光譜技術預測牛肉嫩度研究進展

陳士進，彭增起，李景軍，沈明霞,*，王復龍，李小林，馬鵬鵬

(1.南京農業大學工學院，江蘇 南京 210031；2.江蘇省智能化農業裝備重點實驗室，江蘇 南京 210031；3.南京農業大學 農業部農畜產品加工與質量控制重點開放實驗室，江蘇 南京 210095；4.雨潤肉類產業集團有限公司，江蘇 南京 210041)

光譜技術預測牛肉嫩度研究進展

陳士進1,2，彭增起3，李景軍4，沈明霞1,2,*，王復龍3，李小林1,2，馬鵬鵬1,2

(1.南京農業大學工學院，江蘇 南京 210031；2.江蘇省智能化農業裝備重點實驗室，江蘇 南京 210031；3.南京農業大學 農業部農畜產品加工與質量控制重點開放實驗室，江蘇 南京 210095；4.雨潤肉類產業集團有限公司，江蘇 南京 210041)

肉的嫩度是肉品品質的首要指標。多年來，牛肉嫩度一直是肉品學者關注的焦點，而牛肉嫩度的檢測是近年來研究的熱點之一。本文從光譜譜信息和牛肉內部成分的關系及光譜成像和牛肉外部特征的關系兩方面，簡要闡述牛肉嫩度檢測的光譜技術特點。主要介紹國內外近十年來在牛肉嫩度檢測方面所采用的近紅外(NIR)、高光譜、多光譜、熒光光譜和可見光譜技術研究進展，討論現有技術的局限性，并指出未來牛肉嫩度檢測技術的發展方向。

牛肉嫩度；近紅外光譜；高光譜；多光譜；可見光譜；熒光光譜

牛肉品質的5個重要指標包括嫩度、多汁性、風味、肉色和吸水力，其中，嫩度是肉品質量的首要指標[1]，影響牛肉的食用和商業價值，而大多數消費者也愿意付更高的價錢購買嫩牛肉[2-3]。因此，如何檢測牛肉嫩度，一直是國內外肉品科學研究工作的熱點問題之一。目前牛肉嫩度檢測主要使用的方法包括感官評定和剪切力方法。前者一般是由經過訓練的評級員或消費者組成的品嘗小組品嘗判定，后者一般利用剪切力法判定。剪切力方法主要有沃-布剪切力(WBSF)和切片剪切力(SSF)[4]。感官評定牛肉嫩度，主觀性強、耗時、重復性差、花費高。剪切力法測定牛肉嫩度，客觀，但操作過程很繁瑣、耗時，有損，且不能在牛肉生產流程現場使用。隨著圖像處理技術和光譜技術的發展，國內外研究者報道不同波段的光照射牛肉時，一些特定波段的光作用于牛肉內部，光譜(吸收光譜、散射光譜及透射光譜等)攜帶牛肉內部的特征信息[5-8]；另一些波段的光作用于牛肉的表面，所形成的圖像攜帶牛肉的外部特征信息[9-11]。應用近紅外(NIR)、高光譜、多光譜、可見光譜、及熒光光譜等光譜技術進行牛肉嫩度的檢測，正逐漸成為牛肉品質檢測技術研究的重點。

1 近紅外光譜(NIR)分析技術

在20世紀70ü90年代期間，肉類質量的評估采用儀器檢測，如采用Warner-Bratzler剪切儀、Hunter色差計，或者人工感官評定。這些檢測技術有損、耗時且不適合肉類產業在線運用。肉品研究者迫切尋找一種快速、無損且能在線檢測肉類品質的技術，在這種趨勢下，NIR光譜技術被嘗試運用到肉類品質檢測方面[12-17]。NIR檢測牛肉嫩度一般是將NIR譜信息和牛肉剪切力值或感官評定的嫩度相關聯，建模預測嫩度。Mitsumoto等[12]是第一個發布采用NIR技術測量牛肉嫩度的研究小組，他們獲得了剪切力和NIR測量值較好的相關性，R2為0.83。

1.1 統計方法

NIR檢測牛肉嫩度常用的統計方法有多元線性回歸(MLR)、多元逐步回歸(SMR)、主成分分析(PCA)、主成分回歸(PCR)、偏最小二乘法(PLS)、人工神經網絡(ANN)和拓撲(topological)等。Prieto等[18]認為統計方法影響NIR預測的精度，建模時，采用恰當的統計方法，能提高預測精度。Liu等[7]分別運用偏最小二乘回歸和主成分分析法建模，將牛肉分成老牛肉和嫩牛肉2個級別，前者預測嫩度分級正確率達83%，后者高達96%。

1.2 采樣面積

Mitsumoto[12]、Byrne[16]等在近紅外區運用譜信息預測牛肉物理參數及品質特征，采樣面積4cm2；Shackelford等[19]在一項研究中，NIR設備采樣面積19.6cm2，與前者采樣面積4cm2相比，認為其采樣面積過小，樣本不具有代表性，易漏失目標信息，比如當肉質不均勻時，采樣的小區域可能是肌內脂肪區域，易導致預測精度不高甚至錯誤結果；而采樣面積大，可以避免上述缺點。Geesink等[20]采用NIR譜數據預測豬肉嫩度(WBSF)，研究也表明采樣面積大，樣本更具有代表性，Prieto等[21]持相同的看法。在該項研究中，Shackelford等[19]比較了2種類型的NIR光纖探頭，一種是直徑3mm反射探頭，采樣面積小；另一種是直徑55mm高強度反射探頭，采樣面積大。實驗結果表明，后一種探頭在波長1080nm處，光譜重現性高達0.94～0.99，在波長462nm和1371nm處，光譜重現性大于0.9。在該項研究的基礎上，Shackelford等[22]在另一項研究中開發了在線預測牛肉背長肌嫩度(SSF)的可見光-近紅外(VIS-NIR)光譜系統。在美國牛胴體商業評級(質量級和產量級)過程中，該系統采集美國精選等級的胴體第12和第3肋骨處的背長肌橫截面VIS-NIR反射光譜譜數據，預測成熟2周后的最長肌嫩度(SSF)。光譜范圍寬(350～2500nm)，采用逐步回歸建模，校正集R2為0.38，預測集R2為0.22。該研究與其他研究[13-15,23]比較，前者在線采集樣品譜數據，無需破壞樣品；后者采集譜數據時需從牛肉商品上切取樣品，采樣有損，增加檢測成本。另外，該項研究還表明牛肉中較豐富的大理石花紋影響NIR光譜技術預測嫩度的能力。2008年，Rust等[24]對美國精選等級的牛肉進行研究也得出類似的結論；2009年，Prieto等[21]開發了VISNIR在線預測系統，成功預測了L*、a*、b*的R2分別為0.86、0.86和0.91；預測成熟14d的牛肉嫩度(SSF)，結論與Shackelford等[22]研究相同，R2為0.31。

1.3 光譜散射

2007年，美國學者Xia等[6]首次提出利用牛肉光譜散射系數預測牛肉嫩度。該研究報道結締組織和肌纖維蛋白是影響肉嫩度的最重要的因素，這些組織結構和光的散射特征密切相關。散射尺寸大小是光學散射研究中的重要參數。因為纖維束的直徑約8μm、肌纖維直徑約1～2μm、肌小節長度約2～3μm，這些尺寸大小接近或大于光波波長600～950nm，因此最適合采用Mie散射算法計算散射系數。Xia等[6]在波長450～950nm，采用光纖探針，對胸最長肌、腰大肌、半膜肌和肱二頭肌，在波長721nm處測得光譜散射系數，采用線性回歸方程分析散射系數和WBSF的相關性，結果表明，二者相關性顯著(P＜0.0001)，R2為0.59。

1.4 樣本形狀

Prieto等[25]報道，分別采集公牛和小牛胸最長肌肉糜NIR譜信息，預測WBSF，前者R2為0.448，交叉驗證標準誤差(SECV)為10N，后者R2為0.167，SECV為15.89N。研究認為NIR預測牛肉的物理參數WBSF能力有限。文中分析認為，牛肉樣本被切碎或做成糜狀，嚴重改變了肌肉的組織結構，破壞了肌纖維的排列，導致NIR預測能力降低。Ripoll等[26]持與上述相同的看法。

1.5 肉嫩度的動態變化

Geesink等[20]報道，當樣本的剪切力值變化范圍很小時，無法構建豬肉嫩度校正模型。McGlon等[27]建模時考慮所用指標變量取值范圍寬廣及指標測量值隨時間變化等因素，研究揭示了NIR譜信息隨成熟期間羊肉嫩度變化而變化。Shackelford等[28]研究表明宰后1d所測得的牛肉剪切力值和宰后14d相比，61%樣本的剪切力值發生了變化。Rodbotten等[29]開發了一個校正模型，將尸僵后(屠宰后26～30h)NIR測量值與尸僵前(宰后2～4h)測量值相比，結果表明，屠宰后越早測量的NIR值，預測宰后嫩度的準確率越低。因為肉牛屠宰后，影響牛肉品質的許多因素發生了變化，如成熟的溫度和成熟的時間。2009年，Katja等[30]將NIR測量值與牛肉質量指標、特征隨時間的動態變化相聯系，從尸僵開始到尸僵后完全成熟這段時間，牛肉質量指標(pH值、糖原含量等)和特征(剪切力和持水率等)隨時間變化而變化。文中指出，先前的NIR研究一般集中在牛肉成熟期間某一時間點的指標的預測方面，而在預測隨時間變化的指標方面，NIR技術研究較少。Katja等[30]為了擴大剪切力指標取值的變化范圍，樣品在尸僵前經過電刺激、包裝貯存和冷卻溫度(5、15、35℃)等處理，運用NIR技術預測了尸僵開始至尸僵后90h內的剪切力，驗證系數R2為0.58。研究認為NIR不僅可以預測隨時間變化的牛肉質量指標和特征，而且這些指標的預測精度和采用其他參考方法(如采用WBSF法測牛肉嫩度)一致或更準確。

1.6 2種發射光譜對比

Bowling等[31]進行了一項2種波段光譜譜數據與WBSF相關性對比的研究。在波段375～1100nm范圍內，分別采集87頭小母牛的前腰脊肉切面的可見光光譜區的譜數據、NIR區域的譜數據、整個波段375～1100nm的譜數據，分別與WBSF建立相關性，線性回歸建模，研究結果表明，可見光譜區(R2=0.22、均方根誤差(RMSE)=0.760)、NIR近紅外光譜區(R2=0.14、RMSE=0.784)、整個光譜區(R2=0.19、RMSE=0.767)。Bowling等[31]認為2種方法都可以預測牛肉嫩度：一種方法是采用可見光區譜數據和WBSF的關系預測嫩度，另一種方法是采用NIR光譜譜數據和WBSF的關系預測嫩度。而且，與在可見光光譜區相比，在NIR譜區預測牛肉嫩度的能力并未提高。

1.7 預測感官評定的嫩度

2008年，Ripoll等[26]研究報道NIR能更好地預測牛肉的感官評定嫩度(R2=0.98)，預測部分化學成分和WBSF稍差一點(R2=0.7)，但預測蛋白質不成功(R2僅為0.110)。在以前的研究中，肉品研究者運用NIR技術預測牛肉的感官評定嫩度，一般是由經過專門訓練的小組通過品嘗法來品定嫩度。2010年，Yancey等[32]選擇240名未經過訓練的消費者組成小組，對美國牛胴體質量等級中的精選、低優選、高優選及特級胴體上的眼肌，進行嫩度及整體印象(指多汁、風味等肉品質特點)評價。他還將NIR光譜(光譜波長范圍400～2498nm)法、WBSF法和MORS(Meullenet-Owens razor shear)法3種方法進行比較，預測上述牛肉的感官品定嫩度及整體印象。研究表明，NIR光譜法能更好地預測感官品定的牛肉嫩度(R2=0.74)，同時還可以預測肉品多汁性、風味(R2=0.79)等特點，預測效果優于采用剪切力方法，MORS和WBSF法預測感官嫩度R2范圍分別為0.38～0.58、0.15～0.37，采用剪切力法預測牛肉整體印象R2更小。

運用NIR技術時，如果考慮模型選擇、采樣面積大小、樣品形狀、樣品嫩度的動態變化及建模時變量取值范圍寬廣、預測目標(預測感官嫩度還是剪切力)等因素，那么可以提高預測精度；NIR技術是間接技術，建立校正模型需要大量典型樣本；樣品代表性變化，影響測試結果；目前NIR設備價格仍然昂貴，使用成本高；研究者們正在找尋某一小范圍的波段或某一波長，通過這些關鍵小波段或特定波長制造一個簡單、價廉性能良好、安全的NIR肉類品質檢測儀。

2 高光譜圖像技術

為了促進規范肉牛市場，美國農業部(USDA)早在1926年頒發了牛肉分級標準(將牛胴體分為質量級和產量級)。2006年，Naganathan等[33]在美國農業與生物工程師學會(ASABE)會議上報道，盡管牛肉嫩度是一個非常重要的品質特征，但USDA分級系統至今沒有包含嫩度評定這一環節。所以市場上，所售牛胴體沒有按嫩度定價，生產者也缺乏提供嫩牛肉產品的動機，導致消費者的需求不能正常反饋給生產者。從市場發展的觀點來看，越來越多的人認為必須把牛肉嫩度這一指標加入到USDA質量分級過程中，但一直沒有一個精確、快速、無損的檢測牛肉嫩度的方法。他認為視頻圖像分析(video image anslysis)和NIR技術有希望無損、在線和快速檢測牛肉嫩度。前者檢測牛肉外部顏色、紋理特征(和肌肉的組織結構有關)，但牛肉的內部特征如成熟過程中發生一系列生物化學反應對嫩度的影響無法檢測；后者僅檢測光譜信息，光譜信息攜帶牛肉內部的生物化學信息(如成熟過程中的蛋白質降解引起嫩度的變化)。基于二者預測嫩度的局限性，他首次提出高光譜圖像技術預測牛肉嫩度。

高光譜圖像技術將圖像處理技術和光譜分析技術融合為一體，能同時采集樣本的光譜信息和空間信息，兼有這兩種技術的優勢。近年來，基于無損分析在許多研究領域及產業部門的運用，世界各地的研究者們對此技術越來越關注[34-40]。

Naganathan等[33]還分析了美國肉產品系統，一般牛胴體分割后約3d，牛肉產品離開包裝加工工廠，14d左右到達消費者手中。因此，牛肉產業需要一個檢測宰后2～3d的鮮牛肉特征，預測最后成熟14d的熟牛肉嫩度。面臨的主要挑戰是成熟過程及蒸煮過程中牛肉發生了變化。針對上述分析，Naganathan等[38]成功地開發了預測牛肉嫩度的高光譜圖像系統。在波段400～1000nm內，采集背長肌高光譜圖像三維數據塊，通過偏最小二乘回歸(PLSR)或主成分分析(PCA)降維，優選特征波長，去除數據中的冗余信息，尋找最能表征牛肉樣本嫩度品質指標的特征圖像。從特征圖像中選取感興趣區域(ROL)，基于灰度共生矩陣方法提取該區域中的8個紋理特征，如圖1。

運用這些特征構建一個典型的判別式校正集模型，采用全交叉方法評價模型性能，將牛肉分為嫩牛肉、中等程度的嫩牛肉和老牛肉3類，分類正確率達96.4%。類似的研究表明高光譜圖像技術能無損、快速地預測牛肉的品質特征[37,39]。2012年，ElMasry等[41]在波長900～1700nm范圍內，預測L*、b*、pH值和嫩度，交叉驗證相關系數R2CV分別為0.88、0.81、0.73和0.83，采用全交叉驗證均方根誤差分別為1.21、0.57、0.06N和40.75N。使用高光譜散射特性預測牛肉的嫩度，Cluff等[36]預測相關系數最高為0.76，Wu等[42]預測WBSF的為0.91，預測顏色參數L*、a*、b*的分別為0.96、0.96、0.97。

圖 1 高光譜圖像紋理特征提取方法Fig.1 Extraction methods of hyperspectral image textural features

高光譜技術由于既能檢測牛肉的外部特征信息，又能檢測牛肉的內部，信息，與NIR技術、可視光譜下的機器視覺技術相比，在檢測牛肉嫩度方面，或許高光譜技術更具有優勢(比如檢測精度更高)。Jackman等[43]認為高光譜圖像技術的出現提供了一種方法來補充和加強經典的可見光波長系統；對于提高機器視覺解決方案的最好的機會取決于高光譜成像。

高光譜成像技術作為新興的研究手段也具有一些缺點，如系統成本高(但是這個成本正在下降)、數據量大、高光譜圖像的獲取、處理和分類需要較長時間，這些限制了其在線檢測的應用。然而，高光譜成像系統在確定產品品質參數的特征波長具有優勢，通過確定與檢測參數相關性強的特征波長，可為進一步在檢測速度和設備成本方面具有優勢的多光譜系統的開發提供一定的支持。

3 多光譜和熒光光譜分析技術

3.1 多光譜

Sun等[44]開發了多光譜圖像采集系統。采集股二頭肌、半膜肌、肩胛下肌和胸最長肌多光譜圖像。分別運用灰度共生矩陣、兩維快速傅里葉變換、Gabor小波3種方法提取多光譜圖像紋理(肌肉的紋理)特征，基于這些特征建立2種牛肉嫩度預測模型，分別是多元逐步回歸模型、支持向量機模型(SVM)。126頭小母牛股二頭肌、半膜肌、肩胛下肌和胸最長肌4個部位的肌肉樣本依據WBSF分為嫩牛肉組和老牛肉組，根據多光譜圖像紋理(分別來自于波段440、550、710、810nm的圖像)特征，采用多元逐步回歸模型預測嫩牛肉組樣本，分級正確率為80%～85%；對于老牛肉組，預測率低，但預測精度仍然接近80%。與前者預測模型比較，SVM模型預測率較高，對于嫩牛肉組，分級正確率高達92%～100%，但對于老牛肉組，預測效果不理想。

在檢測牛肉嫩度方面，多光譜技術與NIR、可視光譜下的機器視覺技術相比，預測精度高；與高光譜技術相比，系統運行速度快。但目前運用多光譜技術檢測牛肉品質的研究并不多見。

3.2 熒光光譜

紫外光的波長范圍是100～400nm，有顯著的化學效應和熒光效應。波長380nm是激發膠原蛋白熒光波長[45]，膠原蛋白是結締組織的主要成分。Purslow[46]研究了肌肉內結締組織的形態、分布和數量，認為結締組織主要影響牛肉的硬度，在不同類型的肌肉中不同。

2010年，Jabri等[47]分別在紫外光(波長為380nm)、可見光及可見光中添加紫外光3種光譜波段下，采集牛肉半膜肌切面圖像，通過圖像處理，轉換成二值化圖像。在二值化圖像中提取結締組織分布特征，MLR建模預測牛肉感官嫩度得分、膠原蛋白含量和脂肪含量。

表 1 不同光源下的R2值Table 1 Coeff i cient determination (R2in the training and testing) or the regression models between tenderness and compositions in the different light sources

由表1可知：1)對于可見光特征來說，添加的紫外光參數沒有提高嫩度預測結果，或者說可見光譜區允許提取的相關信息(結締組織分布特征信息)足夠預測嫩度；2)2種類型光的結合提高了預測膠原蛋白含量的精度(訓練集R2達0.87，測試集略低R2為0.64)，顯著提高了預測脂類含量的精度(訓練集R2達0.91，測試集R2為0.76)；3)與以前的肉品研究者研究結果相比，例如，Li等[10]采用肉色、大理石紋和肌肉紋理作為嫩度指標，得出R2最高為0.70，Tian等[48]得出R2僅為0.58，Jabri等[47](R2=0.88)的嫩度預測精度較高，說明肌肉內的結締組織可以作為牛肉嫩度的一個重要預測指標。

4 可見光譜分析技術

4.1 機器視覺技術

在可見光譜范圍內，許多文獻[10-11,43-60]報道運用機器視覺技術檢測肉品質量。機器視覺技術是一種嘗試人眼到大腦評估過程的復制，人眼由數碼相機模擬，大腦由學習算法代替。相機記錄客觀圖像(數據)，學習算法將圖像(數據)和專家評定的肉品質量指標相關聯，從而評定肉品質量等級[43]。通常用CCD相機或視頻相機在可見光波段范圍內采集圖像[10-11,48,50-51]，常用的學習算法有線性判別式分析(QDA)、K-鄰聚類(KNN)、多元線性回歸、PLSR和PCA。

牛肉的顏色、大理石花紋、紋理這3個特征在最近10年來已經成為大量研究和討論[10-11,44,48-49,55-59]的主題。以美國、日本、澳大利亞和歐盟體系為主要代表，這些特征是牛肉質量分級體系中的重要質量評價指標，例如，1997年，USDA發布了牛胴體評級標準，2010年，USDA農業市場服務部(USDA-AMS)發布了肉品專家評級指南。

嫩度是牛肉最重要的食用品質[23,48]，Warriss[61]認為影響肉嫩度的主要因素為肌小節長度、結締組織含量極其交聯程度、宰后條件下或成熟期間牛肉發生變化的程度。肌纖維束的大小、結締組織含量和肌肉的紋理特征相關[10-11]。應用計算機視覺技術提取牛肉表面特征，建模預測牛肉嫩度也是近年來肉品研究者的熱點問題之一。

4.2 基于大理石紋和顏色預測嫩度

McDonald等[51]根據大理石紋得分預測剪切力，R2很低，為0.13。Wulf等[52]研究了色度讀數(亮度L*、紅色a*、黃色b*)和嫩度的相關性，報道b*值與剪切力相關性最高(R2=0.14)。基于Wulf等[52]的研究結論，美國科羅拉多州大學和Hunter合作實驗室合作開發了BeefCam系統預測牛肉嫩度。Wyle等[53]用2組實驗評估了BeefCam系統，預測嫩度決定系數R2值在2組實驗中分別是0.19和0.07，認為BeefCam系統預測牛肉嫩度能力有限。還有研究[10]報道，顏色和大理石紋特性僅占大約30%的嫩度變化。Smith等[54]發現，USDA質量等級可以解釋約30%的嫩度變化，因為USDA質量等級主要依賴顏色和大理石紋特征評級。上述研究表明僅采用大理石紋和肉色或二者的組合，預測牛肉嫩度的能力是很有限的。

4.3 基于紋理預測嫩度

Li等[10]基于USDA的牛胴體專家評級系統，根據顏色、大理石脂肪和紋理特性預測感官嫩度，R2為0.7。Tian等[48]做了類似的研究，預測感官嫩度，R2為0.62。Li等[11]在其另一項研究中，采用基于小波的方式，提取牛肉圖像的紋理特征，然后根據圖像的紋理特征參數，對牛肉進行嫩度分級。與人工感官評定結果相比較，根據圖像紋理特征參數得出的分級正確率為83.3%。

Jeyamkondan等[62]采用不同放大倍率的鏡頭(8、50mm鏡頭)采集可見光譜下的RGB圖像，將RGB圖像轉換到CIE顏色空間，基于灰度差直方圖提取紋理特征，在正常放大倍率(鏡頭8mm)下，預測WBSF，R2為0.50，將樣本分為老牛肉和嫩牛肉兩類，分級正確率達79%；在高放大倍率(鏡頭50mm)下，R2為0.72，分級正確率達92%。他認為具有高放大倍率的機器視覺技術，捕捉更多的紋理信息，不僅能提高嫩度預測精度，而且減少系統計算時間。基于USDA專家評級標準預測牛肉質量，Jackman等[49,55-60]做了大量的工作。以高放大率相機采集牛肉背長肌切面圖像，考慮大范圍的肉色和大理石脂肪特征，提供更豐富的品質信息(牛肉在食用方面的品質如多汁、風味等)，小波法提取高放大倍率圖像的紋理特征，而不是用傳統的方法如行程長度、直方圖差和共現矩陣。預測感官整體可接受性、多汁、風味，R2分別為0.88、0.69、0.78；預測感官嫩度、WBSF，分別為0.76、0.85。Jackman等[55]還對線性模型，和非線性模型作了對比，認為非線性模型對預測精度稍有提高，但以付出大量的計算負擔作代價。

在可見光下，以高放大倍率采集RGB圖像，基于圖像的紋理特征預測牛肉嫩度，把牛肉分成嫩牛肉和老牛肉兩類，與上述研究結果相比，Sun等[44]分類率更高，采用常規的統計模型STEPWISE回歸，分類率達94.9%，而采用支持向量機(SVM)模型能100%地識別嫩牛肉組的牛肉，但對于老牛肉，SVM模型識別率較低。

肉色和大理石紋特征對嫩度貢獻較小[10,51]，結締組織含量和肌纖維束大小對牛肉嫩度貢獻較大[10-11,61]。如果從圖像中既提取出肌肉紋理特征，又提取出結締組織紋理特征及結締組織含量，二者共同作為嫩度預測指標(多一些反映肌肉嫩度的信息)，或許能建立更好的預測模型，提高嫩度預測精度。

可視光譜下的機器視覺技術，由于不需要透視成像設備(透視成像設備價格高如CT、核磁共振等)，其成像設備(如CCD相機等，價格較低)，和上述光譜技術設備相比是一項可以負擔得起的技術，而且其技術簡單(高度復雜的圖像分割算法除外)[34]，牛肉品質、指標等在未來也不可能發生大幅度的變化。因此，可視光譜下的機器視覺技術也許最有希望在線檢測牛肉嫩度，并且在未來生產線上普及使用。

5 結 語

上述幾種光譜技術和傳統的牛肉嫩度檢測技術相比，優點是客觀、無損、快速，有望實現在線檢測；可視光譜下的機器視覺技術，和其他光譜技術相比，由于其設備成本低、技術簡單，加之牛肉品質及評價標準在未來不可能發生很大變化，因此該技術在牛肉嫩度檢測方面最有希望實現在線運用；隨著成像設備成本降低，高光譜和多光譜技術將給可視光譜下的機器視覺技術提供更好的技術支持和解決方案；在牛肉嫩度檢測方面，目前，這幾種光譜技術國內還處于起步階段，國外雖有少量在線運用報道，但距離其真正地在牛肉生產線上被普及使用，還有很長的一段距離，這需要肉品工作者們繼續探索和努力。

[1] 周光宏. 肉品學[M]. 北京: 中國農業科技出版社, 1999.

[2] SHACKELFORD S D, WHEELER T L, MEADE M K, et al. Consumer impressions of tender select beef[J]. Journal of Animal Science, 2001, 79: 2605-2614.

[3] HUFFMAN K L, MILLER M F, HOOVER L C, et al. Effect of beef tenderness on consumer satisfaction with steaks consumed in the home and restaurant[J]. Journal of Animal Science, 1996, 74: 91-97.

[4] SHACKELFORD S D, WHEELER T L, KOOHMARRAIE M. Evaluation of slice shear force as an objective method of assessing beef longissimus tenderness[J]. Journal of Animal Science, 1999, 77: 2693-2699.

[5] KANDASWAMY J, BAJWA S G, APPLE J K, et al. Effeet of nearinfrared scanning angle in prediction of tenderness and sensory attributes in longissimus thoracis steaks[C]// Presentation at the 2005 ASABE Annual International Meeting. Florida: ASABE Tampa Convention Center, 2005.

[6] XIA J, BERG E P, LEE J W, et al. Characterizing beef muscles with optical scattering and absorption coefficients in VIS-NIR region[J]. Meat Science, 2007, 75(1): 8-83.

[7] LIU Y, LYON B G, WINDHAM W R. Prediction of color, texture, and sensory characteristics of beef steaks by visible and near infrared ref l ectance spectroscopy: a feasibility study[J]. Meat Science, 2003, 65: 1107-1115.

[8] 趙杰文, 翟劍妹, 劉木華, 等. 牛肉嫩度的近紅外光譜法檢測技術研究 [J]. 光譜學與光譜分析, 2006, 26(4) : 640-642.

[9] JACKMAN P, SUN D W, DU C J, et al. Prediction of beef eating quality from colour, marbling and wavelet texture features[J]. Meat Science, 2008, 80: 1273-1281.

[10] LI J, TAN J, MARTZ F A, et al. Image texture features as indicators of beef tenderness[J]. Meat Science, 1999, 53(1): 17-22.

[11] LI J, TAN J, SHATADAL P. Classif i cation of tough and tender beef by image texture analysis[J]. Meat Science, 2001, 57(4): 341-346.

[12] MITSUMOTO M, MAEDA S, MITSUHASHI T, et al. Near infrared spectroscopy determination of physical and chemical characteristics in beef cuts[J]. Journal of Food Science, 1991, 56: 1493-1496.

[13] HILDRUM K I, NILSEN B N, MIELNIK M, et al. Prediction of sensory characteristics of beef by near-infrared spectroscopy[J]. Meat Science, 1994, 38: 67-80.

[14] HILDRUM K I, ISAKSSON T, NAES T, et al. Near-infrared reflectance spectroscopy in the prediction of sensory properties of beef[J]. Journal of Near Infrared Spectroscopy, 1995, 3: 81-87.

[15] NAES T, HILDRUM K I. Comparison of multivariate calibration and discriminant analysis in evaluating NIR spectroscopy for determination of meat tenderness[J]. Applied Spectroscopy, 1997, 51: 350-357.

[16] BYRNE C E, DOWNEY G, TROY D J. Non-destructive prediction of selected quality attributes of beef by near infrared reflectance spectroscopy between 750 and 1098 nm[J]. Meat Science, 1998, 49: 399-409.

[17] PARK B, CHEN Y R, HRUSCHKA W R, et al. Near-infrared reflectance analysis for predicting beef longissimus tenderness[J]. Journal of Animal Science, 1998, 76: 2115-2120.

[18] PRIETO N, ROEHE R, LAVIN P, et al. Application of near infrared ref l ectance spectroscopy to predict meat and meat products quality: a review[J]. Meat Science, 2009, 83: 175-186.

[19] SHACKELFORD S D, WHEELER T, KOOHMARAIE M. Development of optimal protocol for visible and near-infrared ref l ectance spectroscopic evaluation of meat quality[J]. Meat Science, 2004, 68: 371-381.

[20] GEESINK G H, SCHREUTELKAMP F H, FRANKHUIZEN R, et al. Prediction of pork quality attributes from near infrared ref l ectance spectra[J]. Meat Science, 2003, 65: 661-668.

[21] PRIETO N, ROSS D W, NAVAJAS E A, et al. On-line application of visible and near infrared ref l ectance spectroscopy to predict chemicalphysical and sensory characteristics of beef quality[J]. Meat Science, 2009, 83: 96-103.

[22] SHACKELFORD S D, WHEELER T, KOOHMARAIE M. On-line classif i cation of US select beef carcasses for tenderness using visible and near-infrared ref l ectance spectroscopy[J]. Meat Science, 2005, 69: 409-441.

[23] PARKB, CHEN Y R, HRUSCHKA W R, et al Principle componet regression of near-infrared reflectance spectra for beef tenderness prediaion[J]. Trans ASAE, 2001, 41(3): 609-615.

[24] RUST S R, PRICE D M, SUBBIAH J. Predicting beef tenderness using near-infrared spectroscopy[J]. Journal of Animal Science, 2008, 86(1): 211-219.

[25] PRIETO N, ANDRE’S S, GIRA’LDEZF J, et al. Ability of near infrared reflectance spectroscopy (NIRS) to estimate physical parameters of adult steers (oxen) and young cattle meat samples[J]. Meat Science, 2008, 79: 692-699.

[26] RIPOLL G, ALBERTI P, PANEAJ B, et al. Near-infrared ref l ectance spectroscopy for predicting chemical, instrumental and sensory quality of beef[J]. Meat Science, 2008, 80: 697-702.

[27] McGLON V A, DEVINE C E, WELLS R W. Detection of tenderness, postrigor age and water status changes in sheep meat using near infrared spectroscopy[J]. Journal of Near Infrared Spectroscopy, 2005, 13(5): 277-285.

[28] SHACKELFORD S D, KOOHMARAIE M, WHIPPLE G, et al. Predictors of beef tenderness: development and verif i cation[J]. Journal of Food Science, 1991, 56(5): 1130-1135.

[29] RODBOTTEN R, NILSEN B N, HILDRUM K I. Prediction beef quality attributes from early post mortem near infrared reflectance spectra[J]. Food Chemistry, 2000, 69: 427-436.

[30] KATJA R, ELISABETH M, PER W H, et al. Temporal, biochemical and structural factors that inf l uence beef quality measurement using near infrared spectroscopy[J]. Meat Science, 2009, 82: 379-388.

[31] BOWLING M B, VOTE D J, BELK K E, et al. Using reflectance spectroscopy to predict beef tenderness[J]. Meat Science, 2009, 82(1): 1-5.

[32] YANCEY J W S, AAPPLE J K, MEULLENET J F, et al. Consumer responses for tenderness and overall impression can be predicted by visible and near-infrared spectroscopy, Meullenet-wens razor shear, and Warner-ratzler shear force[J]. Meat Science, 2010, 85: 487-492.

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

[34] ElMASRY G, WANG N, ElSAYED A, et al. Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry[J]. Journal of Food Engineering, 2007, 8(1): 98-107.

[35] ELMASRY G, WANG N, VIGNEAULT C. Detecting chilling injury in red delicious apple using hyperspectral imaging and neural networks[J]. Postharvest Biology and Technology, 2009, 52(1): 1-8.

[36] CLUFF K, NAGANATHAN G K, SUBBIAH J, et al. Optical scattering in beef steak to predict tenderness using hyperspectral imaging in the VIS-NIR region[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2: 189-196.

[37] NAGANATHAN G K, GRIMES L M, SUBBIAH J, et al. Partial least squares analysis of near-infrared hyperspectral images for beef tenderness prediction[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2: 178-188.

[38] 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, 2008b, 64: 225-233.

[39] 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.

[40] 吳建虎, 彭彥昆, 江發潮, 等. 牛肉嫩度高光譜法檢測技術[J]. 農業機械學報, 2009, 40(12): 135-150.

[41] 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: 127-140.

[42] WU J H, PENG Y K, LI Y Y, et al. Prediction of beef quality attributes using VIS/NIR hyperspectral scattering imaging technique[J]. Journal of Food Engineering, 2012, 109: 267-273.

[43] JACKMAN P, SUN D W, ALLEN P. Recent advances in the use of computer vision technology in the quality assessment of fresh meats[J]. Trends in Food Science &Technology, 2011, 22: 185-197.

[44] SUN X, CHEN K J, MADDOCK-CARLIN K R, et al. Predicting beef tenderness using color and multispectral image texture features [J]. Meat Science, 2012, doi:10.1016/j.meatsci.2012.04.030.

[45] SKJERVOLD P O, TAYLOR R G, WOLD J P, et al. Development of intrinsic fl uorescent multispectral imagery specif i c for fat, connective tissue and myofiber in meat[J]. Journal of Food Science, 2003, 68: 1161-1168.

[46] PURSLOW P P. Intramuscular connective tissue and its role in meat quality: a review[J]. Meat Science, 2005, 70: 435-447.

[47] JABRI E M, ABOUELKARAM S, DAMEZ J L, et al. Image analysis study of the perimysial connective network, and its relationship with tenderness and composition of bovine meat[J]. Journal of Food Engineering, 2010, 96: 316-322.

[48] TIAN Y Q, McCALL D G, DRIPPS W, et al. Using computer vision technology to evaluate the meat tenderness of grazing beef[J]. Food Australia, 2005, 57: 322-326.

[49] JACKMAN P, SUN D W, ALLEN P, et al. Correlation of consumer assessment of longissimus dorsi beef palatability with image colour, marbling and surface texture features[J]. Meat Science, 2010, 84(3): 564-568.

[50] VTOE D J, BELK K E, TATUM J D, et al. Online prediction of beef tenderness using a computer vision system equipped with a BeefCm module[J]. Journal of Animal Science, 2003, 81: 457-465.

[51] McDONALD T P, CHEN Y R. Visual characterization of marbling in beef ribeyes and its relationship to taste parameters[J]. Trans ASAE, 1991, 34(6): 2499-2504.

[52] WULF D M, O’NNOR S F, TATUM J D, et al. Using objective measures of muscle color to predict beef longissimus tenderness[J]. Journal of Animal Science, 1997, 75: 684-692.

[53] WYLE A M, CANNELL R C, BELK K E, et al. An evaluation of the prototype portable Hunterlab Video Imaging System (BeefCam) as a tool to predict tenderness of beef carcasses using objective measures of lean and fat color[R]. Fort Collins: Colorado State University, 1999.

[54] SMITH G C, SAVELL J W, CCOSS H R, et al. Relationship of USDA quality grades to palatability of cooked beef[J]. Journal of Food Quality, 1986, 10: 269.

[55] JACKMAN P, SUN D W, DU C J, et al. Prediction of beef eating quality from colour, marbling and wavelet texture features[J]. Meat Science, 2008, 80(4): 1273-1281.

[56] JACKMAN P, SUN D W, DU C J, et al. Prediction of beef eating qualities from colour, marbling and wavelet surface texture features using homog enous carcass treatment[J]. Pattern Recognition, 2009, 42(5): 751-763.

[57] JACKMAN P, SUN D W, ALLEN P, et al. Automatic segmentation of beef longissimus dorsi muscle and marbling by an adaptable algorithm[J]. Meat Science, 2009, 83(2): 187-194.

[58] JACKMAN P, SUN D W, ALLEN P, et al. Comparison of various wavelet texture features to predict beef palatability[J]. Meat Science, 2009, 83(1): 82-87.

[59] JACKMAN P, SUN D W, ALLEN P, et al. Comparison of the predictive power of beef surface wavelet texture features at high and low magnif i cation[J]. Meat Science, 2009, 82(3): 353-356.

[60] JACKMAN P, SUN D W, ALLEN P, et al. Prediction of beef palatability from colour, marbling and surface texture features of longissimus dorsi[J]. Journal of Food Engineering, 2010, 96(1): 151-165.

[61] WARRISS P D. Meat science[M]. UK: CABI Publishing, 2000.

[62] JEYAMKONDAN S, KRANZLER G A, LAKSHMIKANTH A. Predicting beef tenderness with computer vision[J]. Agricultural Engineering, 2001, 300: 1-10.

Research Progress in Spectroscopic Predication of Beef Tenderness

CHEN Shi-jin1,2，PENG Zeng-qi3，LI Jing-jun4，SHEN Ming-xia1,2,*，WANG Fu-long3，LI Xiao-lin1,2，MA Peng-peng1,2
(1. College of Engineering, Nanjing Agricultural University, Nanjing 210031, China；2. Jiangsu Key Laboratory for Intelligent Agricultural Equipment, Nanjing 210031, China；3. Key Laboratory of Agricultural and Animal Products Processing and Quality Control, Ministry of Agriculture, Nanjing Agricultural University, Nanjing 210095, China；4. Yurun Meat Industry Group Co. Ltd., Nanjing 210041, China)

As one of the key indexes of meat quality, beef tenderness is the focus of meat science for many years. The detection of beef tenderness is becoming one of the hottest research topics in recent years. In this paper, the technical characteristics of the spectra during the beef tenderness detection were based on the relationship between spectral information and beef internal compositions as well as beef external characteristics. Beef tenderness detection using NIR, Hyper-spectrum, multi-spectrum, visible spectrum and fl uorescence spectrum at home and abroad over the past ten years was introduced. Their research progress, limits and potential applications were also discussed.

beef tenderness；NIR；hyper-spectrum；multi-spectrum；visible spectrum；f l uorescence spectroscopy

TS243.8

A

1002-6630(2013)01-0333-07

2012-08-09

國家現代農業(肉牛)產業技術體系建設專項(nycytx-38)；國家農業科技成果轉化資金項目(SQ2011ECC100043)

陳士進(1974ü)，女，博士研究生，主要從事機器視覺圖像處理研究。E-mail：csjzcj@sohu.com

*通信作者：沈明霞(1964ü)，女，教授，博士，主要從事機器視覺和信息農業研究。E-mail：mingxia@njau.edu.cn