Application Progress of Hyperspectral Imaging Technology in Rapid Detection of Microbial Contamination in Animal Derived Food
-
摘要: 高光谱成像（hyperspectral imaging，HSI）技术作为一种无损、快速、准确的检测技术在动物源性食品微生物污染检测方面得到了广泛应用。该技术集图像与光谱技术的优势于一体，可同时检测实验样品的物理特征与化学特征。本文系统地综述HSI原理，及其在动物源性食品微生物（菌落总数、腐败菌、致病菌）污染无损检测方面的研究进展，指出HSI可以检测出食品中的目标微生物种类和数量，并提出随着光学技术、计算机技术的进一步发展，HSI未来可能的发展方向。Abstract: Hyperspectral imaging (HSI) technology, as a non-destructive, rapid and accurate detection technology, has been widely used in the detection of microbial contamination in animal foods. HIS integrates the advantages of image and spectral technology, and can simultaneously detect the physical and chemical characteristics of test samples. This review systematically introduces HSI technology and its research progress in the non-destructive detection of microbial contamination in animal derived food, points out that HSI technology can detect the species and quantity of target microorganisms in food, and puts forward the possible development direction of HIS in the future with the further development of optical technology and computer technology.
-
Keywords:
- hyperspectral imaging technology /
- detection /
- animal food /
- microorganism
-
动物源性食品是指全部可食用的动物组织、蛋、奶，包括肉类及其制品，其营养极为丰富，不仅含大量蛋白质和脂肪，还含各种维生素及钙、磷等人体所需元素，随着人民生活水平日益提高，动物源性食品已成为国民饮食结构中的重要营养来源，我国在全世界范围内属于动物源性食品的生产大国和消费大国[1]。近20多年来，微生物导致的食品安全问题受到广泛关注；同时，微生物危害也被认为是动物源性食品安全面临的主要挑战之一[2-3]。为满足消费者对动物源性食品的需求，为食品提供合格的安全保障，开展肉品安全检测非常必要。目前我国现行国标的食品微生物检验方法时间相对过长，操作过程较为繁琐[4]。常用的食品微生物快速检测方法有聚合酶链式反应、核酸探针技术、纸片法等，这些方法大多数需要专业人士操作，且会对样本造成损害，而且需要进行预处理[5-6]，因此需要开发快速无损的方法。
随着计算机科学和光学技术的发展，传统生物学通过光谱、光谱成像、机器视觉和生物传感器进行数字化，其中光谱技术凭借其快速、无损和高效的优点，在食品安全分析领域脱颖而出[6-7]。与诸多光谱技术相比，高光谱成像（hyperspectral imaging，HSI）技术可以同时提供样本空间信息和光谱信息，因此被广泛应用到食品安全质量检测中[8]。其应用范围包括食品品质（如营养成分含量、嫩度、含水量等）评价[9-11]与食品安全（如微生物、掺假等）检测[12-14]。
目前已有综述[15-18]对HSI技术在食品品质快速检测方面的研究进展进行论述，但有关HSI技术在动物源性食品微生物安全快速检测方面的应用尚未见综述文章。本文介绍了HSI技术系统、原理及其数据结构，重点分析HSI技术在快速检测动物源性食品微生物污染的应用研究现状、存在的问题及未来的发展方向，以期为学者更好地探究HSI技术在食品微生物检测中的潜在应用提供参考。
1. 高光谱成像技术
1.1 高光谱基本技术原理
HSI技术是上世纪80年代兴起的一种无损检测技术，主要融合了光学、电子学、数字图像信息处理及计算机科学等技术[19]。HSI系统有两种工作模式：一是透射模式，在此模式中通常使用厚度较薄的样品以获取清晰、准确的图像；二是反射模式，较厚的样品可在反射模式下测量其反射率用以判断其生物特征。HSI技术工作原理是：当光源照射到待测物体的表面时，由于不同物质的组成、官能团有所不同，导致不同待测物质对特定波长有着不同的吸收度、分散度和反射率，两个样品的光谱图像相似则表明它们的化学成分和物理性质相似[20]，因此通过分析光谱信号之间的差异可以对待测物进行定性、定量分析。
1.2 高光谱数据结构
高光谱图像集样本的图像信息与光谱信息于一体[21]，图像信息可以反映样本的大小、形状、缺陷等外部品质特征，而光谱信息能通过样品内部的官能团在可见/近红外光谱区内的振动充分反映样品内部的物理结构、化学成分的差异。
利用HSI系统扫描待测物体，可得到待测物体的高光谱图像。高光谱图像是一个三维数据集，称为超立方体。如图1所示，在三维数据集中，x和y代表空间信息，λ代表光谱范围。每一幅图像对应一条光谱曲线。即在每一个波长λi（i=1，2，…，n，n为正整数）处得到一幅二维图像（横坐标为x，纵坐标为y），从而得到三维图像块（x，y，λ）[22]。
1.3 高光谱系统装置
典型的HSI系统由硬件和软件组成。大多数HSI系统硬件平台都有共同的基本组件（如图2所示）：光源、探测器、物镜、相机、超光谱仪、传送带、光纤、计算机[23]。HSI系统的控制由相关计算机软件完成。
2. 高光谱成像技术在快速检测动物源性食品微生物中的应用
目前，HSI技术在检测动物源性食品微生物方面已经有较多研究。借助化学计量学工具，HSI技术可以进行食品中菌落总数、腐败及致病类微生物的检验，表1总结了高光谱成像技术检测动物源性食品微生物的部分应用研究，以下将从HSI技术检测食品中菌落总数、腐败及致病类微生物三方面对HSI技术在检测动物源性食品微生物方面的研究进行分析。
表 1 高光谱成像技术在动物源食品微生物快速检测中的部分应用Table 1. The application of hyperspectral imaging technology in the rapid detection of animal food microorganism微生物 样本 光谱范围（nm） 模型 检测范围（lg CFU/g） 准确度 参考文献 TVC 猪肉 430~960 PLSR、ANN 3.63~9.40 Rp2=0.8308 [22] TVC 猪肉 472~1000 MLR 2.91~9.90 Rcv=0.939 [13] TVC 猪肉 —— PLSR、ANN、SVM、MLR 2.68~24.19 Rp=0.9055 [19] TVC 猪肉 400~1100 PLSR、SVR 3.00~9.20 Rp=0.94 [23] TVC 猪肉 400~1000 PLSR 3.78~8.87 Rp=0.9682 [21] TVC 牛肉 400~1100 PCR、PLSR、BPNN 2.30~8.20 Rp=0.90 [24] TVC 牛肉 400~1000 PLSR 2.13~9.20 Rp2=0.96 [25] TVC 羊肉 400~1100
900~1700PLA、ANN 2.50~10.30 Rp=0.9872
Rp=0.9988[26] TVC 羊肉 473~1013 PLSR、MLR 2.00~8.60 Rp2=0.93 [27] TVC 羊肉 400~1100 ELM —— Rp=0.9306 [28] TVC 鸡肉 910~1700 PLSR 3.15~8.03 Rcv=0.94 [29] TVC 鸡肉 400~1100 PLSR 3.97~7.75 Rp=0.86 [30] TVC 鸡肉 400~1100 BPNN 4.25~7.93 Rp=0.93 [12] TVC 草鱼 400~1000 PLSR、LS-SVM 4.88~10.44 Rp2=0.90 [31] TVC 虹鳟鱼 400~1000 MLR、PLSR 2.60~8.79 Rp2=0.89 [32] TVC 腊肉 900~1700 PLSR 2.00~9.50 Rp=0.798 [33] TVC 香肠 400~1000 SVM —— Rp=0.977 [34] TVC 鸡蛋 400~1000 SVM 0.00~4.63 Rp=0.75 [35] TVC 鲑鱼 400~1700 PLSR、LS-SVM 3.90~7.54 Rp2=0.985 [36] 热杀索丝菌 鸡肉 900~1699 PLSR、MLR 2.00~6.82 Rp=0.973 [37] 乳酸菌 鲑鱼 900~1700 LS-SVM、MLR 2.88~7.32 Rp=0.925 [38] 肠杆菌、
假单胞菌鲑鱼 900~1700 PLSR 2.83~7.32 Rp=0.964 [39] 假单胞菌 鲑鱼 900~1700 PLSR 2.58~7.17 Rp2=0.91 [40] 乳酸菌 熟火腿 900~1700 PCA —— —— [41] 蜡样芽孢杆菌 牛奶 895~1701 PCA 1.60~7.60 Rp2=0.720 [42] 大肠杆菌 草鱼 400~1000 PLSR、MLR 4.11~10.02 Rp2=0.870 [43] 大肠杆菌O157、
金黄色葡萄球菌猪肉 400~1000 PLSR 3.39~7.23、
2.29~7.36Rp2=0.9967
Rp2=0.9968[44] 注：菌落总数（total viable count，TVC）；偏最小二乘回归（partial least squares regression，PLSR）；多元线性回归（multiple linear regression，MLR）；支持向量机（support vector machine，SVM）；人工神经网络（artificial neural network，ANN）；最小二乘支持向量机回归（least squares support vector machine regression，LS-SVM）；极限学习机（extreme learning machine，ELM）；反向传播神经网络（back propagation neural network，BPNN）；主成分分析（principal component analysis，PCA）；主成分回归（principal component regression，PCR）；比线性判别分析（ratio linear discriminant analysis，LDA）；K-最近邻法（k-nearest neighbor method，KNN）；预测集回归系数（Rp）；交叉验证集回归系数（Rcv）；表2同。 2.1 菌落总数
菌落总数（total viable count，TVC）是肉类卫生质量和安全评价的重要微生物学指标，TVC是一种定量的卫生标准，用于鉴别加工条件和肉类污染[34]。此外，TVC还是检测生肉保质期和区分肉类储藏期间变质程度的指标[27]。并且，研究人员将HSI技术应用到检测动物源性食品的微生物安全时，最先、最常使用的指标是TVC。因此HSI检测动物源性食品中TVC的应用进展在HSI技术检测动物源性食品微生物方面具有代表性。由表1可知，可见/近红外高光谱图像技术可以检测猪肉、牛肉、羊肉、鸡肉、鱼肉、香肠及鸡蛋中的菌落总数，检测范围涵盖了食品从新鲜至腐败的菌落总数范围，具有代表性，研究证明HSI技术在动物源性食品TVC的快速检测方面具有很大的潜力。由于样本的微生物信息不能直接从三维高光谱数据块获得，因此许多多元化学计量学方法被用于建立定量模型来建立样品实际的微生物指标与其光谱信息之间的相关性。表2就表1中相关研究所用算法的优缺点进行了比较。
表 2 高光谱技术建模常用回归算法优缺点Table 2. Advantages and disadvantages of common regression algorithms for hyperspectral modeling由于高光谱数据之间的高度相关性和冗余性，高光谱数据分析的计算量非常大，高度冗余的数据会降低预测的准确性，故选取合适的算法对提高模型的准确度非常重要[19]。目前没有通用的标准来确定应该使用哪种数据处理方法，反复实验和比较是确定最佳数据处理办法的唯一方法。常用的化学计量学方法包括偏最小二乘回归（partial least squares regression，PLSR）；多元线性回归（multiple linear regression，MLR）；支持向量机（support vector machine，SVM）等算法，这些建模方法相对成熟但也比较简单。提出更智能、更实用的分析和建模方法也是该领域研究者们需要努力发展的方向之一。随着人工智能技术的发展，神经网络、极限学习机等机器学习方法逐渐被引入到高光谱数据分析中。魏箐等[28]为实现对冷却羊肉表面TVC的无损检测，采用高光谱技术结合极限学习机，实现了对羊肉表面TVC的定量研究。极限学习机是人工智能机器学习领域中的一种人工神经网络模型[50]。因此机器学习等人工智能算法也可能为高光谱数据分析提供帮助，该研究证明了除已有研究采用过的模型算法外，也有其他适用的数学模型需要研究者们去发现。
2.2 腐败菌
因动物源性食品富含蛋白质、糖类、维生素、有机酸等，营养成分全面，pH为5.7~6.5，AW值可高达99%，自由水含量较高，这些都极有利于微生物的生长繁殖[51]。尹德凤等[52]证实了腐败菌通过产生各种挥发性化合物使肉类发生腐败，故许多研究人员采用HSI技术对肉品中的腐败菌进行了定量研究。如FOCA等[41]就高光谱技术检测弯曲乳酸杆菌和sakei乳酸杆菌在培养基和熟火腿上表面污染的能力进行了研究，结果显示人工污染火腿的高光谱图像分析既没有证明细菌的存在也没有证明细菌的类型；失败的原因可能是食品基质未发生腐败，即火腿表面的乳酸菌浓度太低而无法被检出。何鸿举等[37]基于近红外HSI技术快速评估鸡肉热杀索丝菌含量，该研究利用近红外HSI技术可潜在实现鸡肉热杀索丝菌含量的快速评估。何鸿举等[38]还利用900～1700 nm近红外HSI技术对蛙鱼中乳酸菌进行检测，该研究根据所建立的模型得出了高光谱图像中每一个像素点的乳酸菌含量，从而得出了鲑鱼中乳酸菌含量的分布图，如图3所示，该图像直观、形象地显示了鲑鱼中乳酸菌含量的高低。
何鸿举等[40]还利用900～1700 nm近红外HSI系统对可以使用的新鲜鲑鱼中肠杆菌和假单胞菌总数检测研究。结果表明，利用可见、近红外高光谱技术可以对水产品中的细菌总量、乳酸菌、肠杆菌和假单胞菌进行检测，检测效果比较准确。
综上所述，利用HSI技术可以对动物源性食品中的多种腐败菌进行定量研究，但现有研究多是选取一种微生物指标。而有研究表明[52]，肉类食品的腐败菌相以假单胞菌、乳酸菌、热杀索丝菌、肠杆菌为主，且肉品安全状况不能用单一的指标进行衡量，需要综合检测多项指标。所以高光谱图像采集过程中多种微生物指标的同时检测是需要努力的方向之一。
![]()
2.3 致病菌
动物源性食品中的致病菌不仅会危及人体健康，而且容易引发各种复杂的疾病[52]，因此快速准确识别出含有致病菌的动物源性食品尤为重要。刘佳丽等[42]采用高光谱成像系统结合纹理特征分析可以快速无损检测牛奶中是否含有致病菌，该研究对经过主成分分析后的数据进行聚类分析，可以较好地区分含菌样本及无菌样本，可以将不同浓度、不同菌种的样本区分开。在BONAH等[44]的研究中，将可见近红外高光谱成像与偏最小二乘回归和变量选择算法一起应用于大肠杆菌O157:H7和金黄色葡萄球菌的预测和定量，然后利用预测图根据图像特征和获得的最佳模型，对猪肉样本上的细菌负载进行可视化。该研究发现猪肉表面存在细菌性食源性病原体会影响肉中氧合血红蛋白和脱氧血红蛋白的浓度，故该研究在确定目标致病菌时也是根据样品化学成分的光谱指纹进行检测。综上，研究证明利用高光谱图像系统获取猪肉、牛奶高光谱图像，借助一定算法处理可有效识别样品中的致病菌。
基于HSI技术以动物源性食品为研究对象，检测致病菌的研究较少。分析可能原因如下：肉品表面通常有渗出物、黏膜和结缔组织，这些物质会在图像采集中引起镜面反射，影响高光谱图像的质量；不同肉类食品之间的组分与含量存在差异，背景复杂，给高光谱捕获有害菌特征信号造成了一定的困难。已有定量、定性检测动物源性食品中致病菌的研究[42-44]是根据样品中化学成分的光谱信息与微生物之间的关系进行分析，并不是直接获得微生物本身的特征信息。可见，由于近红外高光谱的灵敏度有限等无法控制的因素，给HSI技术用于检测动物源性食品中致病菌检测造成了一定的困难，这就需要开发更实用的光谱仪与相机来提高硬件的性能。此外，由表1可知，在光谱波段选择上，大多数研究采用的波段范围为400～1100 nm和900～1700 nm，研究采用的光谱波段范围较为局限和单一，这或许给HSI捕获有害菌特征信号造成了一定的困难，在下一步工作中，可以考虑拓展HSI技术中的波长范围，以获得更多关于食品的内部信息。
3. 展望
本文综述了HSI技术在检测动物源性食品微生物污染方面的较大潜力和应用现状。HSI技术在检测动物源性食品微生物（菌落总数、腐败菌、致病菌）污染方面具有诸多优点：检测过程操作简单快捷，样品无需预处理，能够实现快速、无损、高效检测；能同时获得样品的图像信息与光谱信息，能够实现目标微生物指标的可视化。
但该领域内的研究也存在一些需要改进的不足：其一为，高光谱数据量大，数据处理软件性能不足，因此提出更智能、更实用的建模和分析方法也是该领域研究者们需要努力发展的方向之一；其二为，食品安全状况不能用单一的指标进行衡量，需要综合检测多项指标，所以高光谱图像采集过程中多种微生物指标的同时检测是需要努力的方向之一；其三为，光谱仪可供选择的光谱范围有限，可通过开发更实用的光谱仪与相机来提高硬件的性能，以便研究人员找到目标微生物的特征光谱信息。未来应该注重此方面的工作以更好地验证HSI的应用前景及研究意义。
随着计算机技术与光学技术的发展以及HSI技术的广泛应用，对HSI技术的要求也会越来越高。如何利用HSI系统结合数据处理软件获得更准确的数据，以及如何将HSI技术与微生物研究有机结合对未来HSI技术与微生物发展具有十分重要的意义。
-
![]()
表 1 高光谱成像技术在动物源食品微生物快速检测中的部分应用
Table 1 The application of hyperspectral imaging technology in the rapid detection of animal food microorganism
微生物 样本 光谱范围（nm） 模型 检测范围（lg CFU/g） 准确度 参考文献 TVC 猪肉 430~960 PLSR、ANN 3.63~9.40 Rp2=0.8308 [22] TVC 猪肉 472~1000 MLR 2.91~9.90 Rcv=0.939 [13] TVC 猪肉 —— PLSR、ANN、SVM、MLR 2.68~24.19 Rp=0.9055 [19] TVC 猪肉 400~1100 PLSR、SVR 3.00~9.20 Rp=0.94 [23] TVC 猪肉 400~1000 PLSR 3.78~8.87 Rp=0.9682 [21] TVC 牛肉 400~1100 PCR、PLSR、BPNN 2.30~8.20 Rp=0.90 [24] TVC 牛肉 400~1000 PLSR 2.13~9.20 Rp2=0.96 [25] TVC 羊肉 400~1100
900~1700PLA、ANN 2.50~10.30 Rp=0.9872
Rp=0.9988[26] TVC 羊肉 473~1013 PLSR、MLR 2.00~8.60 Rp2=0.93 [27] TVC 羊肉 400~1100 ELM —— Rp=0.9306 [28] TVC 鸡肉 910~1700 PLSR 3.15~8.03 Rcv=0.94 [29] TVC 鸡肉 400~1100 PLSR 3.97~7.75 Rp=0.86 [30] TVC 鸡肉 400~1100 BPNN 4.25~7.93 Rp=0.93 [12] TVC 草鱼 400~1000 PLSR、LS-SVM 4.88~10.44 Rp2=0.90 [31] TVC 虹鳟鱼 400~1000 MLR、PLSR 2.60~8.79 Rp2=0.89 [32] TVC 腊肉 900~1700 PLSR 2.00~9.50 Rp=0.798 [33] TVC 香肠 400~1000 SVM —— Rp=0.977 [34] TVC 鸡蛋 400~1000 SVM 0.00~4.63 Rp=0.75 [35] TVC 鲑鱼 400~1700 PLSR、LS-SVM 3.90~7.54 Rp2=0.985 [36] 热杀索丝菌 鸡肉 900~1699 PLSR、MLR 2.00~6.82 Rp=0.973 [37] 乳酸菌 鲑鱼 900~1700 LS-SVM、MLR 2.88~7.32 Rp=0.925 [38] 肠杆菌、
假单胞菌鲑鱼 900~1700 PLSR 2.83~7.32 Rp=0.964 [39] 假单胞菌 鲑鱼 900~1700 PLSR 2.58~7.17 Rp2=0.91 [40] 乳酸菌 熟火腿 900~1700 PCA —— —— [41] 蜡样芽孢杆菌 牛奶 895~1701 PCA 1.60~7.60 Rp2=0.720 [42] 大肠杆菌 草鱼 400~1000 PLSR、MLR 4.11~10.02 Rp2=0.870 [43] 大肠杆菌O157、
金黄色葡萄球菌猪肉 400~1000 PLSR 3.39~7.23、
2.29~7.36Rp2=0.9967
Rp2=0.9968[44] 注：菌落总数（total viable count，TVC）；偏最小二乘回归（partial least squares regression，PLSR）；多元线性回归（multiple linear regression，MLR）；支持向量机（support vector machine，SVM）；人工神经网络（artificial neural network，ANN）；最小二乘支持向量机回归（least squares support vector machine regression，LS-SVM）；极限学习机（extreme learning machine，ELM）；反向传播神经网络（back propagation neural network，BPNN）；主成分分析（principal component analysis，PCA）；主成分回归（principal component regression，PCR）；比线性判别分析（ratio linear discriminant analysis，LDA）；K-最近邻法（k-nearest neighbor method，KNN）；预测集回归系数（Rp）；交叉验证集回归系数（Rcv）；表2同。 
下载: 导出CSV
表 2 高光谱技术建模常用回归算法优缺点
Table 2 Advantages and disadvantages of common regression algorithms for hyperspectral modeling
下载: 导出CSV
-
[1] 付莎莉, 王利刚, 张婧, 等. PCR技术在动物源性成分检测中的应用[J]. 肉类工业,2021(10):49−54. [FU S L, WANG L G, ZHANG J, et al. Application of PCR in detection of animal-derived ingredients[J]. Meat Industry,2021(10):49−54. doi: 10.3969/j.issn.1008-5467.2021.10.010 [2] 黄莉萍, 罗书全. 2018—2020年重庆市市售冷藏冷冻动物源食品致病微生物污染状况分析[J]. 食品安全质量检测学报,2021,12(10):4286−4291. [HUANG L P, LUO S Q. Analysis on pathogenic microorganism contamination in refrigerated and frozen food of animal origin in Chongqing from 2018 to 2020[J]. Journal of Food Safety & Quality,2021,12(10):4286−4291. [3] FEGAN N, JENSON I. The role of meat in foodborne disease: Is there a coming revolution in risk assessment and management[J]. Meat Science,2018,144:22−29. doi: 10.1016/j.meatsci.2018.04.018
[4] 孙丽敏. 微生物检测技术在食品检验中的应用[J]. 食品安全导刊,2018,21:65−65. [SUN L M. Application of microbial detection technology in food inspection[J]. China Food Safety Maga-zine,2018,21:65−65. doi: 10.3969/j.issn.1674-0270.2018.11.036 [5] 吴磊磊. 食品微生物快检技术的发展[J]. 现代食品,2016(17):25−27. [WU L L. Development of rapid detection technology of food microorganism[J]. Modern Food,2016(17):25−27. [6] 逄大正. 新技术在食品微生物检验检测中的应用分析[J]. 现代食品,2021(4):148−149,152. [PANG D Z. Analysis on the application of new technology in food microbial testing[J]. Modern Food,2021(4):148−149,152. [7] PUCHKOV E. Image analysis in microbiology: A review[J]. Journal of Computer & Communications,2017,4(15):8−32.
[8] VEHARANO R, SICHE R, TESFAYE W. Evaluation of biological contaminants in foods by hyperspectral imaging: A re-view[J]. Int J Food Properties,2017,20:1264−1297.
[9] 马无锡. 基于高光谱成像的鱼肉新鲜度无损检测方法研究[J]. 信息系统工程,2020(9):125−126. [MA W X. Research on nondestructive detection method of fish freshness based on hyperspectral imaging[J]. China CIONews,2020(9):125−126. doi: 10.3969/j.issn.1001-2362.2020.09.060 [10] 王松磊, 吴龙国, 康宁波, 等. 基于高光谱图谱融合技术的宁夏滩羊肉嫩度检测方法研究[J]. 光电子·激光,2016,27(9):987−995. [WANG S L, WU L G, KANG N B, et al. Study on Tan-lamb mutton tenderness by using the fusion of hyperspectral spectrum and image information[J]. Journal of Optoelectronics·Laser,2016,27(9):987−995. [11] 黄慧, 沈晔, 郭乙陆, 等. 干贝水分含量可视化检测方法的研究[J]. 光谱学与光谱分析,2017,37(11):3525−3529. [HUANG H, SHEN Y, GUO Y L, et al. Visualized determination of moisture content in dried scallop with hyperspectral imaging system[J]. Spectroscopy and Spectral Analysis,2017,37(11):3525−3529. [12] 王浩云, 宋进, 潘磊庆, 等. 优化BP神经网络提高高光谱检测调理鸡肉菌落总数精度[J]. 农业工程学报,2020,36(5):302−309. [WANG H Y, SONG J, PAN L Q, et al. Improving hyperspectral detection accuracy of total bacteria in prepared chicken using optimized BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering,2020,36(5):302−309. doi: 10.11975/j.issn.1002-6819.2020.05.035 [13] TAO F F, PENG Y K. A method for nondestructive prediction of pork meat quality and safety attributes by hyperspectral imaging technique[J]. Journal of Food Engineering,2014,126:98−106. doi: 10.1016/j.jfoodeng.2013.11.006
[14] 白亚斌, 刘友华, 丁崇毅, 等. 基于高光谱技术的牛肉-猪肉掺假检测[J]. 海南师范大学学报:自然科学版,2015,28(3):270−272. [BAI Y B, LIU Y H, DING C Y, et al. Detection of beef pork adulteration based on hyperspectral technology[J]. Journal of Hainan Normal University:Natural Science Edition,2015,28(3):270−272. [15] 崔博, 田有文, 刘思伽. 高光谱成像技术在农畜产品有害微生物快速检测中的研究进展[J]. 食品工业科技,2016,37(17):366−371. [CUI B, TIAN Y W, LIU S J. Recent research developments in hyperspectral imaging technology for rapid detection of microbial contaminants in agricultural-animal and food products[J]. Science and Technology of Food Industry,2016,37(17):366−371. [16] HUANG H, LIU L, NGADI M. Recent developments in hyperspectral imaging for assessment of food quality and safety[J]. Sensors (Basel, Switzerland),2014,14(4):7248−7276. doi: 10.3390/s140407248
[17] HE H J, SUN D W. Hyperspectral imaging technology for rapid detection of various microbial contaminants in agricultural and food products[J]. Trends in Food Science & Technology,2015,46(1):99−109.
[18] BONAH E, HUANG X Y, AHETO J H, et al. Application of hyperspectral imaging as a nondestructive technique for foodborne pathogen detection and characterization[J]. Foodborne Pathogens and Disease,2019,16(10):712−722. doi: 10.1089/fpd.2018.2617
[19] LI H H, KUTSANEDZIE F, ZHAO J W, et al. Quantifying total viable count in pork meat using combined hyperspectral imaging and artificial olfaction techniques[J]. Food Analytical Methods,2016,9(11):3015−3024. doi: 10.1007/s12161-016-0475-9
[20] AMIGE J M, BABAMORADI H, ELCOROARISTIZABALI S, et al. Hyperspectral image analysis. A tutorial[J]. Analytica Chemical Acta,2015,896:34−51.
[21] 庄齐斌, 郑晓春, 杨德勇, 等. 基于高光谱反射特性的猪肉新鲜度和腐败程度的对比分析[J]. 食品科学,2021,42(16):254−260. [ZHUANG Q B, ZHENG X C, YANG D Y, et al. Comparative analysis of pork freshness and spoilage based on hyperspectral reflection characteristics[J]. Food Science,2021,42(16):254−260. doi: 10.7506/spkx1002-6630-20190127-346 [22] HUANG L, ZHAO J W, CHEN Q S, et al. Rapid detection of total viable count (TVC) in pork meat by hyperspectral imaging[J]. Food Research International,2013:821−828.
[23] ZHENG X C, PENG Y K, WANG W X. A nondestructive real-time detection method of total viable count in pork by hyperspectral imaging technique[J]. Applied Sciences,2017,7(3):213. doi: 10.3390/app7030213
[24] TAO F F, PENG Y K, CARMEN L, et al. A comparative study for improving prediction of total viable count in beef based on hyperspectral scattering characteristics[J]. Journal of Food Engineering,2015,162:38−47. doi: 10.1016/j.jfoodeng.2015.04.008
[25] ACHATA E, OLIVEIRA M, ESQUERRE C, et al. Visible and NIR hyperspectral imaging and chemometrics for prediction of microbial quality of beef longissimus dorsi muscle under simulated normal and abuse storage conditions[J]. LWT,2020,128:1−14.
[26] 郑彩英, 郭中华, 金灵. 高光谱成像技术检测冷却羊肉表面细菌总数[J]. 激光技术,2015,39(2):284−288. [ZHENG C Y, GUO Z H, JIN L. Measurement of total viable count on chilled mutton surface based on hyperspectral imaging technique[J]. Laser Tech-nology,2015,39(2):284−288. doi: 10.7510/jgjs.issn.1001-3806.2015.02.029 [27] DUAN H W, ZHU R G, YAO X D, et al. Sensitive variables extraction, non-destructive detection and visualization of total viable count (TVC) and pH in vacuum packaged lamb using hyperspectral imaging[J]. Analytical Methods,2017,9:3172−3183. doi: 10.1039/C6AY03321K
[28] 魏菁, 郭中华, 徐静. 基于高光谱和极限学习机的冷却羊肉表面细菌总数检测[J]. 江苏农业科学,2018,46(24):211−214. [WEI J, GUO Z H, XU J. Total bacteria detection on the surface of chilled mutton based on hyperspectral and limit learning machine[J]. Jiangsu Agricultural Sciences,2018,46(24):211−214. [29] FENG Y Z, SUN D W. Determination of total viable count (TVC) in chicken breast fillets by near-infrared hyperspectral imaging and spectroscopic transforms[J]. Talanta,2013,105:244−249. doi: 10.1016/j.talanta.2012.11.042
[30] 李文采, 刘飞, 田寒友, 等. 基于HSI技术的鸡肉菌落总数快速无损检测[J]. 肉类研究,2017,31(3):35−39. [LI W C, LIU F, TIAN H Y, et al. Rapid and nondestructive detection of total bacterial count in chicken based on HSI technology[J]. Meat Research,2017,31(3):35−39. doi: 10.7506/rlyj1001-8123-201703007 [31] CHENG J H, SUN D W. Rapid and non-invasive detection of fish microbial spoilage by visible and near infrared hyperspectral imaging and multivariate analysis[J]. LWT-Food Science and Technology,2015,62:1060−1068. doi: 10.1016/j.lwt.2015.01.021
[32] KHOSHNOUDI N S, MOOSAVIVVN M, NASSIRI S M, et al. Determination of total viable count in rainbow-trout fish fillets based on hyperspectral imaging system and different variable selection and extraction of reference data methods[J]. Food Analytical Methods,2018:1−14.
[33] 赵俊华, 郭培源, 邢素霞, 等. 基于高光谱成像的腊肉细菌总数预测建模方法研究[J]. 中国调味品,2016,41(2):74−78. [ZHAO J H, GUO P Y, XING S X, et al. Research on prediction modeling method of total bacterial count in bacon based on hyperspectral imaging[J]. China Condiment,2016,41(2):74−78. doi: 10.3969/j.issn.1000-9973.2016.02.015 [34] 董小栋, 郭培源, 徐盼. 基于高光谱成像的香肠菌落总数回归预测及数据可视化[J]. 现代食品科技,2017,33(7):308−314. [DONG X D, GUO P Y, XU P. The prediction of the total viable count on sausagebased with hyperspectral imaging technique and data visualization[J]. Modern Food Science & Technology,2017,33(7):308−314. [35] 赵楠, 刘强, 孙柯, 等. 高光谱成像技术快速预测鸡蛋液菌落总数[J]. 食品科学,2019,40(8):262−269. [ZHAO N, LIU Q, SUN K, et al. Rapid prediction of total viable count of bacteria in liquid egg using hyperspectral imaging technology[J]. Food Science,2019,40(8):262−269. doi: 10.7506/spkx1002-6630-20180318-226 [36] WU D, SUN D W. Potential of time series-hyperspectral imaging (TS-HSI) for non-invasive determination of microbial spoilage of salmon flesh[J]. Talanta,2013,111:39−46. doi: 10.1016/j.talanta.2013.03.041
[37] 何鸿举, 蒋圣启, 马汉军, 等. 基于NIR高光谱技术快速预测冷鲜鸡肉热杀索丝菌含量[J]. 食品工业科技,2020,41(13):241−252. [HE H J, JIANG S Q, MA H J, et al. NIR hyperspectral imaging technology for rapid prediction of Brochothrix thermosphacta in fresh chilled chicken[J]. Science and Technology of Food Industry,2020,41(13):241−252. [38] HE H J, SUN D W, WU D. Rapid and real-time prediction of lactic acid bacteria (LAB) in farmed salmon flesh using near-infrared (NIR) hyperspectral imaging combined with chemometric analysis[J]. Food Research International,2014,62:476−483. doi: 10.1016/j.foodres.2014.03.064
[39] HE H J, SUN D W. Inspection of harmful microbial contamination occurred in edible salmon flesh using imaging technology[J]. Journal of Food Engineering,2015,150:82−89. doi: 10.1016/j.jfoodeng.2014.10.012
[40] HE H J, SUN D W. Toward enhancement in prediction of Pseudomonas counts distribution in salmon fillets using NIR hyperspectral imaging[J]. LWT-Food Science and Technology,2015,62:11−18. doi: 10.1016/j.lwt.2015.01.036
[41] FOCA G, FERRARI C, ULRICI A, et al. The potential of spectral and hyperspectral-imaging techniques for bacterial detection in food: A case study on lactic acid visualization of the bacterial loads in the pork sample[J]. Talanta,2016,153:111−119. doi: 10.1016/j.talanta.2016.02.059
[42] 刘佳丽, 吴海云, 卫勇, 等. 基于高光谱技术结合纹理特征分析牛奶致病菌[J]. 农技服务,2017,34(5):1−3. [LIU J L, WU Y H, WEI Y, et al. Analysis of pathogenic bacteria in milk based on hyperspectral technology and texture features[J]. Agricultural Technology Service,2017,34(5):1−3. doi: 10.3969/j.issn.1004-8421.2017.05.001 [43] CHENG J H, SUN D W. Rapid quantification analysis and visualization of Escherichia coli. loads in grass carp fish flesh by hyperspectral imaging method[J]. Food Bioprocess Technol,2015,8:951−959. doi: 10.1007/s11947-014-1457-9
[44] BONAH E, HUANG X Y, AHETO J H, et al. Comparison of variable selection algorithms on vis-NIR hyperspectral imaging spectra for quantitative monitoring and visualization of bacterial foodborne pathogens in fresh pork muscles[J]. Infrared Physics & Technology,2020,107:1−9.
[45] 郑列, 张彦. 改进的偏最小二乘回归模型及应用[J]. 湖北工业大学学报,2021,36(1):114−120. [ZHENG L, ZHANG Y. Nonlinear partial least squares regression model based on stacking integration and its application[J]. Journal of Hubei University of Technology,2021,36(1):114−120. [46] MA J, SUN D W, PU H B, et al. Advanced techniques for hyperspectral imaging in the food industry: Principles and recent applications[J]. Annual Review of Food Science and Technology,2019,10:1−24. doi: 10.1146/annurev-food-032818-121826
[47] 李培志. 支持向量机模型的优化及其应用研究[D]. 大连: 东北财经大学, 2019. LI P Z. Optimizations of support vector machine and itsapplication[D]. Dalian: Dongbei University of Finance and Economics, 2019.
[48] 刘彦俊, 王力. 偏最小二乘回归模型在EEG特征选择的应用[J]. 计算机工程与应用,2021:1−8. [LIU Y J, WANG L. Application of partial least squares regression model in EEG feature selection[J]. Computer Engineering and Application,2021:1−8. doi: 10.3778/j.issn.1002-8331.2106-0270 [49] 王磊. 人工神经网络原理、分类及应用[J]. 科技资讯,2014(3):240−241. [WANG L. Principle, classification and application of artificial neural network[J]. Science and Technology Information,2014(3):240−241. doi: 10.3969/j.issn.1672-3791.2014.03.140 [50] 陆思源, 陆志海, 王水花, 等. 极限学习机综述[J]. 测控技术,2018,37(10):3−9. [LU S Y, LU Z H, WANG S H, et al. A review of extreme learning machine[J]. Measurement and Control Technology,2018,37(10):3−9. [51] COMI G. Spoilage of meat and fish[J]. The Microbiological Quality of Food,2017:179−210.
[52] 尹德凤, 张莉, 张大文, 等. 生鲜肉类产品中腐败细菌研究[J]. 农产品质量与安全,2018(3):21−29. [YIN D F, ZHANG L, ZHANG D W, et al. Study on spoilage bacteria in fresh meat products[J]. Quality and Safety of Argo-Products,2018(3):21−29. doi: 10.3969/j.issn.1674-8255.2018.03.004 -
期刊类型引用(12)
1. 周延，阿迪拉·阿迪力，高鑫. 食品检测中的光谱技术应用探讨. 中国食品工业. 2024(06): 79-81 . 
百度学术
2. 张丽，范鹏飞. 微生物检测技术在食品检验中的检测结果分析. 实验室检测. 2024(05): 115-118 . 百度学术
3. 张勇，黄丹飞，张乐超，张丽丽，周尧，唐鸿宇. 基于深度学习的癌变组织显微高光谱图像分类. 激光与光电子学进展. 2024(18): 247-254 . 百度学术
4. 焦凤莲，梁启美. 食品微生物检测与控制措施研究. 中国食品工业. 2024(16): 80-82 . 百度学术
5. 赵奎，李建龙，胡凯弟，李琴，赵宁，刘爱平，刘书亮. 食醋变质微生物及其检测方法研究进展. 食品与发酵工业. 2024(20): 358-366 . 百度学术
6. 伍聪，申红桃，江培淳，邓琳娜，彭贵，张世伟，林长虹. 酶抑制法检测蔬菜中有机磷和氨基甲酸酯类农药的准确性评价. 食品安全质量检测学报. 2024(23): 34-40 . 百度学术
7. 杨元义，杨超. 快速检测片技术在食品微生物检测中的应用. 陇东学院学报. 2023(02): 112-116 . 百度学术
8. 贺巧玲，曹敏，孙在兴，罗皓，李玉锋. 光谱技术及电子感官系统在食源性致病菌无损检测中的应用. 食品研究与开发. 2023(20): 219-224 . 百度学术
9. 金科，郭志强，曾云流，丁港. 结合三维卷积神经网络和Haar小波滤波器的高光谱猕猴桃品质分类. 激光与光电子学进展. 2023(20): 49-58 . 百度学术
10. 王周明. 试析食品微生物检验关键程序及操作要点. 食品安全导刊. 2023(36): 36-39 . 百度学术
11. 陈倩，周灿，韩景林. 基于光谱技术的食品质量快速检测方法研究. 中国质量监管. 2023(12): 84-85 . 百度学术
12. 王影，王蕊，何鸿举，马汉军. 冰鲜鸡肉腐败微生物检测技术研究进展. 肉类研究. 2022(11): 60-66 . 百度学术
其他类型引用(3)
下载:
计量
- 文章访问数: 520
- HTML全文浏览量: 131
- PDF下载量: 58
- 被引次数: 15
