高光谱成像技术在肉品无损检测中的应用及进展

张令标，何建国，王松磊，刘贵珊，贺晓光，罗瑞明

（宁夏大学 农学院，宁夏 银川 750021）

0 前言

随着人们生活水平的提高，我国的膳食结构逐渐向着优质合理的方向发展，消费者对肉的需求量迅速增长，同时也对肉品质量提出了新的要求.肉品品质直接影响人们的生活质量和健康安全，也影响肉品企业的发展[1].因此，肉的食用品质（嫩度、持水力）、营养水平（脂肪、蛋白质、水分）以及肉品的安全（表面污染）受到消费者和肉品企业的重视.传统肉品检测方法有感官评价、理化指标检测以及微生物菌落检测等[2]，其中感官评价主观性强、不易量化，并且评价人员意见难以一致；理化指标及微生物检测存在样品处理繁琐、化学试剂消耗量大、检测周期长以及成本高等问题.世界各国亟需一种快速、准确、灵敏的肉品检测手段，因此光谱分析技术应运而生.

光谱分析技术首先被广泛应用于果蔬农产品的快速无损检测系统上，并取得了较好的效果[3-4].随后一些学者应用光谱分析技术在肉品品质无损检测技术研究方面取得了一定的成果[5-6]，并且已开发出仪器设备应用于实际生产中，如丹麦和德国等国已经开发出近红外光谱在线检测肉品品质的生产线[6]；但近红外光谱存在检测范围小、没有图像信息等缺点，在肉品检测上存在很大制约.高光谱成像技术[7]是新一代光电检测技术，兴起于20世纪80 年代，融合光学、电子学、信息处理以及计算机科学，其将传统二维成像技术和光谱技术有机地结合在一起，具有连续多波段、光谱分辨率高和图像光谱合一等特点[8-10]，在肉品品质检测上具有很大的发展潜力.笔者主要综述了国内外利用高光谱技术对肉品品质进行无损检测的研究进展并探讨其未来的发展方向.

1 高光谱成像技术的原理

高光谱成像是一系列波长范围内的图像，根据不同的光源，光谱范围可分为200～400 nm（紫外）、400～760 nm（可见光）、760～2 560 nm（近红外）以及波长大于2 560 nm 的区域[9].高光谱成像系统的主要组成部分有：CCD 相机、单色仪、成像镜头、光源、载物台和计算机，如图1 所示.

在扫描过程中，摄像头接受从物体表面反射或透射来的光，通过CCD 探测器把光信号转换成电信号.图像采集卡把CCD 得到的模拟信号转换成数字信号，通过计算机显示出来[11].单色仪用来获得特定波长的光，单色仪分为滤波片（滤波器）和图像光谱仪两种，根据单色仪的不同可把高光谱系统分为两种不同的高光谱系统[7，11-13].第1 种是基于滤波片（滤波器）的高光谱成像系统，其通过连续采集一系列波段条件下样品的二维图像，即在每个特定波长λi（i=1，2，3，…，n；n 为正整数）得到一幅二维图像（横坐标为x，纵坐标为y），从而得到三维高光谱图像块，如图2a 所示.第2 种是基于成像光谱仪的高光谱成像系统，其采用“扫帚式”成像方法得到高光谱图像；线列或面阵探测器在光学焦面的垂直方向做横向排列完成横向扫描（x 轴向），获取对象条状空间中每个像素在各个波长λi（i=1，2，3，…，n；n 为正整数）下的图像信息；同时在检测系统输送带前进过程中，排列的探测器如同刷子扫地一样扫出一条带状轨迹从而完成纵向扫描（y 轴向）.综合横纵扫描信息就可得到样品的三维高光谱图像数据，如图2b 所示.

图1 高光谱成像系统

图2 高光谱图像数据块

2 高光谱成像技术在肉品品质检测上的应用

2.1 高光谱成像技术在肉品内部品质检测上的应用

2.1.1 营养指标检测

脂肪、蛋白质、水分是人类重要的营养物质，是衡量肉品营养价值的重要指标.检测蛋白质、脂肪和水分的传统方法为凯氏定氮法[14]、索氏提取法[15]和直接干燥法[16]，这些方法都在不同程度上对肉品造成损伤，并且耗时长、花费大、时效性差的缺点严重影响肉品品质检测的发展.早期学者[17]应用傅立叶变换近红外光谱系统对鲜猪肉中肌内脂肪、蛋白质和水分含量进行测定，结果表明，该方法可快速准确地检测鲜猪肉中肌内脂肪、蛋白质和水分含量.为高光谱成像技术在肉品化学成分检测上的应用提供了依据.

Kamruzzaman M 等[18]基于900～1 700 nm 的高光谱成像系统对羊肉肌内蛋白质、脂肪和水分的无损检测进行了研究.应用ENVI 软件从高光谱原始图像上获得原始光谱，Uscrambler 软件对原始光谱建立偏最小二乘回归的多元散射校正模型，结果表明：该模型对羊肉肌内的水分、脂肪蛋白质的决定系数分别为0.88、0.88 和0.63 以及预测标准误差为0.40%、0.51%和0.34%.随后根据偏最小二乘回归系数分别选择出水分、脂肪、蛋白质的特征波长，并建立了特征波长下的偏小二乘回归模型，各成分的交叉验证均方根误差为：0.86、0.90、0.85；预测均方根误差为：0.84、0.87、0.82；预测标准误差为：0.57%、0.35%、0.47%.

Barbin 等[19]应用近红外高光谱成像对块状猪肉和肉糜化学成分的无损检测的研究表明，特征波长下建立肉糜中蛋白质、水分和脂肪的偏最小二乘回归模型，其决定系数为0.88、0.91、0.93，预测标准误差为0.40、0.60、0.42.该肉糜模型可很好地应用于完整肉化学成分的预测.

2.1.2 嫩度检测

嫩度是肉品的主要食用品质之一，是消费者评判肉质优劣的最常用指标.肉的嫩度是指肉在食用时口感的老嫩，反映了肉的质地[20].传统肉的嫩度检测大都是感官评价，其操作复杂、耗资大、并且受人为因素影响比较大，严重影响了高品质肉品检测.除了感官评价外还可借助仪器来衡量，虽然提高了嫩度的检测精度，但样品浪费大、有损坏、时效性差，严重制约了肉品行业的发展.目前，利用高光谱成像技术对肉品嫩度检测的研究得到快速发展.

吴建虎等[21]应用高光谱散射成像系统获取牛肉表面高光谱散射图像，从散射图像中提取散射曲线，使用洛伦兹分布函数拟合散射曲线，逐步回归选取拟合函数参数的优化组合，预测成熟7 d 的牛肉嫩度.结果表明，在525～1 000 nm 波长范围内，洛伦兹分布函数可以较好地拟合牛肉嫩度的散射曲线；根据散射曲线峰值建立的多元线性回归方程，可以很好地预测牛肉的嫩度值；同时，吴建虎等[22]指出：在400～1 000 nm 波长范围内，反射光谱与嫩度有较好的相关性.利用逐步回归法选择特征波长建立牛肉嫩度预测模型，并应用全交叉验证对模型进行检验，准确性良好.并用特征波长的反射值作为输入量，用正则判别法对牛肉嫩度分级，较嫩一组分类准确率达83.13%，粗糙一组分类准确率为90.19%，23 个样本的总分类准确率为87.10%.

Naganathan G K 等[23]采集了屠宰后14 d 的背脊牛排111 块作为研究样本.应用近红外高光谱成像系统采集图像信息后，对牛排进行烹饪测其剪切力，根据剪切力把111 个样本分成3 组（柔软型、中间型、坚韧型）.通过主成分分析获得牛肉的纹理特性，依据牛排的3 种嫩度类型与纹理特性的关系，建立图像预测模型，应用留一交叉验证方法验证模型，其精确度为94.6%.

2.1.3 持水力检测

肌肉系水力也叫肌肉持水力，是一项重要的肉质性状，它不仅影响肉的色香味、营养成分、多汁性、嫩度等食用品质，而且有着重要的经济价值[20].利用肌肉有系水潜能这一特性，在肉品加工过程中可以添加水分，从而提高出品率.如果肌肉保水性能差，那么从家畜屠宰后到被烹调前这一段过程中，肉因为失水而失重，将造成经济损失.

ElMasry G 等[24]应用近红外高光谱图像技术对牛肉持水能力进行无损检测研究，通过主成分分析处理并建立全波段下的偏最小二乘模型，其决定系数为0.89，经交叉验证模型的标准误差为0.26%.并根据偏最小二乘回归系数选择6 个特征波长（940、997、1 144、1 214、1 342、1 443 nm），采用偏最小二乘回归法建立模型，该模型的决定系数和标准误差分别为0.87 和0.28%.

Kamruzzaman M 等[25]应用高光谱成像技术在900～1 700 nm 范围内检测羔羊肉不同部分的pH、颜色、持水力3 个指标时，应用偏最小二乘回归和多元散射校正建立模型测得持水力的决定系数为0.77，并应用灰度共生矩阵提取图像结构信息，确定失水率与图像结构信息的相关性，建立了失水率彩色图像模型，可清晰看出羔羊肉的失水率大小.

2.2 高光谱成像技术在肉品表面污染检测上的应用

微生物含量作为鲜肉检测的一个重要指标直接影响肉品的储藏及风味，如果微生物含量超标将会直接危害消费者健康，传统检测方法耗时长、操作复杂，不能满足当今社会的发展.高光谱成像技术作为一款精确、快速、无损的检测系统，被学者广泛应用于农畜产品检测的研究.Tao 等[26]指出在400～1 100 nm 波长范围内应用高光谱散射技术和多元线性回归预测猪肉内大肠杆菌含量，相关系数高达0.877.Barbin 等[27]应用900～1 000 nm 高光谱系统估计猪肉微生物含量，采用偏最小二乘回归法建立细菌总数模型和平板计数模型，模型准确率分别达到0.86 和0.89.Peng 等[28]应用高光谱空间散射图像预测牛肉表面微生物腐败，根据洛伦兹分布函数选择特征波长，然后结合真实细菌总数（TVC）的对数值建立多元线性回归模型，最佳决定系数为0.95，标准误差为0.30.

畜禽屠宰过程中，由于扯拉过猛使十二指肠、肠道中较长的部位断裂，内容物流出黏附胴体表面，以及操作过程中沾染操作间的尘土造成胴体表面污染.这些表面污染严重影响胴体的品质，缩短储藏时间，制约肉品行业的发展，但粪便、肠溶物等成分多样、状态复杂，传统方法难以检测.Park B 等[29]应用高光谱成像技术对鸡肉表面粪便污染进行研究，应用两个波段比（I565/I517）建立图像模型，模型精确度为96.4%，误报147，采用3 个波段比（I565-I616）/（I529-I616）结合其他的图像算法建立图像模型，其精确度虽为96.2%，但误报64.滕安国[30]利用高光谱及光谱图像技术对鸡胴体表面污染检测进行研究，各污染物与皮肤光谱差的二阶导数在1 000 nm 处出现显著差异；并应用多光谱图像检测，在特征波长1 070、950、870、850 nm 下建立了一套检测鸡胴体表面污染的方法，但对土壤和回肠内容物检测效果不理想；基于517/565 nm 比率图像模型能够检测盲肠、十二指肠内容物，但同样对回肠内容物检测效果不佳.

宁夏大学农产品无损检测实验室应用可见-近红外（400～1 000 nm）高光谱系统对羊肉肠容物进行无损检测.通过对采集到的高光谱图像数据进行主成分分析，选取大肠肠容物污染的5 个特征波长（430、540、574、622、660 nm）及小肠肠容物污染的5 个特征波长（420、473、540、574、660 nm），应用中值滤波、平方根变换、二值化和数字形态学对肠容物进行特征提取.结果表明，基于可见-近红外光谱范围对羊肉表面肠容物的检测率为98.5%，基于特征波段光谱范围内对羊肉表面肠容物的检测率为98.1%.

2.3 高光谱成像技术在肉品外部品质检测上的应用

2.3.1 大理石花纹检测

大理石花纹是评定肉品等级的主要指标之一，是指取胴体背最长肌第12～13 肋骨处，横切外脊，观察眼肌面积内红肉与脂肪的交杂程度，大理石花纹明显多的肉品质就好.传统的评定方法是通过技术人员肉眼观察然后和样板比对进行评定，人为因素影响特别大.随着科技的发展，屠康[31]、李明静[32]、吴海娟[33]等应用机器视觉对牛肉大理石花纹自动分级进行研究并取得了良好的效果.艾虎等[34]基于机器视觉的神经网络和图像处理技术对牛肉大理石花纹自动分级进行研究，结果表明，概率神经网络基于7 个特征参数为训练数据的网络分级结果与实测值的相关系数为0.93.

高晓东等[35]基于高光谱成像技术对牛肉大理石花纹进行评估，提取特征波段处大理石花纹的3个特征参数（大颗粒脂肪密度、中等颗粒脂肪密度和小颗粒脂肪密度），根据特征参数建立多元线性回归模型，结果表明，多元线性回归模型对大理石花纹等级的预测决定系数为0.92，预测标准差为0.45，总的分级准确率是84.8%.Qiao 等[36]应用400～1 000 nm 高光谱系统检测猪肉大理石花纹对猪肉品质进行分级，结果表明，建立的神经网络模型在5 个主成分下的相关系数为69%、在10 个主成分的相关系数为89%，40 个样品的大理石花纹分级范围在3～5 之间.

2.3.2 色泽检测

色泽是肉品最主要的外部品质，直接反映肉品的新鲜度，是决定消费者是否购买的主要因素.吴建虎等[37]通过逐步回归选择特征波长处的洛伦兹参数建立多元回归模型对颜色的L*、a* 和b* 预测相关系数分别达到0.92、0.90 和0.88，预测残差分别为0.90、1.34 和0.41.

ElMasry 等[38]应用900～1 700 nm 的高光谱系统预测新鲜牛肉的颜色，结果表明：建立全波段下的偏最小二乘回归模型，其L* 和b* 的决定系数为0.88 和0.81，应用偏最小二乘回归的权重系数选择的特征波长建立的偏最小二乘回归模型中L*和b* 决定系数为0.88 和0.80，均方根误差为1.22和0.59.

Wu 等[39]应用900～1 700 nm 近红外高光谱图像检测大马哈鱼颜色分布，采用连续投影算法提取特征波长，建立特征波长下多元线性回归模型.结果表明，颜色的3 个参数L*、a*、b* 的相关系数分别为0.876、0.744、0.804，并制作了大马哈鱼可视化颜色分布图像.

3 展望

高光谱成像技术在农畜产品内外品质无损检测中得到广泛应用，并取得了较好的成果.高光谱成像技术不仅可检测肉品的色泽、大理石花纹、表面污染等外部品质，同时对肉品的嫩度、蛋白质、脂肪、水分等内部指标也具有较好的预测效果，实现了光谱、图像合二为一.在今后研究中可从以下几点进行深入探究：

（1）数据降维.高光谱成像技术冗余信息量较大，数据处理繁琐，而目前大都采用主成分降维，这种降维方式只能保留数据的主要特征，而去除了样品化学成分的特征数据，因此可寻求一种适合农畜产品自身特性的降维方式.

（2）图像处理.高光谱图像处理，大都采用ENVI等图像处理软件，这些软件起初都是应用于航天遥感上，在农畜产品上的应用有待探索，亟需开发一款适合农畜产品自身特性的图像处理软件.

（3）特征波长选择.方差分析、逐步判别分析、粒子群算法等方法提取特征波长多，无法应用滤波片建立便宜的多光谱系统实现在线检测的目的.今后应结合化学计量学和这些算法的优点，寻求一款快速有效的特征波长提取方法，使波段数在2～5 以内，以实现在线检测的目的.

［1］彭彦昆，张雷蕾.光谱技术在生鲜肉品质安全快速检测的研究进展［J］.食品安全质量检测学报，2010，27（2）：62-71.

［2］孔宪琴，黄素珍.肉品品质的无损检测方法［J］.肉类研究，2008（8）：66-69.

［3］杨春梅，李宁，赵学玒，等.用于果蔬内部品质无损检测的NIRS 技术新进展［J］.激光与红外，2009，39（11）：1137-1141.

［4］彭彦颖，孙旭东，刘燕德.果蔬品质高光谱成像无损检测研究进展［J］.激光与红外，2010，40（6）：586-592.

［5］杨鸿博.光学技术检测农畜产品质量安全无损［N］.中国农机化导报，2009-8-17（7）.

［6］徐霞，成芳，应义斌.近红外光谱技术在肉品检测中的应用和研究进展［J］.光谱学与光谱分析，2009，29（7）：1176-1180.

［7］王雷，乔晓艳，董有尔，等.高光谱图像技术在农产品检测中的应用进展［J］.应用光学，2009，30（4）：639-644.

［8］娄全胜，陈蕾，王平，等.高光谱遥感技术在海洋研究的应用及展望［J］.海洋湖沼通报，2008（3）：168-173.

［9］田有文，王晓娟.基于高光谱图像技术的农产品品质无损检测［J］.农机化研究，2009（10）：220-222.

［10］杨国鹏，余旭初，冯伍法.高光谱遥感技术的发展与应用现状［J］.测绘通报，2008（10）：1-4.

［11］刘木华，赵杰文，郑建鸿，等.农畜产品品质无损检测中高光谱图像技术的应用进展［J］.农业机械学报，2005，36（9）：139-143.

［12］洪添胜，李震，吴春胤，等.高光谱图像技术在水果品质无损检测中的应用［J］.农业工程学报，2007，23（11）：280-285.

［13］刘木华，赵杰文，江水泉.高光谱图像在农畜产品品质与安全性检测中的研究现状与展望［J］.粮食与食品工业，2004（2）：47-49.

［14］GB/T 9695.7—2008，肉与肉制品总脂肪含量的测定［S］.

［15］GB/T 9695.11—2008，肉与肉制品氮含量的测定［S］.

［16］GB/T 9695.15—2008，肉与肉制品水分含量的测定［S］.

［17］刘炜，俞湘麟，孙东东，等.傅立叶变换近红外光谱法快速检测鲜猪肉中肌内脂肪、蛋白质和水分含量［J］.养猪，2005（3）：41-50.

［18］Kamruzzaman M，ElMasry G，SUN Da-wen，et al.Non-destructive 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.

［19］Barbin D F，ElMasry G，SUN Da-wen，et al.Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging［J］.Food Chemistry，2013，138:1162-1171.

［20］周光宏.畜产品加工学［M］.北京：中国农业出版社，2007：63-66.

［21］吴建虎，彭彦昆，高晓东，等.基于VIS/NIR 高光谱散射特征预测牛肉的嫩度［J］.食品安全质量检测技术，2009（1）：20-26.

［22］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.

［23］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，2008，64:225-233.

［24］ElMasry G，SUN Da-wen，Allen P.Nondestructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging［J］.Food Research International，2011，44:2624-2633.

［25］Kamruzzamana M，ElMasry G，SUN Da-wen，et al.Prediction of some quality attributes of lamb meat using near-infrared hyperspectral imaging and multivariate analysis［J］.Anal Chim Acta，2012，71:57-67.

［26］TAO Fei-fei，PENG Yan-kun，LI Yong-yu，et al.Simultaneous determination of tenderness and Escherichia coli contamination of pork using hyperspectral scattering technique［J］.Meat Science，2012，90:851-857.

［27］Barbin D F，ElMasry G，SUN Da-wen，et al.Non-destructive assessment of microbial contamination in porcine meat using NIR hypers -pectral imaging［J］.Innovative Food Science and Emerging Technologies，2013，17:180-191.

［28］Peng Yan-kun，Zhang Jing，Wang Wei，et al.Potential prediction of the microbial spoilage of beef using spatially resolved hyperspectral scattering profiles［J］.Journal of Food Engineering，2011，102:163-169.

［29］Park B，Lawrence K C，Windham W R，et al.Performance of hyperspectral imaging system for poultry surface fecal contaminant detection［J］.Journal of Food Engineering，2006，75:340-348.

［30］滕安国.利用高光谱及光谱图像技术对鸡胴体表面污染检测研究［D］.南京:南京农业大学，2009.

［31］屠康，王富昶.计算机视觉在牛肉大理石花纹分级中的应用研究［J］.粮油加工和食品机械，2003（10）：44-45.

［32］李明静.机器视觉在牛肉大理石花纹自动分级中的应用研究［D］.杨凌:西北农林科技大学，2007.

［33］吴海娟，彭增起，沈明霞，等.机器视觉技术在牛肉大理石花纹识别中的应用［J］.食品科学，2011，32（3）：10-13.

［34］艾虎.基于机器视觉的神经网络和图像处理技术的牛肉大理石花纹自动分级研究［D］.雅安:四川农业大学，2009.

［35］高晓东，吴建虎，彭彦昆，等.基于高光谱成像技术的牛肉大理石花纹的评估［J］.农产品加工（学刊），2009，10：33-37.

［36］Qiao Jun，Ngadi M O，Wang Ning，et al.Pork quality and marbling level assessment using a hyperspectral imaging system［J］.Journal of Food Engineering，2007，83（1）:10-16.

［37］吴建虎，陈菁菁，彭彦昆.基于高光谱散射技术的牛肉嫩度和颜色的预测研究［C］// 中国农业工程学会.纪念中国农业工程学会成立三十周年暨中国农业工程学会2009 年学术年会（CSAE 2009）论文集.山西:出版者不详，2009：977-982.

［38］ElMasry G，SUN Da-wen，Allen P.Nearinfrared hyperspectral imaging for predicting colour，pH and tenderness of fresh beef［J］.Journal of Food Engineering，2012，110:127-140.

［39］WU Di，SUN Da-wen，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.