高光譜無損檢測(cè)辣椒粉中蘇丹紅濃度

周 瑤，李柏承，趙曼彤，王 琦，張大偉

?

高光譜無損檢測(cè)辣椒粉中蘇丹紅濃度

周 瑤，李柏承，趙曼彤，王 琦，張大偉

( 上海理工大學(xué) a. 上海市現(xiàn)代光學(xué)系統(tǒng)重點(diǎn)實(shí)驗(yàn)室; b. 教育部光學(xué)儀器與系統(tǒng)工程中心，上海 200093 )

為無損檢測(cè)辣椒粉中蘇丹紅一號(hào)濃度()，本文運(yùn)用高光譜成像檢測(cè)技術(shù)得到120個(gè)含有不同的辣椒粉高光譜圖像，其中60個(gè)作為校正集剩余為預(yù)測(cè)集，采用連續(xù)投影算法(SPA)從校正集的海量光譜數(shù)據(jù)中優(yōu)選出45個(gè)特征波長，再通過偏最小二乘回歸法(PLSR)、多元線性回歸法(MLR)和主成分回歸法(PCR)建立預(yù)測(cè)模型。結(jié)果表明，MLR模型較優(yōu)，其校正集相關(guān)系數(shù)為0.998，校正均方根誤差為0.737 3mg/ml，預(yù)測(cè)集相關(guān)系數(shù)為0.987，預(yù)測(cè)均方根誤差為1.921 3mg/ml，該方法可以實(shí)現(xiàn)辣椒粉中的無損檢測(cè)。

高光譜成像技術(shù)；無損檢測(cè)；辣椒粉；蘇丹紅一號(hào)濃度

0 引 言

辣椒粉是一種很常見的調(diào)味品，在一些菜肴中添加辣椒粉會(huì)呈現(xiàn)出一種獨(dú)特的風(fēng)味。適量辣椒粉的食用可以解熱鎮(zhèn)痛、預(yù)防癌變、增加食欲、幫助消化和降脂減肥[1]，然而，由于蘇丹紅一號(hào)染色劑染色鮮艷，價(jià)格低廉[2]，一些不法商販常常將其作為辣椒粉色素來引誘消費(fèi)者購買。目前，毒理學(xué)研究表明，蘇丹紅一號(hào)染色劑具有致癌性[3]，如果長期較大劑量地?cái)z入，就會(huì)在體內(nèi)累積而對(duì)肌體造成損傷或基因突變而致癌，其代謝產(chǎn)物可能會(huì)引起肝臟、脾臟等臟器的腫瘤[4-5]。因此，蘇丹紅一號(hào)在中國及其他許多國家已經(jīng)被禁止作為食品添加劑。 如果能夠發(fā)展一種快速準(zhǔn)確無損在線檢測(cè)辣椒粉中蘇丹紅一號(hào)濃度的方法將有效的避免市場(chǎng)上蘇丹紅一號(hào)染色辣椒粉的出現(xiàn)，讓辣椒粉可以成為一種健康的調(diào)味品，不僅為消費(fèi)者的健康飲食提供了很好的條件，也大大提高了國家質(zhì)檢部門的食品安全檢測(cè)能力。

目前，常用的蘇丹紅一號(hào)濃度(Concentration of Sudan red No. 1,)的測(cè)定方法有分光光度法、高效液相色譜/紫外可見光法、高效液相色譜/質(zhì)譜聯(lián)用法以及氣相色譜/質(zhì)譜聯(lián)用法[6]。然而這些蘇丹紅一號(hào)濃度的測(cè)定方法，都需要借助一些輔助提取和凈化的方法，在整個(gè)檢測(cè)過程中步驟過于繁瑣，無法實(shí)現(xiàn)蘇丹紅一號(hào)濃度的在線無損檢測(cè)，因此，迫切的需要研究出一種可以快速準(zhǔn)確無損在線檢測(cè)辣椒粉中蘇丹紅一號(hào)濃度的方法。

近年來，許多光譜分析技術(shù)已經(jīng)在食品[7-9]、醫(yī)藥[10]、高光譜圖像分類[11-12]及農(nóng)業(yè)[13-15]等領(lǐng)域得到廣泛應(yīng)用，在此基礎(chǔ)上，高光譜成像技術(shù)作為一種無損檢測(cè)技術(shù)也不斷的發(fā)展起來，它可以用于定性和定量檢測(cè)物質(zhì)。薛龍等[16]基于高光譜圖像技術(shù)的水果表面農(nóng)藥殘留檢測(cè)試驗(yàn)研究，發(fā)現(xiàn)高光譜成像技術(shù)用于檢測(cè)臍橙表面較高濃度農(nóng)藥殘留非常明顯。陳全勝等[17]基于高光譜成像技術(shù)的豬肉嫩度檢測(cè)研究，模型校正集的判別率為96.15%，預(yù)測(cè)集的判別率為80.77%，研究結(jié)果表明高光譜圖像技術(shù)可以用于豬肉嫩度等級(jí)水平的檢測(cè)，說明高光譜成像技術(shù)在定性檢測(cè)物質(zhì)方面具有很大的潛力。李鋒霞等[18]基于高光譜無損檢測(cè)技術(shù)實(shí)現(xiàn)哈密瓜堅(jiān)實(shí)度的檢測(cè)研究，校正集模型相關(guān)系數(shù)為0.873，均方根誤差為4.18N，結(jié)果表明研究具有可行性。吳迪等[19]應(yīng)用可見近紅外高光譜成像技術(shù)成功實(shí)現(xiàn)了螺旋藻粉中常用添加劑的快速無損定量檢測(cè)，為高光譜成像技術(shù)實(shí)現(xiàn)物質(zhì)的定量無損檢測(cè)奠定了基礎(chǔ)。本研究所提出的高光譜成像技術(shù)無損檢測(cè)辣椒粉中蘇丹紅一號(hào)濃度的方法和目前已經(jīng)提出的運(yùn)用近紅外[8-9]和拉曼光譜[9]檢測(cè)辣椒粉中蘇丹紅一號(hào)的研究相比而言，最大優(yōu)勢(shì)在于能夠提取出反應(yīng)蘇丹紅一號(hào)特點(diǎn)的特征波長反射率信息，基于所提取的特征波長可以發(fā)展一套快速準(zhǔn)確無損在線檢測(cè)辣椒粉中蘇丹紅一號(hào)濃度的多光譜系統(tǒng)。

采用高光譜成像設(shè)備不僅可以得到樣品的光譜信息，同時(shí)可以獲取樣品的圖像信息，使得對(duì)樣品的分析更加全面。目前，采用高光譜成像技術(shù)無損檢測(cè)辣椒粉中蘇丹紅一號(hào)濃度的研究未見報(bào)道。本研究通過對(duì)比分析不同波段范圍光譜信息和預(yù)處理方法對(duì)校正集辣椒粉中蘇丹紅一號(hào)濃度預(yù)測(cè)模型準(zhǔn)確度的影響，同時(shí)運(yùn)用連續(xù)投影算法(Successive Projections Algorithm, SPA)[20]在全波段范圍內(nèi)進(jìn)行特征波長的提取，這樣不僅可以降低檢測(cè)過程中數(shù)據(jù)處理的難度而且又不損失有用的光譜信息。分別應(yīng)用偏最小二乘回歸法(Partial Least Squares Regression, PLSR)、多元線性回歸法(Multiple Linear Regression, MLR)和主成分回歸法(Principal Component Regression, PCR)建立特征波長對(duì)應(yīng)的平均相對(duì)反射率和辣椒粉中蘇丹紅一號(hào)濃度的關(guān)系模型，比較這三種建模算法的準(zhǔn)確度參數(shù)，選擇出較優(yōu)的建模方法，為發(fā)展一套快速準(zhǔn)確無損在線檢測(cè)辣椒粉中蘇丹紅一號(hào)濃度的多光譜系統(tǒng)提供理論基礎(chǔ)，極大的促進(jìn)了食品安全檢測(cè)技術(shù)的發(fā)展。

1 材料和方法

1.1 實(shí)驗(yàn)材料和方法

實(shí)驗(yàn)所用的辣椒粉樣品從湖南省辣椒粉批發(fā)市場(chǎng)選購，經(jīng)過質(zhì)檢部門檢測(cè)確保辣椒粉樣品中沒有蘇丹紅一號(hào)，稱取120份40g辣椒粉樣品依次編號(hào)放置于燒杯中。實(shí)驗(yàn)所用蘇丹紅一號(hào)從上?；瘜W(xué)實(shí)驗(yàn)室購買，由于蘇丹紅一號(hào)的濃度必須大于1mg/ml才能夠顯色[6]，因此本研究分別在0.5mg/ml~1.0mg/ml，1mg/ml~2mg/ml，3.5mg/ml~4.5mg/ml，5.5mg/ml~6.5mg/ml，9.5mg/ml~10.5mg/ml，19.5mg/ml~20.5mg/ml這6個(gè)濃度區(qū)間內(nèi)各隨機(jī)配制20個(gè)蘇丹紅一號(hào)濃度的溶液，溶劑選擇為食用植物油，每個(gè)濃度配制50 ml溶液分別加入盛放辣椒粉的燒杯中，將這120個(gè)濃度值標(biāo)記于盛放辣椒粉的120個(gè)燒杯上，用玻璃棒攪拌均勻，在這6個(gè)濃度區(qū)間內(nèi)各選取10個(gè)蘇丹紅一號(hào)濃度的辣椒粉樣品，合計(jì)60個(gè)樣品作為校正集，剩余的60個(gè)樣品作為預(yù)測(cè)集。為使辣椒粉樣品實(shí)驗(yàn)室環(huán)境與周圍環(huán)境一致，在實(shí)驗(yàn)室放置48 h后再進(jìn)行光譜數(shù)據(jù)采集，實(shí)驗(yàn)室環(huán)境條件為：溫度20℃~25℃，相對(duì)濕度為30%~40%。

1.2 高光譜數(shù)據(jù)采集和校正

高光譜圖像采集系統(tǒng)如圖1所示，包括Illumination Technologies公司功率在0~150 W可調(diào)且波長范圍是400 nm~2 500 nm的3900鹵素?zé)艄庠矗本┪⒓{光科技術(shù)有限公司的水平位移臺(tái)，以及臺(tái)灣五鈴光學(xué)公司的高光譜相機(jī)，其中高光譜相機(jī)主要由面陣電荷耦合器件(Charge Couple Device, CCD)、光譜儀和變焦透鏡三部分組成，實(shí)際光譜響應(yīng)范圍是375 nm~1 050 nm，考慮到光源的波長范圍，400 nm之前CCD的光譜響應(yīng)可以認(rèn)為是雜散光的光譜信息，在實(shí)際光譜分析中，波段范圍應(yīng)設(shè)定為400 nm~1 050 nm。

圖1 高光譜圖像采集系統(tǒng)

在光譜采集過程中，辣椒粉樣品位于高光譜相機(jī)的光學(xué)焦面處，距離相機(jī)436 mm，光源的功率設(shè)置為62 W，相機(jī)在光學(xué)焦面上進(jìn)行縱向線掃描，隨著樣品在水平位移臺(tái)上橫向移動(dòng)，最終獲得辣椒粉樣品的高光譜圖像。由于相機(jī)的光譜采集間隔為0.72 nm，獲得的高光譜圖像包含400 nm~1 050 nm范圍內(nèi)903個(gè)波長下的光譜圖像。為了避免采集的圖像失真，進(jìn)行了多次試驗(yàn)調(diào)整和參數(shù)量化，最終將高光譜相機(jī)的曝光時(shí)間設(shè)置為3.2 ms，水平位移臺(tái)的速度設(shè)置為400mm/s。由于光源的強(qiáng)度在各波段下分布不均勻以及高光譜相機(jī)中暗電流噪聲的存在，造成在光源強(qiáng)度分布較弱的波段下所獲得的圖像含有較大的噪聲，因此，需要對(duì)所獲得的高光譜圖像進(jìn)行黑白板校正[21]。如圖2所示為辣椒粉高光譜圖像的校正和分解圖。

圖2 辣椒粉高光譜圖像校正和分解

實(shí)驗(yàn)采用的黑白板校正公式：

1.3 光譜處理及數(shù)據(jù)分析

本研究中，光譜分析的波長范圍是400 nm~1 050 nm，在數(shù)據(jù)分析時(shí)，每個(gè)蘇丹紅一號(hào)濃度辣椒粉樣品的高光譜圖像都包含903個(gè)波長對(duì)應(yīng)的圖像信息和光譜信息，實(shí)驗(yàn)數(shù)據(jù)非常龐大，不利于在線檢測(cè)系統(tǒng)的搭建。因此，基于這903個(gè)波長對(duì)應(yīng)的，本研究采用SPA對(duì)60個(gè)校正集樣品的全波段光譜信息進(jìn)行特征波長提取，這不僅可以降低數(shù)據(jù)處理的難度且不損失能夠代表蘇丹紅一號(hào)的有效信息，也可以為實(shí)現(xiàn)在線檢測(cè)系統(tǒng)的搭建提供理論基礎(chǔ)。通過比較原始和一階、二階微分處理過的特征波長對(duì)應(yīng)的的PLSR建模結(jié)果，確定最佳光譜，在60個(gè)校正集樣品中，運(yùn)用PLSR[22]、MLR[23]和PCR[24]三種校正建模算法對(duì)校正集辣椒粉中蘇丹紅一號(hào)濃度進(jìn)行預(yù)測(cè)模型的建立，模型的準(zhǔn)確性和可靠性由校正集相關(guān)系數(shù)(Correlation Coefficient Calibration,c)和校正均方差(Root Mean Square Error of Calibration, RMSEC，用RMSC表示)來進(jìn)行評(píng)價(jià)，對(duì)比不同建模算法的c和RMSC并選擇出較優(yōu)模型。最后，運(yùn)用60組預(yù)測(cè)集數(shù)據(jù)對(duì)所選擇的較優(yōu)模型進(jìn)行驗(yàn)證，驗(yàn)證的結(jié)果由預(yù)測(cè)集相關(guān)系數(shù)(Correlation Coefficient Prediction,p)和預(yù)測(cè)均方差(Root Mean Square Error of Prediction, RMSEP，用RMSP表示)來進(jìn)行評(píng)價(jià)。

2 結(jié)果與討論

2.1 提取特征波長

在提取特征波長的過程中，為了確保特征波長選擇的準(zhǔn)確性，本研究在不同光譜波段范圍內(nèi)分別運(yùn)用PLSR進(jìn)行建模，建模結(jié)果如表1，通過比較不同PLSR模型的c和RMSC值，不難發(fā)現(xiàn)采用位于800 nm~1050 nm波段的342個(gè)波長來建立檢測(cè)辣椒粉中蘇丹紅一號(hào)濃度的PLSR預(yù)測(cè)模型效果最佳，但是波長數(shù)量太多使得預(yù)測(cè)模型過于繁瑣且不利于在線檢測(cè)系統(tǒng)的搭建，因此需要采用一定的算法來進(jìn)行特征波長提取。

表1 應(yīng)用PLSR 建模方法對(duì)不同波段范圍光譜的建模結(jié)果

Table 1 Results of calibration models of PLSR method for spectrum with different wavelength ranges

SPA是一種新穎的變量選擇的算法，能夠從重疊的光譜信息中提取有效的信息，消除光譜變量之間的共線性影響。不同蘇丹紅一號(hào)濃度的辣椒粉樣品數(shù)和波長數(shù)組成一個(gè)可見近紅外光譜的反射矩陣×J,詳細(xì)的SPA提取特征波長的步驟如下[20]：

4) 第1次投影循環(huán)結(jié)束之后，將得到一個(gè)×的反射率矩陣，再進(jìn)行第2次投影，步驟和第1次投影完全一致，只是的選定不一樣，直到將個(gè)不同的列向量依次選定為初始迭代向量，合計(jì)次投影，此時(shí)投影結(jié)束；

表2 具體特征波長

Table 2 Detail effective wavelengths

2.2 光譜預(yù)處理的比較與結(jié)果分析

光譜采集的過程中，由于儀器本身的原因可能會(huì)出現(xiàn)光譜的偏移和漂移，導(dǎo)數(shù)處理是消除這種光譜偏移和漂移以及放大和分離重疊信息常用的方法[18]。實(shí)驗(yàn)中對(duì)原始光譜分別進(jìn)行一階、二階微分處理，分別對(duì)比分析SPA提取的45個(gè)特征波長的光譜用不同預(yù)處理方法的建模結(jié)果，結(jié)果如表3。從結(jié)果中可知原始光譜的建模結(jié)果最優(yōu)，這充分說明了實(shí)驗(yàn)儀器本身并未出現(xiàn)光譜的偏移和漂移且SPA提取出的特征波長光譜不存在重疊信息。

表3 應(yīng)用PLSR 建模方法對(duì)SPA 提取的45 個(gè)特征波長的光譜用不同預(yù)處理方法的建模結(jié)果

Table 3 Results of calibration models of PLSR methods using different preprocessing methods, with 45 effective wavelengths extracted from SPA

2.3 光譜平均相對(duì)反射率特征分析

辣椒粉的主要成分是碳水化合物、脂肪和膳食纖維等，如圖3所示為含有60個(gè)校正集樣品在400 nm~1050 nm區(qū)域的原始光譜-平均相對(duì)反射率曲線，結(jié)合SPA最終選擇的特征波長進(jìn)行光譜分析。首先，對(duì)400 nm~500 nm區(qū)域進(jìn)行分析，從圖3的曲線上不難發(fā)現(xiàn)含有不同蘇丹紅一號(hào)濃度的辣椒粉樣品其反射率從400 nm~500 nm不斷降低，芳烴由于其分子結(jié)構(gòu)不同會(huì)導(dǎo)致在紫外-可見光區(qū)域有不同的吸收[25]，蘇丹紅一號(hào)的化學(xué)名稱為1-苯基偶氮-2-萘酚，不同濃度的蘇丹紅一號(hào)所含有的苯基數(shù)量會(huì)產(chǎn)生變化，從而導(dǎo)致吸收特征發(fā)生變化，因此在這個(gè)區(qū)間內(nèi)選取了4個(gè)特征波長來反應(yīng)這種較明顯的變化。接著，對(duì)900 nm~1000 nm區(qū)域進(jìn)行分析，圖3中在該波段內(nèi)存在一個(gè)較小的吸收峰，這主要是碳水化合物的吸收峰[26]，由于蘇丹紅一號(hào)濃度的不同對(duì)碳水化合物的光譜吸收會(huì)產(chǎn)生影響，因此在這個(gè)區(qū)間選擇5個(gè)特征波長來反應(yīng)這種影響。最后，在1 000 nm~1 050 nm區(qū)域內(nèi)，反射率迅速降低，這種現(xiàn)象的發(fā)生主要是由于脂肪和膳食纖維中C-H鍵產(chǎn)生第三合頻，對(duì)光譜產(chǎn)生吸收[26]，而辣椒粉中添加的蘇丹紅一號(hào)的溶劑為食用植物油，存在C-H鍵，隨著蘇丹紅一號(hào)濃度的不同，所添加的C-H鍵的數(shù)量也會(huì)不同，因此，在這個(gè)區(qū)間內(nèi)選擇了36個(gè)特征波長來反應(yīng)這種細(xì)微的變化。然而，不同蘇丹紅一號(hào)濃度的辣椒粉，其光譜平均相對(duì)反射率曲線的趨勢(shì)大致相同，因此需要運(yùn)用建模算法來實(shí)現(xiàn)辣椒粉中蘇丹紅一號(hào)濃度的定量檢測(cè)。

圖3 60 個(gè)不同蘇丹紅一號(hào)濃度辣椒粉樣品的光譜-平均相對(duì)反射率曲線

2.4 建模算法的比較與結(jié)果分析

基于SPA提取的45個(gè)特征波長對(duì)應(yīng)的建模的過程中，不同的建模算法會(huì)產(chǎn)生不同的結(jié)果，在本次研究中分別采用PLSR、MLR和PCR三種建模算法進(jìn)行建模，通過對(duì)比分析三種模型的c和RMSC值，結(jié)果如表4，其中c值越接近于1說明自變量和因變量的相關(guān)性越強(qiáng)且模型越準(zhǔn)確，RMSC值越接近于0說明模型可靠性越強(qiáng)，預(yù)測(cè)值和實(shí)際值的偏差越小，模型也越可信。

表4 對(duì)基于SPA 提取的45 個(gè)特征波長的光譜分別進(jìn)行PLSR、MLR 和PCR 建模的結(jié)果

Table 4 Results of calibration models of PLSR, MLR and PCR for spectrum, with 45 effective wavelengths extracted from SPA

結(jié)果表明，采用MLR的建模效果較好，原因是MLR適用于線性關(guān)系特別好的簡單體系[23]，SPA提取出來的原始光譜信息不存在光譜重疊，因此不需要考慮組分之間相互干擾的影響，可以實(shí)現(xiàn)最優(yōu)模型的建立。

2.5 最優(yōu)模型的驗(yàn)證

由實(shí)驗(yàn)比較與結(jié)果分析可知，以SPA提取的45個(gè)特征波長對(duì)應(yīng)的為自變量，辣椒粉中蘇丹紅一號(hào)濃度為因變量，采取MLR進(jìn)行建模的結(jié)果較優(yōu)，預(yù)測(cè)模型的結(jié)果如圖4所示，模型參數(shù)c=0.998，RMSC=0.737 3mg/ml。

圖4 應(yīng)用MLR 建模方法對(duì)辣椒粉中60個(gè)蘇丹紅一號(hào)濃度的校正結(jié)果

為了驗(yàn)證預(yù)測(cè)模型的準(zhǔn)確度，采用已建立的預(yù)測(cè)模型對(duì)60組不同蘇丹紅一號(hào)濃度的辣椒粉樣品進(jìn)行預(yù)測(cè)，結(jié)果如圖5所示，預(yù)測(cè)集中模型參數(shù)p=0.987，RMSP=1.921 3mg/ml。

圖5 應(yīng)用MLR 建模方法對(duì)辣椒粉中60個(gè)蘇丹紅一號(hào)濃度的預(yù)測(cè)結(jié)果

實(shí)驗(yàn)結(jié)果表明，以SPA提取得到的45個(gè)特征波長對(duì)應(yīng)的為自變量，辣椒粉中蘇丹紅一號(hào)濃度值為因變量，所建立的MLR模型用于辣椒粉中蘇丹紅一號(hào)濃度的無損檢測(cè)是非常成功的?；谶@45個(gè)特征波長可以發(fā)展一套多光譜系統(tǒng)用于在線檢測(cè)辣椒粉中蘇丹紅一號(hào)濃度，為食品安全檢測(cè)提供理論基礎(chǔ)。

3 結(jié) 論

研究嘗試應(yīng)用高光譜成像無損檢測(cè)技術(shù)實(shí)現(xiàn)辣椒粉中蘇丹紅一號(hào)濃度的無損檢測(cè)，相比目前國內(nèi)外已經(jīng)提出的檢測(cè)蘇丹紅一號(hào)濃度的方法，此研究不需要從辣椒粉中提取和凈化出蘇丹紅一號(hào)，而是直接對(duì)含有蘇丹紅一號(hào)的辣椒粉樣品進(jìn)行高光譜圖像采集，通過建模實(shí)現(xiàn)快速準(zhǔn)確無損檢測(cè)。本研究最終得到以SPA提取的45個(gè)特征波長對(duì)應(yīng)的為自變量，辣椒粉中蘇丹紅一號(hào)濃度值為因變量，用MLR方法建立的辣椒粉中蘇丹紅一號(hào)濃度無損定量檢測(cè)模型較優(yōu)，其中校正集的模型參數(shù)c=0.998，RMSC=0.737 3mg/ml，預(yù)測(cè)集的模型參數(shù)p=0.987，RMSP=1.921 3mg/ml。研究表明，應(yīng)用高光譜成像無損檢測(cè)技術(shù)可以實(shí)現(xiàn)辣椒粉中蘇丹紅一號(hào)的無損檢測(cè)，所提取的特征波長可以發(fā)展一套多光譜系統(tǒng)用于在線檢測(cè)辣椒粉中蘇丹紅一號(hào)的濃度，未來也可以發(fā)展更多種在線檢測(cè)食品安全的多光譜系統(tǒng)。

[1] 馬鳳蘭，蔣啟東. 辣椒粉營養(yǎng)分析 [J]. 吉林蔬菜，2010，3(3)：15.

MA Fenglan，JIANG Qidong. The nutrition analysis of chili powders [J]. Jilin Vegetable，2010，3(3)：15.

[2] 黃露. 超聲波萃取辣椒粉中蘇丹紅類染色劑的工藝研究 [J]. 閩江學(xué)院學(xué)報(bào)，2013，34(2)：105-107.

HUANG Lu. Study on the ultrasonic extraction of Sudan dyes from chili powders [J]. Journal of Minjiang University，2013，34(2)：105-107.

[3] 張苗. 蘇丹紅危險(xiǎn)性評(píng)估報(bào)告亮相 [J]. 中國社會(huì)保障，2005(05)：46.

ZHANG Miao. The risk assessment report of Sudan red [J]. China Social Security，2005(05)：46.

[4] STIBOROV M. Expression of cytochrome P450 1A1 and its contribution to oxidation of a potential human carcinogen 1-phenylazo-2-naphthol (Sudan I) in human livers [J]. Cancer Letters(S0304-3835)，2005，220(2)：145–154.

[5] 季宇彬，汲晨鋒，高世勇，等. 蘇丹紅Ⅰ、Ⅲ和Ⅳ對(duì)HepG-2細(xì)胞和SGC-7901細(xì)胞增值的影響 [J]. 環(huán)境科學(xué)，2006，27(6)：1201-1207.

JI Yubin，JI Chenfeng，GAO Shiyong，Effect of Sudan I、Ⅲ and Ⅳ on proliferation of HepG-2 and SGC-7901 [J]. Environmental Science，2006，27(6)：1201-1207.

[6] 王洋，彭琨，王勝. 食品中蘇丹紅一號(hào)的檢測(cè)方法 [J]. 糧油食品科技，2005，13(4)：43-44.

WANG Yang，PENG Kun，WANG Sheng. The detection methods of Sudan red in food [J]. Oils and Foods，2005，13(4)：43-44.

[7] LEE W H，KIM M S，LEE H，Hyperspectral near-infrared imaging for the detection of physical damages of pear [J]. Journal of Food Engineering(S0260-8774)，2014，130(3)：1–7.

[8] 杜一平，黃子夏，方娟娟，等. 辣椒粉中蘇丹紅的近紅外光譜鑒別和含量測(cè)定方法研究 [C]// 全國第二屆近紅外光譜學(xué)術(shù)會(huì)，長沙，中國，11月1日，2008.

DU Yiping，HUANG Zixia，F(xiàn)ANG Juanjuan，. Determination and Discrimination of Sudan red in Paprika by Near-infrared Spectroscopy [C]//The Second National Near Infrared Spectrum Academic Conference，Changsha，China，Nov 1，2008.

[9] Haughey S A，Galvin-King P，Ho Y C，The feasibility of using near infrared and Raman spectroscopic techniques to detect fraudulent adulteration of chili powders with Sudan dye [J]. Food Control(S0956-7135)，2015，48：75–83.

[10] ROGGO Y，EDMOND A，CHALUS P，Infrared hyperspectral imaging for qualitative analysis of pharmaceutical solid forms [J]. Analytica Chimica Acta(S0003-2670)，2005，535：79–87.

[11] 馮海亮，潘競文，黃鴻. 一種改進(jìn)的鄰域保持嵌入高光譜影像分類方法 [J]. 光電工程，2014，41(9)：45-50.

FENG Hailiang，PAN Jingwen，HUANG Hong. An Improved Neighborhood Preserving Embedding Method Used in Hyperspectral Image Classification [J]. Opto-Electronic Engineering，2014，41(9)：45-50.

[12] 李吉明，賈森，彭艷斌. 基于光譜特征和紋理特征協(xié)同學(xué)習(xí)的高光譜圖像數(shù)據(jù)分類 [J]. 光電工程，2012，39(11)：88-94.

LI Jiming，JIA Sen，PENG Yanbing. Hyperspectral Data Classification with Spectral and Texture Features by Co—training Algorithm [J]. Opto-Electronic Engineering，2012，39(11)：88-94.

[13] 李偉星，趙興祥，劉剛，等. 辣椒的傅里葉變換紅外光譜研究 [J]. 中國激光，2014，41(s1)：s115001.

LI Weixing，ZHAO Xingxiang，LIU Gang，. Study of capsicum frutescens L. by fourier transform infrared spectroscopy [J]. Chinese Journal of Lasers，2014，41(s1)：s115001.

[14] 陳全勝，趙杰文，蔡健榮，等. 利用高光譜圖像技術(shù)評(píng)判茶葉的質(zhì)量等級(jí) [J]. 光學(xué)學(xué)報(bào)，2008，28(4)：669-674.

CHEN Quansheng，ZHAO Jiewen，CAI Jianrong，Estimation of tea quality level using hyperspectral imaging technology [J]. Acta Optica Sinaca，2008，28(4)：669-674.

[15] 何俊，尚麗平，鄧琥，等. 250 nm激光誘導(dǎo)土壤中多環(huán)芳烴的熒光檢測(cè)系統(tǒng) [J]. 光電工程，2014，41(9)：51-55.

HE Jun，SHANG Liping，DENG Hu，. Detection System of 250 am Laser Induce Fluorescence of Polycyclic Aromatic Hydrocarbons in Soil [J]. Opto-Electronic Engineering，2014，41(9)：51-55.

[16] 薛龍，黎靜，劉木華. 基于高光譜圖像技術(shù)的水果表面農(nóng)藥殘留檢測(cè)試驗(yàn)研究 [J]. 光學(xué)學(xué)報(bào)，2008，28(12)：2277-2280.

XUE Long，LI Jing，LIU Muhua. Detecting pesticide residue on navel orange surface by using hyperspectral imaging [J]. Acta Optica Sinaca，2008，28(12)：2277-2280.

[17] 陳全勝，張燕華，萬新民，等. 基于高光譜成像技術(shù)的豬肉嫩度檢測(cè)研究 [J]. 光學(xué)學(xué)報(bào)，2010，30(9)：2602-2607.

CHEN Quansheng，ZHANG Yanhua，WAN Xinmin，. Study on detection of pork tenderness using hyperspectral imaging technique [J]. Acta Optica Sinaca，2010，30(9)：2602-2607.

[18] 李鋒霞，馬本學(xué)，何青海，等. 哈密瓜堅(jiān)實(shí)度的高光譜無損檢測(cè)技術(shù) [J]. 光子學(xué)報(bào)，2013，42(5)：592-595.

LI Fengxia，MA Benxue，HE Qinghai，. Non-destructive detection of firmness of hami melon by hyperspectral imaging technique [J]. Acta Photonica Sinica，2013，42(5)：592-595.

[19] WU D，NIE P，CUELLO J，. Application of visible and near infrared spectroscopy for rapid and non-invasive quantification of common adulterants in Spirulina powder [J]. Journal of Food Engineering(S0260-8774)，2011，102(3)：278-286.

[20] ARA JO M C U，SALDANHA T C B，GALV O R K H，The successive projections algorithm for variable selection in spectroscopic multicomponent analysis [J]. Chemometrics and Intelligent Laboratory Systems(S0169-7439)，2001，57(2)：65-73.

[21] Polder G，Young I T. Calibration and characterisation of imaging spectrographs [J]. Journal of Near Infrared Spectroscopy (S0967-0335)，2003，11(3)：193-210.

[22] Sarkar A，Karki V，Aggarwal S K，. Evaluation of the prediction precision capability of partial least squares regression approach for analysis of high alloy steel by laser induced breakdown spectroscopy [J]. Spectrochimica Acta Part B Atomic Spectroscopy(S0584-8547)，2015，108：8–14.

[23] 王慧文，孟潔. 多元線性回歸的預(yù)測(cè)建模方法 [J]. 北京航空航天大學(xué)學(xué)報(bào)，2007，33(4)：500-504.

WANG Huiwen，MENG Jie. Predictive modeling on multivariate linear regression [J]. Journal of Beijing University of Aeronautics and Astronautics，2007，33(4)：500-504.

[24] 舒曉慧，劉建平. 利用主成分回歸法處理多重共線性的若干問題 [J]. 統(tǒng)計(jì)與決策，2004(10)：25-26.

SHU Xiaohui，LIU Jianping. Some Problems of Multicollinearity Based on Principal Component Regression Method [J]. Statistics and Decision，2004(10)：25-26.

[25] 褚小立，袁洪福，陸婉珍. 紫外-可見光譜-偏最小二乘法測(cè)定渣油四組分含量 [J]. 分析化學(xué)，2000，28(12)：1457-1461.

CHU Xiaoli，YUAN Hongfu，LU Wanzhen. Determining four component contents in residues by partial least squares-ultraviolet-visible spectrophotometry [J]. Chinese Journal of Analytical Chemistry，2000，28(12)：1457-1461.

[26] 褚小立. 化學(xué)計(jì)量學(xué)方法與分子光譜分析技術(shù) [M]. 北京：化學(xué)工業(yè)出版社，2011：259-268.

CHU Xiaoli. Molecular Spectroscopy Analytical Technology Combined with Chemometrics and its Applications [M]. Beijing：Chemical Industry Press，2011：259-268.

Non-destructive Detection of the Concentration of Sudan Red in Chili Powders Based on Hyper-spectral

ZHOU Yao，LI Baicheng，ZHAO Mantong，WANG Qi，ZHANG Dawei

( a. Ministry of Education Optical Instrument and Systems Engineering Center；b. Shanghai Key Laboratory of Modern Optical System, University of Shanghai for Science and Technology, Shanghai 200093, China )

To detect the concentration of Sudan red No. 1 () in chili powders non-destructively, the hyper-spectral imaging technique was used to extract 120 chili powder images that had different, including 60 for calibration set and rest for prediction set. Successive Projections Algorithm (SPA) was used to extract 45 effective wavelengths from large amount of spectra data in calibration set. Partial Least Squares Regression (PLSR), Multiple Linear Regression (MLR) and Principal Component Regression (PCR) were applied to set prediction models. As a result, better model to detect thein chili powders was based on MLR. The Correlation Coefficient Calibration (c) and Root Mean Square Error of Calibration (RMSC) were 0.998 and 0.737 3mg/ml. The Correlation Coefficient Prediction (p) and Root Mean Square Error of Prediction (RMSP) was 0.987 and 1.921 3mg/ml. This demonstrates that the method can be successfully used for detecting thein chili powders non-destructively.

hyper-spectral imaging technique; non-destructive detection; chili powders; concentration of Sudan red No. 1

TS201.6

A

10.3969/j.issn.1003-501X.2016.05.005

2015-08-11；

2015-11-30

國家自然科學(xué)基金(61378060, 61205156)；國家重大科學(xué)儀器設(shè)備開發(fā)專項(xiàng)(2012YQ170004)；上海市教育委員會(huì)科研創(chuàng)新項(xiàng)目(14YZ095)

周瑤(1991-)，女(漢族)，湖南邵陽人。碩士研究生，主要研究工作是高光譜成像檢測(cè)技術(shù)。E-mail: zhouyao421@163.com。

李柏承(1986-)，男(漢族)，吉林白山人。講師，博士，從事高光譜檢測(cè)和光學(xué)精密元器件加工的研究。E-mail：usstlbc@163.com。