基于三維生物散斑技術的牛肉質構特性預測

金 曼，董慶利*，劉寶林

（上海理工大學醫療器械與食品學院，上海 200093）

基于三維生物散斑技術的牛肉質構特性預測

金 曼，董慶利*，劉寶林

（上海理工大學醫療器械與食品學院，上海 200093）

三維成像技術能夠獲得樣品的空間信息，具有快速、方便、可實時的特點。為了縮短生物散斑技術的檢測時間，減小其應用的局限性，將三維成像技術引入到傳統生物散斑技術中，以期得到更好的預測效果。分別從兩個不同角度拍攝同一樣品的圖像信息，利用廣義差分法對圖像進行預處理，并運用灰度模板匹配法、小波變換法和對比度調制融合法對兩個角度的圖像進行匹配融合，以時間序列散斑圖灰度共生矩陣的參數對比度表示圖像的散斑活性，建立其對牛肉質構特性的預測模型。通過傳統相機標定法，獲得相機的內外參數，并利用相似三角形原理提取圖像的深度信息，對因物體擺放位置不同引起的誤差進行校正，使獲得的結果更加準確。結果表明，相似三角形原理可對樣品的深度信息進行校正。三維生物散斑技術能更好地對牛肉的硬度和咀嚼性進行預測，對3 種圖像融合方法進行比較可知，小波變換法的預測效果最好，對硬度和咀嚼性的預測相關系數分別可達到0.944 4和0.928 8。

生物散斑；三維成像；牛肉；質構特性

牛肉質構特性的傳統檢測法測定結果較為準確，但具有操作復雜、費時費力、對樣品具有破壞性等特點[1]，因此，包括計算機視覺、高光譜技術在內的一系列無損檢測方法受到了越來越多學者的關注[2-3]。生物散斑技術通過表征出不同樣本因細胞大小和組成的不同，對光能量的吸收和反射會產生不同的特點，實現對不同樣本特征參數的預測[4]。作為一種無損檢測技術具有設備簡單、成本低、快速、可實時的特點[5]。生物散斑技術已在許多領域得到了較多的應用[6]，但在傳統生物散斑對牛肉品質進行預測時，還存在圖像采集時間長、采集過程受樣品形狀及擺放位置限制等缺點，為了改進這些不足，將三維生物散斑技術引入到牛肉質構特性預測的研究中，利用雙目視覺技術獲得同一樣品不同角度的圖像，使獲得的圖像信息量增多，以期得到更好的結果。

三維生物散斑基于雙目立體視覺技術，這一技術由美國麻省理工學院Marr提出并使之得以運用[7]。利用雙目立體視覺技術模擬人類雙眼處理景物的方式，通過計算，從兩幅由不同角度拍攝的平面圖像中獲取其所包含的物體深度信息。這種技術簡單可靠，在許多領域發揮了較大的應用價值，如智能交通管理[8]、農業機器人[9]、考古[10]等。在農產品品質測定中具有不受擺放位置和拍攝角度等問題影響的優點[11]。在應用于生物散斑技術時，由于拍攝角度的增多，可從單幅圖像中獲得更多的信息，從而使測定時間有所縮短，并在圖像中提取樣品的深度信息，對樣品的散斑活性進行校正。

本實驗采用He-Ne激光器照射牛肉表面，通過工業相機從不同角度獲取同一場景牛肉圖像，采用廣義差分（generalized differences，GD）法對獲得的視頻進行處理得到樣品的GD圖像，通過提取GD圖像中的特征點對兩幅圖像進行匹配，研究不同質構特性牛肉的散斑匹配圖像，分析圖像的紋理特征，得到散斑活性對牛肉質構特性的預測模型，為基于三維激光散斑技術的牛肉測定方法提供理論依據。

1 材料與方法

1.1 材料與設備

屠宰于24 h內的冷鮮牛里脊肉購于上海市當地超市，用刀具切成5 cm×5 cm×6 cm大小的30 塊，用質量分數1%的乳酸溶液清洗消毒，并用保鮮袋獨立密封包裝，貯存于4 ℃冰箱中熟化。實驗過程中每48 h對冷鮮牛肉樣品進行觀測與拍照，直到牛肉質構特性趨于穩定，進行成像后的樣品移入－18 ℃條件下凍結并存放，用于后續測定。成像過程為用同一相機先后從不同角度對樣品進行拍攝，采集所需圖像。兩次圖像采集的角度為60°，實驗中工業相機采集圖像分辨率為640像素×486像素，圖像獲取速率為25幀/s，圖像采集時間為5 s，每次圖像采集重復3 次[12]。圖像拍攝裝置如圖1所示。

圖1 成像裝置系統實物圖Fig.1 Picture of imaging system

1.2 儀器與設備

DFM 72BUC02型工業相機 上海英誠圖像技術有限公司；HH600-2B型恒溫水浴鍋 上海比朗儀器有限公司；HLM 1845型激光發射器 廣東省深圳市鉑鐳公司；P428型便攜式計算機 韓國三星公司；食品中心溫度計 上海天壘儀器儀表有限公司；激光擴束鏡北京盛亞康科技有限公司；DZ-280/2 SE型真空包裝機天津市綠葉公司；TA. XT. Plus型物性測試儀 英國SMS公司。

1.3 方法

1.3.1 牛肉質構特性的測定

取進行圖像獲取時的樣品于塑料袋中在80 ℃水浴中加熱至中心溫度達到70 ℃后取出，冷卻至50 ℃，將每個熟肉樣品切成1.5 cm3大小的10～15 個小塊進行質構特性的測定，測定方法選用質構剖面分析（texture profile analysis，TPA）法[4]，選取指標包括硬度、彈性、黏聚性和咀嚼性。TPA測定參數為：測前速率2.0 mm/s，測中速率5.0 mm/s，測后速率10.0 mm/s，壓縮比50%，2 次壓縮間隔5.0 s，負載類型Auto-50g，探頭P50。

1.3.2 生物散斑圖像獲取及預處理

圖像的預處理采用GD法，通過關注同一樣品不同時間多幅圖像的變化，可以得到樣品表面的統計特征圖。通過樣品表面的統計特征圖反映出樣品不同部位活性的高低，活性越高的部分圖像越亮。具體計算公式見式（1）[14]：

式中：x表示圖像中某一確定位置的點；i、j表示不同時刻；GD為強度視頻中不同幀間的強度差的累計值。1.3.3 散斑活性的計算

應用美國MathWorks公司開發的Matlab R2 014a軟件對實驗所得視頻進行處理，記錄牛肉樣品的生物散斑圖像變化，使用轉動慣量法計算散斑活性，計算見公式（2）～（4）[15]：

式中：COM為時間序列散斑圖的灰度共生矩陣；i、j為像素的灰度值；Nij為像素i后面接著出現像素j的次數；Mij為Nij占i與j（j取1～j）所有像素組合出現次數的比例；IM為非零元素偏離主對角線的程度（散斑活性）。

1.3.4 生物散斑圖像的三維重建

1.3.4.1 相機的標定

相機的標定通過一系列的測量確定相機拍攝圖像的像素位置與實際空間位置之間的關系從而獲取相機的內外參數[16]，包括相機坐標、焦距、徑向畸變系數以及橫向畸變系數等內部參數以及旋轉矩陣、平移矩陣等外部參數。本研究采用傳統標定方法，使用的標定物為自制14格×14格的黑白格相間棋盤標定板，標定板中每個小正方形方格的邊長為30 mm。保持相機位置不變，從不同角度拍攝10 組標定圖像，標定算法在Matlab（R2014a）相機標定工具箱中進行。具體步驟如下：1）將攝像機所拍的不同位置標定板的圖像上傳至程序；2）手動選取出每幅圖像的標定標定，由程序計算自動獲取圖像的Harris角點；3）輸入標定板的各項參數，確定標定范圍；4）根據標定模型進行運算，得到各項參數；5）分析誤差，設定修訂值重新計算，得到最終參數值。

1.3.4.2 目標的檢測與圖像匹配

1）灰度模板匹配

模板匹配是指用一個較小的圖像，即模板與源圖像進行比較，以確定在源圖像中是否存在與該模板相同或相似的區域，若該區域存在，則確定其位置并提取該區域。從該位置開始將兩幅圖像融合，得到最后圖像。模板匹配程度通常誤差平方和D（x,y）來評價，D（x,y）達到最小時匹配程度最高。設f（x,y）為M×N的源圖像，h（j,k）為J×K的模板，則誤差平方和定義為：

2）對比度調制融合

對比度調制融合算法通過提取圖像中所包含的對比度信息，用以匹配另一幅圖像的灰度分布從而達到圖像融合的目的，應用Matlab中的contrastmodulate函數實現，對比的計算方法為中心像素灰度值與周圍近鄰像素灰度值之差的平方之和，乘以相應灰度差的分布概率。這種方法可以很好地兼顧清晰度和光滑度兩個方面[17]。

3）小波變換融合

對原始圖像進行N層小波分解，對各個分解層進行融合處理，對融合后的小波進行逆變換，得到融合圖像。根據需要，針對不同頻率分量、不同方向、不同分解層采用不同的融合規則進行融合處理，就可以充分利用圖像的互補和冗余信息來達到良好的融合效果。本研究通過wname函數對圖像進行5層分解，對應高頻和低頻融合規則分別為取最大值和最小值法。

1.3.4.3 深度信息的獲取及散斑活性的校正

通過相機標定，可獲得相機的一系列內外參數，通過轉換公式，可以獲取空間內任一點在左右相機坐標系下的坐標[18]：

式中：fx、fy為相機在x和y軸上的焦距；s為扭轉因子；（u0v0）為主點坐標；（uv）為某點在圖像上的坐標。

圖2 深度信息獲取原理圖Fig.2 Principle diagram of in-depth information acquisition

深度信息的獲取原理如圖2所示。圖中P為樣品上某一點，C1、C2為兩次成像時相機的位置，H為樣品上某點到相機的垂直距離，Z為兩次成像相機間距離。x,x’為空間內任一點在左右相機坐標系下的橫坐標，可通過式（6）計算而得，f為相機物鏡后節點到相片主點的垂直距離，即主距。

根據相似三角形原理，得到計算公式如下[19]：

1.4 數據處理與統計分析

研究中涉及的數據處理與統計分析在軟件WPS Off i ce 9.1.0.4984中進行。平均數均為算術平均數，標準差為標準偏差。方差分析運用最小顯著差異法（least significant difference，LSD）進行均值多重比較，在SPSS Statistic 17.0軟件中進行。

2 結果與分析

2.1 相機的標定

研究中采用傳統相機標定法對相機進行標定，使用尺寸已知的自制標定板（14格×14格的黑白格相間紙板，每小格邊長為30 mm)，從不同的角度（左60°、45°、30°，右60°、45°、30°，上60°、45°、30°，下60°、45°、30°）拍攝，共獲得12 幅圖像，在標定過程中手動選定圖像的標定范圍即黑白相間部分的外框，經過Matlab R2014a中的相機標定工具箱手動選取標定范圍可自動獲得整幅圖像的Harris角點。輸入標定板的格數及邊長。點擊標定按鈕，得到標定結果，分析誤差，當誤差在0.1～0.3之間即為標定成功，否則需設定修訂值重新計算，得到最終結果。

利用Matlab工具箱計算得：[fxfy]=[665.77 665.77]± [2.43 2.43]、（u0v0）=[319.50 239.50]±[0.00 0.00]、s=[0.000 4±0.001 9]，式中：扭轉因子s接近于零，說明此次標定較為成功，為下一步實驗中樣品深度信息的獲取奠定基礎。

2.2 圖像的匹配與融合

圖3 融合后的圖像Fig.3 Pictures after fusion

圖像的匹配與融合分別采用灰度模板匹配、小波變換和對比度調制融合法，兩次拍攝分別使用15 幀圖像進行融合后得到其中一個樣品的圖像如圖3所示。通過對3 種方法所得圖像進行分析，可知，灰度模板匹配法得到的圖像散斑活性值在100以內，小波變換法為100～300之間，而對比度調制融合法所獲得的圖像散斑活性值最高，均在400以上。此外，因為灰度模板匹配法與對比度調制融合法在計算過程中均需將圖像轉換為灰度圖，因此僅能得到黑白圖像，只有小波變換法所得圖像為彩色。因此，僅從散斑活性值的高低來選取融合方法較為不科學，需在預測過程中進一步比較選擇。

2.3 深度信息的獲取及散斑活性的校正

通過相機標定獲得相應參數，應用相似三角形原理獲得樣品的深度信息，如表1所示。

表1 樣品的深度信息Table1 In-depth information of the samples

通過進行預實驗在距離樣品不同位置獲得樣品的圖像，分析圖像的散斑活性，得到二者之間的相關關系，從而建立散斑活性與樣品深度之間的關系式如下：

式中：x為樣品與相機間的距離；Y為樣品的散斑活性。

應用式（8）可對距離相機不同距離樣品的散斑活性進行校正，減少因樣品擺放位置的不同產生的誤差，使預測結果更接近實際情況。

2.4 牛肉質構特性的測定結果注：數值表示形式為

表2 牛肉質構特性機械測定結果Table2 Results of instrumental measurements of beef texture

由TPA法對牛肉的質構特性進行測定，結果如表2所示，不同處理樣品間硬度、咀嚼性兩個指標差異顯著（P＜0.05），且呈下降趨勢，這一結果與楊啟元等[20]的研究相似，可能與牛肉在熟化過程中發生的物理化學變化有關[21]。同時，不同樣品間的黏聚性與彈性變化較不明顯，未呈現出明顯的趨勢，可能與樣品本身差異較小有關。因此在建立牛肉質構特性預測模型時，只對硬度及咀嚼性兩個指標進行分析。

2.5 牛肉質構特性預測模型的建立

通過對30 塊牛里脊肉的散斑活性與質構特性進行分析，建立了散斑活性對硬度和咀嚼性的預測模型如圖4～5。由圖4可知，三維生物散斑技術對兩種指標的預測均呈現較好的結果（硬度R2=0.832，咀嚼性R2=0.768）。其中，應用小波變換融合法獲得的圖像預測效果最好（硬度R2=0.944 4，咀嚼性R2=0.928 8），灰度模板匹配法、對比度調制融合法的預測相關系數略低于小波變換融合法。對比度調制融合法獲得的圖像對比度最高，預測效果卻略遜于小波變化法，可能是因為圖像過于細致，使其所獲得的信息包含過多噪聲，從而影響預測結果。

圖4 散斑活性對硬度的預測曲線Fig.4 Predictive curves of speckle activity for hardness

圖5 散斑活性對咀嚼性的預測曲線Fig.5 Predictive curves of speckle activity for chewiness

3 討 論

3.1 圖像融合方法的選擇

在對所獲圖像進行融合時，選擇了灰度模板匹配法、對比度調制融合法和小波變換融合法。灰度模板匹配法通過搜索模板與圖像之間的相似位置，并計算二者灰度相似程度實現對圖像的匹配，已在目標識別[22]、工業檢測[23]等多個領域得到應用。灰度模板匹配法是圖像模式匹配的經典方法之一，但這種方法對圖像采集時的光線變化、圖像中的噪聲和圖像的失真等因素較為敏感[24]。對比度調制融合法則根據包含細節信息較多的圖像來進行調制，過程簡單是一種較為實用的技術，常用于要求不高的情況。小波變換法通過將兩圖像互補性信息結合起來產生新圖像，在醫學、遙感等領域取應用廣泛[25]，但其對高頻分量鄰域特征的細致性則考慮不足。3 種方法各有優缺點，通過對3 種融合方法得到的圖像均可較好的對牛肉的質構特性進行預測，而小波變換法的預測效果最好，對硬度和咀嚼性的預測相關系數分別達到0.944 4和0.928 8。

3.2 三維生物散斑與傳統生物z散斑技術的比較

研究中針對傳統生物散斑技術具有圖像采集時間長，對光線及其他因素敏感，易受樣品擺放位置及樣品形狀的影響等缺點，對其進行了改進。由于三維生物散斑技術從兩個不同的角度對樣品進行成像，獲得的樣品信息會更加豐富[26]，也可通過雙目視覺原理，獲得樣品的深度信息[27]，降低樣品擺放位置和形狀因素對結果的影響。結果表明，當三維生物散斑技術采集圖像數為15 幀時獲得的圖像對牛肉質構特性的預測效果不亞于董慶利等[12]運用傳統生物散斑技術獲得15 s圖像的預測效果，使圖像采集時間大大縮短。此外，通過對樣品深度信息的獲取，可對樣品因擺放位置差異造成的誤差進行校正，一定程度上克服了計算機視覺技術對樣品一致性要求嚴格的缺陷。

通過三維生物散斑技術，可獲得樣品更全面的信息，使圖像采集時間大大縮短，并可對樣品的深度進行校正，減少外在條件對成像的干擾，從而提高其對牛肉品質的預測效果。灰度模板匹配法、小波變換融合、對比度調制融合法都可較好地對牛肉的硬度及咀嚼性進行預測，其中小波變換融合法的預測效果最佳，對硬度的預測相關系數為0.944 4，對咀嚼性的預測相關系數達到0.928 8。

[1] JACKMAN P, SUN D W, ALLEN P. Recent advances in the use of computer vision technology in the quality assessment of fresh meats[J]. Food Science & Technology, 2011, 22(4)： 185-197. DOI：10.1016/ j.tifs.2011.01.008.

[2] CHANDRARATNE M R, SAMARASINGHE S, KULASIRI D, et al. Prediction of lamb tenderness using image surface texture features[J]. Journal of Food Engineering, 2006, 77(3)： 492-499. DOI：10.1016/ j.jfoodeng.2005.06.063.

[3] XIONG Zhenjie, SUN Dawen, ZENG Xinan, 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： 1-13. DOI：10.1016/j.jfoodeng.2014.02.004.

[4] ROMERO G G, MARTINEZ C C, ALANI’S E E, et al. Biospeckle activity applied to the assessment of tomato fruit ripening[J]. Biosystems Engineering, 2009, 103(1)： 116-119. DOI：10.1016/ j.biosystemseng.2009.02.001.

[5] 董慶利, 金曼, 胡孟晗, 等. 牛肉激光動態散斑活性影響因素的研究[J]. 農業機械學報, 2016, 47(2)： 288-294. DOI：10.6041/ j.issn.1000-1298.2016.02.038.

[6] CARDOSO R R, BRAGA R A. Enhancement of the robustness on dynamic speckle laser numerical analysis[J]. Optics and Lasers in Engineering, 2014, 63： 19-24. DOI：10.1016/j.optlaseng.2014.06.004.

[7] 曹之樂, 嚴中紅, 王洪. 雙目立體視覺匹配技術綜述[J]. 重慶理工大學學報, 2015, 29(2)： 70-76. DOI：10.3969/j.issn.1674-8425(z).2015.02.014.

[8] YAO Jinli, CI Yanke. The research of virtual reality technology based on city intelligent transport[C]//Cambridge： 2015 10th International Conference on Computer Science & Education, 2015： 1-6. DOI：10.1109/ICCSE.2015.7250391.

[9] FENG Qingchun, CHENG Wei, ZHOU Jianjun, et al. Design of structured-light vision system for tomato harvesting robot[J]. International Journal of Agricultural and Biological Engineering, 2014, 7(2)： 19-26. DOI：10.3965/j.ijabe.20140702.003.

[10] BRUNO F, BRUNO S, de SENSI G, et al. From 3D reconstruction to virtual reality： a complete methodology for digital archaeological exhibition[J]. Journal of Cultural Heritage, 2010, 11(1)： 42-49. DOI：10.1016/j.culher.2009.02.006.

[11] 任興超, 鄭麗敏, 任發政, 等. 三維重建在豬胴體體型特征提取中的應用[J]. 肉類研究, 2013, 27(10)： 1-5.

[12] 董慶利, 金曼, 胡孟晗, 等. 基于生物散斑技術的不同部位牛肉質構特性預測模型改進[J]. 農業機械學報, 2016, 47(4)： 209-215. DOI：10.6041/j.issn.1000-1298.2016.04.028.

[13] 朱丹實, 李慧, 曹雪慧, 等. 質構儀器分析在生鮮食品品質評價中的研究進展[J]. 食品科學, 2014, 35(7)： 264-270. DOI：10.7506/ spkx1002-6630-201407052.

[14] MINZ P D, NIRALA A K. Bio-activity assessment of fruits using generalized difference and parameterized Fujii method[J]. Optik, 2014, 125(1)： 314-317. DOI：10.1016/j.ijleo.2013.06.061.

[15] ARIZAGA R, TRIVI M, RABAL H. Speckle time evolution characterization by the co-occurrence matrix analysis[J]. Optics and Laser Technology, 1999, 31(2)： 163-169. DOI：10.1016/S0030-3992(99)00033-X.

[16] 王平, 韓燮, 韓焱, 等. 基于雙目視覺技術的物體深度信息的提取[J]. 科學技術與工程, 2014, 14(2)： 56-61. DOI：10.3969/ j.issn.1671-1815.2014.02.013.

[17] 陳艷海. 基于Harris特征點和對比度調制的圖像拼接算法[J]. 中國科技信息, 2011(12)： 76-78. DOI：10.3969/j.issn.1001-8972.2011.12.044.

[18] TANG Wusheng, TIAN Lihong, ZHAO Xilu. Research on displacement measurement of disk vibration based on machine vision technique[J]. International Journal for Light and Electron Optics, 2016, 127(8)： 4173-4177. DOI：10.1016/j.ijleo.2016.01.019.

[19] 李玉良. 基于立體視覺的遮擋柑橘識別與空間匹配研究[D]. 鎮江：江蘇大學, 2007： 1-10.

[20] 楊啟元, 施遠翔, 張曉紅, 等. 新鮮牛肉貯藏時間和系水力對其嫩度變化的相關性分析[J]. 新疆畜牧業, 2010(7)： 11-14. DOI：10.3969/ j.issn.1003-4889.2010.07.005.

[21] VITALE M, PéREZ-JUAN M, LLORET E, et al. Effect of aging time in vacuum on tenderness, and color and lipid stability of beef from mature cows during display in high oxygen atmosphere package[J]. Meat Science, 2014, 96(1)： 270-277. DOI：10.1016/ j.meatsci.2013.07.027.

[22] HSU R L, MOHAMED A M, JAIN A K. Face detection in color images[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(5)： 696-706. DOI：10.1109/34.1000242.

[23] 譚剛, 董祥龍, 徐繼, 等. 基于機器視覺的玻璃瓶表面缺陷檢測[J].上海工程技術大學學報, 2009, 23(2)： 111-114.

[24] 張建華. 基于灰度的模板匹配算法研究[D]. 呼和浩特： 內蒙古農業大學, 2013： 1-8.

[25] WANG W X, WANG F P, HUANG X J, et al. Rock fracture image acquisition using two kinds of lighting and fusion on a wavelet transform[J]. Bulletin of Engineering Geology and the Environment, 2016, 75(1)： 311-324. DOI：10.1007/s10064-015-0747-4.

[26] LIU W, DING L C, ZHAO K, et al. Precise Positioning method for multi-process connecting based on binocular vision[C]// Xiamen： Seventh International Symposium on Precision Mechanical Measurements, 2012： 1.

[27] KAWAKAMI T, DATE M, SASAI M, et al. Optical linear blending of viewing zones using convolution of iris for smooth motion parallax autostereoscopic 3D display[J]. Journal of Display Technology, 2016, 12(2)： 143-152. DOI：10.1109/JDT.2015.2471097.

Prediction of Beef Texture Based on Three-Dimensional Biospeckle

JIN Man, DONG Qingli*, LIU Baolin
(School of Medical Instrument and Food Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China)

Three-dimensional imaging technology is a low-cost, portable and online screening tool for optical non-destructive testing, which allows the obtainment of the space information of samples. Three-dimensional biospeckle was applied in the prediction of beef texture to minimize the detection time and reduce the limitations of its application. The images of samples were acquired at two different angles, pre-proccessed by generalized difference (GD), and fused by gray template matching, wavelet transform, and contrast modulation fusion separately. A temporal history of speckle patterns viz. inertia moment was used as the speckle activity to establish a prediction model for beef texture. The traditional camera calibration method was used and the internal and external parameters of the camera were established. In-depth information from the images was extracted based on the similar triangle principle. The results showed that three-dimensional biospeckle could enable better prediction of beef texture. Among three image fusion methods, wavelet transform provided the best prediction performance, with correlation coeff i cients of 0.944 4 and 0.928 8 for the prediction of hardness and chewiness, respectively.

biospeckle; three-dimensional imaging technology; beef; texture characteristics

10.7506/spkx1002-6630-201703005

TS251.52

A

1002-6630（2017）03-0026-06

金曼, 董慶利, 劉寶林. 基于三維生物散斑技術的牛肉質構特性預測[J]. 食品科學, 2017, 38(3)： 26-31. DOI：10.7506/ spkx1002-6630-201703005. http：//www.spkx.net.cn

JIN Man, DONG Qingli, LIU Baolin. Prediction of beef texture based on three-dimensional biospeckle[J]. Food Science, 2017, 38(3)： 26-31. (in Chinese with English abstract)

10.7506/spkx1002-6630-201703005. http：//www.spkx.net.cn

2016-03-31

“十二五”國家科技支撐計劃項目（2015BAK36B04）；國家自然科學基金面上項目（31271896）；上海市科委2015年長三角科技聯合攻關領域項目（15395810900）

金曼（1990—），女，碩士，研究方向為農產品無損檢測。E-mail：jinmanjm@126.com

*通信作者：董慶利（1979—），男，教授，博士，研究方向為畜產品安全和質量控制。E-mail：dongqingli@126.com