高光譜成像技術在肉品品質評價中的應用

劉 海，鄭福平*，熊振海*，劉 源,*

（1.上海海洋大學食品學院，上海 201306；2.北京工商大學 食品質量與安全北京實驗室，北京 100048；3.北京工商大學 北京食品營養與人類健康高精尖創新中心，北京 100048）

肉品是人們獲取動物蛋白的主要來源。隨著生活水平的提高，人們越來越多地關注肉品營養品質和質量安全等問題。目前時有以假亂真、以次充好的現象發生，破壞了公平的競爭環境，損害了消費者的健康，因此實現快速無損檢測肉品品質及確定安全指標尤為重要。

廣義上講，肉品分為家畜、家禽和水產動物肉[1]。傳統的肉品品質檢測方法常采用化學方法，所需試劑多且操作繁瑣。傳統光譜技術由于操作簡單、快速、準確等特點而被用于食品的快速檢測中，如中紅外光譜應用于魚肉制品的鑒別檢測[2]，熒光光譜結合色譜法對肉制品中蛋白質羰基化合物進行研究[3]以及拉曼光譜法應用于食品中農藥殘留分析[4]等。但是，這些傳統光譜技術只能分析組分含量信息，無法獲取樣品品質安全信息的空間分布；成像技術可提供樣品的空間信息，但無法精準地獲取食品的化學組分信息。高光譜成像技術具有光譜技術和成像技術的優點，能夠同時捕獲食品的空間信息和光譜信息，達到“圖譜合一”。

近年來，高光譜成像技術在食品檢測[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的基本原理、高光譜譜圖分析程序及其在肉品中應用的研究進展，并展望了高光譜成像技術在肉品中的發展趨勢，以期為肉品快速檢測方法的研究提供參考。

1 高光譜成像技術

1.1 高光譜成像系統

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

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

高光譜成像技術數據采集方式主要包括點掃描、線掃描、面掃描。點掃描主要捕獲單個像素點的光譜，常用于微觀對象的檢測；線掃描又稱為推掃式，主要用于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，而且在檢測時需要光譜檢測器和待測樣品產生位移差，因此該數據采集方法能較好地應用于傳送帶系統；面掃描主要是獲取樣品在單個波長下完整的空間圖像[12]。

1.2 高光譜成像技術的基本原理

如圖1所示，當光源照射到待測樣品表面，由于食品中所含化學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準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數百個連續光譜波段組成，其圖像又稱超立方，可通過反射、透射和漫反射來獲取，該圖像是一個三維的數據矩陣（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]。光譜數據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RGB色澤的差異能較為直觀地觀測被檢對象的整體分布信息；光譜空間表示了被檢物質在不同波長下的響應情況；特征空間為光譜指紋圖譜技術奠定了理論依據，且該特征空間能較好地應用于模式識別[12,15]。

1.3 高光譜成像技術的定性定量判別

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

高光譜成像技術定性定量判別的一般流程如圖3所示。由于高光譜數據冗余，需要應用統計學方法進行定性定量分析。其中定性分析中主要有監督分類與非監督分類、參數分類與非參數分類、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網絡（artificial neural networks，ANN）、支持向量機（support vector machine，SVM）等[16]。

高光譜成像技術應用于肉品定量模型預測研究，需要對采集完樣品的原始光譜信息進行黑白校正，由于高光譜相鄰譜帶之間存在較強的相關性，利用全波段進行多變量建模預測比較耗時，且效果不穩定，因此需要進行特征波段的選擇[17-18]。特征波段的選擇方法較多，如相關系數波段選擇法、顯變分析波段選擇法，這兩種方法能簡便地提取特征波段，但缺乏對數據多重共線性判別的能力，導致模型預測性能較差；而間隔PLS可消除多重共線性的影響，因為該方法是將PLS回歸模型最終的預測結果作為衡量波段選擇的標準；模擬退火法選擇特征波段，是將預測模型自身的預測能力作為衡量標準，忽略了校正模型的穩健性，因此，當外界環境改變時，模型預測結果的重現性較差；此外還有連續投影法（successive projections algorithm，SPA）、主成分分析法（principal component analysis，PCA）等一系列方法應用于特征波段的選取[19-21]。因此，在進行定性定量模型判別時要綜合考慮這些方法的優缺點及適用性，從而使得模型穩健性和預測精確度達到最佳。

2 高光譜成像技術在肉品品質評價方面的研究進展

目前高光譜成像技術在肉品檢測方面已有較多研究，肉品品質包括營養品質、食用品質、技術品質或加工品質、安全品質或衛生品質[22]。表1就高光譜成像技術在肉品品質方面的研究應用進行了總結。

表1 高光譜成像技術應用于肉品品質評價Table 1 Application of hyperspectral imaging technique in meat quality evaluation

續表1

2.1 高光譜成像技術應用于肉品營養成分分析

2.1.1 水分含量的測定

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

對不同加工方式下肉品含水量的測定也有相關研究。Ma Ji等[23]利用高光譜成像技術對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）下對水分含量進行了預測研究。建立的PLSR模型對豬背最長肌含水率檢測具有較好的效果，模型精確度達95%，預測均方根誤差（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；研究結果表明，采用反射光譜-多元線性回歸模型的預測相關系數達91.7%，預測均方誤差為1.48%。Iqbal等[31]利用近紅外高光譜技術（900～1 700 nm）研究不同等級火腿烹飪后中的水分含量，精確度達88%。對水產類肉品的水分研究也有相關研究，如Wu Di等[34]利用高光譜成像技術（380～1 100 nm）對不同脫水程度的蝦進行水分含量檢測，建立PLSR模型，利用LS-SVM進行模型校正，模型預測效果達98%，研究表明高光譜成像技術可對蝦含水量進行快速無損檢測。

2.1.2 蛋白質含量的測定

從物質結構上看，蛋白質是構成生物的基本骨架，且生化反應中絕大多數酶都是蛋白質。從營養風味指標上看，蛋白質發生水解后的多肽或氨基酸可呈現出特征性的食品風味。Jurado等[72]研究了伊比利亞火腿在成熟過程中氨基酸相對揮發性組分的含量。研究結果表明在干燥階段120～230 d內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性物質含量正相關。部分氨基酸除了有特殊風味外，還具有標識作用，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對雞肉中羥脯氨酸含量進行了檢測。實驗總樣本數為160，預測集樣本量為46，交叉驗證樣本量為114，建立PLSR模型；結果表明預測相關系數為87.4%，RMSEP為0.049。Talens等[7]利用高光譜成像技術對西班牙熟火腿進行了蛋白質定量測定研究；實驗總樣本量為126，通過提取感興趣區域及閾值法選取10 個特征波段，建立的PLS預測模型精度達85%。

又如上世紀60年代樂善秦腔現代戲《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，體現了李奶奶的革命氣節。

2.1.3 脂肪含量與分布的測定

脂肪是動植物體中的油性物質，是生物體的組成部分和儲能物質，在食品加工過程中常賦予食品特殊的風味。已有報道借助高光譜成像技術研究肉品中脂肪的含量及其分布，如李學富[21]應用近紅外高光譜技術對羊肉脂肪含量的研究，分析比較了BP神經網絡（back propagation artificial neural networks）和PLS模型預測的精度；研究表明PLS預測模型效果要好，預測相關系數達95%，預測標準偏差0.40。Zhu Fengle[35]、Liu Li[38]等應用高光譜成像技術對鮭魚和豬肉的脂肪空間分布進行了研究，建立PLSR模型，該模型的預測相關系數達92%。Lohumi等[25]利用高光譜成像技術預測牛肉的脂肪分布，比較了光譜相似測量和方差分析提取特征波段的優劣；研究結果表明光譜相似測量分析方法較優，且預測模型精確度達95%。

2.2 高光譜成像技術應用于評價肉品的食用品質

2.2.1 嫩度的測定

肉的嫩度稱為肉的柔軟性，指肉在食用時口感的老嫩，反映肉的質地，且肉的嫩度與肉的彈性相對應，是硬度的倒數[1]。涂冬成[74]利用激光誘導熒光光譜對禽肉（雞、鴨、鵝）彈性和嫩度指標進行了研究（350～1 800 nm），通過對光譜圖采用歸一化處理后，在特征波長處（460～999 nm）結合PLS建立了激光誘導熒光光譜與禽肉彈性和嫩度之間的校正和預測模型；研究結果表明利用激光誘導熒光光譜技術對雞、鵝嫩度檢測具有明顯的效果，預測精度分別達88.9%和82.9%，對鴨肉檢測效果不佳，僅為54.1%。后期涂冬成[74]采用熒光高光譜技術，在400～1 000 nm波長處對鴨肉嫩度進行研究，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86.1%。趙娟等[40]應用高光譜紋理特征對牛肉嫩度分布進行了研究，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測判別精度達94.44%。Elmasry等[42]利用高光譜成像技術（900～1 700 nm）對牛肉嫩度進行了研究。利用PLSR建立模型，嫩度檢測系數為0.83，交叉驗證結果系數（root mean square error of validation，RMSEV）為40.75。研究結果表明高光譜技術對于牛肉品質的無損檢測具有潛在價值。

2.2.2 色澤的測定

肉品色澤是消費者對肉品質量的第一印象，也是對其進行評價的主要依據[1]。根據國際照明標準委員會中色空間指標（L*、a*、b*）說明，L*表示顏色的明度，a*代表紅綠值，b*代表黃藍值，因此，可依據色澤指標檢驗來表征食品物料的信息。Elmasry等[42]利用近紅外高光譜技術（900～1 700 nm）對新鮮牛肉色澤進行了研究，通過建立PLS模型檢測色澤指標L*、b*的預測相關系數分別為88%、81%，RMSEP分別為1.21、0.57。Kamruzzaman等[46]應用高光譜成像技術（400～1 000 nm）對紅肉（牛肉、羊肉、豬肉）進行了色澤無損檢測研究，建立的MLR模型對牛肉、羊肉、豬肉的色澤（L*、a*、b*）預測精度分別為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對鮭魚色澤進行了研究，研究結果表明采用的SPA及其MLR可用于鮭魚色澤的快速無損檢測，模型整體精度最高可達87%。

2.2.3 新鮮度的測定

2.3 高光譜成像技術應用于肉品安全指標檢測

2.3.1 微生物測定

食品的腐敗變質與食品自身或貯藏環境中微生物含量有較大的關系，其中，微生物將食品作為自身繁殖的養料，不僅使食品營養成分減少，且降解產物會影響食品的食用品質。王偉等[60]利用高光譜成像技術對豬肉表面微生物含量進行了研究，通過結合標準平板菌落計數法比較分析了PLS、ANN和PL-SVM的精確度，研究結果表明PL-SVM最優，預測模型精確達94.26%。Tao Feifei[61]、宋育霖[62]等利用可見近紅外高光譜技術（400～1 100 nm）研究豬肉被大腸桿菌污染的情況，通過對Gompertz函數進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90%。Barbin等[77]利用線掃式高光譜技術（900～1 700 nm）對新鮮豬肉表面微生物菌落數進行了研究，結合平板菌落計數法測定新鮮豬肉在0 ℃和4 ℃貯藏21 d時的微生物菌落數，PLS模型分析表明實驗精確度可達到86%。

2.3.2 摻假測定

肉品中的摻假問題主要發生在肉糜類制品。如國外已有研究者利用高光譜成像技術對摻加雞肉和羊肉的牛肉餡制品進行檢測，分別對不同添加量梯度進行檢測分析，利用PLSR建立預測模型[64,78]，模型預測精確度高達96%。白亞斌等[79]利用高光譜儀（400～1 000 nm）對牛肉-豬肉進行了摻假檢測，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據，建立的PLS模型預測精度達98%。

2.4 高光譜成像技術應用于肉品其他指標測定

高光譜成像技術除了應用于肉品營養、品質、安全等檢測外，還在肉品保藏時間及凍融次數等方面有較多的研究應用。如章海亮等[66]利用高光譜成像技術對新鮮多寶魚與凍藏多寶魚進行了鑒別，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，將譜圖感興趣區域與競爭性自適應重加權算法相結合，利用PCA、灰度共生矩陣紋理特征與光譜特征建立LS-SVM區分模型，預測模型的精度達98%。Zhu Fengle等[67]利用高光譜技術對新鮮多寶魚與在不同凍藏溫度（-20、-70 ℃）下保藏的多寶魚進行了鑒別；選取魚肉光譜圖中心位置為感興趣區域，結合PCA和灰度共生矩陣分析提取36 個特征變量，建立的PL-SVM判別模型精度達97.22%。

3 結 語

高光譜成像技術目前主要應用于研究肉制品的營養成分（水分、蛋白質、脂肪等）含量、食用品質（色澤、嫩度、新鮮度等）的快速無損檢測，初步證明了高光譜成像技術應用于肉品檢測的可行性。但檢測的精確度、檢測限以及重現性等問題尚需要進一步的研究和探討，對于肉品中理化值的測定，高光譜成像技術需結合多種化學計量學方法進行探討。高光譜成像技術數據采集受光強、移動速率、鏡頭高度以及外界因素等影響較大，導致實驗結果重現性較差；高光譜數據冗余，需提取最佳的特征波長進行分析，且建立定量預測模型需要有龐大的樣本量、需要檢測指標值存在一定的跨度。目前研究中對于肉品安全指標檢測針對非法添加物的研究相對較少。因此，以高光譜成像技術為主、其他技術手段為輔獲得樣品最優的信息，從而構建最佳的判別或定量模型，可使高光譜成像技術從應用于實驗室研究擴展至實際生產檢測。

[1] 周光宏, 羅欣, 徐幸蓮, 等. 肉品加工學[M]. 北京: 中國農業出版社,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. 運用近紅外高光譜成像技術檢測羊肉脂肪及蛋白質含量[J]. 吉林農業, 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. 金華火腿品質檢測技術與分級方法研究[D]. 杭州: 浙江大學,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的冷鮮豬肉品質無損檢測方法研究[D].武漢: 華中農業大學, 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方法[D]. 南京: 南京林業大學, 2014: 65-72.

[21] 李學富. 應用近紅外高光譜成像技術檢測羊肉脂肪和蛋白質含量[D].銀川: 寧夏大學, 2013: 27-36. DOI:10.7666/d.Y2386217.

[22] 周光宏, 李春保, 徐幸蓮. 肉類食用品質評價方法研究進展[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]. 農業工程學報, 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的生鮮豬肉含水率無損檢測[J]. 農業機械學報, 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. 應用近紅外高光譜成像預測三文魚肉的水分含量[J]. 光譜學與光譜分析, 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. 應用可見/近紅外高光譜成像測定鮭魚片脂肪含量分布[J]. 農業工程學報, 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價[J]. 農業工程學報, 2015, 31(7): 279-286. DOI:10.3969/j.issn.1002-6819.2015.07.039.

[41] 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.

[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的豬肉嫩度檢測研究[J]. 光學學報, 2010, 30(9): 2602-2607.

[45] 朱榮光, 姚雪東, 高廣娣, 等. 不同儲存時間和取樣部位牛肉顏色的高光譜圖像檢測[J]. 農業機械學報, 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] 許衛東, 朱榮光, 段宏偉, 等. 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的豬肉新鮮度評價[J]. 農業工程學報, 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. 高光譜成像技術檢測肴肉新鮮度[J]. 食品科學, 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菌總數預測建模方法研究[J]. 中國調味品, 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菌總數預測建模方法研究[J]. 光譜學與光譜分析, 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. 生鮮豬肉細菌總數的高光譜特征參數研究[J]. 食品安全質量檢測學報, 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間及凍融次數鑒別[J]. 農業工程學報, 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羊肉表面污染無損檢測[J]. 食品與機械, 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熒光無損檢測技術研究[D]. 南昌: 江西農業大學, 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的蝦仁新鮮度檢測研究[D]. 廣州: 華南理工大學, 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. 基于高光譜技術的牛肉-豬肉摻假檢測[J]. 海南師范大學學報(自然科學版), 2015, 28(3): 270-273.DOI:10.3969/1674-4942.2014.03.009.