多光譜技術在食品無損檢測中的應用進展

楊紅欣，唐興萍，楊正明，張 菊，陸婭娟，吳文斗,,*

（1.云南農業(yè)大學食品科學技術學院，云南昆明 650201；2.云南農業(yè)大學大數據學院，云南昆明 650201）

食品質量與安全是人們共同關注的熱點，在食品銷售鏈中如何保證食品及其原料的質量安全還面臨諸多的問題和挑戰(zhàn)，如食品損壞、食品營養(yǎng)物質的流失、食品污染和食品摻假等[1]。因此對食品進行快速、客觀的檢測、分類和分級，確保產品質量的優(yōu)越性和一致性的同時，還需在激烈的市場競爭下保持和提高盈利能力[2]，這是當前食品面臨和急需解決的難題。

傳統(tǒng)食品檢測（高效液相色譜、氣相色譜、離子色譜等）方法，存在著昂貴、低效、復雜樣品制備和操作等問題[3]。因此，食品檢測技術逐漸轉向了無損檢測領域，無損檢測是指在不破壞檢測樣品的情況下，采用一定的檢測技術和分析方法對樣品的內部和外部品質進行測定，并按相關的標準對其作出評價的過程[4]。目前應用于食品的無損檢測技術主要有電子鼻、機器視覺、高光譜、近紅外光譜、拉曼光譜、熒光光譜等，其各自優(yōu)缺點如表1 所示。

表1 食品中常用的無損檢測技術及優(yōu)缺點Table 1 Non-destructive testing techniques commonly used in food and their advantages and disadvantages

近年來以人機為載體的多光譜成像技術廣泛應用于農業(yè)領域農作物生長狀態(tài)監(jiān)測[5]、病蟲害防治[6]和農作物產量估測[7]等。多光譜成像（Multispectral Imaging，MSI）是一種新型的、快速發(fā)展的分析檢測技術，它將成像和光譜技術融合在一起，該技術具有無損、快速、無需樣品預處理等優(yōu)點[8]。多光譜成像處理的是離散光譜范圍內的窄帶圖像，可以捕獲不連續(xù)光譜范圍內的圖像數據，生成目標物體中每個像素的特征波長，因此適用于食品質量分析和可視化的呈現[9]。論文介紹了多光譜成像技術，并對該技術在水果、蔬菜、肉類及肉制品和水產品的檢測中的應用進行了綜述，對多光譜技術在未來食品無損檢測中的發(fā)展進行總結展望。

1 多光譜技術介紹

1.1 多光譜系統(tǒng)組成及原理

多光譜成像可提供和采集從紫外到近紅外波長范圍（200～2500 nm）內多個離散波段的數據，并在此基礎上新增光譜信息維度，組成了包括二維空間信息和一維光譜信息等多種信息的“三維信息立方體”。多光譜成像系統(tǒng)設備結構和組成簡單易操作，主要由CCD 相機、發(fā)光二極管（LED）和一個內層涂有啞光油漆的積分球三個主要部件組成。多光譜成像是一種多通道成像技術，即采用兩個或兩個以上波段，對樣本進行三維信息的瞬時采集[19]。多光譜成像原理是在光譜儀的內部，光線從激發(fā)光源發(fā)出，經過測試樣本的吸收和反射，反射光通過一定波段范圍的濾光鏡后進入成像系統(tǒng)，形成樣本的多光譜信息，最后利用合適的化學計量學方法對其進行處理和分析[20]。

1.2 多光譜數據分析

1.2.1 MSI 光譜的預處理方法 在光譜數據采集時，多光譜系統(tǒng)所采集的數據中不僅包括被測樣品的光譜信息，還包含了散光、背景信息以及噪聲的干擾，進而使建模效果不佳。因此在建模前需要對原始光譜數據進行預處理，以提高信噪比，減小無效和噪聲信息對實驗結果造成的誤差，挖掘更多有價值的信息。目前應用較多的光譜預處理方法有：主成分分析（Principle Component Analysis，PCA）[21]是降低高光譜維數、增強感興趣信息、去除噪聲提供的一種有效的手段；平滑法（Savitzky-Golay，S-G）[22]可以提高光譜的平滑性，降低噪音的干擾。其原理是將光譜分為數個窗口，在每個窗口內使用最小二乘法進行多項式擬合；多元散射校正法（Multiplicative Scattering Correction，MSC）[23]將所有光譜樣品的平均光譜作為標準光譜，對每個樣品的光譜進行線性回歸，得到平移量和偏移量，最后消除基線平移和偏移，得到校正后的光譜；標準歸一化變量（Standard Normallized Variate，SNV）[24]主要用于消除待測物固體顆粒大小、表面散射以及光程變化對光譜的影響等。

1.2.2 MSI 光譜的特征波長選擇方法 特征提取在一定程度上降低了數據運算量、提高了檢測效率。常見的提取多光譜特征波長的方法有：遺傳算法（Genetic Algorithm，GA）[25]是一種基于“適者生存”的生物進化機制獲得全局最優(yōu)解的搜索算法；連續(xù)投影算法（Successive Projections Algorithm，SPA）[26]是一種使矢量空間共線性最小化的前向變量選擇算法，它的優(yōu)勢在于提取全波段的幾個特征波長，能夠消除原始光譜矩陣中冗余的信息；無信息變量消除（Uninformation Variable Elimination，UVE）[27]是基于偏最小二乘模型回歸系數建立的一種特征波長的選取方法，其主要作用是剔除對模型沒有貢獻的波長點從而降低數據的維度；競爭性自適應重加權算法（Competitive Adaptive Reweighted Sampling，CARS）[28]是以達爾文進化論的“適者生存”為指導理論，采用蒙特卡洛采樣以及偏最小二乘回歸法的特征波長優(yōu)選方法。

1.2.3 MSI 光譜分析模型的建立方法 從多光譜圖像中提取的光譜和紋理信息，可以反映樣品的物質組成、結構和性質等。結合化學計量學建立模型的目的是建立化學值與光譜和圖像數據對應的聯(lián)系，了解光譜、紋理變量與測試樣品之間的定性或定量關系，模型的可靠性和準確性對于定量分析或定性判別具有重要意義。常用的建模方法有：支持向量機（Support Vector Machine，SVM）[29]是基于統(tǒng)計學習的一種分類方法，要實現SVM 分類目的主要是通過尋找各類樣本間的分類超平面；反向傳播神經網絡[30]（Back Propagation Neural Network，BPNN）是一類能夠比線性技術更精確地解決復雜問題的非線性神經網絡。BPNN 采用基于梯度下降法的離線訓練算法來更新網絡權值，以確保所設計的神經網絡收斂到期望的控制器輸出；偏最小二乘法（Partial Least Squares，PLS）[31]是一種線性模型，在光譜建模分析中的應用較多，該建模方法將光譜變量轉變?yōu)榫S度更小的建模因子，同時生成建?；貧w曲線，通過分析回歸曲線，可以提取有效波長，以方便后續(xù)建模分析；偏最小二乘判別分析（Partial Least Squares Discriminant Analysis，PLS-DA）[32]是一種基于 PLSR 用于解決多分類問題的線性監(jiān)督分類算法；多元線性回歸（Multiple Linear Regression，MLR）[33]選擇多個特征峰數據作為自變量，對于含有多個特征峰的待測物定量分析有明顯優(yōu)勢，但多元線性回歸要求各自變量間相互獨立，在實際應用中往往無法滿足這一要求，因此具有一定局限性。

1.2.4 MSI 光譜分析模型的評估 采用確定系數（R2）[34]、均方根誤差（Root Mean Squared Error，RMSE）[35]、預測均方根誤差（Root Mean Square Error of Prediction，RMSEP）[36]、校正集均方根誤差（Root Mean Squared Error of Calibration，RMSEC）[37]、剩余預測偏差（Residual Prediction Deviation，RPD）[38]等來驗證所建立的校準模型的準確性。RPD 值越高，該模型準確預測樣本化學成分的概率就越大。RPD 值在2.4 到3.0 之間被認為是差的，模型只能用于非常粗略的篩選，而RPD 值大于3.0 表示模型性能較優(yōu)越，可以用于實際檢測和質量控制。一般來說，模型具有較高的RPD 值，較低的RMSEC 和RMSEP 值時，表明所建模型的預測能力及適應性越強[39]。定性模型則以模型預測的正確判別率作為評判標準，即判別正確的樣本個數占樣本總數的百分比，正確率越高，模型性能越好、精度越高。

2 多光譜成像技術在食品無損檢測中的應用

多光譜成像技術在食品無損檢測領域有著廣泛的應用，使用多光譜成像技術可以準確有效地對食品進行定性定量分析，從而進一步達到食品品質評估、質量分級或摻假鑒別的目的。

2.1 多光譜成像技術在水果品質無損檢測中的應用

傳統(tǒng)水果檢測方法需對果實進行破壞、操作復雜、效率低，難以實現大批量檢測[40]。為了解決該難題，科研工作者將目光投向了無損檢測技術，目前已有聲學振動[41]、電子鼻[42]、數字圖像[43]等方法對果實進行檢測，但這些方法獲取的數據有限，對果實內部質量實時在線分級存在一定難度。而多光譜成像技術可以根據采集到的光譜和圖像信息對水果進行快速檢測，從而實現水果在線分揀，滿足水果產業(yè)需求。

水果品質不僅取決于外形、大小和色澤，還與成熟度、含糖量、果實硬度、含水量以及內部缺陷有關[44]。Tang 等[45]在350～1200 nm 范圍內使用多光譜成像系統(tǒng)采集富士蘋果數據，而后采用MLR 模型預測糖含量，獲得R=0.8861，RMSE=0.8738 的結果，表明多光譜成像系統(tǒng)可以用于蘋果的含糖量檢測。Vetrekar 等[46]使用多光譜成像方法區(qū)分自然和人工催熟香蕉，分類準確率達到88.82%±1.65%。楊甜軍等[47]基于虛擬儀器LabVIEW 和多光譜成像技術設計了一套蘋果品質檢測的多光譜成像裝置，能夠對蘋果大小、形狀、損傷以及糖度等指標進行檢測，具有無損和快速的特點。

水果病害是水果安全品質研究的核心問題之一，盡早發(fā)現病害便能最大程度上降低影響、減少經濟損失。Hashim 等[48]用多光譜成像系統(tǒng)檢測芒果冷害，從實驗可以得出最小二乘支持向量機（Least Squares Support Vector Machine，LSSVM）模型預測精度為83.3%。Ghanei 等[49]將多光譜成像系統(tǒng)用于柑橘青霉病的檢測與分類，在接種真菌后第4 d 和第5 d 腐爛，腐爛和健康區(qū)域的分類準確率分別為98.6%和100%。董建偉等[50]提出一種基于多光譜圖像的庫爾勒香梨表面缺陷檢測方法。對帶有疤痕、病斑和腐爛缺陷的果實識別準確率可達92%以上，具有較高準確性，實驗結果驗證了該技術可用于庫爾勒香梨的實時檢測。

多光譜成像技術除了應用在整個水果的檢測，還在即食水果中發(fā)揮其優(yōu)勢。Manthou 等[51]利用多光譜成像技術對即食菠蘿的顏色、氣味、紋理三個方面進行質量評估，從實驗中可以看出多光譜技術對于即食菠蘿評估的準確度可以達到85%。多光譜成像技術也用于水果干制品的品質檢測和評估。Jdicke等[52]用芒果片在40～80 ℃的空氣溫度和5%～30%的相對空氣濕度下干燥，其中使用PLS 進行建模和預測時，實現了RSMEP 為0.05 和R2p 為0.96 的水分含量預測。PCA/PCR 預測復水后總可溶性固形物（TSS）的R2p 最高為0.96，PLS 預測復水化產物TSS 的R2p 為0.93。多光譜成像技術在水果內部質量檢測中研究較少，為研究者提供了以后研究的方向和目標，未來可以將多光譜技術更多地應用于水果的糖度、硬度、顏色、成熟度和農藥殘留等檢測中。

2.2 多光譜成像技術在蔬菜中的應用

目前多光譜技術在蔬菜中的應用主要在簡單的分類、分級及損傷檢測。Sendin 等[53]使用PLSDA 模型，在區(qū)分完好玉米和不良材料方面表現良好，交叉驗證的決定系數（Q2）為0.35 至0.99 以及分類準確度為83%至100%。Zhang 等[54]探討基于單鏡頭方法的新型多光譜成像系統(tǒng)在馬鈴薯缺陷檢測和分類。利用LSSVM 模型建立了馬鈴薯缺陷分類模型且測試集的分類準確率達到90.70%。

玉米通常會受到玉米赤霉烯酮（Zearalenone，ZEN）的污染，對人體造成嚴重危害。Liu 等[55]采用多光譜成像技術結合不同機器學習方法對玉米中ZEN 含量進行檢測。利用GA 結合BPNN 可以篩選出不同程度ZEN 含量的玉米，GA 結合BPNN 方法對ZEN 污染水平的檢測準確率為93.33%。因此多光譜成像與機器學習相結合適用于玉米中ZEN含量的快速測定。

影響蔬菜干制品品質的指標之一就是水分，水分過多不易長時間儲藏并且會引起微生物污染，所以對于蔬菜干制品水分的控制至關重要。Younas等[56]通過多光譜成像技術結合化學計量學方法來測量熱風干燥蘑菇中的水分狀況。使用PLS、BPNN和LSSVM 模型建立定量模型。其中，BPNN 模型的預測效果較好，決定系數R2c=0.9829，R2p=0.9639。驗證了多光譜成像預測水狀況的潛力評估，為食品加工提供了合適的檢測平臺。Yu 等[57]使用多光譜成像系統(tǒng)快速檢測胡蘿卜干切片的水分和收縮率，在運用的模型當中LSSVM 模型獲得了最佳結果，預測的決定系數（Rp）=0.942，RMSEP=0.0808%，RPD=2.636，Rp=0.953、RMSEP=0.0902%和RPD=3.271。該模型對于水分的準確測定，使生產者可以及時調整干燥裝置的工藝參數，從而保證最終產品的質量。

2.3 多光譜成像技術在肉類及肉制品品質無損檢測中的應用

目前，肉及肉制品的檢測方法有感官評價、酶聯(lián)免疫吸附試驗、分子生物學方法、電子鼻技術等，但存在檢出率低、耗時長、對樣品破壞和操作復雜等缺點[58]。多光譜作為一種快速、無創(chuàng)傷的分析技術，可以應用于肉類及肉制品的質量和安全評估，包括腐敗檢測、摻假鑒定、營養(yǎng)評估、微生物分析、顏色和嫩度測定等[59]。

摻假通常是將便宜或質量較差的材料添加到價值高或質量好的材料中的手段，而這兩種材料具有非常相似的化學特征[60]。Ropodi 等[61]利用多光譜成像與數據分析方法相結合，檢測牛肉中摻入的碎馬肉。檢測摻假樣品的分類模型性能受儲存過程中肉色變化的影響，但使用SVM 模型可以將所有純樣品和新鮮的樣品正確分類，正確分類準確值達95.31%。

其次，多光譜成像技術可用于對肉類營養(yǎng)價值的評估和分類，其中金濤等[62]研究多光譜成像技術測定牛肉干中水分含量，發(fā)現BPNN 模型對牛肉干水分含量檢測效果最佳，其R2為0.941、RMSEP 為3.602%和RPD 為4.142。Tsakanikas 等[63]提出了一種利用多光譜成像特性進行食品質量評估和肉類樣品污染可視化的新方法，開發(fā)了支持向量回歸（Support Vector Regression，RVR）模型，以提供儲存期間微生物計數的定量估計。實驗結果顯示了良好的性能，對于模型驗證總體正確分類率在89.2%到80.8%之間。Li 等[64]利用多光譜成像和機器學習分類器開發(fā)一個牛肉切割分類模型。使用單模和多模特征集，用不同的基于機器學習的分類器，即線性判別分析（Linear Discriminant Analysis，LDA）、SVM和隨機森林（Random Forest，RF）算法來開發(fā)一個準確的分類模型。優(yōu)化的LDA 分類器在多模態(tài)特征融合的情況下達到了90%以上的預測精度。證明了機器學習和特征融合方法在未來農業(yè)應用中利用多光譜成像技術進行肉類分類的潛力。

另外，研究人員也將該技術用于肉類中異物的檢測。Wang 等[65]利用多光譜成像技術在405～970 nm 范圍內對瘦豬肉中的骨頭碎片進行檢測。選擇SPA 算法確定了七個關鍵波長（450、470、645、660、700、780 和970 nm），與全光譜建立的模型相比，感興趣區(qū)域在關鍵波長處提取的光譜數據的測試集分類最高為100%。使用的LPS 模型對瘦肉中骨頭碎片的檢測效果最佳，并且基于關鍵波長的訓練和測試集的誤分類率小于1%。

2.4 多光譜成像技術在水產品品質無損檢測中的應用

水產品組織結構脆弱，含有豐富的內源酶和嗜冷細菌，在儲藏和運輸過程中容易腐爛變質[66]。因此水產品的質量和安全需要認真評估，以獲得客戶的信任和信心。目前，水產品的真實性、新鮮度、營養(yǎng)損失和細菌污染是水產行業(yè)需要解決的主要問題[67]。

新鮮度是判斷食品食用屬性的基本品質屬性，也是易腐食品經處理后可能發(fā)生顯著變化的品質屬性[68]。因此，新鮮度是作為評價魚品質的最重要指標之一，總揮發(fā)性堿性氮[69]（Total Volatile Basic Nitrogen，TVB-N）值可以反映水產品貯藏過程中酶和微生物的作用，常作為評價水產品新鮮度的化學指標。Omwange 等[70]利用多光譜成像技術結合多元分析技術，提供一種快速、無損的方法來評估5 ℃以下冷藏的完整日本鯪魚的新鮮度。多光譜成像僅通過捕獲不同激發(fā)波長的魚類圖像就可以成功地無損地評估魚類的新鮮度。Cheng 等[71]采用5 個SPA 算法和6 個GA，建立的LSSVM 和MLR 模型，對預測化學變質過程中草魚魚片中的TVB-N 和K 值表現良好，其中R2p>0.900 和RPD>3.000。所以開發(fā)實時在線多光譜成像系統(tǒng)檢測，用于草魚魚片質量評價和控制是可行和實用的。Khoshnoudi-Nia 等[72]使用簡單的多光譜成像系統(tǒng)以及線性和非線性回歸來評估，在4±2 °C 下儲存12 d 期間各種魚類腐敗指標。運用LSSVM 模型的多光譜成像系統(tǒng)可以同時預測所有總揮發(fā)性基本氮和干冷營養(yǎng)板計數（Psychrotrophic Plate Count，PPC）和感官評分三項指標。以上研究均表明應用多光譜成像技術快速測定水產的品質和質量是可行的，為快速檢測水產品提供了理論依據。

2.5 多光譜成像技術在其他食品檢測中的應用

多光譜成像技術除了用于上述食品外，還用于其他類型食品的檢測。例如多光譜用在小麥中脫氧雪腐鐮刀菌烯醇（Deoxynivalenol，DON）毒素的檢測，DON 被認為是III 類致癌物并且小麥很容易受到脫氧腐鐮刀菌烯醇的污染。Shi 等[73]利用多光譜成像系統(tǒng)，建立了一種快速無損檢測小麥中DON 含量和污染程度的方法，其中PCA-PLS 模型對污染程度分類的準確率達到了94.29%。除了病害的檢測，多光譜技術在品種的識別也表型出相對優(yōu)勢。許學等[74]利用多光譜成像技術和化學計量學方法建立相應的品種鑒定模型，實現小麥品種的快速無損鑒定。

食品分類可以提高其品質，也方便食品的儲藏和銷售。但目前在市場上運用的技術很難做到精準分類，而多光譜的出現使食品分類進入了新階段。Liu 等[75]選用三種外觀與泰國茉莉花大米相似的大米，通過多光譜圖像進行分類和定量預測實驗。對于樣品的分類，BPNN 模型可以很容易地對4 種不同大米進行分類，準確度可達到92%。Mihailova 等[76]應用多光譜成像來區(qū)分烘焙的阿拉比卡咖啡豆和羅布斯塔咖啡豆，使用正交偏最小二乘判別分析（Orthogonal Partial Least Squares Discriminant Analysis，OPLS-DA）模型，實現了測試數據集中兩種咖啡物種的100%正確分類。Yu 等[77]通過使用基于PCA 和SVM 的分析方法，嘗試區(qū)分完整堅果和蟲害堅果之間的反射光譜數據，在校準集和預測集中實現了高達99.1%和97.5%的分類準確率。Lianou等[78]選用等溫條件下存儲的乳制品中獲取的多光譜圖像的訓練特征，輸入到SVM 模型，確定香草奶油的微生物質量。然后再用不同溫度條件下（4、8、12 和15 ℃）的兩批奶油樣品，分別是新鮮樣品和變質樣品，對兩種奶油樣品進行了分析。此模型驗證兩類分類的總體準確度為91.7%。所以，多光譜成像技術可能是一種實時評估香草奶油樣品微生物質量的方法。

摻假是食品中經常出現的問題，引入多光譜技術在一定程度上可以減少食品摻假事件的發(fā)生。Bandara 等[79]將酒黃石米粉作為摻假物加入到姜黃中，使用PCA 和Bhattacharyya Distance 的算法，可以檢測出其中的摻假物質。Liu 等[80]利用多光譜成像結合化學計量學方法對番茄醬中的蔗糖摻假進行快速定性和定量檢測。其中LSSVM 提高了預測性能，番茄醬第1 批次和第2 批次R2分別為0.936 和0.966，RMSEP 分別為0.521%和0.445%，RPD 分別為5.014 和5.865。Herath 等[81]利用透射率多光譜成像定量評估椰子油摻假，其中訓練樣本的R2為0.9876，測試樣本的均方誤差為（Mean Squared Error，MSE）0.0029。驗證了多光譜成像系統(tǒng)能夠準確地評估椰子油的摻假。

如表2 所示，多光譜成像技術對不同成分光譜吸收具有差異性，通過差異性的光譜信息和圖像信息可以更清楚地反映出食品當前狀況。因此，多光譜成像對觀察食品缺陷、化學成分及物理性質有獨特優(yōu)勢，可更好地應用到不同類型的食品檢測中。

表2 多光譜成像技術在食品領域應用一覽表Table 2 List of multispectral imaging applications in the food sector

3 結論與展望

本文綜述了多光譜成像技術在果蔬、肉類及肉制品和水產品的質量安全檢測和品質評估中的應用，驗證了多光譜成像技術運用于食品檢測的可行性，該技術為食品領域提供了一種快速、高效的無損檢測方法和手段，在未來食品無損檢測應用方面具有巨大潛力。

近年來，多光譜技術在食品無損檢測領域取得了顯著的進展。研究人員通過優(yōu)化光譜采集設備和算法，提高了檢測的精度和效率。同時，結合人工智能技術，多光譜數據的處理和分析能力得到了進一步提升，為食品檢測提供了更可靠的手段。

盡管多光譜技術在食品檢測中取得了一系列的成果，但仍然面臨一些挑戰(zhàn)。例如，不同食品的光譜特性各異，需要針對性地優(yōu)化檢測方法。此外，多光譜技術在實際應用中的成本也需要進一步降低，以促進其更廣泛地應用。未來，可以考慮將多光譜技術與其他無損檢測手段相結合，進一步提高檢測的準確性和全面性。

? The Author(s) 2024.This is an Open Access article distributed under the terms of the Creative Commons Attribution License (https://creativecommons.org/licenses/by-nc-nd/4.0/).