近紅外光譜技術在食品領域的研究進展

于伶伶 譚亞軍 趙甲慧 王鴻蕉 趙昆

摘 要：近紅外光譜技術綜合了計算機技術、光譜技術和化學計量學等多個學科的成果，具有強大的分析能力。近年來，近紅外光譜技術被廣泛應用于食品領域，與常規方法相比具有快速、無損、準確和環保的優勢。本文概述了近紅外光譜技術的檢測原理和優勢，探討了近年來近紅外光譜技術在食品檢測領域的應用，包括食品成分檢測、摻假鑒別、產地溯源和水果品質檢測等，并對其應用前景進行了展望。

關鍵詞：近紅外光譜技術；原理；食品安全；無損檢測

Research Progress of Near Infrared Spectroscopy

in Food Field

YU Lingling， TAN Yajun*， ZHAO Jiahui， WANG Hongjiao， ZHAO Kun

（Tianjin Institute for Food Safety Inspection Technology， Tianjin 300000， China）

Abstract： Near infrared spectroscopy technology combines the achievements of computer technology， spectroscopy technology， chemometrics and other disciplines， and has a strong analytical ability. In recent years， near-infrared spectroscopy has been widely used in the field of food. Compared with conventional methods， it has the advantages of fast， nondestructive， accurate and environmental protection. This paper summarized the detection principle and advantages of near-infrared spectroscopy， discussed the application of near-infrared spectroscopy in the field of food detection in recent years， including food ingredient detection， adulteration identification， origin traceability and fruit quality detection， and looked forward to its application prospects.

Keywords： near infrared spectroscopy; principle; food safety; nondestructive testing

食品安全關乎人們的生活質量和國家的穩定發展。隨著生活水平的提高與消費結構的升級，人們越來越重視食品安全。然而，近年來食品安全問題不斷涌現，嚴重危害到人們的身體健康，因此政府部門對食品安全的監管也越來越重視。保障食品安全需做好食品安全檢測工作。當前，近紅外光譜檢測技術憑借其無損、快速、準確和操作簡單等優越性在食品領域得到廣泛的應用[1-3]。本文主要對近紅外光譜技術展開研究，綜述近紅外光譜技術近年來在食品檢測領域中的應用。

1 近紅外光譜技術概述

近紅外光譜技術是一種高效快速的檢測技術，它綜合應用了計算機技術、光譜技術和化學計量學等多個學科的成果，被廣泛應用于食品、制藥、化工以及能源等多個領域的原料檢測、生產控制和產品質量快速檢測。

1.1 近紅外光譜技術的檢測原理

近紅外是一種電磁波，介于可見光和中紅外光之間，波長為780～2 526 nm，屬于分子振動光譜，是分子振動基頻的合頻與倍頻，近紅外光譜包含了豐富的含氫基團信息（C-H、O-H、N-H和S-H），不同的官能團在近紅外譜區呈現不同的特征峰，通過對近紅外光譜中特征峰位置、形狀、強度進行分析，可預測物質的成分和含量，因此近紅外光譜可用于定性和定量分析。大多數化合物的信息均可在近紅外區域顯現，但近紅外吸收強度弱、特征峰重疊嚴重，需借助化學計量學對物質信息進行處理和提取。近紅外光譜技術主要包括光譜的采集、光譜預處理和定標模型的建立和驗證等步驟。

1.2 近紅外光譜技術的優勢

1.2.1 分析速度快

近紅外光譜檢測方法只需幾分鐘便可得出結果，與常規檢測動輒需要數小時相比，大大提高了檢測的時效性。

1.2.2 無損檢測

使用近紅外光譜檢測，可直接對整個樣本進行分析，不用破壞樣本，也不需要前處理。

1.2.3 安全環保

近紅外光譜檢測技術無需使用化學試劑，也不需要高溫高壓的環境，測試過程既安全又環保。

1.2.4 操作簡單

近紅外光譜檢測過程中不需要復雜的前處理，操作步驟簡單，非專業人員經過簡單培訓即可使用儀器得出準確結果。

2 近紅外光譜技術在食品領域的應用

2.1 食品成分的檢測

2.1.1 蛋白質含量的檢測

蛋白質是一切生命活動的物質基礎，需通過食物獲取，蛋白質含量是評價食物營養價值的重要指標。目前常用的國家標準檢測方法是凱氏定氮法，該方法準確性較高，但必須消解和蒸餾，操作步驟復雜、耗時長。近紅外光譜技術可用于食品中蛋白質含量的檢測，具有簡單、快速的優勢。

苗鈞魁等[4]將采集的磷蝦樣本混合制備成50個混合樣本，通過漫反射方式采集樣品光譜，根據GB/T 19164—2003測定樣本蛋白質含量，確定了光譜最佳預處理方式為多元信號修正或標準正則變換、一階微分和Norris導數濾波相結合，使用最小偏二乘法建立并優化定標模型。通過交互驗證和外部驗證，模型相關系數大于0.94，表明該模型可以很好地預測磷蝦粉的蛋白質含量，并證明通過增加樣品數量可降低預測值偏離程度，提高模型的準確性。陶琳麗等[5]以260個雞腿凍干粉為研究對象，在999.7～2 502.3 nm采集光譜，通過將近紅外光譜形狀和組合間隔偏最小二乘法、遺傳算法相結合，劃分出多個建模光譜組合區，使用最小偏二乘法建立模型，根據模型效果篩選出最佳建模光譜區域，得出結論：將樣品待測成分的光譜特征與光譜篩選數學算法共同用于建模波長的選擇，能得到精確性和穩定性更好的模型。

2.1.2 脂肪含量的檢測

脂肪是人體必須攝入的營養物質，攝入量過多或過少都會影響身體健康，當前我國檢測脂肪含量的國家標準方法前處理復雜且不能大批量檢測。近紅外用于食品中脂肪含量測定的研究已有很多報道。

花錦等[6]選取新鮮的豬肉、牛肉、羊肉各100批作為樣本，采集全波段近紅外光譜，3種肉類的光譜走向大致相同。用索氏抽提法獲得樣本脂肪含量的實驗室參比數據，分別選擇適合各自光譜特征的前處理方法和建模波段范圍，采用偏最小二乘法建立脂肪模型，其脂肪含量的化學值和預測值的交叉驗證結果表明，豬肉、牛肉、羊肉的脂肪模型的相關系數均大于0.91，模型預測效果理想，在近些年報道的數據中處于較好水平。王寧等[7]使用蓋勃法檢測了100批牛奶樣本脂肪含量，再通過透射和漫反射兩種方式進行近紅外光譜采集，對采集的光譜預處理后分別使用偏最小二乘法和主成分回歸法建立脂肪含量的定標模型，研究對比了兩種方法的建模效果。透射方式下，乳制品采用主成分回歸法建立的模型最為理想，驗證集的相關系數和誤差均方根分別為0.984 5、0.193 0，漫反射方式下，采用偏最小二乘法建立的模型預測性能較好，驗證集的相關系數和誤差均方根分別為0.957 5、0.370 0。說明采用主成分回歸法對乳制品的透射光譜建立的預測模型適用性更高。

2.1.3 其他成分的檢測

除蛋白質、脂肪外，近紅外光譜還可以用于檢測食品水分、白酒的酒精度、茶葉的茶多酚和咖啡堿、調味品的總酸、農作物的淀粉以及水果的糖度等多種食品成分指標含量[8-10]。

近紅外光譜技術以其綠色、無損的優勢，在白酒行業的應用越來越廣泛。田翔等[11]利用近紅外光譜技術對黃酒中酒精度和總糖的含量進行測定，采集黃酒樣本的近紅外光譜并依據國家標準方法測定成分含量，使用OPUS/QUANT軟件中自動優化功能進行光譜預處理，建立偏最小二乘法定標模型并對模型進行驗證，得到的酒精度和總糖的定標模型標準偏差分別為0.65和4.01，相對誤差分別小于1.18%和3.68%，說明模型具有較好的穩定性和準確度。劉紅梅等[12]以147份稻米試樣為樣本，應用偏最小二乘法建立近紅外模型，探究了近紅外光譜技術快速檢測稻米中直鏈淀粉含量的可行性。通過選擇不同的預處理方法和不同波段（950～1 100 nm、1 100～

1 300 nm、1 300～1 650 nm）及組合對模型進行優化，確定了多元散射校正對全譜（950～1 650 nm）預處理后建立的模型最優，模型驗證得出相對分析誤差為3.6，說明具有良好預測效果，可用于實際檢測。

2.2 食品產地溯源

隨著生活水平的提高，人們更加關注食品的來源和品質，大多數消費者在購買食品時注重食品的產地，部分商家為了抬高價格虛假標注產地。產地溯源是為了防偽和安全，發展食品產地溯源技術，可保護產地標志產品和消費者權益，也可為食品質量安全追溯制度的建立提供保障。不同產地的作物蛋白質、脂肪、水分等成分指標的含量存在差別，通過近紅外光譜可以分析出來，因此近紅外光譜技術是食品產地溯源技術中的一個重要分支。

五常大米和建三江大米以其顆粒飽滿、清香適口享譽盛名，被評為地理標志大米，深受消費者喜愛。市面上出現的冒牌五常大米、建三江大米損害了消費者權益和品牌利益。錢麗麗等[13]收集了2013—2015年產自建三江、五常和查哈陽地區試驗田的稻米樣本291份，通過對其近紅外光譜比較分析，確定了不同地區樣品存在顯著差異的波段（5 136～5 501 cm-1），建立了定性分析模型、聚類分析模型和定量分析模型。其中，定性模型對建三江大米和五常大米的正確判別率分別為100%和98%，聚類分析模型正確判別率分別為97.92%和98.00%，說明近紅外技術可用于多個年份大米的產地鑒別。李楠等[14]使用便攜式近紅外光譜儀采集了11個省份小米樣本的光譜信息，分別使用3種方法建立了小米產地識別模型，其中多層感知神經網絡模型測試集正確率為92.3%，可有效用于小米產地溯源。馬永杰等[15]將近紅外光譜法與深度學習算法相結合，建立了紅富士蘋果產地溯源新方法，利用深度學習數據降維的方法對光譜預處理，用K最近鄰法建模分析，溯源模型的建模集和預測集的產地識別率分別為97.30%和92.30%。

2.3 食品摻假的鑒別

食品摻假問題是較為常見的問題，如山茶油、橄欖油中加入其他廉價的植物油、地溝油，豬肉中摻入大豆蛋白，鮮牛奶中加入奶粉和水等，損害了消費者的權益和健康。因此，需發展高效準確的食品摻假鑒別檢測方法，有力打擊食品摻假行為。

姚婉清等[16]建立了山茶油多元摻假近紅外模型，該文制備了山茶油中摻入不同質量比例玉米油和花生油的二元體系樣本和同時摻入不同比例玉米油和花生油的三元體系樣本，采用透射法采集全波段近紅外光譜，探究了最佳建模波長范圍和最佳預處理方法，采用偏最小二乘法分別建立二元和三元摻假體系預測模型，外部驗證結果表明二元摻假模型相對誤差較小，三元摻假模型準確度略低，該模型可以很好地用于體系中摻假量的預測，從中也可以發現摻入油品種類越多，建立準確的預測模型的難度越大。鄭郁等[17]探究了基于近紅外的茯苓摻假鑒別方法，分別采取多種預處理方法和主成分分析法結合建立鑒別模型，對不同比例摻假的茯苓粉均可100%準確鑒別，效果理想。

2.4 水果品質的無損檢測

我國是水果生產大國，水果產量巨大，隨著消費者對水果品質的要求不斷提高，迫切需要發展無損檢測手段實現水果品質的分級檢測。近年來，近紅外光譜技術被越來越多地應用于果品檢測中。

呂赫一[18]基于近紅外光譜技術建立了一種蘋果品質快速無損檢測方法，實現了蘋果的準確分級。其選取了農藥殘留量和可溶性固形物含量兩個關鍵指標，將采集到的農藥殘留光譜進行建模，使用對比主成分分析法把蘋果表面農藥殘留信息表示出來，將農藥殘留不合格的蘋果分出來，再使用支持向量機建立可溶性固形物的預測模型，最優模型的相關系數為0.924，均方根誤差為0.475，根據可溶性固形物含量進行蘋果分級。程武[19]建立了一個櫻桃番茄內部品質指標檢測模型，采集樣本的漫反射光譜，確定了利用連續投影偏最小二乘法建立的櫻桃番茄可溶性固形物和番茄紅素含量檢測模型最佳，模型校正集相關系數為0.875 0，驗證集相關系數為0.860 4，

預測效果較好。在此基礎上又開發了基于安卓系統的便攜式櫻桃番茄內部品質快速無損檢測裝置，經驗證可在不同溫度下保證檢測精度和穩定性。

3 結語

綜上所述，近紅外光譜技術具有快速、無損、安全環保和操作簡單的特點，被廣泛應用于食品檢測領域的定性、定量分析。隨著近紅外光譜儀性能的優化、建模方法的創新以及不斷與其他光譜技術、云技術、人工智能等前沿技術相結合，近紅外光譜技術將在食品檢測領域發揮更重要的作用，更好地保障人們“舌尖上的安全”。

參考文獻

[1]汪磊，譚美蓮，傅春玲，等.利用近紅外技術預測向日葵籽仁品質性狀[J].中國油料作物學報，2020，42（1）：147-153.

[2]唐雪平，劉淑嵐，郭小華，等.近紅外光譜技術在茶葉品質分析中的研究進展[J].輕工科技，2020，36（5）：12-15.

[3]郭文川，朱德寬，張乾，等.基于近紅外光譜的摻偽油茶籽油檢測[J].農業機械學報，2020，51（9）：350-357.

[4]苗鈞魁，張雅婷，劉小芳，等.近紅外光譜技術在南極磷蝦粉水分、脂肪和蛋白質含量快速檢測中的應用[J].食品與發酵工業，2022，48（4）：243-249.

[5]陶琳麗，楊秀娟，鄧君明，等.基于光譜波段優化的雞肉凍干粉粗蛋白近紅外定量預測模型研究[J].現代食品科技，2019，35（8）：236-246.

[6]花錦，趙悠悠，高媛惠，等.基于近紅外技術快速測定不同鮮肉中脂肪含量[J].光譜學與光譜分析，2017，37（11）：3424-3429.

[7]王寧，喬立歌，苗鏑，等.基于近紅外光譜的乳制品脂肪含量測定研究[J].山東化工，2021，50（18）：109-112.

[8]雷鷹，劉翠玲，周子彥.應用便攜式近紅外光譜儀研究蘋果糖度的快速分析模型[J].食品科學技術學報，2018，36（6）：95-100.

[9]盧莉，程曦，張渤，等.小種紅茶茶多酚和咖啡堿近紅外定量分析模型的建立[J].茶葉科學，2020，40（5）：

789-695.

[10]田育紅，王鳳仙，吳青.基于近紅外光譜分析技術快速檢測白酒中的關鍵指標[J].釀酒，2019，46（5）：93-96.

[11]田翔，秦慧彬，王君杰，等.近紅外法同時測定黃酒酒精度和總糖[J].安徽農業科學，2020，48（21）：195-197.

[12]劉紅梅，肖正午，申濤，等.稻米直鏈淀粉含量近紅外檢測模型的建立[J].湖南農業大學學報（自然科學版），2019，45（2）：189-193.

[13]錢麗麗，宋雪健，張東杰，等.基于近紅外光譜技術對多年際建三江、五常大米產地溯源[J].食品科學，2018，39（16）：321-327.

[14]李楠，楊春杰.基于近紅外光譜技術的小米產地溯源研究[J].食品與機械，2020，36（9）：97-101.

[15]馬永杰，郭俊先，郭志明，等.基于近紅外透射光譜及多種數據降維方法的紅富士蘋果產地溯源[J].現代食品科技，2020，36（6）：303-309.

[16]姚婉清，彭夢俠，陳梓云，等.山茶油多元摻假近紅外模型的建立與研究[J].食品安全質量檢測學報，2020，11（2）：493-499.

[17]鄭郁，董怡青，趙芷嵐，等.基于近紅外光譜技術的茯苓摻假無損檢測研究[J].中國果菜，2021，41（10）：52-55.

[18]呂赫一.基于近紅外光譜的蘋果品質快速無損檢測方法研究[D].哈爾濱：哈爾濱理工大學，2021.

[19]程武.櫻桃番茄內部品質近紅外光譜檢測方法研究及便攜式裝置研發[D].鎮江：江蘇大學，2019.