猪肉含有丰富的营养成分，是人类生活中必不可少的食物来源。近年来，我国猪肉产量不断提高，人们对猪肉产品的需求量加大，同时对其质量也提出更高的要求。然而由于肉制品中的脂肪、蛋白质含量丰富，水分活度高，在加工、贮存、销售过程中，很容易被微生物污染及受环境因素的影响，致使产品腐败变质，从而失去其食用价值。生鲜猪肉在流通、储存过程中易受内源酶、外界环境、微生物等的作用而发生腐败变质。生鲜猪肉中的蛋白质在酶和细菌的作用下，发生分解而产生氨和胺等碱性含氮物，并与组织内的酸性物质结合，形成盐基态氮。鲜猪肉中TVB-N含量随着放置时间的延长，呈现出缓慢增高，平稳增高和大幅度增高变化三个过程。

　　光谱成像技术是一个新兴的平台技术。它是光谱分析技术与图像分析技术相结合的产物，具有空间分辨能力和光谱分辨能力，可以同时获得对象的空间和光谱信息。光谱成像技术在食品、农产品检测中的应用较广泛，Peng和Lu等人研究利用光谱散射特性预测牛肉的pH值、嫩度和颜色。多光谱成像技术在便携、小型、批量生产场合更具有优越性。

　　本文研究的目标是探究利用多光谱成像技术结合数学建模方法预测生鲜猪肉货架期的可行性。

　　1材料和方法1.1多光谱成像系统收稿H期：修订曰期：项9金：公益性行业（农业）科研专项经费资助（项目编号：201003008）。

　　作简介：李翠玲（1985），女（汉），新，硕士，主要从事生鲜肉的品质安全快速检测关键技术的研发。北京市海淀区华东路17号，100083.Email：通讯作者：彭彦昆（1960），男（汉），山东，教授，牛要从事农畜产品品质安全尤损检测的研究。北京市海淀区清华东路丨7号，丨00083.丨1：川6881.6（。（。

　　多光谱成像系统所使用的多光谱成像系统如所示。主要由光源单元、图像采集单元和数据处理单元组成。光源单元包括稳压电源、溴钨灯光源（HL2000，USA）、光纤；图像采集单元包括高性能可见/近红外CCD相机（UM301，USA）、采集卡（CronosPlus，Canada）、滤光片，通过查阅相关的，共选择7片窄带滤光片，中心波长分别为551、560、580、600、625、760、810rnn9，半高带宽1015nm；数据处理单元的主要功能是接收并保存多光谱图像数据、提取有效信息、建立预测模型。暗箱用于隔离外界光线和噪声的干扰。转动支架旋钮可调节载物台的高度。肉样放置在载物台上，当光照射在肉样表面时，肉样的漫反射光经滤光片，通过CCD相机形成多光谱图像，经图像采集卡生成8位图像数据文件。

　　2011年7月从超市购置宰后24小时出自同一头猪的新鲜猪里脊肉，将肉样分割成约2cm厚的肉块，选择其中的21块作为有效样品，用保鲜膜包装好后放入冷藏箱运回图像上像素的灰度值）表示该样品图像采集区域的反射光强。

　　2.2挥发性盐基氮的测定参照国标GB/T5009.44-2003，对标准方法进行适当的改进，采用KDY-9820型半自动定氮仪法替代半微量定氮法测定猪肉中的挥发性盐基氮。测得的21个猪肉样品的TVB-N参照值如表1所示。

　　序号2.3多光谱散射图像特征提取研究中使用MATLAB7.11.0（R2010b）对数据进行处理。

　　求得图像上以光束的入射点为圆心，以一个像素尺寸（8.6nmx8.3）为带宽的圆环（近似）上所有像素灰度值的平均值，圆环半径从小到大递增一个像素，以平均值作为对应圆环上像素的灰度值，以减小误差。以圆环半径为横坐标，以圆环像素灰度值为纵坐标，可做出各个波长处图像的散射曲线。

　　21个样品在760mn波段处图像的散射曲线如所示。

　　使用非线性回归方法，用含有四个参数的洛伦兹函数拟合各个波长处得散射曲线。含有四个参数的洛伦兹函数表示如下：其中：R为散射曲线上任意一点的反射光强（灰度值）：z为该点距离光束入射点的散射距离（圆环半径）；a为散射曲线的渐进值；b为散射曲线的峰值：c为散射曲线的半波带宽；d为散射曲线拐点处的斜率。

　　对每个波长处的散射曲线做LD函数拟合，这样每个波长处的散射图像就可以用LD函数的4个参数来描述，进一步对参数进行分析可预测生鲜猪肉的TVB-N.a所示图像的散射曲线的拟合图如。4挥发性盐基氮预测模型的建立偏最小二乘回归（PLSR）方法因其在提取主成分时考虑到与待分析组分的相关性，所建线性模型通常具有较高的预测精度，因此本文采用PLSR方法建立生鲜猪肉TVB-N的预测模型。将样品分为两组，样品序号为3的倍数的7个样品为预测集，其余14个样品为校正集。每一个样品的TVB-N参照值对应于其散射图像的LD函数的4个参数。校正集14个样品的TVB-N参照值与392（14x7x4）个参数值做偏最小二乘回归。模型预测相关系数达到0.87，预测标准误差为2.50mg/100g，为采用PLSR方法建模的预测效果图。

　　2.5货架期预测模型的建立观察中参照值的变化，可以发现在本研究中TVB-N随着时间的变化呈对数增长，处于快速增高变化阶段，因此本文采用对数函数拟合TVB-N的变化曲线，在此基础上建立生鲜猪肉的货架期预测模型。

　　率参数；t为时间（d）。对（2）式进行移项、取对数等变形处理可得下式：式（3）是在式（2）的基础上推导出来的，可以计算生鲜猪肉的货架期。

　　TVB-N的变化规律呈对数特性，拟合的相关系数为0.93，标准误差为1.76mg/100g.拟合的效果图如所示。拟合得三个参数A=29.1076，B=19.8618，k=0.1824.将这三个参数代入（3）式，可建立生鲜猪肉货架期（Shelflife，SL，d）的预测模型：TVB-N随时间变化规律将由挥发性盐基氮预测模型预测的21个TVB-N值带入（4）式，可获得相应肉样的货架期数值，为生鲜猪肉货架期的预测效果图，可以看出预测的整体趋势是正确的，但预测精度欠佳。

　　3.结论生鲜猪肉的货架期是衡量其商品价值的重要依据之一，因此，能够的得出一种对生鲜猪肉货架期快速、无损伤、可靠的检测方法就显得十分重要。传统的化学实验室分析等方法虽然具有准确度高、可靠等优点，但其分析过程繁琐、耗时、对试样具有破坏性，逐渐不能满足快速发展的生产和经济要求。光谱图像技术结合了光谱和图像分析技术，具有快速、非破坏等特点，其中多光谱成像技术在便携、小型、批量生产场合更具有优越性。本文在多光谱成像技术的基础上，针对小样本非线性问题，探索针对生鲜猪肉货架期可行有效的检测方法。研究结果表明利用多光谱成像技术结合相应的数学建模方法预测生鲜猪肉货架期具有可行性。

　　在研究的过程中发现了一些问题和不足，有待改进：（1）所选用的样品偏少，应增加样本的广泛性，以建立应适当增加样品数量；（2）由于在采集多光谱图像时是手动更换滤光片，并且样品厚度不均，因此很难保证每次样品上表面到滤光片的距离相等，所使用的多光谱成像系统有待改进；（3）误差的传递，从挥发性盐基氮预测模型到货架期预测模型存在着误差的传递，应尽量减小误差，提高精度：（4）评定指标单一，可以从影响货架期的因素出发，选择一些其他适宜的指标，并根据它们对货架期的影响程度，为其分配权重。