光譜分析技術在水果品質(zhì)與安全檢測中的應用*

沈 宇，王風云，鄭紀業(yè)※，房 勝，李 哲，張 琛

（1.山東省農(nóng)業(yè)科學院科技信息研究所，濟南 250100；2.山東科技大學計算機科學與工程學院，青島 266000）

關鍵字：光譜分析；可見光/近紅外光譜；拉曼光譜；水果；品質(zhì)檢測；安全檢測

0 引言

我國水果產(chǎn)量位居世界首位，但出口量占國內(nèi)水果總產(chǎn)量的比例遠低于發(fā)達國家，其主要原因在于水果的種植技術、采摘、運輸手段以及分級包裝方式低下，成品水果質(zhì)量安全不達標且浪費嚴重。從人們的消費觀念和目前國際貿(mào)易市場的發(fā)展來看，水果質(zhì)量和安全是市場準入和人們消費的關鍵，一旦水果的質(zhì)量與安全出現(xiàn)問題，水果的銷量和市場競爭力就會大幅度降低。因此，提高水果的種植技術，實施水果采摘后和銷售前的品質(zhì)與安全檢測，進行不合格水果的快速加工處理，對擴大出口和增強市場競爭力具有十分重要的意義。國內(nèi)早期的水果品質(zhì)檢測方法主要是人工檢測和化學試劑檢測，人工檢測僅局限于水果外觀，且檢測標準不明確，會受個人主觀因素的影響，檢測效率低，不能滿足水果生產(chǎn)的商品化需求；化學試劑檢測是一種過程繁瑣的破壞性檢測方式，可靠性和穩(wěn)定性較差。鑒于以上原因，具有準確度高、實時性強、快速便捷特點的無損檢測技術越來越受關注。目前，常見的無損檢測技術主要包括光譜分析技術、光譜成像技術、計算機視覺技術、介電特性檢測技術、聲學特性及超聲波檢測技術、生物傳感器技術、核磁共振技術、電子鼻和電子舌技術等，這些技術針對不同的檢測對象和指標具有不同的優(yōu)勢［1］。其中光譜分析技術憑借其高效、安全、成本低及可同時測量多個組分的特點，已經(jīng)發(fā)展為當今的研究熱點［2］。為了深入了解光譜分析技術在我國水果品質(zhì)與安全檢測中的研究進展，本文主要以可見光/近紅外和拉曼光譜分析技術為主，總結其在我國水果品質(zhì)與安全檢測等方面近些年的研究成果，指出其存在的問題，并展望未來發(fā)展方向。

1 檢測原理

光譜分析技術是根據(jù)物質(zhì)的光學特性，鑒別物質(zhì)及確定其化學成分的技術。目前在水果品質(zhì)與安全檢測中最常用的光譜分析技術是可見光/近紅外光譜和拉曼光譜分析。

近紅外光譜分析法主要分析光照射下物質(zhì)的吸收光譜。近紅外光是一種位于可見光和中紅外之間的電磁波譜，是人們在吸光光譜中發(fā)現(xiàn)的第一個非可見光，其波長范圍為780～2 526 nm。近紅外光譜主要來源于分子中含氫基團（C—H、N—H、O—H）振動的倍頻和合頻吸收，其中包含了大多類型有機化合物的組成和分子結構信息，因此，為利用近紅外光譜分析技術進行樣品的定性和定量分析提供了可能。近紅外光譜儀的光譜響應范圍很大程度上取決于檢測器，當檢測器的響應范圍包括可見光波段時，又稱之為可見/近紅外光譜分析［1］。當光照射樣品時，可見光/近紅外光線會根據(jù)樣品氫基團振動頻率的不同被選擇性吸收，形成樣品的可見光/近紅外光譜，據(jù)此可以進行樣品的定性和定量分析。定性分析的主要目的是確定物質(zhì)的組成和分子結構，定量分析則是確定物質(zhì)某些組成成分的含量。由于可見光/近紅外光譜分析是一種間接分析技術，在進行樣品分析時，需要在樣品的光譜信息和待測屬性值之間建立一種關聯(lián)模型。在水果質(zhì)量與安全檢測中常用的建立關聯(lián)模型的方法包括：偏最小二乘回歸分析法、支持向量機、遺傳算法等。

拉曼光譜分析技術是一種散射光譜分析技術，其主要包括激光拉曼光譜技術、傅里葉變換拉曼光譜技術、顯微拉曼光譜技術、共振拉曼光譜技術和表面增強拉曼光譜技術。拉曼光譜的波段范圍為40～4 000 cm-1，拉曼光譜和近紅外光譜都是由化合物分子受光照射后發(fā)生振動產(chǎn)生的。與近紅外光譜不同的是，拉曼光譜是一種非彈性散射光譜，是分子極化率改變的結果。當光照射樣品時，入射光光子與分子相互作用發(fā)生彈性散射和非彈性散射，彈性散射的散射光與激發(fā)光頻率相等，非彈性散射的散射光頻率高于或低于激發(fā)光的頻率，統(tǒng)稱為拉曼效應。拉曼效應由印度科學家C.V.拉曼發(fā)現(xiàn)［2］。拉曼光譜分析就是在拉曼效應的基礎上，對與激發(fā)光頻率不同的散射光譜即拉曼光譜進行分析，拉曼光譜攜帶了物質(zhì)的分子和結構信息，其中拉曼峰的位移反映了物質(zhì)的組成和分子結構，拉曼峰的強度反映了物質(zhì)的濃度和總量。因此，拉曼光譜的峰位和峰強為利用拉曼光譜樣品進行定性和定量檢測提供了依據(jù)。

2 光譜分析在水果品質(zhì)與安全檢測中的應用

2.1 品質(zhì)檢測

近年來，光譜分析技術在我國水果品質(zhì)檢測方面得到了廣泛應用，出現(xiàn)了大量研究成果，主要涉及不同的水果種類和檢測指標、不同的光譜數(shù)據(jù)獲取和處理方式，及不同的結果精度［3］。

可見光/近紅外光譜分析技術主要檢測的水果內(nèi)部品質(zhì)，包括糖、酸、可溶性固形物和維生素C含量及堅實度、內(nèi)部霉變等。水果糖、酸含量不僅是評價水果食用品質(zhì)的重要指標，同時也是檢驗水果成熟度的重要指標。彭嘉虎［4］利用近紅外漫反射技術結合小波變換預處理方法對鮮棗糖、酸度進行檢測，結果表明，采用徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡建立的糖、酸分析模型預測精度要高于BP（Back Propagation，BP）神經(jīng)網(wǎng)絡、偏最小二乘法（Partial Least Squares，PLS）的檢測精度，其預測鮮棗糖度與酸度的相關系數(shù)r分別為0.994 1，0.981 5；均方根誤差RMSEP分別為1.620 5、0.253 3。原帥等［5］運用可見光/近紅外光譜分析技術，結合小波去噪法和主成分回歸分析法（Principle Component Regression，PCR）檢測櫻桃含糖量，結果表明該方法具有可行性。許峰等［6］利用可見光/近紅外透射光譜技術在波長400～1 000 nm范圍內(nèi)，結合Savitzky-Golay卷積平滑法、蒙特卡羅交叉驗證法（Monte Carlo Cross Validation，MCCV）和競爭自適應重加權采樣法（Competitive Adaptive Reweighted Sampling，CARS）實現(xiàn)紅提糖、酸度檢測，結果表明該方法消除了模型的過擬合現(xiàn)象，提高了預測結果精度。

水果可溶性固形物包括可溶性酸和單糖、雙糖、多糖等可溶性糖類，是影響水果品質(zhì)的重要理化性指標。代芬等［7］首先比較了可見光/近紅外漫反射和漫透射光譜采集系統(tǒng)對荔枝可溶性固形物含量（Soluble Solids Content，SSC）檢測的適用性，由于荔枝具有較硬而且凹凸不平的果殼，采用可見光/近紅外漫透射方法，光線能很好地進入到果肉的內(nèi)部，充分攜帶果肉的信息；然后利用漫透射方式獲取光譜數(shù)據(jù)，基于連續(xù)投影算法（Successive Projections Algorithm，SPA）結合相關系數(shù)法提取特征波長，建立檢測荔枝SSC的神經(jīng)網(wǎng)絡模型，結果表明基于可見光/近紅外光譜進行荔枝SSC預測具有可行性。許文麗等［8］采用可見光/近紅外光譜聯(lián)合CARS和SPA對蘋果的SSC進行快速無損在線檢測研究，結果顯示在線可見光/近紅外光譜變量篩選能降低建模變量的數(shù)目，提高模型的穩(wěn)定性。陳辰等［9］利用可見光/近紅外漫反射光譜技術在408～1 092.8 nm波段范圍內(nèi)，結合二階導數(shù)和去散射方法建立葡萄貯藏期間的SSC預測模型，其交叉驗證均方根誤差RMSECV為0.308 7，交叉驗證決定系數(shù)R2cv為 0.980 2。陳帥帥等［10］應用可見光 /近紅外光譜，研究不同建模和光譜預處理方法對寒富蘋果SSC無損檢測模型準確性的影響，結果表明，在780～1 100 nm范圍內(nèi)，采用改進偏最小二乘法（MPLS），間隔點為2，平滑點為2，結合去散射處理和一階求導處理所建立的寒富蘋果SSC定標模型最好，其定標模型的RMSECV為0.306，R2cv為0.961；RMSEP、預測決定系數(shù)R2p、預測相對分析誤差RPD分別為0.357、0.944、4.967?？v觀已有的水果SSC檢測研究，大多是通過采用不同數(shù)據(jù)處理方法來提高模型精度和穩(wěn)定性，而忽略了對影響因素的分析。2018年，孫通等［11］利用可見光/近紅外光譜技術分析了果皮對臍橙內(nèi)部SSC檢測精度的影響，結果表明在5%的置信水平下，果皮對SSC檢測精度的影響是顯著的，但并未實現(xiàn)去除果皮影響，提高完整臍橙的SSC檢測精度。

維生素C不僅是人體必需的營養(yǎng)素，也是衡量水果品質(zhì)的指標之一。傅霞萍等［12］利用高效液相色譜技術和可見光/近紅外光譜分析技術結合不同預處理方法，建立了獼猴桃在不同傳輸速度下的維生素C含量分析模型，結果表明利用可見光/近紅外光譜分析技術檢測獼猴桃維生素C含量是可行的。羅楓等［13］利用近紅外光譜分析技術，對櫻桃冷藏過程中的維生素C含量進行檢測，結果表明利用MPLS結合標準正?；幚斫⒌哪Ｐ途哂休^好的預測效果、適應能力和穩(wěn)定性。陳辰等［14］利用可見光/近紅外漫反射技術，結合MPLS方法，建立了紅提葡萄維生素C含量檢測模型，該模型的預測相對分析誤差為3.64，模型的穩(wěn)定性較高。宋雪健等［15］利用近紅外光譜技術對鮮切哈密瓜的維生素C含量和SSC含量進行快速檢測研究，建立預測模型，結果表明應用近紅外光譜檢測冷藏過程中櫻桃維生素C含量是可實現(xiàn)的，并能對其進行定量分析，對櫻桃內(nèi)部品質(zhì)進行評價。

堅實度是水果質(zhì)量判別的又一依據(jù)。2010年，陳明林等［16］利用近紅外光譜分析技術和化學計量學分析方法，對蘋果果肉堅實度進行定量檢測研究。結果表明，基于原始光譜建立的PLS模型對蘋果堅實度的預測效果較好，預測集r和RMSEP分別為0.613，3.12，校正集r和RMSEC分別為0.782，1.98。通常水果硬度的檢測方式是采用果肉硬度，而王丹等［17］則采用果皮脆性、果皮強度和果肉平均硬度等指標代表果實硬度的變化。實驗結果表明，利用可見光/近紅外反射光譜無損檢測甜柿果實硬度具有可行性，其中果皮脆性的模型最優(yōu)。2014年，張德虎等［18］對利用可見光/近紅外光譜檢測河套密瓜糖度和硬度的可行性進行了研究。2018年，王轉衛(wèi)等［19］利用近紅外漫反射技術結合化學計量學方法建立預測可溶性固形物含量、硬度、pH值和含水率的最小二乘支持向量機（LSSVM）和極限學習機（ELM）模型，并分析了PCA、SPA和無信息變量消除法等3種降維方法對模型預測性能的影響。結果表明，模型SPA-ELM預測SSC、pH值的效果最優(yōu)，其RMSEP分別為0.443 5和0.68；模型PCA-ELM預測硬度、含水率的效果最優(yōu)，其 RMSEP 分別為 0.261 2 和 0.623 5。

內(nèi)部霉變不僅影響水果的口感，而且會加速水果的腐爛，因此，研究水果內(nèi)部霉變快速檢測技術尤為重要。李順峰等［20］利用近紅外漫反射技術結合PCA建立Fisher判別模型，建模集與驗證集判別正確率分別為89.9%和87.8%，初步證明了利用近紅外漫反射光譜技術判別蘋果霉心病的可行性。為了提高蘋果霉心病判別模型的精度，雷雨等［21］從數(shù)據(jù)獲取和處理方法上進行深入分析，利用可見光/近紅外透射能量光譜技術結合支持向量機和PCA算法對蘋果霉心病果和健康果進行快速無損識別，測試集與訓練集中霉心病果和健康果的識別正確率分別為99.3%和96.7%，同時由于霉心病早期發(fā)生在果心及其附近，通過近表面光譜漫反射的檢測方式難以反映果心及深層果肉的特征信息，得出透射光譜更適合蘋果霉心病的檢測。蘇東等［22］提出了一種基于透射光譜的蘋果霉心病多因子無損檢測方法，通過融合多波段透射光譜與蘋果直徑，構建蘋果霉心病Fisher判別模型。模型的總體識別率為93.1%，而僅采用透射光譜建立的模型識別率為91.37%。結果表明，基于透射光譜與直徑結合的多因子檢測方法檢測蘋果霉心病是可行的。周兆永等［23］基于透射光譜技術，建立基于遺傳算法優(yōu)化支持向量機（GA-SVM）的有無霉心病判別模型和基于深度置信網(wǎng)絡（DBN）的蘋果霉心病病害程度判別模型，對蘋果霉心病無損檢測系統(tǒng)進行設計，該系統(tǒng)判別霉心病有無和病害程度的正確率分別為96.67%和87.5%。張海輝等［24］結合蘋果霉心病在果心發(fā)病的特征，采用透射光譜檢測方式，設計實現(xiàn)基于窄帶LED光源與光敏二極管的蘋果霉心病無損檢測設備，設備判別率達95.83%。

水果品質(zhì)除了包括糖、酸、可溶性固形物等內(nèi)部品質(zhì)外，還包括表面的損傷和缺陷等。李光輝等［25］利用傅里葉近紅外光譜分析技術對蘋果的種類和損傷進行快速、無損檢測研究，結果表明基于PLS建立的預測模型效果最好，同時近紅外光譜技術結合化學計量學可以實現(xiàn)快速鑒別蘋果是否有損傷以及不同品種的蘋果。郭文川等［26］利用近紅外漫反射光譜對獼猴桃進行損傷識別研究，得出基于SPA結合LSSVM模型的識別性能最佳，對預測集碰撞損傷樣品、擠壓損傷樣品與無損樣品的正確識別率分別達到100%、95%和100%，總正確識別率為98.2%。劉燕德等［27］采用可見光/近紅外漫透射光譜技術，實現(xiàn)了黃桃表面缺陷與可溶性固形物同時在線檢測。李軼凡等［28］采用可見光/近紅外光譜技術和偏最小二乘判別分析（PLS-DA）方法檢測大黃桃表面缺陷，結果表明該方法具有較高的識別準確率。

拉曼光譜分析技術雖然也可以用于水果品質(zhì)檢測，但可檢測的指標很少。陳思雨等［29］應用拉曼光譜結合化學計量學方法對蘋果早期輕微損傷進行了快速識別研究，結果表明，該方法可快速識別蘋果的早期輕微損傷，展示了拉曼光譜技術用于判別蘋果早期輕微損傷的應用前景。

2.2 安全檢測表面農(nóng)藥殘留是水果安全檢測的首要指標

我國在利用可見光/近紅外光譜技術分析水果農(nóng)藥殘留領域尚處于起步階段，研究成果較少。黎靜等［30］采用可見光/近紅外漫反射光譜技術檢測臍橙表面的農(nóng)藥污染程度?；诓煌墓庾V數(shù)據(jù)預處理方式，在不同光譜波段下建立識別臍橙污染程度的PLS數(shù)學模型。對比分析結果得出：在波段430～1 000 nm內(nèi)，采用一階微分預處理方法建立的PLS校正模型結果最優(yōu)，其預測值和真實值之間的相關系數(shù)和預測均方根誤差分別為0.983 0和0.148 2。研究表明，可見/近紅外漫反射光譜技術可以定性檢測臍橙的農(nóng)藥污染程度。陳菁菁等［31］分別采用PLS和最佳波段差值回歸法結合不同的光譜預處理方法建立農(nóng)藥質(zhì)量比的預測模型，預測相關系數(shù)分別為0.954和0.904，初步實現(xiàn)了微量有機磷農(nóng)藥的定量檢測。蔣霞等［32］利用近紅外光譜技術，結合PLS和SPA方法檢測鮮棗表面不同濃度毒死蜱農(nóng)藥的殘留量，結果表明該方法檢測鮮冬棗表面農(nóng)藥殘留量是可行的。

在農(nóng)藥殘留檢測中常用的拉曼光譜技術有傅里葉變換拉曼光譜技術和表面增強拉曼光譜技術等。傅里葉變換拉曼光譜技術以近紅外激光為光源，采用傅里葉變化技術進行收集信號，熒光抑制能力強；表面增強拉曼光譜技術具有增強分析試樣拉曼效應的能力，能夠滿足痕量分析的需求，因此拉曼光譜分析技術在水果農(nóng)藥殘留量檢測方面得到了廣泛應用。王曉林等［33］采用表面增強拉曼光譜技術，結合快速溶劑前處理方法和化學計量方法，建立快速檢測臍橙果肉中的三唑磷農(nóng)藥殘留的模型。模型預測集RMSEP為1.38，r為0.9767，RPD為4.66。萬常斕等［34］利用常規(guī)拉曼光譜技術和表面增強拉曼光譜技術，檢測臍橙表面農(nóng)藥殘留，結果表明，利用拉曼光譜技術結合化學計量方法可以定量檢測殘留在水果表皮的農(nóng)藥常規(guī)濃度殘留含量，同時利用表面增強技術，可以對農(nóng)藥微量溶液進行快速檢測。該研究只分析了單一類型農(nóng)藥的殘留，且種類少，而實際的水果殘留是多種農(nóng)藥的混合。王海陽等［35］利用表面增強拉曼光譜技術結合二階導數(shù)微分預處理和PLS算法實現(xiàn)了臍橙表面殘留混合農(nóng)藥的定性定量分析。劉燕德等［36］利用表面增強拉曼光譜技術，結合化學計量方法對臍橙表面的混合農(nóng)藥進行定量分析，結果顯示，光譜數(shù)據(jù)經(jīng)一階導數(shù)處理后，在拉曼光譜全波段200～2 300 cm-1和特征波段200～620 cm-1，830～1 040 cm-1及 1250～2 300 cm-1建立的 PLS 模型預測效果較好，模型的預測集 r分別為0.912、0.909，RMSEP分別為3.601和3.338。表明使用拉曼光譜技術可以對臍橙表皮上殘留的混合農(nóng)藥進行定量分析。以上研究均是基于水果表面農(nóng)藥的殘留進行分析和檢測的，而忽略了其內(nèi)部農(nóng)藥殘留情況。陳文等［37］利用表面增強拉曼光譜技術、PCA和PLS方法實現(xiàn)了對西瓜內(nèi)部殺螟硫磷農(nóng)藥殘留量的定性定量檢測。

3 存在的問題與發(fā)展方向

3.1 存在的問題

在水果品質(zhì)和質(zhì)量安全檢測領域，相比以往的應用方式，可見光/近紅外和拉曼光譜分析技術雖然具有快速、無損的特點，但也存在一些問題。

（1）利用可見光/近紅外和拉曼光譜檢測水果質(zhì)量安全的研究大多集中于靜態(tài)的實驗室分析，對于動態(tài)的工業(yè)應用實用性較差。

（2）大多研究僅通過改進數(shù)據(jù)處理方法來提高模型的預測精度，少有研究從檢測指標的實際影響因素上進行深入分析。

（3）利用可見光/近紅外和拉曼光譜技術檢測水果品質(zhì)的模型，能夠同時檢測的指標較少，模型的通用性較差。

3.2 發(fā)展方向

通過綜合分析，本文對可見光/近紅外光譜和拉曼光譜在水果質(zhì)量與安全檢測應用方面的未來發(fā)展方向展望如下。

（1）開發(fā)利用可見光/近紅外和拉曼光譜技術能夠同時檢測水果多指標的、通用性強的在線平臺，摒棄多模型單指標和靜態(tài)實驗室研究的局限。

（2）利用拉曼光譜進行水果質(zhì)量與安全檢測時，可考慮結合多種關聯(lián)模型建立的方法，優(yōu)化檢測模型，提高檢測精度。

（3）隨著可見光/近紅外和拉曼光譜技術的不斷發(fā)展，未來痕量檢測的研究前景也將更廣泛。

光譜分析技術除了包含本文所提及的最常用的兩種技術外，還包括熒光光譜分析技術、X射線光譜分析技術等。目前，熒光光譜分析技術、X射線光譜分析技術已經(jīng)初步應用到我國水果品質(zhì)和安全監(jiān)測領域。未來光譜分析無損檢測技術的發(fā)展，將進一步提高我國水果的品質(zhì)與安全，帶動我國水果智能分級產(chǎn)業(yè)的發(fā)展。