基于高光谱成像技术的红肉品质评定研究进展

摘 要：红肉品质的传统检测方法会对样品造成污染，影响其理化指标的测定结果，在检测某些标量指标的同时还会具有一定的破坏性。因此，准确、无损、快速的检测评价对推动肉制品企业的发展具有十分重要的意义。近些年，高光谱成像技术在肉品品质检测和评价中的应用已成为研究热点，该技术已被广泛应用于食品安全与农产品质量检测中，并且取得了较好的研究成果。本文主要综述了近年来高光谱成像技术在红肉品质检测中的应用研究，分别从肉类品质评定的感官指标、内在指标2 个方面进行阐述。最后，对高光谱成像技术现存的一些不足和其在肉制品检测中的发展前景进行概述。

关键词：高光谱成像；红肉；品质评定；无损检测

Recent Progress in Evaluation of Red Meat Quality Using Hyperspectral Imaging Technology

LI Dongze1， WU Guifang1，*， LIU Hantao2， YANG Ming1， XING Kai1

（1.College of Mechanical and Electrical Engineering， Inner Mongolia Agricultural University， Hohhot 010018， China；

2.College of Food Science and Engineering， Inner Mongolia Agricultural University， Hohhot 010018， China）

Abstract： When the quality of red meat is detected by traditional methods， the sample will be contaminated， affecting the measurement of physicochemical indexes. They are also destructive when used to measure certain scalar indexes. Therefore， accurate， non-destructive and rapid detection or evaluation of meat products is of great significance to the development of meat product industries. The application of hyperspectral imaging technology in the detection and evaluation of meat product quality has become a research hotspot in recent years. This technology has been widely used in food safety detection and quality evaluation of agricultural products with good results. This article reviews the application of hyperspectral imaging technology in the detection of red meat quality with respect to sensory and intrinsic quality parameters in recent years. Finally， an overview of some drawbacks and future prospects of hyperspectral imaging technology in the detection of meat products is presented.

Keywords： hyperspectral imaging； red meat； quality assessment； non-destructive testing

DOI：10.7506/rlyj1001-8123-201807011

中圖分类号：TS251.7 文献标志码：A 文章编号：1001-8123（2018）07-0059-05

引文格式：

李东泽， 吴桂芳， 刘汉涛， 等. 基于高光谱成像技术的红肉品质评定研究进展[J]. 肉类研究， 2018， 32（7）： 59-63. DOI：10.7506/rlyj1001-8123-201807011. http：//www.rlyj.pub

LI Dongze， WU Guifang， LIU Hantao， et al. Recent progress in evaluation of red meat quality using hyperspectral imaging technology[J]. Meat Research， 2018， 32（7）： 59-63. DOI：10.7506/rlyj1001-8123-201807011. http：//www.rlyj.pub

红肉主要包括猪肉、牛肉和羊肉，是餐桌上必不可少的食物。从营养学角度来讲，红肉具有丰富的蛋白质、脂类、微量元素和矿物质等[1]，不但能促进人体生长发育、还能够满足人体日常的营养需求，所以红肉是具有较高价值的畜产品。随着人们生活水平的不断提高，肉类的品质和食用安全性成了消费者日益关注的对象；此外，肉类的品质等级直接决定着其在市场上的售价与销量，关乎企业的利益，所以肉品的品质检测和评价也成为近些年的研究热点。肉类品质的评价通常会评估一些代表质量特征的指标，红肉的品质评价指标有很多，主要分为感官指标和内在指标两大类。感官指标，如色泽、嫩度、大理石花纹等，可作为评价肉品的首要依据；内在指标，如pH值、系水力、微生物等[2]，则与肉品的营养价值与食用安全性有着重要联系。传统的肉类品质检测方法主要以化学方法和感官检测为主，前者的检测精度比较高，但却有着操作难、损坏样品以及检测周期长等缺点，后者则是主观性比较强，重复性差，耗时又耗力[3-4]。与传统方法相比，高光谱成像技术则是具有前途的方法之一，它兼具光谱和成像技术的优点，且能够快速无损地提取样品的化学成分、物理性质等相关指标，应用这种技术不但可以满足消费者的需求，而且可以对我国肉品生产加工行业的发展起到一定促进作用。随着高光谱成像技术的兴起与快速发展，高光谱成像这种高效、安全、科学的技术已经被广泛

地应用在诸多领域，食品安全检测[5-6]、生物医学[7-8]、遥感监测[9-11]、农林防害[12-13]、地质污染检测[14-15]、飞航导弹及航空航天[16-18]等。

1 高光谱成像技术

高光谱成像技术融合了光谱技术和图像技术，作为一种新兴且发展迅速的光电检测融合技术，它兼具光谱分辨能力和图像分辨能力。光谱信息反映了样品内部的信息，图像信息则反映了样品外部的信息，在获取待测样品指标的同时保留了其原始的理化性质，并且能够弥补传统方法的不足，做到对样品的准确、无损、快速检测。通过高光谱成像技术获取的图像数据在可见光和近红外区域可达几十到数百个波段，光谱分辨率可达纳米级别，因而具备了探测出样品精细光谱的能力，能够探测到在宽波段中无法探测到的光谱特征[19-22]。高光谱成像技术原理是利用传统的二维成像和光谱学的集成硬、软件平台获得待测物每个像元的空间信息和光谱信息，通过对待测物空间位置信息和光谱信息的获得，对这些获得的数据信息进行定性与定量分析，进而很好地反映待测物的综合性状与特性，因此高光谱成像技术是具备优势和潜在能力的技术。应用高光谱成像系统进行待测物指标检测的主要步骤为准备待测样品、采集高光谱图像、进行光谱曲线分析处理、建模分析与指标预测。高光谱成像系统主要由光谱仪、光源、电荷耦合元件（charge coupled device，CCD）相机和计算机构成，示意简图如图1所示。

2 高光谱成像技术在红肉品质检测中的应用

2.1 高光谱成像技术在红肉感官指标检测中的应用

2.1.1 色泽

肉类的色泽对消费者的感官判断和购买意愿具有首要影响作用，色泽的测定通常有比色板法、仪器测色法和化学测定法。其中仪器测定法是利用色度仪测取肉品表面的亮度值（L*）、红度值（a*）和黄度值（b*）来评定肉色[23]。高光谱成像技术在肉品色泽的无损检测中取得了一定的研究成果。梁晓燕等[24]应用波段为400～1 000 nm的高光谱成像系统结合化学计量学分析方法对宁夏冷鲜滩羊肉的颜色进行无损检测研究，结果表明，高光谱成像技术可以成为羊肉颜色无损检测的有效手段。朱荣光等[25]利用高光谱成像技术对新疆地区的新鲜牛肉颜色进行检测研究，选用具有样品代表性的光谱信息，经由多种预处理方法，建立预测各颜色参数的模型并对模型进行评价，取得了理想的模型预测效果。这些研究表明，高光谱成像技术不仅可以作为无损检测肉品色泽的有效手段，并且可以取特定区域或品种的肉样作为研究对象，这一点也为实际生产与在线检测提供了一定的理论基础。

2.1.2 嫩度

肉品的嫩度是指对碎裂的抵抗能力，可根据其易碎性、柔软性来进行主观判定；客观评定则采用剪切力测定法，剪切力测定法主要为沃-布剪切力（Warner-Bratzler shear force，WBSF）测定。王婉娇等[26]应用高光谱成像系统提取样本感兴趣区域（region of interest，ROI）的反射光谱曲线，肉样的标准嫩度值用剪切力值来表征，结合偏最小二乘回归（partial least squares regression，PLSR）化学计量分析方法建立羊肉嫩度预测模型，预测相关系数与预测均方根误差（root mean square error of prediction，RMSEP）值表明模型具有较好的预测稳定性。Naganathan等[27-28]利用400～1 000 nm全波段范围高光谱成像技术对牛肉嫩度进行建模分级研究，2 次建模的分级准确率分别为77.0%和96.4%。王松磊等[29]利用近红外高光谱成像技术与图谱结合的方法，建立羊肉嫩度的检测模型，优选经Savitzky-Golay卷积平滑法处理的特征波长下光谱信息，进行PLSR建模，模型的预测相关系数RP=0.84，RMSEP=0.95，表明模型具有可行性。赵娟等[30]利用高光谱成像技术获取牛肉的相关信息，筛选出最能表征牛肉剪切力值的波段，建立线性和支持向量机判别模型，其中主成分纹理特征的线性判别模型预测精度可达94.44%。Elmasry等[31]利用高光谱成像技术对牛肉嫩度进行研究，基于偏最小二乘法建立模型，模型的嫩度预测相关系数R2cv与交互验证均方根误差（root mean square error by cross validation，RMSECV）分别为0.83、40.75。

2.1.3 大理石花纹

大理石花纹是指肉品肌纤维之间的脂肪沉积[32]。花纹越丰富，肉品的风味越好，系水力、嫩度、口感和滑腻感越佳；花纹很少或几乎没有，则肉品的水分少、风味不佳、口感差、质地硬。肉品等级评价中将大理石花纹的丰富程度作为基础参考，因此大理石花纹的分割提取对于肉品的等级评定具有重要意义。高光谱成像技术在大理石花纹的提取中也有着一定的优势，例如孙啸等[33]

应用该技术获得了牛肉眼肌大理石花纹图像，从肌肉区域与脂肪区域反射强度的比值曲线发现，在某个波长处两区域光谱反射强度具有最大差值，确定此波长为最佳特征波长，分别对原始图像和在最佳特征波长下的图像进行大理石花纹提取，结果表明，后者具有更高分割精度。在确定最佳特征波长的基础上，高晓东等[34]建立多元线性回归模型和正则判定函数模型，得到各相关参数，表明预测模型在大理石花纹的分级和等级预测上具有比较理想的作用。高光谱成像技术的应用使得大理石花纹的提取具有更高精度，这也为肉品等级的评定与划分奠定了良好的基础。

2.2 高光谱成像技术在红肉内在指标检测中的应用

2.2.1 pH值

pH值通过影响红肉的储水能力和颜色，对红肉的贮藏和质量有很大影响。pH值的测定方法有仪器测定法、标准色管比色法和精密试纸法。Stuart等[35]提出一种非接触式和非破坏性的方法来检测在不同条件下贮藏的牛肉是否具有高于特定阈值的pH值，以趋向于黑干（dark firm dry，DFD）肉。pH值5.9以上的牛肉样品分离准确率为91%，pH值5.6以下的牛肉样品分离准确率高达99%，表明高光谱成像技术在筛选变质肉品中有一定的发展前景。段宏伟等[36]对羊肉pH值进行检测研究，通过2 种不同提取ROI的方法对羊肉pH值高光谱检测模型进行评估与比较，结果表明，高光谱成像技术与“图像分割法”提取ROI相结合的方法可以应用在pH值的检测中。陶斐斐[37]研究猪肉在4 ℃条件下贮藏数日的pH值与高光谱信息的关系，提出一种基于高光谱成像技术的猪肉新鲜度无损检测评价方法。吴建虎等[38]应用该技术将牛肉的pH值与对应的高光谱数据进行预测建模，预测相关系数最高可达Rcv=0.86。朱荣光等[39]利用高光谱成像技术结合联合区间偏最小二乘结合遗传算法实现了羊肉pH值的特征波段筛选和快速准确检测。基于全波段的模型建立会引入冗余的信息，为了不影响模型预测效果，选取恰当的波段筛选方法尤为重要。上述研究表明，高光谱成像技术可以有效地应用在肉類pH值的快速无损检测中。

2.2.2 系水力

系水力指是肉品在施加外力、切割、研磨、压制或加热过程中容纳全部或部分水的能力[40]，影响肉品的嫩度、色泽、多汁性等，是决定红肉鲜嫩度的一个主要质量属性。测定系水力的方法有多种，传统方法一般有压力法、重力法、离心法和烹饪损失法等[41-42]，通过模拟肉品在不同情况下的水分流失状况，表征肉品的系水性能，这些传统的方法既耗时又对肉样具有破坏性，不适合企业生产中的大批量检测。因此，引入高光谱成像这种非接触和非破坏性的技术具有一定的可行性。Elmasry等[43]应用高光谱成像技术对新鲜牛肉的系水力进行无损检测，利用主成分分析方法，选取6 个特征波长，基于偏最小二乘回归的方法进行预测模型的建立，模型的决定系数为0.87，预测标准误差为0.28%，实验证明，高光谱成像技术可以解决肉类系水力检测不便的问题，为进一步开发快速检测系水力的设备提供了理论依据。

2.2.3 微生物与化学成分

目前，用于检测肉类微生物的传统方法有基于显微镜的计数方法、ATP生物发光法、电现象的测量以及基于免疫学核酸的方法，这些方法不能实现肉类细菌污染的快速、准确和无损检测[44]。高光谱成像技术的发展与应用推广使得传统方法的不足得到弥补，其在许多研究工作中已投入使用。Peng Yankun等[45]进行高光谱成像系统检测猪肉细菌总数（total viable count，TVC）的研究，在对高光谱反射图像进行采集和预处理后，采用逐步判别方法确定可表征猪肉TVC总变化的最佳波长，发现5 个最佳波长（480、525、650、720、765 nm）约占TVC预测总贡献的94%；为预测猪肉的TVC，基于最小二乘支持向量机（least squares-support vector machine，LS-SVM）和5 个最佳波长进行模型的建立，模型的预测效果理想，该研究证明高光谱成像技术与LS-SVM模型相结合用于确定猪肉的腐败程度是有效可行的。郭中华等[46]应用近红外高光谱成像系统对羊肉表面的TVC进行研究，利用多种化学计量学方法进行模型的建立与比较，最终得出径向基函数人工神经网絡模型最优，相关系数r=0.998 8，RMESP=0.250 7。田卫新等[47]对熟牛肉新鲜度的评价指标挥发性盐基氮（total volatile basic-nitrogen，TVB-N）含量进行预测，应用支持向量回归方法建立TVB-N含量的预测模型，该模型预测准确度可达85.13%。

3 结 语

高光谱成像技术融合了传统成像和光谱技术的优点，可以同时实现对多种质量特性的无损检测和可视化。然而，在商业和现实应用环境中还存在一些需要解决的问题。首先，如图像采集和后续图像分析的高维度与时间限制，会限制高光谱成像技术在线检测系统的实现，因此开发高效的算法显得格外重要；其次，高光谱成像系统具有成本高的特点，虽然高光谱数据非常丰富，但其中也存在冗余的信息，这些冗余信息不利于后续的数据处理与分析，应进行剔除并选取最能够表征样品信息的对应光谱信息，因此，寻求最佳波段来预测红肉的基本品质属性，建立多光谱成像系统将在产业应用中具有实际意义；最后，大部分红肉相关品质评价指标的研究主要运用线性方法建立预测模型，在建模时探究应用非线性方法具有一定意义，是未来研究的方向。此外，现阶段多数研究没能囊括感官指标和内在指标，进行品质的综合评定，尝试将多种无损检测的融合技术作为获取样品多元信息的有效手段以及开发、使用功能强大的智能化软件对肉品做出综合、全面的分析评价都将成为日后的发展趋势。

参考文献：

[1] 赵晓珍. 从营养和安全的角度看红肉与健康[J]. 中国果菜， 2016， 36（7）： 9-12. DOI：10.3969/j.issn.1008-1038.2016.07.003.

[2] 段晨磊. 牛肉品质的评定指标及测定方法[J]. 饲料广角， 2013（22）： 39-41. DOI：10.3969/j.issn.1002-8358.2013.22.014.

[3] 陈士进， 彭增起， 李景军， 等. 光谱技术预测牛肉嫩度研究进展[J]. 食品科学， 2013， 34（1）： 333-339.

[4] 杨东， 王纪华， 陆安祥. 肉品质量无损检测技术研究进展[J]. 食品安全质量检测学报， 2015， 6（10）： 4083-4090.

[5] 孙俊， 金夏明， 毛罕平， 等. 高光谱图像技术在掺假大米检测中的应用[J]. 农业工程学报， 2014， 30（21）： 301-307. DOI：10.3969/j.issn.1002-6819.2014.21.036.

[6] 何加伟， 王怀文， 计宏伟. 基于近红外高光谱成像技术的新鲜与冻融牛肉鉴别技术研究[J]. 食品工业科技， 2016， 37（9）： 304-307； 316. DOI：10.13386/j.issn1002-0306.2016.09.050.

[7] REGELING B， THIES B， GERSTNER A O H， et al. Hyperspectral imaging using flexible endoscopy for laryngeal cancer detection[J]. Sensors， 2016， 16（8）： 1288. DOI：10.3390/s16081288.

[8] 刘明， 赵静， 李刚， 等. 高光谱成像用于中医舌诊舌苔信息提取[J].

光谱学与光谱分析， 2017， 37（1）： 162-165. DOI：10.3964/j.issn.1000-0593（2017）01-0162-04.

[9] 迟光宇， 郭楠， 陈欣. 重金属污染农田的高光谱遥感监测研究[J]. 土壤与作物， 2017， 6（4）： 243-250. DOI：10.11689/j.issn.2095-2961.2017.04.001.

[10] 贺佳， 刘冰峰， 郭燕， 等. 冬小麦生物量高光谱遥感监测模型研究[J].

植物营养与肥料学报， 2017， 23（2）： 313-323. DOI：10.11674/zwyy.16173.

[11] 张集民. 高光谱遥感在草原监测中的应用[J]. 畜牧兽医科学（电子版）， 2017（9）： 87. DOI：10.3969/j.issn.2096-3637.2017.09.082.

[12] 王胜， 潘洁， 张衡， 等. 基于高光谱遥感影像的森林病虫害监测研究进展[J]. 林业资源管理， 2014（3）： 134-140. DOI：10.13466/j.cnki.lyzygl.2014.03.029.

[13] 潘洁， 廖振峰， 张衡. 基于高光谱数据的森林病虫害监测系统研制[J]. 林业科技开发， 2015， 29（5）： 125-129. DOI：10.13360/j.issn.1000-8101.2015.05.031.

[14] 屈永华， 焦思红， 刘素红， 等. 从高光谱卫星数据中提取植被覆盖区铜污染信息[J]. 光谱学与光谱分析， 2015， 35（11）： 3176-3181. DOI：10.3964/j.issn.1000-0593（2015）11-3176-06.

[15] 涂晔昕， 费腾. 从植被高光谱遥感到土壤重金属污染诊断的研究进展[J]. 湖北农业科学， 2016， 55（6）： 1361-1368. DOI：10.14088/j.cnki.issn0439-8114.2016.06.001.

[16] 申茜， 张兵， 李俊生， 等. 航天高光谱遥感器CHRIS的水体图像大气校正[J]. 测绘学报， 2008（4）： 476-481； 488. DOI：10.3321/j.issn：1001-1595.2008.04.013.

[17] 吴建峰， 黄树彩， 康红霞， 等. 高光谱成像技术在天基导弹预警探测中的应用[J]. 飛航导弹， 2015（2）： 68-73. DOI：10.16338/j.issn.1009-1319.2015.02.15.

[18] 麻永平， 张炜， 刘东旭. 高光谱侦察技术特点及其对地面军事目标威胁分析[J]. 上海航天， 2012， 29（1）： 37-40； 59. DOI：10.3969/j.issn.1006-1630.2012.01.008.

[19] 马本学， 应义斌， 饶秀勤， 等. 高光谱成像在水果内部品质无损检测中的研究进展[J]. 光谱学与光谱分析， 2009， 29（6）： 1611-1615. DOI：10.3964/j.issn.1000-0593（2009）06-1611-05.

[20] 张晶晶. 基于高光谱成像技术的杏成熟度判别研究[D]. 晋中： 山西农业大学， 2015： 11.

[21] 张达， 郑玉权. 高光谱遥感的发展与应用[J]. 光学与光电技术， 2013， 11（3）： 67-73.

[22] 许毅平. 基于高光谱图像多特征分析的目标提取研究[D]. 武汉： 华中科技大学， 2008： 6.

[23] 胡煌， 吕飞， 丁玉庭. 肉制品的呈色机理和色泽评定研究进展[J]. 肉类研究， 2016， 30（12）： 48-53. DOI：10.15922/j.cnki.rlyj.2016.12.009.

[24] 梁晓燕， 郭中华， 线文瑶， 等. 基于高光谱和极限学习机的冷鲜羊肉颜色无损检测[J]. 食品工业科技， 2016， 37（24）： 69-73. DOI：10.13386/j.issn1002-0306.2016.24.005.

[25] 朱荣光， 高广娣， 葛建兵. 基于高光谱图像和逐步回归的新疆新鲜牛肉颜色分析[J]. 石河子大学学报（自然科学版）， 2013， 31（2）： 253-257.

[26] 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； 91. DOI：10.3969/j.issn.1007-7383.2013.02.024.

[27] NAGANATHAN G K， CRIMES L M， SUBBIAH J， et al. Partial least square analysis of near-infrared hyperspectral images for beef tenderness prediction[J]. Sensing and Instrumentation for Food Quality and Safety， 2008， 2（3）： 178-188.

[28] 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（2）： 225-233. DOI：10.1016/j.compag.2008.05.020.

[29] 王松磊， 吴龙国， 康宁波， 等. 基于高光谱图谱融合技术的宁夏滩羊肉嫩度检测方法研究[J]. 光电子·激光， 2016， 27（9）： 987-995.

[30] 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（7）： 279-286. DOI：10.3969/j.issn.1002-6819.2015.07.039.

[31] ELMASRY G， SUN D W， ALLEN P. Near-infrared hyperspectral imaging for predicting colour， pH and tenderness of fresh beef[J]. Food Engineering， 2012， 110（1）： 127-140. DOI：10.1016/j.jfoodeng.2011.11.028.

[32] 许红喜， 孙晓玉. 提高肉牛大理石花纹等级的研究进展[J]. 中国牛业

科学， 2017， 43（4）： 50-52. DOI：10.3969/j.issn.1001-9111.2017.04.015.

[33] 孙啸， 逄滨， 刘德营， 等. 基于高光谱图像光谱信息的牛肉大理石花纹分割[J]. 农业机械学报， 2013， 44（S1）： 177-181. DOI：10.6041/j.issn.1000-1298.2013.S1.032.

[34] 高晓东， 吴建虎， 彭彦昆， 等. 基于高光谱成像技術的牛肉大理石花纹的评估[J]. 农产品加工（学刊）， 2009（10）： 33-37. DOI：10.3969/j.issn.1671-9646（X）.2009.10.008.

[35] STUART O J C， SASCHA M K， VICTORIA P， et al. High pH thresholding of beef with VNIR hyperspectral imaging[J]. Meat Science， 2017， 134： 14-17. DOI：10.1016/j.meatsci.2017.07.012.

[36] 段宏伟， 朱荣光， 王龙， 等. 感兴趣区域对羊肉pH高光谱检测模型的影响研究[J]. 光谱学与光谱分析， 2016， 36（4）： 1145-1149. DOI：10.3964/j.issn.1000-0593（2016）04-1145-05.

[37] 陶斐斐. 基于光学技术快速无损伤综合评价猪肉新鲜度的研究[C]//中国科学技术协会农产品质量安全与现代农业发展专家论坛论文集. 北京： 中国科学技术协会， 2011： 9.

[38] 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. DOI：10.3964/j.issn.1000-0593（2010）07-1815-05.

[39] 朱荣光， 段宏伟， 姚雪东， 等. 基于高光谱图像和偏最小二乘的羊肉pH值特征波段筛选研究[J]. 光谱学与光谱分析， 2016， 36（9）：

2925-2929. DOI：10.3964/j.issn.1000-0593（2016）09-2925-05.

[40] 卢智， 柳青山， 朱俊玲. 几种蛋白酶与氯化钙对鸡肉系水力的影响[J]. 食品研究与开发， 2018， 39（5）： 24-27. DOI：10.3969/j.issn.1005-6521.2018.05.005.

[41] 徐玉婷， 董华发， 曾晓房， 等. 肉品品质评定方法研究进展[J]. 食品安全质量检测学报， 2017， 8（6）： 1967-1972. DOI：10.3969/j.issn.2095-0381.2017.06.005.

[42] 刘立意， 刘影， 刘冬梅， 等. 鲜猪肉系水力与应力松弛特性相关性的试验研究[J]. 东北农业大学学报， 2015， 46（8）： 88-93. DOI：10.3969/j.issn.1005-9369.2015.08.015.

[43] ELMASRY G， SUN D W， ALLEN P. Non-destructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging[J]. Food Research International， 2011， 44（9）： 2624-2633. DOI：10.1016/j.foodres.2011.05.001.

[44] ELMASRY G， BARBIN D F， SUN D W， et al. Meat quality evaluation by hyperspectral imaging technique： an overview[J]. Food Science and Nutrition， 2012， 52（8）： 689-711. DOI：10.1080/10408398.2010.507908.

[45] PENG Yankun，WANG Wei. Prediction of pork meat total viable bacteria count using hyperspectral imaging system and support vector machines[J]. Food Processing Automation Conference Proceedings， 2008， 6： 28-29. DOI：10.13031/2013.24558.

[46] 郭中华， 郑彩英， 金灵. 基于近红外高光谱成像的冷鲜羊肉表面细菌总数检测[J]. 食品工业科技， 2014， 20（12）： 66-81. DOI：10.13386/j.issn1002-0306.2014.20.005.

[47] 田卫新， 何丹丹， 杨东， 等. 一种基于高光谱图像的熟牛肉TVB-N含量预测方法[J]. 食品与机械， 2016， 32（12）： 70-74. DOI：10.13652/j.issn.1003-5788.2016.12.015.