白纹肉与木质肉品质安全无损检测研究进展

鸡肉味美价廉、肉质鲜嫩,是人类膳食结构中多种必需营养成分的优质来源,近三十年来全球鸡肉产量和消费量保持持续增长[1]。据美国农业部显示,2022年我国鸡肉生产总量达1 430万t,在全球肉鸡生产国中高居第二,仅次于美国[2]。随着我国居民生活水平和健康意识提升,鸡肉凭借其高蛋白、低脂肪等优势在肉类消费中比重还将不断攀升[3]。为满足日益增长的鸡肉消费需求,禽肉产业已配套饲料报酬高、生长迅速、出栏快和出肉率高的持续选育和速生养殖技术[4]。

现阶段,肌肉的快速生长保障了消费供应,却出现严重威胁产业发展的白纹(white striping,WS)和木质(woody/wooden breast,WB)等肌肉缺陷问题,重度发生率可达15%和10%左右[5],并有不断蔓延爆发的趋势。白纹肉和木质肉食用品质级别下降严重,可接受度低,主要发病于鸡大胸,轻度可用于深加工肉制品,而重度仅能废弃,给禽肉业带来巨大经济损失,据估算仅美国每年造成的直接经济损失即达2～10亿美元[6]。在我国推行“活禽禁售、生鲜上市”大趋势下,逐渐增大的分割鸡肉制品需求势必会加重其对产业的影响,基于此,肌肉缺陷的发生机理及评价控制研究力度亟待加强,而该领域目前也是国内外广泛关注的热点[7]。

近红外(near infrared,NIR)光谱具有感知有机物化学成分的能力,可广泛用于农产品检测评价[8],但单点检测在非均质性强的白纹肉及木质肉检测中易造成信息不对称,带来较大结果误差。此外,机器视觉(machine vision,MV)可对肉品色泽、大小、纹理和缺陷等感官信息进行快速评价,却对内部蛋白质、脂肪等营养品质无能为力。作为二者的延续和深化,高光谱成像(hyperspectral imaging,HSI)可同时捕捉各像元点光谱和各波长下图像信息,具有优越的空间分辨能力[9],近年来在农畜产品快速检测领域发展迅速[10],但高光谱设备一般以大型居多,且所获取的光谱样本数据量庞大,需要对其降维,数据处理难度大,其他无损检测技术也各有优缺点。

无损检测技术在肉品品质安全方面的应用往往需要结合化学计量方法建模分析,模型主要分为定性和定量2种,模型性能优劣通常由一些统计标准值来体现,模型的相关系数(R)、决定系数(R2)越接近于1,均方根误差(root mean square error,RMSE)越小,模型的预测效果越好[11]。定性分析模型注重不同物质组分的区别,常用的判别模型有线性判别分析(linear discriminant analysis,LDA)、支持向量机(support vector machines,SVM)和人工神经网络(artificial neural network,ANN)等。ROPODI等[12]使用高光谱成像技术结合LDA建立定性分析模型,对牛肉中掺杂猪肉识别准确率高达98.48%。定量分析模型注重某种组分物质的量,常用的判别模型有偏最小二乘回归(partial least squares regression,PLSR)、逐步回归(stepwise regression,SR)和多元线性回归(multivariable linear regression,MLR)等。MASOUM等[13]使用近红外光谱对青鱼和沙丁鱼中蛋白质含量建立PLSR定量分析模型,所得相关系数R为0.95,表明该模型可以对蛋白质含量很好地预测。

本文综述了近年来国内外近红外光谱、机器视觉和高光谱成像等无损检测技术在白纹肉和木质肉中的研究应用,如图1所示,发现光学特性信息结合计算机模型评价可以替代人工在线检测,是推动禽肉业发展、提质增效的有效应用手段,可为高通量科学在线检测分级设备开发提供重要技术支撑,为鸭、鹅和鸽等各类禽肉肌肉缺陷检测和评价机理研究提供技术借鉴。

1 白纹肉与木质肉

白纹肉表面出现清晰可见的与纤维组织平行的白色条纹,成分以脂肪为主;木质肉胸肉组织坏死,表现为胸肌凸起部位质感坚硬、颜色苍白,严重的表面会有组织液渗出,并伴随白纹显现[14],两者皆是近年来国内外重点研究的鸡肉疾病。白纹肉和木质肉的发生显著改变了鸡肉的营养成分,研究表明,白纹肉和木质肉中水分、脂肪和胶原蛋白等含量增加,而肌糖原、饱和脂肪酸和血红素含量降低,这些营养成分的改变对鸡肉营养价值、质感和外观等均产生了一定影响[15-19],正常鸡胸肉、白纹肉和木质肉外观如图2[20]所示。

调查研究显示,控制日龄、饲粮、性别、品种和新陈代谢等单一环节能改善白纹或木质程度[21-22],但在此耦合多因素的连续变化过程中却难以解释对最终外部感官及内部成分的影响。随着生物信息技术的引入,已从基因组学(测序)、转录组学(基因表达)、蛋白质组学(蛋白表达)和代谢组学(代谢物)的角度尝试探究遗传-发育-疾病机制,结果发现肌肉缺陷并非由某一致病基因引起而是涉及大量基因的差异表达及系列代谢过程变化[23],如何减少发生率有待进一步研究。与此同时,发生机理的不明确性导致尚缺少针对性的检测手段,当前检测评价仍以人工感官评定为主[24],随机性大、主观性强且未考虑内部品质,评价标准亟需完善,方法不够准确有效。目前还未有研究指明白纹肉和木质肉的发生机制,速成养殖模式下还无法从根本上杜绝白纹肉和木质肉的发生,探索科学、准确的白纹肉与木质肉快速检测方法迫在眉睫。

2 白纹肉与木质肉无损检测研究现状

2.1 近红外光谱

近红外波长为780～2 500 nm,是一种介于中红外光和可见光之间的电磁波。当化合物中的基团分子(C—H、N—H、O—H、S—H等)受到此波长范围内光线照射时,分子键产生振动,在近红外光谱区形成合频、倍频吸收谱带。化合物的含氢官能团不同,则对光谱的吸收不同,在不同范围波长下的吸收峰也不同,因此近红外光谱可以作为检测基团的依据[25]。基于不同物质组分和吸收峰之间的关系,就可以利用近红外光谱对肉类中水分、蛋白质和脂肪等成分进行定性、定量分析,这也是近红外光谱技术检测白纹肉和木质肉的理论依据。

MUDALAL等[26]利用波长为550～1 100 nm的可见/近红外光谱建立PLSR预测模型,模型对正常肉红度值a*、pH和蛋白质的预测决定系数

分别为0.91、0.95和0.80,可以较好区分正常鸡胸肉和白纹肉。ZAID等[27]发现可见/近红外光谱的主成分分析(principal component analysis,PCA)得分可用来判别火鸡白纹肉等级,区分正常肉和白纹肉方面表现出优良性能。WOLD等[28]利用波段为760～1 040 nm的近红外光谱扫描仪采集鸡胸肉光谱数据建立蛋白质光谱预测模型,用显微镜检查和近红外检测结果比较,模型准确率高达99.5%～100%,并以21.9%的蛋白质含量为阈值,首次实现了工业产线上的木质肉在线检测分级,其检测方式如图3所示。

WOLD等[29]进一步研究发现利用近红外光谱对木质肉中蛋白质和水结合度的检测敏感性,判别准确率可达96%。GERONIMO等[30]采集1 150～2 150 nm波段近红外光谱对木质肉建立蛋白质LDA模型,利用光谱主成分提取6个关键特征波长,模型准确率为97.5%。LI等[31]采用波数为10 000～4 000 cm-1的近红外光结合模拟人体触诊的压缩速度法建立偏最小二乘判别分析(partial least squares discriminant analysis,PLSDA)模型检测木质肉,结果表明,仅使用近红外光谱可以区分正常鸡胸肉和木质肉,模型准确率为81.58%,而近红外光谱结合压缩速度法建立PLSDA分析模型可以实现更加精确的分类,模型准确率提升至82.14%,受人体工学启发的压缩速度法较人工触诊相比更为客观,未来可从如何完善压缩速度测量体系入手,实现更高的分类准确率。CARVALHO等[32]使用近红外光谱分别结合连续投影算法-线性判别分析(successive projections algorithm-linear discriminant analysis,SPA-LDA)模型和软独立模式分类法(soft independent modeling of class analogy,SIMCA)区分正常鸡胸肉、白纹肉和木质肉,结果显示SPA-LDA模型的准确率为92%～93%,SIMCA准确率为89%～91%,表明白纹肉和木质肉的发生程度和屠宰年龄直接相关,白纹肉和木质肉的发生率随着屠宰年龄的增加显著增加,为肉鸡养殖场对肉鸡的饲养时间提供了新的思考和借鉴。SERVA等[33]采用2种近红外光谱仪结合机器学习(machine learning,ML)算法对正常肉鸡和患白纹、木质病的肉鸡进行鉴别,结果发现由于ML算法的使用,近红外光谱的性能大大改善,并且找到了用于鉴别的3种关键氨基酸(丙氨酸、天冬氨酸和蛋氨酸),后续研究有望从遗传角度深入解析白纹、木质肉的发生机理。

综上所述,利用近红外光谱技术提取白纹肉、木质肉的光谱特征建立预测模型可以用于白纹肉、木质肉的检测,并取得了显著的成果,对建设鸡肉质量监管体系、实现品质安全风险预警有一定推动作用。但近红外光谱也有局限性,其灵敏度较低,光谱数据处理复杂,只能用于单点检测。表1总结了近红外光谱在白纹肉、木质肉检测中的检测指标、波段范围、建模方法以及模型评价。

2.2 机器视觉

机器视觉技术又名计算机视觉(computer vision,CV)技术,是指用图像传感器替代人眼识别被测物的图像信息,用计算机替代人脑对被测物进行识别、测量,避免了人为测量判别的主观性。机器视觉技术的原理是通过图像采集装置(如相机)获取被测物样本图像,将图像信息数字化,提取被测物特征进行建模运算,实现被测物属性(如大小、形状和颜色等)的分析。对于肉品而言,机器视觉技术已被证实可以用于检测其大理石花纹、颜色、嫩度、新鲜度和脂肪等[34-36],因白纹肉、木质肉相比正常鸡胸肉有着明显的外部差异,故机器视觉技术在白纹肉、木质肉的检测中有一定潜力。

Carvalho等[37]首次使用通过计算机视觉技术结合磁共振成像(magnetic resonance imaging,MRI)发现,灰度共生矩阵(gray-level co-occurrence matrix,GLCM)算法和分形曲线纹理算法(one point of fractal curve texture algorithm,OPFTA)的计算特征均可用于对白纹肉进行分类,利用J48决策树(J48 decision tree,J48DT)可以对白纹肉的理化特性进行高精度判别,准确率大于90%。KATO等[38]利用机器视觉技术结合随机森林(random forest,RF)、多层感知机(multilayer perceptron,MLP)、SVM和模糊W均值聚类(Fuzzy-W)4种模型对正常鸡胸肉和白纹肉进行评估分类,并创造性地让消费者对不同程度白纹肉的购买意愿和可接受度进行评分,结果发现SVM、Fuzzy-W和RF分类模型的分类效果极为接近,总体准确率为86.4%,而MLP的准确率仅有70.9%,误判率较高。GERONIMO等[30]对木质肉应用机器视觉和近红外光谱鉴别,二者均取得较高准确率,通过比较图像处理结合SVM、MLP、J48DT和RF四种算法模型发现,图像处理结合SVM构建判别模型效果最好,得到91.8%的准确率。YOON等[39]提出了一种用于在线检测木质肉的侧式成像系统,采用相机拍摄鸡肉样品即将驶离传送带下坠时的物理变形,所开发的图像处理算法在检测木质肉时总体精度能达到95%以上,为木质肉的检测提供了新思路,但该系统需产线传送速度较慢,且要求鸡肉样品以固定姿势摆放,后续研究可从如何使鸡肉样品以相同姿势运出传送带并保证在线检测效率来完善该系统。其侧式成像系统如图4所示。

CALDAS-CUEVA等[40]通过图像分析(image analysis,IA)结合二元逻辑回归模型(binary logistic regression,BLR)实现检测肉鸡中木质病缺陷,分类准确性可达到91%。SUN等[41]通过图像分析技术研究木质肉形态和严重程度之间的关系发现重量、挤压力可以作为区分木质肉的客观特征,并证明木质鸡胸肉头部区域特征明显,是最适用于鉴别的部位。YANG等[42]通过图像分析结合SVM模型研究可压榨出水量(expressible fluid,EF)与木质肉之间的关系建立SVM模型,分类准确率可达93.3%,证实木质肉等级和持水力(water-holding capacity,WHC)密切相关。

研究表明,机器视觉技术可以在一定程度上实现正常鸡胸肉、白纹肉和木质肉的区分,可以代替人眼感官来对白纹肉、木质肉的纹理、大小和颜色进行客观判断,弥补了传统人体感官法的不足,但机器视觉技术其结果较大程度取决于图像质量,YOON等[43]指出,在照明、样品处理不佳等情况下,视觉颜色不足以作为检测木质肉的指标;BOWKER等[44]也指出视觉特征可能不是木质肉发病率和严重性的准确指标,可能导致错误的分类。而选择不同的算法模型对最终结果也有一定的差异,因此,机器视觉技术搭配一个良好的算法模型是实现白纹肉、木质肉检测的关键。表2总结了机器视觉技术在白纹肉和木质肉检测中的运用。

2.3 高光谱成像

高光谱成像技术结合了近红外光谱技术和机器视觉技术的特点,具有相机的高分辨成像能力和光谱仪的高光谱分辨能力,其采集的数据是一种3维数据立方体,内含海量空间坐标信息及光谱信息。高光谱成像技术集合了光学、计算机科学、模式识别和电子学等多领域先进技术[45],广泛应用于医药[46]、农业[47]、生态保护[48]和食品安全[49]等领域。基于高光谱成像技术的肉品品质无损检测研究主要包括对肉品化学组成含量与分布的测定、对肉品嫩度的快速检测、肉品品质分级以及肉品掺假检测等[50-53]。

JIANG等[54]发现高光谱第2、3主成分光谱图像可用于快速区分白纹肉与正常肉,明确了鉴别白纹肉7个关键波长(450,492,541,581,629,869,980 nm),建立了融合特征波长与图像纹理的PLS-DA模型,并证实鸡胸肉头端区域是最优检测部位,检测准确率为91.7%。其选取特征波长如图5所示。

YOON等[43]利用光学相干层析技术(optical coherence tomography,OCT)结合波长为400～1 000 nm的高光谱成像技术测量鸡肉亚表面微观结构和光学特性,并建立PCA-LDA模型,结果发现木质肉肌外膜厚度大约是正常鸡胸肉的2倍,表明OCT技术结合高光谱成像可以区分正常鸡胸肉和木质肉,尽管高光谱成像技术检测木质肉的能力有限,但是其可以增加OCT成像的吞吐量,提高检测的精度。由于高光谱仪器以大型、贵重居多,成本较高,目前采用高光谱技术检测白纹肉、木质肉的报道较少。表3总结了高光谱成像技术在白纹肉和木质肉检测中的运用。

2.4 其他无损检测技术

基于白纹肉木质肉的报道越来越多,国内外研究学者也对其愈发重视,目前还有诸如生物阻抗分析(bioelectrical impedance analysis,BIA)、核磁共振(nuclear magnetic resonance,NMR)和高压气流(high-pressure airflow)测试等无损检测技术应用于白纹肉和木质肉检测的初探研究。

生物阻抗分析是一种利用生物独有组织成分的电特性进行分析的无损检测技术,其通常借助微弱电极系统向样本内部送入微弱电流,检测相应电阻抗变化。MOREY等[55]利用BIA技术结合LDA建模对木质肉的分类准确率为68.69%,表明BIA技术可以用于区分正常肉和木质肉,但准确率较低,还需要进一步的研究来提高BIA技术的准确性,此外研究还发现BIA值会随着样品新鲜度的改变而发生改变,这就要求后续研究者必须根据加工过程开发出与之配套的电阻和电抗阈值。SIDDIQUE等[56]在此基础上利用BIA技术结合SVM建模对木质肉进行分类,准确率达90%,说明BIA技术结合SVM模型更加可靠,并开发出一种手持检测仪用于在线检测(图6)。

核磁共振是指具有固定磁矩的原子核在外界磁场的作用下吸收电磁波从而与外界磁场发生能量交换的现象,物质与磁场作用时发射的电磁信号和核密度自成比例,故NMR信号可以用来反应样品的化学性质,近年来国内外使用核磁共振技术检测白纹肉、木质肉也有诸多报道。PANG等[57]使用时域核磁共振(time-domain nuclear magnetic resonance,TD-NMR)预测木质肉的持水力,结果发现皮尔逊相关系数R为0.86。PANG等[58]利用可见光谱和NMR弛豫曲线分别结合SVM模型发现两者结合可以精确地区分正常肉和木质肉,总体精确率为95.7%,表明光谱技术和核磁共振结合效果更佳。C width=11,height=17,dpi=110

NSOLO等[59]利用TD-NMR根据日饲水平建立稀疏偏最小二乘判别分析(sparse partial least squares discriminant analysis,sPLS-DA)模型,结果表明核磁共振技术可以区分不同程度的木质肉,并证实饮食的改变并不能减轻白纹和木质的发病率及严重程度,如何减轻其发病率并有效避免还需进一步研究。SUN等[60]利用低场核磁共振技术(low field nuclear magnetic,LF-NMR)探究鸡肉块中添加不同质量分数的木质肉对其影响,结果发现当木质肉质量分数超过25%时,肉块的脂肪、蛋白质和结合水的含量出现显著差异。除此之外,孙啸等[61]采用高压空气无损检测方法采集不同实验高度处样本的变形量,结果发现,距离样本高度18 cm处检测效果最佳,挤压力可以作为衡量木质肉的参量。以上无损检测技术见表4。

3 问题与展望

面对鸡肉中出现的白纹与木质肌肉缺陷问题,基于近红外光谱、机器视觉及高光谱成像等无损检测技术区分其与正常鸡肉的区别是可行的,能否开发出工业在线检测装置并做到快速、准确检测是当前禽肉业研究的重点。近年来,国内外学者对白纹肉、木质肉的无损检测虽已取得一定的成果,但通过总结以上无损检测技术仍存在以下方面的问题:

a)近红外光谱仪器操作简单,实时在线分析速度快,但缺乏针对性,在白纹肉、木质肉检测中只能做到单点检测,容易以偏概全,结果误差较大。

b)机器视觉技术清晰度高,检测速度快,但检测精度易受拍摄环境、相机像素和拍摄背景等影响,导致测量结果出现较大偏差,其只能对样品表面特征进行分析,对内部化学品质无能为力。

c)高光谱成像技术数据精度高,图谱合一,具有优越的空间分布能力,但其设备一般以大型、贵重居多,抗干扰能力较差,同时其海量的数据立方需要进行降维,数据处理速度慢,目前还无法应用于在线检测中。

综合来看,在光学无损检测方面,近红外光谱、机器视觉和高光谱成像技术各有优缺点,结合其他无损检测技术在白纹肉、木质肉检测方面的应用,未来可以从以下几个方面深入研究:

a)开发出针对检测白纹肉与木质肉的准确判别算法模型,光谱采集过程规范、标准,并建立温度、颜色、曲率等校正模型植入,提高检测精度。

b)随着现代光学检测科技的发展,研发出精度更高、处理速度更快的小型便携式高光谱仪器,面对高维度的高光谱数据,找出可靠的预处理、特征波长的选择以及建模方法,选出的少量特征图谱能够成功用于工业生产线。

c)不能仅局限于单独某种无损检测方法,要注重多种无损检测方法的结合使用,如近红外光谱结合高压气流测试法、近红外光谱结合核磁共振技术和高光谱成像结合光学相干层析技术等等,可以在一定程度上提高检测精度。

[1] 张怡, 毕思恺, 许少成, 等. 2022年全球肉鸡生产、贸易及产业经济发展研究[J]. 中国畜牧杂志, 2023, 59(3):280-287. ZHANG Y, BI S K, XU S C, et al. Study on global broiler production, trade and industrial economic development in 2022[J]. Chinese Journal of Animal Science, 2023, 59(3):280-287.

[2] 辛翔飞, 郑麦青, 文杰, 等. 2022年我国肉鸡产业形势分析、未来展望与对策建议[J]. 中国畜牧杂志, 2023, 59(3): 288-293. XIN X F, ZHENG M Q, WEN J, et al. Analysis of China’s broiler industry in 2022, future prospects, and policy suggestions[J]. Chinese Journal of Animal Science, 2023, 59(3): 288-293.

[3] 钞贺森, 田旭, 于晓华. 肉类消费结构、饲料安全和粮食安全: 农业“供给侧改革” 的一个参照系[J]. 农业现代化研究, 2017, 38(5):737-745. CHAO H S, TIAN X, YU X H. Meat consumption structure, feed security, and grain security: Implication for the “supply-side reform” in agriculture[J]. Research of Agricultural Modernization, 2017, 38(5):737-745.

[4] BARBUT S. Recent myopathies in broiler′s breast meat fillets[J]. World′s Poultry Science Journal, 2019, 75(4):559-582.

[5] 刘一帆, 巨晓军, 章明, 等. 白条纹鸡肉和木质化鸡胸肉的发生特征及机理研究进展[J]. 畜牧兽医学报, 2019, 50(5):901-908. LIU Y F, JU X J, ZHANG M, et al. Research progress on characteristics and mechanism of white striping and wooden breast myopathies in broilers[J]. Chinese Journal of Animal and Veterinary Sciences, 2019, 50(5):901-908.

[6] GRIFFIN J R, MORAES L, WICK M, et al. Onset of white striping and progression into wooden breast as defined by myopathic changes underlying Pectoralis major growth. Estimation of growth parameters as predictors for stage of myopathy progression[J]. Avian Pathology: Journal of the W.V.P.A, 2018, 47(1):2-13.

[7] SOGLIA F, MAZZONI M, PETRACCI M. Spotlight on avian pathology: Current growth-related breast meat abnormalities in broilers[J]. Avian Pathology: Journal of the W.V.P.A, 2019, 48(1):1-3.

[8] 陈全胜, 王名星, 郭志明, 等. 鸡肉中假单胞菌的近红外光谱快速识别[J]. 农业机械学报, 2017, 48(8):328-334. CHEN Q S, WANG M X, GUO Z M, et al. Rapid identification of Pseudomonas spp. in chicken by near-infrared spectroscopy[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(8):328-334.

[9] WU D, SUN D W. Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment: A review: Part II: Applications[J]. Innovative Food Science &Emerging Technologies, 2013, 19:15-28.

[10] 彭彦昆, 张雷蕾. 农畜产品品质安全高光谱无损检测技术进展和趋势[J]. 农业机械学报, 2013, 44(4):137-145. PENG Y K, ZHANG L L. Advancement and trend of hyperspectral imaging technique for nondestructive detection of agro-product quality and safety[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(4):137-145.

[11] 冯艳春, 张琪, 胡昌勤. 药品近红外光谱通用性定量模型评价参数的选择[J]. 光谱学与光谱分析, 2016, 36(8):2447-2454. FENG Y C, ZHANG Q, HU C Q. Study on the selection of parameters for evaluating drug NIR universal quantitative models[J]. Spectroscopy and Spectral Analysis, 2016, 36(8):2447-2454.

[12] ROPODI A I, PAVLIDIS D E, MOHAREB F, et al. Multispectral image analysis approach to detect adulteration of beef and pork in raw meats[J]. Food Research International, 2015, 67:12-18.

[13] MASOUM S, ALISHAHI A R, FARAHMAND H, et al. Determination of protein and moisture in fishmeal by near-infrared reflectance spectroscopy and multivariate regression based on partial least squares[J]. 2012, 51-59.

[14] 宿志勇, 姜海煦, 肖凡, 等. 白羽快大型肉鸡胸肌病研究进展[J]. 中国家禽, 2020, 42(11):78-90. SU Z Y, JIANG H X, XIAO F, et al. Summary of pectoral muscle myopathies in broiler[J]. China Poultry, 2020, 42(11):78-90.

[15] PETRACCI M, MUDALAL S, BONFIGLIO A, et al. Occurrence of white striping under commercial conditions and its impact on breast meat quality in broiler chickens[J]. Poultry Science, 2013, 92(6):1670-1675.

[16] CAI K, SHAO W, CHEN X, et al. Meat quality traits and proteome profile of woody broiler breast (pectoralis major) meat[J]. Poultry Science, 2018, 97(1):337-346.

[17] ABASHT B, ZHOU N, LEE W R, et al. The metabolic characteristics of susceptibility to wooden breast disease in chickens with high feed efficiency[J]. Poultry Science, 2019, 98(8):3246-3256.

[18] SOGLIA F, LAGHI L, CANONICO L, et al. Functional property issues in broiler breast meat related to emerging muscle abnormalities[J]. Food Research International, 2016, 89:1071-1076.

[19] ABASHT B, MUTRYN M F, MICHALEK R D, et al. Oxidative stress and metabolic perturbations in wooden breast disorder in chickens[J]. PLoS One, 2016, 11(4): e0153750.

[20] 潘晓娜, 张林, 邢通, 等. 白纹肉和木质肉的组织学特性、营养成分及肉品质特性研究[J]. 南京农业大学学报, 2020, 43(3):498-504. PAN X N, ZHANG L, XING T, et al. Histological characteristics, nutritional components and meat quality of white striping and wooden breast[J]. Journal of Nanjing Agricultural University, 2020, 43(3):498-504.

[21] KUTTAPPAN V A, BOTTJE W, RAMNATHAN R, et al. Proteomic analysis reveals changes in carbohydrate and protein metabolism associated with broiler breast myopathy[J]. Poultry Science, 2017, 96(8):2992-2999.

[22] BODLE B C, ALVARADO C, SHIRLEY R B, et al. Evaluation of different dietary alterations in their ability to mitigate the incidence and severity of woody breast and white striping in commercial male broilers[J]. Poultry Science, 2018, 97(9):3298-3310.

[23] 谭权, 孙得发. 肉鸡木质肉和白纹肉问题及其解决方案[J]. 中国畜牧杂志, 2019, 55(9):33-37. TAN Q, SUN D F. Solutions to alleviating white striping and wooden breast in broilers[J]. Chinese Journal of Animal Science, 2019, 55(9):33-37.

[24] 孙啸, 陈彩蓉, 周漫静, 等. 木质硬度缺陷鸡肉特征及其判定[J]. 食品科学, 2017, 38(7):82-87. SUN X, CHEN C R, ZHOU M J, et al. Characteristics and identification of woody breast fillets[J]. Food Science, 2017, 38(7):82-87.

[25] CHENG J H, DAI Q, SUN D W, et al. Applications of non-destructive spectroscopic techniques for fish quality and safety evaluation and inspection[J]. Trends in Food Science &Technology, 2013, 34(1):18-31.

[26] MUDALAL S, ZAID A, ABU-KHALAF N, et al. Predicting the quality traits of white striped Turkey breast by visible/near infra-red spectroscopy and multivariate data analysis[J]. Italian Journal of Animal Science, 2020, 19(1):676-686.

[27] ZAID A, ABU-KHALAF N, MUDALAL S, et al. Differentiation between normal and white striped Turkey breasts by visible/near infrared spectroscopy and multivariate data analysis[J]. Food Science of Animal Resources, 2020, 40(1):96-105.

[28] WOLD J P, VEISETH-KENT E, HØST V, et al. Rapid on-line detection and grading of wooden breast myopathy in chicken fillets by near-infrared spectroscopy[J]. PLoS One, 2017, 12(3): e0173384.

[29] WOLD J P, MÅGE I, LØVLAND A, et al. Near-infrared spectroscopy detects woody breast syndrome in chicken fillets by the markers protein content and degree of water binding[J]. Poultry Science, 2019, 98(1):480-490.

[30] GERONIMO B C, MASTELINI S M, CARVALHO R H, et al. Computer vision system and near-infrared spectroscopy for identification and classification of chicken with wooden breast, and physicochemical and technological characterization[J]. Infrared Physics &Technology, 2019, 96:303-310.

[31] LI Z, WU L, YANG Z Y, et al. Improved identification and classification accuracy of wooden breast by jointly using near-infrared spectroscopy and compression speed[J]. Food Research International, 2022, 161:111795.

[32] DE CARVALHO L M, MADRUGA M S, ESTÉVEZ M, et al. Occurrence of wooden breast and white striping in Brazilian slaughtering plants and use of near-infrared spectroscopy and multivariate analysis to identify affected chicken breasts[J]. Journal of Food Science, 2020, 85(10):3102-3112.

[33] SERVA L, MARCHESINI G, CULLERE M, et al. Testing two NIRs instruments to predict chicken breast meat quality and exploiting machine learning approaches to discriminate among genotypes and presence of myopathies[J]. Food Control, 2023, 144:109391.

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

[35] CHEN K, SUN X, QIN C, et al. Color grading of beef fat by using computer vision and support vector machine[J]. Computers and Electronics in Agriculture, 2010, 70(1):27-32.

[36] CHMIEL M,

M, DASIEWICZ K. Lightness of the color measured by computer image analysis as a factor for assessing the quality of pork meat[J]. Meat Science, 2011, 88(3):566-570.

[37] CARVALHO L, PÉREZ PALACIOS T, CABALLERO D, et al. Computer vision techniques on magnetic resonance images for the non-destructive classification and quality prediction of chicken breasts affected by the white-striping myopathy[J]. Journal of Food Engineering, 2021, 306:110633.

[38] KATO T, MASTELINI S M, CAMPOS G F C, et al. White striping degree assessment using computer vision system and consumer acceptance test[J]. Asian-Australasian Journal of Animal Sciences, 2019, 32(7):1015-1026.

[39] YOON S C, BOWKER B C, ZHUANG H, et al. Development of imaging system for online detection of chicken meat with wooden breast condition[J]. Sensors, 2022, 22(3):1036.

[40] CALDAS-CUEVA J P, MAUROMOUSTAKOS A, SUN X, et al. Detection of woody breast condition in commercial broiler carcasses using image analysis[J]. Poultry Science, 2021, 100(4):100977.

[41] SUN X, MAYNARD C J, CALDAS-CUEVA J P, et al. Use of image analysis to evaluate morphometric measurements of broiler breast fillets affected by the woody breast condition[J]. Journal of Food Science and Technology, 2022, 59(11):4457-4465.

[42] YANG Y, WANG W, ZHUANG H, et al. Evaluation of broiler breast fillets with the woody breast condition using expressible fluid measurement combined with deep learning algorithm[J]. Journal of Food Engineering, 2021, 288:110133.

[43] YOON S C, BOWKER B C, ZHUANG H. Toward a fusion of optical coherence tomography and hyperspectral imaging for poultry meat quality assessment[J]. Electronic Imaging, 2016, 28(14):1-5.

[44] BOWKER B, ZHUANG H, YOON S C, et al. Relationships between attributes of woody breast and white striping myopathies in commercially processed broiler breast meat[J]. Journal of Applied Poultry Research, 2019, 28(2):490-496.

[45] KOBAYASHI K I, MORI M, NISHINO K, et al. Visualisation of fat and fatty acid distribution in beef using a set of filters based on near infrared spectroscopy[J]. Journal of Near Infrared Spectroscopy, 2012, 20(5):509-519.

[46] 张慧娥, 叶萍, 李光, 等. 高光谱成像技术在医药领域中的应用进展研究[J]. 药物分析杂志, 2021, 41(8):1360-1367. ZHANG H E, YE P, LI G, et al. Research on application progress of hyperspectral imaging technology in medical field[J]. Chinese Journal of Pharmaceutical Analysis, 2021, 41(8):1360-1367.

[47] LU B, DAO P D, LIU J G, et al. Recent advances of hyperspectral imaging technology and applications in agriculture[J]. Remote Sensing, 2020, 12(16): 2659.

[48] RYAN J, DAVIS C, TUFILLARO N, et al. Application of the hyperspectral imager for the coastal ocean to phytoplankton ecology studies in Monterey Bay, CA, USA[J]. Remote Sensing, 2014, 6(2):1007-1025.

[49] 姜洪喆, 蒋雪松, 杨一, 等. 肉类掺杂掺假的高光谱成像检测研究进展[J]. 食品与发酵工业, 2021, 47(6):300-305. JIANG H Z, JIANG X S, YANG Y, et al. The progress of the detection of meats adulteration using hyperspectral imaging[J]. Food and Fermentation Industries, 2021, 47(6):300-305.

[50] 刘魁武, 成芳, 林宏建, 等. 可见/近红外光谱检测冷鲜猪肉中的脂肪、蛋白质和水分含量[J]. 光谱学与光谱分析, 2009, 29(1):102-105. LIU K W, CHENG F, LIN H J, et al. Visible/NIR analysis of fat, protein and water in chilled pork[J]. Spectroscopy and Spectral Analysis, 2009, 29(1):102-105.

[51] 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.

[52] 于洋, 张珏, 田海清, 等. 基于高光谱成像技术的冷鲜羊肉嫩度检测方法研究[J]. 中国农业科技导报, 2021, 23(12):101-108. YU Y, ZHANG J, TIAN H Q, et al. Detection method for tenderness of chilled fresh lamb based on hyperspectral imaging technology[J]. Journal of Agricultural Science and Technology, 2021, 23(12):101-108.

[53] JIANG H Z, RU Y, CHEN Q, et al. Near-infrared hyperspectral imaging for detection and visualization of offal adulteration in ground pork[J]. Spectrochimica Acta. Part A, Molecular and Biomolecular Spectroscopy, 2021, 249:119307.

[54] JIANG H Z, YOON S C, ZHUANG H, et al. Integration of spectral and textural features of visible and near-infrared hyperspectral imaging for differentiating between normal and white striping broiler breast meat[J]. Spectrochimica Acta. Part A, Molecular and Biomolecular Spectroscopy, 2019, 213:118-126.

[55] MOREY A, SMITH A E, GARNER L J, et al. Application of bioelectrical impedance analysis to detect broiler breast filets affected with woody breast myopathy[J]. Frontiers in Physiology, 2020, 11:808.

[56] SIDDIQUE A, HERRON C B, VALENTA J, et al. Classification and feature extraction using supervised and unsupervised machine learning approach for broiler woody breast myopathy detection[J]. Foods, 2022, 11(20):3270.

[57] PANG B, BOWKER B, ZHANG J, et al. Prediction of water holding capacity in intact broiler breast fillets affected by the woody breast condition using time-domain NMR[J]. Food Control, 2020, 118:107391.

[58] PANG B, BOWKER B, XUE C H, et al. Evaluation of visible spectroscopy and low-field nuclear magnetic resonance techniques for screening the presence of defects in broiler breast fillets[J]. Food Control, 2023, 144:109386.

[59] C

NSOLO N R B, BARBOSA L C G S, MORAES T B, et al. Using TD-NMR relaxometry to assess the effects of diet type and stocking rate on the incidence and degree of severity of myopathies in broilers[J]. Microchemical Journal, 2022, 181:107745.

[60] SUN X, YOU J J, DONG Y, et al. Low-field NMR analysis of chicken patties prepared with woody breast meat and implications to meat quality[J]. Foods, 2021, 10(10):2499.

[61] 孙啸, 刘浩鲁, 陈彩蓉, 等. 基于特征参量的肉鸡木质肉在线检测方法[J]. 农业机械学报, 2017, 48(6):284-289. SUN X, LIU H L, CHEN C R, et al. On-line detection method of raw woody breast based on characteristic parameter[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(6):284-289.