近紅外光譜技術在食品成分檢測中的研究進展

王建偉，葉升

(1.天津大學 生命科學學院，天津 300072；2.杭州娃哈哈集團有限公司，杭州 310009)

食品的營養價值取決于食品中營養成分的含量，通常來說，食品的營養成分包括蛋白質、糖類、脂肪、水分等，這些成分的含量對食品的感官品質及口感、風味都有重要的影響，是評價食品品質和營養價值的重要指標。通過分析化學及儀器分析方法對食品成分進行檢測，是目前食品成分檢測的常規方法。這些方法雖然具有檢測精度高的優點，但受限于實驗操作復雜、存在試劑消耗、檢測速度慢、對樣品有破壞等缺點，其已無法滿足食品生產和質量檢測過程中大規模、快速、無損檢測的需求。

近紅外光是指波長介于可見區和中紅外區的電磁波，其波長范圍約為760～2500 nm。在近紅外區域中，光譜的主要信息來源于C-H、N-H和O-H等含氫基團的倍頻和合頻吸收。通過檢測樣品的近紅外光譜，不僅能得到分子的結構、組成信息，還能得到樣品的物理狀態信息，從而可實現對樣品內各成分的定量或定性檢測[1-3]。近紅外光譜技術無需對樣品做嚴格的預處理，可檢測固體、液體、粉末等多種狀態的樣品，具有檢測速度快、精度高、無損、無污染等優點，目前已被廣泛應用于食品質量和食品安全檢測領域[4-7]。

本文綜述了近紅外光譜技術在食品成分檢測中的應用，首先對近紅外光譜技術的特點和優勢進行了概括，然后對近紅外光譜技術應用于食品中蛋白質、糖類、脂肪、調味品等成分的定量或定性分析方面的研究進行了闡述，最后對近紅外光譜技術應用于食品成分檢測進行了總結和展望。

1 近紅外光譜技術用于食品成分檢測的優勢

近紅外光譜技術在食品成分定量、定性分析領域有著廣泛的應用，其具有應用范圍廣、非破壞性、檢測速度快、操作簡單等優點。

1.1 應用范圍廣泛

近紅外光譜中的主要信息來源為C-H、N-H和O-H等含氫基團的倍頻和合頻吸收，幾乎可應用于所有具有含氫基團樣品的理化性質檢測。同時，近紅外光譜有較強的穿透能力，具有多種光譜采集方式，可應用于液體、固體、粉末、氣體等多種狀態樣品的檢測。

1.2 非破壞性

近紅外光譜技術不需要對樣品進行任何化學或物理方式的預處理，即可獲得樣品的物質信息。因此，近紅外光譜技術可對樣品進行非破壞性的檢測，有利于實現樣品的原位檢測和在線分析。

1.3 檢測速度快

近紅外光譜技術測量速度快，通常可在1 min內完成光譜的測量。在建立樣品的成分預測模型后，通過單次測量樣品的光譜數據，即可實現多種組分的定性或定量分析，因此可實現在線分析。

1.4 操作簡單

近紅外光譜分析通常基于一個已建立好的、穩定的分析模型，整個分析流程中不需要實驗人員過多操作，檢測結果受人為因素干擾小，比常規分析方法操作簡單，且具有更好的重現性。

2 近紅外光譜技術在食品成分檢測中的應用

近紅外光譜技術具有快速、便捷、高效等優點，目前已被廣泛應用于食品成分檢測領域[8-9]，如食品中蛋白質、糖類、脂肪、調味品及其他成分的檢測。

2.1 蛋白質檢測

蛋白質是乳制品、谷物、肉類等食物的主要營養成分，蛋白質的含量直接影響到食物的食用口感、加工特性和營養價值，因此在生產過程中需要對蛋白質含量進行檢測，以確保食品品質。目前，常規的蛋白質含量檢測方法為凱氏定氮法，其實驗操作較為繁瑣、檢測時間長，是一種破壞性的檢測方法，不適合食品生產過程中的實時檢測和質量控制。近紅外光譜技術具有不破壞樣品、快速、無污染的優點，可用于乳制品、谷物、肉類中的蛋白質含量檢測。

方雄武等[10]搭建了一套近紅外透射光譜系統，并采集了同一批次的200個牛奶樣品，經化學方法測定蛋白質含量后，在650～950 nm范圍內采集了樣品的近紅外光譜，用多元線性回歸方法建立了牛奶中蛋白質的定量分析模型，模型的校驗集決定系數大于0.9，預測效果良好。趙明富等[11]選擇了不同波段的牛奶光譜數據，并采用吸光度、吸光比、吸光值3種光譜方式，結合偏最小二乘法建立了牛奶中蛋白質含量的近紅外預測模型。研究結果表明，由吸光度光譜建立的模型更為精確，相關系數達到了0.99以上，且蛋白質在2180 nm處建立的預測模型比2056 nm處建立的模型準確度要高。

陳素彬等[12]采集了不同產地、不同品種的248種小麥樣本的近紅外光譜，并用凱氏定氮法測得其標準蛋白質含量，經光譜預處理、樣本集劃分、建模參數優化后，確認LS-SVM(最小二乘支持向量機)模型具有最優的小麥蛋白質含量預測性能，其相對分析誤差RPD為8.02，達到國際谷物科技協會標準等級“非常好”，可用于實際檢測工作。王純陽等[13]以水稻突變體庫為分析對象，研究了漫反射、透射、透反射3種檢測模式對水稻近紅外光譜及定量模型的影響。研究結果表明，在透射光譜檢測模式下，可以建立準確度較高的單粒稻種蛋白質定量模型，偏最小二乘(PLS)模型的決定系數R2為0.96，預測均方根誤差RMSEP為0.24%，且該模型對不同來源的水稻種子具有適用性，可應用于水稻育種行業。

牛曉穎等[14]采集了40份不同個體和部位的驢肉肉塊樣品在4000～12500 cm-1的近紅外光譜數據，并用常規化學方法測定樣品中蛋白質含量作為參考數據，使用偏最小二乘回歸降維結合支持向量回歸算法建立了驢肉的蛋白質含量預測模型，其交叉驗證均方根誤差和相對預測誤差分別達到了0.111%和14.39，模型預測精度比較高，可對驢肉的蛋白質含量進行可靠的檢測。趙文英等[15]采集了牛、羊、豬肉樣品在4000～10000 cm-1的近紅外光譜數據，并用偏最小二乘法分別建立了3種樣品及混合鮮肉肉糜的蛋白質含量定量分析模型，實驗結果表明混合鮮肉肉糜的預測集相關系數為0.929，預測均方根誤差為0.669，模型可很好地實現鮮肉蛋白質含量的快速測定。

2.2 糖類檢測

糖類是水果中重要的營養素和風味物質，它影響著水果的成熟度、口感和品質。水果內的糖類主要為蔗糖、果糖和葡萄糖，其中蔗糖為最主要的積累形式，在酶的作用下，蔗糖可轉化為另外兩種糖。糖含量的傳統檢測方法為折射儀、糖度計等，檢測過程費時費力，而近紅外光譜技術具有無損、快捷、精度高等優點，是水果中糖含量檢測的發展趨勢。

雷鷹等[16]以不同品種的蘋果為研究對象，采集其在900～1700 nm外的近紅外光譜數據，并用糖度計測定其糖度值作為參考，經光譜預處理和波段優化后，利用偏最小二乘回歸法建立了蘋果糖度的預測模型，其預測相關系數為0.919，預測均方根誤差為0.237，可對11.2～16.3 Brix范圍內的蘋果進行糖度預測。盛曉慧等[17]采集了香梨在9140～19920 cm-1外的近紅外光譜數據，利用高效液相色譜法測定其可溶性糖含量，經波段優選，建立了基于最小二乘支持向量機算法的香梨可溶性糖預測模型，其預測相關系數為0.976，預測均方根誤差為2.313，可實現香梨可溶性糖的在線精準檢測。李雄等[18]采用近紅外光譜漫反射技術結合偏最小二乘模型，實現了不同品種柚子糖度的無損在線檢測，建立模型的預測相關系數為0.86，預測均方根誤差為0.55，對柚子的在線分級具有參考意義。劉燕德等[19]研究了臍橙尺寸對近紅外在線檢測精度的影響，建立了漫透射、多點發射與接收漫反射、環形發射與接收漫反射3種檢測方式下的大果、小果、混合果糖糖度的PLS(偏最小二乘法)模型。其中在漫透射檢測方式下，混合果糖度預測模型的預測效果最優，預測相關系數為0.84，預測均方根誤差為0.64，該研究為不同尺寸臍橙的糖度在線檢測提供了參考。楊泉女等[20]利用酶法測定了104份甜玉米的總多糖和淀粉的含量，采集了其近紅外光譜數據，分別建立了甜玉米種子的總多糖和淀粉含量預測模型，為篩選超甜、高淀粉含量的玉米種子提供了有效的方法。

2.3 脂肪檢測

脂肪是人體每天必須攝入的一種營養物質，攝入過多或過少都會對人體健康造成不良影響，因此脂肪含量檢測是食品品質檢測的重要依據。目前，我國的脂肪含量檢測方法通常為索氏提取法、酸水解法、堿水解法等國標檢測方法，其具有檢測結果準確的優點，但實驗操作過于繁瑣，需要對樣本進行預處理，耗時較長，無法進行大批量檢測，不能滿足快速檢測的需求。近紅外光譜技術作為一種綠色、快速、非破壞性的分析技術，適用于大規模樣本的快速檢測。近年來，國內外報道了很多用近紅外光譜技術對肉制品、大豆等食物中脂肪含量進行檢測的工作，驗證了它具有良好的檢測效果。

花錦等[21]對豬肉、牛肉、羊肉、鮮肉的近紅外光譜數據進行采集，同時用索氏提取法對樣本的脂肪含量進行了檢測，作為建模的數據集，并對最佳模型波段和光譜預處理方法進行了研究，最終建立了基于偏最小二乘法的脂肪含量預測模型。實驗結果表明，不同的肉類樣本的最佳建模波段和光譜預處理方法不同，所建立的4種模型都具有較高的精度，符合不同肉類制品的實際檢測需求。陳悅[22]收集了963份來自不同地區、不同土壤類型、不同種類的大豆樣品，用國標檢測方法檢測其粗脂肪含量和水分含量，并挑選了413份含量分布具有代表性的樣品，用近紅外光譜儀對大豆樣品進行光譜采集，作為建模數據集，經過數據預處理后，用偏最小二乘法建立了大豆樣品中脂肪和水分含量的近紅外成分預測模型。實驗結果表明，所建立的模型能很好地應用于未參與建模的大豆樣品的粗脂肪含量預測，檢測結果的誤差在3%以內，小于國家標準要求的10%。

馬文強等[23]采集了核桃仁在1040～2560 nm處的近紅外光譜數據，通過多元散射校正和標準正態化組合方法對原始光譜數據進行預處理，經特征波段篩選后，用支持向量機回歸算法建立了核桃仁脂肪含量的預測模型，其模型驗證集決定系數為0.86，均方根誤差為1.58%，可用于核桃仁脂肪含量的快速無損檢測。李路等[24]采集了46種大米樣品的近紅外光譜數據，并用國標方法對大米中的脂肪等營養成分含量進行了測定，在對光譜數據進行小波消噪預處理及篩選特征波段后，比較了偏最小二乘法和BP神經網絡法對建模的影響。實驗結果表明，對于大米脂肪的檢測，偏最小二乘法建立的模型具有更好的性能，其決定系數為0.95，相對標準差為13.69%。

孫艷文等[25]采集了雞蛋樣品的近紅外漫反射光譜數據，用酸水解法測定雞蛋樣品中的脂肪含量，對采集的光譜進行預處理后，用偏最小二乘法對雞蛋脂肪含量進行建模，最終模型驗證集的相關系數為0.906，均方根誤差為0.231，可用于雞蛋中脂肪含量的無損檢測。楊福臣等[26]借助近紅外光譜技術對不同規格乳粉的脂肪和蛋白質含量進行了研究，在研究了光譜數據預處理、波段優選、奇異值剔除等問題后，以偏最小二乘法建立了乳粉中脂肪和蛋白質含量的預測模型，模型對未知乳粉樣品中脂肪預測的相對誤差均小于1.5%，具有良好的預測性能。仇遜超等[27]采用近紅外光譜技術對紅松籽中脂肪含量進行定量分析，通過矢量歸一化方法對光譜數據進行預處理，通過反向間隔偏最小二乘法對特征波段進行優選，最終通過偏最小二乘法建立了紅松籽中脂肪含量的定量分析模型，模型驗證集的均方根誤差為0.7651，預測平均偏差絕對值為0.65%，為紅松籽中脂肪含量的快速檢測提供了參考。

2.4 調味品檢測

調味品是指能增加食品的色、香、味，促進食欲，有益于人體健康的輔助食品。從廣義上講，調味品包括鮮味劑、咸味劑、酸味劑、甜味劑等，如醬油、醋、食鹽、淀粉、桂皮等都屬此類[28-29]。調味品中關鍵成分的含量是反映調味品品質、營養價值的重要指標，目前常見的調味品成分檢測方法有液相色譜法、氣質聯用法、液質聯用法、原子熒光光譜法、電位滴定法等[30-32]。但上述常規儀器分析方法存在檢測時間過長的缺點，難以滿足生產過程中實時檢測的需求。近紅外光譜技術作為一種綠色、快速、無損的檢測技術，目前已被廣泛應用于調味品檢測領域。

食醋是一種歷史悠久的酸味調味劑，食醋中的可溶性固形物含量和pH值是食醋品質的重要評價指標。陸輝山等[33]采用近紅外光譜技術結合反向傳播神經網絡，對陳醋中可溶性固形物含量和pH值進行了定量分析。在對光譜數據進行標準歸一化和25點平滑處理后，建立了兩種成分的反向傳播神經網絡預測模型，其中可溶性固形物預測模型的相關系數為0.9999，預測集均方根誤差為0.0118；pH預測模型的相關系數為0.9997，預測集均方根誤差為0.0088。實驗結果表明，所建立模型具有較好的預測精度和穩定性，可用于陳醋品質的實時檢測。

食醋總酸包括揮發性酸和非揮發性酸兩大類，其中揮發性酸是食醋酸味的主要來源，食醋的總酸含量是評價食醋品質的重要指標之一。梁楷等[34]采集了106種不同酸度的食醋樣品，通過掃描其近紅外光譜數據，優化光譜數據預處理方法，結合偏最小二乘法建立了食醋總酸含量的預測模型。實驗結果表明該模型食醋總酸預測值與實測值的絕對偏差平均為0.035，最小相對誤差為1.383%，可有效應用于食醋總酸的快速檢測。

醬油是日常生活中常見的調味品，醬油成品中總氮和總酸含量是評價醬油質量的重要指標。陳斌等[35]研究了利用近紅外光譜技術對醬油中總氮和總酸含量進行快速檢測的方法。研究采集了120個醬油樣品，在完成光譜數據預處理后，用偏最小二乘回歸法建立了總氮和總酸的預測模型。模型對總氮的預測平均相對誤差為4.036%，模型對總酸的預測平均相對誤差為4.820%，表明該方法可用于醬油中總氮和總酸的快速檢測。

淀粉在調味品生產過程中應用廣泛，具有增強食品穩定性、改善口感等功能。不同種類的淀粉具有不同的性質和用途，李夢瑤等[36]采集了不同種類淀粉的近紅外光譜數據，結合主成分分析法建立了淀粉的定性判別模型。他們也通過采集不同混合比例的馬鈴薯和小麥淀粉樣品的光譜數據，結合偏最小二乘法建立了淀粉含量的定量預測模型，模型對小麥淀粉含量的預測決定系數為0.9982，預測均方根誤差為0.347。實驗結果表明，近紅外光譜技術具有高的預測精度，可用于快速無損的淀粉定性鑒別和定量分析。

2.5 其他成分檢測

大米的品質評價標準之一為淀粉含量，不同品種大米的淀粉含量有很大差異，目前食品中淀粉的測定方法主要為酶水解法、酸水解法等化學分析方法，此類方法比較繁瑣耗時，存在一定的局限性。林葵等[37]收集了40個品種共計393個大米樣品，用標準化學法對樣品的淀粉含量進行了分析，并采集了樣品在1100～2500 nm處的漫反射光譜數據，通過偏最小二乘法建立了大米樣品中淀粉和直鏈淀粉的成分預測模型。用18種預留大米樣品對上述模型進行驗證，實驗結果表明樣品的預測結果與標準測量值的偏差在1%以內，證明了近紅外光譜技術能夠可靠、快速地應用于大米中淀粉含量的測定。

茶多酚和咖啡堿的含量是影響紅茶品質的重要因素。盧莉等[38]以小種紅茶為研究對象，利用國標方法分析了其茶多酚和咖啡因含量，并采集了樣品的近紅外光譜數據，建立了小種紅茶茶多酚和咖啡因近紅外定量分析模型。其中，咖啡因含量模型的驗證集決定系數為0.9567，驗證集均方根誤差為0.148%；茶多酚含量模型的驗證集決定系數為0.9759，驗證集均方根誤差為0.566%。兩種模型均有較好的效果，可實現小種紅茶茶多酚和咖啡因含量的快速檢測。

釀酒車間需要對酒精度、總酸和總酯等關鍵性指標進行檢測，而常規國標檢測方法存在操作過程復雜、耗時、環境污染等不足，無法實現快速、精準的釀酒過程中關鍵性指標檢測。田育紅等[39]收集了680多個標準白酒樣品，利用偏最小二乘法建立了白酒中酒精度、總酸和總酯含量的預測模型，其相關系數分別為0.9995，0.9576，0.9910，驗證了近紅外光譜技術應用于釀酒行業快速檢測的可行性。

金銀花作為一種清熱解毒的藥材，《中國藥典》規定其水分含量不得高于12%，但常規檢測方法使用甲苯法進行水分含量的測定，存在致癌、環境污染等問題。楊天鳴等[40]制備了不同水分含量的金銀花樣品，用紅外水分儀測定其水分含量后，采集了其近紅外漫反射光譜數據，運用偏最小二乘回歸法建立了金銀花中水分含量定量模型。模型預測值與紅外水分儀測定的水分含量經t檢驗無顯著差異，表明該方法適用于金銀花中水分含量的快速測定。

野菊花具有清熱消炎、保護心血管等作用，黃酮類成分是野菊花的有效成分之一，傳統總黃酮測定方法周期較長，不利于原料的快速批量檢測。胡小莉等[41]對6種不同產地的野菊花樣品采集了近紅外光譜數據，并用紫外-可見分光光度法測定樣品的總黃酮含量作為參考值，建立了基于偏最小二乘法的總黃酮含量定量分析模型，所建模型的相關系數為0.989，預測均方根誤差為0.163，驗證集樣品預測值的平均相對偏差為2.08%，可用于不同產地野菊花中總黃酮含量的快速測定。

魚肉的品質，特別是嫩度與其水分含量密切相關，常規的魚類產品水分含量檢測方法多為直接干燥法，但此方法實驗操作復雜、耗時過長。趙鉅陽[42]以大麻哈魚為研究對象，采集了120組蒸制大麻哈魚的近紅外光譜數據，并用直接干燥法測定其水分含量。經光譜數據預處理后，采用偏最小二乘法建立蒸制大麻哈魚水分含量的定量分析模型，模型驗證集的相關系數為0.9850，標準差為0.00426。所建立的模型可對蒸制大麻哈魚的水分含量進行準確、快速的檢測，為近紅外光譜技術應用于魚類水分含量的檢測提供了參考。

3 展望

由于食品生產過程的復雜性，對食品成分的準確檢測具有十分重要的現實意義。近紅外光譜技術相比于常規分析檢測技術，具有檢測速度快、檢測精度高、樣品無損壞、操作簡單等優勢，可對食品中關鍵成分的含量進行定量或定性分析，在食品感官指標量化、品質檢測、質量控制等方面皆有廣泛應用。但近紅外光譜分析技術也存在些許不足，如建模數據難以獲取、建立穩定的模型對專業知識要求較高、檢測過程難以做到完全自動化等。因此，如何降低近紅外光譜分析技術的應用門檻，提升分析檢測的自動化水平，將是今后食品行業的研究重點之一。

隨著云技術、大數據、5G、人工智能等前沿技術的快速發展，將近紅外光譜技術與這些技術結合，必將為近紅外光譜技術賦予更多優勢。如將穩定的近紅外分析模型存放于云端，供有需要的用戶調用，降低其使用門檻；將近紅外成分檢測系統部署于智能化產線上，無需人工參與即可實時、遠程地對食品成分進行分析檢測。近紅外光譜技術與前沿技術的結合，對于減少人力、物力消耗、保證食品品質、推動食品制造業自動化和智能化必將起到積極作用。