肉品是人们获取动物蛋白的主要来源。随着生活水平的提高，人们越来越多地关注肉品营养品质和质量安全等问题。目前时有以假乱真、以次充好的现象发生，破坏了公平的竞争环境，损害了消费者的健康，因此实现快速无损检测肉品品质及确定安全指标尤为重要。
广义上讲，肉品分为家畜、家禽和水产动物肉[1]。传统的肉品品质检测方法常采用化学方法，所需试剂多且操作繁琐。传统光谱技术由于操作简单、快速、准确等特点而被用于食品的快速检测中，如中红外光谱应用于鱼肉制品的鉴别检测[2]，荧光光谱结合色谱法对肉制品中蛋白质羰基化合物进行研究[3]以及拉曼光谱法应用于食品中农药残留分析[4]等。但是，这些传统光谱技术只能分析组分含量信息，无法获取样品品质安全信息的空间分布；成像技术可提供样品的空间信息，但无法精准地获取食品的化学组分信息。高光谱成像技术具有光谱技术和成像技术的优点，能够同时捕获食品的空间信息和光谱信息，达到“图谱合一”。
近年来，高光谱成像技术在食品检测[5-7]、鉴别[8-10]等方面的研究日益广泛。本文主要介绍了高光谱成像技术的基本原理、高光谱谱图分析程序及其在肉品中应用的研究进展，并展望了高光谱成像技术在肉品中的发展趋势，以期为肉品快速检测方法的研究提供参考。
1 高光谱成像技术
1.1 高光谱成像系统
高光谱成像技术的光谱波段覆盖了可见光、近红外、中红外、远红外以及热红外等区域的全部连续的光谱带。其中可见近红外（visible near infrared，VNIR）和近红外波段（near infrared，NIR）在肉品应用研究中较为广泛（表1）。高光谱成像系统主要由光源、光谱仪、镜头、高分辨率相机和电荷耦合探测器（charge-coupled device，CCD）等组成（图1）[11]。
图1 高光谱成像系统[11]
Fig. 1 Hyperspectral imaging system[11]
高光谱成像技术数据采集方式主要包括点扫描、线扫描、面扫描。点扫描主要捕获单个像素点的光谱，常用于微观对象的检测；线扫描又称为推扫式，主要用于获取样品在对应条状空间中每个像素在各个波长下的图像信息，而且在检测时需要光谱检测器和待测样品产生位移差，因此该数据采集方法能较好地应用于传送带系统；面扫描主要是获取样品在单个波长下完整的空间图像[12]。
1.2 高光谱成像技术的基本原理
如图1所示，当光源照射到待测样品表面，由于食品中所含化学成分及物理特性存在差异，在特定波长下有不同的反射比、分散度以及电磁能等。待检样品的辐射能通过镜头聚集并由狭缝增强准直照射到分光原件上，最终在垂直方向上按光谱分散并成像于图像传感器上，即得到待测样品的高光谱图（图2）[13]。
图2 高光谱谱图[13]
Fig. 2 Spectral imaging diagrams[13]
高光谱图像是由非常窄的多达数百个连续光谱波段组成，其图像又称超立方，可通过反射、透射和漫反射来获取，该图像是一个三维的数据矩阵（X，Y，λ），其中（X，Y）代表的是二维的空间维度，（λ）代表的是一维的光谱维度。从一维维度（λ）上看，高光谱图像是一张张二维（X，Y）图像（图2A），而从二维（X，Y）上看，高光谱图像是一条条光谱谱线（图2B）[14]。光谱数据所携带的信息一般可采用3 种表示方法，即图像空间、光谱空间、特征空间。图像空间根据RGB色泽的差异能较为直观地观测被检对象的整体分布信息；光谱空间表示了被检物质在不同波长下的响应情况；特征空间为光谱指纹图谱技术奠定了理论依据，且该特征空间能较好地应用于模式识别[12,15]。
1.3 高光谱成像技术的定性定量判别
图3 高光谱成像技术定性定量判别流程
Fig. 3 Major procedure of hyperspectral imaging technique in qualitative and quantitative analysis
高光谱成像技术定性定量判别的一般流程如图3所示。由于高光谱数据冗余，需要应用统计学方法进行定性定量分析。其中定性分析中主要有监督分类与非监督分类、参数分类与非参数分类、确定性分类与非确定性分类等[12]；定量分析模型中多采用多元变量回归，可分为线性回归和非线性回归，线性回归包括多元线性回归（multiple linear regression，MLR）、主成分回归（principal component regression，PCR）、偏最小二乘回归（partial least squares，PLS）等，非线性回归包括人工神经网络（artificial neural networks，ANN）、支持向量机（support vector machine，SVM）等[16]。
高光谱成像技术应用于肉品定量模型预测研究，需要对采集完样品的原始光谱信息进行黑白校正，由于高光谱相邻谱带之间存在较强的相关性，利用全波段进行多变量建模预测比较耗时，且效果不稳定，因此需要进行特征波段的选择[17-18]。特征波段的选择方法较多，如相关系数波段选择法、显变分析波段选择法，这两种方法能简便地提取特征波段，但缺乏对数据多重共线性判别的能力，导致模型预测性能较差；而间隔PLS可消除多重共线性的影响，因为该方法是将PLS回归模型最终的预测结果作为衡量波段选择的标准；模拟退火法选择特征波段，是将预测模型自身的预测能力作为衡量标准，忽略了校正模型的稳健性，因此，当外界环境改变时，模型预测结果的重现性较差；此外还有连续投影法（successive projections algorithm，SPA）、主成分分析法（principal component analysis，PCA）等一系列方法应用于特征波段的选取[19-21]。因此，在进行定性定量模型判别时要综合考虑这些方法的优缺点及适用性，从而使得模型稳健性和预测精确度达到最佳。
2 高光谱成像技术在肉品品质评价方面的研究进展
目前高光谱成像技术在肉品检测方面已有较多研究，肉品品质包括营养品质、食用品质、技术品质或加工品质、安全品质或卫生品质[22]。表1就高光谱成像技术在肉品品质方面的研究应用进行了总结。
表1 高光谱成像技术应用于肉品品质评价
Table 1 Application of hyperspectral imaging technique in meat quality evaluation
续表1
注：RCs-LS-SVM.回归系数-最小二乘支持向量机（regression coeきcients and least square support vector machine）；PDS-LI.分段直接校正结合线性插值（piecewise direct standardization combine with linear interpolation）；PLS-DA.偏最小二乘判别分析（partial least squares-discriminant analysis）；PLSR.偏最小二乘回归分析（partial least squares regression analysis）。
2.1 高光谱成像技术应用于肉品营养成分分析
2.1.1 水分含量的测定
水分含量可以作为肉品原料的物性参数之一，因此，可以依据水分含量对不同肉品进行分类。如杜长大、茂佳山黑猪和零号土猪其里脊肉水分含量存在差异，刘娇等[27]应用高光谱技术建立杜长大猪里脊肉含水率PLS定量检测模型，提出了一种PDS-LI的传递算法，该算法对杜长大模型进行传递后，对茂佳山黑猪和零号土猪的模型预测效果提高到83.2%和84.8%，研究结果表明，该算法对茂佳山黑猪与零号土猪样品可实现模型传递。西班牙的Talens等[7]利用高光谱成像（900～1 700 nm）对西班牙熟火腿进行水分含量测定研究，采用PLSR和PLS-DA进行多元分析，成功在特征波段（966、1 061、1 148、1 256、1 373、1 628 nm）处对熟火腿进行品质分级，精确度达92%。日本的Kamruzzaman等[26]利用高光谱成像技术对红肉进行持水力的快速检测研究，研究结果表明分别在特征波段下建立的定量分析模型，对猪肉、羊肉、牛肉持水力预测精确度达90%。
对不同加工方式下肉品含水量的测定也有相关研究。Ma Ji等[23]利用高光谱成像技术对猪背最长肌在不同加工处理方式（自然条件（新鲜）、冷冻-解冻、解热-脱水、盐水腌制-脱水）下对水分含量进行了预测研究。建立的PLSR模型对猪背最长肌含水率检测具有较好的效果，模型精确度达95%，预测均方根误差（root-mean square error of prediction，RMSEP）为1.396。Liu Dan等[28]利用高光谱成像技术探究了猪肉在腌制过程中水分含量的变化，分别建立PLSR和MLR模型；研究结果表明，采用反射光谱-多元线性回归模型的预测相关系数达91.7%，预测均方误差为1.48%。Iqbal等[31]利用近红外高光谱技术（900～1 700 nm）研究不同等级火腿烹饪后中的水分含量，精确度达88%。对水产类肉品的水分研究也有相关研究，如Wu Di等[34]利用高光谱成像技术（380～1 100 nm）对不同脱水程度的虾进行水分含量检测，建立PLSR模型，利用LS-SVM进行模型校正，模型预测效果达98%，研究表明高光谱成像技术可对虾含水量进行快速无损检测。
2.1.2 蛋白质含量的测定
从物质结构上看，蛋白质是构成生物的基本骨架，且生化反应中绝大多数酶都是蛋白质。从营养风味指标上看，蛋白质发生水解后的多肽或氨基酸可呈现出特征性的食品风味。Jurado等[72]研究了伊比利亚火腿在成熟过程中氨基酸相对挥发性组分的含量。研究结果表明在干燥阶段120～230 d内总的自由氨基酸含量显著增高，且自由氨基酸含量的增加与氨基酸挥发性物质含量正相关。部分氨基酸除了有特殊风味外，还具有标识作用，如羟脯胺酸可以作为胶原蛋白的特征氨基酸。Xiong Zhenjie等[73]利用高光谱成像技术对鸡肉中羟脯氨酸含量进行了检测。实验总样本数为160，预测集样本量为46，交叉验证样本量为114，建立PLSR模型；结果表明预测相关系数为87.4%，RMSEP为0.049。Talens等[7]利用高光谱成像技术对西班牙熟火腿进行了蛋白质定量测定研究；实验总样本量为126，通过提取感兴趣区域及阈值法选取10 个特征波段，建立的PLS预测模型精度达85%。
2.1.3 脂肪含量与分布的测定
脂肪是动植物体中的油性物质，是生物体的组成部分和储能物质，在食品加工过程中常赋予食品特殊的风味。已有报道借助高光谱成像技术研究肉品中脂肪的含量及其分布，如李学富[21]应用近红外高光谱技术对羊肉脂肪含量的研究，分析比较了BP神经网络（back propagation artificial neural networks）和PLS模型预测的精度；研究表明PLS预测模型效果要好，预测相关系数达95%，预测标准偏差0.40。Zhu Fengle[35]、Liu Li[38]等应用高光谱成像技术对鲑鱼和猪肉的脂肪空间分布进行了研究，建立PLSR模型，该模型的预测相关系数达92%。Lohumi等[25]利用高光谱成像技术预测牛肉的脂肪分布，比较了光谱相似测量和方差分析提取特征波段的优劣；研究结果表明光谱相似测量分析方法较优，且预测模型精确度达95%。
2.2 高光谱成像技术应用于评价肉品的食用品质
2.2.1 嫩度的测定
肉的嫩度称为肉的柔软性，指肉在食用时口感的老嫩，反映肉的质地，且肉的嫩度与肉的弹性相对应，是硬度的倒数[1]。涂冬成[74]利用激光诱导荧光光谱对禽肉（鸡、鸭、鹅）弹性和嫩度指标进行了研究（350～1 800 nm），通过对光谱图采用归一化处理后，在特征波长处（460～999 nm）结合PLS建立了激光诱导荧光光谱与禽肉弹性和嫩度之间的校正和预测模型；研究结果表明利用激光诱导荧光光谱技术对鸡、鹅嫩度检测具有明显的效果，预测精度分别达88.9%和82.9%，对鸭肉检测效果不佳，仅为54.1%。后期涂冬成[74]采用荧光高光谱技术，在400～1 000 nm波长处对鸭肉嫩度进行研究，选取418.3～478.9 nm和789.2～798.8 nm为特征波长，采用PLS建立模型，模型精度达86.1%。赵娟等[40]应用高光谱纹理特征对牛肉嫩度分布进行了研究，综合逐步回归算法与遗传算法筛选牛肉剪切值的特征波段，分别建立SVM和线性判别（linear discriminant analysis，LDA）模型，其中主成分纹理特征建立的线性判别模型预测判别精度达94.44%。Elmasry等[42]利用高光谱成像技术（900～1 700 nm）对牛肉嫩度进行了研究。利用PLSR建立模型，嫩度检测系数为0.83，交叉验证结果系数（root mean square error of validation，RMSEV）为40.75。研究结果表明高光谱技术对于牛肉品质的无损检测具有潜在价值。
2.2.2 色泽的测定
肉品色泽是消费者对肉品质量的第一印象，也是对其进行评价的主要依据[1]。根据国际照明标准委员会中色空间指标（L*、a*、b*）说明，L*表示颜色的明度，a*代表红绿值，b*代表黄蓝值，因此，可依据色泽指标检验来表征食品物料的信息。Elmasry等[42]利用近红外高光谱技术（900～1 700 nm）对新鲜牛肉色泽进行了研究，通过建立PLS模型检测色泽指标L*、b*的预测相关系数分别为88%、81%，RMSEP分别为1.21、0.57。Kamruzzaman等[46]应用高光谱成像技术（400～1 000 nm）对红肉（牛肉、羊肉、猪肉）进行了色泽无损检测研究，建立的MLR模型对牛肉、羊肉、猪肉的色泽（L*、a*、b*）预测精度分别为0.97、0.84、0.82，RMSEP分别为1.72、1.73、1.35。Wu Di等[50]利用长波近红外光谱技术对鲑鱼色泽进行了研究，研究结果表明采用的SPA及其MLR可用于鲑鱼色泽的快速无损检测，模型整体精度最高可达87%。
2.2.3 新鲜度的测定
肉制品的新鲜程度直接影响肉品的食用品质和营养价值。邹小波等[57]应用高光谱成像技术（430～960 nm）对肴肉新鲜度检测进行了研究。利用PLS、常规区域二乘法（interval PLS，iPLS）、向后区间偏最小二乘法（backward interval PLS，biPLS）和联合区间偏最小二乘法（synergy interval PLS，siPLS）建立挥发性盐基氮含量的预测模型，模型精确度达87.5%。伊朗的Khojastehnazhand等[75]比较了可见近红外、短波近红外高光谱技术对虹鳟鱼新鲜度的评价，80 条新鲜的虹鳟鱼分成4 份，于冰面上保藏1、3、5、7 d；PCA和PLS-DA分析结果表明，可见近红外高光谱成像技术预测效果更优，预测模型精度达98%，而短波近红外高光谱技术预测模型精度仅为67%。代琼[76]利用可见/短波近红外高光谱成像技术对虾新鲜度进行了研究，通过PCA和灰度共生矩阵提取8 个图像纹理特征变量，建立SVM预测模型，其精度达95%。
2.3 高光谱成像技术应用于肉品安全指标检测
2.3.1 微生物测定
食品的腐败变质与食品自身或贮藏环境中微生物含量有较大的关系，其中，微生物将食品作为自身繁殖的养料，不仅使食品营养成分减少，且降解产物会影响食品的食用品质。王伟等[60]利用高光谱成像技术对猪肉表面微生物含量进行了研究，通过结合标准平板菌落计数法比较分析了PLS、ANN和PL-SVM的精确度，研究结果表明PL-SVM最优，预测模型精确达94.26%。Tao Feifei[61]、宋育霖[62]等利用可见近红外高光谱技术（400～1 100 nm）研究猪肉被大肠杆菌污染的情况，通过对Gompertz函数进行修订后提取猪肉高光谱图像的散射特征，建立MLR模型，模型精度达90%。Barbin等[77]利用线扫式高光谱技术（900～1 700 nm）对新鲜猪肉表面微生物菌落数进行了研究，结合平板菌落计数法测定新鲜猪肉在0 ℃和4 ℃贮藏21 d时的微生物菌落数，PLS模型分析表明实验精确度可达到86%。
2.3.2 掺假测定
肉品中的掺假问题主要发生在肉糜类制品。如国外已有研究者利用高光谱成像技术对掺加鸡肉和羊肉的牛肉馅制品进行检测，分别对不同添加量梯度进行检测分析，利用PLSR建立预测模型[64,78]，模型预测精确度高达96%。白亚斌等[79]利用高光谱仪（400～1 000 nm）对牛肉-猪肉进行了掺假检测，按照掺加比例10%～90%（梯度为5%）制备肉糜样品后采集高光谱数据，建立的PLS模型预测精度达98%。
2.4 高光谱成像技术应用于肉品其他指标测定
高光谱成像技术除了应用于肉品营养、品质、安全等检测外，还在肉品保藏时间及冻融次数等方面有较多的研究应用。如章海亮等[66]利用高光谱成像技术对新鲜多宝鱼与冻藏多宝鱼进行了鉴别，新鲜多宝鱼在-20 ℃贮藏20 d解冻1、2 次，-20 ℃贮藏130 d解冻1、2 次后采集高光谱图像，将谱图感兴趣区域与竞争性自适应重加权算法相结合，利用PCA、灰度共生矩阵纹理特征与光谱特征建立LS-SVM区分模型，预测模型的精度达98%。Zhu Fengle等[67]利用高光谱技术对新鲜多宝鱼与在不同冻藏温度（-20、-70 ℃）下保藏的多宝鱼进行了鉴别；选取鱼肉光谱图中心位置为感兴趣区域，结合PCA和灰度共生矩阵分析提取36 个特征变量，建立的PL-SVM判别模型精度达97.22%。
3 结 语
高光谱成像技术目前主要应用于研究肉制品的营养成分（水分、蛋白质、脂肪等）含量、食用品质（色泽、嫩度、新鲜度等）的快速无损检测，初步证明了高光谱成像技术应用于肉品检测的可行性。但检测的精确度、检测限以及重现性等问题尚需要进一步的研究和探讨，对于肉品中理化值的测定，高光谱成像技术需结合多种化学计量学方法进行探讨。高光谱成像技术数据采集受光强、移动速率、镜头高度以及外界因素等影响较大，导致实验结果重现性较差；高光谱数据冗余，需提取最佳的特征波长进行分析，且建立定量预测模型需要有庞大的样本量、需要检测指标值存在一定的跨度。目前研究中对于肉品安全指标检测针对非法添加物的研究相对较少。因此，以高光谱成像技术为主、其他技术手段为辅获得样品最优的信息，从而构建最佳的判别或定量模型，可使高光谱成像技术从应用于实验室研究扩展至实际生产检测。
参考文献：
[1] 周光宏, 罗欣, 徐幸莲, 等. 肉品加工学[M]. 北京: 中国农业出版社,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] 范泽华, 姚江河, 陈杰. 运用近红外高光谱成像技术检测羊肉脂肪及蛋白质含量[J]. 吉林农业, 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. 金华火腿品质检测技术与分级方法研究[D]. 杭州: 浙江大学,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, 宫鹏. 高光谱遥感及其应用[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] 张连蓬, 李行, 陶秋香. 高光谱遥感影像特征提取与分类[M]. 北京:测绘出版社, 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] 刘善梅. 基于高光谱成像技术的冷鲜猪肉品质无损检测方法研究[D].武汉: 华中农业大学, 2015: 70-91. DOI:10.7666/d.Y2803168.
[20] 汪希伟. 基于光谱成像的猪肉新鲜度检测方法[D]. 南京: 南京林业大学, 2014: 65-72.
[21] 李学富. 应用近红外高光谱成像技术检测羊肉脂肪和蛋白质含量[D].银川: 宁夏大学, 2013: 27-36. DOI:10.7666/d.Y2386217.
[22] 周光宏, 李春保, 徐幸莲. 肉类食用品质评价方法研究进展[J]. 中国科技论文在线, 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] 刘娇, 李小昱, 郭小许, 等. 不同品种间的猪肉含水率高光谱模型传递方法研究[J]. 农业工程学报, 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] 刘善梅, 李小昱, 钟雄斌, 等. 基于高光谱成像技术的生鲜猪肉含水率无损检测[J]. 农业机械学报, 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, HØY 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] 朱逢乐, 何勇, 邵咏妮. 应用近红外高光谱成像预测三文鱼肉的水分含量[J]. 光谱学与光谱分析, 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] 朱逢乐, 彭继宇, 高峻峰, 等. 应用可见/近红外高光谱成像测定鲑鱼片脂肪含量分布[J]. 农业工程学报, 2014, 30(23): 314-323.DOI:10.3969/j.issn.1002-6819.2014.23.040.
[40] 赵娟, 彭彦昆. 基于高光谱图像纹理特征的牛肉嫩度分布评价[J]. 农业工程学报, 2015, 31(7): 279-286. DOI:10.3969/j.issn.1002-6819.2015.07.039.
[41] 吴建虎, 彭彦昆, 江发潮, 等. 牛肉嫩度的高光谱法检测技术[J]. 农业机械学报, 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] 陈全胜, 张燕华, 万新民, 等. 基于高光谱成像技术的猪肉嫩度检测研究[J]. 光学学报, 2010, 30(9): 2602-2607.
[45] 朱荣光, 姚雪东, 高广娣, 等. 不同储存时间和取样部位牛肉颜色的高光谱图像检测[J]. 农业机械学报, 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] 许卫东, 朱荣光, 段宏伟, 等. 基于高光谱图像技术的冷却羊肉颜色检测[J]. 中国科技论文在线, 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] 张雷蕾, 李永玉, 彭彦昆, 等. 基于高光谱成像技术的猪肉新鲜度评价[J]. 农业工程学报, 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] 邹小波, 李志华, 石吉勇, 等. 高光谱成像技术检测肴肉新鲜度[J]. 食品科学, 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] 赵俊华, 郭培源, 邢素霞, 等. 基于高光谱成像的腊肉细菌总数预测建模方法研究[J]. 中国调味品, 2016, 41(2): 74-78. DOI:10.3969/j.issn.1000-9973.2016.02.015.
[60] 王伟, 彭彦昆, 张晓莉. 基于高光谱成像的生鲜猪肉细菌总数预测建模方法研究[J]. 光谱学与光谱分析, 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, 彭彦昆, 陶斐斐, 等. 生鲜猪肉细菌总数的高光谱特征参数研究[J]. 食品安全质量检测学报, 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, 朱逢乐, 刘雪梅, 等. 基于图像光谱信息融合的鱼不同冻藏时间及冻融次数鉴别[J]. 农业工程学报, 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] 思振华, 何建国, 刘贵珊, 等. 基于高光谱图像技术羊肉表面污染无损检测[J]. 食品与机械, 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、弹性和嫩度的图像和激光诱导荧光无损检测技术研究[D]. 南昌: 江西农业大学, 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] 代琼. 基于高光谱成像技术的虾仁新鲜度检测研究[D]. 广州: 华南理工大学, 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] 白亚斌, 刘友华, 丁崇毅, 等. 基于高光谱技术的牛肉-猪肉掺假检测[J]. 海南师范大学学报(自然科学版), 2015, 28(3): 270-273.DOI:10.3969/1674-4942.2014.03.009.