论文部分内容阅读
摘 要：近红外光谱技术作为一种快速、高效、无损的分析技术，已被广泛应用于农产品检测领域。近红外光谱技术结合化学计量学方法，可有效实现农产品营养成分和质量安全的检测，亦可用于农产品产地溯源和作物育种。该文综述了近红外光谱技术在农产品检测中的应用现状，并对其今后的发展进行了展望。
关键词：近红外光谱;农产品;检测;应用进展
中图分类号 O657.3 文献标识码 A 文章编号 1007-7731（2021）17-0155-04
Application Research Progress of Near Infrared Spectroscopy Technology in Agricultural Products Detection
WANG Jianwei1，2 et al.
（1School of Life Sciences， Tianjin University， Tianjin 300072， China; 2Hangzhou Wahaha Group Co.， Ltd， Hangzhou 310009， China）
Abstract： As a fast， efficient， low-cost， non-destructive analysis technology， near infrared spectroscopy technology has been widely used in the field of agricultural products detection. Near infrared spectroscopy technology combined with chemometric methods can effectively realize the detection of the nutritional content and quality of agricultural products， and can also be used for geographic origin determination and breeding. This article reviews the applications of near infrared spectroscopy technology in agricultural products detection， and prospects its future development.
Key words： Near infrared spectroscopy; Agricultural products; Detection; Application progress
近年来，随着生活水平的不断提高，人们对农产品营养价值和质量安全的要求越来越高，然而传统的分析检测方法存在操作复杂、检测耗时长、对样品具有破坏性等缺点，难以满足当前快速检测的需求。在农产品产地鉴定方面，目前主要依靠经验判断或卖家信誉，这给了不法商贩以次充好的动机。在作物育种方面，基于分子生物学的转基因检测方法对检测人员的专业技能要求高，且实验操作复杂、检测耗时长，难以进行大规模推广。
近红外光谱技术是20世纪80年代发展起来的一种无损检测技术，目前已被广泛应用于食品、药品、农业等领域[1-2]。近红外光谱技术利用分子中含氢基团（如C-H、N-H、O-H等）间振动的倍频与合频的吸收光谱，分析获得分子的状态、组成、结构等信息。近红外光谱技术的常规分析流程如下：采集样品的光谱数据，测定样品相关指标的标准值，建立定性或定量预测模型，通过建立的模型对未知样品的相关指标进行预测。
近红外光谱技术是一种集光谱分析、化学计量学和计算机技术于一体的现代光谱分析技术，相比常规化学分析方法，其具有快速、无损、无试剂消耗的优点。近年来，随着近红外光谱仪器和化学计量学算法的不断进步，近红外光谱分析技术的研究领域也在不断扩大。目前，近红外光谱技术已被广泛应用于农产品检测领域，如农产品营养成分检测、质量安全检测、产地溯源和作物育种等。
1 近红外光谱技术用于农产品检测的优势
近红外光谱技术是利用物质对近红外光的吸收、反射、散射、透射等特性，对待测样品进行定量或定性分析的检测技术。目前，近红外光谱技术已被广泛应用于农产品检测领域，这与其独特的优势密不可分。
首先，从理论上说，所有可产生近红外光谱的物质均可用近红外光谱技术分析，有些无法直接产生近红外光谱的物质也可通过其关联产物的近红外光谱进行分析，因而其检测指标比较丰富。其次，近红外光谱技术无需对样品做复杂的预处理，它可直接分析液态、粉末状、颗粒状等形态的样品，且检测过程不消耗试剂、不破坏样品。再次，近红外光谱技术具有透射式、漫反射式、透反射式等檢测方式，且近红外光的穿透性较好，适用于多种生物样本的分析，增加了该技术的适用性。最后，近红外光谱技术的检测速度快，通常几秒内即可完成对样品的检测，可显著提高检测效率，使实时检测变为可能。
2 近红外光谱技术在农产品检测中的应用
近红外光谱技术作为一种快速、无损、绿色的分析技术，近年来在农产品营养成分检测、质量安全检测、产地溯源和作物育种等领域都发挥了重要作用。
2.1 营养成分检测 蛋白质、脂肪、淀粉等物质是农产品的主要营养成分，它们的含量高低会直接影响到农产品的食用口感、加工特性和营养价值，因而对农产品营养成分的检测具有重要意义。农产品中营养成分的常规检测方法为基于化学分析或仪器分析的方法，此类方法具有操作复杂、检测时间长、具有破坏性等缺点，不适合大规模、实时检测。近红外光谱技术具有不破坏样品、快速、准确的优点，已被广泛应用于农产品营养成分检测。 王勇生等[3]研究了近红外光谱技术应用于高粱中粗蛋白质检测的可行性。在采集110份高粱的近红外光谱数据，并用国标方法检测其粗蛋白质含量后，采用一阶导数+多元散射校正对光谱进行预处理，通过偏最小二乘法建立了定标模型。模型的交互验证相对分析误差为4.97，外部验证相对分析误差为3.32，可精确地评估高粱中粗蛋白质的含量。
乔瑶瑶等[4]以燕麦为研究对象，对其近红外光谱数据进行预处理后，用神经网络技术建立了燕麦中脂肪含量的预测模型。实验结果表明，所建立的燕麦中脂肪含量预测模型对验证集的相关系数为0.962，均方根误差为1.607，具有较好的预测准确性，可用于燕麦脂肪含量的快速测定。
唐忠厚等[5]利用近红外光谱技术对甘薯中淀粉和糖类物质含量的快速检测进行了研究。在完成甘薯样品的近红外光谱采集和标准化学值测定后，他们利用多种光谱预处理方法和偏最小二乘法建立了甘薯中淀粉、蔗糖、葡萄糖和果糖含量的预测模型。实验结果表明，淀粉、蔗糖、葡萄糖和果糖预测模型的交叉验证决定系数分别为0.997、0.991、0.990和0.994，验证样品预测值和化学值的相关系数达0.990以上，模型可用于甘薯中淀粉和糖类含量的快速检测。
李楠等[6]探索了近红外光谱技术应用于大豆氨基酸快速检测的可行性。通过扫描大豆样品的近红外光谱数据，并用高效液相色谱法分析样品中18种氨基酸的标准含量，获得建模数据集。在完成光谱数据预处理后，采用偏最小二乘回归法建立了18种氨基酸的定量分析模型。由实验结果可知，天冬氨酸、谷氨酸、丝氨酸、甘氨酸、酪氨酸、苯丙氨酸、亮氨酸和异亮氨酸模型具有较好的预测性能，其校正决定系数皆大于0.73，可用于大豆中氨基酸含量的准确预测。
黄亮等[7]对花椰菜中营养成分硫代葡萄糖苷的近红外快速检测方法进行了研究。他们收集了2个品种（松花和雪白）的花椰菜样品，采集其近红外光谱数据，并用分光光度法测定硫代葡萄糖苷的标准含量。在完成光谱数据预处理和主成分提取后，用偏最小二乘回归法建立了定量分析模型。实验结果表明，松花花椰菜模型对预测集的预测相关系数为0.89，预测均方根误差为0.63，雪白花椰菜模型对预测集的预测相关系数为0.73，预测均方根误差为0.46，模型可快速、准确地检测花椰菜中硫代葡萄糖苷的含量。
2.2 质量安全检测 近年来，农产品质量安全问题频发，农药残留、掺假、微生物污染等问题时有出现，农产品质量安全问题越来越受到人们的关注。气相色谱、高效液相色谱、气质联用等仪器分析方法是农产品质量安全检测的常规方法，但此类方法操作复杂、耗时、费用昂贵，难以满足快速检测的需求。近红外光谱技术因其快速、经济、无损的特点，在农产品质量安全检测领域有着巨大的应用前景。
李敏[8]以小白菜和氯氟氰菊酯农药为研究对象，采集了不含农药、含轻度农药残留、含重度农药残留小白菜样品的近红外光谱数据。光谱数据经小波软阈值预处理和主成分分析后，用线性判别分析和K近邻分类方法进行鉴别。实验结果表明，算法对小白菜有无农药残留及农药残留轻重程度的鉴别准确率达到90%以上，为蔬菜农药残留定性检测提供了参考。
王淑贤等[9]以普洱茶和香精为研究对象，扫描了不含香精、含不同浓度香精（香豆素、香兰素和乙基麦芽酚）的普洱茶样品的近红外光谱数据。光谱数据经二阶导数和多元散射校正进行预处理后，采用偏最小二乘法分别建立了3种香精的普洱茶掺假定量预测模型。模型对香豆素、香兰素和乙基麦芽酚的预测决定系数分别为0.7989、0.7350、0.6938，预测均方根误差分别为0.1461、0.1678、0.1800，可实现掺假普洱茶中3种香精成分的快速检测。
曹海燕等[10]利用近红外光谱技术，对紫薯半干面菌落总数和新鲜度鉴定进行了研究。他们将制作完成的紫薯半干面储存于20°C恒温培养箱放置不同时间，获得了含不同菌落总数和新鲜度的样品，然后扫描样品的近红外光谱数据，并用国标方法对样品的菌落总数进行检测。获得的光谱数据经标准归一化预处理后，采用主成分分析结合马氏距离的定性判别分析建立了新鲜度定性判别模型，正确识别率达到100%。用偏最小二乘法建立了菌落总数定量预测模型，模型的预测决定系数为0.975，预测均方根误差为0.445。实验结果表明，近红外光谱技术可用于快速检测紫薯半干面的菌落总数和新鲜度。
孙通等[11]利用近红外光谱技术对食用植物油中的腐霉利的定性检测进行了研究。他们配制了含不同腐霉利浓度的植物油样品，并根据国家标准所规定的阈值，将样品分为合格组和不合格组。在扫描样品的近红外光谱数据后，利用无信息变量消除方法进行波长筛选，并用判别偏最小二乘法建立了分类模型，模型对预测集样本的分类正确率为98.7%，灵敏度为95.0%，特异性为100.0%，可实现植物油质量的快速定性检测。
王超等[12]利用近红外光谱技术对烟叶质量等级快速检测进行了研究。研究人员采集了来自不同产地、不同质量等级的烟叶样品，根據外观标准划分为7个质量等级，并扫描样品的近红外光谱数据。经光谱数据预处理后，应用偏最小二乘定性判别方法建立了烟叶质量等级定性判别模型，模型对预测集的预测标准差不大于1.35，满足实际应用要求。
2.3 产地溯源 随着生活水平的不断提高，地域特色农产品越来越受到市场认可。这些产品通常具有较好的经济效益，但常有不法商贩受利益驱使，对地域特色农产品进行以假乱真、以次充好，既损害了消费者利益，也打击了生产者的积极性。因此，对农产品产地溯源的研究具有重要意义，近红外光谱技术已发展成为一种重要的农产品产地溯源技术。
唐艳等[13]以122批西洋参样品为研究对象，采集其近红外光谱信息，采用正交偏最小二乘判别分析法，建立西洋参不同产地和规格的辨识模型，实验结果表明，该模型可有效提取近红外光谱图上存在的差异信息，实现了国产和进口西洋参样品的有效鉴别，以及西洋参饮片和药材的辨识，可应用于西洋参产地和规格的判别。 顾玉琦等[14]采集了来自5个不同产地铁皮石斛样品的1000～1650nm近红外光谱数据，结合簇类独立软模式法建立了5个产地样品的分类模型，在对训练集和验证集进行预测时，模型的识别准确率均为100%，在对来自其他产地的铁皮石斛进行预测，样品拒绝率都为100%，证明了上述模型可准确鉴别来自不同产地的铁皮石斛。
赖长江生等[15]对47份产自陕西、湖北、四川和浙江的灵芝样品进行了近红外光谱扫描和多糖含量测定，利用随机森林算法实现了灵芝产地的有效区分，使用偏最小二乘回归分析法，经光谱数据预处理，成功地构建了灵芝多糖含量的预测模型。实验结果表明，不同产地灵芝的多糖含量质量分数为1.93%～3.99%。
李春美等[16]采集来自广西、贵州和西藏的三七样本各20个，利用10000～3000cm-1的光谱数据，并用距离匹配算法进行建模，模型对上述3个产地三七的识别率在95%以上，证明了近红外光谱技术可用于中药产地的快速检测。
李余进等[17]以3个产地的普洱茶样品为研究对象，采集了其在1100～2498nm的近红外光谱数据，并用判别分析法建立了普洱茶产地识别定性分析模型。模型对校正集和验证集的识别正确率分别为98.15%、100%，可快速、无损地识别普洱茶产地。
2.4 作物育种 随着现代农业的发展，为提高农作物产量，减少农药使用，预防病虫害威胁，转基因育种日益受到重视。在转基因育种时，必须判定所导入的外源基因是否在作物中成功表达。目前，常规的基因筛查方法是基于分子生物学的检测技术，其操作复杂，具有较高的专业技能要求，不利于推广。近红外光谱可反映基因变异相关的蛋白质分子吸收信息，可应用于转基因农作物检测。
刘桂松等[18]采用有监督、无监督模式识别算法结合SG平滑模式筛选，成功建立了应用于转基因甘蔗育种筛查的可见-近红外光谱检测模型。模型对转基因样品检验识别率为92.5%，具有较好的识别效果，表明可见-近红外光谱可捕捉到甘蔗植株的转基因信息，可用于转基因甘蔗育种筛查，对于其他农作物的转基因检测也有一定的借鉴作用。
谢丽娟等[19]用可见-近红外光谱技术对转基因和非转基因的番茄叶片进行了定性分析，实验采集46个样本（26个转基因，20个非转基因）用于建模，22个样本（12个转基因，10个非转基因）用于验证，实验结果显示，判别分析法较偏最小二乘判别法有更好效果，模型分类的准确率为89.7%。此外，他们[20]也进一步验证了，不论是转基因番茄叶、番茄果实还是番茄汁，都可以通过测量它们的可见-近红外光谱并结合化学计量学方法，实现转基因样品的快速、无损鉴定。
于燕波等[21]对转基因和非转基因的中作321、TP309和日本晴的水稻叶片开展了单品种转基因识别研究，采用偏最小二乘法建立了近红外光谱转基因识别模型。结果表明，中作321转基因识别模型的识别正确率达98.84%，TP309转基因识别模型的识别正确率达98.46%，日本晴转基因识别模型的识别正确率达73.49%。
芮玉奎等[22]借助近红外光谱技术，对转基因玉米及其亲本在4000～8000cm-1波段内进行了光谱扫描，并建立了神经网络识别模型，结果表明，所建立的模型对10个验证样品的类型预测准确率为100%，在转基因农产品育种领域有一定的应用价值。
方慧等[23]利用近红外光谱技术，对不同品种转基因大豆及其亲本的鉴定进行了研究。实验采集了3种非转基因大豆亲本及其转基因大豆品种的光谱数据，采用偏最小二乘-判别分析建立了3种大豆的定性判别模型。结果表明，3种大豆判别模型对预测集的判别正确率分别为83%、85%和85%，表明近红外光谱技术可以较为准确地鉴别转基因大豆。
3 展望
近红外光谱技术作为一种快速、无损、高效的检测技术，已被广泛应用于农产品检测领域。利用近红外光谱技术结合化学计量学方法，建立农产品关键成分的定量或定性分析模型，可对消费者關系的农产品营养成分、质量安全、产地指标进行快速检测，亦可用于作物育种，在农产品检测领域发挥了重要作用。但近红外光谱技术也存在一些不足，比如建模样本的化学值测量过程十分繁琐耗时、模型建立过程对化学计量学算法等专业知识要求较高、检测过程仍需要人工参与。因此，如何降低近红外光谱技术的应用门槛，提高检测过程的自动化水平，将是今后近红外光谱技术领域的研究重点之一。
近年来，物联网、云技术、机器人、5G等先进技术发展迅速，为近红外光谱技术的进一步推广提供了机遇。将近红外光谱技术与上述技术结合，将进一步扩展近红外光谱技术的应用场景和优势。比如，将近红外光谱技术与智能化生产线结合，无须人工参与，即可实现样品成分的实时检测;将各种应用场景的数据和近红外模型存放于云端，用户可根据需要对资源进行调用、更新或补充，降低近红外光谱技术的使用门槛。近红外光谱技术与前沿技术的结合，对于进一步减少人力物力消耗、提高检测效率、降低使用门槛、扩展应用场景必将起到积极的作用。
作者简介：王建伟（1991—），男，浙江杭州人，博士，研究方向：近红外光谱技术。 收稿日期：2021-05-18
参考文献
[1]王艳龙，王胜宝，李新生.近红外光谱技术在农业领域的应用及展望[J].安徽农学通报，2012，18（15）：33-35.
[2]耿响，周丽萍，马欣欣，等.基于近红外光谱的茶粕中含油量和水分快速测定方法研究[J].安徽农学通报，2017，23（16）：130-132.
[3]王勇生，李洁，王博，等.基于近红外光谱技术评估高粱中粗蛋白质、水分含量的研究[J].动物营养学报，2020，32（3）：1353-1361.
[4]乔瑶瑶，赵武奇，胡新中，等.采用近红外光谱技术的燕麦脂肪含量检测[J].陕西师范大学学报（自然科学版），2016，44（4）：119-124. [5]唐忠厚，李洪民，李强，等.基于近红外光谱技术预测甘薯块根淀粉与糖类物质含量[J].江苏农业学报，2013，29（6）：1260-1265.
[6]李楠，许韵华，宋雯雯，等.利用近红外光谱技术快速检测大豆氨基酸含量[J].植物遗传资源学报，2012，13（6）：1037-1044.
[7]黄亮，薛建新，穆炳宇.基于可见/近红外光谱技术快速检测花椰菜中硫代葡萄糖苷的含量[J].现代食品科技，2021，37（4）：269-274.
[8]李敏.基于近红外光谱技术的小白菜农药残留鉴别分析[J].红外，2020，41（10）：44-47.
[9]王淑贤，肖航，杨振发，等.香精掺假普洱茶的近红外光谱检测[J].激光与光电子学进展，2020，57（23）：392-397.
[10]曹海燕，潘王盈，施永清，等.近红外光谱技术快速检测紫薯半干面中菌落总数及新鲜度[J].中国食品学报，2016，16（10）：160-166.
[11]孙通，莫欣欣，李晓珍，等.近红外光谱技术结合变量选择方法定性检测食用植物油中的腐霉利[J].光谱学与光谱分析，2016，36（12）：3915-3919.
[12]王超，李朋成，杨凯，等.近红外光谱烟叶质量等级快速检测与等级特征分析[J].光谱学与光谱分析，2021，41（3）：943-947.
[13]唐艳，王维皓，刘江弟，等.基于近红外技术的西洋参质量评价及产地鉴别[J].中药材，2018，41（3）：540-545.
[14]顾玉琦，刘瑞婷，寿国忠，等.应用近红外光谱技术快速鉴别铁皮石斛的产地[J].江苏农业科学，2016，44（5）：365-368.
[15]赖长江生，周融融，余意，等.基于近红外分析和化学计量学方法对不同产地灵芝快速鉴别及多糖含量测定的研究[J].中国中药杂志，2018，43（16）：3243-3248.
[16]李春美，陈娜，谭超，等.基于光谱技术实现中药三七的真伪识别及产地分析[J].当代化工，2020，49（5）：834-837.
[17]李余进，李超，李家华，等.基于近红外光谱的普洱茶产地识别研究[J].湖北農业科学，2020，59（5）：138-141.
[18]刘桂松，郭昊淞，潘涛，等.Vis-NIR光谱模式识别结合SG平滑用于转基因甘蔗育种筛查[J].光谱学与光谱分析，2014，34（10）：2701-2706.
[19]谢丽娟，应义斌，应铁进，等.可见/近红外光谱分析技术鉴别转基因番茄叶[J].光谱学与光谱分析，2008（5）：1062-1066.
[20]谢丽娟.转基因番茄的可见/近红外光谱快速无损检测方法[D].杭州：浙江大学，2009.
[21]于燕波.近红外光谱分析技术在转基因水稻识别和高油棉籽筛选中的应用研究[D].北京：中国农业大学，2014.
[22]芮玉奎，罗云波，黄昆仑，等.近红外光谱在转基因玉米检测识别中的应用[J].光谱学与光谱分析，2005（10）：47-49.
[23]方慧，张昭，王海龙，等.基于中红外光谱技术鉴别转基因大豆的方法研究[J].光谱学与光谱分析，2017，37（3）：760-765.
（责编：张宏民）
关键词：近红外光谱;农产品;检测;应用进展
中图分类号 O657.3 文献标识码 A 文章编号 1007-7731（2021）17-0155-04
Application Research Progress of Near Infrared Spectroscopy Technology in Agricultural Products Detection
WANG Jianwei1，2 et al.
（1School of Life Sciences， Tianjin University， Tianjin 300072， China; 2Hangzhou Wahaha Group Co.， Ltd， Hangzhou 310009， China）
Abstract： As a fast， efficient， low-cost， non-destructive analysis technology， near infrared spectroscopy technology has been widely used in the field of agricultural products detection. Near infrared spectroscopy technology combined with chemometric methods can effectively realize the detection of the nutritional content and quality of agricultural products， and can also be used for geographic origin determination and breeding. This article reviews the applications of near infrared spectroscopy technology in agricultural products detection， and prospects its future development.
Key words： Near infrared spectroscopy; Agricultural products; Detection; Application progress
近年来，随着生活水平的不断提高，人们对农产品营养价值和质量安全的要求越来越高，然而传统的分析检测方法存在操作复杂、检测耗时长、对样品具有破坏性等缺点，难以满足当前快速检测的需求。在农产品产地鉴定方面，目前主要依靠经验判断或卖家信誉，这给了不法商贩以次充好的动机。在作物育种方面，基于分子生物学的转基因检测方法对检测人员的专业技能要求高，且实验操作复杂、检测耗时长，难以进行大规模推广。
近红外光谱技术是20世纪80年代发展起来的一种无损检测技术，目前已被广泛应用于食品、药品、农业等领域[1-2]。近红外光谱技术利用分子中含氢基团（如C-H、N-H、O-H等）间振动的倍频与合频的吸收光谱，分析获得分子的状态、组成、结构等信息。近红外光谱技术的常规分析流程如下：采集样品的光谱数据，测定样品相关指标的标准值，建立定性或定量预测模型，通过建立的模型对未知样品的相关指标进行预测。
近红外光谱技术是一种集光谱分析、化学计量学和计算机技术于一体的现代光谱分析技术，相比常规化学分析方法，其具有快速、无损、无试剂消耗的优点。近年来，随着近红外光谱仪器和化学计量学算法的不断进步，近红外光谱分析技术的研究领域也在不断扩大。目前，近红外光谱技术已被广泛应用于农产品检测领域，如农产品营养成分检测、质量安全检测、产地溯源和作物育种等。
1 近红外光谱技术用于农产品检测的优势
近红外光谱技术是利用物质对近红外光的吸收、反射、散射、透射等特性，对待测样品进行定量或定性分析的检测技术。目前，近红外光谱技术已被广泛应用于农产品检测领域，这与其独特的优势密不可分。
首先，从理论上说，所有可产生近红外光谱的物质均可用近红外光谱技术分析，有些无法直接产生近红外光谱的物质也可通过其关联产物的近红外光谱进行分析，因而其检测指标比较丰富。其次，近红外光谱技术无需对样品做复杂的预处理，它可直接分析液态、粉末状、颗粒状等形态的样品，且检测过程不消耗试剂、不破坏样品。再次，近红外光谱技术具有透射式、漫反射式、透反射式等檢测方式，且近红外光的穿透性较好，适用于多种生物样本的分析，增加了该技术的适用性。最后，近红外光谱技术的检测速度快，通常几秒内即可完成对样品的检测，可显著提高检测效率，使实时检测变为可能。
2 近红外光谱技术在农产品检测中的应用
近红外光谱技术作为一种快速、无损、绿色的分析技术，近年来在农产品营养成分检测、质量安全检测、产地溯源和作物育种等领域都发挥了重要作用。
2.1 营养成分检测 蛋白质、脂肪、淀粉等物质是农产品的主要营养成分，它们的含量高低会直接影响到农产品的食用口感、加工特性和营养价值，因而对农产品营养成分的检测具有重要意义。农产品中营养成分的常规检测方法为基于化学分析或仪器分析的方法，此类方法具有操作复杂、检测时间长、具有破坏性等缺点，不适合大规模、实时检测。近红外光谱技术具有不破坏样品、快速、准确的优点，已被广泛应用于农产品营养成分检测。 王勇生等[3]研究了近红外光谱技术应用于高粱中粗蛋白质检测的可行性。在采集110份高粱的近红外光谱数据，并用国标方法检测其粗蛋白质含量后，采用一阶导数+多元散射校正对光谱进行预处理，通过偏最小二乘法建立了定标模型。模型的交互验证相对分析误差为4.97，外部验证相对分析误差为3.32，可精确地评估高粱中粗蛋白质的含量。
乔瑶瑶等[4]以燕麦为研究对象，对其近红外光谱数据进行预处理后，用神经网络技术建立了燕麦中脂肪含量的预测模型。实验结果表明，所建立的燕麦中脂肪含量预测模型对验证集的相关系数为0.962，均方根误差为1.607，具有较好的预测准确性，可用于燕麦脂肪含量的快速测定。
唐忠厚等[5]利用近红外光谱技术对甘薯中淀粉和糖类物质含量的快速检测进行了研究。在完成甘薯样品的近红外光谱采集和标准化学值测定后，他们利用多种光谱预处理方法和偏最小二乘法建立了甘薯中淀粉、蔗糖、葡萄糖和果糖含量的预测模型。实验结果表明，淀粉、蔗糖、葡萄糖和果糖预测模型的交叉验证决定系数分别为0.997、0.991、0.990和0.994，验证样品预测值和化学值的相关系数达0.990以上，模型可用于甘薯中淀粉和糖类含量的快速检测。
李楠等[6]探索了近红外光谱技术应用于大豆氨基酸快速检测的可行性。通过扫描大豆样品的近红外光谱数据，并用高效液相色谱法分析样品中18种氨基酸的标准含量，获得建模数据集。在完成光谱数据预处理后，采用偏最小二乘回归法建立了18种氨基酸的定量分析模型。由实验结果可知，天冬氨酸、谷氨酸、丝氨酸、甘氨酸、酪氨酸、苯丙氨酸、亮氨酸和异亮氨酸模型具有较好的预测性能，其校正决定系数皆大于0.73，可用于大豆中氨基酸含量的准确预测。
黄亮等[7]对花椰菜中营养成分硫代葡萄糖苷的近红外快速检测方法进行了研究。他们收集了2个品种（松花和雪白）的花椰菜样品，采集其近红外光谱数据，并用分光光度法测定硫代葡萄糖苷的标准含量。在完成光谱数据预处理和主成分提取后，用偏最小二乘回归法建立了定量分析模型。实验结果表明，松花花椰菜模型对预测集的预测相关系数为0.89，预测均方根误差为0.63，雪白花椰菜模型对预测集的预测相关系数为0.73，预测均方根误差为0.46，模型可快速、准确地检测花椰菜中硫代葡萄糖苷的含量。
2.2 质量安全检测 近年来，农产品质量安全问题频发，农药残留、掺假、微生物污染等问题时有出现，农产品质量安全问题越来越受到人们的关注。气相色谱、高效液相色谱、气质联用等仪器分析方法是农产品质量安全检测的常规方法，但此类方法操作复杂、耗时、费用昂贵，难以满足快速检测的需求。近红外光谱技术因其快速、经济、无损的特点，在农产品质量安全检测领域有着巨大的应用前景。
李敏[8]以小白菜和氯氟氰菊酯农药为研究对象，采集了不含农药、含轻度农药残留、含重度农药残留小白菜样品的近红外光谱数据。光谱数据经小波软阈值预处理和主成分分析后，用线性判别分析和K近邻分类方法进行鉴别。实验结果表明，算法对小白菜有无农药残留及农药残留轻重程度的鉴别准确率达到90%以上，为蔬菜农药残留定性检测提供了参考。
王淑贤等[9]以普洱茶和香精为研究对象，扫描了不含香精、含不同浓度香精（香豆素、香兰素和乙基麦芽酚）的普洱茶样品的近红外光谱数据。光谱数据经二阶导数和多元散射校正进行预处理后，采用偏最小二乘法分别建立了3种香精的普洱茶掺假定量预测模型。模型对香豆素、香兰素和乙基麦芽酚的预测决定系数分别为0.7989、0.7350、0.6938，预测均方根误差分别为0.1461、0.1678、0.1800，可实现掺假普洱茶中3种香精成分的快速检测。
曹海燕等[10]利用近红外光谱技术，对紫薯半干面菌落总数和新鲜度鉴定进行了研究。他们将制作完成的紫薯半干面储存于20°C恒温培养箱放置不同时间，获得了含不同菌落总数和新鲜度的样品，然后扫描样品的近红外光谱数据，并用国标方法对样品的菌落总数进行检测。获得的光谱数据经标准归一化预处理后，采用主成分分析结合马氏距离的定性判别分析建立了新鲜度定性判别模型，正确识别率达到100%。用偏最小二乘法建立了菌落总数定量预测模型，模型的预测决定系数为0.975，预测均方根误差为0.445。实验结果表明，近红外光谱技术可用于快速检测紫薯半干面的菌落总数和新鲜度。
孙通等[11]利用近红外光谱技术对食用植物油中的腐霉利的定性检测进行了研究。他们配制了含不同腐霉利浓度的植物油样品，并根据国家标准所规定的阈值，将样品分为合格组和不合格组。在扫描样品的近红外光谱数据后，利用无信息变量消除方法进行波长筛选，并用判别偏最小二乘法建立了分类模型，模型对预测集样本的分类正确率为98.7%，灵敏度为95.0%，特异性为100.0%，可实现植物油质量的快速定性检测。
王超等[12]利用近红外光谱技术对烟叶质量等级快速检测进行了研究。研究人员采集了来自不同产地、不同质量等级的烟叶样品，根據外观标准划分为7个质量等级，并扫描样品的近红外光谱数据。经光谱数据预处理后，应用偏最小二乘定性判别方法建立了烟叶质量等级定性判别模型，模型对预测集的预测标准差不大于1.35，满足实际应用要求。
2.3 产地溯源 随着生活水平的不断提高，地域特色农产品越来越受到市场认可。这些产品通常具有较好的经济效益，但常有不法商贩受利益驱使，对地域特色农产品进行以假乱真、以次充好，既损害了消费者利益，也打击了生产者的积极性。因此，对农产品产地溯源的研究具有重要意义，近红外光谱技术已发展成为一种重要的农产品产地溯源技术。
唐艳等[13]以122批西洋参样品为研究对象，采集其近红外光谱信息，采用正交偏最小二乘判别分析法，建立西洋参不同产地和规格的辨识模型，实验结果表明，该模型可有效提取近红外光谱图上存在的差异信息，实现了国产和进口西洋参样品的有效鉴别，以及西洋参饮片和药材的辨识，可应用于西洋参产地和规格的判别。 顾玉琦等[14]采集了来自5个不同产地铁皮石斛样品的1000～1650nm近红外光谱数据，结合簇类独立软模式法建立了5个产地样品的分类模型，在对训练集和验证集进行预测时，模型的识别准确率均为100%，在对来自其他产地的铁皮石斛进行预测，样品拒绝率都为100%，证明了上述模型可准确鉴别来自不同产地的铁皮石斛。
赖长江生等[15]对47份产自陕西、湖北、四川和浙江的灵芝样品进行了近红外光谱扫描和多糖含量测定，利用随机森林算法实现了灵芝产地的有效区分，使用偏最小二乘回归分析法，经光谱数据预处理，成功地构建了灵芝多糖含量的预测模型。实验结果表明，不同产地灵芝的多糖含量质量分数为1.93%～3.99%。
李春美等[16]采集来自广西、贵州和西藏的三七样本各20个，利用10000～3000cm-1的光谱数据，并用距离匹配算法进行建模，模型对上述3个产地三七的识别率在95%以上，证明了近红外光谱技术可用于中药产地的快速检测。
李余进等[17]以3个产地的普洱茶样品为研究对象，采集了其在1100～2498nm的近红外光谱数据，并用判别分析法建立了普洱茶产地识别定性分析模型。模型对校正集和验证集的识别正确率分别为98.15%、100%，可快速、无损地识别普洱茶产地。
2.4 作物育种 随着现代农业的发展，为提高农作物产量，减少农药使用，预防病虫害威胁，转基因育种日益受到重视。在转基因育种时，必须判定所导入的外源基因是否在作物中成功表达。目前，常规的基因筛查方法是基于分子生物学的检测技术，其操作复杂，具有较高的专业技能要求，不利于推广。近红外光谱可反映基因变异相关的蛋白质分子吸收信息，可应用于转基因农作物检测。
刘桂松等[18]采用有监督、无监督模式识别算法结合SG平滑模式筛选，成功建立了应用于转基因甘蔗育种筛查的可见-近红外光谱检测模型。模型对转基因样品检验识别率为92.5%，具有较好的识别效果，表明可见-近红外光谱可捕捉到甘蔗植株的转基因信息，可用于转基因甘蔗育种筛查，对于其他农作物的转基因检测也有一定的借鉴作用。
谢丽娟等[19]用可见-近红外光谱技术对转基因和非转基因的番茄叶片进行了定性分析，实验采集46个样本（26个转基因，20个非转基因）用于建模，22个样本（12个转基因，10个非转基因）用于验证，实验结果显示，判别分析法较偏最小二乘判别法有更好效果，模型分类的准确率为89.7%。此外，他们[20]也进一步验证了，不论是转基因番茄叶、番茄果实还是番茄汁，都可以通过测量它们的可见-近红外光谱并结合化学计量学方法，实现转基因样品的快速、无损鉴定。
于燕波等[21]对转基因和非转基因的中作321、TP309和日本晴的水稻叶片开展了单品种转基因识别研究，采用偏最小二乘法建立了近红外光谱转基因识别模型。结果表明，中作321转基因识别模型的识别正确率达98.84%，TP309转基因识别模型的识别正确率达98.46%，日本晴转基因识别模型的识别正确率达73.49%。
芮玉奎等[22]借助近红外光谱技术，对转基因玉米及其亲本在4000～8000cm-1波段内进行了光谱扫描，并建立了神经网络识别模型，结果表明，所建立的模型对10个验证样品的类型预测准确率为100%，在转基因农产品育种领域有一定的应用价值。
方慧等[23]利用近红外光谱技术，对不同品种转基因大豆及其亲本的鉴定进行了研究。实验采集了3种非转基因大豆亲本及其转基因大豆品种的光谱数据，采用偏最小二乘-判别分析建立了3种大豆的定性判别模型。结果表明，3种大豆判别模型对预测集的判别正确率分别为83%、85%和85%，表明近红外光谱技术可以较为准确地鉴别转基因大豆。
3 展望
近红外光谱技术作为一种快速、无损、高效的检测技术，已被广泛应用于农产品检测领域。利用近红外光谱技术结合化学计量学方法，建立农产品关键成分的定量或定性分析模型，可对消费者關系的农产品营养成分、质量安全、产地指标进行快速检测，亦可用于作物育种，在农产品检测领域发挥了重要作用。但近红外光谱技术也存在一些不足，比如建模样本的化学值测量过程十分繁琐耗时、模型建立过程对化学计量学算法等专业知识要求较高、检测过程仍需要人工参与。因此，如何降低近红外光谱技术的应用门槛，提高检测过程的自动化水平，将是今后近红外光谱技术领域的研究重点之一。
近年来，物联网、云技术、机器人、5G等先进技术发展迅速，为近红外光谱技术的进一步推广提供了机遇。将近红外光谱技术与上述技术结合，将进一步扩展近红外光谱技术的应用场景和优势。比如，将近红外光谱技术与智能化生产线结合，无须人工参与，即可实现样品成分的实时检测;将各种应用场景的数据和近红外模型存放于云端，用户可根据需要对资源进行调用、更新或补充，降低近红外光谱技术的使用门槛。近红外光谱技术与前沿技术的结合，对于进一步减少人力物力消耗、提高检测效率、降低使用门槛、扩展应用场景必将起到积极的作用。
作者简介：王建伟（1991—），男，浙江杭州人，博士，研究方向：近红外光谱技术。 收稿日期：2021-05-18
参考文献
[1]王艳龙，王胜宝，李新生.近红外光谱技术在农业领域的应用及展望[J].安徽农学通报，2012，18（15）：33-35.
[2]耿响，周丽萍，马欣欣，等.基于近红外光谱的茶粕中含油量和水分快速测定方法研究[J].安徽农学通报，2017，23（16）：130-132.
[3]王勇生，李洁，王博，等.基于近红外光谱技术评估高粱中粗蛋白质、水分含量的研究[J].动物营养学报，2020，32（3）：1353-1361.
[4]乔瑶瑶，赵武奇，胡新中，等.采用近红外光谱技术的燕麦脂肪含量检测[J].陕西师范大学学报（自然科学版），2016，44（4）：119-124. [5]唐忠厚，李洪民，李强，等.基于近红外光谱技术预测甘薯块根淀粉与糖类物质含量[J].江苏农业学报，2013，29（6）：1260-1265.
[6]李楠，许韵华，宋雯雯，等.利用近红外光谱技术快速检测大豆氨基酸含量[J].植物遗传资源学报，2012，13（6）：1037-1044.
[7]黄亮，薛建新，穆炳宇.基于可见/近红外光谱技术快速检测花椰菜中硫代葡萄糖苷的含量[J].现代食品科技，2021，37（4）：269-274.
[8]李敏.基于近红外光谱技术的小白菜农药残留鉴别分析[J].红外，2020，41（10）：44-47.
[9]王淑贤，肖航，杨振发，等.香精掺假普洱茶的近红外光谱检测[J].激光与光电子学进展，2020，57（23）：392-397.
[10]曹海燕，潘王盈，施永清，等.近红外光谱技术快速检测紫薯半干面中菌落总数及新鲜度[J].中国食品学报，2016，16（10）：160-166.
[11]孙通，莫欣欣，李晓珍，等.近红外光谱技术结合变量选择方法定性检测食用植物油中的腐霉利[J].光谱学与光谱分析，2016，36（12）：3915-3919.
[12]王超，李朋成，杨凯，等.近红外光谱烟叶质量等级快速检测与等级特征分析[J].光谱学与光谱分析，2021，41（3）：943-947.
[13]唐艳，王维皓，刘江弟，等.基于近红外技术的西洋参质量评价及产地鉴别[J].中药材，2018，41（3）：540-545.
[14]顾玉琦，刘瑞婷，寿国忠，等.应用近红外光谱技术快速鉴别铁皮石斛的产地[J].江苏农业科学，2016，44（5）：365-368.
[15]赖长江生，周融融，余意，等.基于近红外分析和化学计量学方法对不同产地灵芝快速鉴别及多糖含量测定的研究[J].中国中药杂志，2018，43（16）：3243-3248.
[16]李春美，陈娜，谭超，等.基于光谱技术实现中药三七的真伪识别及产地分析[J].当代化工，2020，49（5）：834-837.
[17]李余进，李超，李家华，等.基于近红外光谱的普洱茶产地识别研究[J].湖北農业科学，2020，59（5）：138-141.
[18]刘桂松，郭昊淞，潘涛，等.Vis-NIR光谱模式识别结合SG平滑用于转基因甘蔗育种筛查[J].光谱学与光谱分析，2014，34（10）：2701-2706.
[19]谢丽娟，应义斌，应铁进，等.可见/近红外光谱分析技术鉴别转基因番茄叶[J].光谱学与光谱分析，2008（5）：1062-1066.
[20]谢丽娟.转基因番茄的可见/近红外光谱快速无损检测方法[D].杭州：浙江大学，2009.
[21]于燕波.近红外光谱分析技术在转基因水稻识别和高油棉籽筛选中的应用研究[D].北京：中国农业大学，2014.
[22]芮玉奎，罗云波，黄昆仑，等.近红外光谱在转基因玉米检测识别中的应用[J].光谱学与光谱分析，2005（10）：47-49.
[23]方慧，张昭，王海龙，等.基于中红外光谱技术鉴别转基因大豆的方法研究[J].光谱学与光谱分析，2017，37（3）：760-765.
（责编：张宏民）