为0.955 3,RMSEP为0.106 7;变量组合集群分析算法(variable combination population analysis,VCPA)结合LSSVM对PE薄膜下的牛肉pH值预测效果最佳,为0.956 9,RMSEP为0.104 9。高光谱技术在包装牛肉pH值无损检测上有较高的应用潜力。摘 要 该文提供了一种应用高光谱技术快速无损检测包装生鲜牛肉pH的方法。该文采用高光谱成像系统在400～1 000 nm内采集聚丙烯(polypropylene,PP)和聚乙烯(polyethylene,PE)薄膜下牛肉的高光谱数据,采用5种预处理方法对原始光谱进行预处理。在最佳预处理方法上采用3种特征波长筛选方法提取特征波长,建立偏最小二乘回归(partial least squares regression,PLSR)和最小二乘支持向量机(least squares-support vector machine,LSSVM)模型。结果表明,竞争性自适应加权算法(competitive adaptive reweighed sampling,CARS)结合PLSR对PP薄膜下的牛肉pH值预测效果最佳,预测集决定系数为0.955 3,RMSEP为0.106 7;变量组合集群分析算法(variable combination population analysis,VCPA)结合LSSVM对PE薄膜下的牛肉pH值预测效果最佳,为0.956 9,RMSEP为0.104 9。高光谱技术在包装牛肉pH值无损检测上有较高的应用潜力。
生鲜牛肉经过排酸后能有效提高牛肉品质,使肉质鲜美细嫩,具有良好的市场前景[1]。生鲜牛肉的pH值是判别其新鲜度的参考指标之一。宰后牛肉肌糖原酵解产生乳酸和ATP分解释放磷酸,使牛肉pH值下降,排酸24 h牛肉的pH值为5.6～6.0。pH指标的变化极大地影响肉类的颜色、风味、蛋白质特性等[2],同时它也是反映微生物活性、脂质和生物胺氧化程度的重要参数[3]。鲜肉贮存中受到自身新陈代谢和微生物活动的影响,蛋白质分解,产生碱性物质,最终使pH 值上升,出现变质和腐败现象,进而影响食品安全,消费者无法接受[4-5]。
测定肉类pH值的传统方法主要是基于pH计和表面电极法,但是这些方法均是侵入性的、耗时且繁琐,难以满足现代肉类品质检测的需要[6]。高光谱成像技术是一种快速、准确和无损的光学方法,具有光谱分辨率高、波段多和数据量多等特点,在食品质量与安全检测上受到了广泛关注[7-8]。朱荣光等[9]采用特征波段筛选方法建立羊肉pH值的偏最小二乘回归(partial least squares regression, PLSR)模型,预测集决定系数为0.96。魏文松等[10]基于多光谱漫反射技术检测牛肉pH值,最小二乘支持向量机(least squares-support vector machine,LSSVM)模型的预测集相关系数为0.942 0。乔芦等[11]利用可见近红外高光谱通过不同预处理和波长提取方法建立3种回归模型,PLSR模型的预测集决定系数为0.740 6。然而,高光谱用于肉类等食品检测研究大多关注于无包装膜情况下的直接检测,很少考虑包装后的检测及包装的影响。食品在运输、仓储和销售环节中,对包装食品的检测可有效减少外界环境对食品品质的影响,进一步保障食品安全[12]。在这个过程中,需要的是通过包装膜对食品进行无损检测,而不是去除包装膜直接对产品进行检测[13]。
本研究采用可见近红外高光谱成像系统(400～1 000 nm),采集聚丙烯(polypropylene, PP)和聚乙烯(polyethylene, PE)2种包装膜包装下的牛肉样本的高光谱图像并测量pH指标含量。通过提取感兴趣区域、光谱预处理和特征波段筛选分别建立PLSR和LSSVM模型,对包装牛肉的pH值进行预测,建立最优模型,为包装生鲜牛肉品质的无损检测提供理论支持。
从无锡当地大型超市购买已经排酸处理后的新鲜牛肉后臀部位作为实验对象,将购买的牛肉放置在0～4 ℃培养箱中并在2 h内转移到实验室,用无菌刀将牛肉切成尺寸为5 cm×4 cm×2 cm(长×宽×厚)、质量约为20 g的肉样。然后将所有样品用单独的自密封塑料袋包装并贮存在4 ℃的冰箱中。
实验用聚合物薄膜采用食品接触用PP(厚度0.08 mm)和PE(厚度0.04 mm),分别购自汕头市新万辉包装材料厂和温州市实在包装厂。
实验使用的高光谱成像系统包括:FX 10型光谱成像仪,芬兰Specim公司;卤素灯(功率20 W),德国Osram公司; LabScanner 40×20型电动位移控制平台,芬兰Spectral Imaging Ltd;装有LUMO-scanner采集软件的计算机。
高光谱成像仪的光谱范围400～1 000 nm,光谱波段为448个,波段间隔为1.3 nm。为了获得牛肉样品统一且清晰的光谱图像,设置设备的参数如下:图像采集速度为11.5 mm/s,样品与镜头间的物距为320 mm,相机的曝光时间为11 ms。图像采集前需要进行黑白板校正[14]。
1.3.1 光谱采集
实验过程中,先将样品去除密封袋,放置在黑色托盘中,再放于电动位移平台上采集无包装膜的高光谱图像(记作NP);再将PP和PE膜分别放置在托盘上并与牛肉样本之间存在约2 cm的间隙,保持薄膜表面平整,然后分别收集有包装膜的高光谱图像(分别记作G-PP,G-PE)。前6 d每天采集5块样本,由于发现样本变化较慢,10～25 d调整为每天采集4块样本,以获得不同程度的腐败样本。
1.3.2 pH含量测定
将采集高光谱图像后的样本立即采用GB 5009.237—2016中pH测定方法测定样本中的pH值,并作为定量分析的参考值,每个样本均作6次测定,取平均值作为该样品的pH值。
1.3.3 光谱预处理及波段提取
为了消除高光谱反射率中的噪声、基线等干扰,提取有用信息,需要对原始光谱进行光谱预处理。常用的光谱预处理方法有中心化处理(mean center, MC)、归一化(normalization)、Savitzky-Golay平滑(S-G平滑)、多元散射校正(multiplicative scatter correction, MSC)和标准正态变换(standard normal distribution, SNV)等[15-16]。
全光谱含有的448个波段有较多的冗余信息,这些无关的信息不仅减低了运算速度,也使模型变得复杂。有效的光谱预处理方法能够删除无关信息,提高运算效率。本研究采用竞争性自适应加权算法(competitive adaptive reweighed sampling, CARS)、连续投影变换算法(successive projections algorithm, SPA)和变量组合集群分析算法(variable combination population analysis, VCPA)共3种方法提取特征重要波长。
1.3.4 模型建立与评价
本研究采用PLSR和LSSVM两种模型方法建立包装牛肉pH值的预测模型。LSSVM是一种可以解决非线性和局部最小值问题的非线性建模方法[17]。在本研究中,径向基函数作为训练核函数,退火算法用于全局优化2个模型参数(γ和σ2)[18]。PLSR是结合了主成分分析(principle component analysis, PCA)、多元线性回归和典型性相关分析的特征,解决多重共线问题的一种线性建模方法[19]。模型评价标准采用校正集和预测集误差平方根(RMSEC、RMSEP)、校正集和预测集的决定系数
较小的RMSEC和RMSEP分别表示模型建模和预测效果好,较大的
分别表示预测值与实际值相关性好。高光谱图像处理和预测模型的建立使用Matlab软件。
使用Kennard-Stone(K-S)算法将总共98个样品分为校正集(73个样品)和预测集(25个样品),比率约为3∶1。校正集用于构建和校准模型,预测集用于评估模型。牛肉贮存期间pH值的变化统计结果如表1所示,且校正集中样本的pH含量范围包含预测集中样本的pH含量,这确保了它们之间的独立性并有助于提高模型精度。
表1 牛肉pH值统计
Table 1 Statistical analysis of pH values in beef
样品集数量/个最大值最小值平均值标准值校正集737.305.505.990.54预测集257.225.535.940.51
为减少高光谱图像中的冗余信息,需进行感兴趣区域(region of interests, RIOs)提取。图1为感兴趣区域光谱提取方法,高效准确地提取薄膜下肌肉部分光谱数据,避免了手动操作。采用波段运算减法(689～582 nm)并二值化处理得到掩膜图像,掩膜图像与原始光谱图像相乘得到只含有肌肉、脂肪的高光谱图像。为去除脂肪,采用PCA获取高光谱图像前2个主成分图像PC1和PC2。由于前2个主成分中肌肉部分与脂肪部位的灰度值差异大,可通过图像运算后再经过二值化和掩膜处理,最终提取纯肌肉部分作为感兴趣区域。将样本RIOs的反射率求平均,即获得代表该样本的光谱反射率。
图1 薄膜存在下感兴趣区域光谱提取方法
Fig.1 Spectral extraction method for regions of interest in the presence of films
牛肉在400～1 000 nm的98个样本的原始光谱反射率曲线如图2所示,显示了牛肉一些特征吸收峰。400～1 000 nm波长范围对蛋白质、脂肪和水分中的官能团的拉伸振动和泛音敏感[16]。420 nm和560 nm处有血红蛋白和肌红蛋白等色素的吸收峰。610 nm为氨基酸的3级倍频吸收峰。739 nm是甲基的第三泛音区域,而760 nm主要是由于O—H拉伸第三泛音或肌红蛋白氧化产生的吸收带引起的[20]。810 nm是蛋白质中C—H键的振动吸收峰。波长960 nm附近的吸收峰与肉中的水分含量有关[15]。由图2可知,随着贮存时间的不同,光谱反射率存在差异性变化,有助于牛肉pH值预测模型的建立。
图2 牛肉原始光谱反射率曲线
Fig.2 Original spectrogram of beef
图3为无薄膜和有薄膜存在下的牛肉样本平均光谱曲线,薄膜的存在显著改变了光谱反射率值。有薄膜存在下的光路会受到薄膜散射、消耗损失和反射的作用,影响了传感接收到的光谱数据[12,21]。由图3可知,PP膜对牛肉光谱的影响主要为光谱通过薄膜的消耗损失,使整体反射率低于原始牛肉光谱反射率;而PE膜表示出较大的散射影响,导致400～600 nm的反射率高于牛肉原始反射率。
图3 不同薄膜下的牛肉样本平均光谱曲线
Fig.3 Average spectral curves of beef samples under different films
2.4.1 包装牛肉最优光谱预处理
分别采用Normalization、MC、S-G平滑、MSC以及SNV对原始光谱数据进行预处理,基于预处理后的数据与原始光谱数据建立PLSR模型,建立模型的结果如表2所示。
表2 光谱预处理方法的选择
Table 2 Choice of spectral preprocessing method
样品类型预处理方法主成分数校正集预测集R2CRMSECR2PRMSEPNP原始数据80.933 10.137 50.948 10.137 5Normaliza-tion140.975 30.083 50.954 20.108 0MC80.936 10.134 40.930 20.133 4S-G平滑80.934 90.135 60.930 70.133 0MSC70.951 30.117 30.934 70.129 0SNV130.973 40.086 70.950 60.112 2G-PP原始数据80.940 80.129 30.929 70.148 4Normaliza-tion140.978 90.075 50.938 60.125 1MC80.945 10.124 50.903 10.157 2S-G平滑80.944 10.125 70.903 70.156 7MSC70.958 60.108 20.908 20.153 0SNV130.977 20.080 30.933 20.130 5G-PE原始数据80.938 40.132 00.921 40.159 6Normaliza-tion140.978 10.078 70.933 60.130 1MC80.942 20.127 80.896 20.162 7S-G平滑80.941 50.128 60.896 50.162 5MSC70.954 80.113 00.913 80.148 3SNV130.97580.08270.93650.1273
由表2可知,与无包装牛肉的预测结果相比,薄膜的存在降低了预测集的预测效果。通过对比5种光谱预处理方法,对于无包装膜和PP薄膜存在下牛肉pH值PLSR模型的最优光谱预处理方法为Normalization,PE薄膜的最优光谱预处理方法为SNV处理。乔芦等[11]在400～1 000 nm全光谱建立牛肉的pH含量PLSR模型,发现归一化预处理的模型稳定性比其他预处理方法好。外界噪声、暗电流的干扰以及薄膜的散射和干涉等影响,使光谱出现基线漂移、分离误差,Normalization预处理可以有效减少噪声干扰并使光谱曲线变的光滑,而SNV处理可校正样品之间因散射干涉等引起的误差。光谱预处理可以潜在地减少因薄膜存在下的散射现象[12],SNV是PE薄膜下牛肉pH值的最优光谱预处理方法,可能与PE薄膜有更多的干涉和散射有关。因此,使用预处理方法可以提升包装牛肉pH值预测模型的精度。
2.4.2 特征波长筛选与建模分析
将无包装牛肉和有包装膜的牛肉分别经其最优光谱预处理方法处理后,在CARS、SPA和VCPA共3种算法提取特征波长基础上建立PLSR和LSSVM模型,结果如表3所示。
表3 不同特征波长筛选的包装牛肉pH值预测模型
Table 3 Prediction model of pH value of packaged beef by screening different characteristic wavelengths
建模方法样品类型波长筛选方法波长数主成分数校正集预测集R2CRMSECR2PRMSEPPLSRNPG-PPG-PECARS38140.979 80.075 50.962 00.098 5SPA10100.964 20.100 60.957 80.103 7VCPA860.961 80.103 90.940 00.123 7CARS20120.981 30.072 70.955 30.106 7SPA1090.967 00.096 50.927 10.136 3VCPA880.972 80.087 70.924 60.138 7CARS13100.950 80.118 00.935 50.128 3SPA1070.964 20.100 60.942 70.120 9VCPA880.949 10.119 90.940 50.123 1LSSVMNPG-PPG-PECARS38/0.980 40.074 40.963 10.097 0SPA10/0.971 20.090 20.964 00.095 9VCPA8/0.971 40.089 90.960 70.100 1CARS20/0.983 70.068 00.950 50.112 4SPA10/0.985 50.064 00.937 60.126 1VCPA8/0.984 80.065 60.942 40.121 2CARS13/0.971 60.089 50.955 40.106 6SPA10/0.981 30.072 70.932 00.131 7VCPA8/0.973 10.087 10.956 90.104 9
注:“/”表示没有主成分因子。
对比PLSR和LSSVM 2种建模方法,总体上LSSVM的预测效果比PLSR模型的预测效果好,这可能与pH指标与高光谱数据之间关系的复杂非线性有关[22],通过特征波长提取方法能够有效降低波长数,去除无用信息,3种波长提取算法中,其中CARS方法建立的2种模型均提高了模型预测的精度。通过建模分析结果可知,SPA-LSSVM是无包装牛肉pH值的最优预测模型,
为0.964 0,RMSEP为0.095 9;CARS-PLSR是PP包装牛肉pH值的最优预测模型,
为0.955 3,RMSEP为0.106 7;VCPA-LSSVM是PE包装牛肉pH值的最优预测模型,为0.956 9,RMSEP为0.104 9。因此,通过特征波长筛选后建立的预测模型有效提升了包装牛肉pH含量预测精度。包装牛肉pH值在最优预测模型下的预测效果如图4所示,实际值与预测值之间无明显差异,说明模型预测结果优。
a-PP包装牛肉最优模型预测效果;b-PE包装牛肉最优模型预测效果
图4 包装牛肉pH值模型预测效果
Fig.4 Model prediction effect of pH values in packaged beef
高光谱可以同时获得样品的光谱和图像信息,并保存在包括二维空间数据和一维光谱数据在内的三维超立方体中,光谱数据用于包装牛肉pH值预测,图像信息可用来显示预测模型的效果,直观判断包装牛肉的质量[23]。模型结果表明,PP和PE包装膜对牛肉光谱预测pH含量有一定的影响,光经过薄膜发生折射、散射和吸收等现象,进而影响薄膜的光谱透过率,最终使传感器接收到的样品反射率光谱出现差异[24]。有研究采用光谱技术通过PP包装获得鲜切蔬菜叶和苹果片的光谱数据,采用PCA和偏最小二乘判别模型(partial least squares discriminant analysis, PLS-DA)分析判别其新鲜度,结果表明薄膜的存在轻微影响测量结果,但结果仍然令人满意[13]。周莉萍等[21]采用可见近红外和近红外光谱建立不同货架期的覆盖保鲜膜菠菜的PLS-DA判别分析模型,判别准确率分别为83%和81%。本研究中,通过光谱预处理方法和特征波长筛选算法,有效提高了包装牛肉的pH值预测效果,同时提高了建模效率。
本文利用高光谱技术采集并提取了PP薄膜和PE薄膜下生鲜牛肉的高光谱信息,选择最优预处理方法结合特征波长筛选方法,建立PLSR和LSSVM预测模型快速定量预测牛肉pH值。结果表明,选择Normalization预处理结合CARS-PLSR方法筛选并建立的模型对PP包装牛肉pH值预测效果最佳,预测集决定系数为0.955 3,RMSEP为0.106 7;选择SNV预处理结合VCPA-LSSVM方法筛选并建立的模型对PE包装牛肉pH值预测效果最佳,为0.956 9,RMSEP为0.104 9。研究表明,高光谱技术用于包装生鲜牛肉pH值的快速检测是可行的,结果为包装肉品的无损检测提供参考依据。
[1] 王恒鹏, 王引兰, 吴鹏, 等.排酸牛肉的品质变化规律及其烹煮时机的优选[J].食品与发酵工业, 2020, 46(1):222-228.
WANG H P, WANG Y L, WU P, et al.Analysis of quality changes and preferred choice of cooking time of beef during aging[J].Food and Fermentation Industries, 2020, 46 (1):222-228.
[2] 段宏伟, 朱荣光, 王龙, 等.感兴趣区域对羊肉pH高光谱检测模型的影响研究[J].光谱学与光谱分析, 2016, 36(4):1145-1149.
DUAN H W, ZHU R G, WANG L, et al.Effects of regions of interest (ROIs) on detection models of mutton pH based on hyperspectral imaging[J].Spectroscopy and Spectral Analysis, 2016, 36(4):1145-1149.
[3] FENG C H, MAKINO Y, YOSHIMURA M, et al.Hyperspectral imaging in tandem with R statistics and image processing for detection and visualization of pH in Japanese big sausages under different storage conditions[J].Journal of Food Science, 2018, 83(2):358-366.
[4] DIXIT Y, AL-SARAYREH M, CRAIGIE C R, et al.A global calibration model for prediction of intramuscular fat and pH in red meat using hyperspectral imaging[J].Meat Science, 2021, 181:108405.
[5] 赵健. 高光谱成像技术检测延边黄牛肉的新鲜度[J].现代食品科技, 2020, 36(2):271-276.
ZHAO J.Detection of the freshness of Yanbian yellow beef by hyperspectral imaging[J].Modern Food Science and Technology, 2020, 36(2):271-276.
[6] CHEN Q, KONG B H, HAN Q, et al.The role of bacterial fermentation in lipolysis and lipid oxidation in Harbin dry sausages and its flavour development[J].LWT, 2017, 77:389-396.
[7] FENG C H, MAKINO Y, OSHITA S, et al.Hyperspectral imaging and multispectral imaging as the novel techniques for detecting defects in raw and processed meat products:Current state-of-the-art research advances[J].Food Control, 2018, 84:165-176.
[8] 鞠杰, 田建平, 胡新军, 等.白酒糟醅中酸度值的高光谱检测方法[J].食品与发酵工业, 2022, 48(4):255-260.
JU J, TIAN J P, HU X J, et al.Hyperspectral detection method for the acidity detection of Baijiu fermented grains[J].Food and Fermentation Industries, 2022, 48(4):255-260.
[9] 朱荣光, 段宏伟, 姚雪东, 等.基于高光谱图像和偏最小二乘的羊肉pH值特征波段筛选研究[J].光谱学与光谱分析, 2016, 36(9):2925-2929.
ZHU R G, DUAN H W, YAO X D, et al.Study on characteristic bands selection of lamb pH value based on hyperspectral imaging and partial least squares(PLS)[J].Spectroscopy and Spectral Analysis, 2016, 36(9):2925-2929.
[10] 魏文松, 彭彦昆, 郑晓春, 等.基于多光谱漫反射的牛肉品质参数检测方法研究[J].光谱学与光谱分析, 2019, 39(4):1177-1185.
WEI W S, PENG Y K, ZHENG X C, et al.Research on detection of beef freshness parameters based on multi spectral diffuse reflectance method[J].Spectroscopy and Spectral Analysis, 2019, 39(4):1177-1185.
[11] 乔芦, 贺晓光, 王松磊, 等.利用高光谱成像技术预测牛肉pH值及其空间分布[J].河南农业大学学报, 2020, 54(4):664-672.
QIAO L, HE X G, WANG S L, et al.Prediction of beef pH value and its spatial distribution using hyperspectral imaging technique[J].Journal of Henan Agricultural University, 2020, 54(4):664-672.
[12] GOWEN A A, O′DONNELL C P, ESQUERRE C, et al.Influence of polymer packaging films on hyperspectral imaging data in the visible-near-infrared (450-950 nm) wavelength range[J].Applied Spectroscopy, 2010, 64(3):304-312.
[13] BEGHI R, GIOVENZANA V, CIVELLI R, et al.Influence of packaging in the analysis of fresh-cut Valerianella locusta L.and Golden Delicious apple slices by visible-near infrared and near infrared spectroscopy[J].Journal of Food Engineering, 2016, 171:145-152.
[14] 胡逸磊, 姜洪喆, 周宏平, 等.高光谱成像技术检测油茶果成熟度[J].食品科学, 2022, 43(16):324-331.
HU Y L, JIANG H Z, ZHOU H P, et al.Maturity detection of Camellia oleifera by hyperspectral imaging[J].Food Science, 2022, 43(16):324-331.
[15] GUO T F, HUANG M, ZHU Q B, et al.Hyperspectral image-based multi-feature integration for TVB-N measurement in pork[J].Journal of Food Engineering, 2018, 218:61-68.
[16] QIAO L, TANG X Y, DONG J.A feasibility quantification study of total volatile basic nitrogen (TVB-N) content in duck meat for freshness evaluation[J].Food Chemistry, 2017, 237(15):1179-1185.
[17] LEE H, KIM M S, LEE W H, et al.Determination of the total volatile basic nitrogen (TVB-N) content in pork meat using hyperspectral fluorescence imaging[J].Sensors and Actuators B:Chemical, 2018, 259:532-539.
[18] JIANG J L, CEN H Y, ZHANG C, et al.Nondestructive quality assessment of chili peppers using near-infrared hyperspectral imaging combined with multivariate analysis[J].Postharvest Biology and Technology, 2018, 146:147-154.
[19] ZHUANG Q B, PENG Y K, YANG D Y, et al.Detection of frozen pork freshness by fluorescence hyperspectral image[J].Journal of Food Engineering, 2022, 316:110840.
[20] HE H J, WU D, SUN D W.Non-destructive and rapid analysis of moisture distribution in farmed Atlantic salmon (Salmo salar) fillets using visible and near-infrared hyperspectral imaging[J].Innovative Food Science &Emerging Technologies, 2013, 18:237-245.
[21] 周莉萍, 赵艳茹, 余克强, 等.基于高光谱技术的覆盖保鲜膜菠菜货架期预测研究[J].光谱学与光谱分析, 2017, 37(2):423-428.
ZHOU L P, ZHAO Y R, YU K Q, et al.Hyperspectral technique for estimating the shelf-lives of fresh spinach leaves covered with film[J].Spectroscopy and Spectral Analysis, 2017, 37(2):423-428.
[22] KHOSHNOUDI-NIA S, MOOSAVI-NASAB M.Nondestructive determination of microbial, biochemical, and chemical changes in rainbow trout (Oncorhynchus mykiss) during refrigerated storage using hyperspectral imaging technique[J].Food Analytical Methods, 2019, 12(7):1635-1647.
[23] XIONG Z J, SUN D W, ZENG X N, et al.Recent developments of hyperspectral imaging systems and their applications in detecting quality attributes of red meats:A review[J].Journal of Food Engineering, 2014, 132:1-13.
[24] KANYATHARE B, ASAMOAH B O, ISHAQ U, et al.Optical transmission spectra study in visible and near-infrared spectral range for identification of rough transparent plastics in aquatic environments[J].Chemosphere, 2020, 248:126071.
Abstract This study aimed to obtain the pH value of packaged fresh beef quickly and accurately during the transportation and sale of beef, which was of great significance for fresh beef quality testing. A method for rapid and non-destructive testing of the pH of packaged beef using hyperspectral techniques was provided. Hyperspectral data of beef under polypropylene (PP) and polyethylene (PE) films within 400-1 000 nm was collected by a hyperspectral imaging system, and five preprocessing methods were used to preprocess the original spectrum. Three characteristic wavelength screening methods were used to extract characteristic wavelengths based on the best preprocessing method, and partial least squares regression (PLSR) and least squares-support vector machine (LSSVM) models were established. Results show that the competitive adaptive reweighed sampling (CARS) combined with PLSR has the best effect on the prediction of the pH value of beef under PP film, the prediction set decision coefficient was 0.955 3 and root mean square error (RMSEP) was 0.106 7, and the PLSR based on variable combination population analysis (VCPA) was optimal for the prediction of pH value of beef under PE film, with of 0.956 9 and RMSEP of 0.104 9. The research results show that hyperspectral technology has high application potential in the non-destructive detection of the pH value of beef after packaging.