高光譜成像技術(shù)在食品摻假檢測(cè)中的應(yīng)用研究綜述

摘 要：食品摻假問(wèn)題不僅會(huì)對(duì)消費(fèi)者健康造成威脅，還會(huì)對(duì)整個(gè)食品行業(yè)產(chǎn)生負(fù)面影響，并引發(fā)信任危機(jī)。高光譜成像技術(shù)因具有無(wú)創(chuàng)、快速、準(zhǔn)確和高通量的特點(diǎn)，已成為鑒別食品摻假現(xiàn)象的一種重要技術(shù)。本文綜述高光譜成像技術(shù)在畜禽肉制品、水產(chǎn)品、糧食、乳制品、蜂蜜、食用油等食品摻假檢測(cè)中的應(yīng)用研究進(jìn)展，以期為優(yōu)化食品摻假的檢測(cè)方法提供理論依據(jù)。

關(guān)鍵詞：高光譜成像技術(shù)；食品摻假檢測(cè)；應(yīng)用

Review of the Application of Hyperspectral Imaging Technology in Food Adulteration Detection

CHEN Yanyu

（Hanchuan Public Inspection and Testing Center， Hanchuan 431600， China）

Abstract： Food adulteration not only poses a threat to consumers’ health， but also has a negative impact on the whole food industry and triggers a crisis of confidence. Hyperspectral imaging technology has become an important technique for the identification of food adulteration because of its non-invasive， rapid accurate， and high-throughput characteristics. This paper reviews the research progress on the application of hyperspectral imaging technology in adulteration detection of livestock and poultry meat products， aquatic products， grain， dairy products， honey， and edible oils， so as to provide theoretical basis for optimizing the detection methods of food adulteration.

Keywords： hyperspectral imaging technology; food adulteration detection; application

隨著科技的不斷進(jìn)步和生活品質(zhì)的逐步提高，消費(fèi)者對(duì)食品的需求已經(jīng)從簡(jiǎn)單的飽腹感轉(zhuǎn)向強(qiáng)調(diào)健康。然而，有些不法商販和企業(yè)受利益驅(qū)使，在食品生產(chǎn)和銷售過(guò)程中存在摻假行為，特別是高附加值食品和低產(chǎn)食品。食品摻假行為不僅擾亂了市場(chǎng)秩序，還危害了消費(fèi)者的健康。因此，鑒別食品真?zhèn)危ＷC食品安全至關(guān)重要。然而，傳統(tǒng)的檢測(cè)方法處理過(guò)程復(fù)雜，檢測(cè)周期長(zhǎng)，難以滿足實(shí)際檢測(cè)需求，需要使用一種快速、高效、靈敏度高的檢測(cè)技術(shù)來(lái)鑒別食品摻假現(xiàn)象。

1 高光譜成像技術(shù)概述

高光譜成像（Hyperspectral Imaging，HSI）技術(shù)是一項(xiàng)新興技術(shù)，目前發(fā)展迅速。該技術(shù)將光譜學(xué)和計(jì)算機(jī)視覺(jué)集成在一個(gè)系統(tǒng)中，從掃描樣品中可以獲得數(shù)百個(gè)光譜帶，每一個(gè)像素點(diǎn)都包含著豐富的空間和光譜信息，可同時(shí)獲取被檢測(cè)物體的物理特征和化學(xué)結(jié)構(gòu)。

HSI技術(shù)按照使用波長(zhǎng)范圍，可分為紫外波段（200～400 nm）、可見光-近紅外波段（400～1 000 nm）、近紅外波段（900～1 700 nm）、短波紅外波段

（1 000～2 500 nm）和波長(zhǎng)大于2 500 nm的波段，其中可見光-近紅外波段和近紅外波段已廣泛應(yīng)用于食品品質(zhì)分析[1]。HSI技術(shù)能夠同時(shí)檢測(cè)多個(gè)樣品，目前已被廣泛應(yīng)用于食品的來(lái)源識(shí)別、成分分析、農(nóng)藥殘留檢測(cè)、摻假檢測(cè)等方面。

2 HSI技術(shù)在食品摻假檢測(cè)中的應(yīng)用

2.1 畜禽肉制品摻假

在肉制品生產(chǎn)加工過(guò)程中，摻假問(wèn)題頻繁出現(xiàn)。肉類摻假是指不法商家將廉價(jià)肉類、不可食用肉類、水及非肉類物質(zhì)等摻入高價(jià)肉品如牛肉、羊肉或其制品等以獲取高額利益。由于肉類的不同成分在特定波段具有典型的反射特征，所以不同種類肉或新鮮度不同的同種肉的光譜反射率差異明顯。因此，HSI技術(shù)可以用于肉制品摻假檢測(cè)。

孔麗琴等[2]利用HSI技術(shù)，采集牛肉丸中摻入單一和混合豬肉/雞肉的摻假樣品高光譜數(shù)據(jù)，建立了極限學(xué)習(xí)機(jī)分類和支持向量分類摻假鑒別模型，生牛肉丸最優(yōu)模型單一摻假和復(fù)合摻假的校正集和預(yù)測(cè)集分類準(zhǔn)確率均為97.17%，熟牛肉丸最優(yōu)模型的校正集和預(yù)測(cè)集分類準(zhǔn)確率分別為97.17%和96.23%。ZHANG等[3]基于HSI技術(shù)，結(jié)合遞歸圖-卷積神經(jīng)網(wǎng)絡(luò)對(duì)摻入不同質(zhì)量分?jǐn)?shù)豬肉的摻假羊肉進(jìn)行了分類鑒別和定量測(cè)定。結(jié)果表明，在3個(gè)

數(shù)據(jù)集上摻假羊肉的分類準(zhǔn)確率分別為100.00%、100.00%和99.95%；含量預(yù)測(cè)中，3個(gè)數(shù)據(jù)集上的決定系數(shù)（R2）分別為0.976 2、0.980 7和0.947 9。王婧茹等[4]采集了摻入不同濃度梯度豌豆蛋白的93份牛肉糜樣品的光譜信息，利用偏最小二乘回歸算法構(gòu)建預(yù)測(cè)模型，實(shí)現(xiàn)了豌豆蛋白摻入牛肉的快速檢測(cè)。

2.2 水產(chǎn)品摻假

近年來(lái)，水產(chǎn)品摻假現(xiàn)象較為常見，常見形式包括摻入淀粉、明膠或更廉價(jià)的同類產(chǎn)品來(lái)降低成本或改善肉品外觀。HSI技術(shù)可以克服紅外光譜和拉曼光譜只收集樣品局部區(qū)域光譜的缺點(diǎn)，提取樣品感興趣區(qū)域的平均光譜作為參考光譜，能有效鑒別水產(chǎn)品摻假現(xiàn)象。

黃結(jié)[5]基于HSI技術(shù)，確立了高斯平滑濾波-BP神經(jīng)網(wǎng)絡(luò)模型作為魚糜中摻假玉米淀粉定量檢測(cè)的最優(yōu)模型，模型校正集和預(yù)測(cè)集決定系數(shù)均大于0.99，均方根誤差均小于2.50%，檢測(cè)效果較好。LI等[6]利用可見近紅外-高光譜成像和短波近紅外-高光譜成像兩種系統(tǒng)，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)建立了預(yù)測(cè)大西洋鮭魚摻假水平的定量模型，結(jié)果發(fā)現(xiàn)，使用可見近紅外-高光譜成像建模效果更好，最優(yōu)模型的預(yù)測(cè)集決定系數(shù)、預(yù)測(cè)集均方根誤差和剩余預(yù)測(cè)偏差分別為0.988 5、3.352 6和9.688 2。WU等[7]運(yùn)用高光譜圖像采集對(duì)蝦的光譜數(shù)據(jù)，結(jié)合最小二乘支持向量機(jī)建立了對(duì)蝦中摻假明膠的鑒別模型，并將最佳模型轉(zhuǎn)化成可直觀看到對(duì)蝦中明膠分布的圖片，模型決定系數(shù)為0.965，具有較好的鑒別效果。

2.3 糧食摻假

糧食中易出現(xiàn)摻假現(xiàn)象，特別是優(yōu)質(zhì)大米易被不法商販摻入劣質(zhì)米。淀粉和面粉是許多食品的重要原料，一些商家為了追求高利潤(rùn)，會(huì)使用低成本的非法添加劑。國(guó)內(nèi)外學(xué)者已陸續(xù)利用HSI技術(shù)開展對(duì)摻假糧食的快速無(wú)損檢測(cè)研究。

余云新[8]搭建了一套高光譜成像系統(tǒng)以獲取摻假大米的高光譜數(shù)據(jù)，采用分段多元散射校正算法校正光譜，并建立了支持向量機(jī)分類模型，結(jié)果顯示，摻假大米最佳分類模型的正確分類率在99%以上。HE等[9]采集了摻假小麥粉900～1 700 nm波段的高光譜信息，利用標(biāo)準(zhǔn)正態(tài)變量預(yù)處理后的偏最小二乘定量模型對(duì)小麥粉中滑石粉濃度進(jìn)行了預(yù)測(cè)，預(yù)測(cè)模型的相關(guān)系數(shù)為0.98，均方根誤差為2.88%，剩余預(yù)測(cè)偏差為5.09。KHAMSOPHA等[10]在木薯淀粉中摻入0%～100%石灰石粉，獲取了摻假樣品的反射近紅外-高光譜圖像，并利用化學(xué)計(jì)量學(xué)建立了偏最小二乘預(yù)測(cè)模型，模型預(yù)測(cè)精度較高，相關(guān)系數(shù)為0.996，均方根誤差為2.47%，隨后用該模型建立了可視化預(yù)測(cè)圖像，可快速檢測(cè)木薯淀粉中摻假物的濃度。

2.4 乳制品摻假

乳制品行業(yè)是摻假行為頻發(fā)的領(lǐng)域，常見摻假成分包括尿素、三聚氰胺、香蘭素、葡萄糖和淀粉等。這些成分被非法添加以冒充蛋白質(zhì)、增加黏稠度或者改善乳制品口感。HSI技術(shù)可以為鑒別乳制品摻假現(xiàn)象提供有效手段。

趙昕等[11]基于近紅外-高光譜成像技術(shù)，建立了嬰幼兒配方奶粉中摻雜聚氰胺/香蘭素/淀粉的有監(jiān)督-偏最小二乘定量預(yù)測(cè)模型，并對(duì)結(jié)果進(jìn)行了可視化分析。結(jié)果顯示，預(yù)測(cè)結(jié)果較好，不同濃度摻假物視化圖顏色變化明顯。AQEEL等[12]利用高光譜成像技術(shù)共采集450份純牛奶和摻假牛奶樣品的光譜數(shù)據(jù)，采用機(jī)器學(xué)習(xí)建立了多個(gè)模型進(jìn)行識(shí)別和分類，模型實(shí)現(xiàn)了100%的驗(yàn)證準(zhǔn)確率，可以有效區(qū)分純牛奶和摻假物。BARRETO等[13]采用HSI技術(shù)結(jié)合偏最小二乘回歸構(gòu)建了摻假新鮮奶酪中淀粉含量的定量分析模型，模型決定系數(shù)為0.991 5，誤差為0.397 9，能有效測(cè)定摻假奶酪中的淀粉含量。

2.5 蜂蜜摻假

天然蜂蜜的價(jià)格遠(yuǎn)高于蔗糖或精制糖等其他甜味劑，所以有些商販為了降低成本，將劣質(zhì)蜂蜜或其他非天然甜味劑摻入優(yōu)質(zhì)蜂蜜中。純蜂蜜和摻假蜂蜜因成分不同而使光譜特征存在差異，因此可以利用HSI技術(shù)鑒定摻假蜂蜜。

SHAO等[14]利用HSI系統(tǒng)采集了純蜂蜜和摻假蜂蜜（果葡糖漿和蔗糖溶液摻假）的高光譜圖像，并結(jié)合化學(xué)計(jì)量學(xué)，建立了LibSVM摻假分類模型和偏最小二乘回歸摻假水平預(yù)測(cè)模型，LibSVM模型分類準(zhǔn)確率為92.5%，偏最小二乘回歸模型驗(yàn)證精度為84%，誤差為5.26%，實(shí)現(xiàn)了蜂蜜摻假的定性鑒別和定量檢測(cè)。武霄[15]采集不同濃度麥芽糖與葡萄糖漿摻入兩種蜂蜜的高光譜數(shù)據(jù)，經(jīng)一階差分預(yù)處理和一維卷積神經(jīng)網(wǎng)絡(luò)提取特征，建立了支持向量機(jī)模型，可以有效識(shí)別蜂蜜的品種并確定摻假物的濃度，正確識(shí)別率達(dá)到100%。

2.6 食用油摻假

食用油摻假最常見的方式是混入劣質(zhì)油。HSI技術(shù)利用不同油類型及其混合物的獨(dú)特光譜特征，可非破壞性、快速地區(qū)分純油和摻假油。HSI技術(shù)可以應(yīng)用于食用油供應(yīng)鏈的各個(gè)環(huán)節(jié)，是一種應(yīng)用前景廣闊的食用油摻假檢測(cè)和分類技術(shù)。

AQEEL等[16]利用HSI系統(tǒng)共采集670份純油和摻假油樣品的光譜圖像，對(duì)圖像預(yù)處理后，結(jié)合各種機(jī)器學(xué)習(xí)算法建立了鑒別模型，驗(yàn)證精度達(dá)100%。龍濤[17]利用近紅外-高光譜成像系統(tǒng)采集純紅花籽油和摻假油的光譜數(shù)據(jù)，結(jié)合機(jī)器學(xué)習(xí)建立了定性鑒別模型和紅花籽油含量的定量模型，可以對(duì)摻假紅花籽油進(jìn)行快速定性與定量分析。MALAVI等[18]應(yīng)用近紅外-高光譜成像結(jié)合機(jī)器學(xué)習(xí)建立了分類模型，對(duì)摻假特級(jí)初榨橄欖油進(jìn)行了檢測(cè)，模型的分類準(zhǔn)確率可達(dá)到100%，說(shuō)明近紅外-高光譜成像技術(shù)結(jié)合機(jī)器學(xué)習(xí)能有效檢測(cè)食用油摻假現(xiàn)象。

2.7 其他食品摻假

HSI技術(shù)在各種食品摻假檢測(cè)方面的應(yīng)用日益廣泛，如應(yīng)用于枸杞、全蛋粉、茶葉等食品的摻假鑒別。

ZHANG等[19]將寧夏惠農(nóng)、同心、海原、賀蘭4個(gè)地區(qū)的枸杞摻入寧夏中寧枸杞，以制備4類不同產(chǎn)地?fù)郊贅悠?，?jīng)HSI技術(shù)采集光譜信息，結(jié)合隨機(jī)森林構(gòu)建了20%摻假率的預(yù)測(cè)模型，準(zhǔn)確率分別為95.8%、91.4%、87.2%和91.1%。劉平等[20]將不同比例淀粉/大豆分離蛋白/麥芽糊精單一或混合摻入全蛋粉中制備摻假樣品，用HSI系統(tǒng)獲取摻假樣品的光譜數(shù)據(jù)，建立了全波段下支持向量機(jī)摻假判別模型和偏最小二乘回歸摻假量預(yù)測(cè)模型，支持向量機(jī)模型分類準(zhǔn)確率在90%以上，偏最小二乘回歸模型的預(yù)測(cè)集決定系數(shù)大于0.90。HU等[21]應(yīng)用熒光高光譜成像技術(shù)結(jié)合各種機(jī)器學(xué)習(xí)模型對(duì)摻假鐵觀音進(jìn)行了定性分析，并量化了摻假茶葉的摻假水平，結(jié)果顯示，所有分類模型均有較高準(zhǔn)確度，其中偏最小二乘判別模型分類準(zhǔn)確率可達(dá)98.56%，建立的隨機(jī)森林和偏最小二乘回歸定量模型均能準(zhǔn)確預(yù)測(cè)摻假水平，預(yù)測(cè)集決定系數(shù)在0.980 4～0.983 1，表明分析方法可靠。

3 結(jié)語(yǔ)

高光譜成像技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法和機(jī)器學(xué)習(xí)建立的定性分類模型和摻假水平的定量預(yù)測(cè)模型能夠有效應(yīng)用于食品摻假檢測(cè)。高光譜成像技術(shù)不僅能滿足快速、無(wú)損的實(shí)時(shí)定量檢測(cè)要求，還能實(shí)現(xiàn)可視化，從而切實(shí)提高食品摻假檢測(cè)水平。在高光譜成像技術(shù)未來(lái)的應(yīng)用中，可結(jié)合計(jì)算機(jī)技術(shù)和微芯片技術(shù)，開發(fā)便攜式設(shè)備，進(jìn)一步提高檢測(cè)的便捷性和時(shí)效性，保障食品安全，促進(jìn)食品行業(yè)健康發(fā)展。

參考文獻(xiàn)

[1]李彭，李艷艷，何學(xué)明，等.高光譜成像技術(shù)在糧食品質(zhì)檢測(cè)中的應(yīng)用[J].糧食儲(chǔ)藏，2024，53（4）：1-12.

[2]孔麗琴，牛曉虎，王程磊，等.高光譜技術(shù)在牛肉丸復(fù)合摻假類型鑒別中的應(yīng)用[J].光譜學(xué)與光譜分析，2024，44（8）：2183-2191.

[3]ZHANG Y，ZHENG M，ZHU R，et al.Adulteration discrimination and analysis of fresh and frozen-thawed minced adulterated mutton using hyperspectral images combined with recurrence plot and convolutional neural network[J].Meat Science，2022，192：108900.

[4]王婧茹，何鴻舉，朱亞?wèn)|，等.基于近紅外高光譜技術(shù)快速檢測(cè)豌豆蛋白摻假牛肉[J].食品工業(yè)科技，2023，44（14）：312-317.

[5]黃結(jié).基于便攜式多光譜成像系統(tǒng)的魚糜摻假淀粉定量檢測(cè)研究[D].武漢：華中農(nóng)業(yè)大學(xué)，2022.

[6]LI P，TANG S，CHEN S，et al.Hyperspectral imaging combined with convolutional neural network for accurately detecting adulteration in Atlantic salmon[J].Food Control，2023，147：109573-109583.

[7]WU D，SHI H，HE Y，et al.Potential of hyperspectral imaging and multivariate analysis for rapid and non-invasive detection of gelatin adulteration in prawn[J].Journal of Food

Engineering，2013，119（3）：680-686.

[8]余云新.基于高光譜技術(shù)的摻假大米快速檢測(cè)研究[D].武漢：華中科技大學(xué)，2019.

[9]HE H J，CHEN Y，LI G，et al.Hyperspectral imaging combined with chemometrics for rapid detection of talcum powder adulterated in wheat flour[J].Food Control，2023，144：109378-109386.

[10]KHAMSOPHA D，WORANITTA S，TEERACHAICHAYUT S.Utilizing near infrared hyperspectral imaging for quantitatively predicting adulteration in tapioca starch[J].Food Control，2021，123（1）：107781-107788.

[11]趙昕，馬競(jìng)一，陳晗，等.嬰幼兒奶粉中多種摻假物高光譜圖像檢測(cè)的特征分析[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào)，1-13[2024-12-11].http：//kns.cnki.net/kcms/detail/11.1964.S.20240228.1449.012. html.

[12]AQEEL M，SOHAIB A，IQBAL M，et al.Milk adulteration identification using hyperspectral imaging and ML[J].Journal of Dairy Science，2024：25635-25649.

[13]BARRETO A，CRUZ-TIRADO J P，SICHE R，

et al.Determination of starch content in adulterated fresh cheese using hyperspectral imaging[J].Food Bioscience，2018，21：14-19.

[14]SHAO Y，SHI Y，XUAN G，et al.Hyperspectral imaging for non-destructive detection of honey adulteration[J].Vibrational Spectroscopy，2022，118：103340-103347.

[15]武霄.基于多光譜維度與機(jī)器學(xué)習(xí)相結(jié)合的蜂蜜分類與摻假研究[D].昆明：云南師范大學(xué)，2023.

[16]AQEEL M，SOHAIB A，IQBALl M，et al.Hyperspectral identification of oil adulteration using machine learning techniques[J].Current Research in Food Science，2024，8：100773.

[17]龍濤.基于可見-近紅外高光譜技術(shù)的紅花籽油摻假鑒別與分析[D].雅安：四川農(nóng)業(yè)大學(xué)，2023.

[18]MALAVI D，RAES K，VAN HAUTE S.Integrating near-infrared hyperspectral imaging with machine learning and feature selection： detecting adulteration of extra-virgin olive oil with lower-grade olive oils and hazelnut oil[J].Current Research in Food Science，2024，9：100913.

[19]ZHANG Y，MA L，YI W，et al.Research on the adulteration of Lycium barbarum based on hyperspectral imaging technology combined with deep learning algorithm[J].Journal of Food Composition and Analysis，2024，136：106765.

[20]劉平，馬美湖.基于高光譜技術(shù)檢測(cè)全蛋粉摻假的研究[J].光譜學(xué)與光譜分析，2018，38（1）：246-252.

[21]HU Y，SUN J，ZHAN C，et al.Identification and quantification of adulterated Tieguanyin based on the fluorescence hyperspectral image technique[J].Journal of Food Composition and Analysis，2023，120：105343.