高光谱成像可同时获取被检测对象的图像信息和光谱信息, 并对其内部成分进行定性和定量分析。 国内外学者采用高光谱对肉品品质的研究多集中在水分、 菌落总数、 色泽、 pH、 挥发性盐基氮等方面, 在肉品嫩度检测中应用区间变量迭代空间收缩法优选特征波长的研究鲜有报道。 利用可见-近红外（400~1 000 nm）和近红外（900~1 700 nm）高光谱结合化学计量学方法对冷鲜滩羊肉嫩度进行无损预测, 优选最佳建模波段。 首先, 采集羊肉的高光谱图像, 提取样本感兴趣区域的光谱反射值, 采用TA-XTplus质构仪测量滩羊肉嫩度; 其次, 将两个波段下的原始光谱数据进行多元散射校正（multiple scattering correction, MSC）、 去趋势（de-trending）、 基线校准（baseline）、 标准正态变量（standard normal variable, SNV）、 归一化（normalize）和卷积平滑（Savitzky-Golay）等预处理; 分别采用连续投影算法（successive projection algorithm, SPA）、 竞争性自适应加权算法（competitive adaptive reweighted sampling, CARS）、 变量组合集群分析法（variables combination population analysis, VCPA）和区间变量迭代空间收缩法（interval variable iterative space shrinkage approach, IVISSA）对最佳预处理的光谱数据优选特征波长; 最后, 建立冷鲜滩羊肉嫩度的偏最小二乘回归（partial least squares regression, PLSR）预测模型, 优选最佳建模波段。 结果表明: （1）滩羊肉嫩度的近红外高光谱模型的预测效果优于可见-近红外高光谱; （2）经过多种预处理方法所建立的滩羊肉嫩度的模型中, 近红外区域的原始光谱（original spectra, OS）模型效果最优, 其Rc=0.83, Rp=0.79, RMSEC=874.94, RMSEP=1 465.97; （3）近红外高光谱的原始光谱经SPA, CARS, VCPA, IVISSA四种方法共挑选出15, 16, 13和123个特征波长, 占总波长的7%, 6%, 5%和54% ; （4）近红外高光谱结合OS-IVISSA-PLSR建立的冷鲜滩羊肉嫩度预测模型最好, 其Rc=0.85, RMSEC=850.86, Rp=0.79, RMSEP=1 497.11。 IVISSA算法不仅可大幅度减少模型运算次数, 还可以保证模型的精准和稳定性。 研究表明, OS-IVISSA-PLSR模型对冷鲜滩羊肉嫩度进行高光谱的快速无损检测是可行的。

嫩度是猪肉食用品质最重要的指标之一。 猪肉嫩度取决于猪肉组织复杂的物理、 化学特性, 目前难以实现快速无损伤检测。 探索空间分辨光谱技术用于生鲜肉嫩度无损检测的可行性。 首先利用点光源高光谱扫描系统采集54块猪肉背最长肌的空间可分辨散射光谱, 经过感兴趣区域选择, 提取出猪肉样本表面光斑的空间扩散轮廓, 结合4-参数洛伦兹分布函数对扩散轮廓进行非线性拟合, 拟合优度R2>0.992, 并通过残差分析, 表明4-参数洛伦兹分布函数符合肉样表面光强的空间散射规律, 进而提取出480～950 nm波长下空间分辨光谱的四个形态学参数: 渐进值a、 峰值b、 半带宽c以及半带宽处的斜率d。 然后将单参数谱分别与猪肉样本Warner-Bratzler剪切力(WBSF)测量值进行偏最小二乘回归(PLSR)分析。 结果表明不同参数谱都含有猪肉嫩度信息, 其中峰值参数谱b建模效果最佳, 其回归模型的校正集决定系数R2c为0.674, 均方根误差SEC为8.396N, 预测集决定系数R2p为0.610, 均方根误差SEP为8.643N。 为提高模型的预测精度和稳定性, 实现多参数谱信息的融合, 先通过PLSR分析, 分别提取出每个参数谱中对猪肉嫩度方差贡献大的公共因子, 然后将其因子得分组合在一起作为参数谱的特征变量, 与猪肉样本WBSF测量值作多元统计回归分析。 为避免数据冗余, 对不同参数谱特征变量进行多重共线性判别, 进一步采用PLSR算法对参数谱特征变量进行降维和变换, 采用交叉验证方法, 选择前两维因子得分进行校正模型的建立。 其中所提取第一维公共因子对猪肉WBSF值方差解释率达92.28%。 与单参数谱所建PLSR模型相比, 多参数谱信息融合模型预测效果有了较大提高, 其R2c和R2p分别为0.923和0.800, SEC和SEP分别为4.083N和5.655N。 通过对回归系数进行统计量t检验, 结果表明所有回归系数极显著(p<0.01)。 本研究通过采取多参数信息融合方法为空间分辨光谱在生鲜肉嫩度无损检测应用提供一种思路, 该方法有效将空间分辨光谱解析为4个形态学参数, 并实现不同参数谱信息的提取和融合, 为开发基于空间分辨光谱的生鲜肉嫩度无损快速检测装备提供技术支撑。

猪肉是光的强散射物质, 嫩度是评价猪肉品质优劣的重要标准之一, 提出一种基于三维漫射光谱法的猪肉嫩度检测方式。 将猪肉样本更多的散射信息引入光谱分析中。 利用实验室搭建的数据采集系统, 通过采集距光源入射点不同距离处的样本漫反射光信号构建了64个猪肉样本的三维漫射光谱。 经过小波消噪处理后, 利用多维偏最小二乘法(NPLS)建立了三维漫射光谱与猪肉嫩度之间的分析模型, 模型的校正决定系数R2Cal是0.883 1, 校正标准差RMSEC是3.685 0N, 预测决定系数R2Pred是0.874 7, 预测标准差RMSEP是3.9756N。 实验结果表明, 与常规的漫反射光谱法相比, 三维漫射光谱法所建立的猪肉嫩度NPLS模型具有更高的校正精度和预测稳健性, 有望为猪肉嫩度及其他品质的快速检测提供一种新的途径。

提出了基于高光谱成像技术的猪肉嫩度检测方法。利用高光谱成像系统获取78个猪肉样本在400~1100 nm范围的高光谱图像数据；通过主成分分析高光谱数据进行降维，从中优选出3幅特征图像，并从每幅特征图像中分别提取对比度、相关性、角二阶矩和一致性等4个基于灰度共生矩阵的纹理特征变量，这样每个样本共有12个特征变量，再通过主成分分析提取6个主成分变量，并参照剪切力方法测得的样本嫩度等级结果，利用神经网络方法构建猪肉嫩度等级判别模型。模型对校正集样本的回判率为96.15%，预测集样本的判别率为80.77%。研究表明高光谱图像技术可以用于猪肉嫩度等级水平的检测。

蒸煮损失和嫩度是决定猪肉的食用品质的重要指标, 文章提出了可见光/近红外漫反射光谱检测真空包装猪肉的蒸煮损失和嫩度的新方法, 从而实现对其快速、 无损、 无污染测定。 利用光谱专用分析软件Unscrambler9.6对采集的近红外漫反射光谱分别进行卷积平滑、 二阶微分法和多元散射校正预处理, 用偏最小二乘法(PLS)建立其定量校正模型。 结果表明近红外光谱漫反射法的预测值与常规方法测定值的相关系数分别为0.81和0.78。 该研究结果说明基于可见光/近红外光谱漫反射光谱的检测方法简便易行, 是无损检测猪肉的蒸煮损失和嫩度的较好方法。

猪肉嫩度是肉的主要感官和食用品质之一, 常规嫩度测试方法费时繁琐, 难以达到大批量快速无损检测。 基于组织光学原理和稳态空间分辨光谱技术, 首先采用多通道可见近红外光谱仪检测猪背最长肌样品, 获得样品的约化散射系数； 之后每个样品一分为二, 其中一块鲜肉用C-LM4型嫩度仪测试, 另一块按常规测试方法测试。 研究结果表明700 nm波长点处样品约化散射系数与鲜肉剪切力值线性回归R2=0.834 9, 鲜肉剪切力值与按常规测试方法剪切力值线性回归R2=0.771 6。 因此, 可以用鲜肉约化散射系数来得到猪肉嫩度, 获得和常规嫩度测试方法同等效果； 采用基于组织光学的稳态空间分辨光谱技术直接预测猪肉嫩度, 可以实现快速无损检测的目的。