高光譜相機在物質鑒別領域的應用及優(yōu)勢

一、物質鑒別技術概述

物質鑒別是指通過分析物質的性質、結構和組成等方面的差異，對不同物質進行識別和區(qū)分的過程。傳統(tǒng)的物質鑒別方法包括化學分析、色譜分析等，這些方法需要對樣品進行破壞性測試，且分析過程復雜、耗時。隨著光譜成像技術的發(fā)展，高光譜相機為物質鑒別提供了一種無損、快速、準確的新方法。

二、高光譜相機在物質鑒別中的應用

生物醫(yī)學領域：高光譜相機可用于檢測食品、藥品、生物組織等中的有害物質，如農(nóng)藥殘留、重金屬離子等。通過對這些物質的光譜信息進行分析，可以實現(xiàn)對有害物質的快速檢測和鑒別。

環(huán)境科學領域：高光譜相機可以用于水質監(jiān)測、大氣污染監(jiān)測等。通過對水樣、氣樣等物質的光譜信息進行分析，可以實時監(jiān)測污染物的種類和濃度，為環(huán)境保護提供支持。

化學領域：高光譜相機可以用于物質的成分分析、結構鑒定等。通過對物質的光譜信息進行分析，可以確定物質的化學成分和結構特征，為新材料的研究和開發(fā)提供依據(jù)。

高光譜成像技術在紅肉食用品質中的應用進展

嫩度檢測

在肉類的品質評定中，嫩度起著主導作用，也是消費者決定購買的主要原因。Naganathan等[24]曾提出，雖然嫩度在肉類品質中具有重要地位，但美國農(nóng)業(yè)部在1926年頒布的肉類分級標準中卻沒有將嫩度列在其中，目前市場上也沒有任何一種肉類是根據(jù)其嫩度等級進行售賣的。隨著紅肉制品產(chǎn)量的不斷增多，越來越多的消費者提議將嫩度加到肉類的分級標準中。肉類嫩度(即柔韌性)的常規(guī)檢測技術為感官檢測，客觀的檢測技術為以質構儀所檢測的最大剪切力代表嫩度值，剪切力是以破壞原材料為前提的檢測技術，通常需要檢測熟制的肉類，且操作時間較長，不適宜商業(yè)生產(chǎn)[25]。

Naganathan等[26]利用高光譜成像技術對放置14 d的114塊牛排進行嫩度檢測，利用質構儀對114塊牛肉進行等級劃分(柔軟、中間及堅韌)，將高光譜采集的圖像信息與3種嫩度等級關系建立圖像預測模型，利用留一檢驗交互驗證法(leave-one-out cross validation，LOO-CV)對其進行驗證，得出驗證精度為96.4%，說明高光譜成像技術可實現(xiàn)肉類嫩度的無損在線檢測。

對于生鮮紅肉嫩度的檢測，王松磊等[27]利用400～1 000 nm的高光譜成像技術采集128個羊肉樣品的圖譜，利用最小二乘回歸模型進行預處理，并建立相應的多元線性模型，用Matlab軟件進行光譜圖像處理，對羊肉的光譜圖像進行灰度化處理，結果表明，相關系數(shù)和預測均方根誤差分別為0.89和0.73。王衛(wèi)等[28]在采用高光譜成像技術對牛肉嫩度的檢測中，對所得的光譜圖像進行預處理，通過灰度共生矩陣方法提取光譜圖像中的紋理屬性，利用MLR法建立相應的嫩度模型，結果表明，高光譜圖像的紋理屬性可用于牛肉嫩度分級處理，且準確度達到96%。以上研究表明，高光譜可實現(xiàn)生鮮紅肉嫩度的無損檢測，然而某些研究存在檢測的精度值不高等問題，原因可能是建立模型的方法及模型評價指標不恰當，進而沒有很好地降低冗余數(shù)據(jù)的干擾。

對于熟制紅肉嫩度的檢測，Cluff等[29]通過測量每個牛排40個不同位置散射的光譜研發(fā)高光譜成像系統(tǒng)，得出此儀器的精度可達到98.4%；此外，還利用高光譜成像系統(tǒng)檢測放置14 d的472塊牛肉，通過PCA法分析992～1 739 nm波長范圍內(nèi)生牛肉的吸收光譜圖像，用Warner-Bratzler剪切力值代表牛肉的標準嫩度，并建立相應的線性模型，將牛肉分成2個等級，分別為柔軟和堅硬，分級準確率為75%。然而，目前對于高光譜的應用大多利用其光譜信息，對于圖像信息應用的較少。Barbin等[30]在采用高光譜成像技術對豬肉嫩度進行檢測的實驗中得出，基于光譜數(shù)據(jù)建模的結果相關性為0.63，基于圖像建模的結果相關性為0.48，光譜加圖像信息建立的模型相關系數(shù)為0.75。綜上，高光譜成像技術可用于預測生熟肉類制品的嫩度，且其檢測精度優(yōu)于近紅外技術，具有內(nèi)外同時檢測的特點，然而目前對于高光譜成像技術的光譜信息應用較多，未來應加大力度開發(fā)并完善高光譜成像技術的光譜、圖像組合預測模型。

水分檢測

水是肉的主要組成成分，也是營養(yǎng)物質之一，肉中的水分含量不僅影響肉類嫩度進而影響其品質，而且影響肉類制品的貨架期，因此檢測水分含量直接影響著肉類的品質。孫紅等[31]利用高光譜的光譜信息與偽彩圖像對馬鈴薯葉片的水分含量進行檢測，采集862.9～1 704.2 nm波長的光譜數(shù)據(jù)，采用每類分類精度(class accuracy，CA)與遞歸濾波(recursive filtering，RF)2種算法進行光譜特征分析，并利用偏最小二乘回歸(partial least squares regression，PLSR)進行建模，通過計算待測樣每個像素點的含水率進而得出其灰度圖像，將圖片進行偽彩處理并用顏色空間(hue-saturation-value，HSV)進行彩色分割，結果表明，利用高光譜成像技術可以實現(xiàn)馬鈴薯葉片含水量與分布的可視化檢測，此研究也證明可用高光譜成像技術檢測食品中的水分含量。

詹白勺等[32]利用Matlab編程語言，對三文魚不同的水分含量予以不同的顏色顯示，較好地將光譜數(shù)據(jù)與圖像數(shù)據(jù)結合在一起，實現(xiàn)了內(nèi)外同時檢測。高光譜成像技術在果疏水分檢測中應用十分廣泛，對于紅肉水分含量的研究相對較少，主要研究進展如下。

依據(jù)水分含量進行紅肉品分類研究。劉善梅等[33]在采用高光譜成像檢測技術對不同品種冷鮮豬肉含水量的研究中，為提高高光譜成像技術的適用性，利用高光譜信號補正方法來提高其適用性，算法經(jīng)過補正后預測偏差比率從0.91提高到2.58。劉嬌等[34]通過建立PLS豬里嵴肉水分含量的檢測模型，并利用分段直接校正結合線性插值(piecewise direct standardization combine with linear interpolation，PDS-LI)的傳遞算法，實現(xiàn)了對茂佳山黑豬和零號土豬的無損檢測，且檢測精度分別為83.2%和84.8%。Kamruzzaman等[35]通過高光譜成像技術對紅肉的水分含量進行檢測，結果表明，在特征波段模型下可實現(xiàn)對豬肉、牛肉、羊肉的分類；此外，通過提取900～1 700 nm波長的光譜數(shù)據(jù)，利用MSC和PLS建立模型，預測羔羊肉的水分含量，模型的決定系數(shù)為0.77，通過共生矩陣提取圖像結構信息，建立水分含量的偽彩圖，結果表明，從高光譜圖像信息可以直觀觀測到羔羊肉的水分含量變化。然而，在實際檢測過程中，高光譜所建立的模型具有一定的專一性，因此為了有效實現(xiàn)模型的共享，需要對模型進行傳遞。目前對于模型傳遞的研究主要集中于2個儀器的模型傳遞或原始模型的更新方面，不同品種模型的適用性并未得到解決，為了更好地解決以上問題，實際應用中應開發(fā)一種適應性廣、可應用于不同品種的模型維護算法[36]。

依據(jù)不同的加工狀態(tài)進行紅肉制品水分含量及分類研究。Talens等[37]利用高光譜成像技術檢測火腿肉中的水分，得出高光譜成像技術可以直觀地呈現(xiàn)出火腿表面的水分分布情況。Ma Ji等[38]利用高光譜成像技術對不同加工狀態(tài)下豬肉(鮮肉、解凍肉、解熱脫水肉和腌制脫水肉)的含水率進行檢測，得出經(jīng)PLSR模型處理后的檢測精度為95%。Liu Dan等[39]通過建立PLSR及MLR模型測定豬肉腌制處理階段的含水量，結果表明，高光譜技術可用于檢測腌制豬肉的水分含量，且預測相關系數(shù)為91.7%，均方誤差值為1.48%。以上研究說明，高光譜成像技術可用于檢測生鮮紅肉的水分含量，進而實現(xiàn)紅肉的等級劃分。對于熟肉水分含量的檢測，謝安國等[40]利用高光譜成像技術檢測不同成熟度牛肉的水分含量，采集370～1 023 nm波長的光譜數(shù)據(jù)，將每個像素點的光譜數(shù)據(jù)經(jīng)PCA，并通過MLR與SVM進行建模，利用Matlab進行偽彩處理，得出R2為0.908，預測均方根誤差(root mean square error of prediction，RMSEP)為1.096，說明高光譜成像技術可用于鑒定熟肉的水分含量；然而，本研究中的光譜曲線在370～800 nm波長之間的差異并不明顯，這也說明肉制品在熟化處理過程中僅在部分波段存在光譜變化，因此未來仍需進一步訓練新的模型，研發(fā)具有特征波段的光譜成像技術、設備及分析模型。綜上，高光譜成像技術解決了傳統(tǒng)檢測技術(蒸煮損失、離心檢測、加壓檢測和重力檢測[41-42])耗時且具有破壞性的問題，但通常檢測結果的好壞與偽彩圖像是否直觀及建模方法有直接關系。黃慧等[43]采用高光譜成像技術對干貝水分含量進行可視化測定，實驗中通過建立SPA-PLSR模型、基于權重回歸系數(shù)法(weighted regression coeffcient，Bw)的BW-PLSR模型以及PLSR的3種預測模型，得出3種預測模型的建模集與預測集相關系數(shù)(correlation coefficient of calibration(Rc)and prediction(Rp))均高于0.95。并在最優(yōu)模型(SPA-PLSR)的基礎上進行偽彩處理，可實現(xiàn)干貝中水分含量的定量分析。此研究也證明，恰當?shù)慕７椒ㄓ兄谔岣邫z測精度和偽彩圖像的重現(xiàn)性。

色澤檢測

肉類顏色的好壞不僅影響消費者的購買欲望，而且直接影響其品質。大多數(shù)消費者在購買肉制品時無法直接接觸肉品，只能通過直觀觀察顏色來判斷肉類品質的優(yōu)劣，主觀性較強[44-45]。色差儀是一種常用的判定肉顏色的儀器，其主要測量肉表面的亮度值(L*)、紅度值(a*)和黃度值(b*)[46-47]。一旦測量區(qū)域過大，就有可能引起偏差，因此不適合大面積檢測，難以滿足市場對肉類檢測的需求。隨著高光譜成像技術的推廣，越來越多的學者開始利用高光譜成像技術來檢測肉的顏色。

在國外，Wu Jianhu等[48]利用高光譜結合MLR來檢測牛肉色澤，并用洛倫茲函數(shù)進行處理，結果表明，L*、a*和b*的相關系數(shù)分別為0.96、0.96和0.97。Elmasry等[49]利用900～1 700 nm波長的高光譜系統(tǒng)來預測牛肉顏色，并通過PLS法進行建模，結果表明，L*和b*的決定系數(shù)分別為0.88和0.81，其均方根誤差分別為1.22和0.59。以上研究也說明高光譜成像技術可用于紅肉色度檢測，但光譜數(shù)據(jù)受外界干擾較大，因此應研發(fā)新的特征波長提取方法或多種提取方法結合使用，進而提高檢測精度。

相較于國外的研究，國內(nèi)利用高光譜成像技術對肉類色度檢測的研究相對較少，主要集中于貯藏期間肉顏色的變化及不同加工方式紅肉的顏色變化等方面。許衛(wèi)東等[50]采用高光譜對不同貯藏時間的羊肉色度進行檢測，結果表明，全波段采用GA提取的特征波段經(jīng)建模處理后的精度優(yōu)于獨立PLSR建模，然而b*的預測精度較低。

王婉嬌[51]利用400～1 000 nm波長的高光譜成像技術對羊肉色澤進行檢測，通過建立PLSR模型，探究不同前處理對實驗結果的影響，結果表明，經(jīng)S-G平滑處理后L*的相關系數(shù)最高。朱榮光等[52]利用400～1 000 nm波長的高光譜成像技術對78個新疆牛背肉的色澤進行檢測，通過提取特征區(qū)域，利用S-G平滑、一階導數(shù)及中心化等方式建立模型，結果表明，L*、a*、b*和C*預測的相關系數(shù)為分別0.91、0.84、0.92和0.86。尚夢玉等[53]通過900～1 700 nm波長的高光譜技術對羊肉的色澤進行檢測，通過標準正態(tài)變量代換對光譜數(shù)據(jù)進行處理，用加權算法對其降維，并利用PLS法進行建模，結果表明，高光譜可用于檢測肉的顏色。綜上，高光譜成像技術可通過提取特征區(qū)域來實現(xiàn)不同品種紅肉色度的檢測，且L*的檢測精度優(yōu)于a*和b*，高光譜對生鮮紅肉制品色度的檢測優(yōu)于熟化過程中紅肉顏色的檢測，這主要是由于加熱過程中肉的內(nèi)部會發(fā)生復雜的美拉德反應和焦糖化反應，進而對預測結果產(chǎn)生一定的干擾，因此應優(yōu)化高光譜的檢測系統(tǒng)，提升其在熟肉制品中的檢測精度。

紋理檢測

肉的大理石樣紋理是指形似于大理石條紋狀的紋路，該紋路具有紅白相間的特點。肉的紋路不僅決定了其品質高低還對肉的嫩度起著一定作用，通常來說肉的大理石條紋越豐富，其肉質嫩度越好[46]。因此，檢測肉的大理石紋路對于探究肉制品品質也有一定的作用。

在利用高光譜成像技術進行光譜信息檢測方面，Qiao等[54]利用400～1 000 nm波長的高光譜成像系統(tǒng)對豬肉的大理石樣紋理進行檢測與分級處理，采用PCA結合人工神經(jīng)網(wǎng)絡進行檢測，用人工神經(jīng)網(wǎng)絡進行分類，高光譜成像技術能夠準確辨別肉的類型，同時自動確定大理石樣紋理等級，結果表明，高光譜成像技術可用于檢測豬肉的大理石條紋，并對其進行分級，同時成功利用大理石條紋對40個豬肉樣品進行分級處理，通過該研究，更能確定高光譜成像技術在肉制品大理石條紋預測與分級中的應用。高曉東等[55]通過組建高光譜成像系統(tǒng)，并采集肉類在400～1 100 nm波長的反射圖像，確定530 nm為特征波長，結果表明，通過建立MLR模型可利用大理石花紋對豬肉進行分級處理，且其預測決定系數(shù)為0.92，預測標準差為0.45，準確率為84.8%。此外，屠康[56]、李明靜[57]、吳海娟[58]等應用機器和光譜技術對牛肉大理石花紋進行分級，并取得了一定的成效。艾虎[59]也利用圖像處理技術和機械技術對牛肉大理石花紋進行分級研究，得出預測結果與實測值的相關系數(shù)為0.93。以上研究說明，高光譜成像技術的光譜信息可用來檢測紅肉的大理石花紋，但待測樣的組織形態(tài)對實驗結果有直接影響，因此在利用高光譜成像系統(tǒng)檢測紅肉制品時應選取最好的紅肉形態(tài)。

在將高光譜成像系統(tǒng)的光譜信息與圖像信息結合進行檢測方面，王九清等[60]對提取的信息進行初步處理，并建立光譜與彩色圖像的卷積神經(jīng)網(wǎng)絡(convolutional neural network，CNN)預測模型，來檢測雞肉的食用品質，此模型的準確率為93.58%，且證明光譜加圖像復合模型的效果優(yōu)于獨立CNN預測模型的效果。周彤等[61]利用光譜圖像解析，通過提取的算法對牛肉的大理石花紋進行提取，并選取10個可以代表牛肉大理石花紋的相應指標，建立主成分回歸(principal component regression，PCR)模型，得出模型的相關系數(shù)為0.88。以上研究表明，圖像信息在一定程度上也可以用于品質檢測，但普遍存在檢測精度不高的情況，因此，為了更充分利用高光譜成像技術，應將光譜信息與圖像信息結合。

通過總結國內(nèi)外的研究文獻可以得出，高光譜成像技術在紅肉制品嫩度、水分、色澤及大理石花紋中都有一定的應用，現(xiàn)今國外利用其檢測肉類品質的研究較多，國內(nèi)相對較少，隨著無損檢測技術的發(fā)展，越來越多的國內(nèi)學者也開始將眼界轉向高光譜成像技術的無損檢測研究。

其他檢測高光譜成像技術除了在紅肉食用品質上具有廣泛應用，其在紅肉營養(yǎng)成分及食品安全等方面也有重要應用，選取部分研究進展匯總，如表1所示。

三、高光譜相機在物質鑒別中的優(yōu)勢

無損檢測：高光譜相機可以通過對物質進行非接觸式的光譜測量，實現(xiàn)對物質的無損檢測。這使得高光譜相機在物質鑒別領域具有很高的應用價值。

快速檢測：高光譜相機具有較高的光譜分辨率和檢測靈敏度，能夠在短時間內(nèi)完成對大量物質的光譜測量和分析，提高物質鑒別的效率。

準確鑒別：高光譜相機可以獲取豐富的光譜信息，通過對這些信息進行分析，可以實現(xiàn)對物質的準確鑒別。

四、未來發(fā)展趨勢

隨著高光譜相機技術的不斷發(fā)展，其在物質鑒別領域的應用前景將更加廣闊。未來，高光譜相機將在生物醫(yī)學、環(huán)境科學、化學等領域發(fā)揮重要作用，為人類社會的健康和環(huán)境安全保駕護航。同時，高光譜相機的進一步發(fā)展也將推動光譜成像技術的創(chuàng)新，為物質鑒別領域帶來更多的可能性。