油料作物與產品品質近紅外光譜及高光譜成像檢測研究進展

鞠 皓， 姜洪喆， 周宏平

(南京林業大學機械電子工程學院，南京 210037)

油料作物是指種子含有大量脂肪，可以用于提取油脂供食用或工用、醫用的作物[1]。常見的包括花生、大豆、油菜、芝麻等草本油料作物以及油茶、核桃等木本油料作物。我國是油料生產和消費大國，2019年我國油料總產量為6 666.0萬t，僅食用油消費量高達3 978.0萬t[2]。油料產品含有豐富的營養成分，如脂肪酸、植物甾醇、生育酚、角鯊烯等，對降低膽固醇、預防心血管疾病有重要作用[3]。隨著社會發展和生活水平的提高，人們對優質健康的食用油料油脂的需求越來越大，但是油料作物生產受氣候、環境、技術等因素的影響，而且糧油市場又存在制假售假等非法行為，因此油料作物及產品的品質檢測不僅能夠穩定糧油市場的正常秩序，還直接影響到人們的身體健康和生命安全。

目前，對油料產品品質的檢測大多采用傳統的化學分析方法，如氣相色譜法、液相色譜法以及氣相色譜質譜聯用法等，但該類方法不僅需要配制試劑，而且整個檢測過程操作復雜、耗時長、成本高[4, 5]。與傳統的化學檢測方法相比，近紅外光譜、高光譜成像、拉曼光譜以及太赫茲光譜等無損檢測技術，具有無需化學試劑、操作簡單、耗時短等優點，彌補了傳統檢測方法的不足[6-10]。其中，近紅外光譜及高光譜成像技術已有大量研究證實其在油料作物及產品品質無損檢測方面具有重大潛力。

為追蹤近紅外光譜及高光譜成像技術在油料產品品質檢測方面的研究進展，本研究綜述了其在油料作物理化指標的測定、食用油真實性鑒別以及在油料作物品種識別與產地鑒定中的研究現狀，討論了其存在的優勢及不足，并對油料產品品質的近紅外光譜及高光譜成像無損檢測技術的發展前景進行展望。

1 近紅外光譜和高光譜成像

近紅外光譜(NIRS)是一種利用電磁波譜近紅外區域進行光譜分析的方法，美國材料檢測協會(ASTM)將近紅外光譜區定義為780～2 526 nm的區域。由于近紅外光譜與有機分子中含氫官能團(C—H、O—H、N—H、S—H)振動的合頻以及各級倍頻的吸收一致，因此當近紅外光照射到油料作物樣品時，其基本成分(如脂肪、蛋白質、水分等)的結構、組成差異會使光譜在特定波長上發生偏移[11-13]。近紅外光譜技術的一個重要特點在于其技術本身的成套性，即近紅外光譜儀、化學計量學和應用模型的三位一體，因此通過化學計量學手段提取近紅外光譜中的有效信息并建立合理模型，能夠定性和定量地檢測油料作物的化學成分，以及實現食用油摻假的鑒別[14, 15]。

高光譜成像(HSI)技術結合了光譜技術快速、無損的優點，同時借助成像技術獲取樣品的圖像，提供詳盡的空間信息[16]。如圖1所示，典型的高光譜成像系統主要由鹵素燈光源、成像光譜儀、CCD相機、相機鏡頭、傳送平臺、步進電機以及計算機硬件及軟件等組成。高光譜圖像數據采集方式有點掃描、線掃描以及面掃描3種，其中點掃描方式的精度最高，而線掃描應用最為廣泛[17]。圖2為典型的高光譜圖像以及像素點光譜曲線提取示意圖，高光譜圖像是由二維空間維度(x,y)和一維光譜維度(λ)組成的三維數據立方體(x,y,λ)，因此高光譜圖像也稱之為高光譜立方或者高光譜數據立方[18]。

注：1 相機；2 光譜儀；3 鏡頭；4 光源；5 樣品；6 運動平臺；7 步進電機；8 計算機。圖1 高光譜成像系統示意圖[19]

圖2 油茶果高光譜圖像立方體

近紅外光譜與高光譜成像的數據處理通常包括光譜數據的采集、光譜信息的預處理、特征波選取以及模型的建立與評價等步驟，其流程如圖3所示。通過Savitzky-Golay卷積平滑算法、多元散射校正(MSC)、標準正態變量變換(SNV)、導數算法等對原始光譜進行預處理，消除光譜數據的無關信息和噪聲。利用連續投影算法(SPA)、無信息變量消除法(UVE)、間隔區間偏最小二乘法(iPLS)、主成分分析(PCA)等算法篩選特征波長。應用偏最小二乘回歸、逐步多元線性回歸、主成分回歸等建立定量分析模型，以及支持向量機(SVM)、線性學習機(LMD)、k-近鄰算法(KNN)等建立定性判別模型。最后借助相關系數(R)、決定系數(R2)以及均方根誤差(RMSE)等對建立的模型進行評價，通常情況下，模型預測集的均方根誤差越小，相關系數或決定系數越大，模型的性能越好[20]。

圖3 光譜分析流程圖

表1 近紅外光譜及高光譜成像技術在油料產品理化成分檢測中的應用

2 近紅外光譜和高光譜成像技術在油料作物產品品質檢測中的應用

2.1 油料作物理化成分的測定

水分、蛋白質以及脂肪(酸)等是油料產品的重要營養成分。近年來基于近紅外光譜以及高光譜成像的含水率、含油量、蛋白質含量以及脂肪酸含量等理化成分的快速檢測技術得到了快速發展，并且在花生、大豆、油菜籽、油茶、橄欖以及核桃等主要油料作物中得以廣泛應用(表1)。

這些研究表明，近紅外光譜及高光譜成像技術已廣泛應用于油料作物常規理化成分的檢測，并具有良好的預測效果。未來，智能化、小型化以及便攜式光譜儀的研究和利用，將極大地有利于油料產業的發展。

2.2 油料作物品種識別與產地鑒定

油料作物的內部品質與其品種和產地直接相關。由于光照、土壤類型和溫濕度的差異性，不同品種和產地的油料作物，其所含脂肪酸等營養元素的種類和數量也不盡相同。此外，隨著市場競爭和貿易的發展，市場上一些非法添加、冒充名特優產品等不法現象時有發生，嚴重侵害了消費者的權益。因此為維護油料作物品質及標識信息的準確性，進行品種的識別和產地的鑒定顯得尤為重要。

夷娜[34]采用833～2 500 nm波段的近紅外光譜對新疆的和田、喀什和阿爾蘇3個地區的核桃進行產地溯源研究，結果發現，基于全波段的偏最小二乘判別分析(PLS-DA)模型對新疆核桃產地溯源的判別效果最佳，和田、喀什、阿克蘇地區預測集的判別準確率均達到95%以上。田瓊等[35]采用570～1850 nm光譜范圍內的近紅外光譜儀對來自阿根廷、巴西、烏拉圭和美國等四個國家的進口大豆進行光譜數據的采集，首先通過MSC、SNV、Savitzky-Golay平滑濾波等方法進行光譜數據的預處理，然后采用主成分分析對光譜數據進行降維，最后分別基于SVM、KNN以及ANN建立大豆產地的鑒別模型。結果表明，采用ANN建模的效果最好，其總體測試集準確率高達95.65%。

除用于油料作物的產地鑒定之外，近紅外光譜和高光譜成像技術還可以對不同品種的油料進行識別。董小玲等[36]在450～1 000 nm波段范圍內對6種菜籽的可見-近紅外光譜進行采集，通過主成分載荷曲線法提取出17個特征光譜變量，進而建立菜籽品種的線性判別分析(LDA)模型，其誤判率僅為2.42%。鄭田甜等[37]利用600～1 100 nm波段的可見-近紅外反射光譜對花育20號、花育22號、花育32號等3種不同品種的花生進行光譜信息的采集，采用小波分析對原始光譜進行壓縮、降噪和特征提取，通過PCA進行數據降維，以馬氏距離作為判別函數建立LDA模型，其對3種花生的平均正確識別率達到95%。馬文強等[38]采用傅里葉變換近紅外光譜儀，在1 042～2 632 nm波段范圍內對4個不同品種的核桃仁進行光譜信息采集，通過MSC和SNV方法對原始光譜進行預處理，并基于SVM建立了核桃仁分類識別模型，結果表明其對4個核桃仁品種的總體正確識別率高達96%。

除了近紅外光譜，高光譜成像技術將傳統成像技術與光譜技術進行有機結合，其圖譜合一的特點能在油料作物檢測時同時獲得其表面特性以及內部品質信息，在油料作物品種識別方面亦具有廣闊的應用前景。Zhu等[39]采用373～1 043 nm波段范圍的高光譜成像系統采集了10個不同品種大豆的光譜圖像，利用Savitzky-Golay平滑、一階導數、標準正態變量、快速傅里葉變換(FTT)、希爾伯特變換(HT)和MSC等算法進行光譜數據的預處理，通過競爭自適應加權算法(CARS)、SPA和PCA篩選特征波長，進而分別基于貝葉斯分類器、SVM、KNN、集成學習(EL)和ANN建立大豆品種的識別模型，結果表明MSC-CARS-EL模型的識別準確率最高為100%。

此外，由于糧食需求的增加，轉基因技術在作物種植中的應用快速增長，但基于轉基因作物存在的安全隱患和爭議等現實問題，許多國家對轉基因食品進口有法律限制，必須進行標記，因此對轉基因與非轉基因產品的識別和檢測具有重要意義[40]。王海龍等[41]采用874～1 734 nm波段范圍的高光譜成像系統對3種不同非轉基因親本大豆及其他轉基因大豆共10個品種的光譜圖像進行采集，通過移動平均法(MA)進行光譜預處理，并基于PLS-DA算法，建立3種非轉基因親本大豆的判別模型，其相應預測集的判別準確率分別為100%、96.25%和92.5%，結果表明高光譜成像技術可以有效地對非轉基因大豆進行識別。

研究表明，在油料作物品種的識別和產地鑒定方面，近紅外光譜技術能夠在一定程度上提供解決方案，而高光譜成像技術則可以提供更多的形態學數據，實現對產品進行形態學分析，在一定程度上提高品種識別和產地鑒定的準確度。

2.3 食用油真實性鑒別

食用植物油作為油料作物的主要產品，是日常膳食中不可或缺的必需品之一，既可以作為烹調菜品的熱媒介質，而且還富含油酸、亞麻酸等有益于人體健康的不飽和脂肪酸[42]。由于來源植物的不同，食用植物油所含脂肪酸的數量、種類等也多種多樣，因此其營養價值也存在較大差異，最直接的體現就是市場價格的差異性。不少不法廠商為了獲取更大的經濟效益，對食用植物油進行摻假或者以次充好，更有甚者在食用油中摻入地溝油等不可食用的油類，嚴重影響著人體健康。典型的食用油摻假行為是在高價食用油中摻入低價油，如山茶油、橄欖油中摻入菜籽油、大豆油等。還有以劣質低等油(如混合橄欖油、橄欖果渣油)冒充優質油品(特級初榨橄欖油)，以次充好[43]。因此，進行食用油的摻偽檢測研究對食品安全有著重要意義。而由于近紅外光譜的定性識別特性，其可以對食用油中的摻雜、摻偽等行為進行鑒別。表2綜述了近紅外光譜技術在食用油真實性鑒別中的應用。

相較于近紅外光譜，高光譜成像技術由于包含了圖像信息和光譜信息，數據量大、信息冗余增加，因此在食用油的摻偽檢測方面的應用相對較少。Simona等[51]利用高光譜成像系統采集了97個橄欖油樣品在340～890 nm波段的高光譜圖像，借助ANN算法建立了特級初榨橄欖油的鑒別模型，其分類準確率達到97%。Zou等[52]為了鑒別紅花籽油中不同的摻假植物油，在387～1 035 nm的波段范圍內獲取了4種紅花籽油樣品的高光譜圖像，采用L2歸一化(L2NN)、對數轉換歸一化(LTN)、中值濾波(MF)、矩形窗平滑BS)以及min-max標準化(MMS)等算法對光譜數據進行預處理，并結合CatBoost、梯度提升決策樹(GBDT)、隨機森林(RF)以及光梯度提升機(LightGBM)等算法模型對不同類型的油樣進行預測，結果表明，MF-GBDT模型對4種油樣的識別率均達到100%。

表2 近紅外光譜技術在食用油真實性鑒別中的應用

食用油的真實性對人類健康有著極其重要的影響，而當前食用油市場各種摻偽現象層出不窮，摻偽方式多種多樣，使得油脂的摻偽檢測成為食品安全監控領域的一項難題，因此亟需開發簡單、快速、準確的食用油摻偽檢測技術。而近紅外光譜具有較強的物質穿透能力，對于各種物理狀態的樣品可不經過任何處理直接進行檢測，具有高效、無損、綠色環保等特點。研究表明，近紅外光譜及高光譜成像技術可以有效地應用于多元植物油摻偽鑒定的定性、定量分析。

3 總結與展望

盡管在油料作物及產品品質檢測過程中，與強大的化學計量學相互結合的近紅外光譜與高光譜成像技術在油料作物理化成分測定、品種識別和產地鑒定以及食用油真實性鑒別等方面表現良好，具有巨大的應用潛力，但在其實際應用時仍然有一些障礙需要克服。第一，建模方式和特征波長的選擇仍然需要進行大量研究，從而最大限度地保留有效的光譜波長。第二，基于特定樣本所建立的校正模型缺乏通用性和穩定性，對于模型轉移還有待進一步研究。第三，高光譜成像技術受制于高昂的設備成本以及緩慢的圖像處理速度，難以實現商業化的應用。

近紅外光譜及高光譜成像技術在油料作物及產品品質檢測的后續發展可以從幾個方面入手：

開發更多提取特征波長的算法，并基于選定的特征波長建立多光譜成像系統，得益于多光譜成像系統較低的設備成本和較高的處理速度，有望在工業領域得以廣泛應用。

改進高光譜圖像的處理算法，進一步提高其計算和分析圖像的能力，使得該技術能快速、準確地確定油料產品中的理化成分。

開發建立用于油料作物及產品品質分析的商業化、通用型的光譜模型數據庫，并對其進行定期的維護和升級，從而避免針對同一應用點的模型進行重復開發，提高其利用率和穩健性。

利用遷移學習、強化學習等算法，開發具有高穩定性和精確度的模型更新與傳遞技術，增強模型的通用性。

應著重發展小型化和便攜化的近紅外光譜設備。未來，隨著5G通信、云平臺以及深度學習等技術的發展，基于物聯網和大數據建立光譜數據的云端處理系統，開發出基于智能手機的便攜式近紅外設備將極大地便利用戶對市場、超市中的油料作物及產品進行實時檢測。