光谱技术在肉类检测中的应用及研究进展

杨 灵，吴 霆，蔡旭灿

（仲恺农业工程学院信息科学与技术学院，广东 广州 510225）

光谱技术在肉类检测中的应用及研究进展

杨 灵，吴 霆，蔡旭灿

（仲恺农业工程学院信息科学与技术学院，广东 广州 510225）

光谱技术是依据物体内部原子、分子等特定结构对电磁波有不同吸收特性的原理，对物体特定成分进行定性、定量的分析技术。对红外光谱技术和高光谱技术应用于肉类检测的检测原理、技术手段等进行归纳，从肉类溯源及品种检测、肉品品质（嫩度、新鲜度、持水率、大理石花纹等）检测、肉类安全、有毒物检测等方面综述了近红外光谱技术和高光谱技术在肉类检测中的研究现状，分析了光谱技术的存在问题，并对肉类检测的发展趋势进行展望。

光谱技术；红外；高光谱；肉类检测

杨 灵，吴 霆，蔡旭灿 ，等.光谱技术在肉类检测中的应用及研究进展［J］.广东农业科学，2016，43（4）：162-168.

随着生活水平的提高，人们对肉类产品的安全和品质越来越重视。肉类变质、掺假、农药残留、化学物污染等肉类安全问题在我国时有发生，给人民群众的生命和健康造成了重大影响，也严重降低了人民群众对我国肉类产品的信任感。而肉类品质检测主要包括肉的新鲜度、嫩度、持水率等指标以及蛋白质、脂肪等营养含量的检测。但消费者在选择好品质的肉时往往无从下手，只能根据肉类品种、商家广告等判断肉类好坏；而对于商家来说，如何使自家高品质的肉与市场上鱼龙混杂的劣质肉区分开，同样面临着艰巨的考验。

目前，对我国肉类安全检测手段提出了越来越高的要求，以实现精确、快速、有效检测。自20世纪60年代Norris等［1］发现谷物在近红外光谱区域有特殊的吸收频带以来，红外光谱检测技术就以其快速、无损、准确的优点在农作物、食品、土壤等农业领域快速发展起来。进入80年代随着光电检测技术的发展，高分辨率、集成图像和光谱技术的高光谱技术得到了越来越广泛的应用，大大促进了精准农业、农业遥感等领域的发展。与此同时，拉曼光谱、荧光光谱也越来越广泛应用到无损检测技术中。不同的光谱分析方法比较如表1所示。本文主要综述了红外光谱、高光谱技术在肉类检测中的应用及研究进展，分析了光谱技术的存在问题，并对肉类检测的发展趋势进行展望。

表1 光谱分析方法比较

1 光谱检测肉类原理及技术手段

1.1 红外光谱及高光谱特性

红外光谱依波段划分主要包括近红外光谱（780～2 500 nm）、中红外光谱（2 500～25 000 nm）和远红外光谱。近红外光谱区一般用于检测分子的倍频、合频等，如分子中含氢基团X-H （O-H、C-H、N-H和S-H等）伸缩、弯曲、振动等引起的倍频和合频被近红外光谱波段吸收［2］。分子的基频振动一般属于中红外光谱区，主要分为特征频率区（2.5～7.7 μm）和指纹区（7.7～16.7 μm），特征频率区用于鉴定官能团，指纹区用于检测C-O、C-N和C-X等的振动，用于区别结构类似的化合物。高光谱系统主要由高分辨率光谱扫描仪、高精度相机、光源等部件组成，可以采集到覆盖紫外线、可见光、红外等一系列的光谱，分辨率高（10-2λ数量级），既包含某个波长的图像信息，又包含某个像素的波长信息，实现空间、光谱、光强度同时获得［37］。

1.2 光谱检测肉类技术手段

光谱检测技术一般由预处理、降维、模型建立、结果评价等几个过程组成（表2）。对于采集的光谱存在偏移、噪声等情况需要进行基线校正、降噪等预处理方法来进行纠正。对于庞大的光谱数据，为了删除冗余信息、降低复杂度、获得有效信息，需要进行降维处理。检测模型建立是指挖掘光谱信息中的信息和特征，建立待检测指标与光谱信息之间的对应模型，对检测物体完成定性或定量分析。模型评价即对检测模型的精度、准确性等进行评价，判断光谱检测手段的有效性。

表2 光谱分析技术手段归纳

2 应用现状

2.1 肉类溯源及鉴别动物源

光谱技术用于植物源产品溯源上的应用较多，如检测葡萄酒［3-4］、橄榄油［5-6］、稻米［7］等产地、来源，均取得了良好效果。但在肉类溯源方面研究较少。张宁等［8］通过近红外光谱结合相似性分析法对4个产地（山东济宁市、河北大厂县、内蒙临河市、宁夏银川市）的羊肉进行检测、建立了产地溯源模型。通过5点平滑（Smooth）与多元散射校正（MSC）预处理，消除光谱噪声和散射波动，通过主成分分析和SIMCA建立模型，结果表明，在 1 1995～3 999 cm-1波长范围内，当模型的主成分数分别为 5、6、5、6 时，在 1%的显著水平下，4 个产地校正集模型对未知样本的识别率分别为95%、100%、100%、100%，拒绝率均为100%；其验证集模型的识别率分别为100%、83%、100%、92%，拒绝率均为100%，说明可以将该 SIMCA 模型用于鉴别不同来源的羊肉产地。李勇等［9］通过傅里叶红外光谱仪对吉林、贵州、宁夏和河北四大产区的牛肉进行检测，分别采用主成分分析、聚类分析、判别分析等模型判别法，对4个产区的牛肉光谱进行识别，正确识别率为100%。陶琳等［10］对4个不同产地的海参样品进行产地区分检测，利用近红外光谱对不同产地的海参进行扫描，再通过主成分聚类分析进行判别鉴定，能够快速识别出4个产地的海参。Alberto等［11］采集350～2 500 nm近红外光谱，对伊比利亚猪和白猪两种不同猪肉进行区分。采用径向基神经网络结合和支持向量机的算法对伊比利亚猪和白猪进行检测，结果表明两种方法均有效检测出猪肉品种。孟一等［12］利用近红外傅里叶变换光谱仪对猪肉、牛肉和羊肉3种不同种类的肉进行区分。光谱预处理分别采用多元散射校（MSC）、标准正则变换（SNV）、一阶微分、二阶微分、Savit zky-Golay滤波、Norris derivative滤波等单一方法或多种方法结合对原始光谱进行预处理。结果表明采取MSC结合S-G滤波预处理效果更好。建立模型方面用主成分分析法将原始数据压缩为10个主成分，在全波段9 881.46～4 119.20 cm-1范围内，采用判别分析法建立模型。结果表明，模型对训练集的识别准确率为100%，对预测集猪肉、牛肉和羊肉的识别准确率分别为99.28%、97.42%和100%。Kuswandi等［13］研究了牛肉干里掺猪肉的检测方法。通过傅里叶红外光谱仪检测添加猪肉成分比例为5%～80%的牛肉干，对全波段光谱数据（4 000～700 cm-1）、指纹区域光谱数据（1 500～600 cm-1）、预处理后的全波段光谱数据、预处理后的指纹区光谱数据等4组数据进行分析。分类模型采用线性判别法（LDA）、相似分析方法（SIMCA）和支持向量机（SVM）3种判别模型来建模，结果表明采用LDA法对全波段光谱数据的检测效果最好，检测掺假猪肉的牛肉干的识别率为100%。Kamruzzaman等［14］研究了牛肉馅里掺马肉的情况。通过采集400～1 000 nm的高光谱图像，采用偏最小二乘法建立模型能够检测出掺有马肉成分2%～50%的牛肉馅，得到校正集、交叉验证集和预测集的决定系数为0.99、0.99、0.98，标准差为1.14、1.56和2.23 %。

2.2 肉类品质检测

对肉类品质的检测在肉类成分上主要包括对脂肪、蛋白质、含水量等进行检测。Eduardo等［15］、刘炜等［16］分别采用近红外光谱技术对猪肉的脂肪、水分、蛋白质含量进行检测，能够快速有效地对4种成分进行分析。朱逢乐等［17］利用高光谱检测技术对三文鱼肉的水分含量进行检测。首先对90个三文鱼肉样分为60个检测集和30个预测集进行扫描，并采用偏最小二乘回归（PLSR）和最小二乘支持向量机（LS-SVM）对全波段光谱进行建模，分析水分含量检测精度。同时提出一种新的降维方法（Random frog法），再利用PLSR和LS-SVM法建立水分检测模型，分析检测精度。结果表明，采用Random frog法仅用12个变量即可代替全波段151个变量，PLSR和LS -SVM特征波长模型的RP分别为0.92和0.93，RM SEP分别为1.31%和1.18%。

在评价指标里，主要有嫩度、新鲜度、大理石花纹肉类品质指标。嫩度是评价肉质好坏的指标之一。嫩度高的肉类口感较好。嫩度主要受肉内部结构，如脂肪、蛋白质含量及其分布的影响［18］。王婉娇等［19］采用900～1 700 nm的近红外高光谱检测技术对冷鲜羊肉的嫩度进行研究。通过特征区域光谱波段代替全波段进行降维，预处理采用Savitzky-Golay法进行去噪，通过建立偏最小二乘模型进行模型判别，得到的预测相关系数（RP）和均方根误差（RMSEP）分别为 0.773 和 1.060，效果较好。赵娟等［20］利用高光谱对牛肉嫩度的等级进行研究，采用逐步回归法和遗传算法进行降维、利用主成分分析法和图像灰度共生矩阵求出纹理特征参数，采用支持向量机和线性判别法两种方法建立了嫩度等级判别模型。经比较，线性判别模型识别准确率高于支持向量机。采用主成分纹理特征加线性判别模型的判别精度为94.44%。陈全胜等［21］采用了高光谱检测技术对猪肉的嫩度指标进行检测。采集400～1 100 nm范围的高光谱数据，首先通过主成分分析降维选出3幅特征图像用来分别提取对比度、相关性、角二阶矩和一致性等4个纹理特征变量，再通过主成分分析提取6个主成分变量，建立神经网络嫩度等级判别模型。模型校正集准确率96.15%，预测集准确性80.77%。

新鲜度是检测肉类品质的另一个重要指标。新鲜的肉类营养丰富，pH值微酸性，但经过长时间放置后，由于微生物的生长繁殖，肉的营养成分和pH值会发生变化，肉类开始腐败，新鲜度下降。在检测中，通过对pH值、挥发性盐基氮（total volatile basic nitrogen，TVB-N）含量进行测定，能够检测出肉类的新鲜度［22-23］。邹小波等［24］对肴肉的新鲜度进行了等级检测。首先采集430～960 nm高光谱图像，并进行标准正态变量变换预处理，再分别采用偏最小二乘法、常规区间偏最小二乘法、向后区间偏最小二乘法和联合区间偏最小二乘法建立TVB-N含量的预测模型，结果表明联合区间偏最小二乘法效果最佳，预测相关系数和均方根误差分别为0.854 8、2.47，总体准率为87.5%。张雷蕾等［25］采用高光谱检测技术来检测猪肉的新鲜度，预处理采用2次Savitzky-Golay平滑、多元散射校正后建立偏最小二乘模型，准确率为91%。

大理石花纹是指肉纤维中的脂肪分布，是判断牛肉好坏的重要因素，一般来说肉中的花纹越丰富，代表肉的品质越高。传统检测技术手段有图像处理［26-27］、计算机视觉［28］等。随着光谱技术的快速发展，该技术也逐渐应用到肉类大理石花纹检测中。高晓东等［29］采用高光谱技术对牛肉大理石花纹进行评价。采集400～1 100 nm的高光谱图像，选取特征波段及大、中、小颗粒脂肪密度3个特征参数，利用特征参数建立多元回归模型和正则判定函数模型对大理石花纹分级和等级预测。结论表明，多元回归模型对大理石花纹等级的预测决定系数 R2=0.92，预测标准差SECV=0.45，总的分级准确率是 84.8%，正则判定函数为 78.8%。Qiao等［30］采集高光谱图像对猪肉大理石花纹进行检测，经过降维、主成分分析、建立神经网络模型等步骤，有效对大理石花纹进行评级，准确率为85%。郭辉等［31］采用高光谱检测技术结合图像处理开发了可应用于企业加工的牛肉大理石花纹检测系统，取得了良好的效果。

Marie-Etancelin等［32］采用近红外光谱对骡鸭肥肝的质量进行判断。通过对1 400个雄性骡鸭的肝脏进行光谱扫描来预测肝熔化率和肝组成，结果表明近红外光谱法通过检测肝脏熔化率，定义了一个检测鸭肝脏质量的关键标准。

2.3 肉类安全检测

光谱技术在肉类安全方面主要应用检测肉类表面细菌、肉类污染物、肉类腐败等。

Zheng等［33］采用高光谱技术对冷却羊肉表面细菌总数进行检测，分别采110～400 nm 和900～1 700 nm 波长高光谱，采用偏最小二乘法和反向人工神经网络、径向基人工神经网络法建立模型。结果表明，径向基人工神经网络模型效果最优，其在 400～1 100 nm 和 900～1 700 nm 波长范围内相关系数分别为 0.9872 和 0.9988，均方根误差分别为 0.8210 和 0.2507。

Jayendra等［34］采用傅里叶红外光谱仪来检测牛肉是否感染沙门氏菌。主要应用了主成分分析法来分别验证全波段（4 000～500 cm-1）和子波段光谱检测的效果，采用线性和二次判别分析两种分类统计方法来改进分类模型。总体平均分类精度采用变异系数来评估，采用自举交叉验证方法评价模型的有效性。结果表明，850～500 cm-1和全波段的红外频谱可以应用于检测牛肉是否受沙门氏菌的污染。

王伟等［35］采用高光谱对生鲜猪肉的细菌总数进行检测，比较了偏最小二乘回归法、人工神经网络和最小二乘支持向量机3种建模方法所建的模型效果，研究表明最小二乘支持向量机效果最优。Park 等［36］采用高光谱检测技术研究家禽受粪便污染的情况。通过选取特征波长、波段图像处理等方法能有效识别污染物，识别率达到93%。滕安国［37］采用高光谱技术对鸡胴体表面污染物进行检测，分别对十二指肠内容物、回肠内容物、盲肠内容物、血液、胆汁和泥土等物质进行检测，通过比较污染物和皮肤的光谱差异确定了510～540、687～810、870～918 nm 3个波长范围，再利用图像检测、SVM等方法可有效识别和检测出鸡表面污染物。张伟等［38］采用高光谱采集系统检测鸡孵化前胚胎发育情况。通过降维、选特征波长、建立向量量化神经网络模型取得较好的结果，对孵化前1～3 d的判别准确率为78.8%、90.3%和 98.6%。

3 存在问题

相对于光谱技术在化学、药品、农作物、水果等方向的研究，该技术在肉类研究上还处于起步阶段，因为肉类检测更加复杂，不确定性更大。一方面由于肉类产品更容易变质，检测过程中受肉类的储存环境、放置时间影响很大。另一方面肉类产品的饲养方式、成长气候、不同的生长阶段都可能对肉类本身品质和结构带来影响。因此下一阶段的研究关键点在于能否建立标准、统一、准确、高效的肉类模型库来促进肉类检测的标准化、平台化。

此外，光谱本身采集过程容易受到光源、噪声、周围环境的影响，不同的周围检测条件对检测结果往往造成很大影响，造成检测结果的不确定性，干扰和影响检测模型的准确性。如何滤除周围环境的影响、提高光谱检测技术的抗干扰性关系着光谱技术能否应用到实时检测、在线检测、可重复性检测等产业化方向。

值得注意的是，目前检测模型建立完成后对新的样本、检测条件（温湿度等）存在适应性问题，即模型维护问题。目前对不同产地、环境、品种等条件下模型共享的研究较少，普遍存在原有模型对新的样本、新的环境检测预测性能变差或难以适用新的检测等问题。

4 展望

光谱技术是依据物体内部原子、分子等特定结构对电磁波有不同吸收特性的原理，对物体特定成分进行定性、定量的分析技术。由于其具有无损、快速、方便、高效等优点，因此光谱分析技术在现代农业、化工、国防、气象等很多领域得到了广泛应用。而光谱技术的发展给肉类检测提供了一个崭新的方向，在肉类品质检测、安全检测、掺假等方面都已经有了实际应用，检测具有快速、无接触、无破坏、精度高等一系列的优点。

光谱技术在肉类检测方面的发展方向：（1）采用更加标准化的技术手段对肉类进行检测，同时建立统一、准确、标准、高效的肉类模型库来促进肉类检测的标准化、平台化。（2）提高光谱检测技术的抗干扰性，减少周围环境对光谱检测的影响。一方面要在硬件方面提高光谱检测的抗干扰性，如对周围干扰光的过滤、对电流噪声的抑制等，同时搭配科学的检测环境，减少周围干扰因素。另一方面从算法、软件方面对去噪、光谱校正、降维等光谱检测过程中常见的问题进行研究和改进，为光谱技术的实时检测、在线检测、可重复性检测等产业化方向发展提供前提条件。（3）着重对光谱模型传递和模型维护等问题进行研究，对于常见的环境或样本变化等问题进行模型更新或模型传递和维护，提高光谱检测模型的稳健性和适用性。

［1］Norris K H，Butler W L.Techniques for obtaining absorbance spectra on intact biological samples［J］.IRE Transactionson Bio-Medical Electronics，1961，8：153 -157.

［2］Blanco M，Villarrova I.NIR spectroscopy：a rapid response analytical tool［J］.rends in Analytical Chemi stry，2002，21（4）：240.

［3］Cozzolino D，Smyth H E，Gishen M.Feasibility study on the use of visible and nearinfrared Spectros copy together with chemometrics to discriminate bet ween commercial white wines of different varietal orig ins ［J］.Journal of Agricultural and Food Chemistry，2003，51（26）：7703.

［4］Liu L，Cozzolino D，Cynkar W U，et al.Preliminary study on the application of visiblenearin frare dspectroscopy and chemometrics to classify Riesling wines from different countries［J］.Journal of Agricultural and Food Chemistry，2008，54（18）：6754.

［5］Galtier O，Dupuy N，Dreau Y L，et al.Geographic origins and compositions of virgin olive oils determinated by chemometric analysis of NIR spectra［J］.Analytica Chimica Acta.2007，595：136.

［6］Casale M，Casolino C，Ferrari G，et al.Near infrared spectroscopy and class modelling techniques for the geographical authentication of Ligurian extra virgin olive oil［J］.Journal of Near Infrared Spectrocs opy ［J］.2008，16（1）：29.

［7］Kim H J，Rhyu M R，Kim J M，et al.Using Near infrared reflectance spectroscopy for determination of the geographical origin of the Korea Rice via PLS［J］.Cereal Chemistry，2003，80（3）：346.

［8］张宁，张德权，李淑荣，等.近红外光谱结合SIMCA法溯源羊肉产地的初步研究［J］.农业工程学报，2008，24 （12）：309.

［9］李勇，魏益民，潘家荣，等.基于FTIR指纹光谱的牛肉产地溯源技术研究［J］.光谱学与光谱分析，2009，29（3）：56-60.

［10］陶琳，武中臣，张鹏彦，李良红，刘畅.近红外光谱法快速鉴定干海参产地［J］.农业工程学报，2011，27（5）：364- 366.

［11］Alberto G，Del M，Herrera J L，et al.Using nearinfrared spectroscopy in the classification of white and iberian pork with neural networks［J］.Neural Comput & Applic，2010，19：465-470

［12］孟一，张玉华，王家敏，等.基于近红外光谱技术快速识别不同动物源肉品［J］.食品科学，2014，35 （6）：156-158.

［13］Kuswandi B，Putri F K，Gani A A，et al.Application of class-modeling techniques to infrared spectra for analysis of pork adult eration in beef jerkys［J］.J Food Sci Technol，2015（6）：7655-7668.

［14］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 and Bioprocess Technology，2015（8）：1054- 1062.

［15］Eduardo Z R，Ana G V，Emiliano D P S，et al.Monitoring NIRS calibrationsfor use in routine meat analysis as part of Iberian pig breeding programs［J］.Food Chemistry，2011，129（4）：1889-1897.

［16］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）：47-50.

［17］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.

［18］Shackelford S D，Wheeler T L，Meade M K，et al.Consumer impressions of tender select beef［J］.Animal Science，2001，79：2605-2614.

［19］王婉娇，王松磊，贺晓光，等.NIR高光谱成像技术检测冷鲜羊肉嫩度［J］.食品工业科技，2015，36 （20）：77-79

［20］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.

［21］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.

［22］Castro P，Padrón J C P，Cansino M J C，et al.Total volatilebase nitrogen and its use to assess freshness in European seabass stored in ice［J］.Food Control，2006，17（4）：245-248.

［23］Özoðul F，Özoðul Y.Comparison of methods used for determination of total volatile basic nitrogen（TVBN）in rainbow trout［J］.Turkish Journal of Zoology，2000，24：113-120.

［24］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.

［25］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.

［26］陈坤杰，吴贵茹，於海明，等.基于分形维和图像特征的牛肉大理石花纹等级判定模型［J］.农业机械学报，2012（5）：147-151.

［27］陈坤杰，姬长英. 基于图像运算的牛肉大理石花纹分割方法［J］.农业机械学报.2007（5） ：195-196.［28］沈振宁，高峰，李春保，等. 基于计算机视觉的牛肉分级技术研究进展［J］.食品工业科技，2008 （6）：304-306.

［29］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.2009 （10）：33-37.

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

［31］郭辉，彭彦昆，江发潮，等.手持式牛肉大理石花纹检测系统［J］.农业机械学报，2012，43（S1）：207-210.

［32］Christel M，Vitezica Z G，Bonnal L，et al.Selecting the quality of mule duck fatty liver based on near-infrared spectroscop y［J］.Genetics Selection Evolution 2014，46：38.

［33］Zheng C Y，Guo Z H，Jin L.Measurement of total viable count on chilled mutton surface ebased on hyperspectral imaging technique［J］.Laser Technology.2015，39（2）：284-288

［34］Jayendra K，Amam C，Suranjan P，et al.Fourier transform infrared spectroscopy（FTIR）as a tool for discriminating Salmonella typhimurium contaminated beef［J］.Sensing and Instrumentation for Food Quality and Safety，2010（4）：1-12.

［35］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.

［36］Park B，Lawrence K C，Windham W R，et al.Multispectral imaging system for fecal and ingest a detection on poultry carcasses［J］.Journal of Food Process Engineering，2004，27（5）：311-327.

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

［38］张伟，潘磊庆，屠康.利用高光谱透射图像检测鸡种蛋早期孵化［J］.农业工程学报，2012，28（21）：149-155.

（责任编辑 崔建勋）

Application and research progress of spectroscopy in meat detection

YANG Ling，WU Ting，CAI Xu-can
（School of Information Science and Technology，Zhongkai University of Agriculture and Engineering，Guangzhou 510225，China）

Spectroscopy is a qualitative and quantitative technique to analyze specific component of an object based on the principle that specific structure of an object such as internal atoms and molecules has different absorption characteristics of electromagnetic wave.In the paper，detection principles and techniques of infrared spectroscopy and hyperspectral technology in meat detection were summarized.Current status of the application of infrared spectroscopy and hyperspectral technology in meat detection were reviewed from meat origin and variety inspection；meat quality （tenderness，freshness，water holdup，marble，etc.）.The problems in spectroscopic detection techniques were presented and the development trend of meat detection was prospected.

spectroscopy；infrared spectroscopy；hyperspectral technology；meat detection

TS207.3

A

1004-874X（2016）04-0162-07

10.16768/j.issn.1004-874X.2016.04.031

2015-11-15