关于高光谱成像技术在红肉质量特性无损检测中应用的研究

作者：张毅

  实现红肉质量与安全的检测和评价已成为肉品行业发展和保证食品安全的重要环节之一。红肉的传统检测和评价方法较为繁琐，常需要有经验的专业人员进行操作，具有耗时长、检测时破坏样品等缺点，降低了监管机构的工作效率，已经不能满足如今产业发展对检测速度、精度和自动化的要求。随着图像处理、光学等现代先进技术的不断创新和发展，红肉检测技术正朝着快速、实时、准确、无损的方向迈进。

  高光谱成像技术作为快速无损检测技术之一，是在不破坏待测物原始状态、化学性质的前提下，获取待测样品的化学成分、物理品质特性等多项指标的检测方法，具有节约成本，检测精度高和速度快等诸多优点。高光谱检测技术易与计算机、机械等技术相融合，虽然起步较晚，但可以同时获得被测样品外观特性和内部成分的图像及光谱信息，在红肉检测和安全评定上呈现出极大的优越性，基于高光谱成像技术的诸多优点使其在红肉无损检测中得到了一定的应用。研究从高光谱技术的原理出发，综述了该技术在红肉的化学成分、安全品质、感官品质和加工品质检测方面的应用，为将来开发相应的在线检测设备提供了理论基础。

1  高光谱成像技术基本原理

  高光谱成像技术是在200～2 252 nm的光谱覆盖范围内以几十至数百个波长同时对样品进行连续成像，实现样品的光谱信息、光强度信息和空间信息的同步获得。不同样品因其所含的化学成分及组成结构不同，其在特定波长处对光的吸光度、分散度等也会有所不同，且在特定波长处各化学成分因其特定官能团不同，吸光度也不同，因此通过对高光谱成像系统提取的光谱数据进行分析，可实现对食品品质的定性检测和对样品化学成分的定量分析。高光谱成像系统的主要检测步骤为样本的准备、高光谱图像的采集、光谱曲线分析、光谱数据建模分析以及对所测指标进行预测。按照成像方式不同，可分为推扫式和滤波片式两种类型。滤波片式高光谱成像系统采集的图像数据量小，因此收集的信息不全面，所以研究重点介绍推扫式高光谱成像的相关内容。图1为推扫式高光谱成像系统的基本构成，主要包括光源、光谱仪、CCD相机和计算机。推扫式高光谱成像系统的基本原理如下：通过移动光谱仪或被测样品，对被测样品连续扫描N次，得到N条该被测样品的高光谱图像。将在扫描线处采集到的高光谱图像最终表达为既可表达每一检测位置的光谱，又包含每一特征波长下的图像的三维立方体图像，进而将高光谱立方体图像中获得的光谱信息与数学建模和光谱解析方法相结合，可实现红肉的内部和外部质量特性等实时在线检测。

2高光谱成像技术在红肉质量特性检测中的应用

2.1化学成分的测定

  众所周知，红肉主要由水、蛋白质、脂肪、氨基酸和脂肪酸等组成，其化学成分是影响红肉品质的内在原因。通过不同化学成分之间的系列反应，红肉的滋味、颜色和嫩度可能会发生变化，从而导致不良的外观，这不仅影响消费者的购买欲望，而且还会给销售者带来经济损失。现有用于检测红肉主要成分的方法多数具有破坏性、耗时，因此肉类工业急需一种快速和自动的无损检测方法来实现对这些化学成分的分析。在过去的几年中，高光谱成像技术作为新型无损检测方法已经被用于预测猪肉、牛肉和羊肉的水分、脂肪和蛋白质的含量，并且这些研究取得了相当满意的结果。

  应用高光谱成像技术对块状猪肉和肉糜的化学成分进行了无损检测，通过主成分分析的方法选取特征波长为960，1 074，1124，1 147，1 207和1  341 nm，在特征波长下建立肉糜中蛋白质、水分和脂肪的偏最小二乘回归模型，结果表明其决定系数为0.88，0.91和0.93，预测标准误差为0.40, 0.60和0.62，该肉糜模型可很好地应用于完整红肉化学成分的预测。用近红外范围在1 000～2 300 nm之间的高光谱成像系统评价牛肉切片脂肪和脂肪酸的含量。根据高光谱系统得到的光谱信息，运用偏最小二乘回归模型预测脂肪和脂肪酸含量，结果表明总脂肪、总饱和脂肪酸和总不饱和脂肪酸含量的决定系数分别为0.90，0.87和0.89，预测标准误差为4.81%, 1.69%和3.41%。羊肉是另一种重要的红肉，但是高光谱成像技在预测羊肉化学成分方面应用较少。选取900～1 700 nm波长范围利用高光谱成像系统检测羊肉蛋白质、脂肪和水分含量。在他们的研究中，得到3种不同肉样的l26个光谱图像信息，选取与脂肪和水分相关性最大的六个特征波长( 960,1 057,1 131,1 211,1 308和1394 nm)，选取另外六个特征波长(1 008,1 211,1 315,1 445，1 562和1 649 nm)用于蛋白质的预测。在选出的特征波长基础上建立偏最小二乘回归模型，结果表明水分、脂肪和蛋白质含量的决定系数为0.84, 0.87和0.82．预测标准误差为0.57%，0.35%和0.47%。水分是红肉中的主要成分，水分含量不仅影响红肉质量特性和保质期，而且由于它们通常是按质量出售，所以水分的消耗也会影响销售者的经济利益。此外，红肉中的蛋白质具有高的生物学特性，在测定风味和色泽方面也起着重要的作用，因此对于这两种化学成分的准确测定尤为重要，上述研究结果充分证明了高光谱成像技术在红肉化学成分评定方面具有一定的应用价值。

2.2安全品质的测定

2.2.1微生物特性的测定

  现有的检测细菌腐败的传统方法，如平板计数法、ATP激发放光法和电现象测量法，对于被细菌污染的红肉不能达到快速、准确、无损的检测。高光谱成像技术能满足所有这些要求，并且它在预测的红肉微生物特性方面已在许多研究工作中广泛应用。

  因高光谱成像系统散射波长的变化能够表明微生物的腐败变化，在400～1 100 nm光谱范围内应用高光谱散射技术检测在温度为4℃条件下，贮藏1～14 d的猪肉的表面菌落总数与相应波长下高光谱图像的关系，采用偏最小二乘回归预测模型得到相关系数为0.863，多元线性回归方法建立模型得到相关系数为0.886这一满意的预测结果。这表明高光谱散射技术可作为检测微生物腐败的潜在方法。此外，高光谱散射技术也被用于检测牛肉的菌落总数。最先将高光谱成像技术应用于牛肉细菌总数无损检测的研究中，预测牛肉表面微生物腐败程度，根据洛伦兹分布函数选择特征波长，然后结合真实细菌总数的对数值建立多元线性回归预测模型，结果表明决定系数为0.96，预测标准误差为0.30。虽然偏最小二乘回归模型或多元线性回归模型具有一定的发展前景，但是其不能够解决非线性回归问题，因此一些研究人员利用支持向量机以及人工神经网络等方法建立非线性模型。选取五个最佳特征波长(480，525，650, 720和765 nm)采用支持向量机的方法建立非线性模型对猪肉表面细菌总数预测进行进一步深入研究，得到的相关系数为0.87，这一结果优于多元线性回归方法。为了验证上述模型的准确性，在基于支持向量机方法基础上再结合偏最小二乘回归方法建立模型检测猪肉细菌的菌落总数。选择八个最佳波长(477，509, 540，552，560，609，720和772 nm)与在特定波长处相对应的反射光谱数据结合使用来构造菌落总数预测模型，最终的模型显示决定系数为0.923 6，预测标准误差为0.327 9。肉的腐败可能导致营养物质的分解和代谢产物的形成，微生物含量过多的红肉会危害人类健康，因此控制微生物生长以确保提供给市场的红肉的安全性尤为重要。上述一系列研究结果表明，利用高光谱成像技术可以较好地对猪肉表面的菌落总数进行定量分析，因此该技术在对冷却猪肉表面菌落总数进行快速无损检测是可行的。

2.2.2新鲜度的测定

  由于受自身性状和外界环境的影响肉品在腐败过程中分解产物极其复杂，其种类和数量也不尽相同。普遍认为与感官变化一致的挥发性盐基氮( TVB-N)可作为客观指标，很好地反映出红肉新鲜度的变化。长期以来，在肉类食品检测领域，主要靠视觉直观地鉴别，或者利用化学方法对红肉进行检测，对于其新鲜度的评定缺少科学性。利用光学仪器可以准确测定肉类食品表面的光学特性，从而为红肉的新鲜度判别提供客观的依据。利用400～1 100nm光谱范围的高光谱成像技术对生鲜猪肉的TVB-N含量进行快速无损检测。采用洛伦兹三参数组合结合多元线性回归方法建立猪肉TVB-N含量的预测模型，得到预测结果相关系数为0.90。这一研究结果表明利用高光谱成像技术检测生鲜猪肉新鲜度的方法是可行的。然而，单一指标评价肉品新鲜度变化不是十分全面，若将几种检测技术有机结合由多项指标综合评定肉品新鲜度的变化，可以提高新鲜度检测的准确性。

2.3感官品质的评定

2.3.1色泽

  红肉色泽的测定常用的方法是使用色差仪测量红肉表面L*（亮度值），a*（红度值）和b*（黄度值）值。近年来因高光谱成像技术的快速发展，一些研究人员试图发掘其在色泽评定方面的潜力。基于单一的相关分析应用高光谱成像技术以434，494，561，637, 669和703 nm为最佳波长来预测L*值。随后，建立两个基于模糊神经网络的预测模型，分别采用两种带图像的亮度指数（R和R’）作为输入。结果表明，模型2（R’作为输入）比模型1(R作为输入)执行得更好，具有较高的决定系数值，为0.86。使用色差仪对红肉的颜色进行测量，如果待测样品存在色泽不均匀的情况，色差仪将不能准确测量红肉的颜色；如果所测量区域过大，可能会由于肌内脂肪和结缔组织含量差异导致结果的偏差，但是目前国内研究者应用高光谱成像技术可以很好地克服上述色差仪的缺点，且预测精度高。在400～1  100 nm波长范围内利用高光谱散射技术获取牛肉样品的图像预测牛肉的颜色参数（L*，a*和b*），用洛伦兹分布函数拟合出各个波长处的散射曲线参数，用逐步回归法选择特征波长处对应的洛伦兹参数建立多元线性回归模型。结果表明L*，a和b*的预测相关系数分别为0.92，0.90和0.88。该试验结果表明高光谱散射技术可弥补色差仪的部分缺点应用于颜色参数的评定，如果在实际肉品工业生产中，使用色差仪与高光谱成像系统联用可以进一步提高试验结果的准确性。

2.3.2大理石样纹理

  大理石样纹理是指脂肪沉积到肌肉纤维之间，形成明显的红、白相间，状似大理石花纹的肉，一般来说大理石样纹理越丰富，表明红肉越嫩，品质越好，价格也越高。大多数红肉制造商通过肉眼观察然后和样板比对进行评估大理石样纹理的等级，这种方法人为因素影响特别大，存在一定的主观性。近年来，一些学者已将高光谱成像技术应用于大理石样纹理的等级评定中，并得到了良好的结果。应用光谱范围为400～1 000 nm的高光谱成像系统检测猪肉的大理石样纹理并对其进行分级。采用主成分分析方法将原始的成像光谱分别压缩到5，10和20个主成分，然后用人工神经网络来进行分类，能够准确辨别肉的类型，同时自动确定了大理石样纹理等级。通过对现有的标准大理石样纹理进行扫描，应用共生矩阵生成大理石样纹理得分指数，成功对40个样品进行大理石样纹理评分，40个样品的大理石样纹理分级范围在3.0～5.0之间。除了猪肉，牛肉的大理石样纹理也可应用400～1100 nm高光谱成像技术进行分级评估。高晓确定530 nm为特征波长利用高光谱成像技术对牛肉的大理石样纹理进行分级，运用多元线性回归模型对牛肉大理石样纹理分级和等级预测，预测结果决定系数达到0.92，分级准确率为84.8%，证实了高光谱成像技术可应用于红肉大理石样纹理分级和等级评定中。

2.3.3嫩度

  评价牛肉嫩度的最直接的方法是感官评价，客观的方法是使用带有Wamer-Bratzler剪切附件的质构仪，以一定的速度沿着与肌肉纤维垂直的方向，剪切牛肉样本，剪切过程中的最大剪切力，为该样本的嫩度值。然而，这种测量方法，需要测量熟肉，破坏肉样本，测量时间长，不适合商业化鲜肉嫩度的测量，现有研究结果表明高光谱成像技术在红肉嫩度检测方面有很大的潜力。应用高光谱成像技术对牛肉嫩度进行分级，较粗糙牛肉分级准确率达到90.19%，嫩牛肉分级准确率为83.13%，总的嫩度分级准确率为87.10%。应用高光谱成像系统来预测牛肉的嫩度，扫描61块牛排，获取的成像光谱包括120个窄波段，光谱分辨率为4.54 nm。用War-ner-Bratzler剪切力值表征牛肉的标准嫩度，用逐步回归模型建立Warner-Bratzler剪切力值和曲线的峰高、半峰宽之间的关系，实现对牛肉嫩度的预测，预测模型相关系数为0.67。综上所述，高光谱成像技术可作为快速无损的检测方法实现对红肉嫩度的评定。

2.4加工品质的测定

2.4.1 pH

  pH是指在水溶液中氢离子的浓度，刚屠宰后猪肉的pH在6～7之间，正常红肉的pH在尸僵期变化很大，可达到5.4～5.6，pH通过影响红肉的持水性和颜色进而对其贮藏和质量特性有很大影响。用高光谱成像技术预测猪肉的pH，标准正态变量变换和多元散射校正光谱预处理方法用来消除频谱变化的影响。提取出有用的光谱信息后，使用偏最小二乘回归方法建立预测模型，决定系数为0.87，说明猪肉的pH能很好地应用高光谱成像系统进行测定。另一方面，用高光谱成像技术对羔羊肉的pH进行预测，应用偏最小二乘回归法建立的最终模型，评估标准偏差与内部交叉验证均方差的比值，通常此值大于2表示预测合理，大于3意味着优良的预测精度，足够用于分析。在这项研究中，该值为1.76，这意味着该模型的精度较低。传统上，肌肉切开后直接插入pH计对pH进行测量，目前高光谱成像系统可以在不破坏红肉的情况下对pH进行测定，但是未来需要更多的学者深入研究如何提高高光谱成像技术在红肉尤其是羊肉pH中的预测精度。

2.4.2保水性

  肉的保水性是指当肌肉受外力作用时，如加压、加热、切碎、冷冻、解冻以及腌制等加工和贮藏条件下保持其原有水分和添加水分的能力。红肉中含有约75%的水分，其在屠宰、贮藏和加工的过程中，很容易失去。一般采用测量蒸煮损失、滴水损失和压榨损失等传统测量方法对保水性进行评定。近年来，高光谱成像技术也逐渐应用于红肉保水性的评定中，但是因高光谱成像系统的成本远远高于传统测量方法，所以目前研究较少。但是用高光谱成像技术对新鲜牛肉的保水性进行无损检测。利用主成分分析选取六个重要的特征波长( 940，997,1 144,1 214，1 342和1 443 nm)，用偏最小二乘回归方法建立预测模型，该模型给出了一个合理的精确度来预测滴水损失，决定系数为0.87，预测标准误差为0.28%。传统测量方法虽然准确性高，但是测量时需要破坏样本，检测效率低，检测后的样本卫生安全条件无法保证，对实验人员素质要求高，无法满足现代生产企业的需求，高光谱成像技术作为非接触式的无损检测方法已解决这些困难，如果今后高光谱成像系统成本有所降低，将在红肉保水性方面得到广泛的应用。

3结语与展望

  高光谱成像技术融合了传统的成像和光谱技术的优点，能对红肉质量特性进行无损检测和综合评价，功能强大，可用于预测红肉的pH、色泽和嫩度等关键的质量特性，因而该技术在红肉以及肉制品质量特性检测方面有广阔的应用前景，然而目前仍有一些障碍需要克服。

  (1)国外的高光谱成像系统成本较高，且价格昂贵，在国内推广应用具有一定的困难。基于这一情况，需要开发出国产的高光谱成像仪器，这有利于实现该技术在国内的产业化应用，目前国内已有学者开发出高光谱成像仪器，现需要进一步推广使用。

  (2)高光谱成像技术信息量丰富，同时包含光谱和图像信息，但存在高光谱图像的获取、处理和分类时间长、对计算机硬件要求高等问题，限制了其在红肉检测领域的应用，对高光谱硬件系统进行简化，降低原始数据量，将其应用到在线生产，提高数据的运算效率将是未来研究的重点。

  (3)红肉的一些质量特性，如嫩度、硬度和弹性是与线性因素（如肌原纤维蛋白含量）和非线性因素（如肌肉结构（结缔组织））是相关的，在这种情况下，非线性的方法和线性方法都需要用于建模。然而，大部分研究主要使用线性方法（如偏最小二乘回归法和多元线性回归法）建立预测模型，因此需要进一步研究非线性方法在建立预测模型方面的应用。

(4)高光谱成像系统数据庞大，且波段数量有限，因此，需要开发专用的成像光谱系统。可在高光谱成像的基础上挑选敏感波长，开发出多光谱成像系统，这会有利于高光谱成像技术最终大量应用于生产实践中。

4摘要  高光谱成像技术能够在连续空间内同时获得待测样品外观特性和内部成分的光谱及图像信息，所以这种快速、无损检测技术在红肉的质量特性检测方面得到了一定的应用。简述了高光谱成像技术的基本原理，重点综述了其在红肉的化学成分，安全品质（微生物和新鲜度），感官品质（色泽，嫩度和大理石样纹理）和加工品质(pH和保水性）检测方面的研究进展，并对该技术在今后肉品研究中的应用进行展望，以期该技术在无损检测领域中发挥更大的作用。