邢素霞，王 睿，郭培源，刘艳芳，王九清，徐 盼
（北京工商大学计算机与信息工程学院，食品安全大数据技术北京市重点实验室，北京 100048）
摘 要：高光谱成像与近红外光谱（near infrared spectroscopy，NIR）技术是现代食品检测领域的重要手段，本研究对2 种技术在鸡肉品质无损检测中的预测精度进行研究。选用62 份新鲜程度不同的鸡胸肉，提取其高光谱感兴趣区域（region of interest，ROI）的光谱曲线，并测定样品的挥发性盐基氮（total volatile base nitrogen，TVB-N）含量和菌落总数（total viable count，TVC），利用OPUS 6.0光谱处理软件搜寻最佳的光谱预处理和波段组合，分别建立2 个指标的偏最小二乘法（partial least square，PLS）定量分析模型。NIR样本选用30 份新鲜程度不同的鸡胸肉，测定其TVB-N含量和TVC，建立PLS的交叉验证模型。结果表明：利用高光谱的ROI平均光谱建立的TVB-N含量与TVC模型的相关系数（R2）分别为0.965和0.919，均方根误差（root mean square error of cross validation，RMSECV）分别为0.121和0.215；利用NIR建立的TVB-N含量与TVC预测模型的R2分别为0.801和0.780，RMSECV分别为0.232和0.312。由此可见，基于高光谱的ROI区域光谱建立的预测模型在鸡肉品质无损检测中具有比NIR更高的预测精度。
关键词：鸡肉新鲜度；高光谱成像；偏最小二乘法；近红外光谱
鸡肉肉质鲜嫩且富含维生素、蛋白质、脂肪、铁、锌和不饱和脂肪酸等营养物质，易于消化和吸收，深受消费者喜爱，其消费量逐年递增，已成为第二大肉类消费品。然而，鸡肉在屠宰及运输过程中经常出现挥发性盐基氮（total volatile base nitrogen，TVB-N）含量、菌落总数（total viable count，TVC）等卫生指标不达标的情况，使人体产生过敏反应和胃肠道疾病等，严重影响消费者的身体健康。目前，对于鸡肉品质的检测主要以理化检测为主，但是其检测时间过长，且具有破坏性，不利于卫生检疫部门对鸡肉品质进行快速检验，因此急需一种快速、实用的无损检测技术[1-3]。
近红外光谱（near infrared spectroscopy，NIR）技术[4-8]是利用光谱的吸收、反射和散射效应，与化学计量学方法相结合，实现鸡肉品质的快速、无损及定量分析，是现场快速筛查和加工过程实时检测的理想手段，但其测定值为整体组分的平均值，无法获取样品的局部品质，而肉品的腐败变质首先是从局部开始的，因此利用NIR技术检测鸡肉品质变化的模型可靠性和稳定性难以保障。
高光谱成像分析技术具有测定速率快、样品前处理简单及测定时不需任何化学试剂等优势，已经被广泛应用于食品的分析和检验[9-11]。高光谱图像是样品在一系列光波波长下的光学图像，波长包括从紫外到近红外及波长更长的区域，能够得到既多且窄的光谱波段，拥有极高的光谱分辨率，可以用于物质识别[12-14]。高光谱图像既包含图像信息也包含光谱信息，图像信息反映样本品质特征，如大小、形状等，光谱信息反映样本内部的物理结构和化学成分信息[15-17]。本研究以家用鸡肉为对象，20 ℃室温为主要贮藏条件，存放时间最长为40 h，以TVB-N含量[18]和TVC[19]作为评价鸡肉品质的2 个指标，建立利用高光谱技术测定鸡肉中TVB-N含量和TVC的定量分析模型，并与NIR模型进行详细地比较和分析。
1.1 材料与试剂
从北京老山市场购买当日鲜白羽鸡胸肉92 份，剔除结节组织，其中62 份鸡肉样品用于高光谱成像分析和理化检测，分别编号为1～62，30 份鸡肉样品用于NIR分析。用于高光谱分析的样品长5 cm、宽3 cm、高1 cm，用于理化检测和NIR分析的样品每份100 g。每份样品均单独放入样品袋，然后置于4 ℃冰箱冷藏，冷藏室容积120 L。
1.2 仪器与设备
GaiaSorter“盖亚”高光谱分选仪 北京卓立汉光仪器有限公司；FoodScan近红外全光栅透射光谱分析仪瑞士Foss公司；HN-40S恒温箱、统帅BCD-182LTMPA双开门冰箱 北京雅士林试验设备有限公司；8011S组织捣碎机 美国Waring Commercial公司；OPUS 6.0光谱处理软件 德国布鲁克光谱仪器公司。
1.3 方法
1.3.1 TVB-N含量测定
参照GB/T 5009.44—2003《肉与肉制品卫生标准的分析方法》[20]中的半微量定氮法。
1.3.2 TVC测定
参照GB/T 4789.2—2010《食品安全国家标准 食品微生物学检验 菌落总数测定》[21]。
1.3.3 高光谱数据采集
每隔2 h，每次2 个样本，依次从冷藏室将高光谱、理化样品62,61,60,……3,2,1取出，放入20 ℃的恒温箱里（避免实验环境温度和光照变化对实验结果的影响），1、2号样品在恒温箱中的存放时间最短（0 h），61、62号样品在恒温箱中存放了40 h（同时取2 个样品是为了获得更准确的数据，避免样品的单一性）。40 h后，利用GaiaSorter“盖亚”高光谱分选仪采集样品1～62的高光谱数据，同时测定理化样品1～62的TVB-N含量和TVC。
样品进行图像采集前，为了保证图像的清晰程度，预先对相机的曝光时间进行设定。为了克服光强分布不均和暗电流的影响，对采集到的样本高光谱图像（Ds）进行黑白校正，校正后的相对样品高光谱图像反射率R[22-23]按照公式（1）计算。
式中：Dw为白板标定图像；Dd为全黑标定图像。高光谱图像数据分析采用ENVI软件平台，图像数据中的每个像素点均有1 条对应的光谱曲线。
1.3.4 NIR数据采集
将用于NIR分析的鸡胸肉样品编号1～30，放置在20 ℃恒温室中，20 min后将1～10号样品绞碎成肉糜状，利用FoodScan近红外全光栅透射光谱分析仪采集NIR曲线，每个样品扫描3 次，取平均光谱，以避免操作误差。24、48 h后用同样方法分别采集11～20号、21～30号样品的NIR曲线。
1.3.5 基于偏最小二乘法（partial least square，PLS）的高光谱预测模型建立
基于PLS的高光谱预测模型建模流程如图1所示。
图1 基于PLS的高光谱预测模型建模流程图
Fig.1 Flow chart for PLS modeling based on hyperspectral images
基于PLS建立高光谱预测模型[24-28]的步骤如下：
1）按照公式（2）分解高光谱矩阵X和TVB-N含量、TVC矩阵Y。
式中：T为高光谱矩阵X的得分矩阵；P为高光谱矩阵X的载荷矩阵；E1为高光谱矩阵X的PLS拟合残差矩阵；U为TVB-N含量、TVC矩阵Y的得分矩阵；Q为矩阵Y的载荷矩阵；E2为矩阵Y的PLS拟合残差矩阵。
2）按照公式（3）对得分矩阵T和U进行线性回归。
式中：B=（TTT）－1TTY
3）根据未知光谱矩阵Xi和载荷矩阵P，计算未知光谱矩阵Xi的得分矩阵Ti，然后根据公式（4）计算未知光谱矩阵Xi的TVB-N含量、TVC矩阵Yi。
1.3.6 交叉验证的PLS NIR模型建立
交叉验证的PLS NIR模型建模方法步骤如下：
1）从所有样品中随机剔除1 个鸡肉样品i；
2）对剩余的样品采用1.3.5节的方法建立PLS模型；
3）用样品i测试模型，按照公式（5）计算主成分因子数为h的预测残差平方和（prediction of residual sum of squares，PRESS）。
式中：yi为样品i待测成分的实测值；i为样品i待测成分的预测值。
4）重复步骤（1）～（3），将样品中的每个样品剔除1 次，比较每次的PRESS值，根据PRESS最小值原则获取预测模型的最佳主因子数。
2.1 高光谱数据预处理与模型预测结果
根据高光谱图像信息，选取具有代表性的样本区域作为感兴趣区域（region of interest，ROI），将该区域的平均光谱曲线作为该样本的光谱曲线，如图2所示。
图2 样本的ROI平均光谱曲线
Fig.2 Average spectrum from the ROI of hyperspectral images
利用主成分分析（principal component analysis，PCA）法[29-31]选取所有样品的最优光谱波段。PCA是一种可以去除波段间多余信息、沿着协方差最大的方向由高维数据压缩到更有效的少数几个转换波段的方法。通过PCA，将数据按方差贡献率大小排列，选取累计方差贡献率大于85%～95%的主成分，代表原始变量所能提供的绝大部分信息，每个主成分图像均由原始数据中各波长图像经线性组合而成，通过比较线性组合权重系数（α），优选出最优波长（λ）及波段。
主成分1（PC1）是优选后的主成分图像，由256 个波长下的图像按照公式（6）经线性组合而成。
通过比较256 个波长下对应的权重系数，根据权重系数从大到小的顺序依次选取权重系数为181、136、110、79、39、21对应的波长，分别为1 477.64、1 326.95、1 240.03、1 136.53、1 003.2、943.28 nm，所在的光谱范围在1 000～1 500 nm波段。同时，主观观察发现，所有样本在低频波段出现了比较大的噪声，而在高频波段附近趋于重合，可区分度较差。故本研究选取1 000～1 500 nm波长范围作为光谱分析区域，用于鸡肉光谱模型的预测。
根据PLS建模方法和通过PCA选取的特征波段，从62 个样品中随机选取42 个样品作为校正集、20 个作为验证集，利用PLS分别建立TVB-N含量和TVC的预测模型，将42 个校正集样品的特征光谱作为PLS模型的输入，建立校正集TVB-N含量和TVC模型。
图3 鸡肉样品校正集TVB-N含量和TVC的真实值与预测值的相关性
Fig.3 Correlation between actual and predictive values of TVB-N content and TVC in calibration set samples
由图3可知，TVB-N含量和TVC的真实值与预测值的相关系数（R2）分别为0.965和0.919，均方根误差（root mean square error of cross validation，RMSECV）分别为0.121和0.215。与文献[32]中的方法相比，本研究中TVB-N含量的预测精度稍高。
将20 个验证集的测定结果输入创建的TVB-N含量及TVC定量预测模型中，将模型输出结果与通过国家标准测量方法得到的真实值进行比较，结果如图4所示，预测误差分别为1.84%和2.68%。
图4 鸡肉样品验证集TVB-N含量和TVC的真实值与预测值对比图
Fig.4 Comparison between actual and predictive values of TVB-N content and TVC in validation set samples
2.2 NIR数据预处理与建模结果
NIR的波长范围为780～2 500 nm，由于原始光谱在2 000～2 400 nm波长范围内有很大的噪声，几乎无有效信息，而400～780 nm波长超越近红外范围，故采用交互式选择范围，选取780～2 000 nm波长范围内的光谱进行预处理。本研究对原始光谱使用微分预处理、矢量归一化、多元散射校正（multivariate scattering correction，MSC）或几种方法相结合进行预处理。微分预处理可以有效分辨重叠峰，其主要功能是将明显但较小的特征峰辨识出来，消除背景干扰，提高分辨率，但同时会引入一定的噪声。矢量归一化主要是消除由微小光程或样品厚度引起的光谱变化。MSC可以有效消除由样品颗粒参差不齐和分布不均所产生的散射影响，同时也对近红外扫描样品的光程长短误差进行修正。通过综合比较，MSC的预处理效果较好。鸡肉样品MSC预处理前后的光谱曲线图如图5所示。
图5 鸡肉样品MSC预处理前后的NIR光谱曲线
Fig.5 NIR spectra before and after MSC preprocessing
将预处理后的NIR作为PLS交叉验证模型的输入，利用光谱优化方法分别得到鸡胸肉样品TVB-N含量与TVC的定量分析模型。由图6可知，交叉验证集样本的TVB-N含量与TVC的真实值和预测值的R2分别为0.801和0.780，RMSECV分别为0.232和0.312。邢素霞等[33]建立了鸡肉主成分（脂肪和蛋白质）含量的预测模型，其中蛋白质含量模型的R2分别为0.978和0.963，RMSECV分别为0.197和0.201；脂肪含量模型的R2分别为0.946和0.952，RMSECV分别为0.318和0.149，该研究中模型对鸡肉中微量参数的预测精度偏低。
图6 NIR测定鸡肉样品TVB-N含量和TVC的真实值与预测值的相关性
Fig.6 Correlation between actual and NIR predicted values of TVB-N content and TVC in chicken samples
根据高光谱成像技术和NIR技术，选择不同的光谱预处理和特征波长选择方法，利用PLS分别建立鸡肉样品TVB-N含量与TVC的定量分析模型。结果表明，高光谱预测模型的R2分别为0.965和0.919，RMSECV分别为0.121和0.215；NIR预测模型的R2分别为0.801和0.780，RMSECV分别为0.232和0.312。由此可见，2 种技术均可以实现鸡肉新鲜度指标的检测，其中利用高光谱技术和有效的光谱特征提取手段建立的预测模型更加精确，而通过NIR建立的预测模型精度稍低，主要原因可能是：
1）NIR数据采集使用的是鸡胸肉肉糜，平铺在样品盘中，操作差异会导致样品平铺的厚度或表面平整度不同，由此导致采样结果不同，虽然同一个样品会多次采样（3～5 次），但仍会出现光谱变化的情况；高光谱成像技术采样时选取的是整块鸡胸肉，通过ROI提取平均光谱，通常ROI的光谱曲线达上千条，该区域的平均光谱曲线更加符合实际样品的新鲜程度。
2）从建模时的光谱范围来看，高光谱采集数据的波段为920～2 500 nm，通过PCA，选择建模波段为1 000～1 500 nm；NIR采集光谱的波段为780～2 500 nm，建模采用的波段为780～2 000 nm，波谱范围较宽，但从建模结果来看，建模精度并没有因波段范围增加而升高，因此TVB-N含量和TVC的光谱响应只与特定的波段有关，只有通过特征提取的方法，找到特征响应波长，模型的预测精度才能得到进一步提高。
综上所述，高光谱成像技术在鸡肉无损检测中的性能明显优于NIR，TVB-N含量和TVC的模型预测精度与特征波长的选取密切相关。
参考文献：
[1] RADY A M, GUYER D E. Rapid and/or nondestructive quality evaluation methods for potatoes： a review[J]. Computers and Electronics in Agriculture, 2015, 117： 31-48. DOI：10.1016/j.compag.2015.07.002.
[2] SHAHBAZI Y, AHMADI F, KARAMI N. Screening, determination and confirmation of tetracycline residues in chicken tissues using four-plate test, ELISA and HPLC-UV methods： comparison between correlation results[J]. Food and Agricultural Immunology, 2015, 26(6)：821-834. DOI：10.1080/09540105.2015.1036357.
[3] KAMMIES T L, MANLEY M, GOUWS P A, et al. Differentiation of foodborne bacteria using NIR hyperspectral imaging and multivariate data analysis[J]. Applied Microbiology and Biotechnology, 2016,100(21)： 1-16. DOI：10.1007/s00253-016-7801-4.
[4] 张海云, 彭彦昆, 王伟, 等. 基于光谱技术和支持向量机的生鲜猪肉水分含量快速无损检测[J]. 光谱学与光谱分析, 2012, 32(10)： 2794-2798.DOI：10.3964/j.issn.1000-0593(2012)10-2794-05.
[5] 马世榜, 汤修映, 徐杨, 等. 可见近红外光谱结合遗传算法无损检测牛肉值[J]. 农业工程学报, 2012, 28(1)： 263-269. DOI：10.3969/j.issn.1002-6819.2012.18.037.
[6] 郭培源. 一种基于近红外光谱及显微脂肪细胞数据融合的猪肉新鲜度无损检测技术, 中国, ZL201010259900.X[P]. 2013-3-12.
[7] 周令国, 肖琳, 祝义伟, 等. 近红外光谱技术快速检测腊肉酸价和过氧化值[J]. 肉类研究, 2012, 26(3)： 30-33.
[8] 陶琳丽, 杨秀娟. 畜禽肉化学成分近红外光谱检测技术研究进展[J].光谱学与光谱分析, 2013, 33(11)： 3002-3009. DOI：10.3964/j.is sn.1000-0593(2013)11-3002-08.
[9] LI Huanhuan, CHEN Quansheng, ZHAO Jiewen, et al. Non-destructive detection of total volatile basic nitrogen (TVB-N) content in pork meat by integrating hyperspectral imaging and colorimetric sensor combined with a nonlinear data fusion[J]. LWT-Food Science and Technology,2015, 63： 268-274. DOI：10.1016/j.lwt.2015.03.052.
[10] ELMASRY G M, NAKAUCHI S. Image analysis operations applied to hyperspectral images for non-invasive sensing of food quality： a comprehensive review[J]. Biosystems Engineering, 2016, 142： 53-82.DOI：10.1016/j.biosystemseng.2015.11.009.
[11] 王爽, 黄敏, 朱启兵. 基于无信息变量和偏最小二乘投影分析的高光谱散射图像最优波段选择[J]. 光子学报, 2011, 40(8)： 428-432.DOI：10.3788/gzxb20114003.0428.
[12] 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.DOI：10.11975/j.issn.1002-6819.2015.16.034.
[13] TAO F F, PENG Y K, LI Y Y. Feature extraction method of hyperspectral scattering images for prediction of total viable count in pork meat[J]. International Journal of Agricultural and Biological Engineering, 2015, 8(4)： 95-105. DOI：10.3965/j.ijabe.20150804.1559.
[14] XIONG Zhenjie, SUN Dawen, XIE Anguo, et al. Potential of hyperspectral imaging for rapid prediction of hydroxyproline content in chicken meat[J]. Food Chemistry, 2015, 175： 417-422.DOI：10.1016/j.foodchem.2014.11.161.
[15] WU Di, SUN Dawen. Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment： a review-Part I： fundamentals[J]. Innovative Food Science and Emerging Technologies, 2013(19)： 1-14. DOI：10.1016/j.ifset.2013.04.014.
[16] WU Di, SUN Dawen. Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment： a review-Part II： applications[J]. Innovative Food Science and Emerging Technologies, 2013, 19： 15-28. DOI：10.1016/j.ifset.2013.04.016.
[17] 吴静珠, 刘倩, 陈岩, 等. 基于近红外与高光谱技术的小麦种子多指标检测方法[J]. 传感器与微系统, 2016, 35(7)： 42-44. DOI：10.13873/J.1000-9787(2016)07-0042-03.
[18] 汤旭翔, 刘伟, 韩圆圆, 等. 基于电子鼻和非线性数据特征分析的鸡肉鲜度检测方法[J]. 传感技术学报, 2014, 27(10)： 1443-1446.
[19] TAO F F, PENG Y K, GOMES C 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.
[20] 上海市食品卫生监督检验所. GB 5009.44—2003 肉与肉制品卫生标准的分析方法[S]. 北京： 中国标准出版社, 2003.
[21] 中华人民共和国卫生部. GB/T 4789.2—2010 食品安全国家标准 食品微生物学检验 菌落总数测定[S]. 北京： 中国标准出版社, 2010.
[22] 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.DOI：10.3964/j.issn.1000-0593(2010)02-0411-05.
[23] 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. DOI：10.3969/j.issn.1000-9973.2016.02.015.
[24] 励建荣, 王丽, 张晓敏, 等. 近红外光谱结合偏最小二乘法快速检测大黄鱼新鲜度[J]. 中国食品学报, 2013, 13(6)： 209-214.DOI：10.16429/j.1009-7848.2013.06.015.
[25] 黄晓玮, 王开亮. 近红外光谱结合不同偏最小二乘法无损检测食醋中总酸含量[J]. 中国调味品, 2011(1)： 107-110. DOI：10.3969/j.issn.1000-9973.2011.01.031.
[26] 葛亮, 王斌, 张立明. 基于偏最小二乘法的高光谱图像波段选择[J].计算机辅助设计与图形学报, 2011, 23(11)： 1845-1852.
[27] 李朋成, 朱军桃, 马云栋, 等. 基于偏最小二乘法的近红外光谱分析应用[J].测绘地理信息, 2015, 40(2)： 53-56. DOI：10.14188/j.2095-6045.2015.02.015.
[28] 冼瑞仪, 黄富荣, 黎远鹏. 可见和近红外透射光谱结合区间偏最小二乘法用于橄榄油中掺杂煎炸老油的定量分析[J]. 光谱学与光谱分析, 2016, 36(8)： 2462-2467. DOI：10.3964/j.s sn.1000-0593(2016)08-2462-06.
[29] 李建林. 一种基于PCA的组合特征提取文本分类方法[J]. 计算机应用研究, 2013, 30(8)： 2398-2401. DOI：10.3969/j.issn.1001-3695.2013.08.039.
[30] 陈善学, 胡灿, 屈龙瑶. 基于自适应波段聚类的高光谱图像压缩[J]. 科学技术与工程, 2015, 15(12)： 86-91. DOI：10.3969/j.issn.1671-1815.2015.12.014.
[31] CHEN Yang. Reference-related component analysis： a new method inheriting the advantages of PLS and PCA for separating interesting information and reducing data dimension[J]. Chemometrics and Intelligent Laboratory Systems, 2016, 156(15)： 196-202. DOI：10.1016/j.chemolab.2016.06.004.
[32] 赵杰文, 惠喆, 黄林, 等. 高光谱成像技术检测鸡肉中挥发性盐基氮含量[J]. 激光与光电子学进展, 2013, 50(7)： 1-3. DOI：10.3788/LOP50.073003.
[33] 邢素霞, 郭培源, 向灵孜, 等. 基于近红外光谱的散养土鸡与笼养肉鸡的营养成分预测[J]. 食品安全质量检测学报, 2015, 6(8)：2995-3002.
Comparative Application of Hyperspectral Imaging and Near Infrared Spectroscopy in Nondestructive Detection of Chicken Quality
XING Suxia, WANG Rui, GUO Peiyuan, LIU Yanfang, WANG Jiuqing, XU Pan
(Beijing Key Laboratory of Big Data Technology for Food Safety, College of Computer and Information Engineering,Beijing Technology and Business University, Beijing 100048, China)
Abstract:Hyperspectral imaging and near infrared spectroscopy (NIR) are two important techniques in modern food detection. This study intended to study the prediction accuracy of the two techniques for non-destructive chicken quality detection. Totally 62 chicken breast samples with different freshness were selected for hyperspectral imaging. Spectral data were extracted from the region of interest (ROI). Total volatile base nitrogen (TVB-N) content and total viable count(TVC) were measured. The optimal combination of spectral pretreatment and band was searched by OPUS software(version 6.0). A predictive model to quantify TVB-N and TVC was established by means of partial least squares (PLS)regression, respectively. Moreover, another 30 samples with different freshness were used to develop a PLS model for predicting TVB-N content and TVC by NIR spectroscopy, respectively. The performance of each model was evaluated using cross-validation. The results showed that the correlation coefficients (R2) of the TVB-N content and TVC prediction models developed from the ROI average spectra from hyperspectral images were 0.965 and 0.919 with a root mean square error of cross validation (RMSECV) of 0.121 and 0.215, respectively, while those of the prediction models established from NIR spectra were 0.801 and 0.780 with a RMSECV of 0.232 and 0.312, respectively. It can be concluded that the model based on ROI spectra from hyperspectral images has higher prediction accuracy for chicken quality compared with the NIR model.
Key words:chicken freshness; hyperspectral imaging; partial least squares (PLS); near infrared spectroscopy (NIR)
DOI：10.7506/rlyj1001-8123-201712006
中图分类号：TS251.1
文献标志码：A
文章编号：1001-8123（2017）12-0030-06
收稿日期：2017-08-10
基金项目：国家自然科学基金面上项目（61473009）；北京市自然科学基金青年科学基金项目（4122020）；北京工商大学两科培育基金项目（19008001270）
作者简介：邢素霞（1975—），女，副教授，博士，研究方向为高光谱成像与食品安全检测。E-mail：xingsuxia@163.com
引文格式：
邢素霞, 王睿, 郭培源, 等. 高光谱成像及近红外技术在鸡肉品质无损检测中的应用[J]. 肉类研究, 2017, 31(12)： 30-35.
DOI：10.7506/rlyj1001-8123-201712006. http：//www.rlyj.pub
XING Suxia, WANG Rui, GUO Peiyuan, et al. Comparative application of hyperspectral imaging and near infrared spectroscopy in nondestructive detection of chicken quality[J]. Meat Research, 2017, 31(12)： 30-35. DOI：10.7506/rlyj1001-8123-201712006. http：//www.rlyj.pub