高光谱成像在鱼肉品质无损检测中的研究进展

王 慧，何鸿举*，刘 璐，马汉军，刘 玺，莫海珍，刘儒彪，潘润淑，康壮丽，朱明明，赵圣明，王正荣

（河南科技学院食品学院，河南 新乡 453003）

鱼肉中富含蛋白质且消化吸收率极高，其脂肪含量比较低且多为不饱和脂肪酸，具有预防心脑血管疾病、降低胆固醇和血液稠度、增强记忆力和思维能力等功效，而且它还富含铁、磷、钙、VA和VD等人体日常生活必需的微量元素；因此鱼肉一直深受消费者的青睐[1-2]。据国家统计局官方数据显示，2016年我国全年水产品产量6 901.25万 t，其中鱼类海水产品产量1 252.03万 t，鱼类淡水产品产量2 986.65万 t，鱼类产品占全年水产品总产量的61.4%，是水产品的重要组成部分。随着人们对鱼肉需求量不断增长，鱼肉质量和安全问题成为消费者关注的重点。

传统鱼肉质量的检测方法主要依靠感官检测、理化检测及微生物学检测等[3]，这些方法一般需要专业人员进行操作，主观干扰因素较大，不但费时耗力、污染环境，而且容易破坏样品的完整性，从而导致鱼肉品质检测工作效率低下。此外，这些传统方法只能适用于实验室等小规模的操作，无法满足现代企业对于在线快速自动化检测的要求。近年来，随着图像处理和光谱学等现代分析技术的不断创新和发展，鱼肉品质的检测正朝着快速、经济、准确、无损的方向发展[4]。

高光谱成像技术（hyperspectral imaging，HSI）融合了传统的光谱技术（反映化学组成等）和图像技术（反映形态学特征）[5-6]，不仅能同时捕捉到被测样品的光谱信息和图像信息，而且具有高分辨率、无需预处理、非破坏性、检测速度快、易于操作等特点，既弥补了传统光谱技术不能提供被测样品空间信息的不足，也打破了图像技术不能提供光谱信息的局限性。目前，HSI技术已在水产品无损检测方面获得大量研究，并产生诸多成果。本文主要综述了HSI技术在鱼肉品质快速检测方面的最新研究进展，主要涉及到鱼肉的化学组成、物理属性、微生物污染以及新鲜度四大方面，同时对HSI技术在鱼肉检测中的应用研究进行了展望。

1 HSI技术

HSI系统的主要组成部分包括：光源、载物台、照相机、镜头、光谱仪、计算机。图1为典型的实验室用“推扫式”HSI系统，采用面阵电荷耦合器件（charge coupled device，CCD）扫描，镜头不动，物体移动。当光源打在物体表面时，通过反射或透射光直接进入到成像镜头内，直达光谱仪，而光谱仪再根据接收到的不同波长光信息进行色散，最后形成光谱，光谱进入到面阵CCD探测器内，CCD把收到的光信号转化成电信号，图像采集卡把CCD得到的电信号再转化成数字信号，最后通过计算机显示出来[7-8]。

HSI系统采用“推扫式”成像方法得到高光谱图像；线列或面阵探测器（x轴向），获取研究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）[9]。综合横纵扫描信息就可得到样品的三维高光谱图像数据（图2）[10]。HSI系统一般可覆盖波长范围在紫外（200～400 nm）、可见光（400～760 nm）、近红外（760～2 560 nm），以及波长大于2 560 nm的区域范围[11]。

图 1 实验室用“推扫式”HSI系统Fig. 1 diagram of the “push-broom scanning” HSI system for experimental application

图 2 三维高光谱图像数据块[10]Fig. 2 Data block of three-dimensional HSI[10]

2 HSI技术在鱼肉品质检测中的应用研究进展

2.1 化学成分预测

鱼肉中富含水分、蛋白质、脂肪、无机盐、矿物质和维生素等营养物质。鱼肉中化学组成成分的含量及分布不同时，对鱼肉的品质会产生一定的影响，比如其肌肉内的水分含量和分布会影响鱼肉的口感，脂肪含量的多少则与鱼肉的嫩度有关[12]等。近几年，HSI技术已经被作为一种快速无损技术用于鱼肉化学组成、成分含量的预测研究，且获得了良好效果。高光谱属于分子振动的倍频和合频光谱，与含氢基团如O—H、N—H、C—H等的倍频和合频的吸收区域一致，可通过提取光谱数据，分析样品中的含氢基团的特征信息，对被测样品化学成分进行定性和定量分析[13-18]，目前HSI所使用的波段大多数在400～1 000 nm和900～1 700 nm之间，不同的光谱波长所对应的生化基团见表1。

表 1 不同光谱波长对应的生化基团[19]Table 1 Biochemical groups corresponding to different spectral wavelengths[19]

He Hongju等[20]采用可见-近红外波段的HSI技术检测大西洋鲑鱼片在0～4 ℃贮藏条件下的含水量变化及空间分布状态；结果显示，使用400～1 000、900～1 700 nm和400～1 700 nm 3 个波段构建的偏最小二乘（partial least squares regression，PLSR）预测模型相关系数（r）均达到0.9，预测均方根误差（root means square error of prediction，RMSEP）均在1.5%左右，其中400～1 000 nm波段的效果好于其他2 个波段，获得的大鲑鱼水分分布见图3，从图3中可以很直观地观察到鲑鱼水分质量分数的分布。基于PLSR和最小二乘支持向量机（least-squares support vector machines，LS-SVM）算法，朱逢乐等[21-22]使用Random frog方法从近红外波段的151 个全波长内提取了12 个特征波长预测研究三文鱼的水分含量，获得了更好的结果（表2）。通过采用连续投影算法（successive projections algorithm，SPA）筛选最优变量，詹白勺等[23]进一步将预测三文鱼水分含量的PLSR模型r提高到0.96，RMSEP降到1.0%以下。除了预测水分，HSI技术也被用于预测鲑鱼的脂肪含量研究。Zhu Fengle等[24]构建的PLSR模型显示鲑鱼脂肪质量分数和全波段（900～1 700 nm）光谱信息之间的r可达0.93，RMSEP为1.24%，竞争适应再加权抽样（competitive adaptive reweighted sampling，CARS）算法筛选最优波长后，PLSR模型r分别提高至0.97，RMSEP也均降低到1.0%以下，其结果均优于使用400～1 000 nm波段所获得的结果，可视化分布图见图4。HSI技术预测鲑鱼不饱和脂肪酸含量也有所报道，在近红外波段，Tao Feifei等[25]使用二阶导数和卷积平滑处理原始光谱数据后，建立了C20:2n-6、C20:3n-6、C20:5n-3、C22:5n-3和C22:6n-35 种不饱和脂肪酸的PLSR预测模型，r分别为0.82、0.83、0.94、0.93、0.93，RMSEP分别为0.31%、1.06%、1.96%、1.11%、2.45%，C20:5n-3脂肪酸的预测效果较好。基于HSI技术（385～970 nm），Dissing等[26]对虹鳟鱼的虾青素含量也进行了研究，所建立的PLSR预测模型的r达0.93，RMSEP为0.25%。就目前研究而言，HSI技术在鱼肉化学组成成分的研究主要集中在水分和脂肪两方面，且效果良好；而对其他化学成分的预测研究较少，详细的研究统计结果见表2。

图 3 鲑鱼的水分分布图[20]Fig. 3 Moisture distribution in salmon fi llets[20]

图 4 鲑鱼脂肪的分布图[24]Fig. 4 Fat distribution in salmon fi llets[24]

表 2 HSI技术在鱼肉化学品质方面的评价Table 2 Application of HSI in chemical quality evaluation of fi sh

2.2 物理属性预测

肉品的质构、嫩度以及系水力等物性指标，理论上HSI技术不能检测，但肉品物性指标的不同是肉中水分、蛋白质、脂肪以及碳水化合物含量的不同所致。因此可以通过测定水分、蛋白质、脂肪和碳水化合物等含量的变化间接反映物性指标[27]。HSI技术在鱼肉物理属性方面的研究应用也卓有成效。

2.2.1 质构特性

国际标准化组织规定食品质构是指“通过力学的、触觉的、视觉的、听觉的方法能够感知的食品流变学特性的综合感觉”。质地是决定鱼产品整体质量的关键参数，鱼肉的质构特性受其品种、鱼肉的部位、饲养条件及蛋白质的物理化学性质变化的影响[28-29]。鱼肉质构的测定对鱼肉品质和新鲜度具有重要的意义，鱼肉的质构特性一般可使用质构仪测定。这种传统检测鱼肉质构特性的方法在当今鱼肉产业快速发展的时代下已跟不上步伐，新兴的HSI凭借其快速、无损的特点，可提供潜在的质构特性快速分析，目前有关HSI在鱼肉质构特性方面的检测已有报道。

Wu Di等[30-31]采用HSI技术（400～1 100 nm）对三文鱼的质构进行了两次研究，2012年第一次研究了三文鱼的硬度、内聚性、黏性，在全波段内所建立的PLSR预测模型的r分别为0.73、0.65、0.73，RMSEP为3.69%、0.06%、0.42%；2014年其又在此基础上使用RC方法从全波段光谱数据中提取了硬度（10 个）、内聚性（9 个）、黏性（11 个）、胶着性（10 个）、咀嚼性（10 个）的最优波长，以最优波长为输入变量建立了PLSR预测模型，即所得到的硬度和内聚性预测模型的r与之前相比均有降低，但其新研究咀嚼性的模型r高达0.7。基于PLSR和LS-SVM算法，朱逢乐[32]使用Random frog方法从近红外的全波长内提取了黏性、弹性和内聚性的特征波长预测大菱鲆鱼的质构特性，分别建立了PLSR和LS-SVM预测模型，结果表明三者的PLSR预测模型的r分别为0.89、0.75和0.88，RMSEP分别为12.06%、0.29%和0.09%，均优于LS-SVM预测模型。通过采用遗传算法（genetic algorithm，GA）筛选最优变量，Cheng Junhu等[33]也使用同样的技术研究了冷冻贮藏期间草鱼的坚实度变化，从全波段内提取了7 个最优波长来建立LS-SVM预测模型，该模型的r高达0.98，RMSEP为1.01%。目前有关HSI技术在鱼肉质构方面的研究报告相对较少，以上研究为将来HSI技术在鱼肉质构方面的快速无损检测应用提供了理论借鉴。

2.2.2 嫩度

嫩度能很直观地反映出鱼肉品质，然而评价鱼肉嫩度的传统方法一般都需要对熟肉进行剪切，此过程不但操作复杂、费时费力，且鱼肉在煮熟的过程中其物理及化学结构已被破坏，故检测结果误差比较大。Isaksson等[34]应用可见近红外光谱分析技术对僵直前（死后2 h）和僵直后（死后冷藏6 d）大西洋鲑鱼片嫩度的等级进行了研究，研究结果表明，使用非破坏性的可见近红外光谱技术来预测鲑鱼的嫩度很有潜力。在此基础上，He Hongju等[35]采用可见-近红外波段的HSI技术研究了0～4 ℃贮藏条件下大西洋鲑鱼片的嫩度变化及空间分布状态，通过采用SPA算法从全波段内提取了4 个（555、605、705 nm和930 nm）特征波长，所构建的LS-SVM模型显示鲑鱼嫩度和光谱的最优波长之间的r可达0.92，RMSEP为1.09%，总体结果显示，HSI技术在定量预测鲑鱼片的嫩度方面效果良好。目前国内外学者使用HSI技术来预测肉品嫩度的研究主要集中在猪[36]、牛[37]、羊[38]以及家禽肉[39]方面，对于鱼肉研究依然较少。

2.2.3 系水力

系水力又称为持水力和保水性，当肌肉在受到外界压力（切碎、加压、加热、冷冻、融化、贮存、加工等）时不仅能保持其固有水分，而且还能保持添加水分的能力[40]。鱼肉系水力的高低会直接影响肉的营养、口感、色泽、嫩度和硬度等食用品质。传统检测鱼肉系水力的方法不但费时费力，而且对鱼肉具有损害，人为因素较大，所得到的数据误差也比较大。近几年，HSI在鱼肉系水力方面的研究已有报道，如He Hongju等[41]使用HSI技术（400～1 100 nm）对冷藏期间鲑鱼片的滴水损失进行了研究，通过采用RC法从121 个全波段内提取出了11 个特征波长，利用特征波长结合PLSR来建立近红外光谱和鲑鱼片滴水损失之间的预测模型，该模型的r为0.85，RMSEP为0.06%。朱逢乐[32]利用HSI技术探究了冷冻-解冻条件下大菱鲆鱼的滴水损失的变化，用Random frog方法从全波段内提取了16 个特征波长建立LS-SVM预测模型，其预测r为0.85，RMSEP为0.01%。在以上研究基础上，Cheng Junhu等[42]利用HSI技术研究了草鱼的滴水损失变化，结合GA和SPA方法从全波段内提取了5 个特征波长建立了多元线性回归（multiple linear regression，MLR）和LS-SVM的预测模型，研究结果表明MLR预测模型效果要好，其r高达0.96，RMSEP为1.21%。Wu Di等[43]利用HSI技术对鲑鱼的液体损失率、水损失率、脂肪损失率和水保留率进行了研究，采用CARS算法分别提取了4 个系水力指标的最优波长（13、12、9 个和12 个），以选取的最优波长为自变量分别建立4 个指标的PLSR分析模型，其r分别为0.95、0.95、0.83和0.97，RMSEP为1.06%、0.92%、0.33%和1.14%，并将得到的最优预测模型转化到图像的每个像素中，便可得到三文鱼4 个系水力指标的所有可视化分布图。上述研究结果表明，HSI技术在对鱼肉的系水力及分布进行快速无损检测方面具有很大潜力。

2.2.4 色泽

色泽是反映鱼肉外观品质变化的重要物理指标，鱼肉的颜色主要由肌肉中的肌红蛋白、血红蛋白和细胞色素的含量所决定[44]。检验鱼肉色泽最常用的方法是使用色差仪测量肉表面的亮度L*值、红绿度a*值和黄蓝度b*值[45]。近几年，有些学者尝试使用HSI技术来检测鱼肉的色泽，如Wu Di等[46]采用HSI技术（897～1 753 nm）对鲑鱼的色泽进行了快速无损检测，首先采用SPA分别选出色泽L*、a*和b*值的最优波长，然后利用选取的有效波长建立了MLR预测模型，最后获得的L*、a*和b*值的MLR预测模型的r分别为0.88、0.74和0.80，RMSEP为2.17%、1.55%和2.24%。随后两年，基于可见-近红外（400～1 000 nm）HSI技术，Cheng Junhu等[47]采用SPA算法从草鱼的全波段光谱内提取了L*值（5 个）和a*值（7 个）的有效波长，所建立的LS-SVM预测模型的r均高于0.95，RMSEP均小于2.70%。两者的研究结果表明，HSI技术在快速、无损检测鱼肉的颜色分析方面具有很广的应用前景。

HSI技术在鱼肉物理属性方面的评价应用如表3所示。

表 3 HSI技术在鱼肉物理属性方面的评价Table 3 Application of HSI in the evaluation of physical properties of fi sh

2.3 微生物检测

鱼肉是一种极易腐败的食物，其货架期极短，当鱼肉中腐败微生物的含量超过一定值时，不仅会造成资源的浪费，而且一旦消费者在不知情的状况下误食，则可能对健康造成损害，甚至导致生命危险；所以检测鱼肉中微生物是否超标是评价鱼肉质量必不可少的一道程序。微生物的检测方法一般有平板计数法[48]、聚合酶链反应技术和酶联免疫吸附测定法等[49-53]，但这些方法都达不到快速、绿色、无损的检测要求。鉴于HSI技术的高分辨率且可对被测样品的化学成分做定量和定性分析等特点，故HSI技术也能检测出微生物细胞核中的蛋白质、多糖、核酸等混合成分的分子振动信息，且能灵敏地检测到微生物分子基团光谱吸收峰的位置和强度[54]；因此国内外学者开始探讨探究HSI快速检测鱼肉中微生物潜在可行性。

He Hongju等[55-57]先后采用近红外HSI技术（900～1 700 nm）对0～4 ℃贮藏条件下的鲑鱼肉表面乳酸菌、假单胞菌和肠杆菌科的菌落数及其可视化分布进行了研究，结果显示所建立的3 种微生物的最优预测模型r均大于0.93，预测误差均小于0.55%。其所获得的每块鲑鱼肉中各种微生物含量的可视化分布图分别如图5～7所示，图中的不同颜色代表鲑鱼肉中微生物的含量值，以lg（CFU/g）表示。He Hongju等[58]又以鲑鱼表面的肠杆菌属和假单胞菌属的菌落数之和（Enterobacteriaceae and Pseudomonas spp. count，EPC）为主要污染微生物指标，探究了HSI技术对鲑鱼表面EPC含量的检测，结果显示所建模型的r高达0.98，预测误差降至0.29%，同样获得了鲑鱼肉表面EPC含量的可视化分布图，其结果较理想。基于可见-近红外HSI技术（400～1 000 nm），Cheng Junhu等[59-60]先后研究了草鱼被肠杆菌科和总细菌污染的情况，其使用加权回归系数法（weighted regression coefficient method，WRC）从全波段中选取了6 个特征波长，基于最优波长所建立的草鱼肠杆菌数的MLR预测模型的r为0.94，预测误差为0.25%，而使用SPA算法提取的7 个特征波长所建立的草鱼总细菌数的PLSR模型的r高达0.96，RMSEP为0.51%。在相同波段内，Wu Di等[61]研究了鲑鱼肉变质过程中总菌数的动态变化预测，通过CARS算法从全波段的光谱数据中提取8 个最优波长建立PLSR模型，r高达0.98，RMSEP低至0.26%，且均获得了鱼块表面肠杆菌科和总细菌数的可视化分布图。以上研究结果表明，HSI技术在快速无损的检测鱼肉表面有害微生物的变化有很大潜力。表4概括总结了近年来HSI技术用于鱼肉微生物检测方面的相关结果。

表 4 HSI技术在鱼肉微生物方面的评价Table 4 Application of HSI in the evaluation of microbial contamination in fi sh

图 5 鲑鱼中乳酸菌数的可视化分布图[55]Fig. 5 Visual distribution of lactic acid bacterial count in salmon[55]

图 6 不同贮藏时间的鲑鱼中假单胞菌科数的可视化分布图[56]Fig. 6 Visual distribution of Pseudomonas counts in salmon samples at different storage times[56]

图 7 鲑鱼中肠杆菌科数的可视化分布图[57]Fig. 7 Visual distribution of Enterobacteriaceae count in salmon[57]

2.4 新鲜度预测

鱼肉在腐败过程中，其蛋白质、脂肪等物质会发生一系列复杂的化学反应，所产生的挥发性盐基氮（total volatile base nitrogen，TVB-N）、硫代巴比妥酸（thiobarbital acid，TBA）反应物、三磷酸腺苷分解物（K值）等化学物质以及pH值均能反映出鱼肉的新鲜度，从而导致鱼肉的物理结构、化学组成信息发生变化，同时鱼肉的O—H、N—H、C—H等含氢基团的倍频和合频信息也会随之发生相应的变化，故可以通过蛋白质、脂肪等含量的变化间接地进行新鲜度指标的测定[62-63]。

2.4.1 pH值

pH值是化学指标评定法中常用的指标[64]，鱼肉的新鲜度可以通过pH值进行判定，一般新鲜鱼肉的pH值在6.5～6.8之间，而不在此范围内的肉即为不新鲜肉。pH值通常采用pH试纸或者pH计进行测定，虽然结果可靠，但耗时长、效率低。鉴于此，一些学者开始研究应用HSI技术测定鱼肉的pH值。He Hongju等[65]使用HSI技术对鲑鱼片的pH值先后进行了两次研究；第一次使用Loading weights算法从全波段光谱内提取6 个最优波长来建立PLSR模型，该模型的r为0.86，RMSEP为0.05%；第二次使用RC算法提取的10 个最优波长所建立的PLSR模型的r高达0.90，均方根误差低至0.04%[41]，结果明显提高。Xu Junli等[66]在此基础上使用stepwise-MLR算法从大西洋鲑鱼的全波段内提取了10 个最优波长来建立MLR模型，r降至0.85，RMSEP为0.05%，结果不如He Hongju等[41]的理想。

2.4.2 TVB-N含量的测定

鱼肉在腐败过程中，由于蛋白质被分解而产生的氨和胺类等碱性含氮物质被称为TVB-N。TVB-N含量的变化能很好地反映鱼肉新鲜度；因此TVB-N含量可以用来评价鱼肉的新鲜度[67]。Cheng Junhu等[68-69]采用HSI技术（400～1 100 nm）测定了草鱼的TVB-N含量，先使用SPA算法从全波段内选取9 个最优波长，以此来建立LS-SVM预测模型，该模型的r为0.96，RMSEP为2.25%，在此基础上使用绒泡菌网络（physarum network，PN）结合GA算法选取最优波长来建立PLSR预测模型，此模型的r高达0.98，均方根误差预测低至1.73%，此结果与之前相比有了很大的提升。

2.4.3 K值

三磷酸腺苷分解物即K值是评价鱼肉新鲜度的重要指标之一，K值为10%时表示鱼肉很新鲜，当K值达到60%～80%时说明鱼肉不可食用，否则会引起食物中毒，导致生命危险。K值的测定关乎到人们的健康，因此检测鱼肉K值是很重要的一步。基于HSI技术（400～1 000 nm），Cheng Junhu等[70]采用SPA算法结合PLSR法对草鲤鱼和银鲫鱼的K值进行了快速无损检测，其PLSR模型的r高达0.97，RMSEP为4.92%。

2.4.4 TBA值

鱼肉中富含不饱和脂肪酸，不饱和脂肪酸能预防心血管疾病、加强记忆和思维能力。鱼肉在贮藏过程中脂类容易受到促氧化剂的影响而产生氢过氧化物、醛类、酮类等有害氧化产物[71]。脂类氧化被认为是导致鱼肉新鲜度下降和品质变坏的一个首要因素。而TBA值是一个常用于反映鱼肉脂类氧化程度的化学指标。Cheng Junhu等[72]采用HSI技术（400～1 000 nm）探究了4 ℃贮藏条件下草鱼的TBA值的变化，利用RC算法和MLR法建立了草鱼中TBA值的预测模型，该模型r为0.92，RMSEP为0.11%。Xu Junli等[66]应用HSI技术（900～1 700 nm）对大西洋鲑鱼的TBA值进行了快速无损检测研究，通过stepwise-MLR和MLR化学计量学方法提取了18 个图像纹理特征变量，所建立的MLR模型的r高达0.92，RMSEP为1.84%。Sivertsen等[73]应用HSI技术（450～700 nm）对鳕鱼的新鲜度进行了评价。通过使用RC算法提取了4 个图像纹理特征变量，最后所建MLR模型的r大于0.87，RMSEP为2.22%。

HSI技术在鱼肉新鲜度方面的评价应用如表5所示。

2.5 其他

HSI技术除了在鱼肉化学成分、物理品质、微生物和新鲜度方面的研究之外，还被用于其他方面的检测，详见表6。章海亮等[74]也采用HSI技术（445～1 001 nm）对不同冷藏时间后多宝鱼的冻融次数进行了研究，CARS算法提取57 个最优波长，再结合主成分分析（principal component analysis，PCA）、灰度共生矩阵（gray-level co-occurrence Matrix，GLCM）纹理特征作为输入变量来建立LS-SVM区分模型，模型的识别率达98%，同时朱逢乐等[75]也采用此技术研究了多宝鱼的冻融次数，所建PLSR模型的r也高达0.98，RMSEP为0.66%。基于HSI技术，Khojastehnazhand等[76]对虹鳟鱼的等级分类进行了快速无损检测，采用PCA算法分别从400～1 000 nm和1 000～2 500 nm两个波段提取各4 个最优波长建立PLSR模型，相比之下400～1 000 nm波段的模型较优。

表 6 HSI技术在鱼肉其他方面的评价Table 6 Application of HSI in the evaluation of other aspects of fi sh

除此之外，HSI技术也被用于检测鱼肉中的寄生虫，杨贤林[77]使用HSI技术检测了鳕鱼内的异尖线虫，使用PCA法对400～1000 nm范围内的高光谱图像进行分析，结果能很清晰地显示出异尖线虫的具体位置。Sivertsen等[78]利用HSI技术预测了鳕鱼中的寄生虫，最后所得到的结果总检出率为58%，深色寄生虫的检出率为71%，浅色寄生虫的检出率为46%，其结果并不理想。使用透射HSI技术对鱼肉品质的研究较少，因透射HSI技术对光源要求较高，当光源较弱时，光源打在样品表面其光线透过率较低则无法对数据进行处理；光源较强则会造成被测样品表面温度较高而容易导致光谱数据丢失[79]。开发透射HSI技术检测鱼肉内部寄生虫及内部损坏和缺陷或许具有一定的应用前景。

3 HSI的优势及缺陷

HSI技术在检测肉品质量方面具有诸多优点：1）样品无需预处理；2）能够同时提供光谱和空间信息；3）能够在同一样品中同时测定几种成分；4）能够实现目标微生物指标的可视化分布；5）高光谱可以解决定性和定量检测。HSI技术不仅能够达到快速、无损的特点，而且其预测准确性较高，比如对鱼肉的化学成分（水分、脂肪和盐类）、物理属性（质构、嫩度、系水力、色泽）、微生物和化学指标（pH值、挥发性成分含量、K值）等关键质量特性的预测取得了不错的效果，即在红肉及家禽肉方面也有广泛的应用，而且效果也很不错。因此HSI技术将会在鱼肉及肉质品质量特性方面有更广阔的发展前景。

尽管HSI技术优势明显，但也存在一定的缺陷及需要改进的问题：1）高光谱图像是3D“数据块”，包含大量的冗余数据，这在挖掘数据方面具有很大的挑战；2）开发带有几个有效波长的多光谱成像系统是必要的，因为它不仅可在较短时间内实现食品质量的评估，而且还能满足在线应用的要求；3）为了保证校正模型的有效性和稳健性，必须要有精确的目标参数值；4）HSI技术不适合应用在同质样品中，因为HSI的成像功能只适用于可视化不均匀的分布空间；5）HSI技术无法获得样品内部更深层的成分信息，因为光的穿透深度受样品和波长范围的限制。

4 结 语

HSI技术作为一种有潜力的快速无损检测工具在食品品质评估方面被广泛研究，且其质量特性的预测也取得了令人满意的效果，鉴于此，HSI技术在不久的未来可能替代耗时的传统检测方法，以满足食品品质的快速、无损在线检测的要求。

从以上的综述可以看出，HSI技术在鱼肉品质检测方面潜力巨大，但其研究对象主要集中于对鲑鱼、草鱼、鳕鱼、虹鳟鱼和大菱鲆鱼品质的研究，而对我国消费较多的鲤鱼、鲢鱼、鱿鱼和带鱼品质方面的研究较少；所以将来可在现有研究的基础上扩大HSI技术的应用范围，以充分挖掘HSI的利用价值。

国内已有开发相关的高光谱成像设备，但是其核心部件依然需要进口，购买成本依然比较昂贵，HSI设备的国产化、低成本化将是未来发展的一个重要方向。目前不管是实验室用和室外用HSI成像设备，体积均过于庞大、不易携带，未来HSI设备应趋于小型化、便携化发展。

尽管高光谱设备可获取大量数据，但是数据分析速度依然较慢，所构建的模型不具通用性，应用受限；因此，可通过前期的理论和应用研究，开发波长少、数据分析速度更快的光谱成像设备，可实现真正意义上的快速检测。