高光谱成像技术在食品掺假检测中的应用研究综述

摘 要：食品掺假问题不仅会对消费者健康造成威胁，还会对整个食品行业产生负面影响，并引发信任危机。高光谱成像技术因具有无创、快速、准确和高通量的特点，已成为鉴别食品掺假现象的一种重要技术。本文综述高光谱成像技术在畜禽肉制品、水产品、粮食、乳制品、蜂蜜、食用油等食品掺假检测中的应用研究进展，以期为优化食品掺假的检测方法提供理论依据。

关键词：高光谱成像技术；食品掺假检测；应用

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

随着科技的不断进步和生活品质的逐步提高，消费者对食品的需求已经从简单的饱腹感转向强调健康。然而，有些不法商贩和企业受利益驱使，在食品生产和销售过程中存在掺假行为，特别是高附加值食品和低产食品。食品掺假行为不仅扰乱了市场秩序，还危害了消费者的健康。因此，鉴别食品真伪，保证食品安全至关重要。然而，传统的检测方法处理过程复杂，检测周期长，难以满足实际检测需求，需要使用一种快速、高效、灵敏度高的检测技术来鉴别食品掺假现象。

1 高光谱成像技术概述

高光谱成像（Hyperspectral Imaging，HSI）技术是一项新兴技术，目前发展迅速。该技术将光谱学和计算机视觉集成在一个系统中，从扫描样品中可以获得数百个光谱带，每一个像素点都包含着丰富的空间和光谱信息，可同时获取被检测物体的物理特征和化学结构。

HSI技术按照使用波长范围，可分为紫外波段（200～400 nm）、可见光-近红外波段（400～1 000 nm）、近红外波段（900～1 700 nm）、短波红外波段

（1 000～2 500 nm）和波长大于2 500 nm的波段，其中可见光-近红外波段和近红外波段已广泛应用于食品品质分析[1]。HSI技术能够同时检测多个样品，目前已被广泛应用于食品的来源识别、成分分析、农药残留检测、掺假检测等方面。

2 HSI技术在食品掺假检测中的应用

2.1 畜禽肉制品掺假

在肉制品生产加工过程中，掺假问题频繁出现。肉类掺假是指不法商家将廉价肉类、不可食用肉类、水及非肉类物质等掺入高价肉品如牛肉、羊肉或其制品等以获取高额利益。由于肉类的不同成分在特定波段具有典型的反射特征，所以不同种类肉或新鲜度不同的同种肉的光谱反射率差异明显。因此，HSI技术可以用于肉制品掺假检测。

孔丽琴等[2]利用HSI技术，采集牛肉丸中掺入单一和混合猪肉/鸡肉的掺假样品高光谱数据，建立了极限学习机分类和支持向量分类掺假鉴别模型，生牛肉丸最优模型单一掺假和复合掺假的校正集和预测集分类准确率均为97.17%，熟牛肉丸最优模型的校正集和预测集分类准确率分别为97.17%和96.23%。ZHANG等[3]基于HSI技术，结合递归图-卷积神经网络对掺入不同质量分数猪肉的掺假羊肉进行了分类鉴别和定量测定。结果表明，在3个

数据集上掺假羊肉的分类准确率分别为100.00%、100.00%和99.95%；含量预测中，3个数据集上的决定系数（R2）分别为0.976 2、0.980 7和0.947 9。王婧茹等[4]采集了掺入不同浓度梯度豌豆蛋白的93份牛肉糜样品的光谱信息，利用偏最小二乘回归算法构建预测模型，实现了豌豆蛋白掺入牛肉的快速检测。

2.2 水产品掺假

近年来，水产品掺假现象较为常见，常见形式包括掺入淀粉、明胶或更廉价的同类产品来降低成本或改善肉品外观。HSI技术可以克服红外光谱和拉曼光谱只收集样品局部区域光谱的缺点，提取样品感兴趣区域的平均光谱作为参考光谱，能有效鉴别水产品掺假现象。

黄结[5]基于HSI技术，确立了高斯平滑滤波-BP神经网络模型作为鱼糜中掺假玉米淀粉定量检测的最优模型，模型校正集和预测集决定系数均大于0.99，均方根误差均小于2.50%，检测效果较好。LI等[6]利用可见近红外-高光谱成像和短波近红外-高光谱成像两种系统，结合卷积神经网络建立了预测大西洋鲑鱼掺假水平的定量模型，结果发现，使用可见近红外-高光谱成像建模效果更好，最优模型的预测集决定系数、预测集均方根误差和剩余预测偏差分别为0.988 5、3.352 6和9.688 2。WU等[7]运用高光谱图像采集对虾的光谱数据，结合最小二乘支持向量机建立了对虾中掺假明胶的鉴别模型，并将最佳模型转化成可直观看到对虾中明胶分布的图片，模型决定系数为0.965，具有较好的鉴别效果。

2.3 粮食掺假

粮食中易出现掺假现象，特别是优质大米易被不法商贩掺入劣质米。淀粉和面粉是许多食品的重要原料，一些商家为了追求高利润，会使用低成本的非法添加剂。国内外学者已陆续利用HSI技术开展对掺假粮食的快速无损检测研究。

余云新[8]搭建了一套高光谱成像系统以获取掺假大米的高光谱数据，采用分段多元散射校正算法校正光谱，并建立了支持向量机分类模型，结果显示，掺假大米最佳分类模型的正确分类率在99%以上。HE等[9]采集了掺假小麦粉900～1 700 nm波段的高光谱信息，利用标准正态变量预处理后的偏最小二乘定量模型对小麦粉中滑石粉浓度进行了预测，预测模型的相关系数为0.98，均方根误差为2.88%，剩余预测偏差为5.09。KHAMSOPHA等[10]在木薯淀粉中掺入0%～100%石灰石粉，获取了掺假样品的反射近红外-高光谱图像，并利用化学计量学建立了偏最小二乘预测模型，模型预测精度较高，相关系数为0.996，均方根误差为2.47%，随后用该模型建立了可视化预测图像，可快速检测木薯淀粉中掺假物的浓度。

2.4 乳制品掺假

乳制品行业是掺假行为频发的领域，常见掺假成分包括尿素、三聚氰胺、香兰素、葡萄糖和淀粉等。这些成分被非法添加以冒充蛋白质、增加黏稠度或者改善乳制品口感。HSI技术可以为鉴别乳制品掺假现象提供有效手段。

赵昕等[11]基于近红外-高光谱成像技术，建立了婴幼儿配方奶粉中掺杂聚氰胺/香兰素/淀粉的有监督-偏最小二乘定量预测模型，并对结果进行了可视化分析。结果显示，预测结果较好，不同浓度掺假物视化图颜色变化明显。AQEEL等[12]利用高光谱成像技术共采集450份纯牛奶和掺假牛奶样品的光谱数据，采用机器学习建立了多个模型进行识别和分类，模型实现了100%的验证准确率，可以有效区分纯牛奶和掺假物。BARRETO等[13]采用HSI技术结合偏最小二乘回归构建了掺假新鲜奶酪中淀粉含量的定量分析模型，模型决定系数为0.991 5，误差为0.397 9，能有效测定掺假奶酪中的淀粉含量。

2.5 蜂蜜掺假

天然蜂蜜的价格远高于蔗糖或精制糖等其他甜味剂，所以有些商贩为了降低成本，将劣质蜂蜜或其他非天然甜味剂掺入优质蜂蜜中。纯蜂蜜和掺假蜂蜜因成分不同而使光谱特征存在差异，因此可以利用HSI技术鉴定掺假蜂蜜。

SHAO等[14]利用HSI系统采集了纯蜂蜜和掺假蜂蜜（果葡糖浆和蔗糖溶液掺假）的高光谱图像，并结合化学计量学，建立了LibSVM掺假分类模型和偏最小二乘回归掺假水平预测模型，LibSVM模型分类准确率为92.5%，偏最小二乘回归模型验证精度为84%，误差为5.26%，实现了蜂蜜掺假的定性鉴别和定量检测。武霄[15]采集不同浓度麦芽糖与葡萄糖浆掺入两种蜂蜜的高光谱数据，经一阶差分预处理和一维卷积神经网络提取特征，建立了支持向量机模型，可以有效识别蜂蜜的品种并确定掺假物的浓度，正确识别率达到100%。

2.6 食用油掺假

食用油掺假最常见的方式是混入劣质油。HSI技术利用不同油类型及其混合物的独特光谱特征，可非破坏性、快速地区分纯油和掺假油。HSI技术可以应用于食用油供应链的各个环节，是一种应用前景广阔的食用油掺假检测和分类技术。

AQEEL等[16]利用HSI系统共采集670份纯油和掺假油样品的光谱图像，对图像预处理后，结合各种机器学习算法建立了鉴别模型，验证精度达100%。龙涛[17]利用近红外-高光谱成像系统采集纯红花籽油和掺假油的光谱数据，结合机器学习建立了定性鉴别模型和红花籽油含量的定量模型，可以对掺假红花籽油进行快速定性与定量分析。MALAVI等[18]应用近红外-高光谱成像结合机器学习建立了分类模型，对掺假特级初榨橄榄油进行了检测，模型的分类准确率可达到100%，说明近红外-高光谱成像技术结合机器学习能有效检测食用油掺假现象。

2.7 其他食品掺假

HSI技术在各种食品掺假检测方面的应用日益广泛，如应用于枸杞、全蛋粉、茶叶等食品的掺假鉴别。

ZHANG等[19]将宁夏惠农、同心、海原、贺兰4个地区的枸杞掺入宁夏中宁枸杞，以制备4类不同产地掺假样品，经HSI技术采集光谱信息，结合随机森林构建了20%掺假率的预测模型，准确率分别为95.8%、91.4%、87.2%和91.1%。刘平等[20]将不同比例淀粉/大豆分离蛋白/麦芽糊精单一或混合掺入全蛋粉中制备掺假样品，用HSI系统获取掺假样品的光谱数据，建立了全波段下支持向量机掺假判别模型和偏最小二乘回归掺假量预测模型，支持向量机模型分类准确率在90%以上，偏最小二乘回归模型的预测集决定系数大于0.90。HU等[21]应用荧光高光谱成像技术结合各种机器学习模型对掺假铁观音进行了定性分析，并量化了掺假茶叶的掺假水平，结果显示，所有分类模型均有较高准确度，其中偏最小二乘判别模型分类准确率可达98.56%，建立的随机森林和偏最小二乘回归定量模型均能准确预测掺假水平，预测集决定系数在0.980 4～0.983 1，表明分析方法可靠。

3 结语

高光谱成像技术结合化学计量学方法和机器学习建立的定性分类模型和掺假水平的定量预测模型能够有效应用于食品掺假检测。高光谱成像技术不仅能满足快速、无损的实时定量检测要求，还能实现可视化，从而切实提高食品掺假检测水平。在高光谱成像技术未来的应用中，可结合计算机技术和微芯片技术，开发便携式设备，进一步提高检测的便捷性和时效性，保障食品安全，促进食品行业健康发展。

参考文献

[1]李彭，李艳艳，何学明，等.高光谱成像技术在粮食品质检测中的应用[J].粮食储藏，2024，53（4）：1-12.

[2]孔丽琴，牛晓虎，王程磊，等.高光谱技术在牛肉丸复合掺假类型鉴别中的应用[J].光谱学与光谱分析，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，何鸿举，朱亚东，等.基于近红外高光谱技术快速检测豌豆蛋白掺假牛肉[J].食品工业科技，2023，44（14）：312-317.

[5]黄结.基于便携式多光谱成像系统的鱼糜掺假淀粉定量检测研究[D].武汉：华中农业大学，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.基于高光谱技术的掺假大米快速检测研究[D].武汉：华中科技大学，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]赵昕，马竞一，陈晗，等.婴幼儿奶粉中多种掺假物高光谱图像检测的特征分析[J/OL].农业机械学报，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.基于多光谱维度与机器学习相结合的蜂蜜分类与掺假研究[D].昆明：云南师范大学，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]龙涛.基于可见-近红外高光谱技术的红花籽油掺假鉴别与分析[D].雅安：四川农业大学，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]刘平，马美湖.基于高光谱技术检测全蛋粉掺假的研究[J].光谱学与光谱分析，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.