基于高光譜成像技術的牛羊肉品質無損檢測研究進展

王 龍，邱園園，李小波

（1.石河子大學機械電氣工程學院，新疆 石河子 832003；2.新疆原野食品有限責任公司）

基于高光譜成像技術的牛羊肉品質無損檢測研究進展

王 龍，邱園園，李小波

（1.石河子大學機械電氣工程學院，新疆 石河子 832003；2.新疆原野食品有限責任公司）

高光譜成像技術作為一種無損的檢測技術已在農畜產品的品質檢測中得到應用，本文綜述了高光譜成像技術在牛羊肉品質檢測中的應用進展，同時提出了現階段高光譜成像技術所存在的問題，展望了該技術在牛羊肉品質檢測領域的應用前景。

高光譜成像技術；牛羊肉品質；應用進展

伴隨著全球的經濟大發展，國內國外消費者對牛羊肉需求也與日俱增，這樣的需求為眾多牛羊肉生產加工企業提供了一個廣闊的平臺。

從牛羊肉的總體產量上看，我國可以稱得上是一個牛羊肉生產大國，但在國際舞臺上我們卻仍然是一個小角色，我們所生產加工出口外銷的牛羊肉及其制品的市場競爭力遠低于其他西方發達國家，國外消費者對于我們的牛羊肉制品一直持懷疑態度。長期以來，我國所生產加工的牛羊肉產品只在國際市場中占據了很小的份額，而我們牛羊肉產品的價格又遠遠低于其他國家的產品，處在一個不利的地位。現階段，市場上大部分的高檔牛羊肉制品依然來自于國際市場的進口。造成我國高檔牛肉市場供應不足的因素有很多，其中最關鍵因素正是牛羊肉質量無法得到有力保證，然而國際市場和國內高端需求又對牛羊肉品質的要求很高，所以這個問題一直困擾和制約著我國牛羊肉制品工業的發展。我國對牛羊肉品質分級起步較晚，相比與西方牛羊肉產業發達國家技術上遠遠落后。目前，國內反映牛羊肉質量的牛羊肉分級體系和標準已經建立，因此，尋求一種可靠的牛羊肉品質安全分級檢測手段已經成為當務之急。

現階段，我國大部分牛羊肉生產企業和檢驗部門對于牛羊肉品質的檢測仍然依靠感官評定和理化指標檢測2種方法。其中，感官評定的方法是經過專業訓練和考核的專業人員對牛羊肉制品進行人工的打分評定，這種方法的檢測結果受許多主觀因素的干擾，例如評價者本身的心理波動和身體上的狀態差異，所以檢測結果誤差較大；理化指標檢測的方法就是借助相關儀器設備對牛羊肉制品相關理化指標進行客觀的測定，例如，嫩度儀對牛羊肉嫩度的測定。這種方法雖然比人工的主觀評價要準確，但是該方法對肉樣不僅具有破壞性，而且其取樣過程復雜、檢測時間較長，所以也已經無法滿足現在飛速發展的牛羊肉工業的檢測需求。近年來，隨著電學、光學、計算機、圖像處理等現代先進技術的不斷發展和創新，肉品品質檢測技術正朝著非破壞性、在線實時、準確便捷的方向發展。例如超聲波分析檢測、生物仿真檢測、機器視覺檢測、近紅外光譜分析等新興檢測技術已經逐步實現對于牛肉嫩度的檢測，但都存在一些不足和技術瓶頸，也暫時無法滿足對于牛肉嫩度的工業化生產檢測。

1 高光譜成像技術簡介

高光譜成像技術[1]是一項綜合了多門學科的一項新興技術，其包含了光譜學、圖像學、計算機編程應用以及信息分析處理等技術，與傳統的二維成像技術不同，高光譜成像技術有效的結合光譜技術，在檢測過程中獲得的是同時包含被測樣品光譜數據曲線和外部圖像信息的三維數據塊，如此就可以同時分析被測物的可視空間信息和內部品質特征，從而實現基于多變量的可視化判別。其在農畜產品的品質鑒別和無損檢測分級中具有很大的發展潛力，合理有效的利用高光譜圖像技術可以為牛羊肉品質無損檢測提供一種行之有效的方法。

2 國外研究進展

國外利用高光譜成像技術對畜禽產品的品質檢測早在20世紀90年代[2]就已經開始了，近些年來對于牛羊肉的品質檢測也進行了研究，尤其是對牛肉品質檢測的研究較多。

2007年，Cho等[3]進行了基于高光譜圖像系統對牛肉制品生產加工機械上遺留殘渣的檢測研究，實驗針對牛肉加工過程中的殘留物進行定性判別，選擇多個特征波段建立判別模型，最終檢測判別率可達99.7%。

2008年，Cluff等[4]利用高光譜圖像技術對牛肉嫩度進行無損檢測，根據光譜散射特性建立牛肉嫩度判別模型。研究結果表明，高光譜成像技術可以進行牛肉嫩度的無損檢測，其準確率高達76%。

2008年，Naganthan G K等[5]應用高光譜圖像對對牛肉紋理特性展開研究。根據牛肉的剪切力把樣本嫩度分成三類（柔軟、適中、堅韌），通過主成分分析獲得牛肉紋理特性，并依據三種嫩度類型與紋理特性的關系，建立圖像預測模型，留一交叉驗證方法驗證模型的精確度達94.6%。

2009年，Peng等[6]研制組裝了一個高光譜分散系統，通過不同的化學計量學方法建模，最終實現檢測牛肉中的腐敗細菌，同時其檢測結果符合檢測精度要求。

2011年，ElMasry G等[7]研究了基于高光譜圖像對牛肉系水力進行無損檢測，利用PLS方法建立的檢測模型決定系數為0.89，交叉驗證模型的標準誤差為0.26%。并根據偏最小二乘回歸系數選擇6個特征波長 （940、997、1 144、1 214、1 342、1 443 nm），采用偏最小二乘回歸建立模型，最終該模型的相關系數和標準誤差分別為0.87和0.28%。

2011年，Mohammed.K等[8]利用高光譜成像技術分別檢測羊肉品質、牛肉和豬肉的色澤、值、持水率、嫩度。實驗結果表明，利用偏最小二乘法建立對羊肉水分含量、脂肪含量及蛋白質含量的預測模型均取得了良好的模型效果，完成了對肉品各項指標的檢測，實現了對于羊肉的無損檢測。

2012年，Kamruzzaman M等[9]開展了羔羊肉品質無損檢測。所用高光譜檢測范圍在900～1 700 nm內，分別對羔羊肉不同部分的pH值、顏色、持水力3個指標進行檢測，應用偏最小二乘回歸和多元散射校正建立模型，測得持水力的決定系數為0.77，同時根據灰度共生矩陣提取圖像結構信息，確定失水率與圖像結構信息的關系比例。

3 國內研究進展

國內利用高光譜圖像對肉制品品質的研究開展略晚，研究基礎相對薄弱，近紅外高光譜設備擁有量也少，所以國內高光譜成像技術應用于肉類制品檢測方向上的時間不長，但快速、無損、高效的檢測優越性，仍然讓該技術得到了足夠重視，其在牛羊肉品質檢測這一領域擁有巨大潛力。為此國內部分學者也已經展開了深入的研究。

2009年，高曉東等[10]研究了高光譜成像技術對牛肉大理石花紋的評估，實驗獲取3個特征參數，并依據提取的特征參數構建多元線性回歸模型。最終研究結果表明，多元線性回歸模型對大理石花紋的預測相關系數達0.92，預測標準差為0.45，分級準確率達84.8%。

2010年，吳建虎等[11]研發了一套高光譜檢測系統，其能在400～1 100 nm波長范圍獲取牛肉樣品的高光譜散射圖像。最終實現對牛肉嫩度等品質進行無損檢測。

2013年，思振華等[12]研究采用光譜范圍400～1 000 nm的高光譜成像系統對羊肉表面腸溶物污染進行無損檢測。其對采集到的高光譜圖像數據進行主成分分析，選擇5個特征波，應用中值濾波等預處理方法對不同光譜范圍內腸溶物進行特征提取。實驗結果表明，該方法對羊肉表明腸溶物污染的檢測率為98.5%，證明該方法對羊肉表面污染無損檢測是可行的。

2013年，朱榮光等[13]探討高光譜圖像技術對不同儲存時間和取樣部位的牛肉顏色檢測的可行性。實驗采集具有代表性的82個牛肉樣品的高光譜圖像，并使用色度計獲取牛肉樣品的顏色參數。通過選擇適宜的譜區范圍和預處理方法，利用偏最小二乘法建立牛肉顏色的檢測模型，對于各顏色指標的校正集和驗證集模型相關系數均在0.8以上。研究結果表明，高光譜圖像技術可用于快速無損檢測不同儲存時間下、不同取樣部位的牛肉顏色。

2014年，王家云等[14]利用近紅外高光譜成像技術對羊肉蛋白質、脂肪含量和pH值進行無損檢測研究。利用高光譜檢測系統獲取69個羊肉樣本的高光譜圖像數據，對原始光譜和不同預處理后光譜建立偏最小二乘回歸模型，利用模型效果對比得出最佳預處理算法。結果表明：羊肉蛋白質、脂肪含量、pH值最佳預處理方法為基線校準、多元散射校正與S-G卷積平滑結合算法和原始光譜；三項指標其最優預測模型決定系數分別為0.83、0.86和0.72，預測均方根誤差為0.57、0.09和0.12，該結果表明利用近紅外高光譜成像技術對羊肉內部品質進行快速無損檢測是可行的。

2015年，鄭彩英等[15]利用不同波段范圍的高光譜成像系統對冷卻羊肉的表面細菌總數進行了無損檢測。研究利用偏最小二乘結合反向人工神經網絡和徑向基人工神經網絡建立預測模型。結果表明，神經網絡建模效果優于偏最小二乘法；其中，徑向基人工神經網絡模型在400～1 100 nm和900～1 700 nm波長范圍內相關系數分別為0.987和0.999，均方根誤差分別為0.821和0.251，預測效果最佳；而900～1 700 nm波長范圍為最佳建模波長。

高光譜成像技術作為一種綠色環保的檢測技術，憑借其準確、無損的特點在肉制品摻假檢測中將得到更多的應用和發展，并逐漸被廣泛使用。

4 結束語

綜上所述，高光譜成像技術具有準確、無損、綠色與環保等特點，在牛羊肉品質檢測的研究中所建立的模型預測效果良好，在未來牛羊肉的品質無損檢測方向具有良好的應用前景。但高光譜成像技術也存在一定的問題，其光譜掃描獲得的是包含樣品外部信息和內部品質的三維數據塊，其數據塊包含信息較多，所占存儲空間大，檢測過程較慢，且數據進行處理時通常需要降維。同時利用高光譜成像技術進行檢測前需要建立模型，而模型的精度和穩定性會受到光譜預處理方法、波段選擇和建模方法等因素的影響。在今后的研究中，需要在圖像預處理、光譜預處理和建模方法優化等方面進行更加深入的探索。最后，加快高光譜系統的掃描存儲速度將使高光譜成像技術應用更加廣泛。

[1]劉燕德，張光偉.高光譜成像技術在農產品檢測中的應用[J].食品與機械，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]高曉東，吳建虎，彭彥昆，等.基于高光譜成像技術的牛肉大理石花紋的評估[J].農產品加工（學刊），2009（10）：33-37.

[11]吳建虎，彭彥昆，陳菁菁，等.基于高光譜散射特征的牛肉品質參數的預測研究[J].光譜學與光譜分析，2010，30（7）：1815-1819.

[12]思振華，何建國，劉貴珊，等.基于高光譜圖像技術羊肉表面污染無損檢測[J].食品與機械，2013，29（5）：75-79.

[13]朱榮光，姚雪東，高廣娣，等.不同儲存時間和取樣部位牛肉顏色的高光譜圖像檢測 [J].農業機械學報，2013，44（7）：165-169.

[14]王家云，王松磊，賀曉光，等.基于NIR高光譜成像技術的灘羊肉內部品質無損檢測 [J].現代食品科技，2014，30（6）：257-262.

[15]鄭彩英，郭中華，金靈.高光譜成像技術檢測冷卻羊肉表面細菌總數[J].激光技術，2015，39（2）：284-288.

2015—04—23