基于近紅外光譜特征的冷凍小龍蝦鮮度快速檢測方法

占 可，陳季旺,2,, ，徐 言，倪楊帆，劉 言,2,，鄒圣碧

（1.武漢輕工大學食品科學與工程學院，湖北 武漢 430023；2.農產品加工與轉化湖北省重點實驗室（武漢輕工大學），湖北 武漢 430023；3.國家小龍蝦加工技術研發分中心（潛江），湖北 潛江 433100；4.武漢農業檢測中心，湖北 武漢 430016）

小龍蝦不僅味道獨特鮮美，而且富含優質蛋白質，深受消費者喜愛[1]。但是，小龍蝦供給季短、區域性明顯，難以保證全年、全地區鮮活蝦供應。為保證各地區加工生產及餐飲中的長期消費需求，大量整肢蝦、蝦尾及蝦仁等相關產品需要冷凍貯藏。在冷凍貯藏與冷鏈物流過程中小龍蝦容易發生腐敗，導致品質劣化甚至產生有毒物質，危害消費者的健康[2]。常見的小龍蝦鮮度檢測方法主要有感官鑒定、物理鑒定、化學鑒定、微生物鑒定等[3]。這些傳統檢測方法存在不足，例如感官鑒定的結果客觀性較差；理化鑒定和微生物鑒定方法均需要具備一定專業素質的人員完成，且操作繁瑣、時間長、費用高。我國小龍蝦產業龐大，傳統檢測技術不能滿足大批量生產加工中的需要，亟需能實現冷凍小龍蝦鮮度快速檢測的方法。

近紅外光譜技術（near-infrared spectroscopy，NIRS）提供了一種快速、方便、經濟的分析方法，被證明有可能取代破壞性強和耗時的傳統方法[4]，已經在食品成分檢測、真偽品篩選等領域使用[5-6]。近紅外光譜來源于被檢測物中含氫基團伸縮振動的倍頻與合頻信息，蘊含分子結構、組成狀態等信息，利用這些信息可以分析待測物中與含氫基團相關的成分以及物理、化學性質等?；瘜W計量學算法與計算機技術的發展為這些弱強度有用信息的分析提供了條件，許多研究建立了近紅外鮮度評價模型，證實了基于近紅外光譜特征分析食品鮮度的可行性[7-8]。目前使用的建模方法大多為常規的偏最小二乘（partial least squares，PLS）算法與支持向量機（support vector machine，SVM）算法等，但是這些算法存在一定局限性，例如，PLS等線性回歸算法在處理成分變化很大的非均勻樣品集時，可能導致模型精度較低；SVM等非線性算法雖然可以使用核函數解決非線性的分類，但是難以訓練大規模樣品集，并且需要先驗知識降低權重，否則模型會面臨過擬合的風險。

較少研究將卷積神經網絡（convolutional neural network，CNN）等深度學習算法應用于近紅外光譜分析。實際上，雖然CNN作為一種處理能力強大的深度學習方法被廣泛應用于二維圖像的處理，自主提取輸入的原圖特征信息，但其本身的用處并不限于圖像處理，還可被引入一維光譜分析中，用于提取光譜數據的局部抽象特征，建立目標參數預測模型，克服由于光譜數據和待測變量之間的非線性關系導致線性模型精度降低的問題，并且可以在沒有人類工程和先驗知識的情況下從原始數據中提取隱藏特征的數據[9]。2017年，Acquarelli等[10]開發了具有一個卷積層的CNN模型，定性分析10 種振動光譜數據。結果顯示，開發的CNN模型對光譜數據分類達到96%的平均準確率，并且對數據預處理的依賴性小。自此，基于深度學習的近紅外光譜分析的研究不斷增加，但是將其應用于建立鮮度預測模型的研究仍鮮有報道。

對于不同的食品原料，找到合適、準確、快速的鮮度檢測方法是保證食品消費安全的重要手段。總揮發性鹽基氮（total volatile basic nitrogen，TVB-N）含量是GB 2733—2015《鮮、凍動物性水產品衛生標準》[11]中規定的淡水小龍蝦的理化限量指標，是檢測新鮮度的常用指標[12]。本研究以TVB-N含量作為冷凍小龍蝦鮮度評價指標，針對冷凍小龍蝦的TVB-N含量，利用CNN算法結合近紅外光譜檢測技術，建立小龍蝦的TVB-N定量預測模型，同時利用PLS算法建模并對比，提供一種新的快速檢測冷凍小龍蝦鮮度的方法，以期為小龍蝦產業的安全健康發展提供技術支撐。

1 材料與方法

1.1 材料與試劑

鮮活小龍蝦（30 g/只）武漢武商量販連鎖有限公司。

氧化鎂（分析純）山東西亞化學工業有限公司；甲基紅指示劑、溴甲酚綠指示劑、三氯乙酸等國藥集團化學試劑有限公司；鹽酸標準滴定溶液（0.010 mol/L）深圳市柏林達科技有限公司。

1.2 儀器與設備

Frontier 型近紅外光譜儀（近紅外波數范圍4 000～10 000 cm－1，掃描分辨率4 cm－1，掃描次數32 次）美國Perkin Elmer公司；Milli-Q Integral 5超純水儀 美國Millipore公司；半微量定氮裝置由武漢輕工大學畜禽水產制品加工與質量控制科技創新團隊自組裝。

1.3 方法

1.3.1 實驗操作流程

實驗操作流程如圖1所示。

圖1 實驗操作流程圖Fig.1 Flow chart of experimental operation

1.3.2 小龍蝦樣品前處理

將鮮活小龍蝦置于超聲清洗機中清洗30 min，－50 ℃冰柜中放置2 h致死。每6 只小龍蝦為一組放入自封袋內分裝，置于－18 ℃冰柜中凍藏。實驗第1天將16 組小龍蝦樣品置于4 ℃的冷藏冰柜內解凍并貯藏。從小龍蝦完全解凍時開始檢測，每24 h隨機抽取2 組小龍蝦樣品檢測，連續檢測8 d。實驗重復10 次，共檢測160 組小龍蝦樣品。

1.3.3 TVB-N含量測定

參考GB 5009.228—2016《食品中揮發性鹽基氮的測定》[13]，采用半微量定氮法測定，按照式（1）計算：

式中：X為小龍蝦試樣中TVB -N 含量/（mg/100 g）；V1為濾液消耗鹽酸標準滴定溶液的體積/mL；V2為試劑空白消耗鹽酸標準滴定溶液的體積/mL；c為鹽酸標準滴定溶液的濃度/（mol/L）；14為滴定1.0 mL鹽酸（c（HCl）＝1.000 mol/L）標準滴定溶液相當的氮的摩爾質量/（g/mol）；m為小龍蝦試樣質量/g；V為準確吸取的濾液體積（本方法中V＝10）/mL；V0為樣液的總體積（本方法中V0＝25）/mL；100為計算結果換算為mg/100 g的換算系數。

1.3.4 近紅外光譜測定

采用近紅外漫反射方式采集光譜。開機后于室溫下穩定30 min，測量前使用BaSO4白板進行背景掃描。近紅外波數范圍設為4 000～10 000 cm－1，掃描分辨率設為4 cm－1，掃描次數設為32 次。實驗室溫度20 ℃，整個實驗過程采用冰袋與冰盒制造低溫環境。

如圖2所示，將一組小龍蝦樣品去除蝦頭，得到帶殼蝦尾，擦干表面水分，置于石英培養皿上，蓋上遮光蓋，分別采集6 只蝦尾（第3節最寬部位）的近紅外光譜；然后，去掉蝦線、蝦殼，取蝦仁，置于石英培養皿上，蓋上遮光蓋，分別采集6 只蝦仁（第3節最寬部位）的近紅外光譜；最后，將6 只蝦仁放入攪拌機中攪打成肉糜，取能遮蓋住近紅外光路的適量肉糜，置于石英培養皿上，蓋上遮光蓋，采集6 次近紅外光譜。6 次掃描的光譜數據求平均值，光譜數據以ASCII碼格式導出處理。

圖2 小龍蝦近紅外光譜采集示意圖Fig.2 Schematic diagram of the NIR spectral acquisition of crayfish

1.3.5 近紅外光譜預處理

預處理小龍蝦近紅外原始光譜能更有效挖掘目標信息，建立精確、穩定的數學模型；確定提高光譜解釋性和模型適用性的預處理方法[14]。

本研究分別采用一階導數（first derivative，1st）、多元散射校正（multiplicative scatter correction，MSC）、小波變換（wavelet transform，WT）和標準正態變換（standard normalized variate，SNV）4 種方法處理近紅外光譜數據，分析預處理方法對建模結果的影響。

1.3.6 模型建立與評價

小龍蝦樣品集劃分為校正集和驗證集。校正集也稱為建模集，用來建立可靠穩定的校正模型；驗證集也稱為預測集，用來驗證模型的效果。

本研究采用一維的CNN算法建模。如圖3所示，一維CNN模型包括一層一維卷積池化層、一層二維卷積池化層和一層全連接層。一維卷積池化層將輸入的一維向量轉化成二維矩陣。一維卷積池化層包括一維卷積、激活與池化操作，神經元被組織到各個特征面中，每個神經元通過一組權值被連接到上一層特征面的局部區域，即卷積層中的神經元與輸入層中的特征面進行局部連接。將經過一維卷積池化層得到的二維矩陣輸入至二維卷積池化層，并經過二維卷積、激活與二維池化操作，轉化成多個二維矩陣，輸入至全連接層，對卷積層和池化層提取的特征整合，輸出一維高階向量[15]。

圖3 CNN基本結構示意圖Fig.3 Schematic diagram of the basic structure of CNN

損失值與均方根誤差的確定是CNN模型建立的關鍵步驟，直接影響CNN模型的預測準確性，分別根據smooth損失函數（式（2））與均方誤差（mean squared error，MSE）函數（式（3））計算[16]：

式中：n為小龍蝦樣品數；ti為第i個小龍蝦樣品的參考值；yi為第i個小龍蝦樣品的預測值。

在建模過程中，以校正集的校正相關系數rc和校正均方根誤差（root mean square error of calibration，RMSEC）作為評估校正模型的擬合效果的指標[17]，rc越接近1，RMSEC越接近0，則模型擬合效果越好。RMSEC按照式（4）計算：

式中：nc為校正集小龍蝦樣品數；Difi為第i個校正集小龍蝦樣品近紅外光譜測定值與該樣品參考值之差。

為評估CNN模型的性能，建立PLS模型進行比較。PLS在主成分回歸基礎上發展而來，根據特征向量的相關性分解組分含量矩陣與吸光度矩陣建立回歸模型。

1.3.7 模型檢驗

模型檢驗是指利用驗證集小龍蝦樣品檢驗所建模型的性能。以預測相關系數rp和預測均方根誤差（root mean square error of prediction，RMSEP）作為模型的主要評價標準，rp越接近1，RMSEP越接近0，則模型的預測性能越好，準確度越高[18]。RMSEP按照式（5）計算：

式中：np為驗證集小龍蝦樣品數；Djfj為第j個驗證集小龍蝦樣品近紅外光譜測定值與該樣品參考值之差。

1.3.8 方法驗證

由于近紅外光譜檢測屬于間接分析檢測技術，準確度、精密度與靈敏度有待考量。采集新一批潛江地區的小龍蝦樣品，應用建立的近紅外光譜方法檢測3 種新鮮度（完全解凍第0、3、7天分別記為T0、T3、T7）的小龍蝦的TVB-N含量，考察近紅外光譜方法的準確度、精密度與靈敏度。

計算近紅外光譜及國家標準方法檢測結果的差值與相對誤差，驗證近紅外光譜檢測方法的準確度[19]；定量檢測方法的精密度通過測定重復性來衡量。參照徐言[20]的方法稍作修改，計算檢測結果的相對標準差（relative standard deviation，RSD）。RSD越小，離散度越低，表明精密度越高[21]；靈敏度通過檢出限（limit of detection，LOD）與定量限（limit of quantification，LOQ）體現，值越小，靈敏度越高。LOD與LOQ的確定方法包括空白標準差法、校準方程外推法、信噪比法[19]，本實驗采用空白標準差法確定。挑選解凍盡可能新鮮的小龍蝦樣品平行測定10 次，計算標準差。

1.4 數據處理

數據統計和圖表繪制使用Excel 2016軟件和Origin 9.0軟件，近紅外光譜預處理、PLS與CNN建模等數據處理和計算等使用Matlab R2018a軟件。

2 結果與分析

2.1 TVB-N含量

小龍蝦的標準化學分析可能存在誤差，并且會隨著模型的建立作為變量被引入模型，需要對其進行篩選，最終，用于建模的小龍蝦樣品共150 組，TVB-N含量范圍為10.8～28.8 mg/100 g。完全解凍（中心溫度達4 ℃）第0天小龍蝦的TVB-N含量為10.8 mg/100 g，可能是凍藏過程中形成冰晶，損傷肌肉細胞，導致解凍時蛋白質變性和汁液流失，小龍蝦新鮮度降低。并且研究表明，隨著凍藏時間的延長，冷凍小龍蝦蝦肉的機械損傷加劇[22]。對于淡水魚蝦，TVB-N含量超過20 mg/100 g即變質[11]，本研究中小龍蝦樣品涵蓋了從新鮮到腐敗的過程，對于研究小龍蝦的新鮮度變化是可行的。將150 組小龍蝦樣品數據按照2∶1的比例隨機劃分為校正集和驗證集，如表1所示，校正集小龍蝦樣品的TVB-N含量范圍包含驗證集并且分布均勻，保證了所建模型的適用性和可靠性[23]。

表1 小龍蝦蝦肉中TVB-N含量（n＝3）Table 1 TVB-N content of crayfish meat (n =3)

2.2 近紅外光譜測定

2.2.1 近紅外光譜特征分析

冷凍小龍蝦的完整近紅外原始光譜如圖4所示，3 種形態下采集的不同新鮮度的小龍蝦的近紅外光譜譜線整體輪廓相似但不完全重合，主要在強度上存在差別。近紅外光譜不同波段代表的信息不同，在5 200 cm－1附近出現較強的吸收峰，是水分子O—H的合頻吸收峰，小龍蝦蝦肉中水分含量高達79%以上，因此O—H的吸收峰明顯；6 800 cm－1附近的吸收峰與N—H伸縮振動的二倍頻等信息相關；8 000～8 800 cm－1之間的吸收峰則與C—H伸縮振動的二倍頻相關。這些光譜區是指示小龍蝦水分、蛋白質、脂肪等相關成分信息的典型譜區[24]，而水分、蛋白質和脂肪等成分的改變是小龍蝦新鮮度變化的直接體現[25]，因此，這些吸收峰的變化對預測結果的準確性尤其重要。

圖4 原始光譜Fig.4 Original spectra

2.2.2 近紅外光譜預處理

采用1st、MSC、WT和SNV分別對采集的蝦尾、蝦仁及蝦糜的近紅外光譜預處理，得到的校正光譜如圖5所示。光譜基線得到校正，噪音被過濾，集中度變高，有效消除了背景干擾，提高了光譜分辨率，削弱了散射影響[26]。小龍蝦近紅外光譜經預處理后，5 200、6 800、8 000～8 800 cm－1處的吸收峰信號相對強度差異更明顯，但光譜曲線趨勢基本相同，難以直觀地從圖上區分不同的新鮮度，必須通過進一步分析和建模來檢測小龍蝦的TVB-N含量。

圖5 校正光譜Fig.5 Corrected spectra

2.2.3 模型建立與評價

損失函數通過反向傳播訓練網絡權重得到最小化，通過損失值LOSS和RMSE的變化分別監控蝦尾、蝦仁、蝦糜的原始光譜及預處理后模型的訓練進程，如果損失較小，優化度一般較高。在校正集上的LOSS和RMSE變化分別如圖6、7所示?；谖r尾、蝦仁、蝦糜光譜的所有CNN模型均在訓練初始時刻開始收斂，隨著迭代次數的增加，模型的損失不斷下降并趨于穩定，RMSE逐漸減小，分別于60、50、50 次迭代后，損失值達到較低水平和較高優化度。

圖6 訓練過程的損失值LOSS圖Fig.6 LOSS function for the training process

圖7 訓練過程的RMSE圖Fig.7 RMSE for the training process

因為近紅外光譜數據包含了波長吸收強度中的細微信息，這些信息并不像個別峰那樣可見[14]，確定迭代次數后，選擇全波數區域構建TVB-N定量模型。

基于小龍蝦的3 種光譜建立的CNN-TVB-N定量模型、PLS-TVB-N定量模型參數如表2、3所示?；谖r尾、蝦仁、蝦糜原始光譜建立CNN模型的rc分別為0.69、0.79、0.80，PLS模型的rc分別為0.70、0.80、0.91。基于蝦糜原始光譜建立的TVB-N定量模型較其他2 種形態的原始光譜擬合度更高，與陳偉華等[27]得到的結果類似。一方面可能是蝦尾帶有蝦殼，新鮮度的改變主要體現于肉質變化，蝦殼在一定程度上影響了分析光與小龍蝦樣品的相互作用；另一方面可能是采集整只小龍蝦的光譜時，表面平整度較差，且漫反射光掃描的具體部位存在偏差，不同部位新鮮度差異導致光譜信息存在偏差，而蝦糜較平整且均勻，光譜承載的特征信息干擾性小，因此建模效果相對較好。

表2 小龍蝦中TVB-N的CNN定量模型相關參數Table 2 Parameters of the CNN quantitative model for TVB-N content in crayfish

表3 小龍蝦中TVB-N的PLS定量模型相關參數Table 3 Parameters of the PLS quantitative model for TVB-N content in crayfish

基于校正光譜建立的CNN模型擬合效果均有明顯改善，其中，經WT預處理建立的CNN模型校正集參數更優。石吉勇等[7]曾報道使用SNV處理光譜建立的三文魚鮮度模型最優，可能是對于不同的模型，最佳的算法組合存在差異，這與張朱珊瑩等[26]的研究結論一致，合適的預處理方法使小龍蝦TVB-N定量模型的預測結果更加準確。另外，WT-CNN-蝦仁/蝦糜模型的RMSEC均小于PLS最優模型，WT-CNN-蝦尾/蝦仁/蝦糜模型的rc比PLS最優模型更接近于1，表明基于各種形態的小龍蝦建立的CNN最優模型的擬合效果均優于PLS最優模型。

2.2.4 模型檢驗

采用校正集小龍蝦樣品建立模型后，還需分別使用驗證集檢驗所建蝦尾/蝦仁/蝦糜TVB-N定量模型的預測能力。CNN模型驗證集的RMSEP、rp結果如表2所示，蝦尾/蝦仁/蝦糜光譜經WT預處理建立的模型預測集參數最優，可能是在本研究中，WT較其他預處理方法可以較好地消除噪聲，保留小龍蝦樣品特征相關的原始屬性，提高信噪比，從而更細致地反映光譜特征，提高CNN模型預測能力，與Abasi等[28]得出的結論類似。3 個WT-CNN模型中，蝦仁光譜經WT預處理建立CNN模型的RMSEP最小，rp最接近于1，且rc與rp接近，表明WT-CNN-蝦仁TVB-N定量模型的預測準確度及穩定性更高，且沒有過擬合[29]，因此，WT-CNN-蝦仁模型的性能更好，優于Yu Haidong等[4]建立的預測羅非魚片TVB-N含量的PLS模型及盧文超等[30]建立的小龍蝦TVB-N含量預測模型。

為更直觀地顯示模型的預測準確度，將驗證集小龍蝦樣品TVB-N預測含量與參考含量線性擬合，如圖8所示，紅虛線是與理想預測結果對應的理想回歸線，黑實線為實際擬合回歸線，擬合回歸的斜率和截距分別為0.96和0.91，與理想回歸線Y＝X重合度較高，表明模型對TVB-N含量的預測精度高。WT-CNN-蝦仁TVB-N定量模型驗證集的樣品點聚集于理想回歸線，進一步表明蝦仁模型的預測準確度較高。因此，基于小龍蝦蝦仁光譜建立的WT-CNN-蝦仁TVB-N定量模型能夠保證良好的預測效果，更適合應用于實際生產中進行快速檢測。

圖8 驗證集小龍蝦TVB-N含量的參考值和預測值的擬合圖Fig.8 Good agreement between reference and predicted values of crayfish TVB-N content in the validation set

2.2.5 方法驗證

2.2.5.1 準確度

應用建立的WT-CNN-蝦仁TVB-N定量模型檢測新一批小龍蝦中的TVB-N含量，近紅外光譜檢測值與國家標準GB 5009.228—2016中的半微量定氮法測得的參考值及其差值與相對誤差結果如表4所示，對完全解凍第3天與第7天小龍蝦的10 次抽樣驗證實驗的相對誤差均小于5%，對完全解凍第0天的小龍蝦的5 次抽樣驗證存在1 次相對誤差大于10%的情況。而對于近紅外光譜這種間接檢測技術，絕對誤差通常是一定的。如表4所示，每次檢測的絕對誤差在0.77 mg/100 g以內，檢測值越小，相對誤差值越大。因此，盡管部分小龍蝦樣品相對誤差稍大，但從整體情況來看，絕對誤差的變化不大，處于穩定和可以接受的水平。總體而言，近紅外光譜方法的整體檢測準確度較高。

表4 小龍蝦中TVB-N含量的近紅外光譜檢測值與參考值及其差值與相對誤差（n＝3）Table 4 Absolute and relative errors between NIR predicted values and reference values of TVB-N content in crayfish (n=3)

2.2.5.2 精密度

近紅外光譜法與半微量定氮法對3 種新鮮度小龍蝦中TVB-N定量檢測的精密度如表5所示。近紅外光譜法檢測結果的RSD分別為5.27%、4.19%和3.49%，定氮法檢測結果的RSD分別為4.36%、3.05%、2.28%。根據GB/T 27404—2008《實驗室質量控制規范 食品理化檢測》[31]，被測組分含量為100 mg/kg的樣品，實驗室內的RSD應控制在5.3%以內，表明近紅外光譜法與定氮法相比，盡管精密度相對較低，但均小于5.3%，在誤差允許范圍內，仍具有良好精密度。

表5 近紅外方法與標準方法對小龍蝦的鮮度檢測精密度的比較Table 5 Comparison of precision between the NIR method and the standard method for crayfish freshness detection

2.2.5.3 靈敏度

近紅外光譜法與半微量定氮法的靈敏度測定結果如表6所示。按式（6）、（7）計算，得LOD＝1.53 mg/100 g，LOQ＝5.12 mg/100 g；半微量定氮法的LOD＝0.63 mg/100 g，LOQ＝2.13 mg/100 g。近紅外光譜方法的檢出限與定量限高于半微量定氮法，表明近紅外光譜方法的靈敏度與半微量定氮法相比更低，與Pasquini[32]所述情況相吻合，但與Wang Wenxiu等[33]建立的豬肉TVB-N含量預測模型相比靈敏度更高。

表6 近紅外光譜方法與標準方法對小龍蝦的鮮度檢測的靈敏度比較Table 6 Comparison of sensitivity between the NIR method and the standard method for crayfish freshness detection

式中：LOD為檢出限/（mg/100 g）；LOQ為定量限/（mg/100 g）；s為標準差/（mg/100 g）。

3 討論與結論

小龍蝦形態對模型的建立存在一定影響，基于蝦糜的原始光譜建立的TVB-N定量模型較其他2 種形態的原始光譜擬合度更高，絞碎后提高了小龍蝦的均一性與平整度，有利于預測模型的建立，但增加了前處理過程。

近紅外光譜經預處理建立的CNN模型與PLS模型相比，具備更好的預測小龍蝦TVB-N含量的能力，最終確定WT-CNN-蝦仁TVB-N定量模型為測定小龍蝦鮮度的更優模型，檢測過程簡便快捷、無污染，檢測結果精確，能夠為快速、批量評價冷凍小龍蝦新鮮度提供一種可行的辦法。

利用近紅外光譜方法對新一批小龍蝦樣品中TVB-N含量的15 次抽樣驗證，僅1 次相對誤差大于10%，絕對誤差均小于0.77 mg/100 g；對3 種新鮮度小龍蝦樣品的重復實驗RSD分別為5.27%、4.19%和3.49%，均小于5.3%；檢出限、定量限分別為1.53、5.12 mg/100 g。這些結果表明，近紅外光譜方法的整體檢測準確度、精密度、靈敏度均在合理范圍內，檢測效果良好。

本研究建立的WT-CNN-蝦尾TVB-N定量模型精度雖然稍差于最佳模型，但其模型參數良好，顯示基于小龍蝦蝦尾建立近紅外模型預測小龍蝦鮮度具有可行性，若采用便攜式近紅外光譜儀，可不去除蝦頭，直接檢測小龍蝦尾部，從而實現無損檢測。后續可根據企業實際應用需求，利用便攜式近紅外光譜儀采集光譜建立鮮度預測模型。另外，不同儀器、不同使用條件進行光譜采集存在差異，在不同儀器之間模型傳遞的可行性有待進一步研究，從而為小龍蝦產業的安全發展提供更好的技術支撐。