高光譜成像技術在食品摻假檢測中的應用研究綜述

摘 要：食品摻假問題不僅會對消費者健康造成威脅，還會對整個食品行業產生負面影響，并引發信任危機。高光譜成像技術因具有無創、快速、準確和高通量的特點，已成為鑒別食品摻假現象的一種重要技術。本文綜述高光譜成像技術在畜禽肉制品、水產品、糧食、乳制品、蜂蜜、食用油等食品摻假檢測中的應用研究進展，以期為優化食品摻假的檢測方法提供理論依據。

關鍵詞：高光譜成像技術；食品摻假檢測；應用

Review of the Application of Hyperspectral Imaging Technology in Food Adulteration Detection

CHEN Yanyu

（Hanchuan Public Inspection and Testing Center， Hanchuan 431600， China）

Abstract： Food adulteration not only poses a threat to consumers’ health， but also has a negative impact on the whole food industry and triggers a crisis of confidence. Hyperspectral imaging technology has become an important technique for the identification of food adulteration because of its non-invasive， rapid accurate， and high-throughput characteristics. This paper reviews the research progress on the application of hyperspectral imaging technology in adulteration detection of livestock and poultry meat products， aquatic products， grain， dairy products， honey， and edible oils， so as to provide theoretical basis for optimizing the detection methods of food adulteration.

Keywords： hyperspectral imaging technology; food adulteration detection; application

隨著科技的不斷進步和生活品質的逐步提高，消費者對食品的需求已經從簡單的飽腹感轉向強調健康。然而，有些不法商販和企業受利益驅使，在食品生產和銷售過程中存在摻假行為，特別是高附加值食品和低產食品。食品摻假行為不僅擾亂了市場秩序，還危害了消費者的健康。因此，鑒別食品真偽，保證食品安全至關重要。然而，傳統的檢測方法處理過程復雜，檢測周期長，難以滿足實際檢測需求，需要使用一種快速、高效、靈敏度高的檢測技術來鑒別食品摻假現象。

1 高光譜成像技術概述

高光譜成像（Hyperspectral Imaging，HSI）技術是一項新興技術，目前發展迅速。該技術將光譜學和計算機視覺集成在一個系統中，從掃描樣品中可以獲得數百個光譜帶，每一個像素點都包含著豐富的空間和光譜信息，可同時獲取被檢測物體的物理特征和化學結構。

HSI技術按照使用波長范圍，可分為紫外波段（200～400 nm）、可見光-近紅外波段（400～1 000 nm）、近紅外波段（900～1 700 nm）、短波紅外波段

（1 000～2 500 nm）和波長大于2 500 nm的波段，其中可見光-近紅外波段和近紅外波段已廣泛應用于食品品質分析[1]。HSI技術能夠同時檢測多個樣品，目前已被廣泛應用于食品的來源識別、成分分析、農藥殘留檢測、摻假檢測等方面。

2 HSI技術在食品摻假檢測中的應用

2.1 畜禽肉制品摻假

在肉制品生產加工過程中，摻假問題頻繁出現。肉類摻假是指不法商家將廉價肉類、不可食用肉類、水及非肉類物質等摻入高價肉品如牛肉、羊肉或其制品等以獲取高額利益。由于肉類的不同成分在特定波段具有典型的反射特征，所以不同種類肉或新鮮度不同的同種肉的光譜反射率差異明顯。因此，HSI技術可以用于肉制品摻假檢測。

孔麗琴等[2]利用HSI技術，采集牛肉丸中摻入單一和混合豬肉/雞肉的摻假樣品高光譜數據，建立了極限學習機分類和支持向量分類摻假鑒別模型，生牛肉丸最優模型單一摻假和復合摻假的校正集和預測集分類準確率均為97.17%，熟牛肉丸最優模型的校正集和預測集分類準確率分別為97.17%和96.23%。ZHANG等[3]基于HSI技術，結合遞歸圖-卷積神經網絡對摻入不同質量分數豬肉的摻假羊肉進行了分類鑒別和定量測定。結果表明，在3個

數據集上摻假羊肉的分類準確率分別為100.00%、100.00%和99.95%；含量預測中，3個數據集上的決定系數（R2）分別為0.976 2、0.980 7和0.947 9。王婧茹等[4]采集了摻入不同濃度梯度豌豆蛋白的93份牛肉糜樣品的光譜信息，利用偏最小二乘回歸算法構建預測模型，實現了豌豆蛋白摻入牛肉的快速檢測。

2.2 水產品摻假

近年來，水產品摻假現象較為常見，常見形式包括摻入淀粉、明膠或更廉價的同類產品來降低成本或改善肉品外觀。HSI技術可以克服紅外光譜和拉曼光譜只收集樣品局部區域光譜的缺點，提取樣品感興趣區域的平均光譜作為參考光譜，能有效鑒別水產品摻假現象。

黃結[5]基于HSI技術，確立了高斯平滑濾波-BP神經網絡模型作為魚糜中摻假玉米淀粉定量檢測的最優模型，模型校正集和預測集決定系數均大于0.99，均方根誤差均小于2.50%，檢測效果較好。LI等[6]利用可見近紅外-高光譜成像和短波近紅外-高光譜成像兩種系統，結合卷積神經網絡建立了預測大西洋鮭魚摻假水平的定量模型，結果發現，使用可見近紅外-高光譜成像建模效果更好，最優模型的預測集決定系數、預測集均方根誤差和剩余預測偏差分別為0.988 5、3.352 6和9.688 2。WU等[7]運用高光譜圖像采集對蝦的光譜數據，結合最小二乘支持向量機建立了對蝦中摻假明膠的鑒別模型，并將最佳模型轉化成可直觀看到對蝦中明膠分布的圖片，模型決定系數為0.965，具有較好的鑒別效果。

2.3 糧食摻假

糧食中易出現摻假現象，特別是優質大米易被不法商販摻入劣質米。淀粉和面粉是許多食品的重要原料，一些商家為了追求高利潤，會使用低成本的非法添加劑。國內外學者已陸續利用HSI技術開展對摻假糧食的快速無損檢測研究。

余云新[8]搭建了一套高光譜成像系統以獲取摻假大米的高光譜數據，采用分段多元散射校正算法校正光譜，并建立了支持向量機分類模型，結果顯示，摻假大米最佳分類模型的正確分類率在99%以上。HE等[9]采集了摻假小麥粉900～1 700 nm波段的高光譜信息，利用標準正態變量預處理后的偏最小二乘定量模型對小麥粉中滑石粉濃度進行了預測，預測模型的相關系數為0.98，均方根誤差為2.88%，剩余預測偏差為5.09。KHAMSOPHA等[10]在木薯淀粉中摻入0%～100%石灰石粉，獲取了摻假樣品的反射近紅外-高光譜圖像，并利用化學計量學建立了偏最小二乘預測模型，模型預測精度較高，相關系數為0.996，均方根誤差為2.47%，隨后用該模型建立了可視化預測圖像，可快速檢測木薯淀粉中摻假物的濃度。

2.4 乳制品摻假

乳制品行業是摻假行為頻發的領域，常見摻假成分包括尿素、三聚氰胺、香蘭素、葡萄糖和淀粉等。這些成分被非法添加以冒充蛋白質、增加黏稠度或者改善乳制品口感。HSI技術可以為鑒別乳制品摻假現象提供有效手段。

趙昕等[11]基于近紅外-高光譜成像技術，建立了嬰幼兒配方奶粉中摻雜聚氰胺/香蘭素/淀粉的有監督-偏最小二乘定量預測模型，并對結果進行了可視化分析。結果顯示，預測結果較好，不同濃度摻假物視化圖顏色變化明顯。AQEEL等[12]利用高光譜成像技術共采集450份純牛奶和摻假牛奶樣品的光譜數據，采用機器學習建立了多個模型進行識別和分類，模型實現了100%的驗證準確率，可以有效區分純牛奶和摻假物。BARRETO等[13]采用HSI技術結合偏最小二乘回歸構建了摻假新鮮奶酪中淀粉含量的定量分析模型，模型決定系數為0.991 5，誤差為0.397 9，能有效測定摻假奶酪中的淀粉含量。

2.5 蜂蜜摻假

天然蜂蜜的價格遠高于蔗糖或精制糖等其他甜味劑，所以有些商販為了降低成本，將劣質蜂蜜或其他非天然甜味劑摻入優質蜂蜜中。純蜂蜜和摻假蜂蜜因成分不同而使光譜特征存在差異，因此可以利用HSI技術鑒定摻假蜂蜜。

SHAO等[14]利用HSI系統采集了純蜂蜜和摻假蜂蜜（果葡糖漿和蔗糖溶液摻假）的高光譜圖像，并結合化學計量學，建立了LibSVM摻假分類模型和偏最小二乘回歸摻假水平預測模型，LibSVM模型分類準確率為92.5%，偏最小二乘回歸模型驗證精度為84%，誤差為5.26%，實現了蜂蜜摻假的定性鑒別和定量檢測。武霄[15]采集不同濃度麥芽糖與葡萄糖漿摻入兩種蜂蜜的高光譜數據，經一階差分預處理和一維卷積神經網絡提取特征，建立了支持向量機模型，可以有效識別蜂蜜的品種并確定摻假物的濃度，正確識別率達到100%。

2.6 食用油摻假

食用油摻假最常見的方式是混入劣質油。HSI技術利用不同油類型及其混合物的獨特光譜特征，可非破壞性、快速地區分純油和摻假油。HSI技術可以應用于食用油供應鏈的各個環節，是一種應用前景廣闊的食用油摻假檢測和分類技術。

AQEEL等[16]利用HSI系統共采集670份純油和摻假油樣品的光譜圖像，對圖像預處理后，結合各種機器學習算法建立了鑒別模型，驗證精度達100%。龍濤[17]利用近紅外-高光譜成像系統采集純紅花籽油和摻假油的光譜數據，結合機器學習建立了定性鑒別模型和紅花籽油含量的定量模型，可以對摻假紅花籽油進行快速定性與定量分析。MALAVI等[18]應用近紅外-高光譜成像結合機器學習建立了分類模型，對摻假特級初榨橄欖油進行了檢測，模型的分類準確率可達到100%，說明近紅外-高光譜成像技術結合機器學習能有效檢測食用油摻假現象。

2.7 其他食品摻假

HSI技術在各種食品摻假檢測方面的應用日益廣泛，如應用于枸杞、全蛋粉、茶葉等食品的摻假鑒別。

ZHANG等[19]將寧夏惠農、同心、海原、賀蘭4個地區的枸杞摻入寧夏中寧枸杞，以制備4類不同產地摻假樣品，經HSI技術采集光譜信息，結合隨機森林構建了20%摻假率的預測模型，準確率分別為95.8%、91.4%、87.2%和91.1%。劉平等[20]將不同比例淀粉/大豆分離蛋白/麥芽糊精單一或混合摻入全蛋粉中制備摻假樣品，用HSI系統獲取摻假樣品的光譜數據，建立了全波段下支持向量機摻假判別模型和偏最小二乘回歸摻假量預測模型，支持向量機模型分類準確率在90%以上，偏最小二乘回歸模型的預測集決定系數大于0.90。HU等[21]應用熒光高光譜成像技術結合各種機器學習模型對摻假鐵觀音進行了定性分析，并量化了摻假茶葉的摻假水平，結果顯示，所有分類模型均有較高準確度，其中偏最小二乘判別模型分類準確率可達98.56%，建立的隨機森林和偏最小二乘回歸定量模型均能準確預測摻假水平，預測集決定系數在0.980 4～0.983 1，表明分析方法可靠。

3 結語

高光譜成像技術結合化學計量學方法和機器學習建立的定性分類模型和摻假水平的定量預測模型能夠有效應用于食品摻假檢測。高光譜成像技術不僅能滿足快速、無損的實時定量檢測要求，還能實現可視化，從而切實提高食品摻假檢測水平。在高光譜成像技術未來的應用中，可結合計算機技術和微芯片技術，開發便攜式設備，進一步提高檢測的便捷性和時效性，保障食品安全，促進食品行業健康發展。

參考文獻

[1]李彭，李艷艷，何學明，等.高光譜成像技術在糧食品質檢測中的應用[J].糧食儲藏，2024，53（4）：1-12.

[2]孔麗琴，牛曉虎，王程磊，等.高光譜技術在牛肉丸復合摻假類型鑒別中的應用[J].光譜學與光譜分析，2024，44（8）：2183-2191.

[3]ZHANG Y，ZHENG M，ZHU R，et al.Adulteration discrimination and analysis of fresh and frozen-thawed minced adulterated mutton using hyperspectral images combined with recurrence plot and convolutional neural network[J].Meat Science，2022，192：108900.

[4]王婧茹，何鴻舉，朱亞東，等.基于近紅外高光譜技術快速檢測豌豆蛋白摻假牛肉[J].食品工業科技，2023，44（14）：312-317.

[5]黃結.基于便攜式多光譜成像系統的魚糜摻假淀粉定量檢測研究[D].武漢：華中農業大學，2022.

[6]LI P，TANG S，CHEN S，et al.Hyperspectral imaging combined with convolutional neural network for accurately detecting adulteration in Atlantic salmon[J].Food Control，2023，147：109573-109583.

[7]WU D，SHI H，HE Y，et al.Potential of hyperspectral imaging and multivariate analysis for rapid and non-invasive detection of gelatin adulteration in prawn[J].Journal of Food

Engineering，2013，119（3）：680-686.

[8]余云新.基于高光譜技術的摻假大米快速檢測研究[D].武漢：華中科技大學，2019.

[9]HE H J，CHEN Y，LI G，et al.Hyperspectral imaging combined with chemometrics for rapid detection of talcum powder adulterated in wheat flour[J].Food Control，2023，144：109378-109386.

[10]KHAMSOPHA D，WORANITTA S，TEERACHAICHAYUT S.Utilizing near infrared hyperspectral imaging for quantitatively predicting adulteration in tapioca starch[J].Food Control，2021，123（1）：107781-107788.

[11]趙昕，馬競一，陳晗，等.嬰幼兒奶粉中多種摻假物高光譜圖像檢測的特征分析[J/OL].農業機械學報，1-13[2024-12-11].http：//kns.cnki.net/kcms/detail/11.1964.S.20240228.1449.012. html.

[12]AQEEL M，SOHAIB A，IQBAL M，et al.Milk adulteration identification using hyperspectral imaging and ML[J].Journal of Dairy Science，2024：25635-25649.

[13]BARRETO A，CRUZ-TIRADO J P，SICHE R，

et al.Determination of starch content in adulterated fresh cheese using hyperspectral imaging[J].Food Bioscience，2018，21：14-19.

[14]SHAO Y，SHI Y，XUAN G，et al.Hyperspectral imaging for non-destructive detection of honey adulteration[J].Vibrational Spectroscopy，2022，118：103340-103347.

[15]武霄.基于多光譜維度與機器學習相結合的蜂蜜分類與摻假研究[D].昆明：云南師范大學，2023.

[16]AQEEL M，SOHAIB A，IQBALl M，et al.Hyperspectral identification of oil adulteration using machine learning techniques[J].Current Research in Food Science，2024，8：100773.

[17]龍濤.基于可見-近紅外高光譜技術的紅花籽油摻假鑒別與分析[D].雅安：四川農業大學，2023.

[18]MALAVI D，RAES K，VAN HAUTE S.Integrating near-infrared hyperspectral imaging with machine learning and feature selection： detecting adulteration of extra-virgin olive oil with lower-grade olive oils and hazelnut oil[J].Current Research in Food Science，2024，9：100913.

[19]ZHANG Y，MA L，YI W，et al.Research on the adulteration of Lycium barbarum based on hyperspectral imaging technology combined with deep learning algorithm[J].Journal of Food Composition and Analysis，2024，136：106765.

[20]劉平，馬美湖.基于高光譜技術檢測全蛋粉摻假的研究[J].光譜學與光譜分析，2018，38（1）：246-252.

[21]HU Y，SUN J，ZHAN C，et al.Identification and quantification of adulterated Tieguanyin based on the fluorescence hyperspectral image technique[J].Journal of Food Composition and Analysis，2023，120：105343.