肉类是人类膳食中重要的动物性食品来源,为人体提供必需的优质蛋白质、维生素、矿物质等营养素,对肌肉修复、生长发育、伤口愈合及血糖调节具有重要作用[1]。随着社会经济不断发展和生活水平持续提升,消费者对肉类品质的关注度日益增强。现代肉类工业对产品质量控制与安全保障提出了更高要求。因此,在供应链中实现可靠的肉类品质检测至关重要。准确获取肉类品质信息,不仅为制定科学的加工策略提供了数据支撑,也有助于优化生产流程与精细化储存管理。

肉类品质需依据感官特性(色泽、风味、质地)、理化特性(保水性、pH值、脂肪酸、蛋白质、总脂质)、卫生安全指标(微生物、残留物、腐败产物)等多维度属性进行综合评价[2]。其中,传统肉类评估方法主要依赖感官评价、物理和化学分析。感官评价通过评价员对肉品外观、气味、口感与质地进行主观判定,存在主观性强、耗时长、评估者间一致性低等局限[3];物理分析侧重于色泽、保水性、pH值及组织结构等参数的测定;化学分析则通过检测蛋白质、脂肪、氨基酸及矿物质等成分以评估品质。尽管理化分析是检测肉类品质的有效手段,但存在操作复杂、耗时、样本通量低、破坏性强、试剂耗材成本高且产生有害废物等问题[4],难以适应现代肉类工业的高通量和实时检测要求。因此,开发无损、快速且准确的检测技术,对实现肉类品质控制与安全保障具有重要意义。与传统方法相比,光谱与成像技术能够在生产过程中实现关键品质指标的实时、无损检测,在不损坏样品的前提下显著提高检测效率与准确性。可见近红外光谱、拉曼光谱、荧光光谱和太赫兹光谱等技术,已在肉类感官特性、理化性质及卫生安全指标的测定中展现出广泛的应用潜力。这些光谱技术通常具备单点检测与成像检测2种模式,单点模式适用于局部化学成分的快速定量分析,而成像模式则能够同步获取样本的空间分布信息,实现成分可视化与异质性评估,从而有效克服样本不均匀性对检测结果的干扰。结合化学计量学方法对光谱及图像数据进行建模与分析,可进一步实现肉类品质的精准、无损检测与分类。与光谱技术不同,X射线成像技术主要基于物质对X射线的吸收率差异,可用于检测肉品的形态和内部结构信息。热成像技术则通过捕获物体表面的红外辐射生成温度分布图像,能够反映肉品在冷却、贮藏或加工过程中的热特性变化,常用于评估冷却均匀性、检测微生物污染区域及识别变质部位。图1展示了不同光谱和成像技术在肉类品质无损检测中的应用。

本文系统综述了近年来应用于肉类品质检测的可见近红外光谱、拉曼光谱、荧光光谱、太赫兹光谱、X射线成像和热成像检测技术,重点阐述其基本原理、应用现状、技术特点及现存挑战,详细总结了上述技术在各类肉类品质评估中的典型案例,并展望了未来发展趋势。

1 可见近红外光谱与成像检测技术

可见近红外光谱(visible near-infrared spectroscopy,Vis/NIRS)技术的检测原理基于肉类在不同波长光照射下所产生的内在响应。其可见光波段(400～780 nm)主要捕获由电子跃迁决定的颜色与色素信息;而近红外波段(780～2 500 nm)则对应于肉类中含氢基团(脂肪中的C—H键、蛋白质中的N—H键和水中的O—H键)对近红外光产生的倍频与合频吸收。通过测量样品对光的吸收、反射或透射特性,Vis-NIRS技术能够实现对肉类水分、脂肪、蛋白质等化学成分的定性与定量分析。该技术主要包括单点式检测和成像式检测2种模式。单点光谱技术主要获取样品局部区域在近红外波段的高分辨率光谱信息,适用于化学成分的定量分析,但无法提供成分的空间分布信息。相比之下,光谱成像技术可同时捕获可见至近红外波段的空间维度与连续光谱维度信息,生成包含2个空间维和1个光谱维的三维“数据立方体”,从而具备化学成分识别与分布可视化的能力。然而,该技术也面临数据量大、处理流程复杂等挑战。

1.1 单点式近红外光谱检测技术

单点式NIRS技术是目前研究和应用最广泛的肉类无损检测技术之一。该技术通过结合化学计量学与深度学习方法,建立光谱数据与目标品质参数之间的关联模型,从而实现对肉类品质的定性与定量分析。典型的单点近红外光谱检测系统及其数据分析流程如图2所示,主要包括光谱采集、数据预处理、多元校正、模型构建与验证等步骤[5]。

建模方法是决定NIRS技术预测精度的关键。通常首先需借助预处理方法对采集的光谱数据进行处理,以消除冗余信息,进而利用不同算法构建预测模型[6]。建模完成后,需依据模型性能评价指标筛选最优的建模方法[7]。其中,决定系数(coefficient of determination,R2)和均方根误差(root mean square error of the prediction,RMSE)是最常用的评价指标。训练集和预测集的R2值越接近1,RMSE值越低,表明模型的预测性能越优[8]。VELOSO TRPIA等[9]使用近红外光谱构建偏最小二乘回归(partial least squares regression,PLSR)模型,实现了牛肉胴体肌肉品质的预测。为降低光谱冗余信息对检测结果的影响,BAILES等[10]采用主成分分析(principal component analysis,PCA)对近红外光谱进行数据降维,进而建立PLSR模型成功预测了冻干牛肉与羊肉的肌内脂肪和蛋白质含量,且结果表明动物年龄和肉类部位对预测模型的精度没有显著影响。然而,PLSR属于线性模型,难以捕捉光谱与目标性质间的非线性关系。为此,LI等[11]采用遗传算法(genetic algorithm,GA)筛选近红外光谱中的关键特征波长,并基于极限学习机(extreme learning machine,ELM)建立了预测鸡肉糜凝胶强度的定量模型,预测集的和RMSEP分别达到了0.877 2和124.848 g·mm,验证了非线性模型在处理复杂光谱信号方面的优势。

目前,单点式NIRS在实际应用中仍存在一定局限性。一方面,为维持预测精度,模型需针对不同批次、种类的肉品进行更新迭代,导致建模成本较高。另一方面,工业环境中的干扰因素,如光散射、温度波动、密度与粒度变化以及光学噪声等,易导致光谱基线漂移[12],影响模型的稳健性和现场适用性。

1.2 可见近红外高光谱成像检测技术

高光谱成像(hyperspectral imaging,HSI)技术是一种融合光谱分析与数字成像的光电检测方法[13],其核心优势在于能够同步获取目标的空间维度和光谱维度信息[14],形成包含丰富细节的“空间-光谱信息立方体”。在肉类品质检测领域,HSI技术主要应用其可见光和近红外波段(约400～2 500 nm)。相较于单点式NIRS技术通常仅能获取样品局部的光谱信息,HSI技术的“图谱合一”特性使其兼具连续多波段、高光谱分辨率以及空间分辨能力优势。HSI技术既能利用图像数据检测肉类的颜色、纹理、形态和缺陷等外部特性,又能通过光谱数据评估其化学成分、水分、脂肪、蛋白质含量、新鲜度等内部特性。因此,HIS技术能精准获取不规则样本的化学成分、物理性质及其空间分布信息[15],有效克服单点式NIRS技术在空间表征上的局限。典型的HSI系统主要由光源、镜头、成像光谱仪、样品固定/移动平台以及控制硬件采集、存储数据并运行分析软件的计算机系统组成(图3)。

然而,HSI所获取的三维数据具有体积大、维度高、波段间相关性强的特点,需依赖高效稳健的算法实现噪声抑制、特征波长提取与高精度建模[17]。KAMRUZZAMAN等[18]利用可见近红外高光谱成像(visible near-infrared hyperspectral imaging,VNIR-HSI,400～1 000 nm)技术检测牛肉末中的鸡肉掺假。建立了PLSR模型,成功实现了掺假水平的定量分析并生成了像素级的掺假空间分布图。类似地,BONAH等[19]也采用VNIR-HSI结合PLSR模型,对新鲜猪最长肌中的食源性致病菌污染进行了快速监测。何鸿举等[20]基于900～1 700 nm的近红外高光谱成像系统,实现了冷藏猪肉(0～4 ℃)酸价的无损检测。为了动态监测肉类储存过程中的品质变化,SIRIPATRAWAN等[21]将HSI技术与PLSR模型结合,通过建立高光谱数据与变质质量指数(deterioration quality index,DQI)的关联模型,动态监测了真空包装干腌香肠在储藏过程中的品质变化,并可视化展示了DQI的空间分布。随着深度学习技术的发展,CAMPOS等[22]提出了一种基于生成对抗网络(generative adversarial network,GAN)的新型半监督高光谱深度学习模型,利用改进的一维U-Net作为判别器,实现了生鸡胸肉片中异物的100%准确识别,显著提升了检测精度。

HSI技术在肉类品质检测中展现出广泛的应用潜力,包括感官属性预测、成分定量、污染物与异物检测以及微生物腐败监控等,有望显著提升质量控制的可靠性并增强消费者信心[23-25]。然而,该技术仍面临检测速度较慢、高维数据量大且处理复杂、光谱波段间冗余度高以及设备成本高昂等挑战。未来研究可侧重于开发低成本、高效的算法以实现有效数据降维,同时设计经济型硬件平台,从而为食品加工业的在线品质监控、过程优化及产品分级定价体系提供切实可行的技术支撑。

1.3 可见近红外多光谱成像检测技术

多光谱成像(multispectral imaging,MSI)检测技术通过利用从高光谱图像中筛选出的最优特征波长子集,显著降低了数据量和计算复杂度[26]。MSI系统可采集紫外至近红外范围(200～2 500 nm)内若干离散波段的光谱图像。这些波段能够针对被测肉品的特性进行选择,其图像信息可直接或间接反映肉品的品质属性[27]。传统MSI系统多采用滤光轮或液晶可调滤光片实现分光,但由于分时采集机制无法同步获取多波段图像,导致检测效率较低。近年来,通过将分色单元与成像传感器集成,发展出了可同步采集和多通道处理的新型紧凑式MSI系统,显著提高了实用性与运行效率。

MSI技术已应用于肉类腐败监测、掺假鉴别、营养评估、微生物分析及颜色嫩度测定等多个方面[28]。针对肉类部位分类,LI等[29]将MSI技术与机器学习方法结合,采用线性判别分析(linear discriminant analysis,LDA)、支持向量机(support vector machine,SVM)和随机森林(random forest,RF)等分类器实现了牛里脊、牛腩和牛腱的识别。结果表明,基于多模态特征融合的优化LDA分类器预测准确率超过90%。在新鲜度评估方面,OMWANGE等[30]通过采集可见和紫外波段的多光谱图像,结合PLSR模型实现了对5 ℃冷藏日本鲮鱼新鲜度的无损评估。针对肉类掺假检测,ROPODI等[31]研究了MSI技术检测牛肉中掺入马肉的可行性。结果表明,肉色变化会影响PLS-DA模型的性能,而SVM模型能够有效区分纯牛肉与新鲜掺入的马肉样本,分类准确率达95.31%。同时,MSI技术也被用于定量评估肉类中的微生物污染。TSAKANIKAS等[32]将MSI技术与支持向量回归(support vector regression,SVR)模型结合,成功预测了肉类储存过程中的微生物数量(R2=0.98)。

综上所述,高光谱与多光谱成像系统之间的数据规模差异直接影响计算效率。高光谱图像通常包含数百个连续狭窄的波段,而多光谱图像一般仅由数个至数十个离散宽波段组成。以常见的数据规模为例,在空间分辨率及图像尺寸相同的情况下,一幅高光谱影像往往具有200个以上波段,而多光谱影像通常只有10个左右波段,高光谱图像的整体数据量可达多光谱图像的20倍左右。这种显著的数据量差异导致高光谱成像在数据处理、特征提取和模型训练过程中面临更高的计算负荷和存储需求。因此,在相同硬件条件和算法框架下,高光谱数据的处理时间通常远多于多光谱数据,其计算效率通常也随之下降数个数量级。值得注意的是,实际效率还受到算法优化程度、并行计算能力以及是否采用特征降维等策略的影响,但数据维度的差异仍是决定计算效率的关键因素之一。

由于不同肉类具有独特的光谱响应,多光谱系统的波段组合常需根据具体应用进行优化,以获得最佳检测效果。可通过连续投影算法(successive projections algorithm,SPA)、遗传算法(genetic algorithm,GA)以及随机蛙跳(random frog,RF)等特征波段选择方法[16],从高光谱图像中筛选出与肉类关键品质指标高度相关的敏感波段。基于这些优选波段,可进一步开发专用于肉类品质检测的小型化、低成本多光谱传感器,并构建基于多特征数据融合的深度学习框架,从而显著提升检测速度,降低系统复杂度,推动肉类品质监测技术在工业化生产线上的实际应用。

2 拉曼光谱检测技术

拉曼光谱(Raman spectroscopy,RS)检测技术是一种基于光与物质相互作用的光谱分析方法。当单色激光照射样品分子时,光子与分子的振动、旋转或其他低频模式相互作用,绝大多数入射光子以与入射光相同的频率发生瑞利散射(也称为弹性散射),此过程中入射光能量和散射光能量不会改变;仅有极少数光子发生非弹性散射,即拉曼散射,产生与入射光频率不同的散射光。该频率差值称为拉曼位移,可反映分子能级结构信息,是表征化学成分和分子结构的有效指标[33-34]。不同物质因其结构差异表现出独特的拉曼特征峰,从而实现多种化学成分的定性与定量分析[35]。

2.1 单点式拉曼光谱检测技术

在肉类品质检测中,RS技术与近红外光谱技术相似,常受到噪声干扰,因此光谱预处理是提升模型性能的关键环节[36]。BERHE等[37]使用PCA方法对拉曼光谱进行数据降维并建立偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)模型,成功解析了肉类加工中加热温度、时长及储存时间之间的关系,对热处理肉制品终点温度的预测准确率达97.87%。ROBERT等[38]结合拉曼光谱与PCA、PLS-DA及SVM方法,实现了牛肉、羊肉与鹿肉的鉴别,其中PLS-DA模型对各种肉类的分类准确率均超80%。在肉类掺假检测方面,IQBAL等[39]制备了多批次纯牛肉丸及不同掺假比例的肉丸样本,分别采集其完整与切割状态的拉曼光谱,并基于PLS-DA模型对光谱数据进行解析,掺假样本的识别准确率最高达85%。此外,在监测肉类储存过程中的品质变化上,BAI等[40]将RS技术与化学计量学方法结合,构建了冷藏牛肉的脂质降解和储存时间的预测模型。结果表明,脂质降解与冷藏储存时长呈显著相关性,RS技术具备预测冷藏牛肉储存时间的能力。

2.2 拉曼成像检测技术

拉曼成像(Raman imaging,RI)检测技术是近年来迅速发展的一种空间分辨光谱方法,已在食品检测领域得到应用。与单点拉曼光谱仅能获取样品局部信息不同,RI技术可覆盖更大样本区域,同步采集光谱与空间信息,从而生成完整的拉曼图谱,实现化学成分的可视化[33]。根据扫描方式的不同,RI系统主要分为点扫描、线扫描和面扫描三类[33]。该技术已被应用于肉类异物检测及成分区分,尤其在骨组织识别方面展现出良好效果。SONG等[41]开发了一种基于RI的鱼刺检测方法,实现了不同深度鱼刺的可视化判别。该研究采用模糊粗糙集模型筛选出924～979 cm-1区间作为最优的拉曼特征波段,并建立支持向量数据描述分类模型,对鱼刺的识别准确率达到90.5%。此外,QIN等[42]搭建了一套线扫描拉曼成像平台,用于猪肩肉的成分分析。通过RI技术成功区分了骨骼、脂肪和瘦肉,表明该系统在成分可视化、空间分布及形态特征分析方面具备良好能力。

上述研究表明,拉曼光谱成像技术结合化学计量学方法能够有效评估肉类品质。未来研究可通过扩充样本数据库、深化光谱特征与品质指标之间的相关性分析,进一步降低肉类异质性和复杂成分对检测结果的干扰,从而提升预测模型的精度与稳健性[43]。

3 荧光光谱检测技术

荧光光谱(fluorescence spectroscopy,FS)检测技术是一种基于肉类荧光特性进行品质检测的方法。当样品中的荧光团分子受特定波长光激发后,其电子从基态跃迁至激发态,随后在返回基态过程中以发射荧光的方式释放能量[44]。通过解析这些荧光信号,FS技术能够获取生物基质中荧光团的组成与状态信息[45]。

FS技术在肉类鉴别分类[46]、储存[47]以及加工环境监测[48]等方面展现出良好的应用潜力。LIU等[49]发现牛肉中存在多种与品质相关的荧光物质,包括氨基酸、烟酰胺腺嘌呤二核苷酸、胶原蛋白、核黄素、脂溶性维生素、血红素、美拉德反应产物及席夫碱等。该研究通过采集牛肉脂肪组织的三维正面激发-发射矩阵(excitation-emission matrices,EEMs),结合平行因子分析(parallel factor analysis,PARAFAC)算法,将不同储存阶段的牛肉分为新鲜、可接受、变质3个类别,所建立模型的校准集和验证集的准确率分别为95.56%和93.33%。研究结果表明,FS技术具有无损监测牛肉品质劣变的潜力。BOUGHATTAS等[50]采用正面荧光光谱(front face fluorescence spectroscopy,FFFS)结合PCA及因子判别分析(factorial discriminant analysis,FDA),成功实现了金枪鱼罐头中主要鱼种(鲣鱼、黄鳍金枪鱼和大眼金枪鱼)的鉴别,证实了该技术作为在线筛查掺假工具的可行性。

CHENG等[51]则采用荧光高光谱成像(fluorescence hyperspectral imaging,F-HSI)技术同步获取猪肉的荧光光谱与空间信息,成功预测了猪肉的羰基和总巯基含量,从而判断猪肉在冻融过程中的蛋白质氧化程度。此外,F-HSI技术也可应用于肉类加工状态的监测,HASSOUN等[52]采集了不同烹饪温度(30、50、70 ℃)下鳕鱼鱼片的荧光光谱图像。构建PLSR模型用于预测光谱图像中每个像素对应的烹饪温度,并利用线性色标实现可视化,完成了鱼类热加工状态的分类。然而,FS技术也存在一定局限性。首先,该技术无法检测样本中的非荧光物质;其次,样本中多种荧光团可能导致光谱峰重叠,增加数据解析难度[53]。未来研究可致力于发展高分辨率荧光检测技术,并结合深度学习算法以提升对复杂多组分体系的光谱解析能力,从而拓展该技术在肉类品质多指标同步检测中的应用。

4 太赫兹光谱检测技术

太赫兹光谱(terahertz time-domain spectroscopy,THz-TDS)检测系统主要由超快飞秒激光器、分束装置、太赫兹接收器及时间迟延控制系统等部分组成。通过测量透射或反射太赫兹脉冲的振幅和相位信息,可无损获取样品的组分和结构特性[54]。相较于可见和近红外光谱,太赫兹波段波长更长,具有较强的穿透非极性材料及抗散射干扰的能力。同时,其光子能量远低于X射线,不会产生电离辐射,且对生物分子无破坏性,因此在食品无损检测中具有较高的安全优势。

太赫兹波对蛋白质、水、糖等极性分子的振动和转动能级跃迁高度敏感。肉类中水分含量在肌肉与脂肪组织间的显著差异,会导致其太赫兹吸收光谱出现特征性变化[55]。XIONG等[56]的研究表明,瘦肉组织因其高水分含量对太赫兹波表现出强吸收,而脂肪组织则因低水分含量呈现低衰减特性,这使得THz-TDS技术能够用于定量分析脂肪与瘦肉的比例。THz-TDS技术在微量有害物检测领域亦展现出潜力。WANG等[57]利用THz-TDS技术结合PLSR模型测量鸡肉中的盐酸金霉素和盐酸四环素含量,预测值与参考值之间的相关系数(correlation coefficient,r)均高于0.908 9。在异物检测方面,WANG等[58]综合运用典型太赫兹光谱特征分析、基于PCA与判别分析的光谱分类方法,以及一维扫描成像技术,有效识别并定位了香肠中的金属夹杂物。此外,太赫兹光谱对不同组织类型、肉品品种及品牌的鉴别能力,为打击肉类掺假提供了有力的技术支撑[59]。HU等[60]基于太赫兹光谱成像技术,探究了鱼肉中内源性异物(鱼刺)与外源性异物(金属、塑料、木签)的无损识别方法。通过竞争性自适应重加权采样并结合SVM模型,异物识别准确率达到99.56%,并借助图像二值化处理实现异物可视化定位。上述研究表明,THz-TDS技术可用于肉类品质的快速无损检测,为食品质量监控提供重要支持。

然而,当前THz-TDS系统普遍存在成本高昂、体积庞大及对环境稳定性要求严苛等限制因素。进口商用太赫兹光谱系统价格昂贵,通常可达百万元人民币量级,其应用目前仍主要集中于实验室研究阶段。为降低太赫兹系统的成本,研究者正致力于开发新型光源与集成化系统。一方面,基于自旋电子学的自旋太赫兹发射器利用铁磁/重金属异质结构,在飞秒激光激发下可产生宽谱太赫兹波,具有低成本、可定制等优势;另一方面,全光纤集成系统采用低成本多模激光器与光纤光路,取代昂贵的飞秒激光器与复杂自由空间光路,显著提升了系统的紧凑性、稳定性和实用性,更适用于工业现场与在线检测。

5 X射线成像检测技术

X射线是波长范围在0.01～10 nm、对应光子能量约0.1～120 keV的电磁辐射,具有较强的穿透能力。与其他电磁波类似,X射线在传播过程中会发生反射、折射、散射、干涉、衍射、偏振及吸收等现象。根据光子能量和波长的不同,X射线可分为能量≤10 keV、波长0.1～10 nm的软X射线和能量10～120 keV、波长0.01～0.1 nm的硬X射线。由于硬X射线具有较高的能量和更强的电离能力,可能对食品品质产生负面影响,因此应用于食品检测的X射线成像(X-ray imaging,XRI)技术主要使用穿透性适中且安全性相对更高的软X射线[61]。当软X射线穿透肉制品时,会被材料不同程度地吸收,其吸收程度主要取决于被穿透物质的密度和厚度。穿透后的射线强度变化反映了物体内部结构信息。探测器捕获透射的X射线并将其转换为电信号,最终生成灰度图像。在生成的图像中,异物或骨骼等吸收更多射线的高密度区域呈现较浅的灰度,而吸收较少射线的低密度区域则呈现较深的灰度,从而实现内部结构可视化及污染物识别。XRI检测系统主要由X射线发生器、探测器、传送带、步进电机、图像采集卡和计算机组成[62]。

XRI技术能够无损地解析物体内部结构信息,已被应用于评估肉类瘦肉率[63]和肌内脂肪含量[64]等内部成分指标。GARDNER等[65]对607只羔羊胴体采用双能X射线吸收测定法(dual-energy X-ray absorptiometry,DXA),精准量化了脂肪、瘦肉及骨骼比例。LPEZ-CAMPOS等[66]将DXA与PLSR模型结合,实现了对牛肉胴体主要部位脂肪、瘦肉及骨骼比例的预测。这些研究证实了XRI技术在可视化和量化肉类内部组成方面的潜力。该技术可用于量化分析肉类脂肪层和瘦肉层的厚度,为后续胴体分级提供数据支撑。XRI技术的工作原理基于物质对X射线的吸收差异,这一特性使其在检测内部组织分布和识别高密度异物方面具有显著优势。然而,对于毛发、纸屑及塑料制品等密度与水接近(约1 g/cm3)的污染物[67],由于它们与周围肌肉组织或水的X射线吸收差异很小,因此难以在图像中形成有效对比,从而被可靠识别。

6 热成像检测技术

热成像(thermal imaging,TI)检测技术基于任何温度高于绝对零度的物体都会持续向外发射红外辐射的特性。典型的TI系统包含红外摄像机以及配套的信号和图像处理单元。红外摄像机利用探测器阵列捕获目标物体表面发射的红外辐射,并将辐射信号转换为电信号,最终生成可视化的单色或彩色热图像。由于物体在红外波段的辐射功率与其表面温度的四次方成正比,因此微小的温度变化会引起显著的辐射强度改变。通过精确校准,TI系统能够将探测器接收到的辐射强度信息转化为对应的温度值,并以不同颜色或灰度在图像上表示不同温度区域,从而直观描绘出物体表面的空间温度分布特征,为其物理化学特性的进一步分析提供了基础[68]。热成像技术可分为被动式(检测对象自身热辐射)与主动式(需外部热激励)2种方法。主动热成像需通过预热处理以诱发与品质差异对应的表面温差,从而增强图像对比度,提升检测精度[69]。然而,该处理可能干扰肉品的自然物理状态,存在改变其组织结构和热力学特性的风险,甚至引起蛋白质变性或汁液流失,反而掩盖真实品质信息。因此,必须将预热温度与时间严格限制在肉品的热耐受范围内,在产生可识别热信号的同时,尽可能减少对样品原始状态的干扰,从而实现有效、可靠的检测。

在肉类加工环节,实时监控产品表面温度对评估质量安全与风味至关重要。传统热电偶、温度计等接触式测量方法存在交叉污染风险[70-71],而TI技术通过非接触、快速测量表面温度有效规避了这一问题。在肉类掺假检测方面,ZHENG等[72]利用TI技术和卷积神经网络(convolutional neural network,CNN)对掺杂猪肉的羊肉末进行分类和量化,最优CNN分类模型的准确率达到99.99%,且研究表明TI技术相较于高光谱成像和高效液相色谱法更具经济优势。WANG等[73]针对羊肉中掺入猪肉或鸭肉的掺假问题,提出了一种基于热成像与可见光成像协同检测的方法。通过彩色图像拼接、灰度图像拼接和灰度通道堆叠3种数据级融合策略将2种成像技术获取的温度分布与颜色纹理信息融合,并利用深度残差网络(ResNet-18)构建分类与预测模型。结果表明,基于彩色图像拼接的模型性能最优,对5种肉类的分类准确率达99.30%;预测猪肉掺假比例的和RMSEP分别为0.971 7和0.023 8%,预测鸭肉掺假比例的和RMSEP分别为0.961 6和0.027 7%,各项指标均显示该方法具有高精度和强泛化能力,验证了多模态成像融合策略在食品掺假筛查中的可行性。对于异物污染检测,TI技术的原理在于不同物质通常具有不同的红外发射率,即使处于相同环境温度下,也能在热图像中形成对比度差异,从而有助于区分异物与食品基质[74]。针对微生物污染检测,LIPISKA等[75]利用配备非制冷微测辐射热探测器的热像仪检测受枯草芽孢杆菌ATCC 6633污染的香肠。研究表明,污染微生物的代谢活动导致肉类局部温度变化,TI技术能够区分受污染样品(最小污染量106 CFU/g)和无菌样品,展现出其在微生物污染早期预警方面的潜力。

工业热成像检测技术的测量准确度易受复杂环境噪声的影响,其可靠性受到多因素制约[76]。环境热辐射、背景温度分布不均以及探测器自身的像素响应非均匀性,均可能引入显著的空间与时间噪声,导致测温偏差增大、图像质量下降,进而影响目标识别与特征提取的精度。在连续工业生产线中,传送带系统所形成的不均匀背景结构进一步加剧了噪声分离的难度。为抑制噪声并提高信噪比,需采取系统性的校正与处理措施。在探测器层面,应定期通过均匀温度面对成像系统进行校准,并借助图像差分方法补偿像元间响应差异。在图像处理层面,阈值分割、图像掩蔽、噪声滤波与无效像素校正等预处理技术可有效抑制冗余信息与结构性背景干扰;基于灰度共生矩阵的纹理特征提取与统计分析方法,也有助于提升感兴趣区域的辨识能力。在系统层面,需通过优化硬件设计以扩大动态范围与数据存储容量,并开发高效化学计量学方法以处理海量数据、消除信息冗余。进一步将热成像与多种光谱技术相融合,可实现对目标物态的多维度感知,增强在复杂工业场景下的监测能力。然而,此类集成技术也增加了样本表征、辐射源配制等方面的复杂性。表1总结了多种光谱和成像技术在肉类品质检测中的应用。

7 挑战和未来趋势

无损检测技术与先进数据分析方法相结合,已成功实现对猪肉、牛肉、羊肉等主流肉类品质的定性判别与定量预测。然而,实验室研究成果向规模化工业应用及消费端转化仍面临多重挑战。单点式光谱技术的发展受到实时自动化系统中计算速度、扫描时间以及传感器至样品距离等关键参数的制约。此外,复杂光照条件下的光谱校正、环境噪声的有效抑制、传感器与数据采集硬件成本的控制,以及海量光谱数据的实时处理与快速决策系统的构建,均是当前亟待解决的关键问题。KHALED等[89]指出,环境噪声或化学品意外污染等随机干扰会显著降低信噪比,从而影响检测结果的可靠性。成像技术产生的高维数据往往结构复杂,从中提取与目标肉类属性相关的有效信息仍存在效率偏低的问题。同时,现有图像处理算法在效率与精度方面尚难以满足食品工业高速流水线检测的严格要求,专用硬件集成度不足也进一步限制了整体分析的时效性。此外,较高的硬件成本也阻碍了成像技术的大范围推广。

当前肉类品质评估需综合考量感官特性(色泽、风味、质地)、理化特性(如保水性、pH值、脂肪酸组成、蛋白质和总脂质)以及卫生安全指标(微生物污染、药物残留、腐败产物)。然而,多数现有光谱与成像技术仅适用于特定指标的检测,难以通过单一技术同步获取多维度信息以实现对肉类品质的全面评价。通过开发高效的多源数据融合算法、构建一体化检测平台,并建立多指标协同预测模型,可显著提升检测的全面性和效率。尽管传统化学计量学方法在基于光谱和图像数据预测肉类品质指标方面已显示其有效性,但由于肉类品种、仪器配制和测量条件引起的数据变异,这些模型的泛化能力仍显不足。相比之下,深度学习凭借其强大的特征提取能力与灵活的数据融合结构,已成为提高预测精度与鲁棒性的重要工具。多模态深度学习框架能够协同整合来自不同传感器的异源数据,通过共享表示学习、跨模态特征对齐与融合机制,挖掘不同模态间的互补信息与深层关联,从而显著增强模型的感知能力、泛化性能与预测稳健性。典型技术架构包括基于CNN的特征提取与融合模型,可同时对空间纹理和光谱响应进行建模[90]。GAN常用于跨模态数据合成与增强,以缓解标注样本不足的问题[22]。而Transformer及其变体凭借序列建模与自注意力机制的优势,在多模态数据对齐与集成预测任务中表现突出,适用于复杂品质指标的无损评估[91]。这些方法不仅提升了在肉类新鲜度、成分分析和污染物检测等多类任务中的精度,也增强了模型在真实环境中的鲁棒性与可解释性。多模态融合技术正在成为推动肉类品质监测系统向全面、智能和可解释方向发展的关键因素。需注意的是,此类参数量大的多模态模型依赖于覆盖广泛品种、环境条件和仪器变异的大规模数据集,以避免过拟合。大规模数据有助于模型学习更具泛化能力的特征表示,减少因数据差异而需要的模型重训练。因此,推动高质量、开源肉类光谱与图像数据集的公开与共享,对加速数据驱动型深度学习方法的开发与验证、促进肉类无损检测领域的整体进步具有迫切意义。

随着光学传感、物联网、计算技术和人工智能的不断进步,检测设备成本预计逐渐降低,数据处理与分析能力将大幅提升,开发适用于肉类生产线的实时高效监测系统已成为必然趋势。同时,便携式光学检测设备因其能够实现快速现场检测,在现代肉类工业中具有广泛的应用潜力。目前该类设备的推广仍受限于体积、操作便利性和成本等因素。未来,随着微传感器技术的持续突破,便携设备的体积与成本有望进一步缩减。此外,将先进的微型光学传感器集成至智能手机等通用移动平台,并配套开发专业的肉类品质检测应用软件,将显著提升检测操作的便捷性与技术的普及度。

8 总结

在现代肉类工业中,无损检测技术对肉类品质评估与监控发挥着不可替代的作用。本文系统梳理了光谱与成像技术在肉类品质检测领域的研究进展、现存挑战与未来趋势。研究表明,通过融合化学计量学和深度学习方法,可见近红外光谱、拉曼光谱、荧光光谱、太赫兹光谱、X射线成像和热成像检测技术已成功应用于猪肉、牛肉、羊肉等主要肉类的品质评估,实现了多项品质指标的定性判别与定量预测。为加速研究成果向规模化工业应用的转化,可考虑集成多种检测技术构建一体化生产线,并开发多模态数据协同分析方法,以全面提升肉类品质的综合评估效能。同时,通过优化工业级传感器设计及集成轻量化算法以平衡成本与性能,将推动无损检测体系向高精度、低成本、智能化的方向升级。

参考文献

[1] XIONG Z J, SUN D W, PU H B, et al.Applications of emerging imaging techniques for meat quality and safety detection and evaluation:A review[J].Critical Reviews in Food Science and Nutrition, 2017, 57(4):755-768.

[2] PENG Y, DHAKAL S.Optical methods and techniques for meat quality inspection[J].Transactions of the Asabe, 2015, 58(5):1371-1386.

[3] BANERJEE R, TUDU B, BANDYOPADHYAY R, et al.A review on combined odor and taste sensor systems[J].Journal of Food Engineering, 2016, 190:10-21.

[4] POPHIWA P, WEBB E C, FRYLINCK L.A review of factors affecting goat meat quality and mitigating strategies[J].Small Ruminant Research, 2020, 183:106035.

[5] ZIADI A, MALDAGUE X, SAUCIER L, et al.Visible and near-infrared light transmission:A hybrid imaging method for non-destructive meat quality evaluation[J].Infrared Physics &Technology, 2012, 55(5):412-420.

[6] PAN W X, ZHAO J W, CHEN Q S.Classification of foodborne pathogens using near infrared (NIR) laser scatter imaging system with multivariate calibration[J].Scientific Reports, 2015, 5:9524.

[7] SZYMASKA E, GERRETZEN J, ENGEL J, et al.Chemometrics and qualitative analysis have a vibrant relationship[J].TrAC Trends in Analytical Chemistry, 2015, 69:34-51.

[8] CHEN Q S, ZHANG D L, PAN W X, et al.Recent developments of green analytical techniques in analysis of tea’s quality and nutrition[J].Trends in Food Science &Technology, 2015, 43(1):63-82.

[9] VELOSO TRPIA N, REIS VILELA R S, DE SALES SILVA F A, et al.Regression models from portable NIR spectra for predicting the carcass traits and meat quality of beef cattle[J].PLoS One, 2024, 19(5):e0303946.

[10] BAILES K L, MEYER R G, PILTZ J W.Prediction of the intramuscular fat and protein content of freeze-dried ground meat from cattle and sheep using near-infrared spectroscopy (NIRS)[J].International Journal of Food Science &Technology, 2022, 57(4):2249-2256.

[11] LI H H, NUNEKPEKU X, ZHANG W, et al.Quantitative prediction of minced chicken gel strength under ultrasonic treatment by NIR spectroscopy coupled with nonlinear chemometric tools evaluated using APaRPs[J].Food Chemistry, 2025, 463:141373.

[12] WANG W X, PENG Y K, SUN H W, et al.Spectral detection techniques for non-destructively monitoring the quality, safety, and classification of fresh red meat[J].Food Analytical Methods, 2018, 11(10):2707-2730.

[13] XIONG Z J, XIE A G, SUN D W, et al.Applications of hyperspectral imaging in chicken meat safety and quality detection and evaluation:A review[J].Critical Reviews in Food Science and Nutrition, 2015, 55(9):1287-1301.

[14] SHI Y Y, WANG X C, BORHAN M S, et al.A review on meat quality evaluation methods based on non-destructive computer vision and artificial intelligence technologies[J].Food Science of Animal Resources, 2021, 41(4):563-588.

[15] AHETO J H, HUANG X Y, TIAN X Y, et al.Combination of spectra and image information of hyperspectral imaging data for fast prediction of lipid oxidation attributes in pork meat[J].Journal of Food Process Engineering, 2019, 42(6):e13225.

[16] JO K, LEE S, JEONG S K C, et al.Hyperspectral imaging-based assessment of fresh meat quality:Progress and applications[J].Microchemical Journal, 2024, 197:109785.

[17] KUTSANEDZIE F Y H, GUO Z M, CHEN Q S.Advances in nondestructive methods for meat quality and safety monitoring[J].Food Reviews International, 2019, 35(6):536-562.

[18] KAMRUZZAMAN M, MAKINO Y, OSHITA S.Rapid and non-destructive detection of chicken adulteration in minced beef using visible near-infrared hyperspectral imaging and machine learning[J].Journal of Food Engineering, 2016, 170:8-15.

[19] BONAH E, HUANG X Y, AHETO J H, et al.Comparison of variable selection algorithms on vis-NIR hyperspectral imaging spectra for quantitative monitoring and visualization of bacterial foodborne pathogens in fresh pork muscles[J].Infrared Physics &Technology, 2020, 107:103327.

[20] 何鸿举, 王魏, 王洋洋, 等.基于近红外高光谱技术快速检测冷鲜猪肉酸价[J].食品与发酵工业, 2020, 46(10):264-270.HE H J, WANG W, WANG Y Y, et al.NIR hyperspectral imaging technology for rapid detection of acid value in fresh chilled pork[J].Food and Fermentation Industries, 2020, 46(10):264-270.

[21] SIRIPATRAWAN U.Hyperspectral imaging for rapid evaluation and visualization of quality deterioration index of vacuum packaged dry-cured sausages[J].Sensors and Actuators B:Chemical, 2018, 254:1025-1032.

[22] CAMPOS R L, YOON S C, CHUNG S, et al.Semisupervised deep learning for the detection of foreign materials on poultry meat with near-infrared hyperspectral imaging[J].Sensors, 2023, 23(16):7014.

[23] KHALED A Y, PARRISH C A, ADEDEJI A.Emerging nondestructive approaches for meat quality and safety evaluation:A review[J].Comprehensive Reviews in Food Science and Food Safety, 2021, 20(4):3438-3463.

[24] SHI Y, WANG Y Y, HU X T, et al.Nondestructive discrimination of analogous density foreign matter inside soy protein meat semi-finished products based on transmission hyperspectral imaging[J].Food Chemistry, 2023, 411:135431.

[25] YANG F Y, SUN J, CHENG J H, et al.Detection of starch in minced chicken meat based on hyperspectral imaging technique and transfer learning[J].Journal of Food Process Engineering, 2023, 46(4):e14304.

[26] SENDIN K, MANLEY M, WILLIAMS P J.Classification of white maize defects with multispectral imaging[J].Food Chemistry, 2018, 243:311-318.

[27] MA F, QIN H, ZHOU C L, et al.Rapid and non-destructive detection of iron porphyrin content in pork using multispectral imaging approach[J].Food Analytical Methods, 2016, 9(5):1180-1187.

[28] MA F, ZHANG B, WANG W, et al.Potential use of multispectral imaging technology to identify moisture content and water-holding capacity in cooked pork sausages[J].Journal of the Science of Food and Agriculture, 2018, 98(5):1832-1838.

[29] LI A, LI C X, GAO M Y, et al.Beef cut classification using multispectral imaging and machine learning method[J].Frontiers in Nutrition, 2021, 8:755007.

[30] OMWANGE K A, SAITO Y, HUANG Z C, et al.Evaluating Japanese Dace (Tribolodon hakonensis) fish freshness during storage using multispectral images from visible and UV excited fluorescence[J].LWT, 2021, 151:112207.

[31] ROPODI A I, PANAGOU E Z, NYCHAS G E.Multispectral imaging (MSI):A promising method for the detection of minced beef adulteration with horsemeat[J].Food Control, 2017, 73:57-63.

[32] TSAKANIKAS P, PAVLIDIS D, PANAGOU E, et al.Exploiting multispectral imaging for non-invasive contamination assessment and mapping of meat samples[J].Talanta, 2016, 161:606-614.

[33] YASEEN T, SUN D W, CHENG J H.Raman imaging for food quality and safety evaluation:Fundamentals and applications[J].Trends in Food Science &Technology, 2017, 62:177-189.

[34] EMBER K J I, HOEVE M A, MCAUGHTRIE S L, et al.Raman spectroscopy and regenerative medicine:A review[J].npj Regenerative Medicine, 2017, 2:12.

[35] QIU Z C, CHEN X T, XIE D L, et al.Identification and detection of frozen-thawed muscle foods based on spectroscopy and machine learning:A review[J].Trends in Food Science &Technology, 2025, 155:104797.

[36] ZHU J J, AGYEKUM A A, KUTSANEDZIE F Y H, et al.Qualitative and quantitative analysis of chlorpyrifos residues in tea by surface-enhanced Raman spectroscopy (SERS) combined with chemometric models[J].LWT, 2018, 97:760-769.

[37] BERHE D T, LAWAETZ A J, ENGELSEN S B, et al.Accurate determination of endpoint temperature of cooked meat after storage by Raman spectroscopy and chemometrics[J].Food Control, 2015, 52:119-125.

[38] ROBERT C, FRASER-MILLER S J, JESSEP W T, et al.Rapid discrimination of intact beef, venison and lamb meat using Raman spectroscopy[J].Food Chemistry, 2021, 343:128441.

[39] IQBAL Z, AFSETH N K, POSTELMANS A, et al.Detection and quantification of pork adulteration in beef meatballs with Raman spectroscopy and near infrared spectroscopy[J].Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy, 2025, 337:126069.

[40] BAI J, ZANG M W, ZOU H, et al.Prediction of the lipid degradation and storage time of chilled beef flank by using Raman spectroscopy and chemometrics[J].Food Analytical Methods, 2022, 15(8):2213-2223.

[41] SONG S Y, LIU Z F, HUANG M, et al.Detection of fish bones in fillets by Raman hyperspectral imaging technology[J].Journal of Food Engineering, 2020, 272:109808.

[42] QIN J W, KIM M S, CHAO K L, et al.Line-scan Raman imaging and spectroscopy platform for surface and subsurface evaluation of food safety and quality[J].Journal of Food Engineering, 2017, 198:17-27.

[43] 王新怡, 董鹏程, 罗欣, 等.拉曼光谱在肉品质预测与控制中的应用[J].食品与发酵工业, 2022, 48(24):294-302.WANG X Y, DONG P C, LUO X, et al.Application of Raman spectroscopy in meat quality prediction and control[J].Food and Fermentation Industries, 2022, 48(24):294-302.

[44] MOMIN A, KONDO N, AL RIZA D F, et al.A methodological review of fluorescence imaging for quality assessment of agricultural products[J].Agriculture, 2023, 13(7):1433.

[45] AHMAD M H, NACHE M, HINRICHS J, et al.Estimation of the nutritional parameters of various types of wheat flours using fluorescence spectroscopy and chemometrics[J].International Journal of Food Science &Technology, 2016, 51(5):1186-1194.

[46] KAROUI R, HASSOUN A, ETHUIN P.Front face fluorescence spectroscopy enables rapid differentiation of fresh and frozen-thawed sea bass (Dicentrarchus labrax) fillets[J].Journal of Food Engineering, 2017, 202:89-98.

[47] SAHAR A, RAHMAN U U, KONDJOYAN A, et al.Monitoring of thermal changes in meat by synchronous fluorescence spectroscopy[J].Journal of Food Engineering, 2016, 168:160-165.

[48] HASSOUN A, KAROUI R.Front-face fluorescence spectroscopy coupled with chemometric tools for monitoring fish freshness stored under different refrigerated conditions[J].Food Control, 2015, 54:240-249.

[49] LIU H, SAITO Y, AL RIZA D F, et al.Rapid evaluation of quality deterioration and freshness of beef during low temperature storage using three-dimensional fluorescence spectroscopy[J].Food Chemistry, 2019, 287:369-374.

[50] BOUGHATTAS F, LE FUR B, KAROUI R.Identification and quantification of tuna species in canned tunas with sunflower medium by means of a technique based on front face fluorescence spectroscopy (FFFS)[J].Food Control, 2019, 101:17-23.

[51] CHENG J H, SUN J, YAO K S, et al.Nondestructive detection and visualization of protein oxidation degree of frozen-thawed pork using fluorescence hyperspectral imaging[J].Meat Science, 2022, 194:108975.

[52] HASSOUN A, SAHAR A, LAKHAL L, et al.Fluorescence spectroscopy as a rapid and non-destructive method for monitoring quality and authenticity of fish and meat products:Impact of different preservation conditions[J].LWT, 2019, 103:279-292.

[53] ZOU X B, HUANG X W, POVEY M.Non-invasive sensing for food reassurance[J].The Analyst, 2016, 141(5):1587-1610.

[54] WANG Q, XIE L J, YING Y B.Overview of imaging methods based on terahertz time-domain spectroscopy[J].Applied Spectroscopy Reviews, 2022, 57(3):249-264.

[55] QI L, ZHAO M C, ZHAO J, et al.Preliminary investigation of Terahertz spectroscopy to predict pork freshness non-destructively[J].Food Science and Technology, 2019, 39(2):563-570.

[56] XIONG H T, SUN H Y, ZHOU J P, et al.Terahertz anisotropy in Fascia and lean meat tissues[J].Biomedical Optics Express, 2022, 13(5):2605.

[57] WANG Y M, WANG Q, ZHAO Z S, et al.Rapid qualitative and quantitative analysis of chlortetracycline hydrochloride and tetracycline hydrochloride in environmental samples based on terahertz frequency-domain spectroscopy[J].Talanta, 2018, 190:284-291.

[58] WANG C, ZHOU R Y, HUANG Y X, et al.Terahertz spectroscopic imaging with discriminant analysis for detecting foreign materials among sausages[J].Food Control, 2019, 97:100-104.

[59] 杨少壮, 李灿, 李辰, 等.基于太赫兹光谱分析技术的肉类鉴别[J].食品与发酵工业, 2021, 47(11):227-235.YANG S Z, LI C, LI C, et al.Study of meat identification based on terahertz spectroscopy[J].Food and Fermentation Industries, 2021, 47(11):227-235.

[60] HU J, ZHAN C H, SHI H Y, et al.Rapid non-destructive detection of foreign bodies in fish based on terahertz imaging and spectroscopy[J].Infrared Physics &Technology, 2023, 131:104448.

[61] TAKAHARA A, HIGAKI Y, HIRAI T, et al.Application of synchrotron radiation X-ray scattering and spectroscopy to soft matter[J].Polymers, 2020, 12(7):1624.

[62] CHEN Q S, ZHANG C J, ZHAO J W, et al.Recent advances in emerging imaging techniques for non-destructive detection of food quality and safety[J].TrAC Trends in Analytical Chemistry, 2013, 52:261-274.

[63] BÖRGESON E, TAVAJOH S, LANGE S, et al.The challenges of assessing adiposity in a clinical setting[J].Nature Reviews Endocrinology, 2024, 20(10):615-626.

[64] ANDERSON F, COOK J, WILLIAMS A, et al.Computed tomography has improved precision for prediction of intramuscular fat percent in the M.longissimus thoracis et lumborum in cattle compared to manual grading[J].Meat Science, 2018, 145:425-430.

[65] GARDNER G E, STARLING S, CHARNLEY J, et al.Calibration of an on-line dual energy X-ray absorptiometer for estimating carcase composition in lamb at abattoir chain-speed[J].Meat Science, 2018, 144:91-99.

[66] LPEZ-CAMPOS , ROBERTS J C, LARSEN I L, et al.Rapid and non-destructive determination of lean fat and bone content in beef using dual energy X-ray absorptiometry[J].Meat Science, 2018, 146:140-146.

[67] SANCHEZ P D C, HASHIM N, SHAMSUDIN R, et al.Applications of imaging and spectroscopy techniques for non-destructive quality evaluation of potatoes and sweet potatoes:A review[J].Trends in Food Science &Technology, 2020, 96:208-221.

[68] YANG N, YUAN M F, WANG P, et al.Tea diseases detection based on fast infrared thermal image processing technology[J].Journal of the Science of Food and Agriculture, 2019, 99(7):3459-3466.

[69] MOHD ALI M, HASHIM N, AZIZ S A, et al.Emerging non-destructive thermal imaging technique coupled with chemometrics on quality and safety inspection in food and agriculture[J].Trends in Food Science &Technology, 2020, 105:176-185.

[70] KOR G, ICIER F.Thermal imaging during infrared final cooking of semi-processed cylindrical meat product[J].Infrared Physics &Technology, 2016, 79:242-251.

[71] ELSHAHAT S, WOODSIDE J V, MCKINLEY M C.Meat thermometer usage amongst European and North American consumers:A scoping review[J].Food Control, 2019, 106:106692.

[72] ZHENG M C, ZHANG Y X, GU J F, et al.Classification and quantification of minced mutton adulteration with pork using thermal imaging and convolutional neural network[J].Food Control, 2021, 126:108044.

[73] WANG S C, ZHU R G, HUANG Z T, et al.Synergetic application of thermal imaging and CCD imaging techniques to detect mutton adulteration based on data-level fusion and deep residual network[J].Meat Science, 2023, 204:109281.

[74] MOHD KHAIRI M T, IBRAHIM S, MD YUNUS M A, et al.Noninvasive techniques for detection of foreign bodies in food:A review[J].Journal of Food Process Engineering, 2018, 41(6):e12808.

[75] LIPISKA E, POBIEGA K, PIWOWAREK K, et al.Research on thermal imaging usage as a method for detecting Bacillus subtilis bacteria in mortadella[J].Applied Sciences, 2022, 12(21):11252.

[76] GOWEN A A, TIWARI B K, CULLEN P J, et al.Applications of thermal imaging in food quality and safety assessment[J].Trends in Food Science &Technology, 2010, 21(4):190-200.

[77] LI X X, WEI C H, LIANG B W.Near-infrared spectroscopy-based chilled fresh lamb quality detection using machine learning algorithms[J].Journal of Food Safety, 2024, 44(5):e13167.

[78] KIM H J, RYU J, KIM G, et al.Enhancement of non-destructive chicken freshness prediction using Vis/NIR spectroscopy through wavelength selection and data augmentation[J].LWT, 2025, 221:117602.

[79] MA J, PU H B, SUN D W.Predicting intramuscular fat content variations in boiled pork muscles by hyperspectral imaging using a novel spectral pre-processing technique[J].LWT, 2018, 94:119-128.

[80] YANG D, HE D D, LU A X, et al.Detection of the freshness state of cooked beef during storage using hyperspectral imaging[J].Applied Spectroscopy, 2017, 71(10):2286-2301.

[81] GOVARI M, GOUNADAKI A S, SKANDAMIS P N.Evaluation of microbiological quality of cooked or smoked turkey breast using Multispectral Imaging (MSI)[J].Food Control, 2025, 168:110964.

[82] SPYRELLI E D, OZCAN O, MOHAREB F, et al.Spoilage assessment of chicken breast fillets by means of Fourier transform infrared spectroscopy and multispectral image analysis[J].Current Research in Food Science, 2021, 4:121-131.

[83] LI H H, HARUNA S A, WANG Y, et al.Simultaneous quantification of deoxymyoglobin and oxymyoglobin in pork by Raman spectroscopy coupled with multivariate calibration[J].Food Chemistry, 2022, 372:131146.

[84] ZHUANG Q B, PENG Y K, NIE S, et al.Non-destructive detection of frozen pork freshness based on portable fluorescence spectroscopy[J].Journal of Food Composition and Analysis, 2023, 118:105175.

[85] SALEEM A, IMTIAZ A, YAQOOB S, et al.Integration of fluorescence spectroscopy along with mathematical modeling for rapid prediction of adulteration in cooked minced beef meat[J].Journal of Food Process Engineering, 2024, 47(12):e70003.

[86] REN Y Q, FU Y, SUN D W.Analyzing the effects of nonthermal pretreatments on the quality of microwave vacuum dehydrated beef using terahertz time-domain spectroscopy and near-infrared hyperspectral imaging[J].Food Chemistry, 2023, 428:136753.

[87] SEGURA J, AALHUS J L, PRIETO N, et al.Carcass and primal composition predictions using camera vision systems (CVS) and dual-energy X-ray absorptiometry (DXA) technologies on mature cows[J].Foods, 2021, 10(5):1118.

[88] CONNAUGHTON S L, WILLIAMS A, ANDERSON F, et al.Dual energy X-ray absorptiometry precisely and accurately predicts lamb carcass composition at abattoir chain speed across a range of phenotypic and genotypic variables[J].Animal, 2020, 14(10):2194-2202.

[89] KHALED A Y, ABD AZIZ S, BEJO S K, et al.Early detection of diseases in plant tissue using spectroscopy-applications and limitations[J].Applied Spectroscopy Reviews, 2018, 53(1):36-64.

[90] KHAN Z, YOON S C, BHANDARKAR S M.Deep learning model compression and hardware acceleration for high-performance foreign material detection on poultry meat using NIR hyperspectral imaging[J].Sensors, 2025, 25(3):970.

[91] GAO Z C, CHEN S S, HUANG J X, et al.Real-time quantitative detection of hydrocolloid adulteration in meat based on Swin Transformer and smartphone[J].Journal of Food Science, 2024, 89(7):4359-4371.

Recent advances in nondestructive detection of meat quality based on spectroscopy and imaging techniques

WANG Dachen1, WANG Zijie1, JIANG Yushan2, JIANG Xuesong1, JIANG Hongzhe1, ZHOU Hongping1, WANG Yingli2*

1(College of Mechanical and Electronic Engineering, Nanjing Forestry University, Nanjing 210037, China)
2(College of Engineering, Huazhong Agricultural University, Wuhan 430070, China)

ABSTRACT With the enhancement of consumers’ awareness of food quality and safety, nondestructive testing of meat quality has become an inevitable demand for the development of the modern meat industry.Spectroscopy and imaging technologies can rapidly and accurately assess the sensory characteristics, physicochemical properties, and hygiene and safety indicators of meat.This paper reviews the application of spectroscopy and imaging technologies in meat quality inspection, mainly introducing the theoretical basis, development status, current applications, advantages, and disadvantages of these technologies, and looks forward to the future development trends.Although these technologies have achieved remarkable results in laboratory environments, they still face challenges, including high costs, numerous interference factors in complex environments, and complex data analysis processes in industrial applications.In the future, multiple low-cost techniques can be integrated and combined with deep learning algorithms to improve the comprehensiveness and accuracy of detection, promoting their practical application in the meat industry.

Key words meat quality;nondestructive testing;spectroscopic technology;imaging technology

DOI：10.13995/j.cnki.11-1802/ts.044173

引用格式：王大臣,王子杰,姜雨珊,等.基于光谱和成像技术的肉类品质无损检测研究进展[J].食品与发酵工业,2026,52(11):404-415.WANG Dachen, WANG Zijie, JIANG Yushan, et al.Recent advances in nondestructive detection of meat quality based on spectroscopy and imaging techniques[J].Food and Fermentation Industries,2026,52(11):404-415.

第一作者：博士,讲师(王英力讲师为通信作者,E-mail:yingliwang@mail.hzau.edu.cn)

基金项目：江苏省普通高校自然科学研究资助项目(24KJB210014);江苏省自然科学基金项目(BK20240682);中央高校基本科研业务费专项资金资助项目(2662023GXQD001)

收稿日期：2025-08-08,改回日期:2025-09-17