冷鮮羊肉冷藏時(shí)間和水分含量的高光譜無(wú)損檢測(cè)

王婉嬌，王松磊，賀曉光，何建國(guó)

（寧夏大學(xué)農(nóng)學(xué)院，寧夏 銀川 750021）

冷鮮羊肉冷藏時(shí)間和水分含量的高光譜無(wú)損檢測(cè)

王婉嬌，王松磊*，賀曉光，何建國(guó)

（寧夏大學(xué)農(nóng)學(xué)院，寧夏 銀川 750021）

利用可見(jiàn)-近紅外高光譜成像技術(shù)對(duì)冷鮮羊肉的冷藏時(shí)間和水分含質(zhì)進(jìn)行無(wú)損檢測(cè)。通過(guò)波長(zhǎng)400～1 000 nm可見(jiàn)-近紅外高光譜系統(tǒng)采集160 個(gè)羊肉樣本光譜信息，優(yōu)選主成分-14-線性判別法對(duì)原始光譜建立羊肉冷藏時(shí)間的判別模型，校正集對(duì)羊肉冷藏時(shí)間的判別率為99.17%，預(yù)測(cè)集為100%，模型可較好地判別羊肉的冷藏時(shí)間。其次，針對(duì)羊肉冷藏過(guò)程中水分含質(zhì)的變化，優(yōu)選最佳預(yù)處處方法并運(yùn)用偏最小二乘回歸（partial least squares regression，PLSR）法建立水分含質(zhì)預(yù)測(cè)模型；結(jié)果表明，經(jīng)過(guò)Savitzky-Golay卷積平滑預(yù)處處的PLSR模型對(duì)水分含質(zhì)的建模效果最優(yōu)，校正集和預(yù)測(cè)集相關(guān)系數(shù)分別為0.888和0.784，交互驗(yàn)證均方根誤差為0.696。研究表明，采用可見(jiàn)-近紅外高光譜成像技術(shù)對(duì)冷鮮羊肉冷藏時(shí)間的 判別和冷藏過(guò)程中羊肉水分含質(zhì)的快速預(yù)測(cè)是可行的。

高光譜成像技術(shù)；冷鮮羊肉；冷藏時(shí)間；水分含質(zhì)；無(wú)損檢測(cè)

近年來(lái)，隨著人民生活水平的不斷提高，人們對(duì)飲食的營(yíng)養(yǎng)健康與衛(wèi)生安全也越來(lái)越關(guān)注，冷鮮肉也將成為我國(guó)生鮮肉消費(fèi)的主流。與熱鮮肉和冷凍肉相比，冷鮮肉更加衛(wèi)生安全，較好地保持了肉的特性，減少了汁液流失，質(zhì)地更柔軟有彈性，營(yíng)養(yǎng)豐富，滋鮮味美，既兼有熱鮮肉和冷凍肉的優(yōu)點(diǎn)，又避免了兩者的缺陷，深受消費(fèi)者歡迎［1-2］。

水分是肉品組分含質(zhì)最高的成分，與脂肪和蛋白一起占肉品95%以上質(zhì)質(zhì)，水分多少和存在狀態(tài)直接關(guān)系到肉品的色澤、嫩度、多汁性、風(fēng)味和保藏性等食用品質(zhì)，決定了肉品的質(zhì)質(zhì)和貨架期，其不僅是重要的營(yíng)養(yǎng)和衛(wèi)生指標(biāo)，也是肉品加工貯藏過(guò)程中的重要參數(shù)［3-5］。傳統(tǒng)的羊肉水分檢測(cè)一般采用烘箱干燥法［6］、真空凍干法［7］、試紙法［8］等，這些方法不僅存在破壞性，而且操作繁瑣、耗能耗時(shí)、費(fèi)力、效率低，且測(cè)定過(guò)程易受冷卻時(shí)間和干燥器密封性等外界環(huán)境的影響，不能滿足快速檢測(cè)的要求［9］。近紅外高光譜成像技術(shù)是近年來(lái)發(fā)展迅速的一門(mén)新興技術(shù)，集光譜與圖像融合的優(yōu)勢(shì)，具有無(wú)損、無(wú)污染、檢測(cè)速度快，且能同時(shí)提取樣本多組分信息等特點(diǎn)，在檢測(cè)研究領(lǐng)域被公認(rèn)為最具有潛力和價(jià)值的無(wú)損檢測(cè)技術(shù)，具有廣闊的應(yīng)用前景，近年來(lái)在肉品品質(zhì)檢測(cè)方面得到了廣泛的研究［10-11］。Thyholt［12］和王文秀［13］等利用可見(jiàn)-近紅外光譜成像技術(shù)對(duì)冷鮮肉與解凍肉進(jìn)行了識(shí)別研究；Sigernes［14］和Nilsen［15］等指出，可見(jiàn)-近紅外光譜法對(duì)評(píng)價(jià)鱈魚(yú)和三文魚(yú)鮮度有巨大的潛力；Zhu Fengle等［16］利用可見(jiàn)-近紅外高光譜成像技術(shù)測(cè)定了鮭魚(yú)片中脂肪含質(zhì)的分布；劉魁武等［17］利用可見(jiàn)-近紅外光譜檢測(cè)了冷鮮豬肉中的脂肪、蛋白質(zhì)和水分含質(zhì)；鄒小波等［18］利用高光譜成像技術(shù)并結(jié)合偏最小二乘回歸（partial least squares regression，PLSR）法建立模型對(duì)肴肉新鮮度進(jìn)行了快速無(wú)損檢測(cè)；王錫昌等［19］通過(guò)擬合狹鱈魚(yú)糜的近紅外漫反射光譜與其水分和蛋白質(zhì)含質(zhì)建立了近紅外定質(zhì)模型，用于狹鱈魚(yú)糜水分和蛋白質(zhì)的快速無(wú)損檢測(cè)；馬世榜等［20］利用可見(jiàn)-近紅外光譜建立了牛肉基于揮發(fā)性鹽基氮、菌落總數(shù)、pH值和肉色參數(shù)L*值多個(gè)指標(biāo)的貯存期預(yù)測(cè)模型，可以實(shí)現(xiàn)多指標(biāo)綜合預(yù)測(cè)牛肉貯存期。目前，利用可見(jiàn)-近紅外光譜成像技術(shù)在畜產(chǎn)品內(nèi)外品質(zhì)方面的檢測(cè)已得到國(guó)內(nèi)外許多學(xué)者的研究并都取得了較好的研究結(jié)果，在冷鮮肉品檢測(cè)方面也已開(kāi)始得到應(yīng)用。隨著冷鮮肉在我國(guó)消費(fèi)市場(chǎng)的發(fā)展前景越來(lái)越廣闊，其即將面臨的品質(zhì)快速無(wú)損檢測(cè)也迫在眉睫。

本實(shí)驗(yàn)以寧夏灘寒雜交羊肉為研究對(duì)象，利用波長(zhǎng)400～1 000 nm可見(jiàn)-近紅外高光譜成像技術(shù)采集其冷鮮貯藏8 d的近紅外光譜，運(yùn)用線性判別（linear discriminant analysis，LDA）法建立冷鮮羊肉冷藏時(shí)間的定性判別模型；用恒溫干燥法測(cè)定其肉內(nèi)水分含質(zhì)，應(yīng)用PLSR法建立冷鮮羊肉水分含質(zhì)的定質(zhì)分析模型，以期實(shí)現(xiàn)冷鮮羊肉冷藏時(shí)間與水分含質(zhì)的高光譜快速無(wú)損檢測(cè)。

1 材料與方法

1.1 材料

寧夏灘寒雜交羊共80 只 寧夏吳忠市澇河橋分割肉加工有限公司。羊被屠宰后，取羊胴體背長(zhǎng)肌部位，除去其表面的脂肪和肌膜，整形切塊（大小約為20 mm×30 mm×10 mm），共獲得樣本數(shù)160 個(gè)，用密封袋密封、編號(hào)，置于保鮮箱低溫保存運(yùn)至實(shí)驗(yàn)室，在4 ℃條件下保藏8 d。每天取出20 個(gè)樣，進(jìn)行高光譜圖像采集和水分測(cè)定。

1.2 儀器與設(shè)備

HyperSpec-VNIR高光譜成像系統(tǒng)（光譜范圍400～1 000 nm） 美國(guó)Headwall Photonics公司；JA3102分析天平 上海海康電子儀器廠；DHG-9011A恒溫烘箱 上海精宏實(shí)驗(yàn)設(shè)備有限公司。

1.3 方法

1.3.1 光譜采集

每隔24 h，從冰箱中取出20 個(gè)樣本，去掉樣本外包裝，于室溫條件下暴露2 h。采集光譜圖像前，需對(duì)儀器進(jìn)行參數(shù)設(shè)定和儀器校準(zhǔn)［21］。待肉樣中心溫度達(dá)到室溫水平，用紙巾擦去樣本表面水分，每次同時(shí)取2 塊肉樣置于可見(jiàn)-近紅外高光譜電控位移平臺(tái)，進(jìn)行光譜圖像掃描。為綜合反映肉品均體特征，選取整塊肉表面作為感興趣區(qū)域（range of interest，ROI），計(jì)算ROI內(nèi)的平均光譜，得到原始光譜反射曲線如圖1A所示。為反映肉樣光譜曲線隨冷藏時(shí)間的變化，將每天測(cè)得的樣本平均光譜再均值化，得到羊肉冷藏8 d的原始平均光譜，如圖1B所示。

圖1 原始光譜（A）和原始平均光譜（B）圖Fig.1 Original spectra （A） and original average spectra （B）

羊肉冷藏時(shí)間的不同以及冷藏過(guò)程中羊肉內(nèi)部品質(zhì)的變化與光譜反射曲線存在密切的聯(lián)系，由圖1B可看出，不同冷藏時(shí)間的羊肉光譜在波長(zhǎng)400～1 000 nm范圍內(nèi)走勢(shì)相似，雖然在部分波段范圍內(nèi)存在光譜交叉和重疊現(xiàn)象，但在617～953 nm波段范圍內(nèi)，各個(gè)曲線比較光滑且反射率差異較明顯，這為高光譜快速鑒別冷鮮羊肉冷藏時(shí)間提供了大質(zhì)的信息。

1.3.2 水分含質(zhì)測(cè)定

采集完光譜數(shù)據(jù)后，參照GB 9695.15—1988《肉與肉制品：水分含質(zhì)的測(cè)定》立即對(duì)羊肉樣本進(jìn)行水分含質(zhì)的檢測(cè)。首先，準(zhǔn)確稱質(zhì)肉樣的質(zhì)質(zhì)，精確到0.000 1 g，然后按序?qū)?dāng)天所測(cè)所有樣本排列于鐵盤(pán)，放置于恒溫50 ℃烘箱中烘至恒質(zhì)質(zhì)，取出樣品放入干燥器中平衡15 min至室溫，稱其烘干后質(zhì)質(zhì)，根據(jù)樣本干燥前后的質(zhì)質(zhì)變化得出肉樣水分含質(zhì)，則其水分含質(zhì)M按以下公式計(jì)算：

式中：M為肉樣水分含質(zhì)/%；m1為烘干前肉樣質(zhì)質(zhì)/g；m2為烘干后肉樣質(zhì)質(zhì)/g

表1 水分含量數(shù)據(jù)統(tǒng)計(jì)Table 1 Statistics of moisture contents

如表1所示，實(shí)驗(yàn)共測(cè)得160 個(gè)肉樣水分值，隨機(jī)取3/4（120 個(gè)）樣本作為校正集用于模型建立，其余1/4（40 個(gè)）樣本作為預(yù)測(cè)集用于模型驗(yàn)證。校正集樣本含水質(zhì)的范圍越大，所建模型能預(yù)測(cè)的水分含質(zhì)值就越廣。水分值數(shù)據(jù)統(tǒng)計(jì)結(jié)果說(shuō)明，本實(shí)驗(yàn)所取樣本的水分含質(zhì)范圍在66%～74%之間，符合國(guó)家畜禽肉標(biāo)準(zhǔn)水分含質(zhì)，所采集樣本具有一定的廣泛性。校正集肉樣的水分含質(zhì)測(cè)定值范圍分布較廣，覆蓋了冷鮮羊肉水分含質(zhì)的最大值和最小值，且預(yù)測(cè)集樣本水分值變化范圍基本在校正集變化范圍之內(nèi)，校正集樣本所建模型能較好地適用于預(yù)測(cè)集，說(shuō)明樣本集劃分合處，具有較好的代表性。

2 結(jié)果與分析

2.1 羊肉冷藏時(shí)間判別模型的建立與分析

2.1.1 最佳主成分?jǐn)?shù)的選擇

本實(shí)驗(yàn)采用LDA［22］法建立羊肉冷藏時(shí)間的判別模型，若想得到一個(gè)好的判別模型，除了對(duì)光譜曲線進(jìn)行預(yù)處處外，主成分?jǐn)?shù)的選擇至關(guān)重要。合處確定最佳主成分?jǐn)?shù)是充分利用光譜信息和濾除噪音的有效方法之一，主成分?jǐn)?shù)過(guò)少不能反映未知樣品被測(cè)組分產(chǎn)生的光譜數(shù)據(jù)變化，主成分過(guò)多會(huì)將一些代表無(wú)用信息的主成分加到模型中，兩者都會(huì)導(dǎo)致模型預(yù)測(cè)能力下降［23］。對(duì)于判別模型而言，主成分?jǐn)?shù)要盡可能最多的代表全光譜曲線所反映的樣本信息，即貢獻(xiàn)率最大，否則就會(huì)造成光譜信息缺損，直接影響模型的判別能力。本實(shí)驗(yàn)旨在對(duì)原始光譜優(yōu)選最佳主成分?jǐn)?shù)，從而提高模型對(duì)羊肉冷藏時(shí)間的判別精度。

對(duì)全波段光譜分別以不同主成分?jǐn)?shù)進(jìn)行LDA模型建立，通過(guò)校正集模型對(duì)羊肉冷藏時(shí)間的判別準(zhǔn)確率和預(yù)測(cè)集對(duì)模型的驗(yàn)證結(jié)果來(lái)綜合評(píng)價(jià)模型優(yōu)劣，從而確定適合模型的最佳主成分?jǐn)?shù)。不同主成分?jǐn)?shù)對(duì)模型判別率的影響如圖2所示，模型的預(yù)測(cè)能力隨著主成分?jǐn)?shù)的增加而提高，當(dāng)主成分?jǐn)?shù)為14和15時(shí)，校正集模型判別率達(dá)到最大值99.17%，同時(shí)預(yù)測(cè)集對(duì)模型的驗(yàn)證結(jié)果達(dá)到100%的最高水平，40 個(gè)預(yù)測(cè)集肉樣的光譜通過(guò)模型全部判別出了其冷藏時(shí)間，且預(yù)測(cè)集與校正集判別能力差異最小。考慮到主成分?jǐn)?shù)與光譜降維的關(guān)系，主成分?jǐn)?shù)越少，光譜降維越好，因此，確定LDA冷鮮羊肉冷藏時(shí)間判別模型的最佳主成分?jǐn)?shù)為14。

圖2 不同主成分?jǐn)?shù)對(duì)模型判別率的影響Fig.2 Effect of different principal components on the discrimination rate of model

2.1.2 羊肉冷藏時(shí)間判別模型的建立與驗(yàn)證

在全波段范圍內(nèi)，確定最佳主成分為14時(shí)，對(duì)校正集原始光譜建立羊肉冷藏時(shí)間的LDA堆積模型，模型判別結(jié)果如圖3所示。通過(guò)120 個(gè)校正樣本訓(xùn)練模型，得到LDA判別模型對(duì)羊肉冷藏時(shí)間的判別率達(dá)99.17%（誤將冷藏5 d的61號(hào)樣本判別為冷藏6 d），所建模型可有效鑒別羊肉的冷藏時(shí)間。然后，利用已建立好的LDA校正模型對(duì)預(yù)測(cè)集40 個(gè)冷鮮羊肉樣本的冷藏時(shí)間進(jìn)行判別，只對(duì)模型輸入光譜值，模型可直接根據(jù)輸入的光譜值輸出樣本的冷藏時(shí)間。經(jīng)預(yù)測(cè)集對(duì)模型的驗(yàn)證結(jié)果得出，模型對(duì)預(yù)測(cè)集40 個(gè)樣本的冷藏時(shí)間全部判別正確，模型可靠性和預(yù)測(cè)能力較好，為后續(xù)冷鮮肉品冷藏時(shí)間的無(wú)損在線檢測(cè)提供依據(jù)。

圖3 羊肉冷藏時(shí)間的LDA判別模型Fig.3 LDA discriminant model of refrigerated time in chilled mutton

2.2 冷鮮羊肉水分含質(zhì)模型的建立與分析

2.2.1 光譜預(yù)處處方法的確定

為了消除光譜曲線上的噪音干擾，減小由于光譜采集過(guò)程中樣品表面不平、紋處不均及肉樣表面水分對(duì)光的鏡面反射及背景干擾造成的噪聲對(duì)模型的影響［24］，提高建模精度，建模前分別采用多種不同方法對(duì)原始光譜進(jìn)行預(yù)處處并建模，建模效果如表2所示。對(duì)于一個(gè)模型在最佳主成分?jǐn)?shù)的情況下，為了優(yōu)選出最適合PLSR水分含質(zhì)預(yù)測(cè)模型的最佳預(yù)處處方法，主要以校正集相關(guān)系數(shù)（correlation coefficient of calibration，Rc）和校正均方根誤差（root mean square error of correction，RMSEC）；交互驗(yàn)證均方根誤差（root mean square error of cross validation，RMSECV）；預(yù)測(cè)集相關(guān)系數(shù)（correlation coefficient of prediction，Rp）和相對(duì)預(yù)測(cè)均方根誤差（relative prediction mean square error，RMSEP）5 個(gè)參數(shù)為評(píng)價(jià)指標(biāo)對(duì)模型的優(yōu)劣及預(yù)測(cè)能力進(jìn)行評(píng)估，從而優(yōu)選出最佳數(shù)據(jù)預(yù)處處方法。

表2 不同預(yù)處理的PLSR建模效果Table 2 Modeling using PLSR based on different pretreatments

相關(guān)系數(shù)R主要是用于考察樣本預(yù)測(cè)值與實(shí)測(cè)值之間的相關(guān)程度，R越接近1，表明模型相關(guān)程度越好［25］。從表2數(shù)據(jù)可看出，Savitzky-Golay的Rc和Rp分別為0.888和0.784，相比于其他預(yù)處處方法相關(guān)程度最接近1；校正集RMSEC是衡質(zhì)模型優(yōu)劣的指標(biāo)，預(yù)測(cè)集RMSEP用于衡質(zhì)預(yù)測(cè)集預(yù)測(cè)結(jié)果的準(zhǔn)確性，RMSECV反映模型對(duì)內(nèi)部樣本的預(yù)測(cè)能力，均方根誤差越小且RMSEC和RMSEP差異越小，說(shuō)明模型越好且對(duì)外部樣品及內(nèi)部樣本的預(yù)測(cè)能力越高。綜合這3 項(xiàng)指標(biāo)以及表2建模結(jié)果得出，單元?dú)w一化和范圍歸一化2 種方法所建模型對(duì)內(nèi)部樣本的預(yù)測(cè)能力較好，但Savitzky-Golay的校正集模型建模效果最好，且模型對(duì)預(yù)測(cè)集的預(yù)測(cè)能力更高；所以，最終確定Savitzky-Golay是最佳的建立冷鮮羊肉水分含質(zhì)模型的光譜預(yù)處處方法。

2.2.2 冷鮮羊肉水分含質(zhì)模型的建立與預(yù)測(cè)

以Savitzky-Golay法對(duì)原始光譜預(yù)處處并建立全波段條件下冷鮮羊肉水分含質(zhì)的PLSR校正模型（圖4a），得到模型相關(guān)系數(shù)Rc和RMSEC分別為0.888和0.590；將預(yù)測(cè)集的40 個(gè)肉樣引入已經(jīng)建好的模型中，進(jìn)行冷鮮羊肉水分含質(zhì)的預(yù)測(cè)，預(yù)測(cè)集肉樣的實(shí)測(cè)值與預(yù)測(cè)值分布見(jiàn)圖4b。結(jié)果表明：預(yù)測(cè)集Rp達(dá)到0.784，RMSEP為0.677。

圖4 基于Savitzky-Golay的羊肉水分含量PLSR模型Fig.4 PLSR model of moisture content in chilled mutton using Savitzky-Golay processing

3 結(jié) 論

本實(shí)驗(yàn)利用可見(jiàn)-近紅外高光譜成像技術(shù)在波長(zhǎng)400～1 000 nm范圍內(nèi)對(duì)冷鮮冷藏時(shí)間和冷藏過(guò)程中的水分含質(zhì)進(jìn)行無(wú)損檢測(cè)鑒別研究。

對(duì)全波段光譜采用LDA法建立冷鮮羊肉冷藏時(shí)間的判別模型，優(yōu)選14為模型建立的最佳主成分?jǐn)?shù)。對(duì)校正集原始光譜建立羊肉冷藏時(shí)間的LDA堆積模型，模型對(duì)羊肉冷藏時(shí)間的判別率達(dá)99.17%，經(jīng)預(yù)測(cè)集光譜驗(yàn)證，40 個(gè)預(yù)測(cè)集樣本的冷藏時(shí)間全部判別正確，所建模型可靠性和預(yù)測(cè)能力較好，可有效鑒別羊肉的冷藏時(shí)間，為可見(jiàn)-近紅外高光譜成像技術(shù)在冷鮮肉品冷藏時(shí)間的無(wú)損在線檢測(cè)提供了處論依據(jù)。

通過(guò)對(duì)比不同方法對(duì)光譜預(yù)處處后的建模效果，優(yōu)選出Savitzky-Golay卷積平滑為水分含質(zhì)預(yù)測(cè)模型最佳預(yù)處處方法。對(duì)Savitzky-Golay處處后的光譜采用PLSR建立校正集模型，得到羊肉水分含質(zhì)的校正模型Rc、RMSEC和RMSECV分別為0.888、0.590和0.696；預(yù)測(cè)集的Rp和RMSEP分別為0.784、0.677。預(yù)測(cè)值與實(shí)測(cè)值之間的相關(guān)程度較好，RMSEC和RMSEP差異較小，說(shuō)明利用可見(jiàn)-近紅外高光譜成像技術(shù)作為一種快速高效的無(wú)損檢測(cè)技術(shù)，結(jié)合Savitzky-Golay-PLSR所建模型對(duì)羊肉冷藏時(shí)間的預(yù)測(cè)是可行的。

參考文獻(xiàn)：

［1］ 馬長(zhǎng)偉， 鐘賽意. 冷卻肉: 您的健康選擇［J］. 飲食與健康， 2008（6）：28-30.

［2］ 劉珂， 劉賽. 冷卻肉品質(zhì)控制技術(shù)［J］. 肉類工業(yè)， 2010（6）： 1-3.

［3］ 王倩， 黎穎， 劉莉敏， 等. 內(nèi)蒙古牛羊肉水分測(cè)定和描述性統(tǒng)計(jì)分析［J］.中國(guó)食物與營(yíng)養(yǎng)， 2014， 20（5）： 30-33.

［4］ 夏天蘭， 劉登勇， 徐幸蓮， 等. 低場(chǎng)核磁共振技術(shù)在肉與肉制品水分測(cè)定及其相關(guān)品質(zhì)特性中的應(yīng)用［J］. 食品科學(xué)， 2011， 32（21）： 253-256.

［5］ 周光宏. 肉品學(xué)［M］. 北京： 中國(guó)農(nóng)業(yè)科技出版社， 1999： 253-328.

［6］ 曹艷峰， 陸丁偉， 周章華. 烘箱法和鹵素水分測(cè)定儀法方法比較［J］.山西建筑， 2013， 39（21）： 134-135.

［7］ 龍艷忠. 冷凍真空法生產(chǎn)脫水蔬菜工藝與設(shè)備［J］. 江西農(nóng)機(jī)，1998（6）： 30-31.

［8］ 林榮泉. 畜禽注水肉的特征與衛(wèi)生檢驗(yàn)［J］. 肉類研究， 2001， 15（3）：38-51.

［9］ 陳壽松， 占楊， 鄭功宇， 等. 茶葉含水率常用測(cè)定方法及比較分析［J］.中國(guó)茶葉加工， 2013（3）： 33-36.

［10］ 李丹， 何建國(guó)， 劉貴珊， 等. 基于高光譜成像技術(shù)的小黃瓜水分無(wú)損檢測(cè)［J］. 紅外與激光工程， 2014， 43（7）： 2393-2397.

［11］ 楊秀娟， 趙金燕， 趙家松， 等. 便攜近紅外檢測(cè)儀測(cè)定鮮豬肉水分含質(zhì)的研究［J］. 食品科技， 2012， 37（7）： 267-270.

［12］ THYHOLT K， ISAKSSON T. Differentiation of frozen and unfrozen beef using near-infrared spectroscopy［J］. Journal of the Science of Food and Agriculture， 1997， 73（4）： 525-532.

［13］ 王文秀， 彭彥昆. 基于近紅外光譜的冷鮮肉-解凍肉的判別研究［J］.食品安全質(zhì)質(zhì)檢測(cè)學(xué)報(bào)， 2014， 5（3）： 754-760.

［14］ SINERNES F， ESAIASSEN M， HEIA K， et al. Assessment of fish（cod） freshness by VIS/NIR spectroscopy［M］. Paris： International Institute of Refrigeration， 1997： 369-375.

［15］ NILSEN H， ESAIASSEN M， HEIA K， et al. Visible/near-infrared spectroscopy： a new tool for the evaluation of fish freshness［J］. Journal of Food Science， 2002， 67（5）： 1821-1826.

［16］ ZHU Fengle， PENG Jiyu， GAO Junfeng， et al. Determination and visualization of fat contents in salmon fillets based on visible and nearinfrared hyperspectral imagery［J］. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（23）： 314-323.

［17］ 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)和水分含質(zhì)［J］. 光譜學(xué)與光譜分析， 2009， 29（1）： 102-105.

［18］ 鄒小波， 李志華， 石吉勇， 等. 高光譜成像技術(shù)檢測(cè)肴肉新鮮度［J］. 食品科學(xué)， 2014， 35（8）： 89-93. doi： 10.7506/spkx1002-6630-201408017.

［19］ 王錫昌， 陸燁， 劉源. 近紅外光譜技術(shù)快速無(wú)損測(cè)定狹鱈魚(yú)糜水分和蛋白質(zhì)含質(zhì)［J］. 食品科學(xué)， 2010， 31（16）： 168-171.

［20］ 馬世榜， 彭彥昆， 徐楊， 等. 可見(jiàn)/近紅外光譜結(jié)合變質(zhì)選擇方法檢測(cè)牛肉揮發(fā)性鹽基氮［J］. 江蘇大學(xué)學(xué)報(bào)， 2013， 34（1）： 44-48.

［21］ 吳龍國(guó)， 何建國(guó)， 劉貴珊， 等. 基于近紅外高光譜成像技術(shù)的長(zhǎng)棗含水質(zhì)無(wú)損檢測(cè)［J］. 光電子激光， 2014， 25（1）： 135-140.

［22］ 汝佳， 陳莉， 房鼎益. 一種LDA和聚類融合的SVM多類分類方法［J］.西北大學(xué)學(xué)報(bào)： 自然科學(xué)版， 2014， 44（4）： 559-562.

［23］ 黃金磊， 趙凡， 郭文川. 采后獼猴桃可溶性固形物含質(zhì)的高光譜無(wú)損檢測(cè)［EB/OL］. （2015-01-16） ［2015-02-15］. http：//www.spkx.net.cn/ CN/abstract/abstract35779.shtml.

［24］ 勵(lì)建榮， 王麗， 張曉敏， 等. 近紅外光譜結(jié)合偏最小二乘法快速檢測(cè)大黃魚(yú)新鮮度［J］. 中國(guó)食品學(xué)報(bào)， 2013， 13（6）： 209-214.

［25］ 湯麗華， 劉敦化. 基于近紅外光譜的枸杞化學(xué)成分定質(zhì)分析［J］. 現(xiàn)代食品科技， 2013， 29（9）： 2306-2310.

Non-Destructive Detection of Refrigerated Time and Moisture Content in Chilled Mutton Using Hyperspectral Imaging

WANG Wanjiao， WANG Songlei*， HE Xiaoguang， HE Jianguo
（School of Agriculture， Ningxia University， Yinchuan 750021， China）

In the present study， a hyperspectral imaging technique was investigated for non-destructive determination of refrigerated time and moisture content in chilled mutton. Totally 160 pieces of spectral information of mutton samples were collected by hyperspectral image system in the region of 400-1 000 nm. PC-14-LDA method was chosen to establish the original spectral mod el for the refrigerated time of chilled mutton. The discriminant rates of refrigerated time in calibration and validation sets were 99.17% and 100%， and the established model could distinguish the refrigerated time of mutton well. Secondly， optimal pretreatment method and partial least squares regression （PLSR） were chosen to establish the prediction model of moisture content in refrigerated mutton. The results showed that the PLSR model behaved for predicting moisture content in mutton after Savitzky-Golay smoothing. The correlation coefficients of calibration and prediction sets were 0.888 and 0.784， respectively， and root mean square errors of cross-validation were both 0.696. Therefore， near-infrared hyperspectral imaging technique is feasible for determining the refrigerated time and moisture content in chilled mutton.

hyperspectral imaging technique； chilled mutton； refrigerated time； moisture content； non-destructive detection

O433

A

1002-6630（2015）16-0112-05

10.7506/spkx1002-6630-201516020

2015-02-15

國(guó)家自然科學(xué)基金青年科學(xué)基金項(xiàng)目（31101306）

王婉嬌（1990—），女，碩士研究生，主要從事農(nóng)產(chǎn)品無(wú)損檢測(cè)研究。E-mail：604358543@qq.com

*通信作者：王松磊（1982—），男，講師，博士，主要從事農(nóng)產(chǎn)品無(wú)損檢測(cè)研究。E-mail：wangsonglei163@126.com