導(dǎo)航：安全管理網(wǎng)>> 安全論文>> 食品安全論文>>正文

肉品質(zhì)量無(wú)損檢測(cè)技術(shù)研究進(jìn)展

文檔作者：楊東1 王紀(jì)華2 陸安祥2 文檔來(lái)源： 1. 沈陽(yáng)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院 2. 北京農(nóng)業(yè)質(zhì)量標(biāo)準(zhǔn)與檢測(cè)技術(shù)研究中心		點(diǎn) 擊數(shù)：	更新時(shí)間： 2025年06月30日
下載地址：點(diǎn)擊這里	文件大?。?569.94 KB 共8頁(yè)	文檔格式： PDF	下載點(diǎn)數(shù)： 1 點(diǎn)（VIP免費(fèi)）

全屏查看

內(nèi)容預(yù)覽 [文件共8頁(yè)]

本文件共8頁(yè)，如需編輯使用，請(qǐng)下載。

注：預(yù)覽效果可能會(huì)出現(xiàn)部分文字亂碼（如口口口）、內(nèi)容顯示不全等問(wèn)題，下載是正常的。

	文件大?。?69.94 KB 共8頁(yè) 文件格式：PDF 下載點(diǎn)數(shù)：1 點(diǎn)（VIP會(huì)員免費(fèi)）

上一篇：如何加強(qiáng)生產(chǎn)源頭管理確保食品質(zhì)量安全

文本預(yù)覽

僅提取頁(yè)面文字內(nèi)容，供快速閱讀使用。

第6 卷第 10 期食 品安全質(zhì)量檢測(cè)學(xué)報(bào)Vol. 6 No. 10
2015 年10 月Journal of Food Safety and Quality Oct. , 2015
基金項(xiàng)目: 加工過(guò)程質(zhì)量安全檢測(cè)關(guān)鍵技術(shù)和裝備研發(fā)與應(yīng)用項(xiàng)目(2014BAD04B05-2)
Fund: Supported by the Key Technology of the Quality and Safety Determination and Development and Application of Equipment in the
Process of Machining (2014BAD04B05-2)
*通訊作者: 王紀(jì)華, 博士, 研究員, 主要研究方向?yàn)檗r(nóng)產(chǎn)品質(zhì)量檢測(cè)技術(shù)與信息技術(shù)的交叉與集成。E-mail: wangjh@nercita.org.cn
*Corresponding author: WANG Ji-Hua, Ph.D, Researcher, Beijing Research Center for Agricultural Standards and Testing, No. 9, Middle Road
of Shuguanghuayuan, Haidian District, Beijing 100097, China. E-mail: wangjh@nercita.org.cn
肉品質(zhì)量無(wú)損檢測(cè)技術(shù)研究進(jìn)展
楊 東 1, 王紀(jì)華2*, 陸安祥2
(1. 沈陽(yáng)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院, 沈陽(yáng) 110866; 2. 北京農(nóng)業(yè)質(zhì)量標(biāo)準(zhǔn)與檢測(cè)技術(shù)研究中心, 北京 100097)
摘要: 肉類(lèi)和肉類(lèi)食品品質(zhì)與安全檢測(cè)一直是肉類(lèi)行業(yè)中關(guān)注的熱點(diǎn)。本文綜述了超聲波、電磁特性、電子
鼻與電子舌、計(jì)算機(jī)視覺(jué)、光譜分析等幾種當(dāng)前主要無(wú)損檢測(cè)技術(shù)在肉品質(zhì)量評(píng)價(jià)中的研究進(jìn)展。其中, 重點(diǎn)
介紹了光譜分析中具有圖譜合一、可同時(shí)獲取樣品內(nèi)外部品質(zhì)信息特性的高光譜成像技術(shù)及其在國(guó)內(nèi)外肉品
品質(zhì)檢測(cè)中的應(yīng)用現(xiàn)狀, 提出了該技術(shù)在肉類(lèi)品質(zhì)檢測(cè)研究方向的幾點(diǎn)思考, 并展望了無(wú)損檢測(cè)技術(shù)在肉品
品質(zhì)檢測(cè)中的研究前景, 以期為后續(xù)研究提供參考。
關(guān)鍵詞: 無(wú)損檢測(cè); 肉品質(zhì)量; 高光譜成像技術(shù)
Research development on non-destructive determination technology for meat
product quality
YANG Dong1, WANG Ji-Hua2*, LU An-Xiang2
(1. College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110866, China;
2. Beijing Research Center for Agricultural Standards and Testing, Beijing 100097, China)
ABSTRACT: The detection of quality and safety for meat and its products have become the hot research topics
in meat industry. The recent progress of the present non-destructive detection techniques for evaluation of meat
product quality was summarized, including ultrasonic, electrical magnetic properties, electronic nose and
electronic tongue, computer vision, and spectral analysis. Furthermore, the characteristics of hyperspectral
imaging from spectral analysis was mainly analyzed ,which could integrate image and spectrum and obtain both
internal and external quality information from inspected objects simultaneously, and its application status in
meat products quality detection at home and abroad was also reviewed. Meanwhile, some ideas in meat quality
detection with hyperspectral imaging technology were put forward. Finally, the future investigation direction of
non-destructive determination techniques in meat product quality detection was proposed to researchers on the
related studies as a reference.
KEY WORDS: non-destructive determination; meat quality; hyperspectral imaging technology
1 引 言
隨著生活水平的提高和膳食結(jié)構(gòu)的改變, 人們對(duì)肉
類(lèi)食品品質(zhì)與安全提出了更高的要求。我國(guó)是肉類(lèi)生產(chǎn)消
費(fèi)大國(guó), 由于與歐美市場(chǎng)膳食結(jié)構(gòu)偏好不一致, 肉及肉制
品質(zhì)量安全事件頻頻爆發(fā), 致使我國(guó)肉類(lèi)產(chǎn)品難以進(jìn)入國(guó)
4084 食品安全質(zhì)量檢測(cè)學(xué)報(bào)第 6 卷
際市場(chǎng)[1]。同時(shí)肉類(lèi)品質(zhì)檢測(cè)技術(shù)和評(píng)價(jià)方法繁瑣, 也降
低了監(jiān)管機(jī)構(gòu)的工作效率。因此, 實(shí)現(xiàn)肉類(lèi)品質(zhì)與安全的
快速檢測(cè)和準(zhǔn)確評(píng)價(jià)已成為肉品行業(yè)發(fā)展和保證食品安全
的重要工作之一。傳統(tǒng)肉品檢測(cè)方法有感官評(píng)價(jià)、理化指
標(biāo)檢測(cè)以及微生物菌落檢測(cè)等[2]。其中, 感官評(píng)價(jià)存在主
觀性強(qiáng)、不易量化、評(píng)價(jià)人員意見(jiàn)難以一致的問(wèn)題; 理化
指標(biāo)及微生物檢測(cè)存在待測(cè)樣品預(yù)處理繁瑣、化學(xué)試劑消
耗量大、檢測(cè)周期長(zhǎng)以及成本較高等問(wèn)題[3]。為滿(mǎn)足生產(chǎn)
者、監(jiān)管者和消費(fèi)者對(duì)肉品質(zhì)量安全的要求, 無(wú)損檢測(cè)技
術(shù)已逐步替代傳統(tǒng)的檢測(cè)技術(shù)成功地應(yīng)用到肉和肉制品檢
測(cè)之中[4]。特別近年來(lái), 隨著成像和光譜技術(shù)的快速發(fā)展,
高光譜成像技術(shù)已經(jīng)廣泛應(yīng)用于肉品品質(zhì)與安全的快速無(wú)
損檢測(cè)之中[5], 該技術(shù)是一種圖像及光譜的融合技術(shù), 可
以同時(shí)獲取實(shí)驗(yàn)對(duì)象的空間及光譜信息。圖像數(shù)據(jù)能反映
樣品的外部特征、表面缺陷及污斑情況, 而光譜數(shù)據(jù)又可
以對(duì)物體內(nèi)部物理結(jié)構(gòu)及化學(xué)成分進(jìn)行分析。大量的成功
案例也已經(jīng)證明了高光譜成像技術(shù)是肉品品質(zhì)與安全檢測(cè)
的科學(xué)有效工具[6]。針對(duì)肉品品質(zhì)與安全狀況, 本文介紹
了超聲波、電磁特性、計(jì)算機(jī)視覺(jué)、電子鼻與電子舌、光
譜分析幾種無(wú)損檢測(cè)技術(shù), 并重點(diǎn)闡述了光譜分析中的高
光譜成像技術(shù)在肉品品質(zhì)檢測(cè)與評(píng)價(jià)中的應(yīng)用和研究進(jìn)展,
展望了無(wú)損檢測(cè)技術(shù)未來(lái)的發(fā)展趨勢(shì)。
2 無(wú)損檢測(cè)技術(shù)在肉品品質(zhì)測(cè)定中的研究進(jìn)展
無(wú) 損 檢 測(cè) 技 術(shù) (non-destructive determination
technologies, NDT)是在物理學(xué)、電子學(xué)、計(jì)算機(jī)科學(xué)、信
息技術(shù)以及人工智能等學(xué)科的基礎(chǔ)上發(fā)展起來(lái)的一門(mén)新興
的綜合性應(yīng)用學(xué)科[7]。該技術(shù)是在不損壞待測(cè)樣品的前提
下, 通過(guò)樣品的外部屬性特征和內(nèi)部組成成分所引起的對(duì)
熱、聲、光、電、磁等的不同反應(yīng)來(lái)檢測(cè)樣品的物理性質(zhì)、
機(jī)械性能以及內(nèi)部結(jié)構(gòu)等發(fā)生的變化, 是探測(cè)其內(nèi)部或外
表異樣的現(xiàn)代檢驗(yàn)技術(shù)。針對(duì)肉品在檢測(cè)過(guò)程中呈現(xiàn)出的
光學(xué)特性、聲學(xué)特性、電磁特性等, 光譜、射頻識(shí)別、超
聲波、核磁共振、X 光成像、計(jì)算機(jī)視覺(jué)、高光譜成像、
電子鼻與電子舌和生物傳感器等快速、實(shí)時(shí)、準(zhǔn)確、無(wú)損
檢測(cè)技術(shù)被應(yīng)用到肉品品質(zhì)檢測(cè)與評(píng)價(jià)中[4]。其中, 由于
高光譜成像技術(shù)融合了傳統(tǒng)的成像技術(shù)和光譜技術(shù)的優(yōu)點(diǎn),
可同時(shí)獲取肉樣的內(nèi)部品質(zhì)信息和外部屬性特征, 在肉及
肉制品檢測(cè)上具有很大的發(fā)展?jié)摿5]。
2.1 超聲波檢測(cè)技術(shù)
超聲波檢測(cè)技術(shù)是依據(jù)聲波在肉品中傳播時(shí)的反射、
散射、透射和吸收、以及衰減系數(shù)、傳播速度和其自身的
聲阻抗和固有頻率等特性, 來(lái)反映出肉品與聲波相互作用
時(shí)所產(chǎn)生的特征信息, 并據(jù)此實(shí)現(xiàn)對(duì)肉品品質(zhì)的快速無(wú)損
檢測(cè)[8]。利用超聲波技術(shù)可以實(shí)現(xiàn)對(duì)肉品的內(nèi)部組成成分、
肥瘦肉厚度、肥瘦比以及胴體分級(jí)等指標(biāo)的檢測(cè)。Morlein
等[9]采用超聲波檢測(cè)技術(shù), 以豬肉背最長(zhǎng)肌中的脂肪含量
為指標(biāo), 對(duì)豬肉胴體進(jìn)行分級(jí)檢測(cè)。Fortin 等[10]在已有的
超聲波檢測(cè)胴體分級(jí)系統(tǒng)的基礎(chǔ)上, 改進(jìn)檢測(cè)方法, 對(duì)豬
肉胴體采用超聲波掃描獲得眼肌切面的結(jié)構(gòu)圖像, 結(jié)合光
學(xué)成像技術(shù)獲得豬肉背面和側(cè)面的二維圖像和結(jié)構(gòu)光三維
重建圖像, 計(jì)算豬胴體的體積、背面面積、側(cè)面面積等多
個(gè)特征變量, 建立豬胴體瘦肉率的預(yù)測(cè)模型。該模型融合
了超聲波圖像特征和光學(xué)圖像特征, 復(fù)雜度大于超聲波檢
測(cè)模型, 但硬件系統(tǒng)相對(duì)簡(jiǎn)單, 其預(yù)測(cè)結(jié)果也較好, 預(yù)測(cè)
相關(guān)系數(shù)r2=0.91, RSD=1.68%。
Prados 等[11]利用超聲波在腌制豬肉中的傳播速度的
變化檢測(cè)肉中鹽分和水分的含量。通過(guò)建立的回歸模型分
析可知腌制肉中鹽分和水分含量與超聲波的傳播速度線性
相關(guān), 結(jié)果表明利用超聲波技術(shù)預(yù)測(cè)腌制肉中鹽分和水分
含量是可行的。還有學(xué)者應(yīng)用超聲波技術(shù)探究不同的喂養(yǎng)
方式對(duì)豬生長(zhǎng)過(guò)程的影響及肉組織結(jié)構(gòu)的變化[12]。
2.2 電磁特性檢測(cè)技術(shù)
電磁特性檢測(cè)技術(shù)是利用待測(cè)樣品在電、磁場(chǎng)中發(fā)生
變化的電、磁特性參數(shù)來(lái)反映樣品的某些變化信息。肉品
的電磁特性與肉的組織結(jié)構(gòu)、內(nèi)部成分、狀態(tài)等有密切關(guān)
系[13]。肉品從新鮮到腐敗的過(guò)程中, 其阻抗值具有一定的
變化規(guī)律, 可以通過(guò)檢測(cè)這種變化特征對(duì)肉品品質(zhì)進(jìn)行分
析與評(píng)價(jià)。Aalhus 等[14]為了證明對(duì)新鮮胴體進(jìn)行電刺激(低
壓<100 或高壓>300 V)可以提高肉的嫩度和品質(zhì)(肉色、大
理石紋、風(fēng)味、貨架期等), 研究了低壓電刺激方法對(duì)牛肉
嫩度的影響, 最終確認(rèn)電刺激可以提高牛肉的嫩度。
電磁特性檢測(cè)技術(shù)所需設(shè)備相對(duì)簡(jiǎn)單、數(shù)據(jù)的獲取和
處理比較容易、具有快速準(zhǔn)確、不受場(chǎng)合地點(diǎn)限制的優(yōu)勢(shì)。
因此, 其應(yīng)用前景較廣闊。Higbie 等[15]采用測(cè)量胴體全身
電導(dǎo)率的方法來(lái)檢測(cè)無(wú)脂瘦肉和全脂肪含量。因?yàn)槭萑獗?
肥肉導(dǎo)電率高, 通過(guò)對(duì)不同部位和不同條件下的豬胴體
檢測(cè)發(fā)現(xiàn), 可以用二項(xiàng)或三項(xiàng)多項(xiàng)式預(yù)測(cè)無(wú)脂瘦肉重量,
復(fù)相關(guān)系數(shù)為r2=0.93 或r2=0.95。通過(guò)實(shí)驗(yàn)可以證明, 全
身電導(dǎo)率法是方便、經(jīng)濟(jì)、準(zhǔn)確測(cè)定胴體無(wú)脂瘦肉重量的
可行性方法。Hanne 等[16]采集屠宰后時(shí)間分別為90、140、
161、182 d 的豬背最長(zhǎng)肌樣本41 個(gè), 用核磁共振對(duì)其水
分分布與水分活性進(jìn)行檢測(cè), 并且同時(shí)對(duì)豬肉樣品進(jìn)行
感官評(píng)價(jià)。研究結(jié)果表明, 屠宰時(shí)間對(duì)豬肉多汁性有重要
的影響。
2.3 電子鼻與電子舌檢測(cè)技術(shù)
電子鼻是一種模擬哺乳動(dòng)物鼻子的嗅覺(jué)功能, 對(duì)樣
品產(chǎn)生的揮發(fā)性氣體進(jìn)行感知與識(shí)別, 并進(jìn)行氣味檢測(cè)的
智能系統(tǒng)。這是一種通過(guò)采集樣品揮發(fā)性成分整體信息來(lái)
第10 期楊 東, 等: 肉品質(zhì)量無(wú)損檢測(cè)技術(shù)研究進(jìn)展 4085
評(píng)價(jià)樣品的方法[17]。研究表明, 不同肉類(lèi)具有不同的物質(zhì)
組成, 使其有不同的風(fēng)味和氣味, 電子鼻技術(shù)是以待檢測(cè)
肉品在電子鼻傳感器上反映出的不同的特征性響應(yīng)圖譜為
依據(jù), 對(duì)肉品品質(zhì)進(jìn)行定量分析與定性判別。電子鼻具有
測(cè)定速度快、測(cè)定范圍廣、不需要對(duì)待測(cè)樣品進(jìn)行預(yù)前處
理等優(yōu)點(diǎn), 該技術(shù)已經(jīng)成功用于豬肉、牛肉、雞肉等肉類(lèi)
的新鮮度評(píng)價(jià)及保藏貨架期的預(yù)測(cè)中[18]。
電子舌是一種模擬哺乳動(dòng)物味覺(jué)模式, 由交互式傳
感器陣列、信號(hào)選擇裝置以及模式識(shí)別算法構(gòu)成的智能檢
測(cè)系統(tǒng)[17]。對(duì)于復(fù)雜呈味物質(zhì)的樣品, 電子舌系統(tǒng)可實(shí)現(xiàn)
檢測(cè)、識(shí)別及分析的功能, 并以其快速、簡(jiǎn)便、安全等特
點(diǎn)迅速在很多領(lǐng)域內(nèi)都得到廣泛的應(yīng)用。在肉以及肉制品
檢測(cè)中, 電子舌傳感器獲取其味覺(jué)物質(zhì)的信號(hào), 并將信號(hào)
傳至電腦, 由模式識(shí)別算法分析并對(duì)不同肉品進(jìn)行鑒別,
得出不同肉品的味覺(jué)信息。
現(xiàn)階段電子鼻和電子舌技術(shù)在肉與肉制品檢測(cè)方法
的應(yīng)用主要集中在豬肉、牛肉、雞肉羊肉等新鮮度的檢測(cè)、
不同種類(lèi)肉的分級(jí)及模擬添加成分的肉類(lèi)摻假檢測(cè)。
Papadopoulou 等[19]利用電子鼻技術(shù), 以揮發(fā)性鹽基氮
(TVB-N)含量為評(píng)價(jià)指標(biāo), 對(duì)不同貯藏溫度(0、5、10、15
和 20 ℃)下的豬肉新鮮度進(jìn)行研究。利用電子鼻獲取的特
征數(shù)據(jù)結(jié)合支持向量機(jī)(SVM)模型實(shí)現(xiàn)了豬肉新鮮度的定
性判別。Zhang 等[20]研究了6 個(gè)氣敏傳感器在檢測(cè)牛肉新
鮮度中的可行性, 發(fā)現(xiàn)其中5 個(gè)傳感器可以用于牛肉新鮮
度得檢測(cè), 并采用這5 個(gè)傳感器建立了牛肉新鮮度的電子
鼻檢測(cè)系統(tǒng)。賈洪鋒等[18]利用電子鼻對(duì)牦牛肉、牛肉和鴨
肉摻假現(xiàn)象進(jìn)行檢測(cè), 根據(jù)肉類(lèi)在電子鼻傳感器上呈現(xiàn)的
不同的特征性響應(yīng)圖譜, 可以有效的識(shí)別出豬肉和牛肉。
韓劍眾等[21]利用課題組開(kāi)發(fā)的多頻脈沖電子舌對(duì)生
鮮豬肉和雞肉的品質(zhì)和新鮮度進(jìn)行研究, 電子舌不僅可以
有效區(qū)分不同品種的豬肉和雞肉(杜大長(zhǎng)豬和金華豬)和不
同部位的宰后豬肉(背最長(zhǎng)肌和半膜肌), 還能檢測(cè)出不同
儲(chǔ)藏溫度下(室溫 15 ℃和冷藏 4 ℃)肉質(zhì)的新鮮程度。Luis
等[22]組建了一個(gè)由16 個(gè)電勢(shì)傳感器(金屬傳感器、金屬氧
化物傳感器和難溶鹽電極)組成的電子舌檢測(cè)系統(tǒng), 結(jié)合
質(zhì)構(gòu)、色度、pH 值、菌落總數(shù)、揮發(fā)性鹽基氮和生物胺等
生化指標(biāo), 研究了魚(yú)片新鮮度隨時(shí)間的變化趨勢(shì)。結(jié)果發(fā)
現(xiàn), 采用電子舌信號(hào)建立的PLS 定量分析模型可以有效預(yù)
測(cè)與肉新鮮度相關(guān)的生化指標(biāo), 且總生物胺、pH 值、揮發(fā)
性鹽基氮含量和菌落總數(shù)與16 個(gè)傳感器信號(hào)之間具有顯
著的相關(guān)性(其相關(guān)系數(shù)在0.98 以上)。
2.4 計(jì)算機(jī)視覺(jué)檢測(cè)技術(shù)
計(jì)算機(jī)視覺(jué)技術(shù)是使用計(jì)算機(jī)及相關(guān)設(shè)備對(duì)生物視
覺(jué)的一種模擬, 主要是基于人的視覺(jué)原理, 通過(guò)圖像傳感
器裝置獲取樣本的圖像信息, 將顏色、像素亮度和分布等
圖像信息進(jìn)行數(shù)字化表達(dá), 對(duì)圖像進(jìn)行特征提取, 最終通
過(guò)計(jì)算機(jī)模擬人的判別準(zhǔn)則去理解和識(shí)別目標(biāo)圖像[23]。作
為一門(mén)融合了光學(xué)成像、計(jì)算機(jī)科學(xué)、圖像信息處理技術(shù)、
人工智能等諸多領(lǐng)域的交叉學(xué)科, 計(jì)算機(jī)視覺(jué)技術(shù)不僅具
有快速、無(wú)損、自動(dòng)化程度高、清晰度高、抗干擾能力強(qiáng)
等諸多優(yōu)點(diǎn), 還擴(kuò)展了人的視覺(jué)范圍, 可代替人眼進(jìn)行測(cè)
量和判別。肉品的外觀顏色、大理石紋、紋理等特征可以
通過(guò)圖像直觀表達(dá), 也是影響判定肉品質(zhì)量等級(jí)的關(guān)鍵因
素[24,25], 利用計(jì)算機(jī)視覺(jué)技術(shù), 通過(guò)圖像獲取肉品的外觀
特征信息, 并對(duì)肉品的新鮮度等指標(biāo)進(jìn)行分析與評(píng)價(jià)的無(wú)
損檢測(cè)方式受到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。
隨著計(jì)算機(jī)科學(xué)技術(shù)的不斷發(fā)展、電子硬件設(shè)備成本
的降低、運(yùn)算速度的提升以及不同學(xué)科之間的交叉滲透,
計(jì)算機(jī)視覺(jué)技術(shù)在肉品質(zhì)快速無(wú)損檢測(cè)領(lǐng)域得到了越來(lái)越
廣泛的應(yīng)用。Folkestad 等[26]應(yīng)用圖像處理技術(shù)測(cè)定大西洋
鮭魚(yú)肉的成分含量, 以偏最小二乘回歸(PLSR)作為建模方
法對(duì)蝦青素含量預(yù)測(cè)取得了很好的效果。Lin 等[27]為了提
高無(wú)損檢測(cè)的精度, 采用多源信息融合技術(shù), 將近紅外光
譜、計(jì)算機(jī)視覺(jué)以及電子鼻技術(shù)檢測(cè)到的特征信息相結(jié)合,
建立了BP-ANN 的豬肉新鮮度的非線性預(yù)測(cè)模型, 并與單
一技術(shù)建立模型相比較, 結(jié)果表明, 將多源技術(shù)融合后的
檢測(cè)模型的性能有了明顯的提升。
Stien 等[28]采用計(jì)算機(jī)視覺(jué)技術(shù)獲取虹鱒魚(yú)的RGB 圖
像, 通過(guò)圖像分析檢測(cè)魚(yú)肉的形態(tài)參數(shù)、脂肪比例和顏色,
并隨機(jī)選擇50 個(gè)樣本圖像以人工分割肉片的方式分割出
背部脂肪沉積區(qū)和紅肌區(qū), 與圖像分析的形態(tài)分割結(jié)果很
相關(guān); 魚(yú)肉片圖像分析預(yù)測(cè)出的脂肪比例, 與中紅外透射
光譜的脂肪測(cè)量結(jié)果比較相關(guān); 魚(yú)肉不同顏色變量的主成
分分析結(jié)果表明, 比例、平均值等簡(jiǎn)單系數(shù)可以定量肉色
的不同方面。Zheng 等[29]提出基于區(qū)域生長(zhǎng)法計(jì)算區(qū)域元
來(lái)提取紋理參數(shù), 并將所得8 組參數(shù)用于表征圖像尺寸、
方向和對(duì)比度, 從而實(shí)現(xiàn)對(duì)3 種熟肉品的分類(lèi)。結(jié)果表明,
該方法可以有效地將不同種類(lèi)肉品(牛肉、豬肉和羊肉)的
彩色圖像進(jìn)行分類(lèi), 且效果優(yōu)于傳統(tǒng)的游程矩陣方法。
3 光譜檢測(cè)技術(shù)
不同波段的光照射肉品時(shí), 肉品會(huì)對(duì)光產(chǎn)生吸收、散
射、反射和透射等現(xiàn)象。國(guó)內(nèi)外研究學(xué)者報(bào)道, 一些特定
波段的光照射至于肉品內(nèi)部時(shí), 通過(guò)透射和散射采集的光
譜數(shù)據(jù)中會(huì)攜帶有豐富的肉品內(nèi)部成分信息[30-32]; 另一些
波段的光作用于肉品表面時(shí), 所形成的光譜圖像會(huì)呈現(xiàn)出
肉品的外部特征信息[33,34]。將光譜技術(shù)與化學(xué)計(jì)量學(xué)方法、
圖像信息處理技術(shù)、人工智能技術(shù)有機(jī)的結(jié)合, 可實(shí)現(xiàn)對(duì)
肉品品質(zhì)與安全快速無(wú)損檢測(cè)。當(dāng)前, 廣泛應(yīng)用到肉品質(zhì)
安全檢測(cè)的光譜技術(shù)主要有近紅外光譜、拉曼光譜和X 射
線熒光光譜分析技術(shù)。
4086 食品安全質(zhì)量檢測(cè)學(xué)報(bào)第 6 卷
3.1 近紅外光譜檢測(cè)技術(shù)
近紅外(near infrared, NIR)光是介于可見(jiàn)光和中紅外
之間的電磁輻射波, 美國(guó)材料檢測(cè)協(xié)會(huì)(ASTM)將近紅外
光的波長(zhǎng)范圍定義為780~2526 nm 的區(qū)域[35]。近紅外光譜
主要是分子基頻振動(dòng)的倍頻和合頻的吸收, 導(dǎo)致采集到的
光譜信息比較弱。再加上樣品的不均勻性、儀器測(cè)量誤差、
以及復(fù)雜背景等諸多不確定因素的干擾, 使得如何從復(fù)雜,
重疊和變動(dòng)的背景中提取出有效的光譜信息, 并建立最優(yōu)
的檢測(cè)模型成為了當(dāng)前研究的重點(diǎn)和分析的難點(diǎn)。
近年來(lái), 隨著計(jì)算機(jī)技術(shù)和化學(xué)計(jì)量學(xué)方法的迅猛
發(fā)展, 對(duì)應(yīng)于使近紅外光譜技術(shù)以其具有客觀、低成本, 很
少或無(wú)需樣本預(yù)處理, 對(duì)復(fù)雜樣品可多成分同時(shí)分析等特
點(diǎn)廣泛的應(yīng)用到農(nóng)業(yè)、煙草業(yè)、食品業(yè)、醫(yī)藥行業(yè)以及石
油化工行業(yè)等領(lǐng)域[36]。并在肉及肉制品品質(zhì)檢測(cè)和評(píng)價(jià)上
有了突破性進(jìn)展。Park 等[37]采用近紅外光譜技術(shù)建立了基
于主成分回歸(PCR)的牛肉嫩度檢測(cè)模型, 對(duì)牛肉嫩度進(jìn)
行了分析與評(píng)價(jià)。劉魁武等[38]利用可見(jiàn)/近紅外光譜對(duì)冷鮮
豬肉中的脂肪、蛋白質(zhì)和水分含量進(jìn)行研究, 光譜數(shù)據(jù)經(jīng)
多元散射校正(MSC)處理后,分別建立0~4 ℃和-20 ℃下的
原始光譜、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)的偏最小二乘(PLS)定量分
析模型, 并對(duì)模型的性能進(jìn)行分析和比較, 結(jié)果表明, 經(jīng)
過(guò)一階導(dǎo)數(shù)處理后的模型性能最優(yōu)。田瀟瑜等[39]以塊狀生
鮮牛肉為樣本, 研究了基于可見(jiàn)及近紅外反射光譜的生鮮
牛肉多品質(zhì)參數(shù)檢測(cè)模型。對(duì)原始光譜數(shù)據(jù)進(jìn)行卷積平滑
(S-G)、一階微分(FD)及標(biāo)準(zhǔn)化校正(SNV)預(yù)處理, 并建立
基于PLSR 的校正模型。結(jié)果表明: 經(jīng)過(guò)變量標(biāo)準(zhǔn)化校正
(SNV)的模型效果最好。由此可見(jiàn), SNV 可以去除塊狀樣品
引起的散射現(xiàn)象。
3.2 拉曼光譜檢測(cè)技術(shù)
拉曼光譜分析技術(shù)通常是利用激光來(lái)檢測(cè)處于紅外
區(qū)的分子振動(dòng)和轉(zhuǎn)動(dòng)能量, 是基于拉曼散射效應(yīng)而發(fā)展起
來(lái)的光譜分析技術(shù), 對(duì)與入射光頻率不同的散射光譜進(jìn)行
分析以得到分子振動(dòng)、轉(zhuǎn)動(dòng)方面信息。與近紅外光譜相比,
拉曼光譜可以表征出一些在紅外區(qū)域無(wú)法顯示的特征信息,
起到相互補(bǔ)充的作用。如利用水分含量對(duì)拉曼光譜吸收非
常弱的特點(diǎn), 避免了水分變化的干擾, 可以通過(guò)拉曼光譜
獲取更加準(zhǔn)確的動(dòng)物蛋白、脂肪等成分的含量信息[40]。
Daniel 等[41]利用拉曼散射光譜技術(shù)結(jié)合多元數(shù)據(jù)分析方法,
以豬肉制品為檢測(cè)對(duì)象, 對(duì)熟肉在加工制作過(guò)程中的加熱
溫度和持續(xù)加熱時(shí)間與其存儲(chǔ)期限的相關(guān)關(guān)系進(jìn)行系統(tǒng)的
研究。Pedersen 等[42]采用拉曼光譜技術(shù), 建立了基于PLSR
的新鮮豬肉滴水損失預(yù)測(cè)模型, 模型型的相關(guān)系數(shù)達(dá)到
(r2=0.97)。拉曼圖譜表明, 保水性與位于(876~951 cm-1)和
(3071~3128 cm-1)波段附近的譜帶有關(guān)。
3.3 X 射線熒光光譜檢測(cè)技術(shù)
X 射線具有穿透能力、衍射作用和激發(fā)熒光的特性。
通過(guò)捕獲X 射線的穿透特性, 可以得到樣品的透射圖像和
斷層圖像, 進(jìn)一步可以分析物質(zhì)的內(nèi)部結(jié)構(gòu)[43]。X 射線熒
光光譜技術(shù)主要用于檢測(cè)動(dòng)物結(jié)締組織中的膠原蛋白含量
[44]。還有學(xué)者將該技術(shù)用于肉類(lèi)表面致病菌的定性分析。
Tao 等[45]提出了一種新的X 射線檢測(cè)厚度不均勻的肉中碎
骨的圖像處理方法, 設(shè)計(jì)了4 種不同形狀的塑料模型來(lái)模
擬肉及碎骨, 并作為實(shí)驗(yàn)對(duì)象來(lái)驗(yàn)證這種圖像處理算法的
可行性。試驗(yàn)結(jié)果證明, 無(wú)論把這4 種碎骨模型放置在雞
肉的何種位置, 都能被很好地檢測(cè)出來(lái)。
3.4 高光譜成像檢測(cè)技術(shù)
高光譜成像技術(shù)是新一代光電檢測(cè)技術(shù), 興起于20
世紀(jì)80 年代, 融合光學(xué)、電子學(xué)、數(shù)字圖像信息處理以及
計(jì)算機(jī)科學(xué)等技術(shù)[46]。該技術(shù)將傳統(tǒng)二維成像技術(shù)和光譜
技術(shù)有機(jī)地結(jié)合在一起, 具有連續(xù)多波段、光譜分辨率高
和圖譜合一等特點(diǎn)[47,48], 即同時(shí)含有圖像信息和光譜信
息。圖像信息可以用來(lái)檢測(cè)肉品的外部特征, 而光譜信息
則可以用來(lái)檢測(cè)肉品的內(nèi)部品質(zhì)特性?？梢詫?duì)肉品的外部
屬性和內(nèi)部品質(zhì)進(jìn)行高效的定性判別和定量分析。
高光譜成像技術(shù)作為一種新興的快速無(wú)損檢測(cè)技術(shù),
在農(nóng)畜產(chǎn)品內(nèi)外部品質(zhì)無(wú)損檢測(cè)中得到廣泛的應(yīng)用。它可
以同時(shí)獲取圖像上每個(gè)像素點(diǎn)的連續(xù)光譜信息和每個(gè)光譜
波段的連續(xù)圖像信息, 因此, 高光譜成像技術(shù)能對(duì)檢測(cè)樣
品的多方面物理、化學(xué)信息進(jìn)行空間維的定量可視化表達(dá)。
高光譜成像技術(shù)既有光譜技術(shù)的優(yōu)點(diǎn): 快速、高效、測(cè)量
簡(jiǎn)單方便、非破壞性分析、多組分同時(shí)測(cè)定、樣品不需預(yù)
處理或預(yù)處理簡(jiǎn)單、可實(shí)現(xiàn)實(shí)時(shí)分析; 又融合了圖像技術(shù)
的特性: 可視化、直觀形象、再現(xiàn)性好、處理精度高、適
用面寬、靈活性高。光譜技術(shù)和圖像處理技術(shù)的融合與交
叉, 使得提取出的光譜信息和圖像信息都能發(fā)揮出遠(yuǎn)大于
自身的功用。致使其已經(jīng)成功的應(yīng)用到農(nóng)畜產(chǎn)品質(zhì)量與安
全檢測(cè)、分類(lèi)與分級(jí)之中, 在肉品品質(zhì)檢測(cè)上具有很大的
發(fā)展?jié)摿49]。
國(guó)外學(xué)者利用光譜分析技術(shù)在肉類(lèi)檢測(cè)中的應(yīng)用起
步較早, 研究也比較深入。Kamruzzaman 等[50] 選用
900~1700 nm 波段范圍, 利用高光譜成像技術(shù), 建立了羊
肉脂肪、水分和蛋白質(zhì)含量無(wú)損檢測(cè)模型。應(yīng)用ENVI 軟
件從高光譜原始圖像上獲取感興趣區(qū)域(ROI)的平均光譜
信息, 利用Uscrambler 軟件對(duì)光譜信息建立偏最小二乘回
歸(PLSR)的多元散射校正模型, 結(jié)果表明: 用該模型對(duì)羊
肉中水分、脂肪和蛋白質(zhì)含量進(jìn)行預(yù)測(cè)其決定系數(shù)分別為
0.88、0.88 和0.63, 預(yù)測(cè)標(biāo)準(zhǔn)誤差為0.40%、0.51%和0.34%。
Talens 等[51]利用高光譜成像技術(shù)結(jié)合偏最小二乘回歸
(PLSR)建立了火腿肉中蛋白質(zhì)和水分含量的檢測(cè)模型。從
光譜圖像數(shù)據(jù)中提取出平均光譜信息, 利用模型相關(guān)系數(shù)
法優(yōu)選出能表征蛋白質(zhì)含量的波長(zhǎng)為(930、971、1051、
1137、1165、1212、1295、1400、1645、1682 nm), 水分
第10 期楊 東, 等: 肉品質(zhì)量無(wú)損檢測(cè)技術(shù)研究進(jìn)展 4087
含量特征波長(zhǎng)為(930、971、1084、1212、1645、1682 nm)。
蛋白質(zhì)和水分檢測(cè)模型的擬合系數(shù)分別為0.877 和0.891,
預(yù)測(cè)標(biāo)準(zhǔn)誤差為0.994 和0.540。在此基礎(chǔ)上, 利用該模型
以偽彩色的形式將蛋白質(zhì)和水分含量在高光譜圖像中進(jìn)行
可視化表示, 直觀地呈現(xiàn)出蛋白質(zhì)和水分在火腿肉表面的
分布狀況。
Qiao 等[52]采用可見(jiàn)/近紅外高光譜成像檢測(cè)系統(tǒng)測(cè)定
豬肉表面大理石花紋分布狀況, 并利用提取出的大理石花
紋特征變量對(duì)豬肉品質(zhì)進(jìn)行分級(jí)。Elmasry 等[53]利用高光
譜成像技術(shù)檢測(cè)了鮮牛肉的嫩度、pH 和肉色(L*,B*)等品
質(zhì)指標(biāo)。Xiong 等[54]利用高光譜成像技術(shù)對(duì)牛肉、鵝肉、
鴨肉的色素總數(shù)進(jìn)行分析, 利用ENVI 從高光譜原始圖像
中選擇感興趣區(qū)域(ROI)獲取光譜數(shù)據(jù), 通過(guò)連續(xù)投影算
法(SPA)選出最能表征色素總數(shù)的特征波長(zhǎng)變量, 然后建
立SPA-PLSR 的檢測(cè)模型, 模型的決定系數(shù)(r2)達(dá)到0.953,
預(yù)測(cè)均方根誤差(RMSEP)為9.896, RPD 為4.628。并將色
素總數(shù)在肉表面的分布狀況以可視化的形式表示。
Liu 等[55]結(jié)合光譜和質(zhì)構(gòu)特征來(lái)改進(jìn)腌肉pH 值預(yù)測(cè)
的可行性。從高光譜圖像感興趣區(qū)域(ROI)提取平均光譜,
通過(guò)主成分分析(PCA)選擇9 個(gè)特征光譜變量。同時(shí), 利用
灰度-梯度共生矩陣分析第一主成分(PC1)圖像(占總方差
96%), 并提取13 個(gè)質(zhì)構(gòu)特征變量。在光譜數(shù)據(jù)、質(zhì)構(gòu)數(shù)據(jù)
和兩者數(shù)據(jù)相結(jié)合的基礎(chǔ)上, 建立偏最小二乘回歸法
(PLSR)的pH 值預(yù)測(cè)模型。結(jié)果表明: 預(yù)測(cè)樣品基于數(shù)據(jù)
融合的決定系數(shù)(r2)達(dá)到0.794, 優(yōu)于單獨(dú)基于光譜信息
(r2=0.783)或質(zhì)構(gòu)數(shù)據(jù)(r2=0.593)。因此, 結(jié)合光譜與質(zhì)構(gòu)分
析的方法能有效改善肉類(lèi)品質(zhì)預(yù)測(cè)模型的性能。
趙娟等[56]利用高光譜成像技術(shù)提取出牛肉表面圖像
的紋理特征, 采用主成分分析(PCA)進(jìn)行數(shù)據(jù)降維后, 分
別建立了基于支持向量機(jī)(SVM)和線性判別(LDA)法的牛
肉嫩度等級(jí)判別模型。經(jīng)分析比較可知: 線性判別模型
(LDA)識(shí)別準(zhǔn)確率相比支持向量機(jī)模型(SVM)較高?；?
主成分紋理特征建立的線性判別模型預(yù)測(cè)集判別精度為
94.44%。陳全勝等[57]利用高光譜成像系統(tǒng)獲取78 個(gè)豬肉
樣本在400~1100 nm 范圍內(nèi)的高光譜圖像數(shù)據(jù), 通過(guò)PCA
進(jìn)行數(shù)據(jù)降維, 從中優(yōu)選3 幅特征圖像并從每幅圖像出提
取出4 個(gè)基于灰度共生矩陣的紋理特征變量, 建立基于神
經(jīng)網(wǎng)絡(luò)(ANN)的豬肉嫩度等級(jí)判別模型。通過(guò)模型性能檢
驗(yàn)的結(jié)果表明: 高光譜圖像技術(shù)可以用于豬肉嫩度等級(jí)水
平的檢測(cè)。成芳等[58]利用傅里葉變換近紅外漫反射光譜結(jié)
合不同數(shù)學(xué)建模算法對(duì)不同部位取樣的豬肉肉糜進(jìn)行定性
判別建模, 并建立豬肉肉糜中脂肪、蛋白質(zhì)和水分含量的
定量檢測(cè)模型。研究表明利用傅里葉變換近紅外漫反射光
譜快速判別不同部位豬肉肉糜的方法是可行的, 脂肪和水
分含量定量分析模型從預(yù)測(cè)精度、穩(wěn)定性及適應(yīng)性考慮均
具有一定的通用性, 具有良好的市場(chǎng)應(yīng)用前景。
朱逢樂(lè)等[59]應(yīng)用可見(jiàn)/近紅外高光譜成像技術(shù)快速檢
測(cè)多寶魚(yú)肉冷藏時(shí)間并實(shí)現(xiàn)其可視化。采集不同冷藏時(shí)間
的魚(yú)肉樣本的高光譜圖像, 建立偏最小二乘回歸(PLSR)模
型,對(duì)樣本的冷藏時(shí)間進(jìn)行預(yù)測(cè), 預(yù)測(cè)決定系數(shù)(r2) 為
0.9662, 預(yù)測(cè)均方根誤差(RMSEP)為0.6799。最后, 利用所
建模型對(duì)預(yù)測(cè)集圖像上每個(gè)像素點(diǎn)的冷藏時(shí)間加以預(yù)測(cè),
以偽彩圖的形式實(shí)現(xiàn)多寶魚(yú)肉冷藏時(shí)間的可視化表達(dá)。
上述研究表明利用高光譜成像技術(shù)對(duì)肉品新鮮度、化
學(xué)組分(蛋白質(zhì)、脂肪、水分)含量、嫩度、pH 值和顏色等
品質(zhì)特性進(jìn)行快速無(wú)損檢測(cè)并做出適宜性評(píng)價(jià)是可行的。
高光譜成像技術(shù)檢測(cè)肉品品質(zhì)與安全狀況, 具有很大的發(fā)
展?jié)摿? 該技術(shù)完美的融合了傳統(tǒng)圖像處理技術(shù)和光譜分
析技術(shù)的優(yōu)點(diǎn), 能夠?qū)崿F(xiàn)肉品品質(zhì)無(wú)損檢測(cè)的同時(shí)還可以
將檢測(cè)的指標(biāo)數(shù)據(jù)以可視化的形式表示。該技術(shù)在未來(lái)發(fā)
展中需考慮以下幾個(gè)問(wèn)題: (1)髙光譜圖像三維數(shù)據(jù)信息量
較大, 不同波段圖像數(shù)據(jù)間具有相關(guān)性, 冗余信息多, 需
要發(fā)掘一種低成本、高效率的算法來(lái)解決高光譜數(shù)據(jù)處理
過(guò)程中的復(fù)雜多變現(xiàn)象, 進(jìn)行有效數(shù)據(jù)降維處理, 并能滿(mǎn)
足肉品行業(yè)的實(shí)際需求。(2)目前多數(shù)研究只是利用高光譜
數(shù)據(jù)中的光譜信息進(jìn)行分析, 沒(méi)有充分挖掘空間信息, 對(duì)
于圖像空間信息的利用還處于由定性研究向定量研究的過(guò)
渡階段。(3)當(dāng)前所使用的高光譜成像系統(tǒng)檢測(cè)設(shè)備的成本
較高, 應(yīng)研發(fā)出一種低成本, 并與傳感器, 計(jì)算機(jī)等兼容
的高光譜成像檢測(cè)系統(tǒng), 為現(xiàn)代食品加工企業(yè)實(shí)現(xiàn)品質(zhì)在
線檢測(cè)、過(guò)程控制和分級(jí)定價(jià)系統(tǒng)提供支持。
肉與肉制品的質(zhì)量標(biāo)準(zhǔn)的檢測(cè)與評(píng)價(jià)具有綜合性強(qiáng)、
復(fù)雜多變的特點(diǎn), 傳統(tǒng)的檢測(cè)技術(shù)不能滿(mǎn)足現(xiàn)代肉類(lèi)工業(yè)
的發(fā)展需求, 致使無(wú)損檢測(cè)技術(shù)已經(jīng)成功的應(yīng)用到肉品品
質(zhì)與安全檢測(cè)之中。表1 所示為上述幾種常用無(wú)損檢測(cè)技
術(shù)的優(yōu)缺點(diǎn)及應(yīng)用比較。
表 1 無(wú)損檢測(cè)技術(shù)性能比較
Table 1 Comparison of non-destructive determination technologies
方法優(yōu)點(diǎn) 不足 主要作用
超聲波技術(shù)
快速、無(wú)污染、非破壞性、檢測(cè)靈敏度高、
儀器使用靈活
易受肉品分布不均勻、操作人
員技術(shù)、測(cè)量部位、超聲波頻
率等因素的影響
測(cè)定肉品的組成成分、肌肉厚度、
脂肪厚度、肥瘦肉比例等
4088 食品安全質(zhì)量檢測(cè)學(xué)報(bào)第 6 卷
續(xù)表 1
方法 優(yōu)點(diǎn) 不足 主要作用
電子鼻與電子舌
客觀、準(zhǔn)確、快捷、重復(fù)性好、可分析有毒
樣品或成分、不會(huì)疲勞
過(guò)于依賴(lài)檢測(cè)設(shè)備的穩(wěn)定性，
檢測(cè)精度有待提高
魚(yú)和肉等食品揮發(fā)氣味的識(shí)別和
分類(lèi)，肉品新鮮度檢測(cè)，肉品分
級(jí)和摻假檢測(cè)
電磁特性
快速、準(zhǔn)確、操作設(shè)備簡(jiǎn)單、數(shù)據(jù)的獲取和
處理比較容易，不受場(chǎng)合地點(diǎn)限制
設(shè)備成本較高，檢測(cè)樣品品質(zhì)
指標(biāo)范圍有限，應(yīng)用范圍不廣
測(cè)定肉內(nèi)部化學(xué)成分組成、肉品
新鮮度檢測(cè),通過(guò)電刺激提高肉
的嫩度和品質(zhì)
計(jì)算機(jī)視覺(jué)
能夠獲取樣品的空間信息，識(shí)別樣品的外部
特征，檢測(cè)準(zhǔn)確度高于人工感官評(píng)價(jià)
樣品外部特征信息的獲取和
利用有限，不能檢測(cè)內(nèi)部成分
判定胴體的嫩度、脂肪分布、肉
色、紋理、pH 值等綜合指標(biāo)
光譜技術(shù)
快速，無(wú)損，簡(jiǎn)單。無(wú)污染，提供樣品內(nèi)部
成分的光譜特征信息
檢測(cè)成本高，對(duì)含量較低的成
分檢測(cè)敏感性差，數(shù)據(jù)建模分
析復(fù)雜
肉品內(nèi)部化學(xué)成分和含量檢測(cè)、
感官品質(zhì)的評(píng)定、產(chǎn)品鑒定等
高光譜成像技術(shù)
能夠提供樣品的內(nèi)部成分光譜數(shù)據(jù)和外部
特征的圖像信息,品質(zhì)參數(shù)可視化表達(dá)
成本較高。數(shù)據(jù)量較大，數(shù)據(jù)
降維處理較復(fù)雜
肉品內(nèi)部成分含量檢測(cè)，肉的新
鮮度、嫩度、腐敗特征等檢測(cè)
4 總結(jié)與展望
每種檢測(cè)技術(shù)都具有其特定的優(yōu)勢(shì), 如光譜技術(shù)可
以有效獲取樣品內(nèi)部豐富的成分含量信息, 能實(shí)現(xiàn)對(duì)樣品
的內(nèi)部組成結(jié)構(gòu)進(jìn)行快速無(wú)損檢測(cè)。計(jì)算機(jī)視覺(jué)技術(shù)可以
從樣品的外觀圖像中挖掘出包含樣品品質(zhì)特征的信息, 建
立品質(zhì)信息的定性或定量檢測(cè)模型。而高光譜成像技術(shù)融
合了光譜技術(shù)和計(jì)算機(jī)視覺(jué)技術(shù)的雙重優(yōu)勢(shì), 并可以對(duì)檢
測(cè)到的肉品品質(zhì)信息進(jìn)行可視化表達(dá)。
隨著光學(xué)成像技術(shù)、物聯(lián)網(wǎng)技術(shù)以及計(jì)算機(jī)技術(shù)的不
斷發(fā)展和檢測(cè)設(shè)備成本降低, 以及系統(tǒng)數(shù)據(jù)處理性能的提
升, 開(kāi)發(fā)肉類(lèi)品質(zhì)信息在線檢測(cè)系統(tǒng), 特別是應(yīng)用到生產(chǎn)
線上的在線檢測(cè)設(shè)備是未來(lái)所需要的。充分利用多元信息,
將多種無(wú)損檢測(cè)技術(shù)有機(jī)的融合, 建立一個(gè)有效的肉和肉
制品實(shí)時(shí)檢測(cè)數(shù)據(jù)信息化系統(tǒng), 保證監(jiān)測(cè)結(jié)果的時(shí)效性和
準(zhǔn)確性, 使肉品的質(zhì)量得到簡(jiǎn)單、快速、準(zhǔn)確、全面的評(píng)
價(jià), 在消費(fèi)者的健康安全得到保障的同時(shí)也使商家獲得利
益, 將是今后的研究重點(diǎn)。
參考文獻(xiàn)
[1] 徐霞, 成芳, 應(yīng)義斌. 近紅外光譜技術(shù)在肉品檢測(cè)中的應(yīng)用和研究進(jìn)
展[J]. 光譜學(xué)與光譜分析, 2009, 29(7): 1876-1880.
Xu X, Cheng F, Ying YB. Application and recent development of research
on near-infrared spectroscopy for meat quality evaluation [J]. Spectrosc
Spect Anal, 2009, 29(7): 1876-1880.
[2] 彭彥昆, 張雷蕾. 光譜技術(shù)在生鮮肉品質(zhì)安全快速檢測(cè)的研究進(jìn)展[J].
食品安全質(zhì)量檢測(cè)學(xué)報(bào), 2010, 27(2): 62-71.
Peng YK, Zhang LL, Advancement of rapid detection of meat quality and
safety by using spectral imaging technology [J]. J Food Saf Qual, 2010,
27(2): 62-71.
[3] 孔憲琴, 黃素珍. 肉品品質(zhì)的無(wú)損檢測(cè)方法[J]. 肉類(lèi)研究, 2008, (8):
66-69.
Kong XQ, Huang SZ. Non-destructive measurement techniques for meat
quality detection [J]. Meat Res, 2008, (8): 66-69.
[4] 潘立剛, 張縉, 陸安祥, 等. 農(nóng)產(chǎn)品質(zhì)量無(wú)損檢測(cè)技術(shù)研究進(jìn)展與應(yīng)用
[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2008, 24(S2): 325-330.
Pang LG, Zhang J, Lu AX, et al. Review on non-destructive determination
technology for agricultural product quality [J]. T CSAE, 2008, 24(S2):
325-330.
[5] Di W, Sun DW. Advanced applications of hyper-spectral imaging
technology for food quality and safety analysis and assessment: a
review-Part I: fundamentals [J]. Innov Food Sci Emerg, 2013, 19: 1-14.
[6] Di W, Sun DW. Advanced applications of hyper-spectral imaging
technology for food quality and safety analysis and assessment: a
review-Part II: applications [J]. Innov Food Sci Emerg, 2013, 19: 15-28.
[7] 王自明. 無(wú)損檢測(cè)綜合知識(shí)[M]. 北京: 機(jī)械工業(yè)出版社, 2005.
Wang ZM. Comprehensive knowledge on non-destructive determination
[M]. Beijing: China Machine Press, 2005.
[8] Abouelkaram S, Suchorski K, Buquet B, et al. Effects of muscle texture on
ultrasonic measurements [J]. Food Chem, 2000, 69(4): 447-455.
[9] Morlein D, Rosner F, Brand S, et al. Non-destructive estimation of the
intramuscular fat content of the longissimus muscle of pigs by means of
spectral analysis of ultrasound echo signals [J]. Meat Sci, 2005, 69:
187-199.
[10] Fortin A, Tong AKW, Robertson WM, et al. A novel approach to grading
pork carcasses: computer vision and ultrasound [J]. Meat Sci, 2003, 63(4):
451-462.
[11] Prados M, García-Pérez JV, Benedito J. Non-destructive salt content
prediction in brined pork meat using ultrasound technology [J]. J Food
Eng, 2015, 154: 39-48.
[12] Newcom DW, Baas TJ, Lampe F. Prediction of intramuscular fat
percentage in live swine using real-time ultrasound [J]. J Anim Sci, 2002,
80(12): 3046-3052.
第10 期楊 東, 等: 肉品質(zhì)量無(wú)損檢測(cè)技術(shù)研究進(jìn)展 4089
[13] 姜曉文, 韓劍眾. 生鮮肉品持水性的核磁共振研究[J]. 食品工業(yè)科技,
2009, 30(1): 322-325.
Jiang XW, Hang JZ. LF-NMR studies of water-holding capacity in fresh
meat [J]. Sci Technol Food Ind, 2009, 30(1): 322-325.
[14] Aalhus JL, Larsen IL, Dubeski PL, et al. Improved beef tenderness using a
modified on-line carcass suspension method with or without low voltage
electrical stimulation [J]. J Anim Sci, 2000, 80: 51-58.
[15] Higbie AD, BidnerTD, MatthewsJO, et al. Prediction of swine carcass
composition by total body electrical conductivity (TOBEC) [J]. J Anim Sci,
2002, 80: 113-122.
[16] Hanne CB, Idak S, Jens AJ, et al. Relationship between water mobility and
distribution and sensory attributes in pork slaughtered at an age between
90 and 180 days [J]. Meat Sci, 2007, 77(2): 190-195.
[17] 田曉靜. 基于電子鼻和電子舌的羊肉品質(zhì)檢測(cè)[D]. 杭州: 浙江大學(xué),
2014.
Tian XJ. Detection of mutton quality base on electronic nose and
electronic tongue [D]. Hangzhou: Zhejiang University, 2014.
[18] 賈洪鋒, 盧一, 何江紅, 等. 肉類(lèi)電子鼻識(shí)別模型的建立[J]. 食品與機(jī)
械, 2011, 27(3): 96-99.
Jia HF, Lu Y, He JH, et al. Prediction model of meat base on electric nose
[J]. Food Mach, 2011, 27(3): 96-99.
[19] Papadopoulou OS, Tassou CC, Schiavo L, et al. Rapid assessment of meat
quality by means of an electronic nose and support vector machines [J].
Procedia Food Sci, 2011, 1(0): 2003-2006.
[20] Zhang Z, Jin T, Donghui C, et al. Electronic nose with an air sensor matrix
for detecting beef freshness [J]. J Bionic Eng, 2008, 5(1): 67-73.
[21] 韓劍眾, 黃麗娟, , 顧振宇, 等. 基于電子舌的肉品品質(zhì)及新鮮度評(píng)價(jià)
研究[J]. 中國(guó)食品學(xué)報(bào), 2008, 8(3): 125-132.
Hang JZ, Huang LJ, Gu ZY, et al. Evaluation of quality and freshness base
on the electronic tongue [J]. J Chin Food Sci Technol, 2008, 8(3):
125-132.
[22] Luis G, Jose M, Isabel E, et al. An electronic tongue for fish freshness
analysis using a thick-film array of electrodes [J]. Microchim Acta, 2008,
163: 121-129.
[23] 孫大文, 吳迪, 何鴻舉, 等. 現(xiàn)代光學(xué)成像技術(shù)在食品品質(zhì)快速檢測(cè)中
的應(yīng)用[J]. 華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 2012, 40(10): 59-68.
Sun DW, Wu D, He HJ, et al. Applications of modern optical imaging
technologies for rapid quality inspection of food products [J]. J South
China Univ (Nat Sci Ed), 2012, 40(10): 59-68.
[24] Ngapo TM, Martin JF, et al. International preferences for pork appearance
[J]. Consum Choice Food Qua Prefer, 2007, 18(1): 26-36.
[25] Norman JL, Berg EP, Heymann H, et al. Pork loin color relative to sensory
and instrumental tenderness and consumer acceptance [J]. Meat Sci, 2003,
65(2): 927-933.
[26] Folkestad A, Wold JP, Rorvik KA, et al. Rapid and non-invasive
measurements of fat and pigment concentrations in live and slaughtered
Atlantic salmon(Salmosalar L) [J]. Aquaclt, 2008, 280: 129-135.
[27] Lin H, Jiewen Z, Quansheng C, et al. Nondestructive measurement of
total volatile basic nitrogen (TVB-N) in pork meat by integrating near
infrared spectroscopy, computer vision and electronic nose techniques [J].
Food Chem, 2014, 145: 228-236.
[28] Stien LH, Manne F, Ruohonene K, et al. Automated image analysis as a
tool to quantify the color and composition of rainbow trout (Oncorhynchus
mykiss W.) cutlets [J]. Aquacult, 2006, 261: 695-705.
[29] Zheng CX, Sun DW, Zheng LY. A new region-primitive method for
classification of color meat image texture based on size, orientation, and
contrast [J]. Meat Sci, 2007, 76(4): 620-627.
[30] Xia J, Berg EP, Lee JW, et al. Characterizing beef muscles with optical
scattering and absorption coefficients in VIS-NIR region [J]. Meat Sci,
2007, 75(1): 78-83.
[31] Liu Y, Lyon BG, WindhamI WR. Prediction of color, texture, and sensory
characteristics of beef steaks by visible and near infrared reflectance
spectroscopy: a feasibility study [J]. Meat Sci, 2003, 65: 1107-1115.
[32] 趙杰文, 翟劍妹, 劉木華, 等. 牛肉嫩度的近紅外光譜法檢測(cè)技術(shù)研究
[J]. 光譜學(xué)與光譜分析, 2006, 26(4): 640-642.
Zhao JW, .Zhai JM, Liu MH, et al. The determination beef tenderness
using near- infrared spectroscopy [J]. Spectrosc Spect Anal, 2006, 26(4):
640-642.
[33] Jackman P, Sun DW, Du CJ, et al. Prediction of beef eating quality from
color-marbling and wavelet texture features [J]. Meat Sci, 2008, 80:
1273-1281.
[34] Li J, Tan J, Shatadal P. Classification of tough and tender beef by image
texture analysis [J]. Meat Sci, 2001, 57(4): 341-346.
[35] 褚小立. 化學(xué)計(jì)量學(xué)方法與分子光譜分析技術(shù)[M]. 北京: 化學(xué)工業(yè)出
版社, 2011.
Chu XL. Molecular spectroscopy analytical technology combined with
chemometrics and its applications [M]. Beijing: Chemical Industry Press,
2011.
[36] 褚小立, 許育鵬, 陸婉珍. 用于近紅外光譜分析的化學(xué)計(jì)量學(xué)方法研
究與應(yīng)用進(jìn)展[J]. 分析化學(xué), 2008, 36(5): 702-709.
Chu XL, Xu YP, Lu WZ. Research and application progress of
chemometrics methods in near infrared spectroscopic analysis [J]. Chin J
Anal Chem, 2008, 36(5): 702-709.
[37] Park B, Chen YR, Hruschka WR, et al. Principal component regression of
near-infrared reflectance spectra for beef tenderness prediction [J]. T
CSAE, 2001, 44: 609-615.
[38] 劉魁武, 成芳, 林宏建, 等. 可見(jiàn)/近紅外光譜檢測(cè)冷鮮豬肉中的脂肪、
蛋白質(zhì)和水分含量[J]. 光譜學(xué)與光譜分析, 2009, 29(1): 102-105.
Liu KW, Cheng F, Lin HJ, et al. Visible/NIR analysis of fat, protein and
water in chilled pork [J]. Spectrosc Spect Anal, 2009, 29(1): 102-105.
[39] 田瀟瑜, 徐楊, 彭彥昆, 等. 基于光譜技術(shù)的牛肉多品質(zhì)參數(shù)快速檢測(cè)
模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2013, 44(S1): 171-176.
Tian XY, Xu Y, Peng YK, et al. Rapid detection model of beef quality base
on spectroscopy [J]. T CSAM, 2013, 44(S1): 171-176.
[40] Sowoidnich K, Schmidt H, Kronfeldt HD, et al. A portable 671 nm Raman
sensor system for rapid meat spoilage identification [J]. Vib Spectrosc,
2012, 62: 70-76.
[41] Daniel T, Berhe A, Anders J, et al. Accurate determination of endpoint
temperature of cooked meat after storage by Raman spectroscopy and
chemometrics [J]. Food Control, 2015,52: 119-125.
[42] Pedersen DK, Morel S, Andersen HJ, et al. Early prediction of
water-holding capacity in meat by multivariate vibrational spectroscopy
[J]. Meat Sci, 2003, 65(1): 581-592.
[43] 劉木華, 蔡健榮, 周小梅. X 射線圖像在農(nóng)畜產(chǎn)品內(nèi)部品質(zhì)無(wú)損檢測(cè)中
的應(yīng)用[J]. 農(nóng)機(jī)化研究, 2004, 02(074): 193-196.
Liu MH, Cai JR, Zhou XM. The application of non-destructive inspection
4090 食品安全質(zhì)量檢測(cè)學(xué)報(bào)第 6 卷
using X-ray imaging in internal quality of agriculture and poultry products
[J]. J Agric Mech Res, 2004, 02(074): 193-196.
[44] Karoui R, Blecker C. Fluorescence spectroscopy measurement for quality
assessment of food systems-A review [J]. Food Bioproc Technol, 2011, 4:
364–386.
[45] Tao Y, Ibarra JG. Thickness-compensated X-ray imaging detection of
bone fragments in deboned poultry [J] Mod Anal ASAE, 2000, 43(2):
453-459.
[46] 王雷, 喬曉艷, 董有爾, 等. 高光譜圖像技術(shù)在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用進(jìn)
展[J]. 應(yīng)用光學(xué), 2009, 30(4): 639-644.
Wang L, Qiao XY, Dong YE, et al. Application of hyper-spectral image
technology in detecting agricultural product [J]. J Appl Opt, 2009, 30(4):
639-644.
[47] 劉木華, 趙杰文, 鄭建鴻, 等. 農(nóng)畜產(chǎn)品品質(zhì)無(wú)損檢測(cè)中高光譜圖像技
術(shù)的應(yīng)用進(jìn)展[J].農(nóng)業(yè)機(jī)械學(xué)報(bào), 2005, 36(9): 139-143.
Liu MH, Zhao JW, Zheng JH, et al. Review of hyperspectral imaging in
quality and safety inspections of agricultural and poultry products [J]. T
CSAM, 2005, 36(9): 139-143.
[48] Di W, Dawen S, Yong H. Application of long-wave near infrared
hyper-spectral imaging for measurement of color distribution in salmon
fillet [J]. Innov Food Sci Emerg, 2012, 16: 361-372.
[49] Xiong ZJ, Dawen S, Xinan Z. Recent developments of hyper-spectral
imaging systems and their applications in detecting quality attributes of
red meats: a review [J]. J Food Eng, 2014, 132: 1-13.
[50] Kamruzzaman M, ElMasry G, Dawen S, et al. Non-destructive prediction
and visualization of chemical composition in lamb meat using NIR
hyper-spectral imaging and multivariate regression[ J]. Innov Food Sci
Emerg, 2012, 16: 218-226.
[51] Talens P, Leticia M, Noha M, Douglas F, et al. Prediction of water and
protein contents and quality classification of Spanish cooked ham using
NIR hyper-spectral imaging [J]. J Food Eng, 2013, 117: 272-280.
[52] Qiao J, Ngadi MO, Ning W, et al. Pork quality and marbling level
assessment using a hyper-spectral imaging system [J]. J Food Eng, 2007,
83(1): 10-16.
[53] Elmasry G, Dawen S, Allen P. Near-infrared hyper-spectral imaging for
predicting color, pH and tenderness of fresh beef [J]. J Food Eng, 2012,
110: 127-140.
[54] Xiong ZJ, Dawen S, Anguo X, et al. Quantitative determination of total
pigments in red meats using hyper-spectral imaging and multivariate
analysis [J]. Food Chem, 2015, 178: 339-345.
[55] Lin D, Hongbin P, Dawen S. Combination of spectra and texture data of
hyper-spectral imaging for prediction of pH in salted meat [J]. Food Chem,
2014, 160: 330-337.
[56] 趙娟, 彭彥昆. 基于高光譜圖像紋理特征的牛肉嫩度分布評(píng)價(jià)[J]. 農(nóng)
業(yè)工程學(xué)報(bào), 2015 31(7): 279-286.
Zhao J, Peng YK. Distribution of beef tenderness grading based on texture
feature by hperspectral image analysis [J]. T CSAE, 2015, 31(7): 279-286.
[57] 陳全勝, 張燕華, 萬(wàn)新民, 等. 基于高光譜成像技術(shù)的豬肉嫩度檢測(cè)研
究[J]. 光學(xué)學(xué)報(bào), 2010, 30(9): 2602-2606.
Chen QS, Zhang YH, Wan XM, et al. Study on detection of pork
tenderness using hyperspectral imaging technique [J]. ACTA Opt Sin,
2010, 30(9): 2602-2606.
[58] 成芳, 樊玉霞, 廖宜濤. 應(yīng)用近紅外漫反射光譜對(duì)豬肉肉糜進(jìn)行定性
定量檢測(cè)研究[J]. 光譜學(xué)與光譜分析, 2012, 32(2): 354-359.
Cheng F, Fan YX, Liao YT. Qualitative and quantitative detection of
minced pork quality by near infrared reflectance spectroscopy [J].
Spectrosc Spect Anal, 2012, 32(2): 354-359.
[59] 朱逢樂(lè), 章海亮, 邵詠妮, 等. 基于高光譜成像技術(shù)的多寶魚(yú)肉冷藏時(shí)
間的可視化研究[J]. 光譜學(xué)與光譜分析, 2014, 34(7): 1938-1942.
Zhu FL, Zhang HL, Shao YN, et al. Visualization of the chilling storage
time for turbot flesh based on hyperspectral imaging technique [J].
Spectrosc Spect Anal, 2014, 34(7): 1938-1942.
(責(zé)任編輯: 李振飛)
作者簡(jiǎn)介
楊 東, 在讀博士生, 主要研究方向
為農(nóng)業(yè)信息化技術(shù)。
E-mail: yangdong871216@sina.com
王紀(jì)華, 博士, 研究員, 主要研究方
向?yàn)檗r(nóng)產(chǎn)品質(zhì)量檢測(cè)技術(shù)與信息技術(shù)的交
叉與集成。

網(wǎng)友評(píng)論 more

食品安全論文最新內(nèi)容

06-30