高光譜成像在肉品品質及安全檢測方面的應用

劉長虹,夏　青

(合肥工業大學 生物與食品工程學院,安徽 合肥　230009)

?

高光譜成像在肉品品質及安全檢測方面的應用

劉長虹,夏青

(合肥工業大學 生物與食品工程學院,安徽 合肥230009)

摘要:高光譜圖像作為一種快速無損的分析技術在食品行業中得到廣泛應用。高光譜圖像是一種圖像和光譜的融合技術,通過高光譜成像技術可以同時獲取樣品的空間和光譜信息。文章介紹了高光譜成像系統的原理以及在肉品品質和安全檢測中的應用,主要包括肉類的化學組成成分分析、感官品質評價以及肉與肉制品的摻假物鑒別，并針對目前發展趨勢展望了該技術在肉品品質及安全檢測中存在的問題及應用前景,為更好地應用該技術提供參考。

關鍵詞:高光譜成像技術;無損;快速;肉;檢測

0引言

肉類作為人類日常飲食不可或缺的一類食品,可提供足夠的蛋白質、維生素和礦物質來滿足人類的健康需求[1]。日常飲食中,豬肉、牛肉、羊肉等紅肉由于蛋白質含量比較高,深受消費者的歡迎。隨著社會經濟的發展,人們對于飲食不再滿足于解決溫飽問題,而是將關注點轉移到食品的品質方面,食品質量與安全已成為全球熱門的話題[2],這在很大程度上推動了對肉品品質及安全檢測工作的開展。因此確保肉品的高品質及食用安全性成為現代肉品行業能否立足于行業競爭的關鍵點。

為了確保肉品的高品質及安全性,肉的食用品質(嫩度和色澤)、營養水平(蛋白質、脂肪和水分含量)、新鮮度(微生物含量)以及肉品真偽、摻假鑒別等成為關鍵指標[3-6]。而傳統檢測方法多數是依靠感官檢測、理化檢測以及微生物學檢測等手段[7],這些方法多數費時費力,易產生誤差,且不能大量處理樣品或需要冗長的樣品制備過程,不適于肉品規?；a流程的現場使用。因此尋找快速、準確、客觀的質量檢測方法是整個肉品行業的迫切需求。

近年來,光譜分析技術作為一種簡單、易操作的非接觸式的光學技術,已經應用到食品各個領域中[8-10]。傳統光學檢測技術(諸如成像和光譜)對于獲得足夠的空間和光譜信息存在一定的局限性。傳統的成像技術只能獲得食品的表觀特征(如食品的大小、顏色、表面缺陷等),不能得到食品的內部屬性[11-12];而光譜測量無法獲得樣品的空間分布[13]。

高光譜成像技術結合傳統的成像技術和光譜技術的特點,能夠同時獲得樣品的空間和光譜信息,已被應用在食品質量評估領域中[14-15]。

1高光譜成像技術的原理及特點

高光譜成像是一種整合光譜學、信息處理和計算機視覺技術于一體的新技術。高光譜成像技術同時具有這幾類技術的優點,可以同時捕獲樣品的光譜信息和空間信息。高光譜成像系統主要由光源、光源分散裝置、電荷耦合器件(changed coupled device,CCD)圖像采集系統和計算機所組成。高光譜成像光源的波譜范圍分別為在紫外(200～400 nm)、可見光(400～760 nm)、近紅外(760～2 560 nm)以及波長大于2 560 nm的區域[16]。高光譜成像系統有點掃描、線掃描以及區域掃描3種成像方式。

點掃描方法(即whiskbroom法)只能獲取單個像素點的光譜,而為獲得其他像素點的光譜,需要頻繁地移動光譜相機或檢測對象,不利于快速檢測,因此點掃描方式常用于微觀對象的檢測。線性掃描方法(即推掃式法)是點掃描方法的延伸,是探測器在光學焦面的垂直方向上做橫向排列完成橫向掃描完整光譜范圍內的物體空間信息,可以獲取樣品在對應條狀空間中每個像素在各個波長下的圖像信息。點掃面方法和線掃描方法都是在空間域進行掃描的方式,區域掃描方法(即頻帶連續方法)是在光譜域進行掃描的方式，通過區域掃描方式可以獲取樣品單個波長下完整的空間圖像。

光譜光源作為光學檢測系統的一部分,產生的光作為信息載體。根據光源和光譜相機之間位置關系的不同,高光譜圖像的獲取方式又可以分為反射、透射和漫透射3種方式。光譜成像系統使用的典型光源包括鹵素燈、發光二極管(LEDs)、激光器以及可調諧光源。以發光二極管(LEDs)作為光源為例,高光譜成像系統的工作原理是光源照射到目標物的表面,不同食品的化學組成和物理特征不同,對特定的波長有著不同的吸收度、分散度和反射率,通過分析光譜信號的差異實現食品品質信息的定性或定量檢測。通過結合光譜信息和空間信息,可實現食品品質的快速無損檢測及化學成分的可視化分析,從而達到食品分類分級的目的。

通過高光譜成像系統可以獲得相關樣品的海量信息,因此需要高效的數據處理方法,揭示隱藏在這些海量數據中的有效信息[17-19]。

通過高光譜圖像信息及化學計量學方法,既可表征樣品內部組分的化學性質,也可獲得目標物的物理性質。因此,將高光譜成像技術應用到食品品質與安全性檢測中,可以得到產品內外品質的全面檢測信息,并且可以滿足工業生產線的快速性要求。

2高光譜成像技術的應用

2.1肉類化學組成分析

肉的主要組成成分包括水分、蛋白質、脂肪、氨基酸及脂肪酸等。肉的化學成分是影響其食用品質和營養品質的內在原因[20]。肉從屠宰到儲存銷售過程,其內部的化學成分受外界環境的影響,并參與一系列化學反應,從而導致肉的顏色、風味、嫩度以及保水能力都發生變化,通過高光譜成像技術及時、快速、無損地檢測肉品,已成為一個重要的發展趨勢。

2.1.1水分

水分是肉的主要組成成分,肉中的水分含量不僅直接關系到肉的品質,而且影響肉品的貨架期。因此水分含量的檢測是肉類行業檢測肉品的必要因素之一。

文獻[21]利用高光譜中的近紅外區域(900～1 700 nm)對羊肉的蛋白質、脂肪和水分進行無損檢測，通過高光譜成像系統獲取羊肉的圖像信息,運用偏最小二乘回歸法(partial least squares regression,PLSR)建立羊肉的水分、脂肪和蛋白質含量預測模型,預測相關系數RP分別達到0.88、0.88、0.63,且預測標準誤差分別為0.51%、0.40%、0.34%。

研究結果表明，PLSR數據處理方法和近紅外高光譜成像技術相結合可用于羊肉中化學組成成分的無損檢測。

此外,肉的保水能力也是肉水分特性的一項重要指標[22],目前研究中多采用滴水損失(drip lose)來表示肉的保水能力。文獻[23]利用波長900～1 700 nm范圍的高光譜成像技術來檢測肉的保水能力,針對滴水損失選取6～7個特定波長,結合主成分分析方法(principal component analysis,PCA)和PLSR建立模型,預測相關系數分別為0.89和0.87。不同種類的肉可以選取相同的特征波長,例如對于豬肉和牛肉,均可選取940、990、970、1 208、1 214 nm為特征波長。研究結果顯示，結合化學計量學方法和高光譜成像技術可測定肉品的水分和保水性,進而可以實現鮮肉的分級。

2.1.2脂肪

脂肪是肉類工業監控肉質量的重要指標,不同種類肉的脂肪和脂肪酸含量不同,脂肪的含量直接影響肉的多汁性和嫩度。早期,利用近紅外反射光譜檢測蛋白質和脂肪的研究,為深入開展近紅外高光譜技術進行脂肪檢測研究奠定了基礎[24]。

文獻[25]利用波長為900～1700 nm的近紅外高光譜檢測豬肉中的脂肪含量,選取豬肉脂肪的特征波長。結合偏最小二乘法(partial least square method,PLS)建立預測模型,其預測集和建模集的確定系數(R2)分別為0.94和0.97,結果表明，結合高光譜成像技術和PLS對豬肉中的脂肪含量具有很好的預測性。

文獻[26]應用波長為1 000～2 300 nm的近紅外高光譜預測牛肉切片中的脂肪、飽和脂肪酸和不飽和脂肪酸含量,預測確定系數R2分別為0.90、0.87和0.89。

文獻[27]利用高光譜成像系統,選取927、937、990、1 047、1 134、1 211、1 275、1 382、1 645 nm特征波長,采用PLS對豬肉中的蛋白質和脂肪含量進行預測,得到的確定系數R2分別為0.88和0.95。

此外,高光譜成像技術也可用于測定肉中總飽和脂肪酸與不飽和脂肪酸的比例,預測肉中氨基酸含量以及檢測肉中的血紅素含量等。這些研究結果表明，應用高光譜成像技術可以無損地對肉中的化學組成成分進行預測。

近年高光譜技術在肉品組成成分定量分析結果見表1所列。

表1　高光譜成像技術對肉類組成成分的檢測

2.2肉類感官品質分析

2.2.1嫩度

嫩度直接反映著肉的質地,也是檢驗肉是否新鮮的一個重要指標。傳統新鮮度的評定方法耗時長、前處理復雜,人為因素影響較大,且無法滿足快速無損的要求,給嫩度檢測工作帶來一定的難度。文獻[39]應用可視近紅外漫反射高光譜測定牛肉的嫩度,以牛肉切片的剪切力作為判斷嫩度等級的指標;采用PCA提取感興趣區域的生牛肉圖像,并建立判別模型,其模型的分級準確率達到96.4%。

文獻[40]應用高光譜成像系統采集屠宰后14 d的472塊牛肉背長肌的圖像,通過PCA分析波長在922～1 739 nm處生牛肉的吸收光譜,建立線性判別模型,將牛肉嫩度分為2個等級:柔軟(SSF≤206 N)和堅硬(SSF≥206 N),分級準確率為75%,以此為基礎可建立預測牛肉口感的模型。另一方面,文獻[40]在此基礎上研究牛肉中脂肪含量與嫩度之間的關系,結果顯示牛肉脂肪含量對于預測牛肉嫩度的準確性沒有很大影響。

目前在高光譜成像技術檢測肉品嫩度的研究中,已有研究將光譜范圍擴展到可見光,綜合利用可見光與近紅外高光譜技術能夠實現肉類嫩度的快速無損檢測。

2.2.2色澤

色澤能直觀反應肉的品質,是是否符合消費者食用要求的客觀標準。最常釆用的檢測方法是CIE L*a*b*法,其中L*為亮度；a*為紅綠顏色；b*為藍黃顏色。

文獻[32]以火雞肉為研究對象,應用近紅外高光譜成像技術對火雞肉色澤進行建模預測,選取914、931、991、1 115、1 164、1 218、1 282、1 362、1 638 nm 9個最佳波長,采用PLS方法對火雞肉的色澤參數a*進行預測,該預測模型的確定系數R2可達到0.74,實現了高光譜成像系統對色澤的評價。

文獻[41]應用高光譜成像技術，結合MLR對牛肉色澤(L*、a*、b*)進行評價,將獲取的牛肉樣本的高光譜圖像經過洛倫茲函數擬合并選取特征光譜后,進行預測建模,對色澤參數L*、a*、b*的預測相關系數(Rcv)分別為0.96、0.96和0.97,有較好的預測性。

近年來,國內外學者利用高光譜成像技術對肉品嫩度、色澤進行分析,高光譜成像技術在肉品感官品質方面的檢測應用見表2所列。

表2　高光譜成像系統對肉類感官品質的檢測

2.3肉及肉制品的摻假物鑒別

經濟的快速發展導致市場上出現法律意識淡薄的經營者,為片面追求經濟利益將肉品進行摻假,這種摻假行為不僅危害市場經濟的正常發展,而且危害消費者的健康。另外,肉品成分復雜,且摻雜物質與原物質外觀組成或理化性質相接近,通常很難用一般的化學方法鑒別真偽,因此,快速有效地檢測肉品是否摻假是肉品行業的迫切需求。文獻[51]應用近紅外光譜成像技術檢測新鮮牛肉的摻假問題,新鮮牛肉和凍融牛肉經過簡單的絞碎成泥后,與豬肉、脂肪以及牛肉腎臟進行摻假,通過PLSR方法建立回歸模型來判斷牛肉的摻假程度,并利用線性判別分析(linear discriminant analysis,LDA)、偏最小二乘判別分析(partial least squares-discrimant analysis,PLS-DA)和非線性回歸法3種判別方法,對牛肉中摻入3種摻假物質進行區分,結果表明，3種判別分析法判別的準確率能達到100%,為光譜技術在肉品摻假方面的檢測奠定基礎。

近年來,利用高光譜成像技術檢測肉品摻假問題迅速發展,具體見表3所列。

表3　高光譜成像對肉類摻假的檢測

3結束語

高光譜成像技術由于其快速、安全、無損等優點已被廣泛應用于肉及肉制品檢測的各個領域中。該技術不僅可以檢測肉的化學組成成分和感官特性,而且為檢測摻假肉品提供了一種快速有效的手段。通過高光譜成像技術,肉類工業能更好地實現肉類行業的品質安全監控。但是高光譜成像技術也有其缺陷,通過高光譜成像技術獲得的數據,信息量大、數據處理繁瑣,且需要結合一些化學計量學的方法選取特征波長,如PLS、判別分析法等,這些方法均過于繁瑣,因此，開發迅速提取有效的高光譜數據的方法是一種迫切需求。進一步的研究方向是將高光譜成像系統進行簡化,降低原始數據量和檢測系統的成本,并應用推廣到市場,使高光譜技術能夠延伸到更寬廣的食品安全領域,從而切實保證消費者的食用安全。

[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.

[3]Mancini R A,Hunt M C.Current research in meat color[J].Meat Science，2005,71(1):100-121.

[4]Chen K,Qin C.Segmentation of beef marbling based on vision threshold[J].Computers and Electronics in Agriculture，2008,62(2):223-230.

[5]Andrés S,Silva A,Soares-Pereira A L,et al.The use of visible and near infrared reflectance spectroscopy to predict beef M.longissimus thoracis et lumborum quality attributes[J].Meat Science，2008,78(3):217-224.

[6]Otto G,Roehe R,Looft H,et al.Comparison of different methods for determination of drip loss and their relationships to meat quality and carcass characteristics in pigs[J].Meat Science,2004,68(3):401-409.

[7]Rosenvold K,Andersen H J.Factors of significance for pork quality:a review[J].Meat Science,2003,64(3):219-237.

[8]彭彥昆,張雷蕾.光譜技術在生鮮肉品質安全快速檢測的研究進展[J].食品安全質量檢測學報,2010,27(2):62-71.

[9]孔憲琴,黃素珍.肉品品質的無損檢測方法[J].肉類研究,2008(8):66-69.

[10]楊春梅,李寧,趙學玒,等.用于果蔬內部品質無損檢測的NIRS技術新進展[J].激光與紅外,2009,39(11):1137-1141.

[11]Du C J,Sun D W.Recent developments in the applications of image processing techniques for food quality evaluation[J].Trends in Food Science &Technology,2004,15(5):230-249.

[12]Sun D W.Computer vision technology for food quality evaluation[M].Academic Press,2008：Ⅲ.

[13]Wang S.Infrared spectroscopy for food quality analysis and control[J].Trends in Food Science &Technology,2010,21(1):52-53.

[14]洪添勝,李震,吳春胤,等.高光譜圖像技術在水果品質無損檢測中的應用[J].農業工程學報,2007,23(11):280-285.

[15]陳全勝,趙文杰,蔡健榮,等.利用高光譜圖像技術評判茶葉的質量等級[J].光學學報,2008,28(4):669-674.

[16]田有文,王曉娟.基于高光譜圖像技術的農產品品質無損檢測[J].農機化研究,2009(10):220-222,226.

[17]Lawrence K C,Windham W R,Park B,et al.Comparison between visible/NIR spectroscopy and hyperspectral imaging for detecting surface contaminants on poultry carcasses[C]//Proc SPIE5271,Monitoring Food Safety,Agriculture,and Plant Health,2004:35-42.

[18]Lorente D,Aleixos N,Gómez-Sanchis J,et al.Selection of optimal wavelength features for decay detection in citrus fruit using the ROC curve and neural networks[J].Food and Bioprocess Technology,2013,6(2):530-541.

[19]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.

[20]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.

[21]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.

[23]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.

[24]徐霞,成芳,應義斌.近紅外光譜技術在肉品檢測中的應用和研究進展[J].光譜學與光譜分析,2009,29(7):1876-1880.

[25]Liu L,Ngadi M O.Predicting intramuscular fat content of pork using hyperspectral imaging[J].Journal of Food Engineering,2014,134:16-23.

[26]Kobayashi K,Matsui Y,Maebuchi Y,et al.Near infrared spectroscopy and hyperspectral imaging for prediction and visualisation of fat and fatty acid content in intact raw beef cuts[J].Journal of Near Infrared Spectroscopy,2010,18(5):301-315.

[27]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(2/3):1162-1171.

[28]Liu D,Sun D W,Qu J,et al.Feasibility of using hyperspectral imaging to predict moisture content of porcine meat during salting process[J].Food Chemistry,2014,152:197-204.

[29]Pu H B,Sun D W,Ma J,et al.Hierarchical variable selection for predicting chemical constituents in lamb meats using hyperspectral imaging[J].Journal of Food Engineering,2014,143:44-52.

[30]Xiong Z,Sun D W,Xie A,et al.Potential of hyperspectral imaging for rapid prediction of hydroxyproline content in chicken meat[J].Food Chemistry,2015,175:417-422.

[31]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.

[32]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.

[33]Wu D,Wang S,Wang N,et al.Application of time series hyperspectral imaging(TS-HSI)for determining water distribution within beef and spectral kinetic analysis during dehydration[J].Food and Bioprocess Technology,2013,6(11):2943-2958.

[34]Liu D,Qu J,Sun D W,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 &Emerging Technologies,2013,20:316-323.

[35]ElMasry G,Sun D W,Allen P.Chemical-free assessment and mapping of major constituents in beef using hyperspectral imaging[J].Journal of Food Engineering,2013,117(2):235-246.

[36]Xiong Z J,Sun D W,Xie A G,et al.Quantitative determination of total pigments in red meats using hyperspectral imaging and multivariate analysis[J].Food Chemistry,2015,178:339-345.

[37]Qiao J,Wang N,Ngadi M O,et al.Prediction of drip-loss,pH,and color for pork using a hyperspectral imaging technique[J].Meat Science,2007,76(1):1-8.

[38]Xie A G,Sun D W,Xu Z Y,et al.Rapid detection of frozen pork quality without thawing by Vis-NIR hyperspectral imaging technique[J].Talanta,2015,139:208-215.

[39]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.

[40]Cluff K,Konda 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.

[41]Wu J,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(2):267-273.

[42]Tao F,Peng Y K.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.

[43]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.

[44]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.

[45]Wu D,Shi H,Wang S J,et al.Rapid prediction of moisture content of dehydrated prawns using online hyperspectral imaging system[J].Analytica Chimica Acta,2012,726:57-66.

[46]Tao F F,Peng Y K,Li Y Y,et al.Simultaneous determination of tenderness and Escherichia coli contamination of pork using hyperspectral scattering technique[J].Meat Science,2012,90(3):851-857.

[47]吳建虎,彭彥昆,江發潮,等.牛肉嫩度的高光譜法檢測技術[J].農業機械學報,2009,40(12):135-138,150.

[48]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(3):178-188.

[49]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(3):189-196.

[50]Liu D,Ma J,Sun D W,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.

[51]Morsy N,Sun D W.Robust linear and non-linear models of NIR spectroscopy for detection and quantification of adulterants in fresh and frozen-thawed minced beef[J].Meat Science,2013,93(2):292-302.

[52]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 and Bioprocess Technology,2015,8(5):1054-1062.

[53]Kamruzzaman M,Haque M E,Ali M R.Hyperspectral imaging technique for offal quantification in minced meat[J].Journal of the Bangladesh Agricultural University,2014,12(1):189-194.

[54]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 &Emerging Technologies,2012,16:316-325.

[55]Wu D,Shi H,He Y,et al.Potential of hyperspectral imaging and multivariate analysis for rapid and non-invasive detection of gelatin adulteration in prawn[J].Journal of Food Engineering,2013,119(3):680-686.

(責任編輯閆杏麗)

Application of hyperspectral imaging in evaluating quality and safety of meat

LIU Chang-hong，XIA Qing

(School of Biotechnology and Food Engineering,Hefei University of Technology,Hefei 230009,China)

Abstract:As a novel rapid and non-destructive analysis technique,hyperspectral imaging system has been applied into food evaluation.Hyperspectral imaging is a novel technology which integrates conventional imaging and spectroscopy and can acquire both spectral and spatial information from an object simultaneously.In this paper,the fundamentals of hyperspectral imaging system and its application in evaluating the quality and safety of meat are introduced,especially the analysis of the chemical composition of meat,the evaluation of sensory quality and the adulterant identification for meat and meat products.In view of the development trend of this technology,the prospects and the problems existing in the technology are also discussed for better application in this respect.

Key words:hyperspectral imaging technology;non-destructivity;rapidity;meat;evaluation

收稿日期：2015-01-12；修回日期：2015-03-19

基金項目：國家科技攻關計劃資助項目(2012BAD07B01);安徽省科技攻關計劃資助項目(2013AKKG0798)和高等學校博士學科點專項科研基金資助項目(JZ2014AJZR0113)

作者簡介：劉長虹(1982-),女,安徽黃山人,博士,合肥工業大學講師,碩士生導師.

doi:10.3969/j.issn.1003-5060.2016.04.024

中圖分類號:TP391.41

文獻標識碼：A

文章編號：1003-5060(2016)04-0554-06