近红外光谱技术在食品领域的研究进展

2022-11-25于伶伶谭亚军赵甲慧王鸿蕉

食品安全导刊 2022年29期

于伶伶，谭亚军，赵甲慧，王鸿蕉，赵昆

（天津市食品安全检测技术研究院，天津 300000）

食品安全关乎人们的生活质量和国家的稳定发展。随着生活水平的提高与消费结构的升级，人们越来越重视食品安全。然而，近年来食品安全问题不断涌现，严重危害到人们的身体健康，因此政府部门对食品安全的监管也越来越重视。保障食品安全需做好食品安全检测工作。当前，近红外光谱检测技术凭借其无损、快速、准确和操作简单等优越性在食品领域得到广泛的应用[1-3]。本文主要对近红外光谱技术展开研究，综述近红外光谱技术近年来在食品检测领域中的应用。

1 近红外光谱技术概述

近红外光谱技术是一种高效快速的检测技术，它综合应用了计算机技术、光谱技术和化学计量学等多个学科的成果，被广泛应用于食品、制药、化工以及能源等多个领域的原料检测、生产控制和产品质量快速检测。

1.1 近红外光谱技术的检测原理

近红外是一种电磁波，介于可见光和中红外光之间，波长为780～2 526 nm，属于分子振动光谱，是分子振动基频的合频与倍频，近红外光谱包含了丰富的含氢基团信息（C-H、O-H、N-H和S-H），不同的官能团在近红外谱区呈现不同的特征峰，通过对近红外光谱中特征峰位置、形状、强度进行分析，可预测物质的成分和含量，因此近红外光谱可用于定性和定量分析。大多数化合物的信息均可在近红外区域显现，但近红外吸收强度弱、特征峰重叠严重，需借助化学计量学对物质信息进行处理和提取。近红外光谱技术主要包括光谱的采集、光谱预处理和定标模型的建立和验证等步骤。

1.2 近红外光谱技术的优势

1.2.1 分析速度快

近红外光谱检测方法只需几分钟便可得出结果，与常规检测动辄需要数小时相比，大大提高了检测的时效性。

1.2.2 无损检测

使用近红外光谱检测，可直接对整个样本进行分析，不用破坏样本，也不需要前处理。

1.2.3 安全环保

近红外光谱检测技术无需使用化学试剂，也不需要高温高压的环境，测试过程既安全又环保。

1.2.4 操作简单

近红外光谱检测过程中不需要复杂的前处理，操作步骤简单，非专业人员经过简单培训即可使用仪器得出准确结果。

2 近红外光谱技术在食品领域的应用

2.1 食品成分的检测

2.1.1 蛋白质含量的检测

蛋白质是一切生命活动的物质基础，需通过食物获取，蛋白质含量是评价食物营养价值的重要指标。目前常用的国家标准检测方法是凯氏定氮法，该方法准确性较高，但必须消解和蒸馏，操作步骤复杂、耗时长。近红外光谱技术可用于食品中蛋白质含量的检测，具有简单、快速的优势。

苗钧魁等[4]将采集的磷虾样本混合制备成50个混合样本，通过漫反射方式采集样品光谱，根据GB/T 19164—2003测定样本蛋白质含量，确定了光谱最佳预处理方式为多元信号修正或标准正则变换、一阶微分和Norris导数滤波相结合，使用最小偏二乘法建立并优化定标模型。通过交互验证和外部验证，模型相关系数大于0.94，表明该模型可以很好地预测磷虾粉的蛋白质含量，并证明通过增加样品数量可降低预测值偏离程度，提高模型的准确性。陶琳丽等[5]以260个鸡腿冻干粉为研究对象，在999.7～2 502.3 nm采集光谱，通过将近红外光谱形状和组合间隔偏最小二乘法、遗传算法相结合，划分出多个建模光谱组合区，使用最小偏二乘法建立模型，根据模型效果筛选出最佳建模光谱区域，得出结论：将样品待测成分的光谱特征与光谱筛选数学算法共同用于建模波长的选择，能得到精确性和稳定性更好的模型。

2.1.2 脂肪含量的检测

脂肪是人体必须摄入的营养物质，摄入量过多或过少都会影响身体健康，当前我国检测脂肪含量的国家标准方法前处理复杂且不能大批量检测。近红外用于食品中脂肪含量测定的研究已有很多报道。

YIN Wei, WANG Tie-gong, XU Bing, YE Feng-ping, WANG Min-jie

花锦等[6]选取新鲜的猪肉、牛肉、羊肉各100批作为样本，采集全波段近红外光谱，3种肉类的光谱走向大致相同。用索氏抽提法获得样本脂肪含量的实验室参比数据，分别选择适合各自光谱特征的前处理方法和建模波段范围，采用偏最小二乘法建立脂肪模型，其脂肪含量的化学值和预测值的交叉验证结果表明，猪肉、牛肉、羊肉的脂肪模型的相关系数均大于0.91，模型预测效果理想，在近些年报道的数据中处于较好水平。王宁等[7]使用盖勃法检测了100批牛奶样本脂肪含量，再通过透射和漫反射两种方式进行近红外光谱采集，对采集的光谱预处理后分别使用偏最小二乘法和主成分回归法建立脂肪含量的定标模型，研究对比了两种方法的建模效果。透射方式下，乳制品采用主成分回归法建立的模型最为理想，验证集的相关系数和误差均方根分别为0.984 5、0.193 0，漫反射方式下，采用偏最小二乘法建立的模型预测性能较好，验证集的相关系数和误差均方根分别为0.957 5、0.370 0。说明采用主成分回归法对乳制品的透射光谱建立的预测模型适用性更高。

2.1.3 其他成分的检测

除蛋白质、脂肪外，近红外光谱还可以用于检测食品水分、白酒的酒精度、茶叶的茶多酚和咖啡碱、调味品的总酸、农作物的淀粉以及水果的糖度等多种食品成分指标含量[8-10]。

近红外光谱技术以其绿色、无损的优势，在白酒行业的应用越来越广泛。田翔等[11]利用近红外光谱技术对黄酒中酒精度和总糖的含量进行测定，采集黄酒样本的近红外光谱并依据国家标准方法测定成分含量，使用OPUS/QUANT软件中自动优化功能进行光谱预处理，建立偏最小二乘法定标模型并对模型进行验证，得到的酒精度和总糖的定标模型标准偏差分别为0.65和4.01，相对误差分别小于1.18%和3.68%，说明模型具有较好的稳定性和准确度。刘红梅等[12]以147份稻米试样为样本，应用偏最小二乘法建立近红外模型，探究了近红外光谱技术快速检测稻米中直链淀粉含量的可行性。通过选择不同的预处理方法和不同波段（950～1 100 nm、1 100～1 300 nm、1 300～1 650 nm）及组合对模型进行优化，确定了多元散射校正对全谱（950～1 650 nm）预处理后建立的模型最优，模型验证得出相对分析误差为3.6，说明具有良好预测效果，可用于实际检测。

2.2 食品产地溯源

五常大米和建三江大米以其颗粒饱满、清香适口享誉盛名，被评为地理标志大米，深受消费者喜爱。市面上出现的冒牌五常大米、建三江大米损害了消费者权益和品牌利益。钱丽丽等[13]收集了2013—2015年产自建三江、五常和查哈阳地区试验田的稻米样本291份，通过对其近红外光谱比较分析，确定了不同地区样品存在显著差异的波段（5 136～5 501 cm-1），建立了定性分析模型、聚类分析模型和定量分析模型。其中，定性模型对建三江大米和五常大米的正确判别率分别为100%和98%，聚类分析模型正确判别率分别为97.92%和98.00%，说明近红外技术可用于多个年份大米的产地鉴别。李楠等[14]使用便携式近红外光谱仪采集了11个省份小米样本的光谱信息，分别使用3种方法建立了小米产地识别模型，其中多层感知神经网络模型测试集正确率为92.3%，可有效用于小米产地溯源。马永杰等[15]将近红外光谱法与深度学习算法相结合，建立了红富士苹果产地溯源新方法，利用深度学习数据降维的方法对光谱预处理，用K最近邻法建模分析，溯源模型的建模集和预测集的产地识别率分别为97.30%和92.30%。

2.3 食品掺假的鉴别

食品掺假问题是较为常见的问题，如山茶油、橄榄油中加入其他廉价的植物油、地沟油，猪肉中掺入大豆蛋白，鲜牛奶中加入奶粉和水等，损害了消费者的权益和健康。因此，需发展高效准确的食品掺假鉴别检测方法，有力打击食品掺假行为。

姚婉清等[16]建立了山茶油多元掺假近红外模型，该文制备了山茶油中掺入不同质量比例玉米油和花生油的二元体系样本和同时掺入不同比例玉米油和花生油的三元体系样本，采用透射法采集全波段近红外光谱，探究了最佳建模波长范围和最佳预处理方法，采用偏最小二乘法分别建立二元和三元掺假体系预测模型，外部验证结果表明二元掺假模型相对误差较小，三元掺假模型准确度略低，该模型可以很好地用于体系中掺假量的预测，从中也可以发现掺入油品种类越多，建立准确的预测模型的难度越大。郑郁等[17]探究了基于近红外的茯苓掺假鉴别方法，分别采取多种预处理方法和主成分分析法结合建立鉴别模型，对不同比例掺假的茯苓粉均可100%准确鉴别，效果理想。

2.4 水果品质的无损检测

我国是水果生产大国，水果产量巨大，随着消费者对水果品质的要求不断提高，迫切需要发展无损检测手段实现水果品质的分级检测。近年来，近红外光谱技术被越来越多地应用于果品检测中。

吕赫一[18]基于近红外光谱技术建立了一种苹果品质快速无损检测方法，实现了苹果的准确分级。其选取了农药残留量和可溶性固形物含量两个关键指标，将采集到的农药残留光谱进行建模，使用对比主成分分析法把苹果表面农药残留信息表示出来，将农药残留不合格的苹果分出来，再使用支持向量机建立可溶性固形物的预测模型，最优模型的相关系数为0.924，均方根误差为0.475，根据可溶性固形物含量进行苹果分级。程武[19]建立了一个樱桃番茄内部品质指标检测模型，采集样本的漫反射光谱，确定了利用连续投影偏最小二乘法建立的樱桃番茄可溶性固形物和番茄红素含量检测模型最佳，模型校正集相关系数为0.875 0，验证集相关系数为0.860 4，预测效果较好。在此基础上又开发了基于安卓系统的便携式樱桃番茄内部品质快速无损检测装置，经验证可在不同温度下保证检测精度和稳定性。