基于生物散斑圖像和慣性矩譜分析的牛肉摻腐檢測(cè)

賈桂鋒，陳 偉，馮耀澤※

（1. 華中農(nóng)業(yè)大學(xué)工學(xué)院，武漢 430070；2. 農(nóng)業(yè)部長(zhǎng)江中下游農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室，武漢 430070）

0 引 言

牛肉作為一種高蛋白、低脂肪和低膽固醇的食物，是中國(guó)的主要肉食之一。然而，不良商販在經(jīng)濟(jì)利益的驅(qū)使下對(duì)牛肉制品進(jìn)行摻假，如在牛肉制品中混入雞肉、豬肉等低值肉，有的甚至在牛肉制品中混入非新鮮肉[1-2]。牛肉摻假問(wèn)題嚴(yán)重危害了消費(fèi)者的經(jīng)濟(jì)利益和健康，且很難被常規(guī)方法檢測(cè)出來(lái)。因此，對(duì)牛肉摻假進(jìn)行檢測(cè)是非常必要的。近年來(lái)，色譜法、蛋白質(zhì)電泳分離，免疫學(xué)和 DNA技術(shù)等檢測(cè)技術(shù)被廣泛應(yīng)用于肉類摻假檢測(cè)[3-6]。然而，這些技術(shù)雖然檢測(cè)準(zhǔn)確度高，但是價(jià)格貴、耗時(shí)且對(duì)實(shí)驗(yàn)設(shè)備和實(shí)驗(yàn)人員要求高[7]。近紅外光譜和高光譜技術(shù)是快速、無(wú)損的檢測(cè)技術(shù)，通過(guò)檢測(cè)被測(cè)物中分子鍵來(lái)獲得物質(zhì)化學(xué)成分的信息，在食品摻假檢測(cè)有一定應(yīng)用[8-10]，然而其在實(shí)際應(yīng)用方面仍面臨較大挑戰(zhàn)。

生物散斑是一種散射現(xiàn)象，當(dāng)相干光照射到活性材料時(shí)，反射光和散射光在接收面形成動(dòng)態(tài)散斑[11]。散斑的變化與樣本的活性、體液流速等生物學(xué)特性相關(guān)[12]。生物散斑技術(shù)是一種非侵入性、快速的檢測(cè)方法，目前被廣泛應(yīng)用于醫(yī)藥和農(nóng)業(yè)領(lǐng)域，如血液流速[13]、精子質(zhì)量[14]和眼球運(yùn)動(dòng)[15]、種子活力[16]、果實(shí)成熟期[17]及果實(shí)損傷[18]等的檢測(cè)。在肉類品質(zhì)檢測(cè)方面，Amaral等[19]結(jié)合生物散斑技術(shù)和慣性矩分析方法來(lái)表征牛肉老化過(guò)程中的生物散斑活性，他們發(fā)現(xiàn)生物散斑活性與Warner-Bratzler (W-B)剪切力（R=0.614 6）、老化時(shí)間（R=-0.797 3）、色調(diào)角（R=0.795 3）、紅色分量強(qiáng)度（R=0.812）和高鐵肌紅蛋白的含量（R=0.911 9）有較高的相關(guān)性。蔡健榮等[20]基于2種不同波長(zhǎng)（465和660 nm）的激光檢測(cè)冷鮮豬肉的新鮮度，研究結(jié)果表明激光波長(zhǎng)為465 nm時(shí)結(jié)果更優(yōu)，訓(xùn)練集和測(cè)試集的識(shí)別率分別達(dá)到87.65%和89.29%。此外，董慶利等[21]運(yùn)用生物散斑技術(shù)預(yù)測(cè)了牛肉質(zhì)構(gòu)特性，如硬度、咀嚼性及W-B剪切力，其預(yù)測(cè)決定系數(shù)分別為 0.83、0.77和 0.69。以上研究表明生物散斑技術(shù)可以用于肉的品質(zhì)檢測(cè)。然而，雖然牛肉摻假特別是摻腐肉嚴(yán)重危害消費(fèi)者的健康和利益，基于生物散斑技術(shù)的牛肉摻假檢測(cè)卻鮮見(jiàn)報(bào)道。

此外，在生物散斑數(shù)據(jù)分析中，慣性矩是最常用的定量分析方法[22]。傳統(tǒng)IM法通過(guò)計(jì)算樣本生物散斑圖像某固定列（行）的IM值[23]或所有列（行）IM值中的最大值[20]來(lái)衡量樣本的生物散斑活性。然而，前一種方法僅提取了樣本空間局部信息，結(jié)果易受樣本的局部差異性（如樣本的均勻性、樣本表面不規(guī)則，以及散斑圖像異常點(diǎn)等因素）的影響，不能反映整體的散斑活性。而在求取所有列（行）IM值中的最大值時(shí)，散斑圖像中異常點(diǎn)會(huì)使結(jié)果出現(xiàn)偏差，且用IM最大值代表樣本生物散斑活性仍缺乏有效的理論支撐。針對(duì)傳統(tǒng) IM 法以上缺點(diǎn)，在本文中我們提出使用慣性矩譜分析方法結(jié)合支持向量機(jī)對(duì)牛肉摻假進(jìn)行定量檢測(cè)。

1 材料與方法

1.1 樣本制備

由武漢某食品有限公司提供的來(lái)自不同牛的牛后腿肉和牛腩經(jīng)攪拌機(jī)粉碎并混合均勻后，用保鮮膜包裝置于28±2 ℃的環(huán)境中保存2 d，直至能夠觀察到明顯的變質(zhì)現(xiàn)象（例如異味、褐變和粘液）。取新鮮牛后腿肉粉碎并與非新鮮肉按照0、1%、3%、5%～60%（梯度為5%）和 100%的摻假梯度混合均勻并放進(jìn)圓柱形鋁盒（直徑=40 mm）中壓實(shí)制作成摻假樣本。除純新鮮牛肉為2個(gè)樣本外，其它各梯度均制備4個(gè)重復(fù)，共得62個(gè)摻假牛肉樣本，每個(gè)樣本質(zhì)量約30 g，厚度約為25 mm。

1.2 散斑圖像的獲取

試驗(yàn)采用生物散斑系統(tǒng)主要由功率為10 mW、波長(zhǎng)為632 nm的He-Ne激光器（R-30992，Newport美國(guó)），CCD相機(jī)（U3D500C-J，Sunway臺(tái)灣），焦距為30 mm的鏡頭，帶有圖像處理器的電腦和帶有特定樣本槽（保證每個(gè)樣本位置一致性）的載物臺(tái)組成。

在采集摻假牛肉樣本的生物散斑圖像時(shí)，為避免外界光源的影響，除電腦外，其他設(shè)備均處于暗室中。樣本放置在載物臺(tái)的樣本槽中，激光入射角為60°，物距為220 mm，工業(yè)相機(jī)的分辨率為640×480，幀率為20 fps，每個(gè)樣本的采樣時(shí)間為25 s，每個(gè)樣本采集500張時(shí)間序列圖片。

1.3 數(shù)據(jù)處理與建模方法

1.3.1 慣性矩譜的構(gòu)建

本文提出的慣性矩譜（IM譜）是一種以慣性矩為基礎(chǔ)的生物散斑圖像處理方法，即慣性矩譜由樣本生物散斑圖像各列（行）對(duì)應(yīng)的IM值組成，本研究基于列IM譜對(duì)牛肉摻假進(jìn)行檢測(cè)。慣性矩譜擴(kuò)展了傳統(tǒng)方法的空間維度，提取了樣本的整體生物散斑信息，具有較好的抗干擾性。其計(jì)算流程如圖1所示。

圖1 慣性矩譜計(jì)算流程圖Fig.1 Flow chart for building IM spectrum

將樣本的生物散斑圖像進(jìn)行灰度化處理；依次抽取不同時(shí)間圖像固定列拼接成時(shí)間序列散斑圖（temporal history speckles patterns, THSP）[24]，且每一列對(duì)應(yīng)一個(gè)THSP；分別統(tǒng)計(jì)各列對(duì)應(yīng)THSP中相鄰位置像素灰度級(jí)i，j（i在j的左側(cè)）出現(xiàn)的次數(shù)（Nij）,并將Nij作為第i行第j列的元素組成共生矩陣[25]；接著，基于共生矩陣及式（1）和式（2）計(jì)算各列IM值；將各列IM值按列號(hào)拼接構(gòu)建慣性矩譜。

式中COMij—共生矩陣圖第i行第j列像素的灰度值。

1.3.2 牛肉摻假檢測(cè)模型的建立與評(píng)價(jià)

建模之前對(duì)數(shù)據(jù)依式（3）進(jìn)行范圍歸一化處理。

其中，IMi、IMi,max、IMi,min、IMi,nor分別為第i個(gè)樣本的原始IM譜、IM譜最大值、最小值和對(duì)應(yīng)歸一化后的IM譜。

通過(guò)X-Y共生距離法（sample set partitioning based on joint x-y distances，SPXY）將樣本集劃分成校正集和測(cè)試集[26]，其中校正集用于建立牛肉摻假檢測(cè)模型，測(cè)試集用于驗(yàn)證模型性能。

主成分分析將數(shù)據(jù)投影到新的坐標(biāo)空間以得到新的互不相關(guān)的變量并實(shí)現(xiàn)對(duì)數(shù)據(jù)的定性描述[27]，本文應(yīng)用主成分分析法探索牛肉摻假樣本的分布規(guī)律。

支持向量回歸機(jī)（SVR）基于統(tǒng)計(jì)學(xué)習(xí)VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則[27-28]。本文使用SVR將IM譜投影到高維空間Φ并經(jīng)線性變換式（4）得到牛肉摻假濃度的預(yù)測(cè)值yp。

其中W為權(quán)重向量，b為偏置項(xiàng)。

為得到最小誤差，引入非負(fù)松弛變量ξ1、ξ2和懲罰因子c，使式（5）最小。

最終得到支持向量回歸機(jī)模型

K(x,xi)為核函數(shù)，本研究采用徑向基核函數(shù)，由式（7）定義；αi和αi*為拉格朗日數(shù)乘因子對(duì)偶變量。

為建立最優(yōu)SVR模型，模型參數(shù)懲罰參數(shù)c和核函數(shù)參數(shù)g應(yīng)用粒子群算法[29]進(jìn)行優(yōu)化。

模型建立之后，據(jù)式（8）及式（9）以決定系數(shù)（R2）和均方根誤差（RMSE）為評(píng)判標(biāo)準(zhǔn)對(duì)模型性能進(jìn)行評(píng)價(jià)，其中決定系數(shù)越高、均方根誤差越低表明模型穩(wěn)定性越好、預(yù)測(cè)精度越高。

其中，分別為第i個(gè)樣本的真實(shí)摻假濃度、模型預(yù)測(cè)摻假濃度及真實(shí)摻假濃度的均值。

2 結(jié)果與分析

2.1 生物散斑圖

將點(diǎn)激光束以60°的入射角照射樣本，并采集樣本生物散斑圖像。圖 2為樣本生物散斑單一時(shí)間序列圖。據(jù)圖易知，距離激光照射點(diǎn)越遠(yuǎn)的像素點(diǎn)亮度越低，而根據(jù)像素點(diǎn)亮度可將生物散斑圖大致劃分為 S1，S2和 S3等3個(gè)區(qū)域。其中區(qū)域S1像素點(diǎn)亮度最高，區(qū)域S2像素亮度較高，而區(qū)域S3像素亮度最低。

圖2 生物散斑圖Fig.2 Biological speckle image

2.2 IM譜的分析

根據(jù)IM譜構(gòu)建方法計(jì)算出每個(gè)樣本的IM譜。圖3是摻假比例為0、50%和100%樣本的平均IM譜圖。注意到，總體上樣本 IM 譜均包含一個(gè)高平峰區(qū)和一個(gè)尖峰區(qū)，對(duì)比IM譜和生物散斑圖發(fā)現(xiàn)，高峰區(qū)對(duì)應(yīng)于散斑圖中的 S1區(qū)，尖峰區(qū)對(duì)應(yīng)于散斑圖右側(cè)的邊緣區(qū)域。導(dǎo)致這一現(xiàn)象的原因可能是，區(qū)域 S1邊緣像素點(diǎn)亮度變化非常大，因此這些點(diǎn)所在列即高平峰區(qū)范圍內(nèi)的 IM值也相應(yīng)較大。此外，散斑圖右側(cè)的邊緣區(qū)域?qū)儆趨^(qū)域S3，其散斑圖中各列均只有區(qū)域 S3的像素點(diǎn)而不含或包含很少區(qū)域S2的像素點(diǎn)，因區(qū)域S3像素點(diǎn)亮度變化較大，而區(qū)域 S2像素亮度較穩(wěn)定，故在散斑圖右側(cè)出現(xiàn)尖峰。

圖3 不同摻假比例樣本的平均IM譜Fig.3 Average IM spectrum of samples with different adulteration levels

特別的，由圖3可知不同摻假濃度樣本對(duì)應(yīng)3條IM譜高平峰區(qū)的右側(cè)結(jié)束點(diǎn)基本一致，而相應(yīng)左側(cè)結(jié)束點(diǎn)卻有所差別，分別位于散斑圖像第85、117和131列左右。綜合激光照射條件和IM譜的特點(diǎn)可知，導(dǎo)致這一現(xiàn)象的原因可能是激光以60°入射角從右側(cè)照射樣本，大部分光線在樣本內(nèi)向左側(cè)散射。然而，不同摻假濃度樣本的理化特性不同，這使得光線散射距離不同從而導(dǎo)致不同摻假濃度樣本的生物散斑圖像有所差異[30-32]。隨著摻假濃度的上升，樣本的自由水增加[33]、高鐵肌紅蛋白含量減少[19]，光散射系數(shù)減小，使得生物散斑圖像較亮區(qū)域向左側(cè)擴(kuò)展的范圍減少。因此，IM譜高平峰區(qū)的左側(cè)結(jié)束點(diǎn)隨著摻假濃度升高向右側(cè)移動(dòng)。由此可見(jiàn)，樣本理化特性不同造成的生物散斑圖像差異會(huì)在 IM 譜上有所表現(xiàn)。

2.3 主成分分析

對(duì)不同摻假濃度牛肉樣本的IM譜進(jìn)行主成分分析，得到樣本的主成分得分和貢獻(xiàn)率。圖 4所示為樣本主成分得分氣泡圖，其中氣泡的大小代表?yè)郊贊舛鹊母叩?。雖然第一主成分貢獻(xiàn)率僅有26.85%，但是隨著樣本的摻假濃度的減小，其對(duì)應(yīng)的第一主成分得分有增加的趨勢(shì)，說(shuō)明樣本的摻假濃度與第一主成分的得分是有一定的相關(guān)性，而這種相關(guān)性表明基于生物散斑技術(shù)對(duì)樣本摻假含量進(jìn)行檢測(cè)具有可行性。

圖4 主成分得分圖Fig.4 Score plot of PCA

2.4 摻假檢測(cè)模型的建立與驗(yàn)證

使用X-Y共生距離法（SPXY）將樣本集劃分為校正集（n=40）和測(cè)試集（n=422），校正集用于建立牛肉摻假定量檢測(cè)SVR模型，測(cè)試集用于驗(yàn)證模型性能，模型的懲罰參數(shù)c和核函數(shù)參數(shù)g由粒子群算法優(yōu)化選擇。粒子群算法評(píng)價(jià)不同c和g組合對(duì)應(yīng)最優(yōu)適應(yīng)度函數(shù)對(duì)參數(shù)進(jìn)行優(yōu)選。圖 5為最優(yōu)模型的預(yù)測(cè)值與真實(shí)值的散點(diǎn)圖及模型參數(shù)與結(jié)果。由圖5可知，除純非新鮮肉和1個(gè)純新鮮肉樣本以外，絕大多數(shù)樣本點(diǎn)均處于對(duì)角線附近，表明絕大部分樣本的預(yù)測(cè)值與真實(shí)值較為接近。模型校正集和測(cè)試集決定系數(shù)分別為 0.85和 0.81，均方根誤差RMSEC和RMSEP分別為0.12和0.11。此時(shí)，模型的懲罰參數(shù)c和核函數(shù)參數(shù)g分別為1.96和0.01。模型決定系數(shù)均大于0.8，另外RMSEC與RMSEP值較為接近，表明模型具有較好的穩(wěn)定性和精度。模型的誤差主要是純非新鮮肉樣本造成。所有純非新鮮肉樣本摻假濃度預(yù)測(cè)值相近，然其最大預(yù)測(cè)偏差大于0.4，而其它非純樣本預(yù)測(cè)偏差約為0.1，表明模型對(duì)純不新鮮肉的定量預(yù)測(cè)能力較差，其原因可能是純非新鮮肉理化特性與其他樣本差異過(guò)大從而導(dǎo)致非新鮮肉的 IM 譜信息不能很好的被模型解釋。注意到，所有純非新鮮樣本的摻假含量均被預(yù)測(cè)為0.6以上，從定性分析的角度講，該模型用于純非新鮮肉識(shí)別是可行的。對(duì)純新鮮肉，只有一個(gè)來(lái)自預(yù)測(cè)集的樣本預(yù)測(cè)誤差較大，其有可能是極值甚至是異常樣本。然而，仍需進(jìn)一步研究采用新算法改進(jìn)牛肉摻假定量檢測(cè)的預(yù)測(cè)效果。

圖5 基于歸一化IM譜的牛肉摻假檢測(cè)SVM模型結(jié)果Fig.5 Performance of SVR model based on normalized IM spectrum

3 結(jié) 論

現(xiàn)有牛肉摻假快速檢測(cè)方法主要依賴于對(duì)樣本化學(xué)信息的檢測(cè)。生物散斑圖像可以反映樣本生物活性信息。本文首次將生物散斑技術(shù)應(yīng)用于牛肉摻腐檢測(cè)，從樣本生物活性的角度探索牛肉摻假檢測(cè)的可行性。此外，針對(duì)傳統(tǒng)IM法穩(wěn)定性差的缺陷，本文首次提出使用IM譜法表征樣本信息以增強(qiáng)信號(hào)抗干擾性。結(jié)合IM譜與支持向量回歸機(jī)建立了牛肉摻假定量檢測(cè)模型。結(jié)果表明，基于 IM 譜建立的牛肉摻假檢測(cè)模型具有較高的穩(wěn)定性和精度，決定系數(shù)分別為均方根誤差分別為RMSEC=0.12，RMSEP=0.11。因此，生物散斑技術(shù)結(jié)合 IM 譜對(duì)新鮮牛肉中摻雜腐敗牛肉進(jìn)行定量檢測(cè)是可行的，而基于IM譜的分析方法可以推廣到基于生物散斑分析的其他應(yīng)用中。

[1]張穎穎，趙文濤，李慧晨，等. 液相色譜串聯(lián)質(zhì)譜對(duì)摻假牛肉的鑒別及定量研究[J]. 現(xiàn)代食品科技，2017(2)：230－237.Zhang Yingying, Zhao Wentao, Li Huichen, et al.Identification and quantification of adulterated beef by liquid chromatography tandem mass spectrometry [J]. Modern Food Science and Technology, 2017(2): 230－237. (in Chinese with English abstract)

[2]白亞斌，劉友華，丁崇毅，等. 基于高光譜技術(shù)的牛肉-豬肉摻假檢測(cè)[J]. 海南師范大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015，28(3)：270－273.Bai Yabin, Liu Youhua, Ding Chongyi, et al. Quantitative detection of beef-pork adulteration by hyperspectral imaging[J]. Journal of Hainan Normal University(Natural Science), 2015, 28(3): 270－273. (in Chinese with English abstract)

[3]Myers S, Yamazaki H. Immunological detection of adulteration of ground meats by meats of other origins [J].Biotechnology Techniques, 1997, 11(7): 533－535.

[4]Yman I M, Sandberg K. Differentiation of meat from horse,donkey and their hybrids (mule/hinny) by electrophoretic separation of albumin [J]. Meat Science, 1987, 21(1): 15－23.

[5]Ballin N Z, Vogensen F K, Karlsson A H. Species determination - Can we detect and quantify meat adulteration[J]. Meat Science, 2009, 83(2): 165－174.

[6]劉帥帥，李宏，羅世芝，等. PCR技術(shù)在肉類摻假檢驗(yàn)中的應(yīng)用進(jìn)展[J]. 食品安全質(zhì)量檢測(cè)學(xué)報(bào)，2011，2(6)：280－284.Liu Shuaishuai, Li Hong, Luo Shizhi, et al. Progress in meat adulteration identification using PCR method[J]. Journal of Food Safety & Quality, 2011, 2(6): 280－284. (in Chinese with English abstract)

[7]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& Bioprocess Technology, 2015, 8(5): 1054－1062.

[8]Chen, Wei, Feng, Yaoze, Jia Guifeng, et al. Application of artificial fish swarm algorithm for synchronous selection of wavelengths and spectral pretreatment methods in spectrometric analysis of beef adulteration[J]. Food Analytical Methods, 2018, 11: 2229－2236.

[9]Feng Y, Sun D. Application of hyperspectral imaging in food safety inspection and control: a review [J]. Critical Reviews in Food Science and Nutrition, 2012, 52(11): 1039－1058.

[10]Forchetti D, Poppi R. Use of NIR hyperspectral imaging and multivariate curve resolution (MCR) for detection and quantification of adulterants in milk powder[J]. LWT-Food Science and Technology, 2017, 76: 337－343.

[11]Gliński J, Horabik J, Lipiec J. Encyclopedia of Agrophysics.Encyclopedia of Earth Sciences Series[M]. Dordrecht:Springer, 2011.

[12]Burch J M, Ennos A E, Wilton R J. Dual- and multiple-beam interferometry by wavefront reconstruction[J]. Nature, 1966,209(5027): 1015－1016.

[13]劉謙，周斯博，張智紅，等. 利用激光散斑成像監(jiān)測(cè)光動(dòng)力治療的血管損傷效應(yīng)[J]. 中國(guó)激光，2005，32(6)：869－872.Liu Qian, Zhou Sibo, Zhang Zhihong, et al. Application of laser speckle imaging: Monitoring changes of vessels in photodynamic therapy[J]. Chinese Journal of Lasers, 2005,32(6): 869－872. (in Chinese with English abstract)

[14]Rodríguez-Martínez H. State of the art in farm animal sperm evaluation[J]. Reproduction, Fertility, and Development,2007, 19(1): 91－101.

[15]AlKalbani M, Mihaylova E, Toal V, et al. Ocular microtremor laser speckle metrology[J]. Proc Spie, 2009,7176(1): 60－61.

[16]Braga R A, Fabbro I M D, Borem F M, et al. Assessment of seed viability by laser speckle techniques[J]. Biosystems Engineering, 2003, 86(3): 287－294.

[17]Rabelo G, Braga R, Fabbro I, et al. Laser speckle techniques applied to study quality of fruits [J]. Revista Brasileira Engenharia Agricola e Ambiental. 2005, 9: 570－575.

[18]劉家瑋，梁飛宇，王益健，等. 基于生物散斑的青棗活性變化規(guī)律[J]. 海南師范大學(xué)學(xué)報(bào)(自然科學(xué)版)，2017(2)：150－153.Liu Jiawei, Liang Feiyu, Wang Yijian, et al. Evaluation of bioactivity changes of jujube based on biospeckle[J].Journal of Hainan Normal University(Natural Science),2017(2) : 150－153. (in Chinese with English abstract)

[19]Amaral I C, Jr R A B, Ramos E M, et al. Application of biospeckle laser technique for determining biological phenomena related to beef aging[J]. Journal of Food Engineering, 2013, 119(1): 135－139.

[20]蔡健榮，劉夢(mèng)雷，孫力，等. 基于改進(jìn)慣性矩算法的冷鮮豬肉新鮮度激光散斑圖像檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(7)：268－274.Cai Jianrong, Liu Menglei, Sun Li, et al. Laser speckle image detection of chilled pork freshness based on improved moment of inertia algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(7): 268－274. (in Chinese with English abstract)

[21]董慶利，金曼，胡孟晗，等. 基于生物散斑技術(shù)的兩部位牛肉質(zhì)構(gòu)特性預(yù)測(cè)模型改進(jìn)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(4)：209－215.Dong Qingli, Jin Man, Hu Menghan, et al. Improvement of modeling texture characteristics of different parts of beef based on biospeckle technique[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(4):209－215. (in Chinese with English abstract)

[22]Zdunek A, Muravsky L I, Frankevych L, et al. New nondestructive method based on spatial-temporal speckle correlation technique for evaluation of apples quality during shelf-life[J]. International Agrophysics, 2007, 21(3):305－310.

[23]董慶利，金曼，胡孟晗，等. 牛肉激光動(dòng)態(tài)散斑活性影響因素研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(2)：288－294，301.Dong Qingli, Jin Man, Hu Menghan, et al. Factors affecting dynamic laser speckle activity of beef[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016 , 47(2):288－294, 301. (in Chinese with English abstract)

[24]Rajr B, Rabelo G F, Granato L R, et al. Detection of fungi in beans by the laser biospeckle technique [J]. Biosystems Engineering, 2005, 91(4): 465－469.

[25]Zobrist A L, Thompson W B. Building a distance function for gestalt grouping[J]. IEEE Transactions on Computers,1975, 24(7): 718－728.

[26]Galv?o R K, Araujo M C, José G E, et al. A method for calibration and validation subset partitioning[J]. Talanta,2005, 67(4): 736－740.

[27]Wold S, Esbensen K, Geladi P. Principal component analysis[J]. Chemometrics & Intelligent Laboratory Systems,1987, 2(1): 37－52.

[28]Awad M, Khanna R. Support vector regression [J]. Neural Information Processing Letters & Reviews, 2007, 11(10):203－224.

[29]邵信光，楊慧中，陳剛. 基于粒子群優(yōu)化算法的支持向量機(jī)參數(shù)選擇及其應(yīng)用[J]. 控制理論與應(yīng)用，2006，23(5)：740－743.Shao Xinguang, Yang Huizhong, Chen Gang. Parameters selection and application of support vector machines based on particle swarm optimization algorithm[J]. Control Theory& Applications, 2006, 23(5): 740－743. (in Chinese with English abstract)

[30]劉鵬，屠康，潘磊慶，等. 基于激光圖像次郎甜柿可溶性固形物含量檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42(1)：144－149.Liu Peng, Tu Kang, Pan Leiqing, et al. Non-destructive Detection of Jiro Persimmon' s soluble-solids by laser imaging analysis[J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(1): 144－149. (in Chinese with English abstract)

[31]陳育彥，屠康，任珂，等. 基于激光圖像的蘋果品質(zhì)分析與模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2007，23(4)：166－171.Chen Yuyan, Tu Kang, Ren Ke, et al. Modeling apple quality changes based on laser scattering image analysis[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(4): 166－171. (in Chinese with English abstract)

[32]胡孟晗，董慶利，劉寶林，等. 生物散斑技術(shù)在農(nóng)產(chǎn)品品質(zhì)分析中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(24)：284－292.Hu Menghan, Dong Qingli, Liu Baolin, et al. Application of biospeckle on analysis of agricultural products quality[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(24): 284－292. (in Chinese with English abstract)

[33]張婷. 不同貯藏溫度下牛肉新鮮度及品質(zhì)變化研究[D].西安：陜西師范大學(xué)，2016.