木本糧油林果品質(zhì)的近紅外光譜及成像無損檢測(cè)研究進(jìn)展

李興鵬，姜洪喆，蔣雪松，顧海洋，周宏平

(南京林業(yè)大學(xué) 機(jī)械電子工程學(xué)院，江蘇 南京，210037)

近年來，我國(guó)林業(yè)產(chǎn)業(yè)發(fā)展迅速，2019年行業(yè)產(chǎn)值達(dá)7.56萬億，其中，全國(guó)經(jīng)濟(jì)林面積超過4億公頃、產(chǎn)能達(dá)2億t、產(chǎn)值在2萬億元以上[1]，其產(chǎn)生的經(jīng)濟(jì)效益在打贏脫貧攻堅(jiān)戰(zhàn)、促進(jìn)鄉(xiāng)村振興等方面起到了積極的作用。其中木本糧油類經(jīng)濟(jì)林果具有營(yíng)養(yǎng)價(jià)值高、多樣化特色明顯等特點(diǎn)，未來市場(chǎng)前景廣闊。當(dāng)前，果農(nóng)過分追求退耕還林的規(guī)模及林果產(chǎn)量，忽視了林果品質(zhì)把控，相應(yīng)的品質(zhì)檢測(cè)標(biāo)準(zhǔn)與方法也有待完善，這既不利于同類產(chǎn)品的國(guó)內(nèi)競(jìng)爭(zhēng)，也不利于出口貿(mào)易。常見的木本糧油類林果主要包括板栗、核桃、油茶、油桐、榛子、腰果等，此類林果果殼厚而硬，如果選擇傳統(tǒng)的人工感官品質(zhì)評(píng)價(jià)和化學(xué)試驗(yàn)測(cè)定，需逐一去除果殼，去殼對(duì)林果造成破壞的同時(shí)也增加了檢測(cè)的勞動(dòng)強(qiáng)度。此外，人工品質(zhì)評(píng)價(jià)受主觀經(jīng)驗(yàn)影響，導(dǎo)致效率低、精度差；化學(xué)試驗(yàn)檢測(cè)步驟繁瑣、耗時(shí)長(zhǎng)，同時(shí)需要大量揮發(fā)性溶劑，危害檢測(cè)人員健康[2]。相較于傳統(tǒng)檢測(cè)，近紅外光譜及高光譜成像技術(shù)在糧油類林果品質(zhì)檢測(cè)領(lǐng)域具有快速、無損、安全和便于實(shí)現(xiàn)在線檢測(cè)的優(yōu)點(diǎn)，在品質(zhì)快檢中具有優(yōu)勢(shì)。

1 檢測(cè)原理

1.1 近紅外光譜檢測(cè)技術(shù)

近紅外光譜區(qū)介于可見光區(qū)與中紅外光區(qū)之間，波長(zhǎng)范圍為780～2 526 nm，為人們最早認(rèn)識(shí)的非可見光區(qū)域，該譜區(qū)包含的光譜信息主要是含氫基團(tuán)振動(dòng)的倍頻與合頻特征信息。有機(jī)分子一般都包含C—H、O—H、N—H、S—H等化學(xué)鍵，通過合頻與倍頻振動(dòng)的不同組合形成的振動(dòng)信息構(gòu)成了有機(jī)分子含氫基團(tuán)的主要結(jié)構(gòu)信息[3]。同時(shí)，不同譜區(qū)近紅外光的反射與透射特性不同，這使近紅外光譜技術(shù)可以采用透射、漫透射、漫反射等多種測(cè)量方式獲取光譜，通過這些方式的結(jié)合使近紅外光譜承載被測(cè)樣本的有機(jī)化合物結(jié)構(gòu)和組成等相關(guān)信息，再結(jié)合化學(xué)計(jì)量學(xué)和機(jī)器學(xué)習(xí)建模等分析方法，可以實(shí)現(xiàn)品質(zhì)安全指標(biāo)的定性分類和定量預(yù)測(cè)。從20世紀(jì)50年代末誕生至今，近紅外光譜技術(shù)日趨成熟，現(xiàn)階段已被廣泛應(yīng)用于農(nóng)業(yè)、食品、石化和制藥等領(lǐng)域[4]。

1.2 高光譜成像技術(shù)

高光譜成像技術(shù)是20世紀(jì)80年代從遙感圖像技術(shù)發(fā)展而來，它將光學(xué)、電子學(xué)、圖像處理、計(jì)算機(jī)等學(xué)科的技術(shù)融合在一起，是將傳統(tǒng)的二維圖像信息和光譜信息有機(jī)融合的一項(xiàng)新興技術(shù)[5]。高光譜圖像數(shù)據(jù)是三維的，由連續(xù)光譜波段處的光學(xué)圖像數(shù)據(jù)組成數(shù)據(jù)塊。因此，高光譜圖像數(shù)據(jù)不僅包括樣品的二維空間信息(x，y)，還具有隨波長(zhǎng)分布的每個(gè)像素點(diǎn)的光譜信息(λ)，最終由光譜技術(shù)與成像技術(shù)二者融合形成立方體數(shù)據(jù)(x，y，λ)，如圖1所示。

圖1 高光譜成像技術(shù)立方體示意圖Fig.1 Schematic diagram of hyperspectral imaging technology

2 木本糧油林果品質(zhì)現(xiàn)狀

林果的品質(zhì)包括外部品質(zhì)、內(nèi)部品質(zhì)和安全品質(zhì)[6]。外部品質(zhì)主要依據(jù)顏色、形狀、尺寸、紋理等物理特征和外部缺陷進(jìn)行評(píng)估[7]，內(nèi)部品質(zhì)主要取決于營(yíng)養(yǎng)組分和成熟度，安全品質(zhì)主要通過對(duì)各種病害、品質(zhì)劣變、細(xì)菌感染和農(nóng)藥殘留進(jìn)行檢測(cè)評(píng)估[8]。目前我國(guó)木本糧油類林果處于高產(chǎn)期，果農(nóng)過分追求退耕還林的規(guī)模效應(yīng)，商人追求利益最大化，導(dǎo)致市場(chǎng)品質(zhì)良莠不齊，區(qū)域品質(zhì)參差不一，如核桃生產(chǎn)中出現(xiàn)“采青”現(xiàn)象，在核桃未充分成熟時(shí)青采，癟仁、果仁風(fēng)味變淡現(xiàn)象突出；2014年經(jīng)多家衛(wèi)視報(bào)道的“堅(jiān)果漂白”事件，黑商販用二氧化硫漂白加香，霉變林果光鮮上市；2019年的“堅(jiān)果走私案”，走私團(tuán)伙從世界各地甚至疫區(qū)國(guó)家收購(gòu)廉價(jià)糧油林果，在銷售環(huán)節(jié)將發(fā)霉林果簡(jiǎn)單處理后繼續(xù)售賣。這些不法行為嚴(yán)重危害消費(fèi)者的健康和利益，阻礙行業(yè)的良性發(fā)展。面對(duì)如此嚴(yán)峻的食品安全形勢(shì)，加大宣傳力度、完善法律法規(guī)的同時(shí)，研究新型檢測(cè)方法是從源頭上控制林果品質(zhì)的當(dāng)務(wù)之急。

目前已有NICOLA等[9]、于宏威等[2]、彭彥昆等[10]等綜述了近紅外和高光譜技術(shù)在漿果、蔬菜、肉、谷物方面品質(zhì)檢測(cè)的應(yīng)用進(jìn)展，但對(duì)木本糧油類林果品質(zhì)快檢缺乏全面的認(rèn)識(shí)。本文以木本糧油林果為對(duì)象，從營(yíng)養(yǎng)物質(zhì)含量預(yù)測(cè)、產(chǎn)地溯源與品種鑒別、霉變與缺陷判別三類林果品質(zhì)檢測(cè)常見指標(biāo)進(jìn)行論述。

3 研究進(jìn)展

3.1 營(yíng)養(yǎng)物質(zhì)含量預(yù)測(cè)

木本糧油類林果富含水、粗脂肪、蛋白質(zhì)、總糖、膳食纖維等營(yíng)養(yǎng)物質(zhì)，為滿足國(guó)民營(yíng)養(yǎng)精細(xì)化、標(biāo)準(zhǔn)化的品質(zhì)需求，需對(duì)其營(yíng)養(yǎng)含量進(jìn)行檢測(cè)。傳統(tǒng)的營(yíng)養(yǎng)物質(zhì)檢測(cè)以化學(xué)分析測(cè)定居多，但實(shí)驗(yàn)具有破壞性、步驟繁瑣、耗時(shí)長(zhǎng)的劣勢(shì)，并且用到的試劑危害檢測(cè)人員健康，如索式提取法測(cè)定粗脂肪的抽提試劑無水乙醚，酶水解法測(cè)定淀粉的防腐試劑甲苯等；而近紅外和高光譜成像技術(shù)具有綠色、安全等優(yōu)勢(shì)，已經(jīng)在林果檢測(cè)中得到廣泛應(yīng)用。YI等[11]選擇范圍在570～1 840 nm波段內(nèi)的可見近紅外反射光譜對(duì)核桃營(yíng)養(yǎng)成分進(jìn)行了預(yù)測(cè)，其中水、蛋白質(zhì)、脂肪的決定系數(shù)(R2)分別為0.952、0.977和0.990，預(yù)測(cè)均方根誤差(root mean square error of prediction, RMSEP)分別為0.058、0.182和0.191，相對(duì)分析誤差(relative percent deviation，RPD)分別為4.14、5.55 和8.64。雖然NICOLA等[9]、RITTHIRUANGDEJ等[12]對(duì)RPD的評(píng)判標(biāo)準(zhǔn)有爭(zhēng)議，但學(xué)術(shù)界的共識(shí)是若R2>0.95、RPD>4，可以認(rèn)為校正模型建模非常成功[13]。蔣大鵬等[14]用凱氏定氮法測(cè)出松子樣品中的蛋白質(zhì)含量，并根據(jù)蛋白質(zhì)含量水平將松子劃分為四等，基于近紅外光譜與支持向量機(jī)進(jìn)行分類建模，運(yùn)用Grid Search搜索徑向基函數(shù)中最優(yōu)徑向基gamma和懲罰系數(shù)c，獲得支持向量機(jī)模型的精確率和召回率分別為82.3%、85.2%，相關(guān)研究結(jié)果總結(jié)見表1。

表1 近紅外光譜用于木本糧油類林果營(yíng)養(yǎng)組分預(yù)測(cè)的相關(guān)研究Table 1 Study on prediction of nutritional components of woody grain and oil fruits by near infrared spectroscopy

當(dāng)林果的其他品質(zhì)指標(biāo)與營(yíng)養(yǎng)含量有相關(guān)性時(shí)，也可利用近紅外光譜進(jìn)行間接檢測(cè)，如成熟度高的板栗淀粉含量高，水分較少；成熟度低的板栗養(yǎng)分積累少，水分含量高[23-24]。周軒明[25]利用近紅外光譜技術(shù)，對(duì)不同成熟度板栗的水分、淀粉和脂肪進(jìn)行定量分析，最終得出以水和淀粉為指標(biāo)用近紅外技術(shù)檢測(cè)板栗成熟度是可行的。

在進(jìn)行營(yíng)養(yǎng)含量的預(yù)測(cè)時(shí)，多數(shù)情況下樣品的營(yíng)養(yǎng)物質(zhì)在空間上表現(xiàn)為不均勻的分布特性，使用近紅外的光譜儀僅僅能夠以聚焦的鏡頭掃描樣品或者獲得整個(gè)樣品的平均特性，這種光譜和空間信息不可兼得的局限性促使高光譜成像技術(shù)應(yīng)運(yùn)而生。章林忠等[26]和丁玲玲[27]采集了波段為908～1 735 nm的板栗高光譜圖像，選取6個(gè)分辨率高且大小為50×50=2 500 像素的區(qū)域作為感興趣區(qū)域(region of interest，ROI)，采用MSC+二階導(dǎo)數(shù)+SG平滑校正方法處理，預(yù)測(cè)總糖和淀粉含量相關(guān)系數(shù)在0.9以上，且RMSEP在0～0.3，預(yù)測(cè)結(jié)果的可信度較高。但相關(guān)學(xué)者在林果檢測(cè)方面并沒有充分發(fā)揮高光譜成像技術(shù)高分辨、多維度的優(yōu)勢(shì)，鮮有利用偽色彩圖像技術(shù)進(jìn)行含量空間分布可視化的嘗試，僅有油茶籽含油率預(yù)測(cè)值的可視化研究(圖2)[28]，而在肥桃成熟度[29]、紅棗水分[30]、大米蛋白質(zhì)[31]等檢測(cè)領(lǐng)域已經(jīng)實(shí)現(xiàn)分布可視化的應(yīng)用。

圖2 油茶籽含油率分布可視化[28]Fig.2 Visualization of oil content distribution of camellia oleifera seed[28]

3.2 產(chǎn)地溯源和品種鑒別

木本糧油類林果產(chǎn)地或品種不同，組分含量也不同，如南方板栗果肉偏粳富含淀粉，北方板栗果肉偏糯富含糖和蛋白質(zhì)，只有加以區(qū)分才能“因材施教”，實(shí)現(xiàn)物盡其用。此外林果品種或產(chǎn)地不同，價(jià)格也高低不等，這為摻雜提供了經(jīng)濟(jì)誘因。目前應(yīng)用的溯源和鑒別技術(shù)主要有穩(wěn)定同位素比率質(zhì)譜[32]、電感耦合等離子質(zhì)譜[33]、原子光譜、核磁共振、毛細(xì)管電泳、電子鼻等。近紅外和高光譜成像技術(shù)憑借其快速、無損、便捷等優(yōu)勢(shì)成為產(chǎn)地溯源和品種鑒別中一個(gè)重要的分支。

MANFREDI等[34]利用便攜式紅外光譜儀結(jié)合多元統(tǒng)計(jì)分析對(duì)榛子品種進(jìn)行分類，比較了偏最小二乘和向后消去偏最小二乘(backward elimination partial least square，BE-PLS)2種不同的光譜降維方法，其中向后消去偏最小二乘線性判別(backward elimination partial least square discriminant analysis, BE-PLS-DA)分類模型的交叉驗(yàn)證準(zhǔn)確率最高，達(dá)98.18%。MOSCETTI等[35]利用k-最近鄰、簇類獨(dú)立軟模式(soft independent modeling of class analogy，SIMCA)、偏最小二乘判別分析(partial least square discriminant analysis，PLS-DA)和支持向量機(jī)判別分析(support vector machine discriminant analysis，SVM-DA)來鑒別意大利榛子，其中SVM-DA和PLS-DA的識(shí)別效果較好，分類準(zhǔn)確率大于95%。CARVALHO等[36]將遺傳算法(genetic algorithm，GA)與線性判別分析(linear discriminant analysis，LDA)結(jié)合對(duì)不同品種夏威夷果進(jìn)行分類，其中Keaudo品種在平滑和多元散射校正預(yù)處理下所建模型的敏感性和特異性分別為91.67%和95.56%，說明該模型可以正確分類夏威夷果。ARNDT等[37]收集了17年到19年的212份核桃樣本，采用50 545種不同的預(yù)處理組合對(duì)數(shù)據(jù)進(jìn)行優(yōu)化，然后利用LDA進(jìn)行嵌套交叉驗(yàn)證，獲得的7種核桃總識(shí)別精度為(77%±1.60)%的結(jié)果。丁玲玲[27]利用高光譜成像技術(shù)對(duì)泰栗一號(hào)、沂蒙短枝和舒城小栗3種板栗進(jìn)行定性分析，判別分析的識(shí)別正確率為96.7%。

綜上所述，近紅外和高光譜成像技術(shù)分類準(zhǔn)確率較高，可用于產(chǎn)地的溯源和品種的鑒別。為提高分類模型的準(zhǔn)確性和魯棒性，上述學(xué)者研究重點(diǎn)集中于模式識(shí)別方法的選取，但林果屬于天然樣品，樣品大小不一，表面凹凸不平，需考慮其顆粒度、粗糙度、厚度、松緊度等對(duì)準(zhǔn)確性的影響。ARNDT等[38]指出研磨后的杏仁樣品產(chǎn)地分類準(zhǔn)確性更好，但林果的終端產(chǎn)品在保證分類準(zhǔn)確的前提下還需保證其完整度，因此，樣本制備方式的優(yōu)劣尤為關(guān)鍵，這決定了近紅外或高光譜定性分析技術(shù)能否實(shí)際應(yīng)用于林果品質(zhì)的在線檢測(cè)，有望成為下一階段的研究重點(diǎn)。

3.3 霉變和缺陷判別

林果在采收、運(yùn)輸、加工、貯存、銷售等環(huán)節(jié)均易受到霉菌侵染，而木本糧油林果屬于高脂肪類食物，如果發(fā)生霉變和酸敗，還會(huì)產(chǎn)生不良的氣味和味道，降低營(yíng)養(yǎng)價(jià)值的同時(shí)還帶來了生物毒素風(fēng)險(xiǎn)，如黃曲霉素致癌、赫曲霉素致畸等。目前，已有學(xué)者運(yùn)用機(jī)器視覺對(duì)核桃[39-41]、板栗[42]等表面霉變?nèi)毕葸M(jìn)行識(shí)別，但對(duì)霉變引起的內(nèi)部成分變化進(jìn)行準(zhǔn)確識(shí)別還需利用近紅外或高光譜技術(shù)。

蔣大鵬[43]利用高斯核函數(shù)模型進(jìn)行霉變松子的分類，同時(shí)提高了近紅外漫反射模型與化學(xué)成分間的相關(guān)性，分類準(zhǔn)確率已經(jīng)達(dá)到了95.8%。馬曉晨[44]比較主成分判別分析、SIMCA和LDA對(duì)霉變板栗分類建模精度的影響；HU等[45]同樣比較了3種分類方法的精度，得出LDA的分類精度最優(yōu)，校正集和驗(yàn)證集預(yù)測(cè)準(zhǔn)確度分別為100%和96.37%。周竹等[46]將GA與最小二乘支持向量機(jī)相結(jié)合對(duì)霉變板栗進(jìn)行分類，優(yōu)選后的模型分類精度達(dá)93.56%。FENG等[47]和袁康培等[48]通過設(shè)置合理的閾值提取整個(gè)板栗為ROI，結(jié)合人工神經(jīng)網(wǎng)絡(luò)，分類精度高達(dá)99.43%。KALKAN等[49]利用局部判別基提取12個(gè)光譜特征，對(duì)感染黃曲霉素的榛子進(jìn)行剔除，分類后的黃曲霉毒素水平從608 ppb下降到0.84 ppb。

在進(jìn)行霉變定性分類時(shí)，大部分學(xué)者通過有監(jiān)督的模式識(shí)別進(jìn)行定性分析，因?yàn)榱止麑儆谧匀划a(chǎn)物，生物構(gòu)成復(fù)雜，組間差異不明顯，導(dǎo)致近紅外光譜特征復(fù)雜、重疊，只有通過有監(jiān)督方式的特征提取才能得到更有針對(duì)和有效的信息。

此外蟲蛀果和脂質(zhì)氧化果等均屬缺陷果，為保證林果品質(zhì)的一致性均需借助近紅外或高光譜成像技術(shù)予以剔除。MOSCETTI等[50]采用InGaAs陣列的“手持式”光譜儀采集蟲蛀板栗果尖、果徑及果殼凸側(cè)部位的光譜，利用受試者工作特征曲線下方的面積值評(píng)估出的特征波長(zhǎng)為1 582、1 900和1 964 nm，分類的假陰性率、假陽性率和總錯(cuò)誤率分別為16.81%、0%和8.41%，滿足蟲蛀果剔除的邊界值。

糧油類林果中的不飽和脂肪酸受到氧氣、溫度和光等因素影響生成脂肪酸和甘油，游離脂肪酸再經(jīng)過斷裂、分解和氧化過程形成初級(jí)氧化產(chǎn)物過氧化物，過氧化氫可分解為醛類、醇類、酮類等次生產(chǎn)物，這些次生代謝物通常是揮發(fā)性物質(zhì)[51]，會(huì)導(dǎo)致糧油類林果產(chǎn)生異味，影響林果貯藏期與貨架期的品質(zhì)，因此，需對(duì)脂質(zhì)氧化程度進(jìn)行檢測(cè)。PANNICO等[52]選取k232(232 nm處的比消光系數(shù))作為評(píng)價(jià)榛子脂質(zhì)氧化程度的變量，采集的近紅外光譜預(yù)測(cè)k232的決定系數(shù)為0.85。CANNEDDU等[53]采用近紅外光譜成功預(yù)測(cè)澳洲堅(jiān)果脂質(zhì)氧化的過氧化值和酸度指數(shù)，其R2分別為0.72、0.8，RMSEP分別為3.45 meq/kg、0.14%。以上研究數(shù)據(jù)表明近紅外光譜技術(shù)在評(píng)估林果脂質(zhì)氧化方面具有良好的潛力。相比之下，國(guó)內(nèi)以林果為對(duì)象，利用光譜技術(shù)檢測(cè)其脂質(zhì)氧化的研究尚屬空白，檢測(cè)對(duì)象多集中于肉制品[54]和食用油[55]，將近紅外或高光譜技術(shù)應(yīng)用于林果的脂質(zhì)氧化評(píng)估有望成為未來的研究熱點(diǎn)。

4 前景與展望

近紅外和高光譜技術(shù)在林果方面的研究主要集中在漿果，已經(jīng)形成了相應(yīng)的體系并建成了便捷光譜儀以及在線檢測(cè)裝置，而糧油類林果的相關(guān)研究較少，多數(shù)研究集中于板栗與核桃，拓寬糧油類林果的研究類目并完善其近紅外光譜數(shù)據(jù)庫是未來的研究趨勢(shì)。

現(xiàn)有的大部分研究仍然集中于近紅外光譜，高光譜成像技術(shù)的應(yīng)用較少。一方面高光譜成像設(shè)備費(fèi)用高昂，門檻較高，另一方面高光譜成像采集的數(shù)據(jù)量大，圖譜解析時(shí)間較長(zhǎng)。今后研究重點(diǎn)可以集中在特征波段的選取、建模算法效率的考量以及低成本高光譜檢測(cè)設(shè)備的研發(fā)。

當(dāng)前有部分學(xué)者結(jié)合高光譜成像技術(shù)來研究木本糧油類林果，但沒有充分利用高光譜成像技術(shù)，僅利用閾值分割裁剪出樣品光譜區(qū)域取其平均光譜，沒有利用空間像素坐標(biāo)實(shí)現(xiàn)可視化。未來需擴(kuò)大林果樣本測(cè)試空間的廣度，減小樣本組織分布不均勻的影響，并利用偽圖像編碼技術(shù)實(shí)現(xiàn)品質(zhì)分布可視化，以期提高品質(zhì)檢測(cè)的可靠性和直觀性。

目前研究所建的定性或定量校正模型缺乏傳遞性，如環(huán)境溫度變化、樣品形態(tài)改變、儀器老化、附件更換等均會(huì)導(dǎo)致模型預(yù)測(cè)出現(xiàn)偏差，不利于模型重復(fù)利用和共享。解決以上模型通用性的問題，在建模時(shí)首先需要考慮樣品的代表性，其次，選取一些基于模型的新遷移學(xué)習(xí)算法或基于特征的新學(xué)習(xí)算法等，通過同型號(hào)儀器的不同批次樣品或同批次樣品的不同型號(hào)儀器之間的比較研究，評(píng)估模型傳遞的效果。