高光譜圖像結合特征變量篩選定量檢測羊肉中狐貍肉摻假

白宗秀，朱榮光，王世昌，鄭敏沖，顧劍峰，崔曉敏，張垚鑫

（石河子大學機械電氣工程學院，石河子 832003）

0 引 言

羊肉因其營養豐富、脂肪含量低，且具有獨特的風味和細膩的口感而深受人們的喜愛[1]。近年來羊肉價格不斷上漲，一些不法商家在巨大經濟利益誘惑下，鋌而走險用狐貍肉等低價值肉類冒充羊肉。將狐貍肉摻入羊肉，其微生物嚴重超標，投入市場不僅嚴重影響消費者身體健康，同時也擾亂了肉類食品市場秩序[2]。因此，亟待尋求一種快速無損檢測羊肉中狐貍肉摻假的方法。

傳統肉類摻假檢測手段主要包括感官檢驗、色譜分析、免疫分析、DNA分析等[3-5]。隨著肉類摻假手段提高，感官檢驗已無法適應需求，而色譜分析的適用對象受限、免疫分析和DNA分析均有技術要求高、操作復雜的缺點也無法滿足檢測要求。近年來，光譜技術由于操作簡單、快速、無損等特點而被廣泛應用于肉及肉制品摻假檢測[6-7]。其中，高光譜成像（HyperspectralImaging，HSI）技術能夠通過光譜信號檢測樣本化學成分，在肉品品質檢測如新鮮度[8]、水分[9]、脂肪[10]、嫩度[11]、菌落總數[12]和摻假[13-15]檢測中均取得了較多研究成果。

高光譜圖像由高維空間數據和光譜數據組成，其中包含了波長間的冗余信息，為了提高數據處理效率，需進行特征波長篩選。傳統的特征波長篩選方法主要有遺傳算法（Genetic Algorithm，GA）、競爭性自適應重加權算法（Competitive Adaptive Reweighted Sampling，CARS）、連續投影法和無信息變量消除法等。選擇合適的特征波長篩選方法可以有效改善模型性能。二維相關光譜分析（Two-Dimensional Correlation Spectroscopy，2D-COS）是對被測樣品體系在受擾動過程中的光譜進行相關性分析，得到光譜的二維尺度信息，包括同步和異步相關光譜，運用相關分析對該過程中的譜圖進行處理，可以得到與外部擾動密切相關的特征波長[16]。2018年，王文秀等[17-18]以貯藏時間為外擾，利用二維相關可見/近紅外光譜法優選豬肉揮發性鹽基氮（Total Volatile Basic Nitrogen，TVB-N）特征變量，并利用二維相關可見-近紅外光譜結合支持向量機評價了豬肉新鮮度。同年，Cheng等[19]利用近紅外光譜數據結合異譜二維相關分析建立了豬肉肌原纖維冷凍貯藏過程中氧化損傷監測模型。2019年，Jiang等[20]采用HSI技術結合2D-COS方法對牛肉中鴨肉摻假現象進行了檢測和可視化研究。同年，王偉等[21]基于高光譜成像結合2D-COS方法對生鮮雞肉糜中大豆蛋白含量進行了檢測。以上研究表明，HSI結合2D-COS方法在肉類摻假檢測中具有很好的應用前景，但目前大部分研究僅是驗證了2D-COS提取光譜特征變量的可行性，并未將其與傳統特征波長篩選方法進行比較，且目前探討高光譜定量檢測羊肉糜中狐貍肉摻假的可行性研究報道較為鮮見。

綜上，本研究利用HSI結合特征變量篩選對羊肉糜中狐貍肉摻假進行了定量檢測。通過采集不同含量等級摻假樣品的高光譜圖像信息并獲取其代表性光譜數據，建立光譜和摻假含量之間的定量關系，比較GA、CARS和2D-COS方法選擇的特征波長所建偏最小二乘回歸（Partial Least Squares Regression，PLSR）和支持向量回歸（Support Vector Regression，SVR）模型性能，選擇羊肉糜中狐貍肉摻假含量的最優檢測模型。本研究建立的羊肉中狐貍肉摻假含量快速檢測模型為其他肉類摻假檢測提供參考，同時為低成本肉類摻假快速檢測系統研發提供相應的技術支持和理論依據。

1 材料與方法

1.1 樣品制備

試驗所用羊肉樣品取自羊后腿部位，采購于新疆石河子西部牧業喀爾萬公司（中國），狐貍肉樣品取自3只冷凍狐貍，購于新疆生產建設兵團六師六運湖農場（中國）。肉品運至實驗室后去除明顯脂肪和結締組織，切塊并充分絞碎成2～3 mm粒徑的肉糜，按照5%、10%、15%、20%、25%、30%、35%、40%、45%和50%的質量分數將狐貍肉糜摻入羊肉糜中，每個樣品質量約為20g，充分混勻后平鋪于直徑為10 cm，底面積為50 cm2的表面皿中，得到圓形或近圓形的餅狀肉樣，每個含量等級制備12個樣品，共得到120個摻假羊肉樣本。將試驗樣品裝入真空袋密封包裝，標號后放置于0 ℃冰柜內待測。

1.2 高光譜圖像采集系統

本研究采用的高光譜圖像采集系統主要包括成像光譜儀（ImSpector V10E-QE，ImSpector公司，芬蘭）、線陣電荷耦合器件（Charge Coupled Device, CCD）相機（Infinity 3-1，Lumenera，加拿大）、光源（Fiber-Lter DC950型，DolanJenner公司，美國）、脈沖輸送裝置（SC300-1A，Zolix公司，中國）、暗箱和計算機等，如圖1所示，高光譜圖像數據采集軟件為SpecView。

1.3 羊肉中狐貍肉摻假樣品的高光譜圖像數據獲取與光譜信息提取

1.3.1 高光譜圖像信息采集

高光譜圖像數據采集前，打開光源和相機預熱30 min，將樣品取出冰柜在室溫下放置5 min，恢復樣品顏色等理化性質。高光譜圖像采集系統參數設置如下：光源角度與水平面約為60°，曝光時間為0.016 s，樣品與鏡頭間的距離為33.5 cm，圖像采集速度1.35 mm/s。試驗過程中，用黑色卡紙盛放樣品。

為了消除光照不均勻和外部環境因素的影響，在數據處理前需對高光譜圖像數據進行黑白校正[22]。保持與采集樣品圖像時的條件相同，通過遮蓋鏡頭并關閉光源獲得全黑標定圖像IB、取下鏡頭蓋打開光源掃描標準白板獲得全白圖像IW，然后對原始圖像IR按照式（1）進行黑白校正。

式中I為黑白校正后的圖像數據，IR為采集的樣品原始光譜圖像數據，IB為遮蓋鏡頭并關閉光源采集的黑校正標定圖像數據（反射率接近0），IW為打開鏡頭蓋和光源采集的聚四氟乙稀白板標定圖像數據（反射率接近99%）。

1.3.2 樣品代表性光譜信息的提取

對校正后的樣品圖像利用圖像分割法選擇樣品感興趣區域（Region of Interest，ROI），并提取各樣品代表性光譜信息[23]。代表性樣品原始圖像如圖2a所示，由于樣品在544.15和818.98 nm波長下的圖像灰度值相差較大，背景、陰影部分灰度值相差較小，因此利用波段減法使背景和陰影部分趨于全黑，然后通過二值化和掩膜處理得到去除背景和陰影后的樣品圖像如圖2b所示，同理利用波段加法運算和掩膜處理去除樣品中明顯的脂肪與亮點，得到樣品純肌肉部分（圖2c），以此作為樣品ROI（圖2d），提取ROI內所有像素點平均光譜作為樣品代表性光譜數據。每個樣品的光譜包含953個波長，由于小于473 nm波長的光譜噪聲較大，故本研究選擇473～1 013 nm范圍內的全部846個波長進行特征波長的篩選及后續分析。

1.3.3 高光譜檢測羊肉中狐貍肉摻假的機理分析

本研究使用的高光譜波段范圍為400～1 000 nm，主要包括可見光波段（400～700 nm）和近紅外波段（700～1 000 nm），其中，可見光波段的光譜特征主要是由樣本顏色特征引起的。近紅外波段的光譜特征主要與樣品中有機分子含氫基團（O-H、N-H、C-H）振動的合頻和各級倍頻的吸收區有關。羊肉與狐貍肉均屬于紅肉，主要由蛋白質、脂肪和水等組成，兩者在顏色和成分含量方面存在一定差異，將狐貍肉摻入羊肉中，可以引起顏色和化學成分的變化，所以本研究利用高光譜檢測羊肉中 狐貍肉的摻假含量在理論上是可行的。

1.4 數據處理與建模方法

1.4.1 光譜信息預處理

獲取光譜數據時，光譜曲線易受到外界因素的影響而包含大量噪聲和其他干擾信息，因此需對光譜進行預處理，去除無關信息的干擾。本研究利用一階導數（First Derivative，1D）、中心化（Mean Center，MC）、多元散射校正（Multiplicative Scattering Correction，MSC）和標準正態變量變換（Standard Normalized Variate，SNV）4種常用的光譜預處理方法對原始光譜數據進行預處理，并利用原始光譜和經過預處理后的光譜數據建立羊肉中狐貍肉摻假的PLSR模型，采用留一法對其進行內部交叉驗證，選擇交叉驗證集決定系數（coefficient of determination，R2）最大和均方根誤差（Root Mean Square Error，RMSE）最小的模型對應的方法為最優光譜預處理方法[24]。

1.4.2 特征波長篩選

用傳統特征篩選方法GA、CARS和2D-COS方法篩選與羊肉中狐貍肉摻假含量密切相關的特征波長，并對特征波長所建模型性能進行比較。GA算法篩選特征波長主要借鑒了生物界自然選擇和進化機制，可以進行自適應全局優化，通過交叉、選擇、變異實現群體中個體結構的重組迭代優化，淘汰掉較差的變量，保留好的變量，最終篩選出特征波長，其在光譜數據處理中得到了廣泛應用[25]。CARS算法是以達爾文生物進化理論為原則的變量篩選方法，其篩選變量的具體步驟如下：首先，隨機抽取樣本建立偏最小二乘模型，并計算回歸系數和每個變量對應的權重；采用自適應重加權采樣和指數衰減函數選擇每次循環中權重值大的變量，對變量進行逐步淘汰，最終根據交互驗證集RMSE最小的原則優選出最佳的變量集合作為特征波長[26]。

該研究中2D-COS分析方法是以羊肉中摻入狐貍肉的不同含量為外擾變量，利用經1D預處理后的代表性樣品光譜數據進行二維相關光譜分析，得到同步二維相關譜圖和自相關譜圖。同步二維相關譜圖是關于主對角線對稱分布的，在主對角線上出現的譜峰稱為自相關峰，即自相關譜圖的峰值。自相關峰表示樣本中化學基團對摻假含量擾動的敏感程度，峰值越高，表明該處波長對摻假含量越敏感。結合同步二維相關譜圖中的等高線密集中心點位置和自相關譜峰強度即可確定與羊肉中狐貍肉含量密切相關的特征波長[27]。2D-COS分析過程所使用軟件為2D-Shige。

1.4.3 回歸模型構建與模型評價

采用隔三選一法分別將每個含量等級中的12個樣品（共120個樣本）按照9∶3的比例分為校正集（90個樣本）和預測集（30個樣本）。利用PLSR和SVR建立羊肉中狐貍肉摻假定量預測模型，并分別利用留一法和十折交叉法對PLSR模型和SVR模型進行內部交叉驗證。

PLSR算法是一種多元數據分析方法，可以同時實現回歸建模、數據結構簡化以及兩組變量間的相關分析，在光譜數據建模中得到了廣泛應用[28]。本研究中PLSR算法是對摻假羊肉樣品的光譜反射率值矩陣和羊肉中狐貍肉摻假的含量標簽矩陣同時進行分解，在分解過程中考慮光譜信息和摻假含量信息之間的相互關系，加強對應計算關系，從而保證獲得最佳的校正模型。

SVR算法是解決模式識別回歸問題的一種方法，其原理是將原問題通過一系列非線性變換轉化為高維空間的線性問題，并進行線性求解，以解決多個特征因子的回歸問題[29]。本研究建立的SVR模型核函數選擇徑向基函數（Radial Basis Function, RBF），同時利用GA優化算法尋求其核函數參數（g）、懲罰因子參數（c）和基本參數（p）的最優參數組合。

回歸模型建立之后，通過數據集R2、RMSE和相對分析誤差（Residual Predictive Deviation，RPD）來評價模型預測效果，其中RPD計算如式（2）所示：

式中yi是第i個樣本的實際值，y?i是第i個樣本的預測值，是實際平均值，n是樣本個數。

當R2值越大，RMSE值越小，代表回歸模型的效果越好。RPD為預測集標準差與RMSE的比值，用于證明模型的預測能力，當RPD＞2.5表示預測效果良好；當1.5＜RPD＜2.5時，表明模型預測能力是可信的，但預測精度有待提高；當RPD＜1.5時，表明該預測模型不可接受,還需進一步優化。

本研究中摻假樣品光譜信息提取使用高光譜圖像處理軟件ENVI 4.7，光譜數據預處理、特征波長篩選及模型建立過程使用MATLAB 7.8軟件。

2 結果與分析

2.1 不同含量羊肉中狐貍肉摻假樣品的原始光譜分析

120個不同含量的羊肉中狐貍肉摻假樣品的光譜反射率曲線如圖3a所示。其光譜曲線整體趨勢一致，光譜吸收峰主要出現在550、570、765和970 nm波長處。結合羊肉與狐貍肉化學成分和光學特性，570 nm波長處的吸收峰是由肉類所含高鐵肌紅蛋白引起的，765 nm波長處的吸收峰與羊肉摻假狐貍肉品蛋白質分子結構中碳-氫（C-H）鍵和水中氧-氫（O-H）鍵的伸縮振動倍頻有關，970 nm波長處出現的吸收峰與羊肉摻假狐貍肉品中的水分密切相關，主要由水中O-H鍵伸縮振動的二級倍頻引起[30]。純羊肉與純狐貍肉的平均光譜曲線如圖3b所示，2種純肉的平均光譜曲線趨勢一致，但其反射值存在顯著差異，說明羊肉和狐貍肉在化學成分及結構信息方面存在一定差異。以上結果表明，該研究獲取的樣本光譜信息能夠反映羊肉中不同含量狐貍肉摻假的信息。

2.2 光譜預處理

本研究分別利用1D、MC、MSC和SNV4種方法對原始光譜進行預處理，基于原始光譜和經過不同方法處理后的光譜建立羊肉中狐貍肉摻假含量的PLSR模型評價結果如表1所示。

表1 不同預處理方法下的摻假羊肉樣品的偏最小二乘回歸模型評價結果Table 1 Partial Least Squares Regression (PLSR) model evaluation results of adulterated mutton sample under different pre-processing methods

由表1可知，利用不同預處理方法處理后的光譜信息建立羊肉中狐貍肉摻假含量PLSR模型時，基于1D預處理后的光譜模型效果最優，其交叉驗證集R2最大，RMSE最小，較無預處理相比可顯著改善模型預測性能，校正集、交叉驗證集和預測集R2分別由0.925、0.894、0.896上升至0.940、0.911和0.912，RPD由2.37上升至2.73，表明1D預處理可以有效實現光譜數據基線校正并去除背景干擾，增強模型預測能力。經該方法預處理后的光譜曲線如圖4所示，與原始平均光譜曲線比較發現（圖3a），經過1D與處理后的光譜曲線有效加強了光譜數據差異（圖4），分別在526.82、572.10、629.64、750.14、826.10和949.57 nm波長處出現了明顯的吸收帶，并分別在553.45、590.18、656.09、771.94 nm波長處出現了明顯的反射帶。說明該預處理方法達到了很好的效果，后續本研究所用光譜數據均為經過1D方法預處理后的數據。

2.3 特征波長篩選

2.3.1 遺傳算法（GA）篩選特征波長

利用GA算法進行特征波長篩選，其主要參數設置如下：初始種群為50，變異概率為0.005，遺傳迭代次數為100、收斂率為0.5。利用GA算法篩選的特征波長在可見光波段主要分布在480、505 nm和528～695 nm波段范圍內，其對應的光譜吸收峰主要與羊肉中的脫氧肌紅蛋白、硫肌紅蛋白和氧肌紅蛋白有關[31]。在近紅外區域（700～1 100 nm），特征波長分布較為密集，其中750 nm波長處的吸收帶與羊肉摻假狐貍肉品中水分的O-H三級倍頻有關，910 nm波長與其所含醇類物質的光譜吸收特性相關，950 nm波長與其所含水密切相關[32]。以上研究結果表明利用GA算法進行特征波長篩選，能夠得到與羊肉中狐貍肉摻假含量密切相關的特征波長信息，得到207個特征波長在全部846個波長光譜曲線的分布情況如圖5a所示。

2.3.2 競爭性自適應重加權（CARS）算法篩選特征波長

利用CARS 算法對摻假羊肉光譜數據進行特征波長篩選，其蒙特卡洛采樣次數設置為50。經CARS算法篩選特征波長后得到34個特征波長在全部846個波長光譜曲線的分布情況如圖5b所示。主要分布在484～494、608～655、755～794、910～944和999～1 008 nm波段范圍內，同時在567和897 nm波長處也得到了特征波長。其中，567 nm波長是肉中高鐵肌紅蛋白的特征波長，765 nm波長與肉品蛋白質分子結構中C-H鍵和水中O-H鍵的伸縮振動倍頻有關，900～950 nm波段范圍之間觀察到的吸收帶通常與水和脂肪中C-H三級倍頻有關[32]，說明隨著羊肉中狐貍肉摻假含量的變化，羊肉樣品中蛋白質和水分含量也在發生變化。

2.3.3 二維相關光譜分析（2D-COS）方法篩選特征波長

為了更加清晰地得到二維相關光譜的自動峰，本研究將473～1 013 nm波段范圍劃分為473～600、600～700、700～800、800～900和900～1 013 nm 5個波段范圍，利用2D-COS分析方法選擇每個范圍內與狐貍肉摻假含量相關的特征波長，各波段范圍2D-COS分析得到的自相關譜如圖6所示，自相關譜圖的峰值對應的波長為與狐貍肉摻假含量密切相關的特征波長，峰值強度越高，表明該波長對摻假含量越敏感。由圖6可知，在473～600 nm波段范圍內，自相關譜圖中出現2個較強的峰值，分別在524.9和590.8 nm波長處，表明這2個波長與狐貍肉摻假含量變化有較強的相關性。在600～700 nm波段范圍內，分別在610.20和657.35 nm波長處有2自相關峰值，其中650 nm波長左右的吸收峰與羊肉中的脫氧肌紅蛋白、硫肌紅蛋白和氧肌紅蛋白有關[31]。在700～800 nm波段范圍內，分別在在710.57、722.67、752.06、772.58 nm波長處出現4個峰值，750 nm波長左右的吸收帶與O-H三級倍頻有關。在800～900 nm波段范圍內，在828.68 nm波長處出現一個較強的峰值，同時在846.85、869.62、886.58、896.38 nm波長處出現較弱峰值。在900～1 013 nm波段范圍內，僅在950.23 nm處出現1個峰值，其主要是與樣品中水的含量有關[32]。由此可得，利用2D-COS算法共篩選出14個特征波長，分析上述峰值對應的波長，多與顏色、C-H和氮-氫（N-H）鍵有關，主要是由與狐貍肉摻入羊肉引起肌紅蛋白和水分變化有關。研究結果表明通過對不同摻假含量光譜進行二維同步光譜特性解析，可以辨析出與之相關的特征波長。

2.4 羊肉中狐貍肉摻假含量回歸模型的建立與評價

2.4.1 偏最小二乘回歸（PLSR）模型結果與分析

分別利用經1D方法處理后的全部846個波長和經GA、CARS算法和2D-COS方法篩選的特征波長建立PLSR模型，對羊肉中不同含量的狐貍肉摻假進行預測，根據模型回歸效果得到適用于羊肉中狐貍肉摻假含量檢測的優選模型，模型評價結果如表2所示。由表2可知，與全部波長相比，利用特征波長建立的PLSR模型輸入變量個數較少，模型性能有所提高。其中，GA算法篩選的特征波長個數為207，占全部波長總數的24.47%，其所建PLSR模型的校正集、交叉驗證集和預測集的R2分別提高了1.86%、3.38%、2.44%，RPD由2.72上升至3.19，說明模型預測性能提升。CARS算法篩選的特征波長個數僅占全部波長總數的4.02%，其所建的PLSR模型的校正集、交叉驗證集和預測集的R2值分別由0.940、0.911和0.912上升至0.969、0.958和0.937，RPD由2.72上升至3.35，表明模型性能顯著改善。利用2D-COS方法篩選后得到14個特征波長，與GA和CARS算法相比，特征波長個數減少，但其所建PLSR模型回歸性能較差。由此可得，當利用全部波長和特征波長建立羊肉中狐貍肉摻假含量的PLSR模型時，CARS算法篩選的34個特征波長建立的模型性能最優，表明利用高光譜結合CARS-PLSR模型可以有效實現羊肉中狐貍肉摻假的定量檢測。

表2 不同數量波長的摻假羊肉樣品的偏最小二乘回歸模型評價結果Table 2 Partial Least Squares Regression (PLSR) model evaluation results of adulterated mutton sample under different number of wavelengths

2.4.2 支持向量回歸（SVR）模型結果與分析

利用全部波長和特征波長建立羊肉中狐貍肉摻假含量的SVR模型時，首先利用GA算法對SVR模型的參數g、c和p進行尋優，目標為交叉驗證集RMSE最小，尋優過程中，將GA算法的種群數量設置為20，終止迭代次數設為100，選擇十折交叉驗證。SVR模型尋優后的參數與模型評價結果如表3所示。由表3可知，基于不同數量波長所建的羊肉中狐貍肉摻假含量SVR模型效果均較好，所有模型RPD均大于2.5，說明模型預測效果均良好。其中， CARS和2D-COS方法篩選的34和14個特征波長所建模型性能較優。其中，CARS-SVR模型的校正集R2和RMSE分別為0.973和1.11%，交叉驗證集R2和RMSE分別為0.951和2.53%，預測集R2、RMSE分別為0.937、3.33%，RPD為4.39。2D-COS-SVR模型校正集R2和RMSE分別0.976和0.99%，交叉驗證集R2和RMSE分別為0.950和3.03%，預測集R2、RMSE分別為0.928、3.00%，RPD為4.85。兩模型的數據集R2均大于0.928，RPD均大于2.5，表明CARS-SVR和2D-COS-SVR兩種模型預測效果都較優。

為了驗證模型效率，對SVR模型預測時間也進行了統計（表3），隨著特征波長個數的減少，模型預測時間逐漸縮短，采用2D-COS方法篩選特征波長的個數占全部波長總數的1.65%，其所建SVR模型運行時間為利用全部波長所建模型的11.85%，與利用全部波長所建模型相比，預測模型效率顯著提升；與CARS-SVR模型相比， 2D-COS-SVR模型預測時間縮短13.09 s。

表3 不同數量波長的摻假羊肉樣品的支持向量回歸模型參數和評價結果Table 3 Support Vector Regression (SVR) model parameters and evaluation results of adulterated mutton sample under different number of wavelengths

綜上所得，2D-COS-SVR模型的預測性能優于CARS-SVR模型，表明高光譜結合2D-COS-SVR模型可以有效實現羊肉中狐貍肉摻假的定量檢測。

2.4.3 偏最小二乘回歸（PLSR）和支持向量回歸（SVR）模型結果的比較

比較表2和表3結果可知，基于不同方法篩選的特征波長所建的羊肉中狐貍肉摻假含量的SVR模型性能均優于PLSR模型。其中，利用全部波長和2D-COS方法篩選的特征波長所建模型性能差異較為顯著。利用全部波長建立的PLSR模型校正集R2和RPD分別為0.912和2.72，而SVR模型校正集R2和RPD分別為0.971和4.16，較PLSR模型分別提升了0.059和1.44，結果表明基于全部波長建模時，SVR較PLSR模型性能大幅提升。2D-COS方法篩選特征波長建立的PLSR模型預測集R2、RMSE和RPD分別為0.869、5.90%和2.48，而SVR模型預測集R2、RMSE和RPD分別為0.928、3.00%和4.85，表明經2D-COS方法篩選的特征波長后SVR模型回歸性能顯著優于PLSR模型。而GA和CARS算法篩選的特征波長所建PLSR和SVR模型的RPD分別由3.19和3.35上升至4.00和4.39，表明較PLSR模型相比，SVR模型回歸性也能得到改善。綜合分析各模型R2、RMSE和RPD可知，采用2D-COS方法篩選特征波長所建SVR模型性能最優，且模型預測時間最短，效率最高。由此可得，高光譜結合2D-COS-SVR模型可以有效實現羊肉中狐貍肉摻假的定量檢測。

3 結 論

本研究以羊肉糜中狐貍肉摻假為研究對象，基于可見近紅外高光譜成像技術結合特征變量篩選對其進行了定量檢測研究，主要結論如下：

1）基于可見近紅外高光譜成像技術獲得羊肉中不同狐貍肉摻假含量的樣品光譜信息，比較了原始光譜和不同方法預處理后的光譜建立的偏最小二乘回歸（Partial Least Squares Regression，PLSR）模型性能，確定一階導數（First Derivative，1D）為最優光譜預處理方法。

2）對1D預處理后的光譜信息進行特征波長篩選，利用遺傳算法篩選后得到207個特征波長，利用競爭性自適應重加權算法篩選后得到34個特征波長，利用二維相關光譜分析（Two-Dimensional Correlation Spectroscopy，2D-COS）方法得到14個與羊肉中狐貍肉摻假含量有關的特征波長。

3）基于全部846個波長和不同方法篩選出的特征波長所建立的支持向量回歸（Support Vector Regression，SVR）模型性能均優于PLSR模型，其中，利用2D-COS方法提取的14個特征波長建立的SVR模型性能最優，且模型效率最高，其相對分析誤差為4.85，校正集、交叉驗證集和預測集的決定系數分別為0.976、0.950和0.928，均方根誤差分別為0.99%、3.03%和3.00%。

研究表明高光譜結合2D-COS-SVR模型可有效實現羊肉中狐貍肉摻假的定量檢測，為羊肉中狐貍肉摻假檢測和開發低成本肉類摻假檢測系統提供技術支持和參考依據。