陳士進(jìn)，彭增起，李景軍，沈明霞,*，王復(fù)龍，李小林，馬鵬鵬

(1.南京農(nóng)業(yè)大學(xué)工學(xué)院，江蘇 南京 210031；2.江蘇省智能化農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210031；3.南京農(nóng)業(yè)大學(xué) 農(nóng)業(yè)部農(nóng)畜產(chǎn)品加工與質(zhì)量控制重點(diǎn)開放實(shí)驗(yàn)室，江蘇 南京 210095；4.雨潤(rùn)肉類產(chǎn)業(yè)集團(tuán)有限公司，江蘇 南京 210041)

光譜技術(shù)預(yù)測(cè)牛肉嫩度研究進(jìn)展

陳士進(jìn)1,2，彭增起3，李景軍4，沈明霞1,2,*，王復(fù)龍3，李小林1,2，馬鵬鵬1,2

(1.南京農(nóng)業(yè)大學(xué)工學(xué)院，江蘇 南京 210031；2.江蘇省智能化農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210031；3.南京農(nóng)業(yè)大學(xué) 農(nóng)業(yè)部農(nóng)畜產(chǎn)品加工與質(zhì)量控制重點(diǎn)開放實(shí)驗(yàn)室，江蘇 南京 210095；4.雨潤(rùn)肉類產(chǎn)業(yè)集團(tuán)有限公司，江蘇 南京 210041)

肉的嫩度是肉品品質(zhì)的首要指標(biāo)。多年來(lái)，牛肉嫩度一直是肉品學(xué)者關(guān)注的焦點(diǎn)，而牛肉嫩度的檢測(cè)是近年來(lái)研究的熱點(diǎn)之一。本文從光譜譜信息和牛肉內(nèi)部成分的關(guān)系及光譜成像和牛肉外部特征的關(guān)系兩方面，簡(jiǎn)要闡述牛肉嫩度檢測(cè)的光譜技術(shù)特點(diǎn)。主要介紹國(guó)內(nèi)外近十年來(lái)在牛肉嫩度檢測(cè)方面所采用的近紅外(NIR)、高光譜、多光譜、熒光光譜和可見光譜技術(shù)研究進(jìn)展，討論現(xiàn)有技術(shù)的局限性，并指出未來(lái)牛肉嫩度檢測(cè)技術(shù)的發(fā)展方向。

牛肉嫩度；近紅外光譜；高光譜；多光譜；可見光譜；熒光光譜

牛肉品質(zhì)的5個(gè)重要指標(biāo)包括嫩度、多汁性、風(fēng)味、肉色和吸水力，其中，嫩度是肉品質(zhì)量的首要指標(biāo)[1]，影響牛肉的食用和商業(yè)價(jià)值，而大多數(shù)消費(fèi)者也愿意付更高的價(jià)錢購(gòu)買嫩牛肉[2-3]。因此，如何檢測(cè)牛肉嫩度，一直是國(guó)內(nèi)外肉品科學(xué)研究工作的熱點(diǎn)問題之一。目前牛肉嫩度檢測(cè)主要使用的方法包括感官評(píng)定和剪切力方法。前者一般是由經(jīng)過訓(xùn)練的評(píng)級(jí)員或消費(fèi)者組成的品嘗小組品嘗判定，后者一般利用剪切力法判定。剪切力方法主要有沃-布剪切力(WBSF)和切片剪切力(SSF)[4]。感官評(píng)定牛肉嫩度，主觀性強(qiáng)、耗時(shí)、重復(fù)性差、花費(fèi)高。剪切力法測(cè)定牛肉嫩度，客觀，但操作過程很繁瑣、耗時(shí)，有損，且不能在牛肉生產(chǎn)流程現(xiàn)場(chǎng)使用。隨著圖像處理技術(shù)和光譜技術(shù)的發(fā)展，國(guó)內(nèi)外研究者報(bào)道不同波段的光照射牛肉時(shí)，一些特定波段的光作用于牛肉內(nèi)部，光譜(吸收光譜、散射光譜及透射光譜等)攜帶牛肉內(nèi)部的特征信息[5-8]；另一些波段的光作用于牛肉的表面，所形成的圖像攜帶牛肉的外部特征信息[9-11]。應(yīng)用近紅外(NIR)、高光譜、多光譜、可見光譜、及熒光光譜等光譜技術(shù)進(jìn)行牛肉嫩度的檢測(cè)，正逐漸成為牛肉品質(zhì)檢測(cè)技術(shù)研究的重點(diǎn)。

1 近紅外光譜(NIR)分析技術(shù)

在20世紀(jì)70ü90年代期間，肉類質(zhì)量的評(píng)估采用儀器檢測(cè)，如采用Warner-Bratzler剪切儀、Hunter色差計(jì)，或者人工感官評(píng)定。這些檢測(cè)技術(shù)有損、耗時(shí)且不適合肉類產(chǎn)業(yè)在線運(yùn)用。肉品研究者迫切尋找一種快速、無(wú)損且能在線檢測(cè)肉類品質(zhì)的技術(shù)，在這種趨勢(shì)下，NIR光譜技術(shù)被嘗試運(yùn)用到肉類品質(zhì)檢測(cè)方面[12-17]。NIR檢測(cè)牛肉嫩度一般是將NIR譜信息和牛肉剪切力值或感官評(píng)定的嫩度相關(guān)聯(lián)，建模預(yù)測(cè)嫩度。Mitsumoto等[12]是第一個(gè)發(fā)布采用NIR技術(shù)測(cè)量牛肉嫩度的研究小組，他們獲得了剪切力和NIR測(cè)量值較好的相關(guān)性，R2為0.83。

1.1 統(tǒng)計(jì)方法

NIR檢測(cè)牛肉嫩度常用的統(tǒng)計(jì)方法有多元線性回歸(MLR)、多元逐步回歸(SMR)、主成分分析(PCA)、主成分回歸(PCR)、偏最小二乘法(PLS)、人工神經(jīng)網(wǎng)絡(luò)(ANN)和拓?fù)?topological)等。Prieto等[18]認(rèn)為統(tǒng)計(jì)方法影響NIR預(yù)測(cè)的精度，建模時(shí)，采用恰當(dāng)?shù)慕y(tǒng)計(jì)方法，能提高預(yù)測(cè)精度。Liu等[7]分別運(yùn)用偏最小二乘回歸和主成分分析法建模，將牛肉分成老牛肉和嫩牛肉2個(gè)級(jí)別，前者預(yù)測(cè)嫩度分級(jí)正確率達(dá)83%，后者高達(dá)96%。

1.2 采樣面積

Mitsumoto[12]、Byrne[16]等在近紅外區(qū)運(yùn)用譜信息預(yù)測(cè)牛肉物理參數(shù)及品質(zhì)特征，采樣面積4cm2；Shackelford等[19]在一項(xiàng)研究中，NIR設(shè)備采樣面積19.6cm2，與前者采樣面積4cm2相比，認(rèn)為其采樣面積過小，樣本不具有代表性，易漏失目標(biāo)信息，比如當(dāng)肉質(zhì)不均勻時(shí)，采樣的小區(qū)域可能是肌內(nèi)脂肪區(qū)域，易導(dǎo)致預(yù)測(cè)精度不高甚至錯(cuò)誤結(jié)果；而采樣面積大，可以避免上述缺點(diǎn)。Geesink等[20]采用NIR譜數(shù)據(jù)預(yù)測(cè)豬肉嫩度(WBSF)，研究也表明采樣面積大，樣本更具有代表性，Prieto等[21]持相同的看法。在該項(xiàng)研究中，Shackelford等[19]比較了2種類型的NIR光纖探頭，一種是直徑3mm反射探頭，采樣面積??；另一種是直徑55mm高強(qiáng)度反射探頭，采樣面積大。實(shí)驗(yàn)結(jié)果表明，后一種探頭在波長(zhǎng)1080nm處，光譜重現(xiàn)性高達(dá)0.94～0.99，在波長(zhǎng)462nm和1371nm處，光譜重現(xiàn)性大于0.9。在該項(xiàng)研究的基礎(chǔ)上，Shackelford等[22]在另一項(xiàng)研究中開發(fā)了在線預(yù)測(cè)牛肉背長(zhǎng)肌嫩度(SSF)的可見光-近紅外(VIS-NIR)光譜系統(tǒng)。在美國(guó)牛胴體商業(yè)評(píng)級(jí)(質(zhì)量級(jí)和產(chǎn)量級(jí))過程中，該系統(tǒng)采集美國(guó)精選等級(jí)的胴體第12和第3肋骨處的背長(zhǎng)肌橫截面VIS-NIR反射光譜譜數(shù)據(jù)，預(yù)測(cè)成熟2周后的最長(zhǎng)肌嫩度(SSF)。光譜范圍寬(350～2500nm)，采用逐步回歸建模，校正集R2為0.38，預(yù)測(cè)集R2為0.22。該研究與其他研究[13-15,23]比較，前者在線采集樣品譜數(shù)據(jù)，無(wú)需破壞樣品；后者采集譜數(shù)據(jù)時(shí)需從牛肉商品上切取樣品，采樣有損，增加檢測(cè)成本。另外，該項(xiàng)研究還表明牛肉中較豐富的大理石花紋影響NIR光譜技術(shù)預(yù)測(cè)嫩度的能力。2008年，Rust等[24]對(duì)美國(guó)精選等級(jí)的牛肉進(jìn)行研究也得出類似的結(jié)論；2009年，Prieto等[21]開發(fā)了VISNIR在線預(yù)測(cè)系統(tǒng)，成功預(yù)測(cè)了L*、a*、b*的R2分別為0.86、0.86和0.91；預(yù)測(cè)成熟14d的牛肉嫩度(SSF)，結(jié)論與Shackelford等[22]研究相同，R2為0.31。

1.3 光譜散射

2007年，美國(guó)學(xué)者Xia等[6]首次提出利用牛肉光譜散射系數(shù)預(yù)測(cè)牛肉嫩度。該研究報(bào)道結(jié)締組織和肌纖維蛋白是影響肉嫩度的最重要的因素，這些組織結(jié)構(gòu)和光的散射特征密切相關(guān)。散射尺寸大小是光學(xué)散射研究中的重要參數(shù)。因?yàn)槔w維束的直徑約8μm、肌纖維直徑約1～2μm、肌小節(jié)長(zhǎng)度約2～3μm，這些尺寸大小接近或大于光波波長(zhǎng)600～950nm，因此最適合采用Mie散射算法計(jì)算散射系數(shù)。Xia等[6]在波長(zhǎng)450～950nm，采用光纖探針，對(duì)胸最長(zhǎng)肌、腰大肌、半膜肌和肱二頭肌，在波長(zhǎng)721nm處測(cè)得光譜散射系數(shù)，采用線性回歸方程分析散射系數(shù)和WBSF的相關(guān)性，結(jié)果表明，二者相關(guān)性顯著(P＜0.0001)，R2為0.59。

1.4 樣本形狀

Prieto等[25]報(bào)道，分別采集公牛和小牛胸最長(zhǎng)肌肉糜NIR譜信息，預(yù)測(cè)WBSF，前者R2為0.448，交叉驗(yàn)證標(biāo)準(zhǔn)誤差(SECV)為10N，后者R2為0.167，SECV為15.89N。研究認(rèn)為NIR預(yù)測(cè)牛肉的物理參數(shù)WBSF能力有限。文中分析認(rèn)為，牛肉樣本被切碎或做成糜狀，嚴(yán)重改變了肌肉的組織結(jié)構(gòu)，破壞了肌纖維的排列，導(dǎo)致NIR預(yù)測(cè)能力降低。Ripoll等[26]持與上述相同的看法。

1.5 肉嫩度的動(dòng)態(tài)變化

Geesink等[20]報(bào)道，當(dāng)樣本的剪切力值變化范圍很小時(shí)，無(wú)法構(gòu)建豬肉嫩度校正模型。McGlon等[27]建模時(shí)考慮所用指標(biāo)變量取值范圍寬廣及指標(biāo)測(cè)量值隨時(shí)間變化等因素，研究揭示了NIR譜信息隨成熟期間羊肉嫩度變化而變化。Shackelford等[28]研究表明宰后1d所測(cè)得的牛肉剪切力值和宰后14d相比，61%樣本的剪切力值發(fā)生了變化。Rodbotten等[29]開發(fā)了一個(gè)校正模型，將尸僵后(屠宰后26～30h)NIR測(cè)量值與尸僵前(宰后2～4h)測(cè)量值相比，結(jié)果表明，屠宰后越早測(cè)量的NIR值，預(yù)測(cè)宰后嫩度的準(zhǔn)確率越低。因?yàn)槿馀Ｍ涝缀?，影響牛肉品質(zhì)的許多因素發(fā)生了變化，如成熟的溫度和成熟的時(shí)間。2009年，Katja等[30]將NIR測(cè)量值與牛肉質(zhì)量指標(biāo)、特征隨時(shí)間的動(dòng)態(tài)變化相聯(lián)系，從尸僵開始到尸僵后完全成熟這段時(shí)間，牛肉質(zhì)量指標(biāo)(pH值、糖原含量等)和特征(剪切力和持水率等)隨時(shí)間變化而變化。文中指出，先前的NIR研究一般集中在牛肉成熟期間某一時(shí)間點(diǎn)的指標(biāo)的預(yù)測(cè)方面，而在預(yù)測(cè)隨時(shí)間變化的指標(biāo)方面，NIR技術(shù)研究較少。Katja等[30]為了擴(kuò)大剪切力指標(biāo)取值的變化范圍，樣品在尸僵前經(jīng)過電刺激、包裝貯存和冷卻溫度(5、15、35℃)等處理，運(yùn)用NIR技術(shù)預(yù)測(cè)了尸僵開始至尸僵后90h內(nèi)的剪切力，驗(yàn)證系數(shù)R2為0.58。研究認(rèn)為NIR不僅可以預(yù)測(cè)隨時(shí)間變化的牛肉質(zhì)量指標(biāo)和特征，而且這些指標(biāo)的預(yù)測(cè)精度和采用其他參考方法(如采用WBSF法測(cè)牛肉嫩度)一致或更準(zhǔn)確。

1.6 2種發(fā)射光譜對(duì)比

Bowling等[31]進(jìn)行了一項(xiàng)2種波段光譜譜數(shù)據(jù)與WBSF相關(guān)性對(duì)比的研究。在波段375～1100nm范圍內(nèi)，分別采集87頭小母牛的前腰脊肉切面的可見光光譜區(qū)的譜數(shù)據(jù)、NIR區(qū)域的譜數(shù)據(jù)、整個(gè)波段375～1100nm的譜數(shù)據(jù)，分別與WBSF建立相關(guān)性，線性回歸建模，研究結(jié)果表明，可見光譜區(qū)(R2=0.22、均方根誤差(RMSE)=0.760)、NIR近紅外光譜區(qū)(R2=0.14、RMSE=0.784)、整個(gè)光譜區(qū)(R2=0.19、RMSE=0.767)。Bowling等[31]認(rèn)為2種方法都可以預(yù)測(cè)牛肉嫩度：一種方法是采用可見光區(qū)譜數(shù)據(jù)和WBSF的關(guān)系預(yù)測(cè)嫩度，另一種方法是采用NIR光譜譜數(shù)據(jù)和WBSF的關(guān)系預(yù)測(cè)嫩度。而且，與在可見光光譜區(qū)相比，在NIR譜區(qū)預(yù)測(cè)牛肉嫩度的能力并未提高。

1.7 預(yù)測(cè)感官評(píng)定的嫩度

2008年，Ripoll等[26]研究報(bào)道NIR能更好地預(yù)測(cè)牛肉的感官評(píng)定嫩度(R2=0.98)，預(yù)測(cè)部分化學(xué)成分和WBSF稍差一點(diǎn)(R2=0.7)，但預(yù)測(cè)蛋白質(zhì)不成功(R2僅為0.110)。在以前的研究中，肉品研究者運(yùn)用NIR技術(shù)預(yù)測(cè)牛肉的感官評(píng)定嫩度，一般是由經(jīng)過專門訓(xùn)練的小組通過品嘗法來(lái)品定嫩度。2010年，Yancey等[32]選擇240名未經(jīng)過訓(xùn)練的消費(fèi)者組成小組，對(duì)美國(guó)牛胴體質(zhì)量等級(jí)中的精選、低優(yōu)選、高優(yōu)選及特級(jí)胴體上的眼肌，進(jìn)行嫩度及整體印象(指多汁、風(fēng)味等肉品質(zhì)特點(diǎn))評(píng)價(jià)。他還將NIR光譜(光譜波長(zhǎng)范圍400～2498nm)法、WBSF法和MORS(Meullenet-Owens razor shear)法3種方法進(jìn)行比較，預(yù)測(cè)上述牛肉的感官品定嫩度及整體印象。研究表明，NIR光譜法能更好地預(yù)測(cè)感官品定的牛肉嫩度(R2=0.74)，同時(shí)還可以預(yù)測(cè)肉品多汁性、風(fēng)味(R2=0.79)等特點(diǎn)，預(yù)測(cè)效果優(yōu)于采用剪切力方法，MORS和WBSF法預(yù)測(cè)感官嫩度R2范圍分別為0.38～0.58、0.15～0.37，采用剪切力法預(yù)測(cè)牛肉整體印象R2更小。

運(yùn)用NIR技術(shù)時(shí)，如果考慮模型選擇、采樣面積大小、樣品形狀、樣品嫩度的動(dòng)態(tài)變化及建模時(shí)變量取值范圍寬廣、預(yù)測(cè)目標(biāo)(預(yù)測(cè)感官嫩度還是剪切力)等因素，那么可以提高預(yù)測(cè)精度；NIR技術(shù)是間接技術(shù)，建立校正模型需要大量典型樣本；樣品代表性變化，影響測(cè)試結(jié)果；目前NIR設(shè)備價(jià)格仍然昂貴，使用成本高；研究者們正在找尋某一小范圍的波段或某一波長(zhǎng)，通過這些關(guān)鍵小波段或特定波長(zhǎng)制造一個(gè)簡(jiǎn)單、價(jià)廉性能良好、安全的NIR肉類品質(zhì)檢測(cè)儀。

2 高光譜圖像技術(shù)

為了促進(jìn)規(guī)范肉牛市場(chǎng)，美國(guó)農(nóng)業(yè)部(USDA)早在1926年頒發(fā)了牛肉分級(jí)標(biāo)準(zhǔn)(將牛胴體分為質(zhì)量級(jí)和產(chǎn)量級(jí))。2006年，Naganathan等[33]在美國(guó)農(nóng)業(yè)與生物工程師學(xué)會(huì)(ASABE)會(huì)議上報(bào)道，盡管牛肉嫩度是一個(gè)非常重要的品質(zhì)特征，但USDA分級(jí)系統(tǒng)至今沒有包含嫩度評(píng)定這一環(huán)節(jié)。所以市場(chǎng)上，所售牛胴體沒有按嫩度定價(jià)，生產(chǎn)者也缺乏提供嫩牛肉產(chǎn)品的動(dòng)機(jī)，導(dǎo)致消費(fèi)者的需求不能正常反饋給生產(chǎn)者。從市場(chǎng)發(fā)展的觀點(diǎn)來(lái)看，越來(lái)越多的人認(rèn)為必須把牛肉嫩度這一指標(biāo)加入到USDA質(zhì)量分級(jí)過程中，但一直沒有一個(gè)精確、快速、無(wú)損的檢測(cè)牛肉嫩度的方法。他認(rèn)為視頻圖像分析(video image anslysis)和NIR技術(shù)有希望無(wú)損、在線和快速檢測(cè)牛肉嫩度。前者檢測(cè)牛肉外部顏色、紋理特征(和肌肉的組織結(jié)構(gòu)有關(guān))，但牛肉的內(nèi)部特征如成熟過程中發(fā)生一系列生物化學(xué)反應(yīng)對(duì)嫩度的影響無(wú)法檢測(cè)；后者僅檢測(cè)光譜信息，光譜信息攜帶牛肉內(nèi)部的生物化學(xué)信息(如成熟過程中的蛋白質(zhì)降解引起嫩度的變化)?；诙哳A(yù)測(cè)嫩度的局限性，他首次提出高光譜圖像技術(shù)預(yù)測(cè)牛肉嫩度。

高光譜圖像技術(shù)將圖像處理技術(shù)和光譜分析技術(shù)融合為一體，能同時(shí)采集樣本的光譜信息和空間信息，兼有這兩種技術(shù)的優(yōu)勢(shì)。近年來(lái)，基于無(wú)損分析在許多研究領(lǐng)域及產(chǎn)業(yè)部門的運(yùn)用，世界各地的研究者們對(duì)此技術(shù)越來(lái)越關(guān)注[34-40]。

Naganathan等[33]還分析了美國(guó)肉產(chǎn)品系統(tǒng)，一般牛胴體分割后約3d，牛肉產(chǎn)品離開包裝加工工廠，14d左右到達(dá)消費(fèi)者手中。因此，牛肉產(chǎn)業(yè)需要一個(gè)檢測(cè)宰后2～3d的鮮牛肉特征，預(yù)測(cè)最后成熟14d的熟牛肉嫩度。面臨的主要挑戰(zhàn)是成熟過程及蒸煮過程中牛肉發(fā)生了變化。針對(duì)上述分析，Naganathan等[38]成功地開發(fā)了預(yù)測(cè)牛肉嫩度的高光譜圖像系統(tǒng)。在波段400～1000nm內(nèi)，采集背長(zhǎng)肌高光譜圖像三維數(shù)據(jù)塊，通過偏最小二乘回歸(PLSR)或主成分分析(PCA)降維，優(yōu)選特征波長(zhǎng)，去除數(shù)據(jù)中的冗余信息，尋找最能表征牛肉樣本嫩度品質(zhì)指標(biāo)的特征圖像。從特征圖像中選取感興趣區(qū)域(ROL)，基于灰度共生矩陣方法提取該區(qū)域中的8個(gè)紋理特征，如圖1。

運(yùn)用這些特征構(gòu)建一個(gè)典型的判別式校正集模型，采用全交叉方法評(píng)價(jià)模型性能，將牛肉分為嫩牛肉、中等程度的嫩牛肉和老牛肉3類，分類正確率達(dá)96.4%。類似的研究表明高光譜圖像技術(shù)能無(wú)損、快速地預(yù)測(cè)牛肉的品質(zhì)特征[37,39]。2012年，ElMasry等[41]在波長(zhǎng)900～1700nm范圍內(nèi)，預(yù)測(cè)L*、b*、pH值和嫩度，交叉驗(yàn)證相關(guān)系數(shù)R2CV分別為0.88、0.81、0.73和0.83，采用全交叉驗(yàn)證均方根誤差分別為1.21、0.57、0.06N和40.75N。使用高光譜散射特性預(yù)測(cè)牛肉的嫩度，Cluff等[36]預(yù)測(cè)相關(guān)系數(shù)最高為0.76，Wu等[42]預(yù)測(cè)WBSF的為0.91，預(yù)測(cè)顏色參數(shù)L*、a*、b*的分別為0.96、0.96、0.97。

圖 1 高光譜圖像紋理特征提取方法Fig.1 Extraction methods of hyperspectral image textural features

高光譜技術(shù)由于既能檢測(cè)牛肉的外部特征信息，又能檢測(cè)牛肉的內(nèi)部，信息，與NIR技術(shù)、可視光譜下的機(jī)器視覺技術(shù)相比，在檢測(cè)牛肉嫩度方面，或許高光譜技術(shù)更具有優(yōu)勢(shì)(比如檢測(cè)精度更高)。Jackman等[43]認(rèn)為高光譜圖像技術(shù)的出現(xiàn)提供了一種方法來(lái)補(bǔ)充和加強(qiáng)經(jīng)典的可見光波長(zhǎng)系統(tǒng)；對(duì)于提高機(jī)器視覺解決方案的最好的機(jī)會(huì)取決于高光譜成像。

高光譜成像技術(shù)作為新興的研究手段也具有一些缺點(diǎn)，如系統(tǒng)成本高(但是這個(gè)成本正在下降)、數(shù)據(jù)量大、高光譜圖像的獲取、處理和分類需要較長(zhǎng)時(shí)間，這些限制了其在線檢測(cè)的應(yīng)用。然而，高光譜成像系統(tǒng)在確定產(chǎn)品品質(zhì)參數(shù)的特征波長(zhǎng)具有優(yōu)勢(shì)，通過確定與檢測(cè)參數(shù)相關(guān)性強(qiáng)的特征波長(zhǎng)，可為進(jìn)一步在檢測(cè)速度和設(shè)備成本方面具有優(yōu)勢(shì)的多光譜系統(tǒng)的開發(fā)提供一定的支持。

3 多光譜和熒光光譜分析技術(shù)

3.1 多光譜

Sun等[44]開發(fā)了多光譜圖像采集系統(tǒng)。采集股二頭肌、半膜肌、肩胛下肌和胸最長(zhǎng)肌多光譜圖像。分別運(yùn)用灰度共生矩陣、兩維快速傅里葉變換、Gabor小波3種方法提取多光譜圖像紋理(肌肉的紋理)特征，基于這些特征建立2種牛肉嫩度預(yù)測(cè)模型，分別是多元逐步回歸模型、支持向量機(jī)模型(SVM)。126頭小母牛股二頭肌、半膜肌、肩胛下肌和胸最長(zhǎng)肌4個(gè)部位的肌肉樣本依據(jù)WBSF分為嫩牛肉組和老牛肉組，根據(jù)多光譜圖像紋理(分別來(lái)自于波段440、550、710、810nm的圖像)特征，采用多元逐步回歸模型預(yù)測(cè)嫩牛肉組樣本，分級(jí)正確率為80%～85%；對(duì)于老牛肉組，預(yù)測(cè)率低，但預(yù)測(cè)精度仍然接近80%。與前者預(yù)測(cè)模型比較，SVM模型預(yù)測(cè)率較高，對(duì)于嫩牛肉組，分級(jí)正確率高達(dá)92%～100%，但對(duì)于老牛肉組，預(yù)測(cè)效果不理想。

在檢測(cè)牛肉嫩度方面，多光譜技術(shù)與NIR、可視光譜下的機(jī)器視覺技術(shù)相比，預(yù)測(cè)精度高；與高光譜技術(shù)相比，系統(tǒng)運(yùn)行速度快。但目前運(yùn)用多光譜技術(shù)檢測(cè)牛肉品質(zhì)的研究并不多見。

3.2 熒光光譜

紫外光的波長(zhǎng)范圍是100～400nm，有顯著的化學(xué)效應(yīng)和熒光效應(yīng)。波長(zhǎng)380nm是激發(fā)膠原蛋白熒光波長(zhǎng)[45]，膠原蛋白是結(jié)締組織的主要成分。Purslow[46]研究了肌肉內(nèi)結(jié)締組織的形態(tài)、分布和數(shù)量，認(rèn)為結(jié)締組織主要影響牛肉的硬度，在不同類型的肌肉中不同。

2010年，Jabri等[47]分別在紫外光(波長(zhǎng)為380nm)、可見光及可見光中添加紫外光3種光譜波段下，采集牛肉半膜肌切面圖像，通過圖像處理，轉(zhuǎn)換成二值化圖像。在二值化圖像中提取結(jié)締組織分布特征，MLR建模預(yù)測(cè)牛肉感官嫩度得分、膠原蛋白含量和脂肪含量。

表 1 不同光源下的R2值Table 1 Coeff i cient determination (R2in the training and testing) or the regression models between tenderness and compositions in the different light sources

由表1可知：1)對(duì)于可見光特征來(lái)說，添加的紫外光參數(shù)沒有提高嫩度預(yù)測(cè)結(jié)果，或者說可見光譜區(qū)允許提取的相關(guān)信息(結(jié)締組織分布特征信息)足夠預(yù)測(cè)嫩度；2)2種類型光的結(jié)合提高了預(yù)測(cè)膠原蛋白含量的精度(訓(xùn)練集R2達(dá)0.87，測(cè)試集略低R2為0.64)，顯著提高了預(yù)測(cè)脂類含量的精度(訓(xùn)練集R2達(dá)0.91，測(cè)試集R2為0.76)；3)與以前的肉品研究者研究結(jié)果相比，例如，Li等[10]采用肉色、大理石紋和肌肉紋理作為嫩度指標(biāo)，得出R2最高為0.70，Tian等[48]得出R2僅為0.58，Jabri等[47](R2=0.88)的嫩度預(yù)測(cè)精度較高，說明肌肉內(nèi)的結(jié)締組織可以作為牛肉嫩度的一個(gè)重要預(yù)測(cè)指標(biāo)。

4 可見光譜分析技術(shù)

4.1 機(jī)器視覺技術(shù)

在可見光譜范圍內(nèi)，許多文獻(xiàn)[10-11,43-60]報(bào)道運(yùn)用機(jī)器視覺技術(shù)檢測(cè)肉品質(zhì)量。機(jī)器視覺技術(shù)是一種嘗試人眼到大腦評(píng)估過程的復(fù)制，人眼由數(shù)碼相機(jī)模擬，大腦由學(xué)習(xí)算法代替。相機(jī)記錄客觀圖像(數(shù)據(jù))，學(xué)習(xí)算法將圖像(數(shù)據(jù))和專家評(píng)定的肉品質(zhì)量指標(biāo)相關(guān)聯(lián)，從而評(píng)定肉品質(zhì)量等級(jí)[43]。通常用CCD相機(jī)或視頻相機(jī)在可見光波段范圍內(nèi)采集圖像[10-11,48,50-51]，常用的學(xué)習(xí)算法有線性判別式分析(QDA)、K-鄰聚類(KNN)、多元線性回歸、PLSR和PCA。

牛肉的顏色、大理石花紋、紋理這3個(gè)特征在最近10年來(lái)已經(jīng)成為大量研究和討論[10-11,44,48-49,55-59]的主題。以美國(guó)、日本、澳大利亞和歐盟體系為主要代表，這些特征是牛肉質(zhì)量分級(jí)體系中的重要質(zhì)量評(píng)價(jià)指標(biāo)，例如，1997年，USDA發(fā)布了牛胴體評(píng)級(jí)標(biāo)準(zhǔn)，2010年，USDA農(nóng)業(yè)市場(chǎng)服務(wù)部(USDA-AMS)發(fā)布了肉品專家評(píng)級(jí)指南。

嫩度是牛肉最重要的食用品質(zhì)[23,48]，Warriss[61]認(rèn)為影響肉嫩度的主要因素為肌小節(jié)長(zhǎng)度、結(jié)締組織含量極其交聯(lián)程度、宰后條件下或成熟期間牛肉發(fā)生變化的程度。肌纖維束的大小、結(jié)締組織含量和肌肉的紋理特征相關(guān)[10-11]。應(yīng)用計(jì)算機(jī)視覺技術(shù)提取牛肉表面特征，建模預(yù)測(cè)牛肉嫩度也是近年來(lái)肉品研究者的熱點(diǎn)問題之一。

4.2 基于大理石紋和顏色預(yù)測(cè)嫩度

McDonald等[51]根據(jù)大理石紋得分預(yù)測(cè)剪切力，R2很低，為0.13。Wulf等[52]研究了色度讀數(shù)(亮度L*、紅色a*、黃色b*)和嫩度的相關(guān)性，報(bào)道b*值與剪切力相關(guān)性最高(R2=0.14)。基于Wulf等[52]的研究結(jié)論，美國(guó)科羅拉多州大學(xué)和Hunter合作實(shí)驗(yàn)室合作開發(fā)了BeefCam系統(tǒng)預(yù)測(cè)牛肉嫩度。Wyle等[53]用2組實(shí)驗(yàn)評(píng)估了BeefCam系統(tǒng)，預(yù)測(cè)嫩度決定系數(shù)R2值在2組實(shí)驗(yàn)中分別是0.19和0.07，認(rèn)為BeefCam系統(tǒng)預(yù)測(cè)牛肉嫩度能力有限。還有研究[10]報(bào)道，顏色和大理石紋特性僅占大約30%的嫩度變化。Smith等[54]發(fā)現(xiàn)，USDA質(zhì)量等級(jí)可以解釋約30%的嫩度變化，因?yàn)閁SDA質(zhì)量等級(jí)主要依賴顏色和大理石紋特征評(píng)級(jí)。上述研究表明僅采用大理石紋和肉色或二者的組合，預(yù)測(cè)牛肉嫩度的能力是很有限的。

4.3 基于紋理預(yù)測(cè)嫩度

Li等[10]基于USDA的牛胴體專家評(píng)級(jí)系統(tǒng)，根據(jù)顏色、大理石脂肪和紋理特性預(yù)測(cè)感官嫩度，R2為0.7。Tian等[48]做了類似的研究，預(yù)測(cè)感官嫩度，R2為0.62。Li等[11]在其另一項(xiàng)研究中，采用基于小波的方式，提取牛肉圖像的紋理特征，然后根據(jù)圖像的紋理特征參數(shù)，對(duì)牛肉進(jìn)行嫩度分級(jí)。與人工感官評(píng)定結(jié)果相比較，根據(jù)圖像紋理特征參數(shù)得出的分級(jí)正確率為83.3%。

Jeyamkondan等[62]采用不同放大倍率的鏡頭(8、50mm鏡頭)采集可見光譜下的RGB圖像，將RGB圖像轉(zhuǎn)換到CIE顏色空間，基于灰度差直方圖提取紋理特征，在正常放大倍率(鏡頭8mm)下，預(yù)測(cè)WBSF，R2為0.50，將樣本分為老牛肉和嫩牛肉兩類，分級(jí)正確率達(dá)79%；在高放大倍率(鏡頭50mm)下，R2為0.72，分級(jí)正確率達(dá)92%。他認(rèn)為具有高放大倍率的機(jī)器視覺技術(shù)，捕捉更多的紋理信息，不僅能提高嫩度預(yù)測(cè)精度，而且減少系統(tǒng)計(jì)算時(shí)間?；赨SDA專家評(píng)級(jí)標(biāo)準(zhǔn)預(yù)測(cè)牛肉質(zhì)量，Jackman等[49,55-60]做了大量的工作。以高放大率相機(jī)采集牛肉背長(zhǎng)肌切面圖像，考慮大范圍的肉色和大理石脂肪特征，提供更豐富的品質(zhì)信息(牛肉在食用方面的品質(zhì)如多汁、風(fēng)味等)，小波法提取高放大倍率圖像的紋理特征，而不是用傳統(tǒng)的方法如行程長(zhǎng)度、直方圖差和共現(xiàn)矩陣。預(yù)測(cè)感官整體可接受性、多汁、風(fēng)味，R2分別為0.88、0.69、0.78；預(yù)測(cè)感官嫩度、WBSF，分別為0.76、0.85。Jackman等[55]還對(duì)線性模型，和非線性模型作了對(duì)比，認(rèn)為非線性模型對(duì)預(yù)測(cè)精度稍有提高，但以付出大量的計(jì)算負(fù)擔(dān)作代價(jià)。

在可見光下，以高放大倍率采集RGB圖像，基于圖像的紋理特征預(yù)測(cè)牛肉嫩度，把牛肉分成嫩牛肉和老牛肉兩類，與上述研究結(jié)果相比，Sun等[44]分類率更高，采用常規(guī)的統(tǒng)計(jì)模型STEPWISE回歸，分類率達(dá)94.9%，而采用支持向量機(jī)(SVM)模型能100%地識(shí)別嫩牛肉組的牛肉，但對(duì)于老牛肉，SVM模型識(shí)別率較低。

肉色和大理石紋特征對(duì)嫩度貢獻(xiàn)較小[10,51]，結(jié)締組織含量和肌纖維束大小對(duì)牛肉嫩度貢獻(xiàn)較大[10-11,61]。如果從圖像中既提取出肌肉紋理特征，又提取出結(jié)締組織紋理特征及結(jié)締組織含量，二者共同作為嫩度預(yù)測(cè)指標(biāo)(多一些反映肌肉嫩度的信息)，或許能建立更好的預(yù)測(cè)模型，提高嫩度預(yù)測(cè)精度。

可視光譜下的機(jī)器視覺技術(shù)，由于不需要透視成像設(shè)備(透視成像設(shè)備價(jià)格高如CT、核磁共振等)，其成像設(shè)備(如CCD相機(jī)等，價(jià)格較低)，和上述光譜技術(shù)設(shè)備相比是一項(xiàng)可以負(fù)擔(dān)得起的技術(shù)，而且其技術(shù)簡(jiǎn)單(高度復(fù)雜的圖像分割算法除外)[34]，牛肉品質(zhì)、指標(biāo)等在未來(lái)也不可能發(fā)生大幅度的變化。因此，可視光譜下的機(jī)器視覺技術(shù)也許最有希望在線檢測(cè)牛肉嫩度，并且在未來(lái)生產(chǎn)線上普及使用。

5 結(jié) 語(yǔ)

上述幾種光譜技術(shù)和傳統(tǒng)的牛肉嫩度檢測(cè)技術(shù)相比，優(yōu)點(diǎn)是客觀、無(wú)損、快速，有望實(shí)現(xiàn)在線檢測(cè)；可視光譜下的機(jī)器視覺技術(shù)，和其他光譜技術(shù)相比，由于其設(shè)備成本低、技術(shù)簡(jiǎn)單，加之牛肉品質(zhì)及評(píng)價(jià)標(biāo)準(zhǔn)在未來(lái)不可能發(fā)生很大變化，因此該技術(shù)在牛肉嫩度檢測(cè)方面最有希望實(shí)現(xiàn)在線運(yùn)用；隨著成像設(shè)備成本降低，高光譜和多光譜技術(shù)將給可視光譜下的機(jī)器視覺技術(shù)提供更好的技術(shù)支持和解決方案；在牛肉嫩度檢測(cè)方面，目前，這幾種光譜技術(shù)國(guó)內(nèi)還處于起步階段，國(guó)外雖有少量在線運(yùn)用報(bào)道，但距離其真正地在牛肉生產(chǎn)線上被普及使用，還有很長(zhǎng)的一段距離，這需要肉品工作者們繼續(xù)探索和努力。

[1] 周光宏. 肉品學(xué)[M]. 北京: 中國(guó)農(nóng)業(yè)科技出版社, 1999.

[2] SHACKELFORD S D, WHEELER T L, MEADE M K, et al. Consumer impressions of tender select beef[J]. Journal of Animal Science, 2001, 79: 2605-2614.

[3] HUFFMAN K L, MILLER M F, HOOVER L C, et al. Effect of beef tenderness on consumer satisfaction with steaks consumed in the home and restaurant[J]. Journal of Animal Science, 1996, 74: 91-97.

[4] SHACKELFORD S D, WHEELER T L, KOOHMARRAIE M. Evaluation of slice shear force as an objective method of assessing beef longissimus tenderness[J]. Journal of Animal Science, 1999, 77: 2693-2699.

[5] KANDASWAMY J, BAJWA S G, APPLE J K, et al. Effeet of nearinfrared scanning angle in prediction of tenderness and sensory attributes in longissimus thoracis steaks[C]// Presentation at the 2005 ASABE Annual International Meeting. Florida: ASABE Tampa Convention Center, 2005.

[6] XIA J, BERG E P, LEE J W, et al. Characterizing beef muscles with optical scattering and absorption coefficients in VIS-NIR region[J]. Meat Science, 2007, 75(1): 8-83.

[7] LIU Y, LYON B G, WINDHAM W R. Prediction of color, texture, and sensory characteristics of beef steaks by visible and near infrared ref l ectance spectroscopy: a feasibility study[J]. Meat Science, 2003, 65: 1107-1115.

[8] 趙杰文, 翟劍妹, 劉木華, 等. 牛肉嫩度的近紅外光譜法檢測(cè)技術(shù)研究 [J]. 光譜學(xué)與光譜分析, 2006, 26(4) : 640-642.

[9] JACKMAN P, SUN D W, DU C J, et al. Prediction of beef eating quality from colour, marbling and wavelet texture features[J]. Meat Science, 2008, 80: 1273-1281.

[10] LI J, TAN J, MARTZ F A, et al. Image texture features as indicators of beef tenderness[J]. Meat Science, 1999, 53(1): 17-22.

[11] LI J, TAN J, SHATADAL P. Classif i cation of tough and tender beef by image texture analysis[J]. Meat Science, 2001, 57(4): 341-346.

[12] MITSUMOTO M, MAEDA S, MITSUHASHI T, et al. Near infrared spectroscopy determination of physical and chemical characteristics in beef cuts[J]. Journal of Food Science, 1991, 56: 1493-1496.

[13] HILDRUM K I, NILSEN B N, MIELNIK M, et al. Prediction of sensory characteristics of beef by near-infrared spectroscopy[J]. Meat Science, 1994, 38: 67-80.

[14] HILDRUM K I, ISAKSSON T, NAES T, et al. Near-infrared reflectance spectroscopy in the prediction of sensory properties of beef[J]. Journal of Near Infrared Spectroscopy, 1995, 3: 81-87.

[15] NAES T, HILDRUM K I. Comparison of multivariate calibration and discriminant analysis in evaluating NIR spectroscopy for determination of meat tenderness[J]. Applied Spectroscopy, 1997, 51: 350-357.

[16] BYRNE C E, DOWNEY G, TROY D J. Non-destructive prediction of selected quality attributes of beef by near infrared reflectance spectroscopy between 750 and 1098 nm[J]. Meat Science, 1998, 49: 399-409.

[17] PARK B, CHEN Y R, HRUSCHKA W R, et al. Near-infrared reflectance analysis for predicting beef longissimus tenderness[J]. Journal of Animal Science, 1998, 76: 2115-2120.

[18] PRIETO N, ROEHE R, LAVIN P, et al. Application of near infrared ref l ectance spectroscopy to predict meat and meat products quality: a review[J]. Meat Science, 2009, 83: 175-186.

[19] SHACKELFORD S D, WHEELER T, KOOHMARAIE M. Development of optimal protocol for visible and near-infrared ref l ectance spectroscopic evaluation of meat quality[J]. Meat Science, 2004, 68: 371-381.

[20] GEESINK G H, SCHREUTELKAMP F H, FRANKHUIZEN R, et al. Prediction of pork quality attributes from near infrared ref l ectance spectra[J]. Meat Science, 2003, 65: 661-668.

[21] PRIETO N, ROSS D W, NAVAJAS E A, et al. On-line application of visible and near infrared ref l ectance spectroscopy to predict chemicalphysical and sensory characteristics of beef quality[J]. Meat Science, 2009, 83: 96-103.

[22] SHACKELFORD S D, WHEELER T, KOOHMARAIE M. On-line classif i cation of US select beef carcasses for tenderness using visible and near-infrared ref l ectance spectroscopy[J]. Meat Science, 2005, 69: 409-441.

[23] PARKB, CHEN Y R, HRUSCHKA W R, et al Principle componet regression of near-infrared reflectance spectra for beef tenderness prediaion[J]. Trans ASAE, 2001, 41(3): 609-615.

[24] RUST S R, PRICE D M, SUBBIAH J. Predicting beef tenderness using near-infrared spectroscopy[J]. Journal of Animal Science, 2008, 86(1): 211-219.

[25] PRIETO N, ANDRE’S S, GIRA’LDEZF J, et al. Ability of near infrared reflectance spectroscopy (NIRS) to estimate physical parameters of adult steers (oxen) and young cattle meat samples[J]. Meat Science, 2008, 79: 692-699.

[26] RIPOLL G, ALBERTI P, PANEAJ B, et al. Near-infrared ref l ectance spectroscopy for predicting chemical, instrumental and sensory quality of beef[J]. Meat Science, 2008, 80: 697-702.

[27] McGLON V A, DEVINE C E, WELLS R W. Detection of tenderness, postrigor age and water status changes in sheep meat using near infrared spectroscopy[J]. Journal of Near Infrared Spectroscopy, 2005, 13(5): 277-285.

[28] SHACKELFORD S D, KOOHMARAIE M, WHIPPLE G, et al. Predictors of beef tenderness: development and verif i cation[J]. Journal of Food Science, 1991, 56(5): 1130-1135.

[29] RODBOTTEN R, NILSEN B N, HILDRUM K I. Prediction beef quality attributes from early post mortem near infrared reflectance spectra[J]. Food Chemistry, 2000, 69: 427-436.

[30] KATJA R, ELISABETH M, PER W H, et al. Temporal, biochemical and structural factors that inf l uence beef quality measurement using near infrared spectroscopy[J]. Meat Science, 2009, 82: 379-388.

[31] BOWLING M B, VOTE D J, BELK K E, et al. Using reflectance spectroscopy to predict beef tenderness[J]. Meat Science, 2009, 82(1): 1-5.

[32] YANCEY J W S, AAPPLE J K, MEULLENET J F, et al. Consumer responses for tenderness and overall impression can be predicted by visible and near-infrared spectroscopy, Meullenet-wens razor shear, and Warner-ratzler shear force[J]. Meat Science, 2010, 85: 487-492.

[33] NAGANATHAN G K, GRIMES L M, SUBBIAH J, et al. Predicting beef tenderness using hyperspectral imanging[C]//Presentation at the 2006 ASABE Annual International Meeting. Oregon: ASABE Oregon Convention Center, 2006.

[34] ElMASRY G, WANG N, ElSAYED A, et al. Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry[J]. Journal of Food Engineering, 2007, 8(1): 98-107.

[35] ELMASRY G, WANG N, VIGNEAULT C. Detecting chilling injury in red delicious apple using hyperspectral imaging and neural networks[J]. Postharvest Biology and Technology, 2009, 52(1): 1-8.

[36] CLUFF K, NAGANATHAN G K, SUBBIAH J, et al. Optical scattering in beef steak to predict tenderness using hyperspectral imaging in the VIS-NIR region[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2: 189-196.

[37] NAGANATHAN G K, GRIMES L M, SUBBIAH J, et al. Partial least squares analysis of near-infrared hyperspectral images for beef tenderness prediction[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2: 178-188.

[38] 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, 2008b, 64: 225-233.

[39] MENESATTI P, ZANELLA A, D’ANDREA S, et al. Supervised multivariate analysis of hyper-spectral NIR images to evaluate the starch index of apples[J]. Food and Bioprocess Technology, 2009, 2(3): 308-314.

[40] 吳建虎, 彭彥昆, 江發(fā)潮, 等. 牛肉嫩度高光譜法檢測(cè)技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2009, 40(12): 135-150.

[41] ElMASRY G, SUN D W, ALLEN P. Near-infrared hyperspectral imaging for predicting colour, pH and tenderness of fresh beef[J]. Journal of Food Engineering, 2012, 110: 127-140.

[42] WU J H, PENG Y K, LI Y Y, et al. Prediction of beef quality attributes using VIS/NIR hyperspectral scattering imaging technique[J]. Journal of Food Engineering, 2012, 109: 267-273.

[43] JACKMAN P, SUN D W, ALLEN P. Recent advances in the use of computer vision technology in the quality assessment of fresh meats[J]. Trends in Food Science &Technology, 2011, 22: 185-197.

[44] SUN X, CHEN K J, MADDOCK-CARLIN K R, et al. Predicting beef tenderness using color and multispectral image texture features [J]. Meat Science, 2012, doi:10.1016/j.meatsci.2012.04.030.

[45] SKJERVOLD P O, TAYLOR R G, WOLD J P, et al. Development of intrinsic fl uorescent multispectral imagery specif i c for fat, connective tissue and myofiber in meat[J]. Journal of Food Science, 2003, 68: 1161-1168.

[46] PURSLOW P P. Intramuscular connective tissue and its role in meat quality: a review[J]. Meat Science, 2005, 70: 435-447.

[47] JABRI E M, ABOUELKARAM S, DAMEZ J L, et al. Image analysis study of the perimysial connective network, and its relationship with tenderness and composition of bovine meat[J]. Journal of Food Engineering, 2010, 96: 316-322.

[48] TIAN Y Q, McCALL D G, DRIPPS W, et al. Using computer vision technology to evaluate the meat tenderness of grazing beef[J]. Food Australia, 2005, 57: 322-326.

[49] JACKMAN P, SUN D W, ALLEN P, et al. Correlation of consumer assessment of longissimus dorsi beef palatability with image colour, marbling and surface texture features[J]. Meat Science, 2010, 84(3): 564-568.

[50] VTOE D J, BELK K E, TATUM J D, et al. Online prediction of beef tenderness using a computer vision system equipped with a BeefCm module[J]. Journal of Animal Science, 2003, 81: 457-465.

[51] McDONALD T P, CHEN Y R. Visual characterization of marbling in beef ribeyes and its relationship to taste parameters[J]. Trans ASAE, 1991, 34(6): 2499-2504.

[52] WULF D M, O’NNOR S F, TATUM J D, et al. Using objective measures of muscle color to predict beef longissimus tenderness[J]. Journal of Animal Science, 1997, 75: 684-692.

[53] WYLE A M, CANNELL R C, BELK K E, et al. An evaluation of the prototype portable Hunterlab Video Imaging System (BeefCam) as a tool to predict tenderness of beef carcasses using objective measures of lean and fat color[R]. Fort Collins: Colorado State University, 1999.

[54] SMITH G C, SAVELL J W, CCOSS H R, et al. Relationship of USDA quality grades to palatability of cooked beef[J]. Journal of Food Quality, 1986, 10: 269.

[55] JACKMAN P, SUN D W, DU C J, et al. Prediction of beef eating quality from colour, marbling and wavelet texture features[J]. Meat Science, 2008, 80(4): 1273-1281.

[56] JACKMAN P, SUN D W, DU C J, et al. Prediction of beef eating qualities from colour, marbling and wavelet surface texture features using homog enous carcass treatment[J]. Pattern Recognition, 2009, 42(5): 751-763.

[57] JACKMAN P, SUN D W, ALLEN P, et al. Automatic segmentation of beef longissimus dorsi muscle and marbling by an adaptable algorithm[J]. Meat Science, 2009, 83(2): 187-194.

[58] JACKMAN P, SUN D W, ALLEN P, et al. Comparison of various wavelet texture features to predict beef palatability[J]. Meat Science, 2009, 83(1): 82-87.

[59] JACKMAN P, SUN D W, ALLEN P, et al. Comparison of the predictive power of beef surface wavelet texture features at high and low magnif i cation[J]. Meat Science, 2009, 82(3): 353-356.

[60] JACKMAN P, SUN D W, ALLEN P, et al. Prediction of beef palatability from colour, marbling and surface texture features of longissimus dorsi[J]. Journal of Food Engineering, 2010, 96(1): 151-165.

[61] WARRISS P D. Meat science[M]. UK: CABI Publishing, 2000.

[62] JEYAMKONDAN S, KRANZLER G A, LAKSHMIKANTH A. Predicting beef tenderness with computer vision[J]. Agricultural Engineering, 2001, 300: 1-10.

Research Progress in Spectroscopic Predication of Beef Tenderness

CHEN Shi-jin1,2，PENG Zeng-qi3，LI Jing-jun4，SHEN Ming-xia1,2,*，WANG Fu-long3，LI Xiao-lin1,2，MA Peng-peng1,2
(1. College of Engineering, Nanjing Agricultural University, Nanjing 210031, China；2. Jiangsu Key Laboratory for Intelligent Agricultural Equipment, Nanjing 210031, China；3. Key Laboratory of Agricultural and Animal Products Processing and Quality Control, Ministry of Agriculture, Nanjing Agricultural University, Nanjing 210095, China；4. Yurun Meat Industry Group Co. Ltd., Nanjing 210041, China)

As one of the key indexes of meat quality, beef tenderness is the focus of meat science for many years. The detection of beef tenderness is becoming one of the hottest research topics in recent years. In this paper, the technical characteristics of the spectra during the beef tenderness detection were based on the relationship between spectral information and beef internal compositions as well as beef external characteristics. Beef tenderness detection using NIR, Hyper-spectrum, multi-spectrum, visible spectrum and fl uorescence spectrum at home and abroad over the past ten years was introduced. Their research progress, limits and potential applications were also discussed.

beef tenderness；NIR；hyper-spectrum；multi-spectrum；visible spectrum；f l uorescence spectroscopy

TS243.8

A

1002-6630(2013)01-0333-07

2012-08-09

國(guó)家現(xiàn)代農(nóng)業(yè)(肉牛)產(chǎn)業(yè)技術(shù)體系建設(shè)專項(xiàng)(nycytx-38)；國(guó)家農(nóng)業(yè)科技成果轉(zhuǎn)化資金項(xiàng)目(SQ2011ECC100043)

陳士進(jìn)(1974ü)，女，博士研究生，主要從事機(jī)器視覺圖像處理研究。E-mail：csjzcj@sohu.com

*通信作者：沈明霞(1964ü)，女，教授，博士，主要從事機(jī)器視覺和信息農(nóng)業(yè)研究。E-mail：mingxia@njau.edu.cn