光学稳像技术范例(3篇)

光学稳像技术范文

拍摄：画面更稳、像素更高

经历几年的市场检验，ExmorRCMOS影像传感器对低光照下的图像质量和色彩还原度的提升能力得到广泛好评，今年的新品从旗舰级到入门级的所有机型中都采用了这一核心技术。同样备受好评的光学防抖（增强模式）得到了进一步提升，在新品旗舰机型HDR-PJ760E与HDR-CX760E上，Handycam引用了全新的平稳光学防抖功能。工程师利用两部马达以机械方式控制整个镜头单元，通过可浮动的镜头单元设计，在运动中达到画面的平衡。因此，在广角端的画面稳定效果从约10倍提升至约13倍，长焦端稳定效果则从约2倍大幅提升至约13倍（与Handycam传统光学防抖功能相比较）。在几乎不影响成像效果的情况下，使您在旅行途中行走拍摄或跟拍宝宝时，也可以获得流畅稳定的画面。

由于采用高像素提升技术，静态图像分辨率提升4倍，静态图像拍摄像素最高达到约2410万，Handycam的照片拍摄能力日臻卓越。不论在家或是出游，一机在手，精彩视频与高画质照片都可以轻松收录。

分享：投影更亮、更大、更动听

体现了“投影与视频拍摄”这一跨界概念的乐投派投影摄像机，一经推出叫好又叫座，渐已成为受用户推崇的摄像机新标尺。今年“乐投派”阵营继续扩展，从旗舰级到亲民的入门级共计5款投影摄像机新品，为用户提供了更丰富的选择。不仅款式更多，在投影光源亮度上也有新的提升。中端产品HDR-PJ580E/PJ600E/PJ260E的投影光源亮度增加了30%，旗舰级的HDR-PJ760E的投影光源亮度更有了100%的提升，因此投影范围也得到了相应扩大:在约0.5～5米范围内投影约10～100英寸。由于投影光源亮度的提升，如今在白天也能获得更清晰的投影效果。投影功能大大提升了视频分享的乐趣，用户可以在拍摄完视频后即刻投影到墙壁、屋顶、T恤、帐篷……感受随时随地分享的乐趣。

另外，为了让更多人在分享精彩画面的同时，可以聆听到动人的音效，索尼特别开发了便携式扬声器（需单独购买，HDR-PJ760E/PJ600E/PJ580E可兼容），即便多人同时分享，声音也可以在水平面上360度的传播到每个人的耳中。

3D：身材更小立体效果更强

2011年，HDR-TD10E威武的双镜头拍摄系统让消费者体验了自拍3D视频的乐趣，但相对较大的机身也降低了其便携性。为了让所有家庭用户可以随时轻松拍摄3D影像，索尼HDR-TD20E使用全新的紧凑型设计，将体积缩小了约34%（相对于HDR-TD10E），拿在手中与普通家用高清DV的感觉几乎别无二致。

根据TD10E的用户反馈，索尼发现更多拥有宝宝的家庭用户乐于购买3D摄像机，为拍摄宝宝，用户需要更近的拍摄距离。在最新的HDR-TD20E中，镜头间距被设定为21mm，不但缩小了机身体积，配合景深调节功能，还将最佳3D效果拍摄的最近距离从80CM拉近到30CM，即便近距离拍摄宝宝特写，也能体现令人心动的3D效果。HDR-TD20E在缩小体积的同时，保留了3.5英寸可裸眼观看的3D液晶屏；3D视频拍摄广角端达到33.4mm（HDR-TD10E为34.4mm）；3D拍摄模式下，延伸光学变焦达到12倍。

TD20E随机赠送PMH（PlayMemoriesHome6）软件,利用它用户不但可以分割、剪切、合并3D视频，还能轻松将3D视频刻录至Blu-ray光盘。

设计：更巧，更靓，更时尚

光学稳像技术范文篇2

关键词：摄像机；拍摄技巧；艺术性；创意性

1充分掌握摄像机的拍摄技巧

摄像拍摄主要分为两个大类型，即手持式摄像和固定式摄像。笔者主要以这两种拍摄方式为探讨对象进行分析。

1.1手持式摄像机的拍摄技巧

通俗地讲，手持式摄像机就是采用肩扛手持的方式进行拍摄的摄像机。利用该种类型的摄像机摄像时，摄像人员一般是采用双手托举或者肩扛的方式进行拍摄；有时也会根据具体拍摄活动的要求采用怀抱、手提的方式进行拍摄。手持式摄像机拍摄因为采用了类似人们日常生活中的视觉角度，它所拍摄的更加符合人们的观察特点。同时，在进行拍摄工作时，手持式摄像机拥有着良好的灵活性，所以容易根据不同的拍摄要求快速调整拍摄角度等。但是该种摄像机也存着一定的不足，即拍摄的画面稳定性不如固定式摄像机。手持式摄像机进行拍摄时需要主要以下几点。

第一，拍摄姿势是否正确非常重要。利用手持式摄像机进行拍摄无法采用三脚架，因此画面的稳定性不佳，此时拍摄人员姿势的正确性与否便非常重要。常见的拍摄姿势主要有站姿、跪姿、坐姿、卧姿和蹲姿。正确的拍摄姿势应该符合以下要求：采用站姿时，摄像机的重量落在肩膀上面，摄像人员双腿分开站立，此时形成了类似三脚架的支体，发挥了身体的支托作用，此时摄像人员在进行拍摄时不仅能够获得最大的稳定性，还可以进行比较灵活的活动，例如，在进行100度角的摇摆摄像时，不需要移动身体便可以获得比较好的拍摄效果，即便是进行小角度的仰角拍摄和俯角拍摄也不会失去平衡。采用卧姿或者坐姿时，应该学会在拍摄现场找到可以依靠身体的有利地形，如果没有依托地形，则也可以利用自己的大腿等身体部位作为依托。采用跪姿进行拍摄时，既可以采用双膝跪地的方式也可以采用单膝跪地的方式，采用双膝跪地的方式时，摄像人员的双腿应该并齐，使身体的整个重心落在并齐的小腿之上，有利于获得稳定的拍摄效果；如果采用单膝跪地的方式，摄像人员的身体中心全部落在跪地的小腿上，此时应该充分利用另一条腿的支撑作用，保持拍摄的稳定性。

第二，合理选择拍摄辅助设备。摄影减震器、陀螺稳定仪、肩架等设备都是常见的摄影辅助设备，它在确保拍摄画面稳定方面发挥着了重要作用。摄像减震器在摄像人员手持摄像机时对稳定画面起到了十分重要的作用；肩架架在摄像人员的腹部和肩上，并且能够进行前后调节，使用非常方便。

第三，合理选择镜头。由于镜头焦距长短关系着透光系数、镜头视角以及画面景深，所以镜头焦距是影响拍摄画面稳定性的重要因素之一。在使用长焦距镜头时，只要身体或者手臂有一点轻微的晃动，便会让画面出现比较剧烈的抖动；短焦距镜头则相反。因此，摄像人员经过剧烈运动之后，如果需要立即投入到拍摄过程中，为了防止心跳加速、呼吸急促等原因导致画面抖动，建议采用短焦距镜头，能够获得良好的画面质量。

1.2固定式摄像机的拍摄技巧

固定式摄像机主要是利用三脚架进行固定之后进行拍摄，因此它最大的优势在于可以十分稳定的拍摄效果，尤其是需要长时间拍摄某些集中事件或者长时间地细致地观察某些被拍摄对象细节时，它的优势体现得异常明显。例如，在各类现场直播拍摄时，大多数采用固定式摄像机进行拍摄。三脚架的使用时决定固定摄像机拍摄效果的重要因素，为了取得良好的拍摄效果，建议遵守以下建议：首先，三脚架必须要锁牢，在不使用时，应该将摄像机重心向下对准三脚架的某支脚，避免摄像机出现重心偏移的情况。如果确定停止使用，应该将摄像机从三脚架上面取下，防止出现意外摔坏摄像机。其次，在摄像操作时，必须要遵守“平、准、稳、匀”的技术要求。

2摄像艺术中景深的应用

2.1巧妙应用小景深

第一，选用长焦距镜头。不同的焦距所获得的画面透视效果不一样，在光圈一定、物距不变的前提之下，采用的焦距越长则获得的景深便越短。如此一来，画面的主体便会被凸显出来并越加清晰，而其背景则会逐渐的虚化，两者之间会形成非常强烈的对比。观众在观影时，此种画面会让观众的视线自然而然地落到被拍摄的主体上面，进而起到了凸显主体的作用。

第二，选择大光圈。在物距不变和焦距一定的前提下，光圈越大，则获得的景深便越小；如果光圈越小，则获得的景深便越大。因此，在拍摄过程中，如果想要获得小景深，最为方便的措施便是利用大光圈，使主体清晰、背景模糊，进而获得比较强烈的虚实对比的艺术效果。在光线太亮的情况下，要获得大光圈小景深，当然首先得减弱拍摄对象的光亮度。譬如，将被摄体从室外转移到室内，从阳光下转移到阴影处。另外，选择合适的拍摄时间，如早上和黄昏等光线较柔和的时间段。或采用阴天的散射光拍摄，这样可获得最大的光圈值。

第三，尽量靠近景物拍摄。我们知道影响景深的另一因素是拍摄距离的远近，在光圈和焦距都确定的情况下，距离越远，景深越大；距离越近，景深越短。当摄像机靠近被摄体时，可获得较小的景深，除焦点上的物体清晰外，前后其他物体全部虚化，为此，在允许的拍摄范围内尽量使摄像机靠近被摄体，使焦点定在主体上，让背景虚化，从而突出主体。

2.2巧妙应用大景深

在电视摄像中，运用大景深拍摄，能拍出层次性强、清晰度广的镜头，是电视节目、电视广告拍摄当中最常用的拍摄手法。大景深镜头内容丰富，既可以将主体景物清晰的表现出来，还能将主体周围景物（副景）共同展现出来，镜头画面的副景和主景一起构成一个（一组）意义丰富的镜头。

对于大景深的调节，我们从上面的参量对比关系中可以很容易的找到大景深的调节方法，这里不在论述。另外，需要特别指出的，在摄像实践中，常常利用超焦距来获得大景深镜头。运用超焦距镜头配合小光圈拍摄大景深，是将镜头的焦距调节到无穷远，景深的远界点也延伸到了无穷远。这样在人眼视觉范围内，几乎所有的景物都是清晰可见的、立体的层次空间，给人一种辽阔壮观的感觉。．利用超焦距镜头表现大景深，是视觉空间范围的大延伸。大景深能给视觉带来强烈的冲击力，使人回味无穷。

参考文献

[1]朱金娥，刘永福.浅谈电视新闻节目画面拍摄的技巧.电影评介，2008(21)：362-363.

[2]孟旭东.浅谈电视纪实作品摄像艺术的审美选择.硅谷，2009（5）：152-155.

[3]郑欣.试论绘画构图法则在电视画面中的应用.内蒙古科技与经济，2010(10)：236-237.

[4]岱青.论绘画构图和电视画面构图的关系及其应用.内蒙古科技与经济，2011（19）：262-263.

光学稳像技术范文

关键词：鸡肉；菌落总数；高光谱成像；图像预处理；偏最小二乘法（PLSR）；无损检测

RapidNon-DestructiveDetectionofTotalBacterialCountinChickenUsingHyperspectralImaging

LIWencai1，LIUFei1，TIANHanyou1，ZOUHao1，WANGHui1，ZHANGZhenqi1，ZHENGXiaochun2，LIYongyu2，

LIJiapeng1，QIAOXiaoling1，*

（1.BeijingKeyLaboratoryofMeatProcessingTechnology，ChinaMeatResearchCenter，Beijing100068，China；

2.CollegeofEngineering，ChinaAgriculturalUniversity，Beijing100083，China）

Abstract：Inordertodeveloparapidandnon-destructivemethodtopredicttotalbacterialcountinchickenbreastsbyusinghyperspectralimagingtechnology，83chickenbreastsamplesrefrigeratedat4℃werecollectedfromlocalsupermarketand63ofthesewereusedascalibrationsamples.Thehyperspectralscatteringimageofeachsamplewascollectedbyusinghyperspectralimagingsysteminthewavelengthrangeof400?1100nm.Variousalgorithmcombinationswereusedtopreprocessthehyperspectralinformationofthesamplestoenhancetheperformanceofthemodeldevelopedbyusingpartialleastsquareregression（PLSR）algorithm.Basedonthepredictiveaccuracyandstabilityofthemodel，theefficiencyofdifferentalgorithmcombinationsforspectralpreprocessingwereevaluatedanddiscussed.Theresultsshowedthattheoptimalmodelperformancewasachievedbypreprocessingofthehyperspectralinformationwithstandardnormalizedvariate.Thestandarderrorofcalibration（sEC）andstandarderrorofprediction（SEP）ofthemodelwere0.40and0.57，respectively.Thecorrelationcoefficientsofcalibration（RC）andprediction（RP）were0.93and0.86，respectively.Theoptimalmodelallowedeffectivepredictionofdistributionmapsoftotalbacterialcountinchickenbreasts.

Keywords：chicken；totalbacterialcount；hyperspectralimaging；imageprocessing；partialleastsquareregression（PLSR）；non-destructivedetection

DOI：10.7506/rlyj1001-8123-201703007

中图分类号：O657.33文I标志码：A文章编号：1001-8123（2017）03-0035-05

引文格式：

李文采，刘飞，田寒友，等.基于高光谱成像技术的鸡肉菌落总数快速无损检测[J].肉类研究，2017，31（3）：35-39.DOI：10.7506/rlyj1001-8123-201703007.http：//rlyj.pub

LIWencai，LIUFei，TIANHanyou，etal.Rapidnon-destructivedetectionoftotalbacterialcountinchickenusinghyperspectralimagingg[J].MeatResearch，2017，31（3）：35-39.DOI：10.7506/rlyj1001-8123-201703007.http：//rlyj.pub

由于养殖成本、周期等原因，猪、牛、羊肉价格长期高于鸡肉价格，国家统计局数据显示，2010―2016年，鸡肉价格平均低于猪肉和牛羊肉价格约27%和63%，相对较低的价格使得鸡肉消费量大幅增加，统计局数据显示，2005―2012年，城镇居民、农村居民人均猪、牛、羊肉消费分别增加了4.2%、-4.1%，而禽肉消费分别增加了20.0%、45.2%。同时，鸡肉作为重要的禽肉产品之一，肉质细嫩，营养丰富且比例均衡，其食用安全性受到越来越多消费者的重视。鸡肉的质量与安全主要取决于物理、化学和生物指标，其中生物指标最为重要。菌落总数是评判食品被微生物污染程度的一个重要指标[1-2]，可预测肉品的货架期以及判断是否腐败变质，GB16869―2005《鲜冻禽产品》[3]规定了鲜禽肉中菌落总数的最大值。菌落总数的传统检测方法包括平板计数法、阻抗法、伏安法、流式细胞法、微热量计法、酶联免疫法、多聚酶链式反应等[1，4]，这些方法过程繁琐、检测周期长、效率低、易受温度、pH值等因素影响、肉品破损严重等问题，很难满足肉品检测过程中快速、无损、自动化的需求，严重制约我国肉品产业的发展。

在鲜肉贮藏过程中，随着微生物的生长，葡萄糖和其他单糖以及蛋白质水解形成化学团，包括挥发性酯类、醇类、酮类以及含硫化合物，这些物质最终导致了鲜肉的腐败味。针对鲜肉腐败率较高的问题，找到一种较为先进的检测技术来保证它的质量与安全很有必要。高光谱成像技术光谱分辨率高、波段连续，能够在紫外、可见光近红外、红外等范围内获得多而窄、波段数达上百个的连续光谱，其融合了光学、计算机技术、信号处理学等多种学科于一体，是一种较为全面的检测技术[5-7]。高光谱成像技术分析效率高、操作简单、费用低廉，可在线监测，同时无需对样品进行损伤和预处理，已广泛应用于食品、医药、农业、环境、石化、生物技术等领域。近年来，国内外一些学者开始采用高光谱成像技术来研究肉品在流通、贮藏过程中微生物腐败及品质变化的快速检测，并取得了一定的研究成果[8-14]。Kamruzzaman等[15]基于高光谱成像技术，采用主成分分析（principalcomponentanalysis，PCA）和偏最小二乘判别分析（partialleastsquaresdiscriminantanalysis，PLS-DA）对猪肉、牛肉、羊肉进行识别和身份验证，通过二次求导得到的特征波长用于模式识别算法中来对肉品进行分类，模型对校正集样本的分类精度达98.67%。除此之外，该学者还利用高光谱成像技术对红肉的持水力和色泽开展了研究[16-17]，报道了该方法用于在线检测红肉持水力和色泽的可行性。Barbin等[18]基于近红外高光谱成像技术（900～1700nm）和偏最小二乘法（partialleastsquaresregression，PLSR）对冷冻猪肉菌落总数和嗜冷菌平板计数进行检测和建模，R2C分别达0.86和0.89。Peng等[19]以牛肉为研究对象，采用高光谱成像技术对其表面菌落总数进行检测，通过不同预处理方法和不同建模方法对其菌落总数进行预测，取得了较好的预测结果。陶斐斐等[20]以冷却猪肉为研究对象，利用高光谱成像系统（400～1100nm）对其表面菌落总数进行快速预测，研究其在1～14d贮藏期间表面菌落总数与高光谱图像的关系，结合多元线性回归和偏最小二乘回归法建立预测模型，模型相关系数为0.886和0.863。鸡肉高光谱成像相关研究中，多集中在挥发性盐基氮、嫩度、颜色、脂类氧化等[21-23]，微生物方面鲜有报道。本研究以鸡胸肉为研究对象，依照GB4789.2―2010[24]对其菌落总数进行测定，在400～1100nm波长范围内，使用感兴趣区域（rangeofinterest，ROI）方法提取鸡胸肉表面高光谱图像的散射光谱，采用PLSR对其菌落总数高光谱信息建模，确立高光谱图像信息与菌落总数之间的关系，实现鸡胸肉菌落总数分布范围的快速检测。

1材料与方法

1.1材料与试剂

鸡胸肉均购于中国农业大学附近超市，半小时内运至实验室，采用统一的保鲜袋包装方式。

氯化钠（分析纯）国药集团化学试剂有限公司；平板计数琼脂培养基北京奥博星生物技术有限公司。

1.2仪器与设备

高光谱成像系统、SW-CJ-2D超净工作台苏州净化设备有限公司；立式压力蒸汽灭菌锅上海博迅实业有限公司医疗设备厂；ME204型电子天平（精确度0.0001g）

瑞士梅特勒-托利多科学仪器（上海）有限公司；

DHP-9052型电热恒温培养箱上海一恒科技有限公司；L28957E、P18156D移液枪德国Eppendorf股份公司；WD3-1-9CM培养皿浙江柏美特医用塑料有限公司。

高光谱成像系统组成：SensicamQECCD（chargecoupleddevice）数字照相机德国Kelheim公司；ImSperctorV10E成像光V仪芬兰SpectralImaging公司；

卤钨灯直流点光源（OrielInstruments）美国

Stratford公司；CD33-120N-422位置传感器日本Optex公司；Intelcorei3-3240计算机联想有限公司。

该仪器采用的光谱范围为400～1100nm，可以采集鸡肉样品表面的散射光谱，其光谱分辨率为2.8nm。

1.3方法

1.3.1样品制备

实验时从冰箱随机取样，切成厚度大约为1cm，质量大约为10g的鸡肉块，每24h测定1次，每次测定3个样品。

1.3.2样品高光谱信息的采集

每隔24h从4℃冰箱中随机取出鸡胸肉样品，利用实验室构建的高光谱成像系统，采集400～1100nm波长范围内的鸡肉样品表面散射光谱，曝光时间为80ms。由相机软件（CameracontrolKitV2.19）完成图像采集过程，为确保样本的一致性，扫描过程中所采集样本的扫描线需与鸡肉样本纤维方向平行，每扫描4次，自动平均得到一条扫描线。实验过程中对每个样本表面进行全扫描，得到160个扫描图像。

1.3.3样品菌落总数的测定

对高光谱图像进行采集后，立即对鸡胸肉样品表面菌落总数进行检测。本实验参考GB4789.2―2010[24]中的10倍梯度稀释法进行操作，选取合适的稀释梯度，每个稀释梯度倒3块平板，37℃条件下培养48h后计数，取菌落总数的对数值作为分析数据，单位为lg（CFU/g）。

1.3.4数据分析

高光谱图像信息采集后，采用MATLAB2015b（美国Mathworks公司）对数据进行分析。依次提取冷却鸡肉样本高光谱图像感兴趣区域（rangeofinterest，ROI），计算其平均散射光谱值，将其作为鸡肉样本的原始光谱值。对光谱图像特征进行分析后，应用PLSR对光谱数据和菌落总数测定值进行关联，建立鸡胸肉菌落总数预测模型。

1.3.5模型预处理方法的筛选

选择的预处理方法包括：归一化方法（normalizationmethod，NM）、Savitzky-Golay求导（Savitzky-Golayderivative，SGD）、标准变量变换（standardnormalizedvariate，SNV）、附加散射校正（multiplicationscattercorrection，MSC）。

对样品高光谱信息进行不同预处理，去除无关干扰信息、降低随机噪声和强化谱带特征，采用PLSR统计方法建模，综合校正标准误差（standarderrorofcalibration，sEC）、验证标准误差（standarderrorofprediction，sEP）、验证标准差和校正标准误差的比值（sEP/sEC）和差值（sEP-sEC）对模型性能进行评价[25]，筛选出最佳预处理方法。

1.3.6模型评价原则

sEP代表高光谱分析的总误差，其中包括可靠性偏差、稳健性偏差和信息处理过程产生的误差，因此可以直接用于评价模型的预测准确性。sEC代表模型在建模样品范围内的分析误差，不包括稳健性偏差，因此sEP-sEC

应大于0。美国谷物化学组织的近红外分析标准中将

sEP/sEC作为评价模型稳健性的参数，规定sEP/sEC应小于1.2，其值大于1.2时则表示模型的稳健性不够[20]。

因此，在筛选性能最佳的模型时，首先模型应同时满足sEP/sEC0，然后在剩余的模型中x取sEP最小的模型，此模型不仅稳健且预测准确性较好，这个模型所对应的算法或算法组合即为最佳预处理方法。

1.3.7菌落总数分布地图

用高光谱成像技术预测菌落总数，不仅可以提供光谱信息还可以提供菌落总数的空间分布[26-29]。高光谱图像中每个像素点对应一个光谱，因此在每个像素点上可计算出样品菌落总数的预测值，从而构成分布地图。本实验中，利用PLSR模型预测光谱图像中每一个像素点对应的菌落总数，最终构成菌落总数预测值的分布地图。

2结果与分析

2.1样品菌落总数化学测量值的测定结果

本实验所用的83个鸡胸肉样品的菌落总数化学测量值的统计结果如表1所示，涵盖新鲜鸡肉菌落总数（约3.97（lg（CFU/g）））至腐败鸡肉菌落总数（约7.75（lg（CFU/g））），GB16869―2005[3]对鲜禽产品中菌落总数含量所允许的最大值为6（lg（CFU/g）），3.97～7.75（lg（CFU/g））的范围说明本实验选用的样品具有较强的代表性。从总样品集中选取菌落总数化学测量值分布均匀的样品63个作为校正集，用于模型的建立；剩余的20个样品作为验证集，用于验证模型的预测准确性和稳健性，统计结果见表1。

2.2鸡肉高光谱图像感兴趣区域的确定

利用Matlab2015b分析软件从高光谱图像中提取ROI。图1所示为不同扫描位置的光谱图像，图2所示鸡肉样品不同扫描位置处的光谱曲线，距离扫描线中心0、10、15、20nm位置处整个波长范围内的散射光谱。

由图2可知，在波长方向上，低于470nm和高于920nm位置处形成较大噪音影响，信号较弱；在空间方向上，扫描线中心位置的散射强度最大，距离扫描线中心位置越远，散射强度越弱，因此，将光谱轴[470nm，920nm]和空间轴[-20nm，20nm]所组成的矩形区域作为ROI。沿着光谱轴在470～920nm区间计算ROI区域上点的平均散射光谱作为该样本的散射光谱。对所有的图像进行处理，共获得83条波长曲线如图3所示。

2.3最佳预处理算法的确定

应用不同算法组合对样品的高光谱信息进行预处理后，菌落总数预测模型的性能评价参数如表2所示。

对光谱信息不进行任何预处理，与其他预处理方法相比，校正集相关系数（correlationcoefficientofpredictionset，RC）不变，但是验证集相关系数（correlationcoefficientofpredictionset，RP）较低。对模型进行SNV单独预处理时，由表2可知，各个模型的RC均保持不变，但是RP均有不同程度的增加；光谱数据经SNV单独处理后再建模，与无预处理相比，RC不变，但是RP由0.80上升0.86，且sEP/sEC值为1.08，其值小于1.2，说明经SNV单独处理后，模型的准确性和稳健性均有所增加，将SNV确定为最佳预处理方法。其他不同组合算法的准确性和稳健性均低于SNV算法，在表中未列出。不同预处理方法对模型预测的准确性和稳健性有很大的影响，恰当的预处理方法可以提高模型性能评价参数，但过度的预处理方法会使得模型性能降低，样品光谱信息中大量有效信息丢失，这与邹昊等[30]研究结果相一致。

2.4最佳预处理算法条件下菌落总数的预测

以校正集和验证集样品的菌落总数化学测量值为横坐标，模型的预测值为纵坐标作图，结果如图4所示。

由图4可知，校正集中样品的菌落总数化学测量值紧密地分布在回归线两侧，模型的预测值与校正集样品的菌落总数化学测量值吻合度较高，模型的sEC为0.40，RC为0.93，说明建模前对样品光谱信息进行SNV预处理后，模型较好地拟合了光谱信息中反映样品菌落总数含量的信息。验证集中，样品的菌落总数化学测量值和模型的预测值相关性较高，sEP为0.57，RP为0.86，说明模型对验证集样品中的菌落总数含量有较好的预测准确性。

2.5鸡肉菌落总数分布地图的生成

图5表示鸡胸肉样品菌落总数的分布图，颜色条RGB值由0到7.75（由灰到白），表示菌落总数值由小到大。在预测分布地图中，光谱性质相同的像素点拥有相同的预测值，用相同的颜色比例分配表示，所以，分布地图中不同的颜色表示不同的菌落总数分布。

由图5可知，A样品和B样品菌落总数预测对数值分别为4.00（lg（CFU/g））和6.77（lg（CFU/g）），依照GB4789.2―2010所测值为3.99（lg（CFU/g））和6.79（lg（CFU/g））。不同菌落总数的鸡胸肉，菌落总数含量和分布预测地图存在明显差异，白色越多，表示菌落总数预测值越大。与传统技术相比，高光谱成像技术可用于更大的样品，甚至整个动物胴体，生鲜肉微生物检测已成为屠宰厂建立和实施危害分析和关键控制点（hazardanalysiscriticalcontrolpoint，HACCP）体系重要的信息来源。高光谱成像技术已成为肉类工业中微生物检测的一个可行、简单、快速有效的方法。

3结论

高光谱成像技术具有费用低、无损检测等特点，它在肉类在线质量控制系统中实现了快速化、准确化和简单化。为了快速检测鸡胸肉菌落总数，本实验在400～1100nm波长范围内，使用ROI方法提取鸡胸肉表面高光谱图像的散射光谱。其中，用于建立菌落总数预测模型校正集的样品共63个，用于验证集的样品共20个。使用不同算法和算法组合对样品的高光谱信息进行预处理后利用PLSR进行建模。通过模型评价参数对预处理方法进行筛选后发现，经SNV对样品进行预处理后，模型性能较好，模型sEC和sEP分别为0.40和0.57，sC和RP分e为0.93和0.86，且sEP/sEC值为1.08，其值小于1.2，模型的准确性和稳健性为最佳。通过每个像素点对应的光谱可预测得到菌落总数分布地图，通过分布地图可看出，不同样品菌落总数预测值的大小以及菌落总数在样品中的分布情况。高光谱成像技术有望成为鸡肉产业中微生物快速检测的一个行之有效的方法。

参考文献：

[1]程金权，胡继贵.食品中菌落总数快速检测研究进展[J].食品与发酵科技，2014，50（6）：1-5.DOI：10.3969/j.issn.1674-506X.2014.06-001.

[2]王长远，马万龙，姜昱男.猪肉新鲜度的检测及肉质综合评定[J].

农产品加工（学刊），2007（10）：75-77.DOI：10.3969/j.issn.1671-9646-B.2007.10.025.

[3]卫生部食品卫生监督检验所，全国食品工业标准化技术委员会秘书处.GB16869―2005鲜冻禽产品[S].北京：中国标准出版社，2005.

[4]林蕾，张炜.食品微生物检验技术的研究进展[J].现在农业科学，2008，15（10）：97-99.

[5]刘木华，赵杰文，郑建鸿，等.农畜产品品质无损检测中高光谱图像技术的应用进展[J].农业机械学报，2006，36（9）：139-143.DOI：10.3969/j.issn.1000-1298.2005.09.036.

[6]徐爽，何建国，马瑜，等.高光谱图像技术在水果品质检测中的研究进展[J].食品研究与开发，2013，34（10）：4-8.DOI：10.3969/j.issn.1005-6521.2013.010.002.

[7]刘燕德，张光伟.高光谱成像技术在农产品检测中的应用[J].食品与机械，2012，28（5）：223-226.DOI：10.3969/j.issn.1003-5788.2012.05.059.

[8]KAMRUZZAMANM，ELMASRYG，SUNDW，etal.ApplicationofNIRhyperspectralimagingfordiscriminationoflambmuscles[J].JournalofFoodEngineering，2011，104（3）：332-340.DOI：10.1016/j.jfoodeng.2010.12.024.

[9]FENGYZ，ELMASRYG，SUNDW，etal.Near-infraredhyperspectralimagingandpartialleastsquaresregressionforrapidandreagentlessdeterminationofEnterobacteriaceaeonchickenfillets[J].FoodChemistry，2013，138（2/3）：1829-1836.DOI：10.1016/j.foodchem.2012.11.040.

[10]BARBIND，ELMASRYG，SUNDW，etal.Near-infraredhyperspectralimagingforgradingandclassificationofpork[J].MeatScience，2012，90（1）：259-268.DOI：10.1016/j.meatsci.2011.07.011.

[11]ELMASRYG，SUNDW，ALLENP.Near-infraredhyperspectralimagingforpredictingcolour，pHandtendernessoffreshbeef[J].JournalofFoodEngineering，2012，110（1）：127-140.DOI：10.1016/j.jfoodeng.2011.11.028.

[12]KAMRUZZAMANM，ELMASRYG，SUNDW，etal.Non-destructiveassessmentofinstrumentalandsensorytendernessoflambmeatusingNIRhyperspectralimaging[J].FoodChemistry，2013，141（1）：389-396.DOI：10.1016/j.foodchem.2013.02.094.

[13]全胜，张燕华，万新民，等.基于高光谱成像技术的猪肉嫩度检测研究[J].光学学报，2010，30（9）：2602-2607.DOI：10.3788/AOS20103009.2602.

[14]ELMASRYG，SUNDW，ALLENP.Non-destructivedeterminationofwater-holdingcapacityinfreshbeefbyusingNIRhyperspectralimaging[J].FoodResearchInternational，2011，44：2624-2633.DOI：10.1016/j.foodres.2011.05.001.

[15]KAMRUZZAMANM，BARBIND，ELMASRYG，etal.Potentialofhyperspectralimagingandpatternrecognitionforcategorizationandauthenticationofredmeat[J].InnovativeFoodScienceandEmergingTechnologies，2012，16：316-325.DOI：10.1016/j.ifset.2012.07.007.

[16]KAMRUZZAMANM，MAKINOY，OSHITAS.Hyperspectralimagingforreal-timemonitoringofwaterholdingcapacityinredmeat[J].LWT-FoodScienceandTechnology，2016，66：685-691.DOI：10.1016/j.lwt.2015.11.021.

[17]KAMRUZZAMANM，MAKINOY，OSHITAS.Onlinemonitoringofredmeatcolorusinghyperspectralimaging[J].MeatScience，2016，116：110-117.DOI：10.1016/j.meatsci.2016.02.004.

[18]BARBINDF，ELMASRYG，SUNDW，etal.Non-destructiveassessmentofmicrobialcontaminationinporcinemeatusingNIRhyperspectralimaging[J].InnovativeFoodScienceandEmergingTechnologies，2013，17：180-191.DOI：10.1016/j.ifset.2012.11.001.

[19]PENGY，ZHANGJ，WANGW，eta1.Potentialpredictionofthemicrobialspoilageofbeefusingspatiallyresolvedhyperspectralscatteringprofiles[J].JournalofFoodEngineering，2011，102（2）：

163-169.DOI：10.1016/j.foodeng.2010.08.014.

[20]陶斐斐，王伟，李永玉，等.冷却猪肉表面菌落总数的快速无损检测方法研究[J].光谱学与光谱分析，2010，30（12）：3405-3409.DOI：10.3964/j.issn.1000-0593（2010）12-3405-05.

[21]赵杰文，惠矗黄林，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，2013，15（10）：97-99.

[22]王正伟，王家云，王松磊，等.基于VIS/NIR高光谱成像技术检测鸡肉嫩度[J].食品科技，2015（11）：270-274.DOI：10.13684/ki.spkj.2015.11.052.

[23]熊振杰.基于高光谱成像技术的鸡肉品质快速无损检测[D].广州：华南理工大学，2015.

[24]中疾病预防控制中心营养与食品安全所，辽宁出入境检验检疫局.GB4789.2―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.

[25]严衍禄，陈斌，朱大洲，等.近红外光谱分析的原理、技术与应用[M].

北京：中国轻工业出版社，2013：169-170.

[26]LIUD，SUNDW，QUJH，eta1.Feasibilityofusinghyperspectralimagingtopredictmoisturecontentofporcinemeatduringsaltingprocess[J].FoodChemistry，2014，152：197-204.DOI：10.1016/j.foodchem.2013.11.107.

[27]HEHJ，WUD，SUNDW.Rapidandnon-destructivedeterminationofdriplossandpHdistributioninfarmedAtlanticsalmon（Salmosalar）filletsusingvisibleandnear-infrared（Vis-NIR）hyperspectralimaging[J].FoodChemistry，2014，156：394-401.DOI：10.1016/j.foodchem.2014.01.118.

[28]KAMRUZZAMANM，ELMASRYG，SUNDW，eta1.Predictionofsomequalityattributesoflambmeatusingnear-infraredhyperspectralimagingandmultivariateanalysis[J].AnalyticaChimicaActa，2012，714：57-67.DOI：10.1016/j.aca.2011.11.037.