中紅外光譜技術(shù)在食品檢測中的應(yīng)用

藍(lán)蔚青，周大鵬，劉大勇，孫曉紅*，馮豪杰，謝晶*

1(上海海洋大學(xué) 食品學(xué)院，上海,201306)2(上海水產(chǎn)品加工及貯藏工程技術(shù)研究中心，上海,201306)3(上海海洋大學(xué) 食品科學(xué)與工程國家級(jí)實(shí)驗(yàn)教學(xué)示范中心，上海,201306)4(江蘇中洋生態(tài)魚類股份有限公司，江蘇 南通,226600)

食品是人類生存的基本物質(zhì)，其主要成分包括水、碳水化合物、蛋白質(zhì)、脂肪、維生素、礦物質(zhì)與微量元素等。近年來，隨著消費(fèi)者生活水平的不斷提高，食品品質(zhì)與安全也愈益被重視。國內(nèi)外食品安全事件的屢屢頻發(fā)，在食品消費(fèi)市場中出現(xiàn)了弄虛作假、產(chǎn)品質(zhì)量不合格的現(xiàn)象，這不僅會(huì)損害消費(fèi)者利益，還對(duì)食品行業(yè)的有序發(fā)展帶來不利影響。因此，尋求一種快速簡便，且易于使用的質(zhì)量檢測方法尤為重要。常用的食品檢測方法有高效液相色譜法、液相色譜—質(zhì)譜法、氣相色譜法、低場核磁共振技術(shù)與酶聯(lián)免疫技術(shù)等[1-4]。其主要優(yōu)缺點(diǎn)如表1所示。

表1 常用食品品質(zhì)檢測方法的主要優(yōu)缺點(diǎn)Table 1 Comparison of advantages and disadvantages of common testing methods for food quality

雖然上述方法能滿足食品定性定量的檢測要求，但樣品前處理繁瑣、效率低、成本較高，在一定程度上限制了其應(yīng)用。而隨著紅外光譜技術(shù)的快速發(fā)展，其技術(shù)方便快捷的優(yōu)點(diǎn)使之逐漸在食品檢測得到應(yīng)用。紅外光譜依其波數(shù)范圍可分為近、中、遠(yuǎn)紅外3個(gè)區(qū)域。中紅外的波數(shù)范圍為4 000～400 cm-1[10]。

中紅外光譜(mid-infrared reflectance spectroscopy,MIRS)是一段波長在2 500～25 000 nm的電磁波，由分子中基團(tuán)原子振動(dòng)躍遷時(shí)吸收紅外光產(chǎn)生，其特征性強(qiáng)，具有指紋特性[11]。不同化合物有特定的紅外吸收光譜，其譜帶數(shù)量、位置、形狀和強(qiáng)度均隨化合物及其聚集態(tài)變化。因此，基于化合物的光譜可確定化合物或其官能團(tuán)是否存在，可用于定性分析；化合物的定量分析可通過物質(zhì)組分的吸收峰強(qiáng)度，由Lambert-Beer law實(shí)現(xiàn)[12]。目前，脂肪、蛋白質(zhì)與乳糖等物質(zhì)的官能團(tuán)在MIRS光譜上的特征吸收峰已鑒定，具體如圖1所示。

圖1 物質(zhì)官能團(tuán)的MIRS光譜區(qū)域示意圖[13]Fig.1 MIRS spectral region of a substance functional group

目前，中紅外光譜技術(shù)現(xiàn)已被廣泛應(yīng)用于化學(xué)、制藥、高分子聚合物等領(lǐng)域。該技術(shù)在食品檢測的應(yīng)用雖起步較晚，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、高效特點(diǎn)，推動(dòng)了食品檢測行業(yè)發(fā)展，顯示出良好的應(yīng)用前景，在食品領(lǐng)域也有相關(guān)應(yīng)用[14-16]。本文在對(duì)中紅外光譜技術(shù)的工作原理與常用食品品質(zhì)檢測方法的主要優(yōu)缺點(diǎn)簡要說明的基礎(chǔ)上，綜述了中紅外光譜技術(shù)在食品產(chǎn)地溯源、真假摻偽、品種鑒別與品質(zhì)檢測等方面的應(yīng)用實(shí)例與研究進(jìn)展，提出存在問題與解決方法，并對(duì)其發(fā)展前景予以展望。

1 主要研究進(jìn)展

1.1 產(chǎn)地溯源

來自不同地區(qū)的食品原料受天氣、環(huán)境與地形地貌等因素影響，其組織中的化學(xué)成分與物質(zhì)含量有一定差異，光譜也略有不同，可通過中紅外光譜技術(shù)進(jìn)行產(chǎn)地溯源[17]。如HU等[18]利用漂移法結(jié)合化學(xué)計(jì)量法對(duì)黑胡椒產(chǎn)地溯源。由基線漂移反映樣品中固有化合物的特異性、濃度與微環(huán)境，能對(duì)樣品產(chǎn)地予以分類；另有GORDON等[19]將中紅外光譜與化學(xué)計(jì)量學(xué)相結(jié)合，對(duì)不同產(chǎn)地大麥進(jìn)行鑒別；UROOKOV等[20]利用中紅外光譜技術(shù)鑒定酒精飲料的地理來源；向伶俐等[21]采集來自4個(gè)不同葡萄產(chǎn)區(qū)的153個(gè)葡萄酒樣品的近紅外透射光譜和中紅外衰減全反射光譜，結(jié)果得出，融合后的模型建模集、驗(yàn)證集的準(zhǔn)確率分別為87.11%與90.87%，對(duì)比單一模型均有提高，此法能高效、低成本識(shí)別葡萄酒的原產(chǎn)地；呂偉奇等[22]利用中紅外技術(shù)對(duì)來自云南4個(gè)不同產(chǎn)地的黃硬皮馬勃進(jìn)行產(chǎn)地鑒別，準(zhǔn)確率為100%。朱哲燕等[23]使用中紅外光譜分析技術(shù)對(duì)不同來源的香菇樣本進(jìn)行溯源分析，由不同波段分別建立5種辨別模型，發(fā)現(xiàn)基于相關(guān)向量機(jī)(relevance vector machine,RVM)算法更有效，識(shí)別率為90%。

中紅外光譜技術(shù)對(duì)部分食藥兩用產(chǎn)品也同樣有效，如龔海燕等[24]分析了不同廠家的金銀花中紅外光譜原始、一階導(dǎo)數(shù)與二階導(dǎo)數(shù)光譜。發(fā)現(xiàn)產(chǎn)地不同的金銀花中所含成分存在差異，反映其紅外圖譜差異，最終得出可利用中紅外光譜的二階導(dǎo)數(shù)光譜區(qū)分不同產(chǎn)地的金銀花品種。

1.2 真?zhèn)舞b定

食用油是人類膳食中不可或缺的營養(yǎng)來源，但市場上常發(fā)生以次充好的現(xiàn)象，中紅外光譜技術(shù)可以對(duì)此加以鑒別。其中，GEORGOULI等[25]利用MIRS定量分析了特級(jí)初榨橄欖油與不同摻假程度食用油間差異；張婧等[26]采集了40個(gè)純芝麻油樣品和40個(gè)摻有玉米油的芝麻油樣品的中紅外衰減全反射光譜和近紅外光譜，由主成分分析、得分矩陣結(jié)合最小二乘判別法建立分析模型，所得模型預(yù)測樣品正確率為100%。位麗娜等[27]利用中紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量法分別檢測了單一摻偽芝麻油和兩種摻偽芝麻油，準(zhǔn)確率為100%。此外，中紅外光譜技術(shù)還可檢測芝麻醬摻雜情況，如周密等[28]提出中紅外光譜鑒別純芝麻醬與摻雜芝麻醬，研究表明，有效波長在3 071～2 792 cm-1與1 786～667 cm-1范圍內(nèi)光譜信息結(jié)合SVM模型綜合判別準(zhǔn)確率達(dá)93.55%。

中紅外技術(shù)在香辛料也有所應(yīng)用，HU等[18]在4 000～400 cm-1的光譜范圍內(nèi)對(duì)1 200個(gè)摻雜黑胡椒樣品進(jìn)行漂移檢測。結(jié)果得出GA-SVM和PLS-DA模型的驗(yàn)證集識(shí)別率和預(yù)測集分別為98%與96%；HORN等[29]利用傅里葉變換中紅外光譜和單級(jí)軟獨(dú)立類類比模型，建立了一種辣椒摻假的檢測方法。結(jié)果得出所有摻假物的特異性達(dá)80%以上。中紅外光譜技術(shù)對(duì)食品摻假中的粉末狀樣品也有報(bào)道。其中，LIU等[30]應(yīng)用MIRS光譜技術(shù)結(jié)合偏最小二乘判別分析預(yù)測藕粉中摻假物質(zhì)含量；BETTINA等[31]利用傅立葉變換中紅外光譜與獨(dú)立模型對(duì)辣椒粉摻假進(jìn)行檢測，開發(fā)并優(yōu)化了基于商用辣椒粉的一級(jí)模型，通過外部驗(yàn)證得出其靈敏度為80%。此外，市面上水果飲料的摻假現(xiàn)象也較為常見，中紅外光譜則能實(shí)現(xiàn)準(zhǔn)確高效測定的目的。其中，CAROLINA等[32]采用衰減全反射率傅立葉變換中紅外光譜與多元分類法檢測葡萄花蜜摻假。結(jié)果具有近100%的敏感性和特異性；GALLARDO等[33]利用傅立葉中紅外光譜結(jié)合最小偏二乘法對(duì)蜂蜜摻假玉米糖漿及轉(zhuǎn)化糖開展研究。結(jié)果得出玉米糖漿、果葡糖漿與蔗糖的預(yù)測標(biāo)準(zhǔn)誤差分別為1.5～2.1、2.1與1.4，表明這些模型適用于蜜蜂中摻雜物的檢測定量。中紅外光譜法的快速高效檢測食品摻假的特點(diǎn)使其有很好的應(yīng)用前景，但由于所得光譜數(shù)據(jù)復(fù)雜，常常需要化學(xué)計(jì)量法處理，這就為數(shù)據(jù)分析帶來難度。

1.3 品種鑒別

由于鮮品與凍品間品質(zhì)存在差異，目前中紅外光譜還可用于鮮凍肉品之間的鑒別。如KAROUI等[34]對(duì)白鮭魚鮮魚片和凍魚片采用中紅外光譜技術(shù)結(jié)合PCA和因子判別分析法進(jìn)行識(shí)別，得出波長區(qū)域在1 500～900 cm-1與3 000～2 800 cm-1，校正集正確分類率均為100%，預(yù)測集的正確分類率分別為75%與87.5%，說明這2個(gè)光譜區(qū)域均可區(qū)別新鮮與凍融魚樣。ALAMPRESE等[35]利用中紅外光譜技術(shù)鑒別新鮮和凍融大西洋鯔魚魚片，通過多元散射校正預(yù)處理進(jìn)行標(biāo)準(zhǔn)化中紅外光譜數(shù)據(jù)，采用線性判別分析技術(shù)分類鑒別，得出凍融魚片與新鮮魚片的檢測準(zhǔn)確率分別達(dá)到100%與97.2%。呂慧茹等[36]研究表明，傅里葉變換紅外光譜與SIMCA識(shí)別法聯(lián)用可有效識(shí)別不同年份的宣威火腿。

除在肉制品中的應(yīng)用外，該技術(shù)在飲品方面也有相關(guān)研究，如李鐵梅等[37]使用傅里葉變換紅外光譜儀在1 800～1 000 cm-1區(qū)域利用二階導(dǎo)數(shù)紅外光譜對(duì)6種不同品牌的咖啡進(jìn)行聚類分析，準(zhǔn)確率達(dá)93.3%。此外，還可通過中紅外光譜技術(shù)區(qū)分轉(zhuǎn)基因與非轉(zhuǎn)基因食品。如方慧等[38]利用中紅外光譜技術(shù)對(duì)3種不同品種轉(zhuǎn)基因大豆與親本間鑒別，結(jié)果表明3種大豆的建模集與預(yù)測集正確率分別為80%與75%。

1.4 成分分析

中紅外光譜技術(shù)可在復(fù)雜背景中分辨出待測物質(zhì)[39-40]，在食品中低含量物質(zhì)的檢測上意義重大。如HERNNDEZ-MARTMNEZ等[41]采用傅里葉中紅外光譜結(jié)合PLS法對(duì)冷藏過程中的馬鲹、橢斑馬鮫、大西洋藍(lán)鰭金槍魚的總脂肪、脂肪酸組成與營養(yǎng)參數(shù)變化等指標(biāo)預(yù)測，比較了3種魚片冷藏期間的腐敗參數(shù)變化，預(yù)測效果良好。中紅外光譜技術(shù)還能用于檢測油脂中所含的成分含量，如吳雪輝等[42]利用傅里葉變換中紅外光譜技術(shù)檢測茶籽油中的甾醇、維生素E與類胡蘿卜素等功能因子含量；孫恒等[43]通過中紅外光譜結(jié)合化學(xué)計(jì)量法測定了鐵皮石斛中總黃酮含量，預(yù)測準(zhǔn)確率高；陳美林等[44]采用衰減全反射中紅外光譜技術(shù)實(shí)現(xiàn)馬鈴薯中可溶性蛋白含量的快速檢測，利用主成分分析方法進(jìn)行建模，模型能較準(zhǔn)確預(yù)測可溶性蛋白含量，滿足快速鑒定馬鈴薯是否為高蛋白品系的需求。

NIERO等[45]利用中紅外光譜技術(shù)結(jié)合偏最小二乘回歸方法建立預(yù)測模型檢測了牛奶的總抗氧化活性。研究表明，牛奶總抗氧化活性的平均水平為6.93 mmol/L，變異系數(shù)為15%；高文佳等[46]使用中紅外光譜技術(shù)結(jié)合高效液相色譜法，檢測蜂蜜中還原糖和果糖含量，結(jié)果檢測精度較高。

葉沁等[47]研究了基于傅里葉中紅外漫反射光譜技術(shù)結(jié)合多種化學(xué)計(jì)量法快速測定精米中直鏈淀粉含量，結(jié)果顯示驗(yàn)證集樣品預(yù)測值與真實(shí)值高度相關(guān)，預(yù)測準(zhǔn)確度高，穩(wěn)定性好。

1.5 品質(zhì)檢測

食品品質(zhì)是反映其綜合價(jià)值的重要因素，通過建立快速檢測技術(shù)，能更好維護(hù)消費(fèi)者的合法權(quán)益。油脂是人體重要的營養(yǎng)成分之一，評(píng)價(jià)油脂品質(zhì)高低的重要指標(biāo)有黏度、酸值與折光率。其中，周玲玲等[48]利用傅里葉變換衰減全反射紅外光譜法技術(shù)同步檢測了不加熱與160、180、200、220 ℃加熱處理植物油的黏度、酸值和折光率。結(jié)果表明，標(biāo)準(zhǔn)正態(tài)變量變換是最佳預(yù)處理方法，模型預(yù)測性能良好，能滿足植物油品質(zhì)快速檢測需求；EDITHA等[49]采用84種不同的魚油，其中22種魚油在不同溫度和光照射下加速貯藏，建立了魚油過氧化值、茴香胺值與酸值預(yù)測模型，利用中紅外光譜技術(shù)檢測魚油品質(zhì)；SINELLI等[50]利用中紅外和近紅外光譜技術(shù)與化學(xué)計(jì)量數(shù)據(jù)分析聯(lián)用，檢測特級(jí)初榨橄欖油品質(zhì)；同時(shí)，基于橄欖油樣品香氣強(qiáng)度，結(jié)合中紅外光譜建立最小偏二乘模型及判別模型并對(duì)其分類，正確率達(dá)71.6%。

紅外光譜技術(shù)同樣在酒品與咖啡的檢測中得到應(yīng)用，GAMBETTA等[51]利用衰減全反射結(jié)合中紅外技術(shù)檢測霞多麗葡萄酒樣品品質(zhì)，選取1 500～800 cm-1圖譜區(qū)的光譜信息與偏最小二乘判別分析結(jié)合研究得出，2014與2016年葡萄酒樣品檢測正確率為83%與79%。CRAIG等[52]利用傅立葉變換中紅外光譜結(jié)合全衰減光反射以漫反射對(duì)咖啡豆品質(zhì)建立分析模型予以區(qū)分，結(jié)果表明發(fā)黑、未成熟、有酸味咖啡豆與品質(zhì)優(yōu)良咖啡豆在中紅外光譜上存在差異，主成分分析正確率達(dá)94%。

2 存在問題與解決辦法

中紅外光譜等一系列現(xiàn)代食品分析檢測技術(shù)具有成熟易用、無污染、分析速度快、準(zhǔn)確率高、無損且成本較低等優(yōu)點(diǎn)，目前在食品領(lǐng)域中應(yīng)用廣泛。然而，仍有問題需加以解決。主要表現(xiàn)如下：

(1)食品中化學(xué)組分復(fù)雜，影響分析結(jié)果。食品原料受多種因素的影響，成分相對(duì)復(fù)雜。不同品種、來源與質(zhì)量優(yōu)劣的關(guān)鍵組分，由于其低于檢測限，一般難以檢測，導(dǎo)致其紅外光譜吸收減弱，靈敏度降低。因此，要求研究人員掌握所測食品的光譜信息，并將紅外光譜與其他技術(shù)結(jié)合進(jìn)行檢測分析。

(2)建模困難，研究深度仍然相對(duì)不足。模型建立需要大量具有代表性的樣品，但產(chǎn)品所含成分由于食品在生產(chǎn)和加工過程中的變化因素而存在差異，這給建模樣品的選擇帶來很大困難，也限制了模型的普適性。同時(shí)，目前關(guān)于食品產(chǎn)地溯源、品質(zhì)鑒定、真?zhèn)舞b別等全球性數(shù)據(jù)庫還未建立。這就要求研究人員在建模時(shí)盡可能選擇具有代表性和多樣性的建模樣品，建立數(shù)據(jù)庫，使光譜技術(shù)能更好滿足實(shí)際需要。

3 結(jié)論

隨著科學(xué)技術(shù)的發(fā)展，中紅外光譜技術(shù)在一系列新技術(shù)的基礎(chǔ)上為研究物質(zhì)結(jié)構(gòu)提供了更多更有效的手段。作為方便快捷、無損高效的現(xiàn)代分析檢測技術(shù)之一，中紅外光譜技術(shù)被廣泛應(yīng)用于食品檢測中，在食品的產(chǎn)地溯源、真假摻偽、品種鑒別與品質(zhì)檢測等方面意義重大。然而，該技術(shù)的應(yīng)用還不夠完善，仍需加以改進(jìn)，將其與其他技術(shù)聯(lián)用，使之發(fā)揮更大作用，得到理想結(jié)果。因此，后期可從如下方面開展工作：(1)中紅外光譜同其他計(jì)量學(xué)方法與軟件相結(jié)合是發(fā)展的必然趨勢，如與化學(xué)計(jì)量法相結(jié)合，有助于光譜圖分析與實(shí)驗(yàn)結(jié)果的可重復(fù)性；尋求創(chuàng)建新的化學(xué)計(jì)量學(xué)方法，開發(fā)相關(guān)軟件也是后期的研究方向；(2)紅外光譜檢測儀正由大型研究級(jí)向小型便攜式轉(zhuǎn)變。小型便攜式儀器方便使用者隨時(shí)隨地使用，不拘泥于實(shí)驗(yàn)室，可在短時(shí)間內(nèi)篩選出大量樣品，使用方便快捷。同時(shí)，開發(fā)在線檢測設(shè)備，實(shí)現(xiàn)樣品在線檢測，提高樣品檢測準(zhǔn)確度，對(duì)開發(fā)食品無損檢測具有重要意義；(3)建立全面廣泛的全球性數(shù)據(jù)庫。這項(xiàng)工作需要光譜學(xué)研究人員互助合作，數(shù)據(jù)共享，才能建立更加全面完善的標(biāo)準(zhǔn)紅外圖譜庫，以便中紅外光譜技術(shù)的使用，促進(jìn)該技術(shù)發(fā)展。此外，還可與其他波段的光譜技術(shù)聯(lián)用，開發(fā)多波段光譜聯(lián)用技術(shù)，提高光譜儀器設(shè)備的適用性與廣度。

總之，在科技不斷發(fā)展的進(jìn)程中，中紅外光譜技術(shù)將以其方便、快捷與高效，逐漸成為食品檢測中的主要研究手段，具有廣闊的應(yīng)用前景。