近紅外光譜通用模型在農(nóng)產(chǎn)品及食品檢測(cè)中的研究進(jìn)展

李 明，韓東海，魯丁強(qiáng)，魯曉翔，柴春祥，劉 文，孫柯璇

1. 天津商業(yè)大學(xué)生物技術(shù)與食品科學(xué)學(xué)院，天津 300134 2. 中國(guó)農(nóng)業(yè)大學(xué)食品科學(xué)與營(yíng)養(yǎng)工程學(xué)院，北京 100083 3. 湘潭大學(xué)化工學(xué)院，湖南 湘潭 411105

引 言

近些年來，隨著社會(huì)對(duì)農(nóng)產(chǎn)品和食品質(zhì)量與安全的要求日益增高，傳統(tǒng)的檢測(cè)分析方法已經(jīng)滿足不了目前農(nóng)產(chǎn)品和食品的發(fā)展需要。從生產(chǎn)者角度出發(fā)，傳統(tǒng)的檢測(cè)方法不僅耗時(shí)，而且破壞性的檢測(cè)方法導(dǎo)致了檢測(cè)的樣品不能再次出售，成本較大，同時(shí)由于大部分為抽樣檢測(cè)，不能對(duì)樣品進(jìn)行全面檢測(cè)，會(huì)出現(xiàn)次品漏檢的現(xiàn)象，對(duì)于商品的出售產(chǎn)生負(fù)面效應(yīng)。對(duì)于大多數(shù)消費(fèi)者而言，由于不具備傳統(tǒng)檢測(cè)方法的條件，大部分都以個(gè)人經(jīng)驗(yàn)以及賣家信譽(yù)購(gòu)買商品，單從商品外表難以獲知其內(nèi)部品質(zhì)，導(dǎo)致購(gòu)買商品的不確定性。同時(shí)，對(duì)于行業(yè)專業(yè)人員來講，傳統(tǒng)的檢測(cè)方法對(duì)于人員操作要求較高，耗時(shí)且耗力，不利于方法的普及以及使用[1]。因此生產(chǎn)者、 消費(fèi)者還是行業(yè)專業(yè)人員越來越意識(shí)到開發(fā)快速、 準(zhǔn)確、 經(jīng)濟(jì)的檢測(cè)手段是十分必要的。

近紅外光譜(near infrared spectroscopy，NIR)分析具有快速、 無污染、 成本低以及無損等技術(shù)優(yōu)勢(shì)，越來越受到社會(huì)的關(guān)注。NIR的波長(zhǎng)范圍是780～2 500 nm，該光譜區(qū)域主要承載的是含氫基團(tuán)振動(dòng)倍頻與合頻特征信息，如O—H，N—H和C—H等含氫基團(tuán)。由于大部分農(nóng)產(chǎn)品以及食品由有機(jī)分子構(gòu)成，含有大量的含氫基團(tuán)，因此近紅外光譜分析技術(shù)的應(yīng)用也是從農(nóng)業(yè)領(lǐng)域起步并慢慢普及。1965年，Norris和Hart[2]首次采用近紅外光譜法對(duì)谷物的水分等指標(biāo)含量進(jìn)行了檢測(cè)。1985年，Birth[3]等開發(fā)了一種叫做“Biospect”的近紅外光譜儀，采用其對(duì)新鮮洋蔥的干物質(zhì)含量進(jìn)行了測(cè)定。此后，近紅外光譜分析技術(shù)在檢測(cè)領(lǐng)域取得了快速的發(fā)展，能夠檢測(cè)的物料品種以及相關(guān)指標(biāo)也越來越多[4]。與此同時(shí)，儀器的種類也根據(jù)分析對(duì)象的種類、 運(yùn)行條件以及特殊需求等得到了進(jìn)一步的優(yōu)化，如離線型、 在線型、 臺(tái)式、 手持式以及特制型等[5]。

目前為止，近紅外光譜在農(nóng)產(chǎn)品和食品品質(zhì)分析的研究以及應(yīng)用很多[6]，但大多數(shù)只對(duì)于一種物料建立近紅外專用數(shù)學(xué)模型。由于農(nóng)產(chǎn)品和食品的種類眾多，應(yīng)對(duì)這種情況，運(yùn)用傳統(tǒng)的近紅外分析方法無疑會(huì)增加建模的工作量。一般差異較大的物料是難以進(jìn)行模型通用的。然而近些年來，一些專家和學(xué)者嘗試建立近紅外通用模型，即建立一個(gè)近紅外通用模型，能夠?qū)Χ喾N物料的同一指標(biāo)或多種指標(biāo)進(jìn)行檢測(cè)。雖說這類通用模型與傳統(tǒng)模型相比，精確度有所下降，但該類模型不僅具有建模成本低、 工作量小等優(yōu)勢(shì)，而且若模型預(yù)測(cè)結(jié)果能滿足實(shí)際應(yīng)用要求，也使近紅外光譜技術(shù)在農(nóng)產(chǎn)品和食品領(lǐng)域中的應(yīng)用具有很大的推廣意義。

針對(duì)農(nóng)產(chǎn)品和食品近紅外光譜通用模型在建模過程中樣品信息的獲取、 模型的建立以及樣品信息的預(yù)測(cè)三個(gè)步驟中的研究進(jìn)行綜述，對(duì)使用的方法進(jìn)行歸納總結(jié)，提出對(duì)于通用模型開發(fā)與研究的一些建議，并就近紅外光譜通用模型預(yù)測(cè)方法在檢測(cè)領(lǐng)域的發(fā)展趨勢(shì)做進(jìn)一步展望。

1 通用模型樣品信息的獲取

近紅外光譜分析法的樣品信息獲取包括采集樣品的光譜和測(cè)定樣品的指標(biāo)，這些信息中包含樣品的確定信息和不確定信息。確定信息決定了模型的關(guān)系信息，即光譜與指標(biāo)之間的關(guān)系，不確定信息決定了模型的適用范圍，即關(guān)系信息之外的一些影響因素，這兩種信息影響模型的準(zhǔn)確性和穩(wěn)健性[7]。根據(jù)通用模型的目的不同，獲取樣品信息的側(cè)重點(diǎn)也不同，如不同地域、 不同批次、 不同年份、 不同溫度、 不同加工方法、 不同成分組成甚至是不同品種。

王燕妮[8]等采用近紅外光譜分析法，首先將8種飼料原料(菜粕、 DDGS、 豆粕、 麩皮、 棉粕、 小麥、 玉米和雜粕)研磨后并過0.75 mm篩，然后采集粉末狀飼料原料的近紅外漫反射光譜，然后測(cè)定了這些飼料原料的粗蛋白、 粗脂肪和粗纖維3種組分的指標(biāo)含量，利用偏最小二乘法(partial least-squares regression, PLS)算法，建立了能夠?qū)?種飼料原料的3個(gè)指標(biāo)進(jìn)行預(yù)測(cè)的通用檢測(cè)模型，通過比較其結(jié)果顯示，通用模型的檢測(cè)結(jié)果與單獨(dú)模型的檢測(cè)檢測(cè)結(jié)果差異不大，并且能滿足實(shí)際生產(chǎn)需要。PiyamartJannok[9]等利用手持式短波可見近紅外光譜儀分別采集了蘋果、 梨、 柿子三種水果的漫透射光譜后，測(cè)得三種水果的可溶性固形物(soluble solids content, SSC)，同樣運(yùn)用PLS算法建立了一種通用模型，該模型實(shí)現(xiàn)對(duì)蘋果、 梨與柿子的SSC進(jìn)行通用預(yù)測(cè)。通過與單獨(dú)品種模型的預(yù)測(cè)標(biāo)準(zhǔn)偏差(standard error of prediction, SEP)的范圍(SEP=0.34～0.40°Brix)對(duì)比，通用模型的SEP(0.43°Brix)雖有所下降，但仍滿足檢測(cè)要求。該研究表明，即便品種不同，但質(zhì)構(gòu)相似的薄皮水果是可以建立通用模型來預(yù)測(cè)相關(guān)品質(zhì)指標(biāo)的。Fan[10]等考察了利用近紅外光譜儀采集蘋果不同部位(赤道處、 花萼處、 柄附近處)的光譜分別建立SSC定量模型，發(fā)現(xiàn)赤道位置采集光譜建立的SSC定量模型只能對(duì)本位置采集的蘋果光譜進(jìn)行有效的預(yù)測(cè)SSC含量，其他兩個(gè)部位建立的SSC模型也有相似的結(jié)果。為了解決這一問題，該課題組將三個(gè)部位采集的信息合并，共同建立一個(gè)模型，即“位置通用模型”。結(jié)果顯示，位置通用模型對(duì)赤道處、 花萼處、 柄附近處果肉SSC的SEP分別為0.386°Brix，0.486°Brix和0.409°Brix，預(yù)測(cè)相關(guān)系數(shù)為0.977，0.955和0.977。說明該種方法能夠有效減少由于采集信息的位置不同導(dǎo)致的預(yù)測(cè)誤差。上述研究可知，通用模型的信息獲取可以說是通過一些“校正”與“包容”的思維來攻破模型通用的難題，即在影響模型準(zhǔn)確性和穩(wěn)健性不大的前提下，滿足檢測(cè)的要求，提高模型的適用性。

2 通用模型的建立

當(dāng)物料的光譜信息以及待測(cè)指采集之后，需要建立兩者之間的數(shù)學(xué)關(guān)系，即建立模型。相對(duì)于傳統(tǒng)的近紅外分析模型，通用模型的建立在樣本集篩選、 光譜預(yù)處理、 變量選擇以及建模方法上都需要考慮由于不同地域、 年份、 溫度、 成分組成以及品種等因素的復(fù)雜性產(chǎn)生的影響。

2.1 通用模型樣本集的篩選

樣本篩選是將采集的樣本信息分為校正集與驗(yàn)證集。當(dāng)樣本集中的樣品數(shù)足夠多且具有代表性、 參數(shù)分布均勻以及性質(zhì)范圍應(yīng)包含待測(cè)樣品等時(shí)，預(yù)測(cè)模型的準(zhǔn)確性和穩(wěn)健性才能滿足一定的檢測(cè)需求。對(duì)于通用模型而言，更需要保證模型的適用性，因此通用模型樣本集的篩選相對(duì)復(fù)雜。

Kennard-Stone(KS)[11]方法是樣本集篩選中最為常用的一種分類方法，該種方法根據(jù)光譜特征進(jìn)行選取。Wang[12]等首先采集五個(gè)品種(Red Comice，Wujiuxiang，Abate，Cascade，Conference)洋梨的漫透射光譜以及光譜采集對(duì)應(yīng)位置的SSC與果肉硬度值，每個(gè)品種約94～96個(gè)樣本信息，通過KS方法把各個(gè)品種樣本信息按照三比一的比例分為校正集與驗(yàn)證集，隨后將分離后的各個(gè)品種的校正集和驗(yàn)證集合并組成一個(gè)新的校正集(358個(gè))和驗(yàn)證集(118個(gè))。經(jīng)統(tǒng)計(jì)，SSC與果肉硬度的新校正集的指標(biāo)范圍分別為11.3%～18.5%，1.9～71.2 N，驗(yàn)證集的指標(biāo)范圍分別為11.6%～18.0%，3.5～66.5 N。最后運(yùn)用多元線性回歸(multiple linear regression，MLR)算法建立了洋梨的SSC通用預(yù)測(cè)模型，用PLS法建立果肉硬度的通用檢測(cè)模型。結(jié)果顯示，SSC與硬度通用模型的預(yù)測(cè)決定系數(shù)分別為0.87與0.66，SEP分別為0.45%和8.11 N，該通用模型具有一定的應(yīng)用潛力。Set partitioning based on joint x-y distance(SPXY)法[13]是在KS方法的基礎(chǔ)上演變而來的一種新的樣本篩選方法，該方法考慮了樣本的光譜特征以及對(duì)應(yīng)的指標(biāo)兩種因素，進(jìn)而對(duì)樣本信息進(jìn)行篩選。馬卉[14]等采集了五種藥材飲片(黃芩、 梔子、 板藍(lán)根、 黃柏、 胖大海)的近紅外光譜，并測(cè)定了五種藥材的水分含量，同樣用Wang的方法，運(yùn)用SPXY距離劃分法將五種藥材的樣本信息劃分為校正集與驗(yàn)證集。經(jīng)統(tǒng)計(jì)顯示，該方法劃分的校正集含水量范圍涵蓋驗(yàn)證集，證明劃分的校正集具有良好的代表性，有利于建立這五種藥材飲片水分含量的通用檢測(cè)模型。常冬[15]等通過建立四種不同飼料原料的淀粉含量通用定量檢測(cè)模型時(shí)發(fā)現(xiàn)，通過KS方法篩選的通用模型樣本集比單個(gè)品種的分布范圍更加廣泛，通用模型的評(píng)價(jià)參數(shù)甚至要好于獨(dú)立模型。通過以上研究可以推斷，無論使用哪種樣本篩選方法，應(yīng)先將獨(dú)立對(duì)象的樣本按照一定比例進(jìn)行校正集和驗(yàn)證集的預(yù)篩選，然后將各自篩選出來的校正集與驗(yàn)證集進(jìn)行整合后，校正集和樣本集的分布數(shù)據(jù)更佳合理，建模效果較好。

2.2 通用模型的光譜預(yù)處理方式

采集后的光譜信息除了含有樣品自身的有效信息外，還包含其他無效信息，以及對(duì)建立模型產(chǎn)生負(fù)面效應(yīng)的信息，如噪聲、 背景以及雜散光等。在建立通用模型時(shí)，由于樣本具有地域、 時(shí)間、 大小以及品種的多樣性導(dǎo)致的光譜多樣性也會(huì)對(duì)建立通用模型帶來不利。因此如何使用有效的方法對(duì)光譜進(jìn)行處理，是建立通用模型時(shí)需要考慮的問題。常見的光譜預(yù)處理方法有均值中心化、 標(biāo)準(zhǔn)化、 歸一化、 平滑、 導(dǎo)數(shù)、 標(biāo)準(zhǔn)正態(tài)變量變換、 多元線性校正、 傅里葉變換、 小波變換、 正交信號(hào)校正以及凈分析信號(hào)等[16]。

Liu[17]等運(yùn)用可見/近紅外光譜便攜儀分別采集了蘋果、 梨、 桃三種水果的光譜信息，積分時(shí)間分別為100，90和60 ms，然后測(cè)得SSC值，并建立三種水果的SSC通用定量檢測(cè)模型。研究發(fā)現(xiàn)，首先通過標(biāo)準(zhǔn)正態(tài)變量變換處理，能夠在一定程度上消除水果大小以及內(nèi)部果肉顆粒造成的散射影響，Savitzky-Golay平滑處理能夠消除一些高頻噪聲，二階導(dǎo)數(shù)處理能夠消除由于采集光譜積分時(shí)間不同導(dǎo)致的基線漂移現(xiàn)象，經(jīng)過上述三種光譜預(yù)處理之后，三種水果的光譜在840～920 nm波長(zhǎng)范圍內(nèi)表現(xiàn)出良好的光譜一致性，在這個(gè)波段范圍嘗試PLS以及MLR兩種建模方法進(jìn)行通用模型的建立。結(jié)果顯示，PLS通用模型的預(yù)測(cè)決定系數(shù)和SEP分別為0.97和0.45°Brix，MLR通用模型的預(yù)測(cè)決定系數(shù)和SEP分別為0.96和0.46°Brix，模型均達(dá)到了一定的預(yù)測(cè)要求。彭丹等[18]采集了不同原料(大豆和菜籽)的不同等級(jí)油的近紅外光譜，共建立了四種油的過氧化值通用檢測(cè)模型，即不同等級(jí)的大豆油、 不同等級(jí)的菜籽油以及兩種同一等級(jí)但原料不同的食用油。結(jié)果顯示，通過二階導(dǎo)數(shù)處理后的光譜建立的一級(jí)油的通用模型效果最好，其推測(cè)二階導(dǎo)數(shù)處理能夠消除基線以及背景干擾，提高有效信息的表達(dá)，有利于建立通用模型。Saranwong等[19]建立近紅外光譜通用模型，考察該模型對(duì)兩種芒果是否被果蠅的蟲卵幼蟲侵染進(jìn)行無損檢測(cè)。結(jié)果表明，采集后的光譜進(jìn)行二階導(dǎo)處理，能夠有效的表征兩種芒果正常儲(chǔ)藏和被果蠅蟲卵及幼蟲侵染后的果實(shí)品質(zhì)的變化，建立的偏最小二乘法判別通用模型能夠?qū)煞N芒果是否被果蠅蟲卵及幼蟲侵染進(jìn)行正確判別，即芒果被蠅蟲卵及幼蟲侵染后48 h，校正集判別假負(fù)率和判別假正率均為1.1%，驗(yàn)證集判別假負(fù)率為6.2%，判別假正率為1.2%。Li等[20]使用Antaris Ⅱ近紅外分光光度計(jì)半透反射模式掃描三種不同等級(jí)蜂蜜近紅外光譜，并通過高效液相色譜法測(cè)定蜂蜜的水分、 5-羥甲基糠醛、 果糖和葡萄糖含量，建立三種等級(jí)蜂蜜的指標(biāo)定量預(yù)測(cè)的通用模型。結(jié)果顯示，在建立水分、 5-羥甲基糠醛和果糖三種指標(biāo)的通用定量模型時(shí)，采用一階導(dǎo)數(shù)、 Savitzky-Golay平滑與多元散射校正的光譜預(yù)處理組合方式，模型效果最好。對(duì)于葡萄糖模型，僅使用一階導(dǎo)數(shù)的光譜預(yù)處理方式效果最佳。通過上述研究推斷，建立近紅外光譜模型時(shí)，對(duì)采集的光譜信息運(yùn)用預(yù)處理手段可以消除噪聲以及背景的信息，提高有效信息。同時(shí)在建立通用模型時(shí)，適當(dāng)選取某些波段再進(jìn)行光譜預(yù)處理，還能消除由于樣品多樣性產(chǎn)生的光譜不一致性，利于建立通用模型。

2.3 通用模型的變量選擇

光譜分析法建立的模型在對(duì)樣品進(jìn)行分析時(shí)，由于光譜的數(shù)據(jù)量越來越大，也會(huì)產(chǎn)生一些該技術(shù)在農(nóng)產(chǎn)品及食品品質(zhì)高通量無損快速檢測(cè)需求的不利因素，其主要表現(xiàn)為增加計(jì)算成本、 對(duì)儀器硬件要求較高以及工作效率低等方面[21]。因此，近些年來，大量的研究工作專注于變量選擇，篩選后的有效信息用于建立變量少的數(shù)學(xué)模型。由于采集光譜使用的儀器、 采集方式等不同，導(dǎo)致了光譜的表觀形式不同，光譜預(yù)處理也具有放大信號(hào)的作用，即放大了由于品種、 產(chǎn)地、 加工方式等產(chǎn)生的光譜差異，這些因素對(duì)于建立近紅外通用模型是不利的。因此相比于傳統(tǒng)的模型，通用模型具有更加多樣化的樣本信息，選擇有效、 少且全的變量信息是一個(gè)相對(duì)復(fù)雜的研究課題。

2.4 通用模型的建模方法

近紅外光譜分析法中常用的定量方法有多元線性回歸法、 主成分回歸法、 偏最小二乘法等一些線性校正方法，同時(shí)還有人工神經(jīng)網(wǎng)絡(luò)以及支持向量機(jī)等非線性校正方法[24]。目前來說，PLS方法在近紅外光譜分析法中應(yīng)用最為廣泛，逐漸成為一種標(biāo)準(zhǔn)的常用方法，而一些非線性方法的應(yīng)用也逐漸增多[25]。

Pocwiardowski等[26]運(yùn)用近紅外光譜儀采集了五種蔬菜種子的近紅外光譜，使用PLS法建立了五種蔬菜種子的水分含量的通用預(yù)測(cè)模型，結(jié)果顯示，校正模型的相關(guān)系數(shù)為0.996 8，Q系數(shù)[27]達(dá)到0.890 4(Q系數(shù)大于0.7，表明該模型預(yù)測(cè)性能較好)。Torres等[28]使用微型光譜儀采集了兩個(gè)柑橘品種(Oranges和Mandarins)光譜，測(cè)得兩種柑橘的顏色指數(shù)(L*，a*，b*，C*，h*，比色指數(shù))、 硬度、 果皮、 縱徑、 橫徑、 重量、 厚度以及果汁質(zhì)量，比較使用線性回歸方程(PLS法)與非線性方程(non-linear regression techniques, LOCAL算法[29])建立兩種柑橘水果模型的結(jié)果，其顯示使用LOCAL算法建立的各個(gè)指標(biāo)通用模型效果均比PLS法更佳。Huang等[30]使用可見近紅外光譜儀采集了三種茶葉、 六個(gè)部位的光譜信息，并測(cè)得四種主要兒茶素和咖啡因含量，分別用不同的建模方法建立了通用定量模型。結(jié)果顯示，使用MLR方法建立的四種兒茶素的通用定量模型效果最好，模型的相關(guān)系數(shù)分別為0.949，0.893，0.968和0.931，使用PLS法建立的咖啡因的通用定量模型效果最好，模型的相關(guān)系數(shù)為0.917。經(jīng)上述研究可知，無論是線性校正方法還是非線性校正方法，都能建立通用模型。

3 通用模型樣品信息的預(yù)測(cè)

隨著近紅外技術(shù)使用環(huán)境的多樣化，比如環(huán)境的溫度、 濕度、 儀器臺(tái)間差、 待測(cè)樣本狀態(tài)等，使得采集的光譜產(chǎn)生差異等因素，給使用建立好的通用模型對(duì)未知樣品信息的預(yù)測(cè)帶來困難。為了解決這一問題，模型傳遞的研究也是近期研究的熱點(diǎn)[31]，同時(shí)該方法的研究也為實(shí)現(xiàn)模型的通用開辟了新的道路。Wongsaipun等[32]首先建立了泰國(guó)茉莉香米摻假的偏最小二乘判別模型，隨后采用正交投影算法[33]提取泰國(guó)茉莉香米的變量，再通過模型傳遞對(duì)未知摻假樣品的近紅外光譜進(jìn)行校正，使其在模型的預(yù)測(cè)范圍之內(nèi)，相比于之前未進(jìn)行模型傳遞的模型，預(yù)測(cè)值RMESP值降低，Q2值提高。這種方法不僅實(shí)現(xiàn)了對(duì)泰國(guó)茉莉香米是否摻假的量化檢測(cè)，同時(shí)也降低了建立模型的成本，實(shí)現(xiàn)了模型的通用。李小昱等[34]應(yīng)用模型傳遞的方法，實(shí)現(xiàn)了不同品種豬肉pH值的近紅外定量預(yù)測(cè)模型的通用。該課題組先建立了山黑豬豬肉pH值的近紅外光譜PLS定量模型，隨后使用光譜值校正傳遞算法消除了山黑豬豬肉與零號(hào)土豬豬肉之間的光譜差異，進(jìn)而對(duì)零號(hào)土豬豬肉的pH值進(jìn)行預(yù)測(cè)，模型傳遞后的預(yù)測(cè)相關(guān)系數(shù)為0.837，相比沒有傳遞之前提高了101.69%，模型傳遞后的預(yù)測(cè)均方根誤差為0.085 6，相比沒有傳遞之前降低了52.55%，研究表明校正后模型的預(yù)測(cè)效果均達(dá)到應(yīng)用水平。

近些年來，互聯(lián)網(wǎng)、 大數(shù)據(jù)、 云服務(wù)等技術(shù)不斷興起，通過將這些新興技術(shù)與近紅外光譜技術(shù)快速、 便捷、 無損的特點(diǎn)相結(jié)合，為新農(nóng)業(yè)發(fā)展提供了思路。郭志明等[35]通過研發(fā)低成本、 低能耗、 小型的蘋果手持便攜儀器采集光譜信息，通過物聯(lián)網(wǎng)云端數(shù)據(jù)庫(kù)實(shí)現(xiàn)對(duì)蘋果品質(zhì)的數(shù)據(jù)傳輸以及遠(yuǎn)程維護(hù)，建立了17個(gè)產(chǎn)區(qū)富士蘋果的SSC、 硬度以及維生素C含量的通用定量檢測(cè)模型，并對(duì)兩個(gè)地區(qū)的蘋果(陜西洛川和甘肅天水)的進(jìn)行預(yù)測(cè)，其獨(dú)立預(yù)測(cè)相關(guān)系數(shù)Ri平均值分別為0.931，0.794和0.755，獨(dú)立預(yù)測(cè)均方根誤差平均值分別為0.596%，1.563 kg·cm-2和0.942 mg·(100 g)-1，結(jié)果顯示該系統(tǒng)可以將通用模型與云服務(wù)技術(shù)相結(jié)合，對(duì)蘋果的品質(zhì)進(jìn)行預(yù)測(cè)。

綜上所述，隨著新技術(shù)的發(fā)展，某些通用模型對(duì)樣品信息的預(yù)測(cè)已經(jīng)突破了傳統(tǒng)形式上的模型預(yù)測(cè)方式，這種將無損快速檢測(cè)技術(shù)與其他新興技術(shù)有機(jī)地結(jié)合起來運(yùn)用到農(nóng)產(chǎn)品與食品的研究成果，也為未來通用模型的開發(fā)與利用提供了新的探索方向。

4 結(jié) 論

農(nóng)產(chǎn)品和食品的質(zhì)量與安全與人們的日常生活息息相關(guān)，需求量大且種類多給農(nóng)產(chǎn)品和食品品質(zhì)檢測(cè)帶來了巨大的工作量。近紅外光譜由于其速度快、 靈敏度高、 采樣方式靈活多變以及無損檢測(cè)等技術(shù)優(yōu)勢(shì)，已經(jīng)在農(nóng)產(chǎn)品以及食品品質(zhì)檢測(cè)領(lǐng)域占有一席之地。目前，大多數(shù)研究是針對(duì)于某種特定情況下對(duì)某一種物料進(jìn)行檢測(cè)。但在實(shí)際生活中，面對(duì)不同地域、 不同年份、 不同溫度、 不同加工方法、 不同成分組成甚至是不同品種的農(nóng)產(chǎn)品以及食品，傳統(tǒng)的近紅外光譜“一對(duì)一”式模型已經(jīng)滿足不了該項(xiàng)技術(shù)在農(nóng)產(chǎn)品與食品領(lǐng)域的產(chǎn)業(yè)化應(yīng)用。

隨著計(jì)算機(jī)技術(shù)、 光譜儀硬件、 化學(xué)計(jì)量學(xué)以及互聯(lián)網(wǎng)技術(shù)的發(fā)展，一部分學(xué)者已經(jīng)開始著手于近紅外光譜通用型模型的研究與開發(fā)。然而，近紅外光譜通用型模型在農(nóng)產(chǎn)品以及食品品質(zhì)檢測(cè)方面的研究尚處于發(fā)展階段，還存在著一些問題，主要體現(xiàn)在以下方面。(1)目前通用型模型研究的農(nóng)產(chǎn)品以及食品種類不多，至今報(bào)道的文獻(xiàn)仍然相對(duì)較少，主要集中在果蔬與糧油的品質(zhì)檢測(cè)，而且該項(xiàng)技術(shù)應(yīng)用還不廣泛。(2)目前通用型模型主要應(yīng)用在定量檢測(cè)，對(duì)于用于定性檢測(cè)的通用模型研究相對(duì)比較少。(3)建立通用型模型時(shí)，建模方法主要以多元線性回歸以及偏最小二乘法居多，其他的建模方法相對(duì)較少，應(yīng)用也不多。(4)通用型模型建立的機(jī)理研究尚不深入。

采用近紅外光譜技術(shù)建立通用型模型對(duì)農(nóng)產(chǎn)品以及食品品質(zhì)進(jìn)行檢測(cè)尚處于科學(xué)研究階段，應(yīng)用相對(duì)較少。結(jié)合通用型模型的優(yōu)點(diǎn)，改進(jìn)的預(yù)測(cè)方法必然是未來檢測(cè)領(lǐng)域的趨勢(shì)。同時(shí)，近紅外光譜通用性模型的建立也為其他方式無損檢測(cè)通用型模型的研究與開發(fā)提供新的思路。