近红外光谱及成像检测凭借其高效、无损、非接触等优点近年来被广泛应用于农林产品、食品检测等方面。该技术可快速获取样品光谱和图像信息，进而结合化学计量学、机器学习建模等对样品进行品质安全、掺杂掺假、理化指标和产地溯源等方面检测，深受各行各业的认可。但光学仪器使用环境以及被测样品性质具有局限性，光学检测结果易受到各种因素干扰，从而影响检测精度，应当予以消除或削弱。简述了近红外光谱和高光谱成像的检测基本原理，并对国内外近红外光谱及成像技术在检测时受到的影响因素进行总结与归纳，结合国内外研究学者在相关方面的研究内容，重点在温度、光照、水分、曲率变化和湿度等5个方面及相关校正方法的应用进行阐述，对当前存在的部分问题提出总结与建议，以期为相关方向的研究人员提供参考及借鉴。

小麦不仅是我国主要的粮食品种, 也是一种重要的饲料和工业原料。 小麦易受赤霉病感染从而产生呕吐毒素, 学名脱氧雪腐镰刀菌烯醇(DON), 具有一定致癌性, 对人畜健康构成严重威胁。 尤其近年来极端异常气候频发, 小麦DON污染风险呈不断上升趋势, 已成为影响其产品质量安全的主要因素。 然而, 传统DON检测方法过程繁琐、 耗时费力, 因此发展一种快速、 低成本且适用于在线的检测方法对小麦安全生产及加工具有重要意义。 首先从江苏各地收集不同赤霉病感染程度的小麦样品200份, 磨粉后利用超高效液相色谱-串联质谱联用法(UPLC-MS/MS)测定小麦中DON含量, 再利用光谱仪在线采集小麦的可见/近红外光谱。 数据处理步骤为: 采用多元散射校正以及二阶导数对光谱进行预处理, 同时根据竞争性自适应权重取样算法提取特征波长, 最后利用线性判别分析(LDA)与偏最小二乘判别分析法(PLS-DA)建立小麦粉样品的定性分析模型(以国家标准1 000 μg·kg-1为界限), 根据偏最小二乘回归(PLSR)建立小麦粉样品DON含量定量分析模型。 UPLC-MS/MS结果表明小麦DON污染风险较高, 所测样品超标率约为50%。 可见/近红外光谱分析表明不同DON含量小麦样品光谱特征具有一定的差异, 原始光谱和二阶导数谱图可看出1 420 nm处DON含量越高, 吸光度越低。 由于DON绝对含量低而光谱仪的检测限有限, 通过主成分分析未能发现明显的聚类趋势, 但根据全光谱以及特征光谱所构建的LDA与PLS-DA判别模型均能够对超标和未超标样品进行快速识别与筛查, 最佳识别率达87.69%。 从定量分析结果来看, 所构建的小麦样品DON含量的PLSR模型结果不太理想, 最优模型结果: 预测集相关系数(rp)为0.688, 均方根误差(RMSEP)为727 μg·kg-1, 相对分析偏差(RPD)值为1.38, 模型精度和稳健性有待进一步提升。 利用可见/近红外光谱和化学计量学方法, 实现小麦DON含量超标与否的在线判别与筛查, 为我国小麦产品质量安全快速检测提供了技术参考。 但对DON含量的定量分析还需要进一步研究, 探究外部因素对模型的影响, 并拟扩大样品量, 收集不同地区、 不同品种的小麦样品, 提高模型的精度及普适性。

油脂中的反式脂肪酸(TFA)有害人们的身体健康, 有必要对其含量进行监测。 共收集各类食用植物油样本79个, 涉及9个品种和27个品牌, 分配到校正集和预测集的样本数分别为53个和26个。 采用QE65000拉曼光谱仪采集79个样本的拉曼光谱, 利用自适应迭代惩罚最小二乘法去除样本拉曼光谱的荧光背景; 在此基础上, 采用多种归一化方法对样本拉曼光谱进行处理, 并对拉曼光谱的建模波数范围进行初选; 再利用竞争性自适应重加权采样(CARS)方法筛选与食用植物油TFA含量相关的光谱变量, 并应用偏最小二乘(PLS)回归将食用植物油TFA的特征变量光谱强度与气相色谱测定的TFA真实含量进行关联, 建立食用植物油中TFA含量的定量预测模型。 研究结果表明, 多种归一化方法中, 有4种归一化方法均能提高PLS定量预测模型的性能, 其中Area normalization方法的效果最优; 经建模波数范围初选, 波数范围由686~2 301 cm-1缩减为737~1 787 cm-1, 确定较优的建模波数范围为737~1 787 cm-1; 经CARS方法筛选, 共有31个光谱变量被选择, 其选择的光谱变量主要分布在1 265, 1 303, 1 442及1 658 cm-1拉曼振动峰附近, 且974 cm-1拉曼振动峰两侧均有光谱变量被选择; 此外, CARS方法的PLS建模结果优于常用的无信息变量消除及连续投影算法。 由此可知, 激光拉曼光谱技术结合化学计量学方法检测食用植物油中的TFA含量是可行的。 归一化方法、 建模波数范围初选及竞争性自适应重加权采样(CARS)方法能有效提高TFA定量预测模型的预测精度和稳定性, 优化后的TFA定量预测模型的校正集及预测集的相关系数和均方根误差分别为0.949, 0.953和0.188%, 0.191%。 与未优化的预测模型相比, 预测均方根误差由0.361%下降为0.191%, 下降幅度为47.1%; 建模所用的变量数由683个下降为31个, 仅占原变量数的4.54%。

小麦是我国战略性储藏粮食品种, 但小麦易受霉菌感染而发生霉变, 影响其食用安全。 加强小麦有害霉菌侵染程度的早期检测是控制其危害的需要措施。 然而, 现有的平板计数和荧光染色等检测方法, 普遍存在前处理繁杂、 时效性差等不足。 故此, 拟运用阵列式光纤光谱仪结合化学计量学方法, 建立霉变小麦的实时在线检测方法, 并为进一步开发粮食品质与安全在线检测装备提供参考。 小麦样品经辐照灭菌后分别接种五种谷物中常见有害霉菌: 串珠镰刀菌83227、 层出镰刀菌195647、 雪腐镰刀菌3.503、 寄生曲霉3.3950和赭曲霉3.3486, 并置于28 ℃和85%相对湿度环境中储藏7 d以加速霉变。 在样品储藏的第0, 1, 3, 5和7 d, 运用阵列式光纤光谱仪和漫反射探头在线采集样品的漫反射特征光谱, 并依据国标平板计数法测定样品菌落总数水平。 光谱采集步骤为: 在线检测平台上, 设置样品运动速度0.15 m·s-1和光谱仪积分时间20 ms, 采集波段为600~1 600 nm, 重复测量3次。 然后, 首先对小麦原始光谱进行平滑、 多元散射校正和导数变换等预处理以消除光谱噪音; 随后, 运用主成分分析(PCA)对受不同霉变程度(储藏阶段)的小麦样品进行区分; 最后, 利用线性判别分析(LDA)和偏最小二乘回归分析(PLSR)建立小麦有害霉菌侵染程度的定性定量分析模型。 小麦在储藏期内经历未霉变、 开始霉变和严重霉变三个阶段。 原始和二阶微分光谱显示霉菌侵染引起小麦光谱特征发生显著改变, PCA结果表明不同储藏阶段(霉变程度)小麦样品存在一定分离趋势。 利用前十个主成分得分建立的LDA判别模型, 对不同霉变程度小麦样品的识别率达90.0%以上。 结果表明: 小麦样品菌落总数的PLSR定量预测模型的预测决定系数(R2p)为0.859 2, 预测均方根误差(RMSEP)为0.401 Log CFU·g-1, 相对分析偏差(RPD)达2.65。 应用阵列式光纤光谱仪结合计量学方法在线评估小麦霉变具有一定可行性。 下一步研究中, 应扩大样品量, 补充自然霉变及受更多代表性霉菌侵染的小麦样品, 以不断增强模型的鲁棒性和方法的适用性。

为了能够快速、 无损地评价花生的质量, 确保储藏与食用安全, 开发了一种基于近红外光谱技术的花生产毒霉菌污染程度的定性定量分析方法。 首先对经过Co-60强辐射杀菌后的新鲜花生样品分别接种谷物中五种常见产毒霉菌(黄曲霉3.17、 黄曲霉3.3950、 寄生曲霉3.395、 寄生曲霉3.0124、 赭曲霉3.6486), 并于适宜条件下(26 ℃、 RH 80%)储藏9 d。 其次, 利用近红外光谱仪采集了不同时期花生样品在12 000～4 000 cm-1波段范围内的漫反射光谱, 运用主成分分析(PCA)、 判别分析(DA)和偏最小二乘回归(PLSR)建立了分析模型。 结果显示, 接种不同霉菌的样品随着储藏时间的延长均能得到有效区分, DA模型对储藏0, 3, 6与9 d花生的感染单一霉菌和多种霉菌的总体判别正确率分别达到100%和99.17%, PLSR模型对样品中的菌落总数的预测结果为: 有效决定系数(R2P)为0.874 1、 交互验证均方根误差(RMSECV)为0.276 Log CFU·g-1, 剩余预测偏差(RPD)为1.92。 结果表明, 近红外光谱技术可以作为一种可靠的分析方法对花生受霉菌侵染的状况进行快速分析, 从而确保贮藏期间花生的质量安全。

采用近红外光谱结合判别分析（ DA）和主成分分析（ PCA）在不同光谱预处理方法下分别对山西老陈醋醋龄进行定性判别分析，和对陈醋中可溶性固形物（SSC）及 pH值进行定量分析。结果表明：原始光谱、5点平滑以及 SNV校正建立的 DA模型性能良好，校正集判别正确率为 100%，预测集判别正确率为 88.89%；原始光谱建立的可溶性固形物的定量模型最优，校正集和预测集的相关系数 r分别为 0.99988和 0.99960，RMSEC、RMSEP和 RMSECV分别为 0.0421，0.0911和 0.0777；5点平滑建立的 pH值的定量模型最优，校正集和预测集的相关系数 r分别为 0.99733和 0.97411， RMSEC、RMSEP和 RMSECV分别为 0.0151，0.0386和 0.0468，表明采用近红外光谱对老陈醋的 pH值和可溶性固形物进行定量分析以及对老陈醋的醋龄进行定性判别是可行的。