高光譜成像技術(shù)在食品品質(zhì)無損檢測中的應(yīng)用

劉建學(xué),楊　瑩,韓四海,李　璇,李佩艷,張衛(wèi)衛(wèi),張?zhí)鞚?楊國迪,焦肖飛

(河南科技大學(xué)食品與生物工程學(xué)院,河南洛陽 471023)

?

高光譜成像技術(shù)在食品品質(zhì)無損檢測中的應(yīng)用

劉建學(xué),楊瑩,韓四海,李璇,李佩艷,張衛(wèi)衛(wèi),張?zhí)鞚?楊國迪,焦肖飛

(河南科技大學(xué)食品與生物工程學(xué)院,河南洛陽 471023)

高光譜成像技術(shù)結(jié)合光譜技術(shù)和圖像技術(shù)的優(yōu)勢,能夠很好的捕獲光譜信息和圖像信息。其豐富的光譜信息能夠有效的提取樣品內(nèi)部特征。該分析技術(shù)已廣泛應(yīng)用于檢測食品的水分含量、新鮮度、生物污染等。本文介紹并分析了高光譜成像技術(shù)在食品檢測中的各種應(yīng)用,指出了目前高光譜成像技術(shù)存在的不足之處,指明了該技術(shù)領(lǐng)域工作者今后的重點研究方向,并對高光譜成像技術(shù)發(fā)展前景進行了分析和展望。

高光譜成像技術(shù)，食品，無損檢測

隨著社會發(fā)展,人們生活水平提高,食品品質(zhì)越來越受到重視。傳統(tǒng)食品品質(zhì)檢測分析技術(shù)昂貴、耗時并且對研究對象具有破壞性,因此尋找高效無損檢測技術(shù)迫在眉睫。

近年來,一種新的先進的非破壞性技術(shù):高光譜成像技術(shù)(hyperspectral imaging,HSI)作為一種非侵入性、非接觸式、非傳統(tǒng)技術(shù),高光譜成像技術(shù)提供了研究對象的空間信息和光譜信息[1-2]。該技術(shù)基本特點是光譜分辨率高;光譜響應(yīng)范圍廣、波段多而窄;“譜像合一”以及數(shù)據(jù)量大,信息豐富;數(shù)據(jù)描述模型多,分析靈活。這些特點決定了高光譜圖像技術(shù)在食品內(nèi)、外部品質(zhì)檢測的獨特優(yōu)勢。由于圖像數(shù)據(jù)能反映產(chǎn)品的外部特征,而光譜數(shù)據(jù)又可以對物體內(nèi)部物理結(jié)構(gòu)及化學(xué)成分進行分析,可以說高光譜成像技術(shù)是圖像技術(shù)與光譜技術(shù)的完美結(jié)合。高光譜成像技術(shù)形成的數(shù)據(jù)可以用“三維數(shù)據(jù)塊”來形象地描述,比傳統(tǒng)機器視覺或光譜技術(shù)更可靠[3-4]。

1　高光譜成像系統(tǒng)

1.1系統(tǒng)的主要構(gòu)成

高光譜成像系統(tǒng)由硬件和軟件兩部分組成,如圖1所示硬件最重要的部件是傳感器,還包括光源、掃描器和控制裝置等。傳感器主要由物鏡、光譜儀和CCD陣列探測器。光譜儀主要有兩種:干涉型成像光譜儀和光柵型成像光譜儀。CCD陣列探測器分為線陣探測器和面陣探測器。軟件部分主要包括光譜預(yù)處理軟件和數(shù)據(jù)采集及處理軟件等。

圖1　高光譜成像系統(tǒng)示意圖Fig.1　Schematic of hyperspectral imaging system

1.2高光譜成像系統(tǒng)成像原理

圖2所示為高光譜成像原理示意圖。高光譜成像系統(tǒng)最重要的組成是光譜儀,光譜儀有一個棱鏡-光柵-棱鏡單元,此單元可以阻止環(huán)境光的干擾,而且在光譜儀獲得被測物體的一行圖像時,此單元可以將光線從每行圖像的像素點色散到光譜軸上,這樣就獲得了在空間軸和光譜軸上的一維影像和光譜信息。由于物體或物鏡的連續(xù)運動,就形成了整個物體的光譜圖像。最終在CCD陣列探測器上完成對每個瞬間信號的獲取,得到高光譜三維圖像數(shù)據(jù)塊。

圖2　高光譜成像原理示意圖Fig.2　Schematic of hyperspectral imaging principle

2　高光譜圖像數(shù)據(jù)處理方法

高光譜圖像數(shù)據(jù)信息量豐富,但數(shù)據(jù)處理非常復(fù)雜。綜合國內(nèi)外高光譜圖像數(shù)據(jù)處理方法主要是:先選擇感興趣區(qū)域(Region of Interest,ROIs),然后可以采用主成分分析法(Principal Component Analysis,PCA)、獨立元分析(Independent Component Analysis,ICA)、連續(xù)投影算法(Successive Projections Algorithm,SPA)、線性判別分析(Linear Discriminant Analysis,LDA)、Fisher判別方法(Fisher Discriminant Analysis,FDA)、典型分析以及遺傳算法(Genetic Algorithm,GA)等對感興趣區(qū)域數(shù)據(jù)進行降維處理,提取特征波長,并建立相應(yīng)的判別模型,常用的建模方法有BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network,BPNN)、支持向量機(Support Vector Machine,SVM)、多元線性回歸法(Multivariable Linear Regression Analysis,MLR)、偏最小二乘法(Partial Least Squares Method,PLS)等。相關(guān)文獻表明:支持向量機在建模分析時,結(jié)果較好[5],因為支持向量機不會因波段數(shù)量增加,分類精度下降,即出現(xiàn)所謂的Hughes現(xiàn)象[6]。RBF神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Network)分類效果明顯高于BP神經(jīng)網(wǎng)絡(luò)分類法[7]。

3　食品無損檢測中高光譜圖像的應(yīng)用研究進展

高光譜檢測技術(shù)獲取圖像光譜范圍通常在可見-近紅外(400～1000 nm)和近紅外(1000～1700 nm)的光譜區(qū)域[8]。迄今為止,高光譜成像技術(shù)在食品的各個方面已有廣泛應(yīng)用,如測定食品水分含量、新鮮度、生物污染等。

3.1在食品水分檢測中的應(yīng)用

肉類中含有豐富多樣的營養(yǎng)物質(zhì),因此肉類的品質(zhì)保證對消費者來說是很重要的。值得注意的是,肉類的水分含量和pH已受到人們極大關(guān)注。傳統(tǒng)方法對其水分和pH測定具有破壞性,而且耗時又低效。

He等[9]利用近紅外高光譜成像技術(shù)檢測三文魚的水分損失和pH。在波長范圍400～1700 nm獲取高光譜圖像信息,利用偏最小二乘回歸PLSR建立預(yù)測模型,測得水分損失交叉驗證相關(guān)系數(shù)(rCV):0.834,交叉驗證均方根誤差(RMSECV):0.067,pH的rCV:0.877,RMSECV:0.046。Kamruzzaman等[10]利用近紅外高光譜成像預(yù)測羊肉化學(xué)成分,研究中利用近紅外波長范圍為900～1700 nm。采用偏最小二乘(PLS)建立預(yù)測模型預(yù)測羊肉中水、脂肪和蛋白質(zhì)含量。結(jié)果顯示相關(guān)系數(shù)分別:0.88,0.88和0.63;標(biāo)準(zhǔn)誤差分別:0.51%,0.40%和0.34%。

水分含量是衡量肉質(zhì)品的重要指標(biāo),Garrido-Novell等[11]利用近紅外高光譜成像技術(shù)定量測定了伊比利亞干腌火腿片水分和氯化鈉含量,預(yù)測結(jié)果顯示水分和氯化鈉的標(biāo)準(zhǔn)誤差分別為:0.59%和0.13 g/100 g。ElMasry等[12]還利用近紅外高光譜成像無損測定鮮牛肉保水能力,預(yù)測準(zhǔn)確率達到99.72%。Kandala等[13]利用近紅外方法對帶殼花生平均水分含量測定,其決定系數(shù)值0.93。

近幾年,國內(nèi)研究人員在蔬菜、水果的水分檢測上也進行了相關(guān)研究,孫俊等[14]基于高光譜圖像對生菜葉片水分進行預(yù)測,利用偏最小二乘法結(jié)合神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測模型,對生菜葉片水分預(yù)測準(zhǔn)確率達到90.68%。朱西存等[15]基于高光譜光譜指數(shù)和蘋果葉片水分含量之間相關(guān)關(guān)系建立水分預(yù)測模型,檢驗精度達到98.20%。吳龍國等[16]基于近紅外高光譜成像技術(shù)檢測長棗含水量,采用偏最小二乘回歸(PLSR)法的加權(quán)β系數(shù)分別提取不同光譜參數(shù)下的特征波長建立預(yù)測模型,結(jié)果表明:其決定系數(shù)R2是0.79,這也為工業(yè)中長棗品質(zhì)在線檢測提供了理論依據(jù)。

3.2在食品新鮮度檢測中的應(yīng)用

目前用感官評定評估肉類新鮮度仍然被廣泛應(yīng)用,這些方法不客觀且具有破壞性,因此運用一個客觀的非破壞性技術(shù)評估肉類質(zhì)量顯然是很必要的。

ElMasry等[17]運用近紅外高光譜成像系統(tǒng)波長區(qū)900～1700 nm,以評估不同成分和加工參數(shù)的熟火雞火腿質(zhì)量。研究采用主成分分析(PCA),篩選八個特征波長(980,1061,1141,1174,1215,1325,1436，1641 nm)對熟火腿火雞進行品質(zhì)鑒定,預(yù)測準(zhǔn)確率達到97.20%。

色澤是豬肉品質(zhì)的一個衡量標(biāo)準(zhǔn),Barbin等[18]運用近紅外高光譜成像技術(shù)測定了豬肉品質(zhì),采用偏最小二乘回歸的方法建模分析,預(yù)測顏色反射率,模型決定系數(shù)達到0.93。Dai等[19]采用近紅外高光譜圖像波長范圍在400～1000 nm進行研究,以區(qū)分蝦的新鮮度。結(jié)果表明:連續(xù)投影算法結(jié)合最小二乘支持向量機(Successive Projections Algorithm-Least Squares-Support Vector Machine,SPA-LS-SVM)分類正確率達到98.33%、預(yù)測正確率達到95.00%。

外觀是水果蔬菜一個非常重要的感官品質(zhì),它不僅影響其市場價值、消費者的偏好和選擇,也在一定程度上反映水果蔬菜內(nèi)部質(zhì)量。Zhang等[20]綜合分析了高光譜成像可用于評估農(nóng)業(yè)作物(玉米、小麥、黑麥、小扁豆、大豆、油菜)質(zhì)量和園藝(蘋果、土豆和黃瓜、柑橘、桃、草莓和櫻桃)作物。

高光譜成像技術(shù)還可以檢驗水果采摘后隱形的損壞。Rivera等[21]采用近紅外高光譜成像技術(shù)檢測芒果機械性損傷。檢測芒果損傷圖像的完整波長范圍為650～1100 nm。研究中用特征選擇方法確定重要波長,五種分類方法:線性判別分析(linear discriminant analysis,LDA)、近鄰法(k-Nearest Neighbours,k-NN)、樸素貝葉斯分類(Naive Bayes,NBC)、決策樹(Decision Trees,DT)、極限學(xué)習(xí)機(Extreme Learning Machine,ELM),用來對所得多光譜圖像進行分段和對芒果進行分類。結(jié)果發(fā)現(xiàn)使用k-NN的分類方法,到第三天時達到最高正確分類率97.90%,評分達到91.40%以上。Zhang等[22]基于高光譜成像技術(shù)確定雞蛋的內(nèi)部質(zhì)量,結(jié)果表明決定系數(shù)為0.87,預(yù)測準(zhǔn)確度達到96.30%。

3.3在食品生物污染檢測中的應(yīng)用

肉類產(chǎn)品冷庫溫度波動常會導(dǎo)致細菌生長,從而影響肉類質(zhì)量,因此對其進行生物檢測是有必要的。Barbin等[23]利用近紅外高光譜技術(shù)檢測腐敗豬肉細菌數(shù)并監(jiān)測不同溫度下微生物生長情況,采用偏最小二乘法建立模型,相關(guān)系數(shù)達到0.86。Feng等[24]利用近紅外高光譜檢測雞肉假單胞菌含量,主要基于遺傳算法(GA)選擇重要波長并建立偏最小二乘PLS預(yù)測模型,結(jié)果顯示相關(guān)系數(shù)為0.81。

He等[25]利用近紅外高光譜成像技術(shù)對鮭魚假單胞菌數(shù)PC(Pseudomonas spp. counts)進行預(yù)測,利用偏最小二乘回歸(PLSR)法建模,結(jié)果顯示所建模型的決定系數(shù)(R2):0.90;均方根誤差(RMSEP):0.52。然后他又根據(jù)回歸系數(shù)(RC),競爭適應(yīng)再加權(quán)抽樣算法(competitive adaptive reweighted sampling,CARS)和連續(xù)投影算法(SPA)篩選有效波長,得到優(yōu)化的PLSR模型。最終結(jié)果分析發(fā)現(xiàn)CARS-PLSR模型比較好,得到的R2:0.91;RMSEP:0.49。

目前,許多方法已用來檢測致病性真菌,包括酶聯(lián)免疫吸附實驗(ELISA)[26],熒光偏振免疫分析法[27]和聚合酶鏈反應(yīng)[28]。這些檢測方法可靠且靈敏性好,但是這些方法大部分復(fù)雜和昂貴。近年來,近紅外高光譜被用于檢測谷物中致病性真菌,Bauriegel等[29]利用高光譜技術(shù)檢測小麥中鐮胞菌,主成分分析降維處理,用圖像分析方法光譜角制圖(Spectral Angle Mapper,SAM)進行分析,準(zhǔn)確度達到87.00%。Del Fiore等[30]利用高光譜圖像技術(shù)結(jié)合多元統(tǒng)計分析檢測玉米真菌毒素,利用主成分分析進行降維,運用Fisher最小顯著差檢驗分析,分析結(jié)果顯示置信度達到95.00%。Siripatrawan等[31]利用高光譜成像(HSI)對真菌感染稻米進行分類并監(jiān)測糙米中真菌數(shù)。采用自組織映射網(wǎng)絡(luò)模型(self-organizing Neural,SOM)融合集成可視化,利用偏最小二乘法建立模型,模型決定系數(shù)達到0.97。

影響玉米質(zhì)量的主要真菌—黃曲霉毒素。黃曲霉毒素B1(Aflatoxin)被認(rèn)為是環(huán)境致癌物質(zhì)。因此,早期檢測玉米籽粒中有毒真菌以防止儲存過程中交叉感染,是非常有必要的。Wang等[32]利用近紅外高光譜成像檢測玉米籽粒的黃曲霉毒素B1。經(jīng)過像素校準(zhǔn)、減少噪音后提取感興趣區(qū)域(ROIs)光譜圖像。利用主成分分析(PCA),提高信噪比(SNR),減小維度提取光譜數(shù)據(jù)有價值信息。得到在波長1729 nm和2344 nm標(biāo)識表明其為AFB1,檢測精度達到92.30%。

3.4在其它方面的應(yīng)用研究

為了準(zhǔn)確及時的判定葡萄成熟期,Nogales-Bueno等[36]利用近紅外高光譜篩選提取的紅葡萄皮多酚,葡萄的高光譜成像光譜范圍900～1700 nm,光譜預(yù)處理后利用光譜數(shù)據(jù)及偏最小二乘回歸法建立紅葡萄皮多酚(總酚,花青素和黃烷醇)預(yù)測模型。所獲得決定系數(shù)(RSQ)和標(biāo)準(zhǔn)預(yù)測誤差(SEP):總酚含量的RSQ為0.82、SEP為0.92 mg/g;花青素含量的RSQ為0.79、SEP為0.63 mg/g;黃烷醇含量的RSQ為0.82、SEP為0.45 mg/g。Chen等[37]利用近紅外高光譜光譜范圍在900～1700 nm預(yù)測釀酒葡萄花青素含量,利用支持向量回歸模型得到驗證系數(shù):0.94;預(yù)測正確率:0.99。

孫俊等[38]為了有效判別出優(yōu)質(zhì)大米中是否摻入劣質(zhì)大米,利用可見-近紅外高光譜圖像采集系統(tǒng)(390～1050 nm)獲取大米樣本高光譜圖像。結(jié)果表明,基于特征波長支持向量機SVM模型交叉驗證準(zhǔn)確率及預(yù)測集正確率分別是:95.00%、96.00%;基于最優(yōu)主成分?jǐn)?shù)支持向量機的SVM模型交叉驗證準(zhǔn)確率:94.00%、預(yù)測集正確率:98.00%。鮑一丹等[39]結(jié)合近紅外高光譜成像技術(shù)對不同品種咖啡豆進行快速無損檢測,結(jié)果顯示:基于極限學(xué)習(xí)機(ELM)模型效果均為最優(yōu),準(zhǔn)確率達到93.50%以上。

4　高光譜成像技術(shù)存在的問題及解決方法

目前近紅外高光譜檢測技術(shù)在食品檢測上已廣泛應(yīng)用,但大多數(shù)還只是在實驗室范圍內(nèi)進行。具體存在下面幾個方面的問題:

(1)近紅外高光譜成像技術(shù)主要限制是產(chǎn)生的數(shù)據(jù)比較多,這顯著增加了從光譜圖像中提取主要特征信 息的時間,對在線檢測食品、農(nóng)業(yè)和工業(yè)產(chǎn)品造成困難,需要研究快速的處理策略。

(2)高光譜成像圖像分析軟件,像ENVI作為一個遙感圖像處理平臺,提供了專業(yè)可靠的波譜分析和高光譜分析工具,但是并不適合在線執(zhí)行食品和農(nóng)產(chǎn)品質(zhì)量和安全檢測。需要進一步結(jié)合農(nóng)產(chǎn)品本身特性開發(fā)可靠、快速、高效的圖像處理軟件。

(3)在進行檢測時很容易受多個因素的影響(如樣品溫度、檢測部位等)。因此有必要進行多次測量盡量減小誤差,以及對各種影響進行校正。

5　展望

高光譜成像技術(shù)自20世紀(jì)90年代應(yīng)用于農(nóng)產(chǎn)品品質(zhì)無損檢測,因其快速、高效和準(zhǔn)確,越來越受到人們的關(guān)注。隨著科學(xué)技術(shù)的發(fā)展,高光譜成像技術(shù)應(yīng)用也越來越廣泛。文章介紹了國內(nèi)外食品中水分、新鮮度及微生物的高光譜成像檢測方法,分析了這些檢測指標(biāo)的檢測原理,證明高光譜成像技術(shù)具有一定的優(yōu)越性。同時也介紹了該技術(shù)在種子資源的品質(zhì)評價、水果蔬菜的外部質(zhì)量評定及生物毒素的測定技術(shù)等方面的應(yīng)用,表明高光譜成像技術(shù)的應(yīng)用范圍廣泛。

目前該技術(shù)還處于發(fā)展初期,也還存在著諸如數(shù)據(jù)量大、數(shù)據(jù)處理軟件跟不上應(yīng)用需要及影響檢測結(jié)果的因素較多等問題。目前在對象的研究上很多用的是反射和投射,而運用高光譜熒光技術(shù)進行研究的很少,這將是高光譜技術(shù)的一個發(fā)展方向。這些問題都將是該領(lǐng)域工作者今后一段時期致力研究并解決的關(guān)鍵問題。

隨著研究的深入和技術(shù)的不斷發(fā)展,高光譜成像技術(shù)有著廣闊的應(yīng)用空間,其應(yīng)用范圍將越來越廣,對高光譜成像技術(shù)的要求也越來越高。如何利用高光譜成像系統(tǒng)結(jié)合數(shù)據(jù)處理軟件獲得更準(zhǔn)確的數(shù)據(jù),對未來高光譜成像技術(shù)發(fā)展具有十分重要的意義。

[1]Karimi Y,Maftoonazad N,Ramaswamy H S,et al.Application of hyperspectral technique for color classification avocados subjected to different treatments[J].Food and bioprocess technology,2012,5(1):252-264.

[2]Menesatti P,Zanella A,D’Andrea S,et al.Supervised multivariate analysis of hyper-spectral NIR images to evaluate the starch index of apples[J].Food and Bioprocess Technology,2009,2(3):308-314.

[3]Kumar S,Mittal G S.Rapid detection of microorganisms using image processing parameters and neural network[J].Food and Bioprocess Technology,2010,3(5):741-751.

[4]Tao F,Peng Y.A method for nondestructive prediction of pork meat quality and safety attributes by hyperspectral imaging technique[J].Journal of Food Engineering,2014,126:98-106.

[5]陳進.高光譜圖像分類方法研究[D].長沙:國防科學(xué)技術(shù)大學(xué),2010.

[6]Bazi Y,Melgani F.Toward an optimal SVM classification system for hyperspectral remote sensing images[J].Geoscience and Remote Sensing,IEEE Transactions on,2006,44(11):3374-3385.

[7]何同弟.高光譜圖像的分類技術(shù)研究[D].重慶:重慶大學(xué),2014.

[8]Gowen A A,O'Donnell C P,Cullen P J,et al.Hyperspectral imaging-an emerging process analytical tool for food quality and safety control[J].Trends in Food Science & Technology,2007,18(12):590-598.

[9]He H J,Wu D,Sun D W.Rapid and non-destructive determination of drip loss and pH distribution in farmed Atlantic salmon(Salmo salar)fillets using visible and near-infrared(Vis-NIR)hyperspectral imaging[J].Food chemistry,2014,156:394-401.

[10]Kamruzzaman M,ElMasry G,Sun D W,et al.Non-destructive prediction and visualization of chemical composition in lamb meat using NIR hyperspectral imaging and multivariate regression[J].Innovative Food Science & Emerging Technologies,2012,16:218-226.

[11]Garrido-Novell C,Garrido-Varo A,Pérez-Marín D,et al.Quantification and spatial characterization of moisture and NaCl content of Iberian dry-cured ham slices using NIR hyperspectral imaging[J].Journal of Food Engineering,2015,153:117-123.

[12]ElMasry G,Sun D W,Allen P.Non-destructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging[J].Food Research International,2011,44(9):2624-2633.

[13]Kandala C V,Sundaram J.Nondestructive moisture content determination of three different market type in-shell peanuts using near infrared reflectance spectroscopy[J].Journal of Food Measurement and Characterization,2014,8(2):132-141.

[14]孫俊,武小紅,張曉東,等.基于高光譜圖像的生菜葉片水分預(yù)測研究[J].光譜學(xué)與光譜分析,2013,33(2):522-526.

[15]朱西存,姜遠茂,趙庚星,等.基于光譜指數(shù)的蘋果葉片水分含量估算模型研究[J].中國農(nóng)學(xué)通報,2014,30(4):120-126.

[16]吳龍國,何建國,劉貴珊,等.基于近紅外高光譜成像技術(shù)的長棗含水量無損檢測[J].光電子.激光,2014,25(1):135-140.

[17]ElMasry G,Iqbal A,Sun D W,et al.Quality classification of cooked,sliced turkey hams using NIR hyperspectral imaging system[J].Journal of Food Engineering,2011,103(3):333-344.

[18]Barbin D F,ElMasry G,Sun D W,et al.Predicting quality and sensory attributes of pork using near-infrared hyperspectral imaging[J].Analytica chimica acta,2012,719:30-42.

[19]Dai Q,Cheng J H,Sun D W,et al.Potential of visible/near-infrared hyperspectral imaging for rapid detection of freshness in unfrozen and frozen prawns[J].Journal of Food Engineering,2015,149:97-104.

[20]Zhang B,Huang W,Li J,et al.Principles,developments and applications of computer vision for external quality inspection of fruits and vegetables:A review[J].Food Research International,2014,62:326-343.

[21]Rivera N V,Gomez-Sanchis J,Chanona-Pérez J,et al.Early detection of mechanical damage in mango using NIR hyperspectral images and machine learning[J].Biosystems Engineering,2014,122:91-98.

[22]Zhang W,Pan L,Tu S,et al.Non-destructive internal quality assessment of eggs using a synthesis of hyperspectral imaging and multivariate analysis[J].Journal of Food Engineering,2015,157:41-48.

[23]Barbin D F,ElMasry G,Sun D W,et al.Non-destructive assessment of microbial contamination in porcine meat using NIR hyperspectral imaging[J].Innovative Food Science & Emerging Technologies,2013,17:180-191.

[24]Feng Y Z,Sun D W.Near-infrared hyperspectral imaging in tandem with partial least squares regression and genetic algorithm for non-destructive determination and visualization of Pseudomonas loads in chicken fillets[J].Talanta,2013,109:74-83.

[25]He H J,Sun D W.Toward enhancement in prediction of Pseudomonas counts distribution in salmon fillets using NIR hyperspectral imaging[J].LWT-Food Science and Technology,2015,62:11-18.

[26]Muthomi J W,Ndung’u J K,Gathumbi J K,et al.The occurrence of Fusarium species and mycotoxins in Kenyan wheat[J].Crop protection,2008,27(8):1215-1219.

[27]Chun H S,Choi E H,Chang H J,et al.A fluorescence polarization immunoassay for the detection of zearalenone in corn[J]. Analytica chimica acta,2009,639(1):83-89.

[28]Levin R E.PCR detection of aflatoxin producing fungi and its limitations[J].International journal of food microbiology,2012,156(1):1-6.

[29]Bauriegel E,Giebel A,Geyer M,et al.Early detection of Fusarium infection in wheat using hyper-spectral imaging[J]. Computers and Electronics in Agriculture,2011,75(2):304-312.

[30]Del Fiore A,Reverberi M,Ricelli A,et al.Early detection of toxigenic fungi on maize by hyperspectral imaging analysis[J]. International journal of food microbiology,2010,144(1):64-71.

[31]Siripatrawan U,Makino Y.Monitoring fungal growth on brown rice grains using rapid and non-destructive hyperspectral imaging[J].International Journal of Food Microbiology,2015,199:93-100.

[32]Wang W,Lawrence K C,Ni X,et al.Near-infrared hyperspectral imaging for detecting Aflatoxin B 1 of maize kernels[J].Food Control,2015,51:347-355.

[34]Wang L,Liu D,Pu H,et al.Use of Hyperspectral Imaging to Discriminate the Variety and Quality of Rice[J].Food Analytical Methods,2015,8(2):515-523.

[35]Moghaddam T M,Razavi S M A,Taghizadeh M.Applications of hyperspectral imaging in grains and nuts quality and safety assessment:a review[J].Journal of Food Measurement and Characterization,2013,7(3):129-140.

[36]Nogales-Bueno J,Baca-Bocanegra B,Rodríguez-Pulido F J,et al.Use of near infrared hyperspectral tools for the screening of extractable polyphenols in red grape skins[J].Food chemistry,2015,172:559-564.

[37]Chen S,Zhang F,Ning J,et al.Predicting the anthocyanin content of wine grapes by NIR hyperspectral imaging[J].Food chemistry,2015,172:788-793.

[38]孫俊,金夏明,毛罕平,等.高光譜圖像技術(shù)在摻假大米檢測中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報,2014,30(21):301-307.

[39]鮑一丹,陳納,何勇,等.近紅外高光譜成像技術(shù)快速鑒別國產(chǎn)咖啡豆品種[J].光學(xué)精密工程,2015,23(2):349-355.

Application of hyperspectral imaging technology in nondestructive detection of food quality

LIU Jian-xue,YANG Ying,HAN Si-hai,LI Xuan,LI Pei-yan,ZHANG Wei-wei,ZHANG Tian-ze,YANG Guo-di,JIAO Xiao-fei

(College of Food & Bioengineering,Henan University of Science and Technology,Luoyang 471023,China)

Hyperspectral imaging combines the advantages of imaging and spectroscopy,and can acquire spectral and image information simultaneously in one system very well.Its rich spectral information is sufficient for internal feature extraction.Hyperspectral imaging has been applied to assess moisture content,freshness and biological pollution and so on.This paper briefly reviewed the applications of hyperspectral imaging technology in food inspection,discussed the disadvantage of hyperspectral imaging technology,pointed out key issues in this area,on which should be focused in future and highlighted the prospect for development of hyperspectral imaging technology.

hyperspectral imaging technology;food;nondestructive detection

2015-06-18

劉建學(xué)(1964-),男,博士,教授，研究方向:農(nóng)產(chǎn)品高值化利用及快速檢測技術(shù),E-mail:jx_liu@163.com。

河南省重點攻關(guān)項目(142102310262);國家自然基金項目(31471658)。

TS207.3

A

1002-0306(2016)03-0389-05

10.13386/j.issn1002-0306.2016.03.073