肉類主要包括畜肉、禽肉及魚蝦蟹貝類等，其營養物質豐富，是人類蛋白質、脂肪、維生素等必需物質的優質來源。隨著消費者生活水平的提高及飲食結構的改變，動物源蛋白質在飲食中比例逐年提升。20世紀90年代以來，世界人口對于肉類的消費量增長迅猛，僅2000—2015年即由22 499.8萬t增加到31 928.4萬t，年均增長達2.4%。在巨大商業利益驅使下，如2013年“馬肉風波”與2017年巴西腐肉等事件，以假亂真、以次充好的肉類摻雜摻假現象屢見不鮮。這些不法行為不僅對消費者健康與切身利益造成威脅，甚至對整個行業的健康發展造成不良影響，已成為全球普遍關注的公共問題。因此，建立快速準確的肉類摻雜摻假檢測機制對于肉類品質及安全的有效監管尤為重要。目前，將高光譜成像技術應用于肉類摻雜摻假檢測中可以實現樣品無損、準確以及快速檢測，已成為食品、農產品檢測應用領域的一個重要研究方向。

1.肉類摻雜摻假檢的測研究現狀

肉類摻雜摻假形式多種多樣，且更具技術化及隱形化，常見的形式主要包括4種:(1)冒充：使用價格低廉的肉類充當高價肉，如鴨肉或者雞肉冒充牛羊肉等;(2)替換：利用冷藏的同種肉類替換鮮肉，如變質肉、僵尸肉等;(3)混入：一般借助肉糜破壞纖維形態結構，將廉價劣質肉類或內臟混入原料肉中以掩人耳目，如肉餡中摻入血脖肉、碎內臟等;(4)添加：通過添加非肉源性物質實現增重、著色、提味等目的，如“注膠蝦”、“注水肉”、肉中摻入大豆蛋白等。然而，在GB 2760—2011《食品安全國家標準食品添加劑使用標準》中明文規定禁止這種添加行為。肉類的摻雜摻假在健康、道德、宗教和經濟等方面對消費者構成了嚴重威脅。因此，消費者對肉類進行檢測以獲得實際信息的需求和意愿逐年上漲。

依靠感官或形態學的傳統檢測方式存在主觀性強及易誤判等弊端。目前，客觀儀器分析技術主要包括聚合酶鏈式反應(polymerase chain reaction, PCR)法、電泳分析法、質譜分析法、酶聯免疫吸附測定(enzyme linked immunosorbent assay, ELISA)法、色譜分析法、元素分析和同位素分析法等。它們雖然具有較好的重復性及檢測精度，但具有破壞性、需專業人士操作、費時費力、需復雜前處理等缺陷，很難實現大樣本量的現場快速檢測。近年來快速光譜檢測技術在肉類摻雜摻假檢測中已展現出巨大潛力，如拉曼光譜、激光誘導擊穿光譜、太赫茲光譜、紫外-可見光譜、近紅外光譜、中紅外光譜和傅里葉變換紅外光譜等，但摻假分布并不一定均勻，單或多點檢測不能充分代表整個樣品信息，且不具備令其“快速現形”的能力。高光譜成像技術(hyperspectral imaging, HSI)可以同時獲取被測目標光譜和圖像信息，其光譜信息能夠鑒定內部有機物化學成分。通過獲取的圖像信息可以很好地反映樣品中復雜的非均質特征信息，滿足快速檢測以及可視化等需求。

2.高光譜成像的基本原理與數據解析

2.1 高光譜成像技術

高光譜成像技術是融合光學、電子學、計算機科學、信息處理以及統計學等領域的光電檢測技術，主要應用于如森林探火、地質勘探以及海洋監測等航空遙感領域，正逐步在農業、食品、環境、工業、醫藥等領域快速地發展應用。高光譜圖像數據采集包括點掃描、線掃描和面掃描3種(圖1-a)，點掃描：逐像素采集光譜后進行拼接，常見于微觀尺度掃描檢測中;線掃描：逐行掃描獲取每一行像素點光譜并逐行拼接，線掃描尤其適合傳送裝置上動態檢測，也是食品農產品檢測的常用模式;面掃描在光譜維逐波長對圖像依次掃描拼接，一般用于少波長多光譜成像系統中。高光譜圖像不僅包括樣品二維空間信息(x，y)，還具有隨波長分布的每個像素點的光譜信息(λ)，最終獲得立方體數據(x，y，λ)，如圖1-b。較之傳統機器視覺以及近紅外光譜，高光譜可同時獲取目標更為豐富的內部生化及外部物理結構等信息。

a-高光譜圖像采集模式;b-高光譜圖像數據立方體示意圖

圖1 高光譜成像技術的數據采集

2.2 高光譜數據的前處理

原始高光譜圖像經過黑白校正后，為去除背景、邊緣等像素點光譜信息，常利用高反射率波段圖像扣除低反射率波段圖像得到波段運算圖像，并結合合適閾值提取部分像素點生成感興趣區域(region of interest, ROI)。ROI中平均光譜最終作為每個樣品的光譜，用于后續分析研究，也有部分研究通過PC變換、點云分布、圖像增強等方法獲取ROI提取光譜信息。為消除無用信息和環境條件及儀器所帶來的圖譜噪聲，卷積平滑、導數以及標準正態變量變換等都常用于光譜的預處理。高光譜提取出的光譜數據量龐大，存在大量的冗余信息，需要進行有用信息的提取以縮減計算。文獻中的系列特征變量提取方法包括：競爭性自適應加權、連續投影、無信息變量消除、回歸系數、主成分載荷、二維相關光譜、野草算法以及遺傳算法等。

2.3 模型的建立與評價

模型是數據分析研究工作中重要的內容，肉類摻雜摻假的高光譜信息作為自變量對應摻入梯度作為因變量，突出其內在線性或非線性聯系，構建定性判別或定量預測模型，預測后續未知樣本，并基于預測結果給予模型優劣的評價。如偏最小二乘回歸(partial least squares regression, PLSR)、逐步回歸(stepwise regression, SR)等定量預測模型方法以及線性判別分析(linear discriminant analysis, LDA)和支持向量機(support vector machine, SVM)等定性判別方法均得到了廣泛應用。目前應用包括卷積神經網絡(convolutional neural networks, CNN)、遞歸神經網絡以及無監督的預培訓網絡等深度學習方法自動提取特征，也是當前模型建立中的熱點。建立模型評價要有真實摻假梯度與預測值之間的相關系數(R)以及決定系數(R2)、均方根誤差(RMSE)、剩余預測偏差等，一般模型預測集誤差越小，相關或決定系數

越大，總體模型性能越好，訓練集與預測集的評價參數越接近說明模型越穩定。

檢測限(limit of detection, LOD)是衡量某一種檢測技術方法能力的重要指標，部分檢測研究中會進行LOD計算以評價高光譜成像技術結合化學計量學建模方法的靈敏度。對牛肉糜中摻入鴨肉糜的高光譜成像進行檢測，LOD為7.59%。應用高光譜成像對摻入牛肉糜中3種大豆蛋白進行檢測，LOD達到0.53%、0.58%和1.02%。對摻入豬肉中血脖肉含量進行高光譜成像檢測，LOD限達6.50%。考慮到肉類摻雜摻假均是以盈利為目的，一般摻假比例都會高于10%，使用高光譜成像在肉類摻雜摻假檢測中是實際可行的。

2.4 高光譜數據的后處理

與傳統的近紅外光譜相比，高光譜成像的主要優勢在于能夠反映空間分布信息，建立簡化的多變量模型可以預測多光譜圖像每個像素點的值，以達到觀測整個圖像品質或化學成分分布的目的。而摻雜摻假情況一般用肉眼是難以觀測到的，為了快速直觀地觀察肉類摻雜摻假的空間分布，研究人員一般將優選的簡化模型應用到特征波長下的多光譜圖像中，預測每個像素點的摻雜摻假情況，最終得到可視化的預測分布圖，給清晰直觀地展示出摻雜摻假狀況提供了一種方法。

3.肉類摻雜摻假高光譜檢測研究進展

3.1 冒充和替換

使用不同產地、種屬、狀態的肉類進行冒充或替換是不法商家常用的手段，目前常通過動物源成分或某一指標如揮發性鹽基氮、細菌總數及水分含量等進行檢測鑒別。利用近紅外波段(900～1 700 nm)高光譜成像技術對豬、牛、羊3類紅肉進行整塊類別劃分，選取6個波長結合PLS-DA建模方法得到識別總準確率為98.67%。將新鮮、冷凍、解凍、包裝和非包裝多種形式豬、牛、羊肉拼接，利用HSI結合深度CNN得到了總體94.4%的劃分準確率。最近研究發現快照HSI結合3D-CNN同樣可以獲取96.9%以上準確率，這為未來便攜儀器開發及實時獲取紅肉真偽信息提供可能。華南理工大學XIONG等[29]分別提取散養雞和肉雞肉高光譜主成分得分圖像的光譜和圖像紋理信息，圖譜信息結合利用SVM建模最優判別準確率達93.33%。采集銀川、固原、鹽池3個產地羊肉高光譜圖像，發現CARS提取波長結合PLS-DA建模方法得到的預測集準確率最高為84.21%。對荷斯坦牛、秦川牛、西門塔爾牛3種牛肉高光譜圖像數據進行采集分析，結果顯示CARS提取波長結合SVM建模預測集準確率為98.82%。綜上，對于此類肉類冒充和替換，高光譜成像可以較好地識別和劃分(準確率>84%)，以往對于肉類冒充和替換案例中，不同肉類蛋白質的不同吸收帶是光譜檢測能力的最大貢獻來源，未來還可以結合點云或顯微尺度進行信息挖掘，以達到進一步提升識別精度和模型穩定性的目的。

3.2 混入

混入的檢測研究目前較多，常見于肉糜狀態下的混入檢測。肉糜是最受歡迎的形式之一，是多類肉制品的主要成分，如漢堡、餡餅、肉丸、香腸以及包子、餃子和餛飩肉餡等。由于肉糜消除了基本的形態差異和特征，消費者難以通過感官觀測出異樣，因此原料肉糜中常被混入廉價肉糜牟取利益。表1就肉糜混入的高光譜檢測研究進行了總結，所有研究中模型的預測精度均很高，高光譜成像檢測具有巨大應用潛力。表中大部分研究利用包含可見光的400～1 000 nm波段，原因是借助不同肉類血紅蛋白和肌紅蛋白含量以及結構差異對光散射的影響完成檢測鑒別。

表1 高/多光譜成像在廉價肉混入原料肉檢測的應用

3.3 非肉源添加物

非肉源添加物大部分是為增重牟利，常見的如注入食用膠溶液、大豆蛋白等，雖然少量添加物能提升肉類的質地和流變特性并改善其口感，但過多添加一方面嚴重侵犯了消費者權益，另一方面因人體腸胃無法吸收，長期食用會阻礙營養物質吸收，很容易造成營養不良，更嚴重的會引起強烈的過敏癥狀。許多國家對于此類添加物有明確規定，如巴西法律規定漢堡中大豆蛋白添加量不能超過7.5%。檢測肉制品中未聲明的非肉源添加物具有很重要的現實意義，相關研究結果匯總如表2所示。而此類物質相比于肉類摻假因具有不同的蛋白質、碳水化合物以及水分含量等，因此更易被高光譜檢測出來。

表2 高光譜成像檢測肉類中非肉源添加物的方法比較

4.前景與展望

肉類產品長期面臨著不法商家各類摻雜摻假問題，基于高光譜成像技術的快速檢測是可行的，但肉類摻雜摻假現象多種多樣、層出不窮，目前數據挖掘、模型建立以及商業化應用基礎還不夠系統、成熟。首先，不應僅針對某一種現象進行研究，未來還需有針對性的圖譜數據融合以及人工智能深度學習算法的嘗試，深度挖掘指示各類肉品的指紋特征，篩選出適用于檢測多種或某一類摻雜摻假的數據信息;其次，目前構建模型的數據庫還是研究者自行構建，模型穩健性還不夠，模型的優化更新還需要巨大樣本量數據庫補充，距離商業化應用還有一段距離;再次，超立方體高光譜數據較大，圖像和光譜處理速度慢，開發經濟簡單的數據處理方法和低成本、易操作、少變量的多光譜系統是未來發展的重點;最后，仍需通過優化應用條件，建立應用方法，研發配套大型裝備或小型便攜設備，最終為我國肉類摻雜摻假現象的快速實時檢測鑒別提供關鍵技術與裝備，以提升監管水平。