红外技术在农产品安全领域的应用

胡炜杰 廖晓恬 黄丹颖 陈亚举 区晓阳

（1.广东石油化工学院，广东 茂名 525000； 2.茂名绿色化工研究院，广东 茂名 525011）

保障农产品安全是我国农业发展的基础。 传统农产品检测方法存在时效长、 非无损、 效率低等缺点，已无法满足农产品安全监测和检测的客观要求。 因此，具有非接触、 实时快速、 形象直观、 准确性高、 运用性广等特点的农产品安全在线检测技术是现代农业安全保障技术的必然发展方向。

红外检测是一种集光电成像、 计算机、 图像处理为一体的精准检测技术，广泛应用于航空航天、天文、 气象、 军事、 工业、 农业、 医学、 交通和民用等领域。 英国天文学家ABNEY 和FESTING 在1881年首次发现，近红外光谱区域的吸收光谱段和含氢基团有密切关系。 20 世纪初，红外技术逐渐应用于分析各种物质的吸收、 发射和反射等光谱特性，美国农业部工程师NORRIS 利用近红外光谱对农业产品进行快速分析。 随着计算机技术的不断创新，提取近红外光谱信息、 消除背景干扰、 处理近红外光谱信息等数据分析过程中的繁琐难点得以解决。 瑞典化学家WOLD 和美国华盛顿大学教授KOWALSKI 创立的化学计量学与红外光谱相结合，其分析速度、 计算结果远比传统方法高效、 精确，进一步促进了红外技术的广泛应用[1～2]。

红外技术在农业领域多用于利用融合红外技术的农业机械设备对农业物料进行加热等处理[3]，在农产品安全生产全流程管控方向的应用较少。 赵其国等[4]在阐述我国农业发展面临的机遇时表明，我国农产品需求不断增长，农业科技创新潜力巨大。 在此背景下，基于红外技术的农产品安全检测和监测技术及装备在现代农业产业中具有良好应用前景，是我国实施乡村振兴战略的关键创新技术之一。 本文总结了国内外红外技术在农产品生产安全、 储藏安全、 加工与流通安全方面的应用研究进展，并展望了基于红外技术和大数据的农产品全生命周期在线快速检测系统的实践运用前景。

一、 基于农产品生产安全的红外技术

农产品生产过程易受气候、 地形、 土壤等因素影响，其中生长环境的变化和病虫害的侵袭是在农产品生产阶段影响产量和质量的重要因素，且一旦发生将难治理、 难根除。 为避免灾害发生造成的重大损失，应开发具备及时性、 全面性、 高效性的农产品检测技术。 有关资料[5～21]显示，红外技术在监测、 检测和预测土壤环境部分指标和农作物病虫害上已取得较好成果。

（一） 病虫害检测及时发现早期病虫害发生并采取有效控制手段是农作物病虫害问题处理的关键，这样不仅可保证粮食产量、 减小农药使用量，还对可持续发展具有重要意义。 但传统病虫害检测方法时效长、 费时费力，已不能满足现代农业的需求。 红外技术作为当前以高实时性、 高精准度为特点的新兴检测技术，基本具备检出农作物早期病虫害的能力。

根据大量研究结果表明，红外热成像技术具备检测被感染叶片和正常叶片温度变化差异的能力，可作为农作物早期病变的判断依据。 李真[5]经实验证实，患稻瘟病的水稻叶片感病部位和健康部位约有0.36～0.63℃的温度特征差值； 李小龙等[6]分析红外热成像采集数据后得出，遭条锈菌侵染后的小麦叶片病害部位比周围部位温度特征值低0.62～0.87℃； 徐小龙[7]通过红外成像仪对染黄瓜霜霉病和番茄花叶病的农作物检测发现，染黄瓜霜霉病的叶片和健康叶片有1℃的温度差，染番茄花叶病的叶片和健康叶片间有0.5～1.2℃的温度差； 刘梦[8]建立的基于热红外图像特征的农作物冠层病害诊断模型具有较高准确率，其判断依据是冠层病害症状与温度特征之间的非线性映射关系。

此外，其他红外检测技术同样具备检测农作物早期病变的能力。 如可见光－近红外（VIS－NIR）分光辐射仪检测早期葡萄卷叶病[9]、 近红外高光谱成像（HSI－NIR） 系统预防黄瓜绿斑驳花叶病毒病[10]等，皆展现较高准确率。

在虫害监测方面，近年来虫灾发生频率的上升和灾害程度的加剧，使农产品生产过程对虫害监测产生迫切需求。 20 世纪90年代，我国开始利用遥感技术监测蝗虫生境数据，通过地理信息系统的空间分析和数据综合能力，实现遥感数据和地面数据的融合，对蝗虫发生期和发生地进行预测[11]。 近红外光谱（NIRS）技术具有鉴定蝗虫种类[12]、 分析蝗虫产卵地、 检测病虫害发生状况和规律[13]的能力，与化学模式识别相结合能使预测效果进一步加强，为我国发展蝗虫自动侦测系统提供技术支持。

除了蝗虫，研究人员在其他常见农产品虫害监测上同样有相关研究成果。 高俊峰[14]用VIS－NIR高光谱系统对油菜蚜虫进行检测与识别，基于主成分载荷贡献率分析法（PCA－loading）提取的特征波长所建的最小二乘支持向量机（LS－SVM）模型，识别正确率为88.68%； ZHANG 等[15]基于NIRS 采集的棉铃虫、 甜菜夜蛾、 斜纹夜蛾、 玉米螟幼虫光谱数据，建立偏最小二乘判别分析法（PLS－DA） 模型进行预测和识别，准确率为100%。

（二） 土壤环境监测为避免环境变化对农产品生产造成的影响，需对生长环境进行监测。 红外技术可检测土壤环境部分指标，相对实验室样品分析法效率更高、 成本更低。

土壤水分是农作物生长过程中最重要的驱动因素。 红外技术结合无人机采集数据可实现对大范围农田土壤水分在线监测。 郭辉等[16]以无人机采集的热红外遥感影像为数据源，基于热惯量法反演田块尺度的土壤含水量，建立土壤热惯量和含水量之间的线性回归模型，获得决定系数R2＝0.71、 均方根误差RMSE＝3.09%的监测结果，展现较高的检测精度； 冯珊珊等[17]设计基于无人机的快速检测农田土壤水分方法，通过无人机采集的随机样点多光谱（绿光、 红光、 红边、 近红外） 数据结合田间土壤水分探测数据、 垂直干旱指数快速构建土壤水分反演模型，获取大范围土壤水分检测结果，该方法精度较高，R2＞0.8，RMSE和系统误差SE均＜0.1。

随着农业对实时性需求进一步提高，部分研究逐渐往田间仪器实时监测方向发展。 ZHOU 等[18]开发出基于NIRS 的原位土壤总氮－土壤水分检测仪，用于准确获取土壤全氮和土壤水分含量，该仪器检测精度高、 稳定性好，可实时持续检测； 张东兴等[19]设计了一种基于VIS－NIR 光谱技术的播种沟内土壤水分测量传感器，真实值与预测值之间R2＝0.82、RMSE＝1.23%，满足玉米等作物播种环节土壤水分含量的测量要求； 于潇禹[20]对基于近红外技术的土壤养分含量在线实时检测系统开展研究，经优化后的检测系统对黑土类型土壤中有机质及总氮含量的预测值，与采用实验室检测方法得到的准确值分别有98.8%和95.7%的相关性，可实现田间在线测量； 刘雪梅[21]开发了一款基于NIRS 的便携式土壤有机质含量测定仪，通过软件系统对土壤的反射率值进行处理、 显示、 存储等操作，可直接在显示屏上读取土壤有机质含量。

二、 基于农产品储藏安全的红外技术

为保障正常市场供应和国家战略物资储备，截至2018年，我国储备粮食达标准仓房仓容6.7 亿t、 简易仓容2.4 亿t（数据来源于《中国的粮食安全》白皮书）。 储粮品质变化是一个连续、 波动、 由量变到质变的复杂过程，受多方面因素影响，如含水量高时易受霉菌感染，脂肪酸值升高时种子生活力下降，储藏时间增加时粮食运动粘度下降、 糊化温度上升等。 综上，为维护粮食储藏安全需要，需开发一种可在线实时监测储藏过程中多项指标的技术。

（一） 霉菌毒素监控黄曲霉、 青霉和镰刀菌是产生毒素导致储粮污染的主要霉菌，它们寄主范围广泛，其中花生和玉米最易受感染。 联合国粮食及农业组织数据表明，全世界每年有5%～7%的粮食、 饲料受霉菌侵染，因真菌毒素污染而造成的直接或间接经济损失达数百亿美元。 红外技术在检测黄曲霉毒素、 镰刀菌毒素方面都有广泛的应用。

1.黄曲霉毒素检测。 黄曲霉毒素（AF）对人和动物的肝脏及中枢神经有很大的毒害作用，一次性大量摄入可造成人或动物的急性中毒甚至死亡，小剂量长期摄入则可致畸、 致突变，甚至致癌。 现有AF 测定方法多数存在预处理过程复杂、 所用化学试剂繁多、 周期长等缺陷，不符合农产品毒素监控对实时快速的需求。 NIRS 可应用于农产品的AF定性、 定量检测，沈飞等[22]利用NIRS 对感染黄曲霉菌稻谷样品霉变状态的判别正确率达92.5%； 吴启芳[23]基于近红外和中红外建立糙米AF 的线性判别分析模型，对黄曲霉毒素B1（AFB1）、 黄曲霉毒素B2（AFB2）、 黄曲霉毒素G1（AFG1）、 黄曲霉毒素G2（AFG2） 及总量的交互验证正确率均高于90%，偏最小二乘回归分析（PLSR）对各AF 含量的预测精度较高，相关系数 （R）≥0.920，相对分析误差（RPD）≥2.5； 张强[24]构建了基于NIRS 的稻谷霉菌和毒素检测数学模型，经优化可实现检测低浓度AFB1含量，据此设计适用于现场在线检测的便携式贮藏稻谷霉菌和毒素指标分析仪，为后续实际工作中的应用研究提供理论和技术依据； 杂色曲霉素A （Versicolorin A） 可 作 为AFB1存 在 的 指 标，ZHENG 等[25]基于NIRS 运用极端梯度提升算法和支持向量机算法，建立了定量和两级分类模型，定量模型RMSE＝3.57 μg/kg，分类方法准确率为90.32%，可快速准确检测出玉米中的杂色曲霉素A 且无需预处理、 使用方便。

2.镰刀菌毒素检测。 镰刀菌毒素是镰刀菌属真菌产生的高毒性、 低相对分子质量的次级代谢产物总称，包括玉米赤霉烯酮 （ZEA）、 脱氧雪腐镰刀菌烯醇 （DON） 等，其广泛存在于霉变的小麦、玉米、 大麦、 燕麦、 高粱等谷物中，对人和动物的健康都存在极大威胁，同AF 一样被看作是自然发生的最危险食品污染物。

多项实验证实，红外技术对受镰刀菌毒素侵染的农产品有较好辨别能力，为镰刀菌毒素检测提供比目前常用的化学测定法更快速、 环境友好和非破坏性的检测方法。 JIN 等[26]开发一种基于近红外荧光的新型双侧流免疫传感器，经实验参数优化后可同时检测出玉米中ZEA 和DON，检出限分别为0.55 μg/kg 和3.8 μg/kg，加标回收率为81.7%～107.3%，变异系数＜14%，与仪器法的检测结果一致。 FEMENIAS 等[27]提出利用HSI－NIR 技术的空间识别特点对批次中受小麦镰刀菌和DON 侵染的单个小麦籽粒进行分选，在实验结果中展现了极高的分选准确率和正确率。 崔贵金[28]依据小麦赤霉病感病率与DON 毒素含量的关系，基于NIRS 和偏最小二乘法 （PLS） 构建小麦赤霉病感病率的预测模型，对小麦赤霉病感病程度预测正确率为86.49%； 并设计了赤霉病麦粒近红外光电分选系统模型，为赤霉病麦粒的快速有效分选、 分离提供理论依据和技术参考。

（二） 虫害监控储粮中的害虫主要来源于原有粮仓残留或粮食运输过程中外部入侵，导致储粮发霉、 发热、 品质下降、 营养价值降低。 目前国内外的储粮害虫检测法主要为直观检查法和取样检查法，存在精确度低、 效率低、 难以检查到隐藏害虫的缺点。 随着检测技术的进一步发展，近红外分析技术被应用于检测储粮害虫，可辨别受害虫侵害的样品以及害虫的虫龄、 类型、 生命体征。

SANTOS 等[29]基于NIRS 建立的PLS－DA 模型对被玉米象侵染的高粱谷粒样品和健康高粱谷物样品分类准确率为100%； NIRS 可应用于检测害虫虫龄或类型，MAGHIRANG 等[30]用NIRS 检测储存期超过两个月、 具有各类虫态的麦粒，将小麦粒内的害虫（包括死虫和活虫） 按形态和幼虫大小分为活蛹、 大型幼虫、 中型幼虫，检测所得到的准确率分别是94%、 93%和84%； 张红涛等[31～32]利用HSI－NIR 技术采集液氮低温猝死法杀死的粮虫谷蠹和米象的光谱数据后得出结论：随着死亡时间的增加，粮虫相对光谱反射率逐渐增大，基于该结论建立的辨别模型辨别活死虫准确率为100%。

但红外技术对储粮中的害虫检测准确度易受3点因素影响[33]，一是红外技术对样品湿度较敏感，需经常校正仪器； 二是对虫害水平低的样品难以准确检测辨别； 三是该技术属于间接技术，对幼虫的检测不理想。

（三） 实时品质监控脂肪酸含量是我国评估储粮品质的一项指标，储藏期间小麦、 大豆等作物因陈化变质导致脂肪酸含量升高时，其物理性状还未显示品质劣变，因此脂肪酸含量可作为粮食陈化变质的判定指标。

多位学者研究表明，利用NIRS 可以较好地捕捉到储粮脂肪酸变化，实时监控储粮质量。 如徐彦[34]提供了一种稳定性和准确率良好的、 NIRS 与PLS 结合建立的籼稻脂肪酸值快速检测模型 （R＝0.85934，内部验证标准差为1.78，交叉验证标准差为2.35），证实了NIRS 实时监控储粮脂肪酸变化的可行性； JIANG 等[35]开发建立了一种基于NIRS 的定量检测脂肪酸值的便携式系统，采用标准正态变异法校正、 变量组合分析优化、 极端学习机构建的模型对脂肪酸值进行定量检测，展现了良好的预测精度和稳定性； 向娜娜等[36]利用Bruker MATRIX－I 近红外光谱仪快速检测和监控大豆油新鲜度及脂肪酸组分，结果较理想，脂肪酸模型R2接近1。

三、 基于农产品加工与流通安全的红外技术

2020年我国农产品加工业营业收入超23.2 万亿元，农产品加工转化率达到67.5%，科技对农产品加工产业发展的贡献率达到63%，农产品加工业处于飞速发展阶段。 然而我国个别食品加工企业存在使用农兽药、 化肥残留量超标的食品原料，超量、 超范围使用食品添加剂，加工食品未严格按照工艺标准生产，大肆使用病果坏果等现象，生产的不合格加工产品流入市场被消费者长期食用会损害人体，由此产生的负面反馈将对市场经济产生不利影响，同时是食品安全事故频频发生的主要原因。数据分析显示，约2/3 的食品安全问题出现于食品生产加工环节[37]，因此加强农产品加工过程的安全监控工作刻不容缓。

（一） 农产品快速分级农产品分级作为农产品加工和果品进入市场前的重要一环，体现在农产品优劣分级决定价格高低、 农产品分级控制加工制品质量两方面。 市场常用分级方法是依靠分拣师傅的手感经验，主观意识强、 难以标准化。 部分农业合作社或生产商会引入专业的分拣机器及生产线进行快速果蔬分级，但购置设备成本过高难以普及。红外技术作为目前相对较低廉的检测技术，在果品优劣分级与次品、 坏品筛选方面得到广泛应用。

有关研究显示，NIRS 技术可同时在线无损检测多项指标使果品的自动分级得以实现[38]。 孙海霞等[39]利用NIRS 和水分补偿方法搭建的模型对鲜枣内部品质指标（水分含量、 可溶性固体含量、 维生素C 含量、 蛋白质含量、 硬度值）的预测有较高准确率； SCHMILOVITCH 等[40]利用NIRS 在1200～2400 cm－1波数范围内测量芒果果肉软度、 可溶性固体含量和酸度，基于多元线性回归 （MLR）、 主成分分析（PCA） 和PLS 建立NIRS 模型，可以无损地评价芒果果实的成熟因子； 孙炳新等[41～42]采用NIRS 在643.26～985.11 nm 的波长范围内建立红富士苹果脆度和有效酸度的预测模型，模型相关系数分别达到0.941、 0.925。

在果蔬内部病变及外部损伤等情况的检测上，李江波[43]搭建的对脐橙表面缺陷检测的可见HSINIR 系统获得了93.7%的脐橙缺陷果识别率，且假阳性率为0，并用近红外高光谱反射成像技术对脐橙溃疡进行检测，获得98.2%的识别率； 李顺峰等[44]利用NIRS 结合PCA 和Fisher 判别函数对苹果霉心病进行检测，患霉心病苹果和健康苹果的正确判别率达到89.9%； 郭志明等[45]利用近红外透射光谱技术获取新疆阿克苏苹果光谱信息，以病变面积比值为指标建立定量预测模型，水心面积比与可溶性固形物含量校正集和预测集R分别为0.9122、0.8733，标准偏差分别为1.97、 0.354。

（二） 农产品质量快速检测《中华人民共和国农产品质量安全法》 规定，有农药、 兽药等化学物质残留不符合产品质量安全标准的农产品，以及使用的保鲜剂、 防腐剂等材料不符合国家有关强制性的技术规范的农产品，均不允许进入市场。 因此对农产品及加工原材料做好农药、 兽药、 防腐剂等化学物质残留检测工作十分必要。

红外光谱技术可无损检测出农产品表面及内部的农药残留。 吕萍[46]基于生姜中敌敌畏和甲胺磷残留量的NIRS 光谱数据搭建的定量分析模型具有较好分析效果，R＞0.8； 张令标等[47]以表面有不同浓度嘧霉胺农药的番茄为实验对象，应用VIS－NIR高光谱技术对高浓度农药点检测准确率为100%；吴昕如等[48]利用NIRS 结合PLS 建立的模型预测猕猴桃中氯呲脲含量准确率高、 结果良好，预测值与实际值的R＝0.9588； 赵若雨等[49]应用VIS－NIR高光谱技术检测喷洒有溴氰菊酯农药的小白菜叶片，构建偏最小二乘模型和基于光谱指数的多元线性回归模型对溴氰菊酯残留量进行预测，预测精度为93.1%。

（三） 农产品产地溯源建立有效的农产品跟踪与追溯，对产地进行快速、 准确、 简捷地鉴别，是健全农产品质量安全体系的关键之一。 为地理标志产品、 地区特征性产品产地真伪鉴别及农产品真实性保障提供关键技术，对规范市场、 保障农产品市场安全具有重要意义。

NIRS 在农产品产地溯源方面有广泛的应用。张龙[50]利用NIRS 结合小波转换和k 最近邻分析辨别山东、 湖北、 河南、 辽宁、 广西和广东、 四川产地的花生，结果表明，原始判别率和交叉验证判别率分别达到100%和55.9%； 雷建刚和刘敦华[51]采用NIRS 结合簇类独立软模式法（SIMCA） 建立了不同产地枸杞的溯源模型，当新疆、 中宁、 甘肃、青海、 南梁、 惠农、 固原和内蒙古的产地模型的主成分数分别取3 时，主成分数的方差累计贡献率达到99%，此时采用SIMCA 法建立的枸杞产地溯源模型预报能力最优； 张鹏等[52]对天津、 陕西和北京3 个产地富士苹果的光谱数据进行对比分析，利用NIRS 结合PCA、 PLS 建立产地鉴别模型，结果显示，校正集的鉴别正确率为100%，预测集的鉴别正确率为98.33%。

在对加工产品的原料产地溯源中，张龙[50]利用NIRS 采集浙江省地理标志产品西湖龙井茶和浙江龙井茶的光谱数据，结合LS－SVM 模型对两种茶叶进行判别，正确判别率均达到100%； 金裕范[53]研究发现，红外吸收光谱法采集的5 种不同产地来源、 2 种不同储存年限及2 种不同加工工艺的普洱茶红外指纹光谱存在一定差异，可通过特征区域和特征吸收的分析判定普洱茶的产地、 储存年限及加工工艺等信息； HU 等[54]使用中红外和近红外在透射模式下结合SIMCA 对540 份来自澳大利亚、 智利和中国的赤霞珠葡萄酒进行分类，其正确分类率分别为97%、 97%和92%； VARRÀ 等[55]基于NIRS对摩洛哥、 西班牙、 突尼斯和克罗地亚渔区制成的盐渍鳀鱼成品和半成品进行分类，并结合PLSDA 组合判别模型的开发和优化，成功地识别了两个鳀鱼数据集的地理来源，平均灵敏度＞98%，特异性＞99%，准确率＞99%。

四、 基于红外技术和大数据的农产品全生命周期在线快速检测系统研究

近年来云平台、 物联网的广泛应用，促进农产品生产通过数据收集和分析逐渐往高效、 智能方向发展。 国务院印发的 《促进大数据发展行动纲要》中提出，要发展农业农村大数据，为农业生产者、消费者、 监管者提供农产品质量安全信息服务；《数字农业农村发展规划 （2019－2025年）》 指出，随着科技创新能力不断提升、 政府支持体系初步建立、 设施设备条件明显改善、 数字技术与农业农村加速融合，“十四五” 时期是推进我国农业农村数字化的重要战略机遇期。

通过以上对国内外应用于农产品安全的多种红外技术研究阐述得出，红外检测技术应用范围可涵盖农产品的整个生命周期。 近年来，国内的研究学者们对基于云平台的红外检测系统开展了一系列的初步探索，如杨雨[56]基于JAVA WEB、 HTML 及MYSQL 等主流编程语言，设计并开发出支持模型共享、 数据共享、 远程在线访问的自更新型红外光谱在线分析平台，为使用者提供方便快捷的模型共享渠道及高效的模型更新策略； 吴海卿等[57]设计一种基于云平台的近红外食品质量监测系统，具备数据自动采集、 云端传送、 光谱分析、 性质预测、 报告回送等功能。 红外检测技术具有实时、 快速、 准确性高等一系列优点，基于该技术开发的传感设备符合农产品大数据平台对数据采集技术的需求，与全生命周期大数据系统构建相结合在理论上具有一定可行性。

建立农产品全生命周期在线快速检测系统，将自动化采集红外设备在农产品生产的生态环境、 生产资料、 生产过程、 市场流通、 加工储藏、 检验检测等场景监测到的数据，通过网络化传输至云端后进行标准化处理和可视化运用，将监控数据转变为通俗易懂的信息供社会群众在手机App 或客户端上查看（见图1），可实现各环节信息可查询、 来源可追溯、 去向可跟踪、 责任可追究，为生产者、 消费者、 监管者提供农产品质量安全信息服务，促进农产品消费安全。 另外利用红外技术实时快速检测的优点，对农作物生长、 仓库储藏、 加工与流通过程安全进行实时远程监控，可帮助广大农业工作者随时随地掌握产品状态和及时作出调整。

图1 基于红外技术的农产品全生命周期在线快速检测系统流程

但基于红外技术和大数据的农产品全生命周期在线快速检测系统在实践运用和普及上还有很长一段路要走，主要面临4 个问题。 一是数据的复杂性。 处理数据量大且复杂，依据的标准不同。 如何将不同的农作物或不同的场景下测得的数据进行统一存储，如何分析数据，如何进行可视化的转换，都将是未来要解决的问题。 二是系统的实时性。 红外技术虽可进行实时监测，但在后续数据处理阶段，尤其是在环境灾害、 气象灾害、 病虫灾害等状况的多源数据条件下，大数据分析不及时会导致农业重大灾害的发生。 三是数据的安全性。 农业自身的复杂性决定了数据的多源复杂性，如何在处理大量数据的同时仍保证数据的安全性是需要攻克的难点。 四是检测设备的优化。 目前对红外技术的研究多是仅限于实验室，投入实际生产中的较少。 检测设备需要进行符合实际需求、 生产要求、 贴合全生命周期在线快速检测系统的优化。

总体来说，红外技术应用于农产品安全领域具有广阔的前景，也存在一定的局限性，如部分样品的复杂成分给检测带来困难、 检测精度需依赖建模方法和化学计量学方法、 部分红外技术搭配仪器价格昂贵等。 搭建基于红外技术和大数据的农产品全生命周期在线快速检测系统需要计算机技术、 自动化控制技术、 互联网技术、 通信技术等多方面的专业技术人才共同完成，为该领域提供新的研究方向。