基于高光谱成像技术的牛肉嫩度无损检测与分级研究

本研究由中国农业大学工学院的吴建虎、彭彦昆、江发潮、王伟、李永玉、高晓东共同完成，并于2009年12月发表在《农业机械学报》第40卷第12期。论文题为“牛肉嫩度的高光谱法检测技术”，其英文标题为“Hyperspectral scattering profiles for prediction of beef tenderness”。

一、 研究的学术背景 本研究隶属于农业工程领域，具体聚焦于农畜产品品质安全无损检测技术与装备方向。牛肉嫩度是决定其食用品质和商品价值的关键指标，但受多种因素影响，变异较大。传统的嫩度测量方法（如沃-布剪切力法）具有破坏性、耗时且无法实现在线检测，难以满足现代肉类加工产业对快速、无损分级的需求。此前，近红外反射光谱（NIR）技术已被尝试用于牛肉嫩度预测，但研究结果存在较大差异，预测相关系数在0.167至0.80之间波动，稳定性和准确性有待提高。高光谱成像技术（Hyperspectral Imaging）作为一种新兴的无损检测手段，能够同时获取被测物的空间信息和连续的光谱信息，已在果蔬、家禽肉品质检测中展现出潜力，但在国内牛肉嫩度检测方面的应用尚未开展。因此，本研究旨在构建一套可见/近红外高光谱成像检测系统，探索利用高光谱散射图像预测和分级牛肉嫩度的可行性，以期为开发快速、准确的无损检测装备提供理论依据和技术支持。

二、 详细的研究流程 本研究流程严谨，主要包括样本制备、高光谱图像采集、嫩度测量、数据处理与分析、模型建立与验证等步骤。

1. 试验样本准备： 研究样本取自北京金维福仁有限公司。共选取23头育龄11-13个月、体重100-140kg的杂交牛。屠宰后，经48小时解僵，从每头牛胴体左侧第12-13椎骨间切取背最长肌。去除脂肪和结缔组织后，将肌肉切成规格为4cm×6cm×2.5cm（长×宽×厚）的肉块，真空包装，置于4℃冰箱中熟化5天。熟化结束后，用于后续的高光谱图像采集和嫩度测量。样本总量为23个。

2. 高光谱图像采集系统构建与图像获取： 研究团队自主构建了一套实验室高光谱成像系统。该系统核心部件包括：德国Sencicam QE型高性能CCD相机、芬兰Spectral Imaging Ltd.的ImSpector V10E型光谱成像仪、美国Oriel Instruments的卤钨灯直流光源、图像采集卡以及控制计算机。光谱仪的工作波长范围为400-1100nm，光谱分辨率为2.8nm。整个系统置于封闭箱体内以隔绝外界光干扰。 采集图像前，将样本从冰箱取出，拆除包装，在空气中暴露30分钟使其表面充分氧化。采集时，光谱仪一次扫描可获取牛肉样本表面一条扫描线（视场为60mm长×180μm宽）的光谱信息。这条扫描线上的光线经光谱仪色散后，形成一张二维图像，其中一维代表空间位置，另一维代表波长（400-1000nm），图像灰度值代表该点在该波长下的反射强度。为减少随机误差，每个样本表面平行选取4个不同位置进行扫描，每个位置重复扫描4次，最终每个样本获得16张高光谱散射图像，并计算其平均图像作为该样本的最终分析图像。

3. 嫩度测量（沃-布剪切力测定）： 在高光谱图像采集完成后，立即进行嫩度测量。首先对样本进行称重，并将温度探头插入肉样中心。随后将肉样放入80℃水浴中加热，当中心温度达到70℃时取出，冷却后置于4℃冰箱存放12小时。测量时，沿肌纤维平行方向从每个样本上切取4个横截面为10mm×10mm的肉条。使用美国G-R Manufacturing Co.的Saler 235型沃-布剪切仪（Warner-Bratzler Shear Force, WBSF）垂直于肌纤维方向剪切肉条，记录最大剪切力值（单位：kg）。将4个肉条测量结果的平均值作为该样本的最终嫩度值。测量结果显示，23个样本的剪切力值分布在2.24至9.87kg之间，均值为5.45kg，标准差为1.97kg，变异系数达34.84%，表明样本嫩度差异显著，有利于建模分析。

4. 数据处理与分析流程： 数据处理使用MATLAB 7.0和SPSS软件，步骤如下： * 图像校正： 为消除相机暗电流噪声，根据公式 I = I0 - B 对原始图像进行校正，其中I为校正后图像，I0为原始反射图像，B为暗电流图像。 * 光谱提取： 针对校正后的高光谱图像，排除信号较弱、噪声大的边缘区域（波长低于420nm、高于1000nm，以及空间上距扫描线中心10mm以外的区域）。在选定的感兴趣区域（ROI，波长420-1000nm，空间中线20mm矩形区域）内，沿波长方向计算所有空间点的平均反射强度，最终得到每个样本的一条反射光谱曲线。 * 光谱预处理： 为消除光散射和基线漂移的影响，对提取的光谱进行多元散射校正（Multiplicative Scatter Correction, MSC）。为进一步平滑光谱、降低噪声，采用了Savitzky-Golay滤波和均值平滑滤波。 * 特征波长选择与模型建立： * 简单相关分析： 将预处理后的光谱在每个波长点的反射强度与实测嫩度值进行简单线性回归分析，绘制相关系数曲线图，初步探查与嫩度相关性高的波段。 * 特征波长筛选： 采用逐步回归（Step-wise Regression）方法，从420-1000nm全波段中自动筛选出与嫩度预测最相关的少数特征波长。 * 预测模型建立： 以上述选定的特征波长处的反射值为自变量，实测嫩度值为因变量，建立多元线性回归（Multilinear Regression, MLR）预测模型。 * 分级模型建立： 以实测嫩度值6.0 kg为阈值，将样本分为两类：嫩牛肉组（<6.0 kg，编号0）和粗糙牛肉组（>6.0 kg，编号1）。以特征波长处的反射值为输入变量，以类别编号为输出变量，建立正则判别函数（Canonical Discriminant Function）进行分类。 * 模型验证： 采用“留一法”全交叉验证来评估模型的稳健性和预测能力。即每次使用一个样本作为测试集，其余样本作为训练集，循环迭代直至所有样本都被预测一次，最终计算整体的预测相关系数、预测标准差以及分类准确率。

三、 主要研究结果 1. 光谱特征分析结果： 从牛肉表面获取的高光谱散射图像包含了丰富的空间和光谱信息。经MSC处理后的光谱曲线特征更为明显。简单相关分析结果显示，在420-1000nm范围内，光谱反射强度与牛肉嫩度的相关性呈波段性变化。在460-635nm（主要为可见光区）范围内，反射强度与嫩度呈正相关；而在670-1000nm（主要为近红外区）范围内，呈负相关。其中，在530nm、635nm和820nm附近，相关系数绝对值超过0.6，尤其在630nm附近达到0.7以上，表明这些波长区域的光谱信息与牛肉嫩度存在较强关联。

2. 嫩度预测模型结果： 通过逐步回归分析，从全波段中筛选出6个特征波长：430nm、496nm、510nm、725nm、760nm和828nm。基于这6个波长建立的多元线性回归模型为： F = -29.494 - 0.338*R430nm + 0.2493*R496nm - 0.16006*R510nm - 0.28491*R725nm + 0.10257*R760nm + 0.15229*R828nm 其中F为预测嫩度值，Rλ为对应波长处的光谱反射值。 该模型拟合效果良好，校正相关系数（R）达0.98，校正标准残差（SEC）为0.45 kg。更重要的是，经全交叉验证后，模型的预测相关系数（RCV）仍高达0.96，预测标准残差（SECV）为0.64 kg。这表明所建立的模型具有很高的预测精度和良好的稳健性，能够较为准确地根据光谱信息反推未知牛肉样本的嫩度值。

3. 嫩度分级结果： 根据6.0 kg的阈值，23个样本被分为嫩牛肉组（12个）和粗糙牛肉组（11个）。使用6个特征波长反射值建立的正则判别函数，首先对全体样本进行训练判别，结果显示训练集分类准确率很高（嫩牛肉组91.7%，粗糙牛肉组100%，总体95.7%）。随后，采用全交叉验证法评估其实际分级能力。验证结果为：对于嫩牛肉组，12个样本中有10个被正确分类，准确率为83.3%；对于粗糙牛肉组，11个样本中有10个被正确分类，准确率为90.9%；总体分类准确率达到87.0%。这一结果证明，基于高光谱技术建立的判别模型能够有效对牛肉嫩度进行分级。

四、 研究结论 本研究得出以下主要结论： 1. 预测可行性： 在400-1000nm波长范围内，牛肉表面的高光谱散射信息与其嫩度存在良好相关性。通过逐步回归筛选特征波长并建立多元线性回归模型，能够实现对牛肉嫩度的有效预测，全交叉验证预测相关系数达0.96，预测标准差为0.64 kg，预测精度在可接受范围内。 2. 分级可行性： 以特征波长反射值为变量建立的正则判别函数，能够对牛肉嫩度进行有效分级（以6.0 kg为界）。全交叉验证下的总体分级准确率达到87.0%，表明该技术具有应用于牛肉在线快速无损分级的潜力。

五、 研究的价值与意义 * 科学价值： 本研究首次在国内系统地将高光谱成像技术应用于牛肉嫩度的无损检测，验证了该技术在此领域的适用性。研究明确了在可见-近红外波段光谱反射特性与牛肉嫩度的相关关系，并成功筛选出用于预测和分级的特征波长组合（430, 496, 510, 725, 760, 828 nm），为后续机理研究和模型优化提供了重要参考。所采用的光谱提取、预处理、特征选择及建模验证流程，为同类农产品品质无损检测研究提供了方法论范例。 * 应用价值： 研究结果为开发用于牛肉生产线的高光谱在线嫩度检测与分级装备奠定了理论基础。相较于传统的破坏性检测和已有的近红外光谱技术，高光谱成像技术结合了图像和光谱的优势，既能反映成分信息，又能提供空间分布信息，有望实现更快速、更准确、非接触式的牛肉品质自动化分级，对于提升我国肉类加工技术水平、保障产品质量、实现优质优价具有重要意义。

六、 研究亮点 1. 技术新颖性： 在当时（2009年），将高光谱成像技术应用于牛肉嫩度检测在国内属于开创性研究，引入了更先进的无损检测手段。 2. 方法系统性： 研究构建了完整的技术链条，包括自主搭建高光谱成像系统、标准化样本处理与数据采集、严谨的光谱预处理（MSC、滤波）、科学的特征波长筛选（逐步回归）以及采用全交叉验证评估模型性能，确保了研究的可靠性和说服力。 3. 结果有效性： 研究取得了显著成果，预测模型交叉验证相关系数（0.96）高于当时多数近红外光谱研究报道的水平，分级准确率（87.0%）也显示出良好的应用前景，有力证明了高光谱技术在该领域的优势。 4. 目标明确性： 研究不仅实现了嫩度的连续值预测，还进一步实现了基于阈值的二元分类（嫩/粗糙），更贴近实际生产中的分级需求。

七、 其他有价值内容 论文在引言和讨论部分，对近红外光谱技术在牛肉嫩度检测中的应用历史及局限性进行了梳理，为本次研究的创新点提供了清晰的学术背景对照。此外，文中详细描述了高光谱系统的组成和工作原理、感兴趣区域（ROI）的选择依据以及光谱预处理的必要性，这些细节对于同行复现实验或开展类似研究具有重要的参考价值。研究也得到了国家自然科学基金、国家“863”计划以及北京市自然科学基金的资助，体现了该课题的重要性和受支持程度。