李文采++劉飛++田寒友++鄒昊++王輝++張振琪

摘 要：以市售新鮮冷藏（4 ℃）雞胸肉為研究對(duì)象，采集雞胸肉表面的高光譜（400～1 100 nm）圖像信息，采用偏最小二乘回歸（partial least square regression，PLSR）建立菌落總數(shù)預(yù)測(cè)模型，采用不同預(yù)處理方法提高模型的預(yù)測(cè)準(zhǔn)確性和穩(wěn)健性，實(shí)現(xiàn)快速無(wú)損檢測(cè)生鮮雞胸菌落總數(shù)的目的。結(jié)果表明：標(biāo)準(zhǔn)變量變換（standard normalized variate，SNV）預(yù)處理后，模型性能最佳。模型的校正標(biāo)準(zhǔn)差（standard error of calibration，sEC）和驗(yàn)證標(biāo)準(zhǔn)差（standard error of prediction，sEP）分別為0.40和0.57，sEP/sEC為1.08，校正集相關(guān)系數(shù)（correlation coefficient of prediction，RC）和驗(yàn)證集相關(guān)系數(shù)（correlation coefficient of prediction，RP）分別為0.93和0.86；且應(yīng)用最佳模型可有效預(yù)測(cè)樣品菌落總數(shù)的分布地圖。

關(guān)鍵詞：雞肉；菌落總數(shù)；高光譜成像；圖像預(yù)處理；偏最小二乘法（PLSR）；無(wú)損檢測(cè)

Rapid Non-Destructive Detection of Total Bacterial Count in Chicken Using Hyperspectral Imaging

LI Wencai1， LIU Fei1， TIAN Hanyou1， ZOU Hao1， WANG Hui1， ZHANG Zhenqi1， ZHENG Xiaochun2， LI Yongyu2，

LI Jiapeng1， QIAO Xiaoling1，*

（1. Beijing Key Laboratory of Meat Processing Technology， China Meat Research Center， Beijing 100068， China；

2.College of Engineering， China Agricultural University， Beijing 100083， China）

Abstract： In order to develop a rapid and non-destructive method to predict total bacterial count in chicken breasts by using hyperspectral imaging technology， 83 chicken breast samples refrigerated at 4 ℃ were collected from local supermarket and 63 of these were used as calibration samples. The hyperspectral scattering image of each sample was collected by using hyperspectral imaging system in the wavelength range of 400?1 100 nm. Various algorithm combinations were used to preprocess the hyperspectral information of the samples to enhance the performance of the model developed by using partial least square regression （PLSR） algorithm. Based on the predictive accuracy and stability of the model， the efficiency of different algorithm combinations for spectral preprocessing were evaluated and discussed. The results showed that the optimal model performance was achieved by preprocessing of the hyperspectral information with standard normalized variate. The standard error of calibration （sEC） and standard error of prediction （SEP） of the model were 0.40 and 0.57， respectively. The correlation coefficients of calibration （RC） and prediction （RP） were 0.93 and 0.86， respectively. The optimal model allowed effective prediction of distribution maps of total bacterial count in chicken breasts.

Key words： chicken； total bacterial count； hyperspectral imaging； image processing； partial least square regression （PLSR）； non-destructive detection

DOI：10.7506/rlyj1001-8123-201703007

中圖分類號(hào)：O657.33 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1001-8123（2017）03-0035-05

摘 要：以市售新鮮冷藏（4 ℃）雞胸肉為研究對(duì)象，采集雞胸肉表面的高光譜（400～1 100 nm）圖像信息，采用偏最小二乘回歸（partial least square regression，PLSR）建立菌落總數(shù)預(yù)測(cè)模型，采用不同預(yù)處理方法提高模型的預(yù)測(cè)準(zhǔn)確性和穩(wěn)健性，實(shí)現(xiàn)快速無(wú)損檢測(cè)生鮮雞胸菌落總數(shù)的目的。結(jié)果表明：標(biāo)準(zhǔn)變量變換（standard normalized variate，SNV）預(yù)處理后，模型性能最佳。模型的校正標(biāo)準(zhǔn)差（standard error of calibration，sEC）和驗(yàn)證標(biāo)準(zhǔn)差（standard error of prediction，sEP）分別為0.40和0.57，sEP/sEC為1.08，校正集相關(guān)系數(shù)（correlation coefficient of prediction，RC）和驗(yàn)證集相關(guān)系數(shù)（correlation coefficient of prediction，RP）分別為0.93和0.86；且應(yīng)用最佳模型可有效預(yù)測(cè)樣品菌落總數(shù)的分布地圖。

關(guān)鍵詞：雞肉；菌落總數(shù)；高光譜成像；圖像預(yù)處理；偏最小二乘法（PLSR）；無(wú)損檢測(cè)

Rapid Non-Destructive Detection of Total Bacterial Count in Chicken Using Hyperspectral Imaging

LI Wencai1， LIU Fei1， TIAN Hanyou1， ZOU Hao1， WANG Hui1， ZHANG Zhenqi1， ZHENG Xiaochun2， LI Yongyu2，

LI Jiapeng1， QIAO Xiaoling1，*

（1. Beijing Key Laboratory of Meat Processing Technology， China Meat Research Center， Beijing 100068， China；

2.College of Engineering， China Agricultural University， Beijing 100083， China）

Abstract： In order to develop a rapid and non-destructive method to predict total bacterial count in chicken breasts by using hyperspectral imaging technology， 83 chicken breast samples refrigerated at 4 ℃ were collected from local supermarket and 63 of these were used as calibration samples. The hyperspectral scattering image of each sample was collected by using hyperspectral imaging system in the wavelength range of 400?1 100 nm. Various algorithm combinations were used to preprocess the hyperspectral information of the samples to enhance the performance of the model developed by using partial least square regression （PLSR） algorithm. Based on the predictive accuracy and stability of the model， the efficiency of different algorithm combinations for spectral preprocessing were evaluated and discussed. The results showed that the optimal model performance was achieved by preprocessing of the hyperspectral information with standard normalized variate. The standard error of calibration （sEC） and standard error of prediction （SEP） of the model were 0.40 and 0.57， respectively. The correlation coefficients of calibration （RC） and prediction （RP） were 0.93 and 0.86， respectively. The optimal model allowed effective prediction of distribution maps of total bacterial count in chicken breasts.

Key words： chicken； total bacterial count； hyperspectral imaging； image processing； partial least square regression （PLSR）； non-destructive detection

DOI：10.7506/rlyj1001-8123-201703007

中圖分類號(hào)：O657.33 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1001-8123（2017）03-0035-05

鹵鎢燈直流點(diǎn)光源（Oriel Instruments） 美國(guó)

Stratford公司；CD33-120N-422位置傳感器 日本Optex公司；Intel core i3-3240計(jì)算機(jī) 聯(lián)想有限公司。

該儀器采用的光譜范圍為400～1 100 nm，可以采集雞肉樣品表面的散射光譜，其光譜分辨率為2.8 nm。

1.3 方法

1.3.1 樣品制備

實(shí)驗(yàn)時(shí)從冰箱隨機(jī)取樣，切成厚度大約為1 cm，質(zhì)量大約為10 g的雞肉塊，每24 h測(cè)定1 次，每次測(cè)定3 個(gè)樣品。

1.3.2 樣品高光譜信息的采集

每隔24 h從4 ℃冰箱中隨機(jī)取出雞胸肉樣品，利用實(shí)驗(yàn)室構(gòu)建的高光譜成像系統(tǒng)，采集400～1 100 nm波長(zhǎng)范圍內(nèi)的雞肉樣品表面散射光譜，曝光時(shí)間為80 ms。由相機(jī)軟件（Camera control Kit V2.19）完成圖像采集過(guò)程，為確保樣本的一致性，掃描過(guò)程中所采集樣本的掃描線需與雞肉樣本纖維方向平行，每掃描4 次，自動(dòng)平均得到一條掃描線。實(shí)驗(yàn)過(guò)程中對(duì)每個(gè)樣本表面進(jìn)行全掃描，得到160 個(gè)掃描圖像。

1.3.3 樣品菌落總數(shù)的測(cè)定

對(duì)高光譜圖像進(jìn)行采集后，立即對(duì)雞胸肉樣品表面菌落總數(shù)進(jìn)行檢測(cè)。本實(shí)驗(yàn)參考GB 4789.2—2010[24]中的10 倍梯度稀釋法進(jìn)行操作，選取合適的稀釋梯度，每個(gè)稀釋梯度倒3 塊平板，37 ℃條件下培養(yǎng)48 h后計(jì)數(shù)，取菌落總數(shù)的對(duì)數(shù)值作為分析數(shù)據(jù)，單位為lg（CFU/g）。

1.3.4 數(shù)據(jù)分析

高光譜圖像信息采集后，采用MATLAB2015b（美國(guó)Mathworks公司）對(duì)數(shù)據(jù)進(jìn)行分析。依次提取冷卻雞肉樣本高光譜圖像感興趣區(qū)域（range of interest，ROI），計(jì)算其平均散射光譜值，將其作為雞肉樣本的原始光譜值。對(duì)光譜圖像特征進(jìn)行分析后，應(yīng)用PLSR對(duì)光譜數(shù)據(jù)和菌落總數(shù)測(cè)定值進(jìn)行關(guān)聯(lián)，建立雞胸肉菌落總數(shù)預(yù)測(cè)模型。

1.3.5 模型預(yù)處理方法的篩選

選擇的預(yù)處理方法包括：歸一化方法（normalization method，NM）、Savitzky-Golay求導(dǎo)（Savitzky-Golay derivative，SGD）、標(biāo)準(zhǔn)變量變換（standard normalized variate，SNV）、附加散射校正（multiplication scatter correction，MSC）。

對(duì)樣品高光譜信息進(jìn)行不同預(yù)處理，去除無(wú)關(guān)干擾信息、降低隨機(jī)噪聲和強(qiáng)化譜帶特征，采用PLSR統(tǒng)計(jì)方法建模，綜合校正標(biāo)準(zhǔn)誤差（standard error of calibration，sEC）、驗(yàn)證標(biāo)準(zhǔn)誤差（standard error of prediction，sEP）、驗(yàn)證標(biāo)準(zhǔn)差和校正標(biāo)準(zhǔn)誤差的比值（sEP/sEC）和差值（sEP-sEC）對(duì)模型性能進(jìn)行評(píng)價(jià)[25]，篩選出最佳預(yù)處理方法。

1.3.6 模型評(píng)價(jià)原則

sEP 代表高光譜分析的總誤差，其中包括可靠性偏差、穩(wěn)健性偏差和信息處理過(guò)程產(chǎn)生的誤差，因此可以直接用于評(píng)價(jià)模型的預(yù)測(cè)準(zhǔn)確性。sEC代表模型在建模樣品范圍內(nèi)的分析誤差，不包括穩(wěn)健性偏差，因此sEP-sEC

應(yīng)大于0。美國(guó)谷物化學(xué)組織的近紅外分析標(biāo)準(zhǔn)中將

sEP/sEC作為評(píng)價(jià)模型穩(wěn)健性的參數(shù)，規(guī)定sEP/sEC應(yīng)小于1.2，其值大于1.2時(shí)則表示模型的穩(wěn)健性不夠[20]。

因此，在篩選性能最佳的模型時(shí)，首先模型應(yīng)同時(shí)滿足sEP/sEC<1.2或sEP-sEC>0，然后在剩余的模型中選取sEP最小的模型，此模型不僅穩(wěn)健且預(yù)測(cè)準(zhǔn)確性較好，這個(gè)模型所對(duì)應(yīng)的算法或算法組合即為最佳預(yù)處理方法。

1.3.7 菌落總數(shù)分布地圖

用高光譜成像技術(shù)預(yù)測(cè)菌落總數(shù)，不僅可以提供光譜信息還可以提供菌落總數(shù)的空間分布[26-29]。高光譜圖像中每個(gè)像素點(diǎn)對(duì)應(yīng)一個(gè)光譜，因此在每個(gè)像素點(diǎn)上可計(jì)算出樣品菌落總數(shù)的預(yù)測(cè)值，從而構(gòu)成分布地圖。本實(shí)驗(yàn)中，利用PLSR模型預(yù)測(cè)光譜圖像中每一個(gè)像素點(diǎn)對(duì)應(yīng)的菌落總數(shù)，最終構(gòu)成菌落總數(shù)預(yù)測(cè)值的分布地圖。

2 結(jié)果與分析

2.1 樣品菌落總數(shù)化學(xué)測(cè)量值的測(cè)定結(jié)果

本實(shí)驗(yàn)所用的83 個(gè)雞胸肉樣品的菌落總數(shù)化學(xué)測(cè)量值的統(tǒng)計(jì)結(jié)果如表1所示，涵蓋新鮮雞肉菌落總數(shù)（約3.97（lg（CFU/g）））至腐敗雞肉菌落總數(shù)（約7.75（lg（CFU/g））），GB 16869—2005[3]對(duì)鮮禽產(chǎn)品中菌落總數(shù)含量所允許的最大值為6（lg（CFU/g）），3.97～7.75（lg（CFU/g））的范圍說(shuō)明本實(shí)驗(yàn)選用的樣品具有較強(qiáng)的代表性。從總樣品集中選取菌落總數(shù)化學(xué)測(cè)量值分布均勻的樣品63 個(gè)作為校正集，用于模型的建立；剩余的20 個(gè)樣品作為驗(yàn)證集，用于驗(yàn)證模型的預(yù)測(cè)準(zhǔn)確性和穩(wěn)健性，統(tǒng)計(jì)結(jié)果見(jiàn)表1。

2.2 雞肉高光譜圖像感興趣區(qū)域的確定

利用Matlab2015b分析軟件從高光譜圖像中提取ROI。圖1所示為不同掃描位置的光譜圖像，圖2所示雞肉樣品不同掃描位置處的光譜曲線，距離掃描線中心0、10、15、20 nm位置處整個(gè)波長(zhǎng)范圍內(nèi)的散射光譜。

由圖2可知，在波長(zhǎng)方向上，低于470 nm和高于920 nm位置處形成較大噪音影響，信號(hào)較弱；在空間方向上，掃描線中心位置的散射強(qiáng)度最大，距離掃描線中心位置越遠(yuǎn)，散射強(qiáng)度越弱，因此，將光譜軸[470 nm，920 nm]和空間軸[-20 nm，20 nm]所組成的矩形區(qū)域作為ROI。沿著光譜軸在470～920 nm區(qū)間計(jì)算ROI區(qū)域上點(diǎn)的平均散射光譜作為該樣本的散射光譜。對(duì)所有的圖像進(jìn)行處理，共獲得83 條波長(zhǎng)曲線如圖3所示。

2.3 最佳預(yù)處理算法的確定

應(yīng)用不同算法組合對(duì)樣品的高光譜信息進(jìn)行預(yù)處理后，菌落總數(shù)預(yù)測(cè)模型的性能評(píng)價(jià)參數(shù)如表2所示。

對(duì)光譜信息不進(jìn)行任何預(yù)處理，與其他預(yù)處理方法相比，校正集相關(guān)系數(shù)（correlation coefficient of prediction set，RC）不變，但是驗(yàn)證集相關(guān)系數(shù)（correlation coefficient of prediction set，RP）較低。對(duì)模型進(jìn)行SNV單獨(dú)預(yù)處理時(shí)，由表2可知，各個(gè)模型的RC均保持不變，但是RP均有不同程度的增加；光譜數(shù)據(jù)經(jīng)SNV單獨(dú)處理后再建模，與無(wú)預(yù)處理相比，RC不變，但是RP由0.80上升0.86，且sEP/sEC值為1.08，其值小于1.2，說(shuō)明經(jīng)SNV單獨(dú)處理后，模型的準(zhǔn)確性和穩(wěn)健性均有所增加，將SNV確定為最佳預(yù)處理方法。其他不同組合算法的準(zhǔn)確性和穩(wěn)健性均低于SNV算法，在表中未列出。不同預(yù)處理方法對(duì)模型預(yù)測(cè)的準(zhǔn)確性和穩(wěn)健性有很大的影響，恰當(dāng)?shù)念A(yù)處理方法可以提高模型性能評(píng)價(jià)參數(shù)，但過(guò)度的預(yù)處理方法會(huì)使得模型性能降低，樣品光譜信息中大量有效信息丟失，這與鄒昊等[30]研究結(jié)果相一致。

2.4 最佳預(yù)處理算法條件下菌落總數(shù)的預(yù)測(cè)

以校正集和驗(yàn)證集樣品的菌落總數(shù)化學(xué)測(cè)量值為橫坐標(biāo)，模型的預(yù)測(cè)值為縱坐標(biāo)作圖，結(jié)果如圖4所示。

由圖4可知，校正集中樣品的菌落總數(shù)化學(xué)測(cè)量值緊密地分布在回歸線兩側(cè)，模型的預(yù)測(cè)值與校正集樣品的菌落總數(shù)化學(xué)測(cè)量值吻合度較高，模型的sEC為0.40，RC為0.93，說(shuō)明建模前對(duì)樣品光譜信息進(jìn)行SNV預(yù)處理后，模型較好地?cái)M合了光譜信息中反映樣品菌落總數(shù)含量的信息。驗(yàn)證集中，樣品的菌落總數(shù)化學(xué)測(cè)量值和模型的預(yù)測(cè)值相關(guān)性較高，sEP為0.57，RP為0.86，說(shuō)明模型對(duì)驗(yàn)證集樣品中的菌落總數(shù)含量有較好的預(yù)測(cè)準(zhǔn)確性。

2.5 雞肉菌落總數(shù)分布地圖的生成

圖5表示雞胸肉樣品菌落總數(shù)的分布圖，顏色條RGB值由0到7.75（由灰到白），表示菌落總數(shù)值由小到大。在預(yù)測(cè)分布地圖中，光譜性質(zhì)相同的像素點(diǎn)擁有相同的預(yù)測(cè)值，用相同的顏色比例分配表示，所以，分布地圖中不同的顏色表示不同的菌落總數(shù)分布。

由圖5可知，A樣品和B樣品菌落總數(shù)預(yù)測(cè)對(duì)數(shù)值分別為4.00 （lg（CFU/g））和6.77 （lg（CFU/g）），依照GB 4789.2—2010所測(cè)值為3.99 （lg（CFU/g））和6.79 （lg（CFU/g））。不同菌落總數(shù)的雞胸肉，菌落總數(shù)含量和分布預(yù)測(cè)地圖存在明顯差異，白色越多，表示菌落總數(shù)預(yù)測(cè)值越大。與傳統(tǒng)技術(shù)相比，高光譜成像技術(shù)可用于更大的樣品，甚至整個(gè)動(dòng)物胴體，生鮮肉微生物檢測(cè)已成為屠宰廠建立和實(shí)施危害分析和關(guān)鍵控制點(diǎn)（hazard analysis critical control point，HACCP）體系重要的信息來(lái)源。高光譜成像技術(shù)已成為肉類工業(yè)中微生物檢測(cè)的一個(gè)可行、簡(jiǎn)單、快速有效的方法。

3 結(jié) 論

高光譜成像技術(shù)具有費(fèi)用低、無(wú)損檢測(cè)等特點(diǎn)，它在肉類在線質(zhì)量控制系統(tǒng)中實(shí)現(xiàn)了快速化、準(zhǔn)確化和簡(jiǎn)單化。為了快速檢測(cè)雞胸肉菌落總數(shù)，本實(shí)驗(yàn)在400～1 100 nm波長(zhǎng)范圍內(nèi)，使用ROI方法提取雞胸肉表面高光譜圖像的散射光譜。其中，用于建立菌落總數(shù)預(yù)測(cè)模型校正集的樣品共63 個(gè)，用于驗(yàn)證集的樣品共20 個(gè)。使用不同算法和算法組合對(duì)樣品的高光譜信息進(jìn)行預(yù)處理后利用PLSR進(jìn)行建模。通過(guò)模型評(píng)價(jià)參數(shù)對(duì)預(yù)處理方法進(jìn)行篩選后發(fā)現(xiàn)，經(jīng)SNV對(duì)樣品進(jìn)行預(yù)處理后，模型性能較好，模型sEC和sEP分別為0.40和0.57，sC和RP分別為0.93和0.86，且sEP/sEC值為1.08，其值小于1.2，模型的準(zhǔn)確性和穩(wěn)健性為最佳。通過(guò)每個(gè)像素點(diǎn)對(duì)應(yīng)的光譜可預(yù)測(cè)得到菌落總數(shù)分布地圖，通過(guò)分布地圖可看出，不同樣品菌落總數(shù)預(yù)測(cè)值的大小以及菌落總數(shù)在樣品中的分布情況。高光譜成像技術(shù)有望成為雞肉產(chǎn)業(yè)中微生物快速檢測(cè)的一個(gè)行之有效的方法。

參考文獻(xiàn)：

[1] 程金權(quán)， 胡繼貴. 食品中菌落總數(shù)快速檢測(cè)研究進(jìn)展[J]. 食品與發(fā)酵科技， 2014， 50（6）： 1-5. DOI：10.3969/j.issn.1674-506X.2014.06-001.

[2] 王長(zhǎng)遠(yuǎn)， 馬萬(wàn)龍， 姜昱男. 豬肉新鮮度的檢測(cè)及肉質(zhì)綜合評(píng)定[J].

農(nóng)產(chǎn)品加工（學(xué)刊）， 2007（10）： 75-77. DOI：10.3969/j.issn.1671-9646-B.2007.10.025.

[3] 衛(wèi)生部食品衛(wèi)生監(jiān)督檢驗(yàn)所， 全國(guó)食品工業(yè)標(biāo)準(zhǔn)化技術(shù)委員會(huì)秘書處. GB 16869—2005 鮮凍禽產(chǎn)品[S]. 北京： 中國(guó)標(biāo)準(zhǔn)出版社， 2005.

[4] 林蕾， 張煒. 食品微生物檢驗(yàn)技術(shù)的研究進(jìn)展[J]. 現(xiàn)在農(nóng)業(yè)科學(xué)， 2008， 15（10）： 97-99.

[5] 劉木華， 趙杰文， 鄭建鴻， 等. 農(nóng)畜產(chǎn)品品質(zhì)無(wú)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)， 2006， 36（9）： 139-143. DOI：10.3969/j.issn.1000-1298.2005.09.036.

[6] 徐爽， 何建國(guó)， 馬瑜， 等. 高光譜圖像技術(shù)在水果品質(zhì)檢測(cè)中的研究進(jìn)展[J]. 食品研究與開(kāi)發(fā)， 2013， 34（10）： 4-8. DOI：10.3969/j.issn.1005-6521.2013.010.002.

[7] 劉燕德， 張光偉. 高光譜成像技術(shù)在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用[J]. 食品與機(jī)械， 2012， 28（5）： 223-226. DOI：10.3969/j.issn.1003-5788.2012.05.059.

[8] KAMRUZZAMAN M， ELMASRY G， SUN D W， et al. Application of NIR hyperspectral imaging for discrimination of lamb muscles[J]. Journal of Food Engineering， 2011， 104（3）： 332-340. DOI：10.1016/j.jfoodeng.2010.12.024.

[9] FENG Y Z， ELMASRY G， SUN D W， et al. Near-infrared hyperspectral imaging and partial least squares regression for rapid and reagentless determination of Enterobacteriaceae on chicken fillets[J]. Food Chemistry， 2013， 138（2/3）： 1829-1836. DOI：10.1016/j.foodchem.2012.11.040.

[10] BARBIN D， ELMASRY G， SUN D W， et al. Near-infrared hyperspectral imaging for grading and classification of pork[J]. Meat Science， 2012， 90（1）： 259-268. DOI：10.1016/j.meatsci.2011.07.011.

[11] 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（1）： 127-140. DOI：10.1016/j.jfoodeng.2011.11.028.

[12] KAMRUZZAMAN M， ELMASRY G， SUN D W， et al. Non-destructive assessment of instrumental and sensory tenderness of lamb meat using NIR hyperspectral imaging[J]. Food Chemistry， 2013， 141（1）： 389-396. DOI：10.1016/j.foodchem.2013.02.094.

[13] 陳全勝， 張燕華， 萬(wàn)新民， 等. 基于高光譜成像技術(shù)的豬肉嫩度檢測(cè)研究[J]. 光學(xué)學(xué)報(bào)， 2010， 30（9）： 2602-2607. DOI：10.3788/AOS20103009.2602.

[14] ELMASRY G， SUN D W， ALLEN P. Non-destructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging[J]. Food Research International， 2011， 44： 2624-2633. DOI：10.1016/j.foodres.2011.05.001.

[15] KAMRUZZAMAN M， BARBIN D， ELMASRY G， et al. Potential of hyperspectral imaging and pattern recognition for categorization and authentication of red meat[J]. Innovative Food Science and Emerging Technologies， 2012， 16： 316-325. DOI：10.1016/j.ifset.2012.07.007.

[16] KAMRUZZAMAN M， MAKINO Y， OSHITA S. Hyperspectral imaging for real-time monitoring of water holding capacity in red meat[J]. LWT-Food Science and Technology， 2016， 66： 685-691. DOI：10.1016/j.lwt.2015.11.021.

[17] KAMRUZZAMAN M， MAKINO Y， OSHITA S. Online monitoring of red meat color using hyperspectral imaging[J]. Meat Science， 2016， 116： 110-117. DOI：10.1016/j.meatsci.2016.02.004.

[18] BARBIN D F， ELMASRY G， SUN D W， et al. Non-destructive assessment of microbial contamination in porcine meat using NIR hyperspectral imaging[J]. Innovative Food Science and Emerging Technologies， 2013， 17： 180-191. DOI：10.1016/j.ifset.2012.11.001.

[19] PENG Y， ZHANG J， WANG W， et a1. Potential prediction of the microbial spoilage of beef using spatially resolved hyperspectral scattering profiles[J]. Journal of Food Engineering， 2011， 102（2）：

163-169. DOI：10.1016/j.foodeng.2010.08.014.

[20] 陶斐斐， 王偉， 李永玉， 等. 冷卻豬肉表面菌落總數(shù)的快速無(wú)損檢測(cè)方法研究[J]. 光譜學(xué)與光譜分析， 2010， 30（12）： 3405-3409. DOI：10.3964/j.issn.1000-0593（2010）12-3405-05.

[21] 趙杰文， 惠喆， 黃林， 等. 高光譜成像技術(shù)檢測(cè)雞肉中揮發(fā)性鹽基氮含量[J]. 激光與光電子學(xué)進(jìn)展， 2013， 15（10）： 97-99.

[22] 王正偉， 王家云， 王松磊， 等. 基于VIS/NIR高光譜成像技術(shù)檢測(cè)雞肉嫩度[J]. 食品科技， 2015（11）： 270-274. DOI：10.13684/j.cnki.spkj.2015.11.052.

[23] 熊振杰. 基于高光譜成像技術(shù)的雞肉品質(zhì)快速無(wú)損檢測(cè)[D]. 廣州： 華南理工大學(xué)， 2015.

[24] 中國(guó)疾病預(yù)防控制中心營(yíng)養(yǎng)與食品安全所， 遼寧出入境檢驗(yàn)檢疫局. GB 4789.2—2010 食品安全國(guó)家標(biāo)準(zhǔn) 食品微生物學(xué)檢驗(yàn) 菌落總數(shù)測(cè)定[S]. 北京： 中國(guó)標(biāo)準(zhǔn)出版社， 2010.

[25] 嚴(yán)衍祿， 陳斌， 朱大洲， 等. 近紅外光譜分析的原理、技術(shù)與應(yīng)用[M].

北京： 中國(guó)輕工業(yè)出版社， 2013： 169-170.

[26] LIU D， SUN D W， QU J H， et a1. Feasibility of using hyperspectral imaging to predict moisture content of porcine meat during salting process[J]. Food Chemistry， 2014， 152： 197-204. DOI：10.1016/j.foodchem.2013.11.107.

[27] HE H J， WU D， SUN D W. Rapid and non-destructive determination of drip loss and pH distribution in farmed Atlantic salmon （Salmo salar） fillets using visible and near-infrared （Vis-NIR） hyperspectral imaging[J]. Food Chemistry， 2014， 156： 394-401. DOI：10.1016/j.foodchem.2014.01.118.

[28] KAMRUZZAMAN M， ELMASRY G， SUN D W， et a1. Prediction of some quality attributes of lamb meat using near-infrared hyperspectral imaging and multivariate analysis[J]. Analytica Chimica Acta， 2012， 714： 57-67. DOI：10.1016/j.aca.2011.11.037.

[29] BARBIN D F， ELMASRY G， SUN D W， et a1. Predicting quality and sensory attributes of pork using near-infrared hyperspectral imaging[J]. Analytica Chimica Acta， 2012， 719： 30-42. DOI：10.1016/j.aca.2012.01.004.

[30] 鄒昊， 田寒友， 劉飛， 等. 應(yīng)用近紅外技術(shù)快速預(yù)判生豬血液指標(biāo)及劣質(zhì)肉[J]. 肉類研究， 2016， 30（4）： 41-45. DOI：10.15922/j.cnki.rlyj.2016.04.009.