高光譜成像技術(shù)在肉品品質(zhì)評(píng)價(jià)中的應(yīng)用

劉 海，鄭福平*，熊振海*，劉 源,*

（1.上海海洋大學(xué)食品學(xué)院，上海 201306；2.北京工商大學(xué) 食品質(zhì)量與安全北京實(shí)驗(yàn)室，北京 100048；3.北京工商大學(xué) 北京食品營養(yǎng)與人類健康高精尖創(chuàng)新中心，北京 100048）

肉品是人們獲取動(dòng)物蛋白的主要來源。隨著生活水平的提高，人們?cè)絹碓蕉嗟仃P(guān)注肉品營養(yǎng)品質(zhì)和質(zhì)量安全等問題。目前時(shí)有以假亂真、以次充好的現(xiàn)象發(fā)生，破壞了公平的競爭環(huán)境，損害了消費(fèi)者的健康，因此實(shí)現(xiàn)快速無損檢測(cè)肉品品質(zhì)及確定安全指標(biāo)尤為重要。

廣義上講，肉品分為家畜、家禽和水產(chǎn)動(dòng)物肉[1]。傳統(tǒng)的肉品品質(zhì)檢測(cè)方法常采用化學(xué)方法，所需試劑多且操作繁瑣。傳統(tǒng)光譜技術(shù)由于操作簡單、快速、準(zhǔn)確等特點(diǎn)而被用于食品的快速檢測(cè)中，如中紅外光譜應(yīng)用于魚肉制品的鑒別檢測(cè)[2]，熒光光譜結(jié)合色譜法對(duì)肉制品中蛋白質(zhì)羰基化合物進(jìn)行研究[3]以及拉曼光譜法應(yīng)用于食品中農(nóng)藥殘留分析[4]等。但是，這些傳統(tǒng)光譜技術(shù)只能分析組分含量信息，無法獲取樣品品質(zhì)安全信息的空間分布；成像技術(shù)可提供樣品的空間信息，但無法精準(zhǔn)地獲取食品的化學(xué)組分信息。高光譜成像技術(shù)具有光譜技術(shù)和成像技術(shù)的優(yōu)點(diǎn)，能夠同時(shí)捕獲食品的空間信息和光譜信息，達(dá)到“圖譜合一”。

近年來，高光譜成像技術(shù)在食品檢測(cè)[5-7]、鑒別[8-10]等方面的研究日益廣泛。本文主要介紹了高光譜成像技術(shù)的基本原理、高光譜譜圖分析程序及其在肉品中應(yīng)用的研究進(jìn)展，并展望了高光譜成像技術(shù)在肉品中的發(fā)展趨勢(shì)，以期為肉品快速檢測(cè)方法的研究提供參考。

1 高光譜成像技術(shù)

1.1 高光譜成像系統(tǒng)

高光譜成像技術(shù)的光譜波段覆蓋了可見光、近紅外、中紅外、遠(yuǎn)紅外以及熱紅外等區(qū)域的全部連續(xù)的光譜帶。其中可見近紅外（visible near infrared，VNIR）和近紅外波段（near infrared，NIR）在肉品應(yīng)用研究中較為廣泛（表1）。高光譜成像系統(tǒng)主要由光源、光譜儀、鏡頭、高分辨率相機(jī)和電荷耦合探測(cè)器（charge-coupled device，CCD）等組成（圖1）[11]。

圖1 高光譜成像系統(tǒng)[11]Fig. 1 Hyperspectral imaging system[11]

高光譜成像技術(shù)數(shù)據(jù)采集方式主要包括點(diǎn)掃描、線掃描、面掃描。點(diǎn)掃描主要捕獲單個(gè)像素點(diǎn)的光譜，常用于微觀對(duì)象的檢測(cè)；線掃描又稱為推掃式，主要用于獲取樣品在對(duì)應(yīng)條狀空間中每個(gè)像素在各個(gè)波長下的圖像信息，而且在檢測(cè)時(shí)需要光譜檢測(cè)器和待測(cè)樣品產(chǎn)生位移差，因此該數(shù)據(jù)采集方法能較好地應(yīng)用于傳送帶系統(tǒng)；面掃描主要是獲取樣品在單個(gè)波長下完整的空間圖像[12]。

1.2 高光譜成像技術(shù)的基本原理

如圖1所示，當(dāng)光源照射到待測(cè)樣品表面，由于食品中所含化學(xué)成分及物理特性存在差異，在特定波長下有不同的反射比、分散度以及電磁能等。待檢樣品的輻射能通過鏡頭聚集并由狹縫增強(qiáng)準(zhǔn)直照射到分光原件上，最終在垂直方向上按光譜分散并成像于圖像傳感器上，即得到待測(cè)樣品的高光譜圖（圖2）[13]。

圖2 高光譜譜圖[13]Fig. 2 Spectral imaging diagrams[13]

高光譜圖像是由非常窄的多達(dá)數(shù)百個(gè)連續(xù)光譜波段組成，其圖像又稱超立方，可通過反射、透射和漫反射來獲取，該圖像是一個(gè)三維的數(shù)據(jù)矩陣（X，Y，λ），其中（X，Y）代表的是二維的空間維度，（λ）代表的是一維的光譜維度。從一維維度（λ）上看，高光譜圖像是一張張二維（X，Y）圖像（圖2A），而從二維（X，Y）上看，高光譜圖像是一條條光譜譜線（圖2B）[14]。光譜數(shù)據(jù)所攜帶的信息一般可采用3 種表示方法，即圖像空間、光譜空間、特征空間。圖像空間根據(jù)RGB色澤的差異能較為直觀地觀測(cè)被檢對(duì)象的整體分布信息；光譜空間表示了被檢物質(zhì)在不同波長下的響應(yīng)情況；特征空間為光譜指紋圖譜技術(shù)奠定了理論依據(jù)，且該特征空間能較好地應(yīng)用于模式識(shí)別[12,15]。

1.3 高光譜成像技術(shù)的定性定量判別

圖3 高光譜成像技術(shù)定性定量判別流程Fig. 3 Major procedure of hyperspectral imaging technique in qualitative and quantitative analysis

高光譜成像技術(shù)定性定量判別的一般流程如圖3所示。由于高光譜數(shù)據(jù)冗余，需要應(yīng)用統(tǒng)計(jì)學(xué)方法進(jìn)行定性定量分析。其中定性分析中主要有監(jiān)督分類與非監(jiān)督分類、參數(shù)分類與非參數(shù)分類、確定性分類與非確定性分類等[12]；定量分析模型中多采用多元變量回歸，可分為線性回歸和非線性回歸，線性回歸包括多元線性回歸（multiple linear regression，MLR）、主成分回歸（principal component regression，PCR）、偏最小二乘回歸（partial least squares，PLS）等，非線性回歸包括人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks，ANN）、支持向量機(jī)（support vector machine，SVM）等[16]。

高光譜成像技術(shù)應(yīng)用于肉品定量模型預(yù)測(cè)研究，需要對(duì)采集完樣品的原始光譜信息進(jìn)行黑白校正，由于高光譜相鄰譜帶之間存在較強(qiáng)的相關(guān)性，利用全波段進(jìn)行多變量建模預(yù)測(cè)比較耗時(shí)，且效果不穩(wěn)定，因此需要進(jìn)行特征波段的選擇[17-18]。特征波段的選擇方法較多，如相關(guān)系數(shù)波段選擇法、顯變分析波段選擇法，這兩種方法能簡便地提取特征波段，但缺乏對(duì)數(shù)據(jù)多重共線性判別的能力，導(dǎo)致模型預(yù)測(cè)性能較差；而間隔PLS可消除多重共線性的影響，因?yàn)樵摲椒ㄊ菍LS回歸模型最終的預(yù)測(cè)結(jié)果作為衡量波段選擇的標(biāo)準(zhǔn)；模擬退火法選擇特征波段，是將預(yù)測(cè)模型自身的預(yù)測(cè)能力作為衡量標(biāo)準(zhǔn)，忽略了校正模型的穩(wěn)健性，因此，當(dāng)外界環(huán)境改變時(shí)，模型預(yù)測(cè)結(jié)果的重現(xiàn)性較差；此外還有連續(xù)投影法（successive projections algorithm，SPA）、主成分分析法（principal component analysis，PCA）等一系列方法應(yīng)用于特征波段的選取[19-21]。因此，在進(jìn)行定性定量模型判別時(shí)要綜合考慮這些方法的優(yōu)缺點(diǎn)及適用性，從而使得模型穩(wěn)健性和預(yù)測(cè)精確度達(dá)到最佳。

2 高光譜成像技術(shù)在肉品品質(zhì)評(píng)價(jià)方面的研究進(jìn)展

目前高光譜成像技術(shù)在肉品檢測(cè)方面已有較多研究，肉品品質(zhì)包括營養(yǎng)品質(zhì)、食用品質(zhì)、技術(shù)品質(zhì)或加工品質(zhì)、安全品質(zhì)或衛(wèi)生品質(zhì)[22]。表1就高光譜成像技術(shù)在肉品品質(zhì)方面的研究應(yīng)用進(jìn)行了總結(jié)。

表1 高光譜成像技術(shù)應(yīng)用于肉品品質(zhì)評(píng)價(jià)Table 1 Application of hyperspectral imaging technique in meat quality evaluation

續(xù)表1

2.1 高光譜成像技術(shù)應(yīng)用于肉品營養(yǎng)成分分析

2.1.1 水分含量的測(cè)定

水分含量可以作為肉品原料的物性參數(shù)之一，因此，可以依據(jù)水分含量對(duì)不同肉品進(jìn)行分類。如杜長大、茂佳山黑豬和零號(hào)土豬其里脊肉水分含量存在差異，劉嬌等[27]應(yīng)用高光譜技術(shù)建立杜長大豬里脊肉含水率PLS定量檢測(cè)模型，提出了一種PDS-LI的傳遞算法，該算法對(duì)杜長大模型進(jìn)行傳遞后，對(duì)茂佳山黑豬和零號(hào)土豬的模型預(yù)測(cè)效果提高到83.2%和84.8%，研究結(jié)果表明，該算法對(duì)茂佳山黑豬與零號(hào)土豬樣品可實(shí)現(xiàn)模型傳遞。西班牙的Talens等[7]利用高光譜成像（900～1 700 nm）對(duì)西班牙熟火腿進(jìn)行水分含量測(cè)定研究，采用PLSR和PLS-DA進(jìn)行多元分析，成功在特征波段（966、1 061、1 148、1 256、1 373、1 628 nm）處對(duì)熟火腿進(jìn)行品質(zhì)分級(jí)，精確度達(dá)92%。日本的Kamruzzaman等[26]利用高光譜成像技術(shù)對(duì)紅肉進(jìn)行持水力的快速檢測(cè)研究，研究結(jié)果表明分別在特征波段下建立的定量分析模型，對(duì)豬肉、羊肉、牛肉持水力預(yù)測(cè)精確度達(dá)90%。

對(duì)不同加工方式下肉品含水量的測(cè)定也有相關(guān)研究。Ma Ji等[23]利用高光譜成像技術(shù)對(duì)豬背最長肌在不同加工處理方式（自然條件（新鮮）、冷凍-解凍、解熱-脫水、鹽水腌制-脫水）下對(duì)水分含量進(jìn)行了預(yù)測(cè)研究。建立的PLSR模型對(duì)豬背最長肌含水率檢測(cè)具有較好的效果，模型精確度達(dá)95%，預(yù)測(cè)均方根誤差（root-mean square error of prediction，RMSEP）為1.396。Liu Dan等[28]利用高光譜成像技術(shù)探究了豬肉在腌制過程中水分含量的變化，分別建立PLSR和MLR模型；研究結(jié)果表明，采用反射光譜-多元線性回歸模型的預(yù)測(cè)相關(guān)系數(shù)達(dá)91.7%，預(yù)測(cè)均方誤差為1.48%。Iqbal等[31]利用近紅外高光譜技術(shù)（900～1 700 nm）研究不同等級(jí)火腿烹飪后中的水分含量，精確度達(dá)88%。對(duì)水產(chǎn)類肉品的水分研究也有相關(guān)研究，如Wu Di等[34]利用高光譜成像技術(shù)（380～1 100 nm）對(duì)不同脫水程度的蝦進(jìn)行水分含量檢測(cè)，建立PLSR模型，利用LS-SVM進(jìn)行模型校正，模型預(yù)測(cè)效果達(dá)98%，研究表明高光譜成像技術(shù)可對(duì)蝦含水量進(jìn)行快速無損檢測(cè)。

2.1.2 蛋白質(zhì)含量的測(cè)定

從物質(zhì)結(jié)構(gòu)上看，蛋白質(zhì)是構(gòu)成生物的基本骨架，且生化反應(yīng)中絕大多數(shù)酶都是蛋白質(zhì)。從營養(yǎng)風(fēng)味指標(biāo)上看，蛋白質(zhì)發(fā)生水解后的多肽或氨基酸可呈現(xiàn)出特征性的食品風(fēng)味。Jurado等[72]研究了伊比利亞火腿在成熟過程中氨基酸相對(duì)揮發(fā)性組分的含量。研究結(jié)果表明在干燥階段120～230 d內(nèi)總的自由氨基酸含量顯著增高，且自由氨基酸含量的增加與氨基酸揮發(fā)性物質(zhì)含量正相關(guān)。部分氨基酸除了有特殊風(fēng)味外，還具有標(biāo)識(shí)作用，如羥脯胺酸可以作為膠原蛋白的特征氨基酸。Xiong Zhenjie等[73]利用高光譜成像技術(shù)對(duì)雞肉中羥脯氨酸含量進(jìn)行了檢測(cè)。實(shí)驗(yàn)總樣本數(shù)為160，預(yù)測(cè)集樣本量為46，交叉驗(yàn)證樣本量為114，建立PLSR模型；結(jié)果表明預(yù)測(cè)相關(guān)系數(shù)為87.4%，RMSEP為0.049。Talens等[7]利用高光譜成像技術(shù)對(duì)西班牙熟火腿進(jìn)行了蛋白質(zhì)定量測(cè)定研究；實(shí)驗(yàn)總樣本量為126，通過提取感興趣區(qū)域及閾值法選取10 個(gè)特征波段，建立的PLS預(yù)測(cè)模型精度達(dá)85%。

又如上世紀(jì)60年代樂善秦腔現(xiàn)代戲《紅燈記》，李奶奶講革命家史的大段念白，訴說了過去，又教育了鐵梅，體現(xiàn)了李奶奶的革命氣節(jié)。

2.1.3 脂肪含量與分布的測(cè)定

脂肪是動(dòng)植物體中的油性物質(zhì)，是生物體的組成部分和儲(chǔ)能物質(zhì)，在食品加工過程中常賦予食品特殊的風(fēng)味。已有報(bào)道借助高光譜成像技術(shù)研究肉品中脂肪的含量及其分布，如李學(xué)富[21]應(yīng)用近紅外高光譜技術(shù)對(duì)羊肉脂肪含量的研究，分析比較了BP神經(jīng)網(wǎng)絡(luò)（back propagation artificial neural networks）和PLS模型預(yù)測(cè)的精度；研究表明PLS預(yù)測(cè)模型效果要好，預(yù)測(cè)相關(guān)系數(shù)達(dá)95%，預(yù)測(cè)標(biāo)準(zhǔn)偏差0.40。Zhu Fengle[35]、Liu Li[38]等應(yīng)用高光譜成像技術(shù)對(duì)鮭魚和豬肉的脂肪空間分布進(jìn)行了研究，建立PLSR模型，該模型的預(yù)測(cè)相關(guān)系數(shù)達(dá)92%。Lohumi等[25]利用高光譜成像技術(shù)預(yù)測(cè)牛肉的脂肪分布，比較了光譜相似測(cè)量和方差分析提取特征波段的優(yōu)劣；研究結(jié)果表明光譜相似測(cè)量分析方法較優(yōu)，且預(yù)測(cè)模型精確度達(dá)95%。

2.2 高光譜成像技術(shù)應(yīng)用于評(píng)價(jià)肉品的食用品質(zhì)

2.2.1 嫩度的測(cè)定

肉的嫩度稱為肉的柔軟性，指肉在食用時(shí)口感的老嫩，反映肉的質(zhì)地，且肉的嫩度與肉的彈性相對(duì)應(yīng)，是硬度的倒數(shù)[1]。涂冬成[74]利用激光誘導(dǎo)熒光光譜對(duì)禽肉（雞、鴨、鵝）彈性和嫩度指標(biāo)進(jìn)行了研究（350～1 800 nm），通過對(duì)光譜圖采用歸一化處理后，在特征波長處（460～999 nm）結(jié)合PLS建立了激光誘導(dǎo)熒光光譜與禽肉彈性和嫩度之間的校正和預(yù)測(cè)模型；研究結(jié)果表明利用激光誘導(dǎo)熒光光譜技術(shù)對(duì)雞、鵝嫩度檢測(cè)具有明顯的效果，預(yù)測(cè)精度分別達(dá)88.9%和82.9%，對(duì)鴨肉檢測(cè)效果不佳，僅為54.1%。后期涂冬成[74]采用熒光高光譜技術(shù)，在400～1 000 nm波長處對(duì)鴨肉嫩度進(jìn)行研究，選取418.3～478.9 nm和789.2～798.8 nm為特征波長，采用PLS建立模型，模型精度達(dá)86.1%。趙娟等[40]應(yīng)用高光譜紋理特征對(duì)牛肉嫩度分布進(jìn)行了研究，綜合逐步回歸算法與遺傳算法篩選牛肉剪切值的特征波段，分別建立SVM和線性判別（linear discriminant analysis，LDA）模型，其中主成分紋理特征建立的線性判別模型預(yù)測(cè)判別精度達(dá)94.44%。Elmasry等[42]利用高光譜成像技術(shù)（900～1 700 nm）對(duì)牛肉嫩度進(jìn)行了研究。利用PLSR建立模型，嫩度檢測(cè)系數(shù)為0.83，交叉驗(yàn)證結(jié)果系數(shù)（root mean square error of validation，RMSEV）為40.75。研究結(jié)果表明高光譜技術(shù)對(duì)于牛肉品質(zhì)的無損檢測(cè)具有潛在價(jià)值。

2.2.2 色澤的測(cè)定

肉品色澤是消費(fèi)者對(duì)肉品質(zhì)量的第一印象，也是對(duì)其進(jìn)行評(píng)價(jià)的主要依據(jù)[1]。根據(jù)國際照明標(biāo)準(zhǔn)委員會(huì)中色空間指標(biāo)（L*、a*、b*）說明，L*表示顏色的明度，a*代表紅綠值，b*代表黃藍(lán)值，因此，可依據(jù)色澤指標(biāo)檢驗(yàn)來表征食品物料的信息。Elmasry等[42]利用近紅外高光譜技術(shù)（900～1 700 nm）對(duì)新鮮牛肉色澤進(jìn)行了研究，通過建立PLS模型檢測(cè)色澤指標(biāo)L*、b*的預(yù)測(cè)相關(guān)系數(shù)分別為88%、81%，RMSEP分別為1.21、0.57。Kamruzzaman等[46]應(yīng)用高光譜成像技術(shù)（400～1 000 nm）對(duì)紅肉（牛肉、羊肉、豬肉）進(jìn)行了色澤無損檢測(cè)研究，建立的MLR模型對(duì)牛肉、羊肉、豬肉的色澤（L*、a*、b*）預(yù)測(cè)精度分別為0.97、0.84、0.82，RMSEP分別為1.72、1.73、1.35。Wu Di等[50]利用長波近紅外光譜技術(shù)對(duì)鮭魚色澤進(jìn)行了研究，研究結(jié)果表明采用的SPA及其MLR可用于鮭魚色澤的快速無損檢測(cè)，模型整體精度最高可達(dá)87%。

2.2.3 新鮮度的測(cè)定

2.3 高光譜成像技術(shù)應(yīng)用于肉品安全指標(biāo)檢測(cè)

2.3.1 微生物測(cè)定

食品的腐敗變質(zhì)與食品自身或貯藏環(huán)境中微生物含量有較大的關(guān)系，其中，微生物將食品作為自身繁殖的養(yǎng)料，不僅使食品營養(yǎng)成分減少，且降解產(chǎn)物會(huì)影響食品的食用品質(zhì)。王偉等[60]利用高光譜成像技術(shù)對(duì)豬肉表面微生物含量進(jìn)行了研究，通過結(jié)合標(biāo)準(zhǔn)平板菌落計(jì)數(shù)法比較分析了PLS、ANN和PL-SVM的精確度，研究結(jié)果表明PL-SVM最優(yōu)，預(yù)測(cè)模型精確達(dá)94.26%。Tao Feifei[61]、宋育霖[62]等利用可見近紅外高光譜技術(shù)（400～1 100 nm）研究豬肉被大腸桿菌污染的情況，通過對(duì)Gompertz函數(shù)進(jìn)行修訂后提取豬肉高光譜圖像的散射特征，建立MLR模型，模型精度達(dá)90%。Barbin等[77]利用線掃式高光譜技術(shù)（900～1 700 nm）對(duì)新鮮豬肉表面微生物菌落數(shù)進(jìn)行了研究，結(jié)合平板菌落計(jì)數(shù)法測(cè)定新鮮豬肉在0 ℃和4 ℃貯藏21 d時(shí)的微生物菌落數(shù)，PLS模型分析表明實(shí)驗(yàn)精確度可達(dá)到86%。

2.3.2 摻假測(cè)定

肉品中的摻假問題主要發(fā)生在肉糜類制品。如國外已有研究者利用高光譜成像技術(shù)對(duì)摻加雞肉和羊肉的牛肉餡制品進(jìn)行檢測(cè)，分別對(duì)不同添加量梯度進(jìn)行檢測(cè)分析，利用PLSR建立預(yù)測(cè)模型[64,78]，模型預(yù)測(cè)精確度高達(dá)96%。白亞斌等[79]利用高光譜儀（400～1 000 nm）對(duì)牛肉-豬肉進(jìn)行了摻假檢測(cè)，按照摻加比例10%～90%（梯度為5%）制備肉糜樣品后采集高光譜數(shù)據(jù)，建立的PLS模型預(yù)測(cè)精度達(dá)98%。

2.4 高光譜成像技術(shù)應(yīng)用于肉品其他指標(biāo)測(cè)定

高光譜成像技術(shù)除了應(yīng)用于肉品營養(yǎng)、品質(zhì)、安全等檢測(cè)外，還在肉品保藏時(shí)間及凍融次數(shù)等方面有較多的研究應(yīng)用。如章海亮等[66]利用高光譜成像技術(shù)對(duì)新鮮多寶魚與凍藏多寶魚進(jìn)行了鑒別，新鮮多寶魚在-20 ℃貯藏20 d解凍1、2 次，-20 ℃貯藏130 d解凍1、2 次后采集高光譜圖像，將譜圖感興趣區(qū)域與競爭性自適應(yīng)重加權(quán)算法相結(jié)合，利用PCA、灰度共生矩陣紋理特征與光譜特征建立LS-SVM區(qū)分模型，預(yù)測(cè)模型的精度達(dá)98%。Zhu Fengle等[67]利用高光譜技術(shù)對(duì)新鮮多寶魚與在不同凍藏溫度（-20、-70 ℃）下保藏的多寶魚進(jìn)行了鑒別；選取魚肉光譜圖中心位置為感興趣區(qū)域，結(jié)合PCA和灰度共生矩陣分析提取36 個(gè)特征變量，建立的PL-SVM判別模型精度達(dá)97.22%。

3 結(jié) 語

高光譜成像技術(shù)目前主要應(yīng)用于研究肉制品的營養(yǎng)成分（水分、蛋白質(zhì)、脂肪等）含量、食用品質(zhì)（色澤、嫩度、新鮮度等）的快速無損檢測(cè)，初步證明了高光譜成像技術(shù)應(yīng)用于肉品檢測(cè)的可行性。但檢測(cè)的精確度、檢測(cè)限以及重現(xiàn)性等問題尚需要進(jìn)一步的研究和探討，對(duì)于肉品中理化值的測(cè)定，高光譜成像技術(shù)需結(jié)合多種化學(xué)計(jì)量學(xué)方法進(jìn)行探討。高光譜成像技術(shù)數(shù)據(jù)采集受光強(qiáng)、移動(dòng)速率、鏡頭高度以及外界因素等影響較大，導(dǎo)致實(shí)驗(yàn)結(jié)果重現(xiàn)性較差；高光譜數(shù)據(jù)冗余，需提取最佳的特征波長進(jìn)行分析，且建立定量預(yù)測(cè)模型需要有龐大的樣本量、需要檢測(cè)指標(biāo)值存在一定的跨度。目前研究中對(duì)于肉品安全指標(biāo)檢測(cè)針對(duì)非法添加物的研究相對(duì)較少。因此，以高光譜成像技術(shù)為主、其他技術(shù)手段為輔獲得樣品最優(yōu)的信息，從而構(gòu)建最佳的判別或定量模型，可使高光譜成像技術(shù)從應(yīng)用于實(shí)驗(yàn)室研究擴(kuò)展至實(shí)際生產(chǎn)檢測(cè)。

[1] 周光宏, 羅欣, 徐幸蓮, 等. 肉品加工學(xué)[M]. 北京: 中國農(nóng)業(yè)出版社,2008: 1-3.

[2] ALAMPRESE C, CASIRAGHI E. Application of FT-NIR and FT-IR spectroscopy to fish fillet authentication[J]. LWT-Food Science and Technology, 2015, 63(1): 720-725. DOI:10.1016/j.lwt.2015.03.021.

[3] ARMENTEROS M, HEINONEN M, OLLILAINEN V, et al. Analysis of protein carbonyls in meat products by using the DNPH-method,fluorescence spectroscopy and liquid chromatography-electrospray ionisation-mass spectrometry (LC-ESI-MS)[J]. Meat Science, 2009,83(1): 104-112. DOI:10.1016/j.meatsci.2009.04.007.

[4] SCHLüCKER S, ROMAN V, KIEFER W, et al. Detection of pesticide model compounds in ethanolic and aqueous microdroplets by nonlinear Raman spectroscopy[J]. Analytical Chemistry, 2001, 73(13): 3146-3152. DOI:10.1021/Ac010169a.

[5] KAMRUZZAMAN M, MAKINO Y, OSHITA S. Parsimonious model development for real-time monitoring of moisture in red meat using hyperspectral imaging[J]. Food Chemistry, 2016, 196: 1084-1091.DOI:10.1016/j.foodchem.2015.10.051.

[6] 范澤華, 姚江河, 陳杰. 運(yùn)用近紅外高光譜成像技術(shù)檢測(cè)羊肉脂肪及蛋白質(zhì)含量[J]. 吉林農(nóng)業(yè), 2016(14): 127. DOI:10.14025/j.cnki.jlny.2016.14.069.

[7] TALENS P, MORA L, MORSY N, et al. Prediction of water and protein contents and quality classification of Spanish cooked ham using NIR hyperspectral imaging[J]. Journal of Food Engineering,2013, 117(3): 272-280. DOI:10.1016/j.jfoodeng.2013.03.014.

[8] BARBIN D, ELMASRY G, SUN D W, et al. Near-infrared hyperspectral imaging for grading and classification of pork[J]. Meat Science, 2012, 90(1): 259-268. DOI:10.1016/j.meatsci.2011.07.011.

[9] ELMASRY G, BARBIN D F, SUN D W, et al. Meat quality evaluation by hyperspectral imaging technique: an overview[J]. Critical Reviews in Food Science and Nutrition, 2012, 52(8): 689-711. DOI:10.1080/10 408398.2010.507908.

[10] 姚璐. 金華火腿品質(zhì)檢測(cè)技術(shù)與分級(jí)方法研究[D]. 杭州: 浙江大學(xué),2012: 13-41.

[11] HE Hongju, SUN Dawen. Hyperspectral imaging technology for rapid detection of various microbial contaminants in agricultural and food products[J]. Trends in Food Science and Technology, 2015, 46(1): 99-109. DOI:10.1016/j.tifs.2015.08.001.

[12] 浦瑞良, 宮鵬. 高光譜遙感及其應(yīng)用[M]. 北京: 高等教育出版社.2000: 1-45. DOI:10.3969/j.issn.1000-3177.2000.02.012.

[13] ZHANG R Y, YING Y B, RAO X Q, et al. Quality and safety assessment of food and agricultural products by hyperspectral fluorescence imaging[J]. Journal of the Science of Food and Agriculture, 2012, 92(12): 2397-2408. DOI:10.1002/jsfa.5702.

[14] WU D, SUN D W. Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment:a review-part Ⅰ: fundamentals[J]. Innovative Food Science and Emeriging Technologies, 2013, 19: 1-14. DOI:10.1016/j.ifset.2013.04.014.

[15] 張連蓬, 李行, 陶秋香. 高光譜遙感影像特征提取與分類[M]. 北京:測(cè)繪出版社, 2012: 43-87.

[16] IQBAL A, SUN D W, ALLEN P. An overview on principle, techniques and application of hyperspectral imaging with special reference to ham quality evaluation and control[J]. Food Control, 2014, 46: 242-254.DOI:10.1016/j.foodcont.2014.05.024.

[17] XIONG Z J, SUN D W, ZENG X A, et al. Recent developments of hyperspectral imaging systems and their applications in detecting quality attributes of red meats: a review[J]. Journal of Food Engineering, 2014, 132(1): 1-13. DOI:10.1016/j.jfoodeng.2014.02.004.

[18] XU B L, ZHANG G J, XU C H, et al. Analysis of fingerprints features of infrared spectra of various processed products of Rhizoma Coptidis and their diあerent extracts[J]. Journal of Molecular Structure, 2015,1096: 147-156. DOI:10.1016/j.foodcont.2014.05.024.

[19] 劉善梅. 基于高光譜成像技術(shù)的冷鮮豬肉品質(zhì)無損檢測(cè)方法研究[D].武漢: 華中農(nóng)業(yè)大學(xué), 2015: 70-91. DOI:10.7666/d.Y2803168.

[20] 汪希偉. 基于光譜成像的豬肉新鮮度檢測(cè)方法[D]. 南京: 南京林業(yè)大學(xué), 2014: 65-72.

[21] 李學(xué)富. 應(yīng)用近紅外高光譜成像技術(shù)檢測(cè)羊肉脂肪和蛋白質(zhì)含量[D].銀川: 寧夏大學(xué), 2013: 27-36. DOI:10.7666/d.Y2386217.

[22] 周光宏, 李春保, 徐幸蓮. 肉類食用品質(zhì)評(píng)價(jià)方法研究進(jìn)展[J]. 中國科技論文在線, 2007(2): 75-82. DOI:10.3969/j.issn.2095-2783.2007.02.001.

[23] MA Ji, SUN Dawen, PU Hongbin. Spectral absorption index in hyperspectral image analysis for predicting moisture contents in pork longissimus dorsi muscles[J]. Food Chemistry, 2016, 197: 848-854.DOI:10.1016/j.foodchem.2015.11.023.

[24] LIU Dan, QU Jiahuan, SUN Dawen, et al. Non-destructive prediction of salt contents and water activity of porcine meat slices by hyperspectral imaging in a salting process[J]. Innovative Food Science and Emerging Technologies, 2013, 20: 316-323. DOI:10.1016/j.ifset.2013.09.002.

[25] LOHUMI S, LEE S, LEE H, et al. Application of hyperspectral imaging for characterization of intramuscular fat distribution in beef[J].Infrared Physics and Technology, 2016, 74: 1-10. DOI:10.1016/j.infrared.2015.11.004.

[26] KAMRUZZAMAN M, MAKINO Y, OSHITA S. Hyperspectral imaging for real-time monitoring of water holding capacity in red meat[J]. LWT-Food Science and Technology, 2016, 66: 685-691.DOI:10.1016/j.lwt.2015.11.021.

[27] 劉嬌, 李小昱, 郭小許, 等. 不同品種間的豬肉含水率高光譜模型傳遞方法研究[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2014, 30(17): 276-284. DOI:10.3969/j.issn.1002-6819.2014.17.035.

[28] LIU Dan, SUN Dawen, QU Jiahuan, et al. Feasibility of using hyperspectral imaging to predict moisture content of porcine meat during salting process[J]. Food Chemistry, 2014, 152: 197-204.DOI:10.1016/j.foodchem.2013.11.107.

[29] 劉善梅, 李小昱, 鐘雄斌, 等. 基于高光譜成像技術(shù)的生鮮豬肉含水率無損檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2013, 44(增刊1): 165-170; 164.DOI:10.6041/j.issn.1000-1298.2013.S1.030.

[30] 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.DOI:10.1016/j.jfoodeng.2014.09.035.

[31] IQBAL A, SUN D W, ALLEN P. Prediction of moisture, color and pH in cooked, pre-sliced turkey hams by NIR hyperspectral imaging system[J]. Journal of Food Engineering, 2013, 117(1): 42-51.DOI:10.1016/j.jfoodeng.2013.02.001.

[32] GOU P, SANTOS-GARCéS E, H?Y M, et al. Feasibility of NIR interactance hyperspectral imaging for on-line measurement of crude composition in vacuum packed dry-cured ham slices[J]. Meat Science,2013, 95(2): 250-255. DOI:10.1016/j.meatsci.2013.05.013.

[33] 朱逢樂, 何勇, 邵詠妮. 應(yīng)用近紅外高光譜成像預(yù)測(cè)三文魚肉的水分含量[J]. 光譜學(xué)與光譜分析, 2015, 35(1): 113-117. DOI:10.3964/j.issn.1000-0593(2015)01-0113-05.

[34] WU Di, SHI Hui, WANG Songjing, et al. Rapid prediction of moisture content of dehydrated prawns using online hyperspectral imaging system[J]. Analytica Chimica Acta, 2012, 726: 57-66. DOI:10.1016/j.aca.2012.03.038.

[35] ZHU Fengle, ZHANG Hailiang, SHAO Yongni, et al. Mapping of fat and moisture distribution in Atlantic Salmon using near-infrared hyperspectral imaging[J]. Food and Bioprocess Technology, 2014,7(4): 1208-1214. DOI:10.1007/s11947-013-1228-z.

[36] KAMRUZZAMAN M, ELMASRY G, SUN D W, et al. Nondestructive prediction and visualization of chemical composition in lamb meat using NIR hyperspectral imaging and multivariate regression[J]. Innovative Food Science and Emerging Technologies,2012, 16: 218-226. DOI:10.1016/j.ifset.2012.06.003.

[37] HUANG Hui, LIU Li, NGADI M O. Prediction of pork fat attributes using NIR Images of frozen and thawed pork[J]. Meat Science, 2016,119: 51-61. DOI:10.1016/j.meatsci.2016.02.042.

[38] LIU Li, NGADI M O. Predicting intramuscular fat content of pork using hyperspectral imaging[J]. Journal of Food Engineering, 2014,134: 16-23. DOI:10.1016/j.jfoodeng.2014.02.007.

[39] 朱逢樂, 彭繼宇, 高峻峰, 等. 應(yīng)用可見/近紅外高光譜成像測(cè)定鮭魚片脂肪含量分布[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2014, 30(23): 314-323.DOI:10.3969/j.issn.1002-6819.2014.23.040.

[40] 趙娟, 彭彥昆. 基于高光譜圖像紋理特征的牛肉嫩度分布評(píng)價(jià)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(7): 279-286. DOI:10.3969/j.issn.1002-6819.2015.07.039.

[41] 吳建虎, 彭彥昆, 江發(fā)潮, 等. 牛肉嫩度的高光譜法檢測(cè)技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2009, 40(12): 135-138; 150.

[42] ELMASRY G, SUN D W, ALLEN P. Near-infrared hyperspectral imaging for predicting colour, pH and tenderness of fresh beef[J].Journal of Food Engineering, 2012, 110(1): 127-140. DOI:10.1016/j.jfoodeng.2011.11.028.

[43] KAMRUZZAMAN M, ELMASRY G, SUN D W, et al. Non-destructive assessment of instrumental and sensory tenderness of lamb meat using NIR hyperspectral imaging[J]. Food Chemistry, 2013, 141(1): 389-396. DOI:10.1016/j.foodchem.2013.02.094.

[44] 陳全勝, 張燕華, 萬新民, 等. 基于高光譜成像技術(shù)的豬肉嫩度檢測(cè)研究[J]. 光學(xué)學(xué)報(bào), 2010, 30(9): 2602-2607.

[45] 朱榮光, 姚雪東, 高廣娣, 等. 不同儲(chǔ)存時(shí)間和取樣部位牛肉顏色的高光譜圖像檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2013, 44(7): 165-169.DOI:10.6041/j.issn.1000-1298.2013.07.028.

[46] KAMRUZZAMAN M, MAKINO Y, OSHITA S. Online monitoring of red meat color using hyperspectral imaging[J]. Meat Science, 2016,116: 110-117. DOI:10.1016/j.meatsci.2016.02.004.

[47] 許衛(wèi)東, 朱榮光, 段宏偉, 等. 基于高光譜圖像技術(shù)的冷卻羊肉顏色檢測(cè)[J]. 中國科技論文在線, 2016, 11(4): 454-458. DOI:10.3969/j.issn.2095-2783.2016.04.021.

[48] LIU Dan, MA Ji, SUN Dawen, et al. Prediction of color and pH of salted porcine meats using visible and near-infrared hyperspectral imaging[J]. Food and Bioprocess Technology, 2014, 7(11): 3100-3108.DOI:10.1007/s11947-014-1327-5.

[49] CHENG Junhu, SUN Dawen, PU Hongbin, et al. Comparison of visible and long-wave near-infrared hyperspectral imaging for colour measurement of grass carp (Ctenopharyngodon idella)[J]. Food and Bioprocess Technology, 2014, 7(11): 3109-3120. DOI:10.1007/s11947-014-1325-7.

[50] WU Di, SUN Dawen, HE Yong. Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet[J]. Innovative Food Science and Emerging Technologies,2012, 16: 361-372. DOI:10.1016/j.ifset.2012.08.003.

[51] TAO Feifei, PENG Yankun. A nondestructive method for prediction of total viable count in pork meat by hyperspectral scattering imaging[J].Food and Bioprocess Technology, 2015, 8(1): 17-30. DOI:10.1007/s11947-014-1374-y.

[52] 張雷蕾, 李永玉, 彭彥昆, 等. 基于高光譜成像技術(shù)的豬肉新鮮度評(píng)價(jià)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(7): 254-259. DOI:10.3969/j.issn.1002-6819.2012.07.042.

[53] HUANG Lin, ZHAO Jiewen, CHEN Quansheng, et al. Rapid detection of total viable count (TVC) in pork meat by hyperspectral imaging[J].Food Research International, 2013, 54(1): 821-828. DOI:10.1016/j.foodres.2013.08.011.

[54] CHENG Weiwei, SUN Dawen, PU Hongbin, et al. Integration of spectral and textural data for enhancing hyperspectral prediction of K value in pork meat[J]. LWT-Food Science and Technology, 2016,72: 322-329. DOI:10.1007/s11947-014-1374-y.

[55] XIONG Zhenjie, SUN Dawen, PU Hongbin, et al. Non-destructive prediction of thiobarbituric acid reactive substances (TSARS)value for freshness evaluation of chicken meat using hyperspectral imaging[J]. Food Chemistry, 2015, 179: 175-181. DOI:10.1016/j.foodchem.2015.01.116.

[56] CHENG Junhu, SUN Dawen, PU Hongbin, et al. Development of hyperspectral imaging coupled with chemometric analysis to monitor K value for evaluation of chemical spoilage in fish fillets[J]. Food Chemistry, 2015, 185: 245-253. DOI:10.1016/j.foodchem.2015.03.111.

[57] 鄒小波, 李志華, 石吉勇, 等. 高光譜成像技術(shù)檢測(cè)肴肉新鮮度[J]. 食品科學(xué), 2014, 35(8): 89-93. DOI:10.7506/spkx1002-6630-201408017.

[58] SIVERTSEN A H, KIMIYA T, HEIA K. Automatic freshness assessment of cod (Gadus morhua) fillets by Vis/Nir spectroscopy[J].Journal of Food Engineering, 2011, 103(3): 317-323. DOI:10.1016/j.jfoodeng.2010.10.030.

[59] 趙俊華, 郭培源, 邢素霞, 等. 基于高光譜成像的臘肉細(xì)菌總數(shù)預(yù)測(cè)建模方法研究[J]. 中國調(diào)味品, 2016, 41(2): 74-78. DOI:10.3969/j.issn.1000-9973.2016.02.015.

[60] 王偉, 彭彥昆, 張曉莉. 基于高光譜成像的生鮮豬肉細(xì)菌總數(shù)預(yù)測(cè)建模方法研究[J]. 光譜學(xué)與光譜分析, 2010, 30(2): 411-415.DOI:10.3964/j.issn.1000-0593(2010)02-0411-05.

[61] TAO Feifei, PENG Yankun. 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.DOI:10.1016/j.jfoodeng.2010.10.030.

[62] 宋育霖, 彭彥昆, 陶斐斐, 等. 生鮮豬肉細(xì)菌總數(shù)的高光譜特征參數(shù)研究[J]. 食品安全質(zhì)量檢測(cè)學(xué)報(bào), 2012, 3(6): 595-599.

[63] CHENG Junhu, SUN Dawen. Rapid quantification analysis and visualization of escherichia coli loads in grass carp fish flesh by hyperspectral imaging method[J]. Food Bioprocess Technology, 2015,8(5): 951-959. DOI:10.1007/s11947-014-1457-9.

[64] KAMRUZZAMAN M, MAKINO Y, OSHITA S. Rapid and nondestructive detection of chicken adulteration in minced beef using visible near-infrared hyperspectral imaging and machine learning[J]. Journal of Food Engineering, 2016, 170: 8-15. DOI:10.1016/j.jfoodeng.2015.08.023.

[65] KAMRUZZAMAN M, MAKINO Y, OSHITA S, et al. Assessment of visible near-infrared hyperspectral imaging as a tool for detection of horsemeat adulteration in minced beef[J]. Food Bioprocess Technology, 2015, 8(5): 1054-1062. DOI:10.1007/s11947-015-1470-7.

[66] 章海亮, 朱逢樂, 劉雪梅, 等. 基于圖像光譜信息融合的魚不同凍藏時(shí)間及凍融次數(shù)鑒別[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2014, 30(6): 272-278.DOI:10.3969/j.issn.1002-6819.2014.06.033.

[67] ZHU Fengle, ZHANG Derong, HE Yong, et al. Application of visible and near infrared hyperspectral imaging to diあerentiate between fresh and frozen-thawed fish fillets[J]. Food and Bioprocess Technology,2013, 6(10): 2931-2937. DOI:10.1007/s11947-012-0825-6.

[68] 思振華, 何建國, 劉貴珊, 等. 基于高光譜圖像技術(shù)羊肉表面污染無損檢測(cè)[J]. 食品與機(jī)械, 2013, 29(5): 75-79. DOI:10.3969/j.issn.1003-5788.2013.05.021.

[69] KAMRUZZAMAN M, BARBIN D, ELMASRY G, et al. Potential of hyperspectral imaging and pattern recognition for categorization and authentication of red meat[J]. Innovative Food Science and Emerging Technologies, 2012, 16: 316-325. DOI:10.1016/j.ifset.2012.07.007.

[70] ELMASRY G, IQBAL A, SUN Dawen, et al. Quality classification of cooked, sliced turkey hams using NIR hyperspectral imaging system[J]. Journal of Food Engineering, 2011, 103(3): 333-344.DOI:10.1016/j.jfoodeng.2010.10.031.

[71] WOLD J P. On-line and non-destructive measurement of core temperature in heat treated fish cakes by NIR hyperspectral imaging[J].Innovative Food Science and Emerging Technologies, 2016, 33: 431-437. DOI:10.1016/j.ifset.2015.12.012.

[72] JURADO A, GARCíA C, TIMóN M L, et al. Effect of ripening time and rearing system on amino acid-related flavour compounds of Iberian ham[J]. Meat Science, 2007, 75(4): 585-594. DOI:10.1016/j.meatsci.2006.09.006.

[73] XIONG Zhenjie, SUN Dawen, DAI Qiong, et al. Application of visible hyperspectral imaging for prediction of springiness of fresh chicken meat[J]. Food Analytical Methods, 2015, 8(2): 380-391. DOI:10.1007/s12161-014-9853-3.

[74] 涂冬成. 禽肉肉色、彈性和嫩度的圖像和激光誘導(dǎo)熒光無損檢測(cè)技術(shù)研究[D]. 南昌: 江西農(nóng)業(yè)大學(xué), 2011: 11-30.

[75] KHOJASTEHNAZHAND M, KHOSHTAGHAZA M H, MOJARADI B, et al. Comparison of visible-near infrared and short wave infrared hyperspectral imaging for the evaluation of rainbow trout freshness[J].Food Research International, 2014, 56: 25-34. DOI:10.1016/j.foodres.2013.12.018.

[76] 代瓊. 基于高光譜成像技術(shù)的蝦仁新鮮度檢測(cè)研究[D]. 廣州: 華南理工大學(xué), 2015: 25-52.

[77] 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 and Emerging Technologies, 2013, 17: 180-191. DOI:10.1016/j.ifset.2012.11.001.

[78] KAMRUZZAMAN M, SUN D W, ELMASRY G, et al. Fast detection and visualization of minced lamb meat adulteration using NIR hyperspectral imaging and multivariate image analysis[J]. Talanta,2013, 103: 130-136. DOI:10.1016/j.talanta.2012.10.020.

[79] 白亞斌, 劉友華, 丁崇毅, 等. 基于高光譜技術(shù)的牛肉-豬肉摻假檢測(cè)[J]. 海南師范大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015, 28(3): 270-273.DOI:10.3969/1674-4942.2014.03.009.