基于近红外高光谱技术快速检测冷鲜猪肉酸价

何鸿举1,2,3*,王魏1,王洋洋1,马汉军1,2,陈复生3,朱明明1,赵圣明1,康壮丽1

1(河南科技学院 食品学院,河南 新乡,453003)2(河南科技学院博士后研发基地,河南 新乡,453003)3(河南工业大学 粮油食品学院,河南 郑州,450001)

摘 要 基于近红外(near infrared,NIR)高光谱成像技术(900~1 700 nm)对0~4 ℃冷藏条件下猪肉的酸价变化进行快速无损检测研究。通过采集新鲜猪肉样品的高光谱图像,提取图像中感兴趣区域内的反射光谱信息,再经移动平均值平滑、卷积平滑、中值滤波平滑、高斯滤波平滑、标准化校正、多元散射校正、基线校正、标准正态变量变换等8种方式预处理原始光谱(raw extracted spectra,RAW),利用偏最小二乘(partial least squares,PLS)算法建立酸价预测模型。结果显示,基于RAW光谱(rP=0.824,RMSEP=0.594 mg/g)和BC光谱(rP=0.825,RMSEP=0.587 mg/g)构建的全波段PLS模型(RAW-PLS和BC-PLS)预测酸价效果较好。使用回归系数法(regression coefficient,RC)和连续投影算法筛选最优波长优化模型。结果显示,基于RC法从RAW光谱中筛选的28个最优波长构建的RAW-RC-PLS模型预测猪肉酸价效果最好(rP=0.846,RMSEP=0.569 mg/g)。研究表明,利用NIR高光谱成像技术构建PLS模型可潜在实现猪肉酸价的快速无损评价。

关键词 高光谱成像技术;酸价;偏最小二乘;回归系数;连续投影算法

DOI:10.13995/j.cnki.11-1802/ts.023489

引用格式: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 Hongju, WANG Wei, WANG Yangyang, 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.

第一作者:博士,教授(本文通讯作者,E-mail:hongju_he007@126.com)

基金项目:河南省科技攻关项目(182102310060);河南省重大科技专项项目(161100110600);中国博士后科学基金(2018M632767);河南省青年人才托举工程项目(2018HYTP008);河南省博士后科研项目(001801021);河南科技学院高层次人才引进项目(2015015);河南科技学院重大科研培育项目(2016ZD03)

收稿日期:2020-02-03,改回日期:2020-02-14

NIR hyperspectral imaging technology for rapid detection of acid value in fresh chilled pork

HE Hongju1,2,3*,WANG Wei1,WANG Yangyang1,MA Hanjun1,2,CHEN Fusheng3,ZHU Mingming1,ZHAO Shengming1,KANG Zhuangli1

1(School of Food Science, Henan Institute of Science and Technology, Xinxiang 453003, China) 2(Postdoctoral Research Base, Henan Institute of Science and Technology, Xinxiang 453003, China) 3(College of Grain, Oil and Food, Henan University of Technology, Zhengzhou 450001, China)

ABSTRACT The aim of this study was to detect acid value of pork stored at 0-4 ℃ by using near infrared (NIR) hyperspectral technique (900-1 700 nm) in a rapid and nondestructive way. The hyperspectral images of pork samples were collected, and the reflectance spectral information within the region of interest of the images was extracted. Then eight methods including moving average smoothing (MAS), Savitzky Golay convolution smoothing (SGCS), median filtering smoothing (MFS), Gaussian filter smoothing (GFS), normalization correction (NC), multiplicative scatter correction (MSC), baseline correction (BC) and standard normal variate (SNV) were applied to preprocess the raw extracted spectra. Partial least squares (PLS) algorithm was used to establish the model for predicting the acid value of pork. The results showed that the full-band PLS models based on the raw spectra and BC spectra had better performance in prediction of acid value, with rP of 0.824, RMSEP of 0.594 mg/g in RAW-PLS model and rP of 0.825, RMSEP of 0.587 mg/g in BC-PLS model. Regression coefficient method (RC) and successive projections algorithm (SPA) were used to select the optimal wavelengths for PLS model optimization. The results showed that the RAW-RC-PLS model built with 28 optimal wavelengths selected from raw spectra by RC method had best prediction performance, resulting in rP of 0.846 and RMSEP of 0.569 mg/g. The whole study indicated that it is potential to realize the rapid and nondestructive detection of acid value of pork by NIR hyperspectral imaging technology.

Key words hyperspectral imaging technology; acid value; partial least squares; regression coefficient; successive projections algorithm

冷鲜肉在低温控制下经过较充分的解僵、软化和成熟过程,肉质更细嫩,滋味更鲜美,营养价值更高,已成为我国猪肉消费主流[1-4]。但猪肉富含蛋白质和脂肪,且水分含量较高,易发生缓慢水解而产生游离脂肪酸,其含量用酸价来表示[5-7]。一般而言,酸价越低,其安全性越高。酸价略微升高对人体健康并无碍,但若发生严重氧化时产生的醛酮类化合物会导致人体肠胃不适,损伤肝脏。冷鲜猪肉的酸价已被作为肉品品质监管和安全监管的重要技术参数之一,准确预测其含量尤为重要[8-11]

目前测定酸价的方法主要有冷溶剂指示剂滴定法、冷溶剂自动电位滴定法及热乙醇指示剂滴定法[12]。这些方法虽测量精确,但检测费用高、操作繁琐、破坏样品且试剂消耗量大,容易对环境造成一定污染,难以满足现代社会对食品安全检测技术工业化大批量的快速、实时、现场检测的要求。

高光谱成像技术运用大量窄而连续波段的高精度影像数据,通过光谱信息的细微变化,反映被测样品的相关信息,操作简便、数据运算速度快、测试重现度高,是近年来发展迅速的一项非破坏性、及时性、精确度高的光电检测技术,在食品检测方面的研究应用颇受关注[13-17]。近年来,高光谱技术研究猪肉品质的报道较多,但目前主要涉及猪肉的物理属性、化学成分等方面,如色泽[18]、嫩度[19]、水分[20]、蛋白质[21]、TVB-N[22]、肉品掺假[23]等方面。然而,使用高光谱技术对猪肉的酸价进行预测评估的相关报道较少。鉴于高光谱成像技术快速检测的优势,本试验尝试探索基于近红外(near infrared,NIR)高光谱数据构建高精度预测模型,以期为在线、快速、无接触测定猪肉酸价提供方法借鉴和数据支撑。

1 材料与方法

1.1 材料与仪器

原材料:五花肉(脂肪含量在23%~46%),新乡市世纪华联超市双汇冷鲜肉专柜提供。

主要试剂:石油醚,天津市欣宽化工有限公司;乙醚-异丙醇混合液(体积比1∶1),实验室现配现用;0.1 mol/L NaOH标准溶液,实验室配制;蒸馏水,实验室自制;95%乙醇,天津市德恩化学试剂有限公司;酚酞指示剂,实验室现配现用。

主要仪器:推扫式高光谱成像系统(HSI-eNIR-XC130),台湾五铃光电科技有限公司;旋转蒸发仪(YRE-52A),巩义予华仪器有限公司;组织破碎机(JFSD-100),上海嘉定粮油仪器有限公司;电子分析天平(TLE204E/02),梅特勒-托利多(上海)有限公司;冰箱(BCD-539WDCO),青岛海尔集团。

1.2 实验方法

1.2.1 样品预处理

将新鲜的油脂含量较多的五花肉,经去皮、修整后分割成3 cm×3 cm×1 cm的小立方体块,共获得147个样品。随后把样品分装至一次性带盖保鲜盒中,标记、编号,置于0~4 ℃温度下,每天取出样品约11个,进行后续高光谱数据采集和测定酸价。

1.2.2 采集高光谱数据

高光谱数据采集之前,将待测样品从冰箱中取出,待其温度恢复至室温,同时启动近红外高光谱系统预热30 min,系统采用3 900-ER光源,待其稳定后打开系统自带软件Spectral Image-NIR设定参数:扫描速度6.55 mm/s,曝光时间4.60 ms,镜头扫描范围75~175 mm,波长扫描范围900~1 700 nm。然后将待测样品置于高光谱系统的载物台上,扫描获取样品的高光谱图像。为降低光源和仪器暗电流对高光谱数据的影响,需同时采集黑色图像和白色图像信息,并在系统自带软件HSI Analyzer中进行图像校正,获得校正图像。最后从校正图像的感兴趣区域中提取每个像素点的光谱信息并做平均,具体操作方法参照王慧等[24]的研究。

1.2.3 测定猪肉酸价

根据GB 5009.229—2016食品安全国家标准 食品中酸价的测定中冷溶剂指示剂滴定法测定样品中酸价。

1.2.4 光谱数据预处理

为了减小因测量条件、光散射、电噪音等造成的不良影响,提高预测模型精度,本试验采用移动平均值平滑(moving average smoothing,MAS)、S-G卷积平滑(Savitzky Golay convolution smoothing,SGCS)、中值滤波平滑(median filtering smoothing,MFS)、高斯滤波平滑(Gaussian filter smoothing,GFS)、标准化校正(normalization correction,NC)、多元散射校正(multiplicative scatter correction,MSC)、基线校正(baseline correction,BC)、标准正态变量校正(standard normal variable correction,SNV)等8种方法预处理原始光谱。其中,MAS可对选取点进行平均,剔除数据变化异常的点,实现曲线平滑;SGCS可有效消除基线漂移、倾斜等噪声,对变化陡的曲线也有较好的平滑效果;MFS可去除密集噪声点对光谱信息的影响;GFS常用于消除高斯噪声干扰;NC用于光谱曲线的标准化,提高求解精度;MSC常用于校正样品中颗粒物质的散射影响;BC可以有效抑制基线漂移的现象;SNV主要用来消除样品表面散射和光程变化对光谱漫反射的影响[25-28]

1.2.5 模型的建立及评价

本试验以酸价的测量值为因变量,以波长信息为自变量,基于偏最小二乘(partial least squares,PLS)算法构建光谱信息与酸价之间的定量关系,即模型构建。通过校正相关系数(rC)、校正均方根误差(root mean square error of calibration,RMSEC)、交叉验证相关系数(rCV)、交叉验证均方根误差(root mean square error of cross validation,RMSECV)、预测相关系数(rP)、预测均方根误差(root mean square error of prediction,RMSEP)、鲁棒性(ΔE)、剩余预测偏差(residual predictive deviation,RPD)等指标评价PLS模型性能的优劣[29-32]。其中r越接近于1、均方根误差(root mean squared error,RMSE)越接近于0、ΔE越小、RPD越大,模型的精度、稳定性和预测效果越好。

1.2.6 最优波长的筛选及模型优化

全波段光谱数据量庞大,常隐含冗余信息,将影响模型的运算速度和预测效率,因此有必要筛选最优波长。本试验采用回归系数法(regression coefficients,RC)[33]和连续投影算法(successive projections algorithm,SPA)[34-35]筛选最优波长,并以最优波长为输入变量重新构建PLS预测模型。

1.3 数据处理

PLS模型构建和RC法筛选最优波长在Unscrambler 9.7软件(挪威CAMO公司)中进行。SPA法筛选最优波长在MATLAB 2016a软件(美国Mathworks公司)中进行。

2 结果与分析

2.1 猪肉酸价的测定结果

把测得的147个猪肉样品的酸价从小到大依次排列,每3个测量值中随机取1个(1/3)选入预测集,剩余的(2/3)选入校正集,结果如表1所示。

表1 校正集和预测集酸价结果统计
Table 1 Statistics of measurement results of acid value in calibration set and prediction set

样品集样品数最小值最大值平均值标准差校正集980.474.791.4860.998预测集490.514.621.4900.993

2.2 猪肉样品的光谱特征

将全部样品的原始光谱经过8种预处理后获得光谱特征如图1所示。在900~1 700 nm,不管经过哪种预处理,试验样品的光谱曲线总体走势基本一致。光谱曲线呈高低分布,这与样品化学成分中的各种含氢基团(包括O—H、N—H、C—H等)的运动有关[36-37]。在-980、-1 200和-1 450 nm处分别有明显的吸收峰,这源于O—H的倍频吸收和合频吸收。尽管没有出现反映猪肉酸价的吸收信息,但通过挖掘光谱信息,可以揭示出酸价参考值和近红外光谱数据之间的相关性。

2.3 基于全波段光谱构建PLS模型预测酸价结果

本试验基于8种预处理的486个全波段波长,构建全波段PLS模型预测猪肉酸价,结果如表2所示。

由表2可知,基于RAW光谱数据和8种预处理光谱数据构建的PLS模型预测猪肉酸价结果相近,rP为0.792~0.824,RMSEP为0.587~0.649 mg/g,RPD为1.536~1.694,ΔE为0.301~0.376 mg/g。综合比较而言,RAW-PLS模型和BC-PLS模型具有更好的预测精度和鲁棒性,其rP分别为0.824、0.825,RMSEP分别为0.594 mg/g、0.587 mg/g,RPD分别为1.669、1.694,ΔE分别为0.308 mg/g、0.306 mg/g,预测猪肉酸价效果更好。后续波长筛选及模型优化也仅采用RAW光谱和BC光谱。

2.4 最优波长的选择

使用RC和SPA法筛选最优波长,结果如表3和图2、图3所示。由表3可知,经筛选波长后,波长数量由原来的486个减少至17~29个,波长数量减少了94%~97%。

a-原始光谱;b-MAS光谱;c-SGCS光谱;d-MFS光谱;e-GFS光谱;f-NC光谱;g-MSC光谱;h-BC光谱;i-SNV光谱
图1 猪肉样品的平均反射光谱曲线
Fig.1 Average spectral reflection curve of pork samples

表2 全波段PLS模型预测猪肉酸价结果
Table 2 Full waveband PLS models for predicting acid value in pork samples

光谱模型波长数潜变量校正集交叉验证集预测集rCRMSEC/(mg·g-1)rCVRMSECV/(mg·g-1)rpRMSEP/(mg·g-1)RPDΔE/(mg·g-1)RAWRAW-PLS486140.9580.2860.8990.4420.8240.5941.6690.308MASMAS-PLS486140.9520.3050.8950.4490.8080.6151.6260.310SGCSSGCG-PLS486140.9500.3110.8930.4540.8090.6121.6400301MFSMFS-PLS486140.9540.2980.8990.4410.8090.6121.6280.314GFSGFS-PLS486140.9570.2880.8990.4420.8150.6091.6330.322NCNC-PLS486150.9620.2720.9040.4300.7920.6481.5360.376MSCMSC-PLS486140.9570.2890.8960.4480.7920.6471.5370.358BCBC-PLS486150.9590.2820.9000.4390.8250.5871.6940.306SNVSNV-PLS486130.9510.3070.8830.4730.7930.6451.5420.337

表3 筛选最优波长结果比较
Table 3 Comparison of optimal wavelengths selected by RC and SPA methods

光谱筛选方法总波长数最优波长数波长减少量RAWRC4862894%SPA4861797%BCRC4862994%SPA4861996%

使用RC法从RAW光谱中筛选出28个最优波长具体如图2所示,分别为905.5、920.3、926.9、930.2、933.5、945.0、953.2、964.8、976.3、1 005.9、1 019.1、1 043.7、1 063.5、1 114.5、1 132.6、1 142.4、1 170.4、1 211.5、1 358.0、1 386.0、1 392.6、1 440.4、1 448.6、1 650.2、1 670.1、1 683.4、1 691.6和1 696.6 nm。

图2 RC法从RAW光谱中筛选最优波长结果
Fig.2 Optimal wavelengths selected from RAW spectra by RC method

使用SPA法从RAW光谱中筛选出17个最优波长,具体如图3所示,分别为900.5、902.2、907.1、910.4、917.0、918.7、926.9、931.8、935.1、1 081.6、1 211.5、1 228.0、1 321.8、1 371.2、1 409.1、1 683.4和1 686.7 nm。

使用RC法从BC光谱中筛选出29个最优波长,具体如图4所示,分别为905.5、920.3、925.2、933.5、938.4、945.0、964.8、982.9、1 005.9、1 017.4、1 065.1、1 114.5、1 150.7、1 170.4、1 211.5、1 254.3、1 274.0、1 392.6、1 427.2、1 438.7、1 448.6、1 465.1、1 509.7、1 569.1、1 600.6、1 675.1、1 685.0、1 691.6和1 696.6 nm。

使用SPA法从BC光谱中筛选出19个最优波长,具体如图5所示,分别为900.5、902.2、907.1、912.1、918.7、923.6、926.9、930.2、958.2、1 206.6、1 325.0、1 395.9、1 409.1、1 418.9、1 432.1、1 438.7、1 465.1、1 691.6和1 695.0 nm。

a-最优波长具体位置;b-最优波长个数
图3 SPA法从RAW光谱中筛选最优波长结果
Fig.3 Optimal wavelengths selected from RAW spectra by SPA method

图4 RC法从BC光谱中筛选最优波长结果
Fig.4 Optimal wavelengths selected from BC spectra by RC method

a-最优波长具体位置;b-最优波长个数
图5 SPA法从BC光谱中筛选最优波长结果
Fig.5 Optimal wavelengths selected from BC spectra by SPA method

2.5 基于最优波长构建PLS模型预测酸价结果

基于RC和SPA法筛选出的最优波长,构建PLS模型预测猪肉酸价,结果如表4所示。

表4 基于最优波长的PLS模型预测酸价结果
Table 4 PLS models for predicting acid value in pork samples based on optimal wavelengths

筛选方法模型波长数浅变量校正集交叉验证集预测集rCRMSEC/(mg·g-1)rCVRMSECV/(mg·g-1)rpRMSEP/(mg·g-1)RPDΔE/(mg·g-1)RCRAW-RC-PLS28170.9570.2890.9290.3740.8460.5691.8310.280SPARAW-SPA-PLS1770.8770.4800.8180.5800.7670.6741.4710.194RCBC-RC-PLS29170.9620.2720.9350.3580.7340.7731.3480.501SPABC-SPA-PLS19180.9410.3380.9050.4280.6800.8701.1640.532

由表4可知,基于最优波长构建的PLS模型预测猪肉酸价结果不同,其中RAW-RC-PLS模型相关系数r较大,均方根误差较小,鲁棒性较好,RPD最大,总体预测能力更强(rP=0.846、RMSEP=0.569 mg/g、RPD=1.831、ΔE=0.280 mg/g)。与基于RAW光谱的RAW-PLS模型相比较,RAW-RC-PLS模型预测猪肉酸价性能有所提高。

表5 基于最优波长的MLR模型预测酸价结果
Table 5 MLR models for predicting acid value in pork samples based on optimal wavelengths

筛选方法模型波长数校正集交叉验证集预测集rCRMSEC/(mg·g-1)rCVRMSECV/(mg·g-1)rpRMSEP/(mg·g-1)RPDΔE/(mg·g-1)RCRAW-RC-MLR280.9610.2750.9240.3810.8280.6211.7190.346SPARAW-SPA-MLR170.9140.4050.8690.4990.7740.6661.4860.261RCBC-RC-MLR290.9680.2510.9360.3500.7430.7801.3440.529SPABC-SPA-MLR190.9410.3380.9040.4260.6790.8731.1600.535

2.6 基于最优波长构建MLR模型预测酸价结果

全波段光谱经过筛选后,最优波长数量小于样品数量,可使用多元线性回归(multiple linear regression,MLR)构建模型预测相关指标[38-39]。本试验利用MLR构建模型预测猪肉酸价,结果如表5所示。

由表5可知,基于最优波长构建的MLR模型预测猪肉酸价结果不同,其中RAW-RC-MLR相关系数r较大,均方根误差较小,鲁棒性较好,RPD最大,总体预测性能更好(rP=0.828、RMSEP=0.621 mg/g、RPD=1.719、ΔE=0.346 mg/g)。与基于RAW光谱的RAW-PLS模型相比较,RAW-RC-MLR模型预测猪肉酸价性能略好。与基于RAW光谱的RAW-RC-PLS模型相比较,RAW-RC-MLR模型预测猪肉酸价性能略差。综合比较,基于RAW光谱中筛选的28个最优波长构建的RAW-RC-PLS模型预测猪肉酸价效果更好,具体性能表现如图6所示。

a-建模结果;b-预测结果
图6 RAW-RC-PLS模型预测性能
Fig.6 The performance of RAW-RC-PLS model

3 结论

本试验研究基于NIR高光谱成像技术(900~1 700 nm)快速无损检测0~4 ℃冷藏条件下猪肉的酸价。通过8种方法(MAS、SGCS、MFS、GFS、NC、MSC、BC、SNV)预处理光谱信息后,构建基于光谱信息的PLS模型预测猪肉样品酸价。结果显示基于RAW光谱和BC光谱构建的RAW-PLS模型(rP=0.824、RMSEP=0.594 mg/g、RPD=1.669、ΔE=0.308 mg/g)和BC-PLS模型(rP=0.825、RMSEP=0.587 mg/g、RPD=1.694、ΔE=0.306 mg/g)预测猪肉酸价效果更好。经RC和SPA法筛选最优波长进行模型优化,结果显示基于RC法从RAW光谱中筛选的28个最优波长(905.5、920.3、926.9、930.2、933.5、945.0、953.2、964.8、976.3、1 005.9、1 019.1、1 043.7、1 063.5、1 114.5、1 132.6、1 142.4、1 170.4、1 211.5、1 358.0、1 386.0、1 392.6、1 440.4、1 448.6、1 650.2、1 670.1、1 683.4、1 691.6和1 696.6 nm)构建的RAW-RC-PLS模型预测猪肉酸价效果更好(rP=0.846、RMSEP=0.569 mg/g、RPD=1.831、ΔE=0.280 mg/g)。尽管如此,模型的整体预测性能还有待提高,这可能与取样数量、光谱数据分析方法、人为操作误差等因素有关,后续试验将进一步探索完善高光谱技术的检测精度。总体而言,基于近红外高光谱成像技术快速监测猪肉酸价具有很大潜力。

参考文献

[1] 赵娟红. 基于蛋白质组学分析不同贮藏温度下猪肉的品质变化机制[D]. 长沙:中南林业科技大学, 2019.

[2] 何鸿举, 王魏, 王慧, 等. 基于近红外光谱技术的生鲜猪肉质量检测研究进展[J]. 食品工业科技, 2019, 40(10): 360-368.

[3] 李莹, 张伟敏, 黄海珠, 等. 国内外猪肉质量快速无损检测技术的研究进展[J]. 食品研究与开发, 2017, 38(20): 208-213.

[4] 齐亮, 赵婕, 赵茂程. 冷鲜猪肉的新鲜度无损检测技术现状及THz检测技术展望[J]. 食品与机械, 2016,32(9): 219-224.

[5] 张雨晴, 李颖, 白婷婷, 等. 大连市售鲅鱼干化学及微生物指标分析[J]. 食品研究与开发, 2019, 40(7): 137-143.

[6] 黄琪评. 基于光谱成像技术的猪肉品质检测研究[D]. 镇江: 江苏大学, 2016.

[7] 张海云, 彭彦昆, 王伟, 等. 生鲜猪肉主要品质参数无损在线检测系统[J]. 农业机械学报, 2013, 44(4): 146-151.

[8] 王文秀, 彭彦昆, 徐田锋, 等. 双波段光谱融合的猪肉多品质参数同时检测方法研究[J]. 光谱学与光谱分析, 2016, 36(12): 4 001-4 005.

[9] SCHMUTZLER M, BEGANOVIC A, BÖHLER G, et al. Methods for detection of pork adulteration in veal product based on FT-NIR spectroscopy for laboratory, industrial and on-site analysis[J]. Food Control, 2015, 57: 258-267.

[10] 孙宏伟, 彭彦昆, 林琬. 便携式生鲜猪肉多品质参数同时检测装置研发[J]. 农业工程学报, 2015, 31(20): 268-273.

[11] 刘媛媛, 彭彦昆, 王文秀, 等. 基于偏最小二乘投影的可见/近红外光谱猪肉综合品质分类[J]. 农业工程学报, 2014, 30(23): 306-313.

[12] 刘芳, 王超, 杨菊, 等. 油脂酸价和过氧化值检测方法的研究进展[J]. 食品安全质量检测学报, 2019, 10(14): 4 478-4 482.

[13] 白亚斌, 刘友华, 丁崇毅, 等. 基于高光谱技术的牛肉-猪肉掺假检测[J]. 海南师范大学学报(自然科学版), 2015, 28(3): 270-273.

[14] HE H, SUN D, WU D. Rapid and real-time prediction of lactic acid bacteria (LAB) in farmed salmon flesh using near-infrared (NIR) hyperspectral imaging combined with chemometric analysis[J]. Food Research International, 2014, 62: 476-483.

[15] 刘友华, 白亚斌, 邱祝福, 等. 基于高光谱图像技术和波长选择方法的羊肉掺假检测方法研究[J]. 海南师范大学学报(自然科学版), 2015, 28(3): 265-269.

[16] HE H, WU D, SUN D. 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.

[17] ZHAO H, FENG Y, CHEN W, et al. Application of invasive weed optimization and least square support vector machine for prediction of beef adulteration with spoiled beef based on visible near-infrared (Vis-NIR) hyperspectral imaging[J]. Meat Science, 2019, 151: 75-81.

[18] BALAGE J M, SILVAS D L E, GOMIDE C A, et al. Predicting pork quality using Vis/NIR spectroscopy[J]. Meat Science, 2015, 108: 37-43.

[19] BARBIN D F, VALOUS N A, SUN D. Tenderness prediction in porcine longissimus dorsi muscles using instrumental measurements along with NIR hyperspectral and computer vision imagery[J]. Innovative Food Science & Emerging Technologies, 2013, 20: 335-342.

[20] LI W, LIN M, ZHANG Y. Application of wavelet transform and neural network in near infrared spectroscopy analysis in pork[C]. Harbin: Sixth International Conference on Instrumentation & Measurement, Computer, Communication and Control (IMCCC), 2016.

[21] 林岩, 郭培源, 王昕琨. 基于近红外光谱的猪肉蛋白质及脂肪含量检测[J]. 食品科技, 2014, 39(2): 262-266.

[22] HUANG Q, CHEN Q, LI H, et al. Non-destructively sensing pork’s freshness indicator using near infrared multispectral imaging technique[J]. Journal of Food Engineering, 2015, 154: 69-75.

[23] MA J, SUN D, NICOLAI B, et al. Comparison of spectral properties of three hyperspectral imaging (HSI) sensors in evaluating main chemical compositions of cured pork[J]. Journal of Food Engineering, 2019, 261: 100-108.

[24] 王慧, 何鸿举, 张海曼, 等. 高光谱成像技术快速预测冷鲜鸡胸肉的嫩度[J]. 海南师范大学学报(自然科学版), 2018, 31(2): 164-170.

[25] CHENG W, SØRENSEN K M, ENGELSEN S B, et al. Lipid oxidation degree of pork meat during frozen storage investigated by near-infrared hyperspectral imaging: Effect of ice crystal growth and distribution[J]. Journal of Food Engineering, 2019, 263: 311-319.

[26] 张雷蕾, 李永玉, 彭彦昆, 等. 基于高光谱成像技术的猪肉新鲜度评价[J]. 农业工程学报, 2012, 28(7): 254-259.

[27] 何鸿举,王玉玲,乔红,等. 基于长波近红外光谱快速无接触评估小麦籽粒含水率[J]. 海南师范大学学报(自然科学版),2019,32(1):26-32.

[28] SHAN J, WANG X, RUSSEL M, et al. Comparisons of fish morphology for fresh and frozen-thawed crucian carp quality assessment by hyperspectral imaging technology[J]. Food Analytical Methods, 2018, 11(6): 1 701-1 710.

[29] JIANG H, WANG W, ZHUANG H, et al. Hyperspectral imaging for a rapid detection and visualization of duck meat adulteration in beef[J]. Food Analytical Methods, 2019, 12(10): 2 205-2 215.

[30] 何鸿举,王玉玲,乔红,等. NIR光谱法快速预测小麦籽粒干物质含量[J]. 海南师范大学学报(自然科学版),2019,32(1):33-38.

[31] 王文秀, 彭彦昆, 刘媛媛. 基于近红外光谱的猪肉新鲜度无损检测方法的改进[J]. 食品安全质量检测学报, 2015, 6(8): 3 007-3 013.

[32] WIEDEMAIR V, DE BIASIO M, LEITNER R, et al. Application of design of experiment for detection of meat fraud with a portable near-infrared spectrometer[J]. Current Analytical Chemistry, 2018, 14(1): 58-67.

[33] 张世芝, 胡树青, 张明锦. 基于回归系数的变量筛选方法用于近红外光谱分析[J]. 计算机与应用化学, 2012, 29(2): 227-230.

[34] 孙旭东, 郝勇, 蔡丽君, 等. 基于抽取和连续投影算法的可见近红外光谱变量筛选[J]. 光谱学与光谱分析, 2011, 31(9): 2 399-2 402.

[35] HE H, WU D, SUN D. Potential of hyperspectral imaging combined with chemometric analysis for assessing and visualising tenderness distribution in raw farmed salmon fillets[J]. Journal of Food Engineering, 2014, 126: 156-164.

[36] HE H, WU D, SUN D. 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.

[37] LPEZ-MAESTRESALAS A, INSAUSTI K, JAREN C, et al. Detection of minced lamb and beef fraud using NIR spectroscopy[J]. Food Control, 2019, 98: 465-473.

[38] 汪希伟. 基于光谱成像的猪肉新鲜度检测方法[D]. 南京: 南京林业大学, 2014.

[39] HUANG H, LIU L, NGADI M O. Quantitative evaluation of pork marbling score along Longissimus thoracis using NIR images of rib end[J]. Biosystems Engineering, 2017, 164: 147-156.