基于高光谱成像技术定量检测牛肉鲜度1. 引言牛肉作为高价值肉类，富含蛋白质、维生素、氨基酸及人体所需的其他营养素。牛肉营养丰富，味道鲜美，肉质细腻，享有“肉之骄傲”的美誉。随着经济增长，人口收入水平持续上升。对健康饮食的需求不断增加，牛肉作为高价值肉类越来越受到人们的青睐（刘等，2025）。由于牛肉需求的增加，全球养殖规模也在扩大，牛肉产量也在增加，2023年全球牛肉产量可达5920吨。然而，牛肉易因微生物、生物酶及生肉储存、运输和销售过程中的化学反应而变质，导致牛肉质量下降（Tian 等，2022）。牛肉质量主要由营养成分、保水能力、新鲜度和嫩度来决定。在上述特征中，鲜度是影响牛肉价格和消费者选择的重要因素之一。因此，有必要检测牛肉的新鲜度，并据此对牛肉进行不同的新鲜度处理。对于亚鲜牛肉，应以优惠价格出售。对于非新鲜牛肉，必须立即选择，以避免污染其他新鲜牛肉，从而最大限度地降低食品安全风险（Yeboah等，2023）。通过这种方式，肉类企业的经济损失可以减少，同时向消费者和市场监管机构提供基本的新鲜度信息。目前，传统的肉类新鲜检测方法包括感官评估、物理化学指数检测和微生物菌落检测等（Zhang 等，2023）。然而，感官评估受个体主观意志和个人体验的影响，难以形成标准的定量系统。物理化学指标和微生物菌落检测非常准确，但作繁琐，检测周期较长，且需要专业技术人员来完成检测。传统的检测技术无法满足肉类企业和监管机构对牛肉新鲜度检测的需求。因此，有必要开发一种非接触式、快速、无损且准确的牛肉鲜度检测方法。随着科学技术的发展，许多无损检测技术被用于新鲜肉类质量检测。例如，Chen等人（2019）利用电子嗅觉检测技术有效确定猪肉、牛肉和羊肉的鲜度。Chen 等人（2022）利用机器视觉预测猪肉的质量，如肉色、油花纹和pH值。电子鼻技术容易受到环境干扰，导致判断失误。此外，机器视觉技术常用于评估肉类的外部属性，但无法评估内部质量属性。近年来，光谱检测技术被广泛应用于肉类加工行业的质量检测。光谱技术可以扫描样品中化学成分的完备信息。光谱检测技术可以快速、简单且准确地检测肉类特征（Wu 等，2022）。具体来说，肉类检测的常见应用包括预测新鲜度、脂肪、水分和蛋白质等质量指标。Ortiz等（2020）利用近红外光谱预测猪肉的脂质含量以及饱和脂肪酸和多元不饱和脂肪酸。 Qiao 等（2020）为提升模型对不同鸭肉品种中TVB-N含量的适用性，基于不同原则对现有近红外光谱模型进行了修正和维护，如模型校正（MU）、直接标准化（DS）和斜率/偏置校正（SBC）。结果表明，近红外技术可以很好地预测肉类的某些质量特征。然而，近红外光谱检测技术通常可用于检测肉质的较小范围。高光谱成像技术作为光谱学和成像的延伸，将这两种技术整合到一个系统中。它提供采集样品的一维光谱和二维地理空间信息。近年来，全球的研究人员将该技术应用于不同类型的肉类（如牛肉、猪肉和鸡肉），包括预测成分、物理化学性质、微生物腐败和感官特性，以及根据等级或状况对肉类进行分类。Park等人（2023）通过高光谱成像有效预测了牛肉腐败程度，展示了对硫代巴比妥酸反应物质（TBARS）的高敏感性。邵等（2023）利用高光谱成像结合纹理特征，快速区分新鲜及反复冷冻解冻的小型黄鱼。使用数据融合的支撑向量机（SVM）模型的分类准确率最高达到96.88%。Zhang 等人（2023）利用高光谱成像技术通过检测包裹包装膜的牛肉中的总挥发性碱性氮（TVB-N）来预测牛肉的新鲜度，CARS-LSSVM 模型显示出最佳结果0.9046。目前，有大量关于高光谱成像技术在肉类新鲜度检测中研究，涵盖总挥发性碱性氮、总细菌计数、硫化氢等。然而，这些传统的物理化学方法难以快速检测肉质新鲜度。Yang等人（2021年）建立了PLSR模型，通过高光谱光谱数据预测新鲜度物理化学指标亮度、L*和pH值，以及相关系数R。PL*和pH预测集分别达到0.85和0.80。研究人员已验证高光谱成像结合色指数和pH值预测肉类新鲜度的可行性。尽管实现了物理化学指标快速检测的目的，但模型建立时仅使用光谱数据，模型准确性和鲁棒性较低。然而，除了光谱数据外，图像纹理信息还可能参与物理化学指标的检测。同时，这些物理化学指标（pH、L*和b*）有助于监测牛肉储存期间的变质过程，并建立牛肉储存期间鲜度的预测模型。以往研究表明，将图像纹理特征与高光谱数据结合，可以提高肉类产品新鲜度预测的准确性。Liu等（2014）结合了高光谱成像技术的光谱和纹理数据，有效预测了腌猪肉的pH值。（Wu 等，2013）应用可见光和近红外高光谱成像预测鲑鱼肉的保水能力分布，CARS与PLSR组合获得了最佳的预测相关系数，同时可视化了鲑鱼肉的保水能力分布。Kamruzzaman 等人（2016）基于高光谱成像确定了最佳特征波长集，基于 RCs-LS-SVM 建立了最佳校准模型，并实现了红肉保水能力分布的实时监测。将光谱数据与从高光谱图像提取的纹理特征整合，可以通过捕捉化学和结构信息来提升预测性能。这些研究展示了结合谱和质地特征以提升肉质质量预测的可行性。本研究引入了先进的预测技术，以进一步提升预测的准确性和鲁棒性，基于以往的研究。PLSR和LSSVM模型基于全谱数据开发，用于预测关键的鲜度指数（pH、L*和b*），这些指标是衡量牛肉质量的关键指标。采用了竞争性自适应加权抽样（CARS）算法，以识别对牛肉鲜度预测最具信息量的波长。这种特征选择方法不仅降低了数据维度，还通过聚焦与牛肉储存过程中物理化学变化密切相关的波长（如失水和肌红蛋白氧化）来提升模型的可解释性。与以往主要使用线性模型或较不全面的特征选择策略的研究不同，我们的方法将CARS选定的谱特征与利用灰阶共现矩阵（GLCM）提取的纹理信息整合，利用中层数据融合捕捉互补的化学和结构信息。此外，建立了随机森林（RF）模型，基于物理化学指标预测牛肉储存天数，有效模拟储存过程中出现的复杂非线性关系。这一综合方法通过结合特征选择、数据融合和非线性建模，解决了早期方法的局限性，提供了实用且准确的无损牛肉鲜度评估解决方案。本研究旨在通过融合高光谱成像技术的光谱信息与图像纹理信息，提高模型检测牛肉新鲜度的准确性。具体研究如下：（1） 部分最小二乘法（PLSR）和最小二乘支持向量机（LSSVM）模型的建立，旨在基于全波长波段定量预测新鲜度的物理化学指数（pH、L*和b*）。（2）图像的纹理信息通过灰阶协方差矩阵（GLCM）提取，纹理特征被选中与谱信息融合，用于数据融合，建立pH、L*和b*指数的定量预测模型。（3）基于纹理特征和特征谱的数据融合方法，pH、L*和b*指数的定量预测模型性能得到了提升。（4）基于pH、L*和b*指数的随机森林（RF）模型被建立，用于定量表征牛肉在储存天数后的新鲜度。2. 材料与方法2.1. 牛肉样品的制作实验中使用的牛肉取自当天屠宰的黄牛中脊肉部分，这些牛从南昌市农民超市购买。将购买的肉品运送到实验室后，在无菌工作台上以约25°C的环境温度进行加工。 肉体中可见的筋膜和结缔组织被用不锈钢刀切除。牛肉被切成140个大小相近的矩形样品（30毫米*30毫米*20毫米），样本分别放入名为“x日/x号”的聚乙烯袋中。为了获得不同鲜度的牛肉样本，140个样本被随机分为14组，每组10个样本。它们被放置在恒温4°C的冰箱中保存1至14天。每24小时采集一组样本进行采样。2.2. 高光谱采集系统本研究使用Gaia分选高光谱系统，通过扫描样品表面创建完整的三维高光谱图像立方体，其组成结构在图1中示意。该系统包括计算机、相机、光谱仪、位移级、步进电机和四盏卤素灯。它们的型号和制造商详情见表1。Fig. 1下载：下载高分辨率图片（94KB）下载：下载全尺寸图片图1。高光谱采集系统。表1。高光谱采集系统的模型和制造商。装备 模型 数量 制造商高光谱暗盒 盖亚分选器 1 中国四川的Dualix仪器有限公司光谱仪 ImSpector V10E 1 芬兰的SpecimCCD摄像机 C8484-05G 1 滨松，日本照明系统（卤素灯） DECOSTAR51 MR16 4 德国欧司拉姆电控移动平台 - 1 中国四川的Dualix仪器有限公司由于图像采集过程容易受到环境光影响，整个系统被安装在密封的金属外壳中，以消除环境光的影响。高光谱系统在拍摄图像前开启并预热30分钟，以防止无关因素干扰实验结果。为了拍摄反射图像，相机的曝光时间设置为6毫秒。排水平台的前进和后退速度分别设定为1.5厘米/秒和3厘米/秒。本研究中收集牛肉高光谱反射图像的过程如下。首先，将牛肉样本放置在可移动平台上。然后，通过平台驱动将样品移至采样位置。最后，图像采集由计算机软件完成。2.3. 高光谱图像采集与光谱提取每天从十个牛肉样本中采集高光谱数据。由于CCD相机中暗电流干扰以及相机传感器在不同波长下可能存在偏置，采集的牛肉样本的原始光谱图像需要以黑白方式校正。首先，调整高光谱参数以符合采样时间，并用镜头盖覆盖镜头，捕捉全黑参考图像。接着，取下镜头盖，拍摄了另一幅PTFE白板图像，并生成了全白参考图像。牛肉样本的原始图像通过使用两张黑白图像校正，修正方程为（1），如下：(1)在方程（1）中，是原始图像数据;是全白参考图像数据;是全黑参考图像数据;是经过校正的样本图像数据。校正后的高光谱图像光谱由ENVI 5.3软件提取。黑白校正后的频谱数据立方体被导入ENVI 5.3软件。在软件中，频谱提取通过选择感兴趣区域（ROI）来实现。本研究中，ROI是样本中心手动选择的80像素×80像素矩形，以确保排除背景和无效区域。对于所选的ROI区域，ENVI软件会逐像素读取每个波长层的反射率数据，生成每个像素的完整光谱分布。为了提高数据稳定性并减少噪声干扰，对ROI内所有像素的频谱数据进行平均，以获得样本的代表性光谱曲线。这种代表性光谱不仅反映了样品的整体光谱特性，还避免了单个像素离群值对数据的影响。提取光谱数据后，ENVI的可视化工具检查光谱曲线的整体趋势，以观察是否有异常波动。完成检查后，提取的光谱数据导出为csv格式文件，包含平均光谱值及相应的波长信息，供后续建模和分析使用。2.4. 频谱数据预处理与分析2.4.1. 频谱预处理由于环境变化以及电子学和样品散射产生的噪声影响，原始光谱信息会受到干扰。因此，为了恢复真实信号特征并提高频谱数据的可靠性和准确性，谱预处理成为建立模型前的必要步骤（Wang 等，2022）。本研究采用两种常见的预处理方法——归一化和S-G平滑（Savitzky Golay-Smoothing，SG-S）来优化原始高光谱数据。它使谱数据更加稳定可靠，并提升后续模型的性能。2.4.2. 特征波长的屏蔽高光谱图像数据的特点包括多重共线性和连续带间的冗余性。因此，屏蔽关键波长对减少冗余至关重要。本研究使用竞争性自适应重加权抽样（CARS）算法筛选了与新鲜度物理化学指数相关的特征波长，以建立模型。CARS通过模拟“自然选择”选择最具信息量的波长，使其在处理分类不平衡时特别有效提升模型性能（Zhou等，2023）。2.4.3. 模型建立与评估本研究分别建模了140个牛肉样本的光谱和图像特征数据。这两种特征分别使用Kennard-Stone（KS）算法按3：1的比例分为校准集和预测集，分别有105个校准集和35个预测集。本研究分别建立了PLSR和LSSVM模型。PLSR是一种经典且高效的定量分析方法，结合了主成分分析、多元线性回归和正则相关的原理和特性。PLSR模型最大化提取的主成分与输出变量之间的相关性。它有效解决了输入变量的多重共线性问题（Yoon 等，2023）。采用了“省略一”交叉验证方法来建立PLSR模型。当RMSECV最小化时，潜变量（LV）的数量通过交叉验证确定。LSSVM用等号约束替代传统SVR中的不等式约束，并使用误差平方和损失函数作为训练集的经验损失。因此，它将求解二次规划的问题转变为求解线性方程组的问题，从而提高了解决问题的速度和收敛精度（Cheng 等，2020）。径向基函数（RBF）作为LSSVM模型中的训练核函数使用。RBF核函数能够将输入空间映射到高维空间，这使得LSSVM模型更好地适应非线性关系，从而提升了模型的拟合能力（Qin 等，2020）。其中γ和σ²是该模型中分别控制RBF核函数宽度和正则化参数的重要参数。这两个参数决定了模型的稳定性和预测性能。为了优化这些参数，采用网格搜索和交叉验证相结合的方法，选择了最优参数组合。在本研究中，校准集的测定系数（），预测集的决定系数（），校准均方根误差（RMSEC）和预测均方根误差（RMSEP）用于评估模型性能。具体来说，衡量模型拟合校准数据的能力，而评估其对未见数据的预测能力，提供模型泛化的见解。RMSEC和RMSEP分别量化校准集和预测集的平均误差，提供模型准确性和可靠性的绝对度量。2.5. 颜色参考值和pH值的测量为了测量颜色参考值和pH值，每个牛肉样本分别从聚乙烯塑料袋中取出，放入高硼硅玻璃培养皿中。每个培养皿底部直径60毫米，高24毫米，厚度1.5毫米，盖子直径68毫米，高14毫米，厚度1.5毫米，盖子标有“x/编号x”的样品编号，与储存时间相符。CIEL*a*b*色彩空间中的色彩参考值是使用比色计（型号CR-10，柯尼卡美能达，日本）测量的。其中L*代表颜色亮度（值范围为0到100,0表示纯黑，100表示纯白），a*定义绿色和红色之间的颜色度数（0表示绿色，255表示红色），b*表示蓝色和黄色之间的颜色度数（0表示蓝色，255表示黄色）。通过测量牛肉块样本的四个不同位置得到的平均值作为颜色参考值。pH测量时，使用酸碱计（型号205，德国testo）和穿刺探头测量肉块中的四个不同位置，并以获得的平均值作为样品的pH值。如表2所示，检测到的牛肉样品与颜色（L*、a*和b*）及pH值相关的统计数据进行了汇总。由于牛肉样品不同的储存天候，这些新鲜度特征存在较大的变异性。例如，pH值范围为5.46至6.30;L*范围为27.60至37.90;a*分区间为9.13至19.97;B*则范围为2.80至10.40。新鲜度指数的广泛变异有助于建立稳健模型。表2。牛肉颜色（L*、a*、b*）和pH值。统计数据 颜色 pH值L* a* b*狠 32.77 15.16 7.13 5.71标准差 2.67 2.19 5.20 0.21最低限度 27.60 9.13 2.80 5.46最大值 37.90 19.97 10.40 6.30分布范围 10.30 10.84 7.60 0.84注：“范围”表示每个参数最大值与最小值之间的差异，反映了所有样品物理化学指标的变异性。2.6. 图像特征提取与分析2.6.1. 高光谱图像降维本研究从牛肉样本中采集了176条波段，波长范围为397.5–10¹⁵ nm，每个波段对应单一波长图像。由于图像数量庞大，高光谱图像的降维是必要的。主成分分析（PCA）使高光谱图像数据的降维成为可能，并提升图像质量。最初对获得的原始高光谱图像的每张单波长图像进行目视检查。研究发现，在光谱范围的起始处观察到显著的背景噪声，表明前19个波段不适合PCA分析。因此，PCA删除了397.5 nm至463.1 nm的单波长图像，仅分析了463.1 nm至10¹4.0 nm光谱范围下的157条高光谱图像数据。通过这种方式，PCA可以用来突出高光谱图像处理中感兴趣区域的特征。在保留大部分原始信息的同时，它降低了数据的维度，使后续的图像处理和分析过程更加高效。2.6.2. PC2选择的理论基础主成分分析（PCA）用于降低高光谱图像数据的维度，同时保留关键信息。如图2所示，展示了通过PCA降维处理从牛肉样本生成的前五张PC图像。在前五个主要成分中，PC1图像显示过于明亮，无法仅显示样品的轮廓大小，且未能反映牛肉样本的其他特征信息，后者对纹理分析的相关性较小。PC3图像存在明显的阴影和高光区域，这会扭曲图像细节，从而降低纹理特征的可靠性。PC4和PC5图像存在明显的阴影和高光区域，这会扭曲图像细节，从而降低纹理特征的可靠性。选择PC2是因为它有效保留了牛肉样品的质地和结构细节，同时最大限度地减少了背景噪音和无关变化的影响。因此，PC2图像相比其他图像更好地保留了牛肉的真实信息，这对提取纹理特征非常有利。PC2被认为是后续纹理特征分析的最合适组件。Fig. 2下载：下载高分辨率图片（108KB）下载：下载全尺寸图片图2。牛肉样本的前五张PC图像。2.6.3. 纹理特征提取如图3所示，PC2的权重系数曲线反映了每个原始波长对第二主成分捕捉方差的相对贡献。在主成分分析（PCA）中，位于权重系数曲线局部极大值（峰值）和局部极小值（谷）处的波长可以提供关于重要贡献对数据特征重要性的信息（Zhang 等，2015）。权重系数的局部峰值和谷值可视为特征权重，对应的波长图像则被视为关键单波长图像（Qin 等，2011）。虽然权重系数的数值范围是PCA归一化的结果，且没有直接的物理意义，但曲线的模式为选择单一波长以供进一步分析提供了关键见解。从曲线可见，全频段区域有两个关键单波长，对应的波长分别是642 nm和880 nm。Fig. 3下载：下载高分辨率图片（116KB）下载：下载全尺寸图片图3。PC2图像的权重系数曲线。在比较642 nm和880 nm附近的单波长图像后发现，只有880 nm图像具有适合后续处理的清晰轮廓。如图4所示，对获得的高光谱图像进行了主成分分析（PCA）以获得PC2图像，同时提取了880纳米图像。每个牛肉样品均需对应880纳米的单波长图像。图像中灰值大于240的像素值设为1，小于或等于240的像素值设为0。这导致了非目标区域（背景）为黑色，目标区域为白色的遮罩。然后将遮罩应用于PC2图像，以获得更清晰、更突出的纹理特征图像，这样的图像能够执行后续的GLCM算法以提取纹理特征。本研究使用GLCM算法提取遮罩PC2图像的五个参数，以定义图像纹理，分别是对比度、相关性、能量、均匀性和角二矩。提取过程见图4。对比度反映了图像的清晰度和纹理中沟壑的深度。相关性反映了图像中灰度之间的线性相关程度。能量是灰阶共现矩阵中各元素值的平方之和，反映了图像中灰阶分布的均匀程度和纹理的粗糙度。均匀性衡量图像的局部均匀性。角二矩描述了灰阶分布的均匀程度以及图像纹理的粗糙程度（Kim 和 Lee，2024）。每个特征的公式如下：1.对比(2)2.相关性(3)3.能源(4)4.同质性(5)5.角二矩（ASM）(6)Fig. 4下载：下载高分辨率图片（134KB）下载：下载全尺寸图片图4。纹理特征提取流程图。在（2）、（3）、（4）、（5）、（6）中，是对应图像宽度和高度的像素数，是图像像素值矩阵，且以及表示对应于宽度和高度的矩阵位置.在方程（2）中：,以及,分别是与共现矩阵相关的边分布的平均值和标准差。2.7. 数据融合数据融合是来自不同来源数据的组合，它可以克服单一数据源的局限性。通过整合多个数据源的信息，可以实现对目标的更全面理解（Zong 等，2022）。数据融合可分为三个层级：低层次、中层次和高层次融合。低层数据融合涉及直接将不同来源的原始数据合并，而中层数据融合则侧重于特征层集成，通过从每个来源提取和组合特征。相比之下，高层数据融合发生在决策层面，即从每个数据源独立做出决策并随后整合。本研究中，全谱数据与纹理特征的融合以及特征谱与纹理特征的融合都属于中层数据融合范畴。这些方法涉及从全谱数据中提取特征波长，并从高光谱图像中提取纹理特征。实际的融合过程通过将每个样品的光谱和纹理特征矢量串接实现，有效地将互补的化学和物理信息结合为统一的特征矢量。这种简单的方法利用了两种数据类型的优势，无需额外的权重或复杂参数优化。本研究中使用的数据融合过程如图5所示。Fig. 5下载：下载高分辨率图片（221KB）下载：下载全尺寸图片图5。数据融合流程图。2.8. 牛肉物理化学指标预测描述图6展示了基于光谱信息和图像特征对pH、L*和b*的研究流程图。首先，获得了牛肉的高光谱图像。随后，将采集的牛肉样本的原始光谱图像进行了黑白校正。基于此，采用主成分分析（PCA on）来降低高光谱数据的维度。选择了第二主成分（PC2），因为它的相关性最佳。接着，去除噪声，并使用归一化和Savitzky-Golay平滑（SG-S）对频谱数据进行归一化。以因变量测量了牛肉样品的pH和L*、a*和b*颜色参数。部分最小二乘回归（PLSR）和最小二乘支持向量机（LSSVM）模型被用于分析谱数据。在此过程中，相关性较低的a*被从参数中移除。在纹理特征提取阶段，使用灰阶协方差矩阵（GLCM）方法从高光谱图像中提取牛肉纹理特征，最终将相关性选为关键纹理特征。该相关特征与谱数据融合，以提高预测模型的准确性和稳定性。为进一步提升模型的鲁棒性，光谱数据中的特征波长通过竞争性的自适应加权采样（CARS）算法进行了筛查。最后，通过比较和评估性能，确定了最佳模型。Fig. 6下载：下载高分辨率图片（518KB）下载：下载全尺寸图片图6。基于光谱信息和图像特征的pH、L*和b*研究流程图。3. 结果与分析3.1. 光谱特征在图7（a）中，有140个牛肉样本的谱曲线。可以看出不同储存天的牛肉样本呈现出类似的趋势。总体而言，被测天体表现出相似的光谱趋势，表明它们在化学成分上具有相似性。关于牛肉样品内部结构和化学成分的一些信息，可以利用400 nm至1000 nm光谱范围内的特定吸收峰来表征氨基酸、脂肪和蛋白质中的水中官能团的信息。所有样品均显示吸收谷位于约450纳米，这可能是由于样品中水的氧-氢键振动吸收所致（Pegau 等，1997）。样品的反射光谱用于观测可见光区530纳米和590纳米附近的吸收峰。530 nm的吸收峰可能与样品中的脱氧代谢物有关（Kamruzzaman 等，2016），而590 nm的吸收峰则可观测到，其原因与含氧肌红蛋白对光的吸收有关。790 nm波段的光谱吸收与三重态吸收 NH 相关3组（马等，2019）。如图7（b）所示，每天采集样品的平均光谱曲线。可以看出，不同存储时间下光谱反射强度存在显著变异。这种变异性可能与牛肉中的蛋白质、脂肪和碳水化合物通过微生物腐败和酶分解成对人体有害的元素有关，导致肉类新鲜度下降（Mathlouthi 等，2001）。这些鲜度特性的变异性为建立牛肉鲜度预测模型提供了有用基础。Fig. 7下载：下载高分辨率图片（330KB）下载：下载全尺寸图片图7。不同储存天数的牛肉谱曲线：（a） 所有牛肉样本的谱曲线;（b）每日牛肉样本的平均谱曲线。3.2. 基于谱数据的PLSR和LSSVM模型分析PLSR和LSSVM模型分别用于基于原始光谱、归一化和S-G平滑预处理光谱，预测牛肉样品的L*、a*、b*和pH值。研究发现，新鲜度指数a*预测不佳（相关数据未显示）可能是由于PLSR和LSSVM模型构建过程中a*值范围狭窄所致（ElMasry等，2012）。结果与Leroy等人（2004）试图预测牛肉a*值的观点一致。如表3所示，PLSR和LSSVM模型存在校准集和预测集性能指数。鲜度指数pH预测准确率最高的模型是RAW-PLSR，其中RMSEP（RMSEP）分别为0.6505和0.1057。对新鲜度指数L*预测准确率最高的模型也是RAW-PLSR，其中RMSEP（RMSEP）分别为0.6854和1.3492。从模型的预测结果可以看出，鲜度指数b*的预测显著优于pH和L*。基于SG-S预处理后数据的LSSVM模型在RMSEP（RMSEP）分别为0.8595和0.8037。基于不同预处理光谱的PLSR和LSSVM模型在预测不同鲜度牛肉样品的pH值和颜色方面有效。表3。基于谱数据的PLSR和LSSVM模型预测。模型 索引 预处理算法（波长编号） LV γ, σ2 校准集 预测集R2C RMSEC R2P RMSEPPLSR pH值 RAW（176） 13 无 0.7861 0.1074 0.6505 0.1057归一化（176） 12 无 0.7761 0.1099 0.6001 0.1131SG-S（176） 14 无 0.7975 0.1045 0.6062 0.1122L* RAW（176） 11 无 0.7637 1.3337 0.6854 1.3492归一化（176） 11 无 0.7440 1.3884 0.6834 1.3534SG-S（176） 11 无 0.7268 1.4342 0.6766 1.3679b* RAW（176） 10 无 0.8314 0.8943 0.8299 0.9376归一化（176） 9 无 0.8374 0.8783 0.8224 0.9581SG-S（176） 11 无 0.8391 0.8738 0.8254 0.9501LSSVM pH值 RAW（176） 无 14441, 107845 0.6616 0.1351 0.6106 0.0920归一化（176） 无 5093, 7331 0.7886 0.1068 0.5099 0.1031SG-S (176) N/A 355416, 476296 0.6567 0.1361 0.6076 0.0924L* RAW (176) N/A 155471, 342577 0.7040 1.4933 0.6320 1.4614Normalize (176) N/A 95, 1669 0.6924 1.5220 0.6386 1.4505SG-S (176) N/A 1963, 10227 0.7077 1.4838 0.6392 1.4471b* RAW (176) N/A 7621, 13061 0.9106 0.9106 0.8553 0.8189Normalize (176) N/A 40982, 46939 0.8391 0.8739 0.8390 0.8664SG-S (176) N/A 487388, 240955 0.8226 0.9177 0.8595 0.80373.3. Screening of image informationBeef spoilage is a dynamic process involving various changes, including both internal characteristics such as changes in chemical components and tissue structure, as well as external characteristics such as changes in color and texture. Five texture features were extracted from the PC2 images by GLCM algorithm. Correlation analysis was done between each texture feature and the freshness index, and the texture features with higher correlation with the freshness index were retained to improve the predictive ability of the models (Lee et al., 2019).表4展示了PC2图像纹理特征与新鲜度指数之间的相关分析结果。从表4可以看出，质地特征与pH、L*和b*的相关性和新鲜度指数之间的相关性最强，相关系数均超过0.3。相关特征与pH呈负趋势，L*和b*呈正趋势。然而，P值大于0.05，且在使用对比度、能量、均匀性和ASM等质地特征时，与鲜度指数无相关性。这些结果的原因可能是牛肉在不同鲜度下可能表现出特定的质地变化，这主要反映在像素间灰度的关系上（Zhang 等，2020）。随着时间推移，牛肉可能会变得纤维化、失去水分等，这些都会影响图像纹理中像素灰度值的相关性。因此，相关性特征更可能捕捉受鲜度指数影响的质地变化，合理地选择相关性作为所有新鲜度指数的质地特征。表4。PC2图像纹理特征与新鲜度指数之间的相关性。索引 不同角度的图像 纹理特性对比 相关性 能源 同质性 ASMpH值 0° −0.012P = 0.867 −0.398 * *P = 0.000 0.127P = 0.085 0.012P = 0.867 0.127P = 0.08545° −0.012P = 0.868 −0.404 * *P = 0.000 0.117P = 0.113 0.012P = 0.868 0.117P = 0.11390° 0.000p = 0.999 −0.488 * *P = 0.000 0.118P = 0.109 0.000p = 0.999 0.118P = 0.109135° 0.005P = 0.945 −0.457 * *P = 0.000 0.114P = 0.124 −0.005P = 0.945 0.114P = 0.124L* 0° 0.031P = 0.678 0.362 * *P = 0.000 −0.108P = 0.143 −0.031P = 0.678 −0.108P = 0.14345° 0.028P = 0.707 0.300 * *P = 0.000 −0.101P = 0.172 −0.028P = 0.707 −0.101P = 0.17290° 0.010P = 0.888 0.380 * *P = 0.000 −0.100P = 0.176 −0.010P = 0.888 0.100P = 0.176135° 0.005P = 0.946 0.343 * *P = 0.000 −0.096P = 0.193 −0.005P = 0.946 −0.096P = 0.193b* 0° −0.094P = 0.206 0.351 * *P = 0.000 −0.018P = 0.803 0.094P = 0.206 −0.018P = 0.80345° −0.110P = 0.136 0.403 * *P = 0.000 −0.005P = 0.951 0.110P = 0.136 −0.005P = 0.95190° −0.118P = 0.112 0.462 * *P = 0.000 −0.007P = 0.920 0.118P = 0.112 −0.007P = 0.920135° −0.110P = 0.136 0.390 * *P = 0.000 −0.005P = 0.946 0.110P = 0.136 −0.005P = 0.946注：* * 表示高度显著的相关性（P < 0.01）。3.4. 基于全谱数据和纹理特征融合的模型分析数据融合过程涉及将谱数据与使用 GLCM 提取的纹理特征连接起来。例如，pH指数中，176个原始光谱数据与4个GLCM纹理特征结合，模型输入共计180个特征，如表5所示。谱数据与纹理特征相关特征的融合作为输入变量，用于建立PLSR和LSSVM模型以预测新鲜度指数，模型结果见表5。与光谱信息和图像特征融合的数据包含更丰富的信息，能够提高数据的全面性和准确性（Zhang 等，2017）。与仅基于谱数据的PLSR和LSSVM模型相比，融合纹理特征的模型的准确性和稳定性有所提升。