近紅外光譜技術在食用菌品質檢測方面的應用研究進展

王玉玲，王婧茹，劉 紅，秦令祥，高愿軍，周海旭，李 波,，何鴻舉,

（1.河南科技學院農學院，河南新鄉 453003；2.河南科技學院食品學院，河南新鄉 453003；3.海南師范大學化學與化工學院/海口市熱帶特色藥食同源植物研究與開發重點實驗室，海南海口 571158；4.漯河食品職業學院，河南漯河 462333）

食用菌是一類風味獨特且富含蛋白質、氨基酸、多糖、礦質元素及維生素等多種營養成分的大型可食用真菌，是目前國際上公認的理想蛋白質和組織營養來源[1]。食用菌還兼具藥用價值，其含有的生理活性物質如多糖具有調節機體免疫、預防心血管疾病、抗炎防癌等保健功效[2-4]，已成為日常生活中常備食材之一。我國是食用菌生產和消費大國，2020 年全國食用菌總產量高達4061.43 萬噸[5]，食用菌產業已成為大健康產業的重要組成部分。隨著健康消費理念普及和消費需求增長，高品質的食用菌及其制品受到當今消費者的普遍青睞。品質檢測是食用菌產業化生產和產品質量控制的必備環節。近紅外光譜（near-infrared spectroscopy，NIRS）技術作為一種快捷、高效、綠色無污染的無損檢測手段，被大量用于食品品質的快速檢測研究[6-8]。

紅外光譜是介于可見光區和微波區之間的電磁波譜，其光譜的產生是由于分子振動的非諧振性，使分子從基態向高能級躍遷。NIRS 技術能夠進行定性和定量分析的實質是利用原子間的相對振動和分子轉動等信息以確定分子結構。用于食品質量檢測主要是基于食品組分中化學基團（主要指C-H、NH、O-H 等含氫基團）在近紅外波段（780～2526 nm）的倍頻和合頻吸收[9]，通過化學計量學算法挖掘光譜吸收信息，構建高穩定性、高精度的數學模型（線性模型和非線性模型）實現對未知樣品的快速預測。食品樣品在近紅外波段的吸收譜峰重疊嚴重，且易受背景、噪聲和外界環境等因素干擾，需借助化學計量學方法挖掘光譜信息與研究目標之間的內在聯系[10]。化學計量學算法旨在通過尋找特征光譜信息與品質指標之間的相關性，發現內在規律并實現較合理準確的未知預測（定性和定量），在NIRS 技術用于食品研究中發揮著重要作用[11]。構建的預測或識別模型需通過相關系數（R）或決定系數（R2）、均方根誤差（root mean square error，RMSE）以及剩余預測偏差（residual predictive deviation，RPD）等參數進行評價。一般而言，R或R2越接近1，RMSE 越接近于0，模型預測性能越好[12]。

NIRS 技術主要具有如下特點：a.無損快速：可直接利用近紅外光的強穿透性對樣品進行光譜采集，再將測量光譜代入建立好的校正模型，可完成對物質快速分析檢測。b.綠色環保：光譜技術無需使用化學試劑對樣品進行處理，降低各種生物、化學污染。c.重現性好：NIRS 是一種二次分析檢測技術，通過建立穩定的預測模型，由該模型對相關指標進行快速檢測，所得結果具有較高的重現性。NIRS 技術結合化學計量學算法已被用于研究食品種類及產地鑒別[13]、摻假[14]、質量評估[15]、等級分級[16]等，研究結果顯示NIRS 技術在部分指標檢測應用方面具有較高可行性和適用性，應用潛力巨大。本文全面歸納綜述了近5 年來NIRS 技術在食用菌品質檢測方面的應用研究進展，主要包括理化組分（如水分、糖、硬度、固形物含量等）、活性成分（如多糖、三萜類、甾醇類等）、品種識別、產地鑒別和其他方面（圖1），為進一步完善NIRS 技術在食用菌質控中的應用提供方法參考。

圖1 NIRS 技術在食用菌品質檢測方面的應用研究Fig.1 Application of NIRS technology in quality detection of edible fungi

1 NIRS 技術用于檢測食用菌理化組分

食用菌的化學組成主要包括水分、蛋白質、脂肪、碳水化合物、礦物質和維生素等。這些理化組分會影響食用菌的生產加工及食用品質，如水分含量直接影響食用菌的嫩度、鮮度和口感。食用菌理化組分的檢測目前使用國標法較多[17-18]，NIRS 技術被用于食用菌檢測研究已有報道，結果各不相同。如Giovenzana 等[19]分別采集雙孢菇菌帽和菌柄的400～1000 nm 光譜信息，構建偏最小二乘（partial least squares，PLS）模型預測不同部位的硬度、可溶性固形物和水分等理化品質，結果顯示在菌帽中，硬度的預測效果良好，而其他兩個指標不是很理想（R2P：硬度＞水分＞可溶性固形物）；在菌柄中，水分的預測效果明顯好于其他兩個指標（R2P：水分＞可溶性固形物＞硬度），這可能由于菌帽和菌柄的不同理化組分對模型精度產生了影響。相比之下，Shinoda 等[20]通過獲取1450 nm 處的光譜信息構建PLS 模型預測香菇中水分含量效果更好，具體如表1 所示。

表1 NIRS 技術用于檢測食用菌理化組分Table 1 Application of NIRS technology for detection of physicochemical index in edible fungi

食用菌富含蛋白質，營養價值高，是高品質蛋白質的理想來源。馬建等[21]利用NIRS 技術對278 株蛹蟲草樣品的成分進行快速定量分析，經對比發現，采用原始光譜預測蛹蟲草蛋白質含量效果最好。碳水化合物也是食用菌重要成分之一，是組成食用菌所占比重最高的大分子物質。為推動黑木耳精深加工和技術提升，楊根等[22]嘗試基于1000～2500 nm 波長信息研發一種快速檢測黑木耳總糖的NIRS 方法，結果顯示構建的PLS 預測模型R2超過0.90，效果良好。盧潔等[23]使用相同的光譜波段構建PLS 模型預測香菇總糖含量，模型R2C最高達0.94004，模型驗證結果顯示，樣品預測值和實測值具有良好的線性關系，該試驗建立的NIRS 分析模型可用于預測香菇樣品的總糖含量。對比近5 年研究結果發現，NIRS技術在預測食用菌總糖和蛋白質含量方面效果更好，但是總體上對于食用菌理化組分的NIRS 檢測研究較少。

2 NIRS 技術用于檢測食用菌活性成分

食用菌含有多糖、萜類、黃酮類等多種生理活性成分，具有提升機體免疫力、阻止和防御疾病等功效。活性成分的快速檢測對食用菌的藥理開發及應用具有重要意義。食用菌多糖是食用菌細胞體內的一類大分子物質，具有良好的降血糖功效[24]。張龍等[25]研究了NIRS 快速檢測杏鮑菇多糖含量的可行性，結合三種算法構建多糖的定量校正模型，結果顯示徑向基神經網絡模型預測效果最好（R2P=0.89，RMSEP=7.73 mg/g），但仍有提升空間，這為快速檢測杏鮑菇多糖含量提供了初步依據。黑木耳是一種膠質食用菌，其多糖占比最大、含量最高[26]。孫麗萍等[27]以NIRS 對樣本進行光譜采集（900～1700 nm），運用支持向量機（support vector machines，SVM）算法進行建模仿真，對黑木耳多糖品質進行分類研究，測得模型識別精確率為85.7%，具有較好的預測性，但該研究采集樣本總量略有不足。靈芝是一種藥用真菌，其多糖是主要活性成分之一，可通過調節免疫系統增強宿主抗病降糖降脂能力[28]。賴長江生等[29]采用NIRS（1000～2500 nm）結合化學計量學算法構建靈芝多糖含量（質量分數為1.93%～3.99%）快速預測模型，通過標準正太變量校正（standard normal variate，SNV）光譜預處理所建立的PLS 模型預測結果最佳，具備應用推廣潛力。馬玉涵等[30]研究發現靈芝多糖NIRS 的特征吸收位點在2321.80、2270.15 nm，結合多糖化學測量結果，構建基于NIRS 的靈芝菌絲體多糖定量分析模型，校正模型和預測模型表現非常好（R2均＞0.95）。利用校正模型繼續預測誘變靈芝菌絲體多糖含量，效果依然良好。因靈芝多糖大多存在于水提物中，為了更加準確全面評估靈芝多糖含量，張倩倩等[31]采用NIRS 對靈芝子實體水提物進行定性和定量分析，結果顯示基于水提物優選波段1830.93～2361.22 nm 構建的 NIRS 模型定量檢測靈芝多糖效果良好，可以幫助解決靈芝子實體多糖定量不準的問題。

靈芝三萜是另一類重要的藥用活性成分，具有廣泛的抗癌特性[32]。研究發現靈芝三萜在近紅外譜區內的1689.19、1730.10、2265、2304.15 及2350.73 nm處有特征吸收峰，馬玉涵等[30]通過選取兩個波段1676.98～1766.07、2266.26～2298.40 nm 的光譜信息構建PLS 模型預測靈芝菌絲體中的靈芝三萜含量，經過一階導數預處理光譜，模型預測效果更好。張倩倩等[33]通過采集靈芝子實體及其提取純化物的NIRS（833.33～2500 nm），分析得出了靈芝三萜NIRS和中紅外光譜（mid-infrared spectroscopy，MIRS）之間存在較強的相關性，并提出基于靈芝子實體提取物，可建立靈芝子實體三萜的NIRS 定量分析模型。

蛹蟲草含有腺苷、多糖、蟲草酸等多種活性成分，在降血脂、抗菌、抗癌、抗衰老等方面功效顯著[34-35]。快速定量分析蛹蟲草有效成分可避免大量損耗，對開發蛹蟲草的藥用價值具有重要意義。馬健等[21]通過獲得化學誘變蛹蟲草的NIRS，并經過不同的光譜預處理，分別構建了蛹蟲草腺苷、蟲草酸、多糖等的PLS 定量分析模型，結果顯示使用原始光譜（900～1700 nm）和預處理光譜在預測這三種活性成分方面效果差異不顯著，建議直接使用原始光譜分析效率更高。除了定量預測，NIRS 技術還被引入蛹蟲草加工過程分析，用以提高生產效率，如史畑女等[36]對發酵蟲草菌粉生產全過程中的總核苷、總多糖及甾醇類含量進行了NIRS 定量檢測研究，針對不同成分選擇不同的波段信息構建PLS 定量分析模型，通過模型參數（RC和RMSEC、RP和RMSEP）及模型驗證（準確度、重復性、精密度、穩定性）得出結論，NIRS 技術結合PLS 算法用于對發酵蟲草菌粉生產過程中核苷類成分、總多糖含量、甾醇類成分的定量檢測效果良好（詳見表2），模型應用具有可行性，可提高生產過程可控性和高效性。

表2 NIRS 技術用于檢測食用菌活性成分Table 2 Application of NIRS technology for detection of active ingredients in edible fungi

3 NIRS 技術用于檢測食用菌品種鑒別及分類

食用菌品種繁多，其野生和人工栽培的功效差異較大，目前常用于食用菌品種鑒別及分類的方法主要有感官識別、色譜和質譜聯用等[37-38]。感官識別人為主觀因素影響較大，色譜和質譜聯用前處理復雜、耗時耗力，無法實現快速檢測。NIRS 技術作為一種快捷有效的檢測手段，在食用菌品種鑒別分類方面的應用研究具有重要現實意義。楊吉等[39]利用NIRS 法結合主成分分析（PCA）及聚類分析對9 種540 個靈芝樣品快速識別研究，分類歸屬正確識別率達100%，為靈芝藥用功效評價提供了一種有效方法。王乾龍等[40]研究基于800～2500 nm 波段信息構建快速鑒別冬蟲夏草品級的可行性，通過采集西藏和青海兩地的冬蟲夏草的NIRS 數據，經二階導數預處理后進行主成分分析，構建的模型鑒別冬蟲夏草品級準確率可達100%。李魚強等[41]在900～1700 nm波長范圍下，選取4 種不同的食用菌構建反向傳播神經網絡模型和K 最鄰近算法模型，結果顯示構建的兩種模型對松茸真假辨別準確率可達100%和78.26%，對食用菌分類正確率可達89.1%和80.43%，模型精度和穩定性均高于PCA 法（詳見表3）。

表3 NIRS 技術用于檢測食用菌品種鑒別及分類分級Table 3 Application of NIRS technology for identification and classification of edible fungi

除了上述幾種食用菌，近幾年牛肝菌品種鑒別也被研究報道。Chen 等[42]試圖開發一種基于傅里葉變換NIRS 的牛肝菌品種快速鑒別方法，通過預處理5 種不同品種牛肝菌的1000～2500 nm 光譜信息，構建偏最小二乘法判別分析（partial least squares discriminant analysis，PLS-DA）和構建殘差卷積神經網絡（ResNet）兩種識別模型。結果顯示這兩種模型均能100%識別牛肝菌試樣品種，但是ResNet 模型更容易操作，效率更高，NIRS 結合ResNet 更具有應用潛質。與Chen 等[42]同一課題組Yan 等[43]基于相同的光譜信息，繼續對比了PLS-DA、SVM 和ResNet 三種模型在5 種常食用牛肝菌品種方面的識別能力，結果依然是ResNet 表現最佳，識別準確率依然為100%。傅里葉NIRS 結合二維相關光譜（twodimensional correlation spectroscopy，2D-COS）算法，以總多酚含量為鑒別參數構建ResNet 模型識別云南野生牛肝菌試樣品種，正確識別率也可達100%[44]。

4 NIRS 技術用于檢測食用菌產地鑒別

我國食用菌種植范圍廣，不同產地間的食用菌品質差異很大，市場上售價也因此存在差別，有些不法商家為了追逐更高經濟利益，混淆食用菌產地。為促進食用菌市場穩健發展，迫切需要建立一種準確、快速、高效的食用菌產地鑒別技術。NIRS 技術以便捷無損等優點在替代常規技術手段方面具有很大潛力。夏珍珍等[45]采集3 個不同產地干香菇樣品的NIRS（1000～2500 nm）結合不同的光譜預處理方法和波長選擇方法，建立了香菇產地鑒別模型，結果表明基于小波變換（continuous wavelet transform，CWT）預處理和隨機測試（randomization test，RT）篩選特征波長構建的PLS-DA 模型鑒別正確率更高（96.97%），但該模型僅覆蓋3 個香菇主產地，模型適用性有限，后續研究應擴大樣品覆蓋范圍。在相同的波長范圍內，Fu 等[46]對來自15 個產地的靈芝樣品進行了NIRS 分類鑒別研究，采用一對一最小二乘支持向量機模型與SNV 預處理相結合使得產地鑒別正確率達93.17%。依然使用1000～2500 nm 波段信息，賴長江生等[29]則選擇利用隨機森林（random forest，RF）算法對來自4 個產地的靈芝進行判別分析研究，訓練集預測準確率達到96.87%，獨立測試集判別準確率達到93.33%，與Fu 等[46]的研究結果相似。這說明基于1000～2500 nm 譜區的NIRS 技術結合化學計量學能夠較準確鑒別靈芝產地。

對于牛肝菌產地鑒別，云南農業大學一課題組使用同一波段光譜信息（1000～2500 nm）進行了多項研究，胡翼然等[47-48]先后對絨柄牛肝菌產地（云南4 個氣候帶）和美味牛肝菌產地（云南8 個產地）進行了NIRS 鑒別分析。對于絨柄牛肝菌而言，基于特征變量的高級數據融合策略結合RF 產地鑒別正確率更高，為99.6%；對于美味牛肝菌而言，基于特征變量的中級數據融合策略結合PLS-DA 產地鑒別正確率更高，為100%。陳鳳霞等[49]對美味牛肝菌也做了產地鑒別研究（云南6 個產地），采用NIRS 和紫外光譜中級數據融合后鑒別正確率有所提升，訓練集正確率為100%，預測集正確率為92.31%，分類效果明顯。Chen 等[50]篩選使用最優波段光譜信息（1428.57～2500 nm）構建ResNet 模型鑒別亞洲蘭茂牛肝菌產地，訓練集和預測集正確率均為100%，外部驗證集正確率為97.92%。總之，近年來的食用菌產地鑒別研究均基于1000～2500 nm 波段信息，盡管構建識別模型的方法不同，但總體的鑒別正確率很高，這些研究結果可為進一步開發食用菌產地溯源技術提供方法借鑒（表4）。

表4 NIRS 技術用于檢測食用菌產地鑒別Table 4 Application of NIRS technology for origin identification of edible fungi

5 NIRS 技術用于檢測食用菌病原菌污染和摻假識別

除了以上四個方面的研究，NIRS 技術還用于檢測食用菌的病原菌污染、摻假等方面。劉晨等[51]基于傅里葉NIRS 技術建立了木耳受鐮刀菌（5 種常見菌）侵染程度的定性與定量分析方法，線性判別分析（LDA）模型定性分析總體正確率在80%以上，單一鐮刀菌侵染木耳樣品中，串珠鐮刀菌的PLS 定量預測效果最好（R2P=0.902，RMSEP=0.187 lg CFU/g），5 種鐮刀菌混合侵染木耳樣品的PLS 定量預測性能有所降低，詳見表5。Shi 等[52]探討了NIRS 技術結合化學計量學方法快速檢測靈芝孢子粉摻假（摻入干淀粉）的可行性，建立回歸模型計算靈芝孢子粉中淀粉的摻假量，結果顯示基于SNV 預處理構建的PLS模型預測性能略好于ANN 模型。Yang 等[53]利用NIRS 技術識別杏鮑菇菌絲體的6 個生長階段，競爭性自適應加權算法（CARS）篩選最優波長構建的BPNN 模型識別準確率可達99.67%。這些研究結果均說明NIRS 技術在食用菌檢測方面具有很大的潛力，可為進一步拓展NIRS 技術應用提供數據支撐。

表5 NIRS 技術用于檢測食用菌病原菌污染和摻假識別Table 5 Application of NIRS technology for detection of contamination and adulterants in edible fungi

6 結論與展望

縱觀NIRS 技術在食用菌檢測方面的成果可以看出，NIRS 技術在食用菌生物活性成分檢測和產地鑒別方面研究較多，這也間接反映了消費者更加注重健康飲食的理念。從各項研究結果看出，NIRS 技術具備在食用菌品質檢測方面的應用可行性，但仍存在以下問題有待進一步研究：a.由于食用菌成分復雜，其近紅外光譜的數據有效信息較為分散，干擾信號較多，模型的準確度和穩定性有待提高。b.在定量分析中，多數研究的樣品為干樣或粉質產品，適用范圍具有局限性，可進一步研究生鮮食用菌產品。c.目前食用菌的近紅外快速檢測研究，基本處于可行性探索，系統性研究較少。未來將試驗模型應用在實際檢測工作中，仍需多方面的探索。未來的研究可以選用大量且有代表性的樣品，并擴充樣品集的種類和數量，對建模的分析軟件加以優化等方法來提高模型的準確度和穩定性。

目前市面上已有成熟穩定的NIRS 檢測設備，可實現對部分食品的快速檢測，但大多為進口設備，自主研發設備甚少，尤其針對食用菌品質檢測的設備幾乎沒有。當前市場對快檢設備需求依舊旺盛，針對某種或某類食品的專業化NIRS 檢測設備依然短缺，如目前還未發現可以用于食用菌品質快檢的專用NIRS 設備。未來深化NIRS 技術快速檢測食用菌研究應從以下幾個方面重點考慮：a.我國食用菌品種繁多，因產地不同導致理化組分差異大，可根據不同檢測指標采集代表性樣品，構建可實現地方標準或企業標準的快速檢測模型。b.智能化時代背景下，應融合最新的硬件和軟件技術，開發新的最佳波長篩選算法，構建更加穩健可靠的食用菌檢測模型。c.近紅外數據融合化學計量學算法后的模型穩定轉化、模型集成、小型便捷專用化食用菌檢測設備研發及生產應用依然是未來發展趨勢。