高光譜成像技術在紅肉食用品質檢測中的應用研究進展

崔瑩瑩 楊銘鐸 方偉佳 孟寧 苗榕芯 彭子寧

摘 要：高光譜成像技術是一種集光譜技術與計算機視覺技術為一體的無損檢測技術，該項技術能快速、全面、無損地獲取肉品的內外部信息，在紅肉食用品質的檢測中具有廣泛應用。本文在簡述高光譜成像原理的基礎上，詳述近年來高光譜成像技術在紅肉制品食用品質方面的應用，并對該項技術存在的問題及應用前景進行概述，以期為紅肉無損檢測的研究提供參考。

關鍵詞：高光譜成像;紅肉制品;食用品質;品質檢測

Abstract： Hyperspectral imaging is a nondestructive testing technology that integrates spectroscopy and computer vision technology. This technology enables us to quickly， comprehensively and nondestructively obtain both internal and external information of meat products， and it has been widely used in the detection of red meat products. Beginning with a brief description of the principle of hyperspectral imaging， this paper presents a detailed review of the application of high spectral imaging technology in detecting the quality of red meat products. The existing problems and future prospects of this technology are summarized in order to provide valuable information for research on nondestructive testing of red meat.

Keywords： hyperspectral imaging; red meat products; food quality; quality inspection

DOI：10.7506/rlyj1001-8123-20190226-042

中圖分類號：TS251.5? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標志碼：A 文章編號：1001-8123（2019）06-0070-07

引文格式：

崔瑩瑩， 楊銘鐸， 方偉佳， 等. 高光譜成像技術在紅肉食用品質檢測中的應用研究進展[J]. 肉類研究， 2019， 33（6）： 70-76. DOI：10.7506/rlyj1001-8123-20190226-042.? ? http：//www.rlyj.net.cn

CUI Yingying， Yang Mingduo， FANG Weijia， et al. A review of application of hyperspectral imaging technology in quality detection of red meat[J]. Meat Research， 2019， 33（6）： 70-76. DOI：10.7506/rlyj1001-8123-20190226-042.

http：//www.rlyj.net.cn

中國是世界上最大的肉制品生產國，也是最大的肉制品消費國。隨著紅肉制品（豬肉、牛肉、羊肉等）產量和種類的增加[1]，肉類食用品質（色澤[2]、嫩度[3]、多汁性[4]及大理石花紋[5-6]等）的檢測已經引起消費者及肉類企業(yè)的高度重視。傳統肉類品質的檢測主要通過感官和理化方法，感官檢測主要通過人的咀嚼品嘗來評定肉類品質的好壞，主觀影響因素較大，且容易產生誤差;理化檢測（機械檢測）法主要使用質構儀、色度計等儀器。質構儀是通過模擬人的牙齒切斷肉的一種檢測方法[7]，通常質構儀測定的時間較長，且對于測定的肉制品有一定的破環(huán)作用，使得待測肉類不能繼續(xù)銷售。色度計的檢測面積通常較局限。基于此，尋找一種快速、全面的無損檢測技術是目前亟待解決的問題。

隨著圖像處理技術的不斷發(fā)展，具有無損檢測特征的近紅外技術已經逐漸應用于肉類品質方面的研究中，然而近紅外測定的區(qū)域通常是食品的某點或某片區(qū)域，一旦樣品不均勻將會對測定結果產生較大的影響[8]。高光譜成像（hyperspectral imaging，HSI）技術是將傳統的圖像技術和光譜技術相結合的一種檢測技術[9-10]，它能同時獲取待測肉制品每個像素點的圖像及光譜信息，全面且可視化地反映樣品內外品質特征，具有十分廣泛的應用前景[11-12]。近年來，國內外已經逐漸將HSI技術應用于肉類安全檢測[13]、營養(yǎng)品質（脂肪、蛋白質[14]等）、肉類鑒別[15]研究中，但對于肉食用品質方面的研究較少，尤其對于嫩度的研究更是鮮有報道。本研究簡要介紹HSI系統的成像原理，重點概述其在紅肉制品食用品質檢測方面的應用進展[11]。

1 HSI系統的基本原理

HSI技術是近20 年間興起的一種無損檢測技術，主要融合了光學、電子學、數字圖像信息處理及計算機科學等技術[16]。按照HSI掃描方式的不同可將其分為點掃描式HSI系統、線掃描式HSI系統及區(qū)域掃描式HSI系統3 種，其中線掃描式（推掃式掃描）為最常用的一種方式。HSI系統主要由光源、光源分散裝置、成像高光譜儀（最核心的部件）、電荷耦合裝置（charge coupled device，CCD）相機、光學鏡頭、數據采集卡、電荷耦合器件、圖像采集系統和計算機等軟件、硬件組成[17]（如圖1所示），其分辨率在Δλ/λ=0.01數量級，檢測波長為400～2 500 nm，主要包括紫外區(qū)到近紅外區(qū)甚至更遠的區(qū)域[18]。

HSI技術的檢測過程主要是通過圖像尺寸大小調整、采集圖像、建立掩膜、圖像分割、感興趣區(qū)域（region of interest，ROI）選擇、噪聲處理（中值濾波平滑（median filtering smoothing，MFS）處理、多元散射校正（multiplicative scatter correction，MSC）、標準正態(tài)變量校正（standard normal variable，SNV）、卷積平滑（savitzky-golay smoothing，S-G）處理、去趨勢算法和傅里葉變換（fourier transform，FT）等）、感興趣區(qū)降維處理（主成分分析法（principal component analysis，PCA）、獨立元分析法（independent component analysis，ICA）及線性判別分析法（linear discriminant analysis，LDA）等）、提取特征波長（競爭性自適應重加權算法（competitive adaptive reweighted sampling，CARS）、連續(xù)投影算法（successive projections algorithm，SPA）、遺傳算法（genetic algorithm，GA）和無信息變量消除法（uninformative variables elimination，UVE））及建立判別模型（多元線性回歸法（multiple linear regression，MLR）、偏最小二乘法（partial least squares，PLS）、BP神經網絡法（back-propagation neural network，BPNN）和支持向量機（support vector machine，SVM））等方式完成的[19]（圖2

為HSI技術的檢測流程圖）。當光源照射到待測物體的表面時，由于不同物質的組成、性質、官能團有所不同，導致待測物質對特定波長有著不同的吸收度、分散度和反射率，因此通過分析光譜信號之間的差異可以對待測物進行定性、定量分析，從而達到區(qū)分與檢測的目的[19-20]。高光譜圖像又名超立方、光譜方等，其形成的圖像是一個三維的數據矩陣（x，y，λ）[20]，其中包括1 個二維的空間維度和1 個一維的光譜維度[19]。高光譜成像技術的原理主要是通過將實驗中所獲得的三維圖像與數學模型相統一，從而實現待測樣品的內外部同時檢測。HSI技術具有一次性采集可進行多項指標檢測、分辨率高[21-22]、不需要對樣品進行前處理、不接觸待測樣、測定速度快、檢測范圍廣及操作費用低等優(yōu)點[23]。因此HSI技術避免了二次污染現象的產生，為企業(yè)在線檢測技術提供了支持。

2 HSI技術在紅肉食用品質中的應用進展

2.1 嫩度檢測

在肉類的品質評定中，嫩度起著主導作用，也是消費者決定購買的主要原因。Naganathan等[24]曾提出，雖然嫩度在肉類品質中具有重要地位，但美國農業(yè)部在1926年頒布的肉類分級標準中卻沒有將嫩度列在其中，目前市場上也沒有任何一種肉類是根據其嫩度等級進行售賣的。隨著紅肉制品產量的不斷增多，越來越多的消費者提議將嫩度加到肉類的分級標準中。肉類嫩度（即柔韌性）的常規(guī)檢測技術為感官檢測，客觀的檢測技術為以質構儀所檢測的最大剪切力代表嫩度值，剪切力是以破壞原材料為前提的檢測技術，通常需要檢測熟制的肉類，且操作時間較長，不適宜商業(yè)生產[25]。

Naganathan等[26]利用HSI技術對放置14 d的114 塊牛排進行嫩度檢測，利用質構儀對114 塊牛肉進行等級劃分（柔軟、中間及堅韌），將高光譜采集的圖像信息與3 種嫩度等級關系建立圖像預測模型，利用留一檢驗交互驗證法（leave-one-out cross validation，LOO-CV）對其進行驗證，得出驗證精度為96.4%，說明HSI技術可實現肉類嫩度的無損在線檢測。

對于生鮮紅肉嫩度的檢測，王松磊等[27]利用400～1 000 nm的HSI技術采集128 個羊肉樣品的圖譜，利用最小二乘回歸模型進行預處理，并建立相應的多元線性模型，用Matlab軟件進行光譜圖像處理，對羊肉的光譜圖像進行灰度化處理，結果表明，相關系數和預測均方根誤差分別為0.89和0.73。王衛(wèi)等[28]在采用HSI技術對牛肉嫩度的檢測中，對所得的光譜圖像進行預處理，通過灰度共生矩陣方法提取光譜圖像中的紋理屬性，利用MLR法建立相應的嫩度模型，結果表明，高光譜圖像的紋理屬性可用于牛肉嫩度分級處理，且準確度達到96%。以上研究表明，高光譜可實現生鮮紅肉嫩度的無損檢測，然而某些研究存在檢測的精度值不高等問題，原因可能是建立模型的方法及模型評價指標不恰當，進而沒有很好地降低冗余數據的干擾。

對于熟制紅肉嫩度的檢測，Cluff等[29]通過測量每個牛排40 個不同位置散射的光譜研發(fā)HSI系統，得出此儀器的精度可達到98.4%;此外，還利用HSI系統檢測放置14 d的472 塊牛肉，通過PCA法分析992～1 739 nm波長范圍內生牛肉的吸收光譜圖像，用Warner-Bratzler剪切力值代表牛肉的標準嫩度，并建立相應的線性模型，將牛肉分成2 個等級，分別為柔軟和堅硬，分級準確率為75%。然而，目前對于高光譜的應用大多利用其光譜信息，對于圖像信息應用的較少。Barbin等[30]在采用HSI技術對豬肉嫩度進行檢測的實驗中得出，基于光譜數據建模的結果相關性為0.63，基于圖像建模的結果相關性為0.48，光譜加圖像信息建立的模型相關系數為0.75。綜上，HSI技術可用于預測生熟肉類制品的嫩度，且其檢測精度優(yōu)于近紅外技術，具有內外同時檢測的特點，然而目前對于HSI技術的光譜信息應用較多，未來應加大力度開發(fā)并完善HSI技術的光譜、圖像組合預測模型。

2.2 水分檢測

水是肉的主要組成成分，也是營養(yǎng)物質之一，肉中的水分含量不僅影響肉類嫩度進而影響其品質，而且影響肉類制品的貨架期，因此檢測水分含量直接影響著肉類的品質。孫紅等[31]利用高光譜的光譜信息與偽彩圖像對馬鈴薯葉片的水分含量進行檢測，采集862.9～1 704.2 nm波長的光譜數據，采用每類分類精度（class accuracy，CA）與遞歸濾波（recursive filtering，RF）2 種算法進行光譜特征分析，并利用偏最小二乘回歸（partial least squares regression，PLSR）進行建模，通過計算待測樣每個像素點的含水率進而得出其灰度圖像，將圖片進行偽彩處理并用顏色空間（hue-saturation-value，HSV）進行彩色分割，結果表明，利用HSI技術可以實現馬鈴薯葉片含水量與分布的可視化檢測，此研究也證明可用HSI技術檢測食品中的水分含量。

詹白勺等[32]利用Matlab編程語言，對三文魚不同的水分含量予以不同的顏色顯示，較好地將光譜數據與圖像數據結合在一起，實現了內外同時檢測。HSI技術在果疏水分檢測中應用十分廣泛，對于紅肉水分含量的研究相對較少，主要研究進展如下。

依據水分含量進行紅肉品分類研究。劉善梅等[33]在采用HSI檢測技術對不同品種冷鮮豬肉含水量的研究中，為提高HSI技術的適用性，利用高光譜信號補正方法來提高其適用性，算法經過補正后預測偏差比率從0.91提高到2.58。劉嬌等[34]通過建立PLS豬里脊肉水分含量的檢測模型，并利用分段直接校正結合線性插值（piecewise direct standardization combine with linear interpolation，PDS-LI）的傳遞算法，實現了對茂佳山黑豬和零號土豬的無損檢測，且檢測精度分別為83.2%和84.8%。Kamruzzaman等[35]通過HSI技術對紅肉的水分含量進行檢測，結果表明，在特征波段模型下可實現對豬肉、牛肉、羊肉的分類;此外，通過提取900～1 700 nm波長的光譜數據，利用MSC和PLS建立模型，預測羔羊肉的水分含量，模型的決定系數為0.77，通過共生矩陣提取圖像結構信息，建立水分含量的偽彩圖，結果表明，從高光譜圖像信息可以直觀觀測到羔羊肉的水分含量變化。然而，在實際檢測過程中，高光譜所建立的模型具有一定的專一性，因此為了有效實現模型的共享，需要對模型進行傳遞。目前對于模型傳遞的研究主要集中于2 個儀器的模型傳遞或原始模型的更新方面，不同品種模型的適用性并未得到解決，為了更好地解決以上問題，實際應用中應開發(fā)一種適應性廣、可應用于不同品種的模型維護算法[36]。

依據不同的加工狀態(tài)進行紅肉制品水分含量及分類研究。Talens等[37]利用HSI技術檢測火腿肉中的水分，得出HSI技術可以直觀地呈現出火腿表面的水分分布情況。Ma Ji等[38]利用HSI技術對不同加工狀態(tài)下豬肉（鮮肉、解凍肉、解熱脫水肉和腌制脫水肉）的含水率進行檢測，得出經PLSR模型處理后的檢測精度為95%。Liu Dan等[39]通過建立PLSR及MLR模型測定豬肉腌制處理階段的含水量，結果表明，高光譜技術可用于檢測腌制豬肉的水分含量，且預測相關系數為91.7%，均方誤差值為1.48%。以上研究說明，HSI技術可用于檢測生鮮紅肉的水分含量，進而實現紅肉的等級劃分。對于熟肉水分含量的檢測，謝安國等[40]利用HSI技術檢測不同成熟度牛肉的水分含量，采集370～1 023 nm波長的光譜數據，將每個像素點的光譜數據經PCA，并通過MLR與SVM進行建模，利用Matlab進行偽彩處理，得出R2為0.908，預測均方根誤差（root mean square error of prediction，RMSEP）為1.096，說明HSI技術可用于鑒定熟肉的水分含量;然而，本研究中的光譜曲線在370～800 nm波長之間的差異并不明顯，這也說明肉制品在熟化處理過程中僅在部分波段存在光譜變化，因此未來仍需進一步訓練新的模型，研發(fā)具有特征波段的光譜成像技術、設備及分析模型。綜上，HSI技術解決了傳統檢測技術（蒸煮損失、離心檢測、加壓檢測和重力檢測[41-42]）耗時且具有破壞性的問題，但通常檢測結果的好壞與偽彩圖像是否直觀及建模方法有直接關系。黃慧等[43]采用HSI技術對干貝水分含量進行可視化測定，實驗中通過建立SPA-PLSR模型、基于權重回歸系數法（weighted regression coeffcient，Bw）的BW-PLSR模型以及PLSR的3 種預測模型，得出3 種預測模型的建模集與預測集相關系數（correlation coefficient of calibration（Rc）and prediction（Rp））均高于0.95。并在最優(yōu)模型（SPA-PLSR）的基礎上進行偽彩處理，可實現干貝中水分含量的定量分析。此研究也證明，恰當的建模方法有助于提高檢測精度和偽彩圖像的重現性。

2.3 色澤檢測

肉類顏色的好壞不僅影響消費者的購買欲望，而且直接影響其品質。大多數消費者在購買肉制品時無法直接接觸肉品，只能通過直觀觀察顏色來判斷肉類品質的優(yōu)劣，主觀性較強[44-45]。色差儀是一種常用的判定肉顏色的儀器，其主要測量肉表面的亮度值（L*）、紅度值（a*）和黃度值（b*）[46-47]。一旦測量區(qū)域過大，就有可能引起偏差，因此不適合大面積檢測，難以滿足市場對肉類檢測的需求。隨著HSI技術的推廣，越來越多的學者開始利用HSI技術來檢測肉的顏色。

在國外，Wu Jianhu等[48]利用高光譜結合MLR來檢測牛肉色澤，并用洛倫茲函數進行處理，結果表明，L*、a*和b*的相關系數分別為0.96、0.96和0.97。Elmasry等[49]利用900～1 700 nm波長的高光譜系統來預測牛肉顏色，并通過PLS法進行建模，結果表明，L*和b*的決定系數分別為0.88和0.81，其均方根誤差分別為1.22和0.59。以上研究也說明HSI技術可用于紅肉色度檢測，但光譜數據受外界干擾較大，因此應研發(fā)新的特征波長提取方法或多種提取方法結合使用，進而提高檢測精度。

相較于國外的研究，國內利用HSI技術對肉類色度檢測的研究相對較少，主要集中于貯藏期間肉顏色的變化及不同加工方式紅肉的顏色變化等方面。許衛(wèi)東等[50]采用高光譜對不同貯藏時間的羊肉色度進行檢測，結果表明，全波段采用GA提取的特征波段經建模處理后的精度優(yōu)于獨立PLSR建模，然而b*的預測精度較低。

王婉嬌[51]利用400～1 000 nm波長的HSI技術對羊肉色澤進行檢測，通過建立PLSR模型，探究不同前處理對實驗結果的影響，結果表明，經S-G平滑處理后L*的相關系數最高。朱榮光等[52]利用400～1 000 nm波長的HSI技術對78 個新疆牛背肉的色澤進行檢測，通過提取特征區(qū)域，利用S-G平滑、一階導數及中心化等方式建立模型，結果表明，L*、a*、b*和C*預測的相關系數為分別0.91、0.84、0.92和0.86。尚夢玉等[53]通過900～1 700 nm波長的高光譜技術對羊肉的色澤進行檢測，通過標準正態(tài)變量代換對光譜數據進行處理，用加權算法對其降維，并利用PLS法進行建模，結果表明，高光譜可用于檢測肉的顏色。綜上，HSI技術可通過提取特征區(qū)域來實現不同品種紅肉色度的檢測，且L*的檢測精度優(yōu)于a*和b*，高光譜對生鮮紅肉制品色度的檢測優(yōu)于熟化過程中紅肉顏色的檢測，這主要是由于加熱過程中肉的內部會發(fā)生復雜的美拉德反應和焦糖化反應，進而對預測結果產生一定的干擾，因此應優(yōu)化高光譜的檢測系統，提升其在熟肉制品中的檢測精度。

2.4 紋理檢測

肉的大理石樣紋理是指形似于大理石條紋狀的紋路，該紋路具有紅白相間的特點。肉的紋路不僅決定了其品質高低還對肉的嫩度起著一定作用，通常來說肉的大理石條紋越豐富，其肉質嫩度越好[46]。因此，檢測肉的大理石紋路對于探究肉制品品質也有一定的作用。

在利用HSI技術進行光譜信息檢測方面，Qiao等[54]利用400～1 000 nm波長的HSI系統對豬肉的大理石樣紋理進行檢測與分級處理，采用PCA結合人工神經網絡進行檢測，用人工神經網絡進行分類，HSI技術能夠準確辨別肉的類型，同時自動確定大理石樣紋理等級，結果表明，HSI技術可用于檢測豬肉的大理石條紋，并對其進行分級，同時成功利用大理石條紋對40 個豬肉樣品進行分級處理，通過該研究，更能確定HSI技術在肉制品大理石條紋預測與分級中的應用。高曉東等[55]通過組建HSI系統，并采集肉類在400～1 100 nm波長的反射圖像，確定530 nm為特征波長，結果表明，通過建立MLR模型可利用大理石花紋對豬肉進行分級處理，且其預測決定系數為0.92，預測標準差為0.45，準確率為84.8%。此外，屠康[56]、李明靜[57]、吳海娟[58]等應用機器和光譜技術對牛肉大理石花紋進行分級，并取得了一定的成效。艾虎[59]也利用圖像處理技術和機械技術對牛肉大理石花紋進行分級研究，得出預測結果與實測值的相關系數為0.93。以上研究說明，HSI技術的光譜信息可用來檢測紅肉的大理石花紋，但待測樣的組織形態(tài)對實驗結果有直接影響，因此在利用HSI系統檢測紅肉制品時應選取最好的紅肉形態(tài)。

在將HSI系統的光譜信息與圖像信息結合進行檢測方面，王九清等[60]對提取的信息進行初步處理，并建立光譜與彩色圖像的卷積神經網絡（convolutional neural network，CNN）預測模型，來檢測雞肉的食用品質，此模型的準確率為93.58%，且證明光譜加圖像復合模型的效果優(yōu)于獨立CNN預測模型的效果。周彤等[61]利用光譜圖像解析，通過提取的算法對牛肉的大理石花紋進行提取，并選取10 個可以代表牛肉大理石花紋的相應指標，建立主成分回歸（principal component regression，PCR）模型，得出模型的相關系數為0.88。以上研究表明，圖像信息在一定程度上也可以用于品質檢測，但普遍存在檢測精度不高的情況，因此，為了更充分利用HSI技術，應將光譜信息與圖像信息結合。

通過總結國內外的研究文獻可以得出，HSI技術在紅肉制品嫩度、水分、色澤及大理石花紋中都有一定的應用，現今國外利用其檢測肉類品質的研究較多，國內相對較少，隨著無損檢測技術的發(fā)展，越來越多的國內學者也開始將眼界轉向HSI技術的無損檢測研究。

2.5 其他檢測HSI技術除了在紅肉食用品質上具有廣泛應用，其在紅肉營養(yǎng)成分及食品安全等方面也有重要應用，選取部分研究進展匯總，如表1所示。

3 結 語

HSI檢測技術可以同時檢測肉制品相對應的內外部信息，在肉類的品質檢測中具有廣闊的應用前景，但該技術在實際應用中還存在一些亟待解決的問題，主要問題如下：1）該儀器在國外的應用較多，隨著該儀器的推廣，國內也逐漸開始認識到該項技術的優(yōu)勢，然而儀器的成本較高，不能實現檢測的工廠化，因此國內學者應大力研究低成本、可便攜的HSI技術并進行推廣使用;2）所獲取的光譜關鍵峰值通常較復雜，應進行降維處理，且該項技術在建模時數據量特別大，目前的降維技術主要采用的是PCA法，此方法為無監(jiān)督算法且只保留了主要特征，通常監(jiān)督及無監(jiān)督的學習算法都具有一定的缺陷，因此有待開發(fā)出一種更合適的降維處理、半監(jiān)督、快速提取特征波長的學習算法;3）肉類的一些因素均為線性因素，大多數模型也是用來分析線性因素的，因此對于非線性因素的模型處理分析還需進一步研究;4）高光譜在檢測指標前需要收集一定的樣品作為校正集及檢測集，所需的樣品量較大，增加了提取特征信息的時間成本，且建立的模型信息不一定包含所有樣品的所有個體，致使檢測過程存在差異，因此應大力開發(fā)全國共享的高精度計算數據庫及穩(wěn)定的預測模型庫;5）HSI技術受光強、速度、待測樣光滑程度等的影響，重復性較差，因此應著力改善光譜儀的性能及對相應的硬件進行簡化處理，在實時在線檢測時應結合其他無損檢測設備，研發(fā)可以與其他無損檢測技術（電子鼻等）相結合的HSI技術，進而實現對氣體、液體的檢測;6）目前高光譜的圖像處理技術主要為ENVI軟件等技術，該項技術目前仍主要應用于航天技術中，對于大面積、在線食品圖像檢測仍存在一些缺點，在展現整體圖像時無法清晰地呈現光譜特性，加之光譜處理的軟件較為落后，因此為了更好地將其應用于食品檢測，未來仍應進一步改良HSI系統及圖片處理技術;7）目前對于HSI技術大多仍著重利用光譜信息，對圖像信息的利用并不充分，且二者間的相關性有待提高，未來仍應開發(fā)新型的數據處理方法。以上問題都是限制HSI技術在國內進一步發(fā)展的原因，未來應致力于研制價格低廉、處理能力更強的HSI檢測設備。

參考文獻：

[1] MCAFEE A J， MCSORLEY E M， CUSKELLY G J， et al. Red meat consumption： an overview of the risks and benefits[J]. Meat Science， 2010， 84（1）： 1-13. DOI：10.1016/j.meatsci.2009.08.029.

[2] 劉洋. 肉類品質無損檢測技術的應用及研究現狀[J]. 農產品加工， 2018（4）： 75-76. DOI：10.16693/j.cnki.1671-9646（X）.2018.02.049.

[3] 徐玉婷， 董華發(fā)， 曾曉房， 等. 肉品品質評定方法研究進展[J]. 食品安全質量檢測學報， 2017， 8（6）： 1967-1972. DOI：10.3969/j.issn.2095-0381.2017.06.005.

[4] MILLER M F， CARR M A， RAMSEY C B， et al. Consumer thresholds for establishing the value of beef tenderness[J]. Journal of Animal Science， 2001， 79（12）： 3062-3068. DOI：10.2527/2001.79123062x.

[5] SHACKELFORD S D， WHEELER T L， MEADE M K， et al. Consumer impressions of tender select beef[J]. Journal of Animal Science， 2001， 79（10）： 2605-2614. DOI：10.2527/2001.79102605x.

[6] BOLEMAN S J， BOLEMANS L， MILLER R K， et al. Consumer evaluation of beef of known categories of tenderness[J]. Meat Science and Technology， 1997， 75（6）： 1521-1524. DOI：10.2527/1997.7561521x.

[7] 李同樹， 劉風民， 尹迅河. 雞肉嫩度評定方法及其指標間的相關分析[J]. 畜牧獸醫(yī)學報， 2002， 5： 15-16. DOI：10.3321/j.issn：0366-6964.2004.02.011.

[8] 嚴衍祿， 趙龍蓮， 韓東海， 等. 近紅外光譜分析基礎與應用[M]. 北京： 中國輕工業(yè)出版社， 2005： 115-120.

[9] GOWEN A A， ODONNELL 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 and Technology， 2007， 18（12）： 590-598. DOI：10.1016/j.tifs.2007.06.001.

[10] 張令標， 何建國， 王松磊， 等. 高光譜成像技術在肉品無損檢測中的應用及進展[J]. 河南工業(yè)大學學報， 2014， 35（1）： 101-105. DOI：10.16433/j.cnki.issn1673-2383.2014.01.002.

[11] 王婉嬌， 王松磊， 賀曉光， 等. NIR高光譜成像技術檢測冷鮮羊肉嫩度[J]. 食品工業(yè)科技， 2015， 20（36）： 77-91. DOI：10.13386/j.issn1002-0306.2015.20.007.

[12] HUANG Min， WAN Xiamei， ZHANG Min， et al. Detection of insect-damaged vegetable soybeans using hyperspectral transmittance image[J]. Journal of Food Engineering， 2013， 116（1）： 45-49. DOI：10.1016/j.jfoodeng.2012.11.014.

[13] 何加偉， 王懷文， 計宏偉. 基于近紅外高光譜成像技術的新鮮與凍融牛肉鑒別技術研究[J]. 食品工業(yè)科技， 2016， 37（9）： 304-307; 316. DOI：10.13386/j.issn1002-0306.2016.09.050.

[14] 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.

[15] 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：10.1080/10408398.2010.507908.

[16] 王雷， 喬曉艷， 董有爾， 等. 高光譜圖像技術在農產品檢測中的應用進展[J]. 應用光學， 2009， 30（4）： 639-644. DOI：10.3969/j.issn.1002-2082.2009.04.021.

[17] 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.

[18] RAJKUMAR P， WANG N， EIMASRY G， et al. Studies on banana fruit quality and maturity stages using hyperspectral imaging[J]. Journal of Food Engineering， 2012， 108（1）： 194-200. DOI：10.1016/j.jfoodeng.2011.05.002.

[19] 成軍虎. 基于高光譜成像魚肉新鮮度無損快速檢測方法研究[D].廣州： 華南理工大學， 2016： 4-10.

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

[21] WU Di， SUN Dawen， HE Yong. Application of long-wave near infrared hyper-spectral 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.

[22] XIONG Zhenjie， SUN Dawen， ZENG Xinan. Recent developments of hyper-spectral imaging systems and their applications in detecting quality attributes of red meats： a review[J]. Journal of Food Engineering， 2014， 132： 1-13. DOI：10.1016/j.jfoodeng.2014.02.004.

[23] 馮放. 現代近紅外光譜分析技術及其應用[J]. 生命科學儀器， 2007， 10： 9-13. DOI：10.3969/j.issn.1671-7929.2007.10.003.

[24] NAGANATHAN G K， GRIMES L M， SUBBIAH J， et al. Predicting beef tenderness using hyperspectral imaging[C]//Presentation at the 2006 ASABE Annual International Meeting. Oregon： ASABE Oregon Convention Center， 2006： 9-12.

[25] DESTEFANIS G， BRUGIAPAGLIA A， BARGE M T， et al. Relationship between beef consumer tenderness perception and Wamer-bratzler shear force[J]. Meat Science， 2008， 78（5）： 153-156.

[26] NAGANATHAN G K， GRIMES L M， SUBBIAH J， et al. Visible/near-infrared hyperspectral imaging for beef tenderness prediction[J]. Computers and Electronics in Agriculture， 2008， 64（2）： 225-233. DOI：10.1016/j.compag.2008.05.020.

[27] 王松磊， 吳龍國， 康寧波. 基于高光譜圖譜融合技術的寧夏灘羊肉嫩度檢測方法研究[J]. 光電子·激光， 2016， 27（9）： 987-995. DOI：10.16136/j.joel.2016.09.0824.

[28] 王衛(wèi)， 沈明霞， 彭增起， 等. 基于圖像紋理特征的牛肉嫩度預測方法研究[J]. 食品科學， 2012， 33（15）： 61-65.

[29] CLUFF K， NAGANATHAN G， SUBBIAH J， et al. Optical scattering with hyperspectral imaging to classify Longissimus dorsi muscle based on beef tenderness using multivariate modeling[J]. Meat Science， 2013， 95（1）： 42-50. DOI：10.1016/j.meatsci.2013.04.014.

[30] BARBIN D F， VALOUS N A， SUN D W. Tenderness prediction in porcine Longissimus dorsi muscles using instrumental measurements along with NIR hyperspectral and computer vision imagery[J]. Innovative Food Science and Emerging Technologies， 2013， 20（3）：35-42. DOI：10.1016/j.ifset.2013.07.005.

[31] 孫紅， 劉寧， 吳莉， 等. 高光譜成像的馬鈴薯葉片含水率分布可視化[J]. 光譜學與光譜分析， 2019， 39（3）： 910-916. DOI：10.3964/j. issn.1000-0593（2019）03-0910-07.

[32] 詹白勺， 章海亮， 楊建國. 基于高光譜成像技術的三文魚肉水分含量的可視化研究[J]. 光譜學與光譜分析， 2017， 37（4）： 1232-1236.

[33] 劉善梅， 李小昱， 鐘雄斌. 考慮品種差異的冷鮮豬肉含水率高光譜信號補正算法[J]. 農業(yè)工程學報， 2014， 30（4）： 272-278. DOI：10.3969/j.issn.1002-6819.2014.04.033.

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

[35] KAMRUZZAMAN M， ElMASRY G， DAWEN S， et al. Non-destructive prediction and visualization of chemical composition in lamb meat using NIR hyper-spectral imaging and multivariate regression[J]. Innovative Food Science and Emerging Technologies， 2012， 16： 218-226. DOI：10.1016/j.ifset.2012.06.003.

[36] 沈曄. 基于高光譜成像技術的干貝水分含量快速檢測研究[D].杭州： 浙江大學， 2017： 62-63.

[37] TALENS P， LETICIA M， NOHA M， et al. Prediction of water and protein contents and quality classification of Spanish cooked ham using NIR hyper-spectral imaging[J]. Journal of Food Engineering， 2013， 117（3）： 272-280. DOI：10.1016/j.jfoodeng.2013.03.014.

[38] 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.

[39] 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.

[40] 謝安國， 康懷彬， 王飛翔， 等. 高光譜成像檢測煎制中調理牛肉品質的變化[J]. 食品與機械， 2018， 34（11）： 20-23; 54. DOI：10.13652/j.issn.1003-5788.2018.11.005.

[41] 徐玉婷， 董華發(fā)， 曾曉房， 等. 肉品品質評定方法研究進展[J]. 食品安全質量檢測學報， 2017， 8（6）： 1967-1972. DOI：10.3969/j.issn.2095-0381.2017.06.005.

[42] 劉立意， 劉影， 劉冬梅， 等. 鮮豬肉系水力與應力松弛特性相關性的試驗研究[J]. 東北農業(yè)大學學報， 2015， 46（8）： 88-93. DOI：10.3969/j.issn.1005-9369.2015.08.015.

[43] 黃慧， 沈曄， 郭乙陸， 等. 干貝水分含量可視化檢測方法的研究[J].光譜學與光譜分析， 2017， 37（11）： 3525-3529. DOI：10.3964/j.issn.1000-0593（2017）11-3525-05.

[44] 涂冬成. 禽肉肉色、彈性和嫩度的圖像和激光誘導熒光無損檢測技術研究[D]. 南昌： 江西農業(yè)大學， 2011： 2-7.

[45] 何加偉. 基于高光譜圖像技木的冷凍食品品質的無損檢測研究[D]. 天津： 天津商業(yè)大學， 2016： 26-29.

[46] 孔保華， 韓建春. 肉品科學與技術[M]. 北京： 中國輕工業(yè)出版社， 2011： 135-147.

[47] 李媛媛， 趙鉅陽， 齊鵬輝， 等. 高光譜成像技術在紅肉質量特性無損檢測中的應用[J]. 食品工業(yè)， 2016， 37（1）： 264-269.

[48] WU Jianhu， PENG Yankun， LI Yongyu， et al. Prediction of beef quality attributes using VIS/NIR hyperspectral scattering imaging technique[J]. Journal of Engineering， 2012， 109（2）： 267-273. DOI：10.1016/j.jfoodeng.2011.10.004.

[49] 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.

[50] 許衛(wèi)東， 朱榮光， 邱園園. 基于高光譜圖像技術的冷卻羊肉顏色檢測[J]. 中國科技論文， 2016， 11（4）： 454-458. DOI：10.3969/j.issn.2095-2783.2016.04.021.

[51] 王婉嬌. 基于高光譜成像技術的冷鮮羊肉品質無損檢測研究[D].銀川： 寧夏大學， 2016： 18-23.

[52] 朱榮光， 高廣娣， 葛建兵. 基于高光譜圖像和逐步回歸的新疆新鮮牛肉顏色分析[J]. 石河子大學學報（自然科學版）， 2013， 31（2）：253-257. DOI：10.13880/j.cnki.65-1174/n.2013.02.023.

[53] 尚夢玉， 王松磊， 何建國， 等. 基于NIR高光譜技術檢測灘羊冷鮮肉顏色[J]. 食品工業(yè)， 2018， 39（9）： 287-291.

[54] QIAO J， NGADI M O， WANG N， et al. Pork quality and marbling level assessment using a hyperspectral imaging system[J]. Food Emerging， 2007， 83（1）： 10-16. DOI：10.1016/j.jfoodeng.2007.02.038.

[55] 高曉東， 吳建虎， 彭彥昆， 等. 基于高光譜成像技術的牛肉大理石花紋的評估[J]. 農產品加工（學刊）， 2009（10）： 33-37. DOI：10.3969/j.issn.1671-9646（X）.2009.10.008.

[56] 屠康， 王富昶. 計算機視覺在牛肉大理石花紋分級中的應用研究[J]. 糧油加工和食品機械， 2003（10）： 44-45.

[57] 李明靜. 視覺在牛肉大理石花紋自動分級中的應用研究[D]. 楊凌： 西北農林科技大學， 2007： 24-40.

[58] 吳海娟， 彭增起， 沈明霞， 等. 機器視覺技術在牛肉大理石花紋識別中的應用[J]. 食品科學， 2011， 32（3）： 10-13.

[59] 艾虎. 基于計算機視覺的人工神經網絡和圖像處理技術的牛肉大理石花紋自動分級研究[D]. 雅安： 四川農業(yè)大學， 2009： 83-103.

[60] 王九清， 邢素霞， 王孝義， 等. 基于卷積神經網絡與高光譜的雞肉品質分類檢測[J]. 肉類研究， 2018， 32（12）： 36-41. DOI：10.7506/rlyj1001-8123-201812007.

[61] 周彤， 彭彥昆. 牛肉大理石花紋圖像特征信息提取及自動分級方法[J]. 農業(yè)工程學報， 2013， 29（15）： 286-293. DOI：10.3969/j.issn.1002-6819.2013.15.035.

[62] BARBIN D F， ElMASRY G， SUN D W， et al. Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging[J]. Food Chemistry， 2013， 138： 1162-1171. DOI：10.1016/j.foodchem.2012.11.120.

[63] 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 and Emerging Technologies， 2012， 16（4）： 218-226. DOI：10.1016/j.ifset.2012.06.003.

[64] LIU L， 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.