基于計算機視覺的鯰魚肉色澤測定系統

曹雷鵬，樊玉霞，黃軼群，賴克強*

（上海海洋大學食品學院，食品熱加工工程技術研究中心，上海 201306）

基于計算機視覺的鯰魚肉色澤測定系統

曹雷鵬，樊玉霞，黃軼群，賴克強*

（上海海洋大學食品學院，食品熱加工工程技術研究中心，上海 201306）

采用色差計與計算機視覺系統（computer vision system，CVS）兩種方法分別測定鯰魚（Clarias leather）冰藏18 d期間魚肉的色澤變化，探討CVS方法測定魚肉色澤（L*、a*、b*）的可行性。結果表明，兩種方法所得的冰藏期間鯰魚肉色澤變化趨勢相同，且所得的總色差（ΔE值）基本相等。魚肉冰藏期間明度（L*值）和ΔE值隨著冰藏時間延長而逐漸升高（P＜0.05）；紅度（a*值）在前3 d緩慢升高，之后顯著下降（P＜0.05）；黃度（b*值）無顯著性變化（P＞0.05）。通過色差計測量值對CVS測量值進行校正并驗證可知，其校正值與色差計測量值無顯著性差異（P＞0.05），且二者L*、a*、b*值的線性相關系數為0.89～0.97，表明CVS測量值經校正后，能準確地檢測出冰藏期間鯰魚肉的色澤變化，從而實現魚肉色澤的快速測定。

計算機視覺系統；色差計；鯰魚；色澤；冰藏

色澤作為食品感官特性評價的重要指標之一，魚肉色澤好壞將直接影響消費者對魚肉的接受度，從而影響生鮮魚肉及其加工產品的銷量及市場價格[1]。淡水魚肉的水分及蛋白質含量較高，在銷售或加工貯藏過程因魚肉的氧化褐變及微生物作用導致腐敗變質，引起色澤的變化，因此消費者常以色澤作為評價魚肉新鮮度及其品質的重要依據[2]。色澤主要有紅綠藍（red, green, blue，RGB）、青洋黃黑（cyan, magenta, yellow, black，CMYK）、色調-飽和度-亮度（hue, saturation, intensity，HSI）和L*、a*、b* 4 種描述模型，其中RGB模型主要用于描述電視及電腦顯示屏中顯示的色澤；CMYK模型用于描述彩色印刷中的色澤；HSI模型與肉眼所見色澤相近，但對色澤的微小變化不敏感，因此不適用于評估食品加工貯藏過程中色澤的變化；L*、a*、b*模型為國際照明委員會系統（Commission International d’Eclairage，CIE）于1976年所規定的國際標準色澤模型，該模型的色彩分布均勻，彌補了RGB等模型色彩分布不均的缺點，且能描述肉眼所見的一切色彩，對色彩的微小變化也敏感，因此常用于描述食品表面的色澤及變化[3-5]。

色差計作為標準的色澤測定儀器，常被用于測定各類魚肉表面色澤，如草魚[6]、鳙魚[7]、鮭魚[8]等，盡管色差計的使用比較簡便，但由于其測量直徑（約8 mm）很小，較大樣品表面的色澤需要多點測量，且與樣品直接接觸，樣品表面要求平整、色澤一致，很難實現對較大面積肉樣表面色澤的快速測定[9]。計算機視覺系統（computer vision system，CVS）主要是由燈光、數碼相機及圖像處理軟件3 個部分組成，利用相機在一定的光照條件下對食品進行拍照，并通過圖像處理軟件分析食品表面的色澤、形態等，在食品加工貯藏中可替代肉眼監控食品的色澤、形態等工作[10]。燈光的類型、位置及其形狀對圖像的獲取及色澤產生較大的影響。熒光燈因反射光擴散比較均勻而廣泛應用[11]，燈光位置一般與相機鏡頭成45°，燈管的形狀應根據樣品的形狀而設定，環形燈適用于平面型的樣品，而散射燈適合圓球形的樣品[3]；數碼相機中對圖像影響較大的硬件是圖像感應器，感應器為互補金屬氧化物半導體（complementary metal oxide semiconductor，CMOS）的相機具有快速獲取圖像、低成本和低耗電量，且可避免外來光影響的優勢而得到廣泛的應用[12]；圖像處理軟件有Photoshop、ACDSee等軟件，其中Photoshop軟件具有較強圖像編輯功能和色彩的分析能力，同時提供了較先進的色澤管理能力，已廣泛應用于實驗室及工業企業[2-3]。CVS因具有簡便快捷經濟、自動化程度高、無接觸且獲取的圖像可以長期保存等優勢，在現代農產品、水產品及禽肉類行業得到了越來越多的應用[13-16]。目前大部分文章主要關于通過CVS分析肉類和農產品色澤對其品質進行分類，但對其所測定色澤值的準確性鮮見報道。

鯰魚（Clarias leather）作為全球市場上重要的淡水魚，因其養殖成本低而作為魚糜制品的重要來源[17-19]。本實驗以鯰魚作為樣品，采用色差計及CVS兩種方法分別測定（0±1） ℃冰藏0、1、3、7、12、18 d鯰魚肉色澤的變化，并通過兩種方法的對比，探討采用CVS方法測定魚肉色澤的可行性，以實現魚肉色澤的快速準確測定，為水產品加工及貯藏企業利用CVS在線準確地監控魚肉色澤提供理論依據。

1 材料與方法

1.1 材料

新鮮鯰魚（6 條，平均質量（2 818±250） g/條）上海浦東新區附近某養殖場。

1.2 儀器與設備

ME204E電子天平 梅特勒-托利多儀器（上海）有限公司；CR-400色差儀 杭州柯盛行儀器有限公司；EOS700D數碼相機 佳能（中國）有限公司；T5圓環形熒光燈管22 W（6 500 K）及電子鎮流器EBC-122 飛利浦（中國）有限公司。

1.3 方法

1.3.1 鯰魚樣品的準備

為減少因實驗樣品差異引起的誤差，鯰魚個體質量差異應保持在500 g以內。鮮活鯰魚以木棒擊暈宰殺、去頭、去內臟，并用預冷的蒸餾水沖洗干凈。如圖1所示，每條魚以腹部后端作為中線，前后各取1段長約4 cm的魚肉，用吸水紙吸去魚塊表面水分后，分別裝入已標記好的自封袋中，擠出空氣后密封，并埋入碎冰（（0±1） ℃）中貯藏0、1、3、7、12、18 d。以4 條魚作為CVS所測色澤值的校正樣品，2 條魚作為CVS所測色澤值校正后的驗證樣品。

圖1 鯰魚的取樣部位Fig. 1 Sampling positions of catf i sh

1.3.2 色差計測定魚肉色澤

色差計的光源為D65光源，光斑直徑為8 mm，而測試魚塊樣本面積較大、色澤不均，為減少實驗誤差，色差計經標準白色瓷板校正后，對鯰魚腹部及尾部的魚肉分別選取6 個固定測量點，按如圖2所示，測定每條鯰魚的兩個魚塊各個測量點的L*、a*、b*值，最后取平均值。魚塊冰藏期間色澤變化值（ΔE）按式（1）計算[20]。

式中：i值為魚肉冰藏時間，其值為1、3、7、12、18 d；L0*、a0*、b0*分別為新鮮魚肉的明度、紅度及黃度；Li*、ai*、bi*分別為魚肉冰藏第i天的明度、紅度與黃度。明度（L*值，由黑至白），其范圍為0～100；紅度（a*值，由綠至紅）和黃度（b*值，由藍至黃），其取值范圍均為-120～120[5]。

圖2 鯰魚腹部及尾部魚肉色澤的測定位置Fig. 2 Positions for color measurement at abdomen and tail of catf i sh

1.3.3 計算機視覺系統及樣品圖像的獲取

圖3 圖像視覺系統組成部分Fig. 3 Schematic of computer vision system

如圖3所示，CVS裝置根據Pandit等[21]的安裝方法設計，略作改動而成。依據樣品的形狀及拍照時所需燈光的要求，采用反射光擴散較均勻的圓環形熒光燈（22 W、6 500 K）作為照明系統，環形燈管安置在木箱內中部（距離相機20 cm）；數碼相機（EOS 700D，像素為800 萬、圖像感應器類型為CMOS）通過支架置于黑木箱（40 cm×40 cm×40 cm）內部頂端的中央，相機參數設定：快門速率為1/100 s；感光度為ISO 100；鏡頭：EF-S18-55 mm f/3.5-5.6 IS；手動觸摸拍攝，自動對焦，單拍。獲取圖像時，用吸水紙將樣品表面水分去除后，置于相機鏡頭正下方進行拍攝，獲取圖像后傳送至電腦中存貯待分析。

1.3.4 圖像色澤的分析

圖4 Photoshop CC測定魚塊色澤的直方圖Fig. 4 Histogram window of catf i sh cross-sectional color in Photoshop CC

采用Photoshop CC軟件分析每塊魚肉圖像，圖4顯示了Photoshop CC測定的部位及其直方圖窗口，該窗口顯示了測試肉塊的整個表面色澤數據（如明度L值平均值、標準偏差及中間值等），在下拉菜單中也顯示了a和b值，但直方圖顯示的L、a和b值并不是標準色澤值，可通過式（2）～（4）分別轉換成標準色澤L*、a*和b*值[4,22]。

1.4 數據分析

采用Excel 2010軟件整理數據并制表，Matlab（R2010b）及Photoshop CC軟件進行數據分析。

2 結果與分析

2.1 色差計與CVS分別測定的鯰魚肉色澤變化

表1 色差計與CVS所測的冰藏期間鯰魚肉塊的色澤L*、a*、b*及ΔE值（n=4）Table 1 Color parameters (L*、a*、b* and ΔEvalue) of catf i sh measured with colorimeter and CVS during ice storage (n= 4)

由表1可知，CVS測定的鯰魚色澤L*、a*、b*值及ΔE值的色澤變化趨勢與色差計所測的趨勢相同：明度L*值及ΔE值在冰藏期間呈逐漸升高趨勢；紅度a*值在前3 d逐漸升高，之后逐漸下降；黃度b*值在冰藏期間無顯著差異（P＞0.05），結果表明魚肉在冰藏期間魚肉的品質逐漸下降。魚肉色澤的變化主要原因：1）魚肉在貯藏加工過程中因自身酶及微生物的作用引起肌紅蛋白、胡蘿卜素等物質的氧化變性[23-24]，2）微生物引起蛋白質纖維斷裂導致組織結構破裂從而影響魚肉的持水能力和入射光的散射、反射[25-26]，如Liu Dasong等[27]研究發現冰藏期間草魚組織結構破裂，汁液流出表面，導致魚肉表明逐漸形成白色的斑點，引起魚肉的白度值逐漸升高；Chow等[28]報道新鮮鯰魚肉表面的肌紅蛋白（Fe2+，reduced myoglobin，RMb）容易被氧化成氧合肌紅蛋白（Fe2+，oxymyoglobin，MbO2，呈鮮紅色），進而氧化成高鐵肌紅蛋白（Fe3+，metmyoglobin，MetMb，呈褐色），其色澤主要與肉中的MetMb含量密切相關，如20%（鮮紅色）、50%（褐紅色）、超過70%（褐色）。

由表1色差計測定的結果可知，明度L*值由49.85±1.49（0 d）逐漸增加到55.71±2.07（18 d）；紅度a*值由2.21±0.14（0 d）增加至3.48±0.59（3 d），之后下降至-0.25±0.63（18 d）；黃度b*值保持在15.62～16.95之間；總色差ΔE值由0.00增加至6.53±0.60（18 d）。與色差計所測的值對比可知，CVS測得的明度L*值較低，其值由35.14±0.99（0 d）增加至38.21±0.69（18 d），其所測L*值不同的主要原因是：由光的折射原理可知入射光越強，折射光越強，使得樣品表面越亮，其明度L*值就越高[29]。色差計因接觸樣品進行測定色澤，入射光較強，而CVS中燈光距離樣品20 cm，到達樣品表面的入射光的強度明顯減弱，導致所測的L*值較低。Girolami等[2]研究顯示CVS測定牛肉L*值因入射光強度等原因導致其值低于色差計的測定值。紅度a*值在前3 d由11.47±0.61（0 d）增加至12.27±0.96（3 d），之后降低至6.07±1.51（18 d），黃度b*值保持在21.36～23.61之間，所測得的a*值和b*值均高于色差計的測定值，其主要原因是紅色光和黃色光的電磁波具有較低的折射指數和較強的透射能力，色差計是接觸樣品進行測量，電磁波透射較深且折射指數低，導致肉樣表面的電磁波較弱，而CVS測量時入射光距離樣品較遠（20 cm），到達肉樣表面的電磁波較強且透射較淺，導致CVS測定的紅度a*值和黃度b*值較高[2,30]；總色差ΔE值與色差計所測的值無顯著性差異（P＞0.05），由0.00（0 d）增加至6.29±0.89（18 d）。

2.2 CVS測定值的校正及驗證

表2 兩條鯰魚CVS的校正色澤值及色差計測定值Table 2 Calibrated color values from CVS and colorimeter-measured color values of two catf i sh samples

根據色差計測量時需使用標準白色瓷板進行校正的原理，以表1中色差計測定的色澤值為標準值，通過色差計與CVS測定的值相減后取平均值，得到CVS測定L*、a*和b*值的校正系數分別為16、-8和-6。表2顯示了2 條鯰魚CVS色澤測定值經校正系數校正后的值及色差計測定值，結果顯示，校正值與色差計測定的L*、a*和b*值的相關系數均在0.89～0.97之間，且校正值與色差計測量值無顯著性差異（P＞0.05），表明CVS測量值經校正后，其值可準確反映冰藏期間魚肉表面的色澤及其變化。

3 結 論

冰藏0～18 d期間，因蛋白質變性降解、色素氧化等原因，導致魚肉明度L*值和總色差ΔE值逐漸升高；紅度a*值在前3 d逐漸升高，之后顯著下降；黃度b*值無顯著性差異（P＞0.05），色澤的變化表明冰藏期間魚肉的品質逐漸下降。色差計和CVS方法所測得的魚肉冰藏期間色澤（L*、a*、b*）變化趨勢相同，總色差ΔE值無顯著性差異（P＞0.05），但由于入射光強度、折射指數及組織結構破壞等原因，導致兩種方法的測量值差異較大。通過以色差計測量值作為標準值對CVS測量值進行校正并驗證可知，CVS測量值經校正后，其色澤L*、a*、b*值與色差計測得的值無顯著性差異（P＞0.05），2種方法的L*、a*、b*相關系數在0.89～0.97之間，結果表明CVS可以快速準確地測定魚肉樣品的色澤，可代替色差計對樣品色澤進行快速準確測定。另外CVS測試成本較低、操作簡便且無需經過專業培訓，這些為今后CVS的應用開發提供廣闊的發展空間。

[1] COSTA C, ANTONUCCI F, PALLOTTINO F, et al. Shape analysis of agricultural products: a review of recent research advances and potential application to computer vision[J]. Food and Bioprocess Technology, 2011, 4(5): 673-692. DOI:10.1007/s11947-011-0556-0.

[2] GIROLAMI A, NAPOLITANO F, FARAONE D, et al. Measurement of meat color using a computer vision system[J]. Meat Science, 2013, 93(1): 111-118. DOI:10.1016/j.meatsci.2012.08.010.

[3] WU Di, SUN Dawen. Color measurements by computer vision for food quality control: a review[J]. Trends in Food Science & Technology, 2013, 29(1): 5-20. DOI:10.1016/j.tifs.2012.08.004.

[4] YAM K L, PAPADAKIS S E. A simple digital imaging method for measuring and analyzing color of food surfaces[J]. Journal of Food Engineering, 2004, 61(1): 127-142. DOI:10.1016/S0260-8774(03)00195-X.

[5] TRINDERUP C H, DAHL A, JENSEN K, et al. Comparison of a multispectral vision system and a colorimeter for the assessment of meat color[J]. Meat Science, 2015, 102: 1-7. DOI:10.1016/ j.meatsci.2014.11.012.

[6] 曹雷鵬, 牛麗紅, 孫曉華, 等. 草魚冰藏期間新鮮度及熱加工性質的變化[J]. 食品科學, 2016, 37(12): 44-49. DOI:10.7506/spkx1002-6630-201612001.

[7] 姜啟興, 申麗麗, 湯鳳雨, 等. 加熱溫度對鳙魚肉色澤和質構的影響研究[J]. 食品工業科技, 2013, 34(17): 67-70. DOI:10.13386/ j.issn1002-0306.2013.17.062.

[8] FOWLER M R, PARK J W. Effect of salmon plasma protein on pacif i c whiting surimi gelation under various ohmic heating conditions[J]. LWT-Food Science and Technology, 2015, 61(2): 309-315. DOI:10.1016/j.lwt.2014.12.049.

[9] YAGIZ Y, BALABAN M O, KRISTINSSON H G, et al. Comparison of Minolta colorimeter and machine vision system in measuring color of irradiated Atlantic salmon[J]. Journal of the Science of Food and Agriculture, 2009, 89(4): 728-730. DOI:10.1002/jsfa.3467.

[10] 姚瑞玲. 計算機視覺技術在食品工業中的應用研究進展[J]. 食品與發酵科技, 2014, 52(4): 93-97. DOI:10.3969/j.issn.1674-506X.2014.03-024.

[11] SALDANA E, SICHE R, CASTRO W, et al. Measurement parameter of color on yacon (Smallanthus sonchifolius) slices using a computer vision system[J]. LWT-Food Science and Technology, 2014, 59(2): 1220-1226. DOI:10.1016/j.lwt.2014.06.037.

[12] DOWLATI M, MOHTASEBI S S, DELAGURDIA M. Application of machine vision techniques to fish quality assessment[J]. Trends in Analytical Chemistry, 2012, 40: 168-179. DOI:10.1016/ j.trac.2012.07.011.

[13] EIMASRY G, CUBERO S, MOLTO E, et al. In-line sorting of irregular potatoes by using automated computer-based machine vision system[J]. Journal of Food Engineering, 2012, 112(1/2): 60-68. DOI:10.1016/j.jfoodeng.2012.03.027.

[14] 黃星奕, 吳磊, 徐富斌. 計算機視覺技術在魚新鮮度檢測中的應用研究[J]. 計算機工程與設計, 2013, 34(10): 3562-3567. DOI:10.16208/j.issn1000-7024.2013.10.043.

[15] CHMIEL M, SLOWINSKI M, DASIEWICZ K, et al. Application of a computer vision system (CVS) to classify beef as normal or dark, fi rm and dry[J]. Journal of Animal Science, 2012, 90(11): 4126-4130. DOI:10.2527/jas2011-5022.

[16] MA J, SUN D W, QU J H, et al. Applications of computer vision for assessing quality of agri-food products: a review of recent research advances[J]. Critical Reviews in Food Science and Nutrition, 2016, 56(1): 113-127. DOI:10.1080/10408398.2013.873885.

[17] 劉曉華, 馬儷珍, 郭耀華, 等. 不同保鮮劑對4 ℃冷藏鯰魚魚糜保鮮效果的影響[J]. 食品科學, 2014, 35(24): 316-320. DOI:10.7506/ spkx1002-6630-201424061.

[18] LI P, YANG H, ZHU Y, et al. Inf l uence of washing and cold storage on lipid and protein oxidation in catf i sh (Clarias lazera) surimi[J]. Journal of Aquatic Food Product Technology, 2016, 25(6): 790-801. DOI:10. 1080/10498850.2014.931898.

[19] KRISTINSSON H G, THEODORE A E, DEMIR N, et al. A comparative study between acid- and alkali-aided processing and surimi processing for the recovery of proteins from channel catf i sh muscle[J]. Journal of Food Science, 2005, 70(4): C298-C306. DOI:10.1111/j.1365-2621.2005.tb07177.x.

[20] CHMIEL M, SLOWINSKI M, DASIEWICZ K, et al. Use of computer vision system (CVS) for detection of PSE pork meat obtained from m. semimembranosus[J]. LWT-Food Science and Technology, 2016, 65: 532-536. DOI:10.1016/j.lwt.2015.08.021.

[21] PANDIT R B, TANG J, LIU F, et al. Development of a novel approach to determine heating pattern using computer vision and chemical marker (M-2) yield[J]. Journal of Food Engineering, 2007, 78(2): 522-528. DOI:10.1016/j.jfoodeng.2005.10.039.

[22] KONG Fanbin, TANG Juming, RASCO B, et al. Quality changes of salmon (Oncorhynchus gorbuscha) muscle during thermal processing[J]. Journal of Food Science, 2007, 72(Suppl 2): 103-111. DOI:10.1111/j.1750-3841.2006.00246.x.

[23] 張玉斌, 張巨會, 余群力, 等. 乳酸鹽對冷卻耗牛肉色澤穩定性及高鐵肌紅蛋白的影響[J]. 食品工業科技, 2016, 37(9): 281-286. DOI:10.13386/j.issn1002-0306.2016.09.046.

[24] 高萌, 張賓, 王強, 等. 流化冰保鮮對鰹魚蛋白質功能特性的影響[J]. 食品科學, 2014, 35(22): 304-309. DOI:10.7506/ spkx1002-6630-201422059.

[25] CHERET R, CHAPLEAU N, DELBARRE-LADRAT C, et al. Effects of high pressure on texture and microstructure of sea bass (Dicentrarchus labrax L.) fillets[J]. Journal of Food Science, 2005, 70(8): E477-E483.

[26] TIRONI V, LEBAIL A, LAMBALLERIE M. Effects of pressure-shift freezing and pressure-assisted thawing on sea bass (Dicentrarchus Labras) quality[J]. Journal of Food Science, 2007, 72(7): 381-387. DOI:10.1111/j.1750- 3841.2007.00472.x.

[27] LIU Dasong, LIANGA Li, XIA Wenshui, et al. Biochemical and physical changes of grass carp (Ctenopharyngodon idella) fi llets stored at -3 and 0 ℃[J]. Food Chemistry, 2013, 140: 105-114. DOI:10.1016/ j.foodchem.2013.02.034.

[28] CHOW C J, OCHIAI Y, HASHIMOTO K. Effect of freezing and thawing on autoxidation of bluef i n tuna myoglobin[J]. Bulletin of the Japanese Society of Scientif i c Fisheries, 1985, 51(12): 2073-2078.

[29] SWATLAND H J. Refractometry of pork muscle and beef connective and adipose tissue[J]. Meat Science, 2002, 62(2): 225-228. DOI:10.1016/S0309-1740(01)00250-9.

[30] YAGIZ Y, BALABAN M O, KRISTINSSON H G, et al. Comparison of Minolta colorimeter and machine vision system in measuring colour of irradiated altantic salmon[J]. Journal of the Science of Food and Agriculture, 2009, 89(4): 728-730. DOI:10.1002/jsfa.3467.

Color Measurement of Catf i sh Muscle Based on Computer Vision

CAO Leipeng, FAN Yuxia, HUANG Yiqun, LAI Keqiang*
(Engineering Research Center of Food Thermal-Processing Technology, College of Food Science and Technology, Shanghai Ocean University, Shanghai 201306, China)

Two different methods of colorimeter and computer vision system (CVS) were used for the detection of color changes in catf i sh (Clarias leather) muscle during ice storage for 18 days, and the accuracy of CVS in the measurement of fi sh muscle color (L*, a*, b*) was investigated. The experimental results illustrated that the changing trends of color and total color difference (ΔE) of catf i sh muscle during ice storage detected by both methods were similar. The lightness (L*) and ΔE values gradually increased with storage time (P ＜ 0.05), redness (a*) increased slowly in the fi rst 3 days, and then declined signif i cantly (P ＜ 0.05), and yellowness (b* value) did not signif i cantly change during the whole storage period (P ＞ 0.05). The CVS measured results were calibrated and validated with those measured by colorimeter. It was found that the calibration values were not signif i cantly different from the results from colorimeter (P ＞ 0.05). The correlation coeff i cients between the L*, a* and b* values from the two methods were from 0.89 to 0.97, suggesting that after calibration, the CVS values could describe the color changes in catf i sh muscle accurately, and allow rapid and accurate color measurement.

computer vision system; colorimeter; catf i sh; color; ice storage

10.7506/spkx1002-6630-201715022

TS254.3

A

1002-6630（2017）15-0135-05

曹雷鵬, 樊玉霞, 黃軼群, 等. 基于計算機視覺的鯰魚肉色澤測定系統[J]. 食品科學, 2017, 38(15): 135-139. DOI:10.7506/ spkx1002-6630-201715022. http://www.spkx.net.cn

CAO Leipeng, FAN Yuxia, HUANG Yiqun, et al. Color measurement of catf i sh muscle based on computer vision[J]. Food Science, 2017, 38(15): 135-139. (in Chinese with English abstract)

10.7506/spkx1002-6630-201715022. http://www.spkx.net.cn

2016-06-20

上海市教育委員會科研創新項目（14YZ123）

曹雷鵬（1986—），男，碩士，研究方向為水產品貯藏保鮮與加工。E-mail：caoleipeng2@163.com

*通信作者：賴克強（1976—），男，副教授，博士，研究方向為水產品質量安全。E-mail：kqlai@shou.edu.cn