高光谱成像技术在肉类掺杂掺假检测中的应用（二）

肉类的掺杂掺假是国内外普遍关注的公共安全问题，对社会经济、健康、环境等方面具有潜在影响。高光谱成像技术为肉类掺杂掺假检测提供了无损检测技术。本文主要介绍了该技术在这一领域的应用。

高光谱成像的基本原理与数据解析

1. 高光谱成像技术

高光谱成像技术是融合光学、电子学、计算机科学、信息处理以及统计学等领域的光电检测技术，主要应用于如森林探火、地质勘探以及海洋监测等航空遥感领域，正逐步在农业、食品、环境、工业、医药等领域快速地发展应用。高光谱图像数据采集包括点扫描、线扫描和面扫描3种(图1-a)，点扫描：逐像素采集光谱后进行拼接，常见于微观尺度扫描检测中；线扫描：逐行扫描获取每一行像素点光谱并逐行拼接，线扫描尤其适合传送装置上动态检测，也是食品农产品检测的常用模式；面扫描在光谱维逐波长对图像依次扫描拼接，一般用于少波长多光谱成像系统中。高光谱图像不仅包括样品二维空间信息(x，y)，还具有随波长分布的每个像素点的光谱信息(入)，最终获得立方体数据(x，y，入)，如图1-b。较之传统机器视觉以及近红外光谱，高光谱可同时获取目标更为丰富的内部生化及外部物理结构等信息。

2. 高光谱数据的前处理

原始高光谱图像经过黑白校正后，为去除背景、边缘等像素点光谱信息，常利用高反射率波段图像扣除低反射率波段图像得到波段运算图像，并结合合适阈值提取部分像素点生成感兴趣区域(region of inter-est， ROI)。ROI 中平均光谱最终作为每个样品的光谱，用于后续分析研究，也有部分研究通过 PC 变换、点云分布、图像增强等方法获取 ROI 提取光谱信息20。为消除无用信息和环境条件及仪器所带来的图谱噪声，卷积平滑、导数以及标准正态变量变换等都常用于光谱的预处理。高光谱提取出的光谱数据量庞大，存在大量的冗余信息，需要进行有用信息的提取以缩减计算。文献中的系列特征变量提取方法包括：竞争性自适应加权、连续投影、无信息变量消除、回归系数、主成分载荷、二维相关光谱、野草算法以及遗传算法等。

3. 模型的建立与评价

模型是数据分析研究工作中重要的内容，肉类掺杂掺假的高光谱信息作为自变量对应掺入梯度作为因变量，突出其内在线性或非线性联系，构建定性判别或定量预测模型，预测后续未知样本，并基于预测结果给予模型优劣的评价。如偏最小二乘回归( partial least squares regression， PLSR)、逐步回归(stepwise regres-sion， SR)等定量预测模型方法以及线性判别分析(lin-ear discriminant analysis， LDA)和支持向量机(support vector machine， SVM)等定性判别方法均得到了广泛应用。目前应用包括卷积神经网络(convolutional neu-ral networks， CNN)、递归神经网络以及无监督的预培训网络等深度学习方法自动提取特征，也是当前模型建立中的热点。建立模型评价要有真实掺假梯度与预测值之间的相关系数(R)以及决定系数(R’)、均方根误差(RMSE)、剩余预测偏差等，一般模型预测集误差越小，相关或决定系数(R/R)越大，总体模型性能越好，训练集与预测集的评价参数越接近说明模型越稳定。

检测限(limit of detection， LOD)是衡量某一种检测技术方法能力的重要指标，部分检测研究中会进行LOD 计算以评价高光谱成像技术结合化学计量学建模方法的灵敏度。JIANG 等1221对牛肉糜中掺人鸭肉糜的高光谱成像进行检测， LOD 为7.59%。王伟等2应用高光谱成像对掺人牛肉糜中3种大豆蛋白进行检测，LOD 达到0.53%、0.58%和1.02%。JIANG 等124对掺入猪肉中血脖肉含量进行高光谱成像检测，LOD 限达6.50%。考虑到肉类掺杂掺假均是以盈利为目的，一般掺假比例都会高于10%，使用高光谱成像在肉类掺杂掺假检测中是实际可行的。

4. 高光谱数据的后处理

与传统的近红外光谱相比，高光谱成像的主要优势在于能够反映空间分布信息，建立简化的多变量模型可以预测多光谱图像每个像素点的值，以达到观测整个图像品质或化学成分分布的目的。而掺杂掺假情况一般用肉眼是难以观测到的，为了快速直观地观察肉类掺杂掺假的空间分布，研究人员一般将优选的简化模型应用到特征波长下的多光谱图像中，预测每个像素点的掺杂掺假情况，最终得到可视化的预测分布图，给清晰直观地展示出掺杂掺假状况提供了一种方法。

肉类掺杂掺假高光谱检测研究进展

1. 冒充和替换

使用不同产地、种属、状态的肉类进行冒充或替换是不法商家常用的手段，目前常通过动物源成分或某一指标如挥发性盐基氮、细菌总数及水分含量等进行检测鉴别。爱尔兰都柏林大学 KAMRUZZAMAN 等126利用近红外波段(900~1700 nm)高光谱成像技术对猪、牛、羊3类红肉进行整块类别划分，选取6个波长结合 PLS-DA 建模方法得到识别总准确率为98.67%。奥克兰理工大学的 AL-SARAYREH 等27将新鲜、冷冻、解冻、包装和非包装多种形式猪、牛、羊肉拼接，利用HSI结合深度CNN 得到了总体94.4%的划分准确率。最近研究*发现快照HSI 结合 3D-CNN同样可以获取96.9%以上准确率，这为未来便携仪器开发及实时获取红肉真伪信息提供可能。华南理工大学 XIONG等分别提取散养鸡和肉鸡肉高光谱主成分得分图像的光谱和图像纹理信息，图谱信息结合利用 SVM 建模最优判别准确率达93.33%。宁夏大学王靖等(30)采集银川、固原、盐池3个产地羊肉高光谱图像，发现 CARS 提取波长结合 PLS-DA 建模方法得到的预测集准确率最高为84.21%。王彩霞等对荷斯坦牛、秦川牛、西门塔尔牛3种牛肉高光谱图像数据进行采集分析，结果显示 CARS提取波长结合SVM建模预测集准确率为98.82%。综上，对于此类肉类冒充和替换，高光谱成像可以较好地识别和划分(准确率>84%)，以往对于肉类冒充和替换案例中，不同肉类蛋白质的不同吸收带是光谱检测能力的最大贡献来源，未来还可以结合点云或显微尺度进10:39行信息挖掘，以达到进一步提升识别精度和模型稳定性的目的。

2. 混入

混入的检测研究目前较多，常见于肉糜状态下的混入检测。肉糜是最受欢迎的形式之一，是多类肉制品的主要成分，如汉堡、馅饼、肉丸、香肠以及包子、饺子和馄饨肉馅等。由于肉糜消除了基本的形态差异和特征，消费者难以通过感官观测出异样，因此原料肉糜中常被混入廉价肉糜牟取利益。表1就肉糜混人的高光谱检测研究进行了总结，所有研究中模型的预测精度均很高，高光谱成像检测具有巨大应用潜力。表中大部分研究利用包含可见光的400~1000 nm波段，原因是借助不同肉类血红蛋白和肌红蛋白含量以及结构差异对光散射的影响完成检测鉴别。

3. 非肉源添加物

大部分是为增重牟利，常见的如注人食用胶溶液、大豆蛋白等，虽然少量添加物能提升肉类的质地和流变特性并改善其口感，但过多添加一方面严重侵犯了消费者权益，另一方面因人体肠胃无法吸收，长期食用会阻碍营养物质吸收，很容易造成营养不良，更严重的会引起强烈的过敏症状。许多国家对于此类添加物有明确规定，如巴西法律规定汉堡中大豆蛋白添加量不能超过7.5%。检测肉制品中未声明的非肉源添加物具有很重要的现实意义，相关10:40研究结果汇总如表2所示。而此类物质相比于肉类掺假因具有不同的蛋白质、碳水化合物以及水分含量等，因此更易被高光谱检测出来。

前景与展望

肉类产品长期面临着不法商家各类掺杂掺假问题，基于高光谱成像技术的快速检测是可行的，但肉类掺杂掺假现象多种多样、层出不穷，目前数据挖掘、模型建立以及商业化应用基础还不够系统、成熟。首先，不应仅针对某一种现象进行研究，未来还需有针对性的图谱数据融合以及人工智能深度学习算法的尝试，深度挖掘指示各类肉品的指纹特征，筛选出适用于检测多种或某一类掺杂掺假的数据信息；其次，目前构建模型的数据库还是研究者自行构建，模型稳健性还不够，模型的优化更新还需要巨大样本量数据库补充，距离商业化应用还有一段距离；再次，超立方体高光谱数据较大，图像和光谱处理速度慢，开发经济简单的数据处理方法和低成本、易操作、少变量的多光谱系统是未来发展的重点；最后，仍需通过优化应用条件，建立应用方法，研发配套大型装备或小型便携设备，最终为我国肉类掺杂掺假现象的快速实时检测鉴别提供关键技术与装备，以提升监管水平。