崔　博,田有文,*,劉思伽

(1.沈陽農(nóng)業(yè)大學信息與電氣工程學院,遼寧沈陽 110161;2.遼寧省農(nóng)業(yè)信息化工程技術研究中心,遼寧沈陽 110161)

?

高光譜成像技術在農(nóng)畜產(chǎn)品有害微生物快速檢測中的研究進展

崔博1,2,田有文1,2,*,劉思伽1,2

(1.沈陽農(nóng)業(yè)大學信息與電氣工程學院,遼寧沈陽 110161;2.遼寧省農(nóng)業(yè)信息化工程技術研究中心,遼寧沈陽 110161)

農(nóng)畜產(chǎn)品中含有有害微生物可以使農(nóng)畜產(chǎn)品腐敗變質,快速可靠的檢測有害微生物顯得特別重要,高光譜成像技術可以對農(nóng)畜產(chǎn)品微生物進行快速無損檢測。本文首先介紹高光譜成像系統(tǒng)以及高光譜圖像處理方法。然后介紹了高光譜成像技術在水產(chǎn)品微生物、肉類產(chǎn)品微生物、糧食籽粒微生物、水果表面有害微生物無損檢測方面的研究進展。指出高光譜成像技術可以檢測出有害微生物種類以及有害微生物的總量。盡管高光譜成像技術優(yōu)勢明顯,但在精確性、快速挖掘數(shù)據(jù)等方面面臨著挑戰(zhàn)。隨著光學技術、計算機技術的進一步發(fā)展,未來高光譜成像技術可能會在農(nóng)畜產(chǎn)品微生物實時在線檢測上得到應用。

高光譜成像,檢測,農(nóng)畜產(chǎn)品微生物

我國是農(nóng)業(yè)大國,農(nóng)畜產(chǎn)品安全問題關系到每一個人的身體健康,食品安全也越來越受到人們的關注。有害微生物侵染農(nóng)畜產(chǎn)品是導致農(nóng)畜產(chǎn)品質量下降的主要原因[1]。農(nóng)畜產(chǎn)品中有害微生物不僅給人們健康帶來危害,而且造成經(jīng)濟損失。檢測農(nóng)畜產(chǎn)品中有害微生物是十分必要的。

微生物指一切用肉眼看不見的微小生物的總稱。微生物主要包括包括細菌、病毒、真菌。傳統(tǒng)上檢測農(nóng)畜產(chǎn)品中有害微生物常用的方法有傳統(tǒng)理化檢測[2]、聚合酶鏈反應(PCR)[3]、核酸探針技術[4]、生物芯片技術[5]、即用型紙片法[6]等。這些方法大多數(shù)需要專業(yè)人士操作,對樣本造成損害,成本較高,浪費時間,準確率不高[7],而且需要預處理,如樣本事先需要冰凍[8]或干燥[9],因此需要開發(fā)快速無損的方法。光譜技術可以快速檢測出有害微生物,但不能確定有害微生物分布情況[10]。

最近幾年研究發(fā)現(xiàn),應用高光譜成像技術對農(nóng)畜產(chǎn)品有害微生物進行檢測,取得了比較好的結果。高光譜成像技術不僅可以獲得光譜信息,還可以獲得圖像信息,將圖像信息和光譜信息完美的結合到一起。農(nóng)畜產(chǎn)品有害微生物導致的病斑可以通過圖像信息判斷,有害微生物化學成分可以通過光譜數(shù)據(jù)反映[11]。本文介紹高光譜成像技術的原理及數(shù)據(jù)處理方法,以及檢測農(nóng)畜產(chǎn)品有害物的方法,以期為今后在線檢測農(nóng)畜產(chǎn)品有害物提供理論依據(jù)。

1　高光譜成像技術的原理及數(shù)據(jù)處理方法

1.1高光譜成像技術原理

上世紀80年代,高光譜作為新一代光電檢測技術,最先被美國軍方使用,應用在遙感領域。高光譜成像技術既可以獲得連續(xù)光譜信息,又可以獲得空間信息。高光譜分為紫外(200～400 nm)、可見(400～760 nm)、近紅外(760～2560 nm)以及波長大于2560 nm中紅外這幾類。高光譜成像系統(tǒng)(見圖1)[12]由兩部分組成,分別是硬件平臺和軟件數(shù)據(jù)處理。硬件平臺由圖像光譜儀、高光譜攝像頭、視覺配套光源、相機、一個電控位移臺和計算機等部件組成[13]。利用高光譜成像系統(tǒng)掃描待測物體,采集得到待測物體的高光譜圖像。高光譜圖像是一個三維數(shù)據(jù)集,稱為超立方體(見圖2)[12]。在三維數(shù)據(jù)集中,x和y代表空間信息,λ代表光譜范圍[14]。每一幅圖像對應一條光譜曲線。即在每一個波長λi(i=1,2,…,n,n為正整數(shù))處得到一幅二維圖像(橫坐標為x,縱坐標為y),從而得到三維圖像塊(x,y,λ)[15]。近幾年來,高光譜成像技術已在農(nóng)畜產(chǎn)品內(nèi)部品質預測[16]、外部質量識別[17]、農(nóng)藥殘留[18]等領域得到成功的應用。

圖1　高光譜成像裝置示意圖Fig.1　Schematic diagram of high spectral imaging device

圖2　高光譜圖像示意圖Fig.2　Sketch of a hyperspectral image

1.2高光譜成像技術數(shù)據(jù)處理方法

高光譜圖像數(shù)據(jù)分析是高光譜圖像檢測系統(tǒng)中重要的組成部分,軟件數(shù)據(jù)處理方法是依據(jù)高光譜圖像特點提出的。高光譜成像系統(tǒng)測連續(xù)光譜信息,因此數(shù)據(jù)量大,數(shù)據(jù)處理復雜,如何選擇合理的圖像數(shù)據(jù)處理方法尤為重要[19]。減少數(shù)據(jù)量最有效的方法是提取最佳波段,可以保證在不丟失重要信息的前提下最大限度的反映原始信息[20]。數(shù)據(jù)降維也是必不可少的,主要的方法有主成分分析法[21]、流形學習[22]、特征波段法等[23]。將高光譜數(shù)據(jù)降維后,采用主成分分析[24]、逐步多元回歸[25]等方法獲取最優(yōu)波段,最后采用人工神經(jīng)網(wǎng)絡[26]、支持向量機[27]、偏最小二乘法[28]、洛倫茲函數(shù)算法[29]和主成分回歸分析法[30]等建立基于光譜圖像信息的農(nóng)畜產(chǎn)品有害微生物檢測的預測模型或識別模型,進而實現(xiàn)對農(nóng)畜產(chǎn)品微生物缺陷的檢測。

2　高光譜成像技術在農(nóng)畜產(chǎn)品微生物檢測中的應用

高光譜圖像技術不同于傳統(tǒng)的光譜技術,因為它不僅提供光譜信息同時也提供空間信息。利用高光譜圖像的圖譜合一的特性,全面反映被測樣品特征,因此該技術近幾年逐漸被引入到農(nóng)畜產(chǎn)品無損檢測中[31]。

2.1水產(chǎn)品微生物檢測

水產(chǎn)品是最受人們歡迎的食物之一,然而水產(chǎn)品也最容易產(chǎn)生有害微生物,人們食用含有有害微生物的水產(chǎn)品,常常會導致腹瀉、嘔吐甚至死亡。因此快速準確識別出含有有害微生物的水產(chǎn)品尤為重要。利用高光譜圖像系統(tǒng)獲取水產(chǎn)品的高光譜圖像,選取合適的特征波段得到水產(chǎn)品的特征圖像,借助一定算法處理可有效識別水產(chǎn)品中是否含有有害微生物以及有害微生物的數(shù)量。

Jun Hu Cheng等[32]利用400～1000 nm高光譜成像系統(tǒng)對魚微生物細菌總數(shù)量檢測研究。在全波端上建立偏最小二乘回歸和最小二乘支持向量機模型,預測相關系數(shù)為0.93,預測誤差均方根為0.49。連續(xù)投影算法結合偏最小二乘模型,預測相關系數(shù)為0.90,預測誤差均方根為0.57。研究結果表明,高光譜成像技術可以用來檢測微生物總數(shù)。Hong JuHe等[33]利用900～1700 nm近紅外高光譜成像技術對蛙魚中乳酸菌進行檢測。利用最小二乘支持向量機算法(LS-SVM),相關系數(shù)RP為0.929,均方根誤差RMESP為0.515。利用競爭自適應重加權采樣(CARS)算法選出最優(yōu)波長,最終從239個波長中選擇8個波長。建立CARS-LS-SVM模型,相關系數(shù)RP為0.925,RMSEP為0.531。同時,根據(jù)該模型得出了高光譜圖像中每一個像素點的乳酸菌含量,從而得出了鮭魚中乳酸菌含量的分布圖,如圖3所示[33],該圖像直觀、形象的顯示了鮭魚中乳酸菌含量的高低。研究結果表明,利用CARS-LS-SVM這一方法對乳酸菌檢測效果對比LS-SVM方法檢測效果好。隨后,Hong Ju He等[34]又利用900～1700 nm近紅外高光譜成像系統(tǒng)對可以使用的新鮮鮭魚中腸桿菌和假單胞菌總數(shù)檢測研究。利用偏最小二乘回歸方法對采集到的腸桿菌和假單胞菌數(shù)據(jù)進行處理。采用變量篩選方法選擇重要波長信息來簡化模型。研究結果表明,利用變量篩選方法選擇重要波長構建簡單偏最小二乘模型對腸桿菌和假單胞菌預測效果比在全波長上構建模型效果好。

圖3　腐敗過程可視化分布圖Fig.3　Visual distribution of corruption

綜上所述,利用可見、近紅外高光譜技術可以對水產(chǎn)品中的細菌總量、乳酸菌、腸桿菌和假單胞菌進行檢測,檢測效果比較準確。最小二乘支持向量機為最常用的算法,競爭自適應重加權采樣算法結合最小二乘支持向量機算法為較好的算法。

2.2肉類微生物檢測

有害微生物是導致肉類腐敗變質的主要原因之一。引起肉類腐敗的微生物主要有細菌、酵母菌和霉菌[35]。傳統(tǒng)檢測肉類中還有有害微生物的方法是有損的并且檢測時間長。高光譜成像技術可以彌補傳統(tǒng)檢測技術的不足,實現(xiàn)實時在線檢測,無損、操作簡單。

王偉等[36]利用400～1000 nm高光譜成像系統(tǒng)評估豬肉有害細菌總量。比較偏最小二乘法、人工神經(jīng)網(wǎng)絡、最小二乘支持向量機建立模型,得出最小二乘支持向量機建立模型效果最好,決定系數(shù)R2為0.987,校正均方根誤差和預測均方根誤差分別為0.2071和0.2176。宋育霖等[37]利用400～1100 nm高光譜成像系統(tǒng)以豬肉為研究對象,用洛倫茲擬合參數(shù)分析處理數(shù)據(jù)。利用單參數(shù)和不同參數(shù)結合的方法建立多元線性回歸模型。結果表明,三個參數(shù)相結合的方法建立模型預測效果最優(yōu),校正集相關系數(shù)為0.96,標準差為0.42;預測集相關系數(shù)為0.89,標準差為0.46,能較好的應用于豬肉細菌總數(shù)的檢測。Barbin等[38]利用900～1700 nm近紅外反射高光譜圖像技術結合偏最小二乘法檢測豬肉細菌總數(shù)。利用標準正態(tài)變量和多元散射校正預測豬肉品質。建立偏最小二乘回歸模型預測顏色、pH等,決定系數(shù)R2為0.93和0.87。在760～2560 nm近紅外光譜上采用偏最小二乘模型的預測能力好于選擇11個最優(yōu)波長的預測能力。

Tao等[39]利用400～1100 nm可見/近紅外高光譜成像系統(tǒng)檢測牛肉總活菌數(shù)量。分別用單個洛倫茲參數(shù)和洛倫茲參數(shù)組合并結合主成分回歸、偏最小二乘回歸、BP神經(jīng)網(wǎng)絡建立預測牛肉總活菌數(shù)的預測模型。利用單個洛倫茲參數(shù)預測相關系數(shù)為0.81,均方根誤差為1.27.洛倫茲參數(shù)組合并結合主成分回歸、偏最小二乘回歸、BP神經(jīng)網(wǎng)絡相關系數(shù)RP和均方根誤差分別為0.86和0.93,0.87和0.79,0.90和0.88。研究結果表明,高光譜成像技術可以預測牛肉總活菌數(shù)量,洛倫茲參數(shù)結合偏最小二乘回歸這個方法預測效果比較好。

鄭彩英等[40]利用高光譜成像技術對羊肉表面微生物進行研究。采用偏最小二乘、人工神經(jīng)網(wǎng)絡等方法,結合生物化學計量學的方法,進行了定量與定性的研究,建立羊肉中總細菌含量和嗜冷菌含量預測模型,利用主成分分析和波段比法檢測和提取感興趣部分,正確識別率達到92.5%。研究結果表明,多元散射校正結合二階導數(shù)是針對細菌總數(shù)建模最好的預處理方法。多元散射校正則是針對嗜冷菌數(shù)建模最好的預處理方法。郭中華等[41]利用900～1700 nm近紅外高光譜成像系統(tǒng)對羊肉表面細菌總數(shù)進行檢測研究。利用多元散射校正結合二階導數(shù)的方法進行預處理,采用主成分分析對光譜數(shù)據(jù)降維,利用偏最小二乘回歸、誤差反向傳遞人工神經(jīng)網(wǎng)絡和徑向基函數(shù)人工神經(jīng)網(wǎng)絡建立模型。研究結果表明,徑向基函數(shù)人工神經(jīng)網(wǎng)絡模型比較好,相關系數(shù)R為0.9988,均方根誤差RMESP為0.2507。

綜上所述,可見/近紅外高光譜成像技術可以對肉類有害微生物進行檢測,數(shù)據(jù)降維的主要方法有主成分分析法、特征波段法,選取最優(yōu)波段的方法有主成分分析法和波段比法,建立預測或者識別模型的主要方法有偏最小二乘回歸法、人工神經(jīng)網(wǎng)絡、最小二乘支持向量機、多元線性回歸模型。一般來說,比較好的方法有最小二乘支持向量機、洛倫茲參數(shù)結合偏最小二乘回歸法。

2.3糧食籽粒微生物檢測

有害微生物是導致糧食作物籽粒發(fā)芽率低的主要原因之一,嚴重影響糧食產(chǎn)量,人食用含有有害微生物的籽粒,易引發(fā)嘔吐甚至中毒。傳統(tǒng)檢測方法費時、費力,需要專業(yè)人員操作,而高光譜成像系統(tǒng)可以實現(xiàn)快速、無損檢測。

Jayme G A等[42]利用528～1785 nm高光譜成像技術對小麥籽粒是否含有赤霉病進行檢測研究。首先采用閾值分割法進行圖像預處理,并進行籽粒與背景分割,然后采用掩模分離籽粒圖像,最后采用閾值法判斷赤霉病程度。結果表明該算法不僅能檢測赤霉病,也可以評估脫氧雪腐鐮刀菌含量。T Senthilkumar等[43]利用1000～1600 nm近紅外高光譜成像系統(tǒng)檢測小麥是否被灰綠曲霉、青霉、赭曲霉毒素A侵染。利用主成分分析選擇波段作為特征波長。線性、二次和馬氏判別三種分類器識別被微生物感染的種子準確率均達到90%以上。研究結果表明,二次判別分類器識別精度高于線性和馬氏距離分類器識別精度。U.Siripatrawan等[44]利用400～1000 nm高光譜成像系統(tǒng)采集反射圖像,對水稻籽粒含有真菌情況檢測研究。然后采用無監(jiān)督的自組織映射模型對真菌感染可視化數(shù)據(jù)進行分類。最后采用偏最小二乘回歸方法用來預測水稻籽粒真菌生長情況。實驗結果表明,水稻籽粒含真菌量預測值和實際值間決定系數(shù)為0.97,誤差平均值為0.39。自組織映射結合偏最小二乘回歸方法可以有效區(qū)分水稻質量。

A Del Fiore等[45]利用400～1000 nm高光譜成像系統(tǒng)對玉米種子的產(chǎn)毒真菌檢測研究。利用主成分分析法和最小顯著差數(shù)法對數(shù)據(jù)進行分析。結果表明利用高光譜成像技術可以識別健康和有病害的種子,高光譜成像技術在食品安全監(jiān)督檢測方面發(fā)揮重要作用。Paul J Williams等[46]利用1000～2498 nm近紅外高光譜成像系統(tǒng)結合多變量數(shù)據(jù)分析,對玉米種子表面是否含有輪枝樣鐮刀菌檢測研究。使用主成分分析法去除反射圖像上壞的像素點。研究表明,近紅外高光譜成像技術結合偏最小二乘法可以用來預測玉米種子真菌感染等級。Lalit Mohan Kandpal等[47]利用1100～1700 nm短波紅外高光譜成像技術對玉米種子是否含有黃曲霉毒素B1檢測研究。將四種含有不同濃度黃曲霉毒素玉米種子作為樣本,利用偏最小二乘判別分析模型對玉米種子黃曲霉毒素含量進行分類。研究結果表明,短波紅外高光譜成像技術對玉米種子黃曲霉毒素識別準確率為96.9%。但不能識別濃度在10 μg/kg以下的樣本。王偉等[48]利用1000～2500 nm高光譜成像系統(tǒng)檢測玉米籽粒中的黃曲霉毒素B1。利用圖像鑲嵌去除背景和陰影。采用主成分分析和交互式分析去除由于探測器本身缺陷導致的壞線條。實驗結果表明,識別玉米籽粒中黃曲霉毒素胚芽向下放置比胚芽向上放置精度高。

Jian Jin等[49]利用400～1000 nm高光譜成像系統(tǒng)對馬鈴薯上產(chǎn)毒與未產(chǎn)毒黃曲霉菌株進行分類研究。利用主成分分析法對數(shù)據(jù)進行去除相關性和降維處理。利用基于B距離的遺傳算法選擇主成分。利用支持向量機對是否含有黃曲霉毒素進行分類。研究結果表明,在鹵素燈源下,產(chǎn)毒真菌識別率達到83%,未產(chǎn)毒真菌識別率達到74%。在紫外燈下,產(chǎn)毒真菌識別率達到67%,未產(chǎn)毒真菌識別率達到85%。

2.4水果表面有害微生物檢測

有害微生物會導致水果腐爛變質,造成經(jīng)濟損失,因此檢測水果表面有害微生物含量特別重要[51]。引起水果腐爛變質的微生物主要有細菌(乳酸桿菌、醋酸桿菌、大腸桿菌等)、酵母菌和霉菌。

Lorente.D等[52]利用高光譜成像系統(tǒng)對柑橘中是否含有真菌檢測研究。利用多層感知器進行分類,采用極限學習機算法。研究結果表明,識別出被真菌感染的柑橘正確率為89%。Bulanon D M等[53]利用400～1100 nm高光譜成像系統(tǒng)對柑橘是否被真菌感染檢測研究。利用線性判別分類器和人工神經(jīng)網(wǎng)絡建立模型,選擇最優(yōu)波長493、629、713、781 nm作為輸入。識別正確率達到92%。王斌等[54]利用380～2000 nm高光譜成像系統(tǒng)對梨棗腐爛情況檢測研究。利用逐步判別分析法和偏最小二乘支持向量機方法建立分類模型。研究結果表明,特征參數(shù)選用光譜近似系數(shù)結合逐步判別分析法分類效果最好,準確率達到99.12%。M A Teena等[55]利用400～2500 nm高光譜成像系統(tǒng)對棗中是否含有真菌檢測研究。利用線性判別分析和二次判別分析選擇最優(yōu)波段,檢測出受真菌感染的大棗準確率為91%～99%。研究結果表明,高光譜成像技術可以檢測出大棗受真菌感染的情況,二次判別分析方法比線性判別分析方法好。Zhang等[56]利用高光譜成像系統(tǒng)對蘋果是否由真菌導致腐爛進行檢測研究。利用偏最小二乘判別分析分類器驗證最優(yōu)波長。采用主成分分析和最小噪聲變換處理圖像。將腐爛蘋果從健康蘋果中識別出來的準確率達到98%。研究結果表明,高光譜成像技術可以檢測出蘋果中有害微生物。ShuaibuM等[57]利用高光譜成像系統(tǒng)和光譜測量儀對蘋果中是否含有真菌檢測研究。利用花青素反射指數(shù)、修改的三角植被指數(shù)、紅邊位置植被指數(shù)與光譜反射率數(shù)據(jù)作為二次判別和支持向量機的分類特征。該方法對健康和被真菌污染的蘋果識別準確率達到97.7%和99.2%。

綜上所述,利用高光譜成像系統(tǒng)可以用來檢測水果表面真菌、霉菌等有害微生物以及腐爛情況,檢測效果比較準確。在水果表面有害微生物檢測中,常采用的數(shù)學模型有多層感知器、線性判別分類器、人工神經(jīng)網(wǎng)絡,二次判別分析法檢測效果比較好。

3　結論與展望

綜上所述,本文闡述了憑借高光譜成像技術顯著的優(yōu)勢,其在水產(chǎn)品、肉類、糧食籽粒、水果中有害微生物檢測取得了顯著的成果。該技術結合了光譜和圖像技術,彌補了只有光譜信息或者只有圖像信息造成的不全面的問題。樣本不需要準備,能實現(xiàn)快速無損的檢測,在一個樣本中能同時檢測多個參數(shù),推掃式采集方式適合農(nóng)畜產(chǎn)品在線檢測,同時提供光譜和圖像信息,可以直觀的觀察有害微生物的分布情況,這種可視化圖像能更直觀、形象的反映農(nóng)畜產(chǎn)品中微生物的含量。但高光譜成像技術也存在一些不足。該技術一般只用來檢測固體樣本,還不能檢測氣體或者液體樣本。另外,高光譜圖像數(shù)據(jù)量龐大,如何進行降維、確定農(nóng)畜產(chǎn)品各種有害微生物的有效波長是比較困難的。此外,該技術只能提取樣本表面光譜信息,不能研究內(nèi)部組成成分。

隨著高光譜成像技術在農(nóng)畜產(chǎn)品微生物檢測方面廣泛的應用,以及光譜技術和圖像技術的進一步發(fā)展,選擇具有準確性和普遍性的數(shù)據(jù)降維算法是未來研究的方向之一。目前高光譜成像技術還只能在實驗室中實現(xiàn),如何將高光譜成像技術應用到農(nóng)畜產(chǎn)品微生物檢測生產(chǎn)中,實現(xiàn)快速準確的在線檢測還需要進一步研究。另外,高光譜成像系統(tǒng)體積大,不方便攜帶,如何開發(fā)出便攜式、準確性高的農(nóng)畜產(chǎn)品檢測光譜成像儀是未來的研究方向。

[1]王雷,喬曉艷,董有爾,等.高光譜圖像技術在農(nóng)產(chǎn)品檢測中的應用進展[J].應用光學,2009,30(4):639-645.

[2]陳維斌,宋玉清.農(nóng)產(chǎn)品快速檢測方法的研究[J].雜糧作物,2001,21(4):45-46.

[3]王艷冬.豬螺桿菌聚合酶鏈反應檢測方法的建立及初步應用[D].北京:中國疾病控制預防中心,2013.

[4]趙欣,李震,顧大勇.肽核酸探針技術及其在微生物檢測中的應用[J].微生物學雜志,2008,28(1):76-82.

[5]盧衛(wèi)紅,付力,鄭琦,等.生物芯片技術的應用與展望[J]. 傳感器與微系統(tǒng),2006,25(6):1-4.

[6]闞方琦,董非,李華,等.兩種大腸菌群快檢紙片的質量檢測及應用效果比較[J]. 預防醫(yī)學文獻信息,2003,9(2):167-168.

[7]魏子淏,李汴生.食源性致病微生物的快速檢測方法及其研究現(xiàn)狀[J].現(xiàn)代食品科技,2013,29(2):438-451.

[8]Hossein,Kiani,DaWen Sun.Water crystallization and its importance to freezing of foods:A review[J].Trends in Food Science& Technology,2011,22:407-426.

[9]Zhang wei Cui,Li-Juan Sun,WeiChen.Preparation of dry honey by microwave-vacuum drying[J].Journal of Food Engineering,2008,84:582-590.

[10]陳倩,李沛軍,孔寶華.拉曼光譜技術在肉品科學研究中的應用[J].2012,33(15):307-313.

[11]田有文,牟 鑫,程 怡.高光譜成像技術無損檢測水果缺陷的研究進展[J].農(nóng)機化研究,2014,32(6):1-5.

[12]曲佳歡,馬驥,孫大文.高光譜成像在食品質量評估方面的研究進展與應用[J].肉類研究,2012,26(04):40-45.

[13]田有文,李天來,張 琳,等.高光譜圖像技術診斷溫室黃瓜病害的方法[J].農(nóng)業(yè)工程學報,2010,26(5):202-206.

[14]張琳.高光譜圖像技術診斷黃瓜病害方法的研究[D].沈陽:沈陽農(nóng)業(yè)大學,2011.

[15]陳守滿.高光譜圖像與農(nóng)產(chǎn)品品質無損檢測研究進展[J].安康學院學報,2011,23(6):1-6.

[16]王家云,王松磊,賀曉光，等.基于NIR高光譜成像技術的灘羊肉內(nèi)部品質無損檢測[J].現(xiàn)代食品科技,2014,30(6):257-261.

[17]Mehla P M,Chen Y R,Kimb M S,et al. Development of detection methodsfor defects and contaminations on apple surface using hyperspectral imaging technique[J]. Journal of Food Engineering,2004,20(61):67-81.

[18]張令標.基于高光譜成像技術的紅棗表面農(nóng)藥殘留無損檢測的研究[D].銀川:寧夏大學,2014.

[19]王成.高光譜圖像壓縮的方法研究[D].南京:南京理工大學,2014.

[20]魏芳潔.高光譜波段選擇方法的研究[D].哈爾濱:哈爾濱工程大學,2013.

[21]祝志慧,劉婷,馬美湖. 基于高光譜信息融合和相關向量機的種蛋無損檢測[J]. 農(nóng)業(yè)工程學報,2015,31(15):285-292.

[22]金瑞,李小昱,顏伊蕓,等. 基于高光譜圖像和光譜信息融合的馬鈴薯多指標檢測方法[J]. 農(nóng)業(yè)工程學報,2015,31(16):258-263.

[23]高陽.高光譜數(shù)據(jù)降維算法研究[D].徐州:中國礦業(yè)大學,2013.

[24]劉紅玉,毛罕平,朱文靜,等.基于高光譜的番茄氮磷鉀營養(yǎng)水平快速診斷[J].農(nóng)業(yè)工程學報,2015,31(增刊1):212-220.

[25]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(nóng)業(yè)工程學報,2015,31(7):279-286.

[26]郭文川,董金磊.高光譜成像結合人工神經(jīng)網(wǎng)絡無損檢測桃的硬度[J].光學精密工程,2015,23(6):1530-1537.

[27]李勛蘭,易時來,何紹蘭,等.高光譜成像技術的柚類品種鑒別研究[J].光譜學與光譜分析學,2015,35(9):2639-2643.

[28]丁希斌,劉飛,張初,等.基于高光譜成像技術的油菜葉片SPAD值檢測[J].光譜學與光譜分析學,2015,35(2):486-491.

[29]Tao F,PENG Y. A method for nondestructive prediction of pork meat quality and safety attributes by hyperspectral imaging technique[J]. Journal of Food Engineering,2014,126:98-106.

[30]高俊峰,張初,謝傳奇,等.應用近紅外高光譜成像技術預測甘蔗可溶性固形物含量[J].光譜學與光譜分析學,2015,35(8)2154-2158.

[31]唐延林,黃敬峰,王人潮,等.利用高光譜數(shù)據(jù)預測水稻籽粒粗蛋白含量研究[J].農(nóng)業(yè)工程學報,2006,22(7):114-118.

[32]Jun-Hu Heng,Jia-HuanQu,Da-Wen Sun.Visible/near-infrared hyperspectral imaging prediction of textural rmness of grass carp(Ctenopharyngodonidella)as affected by frozen storage[J].Food Research International2014,56(8):190-198.

[33]Hong-Jun He,Da-Wen Sun,Di Wu.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(8):476-483.

[34]Hong-JuHe,Da-Wen Sun.Inspection of harmful microbial contamination occurred in edible salmon flesh using imaging technology[J].Journal of Food Engineering.2015,150(12):82-89.

[35]李曉波.微生物與肉類腐敗變質(J).中國肉類食品綜合研究中心,2008,115(9):41-44.

[36]王偉,彭彥昆,張曉莉.基于高光譜成像的生鮮豬肉細菌總數(shù)預測建模方法研究[J].光譜學與光譜分析,2010,30(2):411-415.

[37]宋育霖,彭彥昆,陶斐斐,等.生鮮豬肉細菌總數(shù)的高光譜特征參數(shù)研究[J].食品安全質量檢測學報,2012,06(3):595-599

[38]Barbin,Douglas F,Elmasry,et al. Predicting quality and sensory attributes of pork using near-infrared hyperspectral imaging[J]. Analytica Chimica Acta,2012,719(8):30-42.

[39]FeifeiTao,YankunPeng,CarmenL.Gomes.A comparative study for improving prediction of total viable count in beef based on hyperspectral scattering characteristics[J].Journal of Food Engineering.2015,162(10):38-47.

[40]鄭彩英.基于高光譜成像技術的冷卻羊肉表面微生物活細胞數(shù)量無損檢測方法研究[D]. 銀川:寧夏大學,2014.

[41]郭中華,鄭彩英,金靈.基于近紅外高光譜成像的冷鮮羊肉表面細菌總數(shù)檢測.食品工業(yè)科技.2014,20(12):66-81.

[42]JaymeGA,BarbedoCasianeS,Tibola.DetectingFusarium head blight in wheat kernels using hyperspectralimaging[J].Biosystems Engineering 2015,24(131):65-76.

[43]T.senthilkumar,D.S.Jayas,N.D.G.White.Detection of fungal infection and Ochratoxin A contamination in stored wheat using near-infrared hyperspectral imaging[J].Journal of Stored Products Research,2016,32(65):30-39.

[44]U sirlpatrawan,Y.Makino.Monitoring fungal growth on brown rice grains using rapid and non-destructive hyperspectral imaging[J]. International Journal of Food Microbiology.2014,199(15):93-100.

[45]A.Delflore,M Reverberi,A Ricelli.Early detection of toxigenic fungi on maize by hyperspectral imaging analysis[J]. International Journal of Food Microbiology. 2010,144(22):64-71.

[46]Paul J Williams,Paul Geladi,Trevor J.Britz.Investigation of fungal development in maize kernels using NIR hyperspectral imaging and multivariate data analysis[J].Journal of Cereal Science.2011,55(28):272-278.

[47]Lalit Mohan,KandpalSangdae Lee,MOON S KIM.Short wave infrared(SWIR)hyperspectral imaging technique for examination of aflatoxinB1(AFB1)on corn kernels[J]. Food Control.2015,(15)51:171-176.

[48]Wei Wang,Xinzhi Ni,Kurt C.Feasibility of detecting Aflatoxin B1in single maize kernels using hyperspectral imaging[J].Journal of Food Engineering.2015,18(166):182-192.

[49]Jian Jin,Lie Tang,ZuzanaHruska.Classification of toxigenic and atoxigenic strains of Aspergillusflavus with hyperspectralimaging[J].Computers and Electronics in Agriculture.2009,24(69):158-164.

[50]Wei Wang,Xinzhi Ni,Kurt C. Lawrence.Feasibility of detecting Aflatoxin B1in single maize kernels using hyperspectralimaging[J].Journal of Food Engineering.2015,166(33):182-192.

[51]Pu,Y.-Y.,Feng,Y.-Z.,Sun,D.-W. Recent progress of hyperspectral imaging on quality and safety inspection of fruits and vegetables:A review[J].Comprehensive Reviews in Food Science and Food Safety.2015,14(4):176-188.

[52]Lorente,D.,Aleixos,N.,Gómez-Sanchis,J.Selection of Optimal Wavelength Features for Decay Detection in Citrus Fruit Using the ROC Curve and Neural Networks[J].Food and Bioprocess Technology.2013,6(2):530-541.

[53]Bulanon,D.M.,Burks,T.F.,Kim,D.G.Citrus black spot detection using hyperspectral image analysis[J].Agricultural Engineering International:CIGR Journal.2013,15(3):171-180.

[54]王斌,薛建新,張淑娟.基于高光譜成像技術的腐爛、病害梨棗檢測[J].農(nóng)業(yè)機械學報.2013,44(3):205-209.

[55]M.A. Teena,A. Manickavasagan,L. Ravikanth.Near infrared(NIR)hyperspectral imaging to classify fungal infected date fruits[J].Journal of Stored Products Research 2014,59(3):306-313.

[56]Zhang,B.,Fan,S.,Li,J.Detection of Early Rottenness on Apples by Using Hyperspectral Imaging Combined with Spectral Analysis and Image Processing[J].Food Analytical Methods.2015,8(8):2075-2086.

[57]ShuaibuM.Lee,W.S.,Hong,Y.K..Detection of apple Marssoninablotchdisease using hyperspectralimaging[J].American Society of Agricultural and Biological Engineers Annual International Meeting.2015,2(6):984-997.

Recent research developments in hyperspectral imaging technology for rapid detection of microbial contaminants in agricultural-animal and food products

CUI Bo1,2,TIAN You-wen1,2,*,LIU Si-jia1,2

(1.College of Information and Electric Engineering Shenyang Agricultural University,Shenyang 110161,China; 2.Liaoning Agricultural Information Engineering Technology Research center,Shenyang 110161,China)

Microbial contaminant in agricultural and food products leads to spoilage which is damage for human healthand economic conditions.It is very important to rapidly detect the microbial contaminant.Hyperspectral imaging technology can rapidly detect microbial contaminant in agricultural and food products. In this paper,hyperspectral imaging system andprocessing methods were introduced. Then,recent research developments of hyperspectral imaging technology in the detection of microbial in meat products,grains were introduced. It was pointed out that thehyperspectral imaging technology can detect the microbial contaminant species and the total amount of microbial contaminant. Although the advantage of hyperspectral imaging technology is obvious,it is a challenge in accuracy and mining of data. With the further development of optical technology and computer technology,hyperspectral imaging technology will be applied in detection for microbial contaminant online.

hyperspectralimaging;detection;microbialin agricultural and food products

2016-02-26

崔博(1988-)，男，碩士，主要從事圖譜分析在農(nóng)產(chǎn)品品質檢測方面應用,E-mail:cuibo.244633323@163.com

田有文(1968-)，女，博士，教授，主要從事圖譜分析在農(nóng)產(chǎn)品品質檢測方面應用,E-mail:youwen_tian10@163.com。

沈陽市大型儀器設備共享服務專項項(F15-166-4-00);遼寧省科技計劃項目(201401236-3)。

TS207.4

A

1002-0306(2016)17-0366-06

10.13386/j.issn1002-0306.2016.17.064