在禽肉工业生产中，肌病防控一直是影响鸡肉产量和品质的重要因素。尤其是鸡胸肉这种高价值的部位，常常受到木胸、意大利面肉等肌肉病变的困扰，一旦发生，会导致肉质硬化、汁液流失，严重损害产品价值。传统的肌病检测往往依赖人工触诊和视觉评估，不仅主观性强、效率低下，而且存在漏检与误判的风险。
近期，IRTA西班牙农业食品研究技术研究所的团队在国际期刊《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》上发表了一项研究，提出了一种创新解决方案：通过可见-近红外高光谱成像（VIS-NIR HSI）技术，实现鸡胸肌病的检测与分类。这一研究为禽肉行业提供了新的技术手段，不仅能识别肌病，还能预测肉品在冷藏过程中的质量变化，帮助减少食品浪费。
图1.研究框架。
研究方法
（1）实验设计与样本选择
• 试验一 (肌病鉴别)：选取98只鸡胴体，分区域评估并标注肌病类型（N, WB, SM, WS）；
• 试验二 (保质期评估)：选取77只鸡胴体，经气调包装后于4.8°C下冷藏14天，并定期采样；
（2）高光谱成像数据采集
研究选择Resonon Pika L型高光谱成像仪进行图像采集，其系统配置如下：
ö 光谱范围：386–1016 nm；
ö 光谱分辨率：2.0 nm；
ö 相机类型：线扫描式，每一条线捕获900个像素，在反射传感模式下共记录1700条线；
ö 照明系统：4个50 W卤钨灯；
ö 采集软件：Spectronon Pro；
每次扫描前均进行黑白校正，以消除环境噪声，确保数据准确性；
（3）数据分析
使用Matlab处理光谱数据，将鸡胸肉划分为三个区域，选取WB和SM共存区域。通过标准正态变换（SNV）消除光散射效应，利用PCA和SVM构建分类模型，并比较了全光谱与近红外波段的分类效果。
图2.流程图总结了两项试验的实验设计。
图3.试验1中样本（98个样本，304个光谱）按肌病存在情况划分的平均可见光-近红外吸收光谱。
图4.主成分(PC)1与PC2 (A) 以及PC2与PC3 (B) 的样本得分图。前三个主成分在每个波长上的负载 (C)。
表1.使用试验1的样本（98个样本，304个光谱）开发的分类模型的性能。总体准确率=76.1%。
图5.A、B图为主成分（PC）评分值绘制的样本。C图为前三个PC在每个波长上的负载。
图6.根据实验2的样本（77个样本，234个光谱），按采样日计算的平均可见光-近红外SNV校正光谱。
表2.利用可见光-近红外光谱或仅近红外光谱范围的234个光谱（来自77个样本）构建的SVM模型的混淆矩阵。
研究结果
1. 肌病鉴别
✅高光谱技术可有效区分不同鸡胸肌病，整体分类准确率达76.1%；
✅意大利面肉光谱特征显著，尤其在416 nm处吸光度，与正常肉区分准确率高达94.4%；
✅木质化胸吸光度整体偏低，尤其在980 nm水峰附近，反映其水分状态异常；
❌正常肉与白纹肉光谱极为相似，模型难以区分，准确率仅为37.9%；
2.冷藏品质演变
��鸡肉在14天冷藏中，肌红蛋白逐步氧化，光谱从脱氧型逐步转为氧合与高铁肌红蛋白特征；
��近红外区域是监测关键：仅使用800–1015 nm光谱所建模型，对存储天数的预测准确率高达99.3%，表现远超全光谱模型。
结语
这项研究展示了高光谱成像技术在禽肉行业中的巨大潜力，不仅能够识别鸡胸中的肌病，还能预测其在冷藏过程中的质量变化。这为肉类品质控制提供了有效、非破坏性的解决方案，有助于减少食品浪费，提高产品价值。未来，随着技术的进步和应用普及，这一方法有望在食品行业中广泛应用，推动更智能化的食品质量管理。
发表期刊：Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy【影响因子：4.6】
研究单位：IRTA西班牙农业食品研究技术研究所、挪威食品与渔业研究所诺菲玛公司等
使用设备：Resonon Pika L型高光谱成像仪
