牛肉丸是一种口感独特的肉类深加工食品。 不法商贩为了谋取利益, 在牛肉中掺入猪肉、 鸡肉等廉价肉制作肉丸冒充纯牛肉丸售卖。 传统的肉品掺假检测方法费时费力, 成本高昂。 高光谱成像技术具有快速无损、 低成本等优点, 因此对牛肉丸中掺假猪肉和鸡肉进行高光谱成像检测。 首先分别制作纯牛肉丸和混有掺假肉猪肉和鸡肉的牛肉丸, 掺假肉占原料肉质量比例分别为5%, 10%, 15%, 20%, 25%。 采集所有肉丸样本的高光谱信息并提取光谱数据。 分别采用1st Der, 2nd Der, MC, MSC, SG和SNVT六种预处理方法对所提取光谱进行预处理, 建立全波段下偏最小二乘(PLS)掺假含量预测模型, 并比较模型预测效果得出最佳预处理方法。 对最佳预处理方法处理后的光谱数据进行特征波长的筛选, 筛选方法有: 连续投影法(SPA)、 竞争性自适应重加权算法(CARS)、 联合区间偏最小二乘法(siPLS), 并创新性地联用siPLS与CARS的联合区间偏最小二乘-竞争性自适应重加权算法(siPLS-CARS)。 最后比较不同波长筛选方法下的模型预测效果。 研究表明, 牛肉丸掺猪肉和鸡肉PLS预测模型最佳预处理方法分别为MSC和1st Der。 SPA, CARS和siPLS-CARS分别筛选了掺猪肉样品光谱中的13, 51和32个特征波长, siPLS将全光谱分为14个子区间, 联合第1, 3, 7, 13子区间进行建模, 其中CARS筛选波长后的PLS预测模型效果最好, RC和RP分别为0.981 4和0.972 1, RMSECV和RMSEP分别为0.016 3和0.020 3。 SPA, CARS和siPLS-CARS分别筛选了掺鸡肉光谱中的15, 61和28个特征波长, siPLS将全光谱分为15个子区间, 联合第7, 8, 11, 12子区间进行建模, 最佳波长筛选方法也是CARS, 此时PLS预测模型RC和RP分别为0.990 2和0.987 8, RMSECV和RMSEP分别为0.012 3和0.012 6。 siPLS-CARS相比于siPLS不仅缩减了特征波长数量, 且提高了模型预测的精度； 相比于CARS筛选出的波长更少, 但精度略低。 掺鸡肉样品预测模型效果整体优于掺猪肉样品。 研究结果表明高光谱成像技术可以实现牛肉丸中掺假的含量预测, 为牛肉丸掺假快速检测提供理论基础。

高光谱图像包含了大量的光谱信息和图像信息, 采用高光谱成像技术对牛肉品种进行识别。 获取可见-近红外(400～1 000 nm)光谱范围内的安格斯牛、 利木赞牛、 秦川牛、 西门塔尔牛、 荷斯坦奶牛五个品种共252个牛肉样本的高光谱图像。 在ENVI软件中对高光谱图像进行阈值分割并构建掩膜图像, 获取样本的感兴趣区域（ROI）, 并结合伪彩色图对牛肉样本的反射率指数进行可视化表达; 采用Kennard-Stone(KS)法对样本集进行划分以提高模型的预测性能; 对原始光谱采用卷积平滑(SG) 、 区域归一化(Area normalize)、 基线校正(Baseline)、 一阶导数（FD）、 标准正态变量变换(SNV)及多元散射校正（MSC）等6种方法进行预处理; 采用竞争性自适应重加权算法（CARS）提取特征波长。 然后利用颜色矩对不同牛肉样本的颜色特征进行提取; 对原始光谱图像进行主成分分析, 结合灰度共生矩阵（GLCM）算法, 提取主要纹理特征。 最后结合偏最小二乘判别（PLS-DA）算法建立牛肉样本基于特征波长、 颜色特征以及纹理特征的识别模型。 KS法将牛肉样本划分为校正集190个, 预测集62个; 将未经预处理的光谱数据与经过6种不用预处理的光谱数据进行建模分析, 结果发现经FD法处理后的光谱数据所建模型的识别率最高; 结合CARS法对经FD法预处理后的光谱数据进行特征波长提取, 共提取出22个波长; 利用颜色矩和GLCM算法分别提取出每个牛肉样本的9个颜色特征、 48个纹理特征。 将特征波长数据与颜色、 纹理特征信息进行融合建模, 结果表明, 基于特征光谱+纹理特征的模型识别效果最佳, 其校正集与预测集识别率分别为98.42%和93.55%, 均高于特征光谱数据模型识别率, 说明融合纹理特征后使样本分类信息的表达更加全面; 融合颜色特征后模型的校正集识别率均有所增加, 但预测集识别率稍逊, 颜色特征虽携带了部分有效信息, 但这些信息与牛肉样本的相关性不大。 因此, 寻找与牛肉样本相关性更大的颜色特征是提高模型识别率的重要途径之一。 该研究结果为牛肉品种的快速无损识别提供了一定的参考。

利用可见/近红外(400~1 000 nm)及近红外(900~1 700 nm)高光谱成像技术结合特征波长筛选方法对安格斯牛、力木赞牛、西门塔尔牛3个品种的牛肉进行鉴别研究，且测定肉样的色泽、嫩度、pH值以及水分、脂肪、蛋白质含量。根据不同波段光谱的特点，分别对原始光谱进行预处理，并利用SPA、IRF和IRF-SPA方法筛选特征波长，建立基于全波段及特征波长下的PLS-DA牛肉品种鉴别模型。结果显示：400~1 000 nm波段采用SNV-IRF-SPA-PLS-DA方法建立的模型最优，校正集与预测集准确率分别为98.56%和97.12%，900~1 700 nm波段采用SG-SPA-PLS-DA方法建立的模型准确率为94.09%和96.04%，说明不同波段高光谱对牛肉品种识别均有较好的效果；400~1 000 nm波段的识别准确率优于900~1 700 nm，说明3种牛肉在色泽纹理上的差异比成分含量显著。研究表明，利用高光谱成像技术结合特征波长筛选方法能够获得较好的牛肉品种鉴别效果。

为了满足生鲜肉品质参数无损检测领域, 对轻便式、 低成本设备的开发需求, 提出一种基于多光谱漫反射技术的生鲜肉品质检测方法。 首先根据漫反射近似理论, 结合牛肉样品散射系数、 吸收系数及折射率等参数, 在无线细垂直光束的蒙特卡洛仿真的基础上, 对具有一定发散角度LED光源进行了初始化的校正, 分别从光源照射位置概率分布、 不同角度的照射概率分布、 仰角、 方向角的概率分布、 不同角度光线入射样品时反射引起能量损失及对光子权重的影响, 得到在LED光源发散角情况下, 不同源探距下的漫反射率与检测深度, 确定了光源与检测器之间的最佳距离为15 mm, 然后根据此距离, 搭建了多光谱漫反射检测平台, 检测平台由8组中心波长为470, 535, 575, 610, 650, 720, 780和960 nm的LED光源组成, 与所要检测的生鲜牛肉品质参数相对应。 同时利用LED光源的发散角, 确定了光源到样品表面的垂直距离与每个光源的安装位置, 保证光源照射到样品的区域是均匀的。 样品的漫射光强经由信号采集与放大电路的处理后传至上位机, 并在上位机完成建模与分析。 最后为验证该检测系统的性能, 以生鲜牛肉新鲜度参数中的颜色(L*, a*, b*)与pH值为指标, 利用60个样品进行了试验, 分别得到8个光源下的原始光强值与校正后的反射率值, 然后将牛肉样品按照3∶1比例分为校正集与预测集, 针对原始光强值与反射率值, 分别利用多元线性回归(multiple linear regression, MLR), 偏最小二乘回归(partial least squares regression, PLSR)与偏最小二乘支持向量机回归(partial least-squares support vector machine, LS-SVM)三种方法, 建立各个参数在原始光强与反射率数据两种情况下的预测模型, 并得到最佳模型结果。 结果表明, 利用反射率数据建模结果均好于光强数据结果, 其中参数L*, a*, b*的MLR建模结果优于PLSR与LS-SVR, 其预测集相关系数分别为0.983 2, 0.907 2及0.935 9, 预测集误差分别为1.00, 2.14及0.67。 参数pH值的LS-SVR建模结果优于PLSR与MLR, 其预测集相关系数为0.942 0, 误差为0.19。 最后利用未参与试验的20块牛肉样品对模型进行了验证, 颜色L*, a*, b*及pH参数的预测值与实测值的相关系数均大于0.85, 结果证明, 利用多光谱漫反射技术以及所搭建的多光谱漫反射检测系统对生鲜牛肉品质参数检测是可行的, 该方法能够为设计便携式或微型化生鲜牛肉品质的无损检测仪器提供参考与依据。

牛肉在运输过程中极易受到微生物的感染而变质, 对牛肉变质的监测十分重要。 我们利用长光程FTIR光谱检测牛肉变质时产生的挥发性物质。 证明了牛肉在变质过程中产生的主要挥发性物质是氨气和二氧化碳。 并定量分析牛肉变质产生的氨气和二氧化碳的变化规律, 以判断牛肉的状态。 采用主成分分析法（PCA）实现对挥发性物质的红外光谱分类, 进而可以准确的区分新鲜和变质的牛肉。 我们采用化学计量学方法软独立建模聚类分析法（SIMCA）和偏最小二乘判别分析（PLS-DA）对特征波段内的光谱进行分类, 两种方法具有很好的判断率。 结果表明长光程FTIR结合化学计量学方法能够区分新鲜和变质的牛肉。

研究了牛肉蛋白质二级结构稳定性在-18, -23及-38 ℃不同温度下的变化情况, 明确了肉品工业中不同冷冻温度对肉品品质的作用机制。 利用了傅里叶变换衰减全反射红外光谱（attenuated total reflectance Fourier transfer infrared spectroscopy, ATR-FTIR）技术、 自动去卷积以及曲线拟合等计算方法, 分析了-18, -23及-38 ℃三个温度下, 牛肉肌原纤维蛋白（myofibrillar protein, MP）在冻结—解冻过程中的红外光谱图变化及蛋白质二级结构变性程度。 ATR-FTIR结果显示, 冻结—解冻过程中牛肉MP红外光谱图峰高、 峰面积发生变化, 且峰波数发生红移或者蓝移; 冻结—解冻后牛肉MP红外光谱图中3 500～3 300 cm-1波段的吸收峰强度减弱甚至消失, 说明解冻后牛肉MP中的结合水中O—H基团与氨基酸CO基团形成的分子内和分子间氢键断裂; 冻结会影响牛肉MP二级结构的稳定性, 导致牛肉蛋白质二级结构发生变化, 其中除了无规则卷曲比例上升以外, α-螺旋、 β-折叠、 β-转角含量均下降, 造成有序结构向无序结构转变; 解冻后, 冻结温度为-38 ℃的处理组牛肉β-折叠增加量大于-23和-18 ℃处理组, -38 ℃冻结牛肉MP二级结构的稳定性最好, 解冻后蛋白质复性也最好。 即蛋白质冷冻变性程度随着冻结温度的降低而减轻, 蛋白质二级结构特征保持也越好。 该试验研究基于肉品工业生产实际, 研究结果从微观层面揭示了冻结温度对牛肉蛋白质变性的影响规律及可能的机制, 为冷冻肉冻藏保鲜工艺制定提供了参考。

建立了牛肉基于TVB-N、 菌落总数、 pH值和肉色参数L*多个指标的储存期预测模型, 利用可见近红外光谱(Vis/NIR)技术结合区间偏最小二乘(iPLS)和遗传算法(GA)建立了各个指标的PLS预测模型, 实现了多指标综合无损快速预测4 ℃下牛肉的储存期。 用iPLS和iPLS-GA提取有效波长变量建立PLS预测模型, 以预测相关系数和预测标准差作为模型评价标准, 结果表明用iPLS-GA选择变量建立的各个指标的PLS预测模型均优于全波段和iPLS组合的PLS模型。 由多个指标的预测值和储存期的预测模型, 对校正集和预测集样品储存期进行预测, 其预测相关系数和标准差分别是0.903, 0.897和1.88, 2.24。 说明利用光谱技术结合得出的储存期预测模型可以实现多指标综合预测牛肉储存期, 为无损快速检测牛肉储存期或货架期提供了一种新方法。

研究利用光谱散射特性预测牛肉的pH值、 嫩度和颜色。 使用高光谱成像系统, 获取400～1 100 nm波长范围内新鲜牛肉表面的高光谱散射图像, 预测牛肉的品质参数。 提取高光谱图像在400～1 100 nm波长范围内的散射特征, 利用洛伦兹分布函数, 拟合各个波长处的散射曲线, 获取不同波长散射曲线的洛伦兹函数参数。 使用逐步回归方法, 选择优化波长及其相应的拟合参数, 建立多元线性回归模型预测牛肉的品质参数, 使用全交叉验证方法评价模型性能。 对嫩度的预测相关系数达到0.86, 预测标准差为11.7 N, 分级准确率达到91%； pH值的预测相关系数为0.86, 预测标准差为0.07； 对颜色参数L*, a*, b*的预测相关系数分别达到0.92, 0.90和0.88, 预测标准差分别为0.90, 1.34和0.41。 研究结果表明, 利用光谱散射特征可以较好的预测牛肉的品质参数。

应用近红外反射光谱技术(NIRS), 采用偏最小二乘法(PLS), 建立了牛肉理化特性的近红外预测模型。 从屠宰加工厂选取经48 h排酸后的里脊、 眼肉、 腿肉、 臀肉、 外脊等部位的牛肉样品114份, 采用多元散射校正(MSC)、 一阶导数、 标准正态变量(SNV)预处理方法, 谱区为950～1 650 nm, 建立牛肉水分、 脂肪、 蛋白质3个化学参数以及pH、 肉色(CEI L*, a*, b*)和剪切力(WBSF)3个物理参数的校正模型。 其校正相关系数(R2)分别为0.947 2(水分), 0.924 5(脂肪), 0.934 6(蛋白质), 0.620 2(pH), 0.820 3(L*), 0.864 6(a*), 0.753 0(b*), 0.475 9(WBSF)。 校正标准差(RMSEC)分别为0.313 3(水分), 0.221 0(脂肪), 1.243 2(蛋白), 0.744 6(pH), 1.778 3(L*), 1.394 2(a*), 1.763 9(b*), 1.0743(WBSF)。 应用所建立的模型对30个实际牛肉样品的理化参数进行预测, 并对预测值与实测值进行t检验, 检验结果显示预测值与实测值差异不显著, 说明模型适合于快速评价牛肉的品质。 从预测的准确度看, 化学指标预测的精确度明显高于物理指标。