楊 靈,吳 霆,蔡旭燦
(仲愷農業(yè)工程學院信息科學與技術學院,廣東 廣州 510225)
光譜技術在肉類檢測中的應用及研究進展
楊 靈,吳 霆,蔡旭燦
(仲愷農業(yè)工程學院信息科學與技術學院,廣東 廣州 510225)
光譜技術是依據物體內部原子、分子等特定結構對電磁波有不同吸收特性的原理,對物體特定成分進行定性、定量的分析技術。對紅外光譜技術和高光譜技術應用于肉類檢測的檢測原理、技術手段等進行歸納,從肉類溯源及品種檢測、肉品品質(嫩度、新鮮度、持水率、大理石花紋等)檢測、肉類安全、有毒物檢測等方面綜述了近紅外光譜技術和高光譜技術在肉類檢測中的研究現(xiàn)狀,分析了光譜技術的存在問題,并對肉類檢測的發(fā)展趨勢進行展望。
光譜技術;紅外;高光譜;肉類檢測
楊 靈,吳 霆,蔡旭燦 ,等.光譜技術在肉類檢測中的應用及研究進展[J].廣東農業(yè)科學,2016,43(4):162-168.
隨著生活水平的提高,人們對肉類產品的安全和品質越來越重視。肉類變質、摻假、農藥殘留、化學物污染等肉類安全問題在我國時有發(fā)生,給人民群眾的生命和健康造成了重大影響,也嚴重降低了人民群眾對我國肉類產品的信任感。而肉類品質檢測主要包括肉的新鮮度、嫩度、持水率等指標以及蛋白質、脂肪等營養(yǎng)含量的檢測。但消費者在選擇好品質的肉時往往無從下手,只能根據肉類品種、商家廣告等判斷肉類好壞;而對于商家來說,如何使自家高品質的肉與市場上魚龍混雜的劣質肉區(qū)分開,同樣面臨著艱巨的考驗。
目前,對我國肉類安全檢測手段提出了越來越高的要求,以實現(xiàn)精確、快速、有效檢測。自20世紀60年代Norris等[1]發(fā)現(xiàn)谷物在近紅外光譜區(qū)域有特殊的吸收頻帶以來,紅外光譜檢測技術就以其快速、無損、準確的優(yōu)點在農作物、食品、土壤等農業(yè)領域快速發(fā)展起來。進入80年代隨著光電檢測技術的發(fā)展,高分辨率、集成圖像和光譜技術的高光譜技術得到了越來越廣泛的應用,大大促進了精準農業(yè)、農業(yè)遙感等領域的發(fā)展。與此同時,拉曼光譜、熒光光譜也越來越廣泛應用到無損檢測技術中。不同的光譜分析方法比較如表1所示。本文主要綜述了紅外光譜、高光譜技術在肉類檢測中的應用及研究進展,分析了光譜技術的存在問題,并對肉類檢測的發(fā)展趨勢進行展望。
表1 光譜分析方法比較
1.1 紅外光譜及高光譜特性
紅外光譜依波段劃分主要包括近紅外光譜(780~2 500 nm)、中紅外光譜(2 500~25 000 nm)和遠紅外光譜。近紅外光譜區(qū)一般用于檢測分子的倍頻、合頻等,如分子中含氫基團X-H (O-H、C-H、N-H和S-H等)伸縮、彎曲、振動等引起的倍頻和合頻被近紅外光譜波段吸收[2]。分子的基頻振動一般屬于中紅外光譜區(qū),主要分為特征頻率區(qū)(2.5~7.7 μm)和指紋區(qū)(7.7~16.7 μm),特征頻率區(qū)用于鑒定官能團,指紋區(qū)用于檢測C-O、C-N和C-X等的振動,用于區(qū)別結構類似的化合物。高光譜系統(tǒng)主要由高分辨率光譜掃描儀、高精度相機、光源等部件組成,可以采集到覆蓋紫外線、可見光、紅外等一系列的光譜,分辨率高(10-2λ數量級),既包含某個波長的圖像信息,又包含某個像素的波長信息,實現(xiàn)空間、光譜、光強度同時獲得[37]。
1.2 光譜檢測肉類技術手段
光譜檢測技術一般由預處理、降維、模型建立、結果評價等幾個過程組成(表2)。對于采集的光譜存在偏移、噪聲等情況需要進行基線校正、降噪等預處理方法來進行糾正。對于龐大的光譜數據,為了刪除冗余信息、降低復雜度、獲得有效信息,需要進行降維處理。檢測模型建立是指挖掘光譜信息中的信息和特征,建立待檢測指標與光譜信息之間的對應模型,對檢測物體完成定性或定量分析。模型評價即對檢測模型的精度、準確性等進行評價,判斷光譜檢測手段的有效性。
表2 光譜分析技術手段歸納
2.1 肉類溯源及鑒別動物源
光譜技術用于植物源產品溯源上的應用較多,如檢測葡萄酒[3-4]、橄欖油[5-6]、稻米[7]等產地、來源,均取得了良好效果。但在肉類溯源方面研究較少。張寧等[8]通過近紅外光譜結合相似性分析法對4個產地(山東濟寧市、河北大廠縣、內蒙臨河市、寧夏銀川市)的羊肉進行檢測、建立了產地溯源模型。通過5點平滑(Smooth)與多元散射校正(MSC)預處理,消除光譜噪聲和散射波動,通過主成分分析和SIMCA建立模型,結果表明,在 1 1995~3 999 cm-1波長范圍內,當模型的主成分數分別為 5、6、5、6 時,在 1%的顯著水平下,4 個產地校正集模型對未知樣本的識別率分別為95%、100%、100%、100%,拒絕率均為100%;其驗證集模型的識別率分別為100%、83%、100%、92%,拒絕率均為100%,說明可以將該 SIMCA 模型用于鑒別不同來源的羊肉產地。李勇等[9]通過傅里葉紅外光譜儀對吉林、貴州、寧夏和河北四大產區(qū)的牛肉進行檢測,分別采用主成分分析、聚類分析、判別分析等模型判別法,對4個產區(qū)的牛肉光譜進行識別,正確識別率為100%。陶琳等[10]對4個不同產地的海參樣品進行產地區(qū)分檢測,利用近紅外光譜對不同產地的海參進行掃描,再通過主成分聚類分析進行判別鑒定,能夠快速識別出4個產地的海參。Alberto等[11]采集350~2 500 nm近紅外光譜,對伊比利亞豬和白豬兩種不同豬肉進行區(qū)分。采用徑向基神經網絡結合和支持向量機的算法對伊比利亞豬和白豬進行檢測,結果表明兩種方法均有效檢測出豬肉品種。孟一等[12]利用近紅外傅里葉變換光譜儀對豬肉、牛肉和羊肉3種不同種類的肉進行區(qū)分。光譜預處理分別采用多元散射校(MSC)、標準正則變換(SNV)、一階微分、二階微分、Savit zky-Golay濾波、Norris derivative濾波等單一方法或多種方法結合對原始光譜進行預處理。結果表明采取MSC結合S-G濾波預處理效果更好。建立模型方面用主成分分析法將原始數據壓縮為10個主成分,在全波段9 881.46~4 119.20 cm-1范圍內,采用判別分析法建立模型。結果表明,模型對訓練集的識別準確率為100%,對預測集豬肉、牛肉和羊肉的識別準確率分別為99.28%、97.42%和100%。Kuswandi等[13]研究了牛肉干里摻豬肉的檢測方法。通過傅里葉紅外光譜儀檢測添加豬肉成分比例為5%~80%的牛肉干,對全波段光譜數據(4 000~700 cm-1)、指紋區(qū)域光譜數據(1 500~600 cm-1)、預處理后的全波段光譜數據、預處理后的指紋區(qū)光譜數據等4組數據進行分析。分類模型采用線性判別法(LDA)、相似分析方法(SIMCA)和支持向量機(SVM)3種判別模型來建模,結果表明采用LDA法對全波段光譜數據的檢測效果最好,檢測摻假豬肉的牛肉干的識別率為100%。Kamruzzaman等[14]研究了牛肉餡里摻馬肉的情況。通過采集400~1 000 nm的高光譜圖像,采用偏最小二乘法建立模型能夠檢測出摻有馬肉成分2%~50%的牛肉餡,得到校正集、交叉驗證集和預測集的決定系數為0.99、0.99、0.98,標準差為1.14、1.56和2.23 %。
2.2 肉類品質檢測
對肉類品質的檢測在肉類成分上主要包括對脂肪、蛋白質、含水量等進行檢測。Eduardo等[15]、劉煒等[16]分別采用近紅外光譜技術對豬肉的脂肪、水分、蛋白質含量進行檢測,能夠快速有效地對4種成分進行分析。朱逢樂等[17]利用高光譜檢測技術對三文魚肉的水分含量進行檢測。首先對90個三文魚肉樣分為60個檢測集和30個預測集進行掃描,并采用偏最小二乘回歸(PLSR)和最小二乘支持向量機(LS-SVM)對全波段光譜進行建模,分析水分含量檢測精度。同時提出一種新的降維方法(Random frog法),再利用PLSR和LS-SVM法建立水分檢測模型,分析檢測精度。結果表明,采用Random frog法僅用12個變量即可代替全波段151個變量,PLSR和LS -SVM特征波長模型的RP分別為0.92和0.93,RM SEP分別為1.31%和1.18%。
在評價指標里,主要有嫩度、新鮮度、大理石花紋肉類品質指標。嫩度是評價肉質好壞的指標之一。嫩度高的肉類口感較好。嫩度主要受肉內部結構,如脂肪、蛋白質含量及其分布的影響[18]。王婉嬌等[19]采用900~1 700 nm的近紅外高光譜檢測技術對冷鮮羊肉的嫩度進行研究。通過特征區(qū)域光譜波段代替全波段進行降維,預處理采用Savitzky-Golay法進行去噪,通過建立偏最小二乘模型進行模型判別,得到的預測相關系數(RP)和均方根誤差(RMSEP)分別為 0.773 和 1.060,效果較好。趙娟等[20]利用高光譜對牛肉嫩度的等級進行研究,采用逐步回歸法和遺傳算法進行降維、利用主成分分析法和圖像灰度共生矩陣求出紋理特征參數,采用支持向量機和線性判別法兩種方法建立了嫩度等級判別模型。經比較,線性判別模型識別準確率高于支持向量機。采用主成分紋理特征加線性判別模型的判別精度為94.44%。陳全勝等[21]采用了高光譜檢測技術對豬肉的嫩度指標進行檢測。采集400~1 100 nm范圍的高光譜數據,首先通過主成分分析降維選出3幅特征圖像用來分別提取對比度、相關性、角二階矩和一致性等4個紋理特征變量,再通過主成分分析提取6個主成分變量,建立神經網絡嫩度等級判別模型。模型校正集準確率96.15%,預測集準確性80.77%。
新鮮度是檢測肉類品質的另一個重要指標。新鮮的肉類營養(yǎng)豐富,pH值微酸性,但經過長時間放置后,由于微生物的生長繁殖,肉的營養(yǎng)成分和pH值會發(fā)生變化,肉類開始腐敗,新鮮度下降。在檢測中,通過對pH值、揮發(fā)性鹽基氮(total volatile basic nitrogen,TVB-N)含量進行測定,能夠檢測出肉類的新鮮度[22-23]。鄒小波等[24]對肴肉的新鮮度進行了等級檢測。首先采集430~960 nm高光譜圖像,并進行標準正態(tài)變量變換預處理,再分別采用偏最小二乘法、常規(guī)區(qū)間偏最小二乘法、向后區(qū)間偏最小二乘法和聯(lián)合區(qū)間偏最小二乘法建立TVB-N含量的預測模型,結果表明聯(lián)合區(qū)間偏最小二乘法效果最佳,預測相關系數和均方根誤差分別為0.854 8、2.47,總體準率為87.5%。張雷蕾等[25]采用高光譜檢測技術來檢測豬肉的新鮮度,預處理采用2次Savitzky-Golay平滑、多元散射校正后建立偏最小二乘模型,準確率為91%。
大理石花紋是指肉纖維中的脂肪分布,是判斷牛肉好壞的重要因素,一般來說肉中的花紋越豐富,代表肉的品質越高。傳統(tǒng)檢測技術手段有圖像處理[26-27]、計算機視覺[28]等。隨著光譜技術的快速發(fā)展,該技術也逐漸應用到肉類大理石花紋檢測中。高曉東等[29]采用高光譜技術對牛肉大理石花紋進行評價。采集400~1 100 nm的高光譜圖像,選取特征波段及大、中、小顆粒脂肪密度3個特征參數,利用特征參數建立多元回歸模型和正則判定函數模型對大理石花紋分級和等級預測。結論表明,多元回歸模型對大理石花紋等級的預測決定系數 R2=0.92,預測標準差SECV=0.45,總的分級準確率是 84.8%,正則判定函數為 78.8%。Qiao等[30]采集高光譜圖像對豬肉大理石花紋進行檢測,經過降維、主成分分析、建立神經網絡模型等步驟,有效對大理石花紋進行評級,準確率為85%。郭輝等[31]采用高光譜檢測技術結合圖像處理開發(fā)了可應用于企業(yè)加工的牛肉大理石花紋檢測系統(tǒng),取得了良好的效果。
Marie-Etancelin等[32]采用近紅外光譜對騾鴨肥肝的質量進行判斷。通過對1 400個雄性騾鴨的肝臟進行光譜掃描來預測肝熔化率和肝組成,結果表明近紅外光譜法通過檢測肝臟熔化率,定義了一個檢測鴨肝臟質量的關鍵標準。
2.3 肉類安全檢測
光譜技術在肉類安全方面主要應用檢測肉類表面細菌、肉類污染物、肉類腐敗等。
Zheng等[33]采用高光譜技術對冷卻羊肉表面細菌總數進行檢測,分別采110~400 nm 和900~1 700 nm 波長高光譜,采用偏最小二乘法和反向人工神經網絡、徑向基人工神經網絡法建立模型。結果表明,徑向基人工神經網絡模型效果最優(yōu),其在 400~1 100 nm 和 900~1 700 nm 波長范圍內相關系數分別為 0.9872 和 0.9988,均方根誤差分別為 0.8210 和 0.2507。
Jayendra等[34]采用傅里葉紅外光譜儀來檢測牛肉是否感染沙門氏菌。主要應用了主成分分析法來分別驗證全波段(4 000~500 cm-1)和子波段光譜檢測的效果,采用線性和二次判別分析兩種分類統(tǒng)計方法來改進分類模型??傮w平均分類精度采用變異系數來評估,采用自舉交叉驗證方法評價模型的有效性。結果表明,850~500 cm-1和全波段的紅外頻譜可以應用于檢測牛肉是否受沙門氏菌的污染。
王偉等[35]采用高光譜對生鮮豬肉的細菌總數進行檢測,比較了偏最小二乘回歸法、人工神經網絡和最小二乘支持向量機3種建模方法所建的模型效果,研究表明最小二乘支持向量機效果最優(yōu)。Park 等[36]采用高光譜檢測技術研究家禽受糞便污染的情況。通過選取特征波長、波段圖像處理等方法能有效識別污染物,識別率達到93%。滕安國[37]采用高光譜技術對雞胴體表面污染物進行檢測,分別對十二指腸內容物、回腸內容物、盲腸內容物、血液、膽汁和泥土等物質進行檢測,通過比較污染物和皮膚的光譜差異確定了510~540、687~810、870~918 nm 3個波長范圍,再利用圖像檢測、SVM等方法可有效識別和檢測出雞表面污染物。張偉等[38]采用高光譜采集系統(tǒng)檢測雞孵化前胚胎發(fā)育情況。通過降維、選特征波長、建立向量量化神經網絡模型取得較好的結果,對孵化前1~3 d的判別準確率為78.8%、90.3%和 98.6%。
相對于光譜技術在化學、藥品、農作物、水果等方向的研究,該技術在肉類研究上還處于起步階段,因為肉類檢測更加復雜,不確定性更大。一方面由于肉類產品更容易變質,檢測過程中受肉類的儲存環(huán)境、放置時間影響很大。另一方面肉類產品的飼養(yǎng)方式、成長氣候、不同的生長階段都可能對肉類本身品質和結構帶來影響。因此下一階段的研究關鍵點在于能否建立標準、統(tǒng)一、準確、高效的肉類模型庫來促進肉類檢測的標準化、平臺化。
此外,光譜本身采集過程容易受到光源、噪聲、周圍環(huán)境的影響,不同的周圍檢測條件對檢測結果往往造成很大影響,造成檢測結果的不確定性,干擾和影響檢測模型的準確性。如何濾除周圍環(huán)境的影響、提高光譜檢測技術的抗干擾性關系著光譜技術能否應用到實時檢測、在線檢測、可重復性檢測等產業(yè)化方向。
值得注意的是,目前檢測模型建立完成后對新的樣本、檢測條件(溫濕度等)存在適應性問題,即模型維護問題。目前對不同產地、環(huán)境、品種等條件下模型共享的研究較少,普遍存在原有模型對新的樣本、新的環(huán)境檢測預測性能變差或難以適用新的檢測等問題。
光譜技術是依據物體內部原子、分子等特定結構對電磁波有不同吸收特性的原理,對物體特定成分進行定性、定量的分析技術。由于其具有無損、快速、方便、高效等優(yōu)點,因此光譜分析技術在現(xiàn)代農業(yè)、化工、國防、氣象等很多領域得到了廣泛應用。而光譜技術的發(fā)展給肉類檢測提供了一個嶄新的方向,在肉類品質檢測、安全檢測、摻假等方面都已經有了實際應用,檢測具有快速、無接觸、無破壞、精度高等一系列的優(yōu)點。
光譜技術在肉類檢測方面的發(fā)展方向:(1)采用更加標準化的技術手段對肉類進行檢測,同時建立統(tǒng)一、準確、標準、高效的肉類模型庫來促進肉類檢測的標準化、平臺化。(2)提高光譜檢測技術的抗干擾性,減少周圍環(huán)境對光譜檢測的影響。一方面要在硬件方面提高光譜檢測的抗干擾性,如對周圍干擾光的過濾、對電流噪聲的抑制等,同時搭配科學的檢測環(huán)境,減少周圍干擾因素。另一方面從算法、軟件方面對去噪、光譜校正、降維等光譜檢測過程中常見的問題進行研究和改進,為光譜技術的實時檢測、在線檢測、可重復性檢測等產業(yè)化方向發(fā)展提供前提條件。(3)著重對光譜模型傳遞和模型維護等問題進行研究,對于常見的環(huán)境或樣本變化等問題進行模型更新或模型傳遞和維護,提高光譜檢測模型的穩(wěn)健性和適用性。
[1]Norris K H,Butler W L.Techniques for obtaining absorbance spectra on intact biological samples[J].IRE Transactionson Bio-Medical Electronics,1961,8:153 -157.
[2]Blanco M,Villarrova I.NIR spectroscopy:a rapid response analytical tool[J].rends in Analytical Chemi stry,2002,21(4):240.
[3]Cozzolino D,Smyth H E,Gishen M.Feasibility study on the use of visible and nearinfrared Spectros copy together with chemometrics to discriminate bet ween commercial white wines of different varietal orig ins [J].Journal of Agricultural and Food Chemistry,2003,51(26):7703.
[4]Liu L,Cozzolino D,Cynkar W U,et al.Preliminary study on the application of visiblenearin frare dspectroscopy and chemometrics to classify Riesling wines from different countries[J].Journal of Agricultural and Food Chemistry,2008,54(18):6754.
[5]Galtier O,Dupuy N,Dreau Y L,et al.Geographic origins and compositions of virgin olive oils determinated by chemometric analysis of NIR spectra[J].Analytica Chimica Acta.2007,595:136.
[6]Casale M,Casolino C,F(xiàn)errari G,et al.Near infrared spectroscopy and class modelling techniques for the geographical authentication of Ligurian extra virgin olive oil[J].Journal of Near Infrared Spectrocs opy [J].2008,16(1):29.
[7]Kim H J,Rhyu M R,Kim J M,et al.Using Near infrared reflectance spectroscopy for determination of the geographical origin of the Korea Rice via PLS[J].Cereal Chemistry,2003,80(3):346.
[8]張寧,張德權,李淑榮,等.近紅外光譜結合SIMCA法溯源羊肉產地的初步研究[J].農業(yè)工程學報,2008,24 (12):309.
[9]李勇,魏益民,潘家榮,等.基于FTIR指紋光譜的牛肉產地溯源技術研究[J].光譜學與光譜分析,2009,29(3):56-60.
[10]陶琳,武中臣,張鵬彥,李良紅,劉暢.近紅外光譜法快速鑒定干海參產地[J].農業(yè)工程學報,2011,27(5):364- 366.
[11]Alberto G,Del M,Herrera J L,et al.Using nearinfrared spectroscopy in the classification of white and iberian pork with neural networks[J].Neural Comput & Applic,2010,19:465-470
[12]孟一,張玉華,王家敏,等.基于近紅外光譜技術快速識別不同動物源肉品[J].食品科學,2014,35 (6):156-158.
[13]Kuswandi B,Putri F K,Gani A A,et al.Application of class-modeling techniques to infrared spectra for analysis of pork adult eration in beef jerkys[J].J Food Sci Technol,2015(6):7655-7668.
[14]Kamruzzaman M,Makino Y,Oshita S,et al.Assessment of Visible Near-Infrared Hyperspectral Imaging as a Tool for Detection of Horsemeat Adulteration in Minced Beef[J].Food and Bioprocess Technology,2015(8):1054- 1062.
[15]Eduardo Z R,Ana G V,Emiliano D P S,et al.Monitoring NIRS calibrationsfor use in routine meat analysis as part of Iberian pig breeding programs[J].Food Chemistry,2011,129(4):1889-1897.
[16]劉煒,俞湘麟,孫東東,等.傅立葉變換近紅外光譜法快速檢測鮮豬肉中肌內脂肪、蛋白質和水分含量[J].養(yǎng)豬,2005(3):47-50.
[17]朱逢樂,何勇,邵詠妮.應用近紅外高光譜成像預測三文魚肉的水分含量[J].光譜學與光譜分析,2015,35(1):113-117.
[18]Shackelford S D,Wheeler T L,Meade M K,et al.Consumer impressions of tender select beef[J].Animal Science,2001,79:2605-2614.
[19]王婉嬌,王松磊,賀曉光,等.NIR高光譜成像技術檢測冷鮮羊肉嫩度[J].食品工業(yè)科技,2015,36 (20):77-79
[20]趙娟,彭彥昆.基于高光譜圖像紋理特征的牛肉嫩度分布評價[J].農業(yè)工程學報,2015,31(7):279-286.
[21]陳全勝,張燕華,萬新民,等.基于高光譜成像技術的豬肉嫩度檢測研究[J].光學學報,2010,30 (9):2602-2607.
[22]Castro P,Padrón J C P,Cansino M J C,et al.Total volatilebase nitrogen and its use to assess freshness in European seabass stored in ice[J].Food Control,2006,17(4):245-248.
[23]?zoeul F,?zoeul Y.Comparison of methods used for determination of total volatile basic nitrogen(TVBN)in rainbow trout[J].Turkish Journal of Zoology,2000,24:113-120.
[24]鄒小波,李志華,石吉勇,等.高光譜成像技術檢測肴肉新鮮度[J].食品科學,2014,35 (8):89-93.
[25]張雷蕾,李永玉,彭彥昆,等.基于高光譜成像技術的豬肉新鮮度評價[J].農業(yè)工程學報,2012,28 (7):254-259.
[26]陳坤杰,吳貴茹,於海明,等.基于分形維和圖像特征的牛肉大理石花紋等級判定模型[J].農業(yè)機械學報,2012(5):147-151.
[27]陳坤杰,姬長英. 基于圖像運算的牛肉大理石花紋分割方法[J].農業(yè)機械學報.2007(5) :195-196.[28]沈振寧,高峰,李春保,等. 基于計算機視覺的牛肉分級技術研究進展[J].食品工業(yè)科技,2008 (6):304-306.
[29]高曉東,吳建虎,彭彥昆,等.基于高光譜成像技術的牛肉大理石花紋的評估[J].農產品加工.2009 (10):33-37.
[30]Qiao J,Ngadi M O,Wang N,et al.Pork quality and marbling level assessment using a hyperspectral imaging system[J].Journal of Food Engineering,2007,83(1):10-16.
[31]郭輝,彭彥昆,江發(fā)潮,等.手持式牛肉大理石花紋檢測系統(tǒng)[J].農業(yè)機械學報,2012,43(S1):207-210.
[32]Christel M,Vitezica Z G,Bonnal L,et al.Selecting the quality of mule duck fatty liver based on near-infrared spectroscop y[J].Genetics Selection Evolution 2014,46:38.
[33]Zheng C Y,Guo Z H,Jin L.Measurement of total viable count on chilled mutton surface ebased on hyperspectral imaging technique[J].Laser Technology.2015,39(2):284-288
[34]Jayendra K,Amam C,Suranjan P,et al.Fourier transform infrared spectroscopy(FTIR)as a tool for discriminating Salmonella typhimurium contaminated beef[J].Sensing and Instrumentation for Food Quality and Safety,2010(4):1-12.
[35]王偉,彭彥昆,張曉莉.基于高光譜成像的生鮮豬肉細菌總數預測建模方法研究[J].光譜學與光譜分析,2010,30(2):411-415.
[36]Park B,Lawrence K C,Windham W R,et al.Multispectral imaging system for fecal and ingest a detection on poultry carcasses[J].Journal of Food Process Engineering,2004,27(5):311-327.
[37]滕安國.利用高光譜及光譜圖像技術對雞胴體表面污染物檢測的研究[D].南京:南京農業(yè)大學,2009.
[38]張偉,潘磊慶,屠康.利用高光譜透射圖像檢測雞種蛋早期孵化[J].農業(yè)工程學報,2012,28(21):149-155.
(責任編輯 崔建勛)
Application and research progress of spectroscopy in meat detection
YANG Ling,WU Ting,CAI Xu-can
(School of Information Science and Technology,Zhongkai University of Agriculture and Engineering,Guangzhou 510225,China)
Spectroscopy is a qualitative and quantitative technique to analyze specific component of an object based on the principle that specific structure of an object such as internal atoms and molecules has different absorption characteristics of electromagnetic wave.In the paper,detection principles and techniques of infrared spectroscopy and hyperspectral technology in meat detection were summarized.Current status of the application of infrared spectroscopy and hyperspectral technology in meat detection were reviewed from meat origin and variety inspection;meat quality (tenderness,freshness,water holdup,marble,etc.).The problems in spectroscopic detection techniques were presented and the development trend of meat detection was prospected.
spectroscopy;infrared spectroscopy;hyperspectral technology;meat detection
TS207.3
A
1004-874X(2016)04-0162-07
10.16768/j.issn.1004-874X.2016.04.031
2015-11-15