茉莉花的风味、 药用、 营养等方面的品质受其产地因素的影响, 因此茉莉花产地溯源对于保护消费者权益, 促进茉莉花产业健康发展具有重要意义。 为实现对不同产地的茉莉花产地溯源, 收集了广西横州、 福建福州、 四川犍为、 云南元江四个国内茉莉花主产地的100个茉莉花样本, 分别采用积分球和光纤探头两种方式获得茉莉花花蕾干样的近红外漫反射光谱(900～1 700 nm)。 采用Savitzky-Golay (SG)光谱平滑和多元散射校正(MSC)相结合进行光谱预处理, 光谱预处理后再利用主成分分析(PCA)结合线性判别分析(LDA)、 K近邻法(KNN)建立了茉莉花原产地判别模型。 建模过程中68个样本作为训练集, 32个样本作为测试集, 并通过交互检验进行模型参数优化。 结果表明, 基于PCA-LDA和PCA-KNN两种方法建立的判别模型均有良好的预测能力, 其中对于积分球采样得到的光谱数据两种方法预测准确率均达到100%, 对于光纤探头采样得到的光谱数据PCA-LDA和PCA-KNN的预测准确率分别为100%和93.75%。 最后, 通过不同产地茉莉花的色谱指纹图谱对比分析, 进一步阐明了基于近红外光谱技术进行茉莉花产地识别的物质基础。 该研究为茉莉花产地溯源提供了一种绿色、 快速、 准确的新方法, 在茉莉花原产地保护上有重要的潜在应用价值。

宁夏产地的宁夏枸杞属于《中华人民共和国药典》收录的道地药材, 药用价值较高、 消费者青睐度更高, 然而优质宁夏枸杞的种植面积较小、 产量较低、 枸杞子市场以乱充好、 以其他产地冲抵道地产区产品的现象频发。 因此, 建立快速有效的宁夏枸杞产地鉴别模型对监督市场具有重要的意义。 日常的市场交易枸杞子的鉴定一般凭借经验, 但是该方法误差较大, 可信度较低。 传统的理化实验鉴别周期较长, 非专业人员无法操作。 近些年一些学者研究发现不同产地的宁夏枸杞成分含量具有差异性, 然而枸杞子样本较小、 形状不规则、 成分分布不均匀, 近红外光谱鉴别通常需要碾碎成粉末然后采集光谱信息, 无法做到无损批量地采集枸杞子数据来鉴别枸杞子产地。 近红外高光谱图像结合了近红外光谱和图像, 包含丰富的空间信息和光谱信息, 可以实现无损批量地采集非均匀样本光谱信息。 利用近红外高光谱图像对甘肃、 青海、 新疆、 宁夏和内蒙5个产地的宁夏枸杞进行产地鉴别。 使用近红外高光谱图像系统采集了1 650个样本数据之后, 通过阈值分割、 图像去噪等方法提取出感兴趣区域(region-of-interest, ROI)。 对比了ZCA白化(zero-phase component analysis whitening)预处理方法和常用的标准化(normalization)预处理方法, 实验结果表明ZCA白化预处理是一种有效的高光谱数据预处理方法, 可以去除特征之间的相关性, 提升产地鉴别模型的准确率。 对预处理后的数据采用偏最小二乘降维(partial least squares based dimension reduction, PLSDR)降低模型复杂度, 结果表明经过ZCA白化预处理后的数据可以由288维特征降低到4个主成分, 使得去除相关性后的特征可以被更少的隐藏特征来表示, 这样可以极大程度上降低模型复杂性。 最后, 将降维后的特征输入到不同的分类器中进行训练, 包括支持向量机(support vector machine, SVM)、 Fisher线性判别分析(linear discriminant analysis, LDA)和Softmax分类。 其中, 基于ZCA白化、 PLSDR和Softmax分类的模型表现最好, 在测试集上的平均准确率为94.06%, 可以有效的鉴别宁夏枸杞产地。

基于傅里叶变换红外光谱技术, 利用逐步判别分析法对金银花品种和产地进行鉴别研究。采集、测试了5个产地9个品种150份金银花样本的红外光谱, 并计算了各样品红外光谱的一阶导数光谱和二阶导数光谱。分别选用不同的样本组成训练集和检验集, 以1800～900 cm-1、1500～700 cm-1和1200～700 cm-1波数范围的红外光谱、一阶导数光谱和二阶导数光谱数据为判别变量建立判别模型对金银花的品种和产地进行鉴别。判别结果显示, 以1800～900 cm-1波数范围的二阶导数光谱数据为判别变量建立的模型鉴别效果相对较好, 对品种和产地的鉴别正确率依次达93.20%和96.13%。研究结果表明, 采用逐步判别模式识别可以很好地鉴别不同品种和产地的金银花, 方法可行有效, 可为金银花品种和产地朔源提供方法。

采集四川、 重庆、 云南、 贵州、 陕西五省市8个不同产地205个花椒样品的近红外光谱, 使用主成分分析(principal component analysis, PCA)、 判别偏最小二乘法(discriminant partial least squares, DPLS)分析了花椒产地的分类鉴别。 结果表明: 在12 500～3 800 cm-1波数范围内, 采用不同的光谱预处理方法可以建立较为稳健的DPLS模式识别模型, 对不同产地的花椒有较好的分类鉴别。 其校正集交叉验证除了经一阶微分预处理的模型识别率为99.39%外, 其他预处理方法识别率均为100%, 独立验证集总体识别正确率在85.37%~97.56%之间, 其中经标准正态变量变换(standard normal variate, SNV)、 多元散射校正(multiplicative scatter correction, MSC)预处理后的DPLS判别模型效果最好, 误判数仅分别为1个, 表示该方法在花椒产地识别中具有可行性。

应用电感耦合等离子体质谱(ICP-MS)测定了北京顺义、河北阜平和河北平山三个地区65个荆条蜜样品中38种元素含量, 其中B, Na, Mg, P, K, Ca, Fe和Zn等8种元素的含量处于较高水平, 其浓度均高于1 mg·kg-1。比较发现, 不同地区荆条蜜中元素含量存在一定差异。以具有显著性差异(p<0.05)的29种元素(Na, Mg, Al, K, Ti, V, Mn, Fe, Ni, Cu, Zn, Ga, As, Sr, Y, Mo, Cd, Ba, La, Ce, Pr, Nd, Sm, Gd, Dy, Ho, Tl, Pb和U)为变量, 应用主成分分析(PCA)和反向传输人工神经网络(BP-ANN)两种化学计量学方法按照不同产地对荆条蜜进行了分析。PCA可将所有变量降为4个主成分, 并能解释81.6%的变量, 结果表明, PCA基本可以将荆条蜜按照不同产地分开。应用BP-ANN建立不同产地荆条蜜溯源模型, 用全部样本建立模型时, 三个产地荆条蜜分类的正确率均为100%, 采用“留一法”进行交叉检验, 整体准确率为95.4%;以75%的样本建立模型, 25%的样本用于预测, 对BP-ANN模型的可靠性进行验证, 三个产地整体分类和预测的准确率均为100%。ICP-MS测定蜂蜜中多元素含量结合多变量模型可以实现不同产地荆条蜜溯源。

Near infrared spectroscopy (NIRS), coupled with principal component analysis and wavelength selection techniques, has been used to develop a robust and reliable reduced-spectrum classifi- cation model for determining the geographical origins of Nanfeng mandarins. The application of the changeable size moving window principal component analysis (CSMWPCA) provided a notably improved classification model, with correct classification rates of 92.00%, 100.00%, 90.00%, 100.00%, 100.00%, 100.00% and 100.00% for Fujian, Guangxi, Hunan, Baishe, Baofeng, Qiawan, Sanxi samples, respectively, as well as, a total classification rate of 97.52% in the wavelength range from 1007 to 1296 nm. To test and apply the proposed method, the procedure was applied to the analysis of 59 samples in an independent test set. Good identification results (correct rate of 96.61%) were also received. The improvement achieved by the application of CSMWPCA method was particularly remarkable when taking the low complexities of the final model (290 variables) into account. The results of the study showed the great potential of NIRS as a fast, nondestructive and environmentally acceptable method for the rapid and reliable determination for geographical classification of Nanfeng mandarins.

利用近红外光谱和模式识别技术建立了大米产地的快速鉴别方法。 首先对119个地理标志产品响水大米和90个其他产地的大米（即非响水大米）的近红外光谱进行一阶导数和平滑处理, 利用主成分分析法（PCA）对数据进行降维, 通过前三个主成分的载荷图确定了相关性最大的特征波段（7 700～6 700 cm-1与5 700～4 300 cm-1）。 在全波段内, 凝聚层次聚类和Fisher’s判别鉴别方法都可以100%正确的鉴别响水大米和非响水大米; 对于非响水地区的大米的具体产地判别, 聚类分析正确率为91.9%, Fisher’s判别分析方法的正确率为96.7%。 同时, 在特征波段内, 对大米产地聚类分析的准确度高于全波段范围内分析结果, 说明选取的特征波段具有较强的代表性, 是优化模型的有效方法之一。

为寻求低廉、 快速有效地鉴别羊肉产地来源的方法, 对来自内蒙古自治区锡林郭勒盟、 呼伦贝尔市和阿拉善盟三个牧区, 及重庆市和山东省菏泽市两个农区共99份羊肉样品进行近红外光谱扫描, 利用主成分分析结合线性判别分析(PCA+LDA), 以及偏最小二乘判别分析法(PLS-DA)对光谱数据进行了分析, 建立了羊肉产地来源的定性判别模型。 结果表明, 在全光谱范围(950～1 650 nm)内, 经二阶求导(Savitzky-Golay, 9 点)和多元散射校正(MSC)预处理后, 五个地区羊肉的近红外光谱有显著差异。 其中农区和牧区之间的差异最为明显, 两种判别模型的整体正确判别率均为100%; PCA+LDA法对五个地域来源样本的整体正确判别率为91.2%, 优于PLS-DA法的判别效果(76.7%)。 此结果表明近红外光谱结合化学计量学方法可以作为羊肉产地溯源的一种有效技术手段。

食品产地溯源是建立食品质量安全追溯制度的重要组成部分, 也是保障食品质量安全的有效手段。 近红外光谱(near infrared spectroscopy, NIRS)技术因其快速、 无污染、 操作简单等优点受到人们的青睐, 是用于食品产地溯源的有效技术。 对比了几种用于食品产地溯源的技术的优缺点, 阐述了近红外光谱技术分析的基本原理及其在不同种类食品产地溯源中的国内外研究现状, 分析了近红外光谱技术应用于食品产地溯源的优势和需要解决的问题, 并展望了今后近红外光谱技术在食品产地溯源中的发展趋势。