肉制品是人们膳食平衡的重要组成部分,深受广大消费者的喜爱。但肉制品的新鲜状况、在贮藏流通过程中的腐败劣变程度直接影响到消费者的身心健康和购买欲望,这就对肉类行业的检测与评价方法提出了更高要求。当前,肉制品新鲜度检测主要通过感官认知评价、化学实验、微生物培养等一些常规方法来实现,但这些方法会出现主观判断性强、复杂的样品预处理、所需实验材料过多、样品检测周期过长等问题,显然已跟不上现代化肉类行业中快速发展的步伐。因此迫切的需要研发一种快速、稳定、精确的适宜性方法用于肉制品新鲜状况的检测。现阶段,高光谱成像技术以其多波段、高分辨率、图谱合一的特性,且同时兼顾样本内部组分与外部属性的优势现已成为肉制品品质与安全状况检测的科学有效手段。本论文以不同冷藏时间的熟牛肉样本为研究对象,应用高光谱成像技术对其新鲜度进行快速检测和准确评价,构建了熟牛肉中挥发性盐基氮(TVB-N)含量、菌落总数(TVC)、生物胺总量(TBA)、水分含量及其冷藏时间的定量分析模型,同时建立了其新鲜度等级判别的定性分析方法。提前预知熟牛肉的新鲜度与品质安全状况,对实现科学地指导肉类加工和生产,满足消费者对肉类品质日益增长的需求具有重要的理论和现实意义。主要研究内容和结果如下:全波段光谱熟牛肉新鲜度建模分析。对熟牛肉中TVB-N含量、TVC值、TBA总量、及水分含量实测数据与同步获取的熟牛肉样本全波段原始光谱数据进行了统计分析,结果均满足建模需求。进一步比较了偏最小二乘回归(PLSR)、BP神经网络(BP-ANN)、最小二乘支持向量机(LS-SVM)、极限学习机(ELM)四种定量分析方法与不同预处理方法多元散射校正(MSC)、小波变换(WT)、标准正态变量变换(SNV)、二阶导数(2ND)结合建立的全波段光谱模型对各个新鲜度指标的预测性能。结果表明,MSC-ELM模型最为适宜预测TVB-N含量,WT-PLSR模型最为适宜预测TVC值,RAW-ELM模型最为适宜预测TBA总量,而SNV-BP-ANN模型和SNV-PLSR模型最为适宜预测水分含量与冷藏时间。特征波段光谱熟牛肉新鲜度建模分析。在光谱预处理基础上,进一步利用变量组合集群分析(VCPA)、随机蛙跳(RF)、克隆选择(CSA)、稀疏表示(SR)四种特征波长选择算法优选出与新鲜度指标各自最为相关的特征波长变量,构建了简化后的预测模型,并探讨了模型性能提升的可行性。分析可知,简化后的MSC-VCPA-ELM、WT-RF-PLSR、RAW-SR-ELM、SNV-CSA-BP-ANN模型分别为TVB-N含量、TVC值、TBA总量、及水分含量和冷藏时间的最优预测模型。与全波段建模相比,简化后模型测试集决定系数()分别提高了1.9%、1.9%、3.7%、0.5%、4.2%;均方根误差(RMSE)分别降低了9.4%、36.6%、17.3%、5.9%、17.3%。在保证预测精度的同时,大幅度减少了计算量。由此可知,优选出的特征波段能够代替全光谱变量表征熟牛肉的新鲜状况。图像特征信息熟牛肉新鲜度建模分析。针对新鲜度指标各自优选出的特征波段筛选出相应的特征图像,进一步采用Tamura算法,离散小波变换(DWT)奇异值分解算法,以及离散余弦变换(DCT)系数分解算法,提取出样本的纹理特征变量,分别建立了基于纹理特征信息的新鲜度指标预测模型。分析可知,DCT-ELM为TVB-N含量的最优预测模型(=0.742,RMSEP=3.592);Tamura-PLSR为TVC值的最优模型(=0.802,RMSEP=3.264);DWT-ELM为TBA总量的最优模型(=0.805;RMSEP=3.128);水分含量的最优模型为Tamura-BP-ANN(=0.805;RMSEP=2.988);其冷藏时间的最优模型为DWT-BP-ANN(=0.883;RMSEP=2.168)。但模型的预测能力不及相应新鲜度指标光谱特征波长建立的简化模型。由此可知,单一利用图像纹理特征信息建立的预测模型不适合作为熟牛肉中新鲜度指标检测方法。基于RGB和HSV两个颜色空间提取出样本图像的颜色特征变量,建立了颜色特征信息的熟牛肉中新鲜度指标各自的预测模型。分析可知,除水分含量外,其它模型性能均优于基于纹理特征信息建模,但仍不及光谱特征波长建立的简化模型。此外,利用纹理或颜色特征建立的熟牛肉冷藏时间预测模型与基于光谱特征建模的预测能力基本相当。特征信息融合熟牛肉新鲜度建模分析。将新鲜度指标各自优先出的特征光谱信息、图像纹理和颜色信息进行标准化融合,沿用PLSR、ELM、BP-ANN、LS-SVM方法分别建立了不同融合信息的熟牛肉中新鲜度指标预测模型。分析表明:光谱与颜色特征融合后建立的ELM模型为预测TVB-N含量的最优模型(=0.958,RMSEP=1.027);将光谱与纹理信息融合后与PLSR结合建立的模型为预测TVC值的最佳模型(=0.955,RMSEP=1.104);光谱与颜色特征信息融合后与TBA总量最为相关,建立的ELM模型性能最优(=0.961,RMSEP=1.011);此外,光谱与纹理信息融合建立的BP-ANN模型为水分含量的最优预测模型,测试集为0.911,RMSEP为2.079;而基于三种特征信息融合后建立的BP-ANN模型为预测熟牛肉冷藏时间的最佳模型(为0.942,RMSEP为0.927)。特征信息融合后建立的模型的性能均优于单一利用光谱、图像纹理或颜色特征信息建立的模型。由此可知,特征信息融合能够有效的提升模型的预测精度与稳定性。进一步将预测值反演到熟牛肉样本图像上生成了TVB-N含量、TVC值、TAB总量、水分含量、以及其冷藏时间的可视化分布图。以更直观清晰的方式了解熟牛肉在冷藏过程中劣变的空间分布和动态变化以及架货期的真实性。熟牛肉新鲜度等级判别分析。利用菌落总数实测值将熟牛肉样本新鲜度等级划分成三类,沿用VCPA、RF、CSA和SR四种特征波长选择算法,优选出特征波长变量,并结合簇类独立软模式(SIMCA)和模糊神经网络(FNN)两种方法分别建立了熟牛肉新鲜度分类模型。通过比较可知,RF算法优选出的6个特征波长645nm、746nm、812nm、851nm、926nm和965nm,并与FNN方法结合建立的RF-FNN模型表现出较强的稳定性和分类能力,校正集与预测集分类精度(CCR)分别达到95.71%和97.14%,准确率(Sensitivity)和否定率(Specificity)的结果均在0.90～1范围内。针对腐败变质牛肉的特征图像,利用主成分分析(PCA)结合阈值化分割的方式识别出腐败肉样本中自成一体的面污染区域以及分散的点污染区域。结果表明,RF-FNN模型能够准确的判别出熟牛肉的新鲜度等级,PCA与阈值化分割技术结合能够有效识别出腐败肉的污染区域,分类与识别都达到了满意的结果。