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

崔　博,田有文,*,刘思伽

(1.沈阳农业大学信息与电气工程学院,辽宁沈阳 110161;2.辽宁省农业信息化工程技术研究中心,辽宁沈阳 110161)



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

崔博1,2,田有文1,2,*,刘思伽1,2

(1.沈阳农业大学信息与电气工程学院,辽宁沈阳 110161;2.辽宁省农业信息化工程技术研究中心,辽宁沈阳 110161)

农畜产品中含有有害微生物可以使农畜产品腐败变质,快速可靠的检测有害微生物显得特别重要,高光谱成像技术可以对农畜产品微生物进行快速无损检测。本文首先介绍高光谱成像系统以及高光谱图像处理方法。然后介绍了高光谱成像技术在水产品微生物、肉类产品微生物、粮食籽粒微生物、水果表面有害微生物无损检测方面的研究进展。指出高光谱成像技术可以检测出有害微生物种类以及有害微生物的总量。尽管高光谱成像技术优势明显,但在精确性、快速挖掘数据等方面面临着挑战。随着光学技术、计算机技术的进一步发展,未来高光谱成像技术可能会在农畜产品微生物实时在线检测上得到应用。

高光谱成像,检测,农畜产品微生物

我国是农业大国,农畜产品安全问题关系到每一个人的身体健康,食品安全也越来越受到人们的关注。有害微生物侵染农畜产品是导致农畜产品质量下降的主要原因[1]。农畜产品中有害微生物不仅给人们健康带来危害,而且造成经济损失。检测农畜产品中有害微生物是十分必要的。

微生物指一切用肉眼看不见的微小生物的总称。微生物主要包括包括细菌、病毒、真菌。传统上检测农畜产品中有害微生物常用的方法有传统理化检测[2]、聚合酶链反应(PCR)[3]、核酸探针技术[4]、生物芯片技术[5]、即用型纸片法[6]等。这些方法大多数需要专业人士操作,对样本造成损害,成本较高,浪费时间,准确率不高[7],而且需要预处理,如样本事先需要冰冻[8]或干燥[9],因此需要开发快速无损的方法。光谱技术可以快速检测出有害微生物,但不能确定有害微生物分布情况[10]。

最近几年研究发现,应用高光谱成像技术对农畜产品有害微生物进行检测,取得了比较好的结果。高光谱成像技术不仅可以获得光谱信息,还可以获得图像信息,将图像信息和光谱信息完美的结合到一起。农畜产品有害微生物导致的病斑可以通过图像信息判断,有害微生物化学成分可以通过光谱数据反映[11]。本文介绍高光谱成像技术的原理及数据处理方法,以及检测农畜产品有害物的方法,以期为今后在线检测农畜产品有害物提供理论依据。

1　高光谱成像技术的原理及数据处理方法

1.1高光谱成像技术原理

上世纪80年代,高光谱作为新一代光电检测技术,最先被美国军方使用,应用在遥感领域。高光谱成像技术既可以获得连续光谱信息,又可以获得空间信息。高光谱分为紫外(200～400 nm)、可见(400～760 nm)、近红外(760～2560 nm)以及波长大于2560 nm中红外这几类。高光谱成像系统(见图1)[12]由两部分组成,分别是硬件平台和软件数据处理。硬件平台由图像光谱仪、高光谱摄像头、视觉配套光源、相机、一个电控位移台和计算机等部件组成[13]。利用高光谱成像系统扫描待测物体,采集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(见图2)[12]。在三维数据集中,x和y代表空间信息,λ代表光谱范围[14]。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)[15]。近几年来,高光谱成像技术已在农畜产品内部品质预测[16]、外部质量识别[17]、农药残留[18]等领域得到成功的应用。

图1　高光谱成像装置示意图Fig.1　Schematic diagram of high spectral imaging device

图2　高光谱图像示意图Fig.2　Sketch of a hyperspectral image

1.2高光谱成像技术数据处理方法

高光谱图像数据分析是高光谱图像检测系统中重要的组成部分,软件数据处理方法是依据高光谱图像特点提出的。高光谱成像系统测连续光谱信息,因此数据量大,数据处理复杂,如何选择合理的图像数据处理方法尤为重要[19]。减少数据量最有效的方法是提取最佳波段,可以保证在不丢失重要信息的前提下最大限度的反映原始信息[20]。数据降维也是必不可少的,主要的方法有主成分分析法[21]、流形学习[22]、特征波段法等[23]。将高光谱数据降维后,采用主成分分析[24]、逐步多元回归[25]等方法获取最优波段,最后采用人工神经网络[26]、支持向量机[27]、偏最小二乘法[28]、洛伦兹函数算法[29]和主成分回归分析法[30]等建立基于光谱图像信息的农畜产品有害微生物检测的预测模型或识别模型,进而实现对农畜产品微生物缺陷的检测。

2　高光谱成像技术在农畜产品微生物检测中的应用

高光谱图像技术不同于传统的光谱技术,因为它不仅提供光谱信息同时也提供空间信息。利用高光谱图像的图谱合一的特性,全面反映被测样品特征,因此该技术近几年逐渐被引入到农畜产品无损检测中[31]。

2.1水产品微生物检测

水产品是最受人们欢迎的食物之一,然而水产品也最容易产生有害微生物,人们食用含有有害微生物的水产品,常常会导致腹泻、呕吐甚至死亡。因此快速准确识别出含有有害微生物的水产品尤为重要。利用高光谱图像系统获取水产品的高光谱图像,选取合适的特征波段得到水产品的特征图像,借助一定算法处理可有效识别水产品中是否含有有害微生物以及有害微生物的数量。

Jun Hu Cheng等[32]利用400～1000 nm高光谱成像系统对鱼微生物细菌总数量检测研究。在全波端上建立偏最小二乘回归和最小二乘支持向量机模型,预测相关系数为0.93,预测误差均方根为0.49。连续投影算法结合偏最小二乘模型,预测相关系数为0.90,预测误差均方根为0.57。研究结果表明,高光谱成像技术可以用来检测微生物总数。Hong JuHe等[33]利用900～1700 nm近红外高光谱成像技术对蛙鱼中乳酸菌进行检测。利用最小二乘支持向量机算法(LS-SVM),相关系数RP为0.929,均方根误差RMESP为0.515。利用竞争自适应重加权采样(CARS)算法选出最优波长,最终从239个波长中选择8个波长。建立CARS-LS-SVM模型,相关系数RP为0.925,RMSEP为0.531。同时,根据该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[33],该图像直观、形象的显示了鲑鱼中乳酸菌含量的高低。研究结果表明,利用CARS-LS-SVM这一方法对乳酸菌检测效果对比LS-SVM方法检测效果好。随后,Hong Ju He等[34]又利用900～1700 nm近红外高光谱成像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。利用偏最小二乘回归方法对采集到的肠杆菌和假单胞菌数据进行处理。采用变量筛选方法选择重要波长信息来简化模型。研究结果表明,利用变量筛选方法选择重要波长构建简单偏最小二乘模型对肠杆菌和假单胞菌预测效果比在全波长上构建模型效果好。

图3　腐败过程可视化分布图Fig.3　Visual distribution of corruption

综上所述,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。最小二乘支持向量机为最常用的算法,竞争自适应重加权采样算法结合最小二乘支持向量机算法为较好的算法。

2.2肉类微生物检测

有害微生物是导致肉类腐败变质的主要原因之一。引起肉类腐败的微生物主要有细菌、酵母菌和霉菌[35]。传统检测肉类中还有有害微生物的方法是有损的并且检测时间长。高光谱成像技术可以弥补传统检测技术的不足,实现实时在线检测,无损、操作简单。

王伟等[36]利用400～1000 nm高光谱成像系统评估猪肉有害细菌总量。比较偏最小二乘法、人工神经网络、最小二乘支持向量机建立模型,得出最小二乘支持向量机建立模型效果最好,决定系数R2为0.987,校正均方根误差和预测均方根误差分别为0.2071和0.2176。宋育霖等[37]利用400～1100 nm高光谱成像系统以猪肉为研究对象,用洛伦兹拟合参数分析处理数据。利用单参数和不同参数结合的方法建立多元线性回归模型。结果表明,三个参数相结合的方法建立模型预测效果最优,校正集相关系数为0.96,标准差为0.42;预测集相关系数为0.89,标准差为0.46,能较好的应用于猪肉细菌总数的检测。Barbin等[38]利用900～1700 nm近红外反射高光谱图像技术结合偏最小二乘法检测猪肉细菌总数。利用标准正态变量和多元散射校正预测猪肉品质。建立偏最小二乘回归模型预测颜色、pH等,决定系数R2为0.93和0.87。在760～2560 nm近红外光谱上采用偏最小二乘模型的预测能力好于选择11个最优波长的预测能力。

Tao等[39]利用400～1100 nm可见/近红外高光谱成像系统检测牛肉总活菌数量。分别用单个洛伦兹参数和洛伦兹参数组合并结合主成分回归、偏最小二乘回归、BP神经网络建立预测牛肉总活菌数的预测模型。利用单个洛伦兹参数预测相关系数为0.81,均方根误差为1.27.洛伦兹参数组合并结合主成分回归、偏最小二乘回归、BP神经网络相关系数RP和均方根误差分别为0.86和0.93,0.87和0.79,0.90和0.88。研究结果表明,高光谱成像技术可以预测牛肉总活菌数量,洛伦兹参数结合偏最小二乘回归这个方法预测效果比较好。

郑彩英等[40]利用高光谱成像技术对羊肉表面微生物进行研究。采用偏最小二乘、人工神经网络等方法,结合生物化学计量学的方法,进行了定量与定性的研究,建立羊肉中总细菌含量和嗜冷菌含量预测模型,利用主成分分析和波段比法检测和提取感兴趣部分,正确识别率达到92.5%。研究结果表明,多元散射校正结合二阶导数是针对细菌总数建模最好的预处理方法。多元散射校正则是针对嗜冷菌数建模最好的预处理方法。郭中华等[41]利用900～1700 nm近红外高光谱成像系统对羊肉表面细菌总数进行检测研究。利用多元散射校正结合二阶导数的方法进行预处理,采用主成分分析对光谱数据降维,利用偏最小二乘回归、误差反向传递人工神经网络和径向基函数人工神经网络建立模型。研究结果表明,径向基函数人工神经网络模型比较好,相关系数R为0.9988,均方根误差RMESP为0.2507。

综上所述,可见/近红外高光谱成像技术可以对肉类有害微生物进行检测,数据降维的主要方法有主成分分析法、特征波段法,选取最优波段的方法有主成分分析法和波段比法,建立预测或者识别模型的主要方法有偏最小二乘回归法、人工神经网络、最小二乘支持向量机、多元线性回归模型。一般来说,比较好的方法有最小二乘支持向量机、洛伦兹参数结合偏最小二乘回归法。

2.3粮食籽粒微生物检测

有害微生物是导致粮食作物籽粒发芽率低的主要原因之一,严重影响粮食产量,人食用含有有害微生物的籽粒,易引发呕吐甚至中毒。传统检测方法费时、费力,需要专业人员操作,而高光谱成像系统可以实现快速、无损检测。

Jayme G A等[42]利用528～1785 nm高光谱成像技术对小麦籽粒是否含有赤霉病进行检测研究。首先采用阈值分割法进行图像预处理,并进行籽粒与背景分割,然后采用掩模分离籽粒图像,最后采用阈值法判断赤霉病程度。结果表明该算法不仅能检测赤霉病,也可以评估脱氧雪腐镰刀菌含量。T Senthilkumar等[43]利用1000～1600 nm近红外高光谱成像系统检测小麦是否被灰绿曲霉、青霉、赭曲霉毒素A侵染。利用主成分分析选择波段作为特征波长。线性、二次和马氏判别三种分类器识别被微生物感染的种子准确率均达到90%以上。研究结果表明,二次判别分类器识别精度高于线性和马氏距离分类器识别精度。U.Siripatrawan等[44]利用400～1000 nm高光谱成像系统采集反射图像,对水稻籽粒含有真菌情况检测研究。然后采用无监督的自组织映射模型对真菌感染可视化数据进行分类。最后采用偏最小二乘回归方法用来预测水稻籽粒真菌生长情况。实验结果表明,水稻籽粒含真菌量预测值和实际值间决定系数为0.97,误差平均值为0.39。自组织映射结合偏最小二乘回归方法可以有效区分水稻质量。

A Del Fiore等[45]利用400～1000 nm高光谱成像系统对玉米种子的产毒真菌检测研究。利用主成分分析法和最小显著差数法对数据进行分析。结果表明利用高光谱成像技术可以识别健康和有病害的种子,高光谱成像技术在食品安全监督检测方面发挥重要作用。Paul J Williams等[46]利用1000～2498 nm近红外高光谱成像系统结合多变量数据分析,对玉米种子表面是否含有轮枝样镰刀菌检测研究。使用主成分分析法去除反射图像上坏的像素点。研究表明,近红外高光谱成像技术结合偏最小二乘法可以用来预测玉米种子真菌感染等级。Lalit Mohan Kandpal等[47]利用1100～1700 nm短波红外高光谱成像技术对玉米种子是否含有黄曲霉毒素B1检测研究。将四种含有不同浓度黄曲霉毒素玉米种子作为样本,利用偏最小二乘判别分析模型对玉米种子黄曲霉毒素含量进行分类。研究结果表明,短波红外高光谱成像技术对玉米种子黄曲霉毒素识别准确率为96.9%。但不能识别浓度在10 μg/kg以下的样本。王伟等[48]利用1000～2500 nm高光谱成像系统检测玉米籽粒中的黄曲霉毒素B1。利用图像镶嵌去除背景和阴影。采用主成分分析和交互式分析去除由于探测器本身缺陷导致的坏线条。实验结果表明,识别玉米籽粒中黄曲霉毒素胚芽向下放置比胚芽向上放置精度高。

Jian Jin等[49]利用400～1000 nm高光谱成像系统对马铃薯上产毒与未产毒黄曲霉菌株进行分类研究。利用主成分分析法对数据进行去除相关性和降维处理。利用基于B距离的遗传算法选择主成分。利用支持向量机对是否含有黄曲霉毒素进行分类。研究结果表明,在卤素灯源下,产毒真菌识别率达到83%,未产毒真菌识别率达到74%。在紫外灯下,产毒真菌识别率达到67%,未产毒真菌识别率达到85%。

2.4水果表面有害微生物检测

有害微生物会导致水果腐烂变质,造成经济损失,因此检测水果表面有害微生物含量特别重要[51]。引起水果腐烂变质的微生物主要有细菌(乳酸杆菌、醋酸杆菌、大肠杆菌等)、酵母菌和霉菌。

Lorente.D等[52]利用高光谱成像系统对柑橘中是否含有真菌检测研究。利用多层感知器进行分类,采用极限学习机算法。研究结果表明,识别出被真菌感染的柑橘正确率为89%。Bulanon D M等[53]利用400～1100 nm高光谱成像系统对柑橘是否被真菌感染检测研究。利用线性判别分类器和人工神经网络建立模型,选择最优波长493、629、713、781 nm作为输入。识别正确率达到92%。王斌等[54]利用380～2000 nm高光谱成像系统对梨枣腐烂情况检测研究。利用逐步判别分析法和偏最小二乘支持向量机方法建立分类模型。研究结果表明,特征参数选用光谱近似系数结合逐步判别分析法分类效果最好,准确率达到99.12%。M A Teena等[55]利用400～2500 nm高光谱成像系统对枣中是否含有真菌检测研究。利用线性判别分析和二次判别分析选择最优波段,检测出受真菌感染的大枣准确率为91%～99%。研究结果表明,高光谱成像技术可以检测出大枣受真菌感染的情况,二次判别分析方法比线性判别分析方法好。Zhang等[56]利用高光谱成像系统对苹果是否由真菌导致腐烂进行检测研究。利用偏最小二乘判别分析分类器验证最优波长。采用主成分分析和最小噪声变换处理图像。将腐烂苹果从健康苹果中识别出来的准确率达到98%。研究结果表明,高光谱成像技术可以检测出苹果中有害微生物。ShuaibuM等[57]利用高光谱成像系统和光谱测量仪对苹果中是否含有真菌检测研究。利用花青素反射指数、修改的三角植被指数、红边位置植被指数与光谱反射率数据作为二次判别和支持向量机的分类特征。该方法对健康和被真菌污染的苹果识别准确率达到97.7%和99.2%。

综上所述,利用高光谱成像系统可以用来检测水果表面真菌、霉菌等有害微生物以及腐烂情况,检测效果比较准确。在水果表面有害微生物检测中,常采用的数学模型有多层感知器、线性判别分类器、人工神经网络,二次判别分析法检测效果比较好。

3　结论与展望

综上所述,本文阐述了凭借高光谱成像技术显著的优势,其在水产品、肉类、粮食籽粒、水果中有害微生物检测取得了显著的成果。该技术结合了光谱和图像技术,弥补了只有光谱信息或者只有图像信息造成的不全面的问题。样本不需要准备,能实现快速无损的检测,在一个样本中能同时检测多个参数,推扫式采集方式适合农畜产品在线检测,同时提供光谱和图像信息,可以直观的观察有害微生物的分布情况,这种可视化图像能更直观、形象的反映农畜产品中微生物的含量。但高光谱成像技术也存在一些不足。该技术一般只用来检测固体样本,还不能检测气体或者液体样本。另外,高光谱图像数据量庞大,如何进行降维、确定农畜产品各种有害微生物的有效波长是比较困难的。此外,该技术只能提取样本表面光谱信息,不能研究内部组成成分。

随着高光谱成像技术在农畜产品微生物检测方面广泛的应用,以及光谱技术和图像技术的进一步发展,选择具有准确性和普遍性的数据降维算法是未来研究的方向之一。目前高光谱成像技术还只能在实验室中实现,如何将高光谱成像技术应用到农畜产品微生物检测生产中,实现快速准确的在线检测还需要进一步研究。另外,高光谱成像系统体积大,不方便携带,如何开发出便携式、准确性高的农畜产品检测光谱成像仪是未来的研究方向。

[1]王雷,乔晓艳,董有尔,等.高光谱图像技术在农产品检测中的应用进展[J].应用光学,2009,30(4):639-645.

[2]陈维斌,宋玉清.农产品快速检测方法的研究[J].杂粮作物,2001,21(4):45-46.

[3]王艳冬.猪螺杆菌聚合酶链反应检测方法的建立及初步应用[D].北京:中国疾病控制预防中心,2013.

[4]赵欣,李震,顾大勇.肽核酸探针技术及其在微生物检测中的应用[J].微生物学杂志,2008,28(1):76-82.

[5]卢卫红,付力,郑琦,等.生物芯片技术的应用与展望[J]. 传感器与微系统,2006,25(6):1-4.

[6]阚方琦,董非,李华,等.两种大肠菌群快检纸片的质量检测及应用效果比较[J]. 预防医学文献信息,2003,9(2):167-168.

[7]魏子淏,李汴生.食源性致病微生物的快速检测方法及其研究现状[J].现代食品科技,2013,29(2):438-451.

[8]Hossein,Kiani,DaWen Sun.Water crystallization and its importance to freezing of foods:A review[J].Trends in Food Science& Technology,2011,22:407-426.

[9]Zhang wei Cui,Li-Juan Sun,WeiChen.Preparation of dry honey by microwave-vacuum drying[J].Journal of Food Engineering,2008,84:582-590.

[10]陈倩,李沛军,孔宝华.拉曼光谱技术在肉品科学研究中的应用[J].2012,33(15):307-313.

[11]田有文,牟 鑫,程 怡.高光谱成像技术无损检测水果缺陷的研究进展[J].农机化研究,2014,32(6):1-5.

[12]曲佳欢,马骥,孙大文.高光谱成像在食品质量评估方面的研究进展与应用[J].肉类研究,2012,26(04):40-45.

[13]田有文,李天来,张 琳,等.高光谱图像技术诊断温室黄瓜病害的方法[J].农业工程学报,2010,26(5):202-206.

[14]张琳.高光谱图像技术诊断黄瓜病害方法的研究[D].沈阳:沈阳农业大学,2011.

[15]陈守满.高光谱图像与农产品品质无损检测研究进展[J].安康学院学报,2011,23(6):1-6.

[16]王家云,王松磊,贺晓光，等.基于NIR高光谱成像技术的滩羊肉内部品质无损检测[J].现代食品科技,2014,30(6):257-261.

[17]Mehla P M,Chen Y R,Kimb M S,et al. Development of detection methodsfor defects and contaminations on apple surface using hyperspectral imaging technique[J]. Journal of Food Engineering,2004,20(61):67-81.

[18]张令标.基于高光谱成像技术的红枣表面农药残留无损检测的研究[D].银川:宁夏大学,2014.

[19]王成.高光谱图像压縮的方法研究[D].南京:南京理工大学,2014.

[20]魏芳洁.高光谱波段选择方法的研究[D].哈尔滨:哈尔滨工程大学,2013.

[21]祝志慧,刘婷,马美湖. 基于高光谱信息融合和相关向量机的种蛋无损检测[J]. 农业工程学报,2015,31(15):285-292.

[22]金瑞,李小昱,颜伊芸,等. 基于高光谱图像和光谱信息融合的马铃薯多指标检测方法[J]. 农业工程学报,2015,31(16):258-263.

[23]高阳.高光谱数据降维算法研究[D].徐州:中国矿业大学,2013.

[24]刘红玉,毛罕平,朱文静,等.基于高光谱的番茄氮磷钾营养水平快速诊断[J].农业工程学报,2015,31(增刊1):212-220.

[25]赵娟,彭彦昆.基于高光谱图像纹理特征的牛肉嫩度分布评价[J].农业工程学报,2015,31(7):279-286.

[26]郭文川,董金磊.高光谱成像结合人工神经网络无损检测桃的硬度[J].光学精密工程,2015,23(6):1530-1537.

[27]李勋兰,易时来,何绍兰,等.高光谱成像技术的柚类品种鉴别研究[J].光谱学与光谱分析学,2015,35(9):2639-2643.

[28]丁希斌,刘飞,张初,等.基于高光谱成像技术的油菜叶片SPAD值检测[J].光谱学与光谱分析学,2015,35(2):486-491.

[29]Tao F,PENG Y. 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.

[30]高俊峰,张初,谢传奇,等.应用近红外高光谱成像技术预测甘蔗可溶性固形物含量[J].光谱学与光谱分析学,2015,35(8)2154-2158.

[31]唐延林,黄敬峰,王人潮,等.利用高光谱数据预测水稻籽粒粗蛋白含量研究[J].农业工程学报,2006,22(7):114-118.

[32]Jun-Hu Heng,Jia-HuanQu,Da-Wen Sun.Visible/near-infrared hyperspectral imaging prediction of textural rmness of grass carp(Ctenopharyngodonidella)as affected by frozen storage[J].Food Research International2014,56(8):190-198.

[33]Hong-Jun He,Da-Wen Sun,Di Wu.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(8):476-483.

[34]Hong-JuHe,Da-Wen Sun.Inspection of harmful microbial contamination occurred in edible salmon flesh using imaging technology[J].Journal of Food Engineering.2015,150(12):82-89.

[35]李晓波.微生物与肉类腐败变质(J).中国肉类食品综合研究中心,2008,115(9):41-44.

[36]王伟,彭彦昆,张晓莉.基于高光谱成像的生鲜猪肉细菌总数预测建模方法研究[J].光谱学与光谱分析,2010,30(2):411-415.

[37]宋育霖,彭彦昆,陶斐斐,等.生鲜猪肉细菌总数的高光谱特征参数研究[J].食品安全质量检测学报,2012,06(3):595-599

[38]Barbin,Douglas F,Elmasry,et al. Predicting quality and sensory attributes of pork using near-infrared hyperspectral imaging[J]. Analytica Chimica Acta,2012,719(8):30-42.

[39]FeifeiTao,YankunPeng,CarmenL.Gomes.A comparative study for improving prediction of total viable count in beef based on hyperspectral scattering characteristics[J].Journal of Food Engineering.2015,162(10):38-47.

[40]郑彩英.基于高光谱成像技术的冷却羊肉表面微生物活细胞数量无损检测方法研究[D]. 银川:宁夏大学,2014.

[41]郭中华,郑彩英,金灵.基于近红外高光谱成像的冷鲜羊肉表面细菌总数检测.食品工业科技.2014,20(12):66-81.

[42]JaymeGA,BarbedoCasianeS,Tibola.DetectingFusarium head blight in wheat kernels using hyperspectralimaging[J].Biosystems Engineering 2015,24(131):65-76.

[43]T.senthilkumar,D.S.Jayas,N.D.G.White.Detection of fungal infection and Ochratoxin A contamination in stored wheat using near-infrared hyperspectral imaging[J].Journal of Stored Products Research,2016,32(65):30-39.

[44]U sirlpatrawan,Y.Makino.Monitoring fungal growth on brown rice grains using rapid and non-destructive hyperspectral imaging[J]. International Journal of Food Microbiology.2014,199(15):93-100.

[45]A.Delflore,M Reverberi,A Ricelli.Early detection of toxigenic fungi on maize by hyperspectral imaging analysis[J]. International Journal of Food Microbiology. 2010,144(22):64-71.

[46]Paul J Williams,Paul Geladi,Trevor J.Britz.Investigation of fungal development in maize kernels using NIR hyperspectral imaging and multivariate data analysis[J].Journal of Cereal Science.2011,55(28):272-278.

[47]Lalit Mohan,KandpalSangdae Lee,MOON S KIM.Short wave infrared(SWIR)hyperspectral imaging technique for examination of aflatoxinB1(AFB1)on corn kernels[J]. Food Control.2015,(15)51:171-176.

[48]Wei Wang,Xinzhi Ni,Kurt C.Feasibility of detecting Aflatoxin B1in single maize kernels using hyperspectral imaging[J].Journal of Food Engineering.2015,18(166):182-192.

[49]Jian Jin,Lie Tang,ZuzanaHruska.Classification of toxigenic and atoxigenic strains of Aspergillusflavus with hyperspectralimaging[J].Computers and Electronics in Agriculture.2009,24(69):158-164.

[50]Wei Wang,Xinzhi Ni,Kurt C. Lawrence.Feasibility of detecting Aflatoxin B1in single maize kernels using hyperspectralimaging[J].Journal of Food Engineering.2015,166(33):182-192.

[51]Pu,Y.-Y.,Feng,Y.-Z.,Sun,D.-W. Recent progress of hyperspectral imaging on quality and safety inspection of fruits and vegetables:A review[J].Comprehensive Reviews in Food Science and Food Safety.2015,14(4):176-188.

[52]Lorente,D.,Aleixos,N.,Gómez-Sanchis,J.Selection of Optimal Wavelength Features for Decay Detection in Citrus Fruit Using the ROC Curve and Neural Networks[J].Food and Bioprocess Technology.2013,6(2):530-541.

[53]Bulanon,D.M.,Burks,T.F.,Kim,D.G.Citrus black spot detection using hyperspectral image analysis[J].Agricultural Engineering International:CIGR Journal.2013,15(3):171-180.

[54]王斌,薛建新,张淑娟.基于高光谱成像技术的腐烂、病害梨枣检测[J].农业机械学报.2013,44(3):205-209.

[55]M.A. Teena,A. Manickavasagan,L. Ravikanth.Near infrared(NIR)hyperspectral imaging to classify fungal infected date fruits[J].Journal of Stored Products Research 2014,59(3):306-313.

[56]Zhang,B.,Fan,S.,Li,J.Detection of Early Rottenness on Apples by Using Hyperspectral Imaging Combined with Spectral Analysis and Image Processing[J].Food Analytical Methods.2015,8(8):2075-2086.

[57]ShuaibuM.Lee,W.S.,Hong,Y.K..Detection of apple Marssoninablotchdisease using hyperspectralimaging[J].American Society of Agricultural and Biological Engineers Annual International Meeting.2015,2(6):984-997.

Recent research developments in hyperspectral imaging technology for rapid detection of microbial contaminants in agricultural-animal and food products

CUI Bo1,2,TIAN You-wen1,2,*,LIU Si-jia1,2

(1.College of Information and Electric Engineering Shenyang Agricultural University,Shenyang 110161,China; 2.Liaoning Agricultural Information Engineering Technology Research center,Shenyang 110161,China)

Microbial contaminant in agricultural and food products leads to spoilage which is damage for human healthand economic conditions.It is very important to rapidly detect the microbial contaminant.Hyperspectral imaging technology can rapidly detect microbial contaminant in agricultural and food products. In this paper,hyperspectral imaging system andprocessing methods were introduced. Then,recent research developments of hyperspectral imaging technology in the detection of microbial in meat products,grains were introduced. It was pointed out that thehyperspectral imaging technology can detect the microbial contaminant species and the total amount of microbial contaminant. Although the advantage of hyperspectral imaging technology is obvious,it is a challenge in accuracy and mining of data. With the further development of optical technology and computer technology,hyperspectral imaging technology will be applied in detection for microbial contaminant online.

hyperspectralimaging;detection;microbialin agricultural and food products

2016-02-26

崔博(1988-)，男，硕士，主要从事图谱分析在农产品品质检测方面应用,E-mail:cuibo.244633323@163.com

田有文(1968-)，女，博士，教授，主要从事图谱分析在农产品品质检测方面应用,E-mail:youwen_tian10@163.com。

沈阳市大型仪器设备共享服务专项项(F15-166-4-00);辽宁省科技计划项目(201401236-3)。

TS207.4

A

1002-0306(2016)17-0366-06

10.13386/j.issn1002-0306.2016.17.064