張令標(biāo)，何建國(guó)，王松磊，劉貴珊，賀曉光，羅瑞明

（寧夏大學(xué) 農(nóng)學(xué)院，寧夏 銀川 750021）

0 前言

隨著人們生活水平的提高，我國(guó)的膳食結(jié)構(gòu)逐漸向著優(yōu)質(zhì)合理的方向發(fā)展，消費(fèi)者對(duì)肉的需求量迅速增長(zhǎng)，同時(shí)也對(duì)肉品質(zhì)量提出了新的要求.肉品品質(zhì)直接影響人們的生活質(zhì)量和健康安全，也影響肉品企業(yè)的發(fā)展[1].因此，肉的食用品質(zhì)（嫩度、持水力）、營(yíng)養(yǎng)水平（脂肪、蛋白質(zhì)、水分）以及肉品的安全（表面污染）受到消費(fèi)者和肉品企業(yè)的重視.傳統(tǒng)肉品檢測(cè)方法有感官評(píng)價(jià)、理化指標(biāo)檢測(cè)以及微生物菌落檢測(cè)等[2]，其中感官評(píng)價(jià)主觀性強(qiáng)、不易量化，并且評(píng)價(jià)人員意見難以一致；理化指標(biāo)及微生物檢測(cè)存在樣品處理繁瑣、化學(xué)試劑消耗量大、檢測(cè)周期長(zhǎng)以及成本高等問題.世界各國(guó)亟需一種快速、準(zhǔn)確、靈敏的肉品檢測(cè)手段，因此光譜分析技術(shù)應(yīng)運(yùn)而生.

光譜分析技術(shù)首先被廣泛應(yīng)用于果蔬農(nóng)產(chǎn)品的快速無損檢測(cè)系統(tǒng)上，并取得了較好的效果[3-4].隨后一些學(xué)者應(yīng)用光譜分析技術(shù)在肉品品質(zhì)無損檢測(cè)技術(shù)研究方面取得了一定的成果[5-6]，并且已開發(fā)出儀器設(shè)備應(yīng)用于實(shí)際生產(chǎn)中，如丹麥和德國(guó)等國(guó)已經(jīng)開發(fā)出近紅外光譜在線檢測(cè)肉品品質(zhì)的生產(chǎn)線[6]；但近紅外光譜存在檢測(cè)范圍小、沒有圖像信息等缺點(diǎn)，在肉品檢測(cè)上存在很大制約.高光譜成像技術(shù)[7]是新一代光電檢測(cè)技術(shù)，興起于20世紀(jì)80 年代，融合光學(xué)、電子學(xué)、信息處理以及計(jì)算機(jī)科學(xué)，其將傳統(tǒng)二維成像技術(shù)和光譜技術(shù)有機(jī)地結(jié)合在一起，具有連續(xù)多波段、光譜分辨率高和圖像光譜合一等特點(diǎn)[8-10]，在肉品品質(zhì)檢測(cè)上具有很大的發(fā)展?jié)摿?筆者主要綜述了國(guó)內(nèi)外利用高光譜技術(shù)對(duì)肉品品質(zhì)進(jìn)行無損檢測(cè)的研究進(jìn)展并探討其未來的發(fā)展方向.

1 高光譜成像技術(shù)的原理

高光譜成像是一系列波長(zhǎng)范圍內(nèi)的圖像，根據(jù)不同的光源，光譜范圍可分為200～400 nm（紫外）、400～760 nm（可見光）、760～2 560 nm（近紅外）以及波長(zhǎng)大于2 560 nm 的區(qū)域[9].高光譜成像系統(tǒng)的主要組成部分有：CCD 相機(jī)、單色儀、成像鏡頭、光源、載物臺(tái)和計(jì)算機(jī)，如圖1 所示.

在掃描過程中，攝像頭接受從物體表面反射或透射來的光，通過CCD 探測(cè)器把光信號(hào)轉(zhuǎn)換成電信號(hào).圖像采集卡把CCD 得到的模擬信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)，通過計(jì)算機(jī)顯示出來[11].單色儀用來獲得特定波長(zhǎng)的光，單色儀分為濾波片（濾波器）和圖像光譜儀兩種，根據(jù)單色儀的不同可把高光譜系統(tǒng)分為兩種不同的高光譜系統(tǒng)[7，11-13].第1 種是基于濾波片（濾波器）的高光譜成像系統(tǒng)，其通過連續(xù)采集一系列波段條件下樣品的二維圖像，即在每個(gè)特定波長(zhǎng)λi（i=1，2，3，…，n；n 為正整數(shù)）得到一幅二維圖像（橫坐標(biāo)為x，縱坐標(biāo)為y），從而得到三維高光譜圖像塊，如圖2a 所示.第2 種是基于成像光譜儀的高光譜成像系統(tǒng)，其采用“掃帚式”成像方法得到高光譜圖像；線列或面陣探測(cè)器在光學(xué)焦面的垂直方向做橫向排列完成橫向掃描（x 軸向），獲取對(duì)象條狀空間中每個(gè)像素在各個(gè)波長(zhǎng)λi（i=1，2，3，…，n；n 為正整數(shù)）下的圖像信息；同時(shí)在檢測(cè)系統(tǒng)輸送帶前進(jìn)過程中，排列的探測(cè)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）.綜合橫縱掃描信息就可得到樣品的三維高光譜圖像數(shù)據(jù)，如圖2b 所示.

圖1 高光譜成像系統(tǒng)

圖2 高光譜圖像數(shù)據(jù)塊

2 高光譜成像技術(shù)在肉品品質(zhì)檢測(cè)上的應(yīng)用

2.1 高光譜成像技術(shù)在肉品內(nèi)部品質(zhì)檢測(cè)上的應(yīng)用

2.1.1 營(yíng)養(yǎng)指標(biāo)檢測(cè)

脂肪、蛋白質(zhì)、水分是人類重要的營(yíng)養(yǎng)物質(zhì)，是衡量肉品營(yíng)養(yǎng)價(jià)值的重要指標(biāo).檢測(cè)蛋白質(zhì)、脂肪和水分的傳統(tǒng)方法為凱氏定氮法[14]、索氏提取法[15]和直接干燥法[16]，這些方法都在不同程度上對(duì)肉品造成損傷，并且耗時(shí)長(zhǎng)、花費(fèi)大、時(shí)效性差的缺點(diǎn)嚴(yán)重影響肉品品質(zhì)檢測(cè)的發(fā)展.早期學(xué)者[17]應(yīng)用傅立葉變換近紅外光譜系統(tǒng)對(duì)鮮豬肉中肌內(nèi)脂肪、蛋白質(zhì)和水分含量進(jìn)行測(cè)定，結(jié)果表明，該方法可快速準(zhǔn)確地檢測(cè)鮮豬肉中肌內(nèi)脂肪、蛋白質(zhì)和水分含量.為高光譜成像技術(shù)在肉品化學(xué)成分檢測(cè)上的應(yīng)用提供了依據(jù).

Kamruzzaman M 等[18]基于900～1 700 nm 的高光譜成像系統(tǒng)對(duì)羊肉肌內(nèi)蛋白質(zhì)、脂肪和水分的無損檢測(cè)進(jìn)行了研究.應(yīng)用ENVI 軟件從高光譜原始圖像上獲得原始光譜，Uscrambler 軟件對(duì)原始光譜建立偏最小二乘回歸的多元散射校正模型，結(jié)果表明：該模型對(duì)羊肉肌內(nèi)的水分、脂肪蛋白質(zhì)的決定系數(shù)分別為0.88、0.88 和0.63 以及預(yù)測(cè)標(biāo)準(zhǔn)誤差為0.40%、0.51%和0.34%.隨后根據(jù)偏最小二乘回歸系數(shù)分別選擇出水分、脂肪、蛋白質(zhì)的特征波長(zhǎng)，并建立了特征波長(zhǎng)下的偏小二乘回歸模型，各成分的交叉驗(yàn)證均方根誤差為：0.86、0.90、0.85；預(yù)測(cè)均方根誤差為：0.84、0.87、0.82；預(yù)測(cè)標(biāo)準(zhǔn)誤差為：0.57%、0.35%、0.47%.

Barbin 等[19]應(yīng)用近紅外高光譜成像對(duì)塊狀豬肉和肉糜化學(xué)成分的無損檢測(cè)的研究表明，特征波長(zhǎng)下建立肉糜中蛋白質(zhì)、水分和脂肪的偏最小二乘回歸模型，其決定系數(shù)為0.88、0.91、0.93，預(yù)測(cè)標(biāo)準(zhǔn)誤差為0.40、0.60、0.42.該肉糜模型可很好地應(yīng)用于完整肉化學(xué)成分的預(yù)測(cè).

2.1.2 嫩度檢測(cè)

嫩度是肉品的主要食用品質(zhì)之一，是消費(fèi)者評(píng)判肉質(zhì)優(yōu)劣的最常用指標(biāo).肉的嫩度是指肉在食用時(shí)口感的老嫩，反映了肉的質(zhì)地[20].傳統(tǒng)肉的嫩度檢測(cè)大都是感官評(píng)價(jià)，其操作復(fù)雜、耗資大、并且受人為因素影響比較大，嚴(yán)重影響了高品質(zhì)肉品檢測(cè).除了感官評(píng)價(jià)外還可借助儀器來衡量，雖然提高了嫩度的檢測(cè)精度，但樣品浪費(fèi)大、有損壞、時(shí)效性差，嚴(yán)重制約了肉品行業(yè)的發(fā)展.目前，利用高光譜成像技術(shù)對(duì)肉品嫩度檢測(cè)的研究得到快速發(fā)展.

吳建虎等[21]應(yīng)用高光譜散射成像系統(tǒng)獲取牛肉表面高光譜散射圖像，從散射圖像中提取散射曲線，使用洛倫茲分布函數(shù)擬合散射曲線，逐步回歸選取擬合函數(shù)參數(shù)的優(yōu)化組合，預(yù)測(cè)成熟7 d 的牛肉嫩度.結(jié)果表明，在525～1 000 nm 波長(zhǎng)范圍內(nèi)，洛倫茲分布函數(shù)可以較好地?cái)M合牛肉嫩度的散射曲線；根據(jù)散射曲線峰值建立的多元線性回歸方程，可以很好地預(yù)測(cè)牛肉的嫩度值；同時(shí)，吳建虎等[22]指出：在400～1 000 nm 波長(zhǎng)范圍內(nèi)，反射光譜與嫩度有較好的相關(guān)性.利用逐步回歸法選擇特征波長(zhǎng)建立牛肉嫩度預(yù)測(cè)模型，并應(yīng)用全交叉驗(yàn)證對(duì)模型進(jìn)行檢驗(yàn)，準(zhǔn)確性良好.并用特征波長(zhǎng)的反射值作為輸入量，用正則判別法對(duì)牛肉嫩度分級(jí)，較嫩一組分類準(zhǔn)確率達(dá)83.13%，粗糙一組分類準(zhǔn)確率為90.19%，23 個(gè)樣本的總分類準(zhǔn)確率為87.10%.

Naganathan G K 等[23]采集了屠宰后14 d 的背脊牛排111 塊作為研究樣本.應(yīng)用近紅外高光譜成像系統(tǒng)采集圖像信息后，對(duì)牛排進(jìn)行烹飪測(cè)其剪切力，根據(jù)剪切力把111 個(gè)樣本分成3 組（柔軟型、中間型、堅(jiān)韌型）.通過主成分分析獲得牛肉的紋理特性，依據(jù)牛排的3 種嫩度類型與紋理特性的關(guān)系，建立圖像預(yù)測(cè)模型，應(yīng)用留一交叉驗(yàn)證方法驗(yàn)證模型，其精確度為94.6%.

2.1.3 持水力檢測(cè)

肌肉系水力也叫肌肉持水力，是一項(xiàng)重要的肉質(zhì)性狀，它不僅影響肉的色香味、營(yíng)養(yǎng)成分、多汁性、嫩度等食用品質(zhì)，而且有著重要的經(jīng)濟(jì)價(jià)值[20].利用肌肉有系水潛能這一特性，在肉品加工過程中可以添加水分，從而提高出品率.如果肌肉保水性能差，那么從家畜屠宰后到被烹調(diào)前這一段過程中，肉因?yàn)槭е?，將造成?jīng)濟(jì)損失.

ElMasry G 等[24]應(yīng)用近紅外高光譜圖像技術(shù)對(duì)牛肉持水能力進(jìn)行無損檢測(cè)研究，通過主成分分析處理并建立全波段下的偏最小二乘模型，其決定系數(shù)為0.89，經(jīng)交叉驗(yàn)證模型的標(biāo)準(zhǔn)誤差為0.26%.并根據(jù)偏最小二乘回歸系數(shù)選擇6 個(gè)特征波長(zhǎng)（940、997、1 144、1 214、1 342、1 443 nm），采用偏最小二乘回歸法建立模型，該模型的決定系數(shù)和標(biāo)準(zhǔn)誤差分別為0.87 和0.28%.

Kamruzzaman M 等[25]應(yīng)用高光譜成像技術(shù)在900～1 700 nm 范圍內(nèi)檢測(cè)羔羊肉不同部分的pH、顏色、持水力3 個(gè)指標(biāo)時(shí)，應(yīng)用偏最小二乘回歸和多元散射校正建立模型測(cè)得持水力的決定系數(shù)為0.77，并應(yīng)用灰度共生矩陣提取圖像結(jié)構(gòu)信息，確定失水率與圖像結(jié)構(gòu)信息的相關(guān)性，建立了失水率彩色圖像模型，可清晰看出羔羊肉的失水率大小.

2.2 高光譜成像技術(shù)在肉品表面污染檢測(cè)上的應(yīng)用

微生物含量作為鮮肉檢測(cè)的一個(gè)重要指標(biāo)直接影響肉品的儲(chǔ)藏及風(fēng)味，如果微生物含量超標(biāo)將會(huì)直接危害消費(fèi)者健康，傳統(tǒng)檢測(cè)方法耗時(shí)長(zhǎng)、操作復(fù)雜，不能滿足當(dāng)今社會(huì)的發(fā)展.高光譜成像技術(shù)作為一款精確、快速、無損的檢測(cè)系統(tǒng)，被學(xué)者廣泛應(yīng)用于農(nóng)畜產(chǎn)品檢測(cè)的研究.Tao 等[26]指出在400～1 100 nm 波長(zhǎng)范圍內(nèi)應(yīng)用高光譜散射技術(shù)和多元線性回歸預(yù)測(cè)豬肉內(nèi)大腸桿菌含量，相關(guān)系數(shù)高達(dá)0.877.Barbin 等[27]應(yīng)用900～1 000 nm 高光譜系統(tǒng)估計(jì)豬肉微生物含量，采用偏最小二乘回歸法建立細(xì)菌總數(shù)模型和平板計(jì)數(shù)模型，模型準(zhǔn)確率分別達(dá)到0.86 和0.89.Peng 等[28]應(yīng)用高光譜空間散射圖像預(yù)測(cè)牛肉表面微生物腐敗，根據(jù)洛倫茲分布函數(shù)選擇特征波長(zhǎng)，然后結(jié)合真實(shí)細(xì)菌總數(shù)（TVC）的對(duì)數(shù)值建立多元線性回歸模型，最佳決定系數(shù)為0.95，標(biāo)準(zhǔn)誤差為0.30.

畜禽屠宰過程中，由于扯拉過猛使十二指腸、腸道中較長(zhǎng)的部位斷裂，內(nèi)容物流出黏附胴體表面，以及操作過程中沾染操作間的塵土造成胴體表面污染.這些表面污染嚴(yán)重影響胴體的品質(zhì)，縮短儲(chǔ)藏時(shí)間，制約肉品行業(yè)的發(fā)展，但糞便、腸溶物等成分多樣、狀態(tài)復(fù)雜，傳統(tǒng)方法難以檢測(cè).Park B 等[29]應(yīng)用高光譜成像技術(shù)對(duì)雞肉表面糞便污染進(jìn)行研究，應(yīng)用兩個(gè)波段比（I565/I517）建立圖像模型，模型精確度為96.4%，誤報(bào)147，采用3 個(gè)波段比（I565-I616）/（I529-I616）結(jié)合其他的圖像算法建立圖像模型，其精確度雖為96.2%，但誤報(bào)64.滕安國(guó)[30]利用高光譜及光譜圖像技術(shù)對(duì)雞胴體表面污染檢測(cè)進(jìn)行研究，各污染物與皮膚光譜差的二階導(dǎo)數(shù)在1 000 nm 處出現(xiàn)顯著差異；并應(yīng)用多光譜圖像檢測(cè)，在特征波長(zhǎng)1 070、950、870、850 nm 下建立了一套檢測(cè)雞胴體表面污染的方法，但對(duì)土壤和回腸內(nèi)容物檢測(cè)效果不理想；基于517/565 nm 比率圖像模型能夠檢測(cè)盲腸、十二指腸內(nèi)容物，但同樣對(duì)回腸內(nèi)容物檢測(cè)效果不佳.

寧夏大學(xué)農(nóng)產(chǎn)品無損檢測(cè)實(shí)驗(yàn)室應(yīng)用可見-近紅外（400～1 000 nm）高光譜系統(tǒng)對(duì)羊肉腸容物進(jìn)行無損檢測(cè).通過對(duì)采集到的高光譜圖像數(shù)據(jù)進(jìn)行主成分分析，選取大腸腸容物污染的5 個(gè)特征波長(zhǎng)（430、540、574、622、660 nm）及小腸腸容物污染的5 個(gè)特征波長(zhǎng)（420、473、540、574、660 nm），應(yīng)用中值濾波、平方根變換、二值化和數(shù)字形態(tài)學(xué)對(duì)腸容物進(jìn)行特征提取.結(jié)果表明，基于可見-近紅外光譜范圍對(duì)羊肉表面腸容物的檢測(cè)率為98.5%，基于特征波段光譜范圍內(nèi)對(duì)羊肉表面腸容物的檢測(cè)率為98.1%.

2.3 高光譜成像技術(shù)在肉品外部品質(zhì)檢測(cè)上的應(yīng)用

2.3.1 大理石花紋檢測(cè)

大理石花紋是評(píng)定肉品等級(jí)的主要指標(biāo)之一，是指取胴體背最長(zhǎng)肌第12～13 肋骨處，橫切外脊，觀察眼肌面積內(nèi)紅肉與脂肪的交雜程度，大理石花紋明顯多的肉品質(zhì)就好.傳統(tǒng)的評(píng)定方法是通過技術(shù)人員肉眼觀察然后和樣板比對(duì)進(jìn)行評(píng)定，人為因素影響特別大.隨著科技的發(fā)展，屠康[31]、李明靜[32]、吳海娟[33]等應(yīng)用機(jī)器視覺對(duì)牛肉大理石花紋自動(dòng)分級(jí)進(jìn)行研究并取得了良好的效果.艾虎等[34]基于機(jī)器視覺的神經(jīng)網(wǎng)絡(luò)和圖像處理技術(shù)對(duì)牛肉大理石花紋自動(dòng)分級(jí)進(jìn)行研究，結(jié)果表明，概率神經(jīng)網(wǎng)絡(luò)基于7 個(gè)特征參數(shù)為訓(xùn)練數(shù)據(jù)的網(wǎng)絡(luò)分級(jí)結(jié)果與實(shí)測(cè)值的相關(guān)系數(shù)為0.93.

高曉東等[35]基于高光譜成像技術(shù)對(duì)牛肉大理石花紋進(jìn)行評(píng)估，提取特征波段處大理石花紋的3個(gè)特征參數(shù)（大顆粒脂肪密度、中等顆粒脂肪密度和小顆粒脂肪密度），根據(jù)特征參數(shù)建立多元線性回歸模型，結(jié)果表明，多元線性回歸模型對(duì)大理石花紋等級(jí)的預(yù)測(cè)決定系數(shù)為0.92，預(yù)測(cè)標(biāo)準(zhǔn)差為0.45，總的分級(jí)準(zhǔn)確率是84.8%.Qiao 等[36]應(yīng)用400～1 000 nm 高光譜系統(tǒng)檢測(cè)豬肉大理石花紋對(duì)豬肉品質(zhì)進(jìn)行分級(jí)，結(jié)果表明，建立的神經(jīng)網(wǎng)絡(luò)模型在5 個(gè)主成分下的相關(guān)系數(shù)為69%、在10 個(gè)主成分的相關(guān)系數(shù)為89%，40 個(gè)樣品的大理石花紋分級(jí)范圍在3～5 之間.

2.3.2 色澤檢測(cè)

色澤是肉品最主要的外部品質(zhì)，直接反映肉品的新鮮度，是決定消費(fèi)者是否購(gòu)買的主要因素.吳建虎等[37]通過逐步回歸選擇特征波長(zhǎng)處的洛倫茲參數(shù)建立多元回歸模型對(duì)顏色的L*、a* 和b* 預(yù)測(cè)相關(guān)系數(shù)分別達(dá)到0.92、0.90 和0.88，預(yù)測(cè)殘差分別為0.90、1.34 和0.41.

ElMasry 等[38]應(yīng)用900～1 700 nm 的高光譜系統(tǒng)預(yù)測(cè)新鮮牛肉的顏色，結(jié)果表明：建立全波段下的偏最小二乘回歸模型，其L* 和b* 的決定系數(shù)為0.88 和0.81，應(yīng)用偏最小二乘回歸的權(quán)重系數(shù)選擇的特征波長(zhǎng)建立的偏最小二乘回歸模型中L*和b* 決定系數(shù)為0.88 和0.80，均方根誤差為1.22和0.59.

Wu 等[39]應(yīng)用900～1 700 nm 近紅外高光譜圖像檢測(cè)大馬哈魚顏色分布，采用連續(xù)投影算法提取特征波長(zhǎng)，建立特征波長(zhǎng)下多元線性回歸模型.結(jié)果表明，顏色的3 個(gè)參數(shù)L*、a*、b* 的相關(guān)系數(shù)分別為0.876、0.744、0.804，并制作了大馬哈魚可視化顏色分布圖像.

3 展望

高光譜成像技術(shù)在農(nóng)畜產(chǎn)品內(nèi)外品質(zhì)無損檢測(cè)中得到廣泛應(yīng)用，并取得了較好的成果.高光譜成像技術(shù)不僅可檢測(cè)肉品的色澤、大理石花紋、表面污染等外部品質(zhì)，同時(shí)對(duì)肉品的嫩度、蛋白質(zhì)、脂肪、水分等內(nèi)部指標(biāo)也具有較好的預(yù)測(cè)效果，實(shí)現(xiàn)了光譜、圖像合二為一.在今后研究中可從以下幾點(diǎn)進(jìn)行深入探究：

（1）數(shù)據(jù)降維.高光譜成像技術(shù)冗余信息量較大，數(shù)據(jù)處理繁瑣，而目前大都采用主成分降維，這種降維方式只能保留數(shù)據(jù)的主要特征，而去除了樣品化學(xué)成分的特征數(shù)據(jù)，因此可尋求一種適合農(nóng)畜產(chǎn)品自身特性的降維方式.

（2）圖像處理.高光譜圖像處理，大都采用ENVI等圖像處理軟件，這些軟件起初都是應(yīng)用于航天遙感上，在農(nóng)畜產(chǎn)品上的應(yīng)用有待探索，亟需開發(fā)一款適合農(nóng)畜產(chǎn)品自身特性的圖像處理軟件.

（3）特征波長(zhǎng)選擇.方差分析、逐步判別分析、粒子群算法等方法提取特征波長(zhǎng)多，無法應(yīng)用濾波片建立便宜的多光譜系統(tǒng)實(shí)現(xiàn)在線檢測(cè)的目的.今后應(yīng)結(jié)合化學(xué)計(jì)量學(xué)和這些算法的優(yōu)點(diǎn)，尋求一款快速有效的特征波長(zhǎng)提取方法，使波段數(shù)在2～5 以內(nèi)，以實(shí)現(xiàn)在線檢測(cè)的目的.

［1］彭彥昆，張雷蕾.光譜技術(shù)在生鮮肉品質(zhì)安全快速檢測(cè)的研究進(jìn)展［J］.食品安全質(zhì)量檢測(cè)學(xué)報(bào)，2010，27（2）：62-71.

［2］孔憲琴，黃素珍.肉品品質(zhì)的無損檢測(cè)方法［J］.肉類研究，2008（8）：66-69.

［3］楊春梅，李寧，趙學(xué)玒，等.用于果蔬內(nèi)部品質(zhì)無損檢測(cè)的NIRS 技術(shù)新進(jìn)展［J］.激光與紅外，2009，39（11）：1137-1141.

［4］彭彥穎，孫旭東，劉燕德.果蔬品質(zhì)高光譜成像無損檢測(cè)研究進(jìn)展［J］.激光與紅外，2010，40（6）：586-592.

［5］楊鴻博.光學(xué)技術(shù)檢測(cè)農(nóng)畜產(chǎn)品質(zhì)量安全無損［N］.中國(guó)農(nóng)機(jī)化導(dǎo)報(bào)，2009-8-17（7）.

［6］徐霞，成芳，應(yīng)義斌.近紅外光譜技術(shù)在肉品檢測(cè)中的應(yīng)用和研究進(jìn)展［J］.光譜學(xué)與光譜分析，2009，29（7）：1176-1180.

［7］王雷，喬曉艷，董有爾，等.高光譜圖像技術(shù)在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用進(jìn)展［J］.應(yīng)用光學(xué)，2009，30（4）：639-644.

［8］婁全勝，陳蕾，王平，等.高光譜遙感技術(shù)在海洋研究的應(yīng)用及展望［J］.海洋湖沼通報(bào)，2008（3）：168-173.

［9］田有文，王曉娟.基于高光譜圖像技術(shù)的農(nóng)產(chǎn)品品質(zhì)無損檢測(cè)［J］.農(nóng)機(jī)化研究，2009（10）：220-222.

［10］楊國(guó)鵬，余旭初，馮伍法.高光譜遙感技術(shù)的發(fā)展與應(yīng)用現(xiàn)狀［J］.測(cè)繪通報(bào)，2008（10）：1-4.

［11］劉木華，趙杰文，鄭建鴻，等.農(nóng)畜產(chǎn)品品質(zhì)無損檢測(cè)中高光譜圖像技術(shù)的應(yīng)用進(jìn)展［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2005，36（9）：139-143.

［12］洪添勝，李震，吳春胤，等.高光譜圖像技術(shù)在水果品質(zhì)無損檢測(cè)中的應(yīng)用［J］.農(nóng)業(yè)工程學(xué)報(bào)，2007，23（11）：280-285.

［13］劉木華，趙杰文，江水泉.高光譜圖像在農(nóng)畜產(chǎn)品品質(zhì)與安全性檢測(cè)中的研究現(xiàn)狀與展望［J］.糧食與食品工業(yè)，2004（2）：47-49.

［14］GB/T 9695.7—2008，肉與肉制品總脂肪含量的測(cè)定［S］.

［15］GB/T 9695.11—2008，肉與肉制品氮含量的測(cè)定［S］.

［16］GB/T 9695.15—2008，肉與肉制品水分含量的測(cè)定［S］.

［17］劉煒，俞湘麟，孫東東，等.傅立葉變換近紅外光譜法快速檢測(cè)鮮豬肉中肌內(nèi)脂肪、蛋白質(zhì)和水分含量［J］.養(yǎng)豬，2005（3）：41-50.

［18］Kamruzzaman M，ElMasry G，SUN Da-wen，et al.Non-destructive prediction and visualization of chemical composition in lamb meat using NIR hyperspectral imaging and multivariate regression［J］.Innovative Food Science and Emerging Technologies，2012，16:218-226.

［19］Barbin D F，ElMasry G，SUN Da-wen，et al.Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging［J］.Food Chemistry，2013，138:1162-1171.

［20］周光宏.畜產(chǎn)品加工學(xué)［M］.北京：中國(guó)農(nóng)業(yè)出版社，2007：63-66.

［21］吳建虎，彭彥昆，高曉東，等.基于VIS/NIR 高光譜散射特征預(yù)測(cè)牛肉的嫩度［J］.食品安全質(zhì)量檢測(cè)技術(shù)，2009（1）：20-26.

［22］吳建虎，彭彥昆，江發(fā)潮，等.牛肉嫩度的高光譜法檢測(cè)技術(shù)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（12）：135-138.

［23］Naganathan G K，Grimes L M，Subbiah J，et al.Visible/near-infrared hyperspectral imaging for beef tenderness prediction［J］.Computers and Electronics in Agriculture，2008，64:225-233.

［24］ElMasry G，SUN Da-wen，Allen P.Nondestructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging［J］.Food Research International，2011，44:2624-2633.

［25］Kamruzzamana M，ElMasry G，SUN Da-wen，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.

［26］TAO Fei-fei，PENG Yan-kun，LI Yong-yu，et al.Simultaneous determination of tenderness and Escherichia coli contamination of pork using hyperspectral scattering technique［J］.Meat Science，2012，90:851-857.

［27］Barbin D F，ElMasry G，SUN Da-wen，et al.Non-destructive assessment of microbial contamination in porcine meat using NIR hypers -pectral imaging［J］.Innovative Food Science and Emerging Technologies，2013，17:180-191.

［28］Peng Yan-kun，Zhang Jing，Wang Wei，et al.Potential prediction of the microbial spoilage of beef using spatially resolved hyperspectral scattering profiles［J］.Journal of Food Engineering，2011，102:163-169.

［29］Park B，Lawrence K C，Windham W R，et al.Performance of hyperspectral imaging system for poultry surface fecal contaminant detection［J］.Journal of Food Engineering，2006，75:340-348.

［30］滕安國(guó).利用高光譜及光譜圖像技術(shù)對(duì)雞胴體表面污染檢測(cè)研究［D］.南京:南京農(nóng)業(yè)大學(xué)，2009.

［31］屠康，王富昶.計(jì)算機(jī)視覺在牛肉大理石花紋分級(jí)中的應(yīng)用研究［J］.糧油加工和食品機(jī)械，2003（10）：44-45.

［32］李明靜.機(jī)器視覺在牛肉大理石花紋自動(dòng)分級(jí)中的應(yīng)用研究［D］.楊凌:西北農(nóng)林科技大學(xué)，2007.

［33］吳海娟，彭增起，沈明霞，等.機(jī)器視覺技術(shù)在牛肉大理石花紋識(shí)別中的應(yīng)用［J］.食品科學(xué)，2011，32（3）：10-13.

［34］艾虎.基于機(jī)器視覺的神經(jīng)網(wǎng)絡(luò)和圖像處理技術(shù)的牛肉大理石花紋自動(dòng)分級(jí)研究［D］.雅安:四川農(nóng)業(yè)大學(xué)，2009.

［35］高曉東，吳建虎，彭彥昆，等.基于高光譜成像技術(shù)的牛肉大理石花紋的評(píng)估［J］.農(nóng)產(chǎn)品加工（學(xué)刊），2009，10：33-37.

［36］Qiao Jun，Ngadi M O，Wang Ning，et al.Pork quality and marbling level assessment using a hyperspectral imaging system［J］.Journal of Food Engineering，2007，83（1）:10-16.

［37］吳建虎，陳菁菁，彭彥昆.基于高光譜散射技術(shù)的牛肉嫩度和顏色的預(yù)測(cè)研究［C］// 中國(guó)農(nóng)業(yè)工程學(xué)會(huì).紀(jì)念中國(guó)農(nóng)業(yè)工程學(xué)會(huì)成立三十周年暨中國(guó)農(nóng)業(yè)工程學(xué)會(huì)2009 年學(xué)術(shù)年會(huì)（CSAE 2009）論文集.山西:出版者不詳，2009：977-982.

［38］ElMasry G，SUN Da-wen，Allen P.Nearinfrared hyperspectral imaging for predicting colour，pH and tenderness of fresh beef［J］.Journal of Food Engineering，2012，110:127-140.

［39］WU Di，SUN Da-wen，HE Yong.Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet［J］.Innovative Food Science and Emerging Technologies，2012，16：361-372.