高光譜成像技術在肉品無損檢測中的應用及進展

張令標，何建國，王松磊，劉貴珊，賀曉光，羅瑞明

（寧夏大學 農(nóng)學院，寧夏 銀川 750021）

0 前言

隨著人們生活水平的提高，我國的膳食結構逐漸向著優(yōu)質合理的方向發(fā)展，消費者對肉的需求量迅速增長，同時也對肉品質量提出了新的要求.肉品品質直接影響人們的生活質量和健康安全，也影響肉品企業(yè)的發(fā)展[1].因此，肉的食用品質（嫩度、持水力）、營養(yǎng)水平（脂肪、蛋白質、水分）以及肉品的安全（表面污染）受到消費者和肉品企業(yè)的重視.傳統(tǒng)肉品檢測方法有感官評價、理化指標檢測以及微生物菌落檢測等[2]，其中感官評價主觀性強、不易量化，并且評價人員意見難以一致；理化指標及微生物檢測存在樣品處理繁瑣、化學試劑消耗量大、檢測周期長以及成本高等問題.世界各國亟需一種快速、準確、靈敏的肉品檢測手段，因此光譜分析技術應運而生.

光譜分析技術首先被廣泛應用于果蔬農(nóng)產(chǎn)品的快速無損檢測系統(tǒng)上，并取得了較好的效果[3-4].隨后一些學者應用光譜分析技術在肉品品質無損檢測技術研究方面取得了一定的成果[5-6]，并且已開發(fā)出儀器設備應用于實際生產(chǎn)中，如丹麥和德國等國已經(jīng)開發(fā)出近紅外光譜在線檢測肉品品質的生產(chǎn)線[6]；但近紅外光譜存在檢測范圍小、沒有圖像信息等缺點，在肉品檢測上存在很大制約.高光譜成像技術[7]是新一代光電檢測技術，興起于20世紀80 年代，融合光學、電子學、信息處理以及計算機科學，其將傳統(tǒng)二維成像技術和光譜技術有機地結合在一起，具有連續(xù)多波段、光譜分辨率高和圖像光譜合一等特點[8-10]，在肉品品質檢測上具有很大的發(fā)展?jié)摿?筆者主要綜述了國內外利用高光譜技術對肉品品質進行無損檢測的研究進展并探討其未來的發(fā)展方向.

1 高光譜成像技術的原理

高光譜成像是一系列波長范圍內的圖像，根據(jù)不同的光源，光譜范圍可分為200～400 nm（紫外）、400～760 nm（可見光）、760～2 560 nm（近紅外）以及波長大于2 560 nm 的區(qū)域[9].高光譜成像系統(tǒng)的主要組成部分有：CCD 相機、單色儀、成像鏡頭、光源、載物臺和計算機，如圖1 所示.

在掃描過程中，攝像頭接受從物體表面反射或透射來的光，通過CCD 探測器把光信號轉換成電信號.圖像采集卡把CCD 得到的模擬信號轉換成數(shù)字信號，通過計算機顯示出來[11].單色儀用來獲得特定波長的光，單色儀分為濾波片（濾波器）和圖像光譜儀兩種，根據(jù)單色儀的不同可把高光譜系統(tǒng)分為兩種不同的高光譜系統(tǒng)[7，11-13].第1 種是基于濾波片（濾波器）的高光譜成像系統(tǒng)，其通過連續(xù)采集一系列波段條件下樣品的二維圖像，即在每個特定波長λi（i=1，2，3，…，n；n 為正整數(shù)）得到一幅二維圖像（橫坐標為x，縱坐標為y），從而得到三維高光譜圖像塊，如圖2a 所示.第2 種是基于成像光譜儀的高光譜成像系統(tǒng)，其采用“掃帚式”成像方法得到高光譜圖像；線列或面陣探測器在光學焦面的垂直方向做橫向排列完成橫向掃描（x 軸向），獲取對象條狀空間中每個像素在各個波長λi（i=1，2，3，…，n；n 為正整數(shù)）下的圖像信息；同時在檢測系統(tǒng)輸送帶前進過程中，排列的探測器如同刷子掃地一樣掃出一條帶狀軌跡從而完成縱向掃描（y 軸向）.綜合橫縱掃描信息就可得到樣品的三維高光譜圖像數(shù)據(jù)，如圖2b 所示.

圖1 高光譜成像系統(tǒng)

圖2 高光譜圖像數(shù)據(jù)塊

2 高光譜成像技術在肉品品質檢測上的應用

2.1 高光譜成像技術在肉品內部品質檢測上的應用

2.1.1 營養(yǎng)指標檢測

脂肪、蛋白質、水分是人類重要的營養(yǎng)物質，是衡量肉品營養(yǎng)價值的重要指標.檢測蛋白質、脂肪和水分的傳統(tǒng)方法為凱氏定氮法[14]、索氏提取法[15]和直接干燥法[16]，這些方法都在不同程度上對肉品造成損傷，并且耗時長、花費大、時效性差的缺點嚴重影響肉品品質檢測的發(fā)展.早期學者[17]應用傅立葉變換近紅外光譜系統(tǒng)對鮮豬肉中肌內脂肪、蛋白質和水分含量進行測定，結果表明，該方法可快速準確地檢測鮮豬肉中肌內脂肪、蛋白質和水分含量.為高光譜成像技術在肉品化學成分檢測上的應用提供了依據(jù).

Kamruzzaman M 等[18]基于900～1 700 nm 的高光譜成像系統(tǒng)對羊肉肌內蛋白質、脂肪和水分的無損檢測進行了研究.應用ENVI 軟件從高光譜原始圖像上獲得原始光譜，Uscrambler 軟件對原始光譜建立偏最小二乘回歸的多元散射校正模型，結果表明：該模型對羊肉肌內的水分、脂肪蛋白質的決定系數(shù)分別為0.88、0.88 和0.63 以及預測標準誤差為0.40%、0.51%和0.34%.隨后根據(jù)偏最小二乘回歸系數(shù)分別選擇出水分、脂肪、蛋白質的特征波長，并建立了特征波長下的偏小二乘回歸模型，各成分的交叉驗證均方根誤差為：0.86、0.90、0.85；預測均方根誤差為：0.84、0.87、0.82；預測標準誤差為：0.57%、0.35%、0.47%.

Barbin 等[19]應用近紅外高光譜成像對塊狀豬肉和肉糜化學成分的無損檢測的研究表明，特征波長下建立肉糜中蛋白質、水分和脂肪的偏最小二乘回歸模型，其決定系數(shù)為0.88、0.91、0.93，預測標準誤差為0.40、0.60、0.42.該肉糜模型可很好地應用于完整肉化學成分的預測.

2.1.2 嫩度檢測

嫩度是肉品的主要食用品質之一，是消費者評判肉質優(yōu)劣的最常用指標.肉的嫩度是指肉在食用時口感的老嫩，反映了肉的質地[20].傳統(tǒng)肉的嫩度檢測大都是感官評價，其操作復雜、耗資大、并且受人為因素影響比較大，嚴重影響了高品質肉品檢測.除了感官評價外還可借助儀器來衡量，雖然提高了嫩度的檢測精度，但樣品浪費大、有損壞、時效性差，嚴重制約了肉品行業(yè)的發(fā)展.目前，利用高光譜成像技術對肉品嫩度檢測的研究得到快速發(fā)展.

吳建虎等[21]應用高光譜散射成像系統(tǒng)獲取牛肉表面高光譜散射圖像，從散射圖像中提取散射曲線，使用洛倫茲分布函數(shù)擬合散射曲線，逐步回歸選取擬合函數(shù)參數(shù)的優(yōu)化組合，預測成熟7 d 的牛肉嫩度.結果表明，在525～1 000 nm 波長范圍內，洛倫茲分布函數(shù)可以較好地擬合牛肉嫩度的散射曲線；根據(jù)散射曲線峰值建立的多元線性回歸方程，可以很好地預測牛肉的嫩度值；同時，吳建虎等[22]指出：在400～1 000 nm 波長范圍內，反射光譜與嫩度有較好的相關性.利用逐步回歸法選擇特征波長建立牛肉嫩度預測模型，并應用全交叉驗證對模型進行檢驗，準確性良好.并用特征波長的反射值作為輸入量，用正則判別法對牛肉嫩度分級，較嫩一組分類準確率達83.13%，粗糙一組分類準確率為90.19%，23 個樣本的總分類準確率為87.10%.

Naganathan G K 等[23]采集了屠宰后14 d 的背脊牛排111 塊作為研究樣本.應用近紅外高光譜成像系統(tǒng)采集圖像信息后，對牛排進行烹飪測其剪切力，根據(jù)剪切力把111 個樣本分成3 組（柔軟型、中間型、堅韌型）.通過主成分分析獲得牛肉的紋理特性，依據(jù)牛排的3 種嫩度類型與紋理特性的關系，建立圖像預測模型，應用留一交叉驗證方法驗證模型，其精確度為94.6%.

2.1.3 持水力檢測

肌肉系水力也叫肌肉持水力，是一項重要的肉質性狀，它不僅影響肉的色香味、營養(yǎng)成分、多汁性、嫩度等食用品質，而且有著重要的經(jīng)濟價值[20].利用肌肉有系水潛能這一特性，在肉品加工過程中可以添加水分，從而提高出品率.如果肌肉保水性能差，那么從家畜屠宰后到被烹調前這一段過程中，肉因為失水而失重，將造成經(jīng)濟損失.

ElMasry G 等[24]應用近紅外高光譜圖像技術對牛肉持水能力進行無損檢測研究，通過主成分分析處理并建立全波段下的偏最小二乘模型，其決定系數(shù)為0.89，經(jīng)交叉驗證模型的標準誤差為0.26%.并根據(jù)偏最小二乘回歸系數(shù)選擇6 個特征波長（940、997、1 144、1 214、1 342、1 443 nm），采用偏最小二乘回歸法建立模型，該模型的決定系數(shù)和標準誤差分別為0.87 和0.28%.

Kamruzzaman M 等[25]應用高光譜成像技術在900～1 700 nm 范圍內檢測羔羊肉不同部分的pH、顏色、持水力3 個指標時，應用偏最小二乘回歸和多元散射校正建立模型測得持水力的決定系數(shù)為0.77，并應用灰度共生矩陣提取圖像結構信息，確定失水率與圖像結構信息的相關性，建立了失水率彩色圖像模型，可清晰看出羔羊肉的失水率大小.

2.2 高光譜成像技術在肉品表面污染檢測上的應用

微生物含量作為鮮肉檢測的一個重要指標直接影響肉品的儲藏及風味，如果微生物含量超標將會直接危害消費者健康，傳統(tǒng)檢測方法耗時長、操作復雜，不能滿足當今社會的發(fā)展.高光譜成像技術作為一款精確、快速、無損的檢測系統(tǒng)，被學者廣泛應用于農(nóng)畜產(chǎn)品檢測的研究.Tao 等[26]指出在400～1 100 nm 波長范圍內應用高光譜散射技術和多元線性回歸預測豬肉內大腸桿菌含量，相關系數(shù)高達0.877.Barbin 等[27]應用900～1 000 nm 高光譜系統(tǒng)估計豬肉微生物含量，采用偏最小二乘回歸法建立細菌總數(shù)模型和平板計數(shù)模型，模型準確率分別達到0.86 和0.89.Peng 等[28]應用高光譜空間散射圖像預測牛肉表面微生物腐敗，根據(jù)洛倫茲分布函數(shù)選擇特征波長，然后結合真實細菌總數(shù)（TVC）的對數(shù)值建立多元線性回歸模型，最佳決定系數(shù)為0.95，標準誤差為0.30.

畜禽屠宰過程中，由于扯拉過猛使十二指腸、腸道中較長的部位斷裂，內容物流出黏附胴體表面，以及操作過程中沾染操作間的塵土造成胴體表面污染.這些表面污染嚴重影響胴體的品質，縮短儲藏時間，制約肉品行業(yè)的發(fā)展，但糞便、腸溶物等成分多樣、狀態(tài)復雜，傳統(tǒng)方法難以檢測.Park B 等[29]應用高光譜成像技術對雞肉表面糞便污染進行研究，應用兩個波段比（I565/I517）建立圖像模型，模型精確度為96.4%，誤報147，采用3 個波段比（I565-I616）/（I529-I616）結合其他的圖像算法建立圖像模型，其精確度雖為96.2%，但誤報64.滕安國[30]利用高光譜及光譜圖像技術對雞胴體表面污染檢測進行研究，各污染物與皮膚光譜差的二階導數(shù)在1 000 nm 處出現(xiàn)顯著差異；并應用多光譜圖像檢測，在特征波長1 070、950、870、850 nm 下建立了一套檢測雞胴體表面污染的方法，但對土壤和回腸內容物檢測效果不理想；基于517/565 nm 比率圖像模型能夠檢測盲腸、十二指腸內容物，但同樣對回腸內容物檢測效果不佳.

寧夏大學農(nóng)產(chǎn)品無損檢測實驗室應用可見-近紅外（400～1 000 nm）高光譜系統(tǒng)對羊肉腸容物進行無損檢測.通過對采集到的高光譜圖像數(shù)據(jù)進行主成分分析，選取大腸腸容物污染的5 個特征波長（430、540、574、622、660 nm）及小腸腸容物污染的5 個特征波長（420、473、540、574、660 nm），應用中值濾波、平方根變換、二值化和數(shù)字形態(tài)學對腸容物進行特征提取.結果表明，基于可見-近紅外光譜范圍對羊肉表面腸容物的檢測率為98.5%，基于特征波段光譜范圍內對羊肉表面腸容物的檢測率為98.1%.

2.3 高光譜成像技術在肉品外部品質檢測上的應用

2.3.1 大理石花紋檢測

大理石花紋是評定肉品等級的主要指標之一，是指取胴體背最長肌第12～13 肋骨處，橫切外脊，觀察眼肌面積內紅肉與脂肪的交雜程度，大理石花紋明顯多的肉品質就好.傳統(tǒng)的評定方法是通過技術人員肉眼觀察然后和樣板比對進行評定，人為因素影響特別大.隨著科技的發(fā)展，屠康[31]、李明靜[32]、吳海娟[33]等應用機器視覺對牛肉大理石花紋自動分級進行研究并取得了良好的效果.艾虎等[34]基于機器視覺的神經(jīng)網(wǎng)絡和圖像處理技術對牛肉大理石花紋自動分級進行研究，結果表明，概率神經(jīng)網(wǎng)絡基于7 個特征參數(shù)為訓練數(shù)據(jù)的網(wǎng)絡分級結果與實測值的相關系數(shù)為0.93.

高曉東等[35]基于高光譜成像技術對牛肉大理石花紋進行評估，提取特征波段處大理石花紋的3個特征參數(shù)（大顆粒脂肪密度、中等顆粒脂肪密度和小顆粒脂肪密度），根據(jù)特征參數(shù)建立多元線性回歸模型，結果表明，多元線性回歸模型對大理石花紋等級的預測決定系數(shù)為0.92，預測標準差為0.45，總的分級準確率是84.8%.Qiao 等[36]應用400～1 000 nm 高光譜系統(tǒng)檢測豬肉大理石花紋對豬肉品質進行分級，結果表明，建立的神經(jīng)網(wǎng)絡模型在5 個主成分下的相關系數(shù)為69%、在10 個主成分的相關系數(shù)為89%，40 個樣品的大理石花紋分級范圍在3～5 之間.

2.3.2 色澤檢測

色澤是肉品最主要的外部品質，直接反映肉品的新鮮度，是決定消費者是否購買的主要因素.吳建虎等[37]通過逐步回歸選擇特征波長處的洛倫茲參數(shù)建立多元回歸模型對顏色的L*、a* 和b* 預測相關系數(shù)分別達到0.92、0.90 和0.88，預測殘差分別為0.90、1.34 和0.41.

ElMasry 等[38]應用900～1 700 nm 的高光譜系統(tǒng)預測新鮮牛肉的顏色，結果表明：建立全波段下的偏最小二乘回歸模型，其L* 和b* 的決定系數(shù)為0.88 和0.81，應用偏最小二乘回歸的權重系數(shù)選擇的特征波長建立的偏最小二乘回歸模型中L*和b* 決定系數(shù)為0.88 和0.80，均方根誤差為1.22和0.59.

Wu 等[39]應用900～1 700 nm 近紅外高光譜圖像檢測大馬哈魚顏色分布，采用連續(xù)投影算法提取特征波長，建立特征波長下多元線性回歸模型.結果表明，顏色的3 個參數(shù)L*、a*、b* 的相關系數(shù)分別為0.876、0.744、0.804，并制作了大馬哈魚可視化顏色分布圖像.

3 展望

高光譜成像技術在農(nóng)畜產(chǎn)品內外品質無損檢測中得到廣泛應用，并取得了較好的成果.高光譜成像技術不僅可檢測肉品的色澤、大理石花紋、表面污染等外部品質，同時對肉品的嫩度、蛋白質、脂肪、水分等內部指標也具有較好的預測效果，實現(xiàn)了光譜、圖像合二為一.在今后研究中可從以下幾點進行深入探究：

（1）數(shù)據(jù)降維.高光譜成像技術冗余信息量較大，數(shù)據(jù)處理繁瑣，而目前大都采用主成分降維，這種降維方式只能保留數(shù)據(jù)的主要特征，而去除了樣品化學成分的特征數(shù)據(jù)，因此可尋求一種適合農(nóng)畜產(chǎn)品自身特性的降維方式.

（2）圖像處理.高光譜圖像處理，大都采用ENVI等圖像處理軟件，這些軟件起初都是應用于航天遙感上，在農(nóng)畜產(chǎn)品上的應用有待探索，亟需開發(fā)一款適合農(nóng)畜產(chǎn)品自身特性的圖像處理軟件.

（3）特征波長選擇.方差分析、逐步判別分析、粒子群算法等方法提取特征波長多，無法應用濾波片建立便宜的多光譜系統(tǒng)實現(xiàn)在線檢測的目的.今后應結合化學計量學和這些算法的優(yōu)點，尋求一款快速有效的特征波長提取方法，使波段數(shù)在2～5 以內，以實現(xiàn)在線檢測的目的.

［1］彭彥昆，張雷蕾.光譜技術在生鮮肉品質安全快速檢測的研究進展［J］.食品安全質量檢測學報，2010，27（2）：62-71.

［2］孔憲琴，黃素珍.肉品品質的無損檢測方法［J］.肉類研究，2008（8）：66-69.

［3］楊春梅，李寧，趙學玒，等.用于果蔬內部品質無損檢測的NIRS 技術新進展［J］.激光與紅外，2009，39（11）：1137-1141.

［4］彭彥穎，孫旭東，劉燕德.果蔬品質高光譜成像無損檢測研究進展［J］.激光與紅外，2010，40（6）：586-592.

［5］楊鴻博.光學技術檢測農(nóng)畜產(chǎn)品質量安全無損［N］.中國農(nóng)機化導報，2009-8-17（7）.

［6］徐霞，成芳，應義斌.近紅外光譜技術在肉品檢測中的應用和研究進展［J］.光譜學與光譜分析，2009，29（7）：1176-1180.

［7］王雷，喬曉艷，董有爾，等.高光譜圖像技術在農(nóng)產(chǎn)品檢測中的應用進展［J］.應用光學，2009，30（4）：639-644.

［8］婁全勝，陳蕾，王平，等.高光譜遙感技術在海洋研究的應用及展望［J］.海洋湖沼通報，2008（3）：168-173.

［9］田有文，王曉娟.基于高光譜圖像技術的農(nóng)產(chǎn)品品質無損檢測［J］.農(nóng)機化研究，2009（10）：220-222.

［10］楊國鵬，余旭初，馮伍法.高光譜遙感技術的發(fā)展與應用現(xiàn)狀［J］.測繪通報，2008（10）：1-4.

［11］劉木華，趙杰文，鄭建鴻，等.農(nóng)畜產(chǎn)品品質無損檢測中高光譜圖像技術的應用進展［J］.農(nóng)業(yè)機械學報，2005，36（9）：139-143.

［12］洪添勝，李震，吳春胤，等.高光譜圖像技術在水果品質無損檢測中的應用［J］.農(nóng)業(yè)工程學報，2007，23（11）：280-285.

［13］劉木華，趙杰文，江水泉.高光譜圖像在農(nóng)畜產(chǎn)品品質與安全性檢測中的研究現(xiàn)狀與展望［J］.糧食與食品工業(yè)，2004（2）：47-49.

［14］GB/T 9695.7—2008，肉與肉制品總脂肪含量的測定［S］.

［15］GB/T 9695.11—2008，肉與肉制品氮含量的測定［S］.

［16］GB/T 9695.15—2008，肉與肉制品水分含量的測定［S］.

［17］劉煒，俞湘麟，孫東東，等.傅立葉變換近紅外光譜法快速檢測鮮豬肉中肌內脂肪、蛋白質和水分含量［J］.養(yǎng)豬，2005（3）：41-50.

［18］Kamruzzaman M，ElMasry G，SUN Da-wen，et al.Non-destructive prediction and visualization of chemical composition in lamb meat using NIR hyperspectral imaging and multivariate regression［J］.Innovative Food Science and Emerging Technologies，2012，16:218-226.

［19］Barbin D F，ElMasry G，SUN Da-wen，et al.Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging［J］.Food Chemistry，2013，138:1162-1171.

［20］周光宏.畜產(chǎn)品加工學［M］.北京：中國農(nóng)業(yè)出版社，2007：63-66.

［21］吳建虎，彭彥昆，高曉東，等.基于VIS/NIR 高光譜散射特征預測牛肉的嫩度［J］.食品安全質量檢測技術，2009（1）：20-26.

［22］吳建虎，彭彥昆，江發(fā)潮，等.牛肉嫩度的高光譜法檢測技術［J］.農(nóng)業(yè)機械學報，2009，40（12）：135-138.

［23］Naganathan G K，Grimes L M，Subbiah J，et al.Visible/near-infrared hyperspectral imaging for beef tenderness prediction［J］.Computers and Electronics in Agriculture，2008，64:225-233.

［24］ElMasry G，SUN Da-wen，Allen P.Nondestructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging［J］.Food Research International，2011，44:2624-2633.

［25］Kamruzzamana M，ElMasry G，SUN Da-wen，et al.Prediction of some quality attributes of lamb meat using near-infrared hyperspectral imaging and multivariate analysis［J］.Anal Chim Acta，2012，71:57-67.

［26］TAO Fei-fei，PENG Yan-kun，LI Yong-yu，et al.Simultaneous determination of tenderness and Escherichia coli contamination of pork using hyperspectral scattering technique［J］.Meat Science，2012，90:851-857.

［27］Barbin D F，ElMasry G，SUN Da-wen，et al.Non-destructive assessment of microbial contamination in porcine meat using NIR hypers -pectral imaging［J］.Innovative Food Science and Emerging Technologies，2013，17:180-191.

［28］Peng Yan-kun，Zhang Jing，Wang Wei，et al.Potential prediction of the microbial spoilage of beef using spatially resolved hyperspectral scattering profiles［J］.Journal of Food Engineering，2011，102:163-169.

［29］Park B，Lawrence K C，Windham W R，et al.Performance of hyperspectral imaging system for poultry surface fecal contaminant detection［J］.Journal of Food Engineering，2006，75:340-348.

［30］滕安國.利用高光譜及光譜圖像技術對雞胴體表面污染檢測研究［D］.南京:南京農(nóng)業(yè)大學，2009.

［31］屠康，王富昶.計算機視覺在牛肉大理石花紋分級中的應用研究［J］.糧油加工和食品機械，2003（10）：44-45.

［32］李明靜.機器視覺在牛肉大理石花紋自動分級中的應用研究［D］.楊凌:西北農(nóng)林科技大學，2007.

［33］吳海娟，彭增起，沈明霞，等.機器視覺技術在牛肉大理石花紋識別中的應用［J］.食品科學，2011，32（3）：10-13.

［34］艾虎.基于機器視覺的神經(jīng)網(wǎng)絡和圖像處理技術的牛肉大理石花紋自動分級研究［D］.雅安:四川農(nóng)業(yè)大學，2009.

［35］高曉東，吳建虎，彭彥昆，等.基于高光譜成像技術的牛肉大理石花紋的評估［J］.農(nóng)產(chǎn)品加工（學刊），2009，10：33-37.

［36］Qiao Jun，Ngadi M O，Wang Ning，et al.Pork quality and marbling level assessment using a hyperspectral imaging system［J］.Journal of Food Engineering，2007，83（1）:10-16.

［37］吳建虎，陳菁菁，彭彥昆.基于高光譜散射技術的牛肉嫩度和顏色的預測研究［C］// 中國農(nóng)業(yè)工程學會.紀念中國農(nóng)業(yè)工程學會成立三十周年暨中國農(nóng)業(yè)工程學會2009 年學術年會（CSAE 2009）論文集.山西:出版者不詳，2009：977-982.

［38］ElMasry G，SUN Da-wen，Allen P.Nearinfrared hyperspectral imaging for predicting colour，pH and tenderness of fresh beef［J］.Journal of Food Engineering，2012，110:127-140.

［39］WU Di，SUN Da-wen，HE Yong.Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet［J］.Innovative Food Science and Emerging Technologies，2012，16：361-372.