我國油料產(chǎn)品品質(zhì)的近紅外光譜快速檢測(cè)技術(shù)研究進(jìn)展

李 雪，王 督，白藝珍,4，喻 理,4，岳曉鳳,4，張 文， 張良曉*，李培武

(1.中國農(nóng)業(yè)科學(xué)院油料作物研究所，湖北 武漢 430062；2.農(nóng)業(yè)農(nóng)村部油料作物生物學(xué)與遺傳改良重點(diǎn)實(shí)驗(yàn)室， 湖北 武漢 430062；3.農(nóng)業(yè)農(nóng)村部油料作物風(fēng)險(xiǎn)評(píng)估重點(diǎn)實(shí)驗(yàn)室(武漢)，湖北 武漢 430062; 4.農(nóng)業(yè)農(nóng)村部油料及制品質(zhì)量監(jiān)督檢驗(yàn)測(cè)試中心，湖北 武漢 430062)

我國是油料生產(chǎn)和消費(fèi)大國，主要包括油菜籽、大豆、花生、葵花籽、胡麻、芝麻等[1]。油料及制品含有豐富的營養(yǎng)功能成分，如蛋白質(zhì)、脂肪酸、植物甾醇、多酚、維生素等，為人類健康提供了必需的能量供給和營養(yǎng)物質(zhì)[2]。因此，油料產(chǎn)品的質(zhì)量安全問題引起了消費(fèi)者的廣泛關(guān)注。目前，油料品質(zhì)的檢測(cè)主要采用傳統(tǒng)方法，如索氏提取法、杜馬斯定氮法、紫外光譜法、氣相色譜法、液相色譜法及色譜-質(zhì)譜聯(lián)用技術(shù)等，該類方法需要化學(xué)試劑，且操作復(fù)雜、耗時(shí)長、成本高，無法滿足現(xiàn)場(chǎng)快速無損檢測(cè)的需要[3-4]。與傳統(tǒng)方法相比，近紅外光譜技術(shù)是一種綠色、無損的快速檢測(cè)技術(shù)，具有操作簡(jiǎn)單、檢測(cè)成本低、無需化學(xué)試劑、綠色環(huán)保，以及可實(shí)現(xiàn)多品質(zhì)參數(shù)同步檢測(cè)等優(yōu)點(diǎn)，廣泛應(yīng)用于油料品質(zhì)的無損快速檢測(cè)[5-6]。

近紅外光譜區(qū)介于可見光與中紅外光譜區(qū)之間，波長范圍為780～2 500 nm，其中780～1 100 nm為近紅外長波，1 100～2 500 nm為近紅外短波[7-8]。近紅外光譜主要是含氫基團(tuán)伸縮和彎曲振動(dòng)的倍頻與合頻吸收，通過透射和漫反射兩種方式獲得，用于分析固體、液體、氣體等不同狀態(tài)樣品的物理化學(xué)性質(zhì)[9-12]。近紅外光譜儀通常由光源、單色儀、檢測(cè)器組成。常用光源包括鎢鹵素?zé)艉桶l(fā)光二極管陣列，檢測(cè)器包括InGaAs和InSb檢測(cè)器[13-14]。近紅外光譜速測(cè)包括：首先,選擇足量的代表性樣品，采集樣品原始光譜。由于背景及噪聲干擾，泛音和組合譜帶產(chǎn)生的近紅外光譜寬廣且高度重疊，導(dǎo)致從光譜中提取與油料品質(zhì)相關(guān)的信息困難。因此，需要采用化學(xué)計(jì)量學(xué)方法對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，去除光譜數(shù)據(jù)的冗余信息[15]。其次，建立油料品質(zhì)指標(biāo)的預(yù)測(cè)模型。波長選擇對(duì)模型建立至關(guān)重要，通過消除不相關(guān)或非線性的變量，獲得魯棒性良好的模型[16]。最后，評(píng)價(jià)預(yù)測(cè)模型和進(jìn)行未知樣品測(cè)定。一般采用決定系數(shù)(Coefficient of determination,R2)，預(yù)測(cè)相關(guān)系數(shù)(Correlation coefficients for prediction,Rp)、驗(yàn)證相關(guān)系數(shù)(Correlation coefficients for calibration ,Rc)、預(yù)測(cè)均方根誤差(Root mean square error of prediction,RMSEP)和交叉驗(yàn)證均方根誤差(Root mean square error of cross-validation,RMSECV)等參數(shù)評(píng)價(jià)預(yù)測(cè)模型。R2是預(yù)測(cè)值與化學(xué)方法測(cè)定值樣本集(校準(zhǔn)、交叉驗(yàn)證或預(yù)測(cè))性能的量度，RMSEP和RMSECV是預(yù)測(cè)集和交叉驗(yàn)證集預(yù)測(cè)值和化學(xué)方法測(cè)定值之間差異的量度[17]。通常R2、Rp、Rc 越大，RMSEP和RMSECV越小，則模型性能越好[18]。近紅外光譜技術(shù)與化學(xué)計(jì)量學(xué)方法相結(jié)合已廣泛應(yīng)用于油料產(chǎn)品品質(zhì)的速測(cè)。本文綜述了我國油料和食用植物油品質(zhì)的近紅外光譜速測(cè)技術(shù)研究進(jìn)展，包括油料含油量、粗蛋白含量、脂肪酸含量等品質(zhì)指標(biāo)，以及食用油的理化指標(biāo)的測(cè)定，脂肪酸和食用油真實(shí)性的鑒別，并對(duì)油料產(chǎn)品品質(zhì)的近紅外光譜速測(cè)技術(shù)的發(fā)展前景進(jìn)行了展望。

1 近紅外光譜技術(shù)在油料品質(zhì)中的應(yīng)用

1.1 油料含油量與粗蛋白質(zhì)含量的測(cè)定

含油量、粗蛋白質(zhì)含量是油料最重要的品質(zhì)指標(biāo)。近年來，基于近紅外光譜的油料中含油量與粗蛋白質(zhì)含量的快速檢測(cè)方法得到快速發(fā)展，并已經(jīng)廣泛應(yīng)用于油菜籽、大豆、芝麻等主要油料。陳斌等[19]采用微型近紅外光譜儀測(cè)定油菜籽含油量，采用不同預(yù)處理方法優(yōu)選波長和優(yōu)化參數(shù)，結(jié)合偏最小二乘回歸和最小二乘支持向量機(jī)方法建模，兩種化學(xué)計(jì)量學(xué)方法建立的模型Rp分別為0.933 0、0.919 2，RMSEP分別為0.007 5、0.005 5。證明微型近紅外光譜儀可用于油菜籽含油量的檢測(cè)，同時(shí)為微型近紅外光譜儀測(cè)定其他油料作物的品質(zhì)指標(biāo)提供了參考。李英等[20]通過采集油菜籽的近紅外光譜對(duì)其含油量進(jìn)行預(yù)測(cè)，得到Q值為0.512，相關(guān)系數(shù)(R)為0.73。李殿平等[21]利用近紅外光譜技術(shù)對(duì)大豆籽粒中的含油量和粗蛋白質(zhì)含量進(jìn)行快速無損檢測(cè)，相關(guān)系數(shù)與經(jīng)典測(cè)定含油量的索氏提取法與粗蛋白質(zhì)的凱氏定氮法結(jié)果相比，偏差均小于1.36個(gè)百分點(diǎn)，實(shí)現(xiàn)了近紅外光譜技術(shù)測(cè)定大豆籽粒中的含油量和粗蛋白質(zhì)含量。溫冰消等[22]利用近紅外光譜技術(shù)檢測(cè)了鮮食大豆中的含油量和可溶性粗蛋白含量。王麗萍等[23]通過近紅外漫反射光譜法檢測(cè)了粉末和完整大豆中的含油量和粗蛋白質(zhì)含量，構(gòu)建的粉末大豆和完整大豆的含油量和粗蛋白質(zhì)含量模型的R2大于0.87，從而達(dá)到很好的預(yù)測(cè)性能，實(shí)現(xiàn)了近紅外漫反射光譜法預(yù)測(cè)粉末和完整大豆的含油量和粗蛋白質(zhì)含量。趙影等[24]利用近紅外谷物分析儀對(duì)大豆中的粗蛋白質(zhì)含量進(jìn)行檢測(cè)，與凱氏定氮法結(jié)果相比較，偏差均小于1 g/100 g，相對(duì)誤差均小于2%，研究結(jié)果顯示近紅外光譜法預(yù)測(cè)大豆中粗蛋白質(zhì)含量的效果良好，可用于大豆中粗蛋白質(zhì)含量的檢測(cè)。郅建軍[25]利用LD近紅外芝麻脂肪檢測(cè)儀選用不同的預(yù)處理方法優(yōu)選特征波長，結(jié)合隨機(jī)森林算法建立了芝麻含油量的近紅外模型，最優(yōu)模型的Rc和Rp分別為0.963 8、0.929 5,校正均方根誤差(Root mean square error of calibration,RMSEC)和RMSEP分別為0.009 4、0.012 5。表明LD近紅外芝麻脂肪檢測(cè)儀可快速測(cè)定芝麻含油量。劉盼等[26]利用改進(jìn)的偏最小二乘法建立了芝麻中含油量和粗蛋白質(zhì)含量的近紅外模型，測(cè)得預(yù)測(cè)值和化學(xué)值的相關(guān)系數(shù)良好，分別為0.970 2和0.975 6。研究結(jié)果表明近紅外光譜技術(shù)可以實(shí)現(xiàn)芝麻中含油量和粗蛋白質(zhì)含量的快速測(cè)定。

近紅外光譜法檢測(cè)油料含油量和粗蛋白質(zhì)含量表現(xiàn)出良好的準(zhǔn)確度和預(yù)測(cè)性能，從而為快速準(zhǔn)確測(cè)定油料含油量和粗蛋白質(zhì)含量提供了技術(shù)支撐。

1.2 油料脂肪酸含量的測(cè)定

油菜籽、花生、紫蘇、向日葵籽仁中含有豐富的不飽和脂肪酸，營養(yǎng)價(jià)值高，利用近紅外光譜技術(shù)可實(shí)現(xiàn)油料脂肪酸含量的快速測(cè)定。原喆等[27]建立了油菜籽中油酸、芥酸、棕櫚酸、硬脂酸、亞油酸、亞麻酸、花生酸等10種脂肪酸的近紅外模型，所建模型的預(yù)測(cè)結(jié)果良好，可用于油菜籽中脂肪酸的測(cè)定。張曉科等[28]選取自然風(fēng)干的花生作為實(shí)驗(yàn)材料，采集其近紅外光譜，并測(cè)定其油酸、亞油酸、棕櫚酸含量，建立的近紅外模型R2分別為0.891 6、0.908 5、0.792 1,RMSECV分別為2.62、2.00、0.525。模型效果良好，因此可以更好地實(shí)現(xiàn)高油酸花生品種的選育。張鶴[29]采用改進(jìn)偏最小二乘法回歸技術(shù)建立了花生中油酸、亞油酸、棕櫚酸模型。商志偉等[30]構(gòu)建了基于近紅外光譜技術(shù)的紫蘇中棕櫚酸、硬脂酸、油酸、亞油酸、α-亞麻酸的模型。汪磊等[31]利用近紅外光譜技術(shù)測(cè)定了向日葵籽仁中油酸、亞油酸、飽和脂肪酸和不飽和脂肪酸的含量，并采用改進(jìn)偏最小二乘法建立了最優(yōu)模型，結(jié)果顯示相關(guān)系數(shù)和決定系數(shù)均較高，可實(shí)現(xiàn)向日葵籽仁中油酸、亞油酸、飽和脂肪酸和不飽和脂肪酸含量的預(yù)測(cè)。與此同時(shí)，近紅外光譜還在單粒樣品中脂肪酸含量的測(cè)定上取得了突破，李建國等[32]建立了單粒花生中主要脂肪酸含量的近紅外模型，油酸、亞油酸、棕櫚酸的預(yù)測(cè)結(jié)果R2分別為 0.907、0.918、0.824，RMSECV分別為3.463、2.824、0.782。單?；ㄉ兄饕舅岷磕Ｐ偷慕楦咝нx定高油酸花生提供了方法與依據(jù)。

1.3 油料其它品質(zhì)參數(shù)的測(cè)定

近紅外光譜技術(shù)不僅用于油料作物中含油量、粗蛋白質(zhì)含量和脂肪酸含量的快速測(cè)定，還用于糖類、維生素、葉綠素、總酚等營養(yǎng)指標(biāo)的檢測(cè)。秦利等[33]利用近紅外光譜儀結(jié)合偏最小二乘法實(shí)現(xiàn)了花生籽仁中蔗糖含量的測(cè)定，R2為0.822，校正標(biāo)準(zhǔn)誤差為0.386，交叉檢驗(yàn)標(biāo)準(zhǔn)誤差為0.480。結(jié)果表明可利用近紅外光譜技術(shù)替代化學(xué)測(cè)定方法預(yù)測(cè)花生籽仁中的蔗糖含量。王瀟瀟等[34]選取去皮豆粕、膨化豆粕、發(fā)酵豆粕及膨化大豆4種大豆制品共160個(gè)樣品，利用近紅外光譜技術(shù)測(cè)定其蔗糖、棉籽糖及水蘇糖含量，結(jié)果表明去皮豆粕、膨化豆粕及膨化大豆的構(gòu)建模型效果良好，但測(cè)得發(fā)酵大豆中各種寡糖含量的誤差較大，因此模型的建立適用于除發(fā)酵大豆之外的其他3種大豆制品中寡糖的測(cè)定。劉婷等[35]利用反相高效液相色譜法測(cè)定了自然風(fēng)干花生種子中維生素E的含量，同時(shí)利用近紅外光譜儀采集其近紅外光譜，并采用一階導(dǎo)數(shù)和多元散射校正的預(yù)處理方法建立了花生種子中維生素E的近紅外模型，測(cè)得R2為88.34，RMSECV為0.423，實(shí)現(xiàn)了利用近紅外光譜技術(shù)對(duì)花生中維生素E含量的測(cè)定。原喆[27]建立了油菜籽中維生素E總量的近紅外模型。李雪等[36]建立了基于近紅外光譜油菜籽中葉綠素含量的模型，結(jié)果顯示R2為0.944 6，RMSECV 為1.36。表明所建模型可以很好地預(yù)測(cè)油菜籽中的葉綠素含量。汪丹丹[37]選取具有代表性的332份油菜籽樣品，利用近紅外光譜技術(shù)檢測(cè)油菜籽中的總酚含量，模型評(píng)價(jià)結(jié)果R2為0.972 8，RMSECV 為124.54，測(cè)定結(jié)果顯示近紅外光譜技術(shù)作為一種快速無損檢測(cè)技術(shù)可用于菜籽中總酚含量的預(yù)測(cè)。

2 近紅外光譜技術(shù)在食用油品質(zhì)中的應(yīng)用

2.1 食用油理化指標(biāo)的測(cè)定

碘值是測(cè)定油脂不飽和度的指標(biāo)，酸價(jià)、過氧化值可用于確定食用油氧化酸敗的程度。作為油脂中的重要化學(xué)指標(biāo)，可以利用近紅外光譜技術(shù)對(duì)其實(shí)現(xiàn)快速檢測(cè)。秦修遠(yuǎn)等[38]利用近紅外光譜儀分析棕櫚油碘值，通過競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(Competitive adaptive reweighted sampling,CARS)選擇變量?jī)?yōu)化模型，得到Rp、Rc、RMSEP、RMSEC分別為0.980 6、0.981 4、0.040 6、0.039 8，結(jié)果顯示近紅外光譜法可用作棕櫚油碘值的快速測(cè)定，也為其他食用油中碘值的測(cè)定提供了方法參考。周小華等[39]采用移動(dòng)窗口偏最小二乘法選擇光譜區(qū)間，結(jié)合偏最小二乘法建立花生油酸價(jià)模型，結(jié)果顯示Rp、Rc分別為0.996 9、0.993 2，RMSEP、RMSECV分別為0.131 5、0.247 76，實(shí)現(xiàn)了近紅外光譜技術(shù)快速測(cè)定花生油酸價(jià)。張欣等[40]測(cè)定花生油酸價(jià)和過氧化值，通過選擇最佳預(yù)處理方法建立了近紅外模型，得到酸價(jià)和過氧化值的建模結(jié)果R2分別為93.88、91.93，RMSECV分別為0.074、1.23。表明所建模型能滿足花生油過氧化值和酸價(jià)的測(cè)定。彭博等[41]通過去趨勢(shì)技術(shù)聯(lián)用算法的預(yù)處理方法與粒子群算法的參數(shù)優(yōu)化方法相結(jié)合，利用近紅外光譜技術(shù)測(cè)定了61份植物油的過氧化值，預(yù)測(cè)集和校正集的相關(guān)系數(shù)均大于90%。表明近紅外光譜技術(shù)可實(shí)現(xiàn)植物油中過氧化值的預(yù)測(cè)。曹小華等[42]建立了近紅外光譜技術(shù)快速測(cè)定大豆油中過氧化值的模型。

2.2 在脂肪酸中的應(yīng)用

近紅外光譜技術(shù)不僅用于油料中脂肪酸的檢測(cè)，還用于食用油中脂肪酸含量的測(cè)定。吳靜珠等[43]通過組合間隔偏最小二乘算法優(yōu)選變量，建立了食用油中油酸含量測(cè)定的近紅外模型，R2、RMSECV、RMSEP分別為0.995 0、1.037 2、0.924 6，表明所建模型的預(yù)測(cè)結(jié)果良好。李希熙[44]采集了145個(gè)菜籽油的近紅外光譜，建立了菜籽油中油酸、亞麻酸、棕櫚酸、硬脂酸、花生一烯酸和芥酸的近紅外預(yù)測(cè)模型，模型擬合精度良好。由此可見，近紅外光譜技術(shù)為菜籽油中多種脂肪酸的同時(shí)測(cè)定提供了一種快速無損的方法。趙志偉[45]采用偏最小二乘法建立了白檀果實(shí)油中油酸、亞油酸、棕櫚酸的近紅外模型，結(jié)果顯示具有較高的驗(yàn)證決定系數(shù)和較低的驗(yàn)證均方差。預(yù)測(cè)模型能對(duì)白檀果實(shí)油中油酸、亞油酸、棕櫚酸含量進(jìn)行快速測(cè)定。何小三等[46]利用近紅外光譜技術(shù)結(jié)合偏最小二乘法實(shí)現(xiàn)了茶油中脂肪酸含量的測(cè)定。郝勇等[47]分別將棕櫚油和菜籽油以一定比例摻入山茶油中配制76份山茶油混合油，利用偏最小二乘回歸法建立了山茶油混合油中油酸和亞油酸的測(cè)定模型，結(jié)果表明近紅外光譜技術(shù)可用于山茶油混合油中油酸和亞油酸的測(cè)定。

2.3 在食用植物油真實(shí)性鑒別中的應(yīng)用

山茶油、核桃油、橄欖油等食用油因其營養(yǎng)價(jià)值高受到消費(fèi)者青睞，但由于其價(jià)格高，一些不法商販在利益驅(qū)使下，將廉價(jià)食用油摻入山茶油、核桃油、橄欖油等高價(jià)食用油中。為了維護(hù)消費(fèi)者的合法權(quán)益，保障食用油產(chǎn)業(yè)健康發(fā)展，亟需建立食用油真實(shí)性鑒別技術(shù)，尤其是以近紅外光譜為代表的食用油真實(shí)性快速鑒別技術(shù)。表1綜述了近紅外光譜技術(shù)在食用油摻偽鑒別中的應(yīng)用。

表1 近紅外光譜技術(shù)在食用油摻偽鑒別中的應(yīng)用Table 1 Application of NIR in the adulterated identification of edible oils

褚璇等[48]利用近紅外光譜技術(shù)對(duì)純山茶油和摻有葵花籽油的山茶油進(jìn)行檢測(cè)，采用主成分-支持向量機(jī)法能夠?qū)兩讲栌秃蛽接锌ㄗ延偷纳讲栌瓦M(jìn)行判別分析，準(zhǔn)確率分別為96.38%和94.20%。韓蔚強(qiáng)[49]實(shí)現(xiàn)了近紅外光譜技術(shù)鑒別特級(jí)初榨橄欖油中玉米油的摻偽，采用迭代保留信息變量結(jié)合聯(lián)合區(qū)間偏最小二乘法建立模型，測(cè)定Rc、Rp分別為0.999 2和0.997 2，RMSECV、RMSEP分別為0.005 6和0.014 0。所建模型能夠準(zhǔn)確預(yù)測(cè)特級(jí)初榨橄欖油中玉米油的摻偽。蔡立晶等[50]利用近紅外光譜技術(shù)準(zhǔn)確判別純大豆油與摻有豬油的大豆油。陳洪亮[51]采用K-SVD算法優(yōu)選波長特征變量，與支持向量機(jī)方法相結(jié)合測(cè)定芝麻油的摻假和摻假油的種類，純芝麻油、芝麻油摻雜大豆油或者菜籽油的準(zhǔn)確判別率為100%。近紅外光譜已經(jīng)成功應(yīng)用于山茶油、橄欖油、大豆油和芝麻油等食用油的摻假鑒別。

近年來，近紅外光譜技術(shù)在食用油多元摻假鑒別上取得了突破。涂斌等[52]利用激光近紅外光譜技術(shù)結(jié)合支持向量機(jī)回歸法實(shí)現(xiàn)了稻米油的摻偽鑒別。曾路路等[53]通過近紅外光譜技術(shù)對(duì)花生油中摻雜的餐飲廢棄油、大豆油、玉米油、菜籽油進(jìn)行檢測(cè)，既能實(shí)現(xiàn)純花生油與摻假花生油100%的正確分類，又能實(shí)現(xiàn)摻假量的預(yù)測(cè)。李穎等[54]建立了近紅外光譜技術(shù)結(jié)合最小二乘支持向量機(jī)法對(duì)火麻油的摻偽鑒別模型，通過CARS選取特征變量，結(jié)果顯示火麻油中摻假玉米油、大豆油、葵花籽油、花生油的R2均大于0.90。所建模型能夠?qū)崿F(xiàn)火麻油中玉米油、大豆油、葵花籽油、花生油的摻假。Yuan等[55]利用正交校正的偏最小二乘判別分析選取了亞麻籽油的184個(gè)特征波長，建立了基于近紅外光譜的單類偏最小二乘多元目標(biāo)摻偽鑒別模型。結(jié)果顯示當(dāng)摻偽量≥5% 時(shí)，亞麻籽油的正確判別率達(dá)到100%，摻假亞麻籽油的正確判別率達(dá)95.8%，為食用植物油多元摻偽快速鑒別提供了一種新的思路和技術(shù)支撐。孫通等[56]利用近紅外光譜技術(shù)結(jié)合偏最小二乘-線性判別分析對(duì)山茶油中摻入花生油、大豆油、菜籽油和混合油進(jìn)行檢測(cè)，子窗口重排分析的波長變量篩選方法能夠?qū)兩讲栌蜆颖竞蛽郊俚纳讲栌蜆颖具M(jìn)行100%正確分類，可實(shí)現(xiàn)山茶油的摻偽鑒別。彭星星等[57]對(duì)摻入菜籽油、大豆油和玉米油的核桃油進(jìn)行鑒別，當(dāng)核桃油摻入其中1種、2種或3種油時(shí)其預(yù)測(cè)結(jié)果均良好，Rc、交叉驗(yàn)證集性能指數(shù)(Rcv)均大于0.99，表明近紅外光譜技術(shù)可實(shí)現(xiàn)核桃油中菜籽油、大豆油和玉米油的摻假鑒別。俞雅茹[58]建立了芝麻油和油茶籽油的二元、三元和多元摻偽模型。姚婉清等[59]利用近紅外光譜技術(shù)對(duì)山茶油中摻入花生油、玉米油和花生油與玉米油的二元和三元摻假進(jìn)行建模，所建模型效果良好，可以實(shí)現(xiàn)對(duì)山茶油的多元摻假判別。張亦婷等[60]對(duì)純正芝麻油和摻有芝麻香精的豆油、菜籽油和玉米油進(jìn)行摻偽研究，采用近紅外光譜法與極限學(xué)習(xí)機(jī)模式識(shí)別算法相結(jié)合成功預(yù)測(cè)了純正芝麻油與假冒芝麻油，預(yù)測(cè)正確率為100%。與此同時(shí)，對(duì)食用油不同等級(jí)間的摻偽鑒別研究也是近年的研究熱點(diǎn)。

3 近紅外光譜技術(shù)在油料產(chǎn)品品質(zhì)檢測(cè)中的應(yīng)用前景與展望

隨著社會(huì)發(fā)展和人民生活水平的提高，人們對(duì)優(yōu)質(zhì)營養(yǎng)健康食用油料油脂的需求越來越大。油料和食用油的品質(zhì)檢測(cè)在優(yōu)良油料品質(zhì)選育、優(yōu)質(zhì)食用油開發(fā)和生產(chǎn)中發(fā)揮著重要作用。近紅外光譜技術(shù)作為快速無損檢測(cè)技術(shù)，具有快速、無損、穩(wěn)定性高、不消耗化學(xué)試劑，以及可實(shí)現(xiàn)多組分同時(shí)檢測(cè)的優(yōu)點(diǎn)，在油料和食用油品質(zhì)檢測(cè)中廣為應(yīng)用。近紅外光譜技術(shù)已廣泛用于油料含油量、粗蛋白質(zhì)含量、脂肪酸含量等品質(zhì)指標(biāo)的檢測(cè)以及食用油真實(shí)性鑒別。近年來，近紅外光譜技術(shù)與成像技術(shù)相結(jié)合的近紅外高光譜成像技術(shù)，成為油料油脂品質(zhì)指標(biāo)檢測(cè)與食用油真實(shí)性鑒別的新發(fā)展方向。同時(shí)，近紅外光譜技術(shù)在酚類物質(zhì)、甾醇、維生素等特異品質(zhì)指標(biāo)檢測(cè)上取得突破，通過優(yōu)化和開發(fā)新型化學(xué)計(jì)量學(xué)方法進(jìn)行樣品識(shí)別、變量選擇、模型應(yīng)用域評(píng)估，近紅外光譜在快速測(cè)定油料與食用油的特異品質(zhì)中發(fā)揮著更重要作用。此外，近紅外光譜儀小型化、智能化、便攜化也是今后發(fā)展的重要方向，開發(fā)信噪比高、穩(wěn)定性好的近紅外光譜儀，實(shí)現(xiàn)現(xiàn)場(chǎng)或在線檢測(cè)，從而節(jié)省時(shí)間、提高效率，對(duì)發(fā)揮近紅外光譜優(yōu)勢(shì)，促進(jìn)油料產(chǎn)業(yè)高質(zhì)量發(fā)展具有重要意義。