近紅外光譜技術在食品和農(nóng)產(chǎn)品領域中的應用

桑力青，徐冰潔，楊晨曦，劉臻

摘 要：利用近紅外光譜，結(jié)合基團特征波產(chǎn)生的位置及吸收強度等要素，通過定量、定性的方式，即可完成對某類成分主要化學結(jié)構(gòu)的描述。本文從食品與農(nóng)產(chǎn)品領域的檢測工作出發(fā)，簡要分析近紅外光譜技術的具體應用。

關鍵詞：農(nóng)產(chǎn)品領域；食品領域；近紅外光譜技術；應用分析

Application of Near Infrared Spectroscopy in Food and Agricultural Products

SANG Liqing， XU Bingjie， YANG Chenxi， LIU Zhen*

（Greentown Agricultural Technology Co.， Ltd.， Hangzhou 310052， China）

Abstract： The main chemical structure of a certain type of component can be described quantitatively and qualitatively by using near-infrared spectroscopy， combined with the location and absorption intensity of the group characteristic wave. This paper starts from the detection work in the field of food and agricultural products， and briefly analyzes the specific application of near-infrared spectroscopy.

Keywords： agricultural products field; food field; near-infrared spectroscopy technology; application analysis

近紅外技術在1930年開始出現(xiàn)，但起初這項技術并未運用到食品與農(nóng)產(chǎn)品領域。到20世紀中葉，國外研究人員利用其透射光譜檢測食品與農(nóng)產(chǎn)品中的水分。該技術發(fā)展至20世紀60年代，被運用到谷物的濕度分析中，開啟了農(nóng)產(chǎn)品與食品領域該項技術新的研究篇章。

1 基本原理與主要特征

1.1 基本原理

近紅外光屬于波長處在中紅外和可見光之間的電磁波段，波長范圍被規(guī)定為780～2 526 nm。被近紅外光照射的有機物分子，其內(nèi)部的氫基團因激發(fā)而出現(xiàn)躍遷現(xiàn)象，待測物會吸收一定的近紅外光能量，由此獲得近紅外光譜，通過對光譜進行分析即可獲得待測物中的有機物質(zhì)含量和組分信息[1]。例如，農(nóng)產(chǎn)品由于品種類型、產(chǎn)地情況、加工方法等不同，內(nèi)部的有機物成分存在明顯差異，該技術可用于農(nóng)產(chǎn)品的品質(zhì)檢測、食品真實性鑒定等。

1.2 主要特點

①便于操作。該技術的操作流程十分簡單，如在產(chǎn)品產(chǎn)地溯源方面，主要流程是收集近紅外光譜、預處理數(shù)據(jù)和構(gòu)建產(chǎn)地溯源模型等。待建立模型后，操作人員對檢測樣品進行光譜信息采集，在此基礎上計算機系統(tǒng)能夠自行預測樣品產(chǎn)地。②快速檢測。使用近紅外光譜對樣品進行檢測分析，無需進行前處理，在2 min左右就能完成光譜采集，還可以滿足同時檢測多個指標的要求。③綠色環(huán)保，不使用有機試劑。在實際進行分析時，無需使用有機化學試劑或進行前期處理，因此具備綠色環(huán)保、成本投入低的優(yōu)勢。

2 近紅外光譜技術在食品領域中的具體應用

2.1 檢測食品中的脂肪含量

現(xiàn)階段，國內(nèi)常見的檢測脂肪含量的方式有酸水解法、索氏提取法等，雖然能得到極為精確的檢測結(jié)果，但實驗操作流程相對煩瑣，需對樣品進行預處理，花費時間較長，因此難以滿足大批量檢測的需求。近紅外光譜技術兼具快速、綠色等優(yōu)勢，可以滿足快速檢測大規(guī)模樣本的要求。近年來，我國主要使用該技術對肉制品中的脂肪含量進行檢測，相關實踐結(jié)果表明檢測結(jié)果十分精準。例如，采集豬肉、羊肉等食品的近紅外光譜數(shù)據(jù)，待測樣品利用索氏提取法檢測脂肪含量，在此基礎上構(gòu)建數(shù)據(jù)集模型，通過預處理光譜的方法與利用最佳模型波段，構(gòu)建相對理想的預測模型，肉質(zhì)樣本種類不同，則對應不同的預處理光譜法、最佳建模波段。相關研究人員構(gòu)建的模型均滿足檢測精度要求，同時符合肉制品檢測的實際需求。引入美國大豆Century品種等位基因系和日本Lox缺失材料作為實驗參比樣，在一定的實驗條件下，通過電泳酶譜進行Lox分析獲得4條同工酶帶，符合國外文獻報道。這種檢驗方法已經(jīng)運用4 000多份中國大豆資源以及品質(zhì)育種雜交后代的鑒定工作中，也從中篩選得到Lox同工酶缺失體，為能夠鑒別大豆加工原料提供方法[2]。

2.2 檢測食品中的致病菌

近紅外光譜技術在檢測食品中的致病菌方面也起到重要的作用。食品若被致病菌污染，會給身體帶來巨大危害，在食品安全檢測中一直將檢測致病菌作為重要任務。以往采用的檢測手段不僅流程較多且涉及內(nèi)容復雜，無法滿足食品行業(yè)的發(fā)展要求。因此，實現(xiàn)對食品中致病菌的快速檢測成為重點研究課題[3]。近紅外光譜技術在致病菌檢測方面具有一定的優(yōu)勢，利用光譜能清晰觀察到微生物的細胞特點，而光譜中的不同波長結(jié)合細菌細胞，能夠?qū)κ澄镏泻械母鞣N細菌進行分類。國外相關研究人員使用該技術結(jié)合傅里葉變換技術，對食品中的致病菌進行檢測，結(jié)果發(fā)現(xiàn)該技術成功進行細菌分類的概率高達94%。我國研究人員利用紅外光譜技術，嘗試以微量和常量取樣的方法展開全面分析，成功判斷李斯特菌的概率為79.2%和90.0%，成功判斷沙門氏菌的概率是92.8%和95.0%[4]。

2.3 檢測食品中的藥物殘留

傳統(tǒng)技術在檢測食品中的藥物殘留時會使用有機化學試劑，購買化學試劑的成本高，而且需要滿足的條件較多，大大提高了檢測成本，檢測效率也較低。常規(guī)檢測還可能引發(fā)二次污染問題，因此研發(fā)既能滿足快速檢測又符合環(huán)保綠色需求的檢測技術十分重要。雖然單純使用紅外光譜檢測食品中藥物殘留的結(jié)果正確率偏低，但如果添加相應的藥劑會大幅提升檢測準確率。有關不同種類食品的藥物殘留研究中主要研究對象為毒性程度不一的農(nóng)藥，相關研究結(jié)果表明，該技術在有機磷類藥物的殘留檢測中準確度較高。

3 近紅外光譜技術在農(nóng)產(chǎn)品領域中的具體應用

3.1 腐爛鑒別

國外研究人員在糧庫蟲害檢測工作中，使用近紅外光譜技術重點檢測發(fā)生蟲害的時期內(nèi)糧食水分變化、甲殼質(zhì)含量等，從而判斷災害程度[5]。有研究人員選擇1 202 nm與1 300 nm的近紅外光分別對10顆有害蟲與無害蟲的小麥顆粒進行檢測，對采集到的圖像進行分析，發(fā)現(xiàn)有害蟲發(fā)生的小麥顆粒近紅外圖像中亮斑占比較大，而正常小麥整體為黑色[6]。兩個圖像通過減運算，得出有無蟲害的圖像間體現(xiàn)出明顯的差異。近紅外圖像能滿足糧食中蟲害的檢測，在鑒別完整和蟲蝕糧粒上能達到預期效果，但對具有不同類型的成蟲、幼蟲等差別不明顯的糧食顆粒鑒別效果一般，并且該實驗是在實驗室中進行的，所以和實際應用存在較大差異。

3.2 檢測農(nóng)產(chǎn)品質(zhì)量安全

農(nóng)產(chǎn)品質(zhì)量一直是人們重點關注的問題，近些年出現(xiàn)的產(chǎn)品摻假、農(nóng)藥殘留等問題，引發(fā)了社會對農(nóng)產(chǎn)品質(zhì)量檢測的熱議。農(nóng)產(chǎn)品質(zhì)量安全中，氣相色譜、氣質(zhì)聯(lián)用等是常用的方法，但這些方法操作煩瑣且費用較高，無法實現(xiàn)快速檢測，而近紅外光譜技術可以滿足以上要求。我國研究人員選擇普洱茶葉作為研究對象，分別對不含香精和含有不同濃度香精的樣品進行近紅外光譜數(shù)據(jù)采集，對數(shù)據(jù)進行處理后構(gòu)建摻假定量預測模型，有關模型對兩種香精（香豆素、乙基麥芽酚）給出的決定系數(shù)是0.798 9、0.683 8，計算方根誤差是0.146 1、0.180 0，可實現(xiàn)對茶葉中香精成分的快速檢測[7]。

3.3 產(chǎn)地溯源

隨著人們生活水平的提升，一些地域性的農(nóng)產(chǎn)品受到廣大消費者與農(nóng)產(chǎn)品市場的認可，這些農(nóng)產(chǎn)品可以創(chuàng)造十分可觀的經(jīng)濟效益。一些不法商販面對利益的誘惑，使用其他產(chǎn)品冒充地域產(chǎn)品，以次充好，嚴重侵害到消費者的切身利益，也是對生產(chǎn)者積極性的打擊。因此，對農(nóng)產(chǎn)品進行產(chǎn)地溯源檢測顯得十分重要。近些年，近紅外光譜技術在產(chǎn)地溯源方面體現(xiàn)出巨大優(yōu)勢。例如，將西洋參作為溯源地檢測的研究對象，通過采集其近紅外光譜數(shù)據(jù)，構(gòu)建西洋參不同規(guī)格、不同產(chǎn)地的判別模型，實驗結(jié)果表明，這一模型能夠清晰提取存在差異的近紅外光譜信息，滿足快速區(qū)分國產(chǎn)西洋參產(chǎn)品與進口西洋參產(chǎn)品的實際需求，同時運用于辨識西洋參的藥材與飲片、判別西洋參產(chǎn)品的規(guī)格與產(chǎn)地[8]。選擇我國不同產(chǎn)區(qū)的鐵皮石斛，收集1 000～1 650 nm近紅外光譜信息并建立產(chǎn)地分類模型，預測訓練集與驗證集的過程中，這一模型達到了100%的精準識別，預測未參與采樣的其他產(chǎn)區(qū)的鐵皮石斛，樣品拒絕率達到100%，由此能夠證明這一模型能夠準確識別不同產(chǎn)地的鐵皮石斛[9]。選擇3個普洱茶產(chǎn)地的茶葉樣品作為研究對象，對其1 100～2 498 nm近紅外光譜信息進行采集，構(gòu)建識別普洱茶產(chǎn)地的定性分析模型，識別校正集與識別驗證集的正確率是98.15%、100.00%，符合無損且快速識別茶葉產(chǎn)地的檢測工作要求[10]。

4 農(nóng)產(chǎn)品產(chǎn)地溯源中近紅外光譜技術的發(fā)展設想

近紅外光譜技術因具備快速分析、無損檢測、成本低和滿足在線檢測需求等諸多優(yōu)勢，現(xiàn)已在研究農(nóng)產(chǎn)品產(chǎn)地溯源中成為一項熱門檢測技術，但其仍存在一定的局限性。①技術檢測結(jié)果的準確性易受環(huán)境情況、樣品來源等因素影響，同時在運輸與貯藏期間，農(nóng)產(chǎn)品的有機成分發(fā)生變化，也會給最終判別模型的檢測正確率帶來干擾。因此，要選擇有代表性的產(chǎn)品，兼顧品種、運輸?shù)认嚓P影響條件，從而確保溯源模型的科學性。②該技術在檢測均質(zhì)產(chǎn)品、流體產(chǎn)品時，相比固體產(chǎn)品的檢測準確率更高，因此要控制孔隙度使其均勻分布，若要提高預測結(jié)果的精確度，建議先對待測樣品進行處理。③在前期研究工作中發(fā)現(xiàn)，該技術能夠區(qū)分不同產(chǎn)地的產(chǎn)品，但難以有效鑒別不同產(chǎn)區(qū)的產(chǎn)品是否摻假。因此，應進一步研究可滿足檢測需求的化學計量學方法，還要強化模型精度，從而提升鑒別精確度與實際檢測速度。

5 結(jié)語

在我國食品與農(nóng)產(chǎn)品領域，該技術的應用研究仍有較大的提升空間，與進入全面推廣使用階段仍存在一定距離，也無法忽視技術水平和市場發(fā)展的限制。我國作為世界上的農(nóng)業(yè)與人口大國，該技術擁有廣闊的發(fā)展前景，如農(nóng)產(chǎn)品快速水分檢測、營養(yǎng)品防偽檢測等。社會經(jīng)濟的高速發(fā)展和人們不斷提高的產(chǎn)品消費要求是近紅外光譜技術的發(fā)展動力?？蒲泄ぷ髡邞M行深入研究，使該技術得到更廣泛的應用。

參考文獻

[1]陳超，柳琦，李釩，等.紅外光譜技術在食品安全檢測中的研究與應用[J].食品研究與開發(fā)，2019，40（14）：219-224.

[2]傅翠真.大豆脂肪氧化酶缺失體檢測方法研究[J].大豆科學，2004（02）：111-113.

[3]吳楠，孔魯裔，牟鈺.光譜技術在食品安全快速檢測中的應用[J].食品界，2019（4）：37.

[4]高帥，陳冬梅.食品安全中快速檢測技術探討[J].食品安全導刊，2017（14）：20.

[5]王小燕，王錫昌，劉源，等.近紅外光譜技術在食品摻偽檢測應用中的研究進展[J].食品科學，2011，32（1）：265-269.

[6]譚正林，吳謀成，傅廷棟.近紅外光譜技術在農(nóng)產(chǎn)品品質(zhì)檢測中的應用[J].中國油料作物學報，2012，34（4）：455-460.

[7]王淑賢，肖航，楊振發(fā)，等.香精摻假普洱茶的近紅外光譜檢測[J].激光與光電子學進展，2020，57（23）：392-397.

[8]陳輝.近紅外光譜技術在農(nóng)產(chǎn)品和食品安全檢測中的應用研究進展[J].畜牧與飼料科學，2010，31（8）：88-90.

[9]顧玉琦，劉瑞婷，壽國忠，等.應用近紅外光譜技術快速鑒別鐵皮石斛的產(chǎn)地[J].江蘇農(nóng)業(yè)科學，2016，44（5）：365-368.

[10]李余進，李超，李家華，等.基于近紅外光譜的普洱茶產(chǎn)地識別研究[J].湖北農(nóng)業(yè)科學，2020，59（5）：138-141.