近紅外光譜技術(shù)在糧食工業(yè)中的應(yīng)用

孫玉俠

（自貢市糧油科學(xué)研究所，四川自貢 643010）

近紅外光譜技術(shù)在糧食工業(yè)中的應(yīng)用

孫玉俠

（自貢市糧油科學(xué)研究所，四川自貢 643010）

近紅外光譜技術(shù)是一種無損、快速、高效的檢測技術(shù)，綜述介紹近年來近紅外光譜技術(shù)在糧食行業(yè)中的應(yīng)用，從糧食收獲到儲藏、加工過程中的質(zhì)量控制，涉及糧食的營養(yǎng)成分、儲存指標(biāo)以及衛(wèi)生安全指標(biāo)的檢測模型的建立等方面看，近紅外光譜技術(shù)在糧食安全在線檢測方面具備可行性，可為我國“糧安”工程實時在線檢測提供支持。

近紅外光譜技術(shù)；糧食；質(zhì)量安全；檢測

近紅外光譜技術(shù)，是近年來發(fā)展迅猛的無損檢測技術(shù)。近紅外光譜波長在780～2 500 nm，近紅外光譜的產(chǎn)生則是由于分子振動的倍頻或合頻吸收造成的，能在近紅外波段產(chǎn)生基頻振動的主要是含氫基團(tuán)，如O—H、N—H、C—H、S—H的伸縮或彎曲振動，其他的官能團(tuán)如C—O、C—N、C—C等鍵的伸縮振動在近紅外區(qū)域僅能產(chǎn)生信號強(qiáng)度很弱的多級倍頻，一般會被含氫基團(tuán)的一級或者二級倍頻掩蓋。故此近紅外光譜技術(shù)所能測定的成分中必須是含氫基團(tuán)，如蛋白質(zhì)、脂肪、淀粉等。

近紅外光譜技術(shù)的優(yōu)點：弱吸收譜，樣品大多不需前處理，分析過程簡單；分析速度快，分析效率高。一個樣品光譜測定1 min左右即可完成，通過建立的多種模型，即可得到檢測數(shù)據(jù)；波段可由光纖傳導(dǎo)，能夠適用于在線或有毒有害環(huán)境的遠(yuǎn)程分析；分析成本低，對操作者要求低；無損檢測，重現(xiàn)性好。

近紅外光譜技術(shù)也有其弱點，因為近紅外光譜區(qū)包含含氫基團(tuán)不同級別的倍頻和不同形式的組合合頻吸收，所以其譜帶較寬，吸收峰重疊嚴(yán)重，譜帶復(fù)雜，且吸收強(qiáng)度較弱，光譜的信噪比較低。近紅外光譜一般都是對復(fù)雜樣品進(jìn)行近紅外建模分析，是從復(fù)雜、重疊及變動的光譜中提取微弱信息，屬于微弱信號提取處理技術(shù)；而且，近紅外光譜技術(shù)本身是一種二次測量技術(shù)，因為近紅外定量分析方法的靈敏度不僅僅依賴于光譜測量技術(shù)的準(zhǔn)確性，還有賴于樣品物化性質(zhì)測試的準(zhǔn)確度［1］。

影響近紅外光譜準(zhǔn)確性和穩(wěn)定性的因素主要有：環(huán)境條件；光譜波長選擇及采集光譜的處理；校正模型的建立；化學(xué)測量值的準(zhǔn)確度及不確定度。其次還有后續(xù)校正模型的數(shù)據(jù)補(bǔ)充等。

近紅外光譜技術(shù)目前已在農(nóng)業(yè)、環(huán)境、食品、醫(yī)療［2］、通信等行業(yè)廣泛應(yīng)用，在糧食領(lǐng)域，已應(yīng)用于糧油的收獲和儲藏的品質(zhì)檢測等。

1 在糧食中質(zhì)量控制中的應(yīng)用

近紅外光譜技術(shù)（NIR）是新型快速無損檢測技術(shù)的代表，由于不需要制備樣品，運(yùn)行成本較低，是一種環(huán)境友好、快速可在線檢測的技術(shù)。因此，在糧食收獲、儲存，加工過程的食質(zhì)量安全控制中得到越來越多的應(yīng)用。

1.1 小麥

Johannes Hell等［3］通過比較近紅外光譜和中紅外光譜對麥麩的多種營養(yǎng)成分進(jìn)行測定，發(fā)現(xiàn)近紅外光譜檢測模型在灰分，淀粉、膳食纖維指標(biāo)上表現(xiàn)更好，中紅外光譜在蛋白質(zhì)測定上更優(yōu)越，其他成分表現(xiàn)相似。在小麥加工過程中，于760～900 nm波長條件下采用短波—近紅外光譜成像對小麥粉烘焙過程中物理化學(xué)特性和流變學(xué)特性進(jìn)行研究，對發(fā)酵動力學(xué)參數(shù)、谷蛋白等進(jìn)行檢測分析［4］，有效優(yōu)化小麥粉發(fā)酵過程發(fā)酵參數(shù)；小麥面筋蛋白的主要成分是麥膠蛋白和麥谷蛋白，Wesley等用SEHPLC方法測定面筋蛋白質(zhì)，開發(fā)了最小二乘法

校正模型，測定面筋蛋白質(zhì)含量，均方根誤差為0.36［5］；還可對粗粒小麥粉的質(zhì)量進(jìn)行預(yù)測。Sinelli等采用傅里葉變換近紅外光譜法（FT－NIR）采集了500份硬質(zhì)小麥光譜數(shù)據(jù)，建立了較好的面筋含量、面筋指數(shù)模型，但面筋拉力測定模型不太成功［6］；也可對小麥種子的發(fā)展發(fā)芽階段進(jìn)行無損檢測［7］。

1.2 稻谷

Adcha Heman等［8］采用近紅外／可見光光譜技術(shù)分別建立了不同收獲期稻谷的水分測定模型，水分含量從11.5%～28.7%不等，相關(guān)系數(shù)在0.9以上；近年來稻谷副產(chǎn)物的開發(fā)受到重視，其中糙米及米糠的產(chǎn)品較多，Torit Baran Bagchi等［9］研究開發(fā)近紅外檢測模型檢測水稻籽粒的蛋白質(zhì)含量，糙米的直鏈淀粉含量，以及米糠的蛋白質(zhì)、脂肪、水分、灰分和纖維含量，這些校準(zhǔn)模型的精確度高。Setia Darmawan Afandi等通過人工神經(jīng)網(wǎng)絡(luò)方法，采用近紅外光譜反射技術(shù)，選擇波長在700～1 075 nm，測定水稻在生長過程中不同部位氮含量的變化［10］，從而推斷水稻的光合作用，為水稻的高產(chǎn)量及稻田管理提供數(shù)據(jù)支持。

1.3 玉米

結(jié)合化學(xué)計量學(xué)方法和近紅外光譜技術(shù)，采用SIMCA（光譜分析軟件）對涂有涂層劑的玉米種子進(jìn)行漫反射定性識別，達(dá)到97.5%的準(zhǔn)確率［11］；Chen Hua－zhou等基于FT－NIR，通過移動窗口偏最小二乘（OMWPLS）計量方法對玉米蛋白質(zhì)的波段選擇進(jìn)行優(yōu)化，選擇最優(yōu)的穩(wěn)定模型均方根誤差為0.413%，預(yù)測的相關(guān)系數(shù)為0.939［12］；Rita Redaelli等采用近紅外光譜技術(shù)結(jié)合比色法對意大利的391份玉米面粉樣品的總抗氧化能力進(jìn)行檢測，并建立模型評估得出近紅外光譜技術(shù)遠(yuǎn)程操控具備可行性［13］；Paul J.Williams等采用近紅外光譜成像及多變量數(shù)據(jù)分析技術(shù)研究玉米內(nèi)核中的真菌概況，在1 000～2 498 nm光譜范圍，對吸光度的像素和陰影圖像采用主成分分析（PCA）法，通過感染鐮刀菌，分析淀粉和蛋白質(zhì)的變化，發(fā)現(xiàn)玉米感染真菌的前期階段［14］。

1.4 其他糧食作物

Diarah Guindo等通過近紅外光譜技術(shù)對高粱果皮厚度進(jìn)行掃描檢測，預(yù)測高粱的有關(guān)質(zhì)量信息［15］；Chen Jing等采用近紅外光譜法測定小米的蛋白質(zhì)、碳水化合物以及粗脂肪含量［16］，Lembe Samukelo Magwaza等用近紅外光譜技術(shù)快速定量地瓜中的蛋白質(zhì)含量，光譜范圍為1 600～2 200 nm，相關(guān)系數(shù)達(dá)到0.98，均方根誤差0.29［17］；Linda Dykes等研究近紅外光譜技術(shù)在高粱的育種中的應(yīng)用，無損檢測高粱的總酚含量、單寧含量以及3－脫氧花青素含量［18］。

在糧食感官實驗中，Nicoletta Sinelli等采用近紅外光譜技術(shù)評定大米的蒸煮時間，凝膠化時間，推薦最優(yōu)蒸煮時間，通過處理與烹飪相關(guān)的大米分子團(tuán)體的近紅外光譜圖，建立近紅外光譜檢測模型，快速客觀評價大米的感官質(zhì)量［19］。

在糧食儲存過程中，大米的外觀、風(fēng)味和營養(yǎng)質(zhì)量一直處在動態(tài)變化過程中，通常在儲存的過程中，大米的酸度會增加，通過檢測大米的酸度可以對大米的新鮮度進(jìn)行評估。Chuang Yung－Kun等通過麝香草溴酚藍(lán)—甲基紅（BTB－MR）方法測定大米的酸度，收集了180份白米樣品，結(jié)合獨立分量分析技術(shù)（ICA）與NIR技術(shù)，建立酸度檢測模型，相關(guān)系數(shù)為0.924，預(yù)測標(biāo)準(zhǔn)誤差為0.146［20］，結(jié)果表明，ICA－NIR技術(shù)有潛力成為大米新鮮度評價的一種有效方法。

2 在糧食經(jīng)濟(jì)作物質(zhì)量控制中的應(yīng)用

Sunoj等使用FT－NIR研究近紅外光譜技術(shù)檢測可可豆的質(zhì)量參數(shù)，如發(fā)酵指數(shù)、pH值、總多酚含量，采用偏最小二乘（PLS）法分別建立相關(guān)檢測模型，研究了發(fā)酵指數(shù)在0.535～1.242之間、pH值位于4.26～6.13之間，總多酚含量在6.48～15.58 mg／g之間，建立的檢測模型相關(guān)系數(shù)大于0.8［21］。Ernest Teye等采用人工神經(jīng)網(wǎng)絡(luò)（BPANN）建立近紅外檢測模型，檢測可可豆的發(fā)酵指數(shù)、pH值，其檢測模型的相關(guān)系數(shù)大于0.95，預(yù)測的均方根誤差小于0.1，準(zhǔn)確度很高［22］；SHAN Jiajia等采用近紅外光譜法聯(lián)合高效液相色譜法（HPLC）檢測咖啡豆中的綠原酸（CGA），用偏最小二乘回歸（PLSR）法建立檢測模型，合成的模型相關(guān)系數(shù)為0.76，交叉驗證的均方根誤差為1.16%，可以為咖啡豆的烘烤品質(zhì)在線監(jiān)測提供數(shù)據(jù)支持［23］。

3 展望

對近紅外光譜技術(shù)在糧食質(zhì)量控制中的應(yīng)用進(jìn)行了綜述，可看出我國近紅外光譜技術(shù)的研究主要集中在常見營養(yǎng)成分的定量研究，已經(jīng)趨于成熟，而對于植物化學(xué)成分如綠原酸、總酚、花青素等研究較少，對于糧食作物中的農(nóng)藥殘留、真菌感染研究寥寥無幾，感官檢驗的研究相對較少。目前我國糧食安全問題主要集中在農(nóng)藥殘留和真菌感染等問題上，如果建立近紅外檢測相關(guān)模型，將有利于我國“糧安”工程建設(shè)，促進(jìn)糧食質(zhì)量在線監(jiān)測監(jiān)控。

［1］陳達(dá).近紅外光譜新型化學(xué)計量學(xué)建模方法研究［D］.合肥：中國科學(xué)技術(shù)大學(xué)，2005.

［2］Tadanobu Nagaya，Yuko Nakamura，Kazuhide Sato，et al.Improved micro－distribution of antibody－photon absorber conjugates after initial near infrared photoimmunotherapy（NIR－PIT）［J］.Journal of Controlled Release，2016，232：1－8.

［3］Johannes Hell，Michael Prückler，Lukas Danner，et al.A comparison between near－infrared（NIR）and mid－infrared（ATR－FTIR）spectroscopy for the multivariate determination of compositional properties in wheat bran samples［J］.Food Control，2016，60：365－369.

［4］Samuel Verdú，Eugenio Ivorra，Antonio J.Sánchez，et al.Study of high strength wheat flours considering their physicochemical and rheological characterisation as well as fermentation capacity using SW－NIR imaging［J］.Journal of Cereal Science，2015，62：31－37.

［5］Wesley I J，Larroque O，Osborne B G，et al.Measurement of gliadin and glutenin content of flour by NIR spectroscopy［J］.Journal of Cereal Science，2001，34（2）：125－133.

［6］Sinelli N，Pagani M A，Lucisano M，et al.Prediction of semolina technological quality by FT－NIR spectroscopy［J］.Journal of Cereal Science，2011，54（2）：218－223.

［7］András Salgó，Szilveszter Gergely.Analysis of wheat grain development using NIR spectroscopy［J］.Journal of Cereal Science，2012，56（1）：31－38.

［8］Adcha Heman，Ching－Lu Hsieh.Measurement of moisture content for rough rice by visible and near－infrared（NIR）spectroscopy［J］. Engineering in Agriculture，Environment and Food，In Press，Corrected Proof，Available online 18 February 2016.

［9］Torit Baran Bagchi，Srigopal Sharma，Krishnendu Chattopadhyay. Development of NIRS models to predict protein and amylose content of brown rice and proximate compositions of rice bran［J］.Food Chemistry，2016，191：21－27.

［10］Setia Darmawan Afandi，Yeni Herdiyeni，Lilik B.Prasetyo，et al. Nitrogen content estimation of rice crop based on near infrared（NIR）reflectance using artificial neural network（ANN）［J］. Procedia Environmental Sciences，2016，33：63－69.

［11］Jia Shiqiang，An Dong，Liu Zhe，et al.Variety identification method of coated maize seeds based on near－infrared spectroscopy and chemometrics［J］.Journal of Cereal Science，2015，63：21－26.

［12］Chen Hua－Zhou，Song Qi－Qing，Tang Guo－Qiang，et al.An optimization strategy for waveband selection in FT－NIR quantitative analysis of corn protein［J］.Journal of Cereal Science，2014，60（3）：595－601.

［13］Rita Redaelli，Michela Alfieri，Giovanni Cabassi.Development of a NIRS calibration for total antioxidant capacity in maize germplasm［J］.Talanta，2016，154：164－168.

［14］Paul J.Williams，Paul Geladi，Trevor J.Britz，et al.Investigation of fungal development in maize kernels using NIR hyperspectral imaging and multivariate data analysis［J］.Journal of Cereal Science，2012，55（3）：272－278.

［15］Diarah Guindo，F(xiàn)abrice Davrieux，Niaba Teme，et al.Pericarp thickness of sorghum whole grain is accurately predicted by NIRS and can affect the prediction of other grain quality parameters［J］. Journal of Cereal Science，2016，69：218－227.

［16］Chen Jing，Ren Xin，Zhang Qing，et al.Determination of protein，total carbohydrates and crude fat contents of foxtail millet using effective wavelengths in NIRspectroscopy［J］.Journal of Cereal Science，2013，58（2）：241－247.

［17］Lembe Samukelo Magwaza，Sónia Inês Messo Naidoo，Sunette M. Laurie，et al.Development of NIRS models for rapid quantification of protein content in sweetpotato［J］.LWT－Food Science and Technology，2016，72：63－70.

［18］Linda Dykes，Leo Hoffmann Jr.，Ostilio Portillo－Rodriguez，et al. Prediction of total phenols，condensed tannins，and 3－deoxyanthocyanidins in sorghum grain using near－infrared（NIR）spectroscopy［J］.Journal of Cereal Science，2014，60（1）：138－142.

［19］Nicoletta Sinelli，Simona Benedetti，Gabriella Bottega，et al.Evaluation of the optimal cooking time of rice by using FT－NIR spectroscopy and an electronic nose［J］.Journal of Cereal Science，2006，44（2）：137－143.

［20］Chuang Yung－Kun，Hu Yi－Ping，Yang I－Chang，et al.Integration of independent component analysis with near infrared spectroscopy for evaluation of rice freshness［J］.Journal of Cereal Science，2014，60（1）：238－242.

［21］Sunoj S，Igathinathane C，Visvanathan R.Nondestructive determination of cocoa bean quality using FT－NIR spectroscopy［J］.Computers and Electronics in Agriculture，2016，124：234－242.

［22］Ernest Teye，Xingyi Huang，Livingstone K.Sam－Amoah，et al. Estimating cocoa bean parameters by FT－NIRS and chemometrics analysis［J］.Food Chemistry，2015，176：403－410.

［23］Shan Jiajia，Tetsuhito Suzuki，Diding Suhandy，et al.Chlorogenic acid（CGA）determination in roasted coffee beans by near infrared（NIR）spectroscopy［J］.Engineering in Agriculture，Environment and Food，2014，7（4）：139－142.

Application of near infrared spectroscopy technology in food industry

SUN Yu－xia
（Zigong Grain and Oil Science Institute，Zigong Sichuan 643010）

Near infrared spectroscopy is a nondestructive，rapid and efficient detection technology.The application of near infrared spectroscopy in food industry in recent years was introduced.In the aspects of grain picking，the quality and safety control during storage and process，food nutrients and detection models of storage indexes and health security，the near infrared spectroscopy in food safety online detection have the feasibility，which can provide support for real－time online detection of the“food security”project in our country.

near infrared spectroscopy technology；food；quality safety；detection

TS210.1

A

1007－7561（2017）01－0058－03

2016－05－24

自貢市重點科技項目（2016NY10）

孫玉俠，1986年出生，女，碩士研究生，工程師.