高光譜圖像技術(shù)在食品檢測(cè)中的應(yīng)用

于佩含 李夢(mèng)楠 高雯

摘 要：當(dāng)前階段，人們生活品質(zhì)不斷提升，在推進(jìn)食品生產(chǎn)與加工領(lǐng)域技術(shù)深入研究的基礎(chǔ)上，人們對(duì)食品的安全性要求也進(jìn)一步提高。利用高光譜圖像技術(shù)對(duì)檢測(cè)對(duì)象的水分、新鮮度、污染性等進(jìn)行分析，向檢測(cè)人員提供詳細(xì)的成分、含量等食品數(shù)據(jù)，快速、精準(zhǔn)的得出檢測(cè)報(bào)告，為食品領(lǐng)域的綠色、環(huán)保發(fā)展提供技術(shù)支持?；诖耍疚膹母吖庾V食品檢驗(yàn)技術(shù)的主要技術(shù)特征出發(fā)，對(duì)該無損檢測(cè)技術(shù)的實(shí)踐應(yīng)用方向進(jìn)行具體探析。

關(guān)鍵詞：高光譜圖像技術(shù);食品;檢測(cè)

相較于高效液相色譜、質(zhì)譜、近紅外光譜等食品檢測(cè)技術(shù)，高光譜圖像分析技術(shù)可對(duì)食品進(jìn)行在線檢測(cè)，提取食品成分、結(jié)構(gòu)、比例等數(shù)據(jù)，檢測(cè)人員可通過光譜、圖像信息，對(duì)檢驗(yàn)對(duì)象的各種數(shù)據(jù)進(jìn)行動(dòng)態(tài)、精細(xì)分析，其具有快速高效、無侵入性、結(jié)果精準(zhǔn)、覆蓋全面等優(yōu)勢(shì)，在水果、蔬菜、谷物與肉類等食品檢測(cè)領(lǐng)域具有良好的應(yīng)用前景。

1 食品水分高光譜無損圖像檢測(cè)

食品行業(yè)快速發(fā)展的背景下，食品安全管理成為人們關(guān)注的重點(diǎn)。通過科學(xué)、有效的食品檢測(cè)技術(shù)，對(duì)食品的品質(zhì)進(jìn)行控制，提高食品銷售準(zhǔn)入門檻，規(guī)范食品市場(chǎng)經(jīng)營秩序，為養(yǎng)殖與種植戶、加工方、銷售單位等食品相關(guān)生產(chǎn)產(chǎn)業(yè)的可持續(xù)發(fā)展提供支持[1]。食品檢測(cè)按照測(cè)定標(biāo)準(zhǔn)與流程的不同，可分為綜合品質(zhì)的技術(shù)檢驗(yàn)與衛(wèi)生安全質(zhì)量檢驗(yàn)[2]。綜合品質(zhì)質(zhì)量檢驗(yàn)包括外在品質(zhì)與內(nèi)在品質(zhì)兩種檢測(cè)模式。外在檢測(cè)包括水果與蔬菜的光澤、損傷程度及肉類的色澤等。內(nèi)在檢測(cè)包括水果、蔬菜和肉類的水分含量、新鮮度[3]。安全檢測(cè)是生物污染程度檢測(cè)、表面排泄污染物檢測(cè)等，如谷物的病毒、真菌檢測(cè)。

1.1 肉類水分檢測(cè)

肉類作為食品安全檢驗(yàn)的重要類別，其富含多種營養(yǎng)物質(zhì)。采用高光譜無損檢測(cè)技術(shù)測(cè)定肉類水分含量與pH等相關(guān)指標(biāo)，可在不破壞檢驗(yàn)樣品的基礎(chǔ)上，通過光譜、圖像信息的分析，得到較為全面的檢測(cè)結(jié)果。三文魚水分含量與pH數(shù)值的檢驗(yàn)項(xiàng)目中，需在波長范圍400～1 700 nm獲取高光譜圖像信息，利用偏最小二乘回歸（Partial Least-Squares Regression，PLSR）建立預(yù)測(cè)模型，最終檢驗(yàn)得出三文魚的水分損失交叉驗(yàn)證相關(guān)系數(shù)為0.834。檢測(cè)牛羊肉的化學(xué)成分檢測(cè)時(shí)，采用900～1 700 nm波段近紅外波長，基于偏最小二乘公式對(duì)牛羊肉中的水含量、脂肪、蛋白質(zhì)等物質(zhì)的含量進(jìn)行計(jì)算，在模型中輸入各項(xiàng)檢測(cè)參數(shù)，得出相關(guān)系數(shù)0.88，為水分含量檢驗(yàn)結(jié)果提供相關(guān)數(shù)據(jù)支持。

1.2 水果蔬菜水分檢測(cè)

隨著光譜檢測(cè)技術(shù)在食品品質(zhì)測(cè)定領(lǐng)域的深入應(yīng)用，蔬菜水果中水分含量的檢驗(yàn)成效良好。在蔬菜品質(zhì)高光譜檢測(cè)實(shí)驗(yàn)中，偏最小二乘法結(jié)合神經(jīng)網(wǎng)絡(luò)算法構(gòu)建預(yù)測(cè)模型，對(duì)生菜葉片水分預(yù)測(cè)準(zhǔn)確率達(dá)到90.68%。利用光譜指數(shù)表現(xiàn)特征，對(duì)蘋果葉片進(jìn)行檢測(cè)時(shí)，構(gòu)建水分預(yù)測(cè)檢驗(yàn)?zāi)Ｐ停瑴y(cè)定結(jié)果的精度能達(dá)到98.20%。采用高光譜近紅外波段技術(shù)測(cè)定長棗中的含水量，基于偏最小二乘回歸法，對(duì)光譜中的加權(quán)β系數(shù)進(jìn)行提取，根據(jù)光譜中重要波長特征點(diǎn)的不同，建立預(yù)測(cè)分析模型，得出決定系數(shù)為0.79，該方法檢驗(yàn)效率高、檢測(cè)結(jié)果準(zhǔn)確，為長棗檢測(cè)技術(shù)的推廣提供依據(jù)。

2 食品新鮮度高光譜無損圖像檢測(cè)

在食品新鮮度的相關(guān)檢測(cè)領(lǐng)域，感官評(píng)定仍舊是較為常見的檢驗(yàn)方式，該方法缺乏客觀性，且檢測(cè)結(jié)果誤差較大，在肉類、蔬菜、水果等食品安全檢測(cè)中推廣高光譜技術(shù)勢(shì)在必行。

2.1 肉類新鮮度檢測(cè)

采用400～1 000 nm的高光譜近紅外成像技術(shù)對(duì)不同新鮮程度的鱈魚品質(zhì)進(jìn)行檢測(cè)，發(fā)現(xiàn)經(jīng)冷凍、冷藏處理的鱈魚肌紅與血紅蛋白在光譜中的表現(xiàn)不同，使用交互探針對(duì)其進(jìn)行進(jìn)一步檢測(cè)，新鮮鱈魚與冷凍可見光波段中子波段表現(xiàn)存在差異。在豬肉食品新鮮度檢測(cè)中，采用高光譜中的近紅外技術(shù)，基于偏最小二乘回歸建設(shè)檢測(cè)模型，對(duì)顏色反射率進(jìn)行預(yù)測(cè)，得到?jīng)Q定系數(shù)為0.93。該技術(shù)在豬肉食品新鮮度檢測(cè)中的檢驗(yàn)結(jié)果較為可靠。

2.2 水果損傷檢測(cè)

高光譜無損檢測(cè)技術(shù)還可以應(yīng)用于水果損傷檢測(cè)領(lǐng)域。有研究對(duì)芒果機(jī)械性損傷進(jìn)行檢測(cè)，芒果損傷圖像的完整波長范圍為650～1 100 nm。在高光譜無損檢測(cè)數(shù)據(jù)分類分析環(huán)節(jié)，主要以重要波長的特征為分類標(biāo)準(zhǔn)。當(dāng)前在圖譜波長分類實(shí)驗(yàn)中，常見的檢驗(yàn)技術(shù)有線性判別分析、近鄰法、樸素貝葉斯分類、決策樹及極限學(xué)習(xí)機(jī)等，可有效分辯多種高光譜成像數(shù)據(jù)，并對(duì)芒果的隱形損傷程度進(jìn)行判定[4]。其中，采用近鄰法分類，在實(shí)驗(yàn)的第3 d得到的分類檢測(cè)數(shù)據(jù)準(zhǔn)確性達(dá)到97.90%。

3 食品生物污染高光譜無損檢測(cè)

3.1 肉類生物污染無損檢測(cè)

食品消費(fèi)水平的不斷提升，促進(jìn)了食品行業(yè)的繁榮發(fā)展，肉類食品的供應(yīng)需求逐步提升。為保證肉類食品的品質(zhì)，部分養(yǎng)殖與銷售方需要采用冷藏的方式，延長保質(zhì)期。從實(shí)踐調(diào)查來看，冷藏庫中的溫度波動(dòng)、冷藏運(yùn)輸情況變化等，會(huì)對(duì)肉類食品細(xì)菌生長與繁殖狀況造成一定的影響。高光譜在肉類細(xì)菌檢測(cè)方面具有顯著的優(yōu)勢(shì)。近紅外高光譜分析與檢驗(yàn)技術(shù)在腐敗豬肉、雞肉與鮭魚等肉類檢測(cè)領(lǐng)域應(yīng)用廣泛，可在線檢驗(yàn)假單胞菌的數(shù)量，建立對(duì)應(yīng)的檢測(cè)模式，最后利用遺傳算法、競(jìng)爭適應(yīng)再加權(quán)抽樣算法、連續(xù)投影算法等，對(duì)有效波長進(jìn)行分析篩選，對(duì)檢測(cè)對(duì)象的相關(guān)系數(shù)進(jìn)行計(jì)算，得出準(zhǔn)確的檢驗(yàn)結(jié)果。

3.2 谷物生物污染無損檢測(cè)

近幾年，谷物致病性真菌生物污染檢測(cè)方面的技術(shù)研究不斷突破，采用酶聯(lián)免疫吸附、熒光偏振免疫分析、聚合酶鏈反應(yīng)實(shí)驗(yàn)等技術(shù)，可準(zhǔn)確分析致病真菌含量，其具有靈敏性高、結(jié)果精確的特征，由于實(shí)驗(yàn)檢測(cè)步驟較為復(fù)雜，檢驗(yàn)成本相對(duì)較高，適用范圍受到一定的限制。高光譜圖像采集與分析技術(shù)可借助降維分析處理方法，檢驗(yàn)結(jié)果準(zhǔn)確度能達(dá)到87.00%左右[5]。在對(duì)玉米的真菌含量進(jìn)行檢測(cè)時(shí)，基于降維分析數(shù)據(jù)參數(shù)，利用最小顯著差檢驗(yàn)分析，分析結(jié)果顯示置信度達(dá)到95.00%。

4 結(jié)語

在食品檢測(cè)領(lǐng)域推廣高光譜無損檢測(cè)技術(shù)，可在不破壞檢測(cè)對(duì)象表面的基礎(chǔ)上，對(duì)食品的水分含量、pH值、新鮮度、生物污染情況等進(jìn)行檢測(cè)，利用偏最小二乘或偏最小二乘回歸公式，建立對(duì)應(yīng)的預(yù)測(cè)模型，對(duì)食品的光譜與圖像信息進(jìn)行分析，得出相關(guān)系數(shù)，檢驗(yàn)結(jié)果較為準(zhǔn)確。在技術(shù)的實(shí)際應(yīng)用過程中，技術(shù)人員應(yīng)在全面、深入掌握各項(xiàng)檢驗(yàn)公式、模型運(yùn)用特征的同時(shí)，規(guī)范檢驗(yàn)工作流程，合理優(yōu)化建模方法，為技術(shù)的廣泛應(yīng)用提供助力。

參考文獻(xiàn)

[1]秦勤.高光譜成像技術(shù)在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用[J].科技創(chuàng)新導(dǎo)報(bào)，2019（10）：155-156.

[2]孟慶龍，張艷，尚靜.基于高光譜成像技術(shù)的蘋果表面缺陷無損檢測(cè)[J].食品研究與開發(fā)，2019，40（5）：168-172;

[3]王承克，張澤翔，黃曉瑋，等.高光譜成像的豆腐形成過程中組分含量變化檢測(cè)[J].光譜學(xué)與光譜分析，2020，40（11）：2549-3555.

[4]陳綾鋼，呂靖芳.高光譜圖像技術(shù)在農(nóng)產(chǎn)品監(jiān)測(cè)中的應(yīng)用進(jìn)展[J].北京農(nóng)業(yè)，2016（1）：206.

[5]周全，朱大洲，王成，等.成像光譜技術(shù)在農(nóng)產(chǎn)品/食品檢測(cè)中的研究進(jìn)展[J].食品科學(xué)，2010（23）：423-428.