朱啟兵， 肖 盼， 黃 敏， 尹 克

（1.江南大學，輕工過程先進控制教育部重點實驗室，江蘇 無錫214122；2.杭州電子科技大學，電子信息學院，浙江 杭州310018）

基于特征融合的豬肉新鮮度高光譜圖像檢測

朱啟兵1， 肖 盼1， 黃 敏1， 尹 克2

（1.江南大學，輕工過程先進控制教育部重點實驗室，江蘇 無錫214122；2.杭州電子科技大學，電子信息學院，浙江 杭州310018）

利用高光譜反射圖像技術(shù)研究了豬肉新鮮度的無損檢測。采集了180個豬肉樣本在400～1 000 nm范圍內(nèi)的高光譜反射圖像，提取了高光譜圖像的光譜均值和熵兩類特征；分別利用連續(xù)投影算法、主成分分析，以及連續(xù)投影算法結(jié)合主成分分析3種特征降維方法，提取了反映肉類新鮮度信息的重要特征變量；并建立了這些特征變量與揮發(fā)性鹽基氮（TVB-N）的最小二乘支持向量機（LSSVM）預測模型；在此基礎(chǔ)上提出了豬肉TVB-N含量的可視化檢測方法。研究結(jié)果表明：相比于單一特征模型，利用光譜均值和熵融合特征的LSSVM模型可顯著提高模型的準確度；連續(xù)投影算法結(jié)合主成分分析的特征降維方法，可顯著降低模型的復雜度，提高模型準確度。利用光譜均值和熵兩類特征，通過連續(xù)投影算法和主成分分析相結(jié)合的特征降維方法所建立的LSSVM預測模型，可取得最佳的預測準確度，其預測集的均方根誤差RMSEP為1.96，相關(guān)系數(shù)（RP）為0.948，剩余預測偏差（RPD）為3.12，可滿足實際檢測需要。建立在此基礎(chǔ)上的可視化方法，可直觀顯示肉類的腐敗區(qū)域和程度。

豬肉；高光譜圖像；揮發(fā)性鹽基氮；特征融合；特征降維；可視化檢測

肉類食品含有豐富的蛋白質(zhì)、脂肪、礦物質(zhì)等，可提供給人體豐富的營養(yǎng)物質(zhì)，是人類膳食結(jié)構(gòu)的重要組成部分。肉類產(chǎn)品在加工、包裝、貯藏、運輸?shù)拳h(huán)節(jié)易受到酶、微生物等作用，發(fā)生腐敗變質(zhì)。腐敗變質(zhì)的肉不僅營養(yǎng)價值和口感發(fā)生改變，甚至會產(chǎn)生有毒物質(zhì)，危害身體健康，引發(fā)食品安全事故。近年來，我國肉類產(chǎn)品的流通量和流通距離呈不斷增長的態(tài)勢，隨之而來的是不斷增大的肉類腐敗變質(zhì)風險，以及由此產(chǎn)生的食品安全事故。因此，迫切需要解決肉類新鮮度的快速無損檢測問題[1-2]。

根據(jù)國家鮮、凍畜禽肉的衛(wèi)生標準，對肉類新鮮度的評定主要采用感官指標與實驗室理化指標分析相結(jié)合的方法。感官指標檢測方法主要是人工對肉類的色澤、氣味等進行評價，具有快速性、現(xiàn)場性等特點；但感官指標檢測的準確性依賴于檢驗人員的經(jīng)驗，同時存在著主觀性、結(jié)果不宜量化的缺點。實驗室理化指標分析方法主要是針對肉類在腐敗過程中的物理化學指標的變化特性，通過測定某一相關(guān)指標的含量實現(xiàn)肉類新鮮度檢測的方法。目前主要有：pH值、揮發(fā)性鹽基氮（TVB-N）、三甲胺等指標測定方法[3]。上述方法通常都需要復雜的物理或化學預處理，存在操作步驟繁瑣、測定速度慢、破壞檢測樣品等缺點，無法滿足肉類新鮮度快速、無損檢測的要求。

肉類新鮮度無損檢測的準確度依賴于準確、全面地獲取反映肉類新鮮度的特征信息[4]。近年來，國內(nèi)外學者嘗試用機器視覺[5]、電子鼻[6]、近紅外光譜分析[7]、穩(wěn)態(tài)空間分辨光譜分析[8]、多傳感器融合[9]等技術(shù)進行肉類新鮮度的快速無損檢測。這些技術(shù)為肉類新鮮度快速無損檢測提供了新的途徑和思路。

近年來，具有光譜、圖像集成優(yōu)勢的高光譜圖像技術(shù)也被應用到肉類的新鮮度檢測中[10-11]。相比于機器視覺技術(shù)或光譜分析技術(shù)，高光譜圖像技術(shù)檢測的被測物既有圖像信息又有光譜信息，其圖像信息包含了被測物體的形態(tài)學特征以及豐富的光譜信息，可以反映被測物體的物理結(jié)構(gòu)、化學成分等。這些數(shù)據(jù)信息為肉類新鮮度的檢測提供了充分的信息保證。但是遺憾的是，在肉類新鮮度高光譜圖像檢測中，仍多是提取單一的光譜特征來構(gòu)建模型。這一方面浪費了高光譜圖像帶來的豐富信息；另一方面豬肉的腐敗變質(zhì)是一個復雜的過程，導致依賴于單一特征的評價模型在準確度及模型的魯棒性上無法滿足應用需求。

本論文作者從高光譜圖像的特征提取入手，通過對高光譜圖像中光譜特征、熵特征的充分提取，獲取反映肉類新鮮度的全面信息。同時針對多特征融合易產(chǎn)生的信息冗余，及隨之導致的模型過擬合問題，利用連續(xù)投影算法 （successive projections algorithm，SPA）、主成分分析 （principal component analysis，PCA）等方法對波段（特征）信息進行降維處理，降低了特征信息的冗余復雜度。研究結(jié)果表明：相比于光譜、熵等單一特征，基于多特征融合的光譜圖像檢測方法，可顯著提高肉類新鮮度的檢測準確度。

1 材料與方法

1.1 實驗材料和高光譜圖像采集

實驗豬肉購自無錫天鵬食品城，將10條新鮮屠宰豬的里脊部位切割制作為186個長寬高為5 cm×4 cm×2.5 cm的樣本，每個樣本約50 g。用保鮮袋將樣本密封放置恒溫為4℃的冰箱內(nèi)保存。分別在第1—14和第17—20天每天取出10個樣本進行實驗；其余為第21天完成。需要說明的是：由于第11—14天的TVB-N值變化非常小，并且考慮到建模需要足夠多的腐敗樣本，因此第15、16天沒有進行實驗。實驗前，參照參考文獻[10]，去掉樣本外包裝，在空氣中暴露30 min，使表面水分蒸發(fā)后，開始采集高光譜圖像。

豬肉樣本的高光譜圖像采集，采用參考文獻[12]所示的高光譜圖像采集系統(tǒng)采集。相關(guān)實驗參量設(shè)置為：物距25 cm，空間分辨率0.15 mm，光譜像素進行倍數(shù)10的合并操作 （即實際的高光譜波段間隔為6.4 nm），曝光時間180 ms，運動平臺步長為80 μm。

對采集好高光譜圖像的豬肉樣本，立即通過半微量凱氏定氮法（GB/T5009.44－2003）測定其揮發(fā)性鹽基氮含量[13]，作為衡量肉類新鮮度的標準。

1.2 數(shù)據(jù)處理

1.2.1 高光譜圖像預處理為降低外界環(huán)境以及儀器噪音等帶來的影響，每采集5幅圖像做一次校正，即試驗前先采標準白板和全黑背景圖像，利用公式（1）進行校正：

1.2.2 特征提取對校正后的高光譜圖像進行圖像中值濾波、增強處理；基于波長600 nm處的圖像非常清晰，使用自動閾值分割方法在該波長下對每個豬肉樣本提取輪廓；在相應豬肉樣本的輪廓內(nèi)對每個波長下的圖像，提取熵和光譜特征。光譜的均值特征能反應出肉樣的內(nèi)部化學成分變化信息；而熵特征主要反映出紋理結(jié)構(gòu)、組織成分變化范圍及程度的均勻性。

光譜均值特征 A（s，t）mean和熵B（s，t）entropy的計算公式為：

為了進一步去除噪音，將提取特征后的光譜均值特征及熵特征數(shù)據(jù)進行5點平滑處理；并通過對均值特征和熵特征數(shù)據(jù)的綜合分析，剔除了6個奇異樣本，共保留180個樣本進行分析。

1.2.3 特征建模高光譜圖像特征與TVB-N之間存在著某種程度的非線性關(guān)系，作者采用最小二乘支持向量機（Least Squares Support Vector Machine，LSSVM）作為建模工具，具體建模方法參照文獻[14]進行?？紤]到利用多特征進行肉類新鮮度檢測時，會帶來的LSSVM過擬合風險，將SPA、PCA，以及它們的結(jié)合（先通過SPA對原始特征進行選擇，再利用PCA進行主成分提取，簡記為SPA+PCA）引入到肉類新鮮度高光譜圖像檢測中，實現(xiàn)對高維原始特征的降維，達到降低LSSVM過擬合風險，提高檢測準確度的目的。

1.2.4 模型性能評價本文中主要通過比較測試集中預測值與標準值的相關(guān)系數(shù)（RP）、其均方根誤差（Root Mean Square Error for Prediction，RMSEP），以及剩余預測偏差 （Residual Prediction Deviation，RPD）的大小來判定模型的好壞。RP越大表示預測準確度越高，RMSEP越小說明預測值越準確。RPD反映模型的穩(wěn)健性，RPD越大，表示模型的穩(wěn)健性越高[15]。為了充分驗證模型的穩(wěn)定性與魯棒性，采用30次隨機仿真實驗，即每次實驗從去除奇異樣本后的180個樣本中隨機選擇3/4（135個）作為建模集建立預測模型，剩余樣本（45個）作為預測集；并將30次隨機抽樣的仿真平均結(jié)果作為依據(jù)。

2 結(jié)果與分析

2.1 TVB-N值隨時間的變化

按國家標準GB2722，TVB-N含量值[16]：TVB-N值小于15 mg/hg表示新鮮，大于15 mg/hg而小于25 mg/hg表示次新鮮，大于25 mg/hg表示腐敗。圖1給出了平均TVB-N含量隨儲存時間的變化關(guān)系。

從圖1中可以看出，TVB-N的含量隨儲存時間的增加呈遞增趨勢，其中第1—3天比較穩(wěn)定；第4—9天變化緩慢；第3—4天有顯著的變化，是因為前3 d保鮮袋內(nèi)有空氣，使假單細菌等有氧細菌增加，導致蛋白質(zhì)分解增加；第10—11天也有顯著的變化，是因為隨著保鮮袋內(nèi)現(xiàn)有空氣的消耗，有氧細菌減少，乳酸菌等無氧細菌此時達到高峰，導致蛋白質(zhì)分解速度加快。并且從圖1中可以看出，豬肉樣本在第4天且從第5天開始基本變?yōu)榇涡迈r，從第15天開始肉樣基本變腐敗[17-18]。

圖1 TVB-N值隨存儲時間的變化Fig.1 TVB-N values of different storage time

2.2 特征曲線的比較

圖2和圖3分別展現(xiàn)了第1天、第5天、第10天、第14天、第17天、第21天豬肉樣本高光譜圖像的均值特征曲線和熵特征曲線。其中每條特征曲線由每天所有特征曲線求平均后得到。

圖2 均值特征曲線Fig.2 Curve of mean feature

從圖2可見，在420、550、760 nm及980 nm附近都呈現(xiàn)了明顯的化學物質(zhì)吸收特性。其中420 nm附近為脫氧肌紅蛋白質(zhì)、氧合肌紅蛋白質(zhì)和高鐵肌紅蛋白質(zhì)的吸收峰值；560 nm附近為肌紅蛋白質(zhì)的氧化導致的吸收峰；760 nm附近為血紅蛋白質(zhì)以及肌紅蛋白質(zhì)的吸收峰；980 nm左右為水吸收峰[19-20]。而且從圖2還可以看出，相對反射光強值隨時間增加而變小。原因在于，隨著儲存時間的增加，肉體表面顏色變暗，并伴隨著肉體的腐敗糜爛，從而導致肉體表面的相對反射光強變小。

圖3 熵特征曲線Fig.3 Curve of entropy feature

從圖3中可以看出，熵值隨肉的儲存時間的增加呈變小趨勢。熵值越大說明肉的組織均勻性越好。在儲存的早期，肉的表面紋理結(jié)構(gòu)較均勻，熵值也較大；隨著時間的增加，豬肉樣本的腐敗由小的區(qū)域慢慢擴展，導致組織表面紋理的均勻性變差，從而使得熵值變小。而且從圖3還可以看出，分別在420 nm以及560 nm處出現(xiàn)了谷值，而在這兩處正好是圖2中肌紅蛋白質(zhì)的兩處吸收峰，由此說明隨著豬肉的腐敗，蛋白質(zhì)的加速分解，肌紅蛋白質(zhì)的變化呈現(xiàn)出極大的不均勻性。

2.3 在全波段條件下不同特征建模結(jié)果的比較

表1給出了光譜均值特征（Mean，M）、熵特征（Entropy，E）以及兩者融合特征 （Mean+Entropy，EM）的建模結(jié)果。從表1中可以看出，在全波段條件下，光譜均值特征的預測誤差RMSEP為3.15，要優(yōu)于熵特征的3.22?？赡艿脑蛟谟陟靥卣鞲资艿綄嶒灅悠凡课?、實驗時樣品排放密實情況等因素的較大影響。盡管利用光譜均值特征建立的預測模型準確度要高于熵值特征，但是其RPD也僅為1.94。當采用兩種特征融合方式后，預測誤差RMSEP降低到2.16，RPD提高到2.83，說明融合特征能夠彌補單一特征對肉類新鮮度表征能力的不足，可顯著提高肉類新鮮度的預測準確度。

表1 3個特征在4個模型下30次隨機的平均正確預測準確度Table 1 Average result of random 30 times for three features in four models

2.4 不同特征降維方式下建模結(jié)果的比較

由表1可知，對于單一特征，SPA特征選擇后的模型預測準確度和RPD有了一定程度的下降?？赡艿脑蛟谟赟PA在尋找最低限度冗余信息的變量時會降低信號的信噪比[21]。在特征較少時，由于單一特征缺少信息的互補作用，干擾信息對建模準確度的影響變得更為嚴重。而對于融合模型，其準確度和RPD得到了提高，說明融合特征在去除冗余特征后，兩種特征之間的互補作用仍然得到有效保留，減弱了干擾信息對模型性能的影響，提高了模型的預測能力和魯棒性。

由于PCA不僅能有效去除原始特征的冗余信息，還可以去除原始特征中的干擾信息。因此，相比于全波段LSSVM模型，無論是單一特征，還是融合特征，其建模準確度和RPD都得到了提高。需要說明的是，本文中PCA主成分數(shù)目的選擇依據(jù)主成分特征的貢獻率95%確定。

當采用SPA+PCA進行特征降維后，原始特征信息間的冗余性和干擾信息得到了進一步的壓縮抑制。相比于全波段、SPA、PCA模型，無論是單一特征，還是融合特征，其模型準確度最高。其RPD達到3.12，說明模型性能優(yōu)異，可以滿足實際應用需求。圖4為30次隨機實驗中其中一次結(jié)果的相關(guān)系數(shù)圖。結(jié)果表明：SPA篩選了少量的信息量豐富且具有代表性的特征變量，大大降低了特征變量信息的冗余度；利用PCA進一步降維去噪，提取特征變量的主成分進行分析，使模型的準確度及魯棒性進一步得到提升。

圖4 融合特征的預測模型結(jié)果Fig.4 Result of prediction model for fusion feature

2.5 豬肉新鮮度可視化檢測

考慮到肉類的腐敗變質(zhì)是一個從局部到整體發(fā)展的過程，可視化地識別肉樣的腐敗變質(zhì)部位及程度對于肉類新鮮度檢測具有重要意義。利用本文2.4節(jié)獲得的最佳模型，建立豬肉腐敗變質(zhì)部位及其程度的可視化圖形方法，即利用上述建模方法計算豬肉高光譜圖像每個像素點所對應的TVB-N含量值，然后用豬肉高光譜圖像每個像素點所得到的TVB-N含量值取代每個像素點的光強值，從而得到一幅由TVB-N含量值所構(gòu)成的圖像，如圖5所示。

圖5 不同存儲時間豬肉樣本新鮮度的可視化檢測結(jié)果Fig.5 Visual detection of freshness of pork samples at different storage time

圖5直觀地體現(xiàn)出豬肉樣本每個像素所對應點的腐敗程度，實現(xiàn)了基于特征融合的豬肉新鮮度的可視化檢測，分別展現(xiàn)了第1天、第5天、第10天、第14天、第17天、第21天的豬肉樣本新鮮度的可視化檢測結(jié)果?？梢钥闯?，隨著儲存天數(shù)的增加，腐敗部位和程度都有加強的趨勢。

3 結(jié)語

針對傳統(tǒng)肉類新鮮度高光譜圖像檢測僅提取單一信息，帶來的信息丟失問題，提出了基于光譜特征和圖像熵特征融合的肉類新鮮度高光譜圖像檢測方法。研究結(jié)果表明：融合特征能夠彌補單一特征對某一信息的表征能力的不足，可顯著提高模型的預測準確度；利用SPA與PCA結(jié)合的數(shù)據(jù)降維策略可顯著降低數(shù)據(jù)噪音和特征冗余度，使模型的準確度和魯棒性有了顯著提高?；赟PA+PCA+ LSSVM的TVB-N預測模型準確度最高，其平均預測誤差RMSEP為1.96 mg/hg；剩余預測偏差RPD為3.12。預測模型性能優(yōu)秀，可實際應用。

[1]侯瑞鋒，黃嵐，王忠義，等.肉品新鮮度檢測方法[J].現(xiàn)代科學儀器，2005（5）：79－83.

HOU Ruifeng，HUANG Lan，WANG Zhongyi，et al.Noninvasive measuring method of freshness of meat[J].Modern Scientific Instruments，2005（5）：79－83.（in Chinese）

[2]Geesink G H，Schreutelkamp F H，F(xiàn)rankhuizen R，et al.Prediction of pork quality attributes from near infrared reflectance spectra[J].Meat Science，2003，65（1）：661－668.

[3]林亞青，房子舒.豬肉新鮮度檢測方法綜述[J].肉類研究，2011，25（5）：62－65.

LIN Yaqin，F(xiàn)ANG Zishu.A review on detection methods for pork freshness[J].Meat Research，2011，25（5）：62－65.（in Chinese）

[4]WANG Fangrong，JIN Lisheng，ZHANG Tieqiang，et al.Research on meat species and freshness identification method based on spectral charact-eristics[J].Optik，2013，124（23）：5952－5955.

[5]WANG Xiwei，ZHAO Maocheng，JU Ronghua，et al.Visualizing quantitatively the freshness of intact fresh pork using acoustooptical tunable filter-based visible/near-infrared spectral imagery[J].Computers and Electronics In Agriculture，2013，99：41－53.

[6]TIAN Xiuying，CAI Qiang，ZHANG Yongming.Rapid classification of hairtail fish and pork freshness using an electronic nose based on the PCA method[J].Sensors，2012，12（1）：260－277.

[7]Savenije B，Geesink G H，Vandderpalen J G P，et al.Prediction of pork quality using visible/near-infrared Reflectance spectroscopy[J].Meat Science，2006，73（1）：181－184.

[8]文星，梁志宏，黃嵐，等.基于穩(wěn)態(tài)空間分辨光譜的豬肉新鮮度檢測方法[J].農(nóng)業(yè)工程學報，2010，26（9）：334－339.

WEN Xing，LIANG Zhihong，HUANG Lan，et al.Measurement of pork freshness by steady spatially-resolved spectroscopy[J]. Transactions of the CSAE，2010，26（9）：334－339.（in Chinese）

[9]周煒.基于多源信息融合技術(shù)的豬肉新鮮度無損檢測方法研究[D].武漢：華中農(nóng)業(yè)大學，2009.

[10]張雷蕾，李永玉，彭彥昆，等.基于高光譜成像技術(shù)的豬肉新鮮度評價[J].農(nóng)業(yè)工程學報，2012，28（7）：254－259.

ZHANG Leilei，LI Yongyu，PENG Yankun，et al.Determination of pork freshness attributes by hyperspectral imaging technique [J].Transactions of the CSAE，2012，28（7）：254－259.（in Chinese）

[11]CHEN Quansheng，ZHANG Yanhua，ZHAO Jiewen，et al.Nondestructive measurement of total volatile basic nitrogen （TVB-N）content in salted pork in jelly using a hyperspectral imaging technique combined with efficient hypercube processing algorithms[J].Analytical Methods，2013，5（22）：6382－6388.

[12]黃敏，朱曉，朱啟兵，等.基于高光譜圖像的玉米種子特征提取與識別[J].光子學報，2012，41（7）：868－873.

HUANG Min，ZHU Xiao，ZHU Qibing，et al.Morphological characteristics of maize seed extraction and identification based on the hyperspectral image[J].Acta Photonica Sinica，2012，41（7）：868－873.（in Chinese）

[13]上海市食品衛(wèi)生監(jiān)督檢驗所.GB/T5009.44－2003，肉與肉制品衛(wèi)生標準的分析方法[S].北京：衛(wèi)生部，2003.

[14]Tan T C，Alkarkhi A F M，Easa A M.Assessing the freshness of meat by using quantum-behaved particle swarm optimization and support vector machine[J].Journal of Food Quality，2013，36（5）：351－360.

[15]Saeys W，Mouazen A M，Ramon H.Potential for on site and online analysis of pig manure using visible and near infrared reflectance spectroscopy[J].Biosystems Engineering，2005，91（4）：393－402.

[16]衛(wèi)生部衛(wèi)生監(jiān)督中心衛(wèi)生標準處.食品衛(wèi)生檢驗方法：理化檢驗部分[S].北京：中國標準出版社，2012.

[17]劉超群，王宏勛，宮智勇.冷鮮豬肉內(nèi)外細菌菌群分離鑒定及變化規(guī)律研究[J].食品科學，2011，32（23）：240－243.

LIU Chaoqun，WANG Hongxun，GONG Zhiyong.Isolation，identification and change pattern of internal and external bacteria floras in fresh chilled pork[J].Food Science，2011，32（23）：240－243.（in Chinese）

[18]江蕓，高峰，徐幸蓮，等.真空包裝冷卻豬肉冷藏過程中菌相變化[J].食品科學，2011，32（4）：241－245.

JIANG Yun，GAO Feng，XU Xinglian，et al.Correlation analysis between parameters of spoilage and spoilage microorganisms of vacuum-packaged chilled beef[J].Food Science，2011，32（4）：241－245.（in Chinese）

[19]王磊，林奇.分子吸收光譜技術(shù)在肉類研究中的應用[J].肉類研究，2009（8）：51－54.

WANG Lei，LIN Qi.Application of meat research in the technology of molecular absorption spectrum[J].Meat Research，2009（8）：51－54.（in Chinese）

[20]Bowen W J.The absorption spectra and extinction coefficients of myoglobin[J].The Journal of Biological Chemistry，1949，179：235－245.

[21]Ye S F，WANG D，MIN S G.Successive projections algorithm combined with uninformative variable elimination for spectral variable selection[J].Chemometrics and Intelligent Laboratory Systems，2008，91（2）：194－199．

Feature Fusion for Detection of Pork Freshness Based on Hyperspectral Imaging Technology

ZHU Qibing1， XIAO Pan1， HUANG Min1， YIN Ke2
（1.Key Laboratory of Advanced Process Control for Light Industry，Ministry of Education，Jiangnan University，Wuxi 214122，China；2.School of Electronic Information，Hangzhou Dianzi University，Hangzhou 310018，China）

It is of great importance for quick and nondestructive detection of meat freshness to ensure the quality of meat products and reduce the risks of food safety accidents.In this manuscript，the hyperspectral imaging technology has been used to study the nondestructive detection of pork freshness.The hyperspectral reflectance images between 400 and 1 000 nm of 180 pork samples were acquired.The mean and entropy feature were calculated from the hyperspectral reflectance image.Successive Projection Algorithm（SPA），Principal Component Analysis（PCA），and SPA combined with PCA were respectively used to extract the important feature variables which reflect well the characteristics of the meat freshness.And the Volatile Base Nitrogen（TVB-N）prediction models using Least Squares Support Vector Machine （LSSVM）were developed.On this basis，a visual detection method for the TVB-N content of pork was raised.The results demonstrated that：it can significantly improve the precision of model using the fusion of the mean and entropy features；and the feature dimension reduction method of SPA combined with PCA can significantly reduce the complexity of the model，while improving the model accuracy.The LSSVM prediction model using the fusion feature of mean and entropy based on dimension reduction method of SPA combined with PCA can obtain the best prediction accuracy.The Root Mean Square Error of Prediction （RMSEP）is 1.96，and the Relevance of Prediction （RP）is 0.948.The Residual Prediction Deviation（RPD）is 3.12，which meet the needs of the actual detection for pork freshness. The visualization detection method for pork freshness can display directly and clearly the area and degree of meat corruption.

pork，hyperspectral image，TVB-N，feature fusion，feature dimension reduction，visual detection

R 155.5

A

1673—1689（2015）03—0246—07

2014-05-10

國家自然科學基金項目（61275155、61271384），浙江省公益項目（2013C32044）。

朱啟兵（1973—），男，安徽合肥人，工學博士，副教授，主要從事農(nóng)產(chǎn)品無損檢測、圖像處理方面的研究。

E-mail：zhuqib@163.com