高光谱图像技术在肉品检测中的研究进展

郑素罗 王润博

1.河南御江食品股份有限公司 河南漯河 462300 2.河南工业大学漯河工学院 河南漯河 462300

随着生活水平的不断提高，人们对各种肉及其制品的需求量越来越大，对肉品在安全性和营养性上的要求也越来越高。而市场上存在肉类掺假现象[1]，并且腊肉[2]、香肠[3，4]、肉松[5]、腊肠[6]等肉制品分级混乱，缺乏快速无损检测方式。所以，肉品的实时检测技术方法亟需研究。

现阶段，肉品检测技术有：酶联免疫检测、荧光PCR定量检测、电子鼻分析检测、近红外特征光谱技术、高光谱成像技术以及核磁共振技术等[7]。其中，高光谱仪器具有分辨率高、检测速度快、无破坏等特点，融合了样本图像信息和光谱信息，可在较大波段范围内采集得到样本每个波长下的图像数据，样本各成分在某一波长处有独特的官能团属性，高光谱图像中每个点处的光谱信息可以表征该点的成分构成，每个波长下的图像信息可以表征物体内外的空间性状[8]。所以，高光谱图像技术能够通过检测肉品嫩度、色泽、纤维结构、各种营养成分或有毒有害成分含量等，满足人们对肉品安全指标高效和高精确度检测，实现肉品内外质量分析[9，11]和可视化表达[12，13]。该技术较为广泛运用在各种肉品的快速、无损、在线检测[14～17]，并逐步实用化[18]。

1 高光谱成像技术

1.1 高光谱成像原理与图像采集

高光谱成像系统主要由光纤卤素灯、高分辨率摄像机、电荷耦合探测器、计算机软件平台、传送装置组成(图1)。为获得理想区域，根据样本大小及形状不同，在计算机软件采集平台上设定合适的高光谱扫描范围Width和Height。每幅高光谱图像的行数为Height，每行的像素点为Width个，故每个波长下高光谱图像分辨率为Width×Height。采集样本高光谱数据时，高分辨率摄像机的线阵探测器在传送带前进方向的垂直方向做横向扫描，得到每个像素点在所有波长处的数据信息。同时随着输送带的前进，完成所设定区域数据的采集。最终，原始高光谱图像信息可表示为Width×Height×λ的三维矩阵(λ是高光谱仪器的总波段数)。

图1 高光谱图像采集系统

1.2 高光谱图像的定性定量分析

高光谱技术在肉品定性定量检测分析中的判别流程，如图2。

图2 高光谱技术定性定量分析判别流程

首先用SICap-STVR V1.0.x软件平台采集高光谱图像，然后在ENVI软件中选择感兴趣区域或性状，并计算任一波长下感兴趣区域图像的平均光谱值。再将所提取的平均光谱值，经过MATLAB软件黑白校正和光谱预处理程序后得到初始输入数据。光谱预处理方法有：基线校正、标准正态变量校正、多元散射校正、高斯滤波平滑、归一化校正等[19]。

如图2所示，初始数据可以直接作为输入建立模型，也可以减少信息冗余，为快速计算，采用回归系数法、逐步回归法、连续投影算法、遗传算法、竞争性自适应重加权算法和二维相关光谱分析等方法选择具有代表性的特征波长[20，21]，仅用某些波段下的光谱数据建立模型。或者，提取特征波长下图像的光谱信息和图像特征，利用两方面的特征融合，建立定性或定量分析模型[22]。

定性定量判定模型建立技术方法有：偏最小二乘回归、逐步多元线性回归、支持向量机和神经网络等[23]。根据样本多少或对比模型预测结果，选择合适的建模方法。

2 高光谱成像技术应用于肉品品质和安全性评价中的研究

肉品种类繁多，可以分为家禽肉类、海鲜肉类和腌制肉类三大类[24]。肉的嫩度、色泽、保水性、营养成分含量及是否掺假等，是肉品品质和安全性评价的主要指标[25，26]。下面对高光谱技术应用于肉品检测研究做简要汇总。

2.1 肉品品质检测研究

2.1.1 颜色属性

Sw A[27](2022)等采用可见光-近红外高光谱成像系统对大黄鱼鱼片低温贮藏过程中颜色变化进行监测。结合以泄漏校正线性单元为权能的前馈神经网络，利用简化的FNN-Leaky-Relu模型证实其可以替代传统色度计,快速、无创测定鱼片颜色测量中的空间分布。孙宗保[28](2021)等采用竞争性自适应重加权算法和区间变量迭代空间收缩方法筛选的相关变量建立偏最小二乘模型，对三文鱼的颜色、剪切力和K值进行预测，实现三文鱼多指标快检和可视化分布。Chaudhry M M A[29](2021)等采用基于光子学的多元模式识别技术，利用550～690nm波长范围内的颜色属性预测野牛肌肉样本的稳定性。Chendie N[30](2020)等采用逐次投影算法选择光谱数据的特征波长，建立了基于四种光谱预处理方法的定量回归模型，来预测与金华干腌火腿质量高度相关的特征颜色指标，根据颜色特征监测火腿质量。Jiang H[31](2018)等证实高光谱成像可以评估宰后24h鸡肉的颜色和pH值。

2.1.2 肉品中营养物质的含量研究

肉类肌肉组织的营养成分构成为约75%水、20%蛋白质、5%脂肪、少量碳水化合物和矿物质[32]。Liu Y[33](2018)等建立模型预测微波加热过程中牛肉的含水量和颜色变化，并绘制了分布图。ElMasry G M[34](2021)等采用切片干腌火腿建立偏最小二乘预测模型，实现了对脂肪、水分、盐分和蛋白质含量的准确预测和各成分的直观分布。郭建宏[35](2021)等采用多种光谱预处理方法和特征波长选择方法，并进行比较，最终得到油酸和硬脂酸两种特殊脂肪酸的最优预测模型，并实现了两者在羊肉样本高光谱图像上的可视性表达。

2.2 肉品安全性评价研究

2.2.1 肉品掺假检测

Zheng X C[36](2019)等利用参考光谱的多重平均值和相对空间分布系数降低光谱噪声，选用特殊波段创建偏最小二乘预测模型，实现基于可见近红外波段高光谱成像系统验证羊肉末掺假鸭肉的快速、无损检测方法。Zhao H T[37](2019)等提出了一种新的特征波长选择方法“入侵杂草优化”，建立最小二乘支持向量机简化模型，来预测牛肉变质掺假的现象，将优化模型应用于像素级高光谱图像，实现新鲜碎牛肉中变质牛肉掺假物分布的可视化。於海明[38](2019)等采用傅里叶变换提取猪肉样本的频谱特征，建立神经网络分类识别模型，实现对正常猪肉和注水猪肉的分类检测，正确率达98.8%。孙宗宝[39](2020)等选用适合于掺猪肉和掺鸡肉牛肉丸样本的最佳光谱预处理方法，并比较多种不同特征波长筛选方法，创建偏最小二乘模型预测牛肉丸中掺假猪肉和鸡肉的量。王伟[40](2019)等利用高光谱成像技术快速无损检测生鲜鸡肉糜中超量添加大豆蛋白，并提高3种大豆蛋白的检测限，完成了多种大豆蛋白和其掺假梯度的可视表达。

2.2.2 肉品中有害成分含量检测

Ubonrat S[41](2018)等借助高光谱成像技术，采集了400～1 000nm波长范围内香肠在4℃储存期间的反射光谱，使用典型相关分析研究了质量属性与光谱反射率之间的关系，对乳酸菌、pH值、硫代巴比妥酸、气味、颜色、总活菌数和整体可接受性等特征进行了监测。将选定的波长组合成多光谱数据，并用作输入变量，优化偏最小二乘回归和人工神经网络模型，以预测香肠样品的质量属性。王天真[42](2020)利用高光谱技术预测不同贮藏时期调理牛排的新鲜度指标挥发性盐基氮和硫代巴比妥酸的含量。程丽娟[43](2020)等采用多种方法进行光谱预处理和优选变量，快速无损检测滩羊肉中高铁肌红蛋白的含量。刘峥[44](2019)等选用不同保藏阶段的香肠为样本，高光谱数据采集后，经过SG光谱预处理和提取典型波长，对比不同输入数据和建模方法，快速检测香肠中亚硝酸盐含量。

2.2.3 肉品中腐败菌检测

何鸿举[45](2020)等采用连续投影法从基线校正预处理光谱中筛选出21个特征波段，通过化学计量学算法构建模型，预测鸡胸肉中乳酸菌的含量。王浩云[46](2020)等采用竞争性自适应重加权算法筛选特征波长，然后基于鸟群算法和免疫算法优化BP神经网络建立可以预测鸡肉中菌落总数的模型，且稳定性较好。Yu X[47](2019)等运用堆叠式自动编码器作为大数据分析方法，从4℃贮藏的去皮虾近红外高光谱图像中提取20个深度高光谱特征，并利用提取的特征通过全连接神经网络预测去皮白虾中总活菌数。郭培源[48](2019)等利用高光谱图像技术结合支持向量积回归和迭代决策树方法，预测香肠的菌落总数。

3 结论与展望

综上所述，高光谱检测肉品内外品质、掺假、营养成分和有毒有害成分含量、腐败菌数量等具有可行性。但检测限、准确度和稳健性仍有待探讨和研究，并且在线实时检测和日常实用仪器也有待开发。高光谱技术硬件方面可以考虑简化高光谱采集系统、降低成本、增大波长范围、缩小波段间隔、提高摄相机的性能和分辨率等；软件方面需结合化学计量学方法，不断探索，引入更快、更简单、更精确的算法实现对大量数据的分析处理和模型建立。