紅外光譜結合化學計量學在食品檢測中的應用

張 芳，周 昊，徐寸發(fā)，徐 蓉，徐為民

(江蘇省農業(yè)科學院中心實驗室，江蘇南京 210014)

食品是人類生命活動重要的能量來源，其主要成分是水、碳水化合物、蛋白質和脂肪，以及其他一些以低濃度存在的成分(如維生素、礦物質等)。而不同種類食品，或同種食品不同品種、不同產地，其品質、營養(yǎng)價值、價格也不同。近年來，食品安全事件頻繁發(fā)生，如以次充好、以假亂真、產品不過關等問題，不僅損害了消費者利益，甚至嚴重威脅人體健康，同時也影響了食品行業(yè)的有序發(fā)展，這使得食品檢測日益重要。一般的食品檢測方法主要有：液相色譜、液相色譜-質譜法、氣相色譜[1-4]等，雖然這些檢測手段都能滿足食品檢測定性定量的要求，應用也很廣泛，但是檢測樣品前處理繁瑣、檢測周期長、成本較高，限制了其應用，也制約了食品檢測速度，不利于食品檢測的發(fā)展。近年來，紅外光譜技術在食品檢測行業(yè)的引入，為這類問題的解決提供了新的思路和方法。

紅外光譜作為四大光譜之一，通過紅外特征光譜表征物質的分子結構，被廣泛應用于化工、醫(yī)藥、石油、高分子等領域[5-8]。紅外光譜技術應用于食品檢測雖然較晚，但由于其分析速度快、操作成本低，樣品前處理簡單，具有環(huán)保、高效的特點，推進了食品檢測行業(yè)的發(fā)展，顯示出很好的應用前景。但是，高含水量的樣品中含量低于0.1%的成分利用紅外光譜是很難檢出的，所以通常食品樣品的紅外光譜是以檢測主要成分(水、碳水化合物、蛋白質和脂肪)為主[1]；同時，食品的不均勻特性導致了光譜的復雜性，光譜中的微小差別不能被有效識別，因此直接單獨運用紅外光譜進行食品檢測也存在較大局限。隨著化學計量學的發(fā)展，化學計量學方法被引入紅外光譜數(shù)據(jù)處理領域，在數(shù)據(jù)分析方面發(fā)揮出獨特優(yōu)勢，化學計量學為化學測量提供理論和方法，為數(shù)據(jù)的解析、優(yōu)化提供了新途徑?；瘜W計量學應用于紅外光譜，主要表現(xiàn)在3個方面：一是光譜數(shù)據(jù)預處理；二是為紅外光譜技術的定性或定量方法，建立穩(wěn)定可靠的分析檢測模型；三是用于校正模型的傳遞，也叫紅外光譜儀器的標準化，實現(xiàn)校正模型的共享?；谂c化學計量學的結合，紅外光譜分析技術在食品定性和定量分析過程中具有無可比擬的優(yōu)勢，分析過程的投資及操作費用低，可同時進行定性定量分析，分析過程無損樣品、零試劑、零污染環(huán)境。目前的食品監(jiān)督管理中，紅外光譜結合化學計量學技術已是一種常規(guī)的檢測工具，在保證食品質量的一致性，提高食品生產過程的可控性和食品的均一性方面起到很大作用。

1 定性鑒別

分子中不同的特征基團的振動能級的能量差有區(qū)別，所以會吸收不同波段的電磁輻射，因而在光譜上表現(xiàn)出不同位置的吸收峰，相同特征基團的能級的能量差基本相同，吸收峰的位置相對固定，這是紅外光譜定性分析的依據(jù)。由于同類樣品具有相近的光譜吸收，在分析過程中，運用化學計量學方法將紅外光譜或壓縮的變量組成一個多維的變量空間，同類物質在該多維空間位于相近的位置。未知樣品的分析過程就是考察其光譜或壓縮的變量是否位于某類物質所在的空間。其主要的分析過程是：采集已知樣品的光譜；用一定的數(shù)學方法處理采集到的光譜，生成定性判據(jù)；用該定性判據(jù)判斷未知樣品屬于哪類物質所在的空間[9]。紅外光譜結合化學計量學在食品檢測定性方面的應用主要表現(xiàn)在：產地鑒別，品種鑒別，易混淆、真?zhèn)舞b別，品質分析研究等方面。

1.1產地鑒別不同地域來源的食品原料受氣候、環(huán)境、地質等因素的影響，其組織中化學成分、物質含量存在差異，其相應的光譜也存在細小差別。目前，紅外光譜技術應用于食品產地溯源方面，歐盟研究起步較早，我國在此方面的研究相對較晚，但近年來研究發(fā)展迅速。

在對羊肉產地進行分析時，張寧等[10]利用近紅外光譜結合簇類獨立軟模式(SIMCA)識別方法對4個產地羊肉分別建立類模型，基本實現(xiàn)了對4個產地羊肉的有效識別，對其他產地羊肉識別時，拒絕率達到100%。表明近紅外光譜結合SIMCA模式識別方法在羊肉產地溯源中具有可行性，為解決羊肉安全問題提供了一種新的思路。朱哲燕等[11]基于中紅外光譜分析技術結合化學計量學方法，對香菇的產地識別進行研究，對3 581～689 cm-1光譜和全譜分別建立多種不同模型進行分析，發(fā)現(xiàn)不同模型識別效果不同，基于相關向量機(RVM)能夠被更有效地應用于中紅外光譜識別香菇產地的研究。說明并不是任何一種化學計量學方法建立的模型都能達到預期的試驗目的，可建立多種模型進行比較，選擇最合適可靠的化學計量學方法。

在對數(shù)據(jù)進行建模分析前應用化學計量學方法對數(shù)據(jù)進行預處理，消除非目標因素對光譜數(shù)據(jù)的影響，可以達到更好的試驗效果。張文海等[12]在利用FTIR對7種糯米進行產地識別時，借助特征波長的有效選擇、Savitzky-Golay多項式平滑法、基線校正及SNV等方法對原始光譜進行預處理，然后結合基于主成分分析(PCA)的SIMCA模式識別方法對7種糯米分別建模，有效識別所考察的糯米，充分展示了FTIR結合SIMCA法識別糯米產地的可行性。李仲等[13]利用傅立葉變換紅外光譜，測定了來自青海省不同產地的枸杞樣品的紅外光譜。通過小波變換的方法壓縮光譜變量，結合BP神經網絡建立青海枸杞產地鑒別模型，該模型對柴達木盆地產地鑒別預測效果很好，還能鑒別偽劣枸杞或枸杞制成品，正確識別率達到100%，有較大的實用性，適合無損快速鑒別應用。

1.2品種鑒別稻米是黃酒發(fā)酵的主要原料，稻米品質特性的不同導致所釀造的黃酒特性也有一定差異。采集自制黃酒的紅外光譜圖，選取波數(shù)975～1 165和1 250～1 500 cm-1作為特征向量，建立以大米品種為分類標準的SIMCA識別模型，該模型對預測集樣本的識別率和拒絕率均達到了100%。表明大米品種對黃酒的最終品質有影響，而SIMCA模式識別能恰當?shù)胤从尺@種影響關系[14]。

管驍?shù)萚15]利用SIMCA類建模法原理建立光明乳粉、荷蘭乳粉、雀巢乳粉主成分回歸分類模型，模型對3種品牌乳粉的識別率分別為78%、75%、100%，拒絕率分別為100%、87%、88%，取得了較好的品牌分類的目的。何勇等[16]用主成分分析法對蘋果品種進行聚類分析并獲取蘋果的近紅外指紋圖譜，再結合人工神經網絡技術進行品種鑒別，建立一種快速鑒別蘋果品種的新方法，與之前一些品種鑒別相比，主成分結合人工神經網絡方法，用于品種鑒別得到的識別率得到很大提高，說明該方法是一種快速準確鑒別蘋果品種的方法。方慧等[17]運用不同的數(shù)據(jù)處理方式對轉基因大豆進行鑒別，效果良好。結合特征波數(shù)選擇和特征信息提取方法，對轉基因大豆及其親本進行品種鑒別研究。分別采用X-loading weights、VIP和2-Der提取特征波數(shù)，并采用PCA和ICA提取特征信息。分別基于全波段光譜、特征波數(shù)、特征信息建立PLS-DA模型，建模集和預測集均取得了較好的判別正確率。研究表明，中紅外光譜分析技術可以較為準確地鑒別非轉基因親本與轉基因品種，為轉基因大豆的無損鑒別提供新的思路。

1.3易混淆、真?zhèn)舞b別驢肉具有極高的食用價值，資源的缺乏使其價格持續(xù)走高，由此引發(fā)的欺騙和摻假亟待解決。牛曉穎等[18]選取了不同部位(脖子、肋板、后墩和腱子)的驢肉樣品及牛肉、豬肉和羊肉樣品建立了驢肉的近紅外光譜鑒別模型，利用不同化學計量學方法及不同的光譜預處理方法，對肉塊樣品及大中小3個不同粉碎粒徑肉糜樣品建立分類模型，結果發(fā)現(xiàn)，模型中的驢肉樣品均得到了100%的判別正確率，其中，馬氏距離判別和SIMCA方法較適合肉類樣品的分類，2種方法均具有判別精度高、算法簡單、運算速度快等有利于實時化、儀器化的特點。

食用油的真?zhèn)螌θ藗兩眢w健康有著非常直接的影響。但隨著社會的發(fā)展，提煉技術的進步，越來越多的不法商販看上了泔水、動物油脂以及內臟中提煉的食用油，試圖用這些偽食用油以次充好，從中獲取暴利。陳學海[19]通過構建FTIR-SIMCA分類識別模型的方式對真?zhèn)问秤糜瓦M行鑒別。根據(jù)研究結果來看，通過應用FTIR-SIMCA分類識別模型對訓練集和驗證集進行2次識別，結果均顯示拒絕率和識別率為100%，表明FTIR-SIMCA分類識別模型具有較高的可識別性。與傳統(tǒng)的核磁共振法、理化指標測定法和薄層層析法等相比，提高了食用油真?zhèn)蔚臋z出率，且檢測快速，操作簡單，無損樣品。楊志敏等[20]利用近紅外光譜結合化學計量學方法不僅成功鑒別原料肉和摻假肉，而且還識別出不同分類的摻假肉。他們首先利用近紅外結合主成分與Fisher 2類判別法，建立原料肉與摻假肉的判別函數(shù)用于判別原料類是否摻假，總的正確判別率達到90%。然后，利用近紅外結合主成分與MLP神經網絡建立原料肉和3種摻假肉的3層神經網絡識別模型，正確識別率達到94.2%。說明利用近紅外結合化學計量學方法對原料肉是否摻假及摻假種類進行鑒別是可行的。

1.4品質分析研究不同品質原料、不同加工方式加工出的食品，品質存在差別；食品在儲存過程中，其品質也會發(fā)生改變。趙賢德等[21]利用傅立葉變換紅外光譜技術研究紅葡萄酒特征光譜及其品質劣變的判別方法。選取葡萄酒劣變前后在光譜特征上具有一定差異的3個波段，通過PCA分析建模結合SIMCA分類判別方法成功識別出劣變和未劣變的葡萄酒，并證明在1 550～800 cm-1波段建模識別效果最好，識別率達到94%。這一研究為葡萄酒的變質判別提供了新的方法。由于試驗過程中選擇的是明顯變質的葡萄酒，得出了令人滿意的結果，但是對于葡萄酒輕微變質是否低于紅外檢測限而無法檢測，有待進一步深入系統(tǒng)研究。歐文娟等[22]首次利用可見-近紅外反射光譜快速檢測有機胡蘿卜、綠色胡蘿卜和無公害胡蘿卜，選擇最佳區(qū)間(650～700 nm)，3種分類模型包括主成分分析結合k均值聚類、主成分分析結合線性判別分析、反向傳播神經網絡，鑒別126個胡蘿卜樣本的準確率分別為93.65%、100%和98.41%。結果表明，可見-近紅外光譜結合化學計量學技術可以有效地驗證有機胡蘿卜、綠色胡蘿卜和無公害胡蘿卜，為質量檢驗機構提供了一個可行的檢測方法，從而促進包括有機食品、綠色食品、無公害食品等安全食品的發(fā)展。劉聰[23]利用紅外光譜結合化學計量學鑒別鮮棗的完整果和裂果。運用多層感知器人工神經網絡，根據(jù)一階微分處理后的鮮棗近紅外光譜數(shù)據(jù)，建立了鮮棗完好果和裂果的定性鑒別模型，獲得了較高的鑒別正確率，校正集和預測集的鑒別正確率均在100%，實現(xiàn)了利用近紅外光譜技術對鮮棗貯運過程中的完整程度的鑒別。Alamar等[24]探討了利用綠色、快速、高效的近紅外光譜分析方法來替代目前評價冷凍番石榴和黃色西番蓮果肉的質量(水分、總糖、酸度、可溶性固體、pH和抗壞血酸)的方法。用近紅外光譜(NIR)和50個已知樣品進行了分析，偏最小二乘回歸(PLSR)用于近紅外光譜和已知樣品校正模型建立，結果表明，有58%的番石榴果肉樣品和44%的黃色西番蓮果肉樣品加水摻假，PLS模型的均方根誤差校準值(RMSEC)、根均方預測誤差(RMSEP)較低，決定系數(shù)在0.7以上。水分和總糖的校準模型最好(番石榴果肉RMSEP分別為0.240和0.269；黃色西番蓮果肉RMSEP分別為0.401和0.413)，因此可通過水或糖的是否添加來測定西番蓮果和黃西番蓮果肉是否摻假。該研究結果表明，近紅外光譜技術結合多元校正技術可用于番石榴和黃色西番蓮果肉的質量評價。

2 定量檢測

紅外光譜同樣可用于定量分析，以郎伯-比爾( Lambert-Beer)定律為理論基礎，紅外光譜有許多可供選擇的特征波長，因此，氣體、液體及固體均可利用紅外光譜定量[25]。隨著科學技術的發(fā)展，紅外光譜技術的應用從中紅外、到近紅外、再到現(xiàn)在較為熱門的傅立葉紅外變換光譜(FTIR)，技術得到不斷的改進，應用領域得到不斷的擴充，尤其是FTIR，由于其可在復雜的背景分辨出待測物質，故在食品中低含量物質的檢測中具有極其重要的價值。

楊家寶等[26]采用中紅外光譜對小白菜葉片中的硝酸鹽含量進行快速表征。選取硝酸鹽的特征吸收區(qū)(1 200～1 500 cm-1)，干擾程度最少的衰減全反射光譜。采用衰減全反射光譜結合偏最小二乘法進一步改進硝態(tài)氮的預測模型，預測誤差顯著減少，相關系數(shù)(R2)為0.885 1，RPD值為3.19，預測模型達到很優(yōu)秀水平。Mauer等[27]把近紅外光譜和中紅外光譜用于嬰兒奶粉的三聚氰胺的定量檢測，使用PLS方法建模得到相關系數(shù)大于0.99，可以快速檢測出三聚氰胺含量最低值為1×10-6。吳迪等[28]采用近紅外及中紅外光譜技術檢測了不同品種奶粉的蛋白質含量，采用最小二乘支持向量機對光譜透射率值和蛋白質值建模。模型在全波段對樣本蛋白質含量預測得到了較好的結果。說明紅外光譜技術能夠實現(xiàn)奶粉蛋白質含量的無損檢測，且檢測過程比傳統(tǒng)化學檢測方法簡單、操作性強。同時還研究了分別基于中紅外光譜范圍和近紅外光譜范圍的建模。模型預測結果顯示，中紅外光譜區(qū)域的建模效果要優(yōu)于近紅外光譜區(qū)域。該研究為今后奶粉蛋白質含量快速無損檢測提供了新的方法。方娟娟等[29]使用偏最小二乘法建立近紅外光譜與組分濃度的多元校正模型，用于同時快速測定食醋的有效成分(總酸)和防腐劑(苯甲酸)含量，在可接受能力的誤差范圍內，該方法實現(xiàn)了同時快速檢測食醋的有效成分和防腐劑含量。Revelou等[30]用衰減全反射傅立葉變換紅外光譜(ATR FT-IR)和部分最小二乘法(PLS)算法對西蘭花中總異硫氰酸鹽含量進行了測定，在2 150～2 020 cm-1的光譜區(qū)域中，用于全異硫氰酸酯的定量分析，相關系數(shù)為0.999 92，校準(RMSEC)的根平均平方誤差為1.74，預測(RMSEP)的根平均誤差為2.17，所得結果與已建立的UV-Vis分光分度法相比較，這2種方法在再現(xiàn)性和準確性方面是等價的(F-test,t-test)。該方法比現(xiàn)有的方法更簡單快捷，是測定西蘭花中總異硫氰酸鹽含量的有效替代方法。

3 其他方面的研究

紅外光譜結合化學計量學在食品檢測中的應用除了定性定量外，在其他方面也有一定的應用。

采收成熟度是影響李果實貯藏質量的重要因素，適宜的采收成熟度對提高果實的耐貯性和貯藏后的商品價值至關重要[31]。為實現(xiàn)快速無損判別李果實的成熟度，牛曉穎等[32]根據(jù)開花后發(fā)育時間的不同，將李果實樣品分為早期、中期和晚期3個成熟度，結合化學計量學進行了近紅外分類模型的建立和優(yōu)化，對不同成熟度的李果實進行了分類。對比3種分類模型結果，馬氏距離判別法模型結果最優(yōu)。接著對可溶性固形物、可滴定酸及堅實度數(shù)據(jù)進行差異分析，從理化指標的角度驗證了不同成熟度李果實樣品的近紅外分類結果。研究表明，使用近紅外光譜分析技術結合化學計量學方法對李果實成熟度進行鑒別是有效的、可行的。

4 討論與展望

綜上所述，紅外光譜結合化學計量學是一種被廣泛用于食品檢測的現(xiàn)代分析技術，技術成熟、易用，零污染，檢測快速準確，無損樣品，且成本較低。然而，盡管這一技術在食品檢測中顯示出良好的應用效果，但仍然有一些問題需要進一步研究解決。主要表現(xiàn)在以下幾個方面：

(1)食品的化學組分復雜，影響檢測結果。食品是混合物，其原料受多種因素(氣候、環(huán)境、代謝類型、種植/養(yǎng)殖方式、加工工藝等)的影響，其組分各不相同且復雜，某些含量很低的組分，不在紅外檢測限范圍內，卻可能是區(qū)別不同品種、產地和品質好壞的關鍵組分，關鍵組分含量過低導致紅外光譜吸收弱，靈敏度低，影響檢測結果。這就需要研究人員通過廣泛而深入的研究，全面掌握所研究食品的光譜信息，將紅外光譜與其他技術結合起來進行食品檢測研究。

(2)取樣困難，建模難度大。建立模型需要大批來源豐富的代表性樣品，而食品在生長、加工過程中的變化因素很多，造成了最后的成品所含的成分各不相同，這樣就給建模樣品的選擇帶來了很大的困難，同時也限制了所建模型的普適性。針對這一問題，要求研究人員要選擇盡可能大量具有代表性和多樣性的建模樣品，從而使所建模型的適應性滿足應用需要。

(3)結果難以直接解釋。由于紅外光譜結合化學計量學這一技術是一種間接分析技術，需要依靠復雜的化學計量學方法對所得光譜數(shù)據(jù)進行提取分析，而提取分析后的數(shù)據(jù)物理意義并不明確，因此對其最終得出的結果很難直接作出解釋，需要使用精確的化學分析手段對樣本的化學組分進行深入研究，以求從中找出真正影響光譜差異的因素，從而更加科學地對鑒別結果作出解釋。

(4)研究系統(tǒng)性、深度欠缺。目前，大多數(shù)紅外光譜結合化學計量學在食品檢測中的研究只是進行可行性探索，研究的系統(tǒng)性、深入性還很不夠，而且檢測抽樣量比較少，還未在全球范圍內建立任何關于食品產地溯源、品質鑒定、真?zhèn)舞b別等的數(shù)據(jù)庫，因此還需進一步做大量的研究工作，將紅外技術結合化學計量學有效地應用于食品檢測中。

[1] ALIAKBARZADEH G,SERESHTI H,PARASTAR H.Fatty acids profiling of avocado seed and pulp using gas chromatography-mass spectrometry combined with multivariate chemometric techniques[J].Journal of the Iranian chemical society,2016,13(10):1905-1913.

[2] 馬悅,趙樂鳳,呂子燕,等.高效液相色譜-四極桿-靜電場軌道阱高分辨質譜分析桑葚中黃酮類和多酚類物質[J].質譜學報,2017,38(1):45-51.

[3] SHI L K,ZHANG M M,LIU Y L.Concentration and survey of phthalic acid esters in edible vegetable oils and oilseeds by gas chromatography-mass spectrometry in China[J].Food control,2016,68:118-123.

[4] 孫興權,趙禹,楊春光,等.液相色譜-高分辨質譜聯(lián)用技術在食品欺詐檢測鑒別中的應用[J].色譜,2016,34(7):647-656.

[5] ZHAO W,LIU F,FENG X H,et al.Fourier transform infrared spectroscopy study of acid birnessites before and after Pb2+adsorption[J].Clay minerals,2012,47(2):191-204.

[6] MEHLTRETTER A H,WRIGHT D M,SMITH M A.Variation in duct tape products over time:Physical measurements and adhesive compositional analysis by Fourier transform infrared spectroscopy[J].Forensic chemistry,2017,4:1-8.

[7] YAN R,CHEN J B,SUN S Q,et al.Rapid identification ofLoniceraejaponicaeFlos and Lonicerae Flos by Fourier transform infrared (FT-IR) spectroscopy and two-dimensional correlation analysis[J].Journal of molecular structure,2016,1124:110-116.

[8] HUANG D M,GUO C N,ZHANG M Z,et al.Characteristics of nanoporous silica aerogel under high temperature from 950 ℃ to 1200 ℃[J].Materials & design,2017,129:82-90.

[9] 馬冬紅,王錫昌,劉利平,等.近紅外光譜技術在食品產地溯源中的研究進展[J].光譜學與光譜分析,2011,31(4):877-881.

[10] 張寧,張德權,李淑榮,等.近紅外光譜結合 SIMCA 法溯源羊肉產地的初步研究[J].農業(yè)工程學報,2008,24(12):309-312.

[11] 朱哲燕,張初,劉飛,等.基于中紅外光譜分析技術的香菇產地識別研究[J].光譜學與光譜分析,2014,34(3):664-667.

[12] 張文海,姬中偉,艾斯卡爾·艾拉提,等.FT-IR 結合 SIMCA 法識別糯米產地[J].食品科學,2012,33(8):225-228.

[13] 李仲,劉明地,吉守祥.基于枸杞紅外光譜人工神經網絡的產地鑒別[J].光譜學與光譜分析,2016,36(3):720-723.

[14] 黃桂東,毛健,姬中偉,等.DR-FTIR 結合 SIMCA 識別不同種類原料米釀造的黃酒[J].食品科學,2013,34(14):285-288.

[15] 管驍,古方青,劉靜,等.近紅外光譜技術的乳粉品牌溯源研究[J].光譜學與光譜分析,2013,33(10):2621-2624.

[16] 何勇,李曉麗,邵詠妮.基于主成分分析和神經網絡的近紅外光譜蘋果品種鑒別方法研究[J].光譜學與光譜分析,2006,26(5):850-853.

[17] 方慧,張昭,王海龍,等.基于中紅外光譜技術鑒別轉基因大豆的方法研究[J].光譜學與光譜分析,2017，37(3):760-765.

[18] 牛曉穎,邵利敏,董芳,等.基于近紅外光譜和化學計量學的驢肉鑒別方法研究[J].光譜學與光譜分析,2014,34(10):2737-2742.

[19] 陳學海.傅里葉變換紅外光譜結合模式識別法在食用油真?zhèn)舞b別中的實踐分析[J].食品安全導刊,2015(6):94-96.

[20] 楊志敏,丁武.近紅外光譜技術快速鑒別原料肉摻假的可行性研究[J].肉類研究,2011,25(2):25-28.

[21] 趙賢德,董大明,鄭文剛,等.傅里葉變換紅外光譜在葡萄酒品質劣變檢測中的應用[J].光譜學與光譜分析,2014,34(10):2667-2672.

[22] 歐文娟,孟耀勇,張平麗,等.可見-近紅外光譜結合化學計量學認證有機胡蘿卜、綠色胡蘿卜和無公害胡蘿卜[J].激光生物學報,2015,24(1):46-54.

[23] 劉聰.基于近紅外光譜的鮮棗品質檢測及其安全判別研究[D].楊凌：西北農林科技大學,2013.

[24] ALAMAR P D,CARAMS E T S,POPPI R J,et al.Quality evaluation of frozen guava and yellow passion fruit pulps by NIR spectroscopy and chemometrics[J].Food research international,2016,85:209-214.

[25] 劉崇華,黃宗平.光譜分析儀器使用與維護[M]．北京:化學工業(yè)出版社，2010.

[26] 楊家寶,杜昌文,申亞珍,等.基于傅里葉變換中紅外光譜的小白菜硝酸鹽含量的快速測定[J].分析化學,2013,41(8):1264-1268.

[27] MAUER L J ,CHERNYSHOVA A A,HIATT A,et al.Melamine detection in infant formula powder using near-and mid-infrared spectroscopy[J].Journal of agricultural and food chemistry,2009,57(10):3974-3980.

[28] 吳迪,曹芳,馮水娟,等.基于支持向量機算法的紅外光譜技術在奶粉蛋白質含量快速檢測中的應用[J].光譜學與光譜分析,2008,28(5):1071-1075.

[29] 方娟娟,衛(wèi)雪梅,強建華,等.偏最小二乘法同時測定食醋的有效成分和防腐劑的含量[J].計算機與應用化學,2010,27(3):351-354.

[30] REVELOU P K,KOKOTOU M G,PAPPAS C S,et al.Direct determination of total isothiocyanate content in broccoli using attenuated total reflectance infrared Fourier transform spectroscopy[J].Journal of food composition and analysis,2017,61:47-51.

[31] 及華,關軍鋒,孫玉龍,等.不同采收成熟度黑寶石李冷藏期間品質變化的研究[J].保鮮與加工,2010,10(3):22-25.

[32] 牛曉穎,貢東軍,王艷偉,等.基于近紅外光譜和化學計量學的李果實成熟度鑒別方法研究[J].現(xiàn)代食品科技,2014,30(12):230-234.