基于高光谱成像技术的牛羊肉品质无损检测研究进展

王 龙，邱园园，李小波

（1.石河子大学机械电气工程学院，新疆 石河子 832003；2.新疆原野食品有限责任公司）

基于高光谱成像技术的牛羊肉品质无损检测研究进展

王 龙，邱园园，李小波

（1.石河子大学机械电气工程学院，新疆 石河子 832003；2.新疆原野食品有限责任公司）

高光谱成像技术作为一种无损的检测技术已在农畜产品的品质检测中得到应用，本文综述了高光谱成像技术在牛羊肉品质检测中的应用进展，同时提出了现阶段高光谱成像技术所存在的问题，展望了该技术在牛羊肉品质检测领域的应用前景。

高光谱成像技术；牛羊肉品质；应用进展

伴随着全球的经济大发展，国内国外消费者对牛羊肉需求也与日俱增，这样的需求为众多牛羊肉生产加工企业提供了一个广阔的平台。

从牛羊肉的总体产量上看，我国可以称得上是一个牛羊肉生产大国，但在国际舞台上我们却仍然是一个小角色，我们所生产加工出口外销的牛羊肉及其制品的市场竞争力远低于其他西方发达国家，国外消费者对于我们的牛羊肉制品一直持怀疑态度。长期以来，我国所生产加工的牛羊肉产品只在国际市场中占据了很小的份额，而我们牛羊肉产品的价格又远远低于其他国家的产品，处在一个不利的地位。现阶段，市场上大部分的高档牛羊肉制品依然来自于国际市场的进口。造成我国高档牛肉市场供应不足的因素有很多，其中最关键因素正是牛羊肉质量无法得到有力保证，然而国际市场和国内高端需求又对牛羊肉品质的要求很高，所以这个问题一直困扰和制约着我国牛羊肉制品工业的发展。我国对牛羊肉品质分级起步较晚，相比与西方牛羊肉产业发达国家技术上远远落后。目前，国内反映牛羊肉质量的牛羊肉分级体系和标准已经建立，因此，寻求一种可靠的牛羊肉品质安全分级检测手段已经成为当务之急。

现阶段，我国大部分牛羊肉生产企业和检验部门对于牛羊肉品质的检测仍然依靠感官评定和理化指标检测2种方法。其中，感官评定的方法是经过专业训练和考核的专业人员对牛羊肉制品进行人工的打分评定，这种方法的检测结果受许多主观因素的干扰，例如评价者本身的心理波动和身体上的状态差异，所以检测结果误差较大；理化指标检测的方法就是借助相关仪器设备对牛羊肉制品相关理化指标进行客观的测定，例如，嫩度仪对牛羊肉嫩度的测定。这种方法虽然比人工的主观评价要准确，但是该方法对肉样不仅具有破坏性，而且其取样过程复杂、检测时间较长，所以也已经无法满足现在飞速发展的牛羊肉工业的检测需求。近年来，随着电学、光学、计算机、图像处理等现代先进技术的不断发展和创新，肉品品质检测技术正朝着非破坏性、在线实时、准确便捷的方向发展。例如超声波分析检测、生物仿真检测、机器视觉检测、近红外光谱分析等新兴检测技术已经逐步实现对于牛肉嫩度的检测，但都存在一些不足和技术瓶颈，也暂时无法满足对于牛肉嫩度的工业化生产检测。

1 高光谱成像技术简介

高光谱成像技术[1]是一项综合了多门学科的一项新兴技术，其包含了光谱学、图像学、计算机编程应用以及信息分析处理等技术，与传统的二维成像技术不同，高光谱成像技术有效的结合光谱技术，在检测过程中获得的是同时包含被测样品光谱数据曲线和外部图像信息的三维数据块，如此就可以同时分析被测物的可视空间信息和内部品质特征，从而实现基于多变量的可视化判别。其在农畜产品的品质鉴别和无损检测分级中具有很大的发展潜力，合理有效的利用高光谱图像技术可以为牛羊肉品质无损检测提供一种行之有效的方法。

2 国外研究进展

国外利用高光谱成像技术对畜禽产品的品质检测早在20世纪90年代[2]就已经开始了，近些年来对于牛羊肉的品质检测也进行了研究，尤其是对牛肉品质检测的研究较多。

2007年，Cho等[3]进行了基于高光谱图像系统对牛肉制品生产加工机械上遗留残渣的检测研究，实验针对牛肉加工过程中的残留物进行定性判别，选择多个特征波段建立判别模型，最终检测判别率可达99.7%。

2008年，Cluff等[4]利用高光谱图像技术对牛肉嫩度进行无损检测，根据光谱散射特性建立牛肉嫩度判别模型。研究结果表明，高光谱成像技术可以进行牛肉嫩度的无损检测，其准确率高达76%。

2008年，Naganthan G K等[5]应用高光谱图像对对牛肉纹理特性展开研究。根据牛肉的剪切力把样本嫩度分成三类（柔软、适中、坚韧），通过主成分分析获得牛肉纹理特性，并依据三种嫩度类型与纹理特性的关系，建立图像预测模型，留一交叉验证方法验证模型的精确度达94.6%。

2009年，Peng等[6]研制组装了一个高光谱分散系统，通过不同的化学计量学方法建模，最终实现检测牛肉中的腐败细菌，同时其检测结果符合检测精度要求。

2011年，ElMasry G等[7]研究了基于高光谱图像对牛肉系水力进行无损检测，利用PLS方法建立的检测模型决定系数为0.89，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建立模型，最终该模型的相关系数和标准误差分别为0.87和0.28%。

2011年，Mohammed.K等[8]利用高光谱成像技术分别检测羊肉品质、牛肉和猪肉的色泽、值、持水率、嫩度。实验结果表明，利用偏最小二乘法建立对羊肉水分含量、脂肪含量及蛋白质含量的预测模型均取得了良好的模型效果，完成了对肉品各项指标的检测，实现了对于羊肉的无损检测。

2012年，Kamruzzaman M等[9]开展了羔羊肉品质无损检测。所用高光谱检测范围在900～1 700 nm内，分别对羔羊肉不同部分的pH值、颜色、持水力3个指标进行检测，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，同时根据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关系比例。

3 国内研究进展

国内利用高光谱图像对肉制品品质的研究开展略晚，研究基础相对薄弱，近红外高光谱设备拥有量也少，所以国内高光谱成像技术应用于肉类制品检测方向上的时间不长，但快速、无损、高效的检测优越性，仍然让该技术得到了足够重视，其在牛羊肉品质检测这一领域拥有巨大潜力。为此国内部分学者也已经展开了深入的研究。

2009年，高晓东等[10]研究了高光谱成像技术对牛肉大理石花纹的评估，实验获取3个特征参数，并依据提取的特征参数构建多元线性回归模型。最终研究结果表明，多元线性回归模型对大理石花纹的预测相关系数达0.92，预测标准差为0.45，分级准确率达84.8%。

2010年，吴建虎等[11]研发了一套高光谱检测系统，其能在400～1 100 nm波长范围获取牛肉样品的高光谱散射图像。最终实现对牛肉嫩度等品质进行无损检测。

2013年，思振华等[12]研究采用光谱范围400～1 000 nm的高光谱成像系统对羊肉表面肠溶物污染进行无损检测。其对采集到的高光谱图像数据进行主成分分析，选择5个特征波，应用中值滤波等预处理方法对不同光谱范围内肠溶物进行特征提取。实验结果表明，该方法对羊肉表明肠溶物污染的检测率为98.5%，证明该方法对羊肉表面污染无损检测是可行的。

2013年，朱荣光等[13]探讨高光谱图像技术对不同储存时间和取样部位的牛肉颜色检测的可行性。实验采集具有代表性的82个牛肉样品的高光谱图像，并使用色度计获取牛肉样品的颜色参数。通过选择适宜的谱区范围和预处理方法，利用偏最小二乘法建立牛肉颜色的检测模型，对于各颜色指标的校正集和验证集模型相关系数均在0.8以上。研究结果表明，高光谱图像技术可用于快速无损检测不同储存时间下、不同取样部位的牛肉颜色。

2014年，王家云等[14]利用近红外高光谱成像技术对羊肉蛋白质、脂肪含量和pH值进行无损检测研究。利用高光谱检测系统获取69个羊肉样本的高光谱图像数据，对原始光谱和不同预处理后光谱建立偏最小二乘回归模型，利用模型效果对比得出最佳预处理算法。结果表明：羊肉蛋白质、脂肪含量、pH值最佳预处理方法为基线校准、多元散射校正与S-G卷积平滑结合算法和原始光谱；三项指标其最优预测模型决定系数分别为0.83、0.86和0.72，预测均方根误差为0.57、0.09和0.12，该结果表明利用近红外高光谱成像技术对羊肉内部品质进行快速无损检测是可行的。

2015年，郑彩英等[15]利用不同波段范围的高光谱成像系统对冷却羊肉的表面细菌总数进行了无损检测。研究利用偏最小二乘结合反向人工神经网络和径向基人工神经网络建立预测模型。结果表明，神经网络建模效果优于偏最小二乘法；其中，径向基人工神经网络模型在400～1 100 nm和900～1 700 nm波长范围内相关系数分别为0.987和0.999，均方根误差分别为0.821和0.251，预测效果最佳；而900～1 700 nm波长范围为最佳建模波长。

高光谱成像技术作为一种绿色环保的检测技术，凭借其准确、无损的特点在肉制品掺假检测中将得到更多的应用和发展，并逐渐被广泛使用。

4 结束语

综上所述，高光谱成像技术具有准确、无损、绿色与环保等特点，在牛羊肉品质检测的研究中所建立的模型预测效果良好，在未来牛羊肉的品质无损检测方向具有良好的应用前景。但高光谱成像技术也存在一定的问题，其光谱扫描获得的是包含样品外部信息和内部品质的三维数据块，其数据块包含信息较多，所占存储空间大，检测过程较慢，且数据进行处理时通常需要降维。同时利用高光谱成像技术进行检测前需要建立模型，而模型的精度和稳定性会受到光谱预处理方法、波段选择和建模方法等因素的影响。在今后的研究中，需要在图像预处理、光谱预处理和建模方法优化等方面进行更加深入的探索。最后，加快高光谱系统的扫描存储速度将使高光谱成像技术应用更加广泛。

[1]刘燕德，张光伟.高光谱成像技术在农产品检测中的应用[J].食品与机械，2012，28（5）：223-226.

[2]Lu R，Chen Y R.Hyperspectral Imaging for Safety Inspection of Food and Agricultural Products[R].Proceedings of SPIE，1999，3544：121-133.

[3]Cho B K，Chen Y R，Kim M S.Multispectral Detection of Organic Residues on Poultry Processing Plant Equipment Based on Hyperspectral Reflectance Imaging Technique[J].Computers and Electronics in Agriculture，2007，57（2）：177-189.

[4]Cluff K，Naganathan G K，Subbiah J，et al.Optical scattering in beef steak to predict tenderness using hyperspectrl imaging in the VIS-NIR region [J].Sens and Instrumen Food Qual，2008（2）：189-196.

[5]Naganathan G K，Grimes L M，Subbiah J，et al.Visible/near -infrared hyperspectral imaging for beef tenderness prediction[J]. Sens and Instrumen Food Qual，2008，64：225-233.

[6]Peng Y，Zhang J，Wu J，et al.Hyperspectral scattering profiles for prediction of the microbial spoilage of beef[C] Proceedings of the SPIE，2009：7315.

[7]ElMasryG，Da-wenSUN，AllenP.Non-destructivedetermination of water-holding cap-acity in fresh beef by using NIR hyperspectral imaging[J].Food Research International，2011，44：2624-2633.

[8]Mohammed K，Gamal E，Da-Wen Sun，et al.Application of NIR hyperspectral imaging for discrimination of lamb muscles[J]. Journal of Food Engineering，2011，104：332-340.

[9]Kamruzzamana M，ElMasry G，Da-wen SUN，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.

[10]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.

[11]吴建虎，彭彦昆，陈菁菁，等.基于高光谱散射特征的牛肉品质参数的预测研究[J].光谱学与光谱分析，2010，30（7）：1815-1819.

[12]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.

[13]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.

[14]王家云，王松磊，贺晓光，等.基于NIR高光谱成像技术的滩羊肉内部品质无损检测 [J].现代食品科技，2014，30（6）：257-262.

[15]郑彩英，郭中华，金灵.高光谱成像技术检测冷却羊肉表面细菌总数[J].激光技术，2015，39（2）：284-288.

2015—04—23