高光譜成像在魚肉品質無損檢測中的研究進展

王 慧，何鴻舉*，劉 璐，馬漢軍，劉 璽，莫海珍，劉儒彪，潘潤淑，康壯麗，朱明明，趙圣明，王正榮

（河南科技學院食品學院，河南 新鄉 453003）

魚肉中富含蛋白質且消化吸收率極高，其脂肪含量比較低且多為不飽和脂肪酸，具有預防心腦血管疾病、降低膽固醇和血液稠度、增強記憶力和思維能力等功效，而且它還富含鐵、磷、鈣、VA和VD等人體日常生活必需的微量元素；因此魚肉一直深受消費者的青睞[1-2]。據國家統計局官方數據顯示，2016年我國全年水產品產量6 901.25萬 t，其中魚類海水產品產量1 252.03萬 t，魚類淡水產品產量2 986.65萬 t，魚類產品占全年水產品總產量的61.4%，是水產品的重要組成部分。隨著人們對魚肉需求量不斷增長，魚肉質量和安全問題成為消費者關注的重點。

傳統魚肉質量的檢測方法主要依靠感官檢測、理化檢測及微生物學檢測等[3]，這些方法一般需要專業人員進行操作，主觀干擾因素較大，不但費時耗力、污染環境，而且容易破壞樣品的完整性，從而導致魚肉品質檢測工作效率低下。此外，這些傳統方法只能適用于實驗室等小規模的操作，無法滿足現代企業對于在線快速自動化檢測的要求。近年來，隨著圖像處理和光譜學等現代分析技術的不斷創新和發展，魚肉品質的檢測正朝著快速、經濟、準確、無損的方向發展[4]。

高光譜成像技術（hyperspectral imaging，HSI）融合了傳統的光譜技術（反映化學組成等）和圖像技術（反映形態學特征）[5-6]，不僅能同時捕捉到被測樣品的光譜信息和圖像信息，而且具有高分辨率、無需預處理、非破壞性、檢測速度快、易于操作等特點，既彌補了傳統光譜技術不能提供被測樣品空間信息的不足，也打破了圖像技術不能提供光譜信息的局限性。目前，HSI技術已在水產品無損檢測方面獲得大量研究，并產生諸多成果。本文主要綜述了HSI技術在魚肉品質快速檢測方面的最新研究進展，主要涉及到魚肉的化學組成、物理屬性、微生物污染以及新鮮度四大方面，同時對HSI技術在魚肉檢測中的應用研究進行了展望。

1 HSI技術

HSI系統的主要組成部分包括：光源、載物臺、照相機、鏡頭、光譜儀、計算機。圖1為典型的實驗室用“推掃式”HSI系統，采用面陣電荷耦合器件（charge coupled device，CCD）掃描，鏡頭不動，物體移動。當光源打在物體表面時，通過反射或透射光直接進入到成像鏡頭內，直達光譜儀，而光譜儀再根據接收到的不同波長光信息進行色散，最后形成光譜，光譜進入到面陣CCD探測器內，CCD把收到的光信號轉化成電信號，圖像采集卡把CCD得到的電信號再轉化成數字信號，最后通過計算機顯示出來[7-8]。

HSI系統采用“推掃式”成像方法得到高光譜圖像；線列或面陣探測器（x軸向），獲取研究對象條狀空間中每個像素在各個波長λi（i＝1，2，3…，n；n為正整數）下的圖像信息；同時在檢測系統輸送帶前進過程中，排列的探測器如同刷子掃地一樣掃出一條帶狀軌跡，從而完成縱向掃描（y軸向）[9]。綜合橫縱掃描信息就可得到樣品的三維高光譜圖像數據（圖2）[10]。HSI系統一般可覆蓋波長范圍在紫外（200～400 nm）、可見光（400～760 nm）、近紅外（760～2 560 nm），以及波長大于2 560 nm的區域范圍[11]。

圖 1 實驗室用“推掃式”HSI系統Fig. 1 diagram of the “push-broom scanning” HSI system for experimental application

圖 2 三維高光譜圖像數據塊[10]Fig. 2 Data block of three-dimensional HSI[10]

2 HSI技術在魚肉品質檢測中的應用研究進展

2.1 化學成分預測

魚肉中富含水分、蛋白質、脂肪、無機鹽、礦物質和維生素等營養物質。魚肉中化學組成成分的含量及分布不同時，對魚肉的品質會產生一定的影響，比如其肌肉內的水分含量和分布會影響魚肉的口感，脂肪含量的多少則與魚肉的嫩度有關[12]等。近幾年，HSI技術已經被作為一種快速無損技術用于魚肉化學組成、成分含量的預測研究，且獲得了良好效果。高光譜屬于分子振動的倍頻和合頻光譜，與含氫基團如O—H、N—H、C—H等的倍頻和合頻的吸收區域一致，可通過提取光譜數據，分析樣品中的含氫基團的特征信息，對被測樣品化學成分進行定性和定量分析[13-18]，目前HSI所使用的波段大多數在400～1 000 nm和900～1 700 nm之間，不同的光譜波長所對應的生化基團見表1。

表 1 不同光譜波長對應的生化基團[19]Table 1 Biochemical groups corresponding to different spectral wavelengths[19]

He Hongju等[20]采用可見-近紅外波段的HSI技術檢測大西洋鮭魚片在0～4 ℃貯藏條件下的含水量變化及空間分布狀態；結果顯示，使用400～1 000、900～1 700 nm和400～1 700 nm 3 個波段構建的偏最小二乘（partial least squares regression，PLSR）預測模型相關系數（r）均達到0.9，預測均方根誤差（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 個波段，獲得的大鮭魚水分分布見圖3，從圖3中可以很直觀地觀察到鮭魚水分質量分數的分布。基于PLSR和最小二乘支持向量機（least-squares support vector machines，LS-SVM）算法，朱逢樂等[21-22]使用Random frog方法從近紅外波段的151 個全波長內提取了12 個特征波長預測研究三文魚的水分含量，獲得了更好的結果（表2）。通過采用連續投影算法（successive projections algorithm，SPA）篩選最優變量，詹白勺等[23]進一步將預測三文魚水分含量的PLSR模型r提高到0.96，RMSEP降到1.0%以下。除了預測水分，HSI技術也被用于預測鮭魚的脂肪含量研究。Zhu Fengle等[24]構建的PLSR模型顯示鮭魚脂肪質量分數和全波段（900～1 700 nm）光譜信息之間的r可達0.93，RMSEP為1.24%，競爭適應再加權抽樣（competitive adaptive reweighted sampling，CARS）算法篩選最優波長后，PLSR模型r分別提高至0.97，RMSEP也均降低到1.0%以下，其結果均優于使用400～1 000 nm波段所獲得的結果，可視化分布圖見圖4。HSI技術預測鮭魚不飽和脂肪酸含量也有所報道，在近紅外波段，Tao Feifei等[25]使用二階導數和卷積平滑處理原始光譜數據后，建立了C20:2n-6、C20:3n-6、C20:5n-3、C22:5n-3和C22:6n-35 種不飽和脂肪酸的PLSR預測模型，r分別為0.82、0.83、0.94、0.93、0.93，RMSEP分別為0.31%、1.06%、1.96%、1.11%、2.45%，C20:5n-3脂肪酸的預測效果較好。基于HSI技術（385～970 nm），Dissing等[26]對虹鱒魚的蝦青素含量也進行了研究，所建立的PLSR預測模型的r達0.93，RMSEP為0.25%。就目前研究而言，HSI技術在魚肉化學組成成分的研究主要集中在水分和脂肪兩方面，且效果良好；而對其他化學成分的預測研究較少，詳細的研究統計結果見表2。

圖 3 鮭魚的水分分布圖[20]Fig. 3 Moisture distribution in salmon fi llets[20]

圖 4 鮭魚脂肪的分布圖[24]Fig. 4 Fat distribution in salmon fi llets[24]

表 2 HSI技術在魚肉化學品質方面的評價Table 2 Application of HSI in chemical quality evaluation of fi sh

2.2 物理屬性預測

肉品的質構、嫩度以及系水力等物性指標，理論上HSI技術不能檢測，但肉品物性指標的不同是肉中水分、蛋白質、脂肪以及碳水化合物含量的不同所致。因此可以通過測定水分、蛋白質、脂肪和碳水化合物等含量的變化間接反映物性指標[27]。HSI技術在魚肉物理屬性方面的研究應用也卓有成效。

2.2.1 質構特性

國際標準化組織規定食品質構是指“通過力學的、觸覺的、視覺的、聽覺的方法能夠感知的食品流變學特性的綜合感覺”。質地是決定魚產品整體質量的關鍵參數，魚肉的質構特性受其品種、魚肉的部位、飼養條件及蛋白質的物理化學性質變化的影響[28-29]。魚肉質構的測定對魚肉品質和新鮮度具有重要的意義，魚肉的質構特性一般可使用質構儀測定。這種傳統檢測魚肉質構特性的方法在當今魚肉產業快速發展的時代下已跟不上步伐，新興的HSI憑借其快速、無損的特點，可提供潛在的質構特性快速分析，目前有關HSI在魚肉質構特性方面的檢測已有報道。

Wu Di等[30-31]采用HSI技術（400～1 100 nm）對三文魚的質構進行了兩次研究，2012年第一次研究了三文魚的硬度、內聚性、黏性，在全波段內所建立的PLSR預測模型的r分別為0.73、0.65、0.73，RMSEP為3.69%、0.06%、0.42%；2014年其又在此基礎上使用RC方法從全波段光譜數據中提取了硬度（10 個）、內聚性（9 個）、黏性（11 個）、膠著性（10 個）、咀嚼性（10 個）的最優波長，以最優波長為輸入變量建立了PLSR預測模型，即所得到的硬度和內聚性預測模型的r與之前相比均有降低，但其新研究咀嚼性的模型r高達0.7。基于PLSR和LS-SVM算法，朱逢樂[32]使用Random frog方法從近紅外的全波長內提取了黏性、彈性和內聚性的特征波長預測大菱鲆魚的質構特性，分別建立了PLSR和LS-SVM預測模型，結果表明三者的PLSR預測模型的r分別為0.89、0.75和0.88，RMSEP分別為12.06%、0.29%和0.09%，均優于LS-SVM預測模型。通過采用遺傳算法（genetic algorithm，GA）篩選最優變量，Cheng Junhu等[33]也使用同樣的技術研究了冷凍貯藏期間草魚的堅實度變化，從全波段內提取了7 個最優波長來建立LS-SVM預測模型，該模型的r高達0.98，RMSEP為1.01%。目前有關HSI技術在魚肉質構方面的研究報告相對較少，以上研究為將來HSI技術在魚肉質構方面的快速無損檢測應用提供了理論借鑒。

2.2.2 嫩度

嫩度能很直觀地反映出魚肉品質，然而評價魚肉嫩度的傳統方法一般都需要對熟肉進行剪切，此過程不但操作復雜、費時費力，且魚肉在煮熟的過程中其物理及化學結構已被破壞，故檢測結果誤差比較大。Isaksson等[34]應用可見近紅外光譜分析技術對僵直前（死后2 h）和僵直后（死后冷藏6 d）大西洋鮭魚片嫩度的等級進行了研究，研究結果表明，使用非破壞性的可見近紅外光譜技術來預測鮭魚的嫩度很有潛力。在此基礎上，He Hongju等[35]采用可見-近紅外波段的HSI技術研究了0～4 ℃貯藏條件下大西洋鮭魚片的嫩度變化及空間分布狀態，通過采用SPA算法從全波段內提取了4 個（555、605、705 nm和930 nm）特征波長，所構建的LS-SVM模型顯示鮭魚嫩度和光譜的最優波長之間的r可達0.92，RMSEP為1.09%，總體結果顯示，HSI技術在定量預測鮭魚片的嫩度方面效果良好。目前國內外學者使用HSI技術來預測肉品嫩度的研究主要集中在豬[36]、牛[37]、羊[38]以及家禽肉[39]方面，對于魚肉研究依然較少。

2.2.3 系水力

系水力又稱為持水力和保水性，當肌肉在受到外界壓力（切碎、加壓、加熱、冷凍、融化、貯存、加工等）時不僅能保持其固有水分，而且還能保持添加水分的能力[40]。魚肉系水力的高低會直接影響肉的營養、口感、色澤、嫩度和硬度等食用品質。傳統檢測魚肉系水力的方法不但費時費力，而且對魚肉具有損害，人為因素較大，所得到的數據誤差也比較大。近幾年，HSI在魚肉系水力方面的研究已有報道，如He Hongju等[41]使用HSI技術（400～1 100 nm）對冷藏期間鮭魚片的滴水損失進行了研究，通過采用RC法從121 個全波段內提取出了11 個特征波長，利用特征波長結合PLSR來建立近紅外光譜和鮭魚片滴水損失之間的預測模型，該模型的r為0.85，RMSEP為0.06%。朱逢樂[32]利用HSI技術探究了冷凍-解凍條件下大菱鲆魚的滴水損失的變化，用Random frog方法從全波段內提取了16 個特征波長建立LS-SVM預測模型，其預測r為0.85，RMSEP為0.01%。在以上研究基礎上，Cheng Junhu等[42]利用HSI技術研究了草魚的滴水損失變化，結合GA和SPA方法從全波段內提取了5 個特征波長建立了多元線性回歸（multiple linear regression，MLR）和LS-SVM的預測模型，研究結果表明MLR預測模型效果要好，其r高達0.96，RMSEP為1.21%。Wu Di等[43]利用HSI技術對鮭魚的液體損失率、水損失率、脂肪損失率和水保留率進行了研究，采用CARS算法分別提取了4 個系水力指標的最優波長（13、12、9 個和12 個），以選取的最優波長為自變量分別建立4 個指標的PLSR分析模型，其r分別為0.95、0.95、0.83和0.97，RMSEP為1.06%、0.92%、0.33%和1.14%，并將得到的最優預測模型轉化到圖像的每個像素中，便可得到三文魚4 個系水力指標的所有可視化分布圖。上述研究結果表明，HSI技術在對魚肉的系水力及分布進行快速無損檢測方面具有很大潛力。

2.2.4 色澤

色澤是反映魚肉外觀品質變化的重要物理指標，魚肉的顏色主要由肌肉中的肌紅蛋白、血紅蛋白和細胞色素的含量所決定[44]。檢驗魚肉色澤最常用的方法是使用色差儀測量肉表面的亮度L*值、紅綠度a*值和黃藍度b*值[45]。近幾年，有些學者嘗試使用HSI技術來檢測魚肉的色澤，如Wu Di等[46]采用HSI技術（897～1 753 nm）對鮭魚的色澤進行了快速無損檢測，首先采用SPA分別選出色澤L*、a*和b*值的最優波長，然后利用選取的有效波長建立了MLR預測模型，最后獲得的L*、a*和b*值的MLR預測模型的r分別為0.88、0.74和0.80，RMSEP為2.17%、1.55%和2.24%。隨后兩年，基于可見-近紅外（400～1 000 nm）HSI技術，Cheng Junhu等[47]采用SPA算法從草魚的全波段光譜內提取了L*值（5 個）和a*值（7 個）的有效波長，所建立的LS-SVM預測模型的r均高于0.95，RMSEP均小于2.70%。兩者的研究結果表明，HSI技術在快速、無損檢測魚肉的顏色分析方面具有很廣的應用前景。

HSI技術在魚肉物理屬性方面的評價應用如表3所示。

表 3 HSI技術在魚肉物理屬性方面的評價Table 3 Application of HSI in the evaluation of physical properties of fi sh

2.3 微生物檢測

魚肉是一種極易腐敗的食物，其貨架期極短，當魚肉中腐敗微生物的含量超過一定值時，不僅會造成資源的浪費，而且一旦消費者在不知情的狀況下誤食，則可能對健康造成損害，甚至導致生命危險；所以檢測魚肉中微生物是否超標是評價魚肉質量必不可少的一道程序。微生物的檢測方法一般有平板計數法[48]、聚合酶鏈反應技術和酶聯免疫吸附測定法等[49-53]，但這些方法都達不到快速、綠色、無損的檢測要求。鑒于HSI技術的高分辨率且可對被測樣品的化學成分做定量和定性分析等特點，故HSI技術也能檢測出微生物細胞核中的蛋白質、多糖、核酸等混合成分的分子振動信息，且能靈敏地檢測到微生物分子基團光譜吸收峰的位置和強度[54]；因此國內外學者開始探討探究HSI快速檢測魚肉中微生物潛在可行性。

He Hongju等[55-57]先后采用近紅外HSI技術（900～1 700 nm）對0～4 ℃貯藏條件下的鮭魚肉表面乳酸菌、假單胞菌和腸桿菌科的菌落數及其可視化分布進行了研究，結果顯示所建立的3 種微生物的最優預測模型r均大于0.93，預測誤差均小于0.55%。其所獲得的每塊鮭魚肉中各種微生物含量的可視化分布圖分別如圖5～7所示，圖中的不同顏色代表鮭魚肉中微生物的含量值，以lg（CFU/g）表示。He Hongju等[58]又以鮭魚表面的腸桿菌屬和假單胞菌屬的菌落數之和（Enterobacteriaceae and Pseudomonas spp. count，EPC）為主要污染微生物指標，探究了HSI技術對鮭魚表面EPC含量的檢測，結果顯示所建模型的r高達0.98，預測誤差降至0.29%，同樣獲得了鮭魚肉表面EPC含量的可視化分布圖，其結果較理想。基于可見-近紅外HSI技術（400～1 000 nm），Cheng Junhu等[59-60]先后研究了草魚被腸桿菌科和總細菌污染的情況，其使用加權回歸系數法（weighted regression coefficient method，WRC）從全波段中選取了6 個特征波長，基于最優波長所建立的草魚腸桿菌數的MLR預測模型的r為0.94，預測誤差為0.25%，而使用SPA算法提取的7 個特征波長所建立的草魚總細菌數的PLSR模型的r高達0.96，RMSEP為0.51%。在相同波段內，Wu Di等[61]研究了鮭魚肉變質過程中總菌數的動態變化預測，通過CARS算法從全波段的光譜數據中提取8 個最優波長建立PLSR模型，r高達0.98，RMSEP低至0.26%，且均獲得了魚塊表面腸桿菌科和總細菌數的可視化分布圖。以上研究結果表明，HSI技術在快速無損的檢測魚肉表面有害微生物的變化有很大潛力。表4概括總結了近年來HSI技術用于魚肉微生物檢測方面的相關結果。

表 4 HSI技術在魚肉微生物方面的評價Table 4 Application of HSI in the evaluation of microbial contamination in fi sh

圖 5 鮭魚中乳酸菌數的可視化分布圖[55]Fig. 5 Visual distribution of lactic acid bacterial count in salmon[55]

圖 6 不同貯藏時間的鮭魚中假單胞菌科數的可視化分布圖[56]Fig. 6 Visual distribution of Pseudomonas counts in salmon samples at different storage times[56]

圖 7 鮭魚中腸桿菌科數的可視化分布圖[57]Fig. 7 Visual distribution of Enterobacteriaceae count in salmon[57]

2.4 新鮮度預測

魚肉在腐敗過程中，其蛋白質、脂肪等物質會發生一系列復雜的化學反應，所產生的揮發性鹽基氮（total volatile base nitrogen，TVB-N）、硫代巴比妥酸（thiobarbital acid，TBA）反應物、三磷酸腺苷分解物（K值）等化學物質以及pH值均能反映出魚肉的新鮮度，從而導致魚肉的物理結構、化學組成信息發生變化，同時魚肉的O—H、N—H、C—H等含氫基團的倍頻和合頻信息也會隨之發生相應的變化，故可以通過蛋白質、脂肪等含量的變化間接地進行新鮮度指標的測定[62-63]。

2.4.1 pH值

pH值是化學指標評定法中常用的指標[64]，魚肉的新鮮度可以通過pH值進行判定，一般新鮮魚肉的pH值在6.5～6.8之間，而不在此范圍內的肉即為不新鮮肉。pH值通常采用pH試紙或者pH計進行測定，雖然結果可靠，但耗時長、效率低。鑒于此，一些學者開始研究應用HSI技術測定魚肉的pH值。He Hongju等[65]使用HSI技術對鮭魚片的pH值先后進行了兩次研究；第一次使用Loading weights算法從全波段光譜內提取6 個最優波長來建立PLSR模型，該模型的r為0.86，RMSEP為0.05%；第二次使用RC算法提取的10 個最優波長所建立的PLSR模型的r高達0.90，均方根誤差低至0.04%[41]，結果明顯提高。Xu Junli等[66]在此基礎上使用stepwise-MLR算法從大西洋鮭魚的全波段內提取了10 個最優波長來建立MLR模型，r降至0.85，RMSEP為0.05%，結果不如He Hongju等[41]的理想。

2.4.2 TVB-N含量的測定

魚肉在腐敗過程中，由于蛋白質被分解而產生的氨和胺類等堿性含氮物質被稱為TVB-N。TVB-N含量的變化能很好地反映魚肉新鮮度；因此TVB-N含量可以用來評價魚肉的新鮮度[67]。Cheng Junhu等[68-69]采用HSI技術（400～1 100 nm）測定了草魚的TVB-N含量，先使用SPA算法從全波段內選取9 個最優波長，以此來建立LS-SVM預測模型，該模型的r為0.96，RMSEP為2.25%，在此基礎上使用絨泡菌網絡（physarum network，PN）結合GA算法選取最優波長來建立PLSR預測模型，此模型的r高達0.98，均方根誤差預測低至1.73%，此結果與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值是評價魚肉新鮮度的重要指標之一，K值為10%時表示魚肉很新鮮，當K值達到60%～80%時說明魚肉不可食用，否則會引起食物中毒，導致生命危險。K值的測定關乎到人們的健康，因此檢測魚肉K值是很重要的一步。基于HSI技術（400～1 000 nm），Cheng Junhu等[70]采用SPA算法結合PLSR法對草鯉魚和銀鯽魚的K值進行了快速無損檢測，其PLSR模型的r高達0.97，RMSEP為4.92%。

2.4.4 TBA值

魚肉中富含不飽和脂肪酸，不飽和脂肪酸能預防心血管疾病、加強記憶和思維能力。魚肉在貯藏過程中脂類容易受到促氧化劑的影響而產生氫過氧化物、醛類、酮類等有害氧化產物[71]。脂類氧化被認為是導致魚肉新鮮度下降和品質變壞的一個首要因素。而TBA值是一個常用于反映魚肉脂類氧化程度的化學指標。Cheng Junhu等[72]采用HSI技術（400～1 000 nm）探究了4 ℃貯藏條件下草魚的TBA值的變化，利用RC算法和MLR法建立了草魚中TBA值的預測模型，該模型r為0.92，RMSEP為0.11%。Xu Junli等[66]應用HSI技術（900～1 700 nm）對大西洋鮭魚的TBA值進行了快速無損檢測研究，通過stepwise-MLR和MLR化學計量學方法提取了18 個圖像紋理特征變量，所建立的MLR模型的r高達0.92，RMSEP為1.84%。Sivertsen等[73]應用HSI技術（450～700 nm）對鱈魚的新鮮度進行了評價。通過使用RC算法提取了4 個圖像紋理特征變量，最后所建MLR模型的r大于0.87，RMSEP為2.22%。

HSI技術在魚肉新鮮度方面的評價應用如表5所示。

2.5 其他

HSI技術除了在魚肉化學成分、物理品質、微生物和新鮮度方面的研究之外，還被用于其他方面的檢測，詳見表6。章海亮等[74]也采用HSI技術（445～1 001 nm）對不同冷藏時間后多寶魚的凍融次數進行了研究，CARS算法提取57 個最優波長，再結合主成分分析（principal component analysis，PCA）、灰度共生矩陣（gray-level co-occurrence Matrix，GLCM）紋理特征作為輸入變量來建立LS-SVM區分模型，模型的識別率達98%，同時朱逢樂等[75]也采用此技術研究了多寶魚的凍融次數，所建PLSR模型的r也高達0.98，RMSEP為0.66%。基于HSI技術，Khojastehnazhand等[76]對虹鱒魚的等級分類進行了快速無損檢測，采用PCA算法分別從400～1 000 nm和1 000～2 500 nm兩個波段提取各4 個最優波長建立PLSR模型，相比之下400～1 000 nm波段的模型較優。

表 6 HSI技術在魚肉其他方面的評價Table 6 Application of HSI in the evaluation of other aspects of fi sh

除此之外，HSI技術也被用于檢測魚肉中的寄生蟲，楊賢林[77]使用HSI技術檢測了鱈魚內的異尖線蟲，使用PCA法對400～1000 nm范圍內的高光譜圖像進行分析，結果能很清晰地顯示出異尖線蟲的具體位置。Sivertsen等[78]利用HSI技術預測了鱈魚中的寄生蟲，最后所得到的結果總檢出率為58%，深色寄生蟲的檢出率為71%，淺色寄生蟲的檢出率為46%，其結果并不理想。使用透射HSI技術對魚肉品質的研究較少，因透射HSI技術對光源要求較高，當光源較弱時，光源打在樣品表面其光線透過率較低則無法對數據進行處理；光源較強則會造成被測樣品表面溫度較高而容易導致光譜數據丟失[79]。開發透射HSI技術檢測魚肉內部寄生蟲及內部損壞和缺陷或許具有一定的應用前景。

3 HSI的優勢及缺陷

HSI技術在檢測肉品質量方面具有諸多優點：1）樣品無需預處理；2）能夠同時提供光譜和空間信息；3）能夠在同一樣品中同時測定幾種成分；4）能夠實現目標微生物指標的可視化分布；5）高光譜可以解決定性和定量檢測。HSI技術不僅能夠達到快速、無損的特點，而且其預測準確性較高，比如對魚肉的化學成分（水分、脂肪和鹽類）、物理屬性（質構、嫩度、系水力、色澤）、微生物和化學指標（pH值、揮發性成分含量、K值）等關鍵質量特性的預測取得了不錯的效果，即在紅肉及家禽肉方面也有廣泛的應用，而且效果也很不錯。因此HSI技術將會在魚肉及肉質品質量特性方面有更廣闊的發展前景。

盡管HSI技術優勢明顯，但也存在一定的缺陷及需要改進的問題：1）高光譜圖像是3D“數據塊”，包含大量的冗余數據，這在挖掘數據方面具有很大的挑戰；2）開發帶有幾個有效波長的多光譜成像系統是必要的，因為它不僅可在較短時間內實現食品質量的評估，而且還能滿足在線應用的要求；3）為了保證校正模型的有效性和穩健性，必須要有精確的目標參數值；4）HSI技術不適合應用在同質樣品中，因為HSI的成像功能只適用于可視化不均勻的分布空間；5）HSI技術無法獲得樣品內部更深層的成分信息，因為光的穿透深度受樣品和波長范圍的限制。

4 結 語

HSI技術作為一種有潛力的快速無損檢測工具在食品品質評估方面被廣泛研究，且其質量特性的預測也取得了令人滿意的效果，鑒于此，HSI技術在不久的未來可能替代耗時的傳統檢測方法，以滿足食品品質的快速、無損在線檢測的要求。

從以上的綜述可以看出，HSI技術在魚肉品質檢測方面潛力巨大，但其研究對象主要集中于對鮭魚、草魚、鱈魚、虹鱒魚和大菱鲆魚品質的研究，而對我國消費較多的鯉魚、鰱魚、魷魚和帶魚品質方面的研究較少；所以將來可在現有研究的基礎上擴大HSI技術的應用范圍，以充分挖掘HSI的利用價值。

國內已有開發相關的高光譜成像設備，但是其核心部件依然需要進口，購買成本依然比較昂貴，HSI設備的國產化、低成本化將是未來發展的一個重要方向。目前不管是實驗室用和室外用HSI成像設備，體積均過于龐大、不易攜帶，未來HSI設備應趨于小型化、便攜化發展。

盡管高光譜設備可獲取大量數據，但是數據分析速度依然較慢，所構建的模型不具通用性，應用受限；因此，可通過前期的理論和應用研究，開發波長少、數據分析速度更快的光譜成像設備，可實現真正意義上的快速檢測。