近紅外光譜技術(shù)在食品成分檢測(cè)中的研究進(jìn)展

王建偉，葉升

(1.天津大學(xué) 生命科學(xué)學(xué)院，天津 300072；2.杭州娃哈哈集團(tuán)有限公司，杭州 310009)

食品的營養(yǎng)價(jià)值取決于食品中營養(yǎng)成分的含量，通常來說，食品的營養(yǎng)成分包括蛋白質(zhì)、糖類、脂肪、水分等，這些成分的含量對(duì)食品的感官品質(zhì)及口感、風(fēng)味都有重要的影響，是評(píng)價(jià)食品品質(zhì)和營養(yǎng)價(jià)值的重要指標(biāo)。通過分析化學(xué)及儀器分析方法對(duì)食品成分進(jìn)行檢測(cè)，是目前食品成分檢測(cè)的常規(guī)方法。這些方法雖然具有檢測(cè)精度高的優(yōu)點(diǎn)，但受限于實(shí)驗(yàn)操作復(fù)雜、存在試劑消耗、檢測(cè)速度慢、對(duì)樣品有破壞等缺點(diǎn)，其已無法滿足食品生產(chǎn)和質(zhì)量檢測(cè)過程中大規(guī)模、快速、無損檢測(cè)的需求。

近紅外光是指波長介于可見區(qū)和中紅外區(qū)的電磁波，其波長范圍約為760～2500 nm。在近紅外區(qū)域中，光譜的主要信息來源于C-H、N-H和O-H等含氫基團(tuán)的倍頻和合頻吸收。通過檢測(cè)樣品的近紅外光譜，不僅能得到分子的結(jié)構(gòu)、組成信息，還能得到樣品的物理狀態(tài)信息，從而可實(shí)現(xiàn)對(duì)樣品內(nèi)各成分的定量或定性檢測(cè)[1-3]。近紅外光譜技術(shù)無需對(duì)樣品做嚴(yán)格的預(yù)處理，可檢測(cè)固體、液體、粉末等多種狀態(tài)的樣品，具有檢測(cè)速度快、精度高、無損、無污染等優(yōu)點(diǎn)，目前已被廣泛應(yīng)用于食品質(zhì)量和食品安全檢測(cè)領(lǐng)域[4-7]。

本文綜述了近紅外光譜技術(shù)在食品成分檢測(cè)中的應(yīng)用，首先對(duì)近紅外光譜技術(shù)的特點(diǎn)和優(yōu)勢(shì)進(jìn)行了概括，然后對(duì)近紅外光譜技術(shù)應(yīng)用于食品中蛋白質(zhì)、糖類、脂肪、調(diào)味品等成分的定量或定性分析方面的研究進(jìn)行了闡述，最后對(duì)近紅外光譜技術(shù)應(yīng)用于食品成分檢測(cè)進(jìn)行了總結(jié)和展望。

1 近紅外光譜技術(shù)用于食品成分檢測(cè)的優(yōu)勢(shì)

近紅外光譜技術(shù)在食品成分定量、定性分析領(lǐng)域有著廣泛的應(yīng)用，其具有應(yīng)用范圍廣、非破壞性、檢測(cè)速度快、操作簡單等優(yōu)點(diǎn)。

1.1 應(yīng)用范圍廣泛

近紅外光譜中的主要信息來源為C-H、N-H和O-H等含氫基團(tuán)的倍頻和合頻吸收，幾乎可應(yīng)用于所有具有含氫基團(tuán)樣品的理化性質(zhì)檢測(cè)。同時(shí)，近紅外光譜有較強(qiáng)的穿透能力，具有多種光譜采集方式，可應(yīng)用于液體、固體、粉末、氣體等多種狀態(tài)樣品的檢測(cè)。

1.2 非破壞性

近紅外光譜技術(shù)不需要對(duì)樣品進(jìn)行任何化學(xué)或物理方式的預(yù)處理，即可獲得樣品的物質(zhì)信息。因此，近紅外光譜技術(shù)可對(duì)樣品進(jìn)行非破壞性的檢測(cè)，有利于實(shí)現(xiàn)樣品的原位檢測(cè)和在線分析。

1.3 檢測(cè)速度快

近紅外光譜技術(shù)測(cè)量速度快，通常可在1 min內(nèi)完成光譜的測(cè)量。在建立樣品的成分預(yù)測(cè)模型后，通過單次測(cè)量樣品的光譜數(shù)據(jù)，即可實(shí)現(xiàn)多種組分的定性或定量分析，因此可實(shí)現(xiàn)在線分析。

1.4 操作簡單

近紅外光譜分析通常基于一個(gè)已建立好的、穩(wěn)定的分析模型，整個(gè)分析流程中不需要實(shí)驗(yàn)人員過多操作，檢測(cè)結(jié)果受人為因素干擾小，比常規(guī)分析方法操作簡單，且具有更好的重現(xiàn)性。

2 近紅外光譜技術(shù)在食品成分檢測(cè)中的應(yīng)用

近紅外光譜技術(shù)具有快速、便捷、高效等優(yōu)點(diǎn)，目前已被廣泛應(yīng)用于食品成分檢測(cè)領(lǐng)域[8-9]，如食品中蛋白質(zhì)、糖類、脂肪、調(diào)味品及其他成分的檢測(cè)。

2.1 蛋白質(zhì)檢測(cè)

蛋白質(zhì)是乳制品、谷物、肉類等食物的主要營養(yǎng)成分，蛋白質(zhì)的含量直接影響到食物的食用口感、加工特性和營養(yǎng)價(jià)值，因此在生產(chǎn)過程中需要對(duì)蛋白質(zhì)含量進(jìn)行檢測(cè)，以確保食品品質(zhì)。目前，常規(guī)的蛋白質(zhì)含量檢測(cè)方法為凱氏定氮法，其實(shí)驗(yàn)操作較為繁瑣、檢測(cè)時(shí)間長，是一種破壞性的檢測(cè)方法，不適合食品生產(chǎn)過程中的實(shí)時(shí)檢測(cè)和質(zhì)量控制。近紅外光譜技術(shù)具有不破壞樣品、快速、無污染的優(yōu)點(diǎn)，可用于乳制品、谷物、肉類中的蛋白質(zhì)含量檢測(cè)。

方雄武等[10]搭建了一套近紅外透射光譜系統(tǒng)，并采集了同一批次的200個(gè)牛奶樣品，經(jīng)化學(xué)方法測(cè)定蛋白質(zhì)含量后，在650～950 nm范圍內(nèi)采集了樣品的近紅外光譜，用多元線性回歸方法建立了牛奶中蛋白質(zhì)的定量分析模型，模型的校驗(yàn)集決定系數(shù)大于0.9，預(yù)測(cè)效果良好。趙明富等[11]選擇了不同波段的牛奶光譜數(shù)據(jù)，并采用吸光度、吸光比、吸光值3種光譜方式，結(jié)合偏最小二乘法建立了牛奶中蛋白質(zhì)含量的近紅外預(yù)測(cè)模型。研究結(jié)果表明，由吸光度光譜建立的模型更為精確，相關(guān)系數(shù)達(dá)到了0.99以上，且蛋白質(zhì)在2180 nm處建立的預(yù)測(cè)模型比2056 nm處建立的模型準(zhǔn)確度要高。

陳素彬等[12]采集了不同產(chǎn)地、不同品種的248種小麥樣本的近紅外光譜，并用凱氏定氮法測(cè)得其標(biāo)準(zhǔn)蛋白質(zhì)含量，經(jīng)光譜預(yù)處理、樣本集劃分、建模參數(shù)優(yōu)化后，確認(rèn)LS-SVM(最小二乘支持向量機(jī))模型具有最優(yōu)的小麥蛋白質(zhì)含量預(yù)測(cè)性能，其相對(duì)分析誤差RPD為8.02，達(dá)到國際谷物科技協(xié)會(huì)標(biāo)準(zhǔn)等級(jí)“非常好”，可用于實(shí)際檢測(cè)工作。王純陽等[13]以水稻突變體庫為分析對(duì)象，研究了漫反射、透射、透反射3種檢測(cè)模式對(duì)水稻近紅外光譜及定量模型的影響。研究結(jié)果表明，在透射光譜檢測(cè)模式下，可以建立準(zhǔn)確度較高的單粒稻種蛋白質(zhì)定量模型，偏最小二乘(PLS)模型的決定系數(shù)R2為0.96，預(yù)測(cè)均方根誤差RMSEP為0.24%，且該模型對(duì)不同來源的水稻種子具有適用性，可應(yīng)用于水稻育種行業(yè)。

牛曉穎等[14]采集了40份不同個(gè)體和部位的驢肉肉塊樣品在4000～12500 cm-1的近紅外光譜數(shù)據(jù)，并用常規(guī)化學(xué)方法測(cè)定樣品中蛋白質(zhì)含量作為參考數(shù)據(jù)，使用偏最小二乘回歸降維結(jié)合支持向量回歸算法建立了驢肉的蛋白質(zhì)含量預(yù)測(cè)模型，其交叉驗(yàn)證均方根誤差和相對(duì)預(yù)測(cè)誤差分別達(dá)到了0.111%和14.39，模型預(yù)測(cè)精度比較高，可對(duì)驢肉的蛋白質(zhì)含量進(jìn)行可靠的檢測(cè)。趙文英等[15]采集了牛、羊、豬肉樣品在4000～10000 cm-1的近紅外光譜數(shù)據(jù)，并用偏最小二乘法分別建立了3種樣品及混合鮮肉肉糜的蛋白質(zhì)含量定量分析模型，實(shí)驗(yàn)結(jié)果表明混合鮮肉肉糜的預(yù)測(cè)集相關(guān)系數(shù)為0.929，預(yù)測(cè)均方根誤差為0.669，模型可很好地實(shí)現(xiàn)鮮肉蛋白質(zhì)含量的快速測(cè)定。

2.2 糖類檢測(cè)

糖類是水果中重要的營養(yǎng)素和風(fēng)味物質(zhì)，它影響著水果的成熟度、口感和品質(zhì)。水果內(nèi)的糖類主要為蔗糖、果糖和葡萄糖，其中蔗糖為最主要的積累形式，在酶的作用下，蔗糖可轉(zhuǎn)化為另外兩種糖。糖含量的傳統(tǒng)檢測(cè)方法為折射儀、糖度計(jì)等，檢測(cè)過程費(fèi)時(shí)費(fèi)力，而近紅外光譜技術(shù)具有無損、快捷、精度高等優(yōu)點(diǎn)，是水果中糖含量檢測(cè)的發(fā)展趨勢(shì)。

雷鷹等[16]以不同品種的蘋果為研究對(duì)象，采集其在900～1700 nm外的近紅外光譜數(shù)據(jù)，并用糖度計(jì)測(cè)定其糖度值作為參考，經(jīng)光譜預(yù)處理和波段優(yōu)化后，利用偏最小二乘回歸法建立了蘋果糖度的預(yù)測(cè)模型，其預(yù)測(cè)相關(guān)系數(shù)為0.919，預(yù)測(cè)均方根誤差為0.237，可對(duì)11.2～16.3 Brix范圍內(nèi)的蘋果進(jìn)行糖度預(yù)測(cè)。盛曉慧等[17]采集了香梨在9140～19920 cm-1外的近紅外光譜數(shù)據(jù)，利用高效液相色譜法測(cè)定其可溶性糖含量，經(jīng)波段優(yōu)選，建立了基于最小二乘支持向量機(jī)算法的香梨可溶性糖預(yù)測(cè)模型，其預(yù)測(cè)相關(guān)系數(shù)為0.976，預(yù)測(cè)均方根誤差為2.313，可實(shí)現(xiàn)香梨可溶性糖的在線精準(zhǔn)檢測(cè)。李雄等[18]采用近紅外光譜漫反射技術(shù)結(jié)合偏最小二乘模型，實(shí)現(xiàn)了不同品種柚子糖度的無損在線檢測(cè)，建立模型的預(yù)測(cè)相關(guān)系數(shù)為0.86，預(yù)測(cè)均方根誤差為0.55，對(duì)柚子的在線分級(jí)具有參考意義。劉燕德等[19]研究了臍橙尺寸對(duì)近紅外在線檢測(cè)精度的影響，建立了漫透射、多點(diǎn)發(fā)射與接收漫反射、環(huán)形發(fā)射與接收漫反射3種檢測(cè)方式下的大果、小果、混合果糖糖度的PLS(偏最小二乘法)模型。其中在漫透射檢測(cè)方式下，混合果糖度預(yù)測(cè)模型的預(yù)測(cè)效果最優(yōu)，預(yù)測(cè)相關(guān)系數(shù)為0.84，預(yù)測(cè)均方根誤差為0.64，該研究為不同尺寸臍橙的糖度在線檢測(cè)提供了參考。楊泉女等[20]利用酶法測(cè)定了104份甜玉米的總多糖和淀粉的含量，采集了其近紅外光譜數(shù)據(jù)，分別建立了甜玉米種子的總多糖和淀粉含量預(yù)測(cè)模型，為篩選超甜、高淀粉含量的玉米種子提供了有效的方法。

2.3 脂肪檢測(cè)

脂肪是人體每天必須攝入的一種營養(yǎng)物質(zhì)，攝入過多或過少都會(huì)對(duì)人體健康造成不良影響，因此脂肪含量檢測(cè)是食品品質(zhì)檢測(cè)的重要依據(jù)。目前，我國的脂肪含量檢測(cè)方法通常為索氏提取法、酸水解法、堿水解法等國標(biāo)檢測(cè)方法，其具有檢測(cè)結(jié)果準(zhǔn)確的優(yōu)點(diǎn)，但實(shí)驗(yàn)操作過于繁瑣，需要對(duì)樣本進(jìn)行預(yù)處理，耗時(shí)較長，無法進(jìn)行大批量檢測(cè)，不能滿足快速檢測(cè)的需求。近紅外光譜技術(shù)作為一種綠色、快速、非破壞性的分析技術(shù)，適用于大規(guī)模樣本的快速檢測(cè)。近年來，國內(nèi)外報(bào)道了很多用近紅外光譜技術(shù)對(duì)肉制品、大豆等食物中脂肪含量進(jìn)行檢測(cè)的工作，驗(yàn)證了它具有良好的檢測(cè)效果。

花錦等[21]對(duì)豬肉、牛肉、羊肉、鮮肉的近紅外光譜數(shù)據(jù)進(jìn)行采集，同時(shí)用索氏提取法對(duì)樣本的脂肪含量進(jìn)行了檢測(cè)，作為建模的數(shù)據(jù)集，并對(duì)最佳模型波段和光譜預(yù)處理方法進(jìn)行了研究，最終建立了基于偏最小二乘法的脂肪含量預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明，不同的肉類樣本的最佳建模波段和光譜預(yù)處理方法不同，所建立的4種模型都具有較高的精度，符合不同肉類制品的實(shí)際檢測(cè)需求。陳悅[22]收集了963份來自不同地區(qū)、不同土壤類型、不同種類的大豆樣品，用國標(biāo)檢測(cè)方法檢測(cè)其粗脂肪含量和水分含量，并挑選了413份含量分布具有代表性的樣品，用近紅外光譜儀對(duì)大豆樣品進(jìn)行光譜采集，作為建模數(shù)據(jù)集，經(jīng)過數(shù)據(jù)預(yù)處理后，用偏最小二乘法建立了大豆樣品中脂肪和水分含量的近紅外成分預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明，所建立的模型能很好地應(yīng)用于未參與建模的大豆樣品的粗脂肪含量預(yù)測(cè)，檢測(cè)結(jié)果的誤差在3%以內(nèi)，小于國家標(biāo)準(zhǔn)要求的10%。

馬文強(qiáng)等[23]采集了核桃仁在1040～2560 nm處的近紅外光譜數(shù)據(jù)，通過多元散射校正和標(biāo)準(zhǔn)正態(tài)化組合方法對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，經(jīng)特征波段篩選后，用支持向量機(jī)回歸算法建立了核桃仁脂肪含量的預(yù)測(cè)模型，其模型驗(yàn)證集決定系數(shù)為0.86，均方根誤差為1.58%，可用于核桃仁脂肪含量的快速無損檢測(cè)。李路等[24]采集了46種大米樣品的近紅外光譜數(shù)據(jù)，并用國標(biāo)方法對(duì)大米中的脂肪等營養(yǎng)成分含量進(jìn)行了測(cè)定，在對(duì)光譜數(shù)據(jù)進(jìn)行小波消噪預(yù)處理及篩選特征波段后，比較了偏最小二乘法和BP神經(jīng)網(wǎng)絡(luò)法對(duì)建模的影響。實(shí)驗(yàn)結(jié)果表明，對(duì)于大米脂肪的檢測(cè)，偏最小二乘法建立的模型具有更好的性能，其決定系數(shù)為0.95，相對(duì)標(biāo)準(zhǔn)差為13.69%。

孫艷文等[25]采集了雞蛋樣品的近紅外漫反射光譜數(shù)據(jù)，用酸水解法測(cè)定雞蛋樣品中的脂肪含量，對(duì)采集的光譜進(jìn)行預(yù)處理后，用偏最小二乘法對(duì)雞蛋脂肪含量進(jìn)行建模，最終模型驗(yàn)證集的相關(guān)系數(shù)為0.906，均方根誤差為0.231，可用于雞蛋中脂肪含量的無損檢測(cè)。楊福臣等[26]借助近紅外光譜技術(shù)對(duì)不同規(guī)格乳粉的脂肪和蛋白質(zhì)含量進(jìn)行了研究，在研究了光譜數(shù)據(jù)預(yù)處理、波段優(yōu)選、奇異值剔除等問題后，以偏最小二乘法建立了乳粉中脂肪和蛋白質(zhì)含量的預(yù)測(cè)模型，模型對(duì)未知乳粉樣品中脂肪預(yù)測(cè)的相對(duì)誤差均小于1.5%，具有良好的預(yù)測(cè)性能。仇遜超等[27]采用近紅外光譜技術(shù)對(duì)紅松籽中脂肪含量進(jìn)行定量分析，通過矢量歸一化方法對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，通過反向間隔偏最小二乘法對(duì)特征波段進(jìn)行優(yōu)選，最終通過偏最小二乘法建立了紅松籽中脂肪含量的定量分析模型，模型驗(yàn)證集的均方根誤差為0.7651，預(yù)測(cè)平均偏差絕對(duì)值為0.65%，為紅松籽中脂肪含量的快速檢測(cè)提供了參考。

2.4 調(diào)味品檢測(cè)

調(diào)味品是指能增加食品的色、香、味，促進(jìn)食欲，有益于人體健康的輔助食品。從廣義上講，調(diào)味品包括鮮味劑、咸味劑、酸味劑、甜味劑等，如醬油、醋、食鹽、淀粉、桂皮等都屬此類[28-29]。調(diào)味品中關(guān)鍵成分的含量是反映調(diào)味品品質(zhì)、營養(yǎng)價(jià)值的重要指標(biāo)，目前常見的調(diào)味品成分檢測(cè)方法有液相色譜法、氣質(zhì)聯(lián)用法、液質(zhì)聯(lián)用法、原子熒光光譜法、電位滴定法等[30-32]。但上述常規(guī)儀器分析方法存在檢測(cè)時(shí)間過長的缺點(diǎn)，難以滿足生產(chǎn)過程中實(shí)時(shí)檢測(cè)的需求。近紅外光譜技術(shù)作為一種綠色、快速、無損的檢測(cè)技術(shù)，目前已被廣泛應(yīng)用于調(diào)味品檢測(cè)領(lǐng)域。

食醋是一種歷史悠久的酸味調(diào)味劑，食醋中的可溶性固形物含量和pH值是食醋品質(zhì)的重要評(píng)價(jià)指標(biāo)。陸輝山等[33]采用近紅外光譜技術(shù)結(jié)合反向傳播神經(jīng)網(wǎng)絡(luò)，對(duì)陳醋中可溶性固形物含量和pH值進(jìn)行了定量分析。在對(duì)光譜數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)歸一化和25點(diǎn)平滑處理后，建立了兩種成分的反向傳播神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，其中可溶性固形物預(yù)測(cè)模型的相關(guān)系數(shù)為0.9999，預(yù)測(cè)集均方根誤差為0.0118；pH預(yù)測(cè)模型的相關(guān)系數(shù)為0.9997，預(yù)測(cè)集均方根誤差為0.0088。實(shí)驗(yàn)結(jié)果表明，所建立模型具有較好的預(yù)測(cè)精度和穩(wěn)定性，可用于陳醋品質(zhì)的實(shí)時(shí)檢測(cè)。

食醋總酸包括揮發(fā)性酸和非揮發(fā)性酸兩大類，其中揮發(fā)性酸是食醋酸味的主要來源，食醋的總酸含量是評(píng)價(jià)食醋品質(zhì)的重要指標(biāo)之一。梁楷等[34]采集了106種不同酸度的食醋樣品，通過掃描其近紅外光譜數(shù)據(jù)，優(yōu)化光譜數(shù)據(jù)預(yù)處理方法，結(jié)合偏最小二乘法建立了食醋總酸含量的預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明該模型食醋總酸預(yù)測(cè)值與實(shí)測(cè)值的絕對(duì)偏差平均為0.035，最小相對(duì)誤差為1.383%，可有效應(yīng)用于食醋總酸的快速檢測(cè)。

醬油是日常生活中常見的調(diào)味品，醬油成品中總氮和總酸含量是評(píng)價(jià)醬油質(zhì)量的重要指標(biāo)。陳斌等[35]研究了利用近紅外光譜技術(shù)對(duì)醬油中總氮和總酸含量進(jìn)行快速檢測(cè)的方法。研究采集了120個(gè)醬油樣品，在完成光譜數(shù)據(jù)預(yù)處理后，用偏最小二乘回歸法建立了總氮和總酸的預(yù)測(cè)模型。模型對(duì)總氮的預(yù)測(cè)平均相對(duì)誤差為4.036%，模型對(duì)總酸的預(yù)測(cè)平均相對(duì)誤差為4.820%，表明該方法可用于醬油中總氮和總酸的快速檢測(cè)。

淀粉在調(diào)味品生產(chǎn)過程中應(yīng)用廣泛，具有增強(qiáng)食品穩(wěn)定性、改善口感等功能。不同種類的淀粉具有不同的性質(zhì)和用途，李夢(mèng)瑤等[36]采集了不同種類淀粉的近紅外光譜數(shù)據(jù)，結(jié)合主成分分析法建立了淀粉的定性判別模型。他們也通過采集不同混合比例的馬鈴薯和小麥淀粉樣品的光譜數(shù)據(jù)，結(jié)合偏最小二乘法建立了淀粉含量的定量預(yù)測(cè)模型，模型對(duì)小麥淀粉含量的預(yù)測(cè)決定系數(shù)為0.9982，預(yù)測(cè)均方根誤差為0.347。實(shí)驗(yàn)結(jié)果表明，近紅外光譜技術(shù)具有高的預(yù)測(cè)精度，可用于快速無損的淀粉定性鑒別和定量分析。

2.5 其他成分檢測(cè)

大米的品質(zhì)評(píng)價(jià)標(biāo)準(zhǔn)之一為淀粉含量，不同品種大米的淀粉含量有很大差異，目前食品中淀粉的測(cè)定方法主要為酶水解法、酸水解法等化學(xué)分析方法，此類方法比較繁瑣耗時(shí)，存在一定的局限性。林葵等[37]收集了40個(gè)品種共計(jì)393個(gè)大米樣品，用標(biāo)準(zhǔn)化學(xué)法對(duì)樣品的淀粉含量進(jìn)行了分析，并采集了樣品在1100～2500 nm處的漫反射光譜數(shù)據(jù)，通過偏最小二乘法建立了大米樣品中淀粉和直鏈淀粉的成分預(yù)測(cè)模型。用18種預(yù)留大米樣品對(duì)上述模型進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明樣品的預(yù)測(cè)結(jié)果與標(biāo)準(zhǔn)測(cè)量值的偏差在1%以內(nèi)，證明了近紅外光譜技術(shù)能夠可靠、快速地應(yīng)用于大米中淀粉含量的測(cè)定。

茶多酚和咖啡堿的含量是影響紅茶品質(zhì)的重要因素。盧莉等[38]以小種紅茶為研究對(duì)象，利用國標(biāo)方法分析了其茶多酚和咖啡因含量，并采集了樣品的近紅外光譜數(shù)據(jù)，建立了小種紅茶茶多酚和咖啡因近紅外定量分析模型。其中，咖啡因含量模型的驗(yàn)證集決定系數(shù)為0.9567，驗(yàn)證集均方根誤差為0.148%；茶多酚含量模型的驗(yàn)證集決定系數(shù)為0.9759，驗(yàn)證集均方根誤差為0.566%。兩種模型均有較好的效果，可實(shí)現(xiàn)小種紅茶茶多酚和咖啡因含量的快速檢測(cè)。

釀酒車間需要對(duì)酒精度、總酸和總酯等關(guān)鍵性指標(biāo)進(jìn)行檢測(cè)，而常規(guī)國標(biāo)檢測(cè)方法存在操作過程復(fù)雜、耗時(shí)、環(huán)境污染等不足，無法實(shí)現(xiàn)快速、精準(zhǔn)的釀酒過程中關(guān)鍵性指標(biāo)檢測(cè)。田育紅等[39]收集了680多個(gè)標(biāo)準(zhǔn)白酒樣品，利用偏最小二乘法建立了白酒中酒精度、總酸和總酯含量的預(yù)測(cè)模型，其相關(guān)系數(shù)分別為0.9995，0.9576，0.9910，驗(yàn)證了近紅外光譜技術(shù)應(yīng)用于釀酒行業(yè)快速檢測(cè)的可行性。

金銀花作為一種清熱解毒的藥材，《中國藥典》規(guī)定其水分含量不得高于12%，但常規(guī)檢測(cè)方法使用甲苯法進(jìn)行水分含量的測(cè)定，存在致癌、環(huán)境污染等問題。楊天鳴等[40]制備了不同水分含量的金銀花樣品，用紅外水分儀測(cè)定其水分含量后，采集了其近紅外漫反射光譜數(shù)據(jù)，運(yùn)用偏最小二乘回歸法建立了金銀花中水分含量定量模型。模型預(yù)測(cè)值與紅外水分儀測(cè)定的水分含量經(jīng)t檢驗(yàn)無顯著差異，表明該方法適用于金銀花中水分含量的快速測(cè)定。

野菊花具有清熱消炎、保護(hù)心血管等作用，黃酮類成分是野菊花的有效成分之一，傳統(tǒng)總黃酮測(cè)定方法周期較長，不利于原料的快速批量檢測(cè)。胡小莉等[41]對(duì)6種不同產(chǎn)地的野菊花樣品采集了近紅外光譜數(shù)據(jù)，并用紫外-可見分光光度法測(cè)定樣品的總黃酮含量作為參考值，建立了基于偏最小二乘法的總黃酮含量定量分析模型，所建模型的相關(guān)系數(shù)為0.989，預(yù)測(cè)均方根誤差為0.163，驗(yàn)證集樣品預(yù)測(cè)值的平均相對(duì)偏差為2.08%，可用于不同產(chǎn)地野菊花中總黃酮含量的快速測(cè)定。

魚肉的品質(zhì)，特別是嫩度與其水分含量密切相關(guān)，常規(guī)的魚類產(chǎn)品水分含量檢測(cè)方法多為直接干燥法，但此方法實(shí)驗(yàn)操作復(fù)雜、耗時(shí)過長。趙鉅陽[42]以大麻哈魚為研究對(duì)象，采集了120組蒸制大麻哈魚的近紅外光譜數(shù)據(jù)，并用直接干燥法測(cè)定其水分含量。經(jīng)光譜數(shù)據(jù)預(yù)處理后，采用偏最小二乘法建立蒸制大麻哈魚水分含量的定量分析模型，模型驗(yàn)證集的相關(guān)系數(shù)為0.9850，標(biāo)準(zhǔn)差為0.00426。所建立的模型可對(duì)蒸制大麻哈魚的水分含量進(jìn)行準(zhǔn)確、快速的檢測(cè)，為近紅外光譜技術(shù)應(yīng)用于魚類水分含量的檢測(cè)提供了參考。

3 展望

由于食品生產(chǎn)過程的復(fù)雜性，對(duì)食品成分的準(zhǔn)確檢測(cè)具有十分重要的現(xiàn)實(shí)意義。近紅外光譜技術(shù)相比于常規(guī)分析檢測(cè)技術(shù)，具有檢測(cè)速度快、檢測(cè)精度高、樣品無損壞、操作簡單等優(yōu)勢(shì)，可對(duì)食品中關(guān)鍵成分的含量進(jìn)行定量或定性分析，在食品感官指標(biāo)量化、品質(zhì)檢測(cè)、質(zhì)量控制等方面皆有廣泛應(yīng)用。但近紅外光譜分析技術(shù)也存在些許不足，如建模數(shù)據(jù)難以獲取、建立穩(wěn)定的模型對(duì)專業(yè)知識(shí)要求較高、檢測(cè)過程難以做到完全自動(dòng)化等。因此，如何降低近紅外光譜分析技術(shù)的應(yīng)用門檻，提升分析檢測(cè)的自動(dòng)化水平，將是今后食品行業(yè)的研究重點(diǎn)之一。

隨著云技術(shù)、大數(shù)據(jù)、5G、人工智能等前沿技術(shù)的快速發(fā)展，將近紅外光譜技術(shù)與這些技術(shù)結(jié)合，必將為近紅外光譜技術(shù)賦予更多優(yōu)勢(shì)。如將穩(wěn)定的近紅外分析模型存放于云端，供有需要的用戶調(diào)用，降低其使用門檻；將近紅外成分檢測(cè)系統(tǒng)部署于智能化產(chǎn)線上，無需人工參與即可實(shí)時(shí)、遠(yuǎn)程地對(duì)食品成分進(jìn)行分析檢測(cè)。近紅外光譜技術(shù)與前沿技術(shù)的結(jié)合，對(duì)于減少人力、物力消耗、保證食品品質(zhì)、推動(dòng)食品制造業(yè)自動(dòng)化和智能化必將起到積極作用。