3、一种基于脉动压处理的带壳溏心蛋制备方法，包括以下步骤：

4、（1）鲜鸡蛋、清洗后进行脉动压腌制；

5、（2）脉动压腌制后进行清洗、烘干，真空包装；

6、（3）第一次煮制，冷却降温后再进行第二次煮制：

7、完成带壳溏心蛋的制备。

8、优选地，所述步骤s1中，脉动压腌制条件为：高压幅值160-175kpa、温度为34-38℃、高压脉动比2-6 min：3-6 min、腌制时间1.5-3h、盐溶液浓度19%，优选地，高压幅值170.8kpa、温度为36.3℃、高压脉动比5.8 min：5 min、腌制时间2h、盐溶液浓度19%。

9、优选地，所述步骤s3中，第一次煮制和第二次煮制的温度为80-90℃，煮制时间7-10min，第一次和第二次煮制的时间间隔24h以上；优选地，第一次煮制和第二次煮制的温度为85℃，煮制时间8min。

10、所述制备方法得到的带壳溏心蛋。

11、所述制备方法得到的带壳溏心蛋的熟度检测方法，包括以下步骤：

12、s1光谱数据采集：将真空包装的鸡蛋置于底部托盘上，光谱仪采集平均次数和平滑度均设置为3，积分时间为100 ms，采集并保存鸡蛋光谱中的吸光度曲线；

13、s2在光谱数据采集完毕后，沿蛋体长径方向对半切开，测量蛋黄呈黏稠状/胶质状/流沙状的截面积长径和蛋黄截面积长径，计算对应的溏心度，确保所有样本均符合对应熟度标准；

14、s3样本划分及扩充：将采集的样本光谱按照鸡蛋熟度进行分类，各类别划分训练集与测试集，并对样本进行扩充；

15、s4数据建模：采用经步骤s3处理后的数据进行建模分析，构建融合双注意力机制的cc-1d-cnn熟度分类模型；模型以维度1677×1的原始可见/近红外透射光谱为输入，由输入层、特征提取模块、分类输出模块串联构成；

16、s5:采用得到的模型用于预测带壳溏心蛋的熟度预测。

17、优选地，所述步骤s3中：样本划分中将采集的样本光谱按照鸡蛋熟度大溏心、小溏心、熟蛋进行分类，各类别按照7:3的比例随机划分训练集与测试集，得到训练集519 份，测试集223 份，其中测试集由74 份大溏心光谱，75 份小溏心光谱和74 份熟蛋光谱组成；

18、优选地，所述步骤s3中：样本扩充方法包括：1）引入随机斜率变化、垂直偏移及乘法缩放，模拟真空包装膜轻微散射带来的光谱基线漂移与强度波动，提升模型对包装膜干扰的抗干扰能力；2）选取同类别下两条原始光谱曲线，随机生成总和为1的线性组合系数，对二者进行线性叠加生成新样本。

19、优选地，所述步骤s4中：特征提取模块包含三组依次串联的卷积池化单元，每组含两层一维卷积层与一层最大池化层，卷积步长为1、池化步长为2；在第一组卷积层与池化层间嵌入cbam卷积注意力模块，第二组卷积层与池化层间嵌入cca通道上下文注意力模块；

20、分类输出模块由展平层、两层全连接层与随机失活层串联构成，随机失活概率为0.3；模型训练学习率设为0.0001，激活函数采用relu，最终输出大溏心蛋、小溏心蛋、熟蛋三类熟度分级结果。

21、优选地，cbam卷积注意力模块由通道注意力单元与空间注意力单元串联组成，适配一维光谱数据形式，通道注意力单元并行采用全局平均池化与全局最大池化压缩光谱空间维度，分别提取光谱序列的全局平均特征与极值特征，经共享多层感知机完成非线性映射后逐元素相加，再通过sigmoid激活函数生成各光谱通道的权重系数，量化不同波长区间对熟度判别的贡献度；空间注意力单元沿通道维度并行执行平均池化与最大池化，提取每个光谱点位的局部特征，将两类池化结果在通道维度拼接后经一维卷积降维融合，通过sigmoid函数生成各光谱点位的空间权重系数。原始卷积特征依次经通道权重、空间权重逐点加权，实现关键波段特征增强，同时抑制冗余噪声与基线漂移的干扰。

22、cca通道上下文注意力模块为通道与波长位置联合优化的注意力结构：模块通过全局平均池化结合两层全连接网络生成通道注意力权重，挖掘不同特征通道之间的依赖关系；同时通过1×1卷积运算生成波长位置维度的空间注意力权重，评估每个光谱点位的判别价值。将通道与空间两个维度的权重融合后与原始特征图相乘，完成特征的联合重标定；该模块与前置的cbam模块形成协同效应，可弱化真空包装膜带来的微弱散射噪声，进一步强化蛋白质变性、水分状态变化对应的核心光谱特征响应，提升模型对细微熟度差异的区分能力。

23、特征提取完成后，数据经展平层输入分类输出模块，分类输出模块由两层全连接层与一层随机失活层串联构成，随机失活概率设置为0.3；模型训练阶段学习率设为0.0001，各层激活函数均采用relu函数，最终输出长度为3的分类向量，对应大溏心蛋、小溏心蛋、熟蛋三类熟度等级。

24、优选地，所述步骤s4中，模型的评价指标包括：

25、准确率

a衡量模型对样本的整体分类正确率；使用宏平均f1分数衡量三分类任务中模型对各熟度类别的识别能力；使用平均检测时间衡量模型处理单个光谱样本所需的平均时间（ms）；使用浮点运算量衡量模型部署至嵌入式设备的能力，其中准确率和宏平均f1分数的计算式分别为

26、

27、式中

ncorrect为正确预测样本数；

ntotal为样本总数；

pi为第

i类鸡蛋熟度的精确率；

ri为第

i类鸡蛋熟度的召回率。

28、本发明的有益效果在于：

29、（1）脉动压技术可以有效促进盐溶液向鸡蛋内渗透，加速带壳溏心蛋的腌制过程。溏心蛋煮制的最佳温度和时间组合为第一次85 ℃煮制8分钟，充分冷却后间隔24小时，第二次85 ℃煮制8分钟，此时溏心蛋质构特性良好，蛋白硬度和弹性适中，蛋黄胶粘性和咀嚼性低，感官得分为90.7分。在以上工艺条件下生产的带壳溏心蛋能够在25 ℃环境下保存21天，保藏效果好。

30、（2）原始光谱数据分析表明，不同熟度鸡蛋的光谱差异主要集中在700~1 100 nm波段，该区间为o-h、n-h化学键伸缩振动倍频与合频的特征吸收区间，可有效表征鸡蛋煮制过程中水分、蛋白质变性引发的理化特性变化。

31、（3）消融试验结果表明，相比基线模型（1d-cnn），同时引入卷积注意力模块（cbam）和通道上下文注意力模块（cca）后，模型的错检数减少3 个，识别准确率提升1.80 个百分点，平均检测时间和参数量微增1.72 ms和0.03 m，能够较好平衡检测精度与效率。

32、（4）不同模型对比结果表明，cc-1d-cnn模型相比1d-resnet模型以及同架构的ec-1d-cnn模型，识别准确率分别提升4.49和1.35 个百分点，虽然cc-1d-cnn模型在计算效率方面虽略有降低，但在实际部署中几乎无影响。

33、（5）cc-1d-cnn模型测试结果表明，模型对大溏心蛋、小溏心蛋、熟蛋的识别准确率分别达到98.65%、96%、91.89%，针对整个测试集的三分类准确率达到95.52%，对熟蛋和溏心蛋的二分类准确率可达到99.55%，能够满足工业上对鸡蛋煮制后不同熟度的检测。cc-1d-cnn模型对4 类不同来源的鸡蛋识别准确率为94.67%，证明模型具有较强的泛化性，可适配不同鸡蛋样本检测场景。