肉類的摻雜摻假是國內外普遍關注的公共安全問題，對社會經濟、健康、環境等方面具有潛在影響。高光譜成像技術為肉類摻雜摻假檢測提供了無損檢測技術。本文主要介紹了該技術在這一領域的應用。

?

高光譜成像的基本原理與數據解析

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(入)，最終獲得立方體數據(x，y，入)，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。

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 inter-est， 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20。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。

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 regres-sion， SR)等定量預測模型方法以及線性判別分析(lin-ear 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 neu-ral 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(R’)、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(R/R)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。JIANG 等1221對牛肉糜中摻人鴨肉糜的高光譜成像進行檢測， LOD 為7.59%。王偉等2應用高光譜成像對摻人牛肉糜中3種大豆蛋白進行檢測，LOD 達到0.53%、0.58%和1.02%。JIANG 等124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。

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。

?

肉類摻雜摻假高光譜檢測研究進展

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。愛爾蘭都柏林大學 KAMRUZZAMAN 等126利用近紅外波段(900~1700 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%。奧克蘭理工大學的 AL-SARAYREH 等27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%。寧夏大學王靖等(30)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%。王彩霞等對荷斯坦牛、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10:39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。

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就肉糜混人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400~1000 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。

?

3.?非肉源添加物

大部分是為增重牟利，常見的如注人食用膠溶液、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10:40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。

?

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。